YAPAY ZEKA VE DERIN ÖĞRENME:
20. YÜZYILIN EN DEĞERLISI “ BILGI”
ÖZET: Yapay zeka üzerinde artan tartışmalar, dünya-da temel bir çalışma merkezi halini aldı. Apple’ın Siri’sinden Google’nin arama motorlarına ve IBM ‘in hastalık teşhis edebilen Watson’a kadar çoğu şeyi kapsadığını söyleyebili-riz. Bu makale konu hakkında son gelişmeleri özetlemekte-dir. Beyinde gerçekleşen işlem basamaklarını takip edilerek oluşturulan bilgisayar programları ile insanın yaptığı basit işler ve problem çözme mekanizmaları oluşturmaya çalışıl-maktadır. Yapay zeka genel anlamda bir bilgisayar bilimi-dir. Bu bilim içerisinde, tasarlanmış olan akıllı bir cihaz için oluşturulan belirli algoritmalar sayesinde istenilen veya hedeflenen işlemleri sonuçlandırmaktadır. Oluşturulan al-goritmalar, insan zekâsını temel almakta ve aynı işlevsellik-te değerlendirmeyi, düşünmeyi, öğrenmeyi, hatırlamayı, işlemeyi ve karar verme gibi özellikleri bilgisayarda geliş-tirmektedir. Gelecekte bilgisayar robot ile birleştirildiğinde hareketli, düşünebilen nano boyuttan insan boyutuna va-rıncaya kadar robot makinelerin üretilebileceği ümit edil-mektedir.
ANAHTAR KELIMELER: Bilgi, program, robot, zeka, bilim, derinlik.
ABSTRACT: Increasing debate on artificial intelli-gence has become a fundamental center of action in the world. We can say that Apple’s Siri covers most things, from Google to search engines and from IBM to Watson who can diagnose disease. This article summarizes recent develop-ments on the subject. With the computer programs crea-ted by following the steps of the process in the brain, simp-le works and probsimp-lem solving mechanisms that peopsimp-le do are trying to create. Artificial intelligence is a computer science in general. Within this science, certain algorithms are designed for an intelligent device that is designed to finalize desired or targeted operations. The algorithms that are created are based on human intelligence and impro-ve on the computer in terms of evaluating, thinking, lear-ning, remembering, processing and decision making in the same function. In the future, it is hoped that when coupled with computer robot, robotic machines can be produced from mobile, nano-size to human size.
KEYWORDS: information, program, robot, Intelli-gence, science, depth.
ARTIFICIAL INTELLIGENCE AND DEEP LEARNING:
Giriş
20. yüzyılda en değerli şey ‘bil-gi’dir. Alan Mathison Turing ve John McCarthy, 1950’li yıllarda ‘yapay zeka’ kavramını ilk ortaya atan ve bu alanın temellerini oluşturan iki önemli bilim insanıdır. Alan Turing ile birlikte bilgi kuramı üzerine yaptığı çalışmalarla tanınan Claude Elwood Shannon, II. Dünya savaşı sırasında şifreleme/çöz-me ve teşifreleme/çöz-mel örneksel bilgisayarların gelişmesine büyük katkı sağlamıştır. Ilk yapay zeka laboratuvarı 1959 yılın-da Massachusetts Teknoloji Enstitüsü’ nde (Massachusetts Institute of Tech-nology-MIT) Marvin Lee Mainsky [1] tarafından kurulmuştur. Bilişsel ruhbi-limci Allen Newell ise Herbert Alexan-der Simon ile ‘Logic Theory Machines’ ve ‘General Problem Solver’ eserleriyle Turing ödülünü almış ve yapay zeka alanına önemli katkılar sağlamış isim-ler arasındaki yerini almıştır. Yapay
zeka alanında yapılan çalışmalar dö-nemsel olarak atılan büyük adımlarla şimdiki popülerliğine kavuşmuştur. • “Bugün Yapay Zekanın kötü bir
süper zeka olmasından endişe-lenmek, Mars’taki aşırı nüfus artı-şından endişelenmek gibidir. Biz henüz bu gezegene iniş yapma-dık!”
