Capsule Network: İnsan gibi Düşünen Yapay Zeka

Google araştırmacısı Geoff Hinton insan beyni gibi düşünen bir yapay zeka geliştirdi. Bu tür sistemler Capsule Network olarak adlandırılıyor. Kendi başına öğrenen yazılımlar aslında insandan yavaş öğreniyor ve insanların becerdiği birçok işi yapamıyor.

Peki yapay zekanın daha hızlı çalışmasını sağlayan Capsule Network sayesinde insan gibi düşünen robotlar ne zaman geliyor? İnsani robot ve yazılımların endüstri 4.0’da nasıl kullanılacağını görelim.

İnsan zekasını taklit etmek

İnsan gibi düşünen dijital sinir ağlarının en son ve en güçlü versiyonu olan Capsule Network, gerçek resimleri bilgisayar çizimlerinden ayırt etme gibi işleri diğer yazılımlardan iki kat iyi yapıyor. Yapay sinir ağlarının nasıl çalıştığını görmek için yapay zeka tarihine kısaca bakalım:

İlgili yazı: Düz Dünya Teorisini Çürüten 12 Kanıt

 

Makine öğrenmesi fikri nereden çıktı?

Google, Facebook ve diğer teknoloji şirketleri insanlardan daha hızlı iş görecek yapay zeka (YZ) yazılımları geliştirirken bir şeyin farkına vardılar: Yapay zekaya yeni bir şey öğretmek zordu. Özellikle de karmaşık işleri yapmakta insanların gerisinde kalıyor ve otomasyon gereken sektörlerde insanların yerini alamıyordu.

Bunu çözmek için klasik yaklaşım bütün robotlar ve yazılımları insanların programlamasıdır ki günümüzde büyük ölçüde böyle yapıyoruz. Yazılımların büyük kısmını insanlar geliştiriyor. Ancak, bu da otomatik çalışmak için tasarlanan yapay zekanın amacına ters düşüyor.

Sonunda Google ve diğer şirketler daha güçlü reklam analiz algoritmaları kullanmak için makine öğrenmesine odaklandılar. Son 5 yılda yaygınlaşan bu yaklaşımda kendi başına öğrenen yazılımlar geliştiriliyor.

Ancak, Çin arama motoru Baidu’nun da makine öğrenmesine odaklanmasına karşın, YZ’nin gerçek resimleri bilgisayar çizimlerinden ayırt etmek gibi işleri öğrenmesi için aylarca çalışması ve büyük miktarda veri analiz etmesi gerekiyor. Bu da yapay zekanın kullanım alanlarını kısıtlıyor.

İlgili yazı: İnternetinizi Uçuracak En İyi 10 Modem

 

Derin öğrenme şimdilik çözüm olamadı

Google bu sorunu aşmak için Dennis Hassabis’in kurduğu DeepMind şirketini satın aldı. DeepMind bir kişinin kanser olduğunu yüzde 95 oranında tespit eden derin öğrenme yazılımları kullanıyor. Hatta bunun bir versiyonu olan AlphaGo, insanların en kompleks oyunu olan Go maçlarında dünya şampiyonlarını yendi.

Peki daha hızlı öğreniyor mu?

Nasıl ki insanların bilinçsiz refleksleri birine kitap verirken kolunu kaldırmak gibi istemli hareketlerden daha hızlı; bir anlamda bilinçaltında çalışan derin öğrenme yazılımları da yeni şeyleri öğrenmekte IBM Watson gibi yapay zeka türlerinden daha hızlı.

Ancak, derin öğrenme yazılımları iki sebepten dolayı araba kullanmak veya kamyona kırılacak eşya yükleyen robot üretmek gibi işlerde insanların yerini alamadı: Birincisi derin öğrenme bir işi öğrenmek için en ince ayrıntısına kadar incelemek zorunda. Üstelik her seferinde işi baştan öğrenmek zorunda.

Derin öğrenme teorik olarak daha hızlı ve daha kesin sonuçlar elde ediyor; ancak bunun için çok büyük miktarda veri incelemek zorunda kalıyor. Bu da kanser araştırmaları gibi konularda aylarca ve hatta yıllarca çalışmasını gerektiriyor (kanser tespitinde daha hızlı).

İlgili yazı: İnternette teknik takip ve gözetimi önleme rehberi

 

Ayrıca ne yaptığını bilmiyor

Derin öğrenmenin ikinci ve en önemli sorunu ise ne yaptığını bilmeden çalışması. Bunun sebebi de hatırlayamayacak kadar çok veriyi analiz etmesi. Örneğin gerçek insan fotoğraflarını bilgisayar grafiklerinden ayırt etmek için milyonlarca görseli sağdan, soldan tüm açılardan ve farklı ışık koşullarında incelemek zorunda. O zaman da karar ağacını aklında tutması mümkün olmuyor:

Derin öğrenme karar ağacı ile çalışıyor ve her karar aşaması, yazılımı o resmin gerçek olup olmadığı konusunda son kararını vermeye itiyor. Ancak aşağıda göreceğimiz gibi, derin öğrenme insan beyninin tersine, sadece ardışık kararlar alıyor ve yüz binlerce ardışık karar alarak kesin sonuca ulaşıyor.

Bunları bir veri merkezinde depolamak mümkün olmadığı için (saniyede yüzlerce, binlerce kararı anında depolamak imkansız) insanlar derin öğrenmenin, “bu hasta kanserdir” gibi bir kararı nasıl aldığını bilemiyor (bütün bilgisayar işlemlerinin canlı kaydını tutmak pratikte olanaksız).

Derin öğrenme geriye dönüp raporlama yapamıyor. Bir kararı neden aldığını açıklayamıyor. Bu da derin öğrenmenin hukuki olarak şirketlerde kullanılmasını önlüyor. Nitekim bankalar, hastaneler ve diğer şirketlerin, özellikle sağlık ile finans konularında aldıkları kararları gerekçelendirmesi şart.

İlgili yazı: Nesnelerin İnterneti İçin Donanım Yaması Gerek

 

Neden insan gibi düşünen YZ?

İnsan gibi düşünen yapay zeka geliştirmek zorundayız; çünkü insanlar kompleks görevleri yerine getirmekte yapay zekadan çok daha iyiler. En basitinden, bir insan masanın üstünde kırmızı renkli bir kurşunkalem görünce, arkadaşının eliyle kaldırdığı ince siyah çubuğun da kurşunkalem olduğunu anlıyor.

Kısacası insanlar bir kez öğrenince unutmuyor. Örneğin, kalemi her eline aldığında yazı yazmayı yeniden öğrenmek zorunda kalmıyor (bisiklete binmeyi veya yüzmeyi unutmak söz konusu değil). Kendi başına öğrenen yapay zeka yazılımları ise her seferinde tekrar öğrenmek zorunda.

Ayrıca insanlar kendini kandırsa, yanlış hatırlasa, unutsa ve hatta yalan söylese bile bir işi neden yaptığını açıklayabiliyor. Örneğin, hakim suçlulara adamı neden dövdünüz diye sorunca cevap verebiliyorlar. Yapay zekada bu yok ve bu yüzden Google insan gibi düşünen YZ geliştirmek istiyor.

İlgili yazı: Renk Körlüğünü Düzelten Gözlük EnChroma

 

Dijital sinir ağları

Yapay sinir ağları insan beyninin yapısını taklit eden çiplerle çalışıyor. Bu çipler bir devre kartının üzerine nöron ağları gibi diziliyor ve bunlara yüklenen yapay zeka yazılımları da gerçek sinir ağları gibi çalışıyor.

2012’den beri gündemde

Beyin kabuğunun nasıl çalıştığını beyin formülü ve ne kadar hızlı düşünüyoruz yazılarında anlattım. Burada ise 69 yaşındaki yapay zeka araştırmacısı Geoff Hinton’ın geliştirdiği Capsule Network dijital sinir ağının nasıl çalıştığını ele alacağım.

Hinton, Yapay Sinir Ağlarını 2012’de duyurduğunda herkesi şaşırttı. Elbette bu düşünce daha önce de dillendiriliyordu. Ancak Hinton ilk pratik versiyonunu geliştirdi. Yapay sinir ağları o zamandan beri akıllı telefonlarda kullanılıyor.

O çarpıcı Instagram fotoğraflarını, ortam ışığını otomatik olarak ayarlayan ve yüz tanıma özelliği sayesinde bizi otomatik olarak kadraja oturtan yapay sinir ağı yazılımlarına borçluyuz.

