Yapay Zeka’nın Düşünce Biçimini Anlamak

Bu yazı, 20 Mart 2022 tarihinde yayımlanan Bebar Bilim videosunun metninden uyarlanmıştır. Güncel gelişmeler içeren değerlendirmeler özgün yayın tarihinin bağlamındadır.

Elektrikli araçlar artık yeni gerçekliğimiz olacak. Bundan kaçış yok. En büyük otomobil üreticileri teker teker önümüzdeki 10 ya da en geç 20 yıl içinde tüm fosil yakıtlı araçlarının üretimini durdurarak tamamen elektriğe geçeceğini açıklamaya başladı. Bu her anlamda çok iyi bir haber ama bunun önünde büyük bir engel var. Batarya problemi. Özellikle bataryaları üretmek için gerekli hammadde eksikliği. Büyük bir sorun. Zira bu hammaddeleri bulmakta büyük bir zorluk yaşanıyor ve söz konusu tamamen elektrikli bir gelecek için de aşılması gereken bir problem bu. Nikel bu sorunun başını çekiyor. Hatta önümüzdeki yılı çıkaramayabilir elimizdeki stoklar.

Fakat bir kurtarıcımız var. Hemen yardımımıza yetişen. Bilim insanları yakın zamanda bu soruna alternatif olabilecek dört yeni materyal keşfettiler. Tabi bunların bulunması çok önemli bir haber ama nasıl bulunduğu çok daha büyük bir haber. Bilim insanları bu materyalleri bulmak için yapay zekaya başvurdular. Yapay zeka da “tabi efendim” diyerek 300’ün üzerinde element arasından hızlıca en uygun olanları seçti. Ve birazdan detayına ineceğimiz bu süreç sadece bununla da sınırlı değil.

Şimdi. Bilimsel araştırmalarda ve genel anlamda bilimde yeni keşiflere götüren yolun başlangıcı hipotezlerdir. Yani bir çözüm ya da olası bir soruya olası bir cevap sunar ve sonrasında bu hipotezinizi test etmeye başlarsınız. Bu çözümler de bu zamana kadar insanların elindeydi. Ama yavaştan artık bu konuda da bayağı bayağı yavaş kaldığımız ve yaşamın ve yeni teknolojilerin hızına yetişemediğimiz için bu işi de makinelere bırakmaya başladık.

Burada ilk adım olarak neural network olarak bildiğimiz sinir ağlarının tasarlanması. Bu sinir ağlarını doğrudan insan beyni ilham alınarak oluşturulan bir tür makine öğrenmesi mekanizması olarak düşünebiliriz. Tasarlanan bu sinir ağı da kendisine sağlanan verilere bakarak veriler arasındaki bağlantıları ve düzeni baz alarak hipotezler oluşturur. Bizim belki de asla göremeyeceğimiz bağlantılardan bahsediyoruz. Ve birçok alan da yavaş yavaş bilimsel süreçleri hızlandırmak ve insan hatasını ortadan kaldırmak için makine öğrenmesine başvurmaya başlıyor.

Başta bahsettiğimiz yeni batarya malzemeleri konusunda mesela normal şartlarda araştırmacılar veritabanı araştırma araçlarına, bu veritabanından gelen verilerin modellenmesine ve en sonunda işe yarar bileşenlerin seçilmesi konusunda kendi içgüdülerine güvenmek zorundalardı. Ama işte Liverpool Üniversitesinden bir ekibin bu süreci çok daha verimli hale getirmek için oluşturduğu sinir ağı kendisine sunulan materyallerden bir kombinasyon yaparak hangilerinin yeni bir materyal olarak kullanılabileceğini belirli bir sıra ile araştırmacılara sundu. Araştırmacılar da bu sıralamayı takip ederek laboratuvarda deneylere başladı. Bu sayede listedeki her şeyi test etmelerine gerek kalmadan yeni tip bataryalarda kullanılabilecek dört tane kombinasyonu keşfettiler. Birkaç günde tamamlanan bu süreç normal şartlarda en az 1 senelerini alacaktı.

