Deep Blue'dan 20 Yıl Sonra: Yapay Zeka, Satrancı Fethettikten Beri Nasıl Gelişti?
Yirmi yıl önce IBM’in Deep Blue bilgisayarı, altı rauntluk bir maçta yıllardır dünya satranç şampiyonu olan Garry’i yenen ilk makine olarak dünyayı şaşkına çevirdi. Bu süper-bilgisayarın kuşkucu Garry Kasparov’a karşı başarısı, bir makinenin büyük bir ustayı nasıl alt ettiği konusunda tartışmalara yol açtı. Bu durum, Kasparov ve diğerleri tarafından şirketin hile yaptığına dair suçlamalara neden oldu. Mayıs 1997’deki uğursuz maça kadar geçen aylarda ve yıllarda yaşananlar, aslında devrimci olmaktan ziyade, evrimseldi. Entelektüel antrenman maçları, özenli ilerleme ve Philadelphia'da yenilgi ile dolu Rocky Balboa benzeri bir yükseliş, nihayetinde başarılı bir rövanş için zemin hazırladı.
Bilgisayar bilimciler onlarca yıldır, satrancı yapay zekâ için bir eşik olarak görmüşlerdi. Satranç oynayan hesap makineleri, 1970'lerin sonlarında ortaya çıktı; ancak Carnegie Mellon Üniversitesi lisansüstü öğrencilerinden oluşan bir ekibin, normal bir turnuva oyununda büyük bir ustayı yenmek için Derin Düşünce (İng: "Deep Thought") adı verilen ilk bilgisayarı üretmeleri için bir on yıl daha geçmesi gerekiyordu. Bu başarı kısa sürmüştü; çünkü aynı yıl (1989), Kasparov, Derin Düşünce’yi iki maçta kolayca alt etmişti.
IBM, Carnegie Mellon Üniversitesi’nden yeterince etkilendi ve araştırmacıları işe almaya başladı. CMU ekibinin teknolojisini, Deep Blue’nun erken bir sürümünü geliştirmek üzere kullandı. Deep Blue takımı 1996'da Philadelphia'daki bir turnuvada Kasparov'a tekrar kaybetti, ancak dünya şampiyonuna karşı altı maçtan birini kazanmayı başardı.
Şu anda IBM, T. J. Watson Araştırma Merkezi'nin Bilgi İşlem Organizasyonu bünyesindeki AI Foundations grubunda seçkin bir araştırma personeli olan Deep Blue Yapay Zekâ Uzmanı Murray Campbell şöyle diyor:
Bakıldığında küçük görünen bu zafer, doğru yolda olduğumuzu göstermek için çok önemliydi. 1997'deki son maçımıza kadar kazanabildiğimiz tecrübelerimize dayanarak sistemde yeterince iyileştirme yaptık.
Scientific American, Campbell ile bilgisayar bilimcilerinin satranç konusundaki "uzun saplantıları", IBM'in hüküm süren satranç şampiyonu karşısında durumu nasıl tersine çevirebildiği ve yapay zekanın karşısındaki zorluklar hakkında konuştu.
(Röportajın düzenlenmiş metni aşağıdadır.)
Murray Campbell Röportajı: Kasparov'dan Günümüze Yapay Zeka
Deep Blue projesine ilk nasıl dahil oldunuz?
IBM'in temasa geçtiği Carnegie Mellon Üniversitesi'nde bir grup yüksek lisans öğrencisinden biriydim. Bilgisayar satrancına uzun süredir ilgim vardı ve hatta lisans öğrencisiyken bir satranç programı yazmıştım. Aslında CMU'da tam olarak bir dünya şampiyonuna karşı oynayabilecek yüksek performanslı bir satranç bilgisayarı oluşturmak üzerine değil, daha çok yapay zeka üzerine çalışıyordum. Ancak bir yan proje olarak birçoğumuz (Feng-hsiung Hsu ve Thomas Anantharaman da dahil) bir turnuvada profesyonel düzeyde büyük bir ustayı yenen ilk program olan Derin Düşünce (İng: "Deep Thought") olarak bilinen makineyi geliştirdik.
IBM, bu makineyi oldukça düşük bir bütçeyle oluşturma başarımızı fark etti ve bu makinenin Deep Blue olarak adlandırılan yeni neslini geliştirmek için bir kısmımızın IBM Research'e (1989 sonlarında) katılmasının ilginç olacağını düşündü. Onlar, dünyanın en iyi satranç oyuncuları hakkında bilgisayarların yakın gelecekte yapabileceklerinin ötesinde özel bir şey olup olmadığını öğrenmek istediler. Diğer araştırmacılar bunun hala onlarca yıl uzakta olduğunu düşünmesine rağmen bizim hissiyatımız birkaç yıl içinde yapılacağıydı.
