Gerçekliğe Ulaşma Hedefindeki Yapay Zeka Öğrenmesi

Son dönemlerde en çok merak edilenlerden birisi yapay zeka (YZ) sistemlerinin görüntü oluşturmada ne kadar başarılı olacağıdır. Teknoloji devi Nvidia son çalışmasında oluşturdukları yapay zekaya ünlü kişilerin binlerce fotoğrafını göstermiş ve o kişilerin binlerce sahte görüntüsünü oluşturmuştur. Araştırma ekibi yapay zeka tarafından oluşturulan bu yüzlerin "beklenilenin altında olduğunu" ama "gerçeğine oldukça yakın" olduklarını belirtti. Bunun için, giderek popülerleşen ve yapay zeka öğrenmesinde farklı bir sınıf olan GAN’ı (Generative Adversarial Network: Çekişmeli Üretici Ağ) kullandılar.

Sites Google

Çekişmeli Üretici Ağ (GAN) Nedir?

Gördüğümüz gibi GAN'ın iki tane ana bileşeni vardır: Programa girdisi yapılan verilerden sahte fotoğraflar oluşturan (Üretici Ağ, Generator Network) ve bu sahte fotoğrafları denetleyen, yani gerçek olup olmadıklarını ayırt edebilen ikinci bir ağ (Ayırt Edici Ağ, Discriminator Network). Yukarıdaki çizimde de gördüğümüz gibi üretici ağ olan G(z), p(z)’den rastgele bir girdi alır ve buna dayanarak bir veri örneği oluşturur. Daha sonra bu veri ayırt edici ağ olan D(x)’e gönderilir ve bu ağ G(z)’den almış olduğu veri ile gerçek veriyi karşılaştırarak G(z)’den çektiği verinin gerçekliğini kontrol eder. Bu şekilde karşılaştırmaların arttırılması üretici ağın oluşturduğu görüntülerin de gerçekçiliğe yaklaşmasını sağlamaktadır.

Bunu bir benzetmeyle anlatalım. Üretici ağı, ünlü tabloların sahtesini yaparak bunları gerçekleriymişçesine koleksiyonculara satan bir kalpazan olarak ve ayırt edici ağı da bu sahte tabloları gerçeklerinden ayırmada uzmanlaşmış bir dedektif olarak düşünebilirsiniz. Peki dedektif elindeki tablonun gerçek ya da sahte olup olmadığına nasıl karar vermektedir? Elbette, gerçek olan tablonun sanatçısının kullandığı boyaların özellikleri gibi buna benzer daha nice ayrıntıyı bilerek ve bu bilgileri elindeki tablonun niteliğiyle karşılaştırarak… Ancak, dedektif işinde uzmanlaştıkça, onu kandırabilmek için kalpazan da kendini daha iyi hale getirmek durumundadır. İşte, sahtekar ve dedektif arasında yaşanan bu “çekişme”nin bir benzeri de “üretici ağ” ile “ayırt edici ağ” arasında, yani iki rakip ağ arasında yaşanmaktadır. Ayırt edici ağ ne kadar iyi olursa üretici ağ da onu alt edebilmek için kendini geliştirmelidir.

Bahsettiğimiz gerçekçi görünen insan fotoğraflarını oluşturan sistemin uygulamaları potansiyel olarak hem yararlı hem de fazlasıyla zararlı olabilir. Örneğin grafik şirketleri için büyük bir nimet olarak görülebilecek olan bu program, daha da gerçekçi yüzler oluşturduktan sonra, sahte habercilik veya buna benzer aldatmacalarda çok rahat bir şekilde kullanılabilir. Tabii ki şu anda bunun için endişelenmek yerine bu oluşturulan ilginç yüzlere buradaki videodan bakabilirsiniz.

Yazarın Notu: GAN'ın kullandığı bu metot, aslında, “Minimax Ağacı” adı verilen bir oyun teorisinden alınmıştır. Minimax Ağacı sıfır toplamlı, yani bir tarafın kaybı karşı taraf için kazanç olan oyunlarda (satranç, tictactoe veya borsa oyunları gibi) karar verme mekanizması olarak kullanılır. Diğer bir deyişle amaç, oyundaki kaybı minimum seviyeye düşürmektir. Aşağıdaki tictactoe oyununu ele alırsak mevcut durumumuzda hamle yapmak için 3 tane ihtimalimiz ve bizim hamlelerimizin sonucunda rakibimizin de 2 ihtimali vardır. Minimax Ağacı ise bütün bu ihtimalleri hesaplamak için kullanılır. Bilgisayarın aşağıdaki oyunda X'leri oynadığını düşünürsek hamleleri puanladıktan sonra karar vermesini istediğimizde bilgisayar, bütün bulduğu sonuçları toplayarak bir üst seviyeye taşıyıp yapacağı hamlenin hata oranını minimum seviyeye düşürmüş oluyor. Sonuç olarak, Minimax ağacımız ne kadar uzunsa yapay zekamız da o kadar gelişmiş oluyor.

Bilgisayar Kavramları

 Düzenleyen ve Geliştiren: Ayşegül Şenyiğit