YAPAY ZEKA ALGORİTMALARI: NEREDEN NEREYE VE NASIL -KÜRESEL-

Günümüzde YZ alanında en çok kullanılan algoritmalar derin öğrenme kategorisine ait. Fakat, bu yaklaşık son on yılın gerçeği. Zaman içinde YZ yaklaşımlarının değişimini anlamak ve sergilemek için, MIT Technology Review bir çalışma yapmış (http://bit.ly/2RM04WT). Bilimsel makaleler için en kapsamlı veri tabanı olan arXiv.org’un YZ kısmındaki 16,625 makalenin özetlerini indirip bunların içindeki kelimelerin zaman içerisinde nasıl bir trend izlediklerini incelemişler.

İlk Paradigma Değişikliği

En radikal yön değiştirme 2000’lerin başında görülüyor. O zamana kadar, bilgi tabanlı ve kurala dayalı uzman (expert) sistemler yaygın. Özellikle 1980’lerde, bir uzmanın bilgisini kurallarla kodlamak müthiş heyecan yaratmıştı. Ben de yaşamıştım o heyecanı Amerika’daki üniversitemde. Fakat, anlamlı bir iş yapabilmek için gerekli bilgiyi bilgisayara aktaran kuralların aşırı çok olması, zamanla bu heyecanı köreltti.

Yüzlerce, binlerce kuralı bir bir bilgisayara elle kodlamak yerine, bir yığın veriden bu kuralları otomatik olarak çıkarmak için bilgisayarı eğiten makine öğrenme kategorisindeki yaklaşımlar 2000’lerin başlarında öne çıkmaya başladı. Bu ilk paradigma değişikliğidir. YZ araştırmacıları, makine öğrenme yaklaşımını geliştirmeye odaklandı.

Makine Öğrenme Dönemi

1990’lı ve 2000’li yıllarda makine öğrenme kategorisi altında, verilerde örüntü arayan farklı algoritmalar arasında bir rekabet vardı. 2012 yılında Toronto Üniversitesi’nden bir grup araştırmacı, derin öğrenme ile görüntü tanımada şaşırtıcı bir başarı elde edince, YZ’da ikinci önemli değişim yaşandı. Derin öğrenme ve çekirdeğindeki sinir ağlar ile ilgili araştırmalar ve uygulamalar hızla yayıldı ve ön plana çıktı.

Makine öğrenmesinin farklı teknikleri olduğu gibi, üç farklı türü de var: Öğreticiyle (supervised) öğrenme, öğreticisiz (unsupervised) öğrenme ve takviyeli (reinforcement) öğrenme. Deneme yanılma yöntemiyle (ilk bisiklete binmeyi öğrenmemiz gibi, düşe kalka) eğitilmek, yani takviyeli öğrenme daha önceleri de biliniyordu. Fakat, 2015 yılında DeepMind’ın takviyeli öğrenme ile eğitilmiş AlphaGo, Go oyununda dünya şampiyonunu yenince, YZ alanında üçüncü ve bugüne kadar gerçekleşen son değişim oldu: takviyeli öğrenme ön plana geçti.

2020’ler?

Son 25 yılda birbiriyle yarışan YZ tekniklerinin çoğu 1950’lerde ortaya çıkmıştı. Yakın geçmişimizde, öne çıkan teknik sık sık değişti. Dolayısıyla, “The Master Algorithm” kitabının yazarı, Washington Üniversitesi Bilgisayar profesörü Pedros Domingos, 2020’lerde de radikal bir değişimin olabileceğini ve farklı bir tekniğin öne çıkabileceğini ileri sürüyor. Her ne kadar, Google aramadan Netflix öneri motorunda kadar, YZ’yı yaşamımıza sokan önemli uygulamalar derin öğrenme sayesinde olsa da Domingos’a göre, önde olma dönemi sona ermiş olabilir. Yerine geçecek olan bildik yaklaşımlardan biri mi, yoksa ortaya çıkan yepyeni bir paradigma mı olacak bilemiyoruz.

Hangi tekniğin ön sırada yer alacağını belirleyici unsurlardan birisi, YZ uygulamalarının hesaplama gücü talebindeki çok hızlı artış olabilir diye düşünüyorum. Kurucuları arasında Elon Musk’ın da bulunduğu, San Fransisco’da bulunan, kar amacı gütmeyen OpenAI araştırma laboratuarının, YZ’daki gelişmeler sonucu bilgisayımsal (computational) güç talebindeki artışı incelemiş (http://bit.ly/2E4cAbU). Sonuçlar çok çarpıcı.

OpenAI araştırmasına göre, 1959-2012 yılları arasında, en büyük YZ sistemlerinin talep ettiği bilgisayımsal güç, her 2 yılda ikiye katlanıyordu. Bu, Moore’s Kanunu ile aynı artış hızı. Fakat, 2012-2018 arasında, en büyük YZ modelini eğitmek için gerekli bilgisayımsal güç her 3.4 ayda ikiye katlandı. Yani, son yıllarda eskisinden 7 kat fazla güç talebi ortaya çıktı. (Tabii, karbon salınımı da aynı oranda arttı.) Sonuçta, YZ alanında bilgisayar kullanımında son 7 yılda 300,000 kat artış oldu. Bu durum, YZ algoritmalarında yeni bir paradigma ortaya çıkmasını tetikleyebilir.

Farklı algoritmaların ortaya çıkmasını etkileyebilecek önemli gördüğüm diğer bir yeni gelişme de DARPA’nın YZ alanında vereceğini açıkladığı desteklerin amacı. Daha önceki bir yazımda belirttiğim gibi (http://bit.ly/2P7s8SL), rakibi Çin kadar bol veri sahibi olamadığı için, Amerika daha az veri ile başarılı sonuç alabilecek algoritma ihtiyacı duyuyor. DARPA işte bu tür algoritmaları geliştirme amacındaki araştırmaları destekleme kararı aldı.

Tüm bu gelişmeler, Cumhurbaşkanlığı Dijital Dönüşüm Ofisi Başkanı Ali Taha Koç’un bu yıl açıklayacağını belirttiği Ulusal Yapay Zeka Stratejisi’nde dikkate alınmalı. Çünkü, strateji bir yapılacaklar listesi değildir. Alanda öngörülen olası gelişmeler de dikkate alınmalı.

Not: Bu yazı bittikten sonra Twitter’a düşen, @turkiyeai hesabının paylaştığı Yapay Zeka Zaman Çizelgesi’ni de görsel olarak yazıma ekledim.