Bilgisayarın icadından beri, bilgisayarların asla yapamayacak oldukları şeyler hakkında konuşan insanlar olmuştu. İster satrançta büyük bir ustayı yenmek olsun, ister yarışma programını kazanmak olsun, bu tahminler her zaman yanlış çıkmıştı. Bununla beraber, olumsuz konuşan böyle insanlardan bazıları, bilgisayar biliminde her zaman daha iyi bir temele sahiptir. Eğer bilgisayarların nasıl çalıştığını bilseydiniz, fiilen erişilmesi imkansız olacak hedefler bulunduğunu bilirdiniz. İnsanların duygularını yüz ifadelerinden tanımak. Geniş bir el yazısı çeşitliliğini okumak. Konuşulan dildeki kelimeleri düzgün şekilde belirlemek. Yoğun trafikte yarı bağımsız olarak araç sürmek.

Bilgisayarlar şimdi tüm bu şeyleri ve bir hayli daha fazlasını yapabilmeye başlıyorlar. Olumsuz düşünen insanlar, dijital bilgisayarların gerçek yetenekleri hakkında gerçekten sadece çok mu küçümserlerdi? Bir bakıma hayır. Bilim insanları bu heybetli zorlukları çözmek için, beynin yapısına dayalı olan, tamamen yeni bir bilgisayar türü ile çıkagelmek zorunda kaldılar. Bu yapay sinir ağları (YSA) sadece sıradan bir dijital bilgisayar üzerinde çalışan bir taklit olarak bulunuyor, fakat bu taklidin içinde gerçekleşen şey, klasik bilişimden temel olarak çok farklı.
Bir yapay sinir ağı, bilgisayar biliminde yapılan bir uygulama mı? Uygulamalı biyolojide? Kuramsal matematikte? Deneysel felsefede? Aslında tüm bunların hepsi ve daha fazlasında.

YSA'lar nedir?

Çoğu insan, beynimizdeki hesaplamayı yapan sinirlerin, doğrusal bir dizilimde aynı levhaya bağlanmış ve birleştirici bir saat çevrimi tarafından yönetilen bir bilgisayar işlemcisindeki yarı iletkenler gibi düzenlenmediğini zaten bilir. Bunun yerine, beyinde her sinir sözde kendi kendini yönetir ve yüksek oranda karmaşık ve bir parça önceden belli olmayan şekillerde kendini fiziksel olarak çevreleyen sinirlerin hepsine veya çoğuna bağlı halde bulunur.
Bir dijital bilgisayar için bunun anlamı, ısmarlanmış bir sonuca ulaşmak için bunu idare edecek ve tüm hedefe ulaşma yönünde her bir yarı iletkene ne yapacağını söyleyecek ana bir yazılıma ihtiyacı olmasıdır. Diğer taraftan, bir beyin, her biri kendi programlamasına sahip olabilen ve dıştan gelen bir hükme ihtiyacı olmadan karar verebilen milyarca küçük ve son derece basit birimi birleştirir. Her sinir, kendi basit, önceden belirlenmiş kurallarına göre çevresindeki sinirlerle çalışır ve etkileşir.
Yapay bir sinir ağı tam olarak aynı şeydir (öyle olması gerekir), fakat yazılım ile taklit edilir. Diğer bir deyişle, dijital bir bilgisayar kullanarak, taklit sinir ağımızın sahip olduğu sinirlerin yerine çalışan, yoğun şekilde birbirine bağlanmış bir deste küçük programın taklidini çalıştırırız.

Veri YSA'ya girer ve ilk "sinir" tarafından üzerinde bazı işlemler gerçekleştirilir, bu işlemler, sinirin bu özel nitelikli veriye nasıl davranacağının programlanmasıyla belirlenmektedir. Ardından, benzer bir şekilde seçilmiş olan bir sonraki sinire iletilir, böylece bir başka işlem seçilip gerçekleştirilebilir. Bu bilgisayımsal sinir "katmanlarının" sayısı sınırlıdır ve hepsinden geçildikten sonra bir çıktı üretilir.

Girdiyi çıktıya dönüştürme işleminin tamamı, verinin dokunduğu her bir sinirin programlamasının ve verinin kendisinin başlangıç koşullarının ortaya çıkardığı sonuçtur. Beyinde, "başlangıç koşulları", omurgadan veya beynin başka yerinden gelen belirli sinirsel sinyallerdir. YSA durumunda bunlar, bir arama algoritmasının sonuçlarından, rastgele üretilen sayılara, araştırmacılar tarafından el ile girilen kelimelere kadar, olmasını istediğimiz herhangi bir şeydir.

O halde, özetlemek gerekirse: yapay sinir ağları temel olarak, taklit edilen beyinlerdir. Fakat, yazılım "sinirlerimize", temel olarak istediğimiz herhangi bir programlamayı verebileceğimizi akılda bulundurmak önemlidir; sahip oldukları kuralları ayarlamayı deneyebiliriz ve böylece bir insan beyni gibi davranabilirler, fakat onları daha önce hiç hesaba katmadığımız sorunları çözmek için de kullanabiliriz.

YSA'lar nasıl çalışıyor?

Şimdiye dek anlattıklarımız çok ilginçti, fakat hesaplama için genelde kullanışsızdırlar. Yani, beynin hücresel yapısını taklit edebilmek bilimsel olarak çok ilginçtir, ama eğer nasıl içeri gireceğimi ve her küçük alt oyuncuyu nasıl programlayacağımı biliyorsam ve girdilerim her zaman istediğim çıktılarıma işleniyorsa, o halde neden bir YSA'ya ihtiyaç duyayım? Başka bir deyişle bir YSA'nın yapısı, belirli bir sorunu çözmek amacıyla bir tanesini kasıtlı olarak inşa etmenin, YSA'nın kendisini bir parça lüzumsuz hale getiren, sorunun böylesine derin bir yeterli bilgisini ve çözümlerini gerektirdiği anlamına gelir.
Bununla beraber, bir tek karmaşık oyuncu ile çalışmaktansa pek çok basit oyuncuyla çalışmanın büyük bir üstünlüğü vardır: basit oyuncular kendini düzeltebilir. Sıradan yazılımın kendi kendini düzenleyebilen türlerine teşebbüsler olmuştu fakat makine öğrenimi fikrini yükseltmiş olan şey, yapay sinir ağlarıdır.

Yapay bir sinir ağının işlevini ifade etmek amacıyla "gerekirci olmayan" (non-deterministic) söz öbeğinin kullanıldığını duyacaksınız ve bu, yazılım sinirlerimizin, veri için farklı sonuçlarla bağlantılı olan ağırlıklı istatistiksel olasılıklara sahip olmasına ilişkin kullanılır; A türünden bir girdinin bir sonraki katmanda bu sinire ihtimali %40 iken, diğer bir sinire iletilme ihtimali ise %60'tır. Sinir ağları daha ayrıntılı şekilde birbirine bağlandıkça bu belirsizlikler hızla birbirine eklenir, bu yüzden tamamen aynı olan başlangıç koşulları, pek çok farklı sonuca yol açabilir veya daha önemlisi, pek çok farklı yoldan aynı sonuca çıkabilir.

O halde, "öğrenme algoritması" kavramını gösterelim. Basit bir örnek, verimi geliştirmektir: aynı girdiyi ağa defalarca kere tekrar gönderin ve doğru çıktıyı ürettiği her sefer, bunu yaparken geçen süreyi kaydedin. A'dan B'ye giden bazı yollar doğal olarak diğerlerinden daha verimli olacaktır ve öğrenme algoritması, daha hızlı ilerleyen bu işleyişler sırasında meydana gelen sinirsel davranışları pekiştirmeye başlayabilir.

Çok daha karmaşık YSA'lar, bir Google görsel arama sonucundaki hayvan türünü doğru şekilde tanımlamak gibi daha karmaşık hedefler için uğraşabilir. Görüntü işleme ve sınıflandırmadaki adımlar çok az düzeltilir ve YSA programcılarının hiçbir zaman doğrudan tasarlayamayacağı bir kedi bulma işlemi üretmek için rastgele olan ve rastgele olmayan, evrim benzeri bir çeşitlilik ayıklamasına dayanır.
Gerekirci olmayan YSA'lar, öğrenme algoritmalarının hedefleri tarafından belirlendiği üzere, belirli sonuçlara ulaşmada daha iyi olmak için kendilerini yeniden yapılandırdıkça, çok daha gerekirci (deterministik)hale gelirler. Buna YSA'yı "eğitme" adı verilir: bir YSA'nın istenen işlevinin örnekleri ile onu eğitirsiniz ve bu sayede bu çalışmalarının her birinde ne kadar iyi iş yaptığına dayalı olarak kendi kendini düzeltebilir. Bir YSA'yı ne kadar fazla eğitirseniz, hedeflerine ulaşmada o kadar iyi hale gelmesi gerekir.

Ayrıca, "denetlenmeyen" veya "uyabilen" öğrenme kavramı mevcuttur, aklınızda istenen çıktılar olmadan algoritmayı çalıştırırsınız, fakat sonuçları evrimleştirmeye başlamasına ve kendisini kendi meraklarına göre düzenlemesine izin verirsiniz. Hayal edebileceğiniz gibi bu henüz iyi bir şekilde anlaşılmamıştır, fakat ayrıca gerçek yapay zekayı veya gerçekten gelişmiş yapay zekayı bulabileceğimiz en muhtemel yoldur. Eğer tamamen beklenmedik sorunları çözmek için tamamen bilinmeyen alanlara gerçekten robotlar göndereceksek, gerçek zamanlı olarak kendi kendilerini teşvik etmek amacıyla önem atayabilen programlara ihtiyacımız olacak.

