Geoffrey Hinton ile bitirmiştik önceki bölümü. Hinton bugünlerde bir bilişsel psikolog olarak daha çok tanınsa da aslında derin öğrenme ve makine öğrenmesinin en önemli isimlerinden de biridir. Bir süre Google bünyesinde de çalışan Hinton birkaç yıl önce haberlere de konu olmuştu. Kendisinin de öncüsü olduğu “yapay zeka” konusunda bazı çok önemli uyarıları ile özellikle. Tamam. Başlattık. Otomasyon için özellikle. Sıkıcı işleri yapsın. İşlerimizi kolaylaştırsın dedik. Ama dikkat etmemiz lazım artık. Bu iş kontrolden çıkıyor demişti…
Ama bu tartışmalı alana girmeden önce bizim yolculuğumuz önce “yapay zekayı” anlamak demiştik. Her yönü ile anlayalım ki bu tartışmaları daha ayaklarımız yere basarak yapalım. “Yapay zeka bizi yok edecek, fişini çekelim” diye savaş çığırtkanlığı yapmadan önce argümanlarımızı sağlam temellere oturtalım.
Hinton’dan bahsedelim önce. 40’larda doğan Hinton 50’lerde genç bir insanken bu dönemde bahsettiğimiz gelişmelerle yakından ilgilenmeye başlamıştı zaten. Geleceğini de bu konuda şekillendirmeye karar vermişti bile. Bu arada tüm sülalesi çok önemli akademisyenlerden oluşuyordu. Goergoe Boole’nin kanından geliyor demiştik zaten. Bu bile tek başına yeterli bir sebep. Ama anne babası da aynı şekilde akademiden gelen insanlar olarak “Ya akademisyen olursun ya da aç kalırsın” diyorlardı ona.
Ama Hinton kafaya koymuştu bir kere. Yapay Zeka Kışı sırasında bile Rosenblatt’ın şu “sinir ağları” konusunun ne kadar devrimsel olduğunun farkındaydı. O nedenle tüm baskılara rağmen 1972 yılında yapay zeka üzerine doktorasını yapmıştı bile. Kimsenin bu alanı yeterince ciddiye almadığını, günün birinde onu anlayacaklarını düşünüyordu. Haklı da çıkacaktı zaten.
Ama asıl konuya dönersek. Yapay zekanın tüm dünyayı değiştireceğine emin olmasına rağmen bir şeyin de çok iyi farkındaydı. O dönem için bunun önündeki asıl engel “işlem gücüydü”… Yeterli güce sahip bilgisayarlar üretilmeliydi. Ama bir şeyi de çok iyi biliyordu. Moore Yasasını… Bir çipteki transistörlerin sayısının 18 ayda bir ikiye katlanacağını öngören bu yasaya göre çok zaman geçmeden yeterli işlem gücüne erişilebileceğini biliyordu. Bunu sabırla beklerken de boş durmamış ve sinir ağları ile ilgili temel teorileri de geliştirmeye devam etmişti. Bu teoriler, bu çalışmaları kısa süre sonra “derin öğrenme” olarak bildiğimiz yapıya dönüşecekti…
1986 yılında da David Rumelhart ve Ronald J. Williams ile birlikte çığır açacak bir çalışma yayımlamıştı. Bu çalışma özellikle sinir ağlarında çok sık karşılaşılan hataları düzeltmeye yönelik bir çalışmaydı. “Backpropagation” ya da “geri yayılım” olarak bilinen bu yaklaşımda hatalar geriye dönük olarak otomatik şekilde tespit edilerek düzeltilebiliyordu. Bu sayede bir algoritma çok çok daha hassas bir şekilde çalışabiliyordu.
Bu çalışma tabi hem önceki çalışmalardan ilham almış hem de yeni çalışmalara ilham vermişti. Örneğin Kıunihiko Fukushima 1980 yılında hayvanların beyinlerindeki görme korteksine dayanarak “veri içerisindeki örüntüleri” tespit eden Neocognitron isimli bir sistem geliştirmişti.
