AI Makineleri ile İlgili Sorun Şeyler Öğreniyor, Fakat Onları Anlayamıyor

Bugünlerde herkes “AI” hakkında konuşuyor. Ancak, Siri'ye, Alexa'ya veya akıllı telefonunuzun klavyesinde bulunan otomatik düzeltme özelliklerine bakıyor olsanız da, genel amaçlı yapay zeka yaratmıyoruz. Belirli, dar görevleri gerçekleştirebilecek programlar oluşturuyoruz.

Bilgisayarlar “Düşünemez”

Bir şirket yeni bir “AI” özelliğine sahip olduğunu söylediğinde, genellikle şirketin bir sinir ağı oluşturmak için makine öğrenmesini kullandığı anlamına gelir. “Makine öğrenmesi”, bir makinenin belirli bir görevde nasıl daha iyi performans göstereceğini “öğrenmesini” sağlayan bir tekniktir.

Burada makine öğrenmeye saldırmıyoruz! Makine öğrenmesi, pek çok güçlü kullanımı olan harika bir teknolojidir. Ancak bu genel amaçlı yapay zeka değildir ve makine öğreniminin sınırlarını anlamak, mevcut AI teknolojimizin neden bu kadar sınırlı olduğunu anlamanıza yardımcı olur.

Bilim kurgu hayallerinin “yapay zekası”, şeyleri düşünen ve insanların yaptığı gibi anlayan bilgisayarlı veya robotik bir beyin türüdür. Bu yapay zeka yapay bir genel zeka (AGI) olacaktır, bu da birçok farklı şeyi düşünebileceği ve bu zekayı farklı alanlara uygulayabileceği anlamına gelir. İlgili bir kavram, insani bilinci deneyimleyebilen bir makine olacak “güçlü yapay zeka” dır..

Henüz bu tür AI'larımız yok. Buna yakın bir yerde değiliz. Siri, Alexa veya Cortana gibi bir bilgisayar varlığı bizim gibi anlamıyor ve düşünmüyor. Bir şeyleri gerçekten “anlamıyor” değil.

Sahip olduğumuz yapay zekalar, insanların, öğrenmelerine yardımcı olacak verileri sağlayabileceğini varsayarak, belirli bir görevi çok iyi yapmak için eğitildi. Bir şeyler yapmayı öğreniyorlar ama hala anlamıyorlar.

Bilgisayarlar Anlamadı

Gmail, e-postalara yanıt öneren yeni bir “Akıllı Yanıt” özelliğine sahiptir. Akıllı Yanıt özelliği, “iPhone'umdan gönderilen” ifadesini ortak bir yanıt olarak tanımladı. Ayrıca, iş e-postaları da dahil olmak üzere birçok farklı e-postaya bir yanıt olarak “Seni seviyorum” önermek istedi..

Çünkü bilgisayar bu tepkilerin ne anlama geldiğini anlamıyor. Sadece birçok insanın bu cümleleri e-postalara yolladığı öğrenildi. Patronuna “seni seviyorum” demek isteyip istemediğini bilmiyor..

Başka bir örnek olarak, Google Foto, evlerimizden birinde halının yanlışlıkla fotoğraflarından oluşan bir kolaj oluşturdu. Daha sonra bu kolajı bir Google Ana Hub'ında en son vurgulanan nokta olarak belirledi. Google Foto, fotoğrafların benzer olduğunu biliyordu ancak ne kadar önemsiz olduklarını anlamadı.

Makineler Genellikle Sistemi Öğrenmeyi Öğrenir

Makine öğrenmesi, bir görev vermek ve bir bilgisayarın bunu yapmanın en etkili yoluna karar vermesine izin vermekle ilgilidir. Anlamadıkları için, istediklerinizden farklı bir sorunun nasıl çözüleceğini “öğrenen” bir bilgisayarla bitmek kolaydır..

İşte “yapay zekaların” oyun oynamak için yarattığı ve sistemin oyun oynamayı hedeflediği belirlenmiş eğlenceli örneklerin bir listesi. Bu örneklerin tümü bu mükemmel elektronik tablodan gelir:

• “Hız için yetiştirilen yaratıklar gerçekten uzuyor ve düşerek yüksek hızlar yaratıyor.”
• “2. seviyede kaybetmekten kaçınmak için Ajan seviye 1 sonunda kendini öldürür”
• “Ajan oyunu kaybetmekten kaçınmak için süreyi duraklatır.”
• “Hayatta kalma enerjisinin gerekli olduğu ancak doğum yapmasının enerji maliyeti olmadığı yapay bir yaşam simülasyonunda, bir tür, yenebilecek yeni çocuklar üretmek için (veya daha yenilebilir çocuklar üretmek için eş olarak kullanıldıkları) çoğunlukla çiftleşmekten oluşan yerleşik bir yaşam tarzı geliştirdi. .”
• “AI'ların bir oyunu kaybederlerse“ öldürülmeleri ”daha olası olduğundan, oyunu çökertmek genetik seçim süreci için bir avantajdı. Bu nedenle, birçok yapay zeka oyunu çökertmek için yollar geliştirdi. ”
• “Yenilebilir ve zehirli mantarları sınıflandırmak için geliştirilen sinir ağları, değişken sırayla sunulan verinin avantajını kullandı ve aslında girdi görüntülerinin hiçbir özelliğini öğrenmedi.”

