Yapay Zeka Sayı Algısı Geliştirip Sayıların Anlamını Öğrenebilir mi?

Bilgisayara kıyasla bir insan, dört kediye, dört elmaya veyahut dört adet kaleme baktığında bunların ortak noktasının soyut bir kavram olan "dört" olduğunu onları saymaya gerek duymadan hemen anlar. Acaba yapay zeka da bir gün böyle bir yeti geliştirebilir mi?

İşte Science Advances adlı dergide Andreas Nieder ve ekibinin yayımlamış olduğu bir çalışma, bu sorunun cevabına yönelik bulgular tespit etti. Nieder'e göre bu çalışma yapay zekanın (YZ), insanların ve hayvanların sayı algısına benzer bir algı geliştirmeye başladığına dair ipuçları barındırıyor.

Bir Bilgisayar (Makina), Nesneleri Nasıl Öğrenir?

Bir bilgisayarın sayı sayabilmesi için, evvela, ondan neyi saymasını (elma, insan ya da ağaç saymasını) istediğimizi açık bir komutla belirtmemiz gerekmektedir. Bunu yapabilmesi için de ilk etapta bu nesnelerin birtakım özelliklerinden (örneğin, eğer bu bir elma ise elmanın şekli veya rengi gibi) yola çıkarak içinde pek çok nesnenin bulunduğu veya bulunmadığı fotoğrafları inceleyip o nesneyi iyice tanıması öğretilir. Bu eğitim esnasında bilgisayar, fotoğraflarda o nesneyi görüp görmediğine dair tahminlerde bulunur ve tahminlerin doğruluğuna dayanarak istatistiksel modelini ona göre uyarlar. Sürecin sonunda model, bir insan tarafından denetlenerek öğrenmenin gerçekleşip gerçekleşmediği kontrol edilir.

Derin Öğrenme Nedir?

Modern bir YZ sistemi eğitim esnasında gösterilen milyonlarca fotoğraftan sonra artık belli bir nesneyi tanıma konusunda otomatik hale gelir. İnsan tarafından artık denetlenmeye gerek duyulmayan bu öğrenme sistemleri, zaman içerisinde, fotoğraflardaki belli bir nesnenin ona özgü belli birtakım kısımlarını "görmeye" başlar. Diğer bir deyişle, belli çizgilerin ve belli dairesel kıvrımların bir arada bulunuşundan hareketle bilgisayar kendi kendine bir "soyutlama" yaparak, söz gelimi, o objenin bir "elma" olduğunu algılar (örneğin, yuvarlağın birbirine karşıt olan iki yüzü hafif basıktır ve birinde yukarı doğru çıkan bir çizgi -sapı- vardır). Bu şekilde elmayı tanıyan bilgisayar ya da makine artık bir "elma kategorisi" oluşturmuştur.

Pixabay

Bu şekilde kendiliğinden ortaya çıkan yüksek seviye soyutlamalar, derin sinir ağları denen makine öğrenmesi tekniğinin en heyecan verici sonuçlarından biridir ve bir bakıma insan beyninin çalışma şekliyle benzerlik göstermektedir. "Derin" sözcüğü, yapay sinirsel ağın çoklu katmana sahip yapısından ileri gelmektedir. Edinilen bilgi ağ içerisinde bir katmandan diğerine daha da derinlere ilerledikçe makinenin nesneler arasında bulduğu ortak özellikler daha soyut hale gelmektedir.

Yapay sinir ağları (artificial neural networks), hayvanların (ve dolayısıyla insanların) beynindeki sinirlerin birbirleriyle kurdukları ağların modellenmesi yoluyla elde edilen bir yapay zeka uygulamasıdır. Bir yapay sinir ağına giren veri (girdi), makinenin daha önce deneyimlemiş olduğu şeyle örtüşüyorsa, bu ağı oluşturan yapay sinir hücrelerinin (sanal nöronların) birbirleriyle daha güçlü bağlar kurmasına neden olur. Böylece sistemin o veriye yönelik bilgileri kuvvetlenmiş olur.

Genel olarak bakacak olursak, bir nesnenin en soyut özellikleri, yapay sinir ağının en derinlerinde meydana gelir. Bu bağlamda, dikey/yatay çizgiler veya daire gibi en temel şekiller en üst katmanda; bir elma, bir kedi veya bir insan yüzü gibi karmaşık görüntüler ise en alt (en derin) katmanda ortaya çıkmaktadır.

Aslında bu tarz bir işleyiş, bazı yönlerden, insan dahil pek çok canlı türünün beyninde de benzer şekilde gerçekleşmektedir. Nasıl ki sanal nöronlar, öğrenilmiş ya da pekiştirilmiş verilerin sonucunda daha güçlü hale geliyorsa, canlı beyinlerinde bir uyarana maruz kalmış nöronlarda görülen sinirsel hareketlenmeleri de bu şekilde düşünebiliriz. Örneğin aşağıdaki videoda, genetiği değiştirilmiş bir farenin çeşitli sesler duydukça işitsel korteksindeki bazı nöronların aktif hale geçerek hücredeki kalsiyum seviyesi arttıkça nasıl da güçlü bir şekilde yeşil renkte parladığını görebilirsiniz. Diğer taraftan, canlı beyinlerinin karmaşık sinir ağları arasında öğrenmenin gerçekleştiği "en üst ya da en derin katman" diye herhangi bir tabakadan bahsetmek mümkün değildir.

