İnsan Bebeklerinden İlham Alan Algoritmalar, Robotların Öğrenme Becerilerine Güç Katıyor!

Bebekler dünyayı, vücutlarının boşlukta nasıl hareket ettiğini keşfederek, oyuncaklarını tutarak, masadan bir şeyler düşürerek ve yetişkinlerin yaptıklarını izleyip tekrar ederek öğreniyor. Fakat robot bilimciler bir robota bir görevin nasıl yapıldığını öğretmek istediğinde ya bunun için bir kod yazıyorlar ya da robotun vücudu veya kolunu fiziksel olarak hareket ettirerek eylemin nasıl yapıldığını gösteriyorlar.

Şu sıralar Washington Üniversitesi’ndeki (University of Washington, UW) gelişim psikologları ve bilgisayar bilimcilerinin birlikte yürüttüğü çalışma, robotların tıpkı çocuklar gibi, yani keşif aracılığıyla veri toplayarak, bir insanın bir şey yapmasını izleyip o işin nasıl yapılacağını belirleyerek “öğrenebildiğini” gösterdi. UW’da bilgisayar bilimi ve mühendisliği profesörü olan kıdemli yazar Rajesh Rao şunları söyledi:

Bunu, çocukların yaptığı gibi insanlardan bir şeyler öğrenebilen robotlar inşa etme yolundaki ilk adım olarak düşünebilirsiniz. Bilgisayar programlama hakkında hiçbir şey bilmeyen insanların bir robota bir şeyler öğretebilmesini istiyorsanız, bunun yolu yaptırmak istediğiniz işi, örneğin bulaşıkları yıkamayı, kıyafetlerinizi katlamayı veya diğer ev işlerini yapmayı robota göstermekten geçer. Fakat bunu gerçekleştirebilmek için, robotun bu eylemleri anlayabilmesine ve kendi başına yapabilmesine ihtiyacınız var.

UW Öğrenme Enstitüsü & Beyin Bilimleri Laboratuvarı’ndaki (I-LABS) çocuk gelişimi araştırmasını makine öğrenimine olan yaklaşımlarla birleştiren araştırma, PLOS ONE dergisinde bir makalede yayınlandı. Makalede anlatıldığı üzere, UW ekibi robotikteki temel bir sorunu çözmeyi hedefleyen yeni bir olasılık modeli geliştirdi: insanları izleyip taklit ederek yeni beceriler öğrenebilen robotlar yapmak.

University of Washington

Robot bilimciler, UW psikoloji profesörü ve I-LABS müdür yardımcısı Andrew Meltzoff ile birlikte çalıştı. Meltzoff’un, 18 aylık bebeklerin bir yetişkinin eylemlerinin amacını anlayabildiğini ve aynı amaca ulaşmak için farklı yollar geliştirebildiğini ortaya koyan özgün ve gelecek vadeden bir araştırması bulunuyor.

Bir örnekte bebekler, bir yetişkinin halter şeklindeki bir oyuncağı parçalarına ayırmaya çalıştığını fakat oyuncak sıkıştığı ve yetişkinin elleri uçlardan kaydığı için bu amacı gerçekleştiremediğini gördüler. Bebekler bunu dikkatlice izledi ve sonrasında alternatif yöntemler kullanmaya karar verdiler: Küçük parmaklarıyla oyuncağın iki ucunu kavradılar ve güç vererek çektiler, yani yetişkini taklit ettiler.

Çocuklar kasıt okuma yeteneklerini kısmen özkeşif sayesinde ediniyorlar. Özkeşif, çocukların eylemlerinin varlıkları nasıl etkilediğini ve fizik kanunlarını öğrenmelerine yardımcı olarak nihayetinde başkalarından öğrenebilmelerini ve kasıtlarını yorumlayabilmelerini sağlıyor. Meltzoff, bebeklerin bu kadar hızlı öğrenebilmelerinin nedeninin oyuna düşkünlükleri olduğunu düşünüyor ve şunları söylüyor:

Bebeklerin uğraştığı oyunlar anlamsız gibi görünüyor, fakat bu onların ileride öğrenebilmelerini sağlıyor. Bebeklerin her yenilik için kullandıkları gizli tarif işte bu. Yeni bir oyuncağın nasıl çalıştığını çözmeye çalışırlarken aslında diğer oyuncaklarla oynarken kazandıkları bilgileri kullanıyorlar. Oyun sırasında, eylemlerinin dünyada nasıl değişiklikler oluşturduğunun zihinsel bir modelini öğreniyorlar. Bu modele sahip olduktan sonra artık yeni problemleri çözebilir ve başkalarının niyetlerini tahmin etmeye başlayabilirsiniz.

Rao’nun ekibi bebekler üzerindeki bu araştırmayı, bir robotun kendi eylemlerinin nasıl farklı sonuçlar doğuracağını anlayabilmesini sağlayan makine öğrenimi algoritmaları geliştirmek için kullandı. Ondan sonra robot, öğrenilen bu olasılık modelini bir insanın kendisinden ne istediğini anlamak ve görevi gerçekleştirmek için, hatta bunu yapabileceğinden emin olmadığı durumlarda yardım “istemek” için kullanıyor.

