Yapay zeka kavramının temellerine dair titizlikle hazırlanmış bir inceleme.


İllüzyon

 

Star Wars’taki konuşan androidlerden Terminatör’e uzanan Hollywood üretimleri, “yapay zekâ” ve bizimle diyalog kuran insansı görünümlü yazılımları dünyamıza aşina kıldı. Ortalama bir insanın gözünde, yapay zekâya (YZ) sahip bir bilgisayar, isterse kendi kablolarını kendi değiştirebilen ve aksi bir ruh hâlindeyse gemiyi ele geçirebilen bir “birey”dir. Kendi fikirlerini üretir ve kendine has bir karaktere sahiptir. Yani bir bilgisayar sadece yazılımından ibaret olamaz!

 

Perdenin Arkası

 

Akıllı ev eşyaları ve telefon asistanları bir yana, YZ barındıran ürünler her zaman gözümüzün önünde bu denli belirgin olmaz. Aslında YZ, tecrübeye (daha önce girilmiş verilere) dayalı tahmin ve genellikle yüksek bir yanılma payına sahiptir. Bunun sebebi, girilen verileri sizin ve bizim gibi görmek, duymak ve anlamak yerine sizin ona tarif ettiğiniz şekilde parçalarına ayırıp tahminler yürütmesidir. Örneğin, sayılar dolu bir defter düşünün. Hepimiz için kolaylıkla ayırt edebileceğimiz bir yığın sayı gibi gözüken sayfadaki sayıları tahmin ederken, bir YZ kolaylıkla hata yapabilmektedir (size ve bize göre hata yapması imkânsız olan bir yazıda bile)

 

 

Bu YZ, MNIST (Modified National Institute of Standards and Technology) tarafından üretilmiş bir el yazması bilgi havuzunu analiz ederek tecrübe kazanmış milyonlarca YZ’den yalnızca bir tanesi. Tıpkı sizin ve bizim gibi benzer sayıları ne kadar fazla görürse o kadar isabetli tahminler yapacak bir altyapıya sahip. Fakat her ne kadar “zeki” olsa da bizlerden farklı olarak bu kadar basit analizlerde bile saçma hatalar yapabilmekte.

 

Bunun sebebi büyük resme bakmaktansa şekli parçalara ayırıp, sayılardaki köşe, kıvrım, yatay ve dikey eksenlere detaylıca odaklanıp, daha önce buna benzer verilerden aldığı şekillere benzetip uygun görmesi. Örneğin, Resim 1’deki 7 sayısını ele alalım. Bizim ıskalamamız mümkün olmayan bir 7 iken, YZ için yalnızca dikey çizgisi uzatılmış bir 2’ye eşdeğer.

 

Hatalar Yalnızca Doğruya Yaklaştırır

 

Şimdi, YZ o kadar da korkutucu gelmiyor, değil mi? İşin doğrusu, yukarıdaki gibi bir işlem genellikle her YZ’nin, kodu yazıldıktan sonra geçmesi gereken süreçlerden biridir. Çünkü tıpkı küçük bir çocuk gibi YZ’ler de isabetli tahminleri önceki hatalarına ve doğrularına dayanarak yapar. Yani onlar da bir “eğitim”den geçer. Bu süreç, her YZ için kullanılacağı alana spesifik yapılır. Örneğin yazıları analiz edecek bir YZ romanlar üzerinden eğitilir. Bunun şaşırtıcı örnekleri görselleri analiz etmek için eğitilen YZ’lerin bizim üzerimizden eğitiliyor olmasıdır. Karşımıza “Ben bir robot değilim” testi olarak çıkan bu eğitim, aslında YZ’lere görsellerde cisimleri seçtirmeyi eğitebilmek için bizlerin gerçek hayata dair tecrübelerimizi kullanır.

 

Aynı durum doğru reklam/içerik tavsiye etmek için eğitilen YZ’ler için de geçerlidir. Bu, günlük hayatımızda karşımıza ilgilenmediğimiz YouTube videoları, tıklamadan geçtiğimiz reklamlar, uzun süredir dinlemediğimiz şarkılar ve hatta okumayı tercih etmediğimiz haber siteleri olarak çıkar. Her tercih edilmeyen etkileşim, uygulamaların kullandığı YZ’lere “yanlış cevap” bilgisini iletir. Çünkü uygulamadaki YZ’nin asıl amacı, bizi uygulamada daha uzun süre tutabilmektir ve biz etkileşime geçmedikçe YZ başarısız olmuştur.

