Makinelerin ilham kaynağı her zaman hayvanlar olmuştur. Su saatinden, buhar makinesine, dronelardan navigasyon sistemlerine kadar insanlığın teknik serüveni hayvanlar aleminde geçer. Hayvanlar sadece otomat işleyişleriyle değil,  eğitim teknikleri ile de makine öğrenmesinde imdadımıza yetişiyor.

Hesaplama yapabilen makineler uzun zamandır hayatımızın bir parçası ancak yapay zekâ söz konusu olduğunda hesaplamamın yanı sıra öğrenme de devreye giriyor. Bir makineyi hesaplama konusunda ustalaştırabilirsiniz lakin öğrenmesini sağlamak sanıldığı kadar kolay değildir. İnsanların aksine bilgisayarlar boş sayfalardır ve her şeyi sıfırdan öğrenmeleri gerekir. Öğrenme bilişsel olduğu kadar davranışsal bir süreçtir. Bu yüzden bilgi işlem kapasitesini artırsanız da canlı olmayan bir makinenin davranışsal öğrenmesi mantığa ters gibi görünse de bu artık mümkün. Peki, robotların bir beceriyi edinmesi nasıl sağlanır?

Makinelerin, mekanik olarak hizmete koşulmuş hayvanlar olduğu söylenir. Bu bakımdan makine öğrenmesini,  insanlığa daha iyi hizmet etmesi için makinelerin ehlileştirilmesi olarak görebiliriz. Makineler geliştikçe pek çok işi insanlardan çok daha iyi yapabiliyor ve hatta işin ehli robotlar nedeniyle insanlar giderek yeteneksizleşiyor. Makinelerin bu yeteneksizliği gidermek üzere, “insan öğrenmesi” için yeni yöntem ve teknikleri kullanacağı gelecek çok uzak görünmüyor.  Harari’nin de söylediği gibi, geleceğe dair hiçbir inceleme hayvanlarla ilişkimizi göz ardı etmemelidir çünkü hayvan-insan ilişkisi gelecekte süper insanlarla robotlar arasında kurulacak ilişkiye en yakın model olma özelliği taşır.

Makinelerin Hedefleri Olmayacağına Dair İnancın Sonu

Yapay zekada istenen seviyeye gelinmesi için en etkili yöntemin “derin takviyeli öğrenme” olduğu biliniyor. Kısaca, olumlu ödülün tutumu ya da eylemi değiştirdiği davranışsal psikolojiden alınan bir model. Aslında makine öğrenmesi dediğimiz şey de deneyime dayanarak öğrenmeyi sağlayan algoritmaların kullanılmasıdır. Hatalardan ders çıkarma ve ödül metoduna dayalı öğrenme algoritmaları geliştirilir.

Örneğin John Hopkins Üniversitesi’nden bir grup araştırmacı, robotlara yeni beceriler öğretmek için köpek eğitim yöntemlerini kullandılar. Köpeklere oturmayı ve kalkmayı öğretmek için kullanılan olumlu pekiştirme tekniği Spot adlı robotun becerilerinin çarpıcı bir şekilde gelişmesini sağladı. Hatalardan öğrenme yeteneği sadece robotun verilen görevi kendi kendine öğrenmesine yardımcı olmakla kalmadı aynı zamanda haftalarca sürebilecek robot eğitimleri sadece birkaç gün içinde hızlı bir şekilde tamamlandı.

Hayvan eğitim teknikleri ile öğrenme, makinelerin hedefe yönelik davranış gösterebileceğini ispatlıyor.  Ev robotları ve sürücüsüz araçların eğitilmesinde bu yöntem umut vaat ediyor.

Diğer taraftan bu öğrenme spesifik olarak sadece tek bir hedefe yönelik öğrenme olduğundan bunu dar anlamda yapay zekâ olarak görmek gerekiyor. Robotlar takla atma, zıplama, yürümenin yanı sıra yüzme, kavga etme, uçma gibi motor görevleri de öğrenebilir. Ancak insan seviyesi bir yapay genel zekanın mümkün olan her hedefe ulaşabilmesi için pek çok beceriyi edinmesi gerekiyor. Peki, karmaşık görevleri yerine getirebilecek robotları nasıl programlayacağız.