Çalışmada görev alan Andrij Vasylenko da henüz birkaç ay önce yayımlanan bu çalışma sayesinde yapay zeka ile sadece bakmamız gereken kimyasallara bakarak inanılmaz bir zaman ve efor tasarrufu sağladık diyor. Tabi bu sadece bir örnek. Bu çalışma yönteminin bilim dünyasını nasıl baştan aşağı değiştirebileceğini bir anlığına düşünmenizi istiyorum. Olasılıkları bir gözünüzün önüne getirin.

Misal. Bu kanalda da defalarca üstünde durduğumuz ve çok uzun süredir herhangi bir şekilde cevabına yaklaşamadığımız o soruyu düşünün. Her şeyin teorisini. Ya da birleşik bir teori. Zürih Teorik Fizik Enstitüsünden bir fizikçi Renato Renner de bu olasılığı görenlerden. Ona göre de makine öğrenmesi sayesinde evrenin çalışma biçimini açıklayan teorilerimizi bir gün birleştirebiliriz. Ama bir sorun var. Ciddi bir sorun. Biraz da korkutucu. Bu sinir ağları çok çok yaygın bir sistem tüm yapay zeka çalışmalarında. Her alanda kullanılıyor, herkes bir şekilde faydalanıyor bu insan beynini andıran mekanizmalardan.

Fakat yine insan beyninin çalışma biçimini nasıl anlamıyorsak bu bizim oluşturduğumuz, kendi ellerimizle ördüğümüz dijital ağların da nasıl çalıştığını anlamıyoruz. İşimize yarıyor. Ama işimize nasıl yaradığını… Evet. Anlamıyoruz. Biraz açalım bunu.

Dediğim gibi. Son 10 yıldır makine öğrenmesi ile büyük veriyi sınıflandırıyor ve tahminler yapıyoruz. Ama yine söylediğim gibi. Bunu nasıl yaptığımızı anlamakta çok güçlük çekiyoruz. Kullanılan sinir ağları ise aynı beyindeki nöronları andıran birbirine bağlı nodlardan oluşuyor. Bu nodlardan bilgi akışı gerçekleştikçe bunların yapısı da değişiyor. Dinamik bir yapıya sahip anlayacağınız. İşte bu model kompleks problemleri çözmek konusunda inanılmaz faydalı olsa da bu tahmin edilemez yapısını da çözmemiz gerekiyor.

Bu anlaşılmazlığın da bir adı var bu arada. Black Box ya da Kara Kutu problemi deniyor buna. Bu bir anlamda yapay beynin “düşünce yapısını” anlayamadığımız için. Yani anlamayalım, işimize yarıyor nasılsa diye de düşünmemek lazım. Çünkü birincisi şu anda güvenilir olsa da belirli bir eşik aşıldıktan sonra bize sağladığı çözümlerin ne kadar güvenilir olduğunu anlayamayabiliriz. İkincisi de bu sinir ağlarını ne yönde ve ne kadar geliştirmemiz gerektiğini veya belki de bizim sormadığımız sorulara da cevap verip vermediğini anlamamız gerekiyor.

Bunun için “yorumlama teknikleri” geliştiriliyor. Bu teknikler sayesinde sinir ağlarının bize sunduğu çözümleri adım adım nasıl tasarladığını görmeye çalışıyorlar. Elbette belki de tüm detayları ile çözümleyemeyebiliriz ancak genel trendleri anlayabiliriz. Bu sayede de örneğin kimin gelecekte kanser olabileceği gibi ilginç keşifler de yapabiliriz.

