Yapay Zekanın Michael Jordan'ı: Önünüze Gelen Her Şeye Yapay Zeka Demeyi Bırakın!

Yapay zeka sistemleri; mantıklama, gerçek dünya bilgisi ve sosyal etkileşim gerektiren görevlerin birçoğunda insanların yerini almanın yanına bile yanaşabilecek düzeyde değiller. Yapay zeka ve makina öğrenmesi alanında en önde gelen bilim insanlarından olan ve aynı zamanda Berkeley'deki Kaliforniya Üniversitesi Elektrik Mühendisliği ve Bilgisayar Bilimleri ile İstatistik Bölümü'nde profesör oolan Michael I. Jordan'ın söylediğine göre, yapay zekanın düşük seviyeli örüntü tanımlama becerileri konusunda insan düzeyinde bir beceri sergiledikleri doğrudur; ancak bilişsel seviyede yaptıkları tek şey, yalnızca insan zekasını taklit etmektir; derinlemesine ve yaratıcı bir şekilde etraflarıyla etkileşime geçemezler.

Jordan, yapay zeka alanında yakın geçmişte elde edilen büyük kazanımların altında yatan sebep olan makina öğrenmesinin tek amacının (hatta en çok arzulanan amacının) insan düşüncesini taklit etmek olmadığını da söylüyor. Bunun yerine makina öğrenmesi, insan zekasını pekiştirecek ve tamamlayacak bir araç görevi görmektedir. Bunu da, devasa büyüklükteki veri setlerini didik didik tarayarak başarmaktadır; tıpkı arama motorlarının Web sitelerini organize ederek insan bilgisini tamamlaması ve pekiştirmesi gibi. Ayrıca makina öğrenmesi; birden fazla veri setinde bulunan bilgiyi bir araya getirerek, bunlar içindeki örüntüleri bularak ve yeni aksiyon yönleri belirleyerek insanlara sağlık hizmetleri, ticaret ve taşımacılık alanlarında da yeni hizmet alanları yaratabilir. Jordan, şöyle diyor:

İnsanlar teknoloji trendlerinden söz ederken yapay zekanın anlamı konusunda kafa karışıklığı olduğunu gösteriyorlar. İnsanların söylediklerini dinleyecek olursanız, zeki bir şekilde düşünen bilgisayarlarımız olduğunu ve bunlar sayesinde ilerlediğimizi ve bunların insanlarla rekabet halinde olduğunu sanabilirsiniz. Böyle bir teknolojimiz yok; ama insanlar sanki varmış gibi konuşuyorlar.

Micheal I. Jordan Kimdir?

Jordan, ikisi arasındaki farkı en iyi bilen kişilerden biri. IEEE üyelerinden olan Jordan, makina öğrenmesi konusunda Dünya'nın lider otoritelerinden biri konumunda. 2016 yılında Jordan, Science dergisinde yayınlanan bir programatik analizde yeryüzündeki en etkili bilgisayar bilimci seçilmişti.^[1] Jordan, önceden belirlenmiş etiketlere ihtiyaç duymadan veri içerisinde yapılar bulabilen denetimsiz makina öğrenmesi sahasını, birbiriyle ilişkisiz algoritmalar bütününden çıkararak entelektüel olarak tutarlı bir araştırma sahasına dönüştürmede rol aldı.^[2] Denetimsiz öğrenme, yapay zekanın eğitileceği veriyi etiketlememizi sağlayacak, yerleşik bir teorinin bulunmadığı alanlarda önemli bilimsel uygulamalara sahiptir.

Peg Skorpinski

Jordan'ın sahaya yaptığı katkılar, ona birçok ödül getirdi. Örneğin 2021 yılında, Amerikan Matematik Cemiyeti tarafından 3 yılda bir verilen Ulf Grenander Ödülü'ne, Stokastik Teori ve Modelleme alanında layık görüldü.^[3] Ondan bir önceki sene de makina öğrenmesi ve veri bilimine yaptığı katkılar dolayısıyla IEEE John von Neumann Madalyası'na layık görülmüştü.^[4]

Geçtiğimiz yıllarda Jordan, bilim insanları, mühendisler ve diğer kişilerin makina öğrenmesini tam olarak anlayabilmesi için bir göreve başladı. Ona göre makina öğrenmesindeki gelişmeler, yeni bir mühendislik dalının doğumunu yansıtıyor. 1900'lü yıllarının başında kimya ve akışkanlar mekaniği sahalarından kimya mühendisliğinin doğumu gibi; bilgisayar bilimi, istatistik ve kontrol teorisi alanındaki onlarca yıldır süregelen çalışmalar, makina öğrenmesini doğurmaktadır. Dahası, Jordan'a göre makina öğrenmesi sahası, insanlarla teknoloji arasındaki etkileşime odaklanan ve insan-merkezli olan ilk mühendislik sahasıdır. Şöyle diyor:

Yapay zeka ve süperzeka konusundaki bilimkurgu tartışmaları eğlenceli olsa da, bunlar tamamen dikkat dağıtıcıdır. Eldeki gerçek probleme yeterince odaklanamamaktayız. Bu problem, gezegen boyutunda olan ve makina öğrenmesi temelli bir sistem inşa etmektir. Bu sistemin insanlara değer katması gerekir, eşitsizlikleri arttırması değil!

