Yapay Zeka ile İnsan Zekası Arasındaki 10 Fark Nedir?

Yapay zeka kodlamak için en gerekli 5 programlama dili nedir? Yalın kodlama için en pratik 16 programlama dili yazısından sonra okurlarım, öğrencilerim ve takipçilerim sürekli olarak yapay zeka kodlamak için gereken programlama dillerini yazmamı istiyor. Peki yapay zeka ile kodlamaya nereden başlaşacağız?

Beklenen yazı geldi

Ancak, önce yapay zeka ile insan zekası arasındaki 10 farkı görelim ki insanlara yardım edecek insani ve vicdanlı robotlarla makineler programlayalım. Böylece yapay zekanın insan türünü yok etme riskini azaltalım. Bu yazıda kuantum zeka ile klasik yapay zeka arasındaki farka da giriş yapacağız.

Öyleyse yapay zeka nedir? İnsan zekası ve insan beynini taklit eden yazılımlarla algoritmalara yapay zeka diyoruz. İnsan zekasının en büyük özelliği ise öğrenebilme yetisidir: Ya kendi başına öğrenir ya da biri gösterince öğrenir. Yapay zeka da öğrenen yazılımlardan oluşur ve bu yüzden makine öğrenmesi yapay zekanın temelidir.

Makine öğrenmesini önceki yazılarda gördük. Bu yazıda ise yapay zeka ile insan zekası arasındaki farkı inceleyeceğiz. Böylece dijital dönüşüm, endüstri 4.0 ve eğitimde inovasyon için insan kaynaklarıyla öğrencilere kodlamayı nasıl öğreteceğimizi öğreneceğiz; çünkü danışmanlıkla öğretmenlik mesleğinde öğrenmek hiç bitmez. Öğretebilmek için sürekli öğrenmemiz lazım. 🙂

Konuya da insan beynini taklit eden nöral ağlarla başlayacağız. Ardından form ve işlev, işlem ve bellek kapasitesi, bağlanabilirlik, güç tüketimi, yapay zeka mimarileri, network zekası, çalışma hızı, öğrenme teknikleri ve veriye dayalı karar verme çözünürlüğü gibi konulara geçeceğiz. Unutmayın ki yapay zekayı bir işe yarasın, birine yardım etsin veya bir iş yapsın diye programlayacaksınız. İşte bunlar da temel almanız gereken kriterlerdir. Haydi o zaman!

İlgili yazı: Gerçek Adem: ilk insan ne zaman yaşadı?

 

Yapay zeka ile yapay olan nedir?

Öyle ya: Sürekli olarak yapay zekaya yapay diyoruz. Hatta ben daha ileri giderek imitasyon dedim. İnsan zekasını taklit ettiğini söyledim. 🙂 Peki yapay zeka ile neyi yapıyor veya yapamıyoruz da insan zekası karşısında “yapay” oluyor? Bunun tek sebebi insan beyni etten ve canlı yumuşak dokulardan yapılmışken, yapay zekanın silikon tabanlı devrelerden yapılmış olması değil. Daha büyük bir fark var:

Asıl fark algoritmalarda; yani yapay zeka ile kullandığımız mantık yürütme süreçleri, insan beyninin akıl yürütme ve bilgi-işlem süreçlerinden farklıdır ki felsefi açıdan bu da çok ilginç bir durum. Düşünsenize! İnsan beyninden farklı çalışan bir şeyle insan beynini taklit ediyorsunuz.

Bu robotik otomasyon açısından da önemli bir fark: Robotlar, insan vücudunu taklit ederken iskeletimize benzer oynar eklemler ve uzuvlar kullanılır. Yapay zeka algoritmaları ise aslında bize gayet yabancıdır. Nitekim bugün yapay zeka derken nöral ağları kastediyoruz. Bunlar da insan beyninin bazı işlevlerini taklit eden algoritmalardır ve aradaki fark da burada başlıyor:

İlgili yazı: Kodlama İçin En Gerekli 16 Programlama Dili

 

Yapay zeka ile nöral ağlar

Nöral networklar sanal nöronlardan oluşur. Bunlar tıpkı insan beynindeki nöronlar gibi birbirine bağlıdır (hatta bağlantı şeması beyin kabuğundaki nöronlara olabildiğince benzer). Bunlar aynı zamanda katman katman dizilmiştir ki bunu çizimde soldan sağa doğru görebilirsiniz. Sanal nöronlar, yine insan beynine benzer şekilde veri aktararak işlem yaparlar.