 

Burada gözden kaçan nokta, uygulamaları tek bir YZ’nin, tek bir merkezden yönettiği algısıdır. Fakat her kişinin kendine özgü sosyal medya hesapları olduğu gibi, her kişinin kendine ayrılmış bir kişisel YZ’si ve kendine özgü bir dijital ayak izi vardır. Biz sosyal medyayı ücretsiz bir şekilde kullanmaya devam ettikçe de reklamlar peşimizde olacaktır. Çünkü “Eğer bir uygulamayı ücretsiz kullanıyorsanız, ürün aslında sizsinizdir.”  Dolayısıyla elimizden gelen en iyi çözüm bunu avantajımıza kullanmaktır. Bunu avantajımıza kullanmanın yolu aslında basittir. Kendimiz olmak ve gerçekten ilgimizi çeken içeriklere tıklamak. Bir uygulamaya tıkladığınızda ilk 3 dakikanızın ilgilenmediğiniz içerikler arasından sevdiğiniz içerikleri bulmaya çalışarak geçmesini ister miydiniz? Sevmediğiniz bir spor takımının haberlerinin sürekli karşınıza çıkmasını? Ya da sizinle gerçekten alâkası olmayan bir ürünün reklamlarını devamlı ana sayfanızda görmeyi? Biz bunun gibi durumlarla karşılaşmayalım diye YZ’ler bu ayıklama işlemlerini biz uygulamaları kullandıkça üstlenmekte ve her etkileşimimiz YZ’ye benzeri içerikleri ön plana çıkarması için bir örnek olmakta. Yani basitçe görmezden geldiğiniz bir kıyafet reklamı karşınıza daha az çıkarken aksine göz ucuyla da olsa baktığınız bir telefon reklamı sürekli karşınıza çıkar. Buna reklamı okumak bile dâhildir, dolayısıyla bilinçli bir tüketici olmak yine bizlerin elinde.

 

Derin Düşünenler Daha Az Hata Yapar

 

Şimdi biraz daha bu eğitim sürecinden bahsedelim. YZ’lere 2’leri 7 yapmayı nasıl öğretiyoruz?YZ’lerin eğitilme süreçlerine makine öğrenmesi (machine learning) ismi verilir ve basitçe “deneme-yanılma-tecrübe” (trial and error) ilişkisine dayanır. Tıpkı sizde ve bizde olduğu gibi daha önce hatalı olan sonuçları göz önünde bulundurarak yazılımın bir sonraki tahminini daha isabetli yapmasını sağlayan algoritmalardır. Burada bu algoritmaları yazanların amacı, yazılımda bir değişiklik yapmaya gerek kalmadan YZ’nin tahminlerini geliştirmesidir. Bunu yapmak için birçok metot kullanılır: Denetimli Öğrenme, Denetimsiz Öğrenme, Derin Öğrenme

 

Şimdi denetimli ve denetimsiz öğrenmeden bahsedelim. Aslına bakarsanız bu iki metot ebeveynlerin çocuklarına bir şeyler öğretmek için kullandığı iki basit tekniktir. Çocukların oynadığı şekilleri yerlerine yerleştirme oyununu düşünün.

 

 

Çocuğunuza bu oyunu öğretirken önce oyunu siz oynayıp şekilleri siz yerleştirirseniz buna Denetimli Öğrenme denir. Çocuğunuz sizin yaptığınızı örnek alıp şekilleri sizin yerleştirdiğiniz yerlere yerleştirecektir. Çok hızlı ve etkili bir şekilde oyunu oynayıp başarılı bir şekilde şekilleri yerleştirecektir. Bunun kötü yanı, çocuğunuza üstünde farklı şekiller olan yeni bir oyuncak getirdiğinizde, ona oyunu tekrar göstermek zorunda kalacak olmanızdır; tıpkı Denetimli Öğrenmeyle eğitilmiş YZ’lerde olduğu gibi.

 

Denetimsiz Öğrenme ise oyuncağı çocuğunuza verip onun şekilleri sırayla deneyerek yerlerine yerleştirmeye çalışmasıdır. Bunu yaparken şekillerin açısını ve yerlerini yanlış seçeceği için çokça hata yapacaktır ve doğru yerlerini bulması uzun sürecektir. Fakat iyi yanı, çocuğunuz gerçekten oyunu ve şekilleri kavrayacak ve ona yeni bir oyuncak aldığınızda kısa bir alışma sürecinden sonra yeni şekillere kolayca alışarak oyunu başarıyla oynayabilecektir.

