Bugün sinir ağlarının ne olduğunu, nasıl çalıştıklarını ve yapay zeka oluşturmadaki rollerinin ne olduğunu anlamaya çalışacağız.
Nöral ağlar. Bu cümleyi hemen hemen her yerde duyuyoruz. Sinir ağlarını buzdolaplarında bile bulacağınız noktaya geliyor (bu bir şaka değil). Sinir ağları, günümüzde yalnızca bilgisayarlarda ve akıllı telefonlarda değil, aynı zamanda ev aletleri gibi diğer birçok elektronik cihazda da bulunabilen makine öğrenme algoritmaları tarafından yaygın olarak kullanılmaktadır. Peki bu sinir ağlarının ne olduğunu hiç merak ettiniz mi?
Merak etmeyin, bu akademik bir ders olmayacak. Kesin bilimler alanında bu konuyu oldukça profesyonel ve güvenilir bir şekilde açıklayan Ukrayna dili de dahil olmak üzere birçok yayın bulunmaktadır. Bu tür yayınlar bir düzineden daha eskidir. Bu eski yayınların hala geçerli olması nasıl mümkün olabilir? Gerçek şu ki, sinir ağlarının temelleri değişmedi ve kavramın kendisi (yapay bir nöronun matematiksel modeli) İkinci Dünya Savaşı sırasında yaratıldı.
Aynı şekilde internet de günümüzün interneti, ilk e-postanın gönderildiği zamanla kıyaslanamayacak kadar gelişmiş durumda. İnternetin temelleri, temel protokoller, yaratılışının en başından beri mevcuttu. Her karmaşık konsept eski yapıların temelleri üzerine inşa edilir. Beynimiz için de durum aynı, en genç serebral korteks, en eski evrimsel unsur olmadan çalışamaz: türümüzün bu gezegendeki varlığından çok daha eski zamanlardan beri kafamızda olan beyin sapı.
Biraz kafanızı karıştırdım mı? Öyleyse daha ayrıntılı olarak anlayalım.
Ayrıca ilginç: ChatGPT: Basit kullanım talimatları
Sinir ağları nedir?
Bir ağ belirli öğelerin bir koleksiyonudur. Bu matematik, fizik veya teknolojideki en basit yaklaşımdır. Eğer bir bilgisayar ağı birbirine bağlı bilgisayarlar kümesiyse, o zaman sinir ağı da açıkça bir dizi nörondur.
Bununla birlikte, bu unsurlar karmaşıklık açısından beynimizdeki ve sinir sistemimizdeki sinir hücreleriyle uzaktan yakından karşılaştırılamaz, ancak belirli bir soyutlama düzeyinde, yapay bir nöronun ve biyolojik bir nöronun bazı özellikleri ortaktır. Ancak yapay nöronun, hakkında henüz her şeyi bilmediğimiz biyolojik karşılığına göre çok daha basit bir kavram olduğunu unutmamak gerekiyor.
Ayrıca okuyun: ChatGPT'nin En Harika 7 Kullanımı
İlk önce yapay bir nöron vardı
Yapay bir nöronun ilk matematiksel modeli 1943'te (evet, bu bir hata değil, II. Dünya Savaşı sırasında) iki Amerikalı bilim adamı Warren McCulloch ve Walter Pitts tarafından geliştirildi. Bunu, beyin fizyolojisi (bu modelin yaratıldığı zamanı hatırlayın) hakkındaki temel bilgileri, matematiği ve o zamanki genç BT yaklaşımını (diğer şeylerin yanı sıra Alan Turing'in hesaplanabilirlik teorisini kullandılar) birleştiren disiplinlerarası bir yaklaşım temelinde yapmayı başardılar. ). McCulloch-Pitts yapay nöron modeli çok basit bir modeldir, giriş bilgilerinin değerleri nöronun davranışını belirleyen ağırlıklardan (parametrelerden) geçtiği birçok girişi vardır. Ortaya çıkan sonuç tek bir çıktıya gönderilir (McCulloch-Pitts nöronunun şemasına bakınız).