Satrancı bir bilgisayar bilimcisi için özellikle ilginç bir problem haline getiren şey nedir?
Dünyada yüz milyonlarca insan satranç oynuyor. Satranç; strateji, öngörü, mantık gibi insan zekasını oluşturan her türlü niteliği gerektiren bir oyun olarak bilinir. Bu yüzden satrancı yapay zekanın gelişimi için bir ölçüm çubuğu olarak kullanmak mantıklıdır.
Satranç gibi bir oyuna baktığımızda “Evet, tabii ki bilgisayarlar iyi iş çıkarıyor çünkü oyunun kuralları, hareketleri, hedefleri iyi tanımlanmış.” deriz. Tüm bu bilgileri bilmek, kısıtlayıcı bir problemdir. Yine de tüm bu sadeleştirmelere rağmen satrancın oldukça karmaşık bir oyun olduğunu söyleyebilirsiniz. İşte bu nedenle bir çalışma alanı olarak dünya şampiyonunu yenmemiz 50 yıllık bir geliştirme sürecini aldı.
Deep Blue ekibinde rolünüz özellikle neydi?
Yapay zekâ uzmanıydım. Yapay zekâ, 1989'da ve 1990'ın başlarında oldukça farklıydı. O günlere hâkim olan şimdi eski moda veya sembolik yapay zekâ dediğimiz, daha az makina öğrenmesine dayanan yapay zekaydı. Elbette o günlerde de makina öğrenmesi ciddi bir çalışma alanıydı ama bugün olduğu gibi değil. Bugün büyük veri setlerine, büyük bilgisayarlara ve verileri karıştırıp bazı şaşırtıcı şeyler yapabilen modeller ortaya çıkarabilecek oldukça gelişmiş algoritmalara sahibiz. IBM ile başladığımda, oyun oynama programları için makina öğrenmesi metotları oldukça ilkeldi ve Deep Blue'yu oluşturmamızda bize pek yardımcı olamadı. Biz de Deep Blue'nun rekabet etmek için ihtiyaç duyacağını bildiğimiz, olası sürekliliklerin verimli bir şekilde aranması ve değerlendirilmesi için algoritmalar üzerinde çalıştık.
Evrim Ağacı'nın çalışmalarına Kreosus, Patreon veya YouTube üzerinden maddi destekte bulunarak hem Türkiye'de bilim anlatıcılığının gelişmesine katkı sağlayabilirsiniz, hem de site ve uygulamamızı reklamsız olarak deneyimleyebilirsiniz. Reklamsız deneyim, sitemizin/uygulamamızın çeşitli kısımlarda gösterilen Google reklamlarını ve destek çağrılarını görmediğiniz, %100 reklamsız ve çok daha temiz bir site deneyimi sunmaktadır.
KreosusKreosus'ta her 10₺'lik destek, 1 aylık reklamsız deneyime karşılık geliyor. Bu sayede, tek seferlik destekçilerimiz de, aylık destekçilerimiz de toplam destekleriyle doğru orantılı bir süre boyunca reklamsız deneyim elde edebiliyorlar.
Kreosus destekçilerimizin reklamsız deneyimi, destek olmaya başladıkları anda devreye girmektedir ve ek bir işleme gerek yoktur.
PatreonPatreon destekçilerimiz, destek miktarından bağımsız olarak, Evrim Ağacı'na destek oldukları süre boyunca reklamsız deneyime erişmeyi sürdürebiliyorlar.
Patreon destekçilerimizin Patreon ile ilişkili e-posta hesapları, Evrim Ağacı'ndaki üyelik e-postaları ile birebir aynı olmalıdır. Patreon destekçilerimizin reklamsız deneyiminin devreye girmesi 24 saat alabilmektedir.
YouTubeYouTube destekçilerimizin hepsi otomatik olarak reklamsız deneyime şimdilik erişemiyorlar ve şu anda, YouTube üzerinden her destek seviyesine reklamsız deneyim ayrıcalığını sunamamaktayız. YouTube Destek Sistemi üzerinde sunulan farklı seviyelerin açıklamalarını okuyarak, hangi ayrıcalıklara erişebileceğinizi öğrenebilirsiniz.
Eğer seçtiğiniz seviye reklamsız deneyim ayrıcalığı sunuyorsa, destek olduktan sonra YouTube tarafından gösterilecek olan bağlantıdaki formu doldurarak reklamsız deneyime erişebilirsiniz. YouTube destekçilerimizin reklamsız deneyiminin devreye girmesi, formu doldurduktan sonra 24-72 saat alabilmektedir.
Diğer PlatformlarBu 3 platform haricinde destek olan destekçilerimize ne yazık ki reklamsız deneyim ayrıcalığını sunamamaktayız. Destekleriniz sayesinde sistemlerimizi geliştirmeyi sürdürüyoruz ve umuyoruz bu ayrıcalıkları zamanla genişletebileceğiz.