 

İşin daha gerçekçi kısmına gelecek olursak bu iki metodun da işlevsel olduğu farklı alanlar vardır. Yani biri diğerinden daha üstün değildir. Denetimli Öğrenme, içinde çokça veri olan büyük dosyaları düzenlemek ve kategorize etmek için kullanılır. Fakat bizlerin dağınık masaüstümüzden çok, daha büyük ve karmaşık verileri olan CERN ve NASA gibi kuruluşlarda gelen matematiksel bilgileri (sayfalarca anlamsız sayı) analiz edip bunlara karşılık gelen gerçek bilgiler (atom altı parçacıklar, yıldızlar, gezegenler) ile eşleştirmeye yararlar.

 

Denetimsiz Öğrenme ise daha önce de bahsettiğimiz elektronik reklam ve kişiye özel uygulama ana sayfaları için kullanılır. Şimdi size bir iyi bir de kötü haberim var: Instagram, Twitter ve TikTok gibi uygulamalarda anasayfanızda dolaşırken karşınıza çıkan reklamlardan sizinle ilgili veriler bir YZ tarafından işlenir ve değerlendirilir. Burada içimizi rahatlatan kısım denetimsiz öğrenme sayesinde, uygulama sahiplerinin bizimle ilgili verileri, aslında kendilerinin değerlendirmiyor oluşudur. YZ’ler biz bir fotoğrafı beğendiğimizde, fotoğrafın üzerindeki ögeleri analiz eder ve buna göre sayfayı aşağı kaydırdığımızda, içinde benzer ögeler olan fotoğrafları bizim karşımıza getirir (Video hâli de Instagram Reels, TikTok vs.). Fakat bunun kötü yanlarını Cambridge Analytica şirketi aracılığıyla yapılan “kişiye göre reklam” başlığıyla yürütülen seçim kampanyalarında, 2016 ABD seçimlerinin kaderi değiştiğinde gördük.

 

Yapay Zekânı Nasıl Eğitirsin?

 

Zaman içinde Makine Öğrenmesi için pek çok algoritma geliştirilmiştir. Bu sebeple, Denetimli ve Denetimsiz Öğrenme, literatürde Klasik Makine Öğrenmesi olarak yerini almıştır. Fakat makine öğreniminde bu iki metottan daha karmaşık, daha ilgi çekici ve belki de en başarılı olan Derin Öğrenme ismi verilen metot oluşmuştur. Derin Öğrenmenin en göz alıcı özelliği çoğu başarılı bilimsel gelişmede olduğu gibi doğayı taklit ederek geliştirilmiş olmasıdır.

 

“İnsanın kıvrak zekâsı hiçbir zaman doğadan daha güzel, daha basit ve daha dolaysız bir buluş üretemeyecektir. Çünkü doğanın buluşlarında ne eksik ne de fazla vardır.”

-Leonardo Da Vinci

 

Derin öğrenme metodu belki de daha önce duymuş olabileceğiniz “Yapay Sinir Ağları” ile işlemlerini gerçekleştirir. Tıpkı gerçek sinir hücrelerinde olduğu gibi, bu metoda asıl başarısını sağlayan işlevi yapan hücreler değil, bu hücreleri birbirine bağlayan bağlantılardır .

 

 

Amaç, Denetimli ve Denetimsiz öğrenmenin temel kavramlarını kullanıp kendini sürekli değiştiren ve ayarlayan bir sistem oluşturmaktır.

 

Resim 5’te, basit bir Yapay Sinir Ağı görüyorsunuz. Sinir Ağları bilgilerin algoritmaya sunulduğu bir girdi katmanı, işlemlerin gerçekleştirildiği gizli veya yoğun katmanlar ve işlem sonuçlarının iletildiği bir çıktı katmanından oluşur. Şekilde görüldüğü üzere, çıktı katmanında yalnızca 1 sinir bulunuyor.

 

Yapay Sinir Ağlarında asıl işlemi, gizli katmanlar üstlendiği için, ne kadar çok gizli katman varsa, gizli katman başına ne kadar çok sinir varsa, o kadar isabetli bir sonuç çıkacak demektir* (Fakat bu aynı zamanda çok fazla zaman ve çok fazla ön eğitim demek olacaktır. Dolayısıyla amaç, gereken işlemi en etkili ve en kısa sürede yapmayı sağlayacak düzeneği kurmaktır.