Böyle bir ağaca benzeyen yapı biyolojik bir nöronla ilişkilendirilir. Çünkü biyolojik sinir hücrelerini gösteren çizimler denildiğinde akla dendritlerin karakteristik ağaca benzeyen yapısı gelir. Ancak yapay bir nöronun gerçek sinir hücresine en azından bir miktar yakın olduğu yanılsamasına kapılmamak gerekir. İlk yapay nöronun yazarları olan bu iki araştırmacı, hesaplanabilir herhangi bir fonksiyonun, birbirine bağlı nöronlardan oluşan bir ağ kullanılarak hesaplanabileceğini göstermeyi başardılar. Ancak bu ilk kavramların yalnızca "kağıt üzerinde" var olan ve işletme ekipmanı biçiminde gerçek bir yorumu olmayan fikirler olarak yaratıldığını hatırlayalım.
Ayrıca okuyun: Basit kelimelerle kuantum bilgisayarlar hakkında
Modelden yenilikçi uygulamalara
McCulloch ve Pitts teorik bir model geliştirdiler ancak ilk gerçek sinir ağının oluşturulması için on yıldan fazla beklemek gerekti. Yaratıcısı, yapay zeka araştırmalarının bir başka öncüsü olarak kabul ediliyor, 1957'de Mark I Perceptron ağını yaratan Frank Rosenblatt ve siz de bu yapı sayesinde makinenin daha önce yalnızca hayvanlara ve insanlara özgü bir yetenek kazandığını gösterdiniz: öğrenebilir. Ancak artık, Rosenblatt'tan önce de dahil olmak üzere, bir makinenin öğrenebileceği fikrini ortaya atan başka bilim adamlarının da olduğunu biliyoruz.
1950'lerde birçok araştırmacı ve bilgisayar biliminin öncüsü, bir makinenin kendi başına yapamadığını nasıl yapabileceği fikrini ortaya attı. Örneğin, Arthur Samuel bir insanla dama oynayan bir program geliştirdi; Allen Newell ve Herbert Simon, bağımsız olarak matematik teoremlerini kanıtlayabilen bir program yarattılar. Rosenblatt'ın ilk sinir ağının yaratılmasından önce bile, yapay zeka alanındaki araştırmaların diğer iki öncüsü Marvin Minsky ve Dean Edmonds, 1952'de, yani Rosenblatt'ın algılayıcısının ortaya çıkmasından bile önce, SNARC (Stochastic Neural) adı verilen bir makine inşa ettiler. Analog Güçlendirme Hesaplayıcısı) - çoğu kişi tarafından ilk stokastik sinir ağı bilgisayarı olarak kabul edilen stokastik sinirsel analog güçlendirme hesaplayıcısı. SNARC'ın modern bilgisayarlarla hiçbir ilgisinin olmadığını belirtmek gerekir.
3000'den fazla elektronik tüp ve bir B-24 bombardıman uçağına ait yedek bir otopilot mekanizması kullanan güçlü makine, 40 nöronun çalışmasını simüle edebildi; bunun, bir farenin labirentten çıkış arayışını matematiksel olarak simüle etmek için yeterli olduğu ortaya çıktı. . Elbette fare yoktu, bu sadece bir çıkarım yapma ve en uygun çözümü bulma süreciydi. Bu araba Marvin Minsky'nin doktora çalışmasının bir parçasıydı.
Sinir ağları alanındaki bir diğer ilginç proje ise 1960 yılında Bernard Withrow tarafından geliştirilen ADALINE ağıydı. Dolayısıyla şu soru sorulabilir: yarım yüzyıldan fazla bir süre önce araştırmacılar sinir ağlarının teorik temellerini bildiklerinden ve hatta bu tür hesaplamalı çerçevelerin ilk çalışan uygulamalarını oluşturduklarından, neden 21. yüzyıla kadar bu kadar uzun zaman aldı? sinir ağlarına dayalı gerçek çözümler yaratmak mı istiyorsunuz? Cevap bir: yetersiz bilgi işlem gücü, ancak tek engel bu değildi.