Giriş yapmayı unutmayın!Reklamsız deneyim için, maddi desteğiniz ile ilişkilendirilmiş olan Evrim Ağacı hesabınıza üye girişi yapmanız gerekmektedir. Giriş yapmadığınız takdirde reklamları görmeye devam edeceksinizdir.
O zamanlar yapay zekâ üstündeki en önemli kısıtlamalar neydi?
Donanım, bugün büyük veri modelleri oluşturmada yararlı olduğu kanıtlanmış büyük ağ türlerini oluşturmayı aslında desteklemiyordu. Ve verinin kendisi, o noktada ihtiyaç duyduğumuz ölçüde orada değildi. Ne zaman geriye dönüp 20 veya 25 yıl önceki en popüler bilgisayar sistemlerine baksanız, böyle bir sistemde herhangi bir şeyi nasıl yapabileceğiniz konusunda şok olursunuz. Ama sonunda elbette anladık, o zamanlar neyi kaçırdığımızı bilmiyorduk sanırım çünkü hiç deneyimlememiştik.
Verilere gelince o zamanlar kimsenin büyük bir faydası olduğuna dair net bir fikri olduğunu sanmıyorum. Gerçekten büyük bir veri kümesi oluşturmak para kazandırmazdı çünkü işleme gücü zaten onu kullanmak için yeterli olmayacaktı. Böylece çok daha küçük veri kümeleriyle idare ettik.
Deep Blue'yu inşa etmede kendi satranç uzmanlığınız ne kadar yararlıydı?
Düşünebileceğiniz kadar yararlı değildi. İlk aşamalarda, sistemle ilgili sorunları belirleyebildim ve bir sorunu başka sorunlar oluşturmadan çözebileceğimi düşündüğüm yaklaşımlar önerebildim. Muhtemelen bu bizi belirli bir noktaya getirecek kadar iyiydi. Sonuçta yarışmalarda oynayacaksanız oyuna özgü sahip olmanız gereken bir yığın bilgi vardır. Gerçek bir dünya şampiyonuna karşı oynayacağımız noktaya yaklaştığımızda, bize yardım etmeleri için büyük ustaları, özellikle Joel Benjamin'i getirdik.
Büyük ustalar, Deep Blue’nun oyununu yükseltmeye nasıl yardımcı oldu?
Yardım ettikleri iki kısım vardı: Özellikle biri, her satranç programının zamandan kazanmak ve mantıklı pozisyonlara gelmesini sağlamak için kullandığı açılış kütüphanesine yardım etmekti. İnsanlar yüzyıllardır satranç açılışları üzerinde çalışıyorlar ve kendi favori hareketlerini geliştirdiler. Büyük ustalar, Deep Blue'ya programlamak için onlardan bir grup seçmemize yardımcı oldu.
Onlara Deep Blue için antrenman maçı ortakları da diyebilirsiniz. Bilgisayara karşı oynarlar ve sistemin zayıflıklarını tespit etmeye çalışırlardı. Sonra onlarla ve Deep Blue ekibinin geri kalanıyla oturup bu zayıflığın gerçekte ne olduğunu ve onu ele almanın bir yolu olup olmadığını ifade etmeye çalışırdık.
Deep Blue hangi hamleleri yapacağına nasıl karar verdi?
Deep Blue bir melezdi. Satranç hızlandırıcı çiplerle birleştirilmiş genel amaçlı süper bilgisayar işlemcileri vardı. Satranç hesaplamasının bir kısmını yürütmek için süper bilgisayarda çalışan ve daha sonra bir hareketin daha karmaşık kısımlarını hızlandırıcıya devredip ardından muhtemel hamleleri ve sonuçları hesaplayacak bir yazılıma sahiptik. Süperbilgisayar, bu değerleri alıp sonunda hangi yolu izleyeceğine karar verirdi.
Deep Blue, Kasparov'u yenmek için 1996'dan 1997'ye nasıl ilerledi?
Birkaç şey yaptık. Yeni nesil bir donanım yaratarak sistemin hızını aşağı yukarı ikiye katladık. Ardından satranç çipine, farklı pozisyonları tanımasını ve satranç kavramlarına daha duyarlı olmasını sağlayan özellikler ekleyerek sistemin satranç bilgisini arttırdık. Bu çipler sonraki pozisyondaki en iyi hareketi bulmak için olasılık ağacını araştırabilirdi. 96 ile 97 yılları arasındaki iyileştirmenin bir parçası, bir satranç pozisyonunda daha fazla kalıp tespit etmemiz ve bunlara değerler koyabilmemiz dolayısıyla satranç pozisyonlarını daha doğru şekilde değerlendirebilmemizdi. Deep Blue'nun 1997 versiyonu, pozisyon türüne bağlı olarak saniyede 100 milyon ila 200 milyon pozisyon ve altı ila sekiz çift (bir beyaz, bir siyah) hareket derinliğini, bazı durumlarda 20 veya daha fazla çifte kadar arayabilirdi. 1997 Deep Blue'nun 1996 versiyonundan çok daha iyi olduğuna emin olsak da aklımda maçın en olası sonucu beraberlikti. Maçın son raunduna girerken bile bir beraberlik ve muhtemelen bir rövanş bekliyordum.