• “Yapay zeka, yeni elektriktir”
Prof. Andrew Ng Andrew Ng , VP & Chief Scientist of Baidu;
Co-C-hairman and Co-Founder of Coursera; and an Adjunct Professor at Stanford University.
İlk Kırılma: 1957 yılına
dam-ga vuran ve bugün tüm modellerin yapı taşını oluşturan gelişme ‘Persept-ron’ tanımının yapılmasıdır. Bu tanı-mı Frank Rosenblatt [2] yaptanı-mıştır. Bu konuda atılmış diğer önemli adım da 1969 yılında Minsky ve Papert’in XOR probleminin tek katmanlı ağ yapısıy-la çözülemeyeceğini göstermesidir. Günümüzde gelinen noktada artık günümüz yapay zekasının en önemli çözümlerinden biri ortaya atılmak için
hazırdır.
İkinci Kırılma: ‘Geriye Yayılım’
(Backpropagation) teorisini, 1986 yı-lında ‘Çok Katmanlı Perseptron’ geriye yayılım algoritmasının insan beyninin çalışma şeklinin modellenmesine im-kan tanıyan yapısı ile yapay sinir ağla-rının tekrar gündeme gelmesini sağla-mıştır.
Yapay zeka henüz yeni doğ-muş bir bebeğe benzemektedir. Insanı
yenebilecek düzeye gelebilmesi için öncelikle bir bebeğin gelişme sürecin-de olduğu gibi öğrenmesi, çok sayıda bilgiyle eğitilmesi gerekmektedir. Bu bilgilerin özellikle çok sayıda olması gereklidir. Ancak yeterli değildir. Dü-zenli, yani etiketli olması eğitim süre-cinin en önemli parçalarından biridir. 80’li yıllardan yaklaşık 15 yıl sonra bü-yük verinin (Big Data) ne denli önemli olduğu anlaşılmıştır. Vladimir Vapnik ve Corinna Cortes 1995 yılında ortaya attığı Destek Vektör Makineleri (Sup-port Vector Machines-SVM) yöntemiy-le, Makine öğrenmesi ya da diğer bir deyişle ‘Yapay Öğrenme’ konusunda yeni çalışmaların yapılmasına yeni bir soluk getirmiştir. Bu yöntem ile birçok problem başarılı şekilde çözebilmek-tedir. Özellikle görüntü işleme bilgisa-yarlı görü konularında alınan sonuçlar yapay zekayı gerçek dünya problem-leri için uygulanabilir ve kullanılabilir hale getirmektedir.
Süper kahramanların ya da bir çocuğun çizdiği robotun genellikle ‘in-sanda olduğu gibi’ göze sahip olduğu görülür. ‘Peki neden? Görmek karar vermek için çok önemli bilgiler mi içe-riyor?’ A. Parker [3] görme duyusunun canlılardaki evrimi ve teorilerini başa-rılı bir şekilde anlatılmıştır. Stanford Üniversitesi yapay zeka ve bilgisayarlı görü Laboratuvarlarının yöneticisi Fei Fei Li, bir konuşmasına “Gelecek Dün-ya Neye Benzeyecek?” diye sorarak başlıyor.
Görmek; dünyayı tamamen farklı algılamamızı sağlamaktadır. Aşa-ğıdaki görselde ev temizliği, çiçeklerin
bakımı, yemek yapımı ve evdeki çocu-ğun yıkanması gibi işleri yaparken ro-botlar resmedilmektedir. Bu roro-botların gözleri var, görebiliyorlar ve bu veriler ışığında nesneleri tanımlayabiliyorlar, karar verebiliyorlar, verdikleri kararları uygulayabiliyorlar ve daha birçok kar-maşık işlemin üstesinden gelebilirler.
“Görsel zeka yapay zekanın temel taşıdır.” Fei Fei Li
Çözümlenmesi gereken
prob-lemler “örüntü tanıma (pattern recog-nition), bilgisayarlı görü (computer vision), sınıflandırma (classification) problemlerini ‘insan beyni gibi’ değer-lendirebilen, yeni doğan çocuk gibi öğrenebilen hatta bazen çocuktan hızlı öğrenebilen sistem nasıl oluştu-rulur?” sorusunu sormak gerekir.