Her ne kadar 1950'lerde ve 1960'larda pek çok yapay zeka öncüsü sinir ağlarının olanaklarına hayran kalmış olsa da, bazıları insan beynine eşdeğer bir makineye yalnızca on yıl uzaklıkta olduğunu tahmin ediyordu. Bunu bugün okumak bile komik çünkü hâlâ insan beyninin makine eşdeğerini yaratmanın yakınından bile geçemedik ve hâlâ bu görevi çözmekten çok uzağız. İlk sinir ağlarının mantığının hem büyüleyici hem de sınırlı olduğu kısa sürede anlaşıldı. Yapay nöronlar ve makine öğrenimi algoritmaları kullanan yapay zekanın ilk uygulamaları, belirli dar bir görev yelpazesini çözebildi.
Ancak iş daha geniş alanlara ve desen ve görüntü tanıma, simültane çeviri, konuşma ve el yazısı tanıma vb. gibi gerçekten ciddi bir şeyin çözümüne, yani bilgisayarların ve yapay zekanın bugün zaten yapabildiği şeylere geldiğinde, ortaya çıktı ki, Sinir ağlarının ilk uygulamaları bunu başaramadı. Bu neden böyle? Cevap, 1969'da algılayıcı mantığının sınırlarını kanıtlayan ve basit sinir ağlarının yeteneklerini yalnızca ölçeklendirme nedeniyle artırmanın işe yaramadığını gösteren Marvin Minsky (evet, aynısı SNARC'dan) ve Seymour Papert'in araştırmasıyla verildi. Ancak çok önemli bir engel daha vardı: O zamanlar mevcut olan bilgi işlem gücü, sinir ağlarının amaçlandığı şekilde kullanılması için çok küçüktü.
Ayrıca ilginç:
- Yani konuşmak mı konuşmamak mı? Musk, Putin ile görüştüğünü reddediyor. Ama bir "ama" var
- Modern topçu, Ukrayna'nın süper silahıdır. Ve Elon Musk neden burada?
Sinir ağlarının yeniden canlanması
1970'lerde ve 1980'lerde sinir ağları neredeyse unutulmuştu. Geçen yüzyılın sonuna kadar mevcut bilgi işlem gücü o kadar büyük hale geldi ki insanlar ona geri dönmeye ve bu alandaki yeteneklerini geliştirmeye başlamadı. İşte o zaman, ilk en basit sinir ağlarının sınırlamalarının üstesinden gelebilen yeni işlevler ve algoritmalar ortaya çıktı. O zaman çok katmanlı sinir ağlarının derin makine öğrenimi fikri ortaya çıktı. Bu katmanlara gerçekte ne oluyor? Günümüzde çevremizde faaliyet gösteren kullanışlı sinir ağlarının neredeyse tamamı çok katmanlıdır. Görevi giriş verilerini ve parametrelerini (ağırlıkları) almak olan bir giriş katmanımız var. Bu parametrelerin sayısı ağ tarafından çözülecek hesaplama probleminin karmaşıklığına bağlı olarak değişir.
Ek olarak, "gizli katmanlar" olarak adlandırdığımız katmanlar da var; derin makine öğrenimiyle ilgili tüm "sihir" burada gerçekleşir. Bu sinir ağının öğrenmesi ve gerekli hesaplamaları yapabilme yeteneğinden sorumlu olan gizli katmanlardır. Son olarak, son öğe çıktı katmanıdır, yani sinir ağının istenen sonucu veren katmanıdır, bu durumda: tanınan el yazısı, yüz, ses, metinsel açıklamaya dayalı olarak oluşturulmuş görüntü, tomografik analiz sonucu teşhis görüntüsü ve çok daha fazlası.
Ayrıca okuyun: Bing'in sohbet robotunu test ettim ve röportaj yaptım
Sinir ağları nasıl öğrenir?
