Bir makine öğrenme yöntemi olan ve veri kümesinin çıktılarını tahmin etmeye olanak sağlayan derin öğrenme, yapay zeka alanında büyük bir adım. Buna rağmen derin öğrenme biçimi için oldukça fazla veri gerekiyor. Faydalı verilen sınırlı kullanımı ve bu verileri işlemek için bilgi işlem gücü eksikliği sebebiyle yapay zekanın önde gelen tekniği olarak kullanılamıyor.
Yapay zeka araştırmacıları için derin öğrenmenin veri bağımlılığını azaltmak en önemli öncelikler arasında yer alıyor.
Bilgisayar bilimcisi ve son on yılda yapay zekada devrim niteliği taşıyan unsurlardan biri olan evrişimli sinirsel ağ (CNN)’nin mucidi Yann LeCun, bu konuda çalışmalar yürütüyor. AAAI Yapay Zeka Konferansı’nda konuşan LeCun, derin öğrenmenin veri problemlerini çözmek için “kendi kendini denetleyen öğrenme” planını sundu.
Kendi kendini denetleyen öğrenme, verimli yapay zeka sistemlerini oluşturmak için ortaya konan birkaç plandan biri. Bulunduğumuz noktada hangi tekniğin gelecekteki yapay zeka devrimini yaratacağı ise henüz bilinmiyor.
Derin öğrenmenin ana hatları
Denetimli öğrenme, açıklamalı eğitim verisi gerektiren makine öğrenimi algoritmaları kategorisindedir. Çalışmalarına başlarken LeCun, ilk olarak derin öğrenmenin ana hatlarının aslında denetimli öğrenmenin de hatlarını meydana getirdiğini açıklıyor. LeCun, denetimli öğrenmenin temelde parametre modülleri olan bir hesaplama grafiğinde birleştirilmesiyle sistem inşa etmek olduğunu söylüyor ve sistemin doğrudan programlanmadığını, gerekli mimariyle parametrelerin tanımlandığını ekliyor.
Mevcut sistemlerde, derin öğrenme algoritmalarının çoğu yapay zeka sistemlerinin eksiklikleri hakkında çok şey ifade eden denetimli öğrenme modellerine dayanıyor. Görüntü sınıflandırma, yüz tanıma, konuşma tanıma gibi pek çok yapay zeka uygulamaların çoğu milyonlarca örnek veri kullanılarak geliştirmiştir.
Günümüzde derin öğrenme
Derin öğrenme, kanser tespiti gibi hassas uygulamalarda da giderek daha önemli bir rol oynamaktadır. Ayrıca her gün sosyal medyada yayınlanan büyük miktarda içeriğin gözden geçirilmesi gibi alanlarda son derece yarar sağlıyor. Ayrıca derin öğrenme sistemleri oyunlarda ve simülasyonlarda dikkat değer sonuçlar gösteriyor. Özellikle son birkaç yılda yapay zekanın sınırlarını aştığı düşünülen StarCraft 2, Dota ve antik Çin masa oyunu Go gibi pek çok oyunda başarı gösterdi.
Ancak belirtildiği gibi, denetimli öğrenme yalnızca yeterli kalitede veri olduğunda ve veriler olası senaryoların tamamını sağlayabildiği durumlarda geçerli. Eğitimli derin öğrenme modelleri, eğitildiği örnek verilerden farklı yeni örneklerle karşılaşır karşılaşmaz, sistem öngörülemez duruma girebilir.
Takviye öğrenme sistemlerinin eğitim maliyetleri
Takviye öğrenme sistemleri, transfer öğreniminde çok kötüdür. Örneğin; Starcraft 2’yi büyük usta düzeyinde oynayan bir bot, Warcraft 3 için sıfırdan eğitilmelidir. Takviye öğrenme, doğru bir şekilde simüle edilemeyen gerçek dünya sorunlarını çözmeyi öğrenmek istediğinde sınırlarını gerçekten gösterir. Bu durumda da gerçek hayat deneyleri hızlı bir şekilde yürütmede zorluklara sebep olur ve yüksek maliyetlerle sonuçlanır.
Derin öğrenmenin üç adımı
Daha az örnekle veya daha az denemeyle öğrenen yapay zeka sistemleri geliştirmemiz gerektiğini söyleyen LeCun, “Benim önerim, kendi kendine yönetimi kullanmak çünkü kullandığımız algoritmalar, aslında boşlukları doldurmayı öğrenen denetimli öğrenmeye çok benziyor” diyor. Bu algoritmanın işleyişini bebeklerin dünyaya geldikten sonra dünyayı gözlemleyerek geliştirdikleri yeteneklere benzetiyor.
İkinci adımın, akıl yürütebilecek derin öğrenme sistemleri yaratmak olduğunu belirterek “Mevcut derin öğrenme sistemleri, akıl yürütme ve soyutlamada gerçekten başarısızdır, bu yüzden basit görevleri öğrenmek için büyük miktarda veriye ihtiyaç duyarlar.” diyor.
LeCun, “Akıl yürütmeyi gradyan tabanlı öğrenmeye nasıl uyumlu hale getiririz? Akıl yürütmeyi nasıl farklılaştırabiliriz?” sorusuyla çalışmasını ilerletiyor.
Yapay zekanın klasik bir yaklaşımı olan sembolik yapay zeka, akıl yürütme ve soyutlamada çok daha iyi olduğunu kanıtlamıştı. Ancak LeCun, diğer bilim insanları gibi sembolik yapay zekaya veya hibrit yapay zeka sistemlerine dönmeyi önermiyor. Bu konuda “Derin öğrenme sistemlerinin akıl yürütmesi için üretilmiş kesin bir iyi cevap henüz bulunmadı” diyor.
Üçüncü adımın ise, karmaşık eylem dizilerini değiştirerek planlayabilen ve görevleri alt görevlere ayırabilen derin öğrenme sistemleri oluşturmak olduğunu söylüyor. “Derin öğrenme sistemleri sorunlara uçtan uca çözümler sağlamada iyidir, ancak bunları yorumlanabilir ve değiştirilebilir adımlara ayırmada çok kötüdür” diyerek geliştirilmesi gerektiğini belirtiyor.
Yann LeCun’in bu modelde örnek olarak verdiği sistem ise doğal dil işlemede çok başarılı olan “Transformers” sistemi. Kelimeler ve matematiksel semboller gibi gizli verilerle uğraşmada başarısı kanıtlayan bu sistemin tek zorluğu ise görsel veriler. Henüz görüntü ve video verilerini işlemedeki başarısı pek parlak değil. LeCun ise bunu, kendi kendini denetleyen öğrenme sistemini çeşitli yöntemlere uygulamak için çözülmesi gereken bir teknik sorun olarak tanımlıyor.
Yapay zekanın geleceği
LeCun, AAAI Yapay Zeka Konferansı’ndaki konuşmasını, “Kendi kendini denetleyen öğrenmenin en önemli faydalarından biri, yapay zeka tarafından üretilen bilgi miktarındaki kazançtır. Diğer öğrenme biçimleriyle karşılaştırıldığında aynı miktarda bilgiyi edinmek için daha az veriye ihtiyacımız olacak. Bu yüzden yapay zeka sistemlerinin bir sonraki seviyeye geçmesi için kendi kendini denetleyen öğrenme sistemleri oldukça önemli. Belirsizlik sorunu çözüldüğünde, yapay zekanın geleceği için önemli bir yol açılmış olacak” açıklamasıyla tamamladı.