İlgili yazı: Mobil İnternette Video İzleme Rehberi

 

Sıra insan beynini taklit etmekte

Hinton geçenlerde yaptığı açıklamada, “Bilgisayarla görsel tanıma için yanlış yöntem kullanıyoruz” dedi. “Şu anda elimizdeki her şeyden iyi bir yöntem, ama bu doğru olduğu anlamına gelmiyor.” Nitekim geçen hafta yayınladığı bir makalede kendi geliştirdiği yeni dijital sinir ağı yöntemini açıkladı. Capsule Network ile artık insan beynini taklit etmemiz gerektiğini söyledi.

Bunu göstermek için de Capsule Network sistemini diğer makine öğrenimi yazılımlarının yüz tanıma performansıyla karşılaştırdı. İnsan beynine öykünen yapay zeka yüz tanımakta diğer yazılımlardan yüzde 50 daha başarılı oldu!

İlgili yazı: Yakıtsız Çalışan Roket EM Drive

 

Peki nasıl?

Dün Twitter ve Linkedin hesaplarımda GAN algoritmalarının gerçeğinden ayırt edilemeyen insan yüzleri çizmekte ne kadar başarılı olduğunu gösteren bir video paylaştım. Bu yazıyı da ilgili videonun önemini vurgulamak için yazdım.

Facebook sohbet botunu çok zeki diye kapatmadı yazısında GAN algoritmalarının nasıl çalıştığını okuyabilirsiniz. Ancak kısaca özetlersek: Derin öğrenme ve GAN algoritmaları kullanan yazılımlar dünyanın en gerçekçi insan ve eşya resimlerini üretiyor.

GAN algoritmalarında iki yapay zeka birbiriyle konuşarak kendini geliştiriyor. Örneğin biri çizerken, diğeri çizilen resmin gerçek olmadığını ispatlamaya çalışıyor. Böylece resmi çizen yapay zeka kardeşinden görüş alıp daha gerçekçi resimler çizmeyi öğreniyor!

İlgili yazı: 18 Ayda Nasıl 24 Kilo Verdim?

 

Capsule Network ile ne ilgisi var?

GAN algoritmaları da derin öğrenme yazılımları gibi ardışık kararlar alarak çalışıyor. Üstelik sadece iki birimlik gruplar halinde iş görüyor. Oysa insan beyninin ön lobundaki beyin kabuğunda, her biri ayrı bir GAN algoritması olan; yani aralarında konuşarak karar alan 300 milyon nöron grubu bulunuyor (toplamda 30 milyar nöron).

Beynimiz dev bir GAN grubu

Ön lobdaki 300 milyon nöron grubu (bunlara desen tanıma birimi diyoruz) her biri doğuştan hazır gelen 100 nöronluk ekiplerden oluşuyor. Kısacası insan beyni bir kurşunkalemi tanıdığı zaman, aslında binlerce (milyonlarca?) desen tanıma birimi “o gerçekten kurşunkalem mi” diye aralarında konuşuyor.

İlgili yazı: Kontrollü Güç >> Telefon pil ömrünü uzatmak için en iyi 5 yöntem

 

Takım çalışması

Beynimizdeki desen tanıma öbekleri takım çalışması yaparak dev bir GAN algoritması grubu gibi davranıyor. Hinton işte bunu yaptı: GAN algoritmalarını aldı, desen tanıma birimine benzetti ve bunları dijital sinir ağlarıyla birbirine bağlayarak yüz tanımaya teşvik etti.

İnsan beynini taklit eden bu yeni yapay zeka geliştirme yöntemi şimdiden insan yüzlerini diğer yazılımlardan daha iyi tanıyor. Yüzde 50 daha az hata yapıyor.

İlgili yazı: Yeni Amazon Key Hizmeti ile Kurye Kapınızı Açacak

 

Nasıl çalışıyor?

Capsule Network’ta dijital nöronlardan oluşan küçük gruplar var. Bunlar insan yüzünü tanımak gerektiği zaman işbölümü yapıyor. Örneğin biri yüzün kenarlarına bakarken, diğeri rengine, öbürü de siluetine bakıyor.

Böylece dijital sinir ağları ardışık karar ağacıyla seri bilgisayar gibi çalışmak yerine, sanki kuantum bilgisayar gibi paralel çalışıyor. Bir resmi binlerce yazılım aynı anda ve kendi aralarında görüş alışverişi yaparak incelemiş gibi olduğu için bu sistem yüksek performans sergiliyor.