YSA'ların gücü gerçekten burada yatıyor: yapıları sayesinde kendi programlamalarına tekrarlı değişimler yapabildikleri için, üreticilerin asla bulamayacakları cevapları bulma gücüne sahipler. İster bir serbest yatırım fonu, bir reklam şirketi olun, ister petrol kâşifi, bir bilgisayarın hızını bir beynin çok yönlülüğü ile birleştirmenin potansiyelini görmezden gelmek imkansızdır. Bu yüzden "makine öğrenme" algoritmalarını programlayabilmek, şu an dünyada en çok rağbet gören yetenek takımlarından biridir.

Önümüzdeki yüzyılda sorunları çözmek yerine, bilgisayarlara onları bizim için çözmeyi öğretmekle pekâla daha çok meşgul olabiliriz.

YSA'lar gerçekte ne yapabilir?

YSA'ların faydası, iki temel sınıftan birine düşüyor: doğal olarak hem insanlar hem de dijital bilgisayarlar için zor olan sorunları çözme araçları olmak ve bir şeyin (klasik olarak, beyinlerin) deneysel ve kavramsal örnekleri olmak. Şimdi her birinden ayrı ayrı bahsedelim.
Öncelikle, YSA'lar ile ilgilenmenin (ve daha önemlisi, onlara yatırım yapmanın) gerçek sebebi, onların sorunları çözebilmesidir. Google, YouTube videolarından sonra "sıradakini izle" önerilerini nasıl daha iyi hedefleyebileceğini öğrenmek için bir YSA kullanıyor. Büyük Hadron Çarpıştırıcısı'ndaki bilim insanları, çarpışmalarının sonuçlarını elemek ve büyük bir kargaşadan sadece bir parçacığın işaretini çıkarmak için YSA'lara yöneldiler. Nakliye şirketleri onları kullanarak karmaşık bir yön dağılımın üzerinden yol uzunluklarını en aza indiriyorlar. Kredi kartı şirketleri, dolandırıcı işlemlerini tanımak için onları kullanıyor. Daha küçük takımlar ve bireyler için bile erişilebilir hale geliyorlar - Amazon, MetaMind ve daha fazlası, şaşırtıcı miktarda düşük bir ücret karşılığında, ısmarlanmış makine öğrenim hizmetlerini herkese sunuyorlar.



Herşey daha yeni başlıyor. Google, fotoğraf çözümleme algoritmalarını gitgide daha fazla hayvan fotoğrafı ile eğitiyor ve sıradan fotoğraflarda köpekleri kedilerden ayırt etmede epey iyi durumdalar. Hem çeviri hem de ses bileşimlerinin ilerlemesiyle, yakında farklı diller konuşan insanlar arasında doğal, gerçek zamanlı sohbetler sunan babil balığı (Bir Otostopçunun Galaksi Rehberi'nde, çeviri yapan balık) benzeri bir cihaza sahip olabiliriz. Ve tabii ki, makine öğrenimini gerçekten kollarına takan azametli üç büyük örnek var: Siri, Now ve Cortana.

Bir sinir ağının öteki yüzü, beyinlerin yapısını yansıtması için onu dikkatlice tasarlamakta yatıyor. Hem bu yapıyı anlamamız, hem de bunu taklit etmek için gereken hesaplama gücü, bir bilgisayar örneğinde çetin bir beyin bilimi yapmamız için ihtiyacımız olan yere uzak. Beynin belirli bölümlerinin belirli yönlerini taklit etmekte bazı olağanüstü çabalar olmuştu, fakat hâlâ epey başlangıç aşamasındalar.

Kiralık yapay zeka

Bu yaklaşımın sahip olduğu bir üstünlük de, insanlara genetik mühendisliği uygulayarak beyinlerinde deneysel bir değişim yapamayacağınız (veya yapmamanız gerektiği) halde, böylesine çılgın bilim insanı deneylerini kesinlikle taklit beyinlerde yapabilecek olmanızdır. YSA'lar, tıbbın uygulamada veya ahlâken düşündüğünden çok daha geniş bir olasılık dizisini keşfedebilir ve günün birinde bilim insanlarının merak ettiği, muhtemel olarak beklenmeyen sonuçlara sahip varsayımlara hızlıca göz atmalarını sağlayabilir.

Kendinize "Yapay bir sinir ağı bunu yapabilir mi?" diye sorduktan hemen sonra, "Ben bunu yapabilir miyim?" diye sorun. Eğer cevap evet ise, o halde beyniniz, bir gün bir YSA'nın taklit edebileceği bir şeyi yapabiliyor olmalıdır. Diğer tarafta, günün birinde bir YSA'nın yapabileceği fakat bir beynin asla yapamayacağı pek çok şey var.
YSA'ların sahip olduğu olanaklar neredeyse sınırsız.

---

Kaynak : Extreme Tech, Artificial neural networks are changing the world. What are they?, www.extremetech.com/extreme/215170-artificial-neural-networks-are-changing-the-world-what-are-they

---