Bundan birkaç yıl önce Case Western Reserve Üniversitesinden bir biyomedikal mühendisi olan Anant Madabhushi yorumlama tekniğini kullanarak neden bazı hastalarda diğerlerine göre prostat ya da meme kanserinin tekrar ettiğini anlamaya çalışmıştı. Hastaların mr görüntüleri gibi taramalarını sinir ağlarına sunmuş ve sinir ağı da kimlerde kanserin tekrar edebileceğini göstermişti. Kendisi de makine öğrenmesinin bu analizi yaparken kullandığı verileri analiz etmiş ve hepsinde hastaların ilgili bezlerinde iç yapıların ne kadar yoğun olduğunun belirleyici olduğunu görmüştü. Burada ilginç olan ise doktorlar makine öğrenmesine nereye bakması gerektiğini söylememişti. Kendileri de bilmiyordu. Bu sonuca varan Yapay Zekanın kendisiydi. Ve mevcut literatürü ve patolojiyi de tarayan doktorlar yapay zekanın bulgularının birebir örtüştüğünü gördüler. Tabi neden bez yoğunluğunun kansere neden olduğunu açıklayamasa da araştırmacıların tümörün nasıl büyüdüğünü anlamasına ve gelecek araştırmalarda neye odaklanması gerektiğine dair çok önemli bir ipucu vermişti.

Yani kara kutunun içine bu şekilde bakabildiğimizde bize çok değerli öngörüler sunabiliyor. Fakat yine de gidecek çok yolumuz var. Çünkü kara kutunun içinde gördüğümüz bu tekrar eden bağlantılar veya düzenler bize önemli bilgi verse de bir nedensellik ya da bir açıklama sunmuyor. Hala çıkan sonuçları uzmanların anlamlandırması gerekiyor. Ya da başka bir problem de şu. Makine öğrenmesi hala insanların topladığı verilere bakarak anlamlar çıkarıyor veya çözümler sunuyor. O nedenle sunulan verilerin de içeriği ve kalitesi hayati önem taşıyor.

Bunun en önemli örneği COMPAS isimli bir suç eğilimi tahmin algoritmasıydı. Burada kullanılan algoritma mahkumların tekrar suç işleme eğilimini değerlendirmek üzere kullanılmıştı. Ve sonuçta herhangi bir açıklama sunmadan siyahilerin iki kat daha suça yatkın olduğu çıkarımını yapmıştı. Burada elbette en büyük sorun kendisine sunulan verilerdeydi. Buna istediğiniz taraftan bakabilirsiniz. Siyahilerin yanlış mahkumiyet oranları, basında kullanılan yanlı dil vs.

Yani algoritmanız ya da sinir ağlarınız yani aslında yapay beyniniz de özünde sizin ona sunduğunuz veriler kadar başarılı olabiliyor. Çok benzer değil mi? Sadece tek bir açıdan bakan, belirli bir anlayışın dışına çıkmayan, kendi görüşünün dışındaki her görüşü yok sayan bir beyin de çok farklı çalışmıyor.

Ama buna rağmen daha önce bahsettiğimiz fizikçi Renner makine öğrenmesinden çok umutlu. Yapay zeka sayesinde yine de insandan çok daha az yanlı ve hatasız bir şekilde bilginin peşinde koşabiliriz diyor. Sinir ağları da çözülemeyen eski sorulara çok daha yeni bir açıdan bakmamızı sağlayabilir. Bu ağlar sıfırdan bir hipotez üretemeseler de bizi doğru şekilde yönlendirebilirler. Bu çerçevede kuantum mekaniği ile Einstein’ın genel göreliliğini birleştirme yolculuğumuzda da bize yol gösterecek bir sinir ağı tasarlamaya da başladı Renner. Bu aslında beni de heyecanlandıran bir olasılık.

Bugüne kadar izlediğimiz yöntemler bizi pek bir yere götürmedi. Yapay zeka sayesinde gerçekten yeni bir bakış açısı kazanabiliriz. Zira geçmişe de baktığımızda dev adımların sorulara kimsenin bakmadığı sıradışı bir açıdan bakanlar sayesinde atıldığını da çok rahat görebiliriz. Bakalım yapay beyinler bizi ne kadar şaşırtabilecek.