Insan beyninde en büyük kı-sım görme üzerine işlem yapmakla yükümlüdür. Görme sisteminden alı-nan görüntüler (frame), beyinde çeşitli şekillerde ve üstelik mükemmel
kar-maşıklıkla işlenmektedir. Bu işlem basamaklarını anlayıp bilgisayara kodlayarak anlatmanın yollarını bul-mak temel amacımızdır.
Üçüncü Kırılma: 1998 yılında
Yann Le Cun, evrişimsel sinir ağla-rını (convolutional neural network-CNN) gradyan temelli yaklaşımla kullanarak oluşturduğu kendi ağ yapısına LeNet adını verilmiştir. Bu modelde 0–9 arasındaki rakamları
öğrenerek sınıflandıran sistem sayılar-dan herhangi birisi ile karşılaştığında kullanıcıya sayının hangisi olabileceği-ni yüzdeleri ile birlikte tahmin etmek-tedir. Insanın 0.1 saniyede yapabildiği her şeyi çok katmanlı büyük bir ağın da yapabileceği fikriyle Yann LeCun, -aşağıda karikatürize edildiği gibi- ‘ma-kinelere öğretmeye’ başlamaktadır[4]. Bu aşamada standart bilgi-sayar işlemcilerinin (CPU) işlem yü-künün üstesinden gelmekte güçlük çekmesinin en temel problem oldu-ğu görülmektedir. 1998’den 2010’a kadar genellikle; sınıflandırma, örün-tü tanıma, nesne tanıma alanlarında-ki problemlere piksel tabanlı olarak görüntü işleme (image processing) yaklaşımları geliştirilmiş olmasına rağmen bu yaklaşımların hiçbiri, in-sanın zekasına ve yeteneğine yak-laşamamaktadır. Bu temel problem 167 ülkeden de destek alarak ‘big data’ fikriyle giriştirilen ( Jia Deng, Wei Dong, Richard Socher, Li-Jia, Kia Li ve Li Fei-Fei (CVPR,2009))”ImageNet” veri seti oluşturuldu. ImageNet, 22 bin farklı kategoriye sahip ve 15 mil-yon farklı görüntü etiketlenerek elde edilen büyük bir veri setidir.
Bununla birlikte, CPU yerine grafik tabanlı işlemcilerin (Graphics Processing Unit: GPU) kullanılması do-nanım kaynaklı soruna da muhteşem bir çözüm getirmekte ve artık bir şey-ler olması an meselesi haline gelmek-tedir.
Dördüncü Kırılma: Toronto
Üniversitesi’nden Alex Krizhevsky, Ilya
Sutskever ve Geoffrey Hinton’ın 2012 yılında oluşturdukları evrişimsel sinir ağı modeli AlexNet [5] büyük prob-lemlere çözüm olmaktadır. 8 katman-lı bu evrişimsel ağ ile ilk-5 hata oranı %16.4’e ulaşmaktadır. AlexNet ağ ya-pısı aşağıdaki görselde olan yapının 2 paralel birleşmesinden oluşmaktadır.
Google - DeepMind, Facebo-ok-Yapay Zeka Lab., Stanford Üniver-sitesi, Kaliforniya ÜniverÜniver-sitesi, Mas-sachusetts Teknoloji Enstitüsü (MIT) bünyelerindeki Yapay Zeka Labora-tuvarında çalışan araştırmacılar konu üzerine çok hızlı çözümler ürettiler. Bu alanda ilk akla gelen isimlerden biri olan Christian Szegedy, ‘Evrişimler ile daha derine gitmek’ fikri ile birlik-te (Going Deeper with Convolutions, 2014) GoogLeNet oluşumu ortaya çık-mış oldu.
2014 yılında ‘Inception’ kav-ramıyla tanışmamızla birlikte artık sadece derine gitmenin yetmeyece-ği anlaşıldı. Res-Net ve Inception dü-zenlemelerinden faydalanılarak hem derine hem enine (deeper and wider) gitmek gerekmektedir. Algoritmaları nesne algılamaları ve görüntüyü sı-nıflandırmasına göre değerlendiren
ILSVRC (ImageNet Large Scale Visual Recognition Competition) yarışma-sındaki, yıldan yıla elde edilen ilk-5 başarım ve katman sayısı arasındaki ilişki 2015 yılı itibariyle aşağıdaki gibi bir hal almıştır. Buna ‘derinlik devrimi’ denmektedir.