IBM, 1997'deki turnuvadan sonra Kasparov’un rövanş talebini neden kabul etmedi?
Bir bilgisayarın bir maçta dünya satranç şampiyonunu yenebileceğini ve diğer önemli araştırma alanlarına geçme zamanının geldiğini kanıtlama amacımıza ulaştığımızı hissettik.
Bu maçtan bu yana geçen yirmi yılda yapay zekâ nasıl değişti?
Elbette, makinelerin işlem hızı ve hafızası vb. gelişti. İnsanlar aynı zamanda, işlerinin bir parçası olarak günün özdevimli öğrenme algoritmaları için kaynak sağlayan çok daha fazla veri toplamaya başladı. Neticede tüm bunları birleştirmenin dikkate değer bazı sonuçlar üretebileceğini anlamaya başladık. Jeopardy'yi oynayan IBM Watson sistemi! Dünyada var olan birçok veriyi (Wikipedia vb.) alan ve bu verileri gerçek dünya hakkındaki soruları nasıl yanıtlayacağını öğrenmek için kullanan makina öğrenmesi tabanlı bir sistem kullanıldı. O zamandan beri, konuşma tanıma ve makina görüşü gibi belirli algısal görevlerin nasıl yapılacağını öğrenmeye devam ettik. Bu, Watson'ın radyoloji görüntülerini analiz etme ve bu bilgileri hekimlerle paylaşma gibi daha fazla görevi yerine getirmesini sağladı.
Deep Blue üzerinde çalışma deneyiminiz ileriye dönük yapay zekâ üzerindeki çalışmanızı nasıl etkiledi?
Asıl öğrendiğimiz şey, karmaşık bir soruna bakmanın birden fazla yolu olduğudur. Örneğin satrançta, örüntü tanıma temelli ve sezgiye dayalı insan yolu vardır. Bir de çok yoğun arama gerektiren ve milyonlarca hatta milyarlarca olasılığa bakan makina yolu vardır. Genellikle bu yaklaşımlar birbirini tamamlayıcıdır. Bu satrançta kesinlikle doğrudur; ancak gerçek dünyadaki birçok problemde de geçerlidir. Bilgisayarlar ve insanlar birlikteyken, ayrı olduklarından daha iyidir. Örneğin, bilgisayarların hastaların teşhis ve tedavisini tek başına üstlenmesini istemeyiz; çünkü bir hastayı teşhis etmede verilerde tespit edilmesi zor olan pek çok maddi olmayan şey vardır. Ancak belki de doktorun farkında olmadığı, çok yeni teknik makaleler veya klinik deneylere dayanan, göz önünde bulundurulması gereken seçenekler hakkında tavsiyelerde bulunma açısından böyle bir sistem çok kıymetli olabilir.
Şu anda yaptığımız işin önemli bir parçası; kara kutu olma eğiliminde olan, çok gelişmiş yapay sinir ağı tabanlı sistemleri almak ve neyi tavsiye ettiklerini ve neden tavsiye ettiklerini açıklamakta pek iyi olmayan onlara kendilerini açıklama yeteneği vermektir. Açıklayamıyorsa sistemden çıkan bir tavsiyeye gerçekten nasıl güvenebilirsiniz?
Bu kara kutu sinir ağı sistemleri içlerindeki milyonlarca parametreyle son derece karmaşıktır. Bu karmaşıklığın üstesinden gelme kısmı, bir sistemi ona iyi açıklamalarla ilgili örnekler vererek eğitme yöntemiyle olabilir. Bu, özellikle sağlık hizmetleri alanında bir bilgisayar tanı koyduğunda veya bir tedavi tavsiye ettiğinde belirginleşir. Makul bir açıklama varsa bir doktorun son kararını vermesine yardımcı olmak için hak ettiği önemi muhtemelen daha uygun bir şekilde verebiliriz.
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- 22
- 8
- 6
- 6
- 3
- 3
- 2
- 1
- 0
- 0
- 0
- 0
- Çeviri Kaynağı: Scientific American | 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 06/12/2024 11:33:27 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/9939
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.
This work is an exact translation of the article originally published in Scientific American. Evrim Ağacı is a popular science organization which seeks to increase scientific awareness and knowledge in Turkey, and this translation is a part of those efforts. If you are the author/owner of this article and if you choose it to be taken down, please contact us and we will immediately remove your content. Thank you for your cooperation and understanding.