 

Şimdi matematiksel yaklaşım yapalım: Sinir ağı önce verilen bilgiyi küçük parçalara ayırır ve girdi katmanından algoritmaya alır. Örneğin, bir fotoğrafı analiz edecek bir algoritma girdi katmanına bu fotoğrafın piksellerini alacaktır. Algoritmaya alınan her bilgiye “x” değişkeni diyelim. Daha sonra algoritma bu değişkeni rastgele bir sayı ile çarparak gizli katmandaki bir sinire iletir. Her bir bağlantı, rastgele farklı bir sayı ile çarpımı temsil eder. Çarpma işleminin sonucu Gizli Katman 1’de iletilen sinirde o sinire ulaşan diğer çarpımlarla toplanarak kaydedilir. Daha sonra bu çarpma işlemi, yeni ve farklı rastgele sayılarla tekrar uygulanır ve sonucu Gizli Katman 2’de o sinire ulaşan diğer çarpımlarla toplanarak kaydedilir. Gizli Katman 2’de (son gizli katman) kaydedilen sonuçlar Çıktı Katmanına bir sayıyla çarpılmadan iletilir ve işlem sonlanmış olur. Şimdi bu işlemi, bir girdiyi her katmanda bir sinir takip ederek tekrar gözden geçirelim.

 

 

Peki, Bu İşlemin ve Karmaşanın Amacı Ne?

 

Yapay Sinir Ağları daha isabetli tahminleri, sonucu bilinen veriler üzerinde eğitilerek yapar. El yazısı sayılar örneğini düşünecek olursak, Sinir Ağına tahmin yaptırılmadan önce verilen sayının hangi sayı olduğu bilgisi de verilir. YZ’nin bu aşamada görevi, bağlantılarda bulunan çarpanları değiştirerek verilen sayıyla aynı cevabı veren bir algoritma oluşturmaktır. Bu süreçte doğru sonuca daha yakın olan yoldaki çarpanları sabit tutacak (veya çok az değiştirecek), fakat diğer çarpanları doğruya yakın olan yoldaki çarpanlara yaklaştıracaktır.* (*Optimizasyon veya Bölgesel Minimum Bulma)

 

Bu kadar karmaşık işlemden sonra YZ’mizin ihtiyaçlarından bahsetmeden olmaz. Her çocuk gibi YZ’mizin de daha akıllı olması için beslenmeye ihtiyacı var. Bunu da YZ’mizi eğitebilmek için vereceğimiz verilerle yapıyoruz. Yani aynı oyunu farklı şekillerle tekrar edebilmesi için ona farklı şekiller veriyoruz. El yazısı örneğimize dönecek olursak YZ’mize farklı el yazıları, farklı şekillerde yazılmış sayılar vermemiz gerekiyor ki çok daha isabetli tahminler yürütebilsin. Dolayısıyla başarılı bir YZ’nin hem güzel yazılmış bir Yapay Sinir Ağına hem üzerinde bolca çalışabileceği veriye ve örneğe hem de başında yaptığı hataları ve doğruları onaylayacak bir öğretmene ihtiyacı var (Bu ister veriler verilirken ister YZ tahmini yaptıktan sonra olsun).

 

Eğitimli Bir Çocuk Her Şeyi Başarabilir

 

Şimdi biraz gerçek hayatta gözlerimizi büyüleyen ve bizi eğlendiren YZ örneklerinden bahsedelim. YZ sosyal medya uygulamalarında yalnızca eylemlerimizi gözlemlemek için kullanılmaz. Aynı zamanda kameramızı açtığımızda yüzümüze filtreler ve komik maskeler ekleyen efektler için de bir mihenk taşıdır.