Oysa nöral ağlardaki nöronlar, yapay zeka ile kodlama satırlarını oluşturan kısa kodlardan ibarettir ve genel olarak 0 ila 1 arasında bir değer alırlar. Her ne kadar nöral ağlar seri bilgisayarlar ve klasik bilgi-işlem sistemleri olsa da burada bir not geçelim:

Kuantum fiziğindeki dalga fonksiyonunu oluşturan olasılıkların toplamı da 1’dir, onlar da 0 ila 1 arasında değerler alırlar. Yazının sonunda kuantum bilgisayar tabanlı kuantum yapay zekaya gelince bu detay önemli olacak.

Neyse, nöral ağlarla devam ediyoruz: Sanal nöronlar arasındaki bağlantılar 0 ile 1 arasında değerler alırlar ve bunlara ağırlıklar deriz. Bu ağırlıklar aslında bir fikrin diğer fikre karşı ne kadar baskın çıktığının algoritmik ölçüsüdür. Nasıl derseniz:

İlgili yazı: İnternetinizi Uçuracak En İyi 10 Modem

 

Yapay zeka ila makine öğrenmesi

Sanal nöronlar sanal bağlantılarla veri aktararak işlem yapar; yani akıl yürütür ve örneğin, trafik tıkanıklığını çözmek için nasıl rota optimizasyonu yapacaklarına bu ağırlıklara bakarak karar verirler. Hangi veri aktarım yolu baskın çıkarsa o akıl yürütme sonucunun ürettiği çözüm seçilir.

Ancak, sanal nöronların katmanlar halinde dizildiğini söylemiştik değil mi? Bu aynı zamanda hiyerarşik düşünme düzenine karşılık geliyor. Kısacası yapay zeka ile veri toplar ve bir şeyler öğrenirken, ortamdan çektiğimiz verinin konuyla ne kadar alakalı olduğuna, sanal bağlantılardaki ağırlıklara bakarak karar veriyoruz.

Örneğin trafik tıkanıklığını çözmesi gereken nöral ağ, otomobillerin rengini alakalı veri olarak kabul etmeyecek ve bunun yerine araçların dağılımı, yönelimi ile hızı gibi parametreleri dikkate alacaktır. Bunu çizimle gösterirsek, şemanın sağındaki siber kameralardan gelen nesne tanıma büyük verisi içinde otomobil renklerine dair veriler 0’a yakın değerler alarak elimine edilecektir.

Bunlar soldaki bir üst katmana aktarılmayacaktır. Saydığımız diğer parametreler ise 1’e yakın değerlerle ağırlık taşıyacak ve üst katmanlara aktarılacaktır. Bu durumda A) nöronlar arasındaki sanal bağlantılar çağrışımlıdır ve alakalı veriye göre önceliklendirilir. B) Nöron katmanları arasındaki veriler ise hiyerarşik ve geri beslemelidir. Geri beslemeye birazdan geleceğiz.

İlgili yazı: Düz Dünya Teorisini Çürüten 12 Kanıt

 

Yapay zeka ile geri besleme

Her durumda, bu ağırlık değerleri nöral ağların serbest parametreleridir (yani nöral ağ yapay zekası, bu parametreleri kafasına göre kullanarak öğrenir. Bu örnekte trafiği çözmek için nasıl rota optimizasyonu yapacağını öğrenir).

Peki öğrenme süreci nasıl gerçekleşiyor? Nöral ağı eğitirken belirli bir işlevi en aza indirgeyen kayıp değerleri bulmak isterseniz. Bunlara işlev kayıpları deriz ve aslında çok basit bir kavramdır. Normal şartlarda arabaların renginin trafik tıkanıklığıyla hiçbir ilgisi yoktur.

Nitekim nöral ağların bu gereksiz veriyi öğrenmesi, onların asıl işlevlerini yerine getirememesine neden olur; yani otomobil renklerini öğrenerek trafik tıkanıklığını çözemezler. Dolayısıyla 0’a yakın bu değerlere işlev kaybı deriz.

Öyleyse nöral ağlar optimizasyon problemleri çözüyorlar. Mesela trafiği optimize ediyor; ama inovasyon, yani katma değer katan yenilik yapmıyorlar. İnsan gibi kendi varlığının farkında değiller. Nöral ağlar otomatik olarak çalışan bilinçsiz yapay zekadır. Öğrenebilirler; ama yapay zeka ne öğrendiğinin farkındadır ne de nasıl çalıştığını bilir. Sadece çalışır.