Ama yapay zekanın durdurulamaz yükselişini sağlayan asıl faktörlere bir bakalım isterseniz önce. Yapay zeka kışı demiştik. Bu alanda 20 yıla yakın hiçbir çalışma yapılmamıştı demiştik. Bunun temel sebebi de işlem gücünün verilen sözleri, vaatleri yerine getirecek kadar güçlü olmamasıydı aslında. İşte bu yapay zeka kışı sırasında dünyada bu “işlem gücü” konusunda dev adımlar atılacaktı.
Bunun yakıtı ise “veri” olacaktı. Hele hele “internet” denen şey hayatımıza girdikten sonra tüm insanlığın basit bir benzetme ile kova kova veri taşıması ile bir “veri okyanusumuz” olacaktı. Daha sonra bu veri devriminin detaylarına daha fazla gireceğiz ama en önemli etken buydu. Bu kadar veriyi ehlileştirecek, kontrol edecek bir sistemin doğuşu kaçınılmaz olacaktı.
Ama tabi “altyapı” ayrıca büyük bir öneme sahipti. Özellikle son 15 yıla baktığımızda Google’ın bu konuda başı çektiğini söyleyebiliriz. Baraj kapakları sonuna kadar açılmış gibi akan veriyi “endekslemek” için şirket ölçeklenebilir sistemler geliştirmek için çok yaratıcı olmak zorundaydı. Bunun için de “sunucular”, “sanallaştırma”, açık kaynak yazılımlar konusunda büyük yenilikler icat etti. Google ayrıca 2011’deki “Google Brain” projesi ile de “derin öğrenmeyi” ilk kullanan şirketlerden biri olacaktı. Tabi birkaç yıl sonra da Geoffrey Hinton’ı bünyesine katmıştı Google…
Sonra NVIDIA sahneye çıktı. Grafik İşleme teknolojisi tahmin ettiğimizden de çok önemli bir role sahiptir tüm teknolojilerin gelişimi açısından. Genellikle tabi “oyun” grafiklerinin gelişimi ile tanıdığımız NVIDIA’nın GPU olarak bilinen sistemi yapay zekanın gelişimi için de müthiş bir avantaj sağlayacaktı. Şu anda da derin öğrenme araştırmalarının büyük çoğunluğu bu teknoloji ile yürütülür. Bunun sebebi de paralel işleme kabiliyeti ile bu teknoloji standart CPU’lardan çok daha hızlı çalışabiliyorlar. Bu sayede bir model geliştirmek için önceden aylar gerekebilirken bir iki gün içinde model geliştirebilir hale geldik. Tüm bu teknolojik gelişmeler işte uzun süre rafa kaldırılmış yapay zekanın muhteşem dönüşü için gerekli tüm altyapıyı sağlamıştı.
Şimdi. Bu zamana kadar birçok şeyden bahsettik ama YAPAY ZEKA’nın “ne olduğunu” pek konuşmadık değil mi? Tabi bayağı detaya ineceğiz ama ilerlemeden önce en azından genel bir resim çizmemiz gerekiyor.
Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme terimleri çok sık karşımıza çıkıyor. Bunlar kimi zaman da karıştırılıyor. Ama aslında birini diğerinden ayrı düşünemeyeceğimiz bir sistemin bileşenleri bunlar. Şöyle basit bir grafikte görmek yardımcı olabilir belki. Yapay Zeka bizim çatı terimimiz aslında. Daha “soyut” bir kavram. Bir “deri” gibi. İçerisindeki sistemler olmadan bir şey ifade etmeyen. Dışarıdan süslü görünen bu kavramın kalbinde makine öğrenmesi ve en derininde de “derin öğrenme” yatar. Yani basit bir tanım yaparsak:
Yapay zeka: normalde insan zekasına ihtiyaç duyulan işleri yapabilen bilgisayar sistemlerinin “teorisi” ve geliştirilmesine verilen genel isim. Makine öğrenmesi: Bilgisayarlara “adım adım programlamaya ihtiyaç duymadan bilgisayarlara “öğrenme” kabiliyeti veren sistem. Derin öğrenme: “yapay sinir ağları” olarak bilinen insan beynini andıran algoritma yapılarına dayanan “makine öğrenmesi” algoritmalarına verilen genel isim… Tabi basitçe tanımladık. Her birinin katmanları ve her birinin dayalı olduğu çok farklı istatistiksel ve matematiksel sistemler mevcut. Onlar için şu an biraz erken. Ama geleceğiz. Merak etmeyin. Hepsini konuşacağız.
