Bilgisayarlar Bizi Nerede Yenebilir, Nerede Yenemez?

1-1457804112


Andrew McAfee ve Erık Brynjolfsson


Google’ın DeepMind projesi çerçevesinde geliştirdiği yapay zekâ sistemi AlphaGo, strateji oyunu Go turnuvasında, dünya şampiyonu Lee Se-dol’u dört bir yendi. Peki, bu neden bu kadar önemli? Ne de olsa, IBM’in Deep Blue’su Gary Kasparov’u 1997’de yendiğinde, bilgisayarlar insanoğlunu satrançta ezip geçmemişler miydi?

Go da satranç gibi, şansın hiçbir etkisinin olmadığı, muazzam karmaşıklıkta bir strateji oyunu. İki oyuncu, 19’a 19’luk tahtada, sırayla siyah veya beyaz taşları yerleştiriyorlar; bir taşın dört bir yanı diğer renkteki taşlarla çevrelendiğinde o taş tahtadan kaldırılıyor, oyunun sonunda tahtada daha fazla taşı olan oyuncu kazanıyor.

Ancak satrancın aksine, hiç kimse nasıl ileri düzeyde Go oynanabileceğini açıklayamaz. Anlaşılan, üst düzey oyuncular, nasıl bu kadar iyi oynadıklarına dair bilgilerine tam olarak erişemiyorlar. Trafikte araba kullanmaktan bir yüzü tanımaya kadar pek çok insani faaliyette aynı cehaleti sergiliyoruz. Bu garip durum filozof ve bilim insanı Michael Polanyi tarafından çok güzel açıklanmış: “Anlatabildiğimizden çok daha fazlasını biliyoruz.” Buna “Polanyi’nin Paradoksu” deniyor.

Polanyi’nin Paradoksu, bizi maaş bordrolarını hazırlamak, uçuş planlarını düzenlemek, telefon görüşmelerini aktarmak ve vergileri hesaplamak gibi karmaşık görevleri yerine getirirken bilgisayarları kullanmaktan alıkoymadı. Ancak geleneksel bir bilgisayar programı yazmış herkes size bu faaliyetleri otomatikleştirmenin, bir bilgisayara ne yapması gerektiğini büyük bir kesinlikle anlatmanın ıstıraplı yollarından geçtiğini söyleyecektir.       

Bilgisayar programcılığına böylesi bir yaklaşım çok sınırlıdır; Go gibi anlatabildiğimizden fazlasını bildiğimiz veya fotoğraflardaki ortak nesneleri tanımak, diller arası çeviri yapmak ve hastalıkları teşhis etmek gibi görevlerde kullanılamaz. Programlamaya kural temelli yaklaşımın uygulandığı bütün görevler yıllar içinde fena şekilde çuvalladı.

Deep Blue, insanüstü performansını neredeyse tamamen işlem gücüyle gerçekleştirdi: Milyonlarca satranç oyunundan beslenmesi sayesinde, en iyi hamleye karar vermek için olasılıklar arasında gidip gelebildi. Go’daki mesele ise, bu oyunun evrendeki atom sayısından daha fazla hamle barındırması ve en hızlı bilgisayarların bile bundan anlamlı bir sonuç çıkaramamasıdır. Daha da kötüsü, hangi olası hamlelerin keşfedilmeye başlanacağı bile belli değildir.

Peki ne değişti? AlphaGo’nun zaferleri, yeni bir yaklaşımın gücünü bütün parlaklığıyla gösteriyor: Bir bilgisayara zekice stratejiler yüklemeye çalışmak yerine, başarı ve başarısızlık örneklerini görerek, neredeyse tamamen kendi başına, kazanan stratejileri öğrenen sistemler geliştiriyoruz.

Bu sistemler, eldeki görevle ilgili insan bilgisine bel bağlamadığı için anlatabildiğimizden daha fazlasını bildiğimiz gerçeğiyle de zapturapt altına alınmıyorlar.

AlphaGo, bu simülasyonları ve geleneksel arama algoritmalarını bazı hamlelere karar vermek için kullanıyor ama gerçek başarısı Polanyi’nin Paradoksunu aşma yeteneğinde gizli. Hem örneklere hem de deneyimlere dayanıp kazanan stratejileri kendi başına çözerek paradoksu aştı. Örnekler, oyunun 2500 yıllık tarihindeki en iyi oyuncuların maçlarından alındı. Bu maçlarda zafere taşıyan stratejileri anlamak için, sistem derin öğrenme adı verilen bir yaklaşım kullandı. Bu sayede şablon çıkarma ve devasa enformasyon havuzunda neyin önemli olduğunu anlama konusunda kayda değer beceriler geliştirdi.

Beynimizdeki düşünme süreci nöronlar arasında bağlantılar kurup güçlendirmekten ibarettir. Derin öğrenme sistemleri de benzer bir yaklaşım sergiliyor, bu nedenle bir zamanlar “nöral ağlar” olarak adlandırılıyorlardı. Yazılımda milyarlarca düğüm ve bağlantı oluşturdular, uyarıcı (oynanan bir Go oyunu) ve karşılık (bir sonraki hamle) sırasında bağlantıları güçlendirmek için örneklerin “eğitim setleri”ni kullandılar; ardından sistemi yeni bir uyarıcıya açtılar ve ne karşılık verdiğini gördüler. AlphaGo aynı zamanda kendine karşı da milyonlarca oyun oynadı, işe yarayan hamleleri ve stratejileri hatırlamak için pekiştirici öğrenme adı verilen başka bir teknik kullandı.

Derin öğrenme ve pekiştirici öğrenme bir süredir hayatımızda var ama yakın zamana kadar ne kadar güçlü olduklarını, nereye kadar uzanabileceklerini bilmiyorduk. Aslında hâlâ bilmiyoruz, ama uygulamalar dörtnala gelişiyor ve sonu yokmuş gibi görünüyor. Ses tanıma, kredi kartı dolandırıcılığını tespit etme, radyoloji, patoloji…. Yelpaze çok geniş. Makineler artık yüzleri tanıyıp araba kullanabiliyorlar; Polanyi’nin anlatabildiğimizden daha fazlasını bildiğimizi işaret ettiği iki alan…

Daha gidecek çok yolumuz var ama gidişat iyi görünüyor. James Watt 240 yıl önce buhar makinesini geliştirdiğinde, teknolojiyle patlak veren değişimler ekonomimizi dalga dalga etkilemişti. Ancak bundan herkesin eşit olarak faydalanacağının bir garantisi yok. Hızlı teknolojik ilerlemenin getireceği toplumsal meseleleri anlamak ve çözüm üretmek, hâlâ makinelerin bizim için yapamayacakları şeyler arasında yer alıyor.      

The Second Machine Age kitabımızın yazarları Andrew McAfee ve Erik Brynjolfsson’un 16 Mart’ta The New York Times’ta yayınlanan yazısıdır.   

Yorum bırakın

Filed under Optimist

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Google+ fotoğrafı

Google+ hesabınızı kullanarak yorum yapıyorsunuz. Log Out / Değiştir )

Connecting to %s