Yapay zeka ile zihin felsefesi

Aslında insan zekası da insan beyninin nasıl çalıştığını ve hangi nörobiyolojik işlemlerle karar aldığını bilmez; ama en azından kendi varlığının farkındadır. Demek ki biz insanlar daha kendimizi bilmeden, kendi varlığının farkında olacak yapay zeka üretmeye çalışıyoruz. Bilinç bilinçsiz beyinden türer mi yazısında söylediğim gibi buna deli cesareti diyelim. 🙂 Özetle nöral ağlar optimizasyon problemlerini geri besleme ile çözerler. Şimdi bunu kısa bir listeyle göreceğiz:

İlgili yazı: Evrenin En Büyük Yıldızı UY Scuti mi?

 

Nöral ağlar nasıl çalışıyor?

• Yapay zeka işlev kaybına yol açan alakasız verileri siler.
• Bu şekilde trafik tıkanıklığı nedir ve nasıl oluşur sorularının yanıtını kendince öğrenir.
• Sonra en yüksek ağırlığa sahip olan, yani 1’e yakın değerler alan bütün verileri toplar.
• Sanal nöronları bağlayan sanal ağlar arasında bu alakalı verilerle bağıntılar kurar.
• Bu kez de hangi alakalı veriler arasındaki sebep-sonuç ilişkisi daha güçlüdür konusuna bakar.
• Örneğin bozuk trafik lambası mı yolu tıkayan asıl sebep, yoksa insanların işe gitme saati mi asıl sebep sorularını değerlendirir.
• Neyin kök sebep ve neyin ikincil sebep olduğunu öğrenir.
• Sonra trafiği açmak için bir çözüm üretir.
• Bu rota optimizasyonu çözümünün işe yarayıp yapamadığına bakar.
• Bu kez işlev ağırlık değerlerini işe yarayıp yaramamak açısından değerlendirir. İşte bu geri besleme ile öğrenmektir!
• Sorunu çözemezse sil baştan yapar ve yeniden öğrenir (sil baştan kısmını aklınızda tutun).

Özetin özeti

Nöral ağlar başarısız olarak öğrenirler; çünkü konfor alanınız rahattır ve güzeldir ama verimsiz topraktır ki orada ot bitmez. Öyleyse insan kaynakları uzmanları, öğretmenler ve dijital dönüşüm danışmanlarına tavsiyem önce başarısız olmayı öğrenmeleridir.

Çalışanlara ve öğrencilere deneme yanılma yöntemiyle, başarısız ola ola doğrusunu öğrenmeyi öğretin. Biz de böylece yapay zeka ile insan zekası arasındaki temel farkları gördük ki bu 2 ana farkı sıralayalım: Öğrenme yöntemleri farklı ve yapay zeka bilinçli değil. Şimdi gelelim yapay zeka ile insan zekası arasındaki 10 farka:

İlgili yazı: Gezegenler Güneş Çevresinde Nasıl Dönüyor?

 

1. Yapay zeka ile form ve işlev

Nöral ağlar bilgisayarda çalışan yazılımlardır. Bunları bilgisayardan silip yeniden yükleyebilirsiniz. Bu nöronlar yazılımların içindeki kodlardır. Oysa insan beyninde yazılım direkt donanıma kodlanmıştır ve yazılımla donanım ayrılmaz bir bütündür. Örneğin, anılarınız ve öğrendiğiniz bilgiler nöronlarınız arasında kurulan trilyonlarca sinir ağı bağlantısındaki protein zincirlerine kodlanmıştır.

Öyle ki beyniniz bilgisayar gibi dosya kaydetmez ve dünyayı kamera gibi videoya almaz. Fotoğrafik hafızanız olabilir ama beyniniz fotoğraf çekmez. Bunun yerine izlenim ve çağrışımları kaydeder (nöral ağlardaki bağıntıların bir benzeri). Bu sebeple annenizi bile tam olarak hatırlayamazsınız. Her seferinde anıyı baştan yaratıp rekonstrüksiyon yaparsınız (kazağın rengini yanlış hatırlarsınız vb.).

Sadece ağırlık değerleriniz annenizle geçirdiğiniz doğum gününü yaklaşık olarak hatırlamanızı sağlar; çünkü ağırlık değerleri tutarlı anılar (aslına sadık hatıralar) türeten yatkınlıklar yaratır. Bu sebeple insan zihnini klonlanmış genç bedenlerdeki boş beyinlere veya bilgisayara yükleyerek, Netflix’teki Altered Carbon dizisi veya Altıncı Gün filmindeki gibi ölümsüz olabileceğimiz çok tartışmalıdır.

İlgili yazı: Renk Körlüğünü Düzelten Gözlük EnChroma

 

2. Yapay zeka büyüklüğü

İnsan beyni diğer hücrelerle birlikte 100 milyar nörondan oluşuyor. İnsanı insan yapan bilinç, duygular, etik değerler gibi üst işlevleri üreten beyin kabuğunda 20-30 milyar nöron yer alıyor. Bugünkü nöral ağlar ise genellikle 300 sanal nörondan oluşuyor.