Makinenin Sayı Algılayan Nöronları ve Canlılarda Sayı/Miktar Algısı

Andreas Nieder ve ekibinin bahsedilen çalışmasında, yapay sinir hücrelerinden oluşmuş bir bilgisayar modelinin, "sayı kavramı"na dair bir beceri geliştirmiş olabileceği gözlemlendi. Bu bulgu, kendisine verilen açık bir talimat olmadan, yapay zekanın neler öğrenebileceğine dair bir öngörü sunmasının yanı sıra hayvanlarda sayı kavramının nasıl geliştiğini inceleyen bilim insanlarına da yol gösterici olması bakımından büyük önem taşımaktadır.

Araştırmada kullanılan yapay sinirsel ağ, görsellerdeki nesneleri tanımlamak gibi temel görevleri yerine getirmek için eğitildikten sonra, belirli sayılara/miktarlara cevap veren yapay nöronlar geliştirdi. Bu yapay nöronlar; insanların ve diğer pek çok canlı türünün bir grup içerisindeki nesne sayısını kolaylıkla tahmin etme yeteneği arasında bir benzerlik olduğunu akıllara getirmektedir. Canlılardaki bu içgüdü sayı/miktar algısı olarak adlandırılır. Bir nesneyi gördüğümüzde beynimizin bazı bölgeleri sadece o nesnenin varlığıyla aktif hale gelmeyip, aynı zamanda (o nesneyi saymadan) ondan kaç tane olduğu ya da miktarı ile ilgili olarak da harekete geçmektedir.

Bu sayıca çokluk kavramı evrimsel olarak biz dahil tüm canlılara evrimsel avantaj sağlamıştır. Örneğin, kara hayvanlarından olan siyah uluyan maymunlar (Alouatta pigra), rakip sürüdeki uluyan erkeklerin sayısına dayanarak karşılaştırmalı olarak grup büyüklüğünü değerlendirebilirler. Bu yetenek, maymunların daha geniş sürüler ile karşı karşıya kalabileceği riskli durumlardan kaçınmalarını sağlamaktadır.

Yürüttükleri çalışmada nörobiyolog Andreas Nieder ve meslektaşları, yapay bir sinir ağına nesneleri tanımayı öğretmek amacıyla içinde hayvan ve araç gibi nesneler olan yaklaşık 1.2 milyon etiketli görsel kullandı. Daha sonra araştırmacılar yapay zekaya içinde 1'den 30'a kadar nokta olan noktalı şablonlar göstererek çeşitli sanal nöronların nasıl cevap verdiğini kaydetti.

Science News

Belli sayıda noktası olan şablonlar gösterildiğinde bazı nöronlar daha aktif hale geldi. Örneğin, 20 nokta değil de 2 nokta gösterildiğinde (veya tersi) bazı nöronlar buna daha güçlü şekilde cevap verdi. Bu durum, nöronların belli sayıları diğerlerine göre daha çok tercih ettiği anlamına geliyordu. Makinenin belli sayıları tercih ediş derecesi, daha sonra, maymun nöronlarından elde edilen önceki verilerle kıyaslandı. Sonuçlar neredeyse aynıydı.

Yapay zekanın sayıya ilişkin nöronlarının hayvanlardakine benzer bir sayı algısı geliştirip geliştirmediğini öğrenmek için Nieder ve ekibi yapay zekaya noktalara sahip şablon çiftleri gösterdi ve şablonların aynı sayıda nokta içerip içermediğini sordu. Yapay zeka, %81 oranında doğru cevap vererek buna benzer eşleştirme görevlerinde insanlar ve maymunlar kadar güzel bir performans sergiledi. Yine, insanlara ve diğer hayvanlara benzer şekilde, yapay zeka da birbirine yakın sayıda noktaları olan şablonları birbirinden ayırt etmede güçlük yaşamıştı.

Science News

Nieder, doğuştan getirdiğimiz sayı algımızla ilgili olarak, bunun görsel sistemimizin yapısıyla "bütünleşik" bir özellik olabileceğini iddia ediyor. İnsanların ve hayvanların gerçekleştirdiği yüksek seviyeli beyin faaliyetlerinin bazısı -siyah uluyan maymunlar örneğinde ve diğer pek çok örnekte de görüldüğü üzere- çevrenin yapısıyla ve çevreyle olan görsel deneyimlerimizle yakından ilişkilidir. Bundan dolayı, Nieder ve ekibinin yaptığı bu çalışma da makine öğrenmesinin, canlıların çevresini algılamasının temelinde yatan birtakım temel prensiplerle benzerlik taşıdığını gösteriyor.

Öte yandan, Padova'daki İtalyan Milli Araştırma Kurumunda hesaplamalı sinirbilimci olan Ivilin Stoianov ise yapay zekanın sayı algısı ile hayvan beyinlerindeki sayı algısı arasında bu türden bir doğrusal benzerlik olamayacağını söylemektedir. Ona göre bu yapay zeka, birçok etiketli görseli inceleyerek "görmeyi" öğrendi; oysa ki bu tarz bir öğrenme bebeklerin ve vahşi hayvanların etraflarındaki dünyayı algılayış yönteminden oldukça farklı.

Bu konudaki türlü görüşlere rağmen yapılan bu araştırmanın, insan bebeklerinde ve vahşi hayvanlarda sayı kavramının nasıl geliştiğine dair birtakım kavrayışlar sunacağı ümit ediliyor.