 

Snapchat’te herkesin en azından bir kere denediği meşhur köpek efektini düşünün. Siz kafanızı sağa sola hareket ettirseniz bile köpek burnu sizin burnunuzun tam üzerinde kalmaya devam eder. Buna gerçek zamanlı takip diyoruz. Eskiden bir fotoğrafın üzerine “Photoshop” üzerinden eklenen komik filtreler hareket etmeyen sabit suratlar üzerine manuel olarak yapılırdı. Yani bir fotoğrafı basitçe başka bir fotoğrafın üzerine yapıştırırdık. Fakat şimdi, bu işlem devamlı hareket içinde olan yüzlerimiz için anında yapılabiliyor. Bunu binlerce yüz üzerinde eğitilmiş ve her bir insan bu efekti kullandığında daha da gelişen bir YZ’ye borçluyuz. Fakat yazılımcılar basit köpek burnu veya kulaklarıyla kalmayıp bu işlemi bütün insan yüzleri için yaptılar. Yani bir insanın yüzünü başka bir insanın yüzüne gerçek zamanlı aktarabildiler. Hatta bununla kalmayıp o insanın sesini bile taklit edebildiler. “Deepfake” isimli bu gelişmiş YZ’yi eğitmek için, yüzünü taklit etmek istediğiniz kişinin bir videosunu YZ’ye veriyorsunuz ve Deepfake’in videoyu analiz etmesini bekliyorsunuz. Daha sonra Deepfake, sizin için bu kişinin taklit edilmeye hazır bir versiyonunu çıkarıyor.

 

Tabii ki her bilimsel gelişme gibi Deepfake’in de hem iyi hem de kötü yanları var. Kötü yanı, önemli ve meşhur insanların Deepfake ile yapılan taklitlerinin gerçek hâllerinden ayırt edilmesinin çok zor olması. Şimdiden Mark Zuckerberg ve Donald Trump’ın taklitleri yapıldı bile! Fakat biz daha iyimser yaklaşalım ve Deepfake’in hayatımıza neşe katabilecek örneklerine odaklanalım. Deepfake sinema sektöründe, “Şu rolde keşke bu oyuncu oynasaydı!” gibi düşüncelere hayat kazandırmak için sinema hayranları tarafından kullanılmaya başlandı. Bunun güzel bir örneğini YouTube’a “Tom Cruise Deepfake ” yazarsanız bulabilirsiniz. Hayranlar tarafından, Demir Adam rolü Robert Downey Jr.’dan Tom Cruise’a aktarılmış. Daha da etkileyici bir çalışma ise, bu yıl Disney stüdyoları genç Luke Skywalker’ı yeni dizisinde kullanınca karşımıza çıktı. Şu an 69 yaşında olan Mark Hamill’ın makyaj ile eski rolünü canlandırması mümkün olmayınca, yapımcılar Deepfake ile sorunu çözmeye karar verdi ve dizide Luke Skywalker’ı genç ve dinamik hâliyle hayranların karşısına tekrar sundu.

 

Özetleyecek olursak teknolojinin durmak bilmeyen hızıyla eş hızda gelişen yapay zekâ teknolojisi, günlük hayatımızda çoktan yer edindi bile. Biz kullanıcıların elinde olan ise diğer gelişmelerde yaptığımız gibi bu teknolojinin esiri olmaktansa bu teknolojiyi olabildiğince erken anlayıp bu teknolojinin hayatımızda her an nasıl etkili olduğunu fark edebilmek. Çünkü YZ teknolojisi bu hızla gelişmeye devam eder ise, bundan belki de çok da uzun olmayan bir süre sonra YZ’lerin organik temelli bir zekâ ile kafa kafaya getireceğiz ve ikisi bize farksız görünecek. Bu konuda elimizde güçlü bir silah var: Turing testi. Bu test basitçe bir yazılım ile bir insanın konuşmasını, ikisinden de haberdar olmayan bir insanın ayırt edip edemeyeceğini test eder. Eğer bu ikinci kişi, iletişim kurduğu yazılımın bir insan olduğunu düşünür ise bu yazılım Turing testinden geçmiş demektir. Şu an Turing testini geçebilen bir yapay zekâ bulunmamakta, fakat bu gerçek, yakın zamanda değişecek gibi duruyor. Zekânızın doğal olması ve bilgisayarlarınızın sizlerden akıllı olmaması dileğiyle…

 

Dora Bayraktar

Josie Norton

KAYNAKLAR

  • Hope T, Resheff YS, Lieder I. Learning Tensor Flow: A Guide to Building Deep Learning Systems. Beijing: O’Reilly Publishing, 2017, pp. 13-21.
  • Eczacıbaşı F. Daha Yeni Başlıyor: Geleceğin Dünyasında Esneklik, Yakınsama, Ağ Yapısı ve Karanlık Taraf. İstanbul: Koç Üniversitesi Yayınları, 2018, s. 75-77.
  • Alpaydın E. Introduction to Machine Learning, Second Ed., Boston: MIT Press, 2010, pp. 1-45.