Ama önce tüm bunlara dalmadan çok iyi anlamamız gereken hayati bir konu var. DATA. Her şeyin özü. Sayısız tanım yapılıyor onunla ilgili. Yeni dünyanın para birimi diyenler var. Yeni petrol diyenler de. Veri güçtür diyenler de var. Veriye sahip olan size sahip olur diyenler de. Ve hepsi de haklı, doğru tanımlamalar. O nedenle veriyi anladığımızda zaten makine öğrenmesine, yapay zekaya, derin öğrenmeye ve çok daha fazlasına neden ihtiyacımız olduğunu, bu sistemlerin neden bu kadar önemli olduğunu da daha iyi anlayacağız.
Şimdi “data” ne demek. Datayı kullanmak, nasıl kullanacağını bilmek çok önemli filan ne kadar anlatsak pek bir şey ifade etmeyebilir. O yüzden bir entrika ile somutlaştırmaya çalışalım.
Amerikalı bir market zinciri. Target. Müşterilerin bilgileri, alışveriş verileri, girdiler, çıktılar, ürünler vs. derken tabi devasa veriye sahip bu tip şirketler. Elinizde böyle bir veri olduğunda da bunu kullanmazsanız piyasadan silinirsiniz. Bunu net söyleyebiliriz. İşte Target da bu elindeki veriyi “hedefli pazarlama” için kullanmaya karar veriyor. Çok spesifik kitle hedeflemesi yapabilirsiniz mesela. Target da bunu yapmak istiyor ve hedefine “bebek bekleyen anne adaylarını” alıyor. Bu kişileri ayıklamak için de örneğin kokusuz losyon vb gibi anne adaylarının çoğunlukla tercih ettiği ürünleri satın alanları filtreliyor. Bu tip verilere bakarak da bir “hamilelik puanı” ve hatta “olası doğum tarihi” gibi verileri de ortaya koyuyor. İşte bu çalışma sonrasında da bu kitleye e-posta ile pazarlama yapmaya başlıyor. İşte hamileliğiniz nasıl gidiyor, şu ürünleri almayı unutmayın gibi.
Ama bir şey oluyor. Bu müşterilerden birisinin babası bu e-postayı şans eseri görüyor ve çok sinirleniyor. Benim kızım hamile filan değil. Ne şimdi bu diyor… Ama kızı gerçekten de hamileydi, ve evet bunu ailesinden de saklıyordu… Yani bir marketin IT departmanı sizin kızınızın hamileliğini sizden daha önce öğrenebilmişti… Tabi sonrasında bu aile ne yaşadı bilmiyoruz ama sanırım “verinin” ne denli “önemli” olduğunu ve ondan hiçbir şeyi gizleyemeyeceğinizi anlatabilmişimdir.
Bir kehanette mi bulunmak istiyorsunuz, kimsenin yaklaşamayacağı doğru kararlar mı almak istiyorsunuz… Kılavuzunuz veri olursa buna en yakın güce sahip olacağınızı açık bir şekilde söyleyebiliriz… O yüzden… Kendi hayatınızda, ilişkilerinizde, işinizde gücünüzde… Ötesinde. Ülkelerin, dünyanın yönetiminde her şeyden, duygulardan, algılardan öte, “verinin” gücünü kendimize kılavuz edindiğimiz zaman tüm sorunların adım adım nasıl çözüldüğünü görebiliriz.