Ekip bu robotik modeli iki farklı senaryoda test etti: birincisi, bir robotun, karşısındaki insanın bakışlarını takip etmeyi öğrendiği bir bilgisayar simülasyonu deneyi, ikincisi ise gerçek bir robotun insanları taklit etmeyi öğrenerek oyuncak yiyecekleri bir masa üstünde hareket ettirdiği bir deney.

University of Washington

Bakış deneyinde robot kendi kafa hareketlerinin bir modelini öğreniyor ve insan kafasının da aynı kurallarla hareket ettiğini varsayıyor. Robot, insan odada bir yere baktığında kafa hareketlerinin başlangıç ve bitiş noktalarını takip ediyor ve bu bilgileri kullanarak insanın nereye baktığını anlamaya çalışıyor. Sonrasında ise insanla aynı yere bakmak için, öğrendiği kafa hareketlerini kullanıyor.

Ekip ayrıca Meltzoff’un testlerinden birini tekrarladı: Görme engelleri ve göz kapatmayla ilgili deneyimi olan bebekler gözü bağlı bir yetişkinin nereye baktığıyla ilgilenmiyorlardı, çünkü onun aslında göremediğini anlıyorlardı. Ekip, gözü bağlı olmanın sonuçlarını robotun “öğrenmesini” sağladığında robot artık aynı yere bakmak için insanın kafa hareketlerini takip etmedi. Meltzoff şunları söyledi:

Bebekler, başkalarının davranışlarını yorumlamak için kendi tecrübelerini kullanıyor; bizim robotumuz da bunu yaptı.

İkinci deneyde ise ekip, robotun bir masa üstündeki farklı eşyaları itmesine veya alıp hareket ettirmesine izin verdi. Sonrasında robot bu modeli, eşyaları hareket ettiren veya her şeyi masadan kaldıran bir insanı taklit etmek için kullandı. İnsanın hareketini her defasında körü körüne taklit etmek yerine robot bazen aynı sonuca ulaşmak için farklı yöntemler kullandı. UW’da bilgisayar bilimi ve mühendisliği yüksek lisans öğrencisi olan başyazar Michael Jae-Yoon Chung konuyla ilgili olarak şunları söyledi:

Evrim Ağacı'ndan Mesaj

Neden Desteğe İhtiyacımız Var?

Aslında maddi destek istememizin nedeni çok basit: Çünkü Evrim Ağacı, bizim tek mesleğimiz, tek gelir kaynağımız. Birçoklarının aksine bizler, sosyal medyada gördüğünüz makale ve videolarımızı hobi olarak, mesleğimizden arta kalan zamanlarda yapmıyoruz. Dolayısıyla bu işi sürdürebilmek için gelir elde etmemiz gerekiyor.

Bunda elbette ki hiçbir sakınca yok; kimin, ne şartlar altında yayın yapmayı seçtiği büyük oranda bir tercih meselesi. Ne var ki biz, eğer ana mesleklerimizi icra edecek olursak (yani kendi mesleğimiz doğrultusunda bir iş sahibi olursak) Evrim Ağacı'na zaman ayıramayacağımızı, ayakta tutamayacağımızı biliyoruz. Çünkü az sonra detaylarını vereceğimiz üzere, Evrim Ağacı sosyal medyada denk geldiğiniz makale ve videolardan çok daha büyük, kapsamlı ve aşırı zaman alan bir bilim platformu projesi. Bu nedenle bizler, meslek olarak Evrim Ağacı'nı seçtik.

Eğer hem Evrim Ağacı'ndan hayatımızı idame ettirecek, mesleklerimizi bırakmayı en azından kısmen meşrulaştıracak ve mantıklı kılacak kadar bir gelir kaynağı elde edemezsek, mecburen Evrim Ağacı'nı bırakıp, kendi mesleklerimize döneceğiz. Ama bunu istemiyoruz ve bu nedenle didiniyoruz.

Destek Ol

Eğer insan bir eşyayı yeni bir konuma iterse, kıskaçlı bir robotun eşyayı kaldırıp o konuma koyması, itmesine kıyasla daha kolay ve güvenilir bir yöntem olabilir. Ama bu, hedefin ne olduğunu bilmeyi gerektiriyor. Bu da makalemizde belirtmeye çalıştığımız üzere, robotik alanında zor bir problem.

İlk deneyler hedef anlamayı ve basit davranışları taklit etmeyi amaçlamış olsa da, ekip ileride böyle bir modelin robotların daha karmaşık görevleri öğrenmesine nasıl yardımcı olabileceğini araştırmayı planlıyor. Meltzoff’un sözleri şöyle:

Bebekler oyun oynayarak ve başkalarını izleyerek öğreniyorlar ve dünyadaki en iyi öğrenciler onlar. Neden robotları bir çocuk kadar zahmetsiz öğrenecek şekilde tasarlamayalım ki?