Res-Net 152 katmana sahip bir ağ ve başarımda büyük bir sıçrayış ya-kalamıştır.
Bunun anlamı: derin öğrenme-dir (deep learning). Yani birden fazla katman içeren evrişimsel bir ağ yapısı, filtreler, boyutlandırma işlemleri, op-timizasyon, benzetimde performans hesaplamaları yapılabilmektedir. Artık yapay zeka çalışması yapanlar derin mimari mühendisleri olarak adlandırıl-maya başlanmıştır.
Beşinci Kırılma: Bugün en
çok ilgi gören algoritmalardan biri Ian Goodfellow tarafından 2014 yılın-da geliştirilen ‘Çekişmeli Üretici Ağlar’ (Generative Adversarial Nets) yapay zekanın gelecekte ulaşabileceği nokta konusunda ilginç önemli ipuçları ver-mektedir.
Sonuç:
Sıfırdan tasarlanan insan yüz-leri, stil transferi (style transfer) gibi işlemlerle ünlü ressamlar portrenizi yapmış olsa nasıl olurdu? sorusunun cevap bulduğu tıpatıp aynı denilebi-lecek tarzlarıyla yeni resimler çizilmesi ve atın zebraya dönüştürülmesi gibi büyüleyici örnekler yapay zeka konu-sunu gündelik bir konu haline getirip, metroda işe giderken insanların Si-ri’nin sorularımıza nasıl cevap verdiği hakkındaki tartışmalarını duymamızı mümkün kılmıştır.
Teşekkür:
25. Istatistiksel Fizik Günleri (28-30 Haziran 2018) Urla-IZMIR top-lantısına “Bazı telomeraz Inhibitör/ Aktivatörlerinin Simülasyon Incele-mesi”bildirimizi sunmak için katıldım. IFG25 toplantısı sonrasında oturum Başkanı Alkan Kabakçıoğlu ve Doç. Dr. Deniz Üret’in eğitmen olarak verdiği IYTE Matematik Bölümü, Bilgisayar La-boratuvarı’nda gerçekleştirilen “Derin Öğrenme Çalıştayı“ IYTE Matematik Bölümü’nde yapıldı. Toplantının IY-TE’de yapılmasını destekleyen başta IYTE Rektörü Prof. Dr. Sayın Mustafa
Güden’e saygılar sunarım. Prof. Dr. Ni-hat Berker ve Prof. Dr. Ayşe Erzan’ın önderliğinde başlatılan ve 25. kez ya-pılan Istatistiksel Fizik Günleri IFG25 toplantısının bilim ve düzenleme ku-rulu üyelerine, toplantı koordinatörü IYTE Fizik Bölümü öğretim üyesi Prof. Dr. Nejat Bulut’ a, ve toplantı ekibine çok teşekkür ederim. Ayrıca yurtiçi ve yurtdışından katılarak sunum yapan, bilgi paylaşımında bulunduğumuz su-num-katılımcılara ve bu yazıyı kaleme alma fikrime anlatım ve açıklamaları ile destek olan Doç. Dr. Deniz Üret’e sonsuz teşekkür eder; saygılarımı su-narım.
1. https://web.media.mit.edu/~minsky/ (Eri-şim tarihi: 03.07.2018))
2.
https://blogs.umass.edu/comp- hon/2017/06/15/did-frank-rosenblatt-in-vent-deep-learning-in-1962/ (Erişim tarihi: 03.07.2018)
3. A. Parker, ”In the blink of eye evolution of vision”( http://www.littlecamelschool.com/ in/in_the_blink_of_an_eye_how_vision_ sparked_the.pdf)
4. Yann LeCun Home page (http://yann.lecun. com/ Erişim tarihi: 03.07.2018)
5. https://www.nvidia.cn/content/tesla/pdf/ machine-learning/imagenet-classificati-on-with-deep-convolutional-nn.pdf (Erişim tarihi: 03.07.2018)