Örneğin, Capsule Network bir kurşunkalemi tanıdıktan sonra o kalemi 180 derece çevirirseniz kafası karışmıyor. Aynı kurşunkalem olduğunu anlıyor. Diğer makine öğrenmesi yazılımları bunu yapamıyor.

İlgili yazı: iPhone Ultrason Çekimle Kanseri Teşhis Etti

 

Bebeğe öğretir gibi

İnsanlarda desen tanıma birimleri doğuştan hazır geliyor. Nöronlarımız ve aralarındaki temel sinir ağları da öyle. Kısacası eski filozoflar yanılıyordu. Bilim gösterdi ki insan beyni doğuştan boş kağıt değildir (tabula rasa yok).

İnsan beyni doğuştan insan gibi düşünmeye, insan gibi görmeye ve hissetmeye yatkın oluyor. Peki yapay zekayı dijital dönüşüm ve endüstri 4.0’da nasıl kullanacağız? Yazılımlar ve robotlarla nasıl otomasyon sağlayacağız? İnsan gibi düşünen YZ geliştirme mecburiyeti bizi sektörde neye zorluyor?

İlgili yazı: Pencereye Takılan Saydam Güneş Panelleri

 

Hata yapmaya

Mass Effect 2 bilgisayar oyunundaki Normandiya uzay firkateyninin ana bilgisayarı, uzay savaşlarının sadece lazer ışınlarıyla değil, aynı zamanda siber saldırılarla yapıldığını söylüyordu. Örneğin eşit güçte yapay zekaya kullanan iki uzay gemisi savaşırsa asla yenişemez, hep berabere kalırlar demişti.

Bu yüzden 2185’te Sistem İttifakı’nın donanma gemilerinde insan mürettebat vardı. Normandiya’nın pilotu Joker her zamanki şakacı huyuyla bunu “Hata yapma özgürlüğü komutanım. Bizzat gemi söyledi” diye ifade etti.

Evet, hata yapma özgürlüğü: Gelecekte endüstri 4.0 ile üretim maliyetlerini düşürüp iş süreçlerini optimize ederek şirketlerde rekabet gücünü artırmak istiyorsak insanların yerine robot ve bilgisayarları kullanmamız gerekecek.

Ancak, insanların yerini alacak robotlar da insan gibi düşünmek zorunda; yani aptal bilgisayarlarda olduğu gibi saniyede milyonlarca işlem yapmak, matematik problemlerini insanlardan hızlı çözmek ve bir işi binlerce kez hatasız yapmak gibi bilgisayar güçlerinden feragat etmek zorunda kalacaklar.

İlgili yazı: DataRobot Yapay Zekaya Algoritma Öğretiyor

 

Yapay zeka kardeşliği

Bu durumda ilkel ama hızlı çalışan yapay zeka ile insan gibi düşünen YZ’yi birlikte kullanacağız: Hızlı çalışması gereken otomatik sistemlerde şimdiki gibi klasik makine öğrenmesi yazılımlarından yararlanacağız (metro sinyalizasyon sistemi vb.).

Bunların gelişmiş ve daha hızlı çalışan, hatta dışarıdan bakınca insan gibi konuşabilen sürümlerine sanal zeka diyeceğiz. Örneğin kombinin termostatını sanal zeka kontrol edecek.

Ancak, evdeki yatalak hastaya bakan hasta bakıcı robot veya Jetgiller dizisindeki robot uşak Rosie’nin kardeşleri insan gibi düşünen yapay zeka örnekleri olacak. Capsule Network türevlerini kullanan bu robotlar metal vücutlarıyla üstün fiziksel güçlere sahip olacak; ama bizden zeki olmayacak.

Peki insan gibi hata yapmaya yatkın olan bu robotları gerçekten insanların yerine kullanmak isteyecek miyiz? İnsani yapay zeka insanlar için köle gibi çalışmayı kabul edecek mi? Ya maaş, sigorta, tatil ve prim isterse? Bu açıdan bakarsak Capsule Network destekli endüstri 4.0 atılımları insanlığı yepyeni bir yola sokacak diyebiliriz.

Ultra gerçekçi insan yüzleri

¹Dynamic Routing Between Capsules
²Matrix capsules with EM routing