Zaten bildiğimiz gibi, sinir ağlarındaki bireysel nöronlar, bireysel değerlere ve bağlantılara atanan parametreler (ağırlıklar) yardımıyla bilgiyi işler. Bu ağırlıklar öğrenme süreci sırasında değişir, bu da bu ağın yapısını istenen sonucu üretecek şekilde ayarlamanıza olanak tanır. Ağ tam olarak nasıl öğreniyor? Sürekli eğitilmesi gerektiği açıktır. Bu söze şaşırmayın. Biz de öğreniyoruz ve bu süreç kaotik değil, düzenli diyelim. Biz buna eğitim diyoruz. Her durumda, sinir ağları da eğitilebilir ve bu genellikle, ağı gelecekte gerçekleştireceği görevlere bir şekilde hazırlayan, uygun şekilde seçilmiş bir dizi girdi kullanılarak yapılır. Ve tüm bunlar adım adım tekrarlanıyor, bazen öğrenme süreci bir dereceye kadar eğitim sürecinin kendisine benziyor.
Örneğin, bu sinir ağının görevi yüzleri tanımaksa, yüz içeren çok sayıda görüntü üzerinde önceden eğitilir. Öğrenme sürecinde gizli katmanların ağırlıkları ve parametreleri değişir. Uzmanlar burada "maliyet fonksiyonunun minimizasyonu" ifadesini kullanıyor. Maliyet fonksiyonu, belirli bir sinir ağının ne kadar hata yaptığını bize söyleyen bir miktardır. Eğitim sonucunda maliyet fonksiyonunu ne kadar en aza indirebilirsek, bu sinir ağı gerçek dünyada o kadar iyi performans gösterecektir. Herhangi bir sinir ağını klasik algoritma kullanılarak programlanan bir görevden ayıran en önemli özellik, klasik algoritmalarda programcının, programın hangi eylemleri gerçekleştireceğini adım adım tasarlaması gerektiğidir. Sinir ağları söz konusu olduğunda, ağın kendisi görevleri kendi başına doğru şekilde yerine getirmeyi öğrenme yeteneğine sahiptir. Ve hiç kimse karmaşık bir sinir ağının hesaplamalarını nasıl gerçekleştirdiğini tam olarak bilmiyor.
Günümüzde sinir ağları yaygın olarak ve belki de şaşırtıcı bir şekilde, sıklıkla belirli bir ağdaki hesaplama sürecinin gerçekte nasıl çalıştığı anlaşılmadan kullanılmaktadır. Buna gerek yok. Programcılar, belirli türdeki giriş verileri için hazırlanmış, makine öğrenimli hazır sinir ağlarını kullanır, bunları yalnızca kendilerinin bildiği bir şekilde işler ve istenilen sonucu üretir. Bir programcının sinir ağı içinde çıkarım sürecinin nasıl çalıştığını bilmesine gerek yoktur. Yani, kişi büyük miktarda hesaplamadan, bilgi edinme yönteminden ve sinir ağları tarafından işlenmesinden uzak durur. İnsanoğlunun yapay zeka modellerine ilişkin bazı korkuları buradan kaynaklanmaktadır. Bir gün sinir ağının kendisine belirli bir görev belirleyeceğinden ve bağımsız olarak, bir kişinin yardımı olmadan bunu çözmenin yollarını bulacağından korkuyoruz. Bu durum insanlığı endişelendiriyor, makine öğrenimi algoritmalarının kullanımında korku ve güvensizliğe neden oluyor.
Bu faydacı yaklaşım günümüzde yaygındır. Bizim için de durum aynı: Bir kişiyi belirli bir aktivitede nasıl eğiteceğimizi biliyoruz ve eğitim sürecinin doğru yapılması halinde etkili olacağını biliyoruz. Kişi istenilen becerileri kazanacaktır. Peki beyninde bu etkiye neden olan kesinti işleminin tam olarak nasıl gerçekleştiğini anlıyor muyuz? Hiçbir fikrimiz yok.
Bilim adamlarının görevi, bu sorunları mümkün olduğunca incelemek, böylece gerektiğinde bize hizmet etmeleri ve yardım etmeleri ve en önemlisi bir tehdit haline gelmemeleridir. İnsan olarak bilmediğimiz şeylerden korkarız.
Ayrıca ilginç: