Açıklanabilir Yapay Zeka: Kara Kutu Bir Yapay Zeka, Bir Çözüme Nasıl Ulaştığını İnsanlara Anlatabilir mi?
Pixabay
- Türev
- Yapay Zeka
Yapay zeka alanı; araba sürebilen, kimyasal bileşik sentezleyebilen, proteinleri katlayabilen, insanüstü seviyede yüksek enerjili parçacıkları tespit edebilen bilgisayarlar yarattı.[1], [2], [3], [4] Ancak bu yapay zeka algoritmaları, verdikleri kararların ardındaki düşünce sürecini açıklayamıyor. Protein katlamada ustalaşmış ve aynı zamanda araştırmacılara biyoloji, kimya ve biyokimya yasaları hakkında daha fazla bilgiler verebilecek bir bilgisayar; hiçbir açıklama yapmaksızın, sadece protein katlama işlemini yapan bir bilgisayara göre çok daha kullanışlıdır.
Ne yazık ki henüz, bu tür bir yapay zeka geliştirebilmiş değiliz. Bu nedenle yapay zeka araştırmacıları, insanların onları anlayabileceği şekilde kendilerini açıklayabilen yapay zeka algoritmaları geliştirmeye çabalarını yönlendirdi. Eğer bunu başarabilirlerse, yapay zeka, dünya hakkında daha önce keşfedilmemiş gerçekleri insanlara öğretebilir ve inovasyonlara öncülük edebilir. Sanıyoruz "yapay zeka" dediğimizde umduğumuz şey, birazcık da bu, öyle değil mi? Peki buna ne kadar yakınız?
Deneyim Sayesinde Öğrenme
Yapay zeka alanlarından biri olan pekiştirmeli öğrenme, bilgisayarların kendi deneyimlerinden yola çıkarak bir şeyler yapmayı nasıl öğrenebileceklerini inceler. Pekiştirmeli öğrenmede yapay zeka, eylemlerine olumlu veya olumsuz geri dönüşler alarak, dünyayı keşfeder.
Bu yaklaşım, algoritmaların insanüstü düzeyde satranç oynamayı, insanlardan bağımsız bir şekilde öğrenmelerini ve matematiksel teoremleri insan yönlendirmesi olmadan kanıtlayabilmelerini sağladı.[5], [6] Yapay zeka üzerine çalışan Forest Agostinelli de bir çalışmasında, pekiştirmeli öğrenmeyi Rubik kübü gibi bulmacaları çözmeyi öğrebilen yapay zeka algoritmaları geliştirmek üzere kullanmıştır.[7]
Yapay zekalar, pekiştirmeli öğrenme sayesinde insanların bile çözmekte zorlandığı problemleri bağımsız bir biçimde çözmeyi öğreniyor. Bu durum, yapay zeka araştırmacılarını, yapay zekanın insanlardan neler öğrenebileceğini düşünmeye daha az, insanın yapay zekadan neler öğrenebileceğini düşünmeye ise daha fazla itti. Rubik Kübü çözebilen bir bilgisayar, nasıl çözdüğünü insana da aynı şekilde öğretebilir mi?
PixabayKara Kutuya Dikkatlice Bakmak
Maalesef ki, yapay zekaların "insanüstü" zihinleri, biz insanlarınkine erişemiyor. Yapay zekalar korkunç birer öğretmenlerdir ve bilgisayar bilimi dünyasında onları "kara kutular" olarak adlandırırız.[8]
Bir kara kutu yapay zeka, gerekçelerini belirtmeksizin, basitçe "cevap kusan" bir algoritmadır. Yani bir yandan girdiler bu algoritmaya girer, "kara kutu" dediğimiz şekilde, içinde neler olup bittiğini bilemediğimiz bir biçimde işlenirler (ki bu girdilere hangi işlemlerin yapılacağının ortaya çıkması, "öğrenme" dediğimiz olayın ta kendisidir), diğer taraftansa sonuçlar verilir. Bu girdilere ve çıktılara bakan birinin, yapay zekanın "zihninde" neyin olup bittiğini çözmesi imkansız veya imkansıza yakındır.
Bilgisayar bilimciler, on yıllardır bu kara kutuyu açmak için çabalıyor ve yapılan son çalışmalar gösteriyor ki, aslında birçok yapay zeka algoritması, insanla benzer şekilde düşünüyor.[9] Örneğin, hayvanları tanımak üzere geliştirilmiş bir bilgisayar, farklı göz ve kulak şekillerini öğrenecek ve bu bilgileri, hayvanı doğru bir şekilde tanımlamak üzere birleştirecektir.[10]
Bu kara kutuyu açmak için gösterilen çabaya "açıklanabilir yapay zeka" deniyor.[11] Agostinelli'nin Güney Karolina Üniversitesi Yapay Zeka Enstitüsündeki araştırma ekibi, açıklanabilir yapay zeka geliştirmekle ilgileniyor. Bunu başarmak için rubik küple yoğun bir biçimde çalışıyorlar.
Rubik kübü, temelde, karmaşık küpten çözülmüş kübe, yani bir başka deyişle A noktasından B noktasına bir yol bulma problemidir. Diğer yol bulma problemleri arasında yön bulma, teorem kanıtlama ve kimyasal sentez gibi görevler yer alır.
Agostinelli'nin laboratuvarı, yapay zeka algoritmasının Rubik kübü nasıl çözdüğünü herkesin görebileceği bir internet sitesi kurdu; ancak kişi, bu internet sitesinden Rubik kübü nasıl çözeceğini öğrenmek konusunda zorlanacaktır. Bunun sebebi, bilgisayarın kendi çözümlerinin arkasındaki mantığı anlatamamasıdır.
Rubik kübün çözümü, birkaç genelleşmiş adıma ayrılabilir. Örneğin, bu adımlardan ilki çarpı oluşturmak olabilirken ikinci adım köşe parçalarını yerlerine koymak olabilir. Rubik küp, 10'uncu kuvvetten 19'uncu kuvvete kadar uzanan muhtemel üssel kombinasyonlara sahipken, genelleşmiş adım adım kılavuzun hem hatırlanması kolaydır hem de birçok farklı senaryoda uygulanabilir.
Bir probleme, onu adımlara bölerek yaklaşmak, çoğunlukla insanlar durumları birbirlerine açıklarken varsayılan yoldur. Rubik küp, doğal olarak bu adım adım yapıya uyar ve bu da bizlere, algoritmamızdaki kara kutuyu kolayca açma konusunda fırsatlar verir. Bu niteliğe sahip yapay zeka algoritmaları yaratmak, insanların yapay zeka ile iş birliği kurmasına ve çeşitli kapsamı olan karmaşık problemlerin anlaşılabilir adımlara indirgenmesine olanak tanır.
İş Birliği, İnovasyona Götürür!
Agostinelli ve ekibinin yürüttüğü süreç, adım adım bir plan tanımlamak üzere, karmaşık bir problemi çözme potansiyeli olduğu düşünülen bir kişinin sezgilerine kulak vermek ile başlar. Algoritma daha sonrasında her bir adımı inceler ve hangi adımların mümkün olduğuna, hangilerinin imkansız olduğuna ve planın iyileştirilebileceği yollara dair geri bildirim verir. Ardından ekip, yapay zekadan aldıkları tavsiyeleri kullanarak ilk planı saflaştırır ve bu süreç problem çözülünceye dek devam eder. Beklenti, kişi ve yapay zekanın sonunda ortak bir anlayışta buluşması yönündedir.
Şu anda ekibin yarattığı algoritma, bir Rubik kübü çözerken insan planını dikkate alabilmekte, plana dair iyileştirmeler önerebilmekte, çalışmayan planları tanıyabilmekte ve işe yarar alternatif yollar bulabilmekte. Bunu yaparken Rubik kübün çözülmesi için, herhangi bir kişinin anlayabileceği şekilde adım adım oluşturulmuş bir plana yönlendiren geri bildirimler de veriyor. Ekibin bir sonraki adımı, yarattıkları algoritmaya, insanlara Rubik kübün nasıl çözüleceğini öğreten sezgisel bir ara yüz inşa etmek ve ekip, bu yaklaşımı çeşitli yol bulma problemlerine genellemeyi umuyor.
İnsanlar herhangi bir yapay zekaya göre son derece sezgiseldir, makineler ise hesaplama gücü ve algoritmik titizlik konusunda insanlara kıyasla çok daha iyidirler. İnsan ve makine arasındaki bu gelgit, iki tarafın da güçlü yönlerinden faydalanıyor. Agostinelli, bu türden bir iş birliğinin, kimyadan matematiğe kadar çözülmemiş birçok probleme ışık tutacağına ve aksi takdirde yeni çözümlere, sezgilere ve yeniliklere öncülük edeceğine inanıyor.
İçeriklerimizin bilimsel gerçekleri doğru bir şekilde yansıtması için en üst düzey çabayı gösteriyoruz. Gözünüze doğru gelmeyen bir şey varsa, mümkünse güvenilir kaynaklarınızla birlikte bize ulaşın!