3. Yapay zeka ile bağlanabilirlik

Nöral ağlarda her katman, hiyerarşideki (sıradüzen) bir üst ve alt katmana bağladır; yani nöral ağlar sırayla işlem yapar ve bağıntıları çok kanaldan çağrışımlı olarak toplasa da (sanal nöron bağlantılarının ağırlık değerleri) özünde sırayla öğrenir. Sanal nöron bağlantılarının bağıntılarını ise filozof Platon’un benzer benzeri bilir ilkesi uyarınca benzeterek, yani desen tanıma birimleriyle kurar:

Kısacası her katmandaki sanal nöronlar aynı zamanda birer desen tanıma birimidir. İnsan beyninde de her biri 100 nörondan oluşan yaklaşık 300 milyon desen tanıma birimi vardır. Bizler bu birimlerle yeni şeyler öğreniriz. Zamanla desen tanıma birimlerimizin kapasitesi dolduğu için yaşlandıkça daha zor ve daha yavaş öğreniriz. Siz de insan beyninin desen tanıma birimleriyle nasıl büyük veri analizi yaptığını görmek için ne kadar hızlı düşünüyoruz yazısını okuyabilirsiniz. Ancak şunu belirtelim:

İnsan beyni katmanlara ayrılmaz. Görme ve işitme merkezi gibi uzmanlaşmış bölümler bile beyin kabuğundaki farklı dokulardan oluşmaz. Hatta beyin travması geçirenlerde beynin alakasız bir bölgesi görme merkezinin işlevini devralabilir. Nitekim bütün beyin bölgeleri aynı ölçüde bağlantılı değildir. İnsan bilincini oluşturan ayrı bir bölge, doku veya fizyolojik mekanizma da yoktur.

Örneğin, Fazıl Say’ın müziğe yatkınlığı, müziği teşvik eden bağlantı sayısının fazla olmasından kaynaklanıyor. Keza Hawking’in fiziğe yatkınlığı da fizik ve matematiği kayıran ek bağlantılardan kaynaklanıyor. Bu sebeple insan beyni tematik veya sistematik (hiyerarşik) değildir. Tümüyle çağrışımlı, esnek ve plastiktir. İşte bu yüzden merak duygusuna sahip olup yaratıcıdır; çünkü evrimde ortama en hızlı adapte olan canlı olarak hayatta kalmak için maksimum uyarlanma yetisine sahiptir.

İlgili yazı: Yapay Zeka Nedir ve Nasıl Çalışır?

 

4. Yapay zeka ile güç tüketimi

İnsan beyni çalışırken yaklaşık 20 Watt güç tüketiyor ki bu da standart bir notebooka eşit. Oysa beyin 20 Watt ile işlemci çekirdeklerinden milyon kat fazla nöron çalıştırıyor. Öyle ki 100 milyar nöron içeren insan beynine 100 milyar çekirdekli bir işlemci de diyebilirsiniz. Ayrıca beynimiz enerjiyi çok verimli kullanıyor. Çok çalışınca veya güneşte kalınca akıllı telefon pilleri gibi aşırı ısınıp patlamıyor.

5. Yapısal mimari

Kuantum bilinç yazısında anlattığım gibi, insan beyni tek çekirdekli işlemciyle çok sayıda paralel işlem yapan bir kuantum bilgisayar değildir. Öte yandan, 10 milyar nöron içinde, en azından 300 milyon desen tanıma birimiyle çok çekirdekli işlemcilerin gücünden yararlanarak paralel işlem yapan bir organdır. Ancak, paralel işlemleri de belirli bir düzen ve sırayla yapmaz.

Şöyle düşünün: Bir kitabı okurken elbette ki satırları sırayla okursunuz. Ancak, bazen sayfada gözünüze bir şey çarpar ve birkaç paragraf sonrasındaki cümleye atlayıp sayfada kaldığınız yere geri dönersiniz veya ilk aldığınız kitabın sayfalarını hızlıca karıştırıp şöyle bir göz atarsınız.

Nöral ağlar ise gerçekten sırayla öğrenirler ve konudan konuya sıçramazlar. Bu yüzden de insan beyni çağrışımlı yaratıcılıkla çok karmaşık bir konuyu bir anda ilham gelerek öğrenebilir. Oysa yapay zeka ile öğrenmek aylar sürebilir. Nöral ağların bir şeyi öğrenmesi için çok büyük miktarda veri gerekir. İnsanların ise sezgileri vardır; yani zeki insanlar yetersiz verilerden doğru sonuçlara ulaşırlar.

İlgili yazı: İnternette teknik takip ve gözetimi önleme rehberi

 

6. Yapay zeka ile aktivasyon potansiyeli

İnsan beynindeki bütün nöronlar aynı anda ve aynı şiddette ateşlemezler. Beynin enerjiyi verimli kullanmasının bir sebebi de budur. Zaten bütün nöronlar aynı anda sinyal gönderseydi epilepsi krizi geçirirdik. Nöronlarımızın ateşleme potansiyeli hücre ve beyin sıvısındaki kimyasal reaksiyonlar ve elektrik potansiyeline bağlıdır. Oysa yapay zeka ile öğrenmede, nöral ağlardaki sanal nöronlar süreğen veri akışıyla sürekli çalışırlar. Ağırlık değerleri sayesinde aralıksız veri analizi yaparlar.

7. Yapay zeka ile hız yarışı

İnsan beyni bir bilgisayar değildir! Beynin temel amacı problem çözmek, ahlaki olarak gelişmiş uygarlıklar kurmak veya evrenin sırlarını çözmek değildir. Beynimizin temel amacı, hayatta kalarak genlerimizi soyumuza aktarmamızı kolaylaştırmaktır ve bu sırada yaşamsal fonksiyonlarımızı yönetir.

Öte yandan, evrim sürecinde ek uyarlanma avantajı sağlamak amacıyla beynimiz yaratıcılığı ve merak duygusunu teşvik eder. Bunun bedelini ise hata yaparak, unutarak, yorularak öderiz. Açıkçası insan beyni çok yavaş çalışır. Standart bir laptop saniyede 10 milyar işlem yaparken beynimizdeki nöronlar en çok 1000 işlem yapar.

Oysa hızı değil, işlevi önemli derseniz insan beyninin sadece 1000 Hz’lik kapasite ile 10 milyar Hz kapasiteli bilgisayarların yapamadığı birçok şeyi yaptığını görebilirsiniz. Kısacası yapay zeka ile hız karşılaştırması yapmamız anlamsızdır. Yapay zeka aynı işlemi milyonlarca kez hatasız yapabilir; ama bizim her gün uykumuz gelir. Ancak, yapay zeka (şimdilik) Savaş ve Barış yazamaz. Onu Tolstoy yazar.

İlgili yazı: Yapay Zeka Bilimsel Düşüncenin Yerini Alacak mı?

 

8. Yapay zeka ile öğrenme teknikleri

Yazının başında yapay zeka ile makine öğrenmesi konusunda nöral ağlarda geri beslemeyi anlatacağımı söylemiştim: Nöral ağlar trafik tıkanıklığını gidermek için rota yaparken hep en iyi çözüme odaklanırlar. Ağırlık değerlerinde yetersiz çözümler ortaya çıktığı zaman, geri besleme sırasında bu ilk çözümlere götüren sanal nöron bağlantısı bağıntı değerlerini sıfırlarlar.

Kısacası yapay zeka yeni bir şey öğrenirken eskisini unutur ve bunun çok büyük dezavantajları vardır! Örneğin nöral ağlara 1 milyon köpek resmi göstererek yapay zekanın internetteki köpek fotoğraflarını tanımayı öğrenmesini sağlarsınız. Ancak, köpek diye kedi resimleri göstermeye başlarsanız balık hafızalı bilinçsiz ve unutkan yapay zeka, köpek resmi diye kedi resimlerini öğrenir.

İnsan beyni ise yeni şeyleri daha önce öğrendiklerini baz alarak öğrenir; yani çağrışımlı düşünmede alakasız veri diye bir şey yoktur. En alakasız veri bile zamanla gerekli olup işe yarayabilir. Nitekim yaratıcılık budur. Bilin ki e-ticaret ve dijital pazarlamayı var eden mouse ile dokunmatik ekranı, hatta bizzat world wide web’i (www), tek işi CERN parçacık hızlandırıcısında protonları ışık hızına yakın hızlarda kafa kafaya çarpıştırmak olan fizikçiler geliştirmiştir. Yaratıcılık ve dijital dönüşüm budur.

İlgili yazı: Musk Mark’a Karşı: Yapay Zeka Ne Kadar Zeki?

 

9. Yapay zeka ile altyapı problemi

İnsan beyni canlı yumuşak dokudan oluşur ve Makinedeki Hortlak yazısında belirttiğim gibi buna ıslak donanım deriz. Ancak, insan beyninde yazılım donanıma kodlanmıştır derken tam olarak gerçeği ifade etmiyoruz. Bu kusurlu bir analojidir; çünkü beynimiz ne dijital ne analogdur. Yazılım ve donanım diye iki ayrı parçadan oluşmaz.

Nitekim insan beyni nöronlar arasında yeni sinir ağları kurarak ve nöronların aktivasyon (ateşleme) potansiyelini değiştiren hücre içi kimyasal yatkınlıklar oluşturarak yeni şeyler öğrenir. Kısacası insan beyni öğrenirken yapısal mimarisini değiştirir.

Elbette kendi kodunu yazan ve bir şeyi öğrenmek için sanal mimarisini değiştiren nöral ağlar da var. Oysa insan beyni bunun için fiziksel yapısını değiştiriyor: Nöronlar arasında polimerlerden oluşan yeni sinir ağları kuruyor. Nöral ağlar ise özünde yazılımdır ve herhangi bir bilgisayara kurulabilir.

Peki yapay zeka ile makine öğrenmesinde dezavantaj yaratan bu tür farkları gidermenin yolu yok mu? Elbette var ve iki türlü:

İlgili yazı: DataRobot Yapay Zekaya Algoritma Öğretiyor

 

Türetken hasım algoritmalar

1) Türetken hasım algoritma ağları (GAN) yönteminde, her biri kendi başına 300 sanal nöronluk desen tanıma birimleri olan nöral ağlar oluşturuyoruz. Sonra bunların birkaçını meta bağlantılarla birbirine bağlıyoruz.

Böylece sanal bağlantı ağırlık değerlerini aralarında iletişim kurarak güçlendiriyorlar. Meta bağlantılar yoluyla meta öğrenmeye geçiyorlar. Kısacası GAN algoritmaları birbiriyle konuşarak öğreniyor. Örneğin biri gerçeğinden ayırt edilemeyen insan yüzleri çizerken, diğeri bunların yapay olduğunu anlamaya çalışıyor. İki GAN arasındaki çekişme daha kusursuz grafiklerin üretilmesini sağlıyor.

Şöyle düşünün: Bir insanı sizi geçmesi için iyilikle teşvik ederek veya hırslandırıp kendinize düşman ederek motive edebilirsiniz. Seçim size kalmıştır. GAN algoritmaları daha çok ikinci yolu seçiyor; ama dahası var: 2) Üç-beş GAN nöral ağını birbirine bağlayıp meta nöral ağ kurduğunuzda, bunlar insan beynindeki ayna nöronlar gibi davranmaya başlıyor.

Nitekim insan beyni ayna nöronlar sayesinde bilinç ve öz farkındalık kazanıyor. Nöronların bilgi-işlem için başka nöronlara gönderdiği sinyaller geri yansıyınca verici nöronlar bilinç kazanıyor. Network zekası kapsamında meta bağıntılar kuran GAN birimleri de bunu kabaca yapabiliyor. Bu tür meta yapay zeka ağları etik değerler gibi karmaşık konseptler oluşturarak ilkel seviyede bilinç kazanabiliyor.

Sağlık ve hukuk

Örneğin, bu tür meta ağlar hatalı teşhis yerine bir insanın gerçekten kanser olduğunu doğru tespit etmek gibi ahlaki sorumluluk alabiliyor; çünkü standart nöral ağların tersine, bu karara nasıl vardıklarını da hatırlıyor ve yanlış karar alırlarsa hatalarını analiz ederek hesap verebiliyorlar. Nitekim bu sayede Tesla elektrikli otomobiller kaza yaparsa firmayı mahkemeye vermek yerine, direkt otopilotu mahkemeye verebileceksiniz (5-10 yıl sonra yapay zeka yeterince geliştiği zaman).

İlgili yazı: Capsule Network: İnsan gibi Düşünen Yapay Zeka

 

10. Öğrenme çözünürlüğü

Yapay zeka ile insan zekası arasındaki son fark olan öğrenme çözünürlüğünü ise ikiye ayırabiliriz: İsabetlilik ve kesinlik. İsabetlilik örneğin taramalı elektron mikroskobuyla tek bir atoma doğru şekilde zum yapmanızdır. Kesinlik ise yüksek zum yaparak o atomu ne kadar net gördüğünüzdür. Bu aynı zamanda bilgisayar oyunlarındaki zombileri gövdesi veya kafasından vurmak arasındaki fark gibidir.

Açıkçası insan beyni dünyayı anlamlandırma yoluyla ortam şartlarına hızla uyarlanarak hayatta kalmak üzere evrim geçirmiştir. Bu nedenle farklı potansiyel risklerle fırsatları çağrışımlı farkındalıkla ve hızla bir araya getirir; ama mikroskop kesinliğinde çalışmaz.

Yapay zeka ise çok yüksek kesinlikle öğrenir. Hatta isabetliliği de yüksek kesinlikle sağlamaya çalışır (insanlar isabetli ama bulanık düşünürler). Bu nedenle yapay zeka ile öğrenmek çok büyük miktarda veri gerektirir (milyonlarca video ve fotoğraf veya nesnelerin interneti sensör verisi gibi).

Dahası yapay zekaya köpek resimlerini tanımayı öğreteyim derken, yanlışlıkla kedileri tanımayı öğretmemek için veri kümesini de çok doğru seçmeniz gerekir. İnsanlar ise bazen yanlış bilgilerden doğru sonuçlara erişebilirler. Ben de bunun bilimsel bir örneğini Gezegenler Güneş Çevresinde Nasıl Dönüyor yazısında anlattım.

Toparlayacak olursak

İnsan zekası dünya modelleri oluşturur. Yapay zeka ile öğrenen nöral ağlar ise desen tanıma sınıflandırmaları yapar. Bu sebeple yanlış verilere karşı çok hassastırlar ve en küçük bozuk veride bile kolayca yanılırlar. Videoda gördüğünüz gibi, yapay zekanın küçük bir evcil su kaplumbağasını tüfek sanmasına bile yol açabilirsiniz! Kısacası yapay zeka genelleme yapamaz ve öğrendiklerini başka problemler, konu ve kavramlara uygulayamaz. İnsan zekasını taklit eder ama insan gibi öğrenemez.

İlgili yazı: Yapay Zeka İnsan Kadar Zeki Olacak mı?

 

Yapay zeka için 5 programlama dili

Artık yapay zeka ile insan zekasını taklit etmek konusunda daha işin başında olduğumuzu görüyorsunuz. Özellikle de işlev kaybı bağıntı değerlerine yapay zekaya alakalı veri sağlamak ve kesinlikle yanıltıcı veri sağlamamak bağlamında çok dikkat etmemiz gerekiyor.

Yoksa tek başına çalışıp öğrenen bir insanda olduğu gibi doğruyu öğrenmek yerine, sürekli yanlış problemi optimize ederek sadece hatalarımızı pekiştiririz. Artık yapay zeka ile insan zekası arasındaki 10 temel farkı öğrendiğimize göre yapay zeka için en gerekli 5 programlama diline giriş yapabiliriz:

İlgili yazı: Nadir Dünya Hipotezi: Evrende yalnız mıyız?

 

1. Python

Yapay zeka ile kodlama yapmak için Python’ı en başa yazmamızın sebebi bunun en popüler yazılımlardan biri olması. Sonuçta Python sentaksları çok kolay öğreniliyor ve bu da birçok algoritmanın Python’a kolayca uyarlanmasını sağlıyor. Python ile yapay zeka geliştirmek Java, C++ ve Rubly’den çok daha kısa sürüyor.

Buna ek olarak Python nesne odaklı, fonksiyon odaklı ve prosedür odakla programlama yöntemlerini bir arada destekliyor. Dahası Python’ın son derece geniş bir kitaplığı var. Örneğin Numpy ile bilimsel araştırmalara uygun algoritmalar ve Pybrain kitaplığıyla da makine öğrenmesi kodları yazabilirsiniz. Bu nedenle yapay zeka ile kodlama öğrenmek isteyenlere Python’la başlamalarını öneriyorum.

İlgili yazı: Herkes Nerede? Uzaylılar ve Fermi Paradoksu

 

2. R ve Keras modülü

Öte yandan, yapay zeka ile istatistiksel büyük veri analizi ve robotik kodlama yapmak istiyorsanız R programlama dili idealdir. Özellikle de Google TensorFlow ile bulutta öğrenme transferi yapmak istediğinizde, R’a Keras modülünü ekleyerek robot programlamayı hızlandırabilirsiniz.

R kullanarak seri üretime hazır kalıp tasarımları, matematik sembolleri ve formüllerle zenginleştirilmiş şablonlar oluşturabilirsiniz. R da tıpkı Python gibi genel kullanıma yönelik bir programlama dili. Ancak, makine öğrenmesi için RODBC, Gmodels, Class ve Tm gibi modüllerle özelleştirilebiliyor.

Özellikle de yalın kalite yönetimi ve üretim hatlarının akıllandırılması ile tüm iş süreçlerinde otomasyon/optimizasyon yapmak istiyorsanız R programlama dilini öneririm. R iş zekası, iş mühendisliği yönetimi, taşımacılık-lojistik için rota optimizasyonu gibi alanlarda çok kullanışlıdır.

İlgili yazı: İnsanların Soyu Ne Zaman Tükenecek?