Harekete Katılmak...

1960'ların çocuğu olan Jordan, zihnimizin nasıl çalıştığına yönelik felsefi ve kültürel perspektiflere her zaman ilgi duydu. İngiliz mantıkçı Bertrand Russell'ın otobiyografisini okuduktan sonra, psikoloji ve istatistik alanında çalışma konusunda heveslendi.^[5] Russell, insan düşüncesini mantıksal ve matematiksel bir süreç olarak görüyordu. Jordan, şöyle anlatıyor:

Düşünceyi mantıksal bir süreç olarak görmek ve bilgisayarların mantığın yazılım ve donanım alanında uygulamalarından doğduğunu fark etmek, zihinle beyin arasındaki paraleli görmemi sağladı. Felsefe, zihinle ilgili muğlak tartışmalardan çıkıp, daha somut, daha algoritmik, daha mantıklı bir şeye dönüşebilir gibi geldi. Beni çeken buydu.

Jordan, Baton Rouge'daki Louisiana Eyalet Üniversitesi'nde psikoloji okudu ve 1978 yılında bu sahada lisans diplomasını aldı. 1980 yılında Tempe'deki Arizona Eyalet Üniversitesi'nden matematik yüksek lisansını, 1985'te ise San Diego'daki Kaliforniya Üniversitesi'nden bilişsel bilimler sahasında doktorasını aldı.

Jordan üniversiteye ilk başladığında, makina öğrenmesi diye bir saha yoktu. O mezun olurken, bu saha daha yeni yeni doğuyordu. Şöyle anlatıyor:

Makina öğrenmesi ilgimi çekiyordu. Daha o zamandan, öğrenmeyi anlamak için gereken daha derin prensiplerin istatistik, bilgi teorisi ve kontrol teorisinde yattığını düşünüyordum; dolayısıyla kendimi bir makina öğrenmesi araştırmacısı olarak yaftalamadım. Ama nihayetinde makina öğrenmesi fikrini kucakladım, çünkü bu sahada çalışan ilginç insanlar vardı ve sahada yaratıcı işler üretiliyordu.

2003 yılında Jordan ve öğrencileri, gizli Dirichlet paylaştırması adı verilen, dokümanlar ve diğer veri koleksiyonları içerisinde denetlenmeyen bir biçimde öğrenmeye yönelik olasılıkçı bir çerçeve geliştirdiler.^[6] Bu teknik, gizli temaları tespit etmede ve dokümanları kategorilere ayrıştırmada kullanılan en popüler modelleme yöntemlerinden biri haline geldi.

Jordan'ın şu anki projeleri, ekonomi sahasından aldığı fikirleri, geçmişte geliştirdiği bilgisayar bilimleri ve istatistik yöntemleriyle harmanlıyor. Ona göre öğrenen sistemlerin amacı kararlar almak veya insanların karar alma süreçlerine yardım etmektir. Burada kritik nokta, karar alanların nadiren çevrelerinden izole (yalıtık) olduğudur. Diğer karar alıcılarla etkileşime geçerler ve bunların hepsinin farklı ihtiyaçları ve değerleri olabilir. Bu şekilde yaşanan toplam etkileşim, ekonomik prensipler tarafından yönetilebilir. Jordan, şu anki araştırmasını şöyle anlatıyor:

Öğrenen tarafların gerçek dünya deneylerinden yola çıkarak tercihlerini öğrendikleri, öğrenecekleri veriyi toplarken keşif ile istismarı bir arada kullanan ve öğrenenlere belirli türden verileri toplamak ve belirli biçimlerde koordine olmuş kararlar vermek konusunda teşvikler veren piyasa mekanizmalarının öğrenme sürecini yapılandırabileceği bir araştırma programı geliştiriyoruz. Bu tür bir araştırmanın katkısı, gerçek dünyada çalışan sistemler yaratmak olacaktır. Bu sistemler, üreticiler ve tüketicileri sosyal iyilik haline değer veren öğrenme-temelli pazarlarda bir araya getirecektir.