Bu içeriğimizle ilgili bir sorunuz mu var? Buraya tıklayarak sorabilirsiniz.
Soru & Cevap Platformuna Git-
6
-
5
-
4
-
2
-
1
-
1
-
1
-
1
-
0
-
0
-
0
-
0
- Türev İçerik Kaynağı: The Conversation | Arşiv Bağlantısı
- ^ L. Ulrich. Driverless Cars May Be Coming, But Let’s Not Get Carried Away. (20 Haziran 2019). Alındığı Tarih: 9 Mart 2021. Alındığı Yer: The New York Times | Arşiv Bağlantısı
- ^ B. Chen, et al. (2020). Retro*: Learning Retrosynthetic Planning With Neural Guided A* Search. arXiv. | Arşiv Bağlantısı
- ^ E. Callaway. (2020). ‘It Will Change Everything’: Deepmind’s Ai Makes Gigantic Leap In Solving Protein Structures. Springer Science and Business Media LLC, sf: 203-204. doi: 10.1038/d41586-020-03348-4. | Arşiv Bağlantısı
- ^ P. Baldi, et al. (2014). Searching For Exotic Particles In High-Energy Physics With Deep Learning. Nature Communications, sf: 1-9. doi: 10.1038/ncomms5308. | Arşiv Bağlantısı
- ^ D. Silver, et al. (2018). A General Reinforcement Learning Algorithm That Masters Chess, Shogi, And Go Through Self-Play. Science, sf: 1140-1144. doi: 10.1126/science.aar6404. | Arşiv Bağlantısı
- ^ C. Kaliszyk, et al. (2018). Reinforcement Learning Of Theorem Proving. Advances in Neural Information Processing Systems. | Arşiv Bağlantısı
- ^ F. Agostinelli, et al. (2019). Solving The Rubik’s Cube With Deep Reinforcement Learning And Search. Nature Machine Intelligence, sf: 356-363. doi: 10.1038/s42256-019-0070-z. | Arşiv Bağlantısı
- ^ D. Castelvecchi. (2016). Can We Open The Black Box Of Ai?. Nature News, sf: 20. doi: 10.1038/538020a. | Arşiv Bağlantısı
- ^ M. W. Craven, et al. (1995). Extracting Thee-Structured Representations Of Thained Networks. NIPS. | Arşiv Bağlantısı
- ^ M. D. Zeiler, et al. (2014). Visualizing And Understanding Convolutional Networks. Springer, Cham, sf: 818-833. doi: 10.1007/978-3-319-10590-1_53. | Arşiv Bağlantısı
- ^ J. V. Jeyakumar, et al. (2020). How Can I Explain This To You? An Empirical Study Of Deep Neural Network Explanation Methods. 34th Conference on Neural Information Processing Systems. | Arşiv Bağlantısı
Evrim Ağacı'na her ay sadece 1 kahve ısmarlayarak destek olmak ister misiniz?
Şu iki siteden birini kullanarak şimdi destek olabilirsiniz:
kreosus.com/evrimagaci | patreon.com/evrimagaci
Çıktı Bilgisi: Bu sayfa, Evrim Ağacı yazdırma aracı kullanılarak 25/04/2024 09:55:38 tarihinde oluşturulmuştur. Evrim Ağacı'ndaki içeriklerin tamamı, birden fazla editör tarafından, durmaksızın elden geçirilmekte, güncellenmekte ve geliştirilmektedir. Dolayısıyla bu çıktının alındığı tarihten sonra yapılan güncellemeleri görmek ve bu içeriğin en güncel halini okumak için lütfen şu adrese gidiniz: https://evrimagaci.org/s/10237
İçerik Kullanım İzinleri: Evrim Ağacı'ndaki yazılı içerikler orijinallerine hiçbir şekilde dokunulmadığı müddetçe izin alınmaksızın paylaşılabilir, kopyalanabilir, yapıştırılabilir, çoğaltılabilir, basılabilir, dağıtılabilir, yayılabilir, alıntılanabilir. Ancak bu içeriklerin hiçbiri izin alınmaksızın değiştirilemez ve değiştirilmiş halleri Evrim Ağacı'na aitmiş gibi sunulamaz. Benzer şekilde, içeriklerin hiçbiri, söz konusu içeriğin açıkça belirtilmiş yazarlarından ve Evrim Ağacı'ndan başkasına aitmiş gibi sunulamaz. Bu sayfa izin alınmaksızın düzenlenemez, Evrim Ağacı logosu, yazar/editör bilgileri ve içeriğin diğer kısımları izin alınmaksızın değiştirilemez veya kaldırılamaz.