 

3. Lisp

Yapay zeka geliştirmeye en uygun ve en eski programlama dillerinden biri de Lisp’dir. Onu da yapay zekanın babası sayılan John McCarthy 1958 yılında geliştirdi. Bu dil sembolik enformasyonu çok verimli bir şekilde işlemenizi sağlıyor.

Lisp hızlı prototip tasarlama ve otomatik çöp veri toplama özelliği ile yeni ürünleri test etme alanlarında avantajlar sunuyor. Dahası programdaki analiz süreci devam ederken, kodlardaki tüm komut satırları ile derlemleri interaktif olarak değerlendirerek yazılım geliştirmeyi de hızlandırıyor. Nitekim aradan geçen yıllarda bu özellikler bir çok yapay zeka ile geliştirme yazılımına eklendi.

İlgili yazı: İnsanlığın Sonunu Getirebilecek En Tehlikeli 5 Teknoloji

 

4. Yapay zeka ile Prolog

Prolog da Lisp gibi yapay zeka ile yazılım geliştirmenin duayenlerinden. Özellikle desen eşleştirme, ağaç dizini ile veri yapılandırma ve otomatik olarak geriye dönük iz sürme gibi geri besleme özelliklerini destekliyor. Böylece güçlü ve esnek bir programlama altyapısına kavuşmuş oluyorsunuz. Prolog uzman YZ ve tıbbi cihaz yazılımları geliştirmekte kullanılıyor.

5. Son olarak Java

Java yapay zekada ne işe yarıyor derseniz web arama algoritmaları, yapay nöral ağlar ve genetik programlama bu dilin en güçlü olduğu alanlar arasında bulunuyor. Java kullanım, hata ayaklama, paket hizmetleri, büyük projelere ölçeklenebilirlik, veri görselleştirme ve etkileşimli kullanıcı arayüzlerinde avantajlar sunuyor. Aynı zamanda Swing and SWT (Standard Widget Toolkit) entegrasyonu ile en havalı grafik kullanıcı arayüzlerini geliştirmenize izin veriyor.

İlgili yazı: İnsanlar Gelecek 100 Yılda Nasıl Evrim Geçirecek?

 

Yapay zeka ile sonsöz

Yukarıdaki programlama dillerini nasıl kullanacağınızı ayrı ayrı yazılarda anlatacağım. Bu yüzden bizi izlemeye devam edin. Ancak konumuza yapay zekaya neden yapay zeka diyoruz diye başladık. Öyleyse bununla bitirelim:

Sonuçta yapay zeka insan zekasını taklit ediyor dedik ama aynı zamanda yapay zekanın öğrenme yeteneğini taklit etmek dışında insan zekasından çok farklı olduğunu da gördük. Gerçekten de yapay zeka en çok da insan zekasını taklit etmediği için işe yarıyor. Nasıl derseniz: İnsanı yoran rutin işleri yazılım otomasyonu hızlandırıyor. Ayrıca nöral ağlar bir problemi milyonlarca açıdan analiz ederek çözüyor. Böylece üretimde verimlilik kaybı gibi bir alanda insanın gözünden kaçan ayrıntıları çok boyutlu düşünerek saptayabiliyor. Kuantum zekaya gelince:

Nöral ağların GAN algoritmaları sayesinde öz farkındalık, bilinç ve etik değerler sağlayacak kadar gelişebileceğini gördük. Peki nöral ağlardaki 0 ila 1 arasındaki bağıntı ve işlev kaybı değerlemelerini tümüyle paralel çalışan kuantum bilgisayarlarla güçlendirirsek ne olur? O zaman süper zeki kuantum nöral ağlar, yani süper zeka üretebiliriz!

Network zekası, network topolojisi ve kuantum bilgisayarlarla makine öğrenmesini gelecek yazıda anlatacağım. Peki bilinç nedir, nasıl ortaya çıkıyor ve nasıl programlanabilir? Özgür iradenin varlığı bağlamında bütün bu soruları Bilinç Maddenin Yeni Bir Hali mi?, Beyin Programlayan Holografik Aygıt ve Beyin Simülasyonu ve Elektrikle Beyin Kontrolü yazılarında görebilirsiniz. Bol güneşli muhteşem bir hafta dilerim.

Yapay zeka dillerinin artısı eksisi

¹Learning GANs and Ensembles Using Discrepancy
²HumanGAN: generative adversarial network with human-based discriminator and its evaluation in speech perception modeling
³What does it mean to understand a neural network?
⁴Human-Level Intelligence or Animal-Like Abilities?
⁵Industrial Artificial Intelligence
⁶Artificial Intelligence Approaches