Bu çözümlerin bazıları akıllıca gelebilir, ancak bu sinir ağlarının hiçbiri ne yaptıklarını anlamadı. Bir hedef belirlendiler ve bunu başarmanın bir yolunu öğrendiler. Amaç bir bilgisayar oyununda kaybetmemekse, pause düğmesine basmak bulabilecekleri en kolay, en hızlı çözümdür.

Makine Öğrenimi ve Yapay Sinir Ağları

Makine öğrenirken, bir bilgisayar belirli bir görevi yerine getirmek için programlanmış değildir. Bunun yerine veri beslenir ve görevdeki performansı değerlendirilir..

Temel makine öğrenmesi örneği, görüntü tanımadır. Diyelim ki içinde köpek olan fotoğrafları tanımlamak için bir bilgisayar programı geliştirmek istiyoruz. Bazılarında köpekleri olan bazılarında olmayan, milyonlarca görüntü verebiliriz. Görüntüler, içinde bir köpek olup olmadığına dair etiketlenir. Bilgisayar programı, bu veri setine dayanarak köpeklerin neye benzediğini tanıması için kendisini “eğitiyor”.

Makine öğrenme süreci, her veri girişinin geçtiği çoklu katmanlara sahip bir bilgisayar programı olan sinir ağını eğitmek için kullanılır ve her katman, nihai olarak bir karar vermeden önce, onlara farklı ağırlıklar ve olasılıklar atar. Beynin nasıl çalışabileceğini düşündüğümüz üzerine modellenmiştir, farklı görevlerde görev yapan farklı nöron katmanları. “Derin öğrenme” genellikle girdi ve çıktı arasında yığılmış birçok katmanı olan sinir ağlarını ifade eder..

Veri setindeki hangi fotoğrafların köpek içerdiğini ve hangilerinin bulunmadığını bildiğimiz için, fotoğrafları sinir ağı üzerinden çalıştırabilir ve doğru cevaplarla sonuçlanıp sonuçlanmadıklarını görebiliriz. Ağ, belirli bir fotoğrafta köpeğe sahip olmadığına karar verirse, örneğin, ağa yanlış olduğunu söyleme, bazı şeyleri ayarlama ve yeniden denemeye yönelik bir mekanizma vardır. Bilgisayar, fotoğrafların bir köpek içerip içermediğini belirleme konusunda daha iyi olmaya devam ediyor.

Bunların hepsi otomatik olarak gerçekleşir. Bilgisayarın kendisini eğitmesi için doğru yazılım ve birçok yapısal veri ile bilgisayar, sinir ağını fotoğraftaki köpekleri tanımlayacak şekilde ayarlayabilir. Biz buna “AI” diyoruz.

Ancak günün sonunda, bir köpeğin ne olduğunu anlayan akıllı bir bilgisayar programınız yok. Bir köpeğin fotoğrafta olup olmadığına karar vermeyi öğrenen bir bilgisayarınız var. Bu hala oldukça etkileyici, ancak yapabileceği tek şey bu.

Ve, verdiğiniz girişlere bağlı olarak, sinir ağı göründüğü kadar akıllı olmayabilir. Örneğin, veri kümenizdeki herhangi bir kedi fotoğrafı olmasaydı, sinir ağı, kediler ve köpekler arasında bir fark görmeyebilir ve tüm kedileri, insanların gerçek fotoğraflarını serbest bıraktığınızda köpekler olarak etiketleyebilir..

Makine Öğrenimi Ne İçin Kullanılır??

Makine öğrenmesi, konuşma tanıma dahil her türlü görev için kullanılır. Google, Alexa ve Siri gibi sesli asistanlar, insan konuşmasını anlamak için eğiten makine öğrenme teknikleri nedeniyle insan seslerini anlamada çok iyidir. Çok sayıda insan konuşması örneği üzerinde eğitim almışlar ve hangi seslerin hangi kelimelere karşılık geldiğini anlama konusunda daha iyi ve daha iyi hale gelmişlerdir..

Kendi kendine sürüş arabaları, bilgisayarı yoldaki nesneleri tanımlamak ve onlara doğru şekilde nasıl yanıt vermeleri konusunda eğiten makine öğrenme tekniklerini kullanır. Google Foto, makine öğrenmesini kullanarak fotoğraflardaki insanları ve hayvanları otomatik olarak tanımlayan Canlı Albümler gibi özelliklerle doludur.

Alphabet's DeepMind, karmaşık tahta oyunu Go'yu oynayabilecek ve dünyanın en iyi insanlarını yenebilecek bir bilgisayar programı olan AlphaGo'yu oluşturmak için makine öğrenmesini kullandı. Makine öğrenmesi, satrançtan DOTA 2'ye kadar diğer oyunlarda iyi olan bilgisayarları oluşturmak için de kullanılıyor..

Makine öğrenmesi, en son iPhone'larda Face ID için bile kullanılıyor. İPhone'unuz yüzünüzü tanımlamayı öğrenen bir sinir ağı kurar ve Apple, bu ve diğer makine öğrenme görevleri için tüm sayıların üstesinden gelmesini sağlayan özel bir “sinir motoru” yongası içerir.

Makine öğrenimi, kredi kartı sahtekarlığının belirlenmesinden alışveriş web sitelerinde kişiselleştirilmiş ürün önerilerine kadar birçok farklı şey için kullanılabilir..

Ancak, makine öğrenmesiyle oluşturulan sinir ağları hiçbir şeyi tam olarak anlamıyor. Eğitim aldıkları dar görevleri başarabilen faydalı programlardır..

Image Credit: Phonlamai Fotoğraf / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Çeşitli Fotoğraflar / Shutterstock.com.