Yapay Zekayı Netleştirmek

2019 yılında Jordan, Harvard Data Science Review dergisinde Yapay Zeka: Gerçekleşmemiş Devrim başlıklı bir yazı yayınladı.^[7] Bu makalede Jordan, yapay zeka teriminin sadece halk tarafından değil, aynı zamanda teknologlar tarafından da yanlış anlaşıldığını açıklıyor. 1950'li yıllarda bu terim ilk defa geliştirildiğinde, o zamanki insanlar insan-seviyesinde zekaya sahip hesap makinaları üretmeyi hayal ediyorlardı. Bu hayal halen geçerli; ancak son birkaç on yıldır gidişat, bu hayalden biraz farklı yönde ilerliyor. Bilgisayarlar insan zekası düzeyine ulaşmış değil; ancak yine de insan zekasını tamamlayacak ve pekiştirecek niteliğe sahip oldular.

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

Dahası, prensip olarak insanların da başarabildiği düşük seviyeli örüntü tespit etme kapasitesi konusunda kusursuzluğa eriştiler; ama bu başarı, büyük bir maliyetle geldi. Örneğin, makina öğrenmesi temelli sistemler devasa ölçekli finansal işlemlerde sahtekarlığı tespit edebiliyorlar ve bu sayede elektronik ticarete hız katıyorlar. Modellemede, tedarik zincirlerinin kontrolünde ve sağlık hizmetlerinde temel bir role sahipler. Ayrıca sigorta çalışanlarına, doktorlara, eğitimcilere ve film yapımcılarına yardım ediyorlar.

Yapay Zeka Teknolojisi adı verilen bu sahadaki tüm gelişmelere rağmen, bu teknolojilerin altında yatan sistemlerde üst seviye mantıklama veya düşünce diyebileceğimiz hiçbir şey bulunmuyor. Bu sistemler, insanların yapabildiği gibi semantik temsiller veya çıkarımlar yapamıyorlar. Uzun dönem hedefleri formüle edip, bunların peşinden gidemiyorlar. Şöyle anlatıyor:

Öngörülebilir bir gelecek boyunca, bilgisayarların gerçek dünyadaki problemlere yönelik soyut mantıklama yeteneği konusunda insanlarla eşit bir düzeye gelmesi mümkün değil. En acil sorunlarımızı çözmek için, insanlarla bilgisayarlar arasında iyi düşünülmüş etkileşimler yaratmamız lazım. Büyük ölçekli sistemlerin zeki davranışlarının; o sistemi oluşturan parçalar arasındaki etkileşimlerden doğduğu kadar, o parçaların tekil zekasından da doğduğunu anlamamız gerekiyor.

Ayrıca Jordan, teknolojiyi geliştirirken insan mutluluğunun ikincil planda kalmaması gerektiğini düşünüyor:

Tarihsel olarak yepyeni bir şey yaratmak için gerçek bir fırsata sahibiz: İnsan-merkezli bir mühendislik disiplini yaratabiliriz!

Jordan'a göre bu, toplum politikalarında ve akademik araştırmalarda mühendisliğin rolüne yönelik yeni tartışmaları alevlendirmeyi de içeriyor. Ona göre, halk arasında sosyal bilimlerden söz etmek çekiciyken, sosyal mühendislikten söz etmek itici geliyor. Benzer şekilde, genom bilimi kulağa havalı gelirken, genetik mühendislik itici gelmektedir. Şöyle diyor:

Bana kalırsa "mühendislik" teriminin entelektüel camiadaki rolünü yok ettik. İnsanlar vizyoner araştırmalardan söz ederken "mühendislik" yerine "bilim" sözcüğünü tercih ediyorlar. Özellikle de "mühendislik işte" gibi laflar işleri daha da bozuyor.

Bana kalırsa bilimin insan türü için yaptığıh harika şeyleri düşünmek önemli. Bunların büyük bir kısmı aslında inşaat mühendisliği, elektrik mühendisliği, kimya mühendisliği ve diğer mühendislik sahalarının başarısı. Mühendislik, insan mutluluğuna en doğrudan ve en temelden etki eden bilim sahası.

Tüm Reklamları Kapat

Jordan, günümüzde bilimsel bilgi akışının da aksadığını söylüyor ve IEEE Access gibi açık erişimli dergilerin daha önemli hale geldiğini söylüyor:

Bana kalırsa ticari yayın firmaları, artık etkisiz olan ve bilgi akışını kısıtlayan bir iş modeli inşa ettiler.

Jordan'ın makalelerinin büyük bir kısmına IEEE Xplore Dijital Kütüphanesi üzerinden erişebilirsiniz.