Robotları Karmaşık Hedeflere Ulaştıracak Yöntem: Budama

Robotlar, bu becerileri edindikçe ehlileşecek ancak çok fazla sayıda karmaşık hedefe ulaşabilmesi için de bitkilerden yardım alması gerekiyor. Bunu ilk duyduğunuzda, canlılar hiyerarşisinin bir alt basamağındaki sistemin nasıl daha üst bir yöntem olabildiğine şaşırabilirsiniz. Tabi bir hiyerarşi varsa eğer! Budama ile bilindiği gibi büyüme hem kontrol edilebiliyor hem de yönlendirilebiliyor.

Son araştırmalar, bitkilerdeki budama yönteminin makine öğrenmesinde karmaşık hedeflere ulaşmada başarılı olduğunu ortaya çıkardı.

ABD Enerji Bakanlığı Laboratuvarı’ndaki araştırmacılar, bitkinin daha hızlı gelişmesini sağlamak için kullanılan “budama” yöntemini makine öğreniminde denedi. İkili sinir ağları (BNN’ler) ile, hesaplama karmaşıklığını azaltmak için budama ilkelerini kullandılar. İkili sinir ağları, büyük miktarlarda hesaplama gerektiren derin sinir ağlarının yakın kuzenleridir. Tek farklılıkları ise her bir nöronu ve parametreyi kodlamak için tek bit kullanırlar, bu nedenle hesaplama için çok daha az enerji ve güce ihtiyaçları vardır.

“Elektronikte Paralel ve Dağıtılmış Sistemlerde Seçici Budama” yöntemi ile fazlalık bitlerinin budanması sonucunda yeni bir sinir ağının daha oluştuğu gözlendi. Eğer doğru şekilde inşa edilirlerse veya budanırlarsa, daha az bilgi işlem enerjisi tüketerek neredeyse derin sinir ağları kadar doğru sonuçlar elde edilebildiği gözlendi. Algoritmalardaki kodlama dalları boyunca bit ve parçaları kaldırmak, karar ağaçlarındaki karmaşıklığı azaltabiliyor ve tahmine dayalı performansı artıyor. Budamaya dayanan bir yazılım ve kodlama ile makinelerin performansı belli bir yönde geliştirilebiliyor.

Araştırmacılar ikili sinir ağı modelinin enerji şebekelerine bile uygulanabileceğini savunuyor. Budama yöntemi ile değiştirilmiş bir BNN uygulamasının mevcut sensörlerin bir saldırıyı algılamasına ve yanıt vermesine yardımcı olabileceği ifade ediliyor. Bunun elektrik şebekesine yerleştirilmesi halinde siber saldırılara karşı koruma sağlayan mevcut yazılıma ciddi bir destek sağlayabileceği de düşünülüyor.

Sibernetiğin Dümenine Budamış Bitler Yön Verebilir

Bitlerin budanması, makinelere karmaşık hedefleri öğreterek sibernetiğe yön verecek gibi görüyor. Budama nasıl büyümeyi kontrol altına alarak belli bir yöne yönlendiriliyorsa,  sibernetiğin esas niteliği de benzer şekilde karmaşıklığı gidermek için kontrol ve yönlendirmedir. Budama yönteminde kat edilecek mesafe, yapay zekanın seyrini ve robotların gideceği rotayı büyük ölçüde etkileyebilir.

Makinelerin ehlileştirilmesi için hayvan öğrenme tekniklerinin yetmediği noktada,  karmaşık hedeflere ulaşmada daha basit gördüğümüz bir bitki kontrol yönteminin devreye girmesi oldukça çarpıcıdır. Budama, robotların tek hedefe mahkûm olmayacağını, karmaşık hedefleri edinebileceğini ve böylece insansı seviyeye yaklaşabileceğini gösteriyor.  Ancak bu var olduğunu düşündüğümüz hiyerarşilerin geçerli olup olmadığını bir kez daha sorgulamaya itiyor.

Basitten karmaşığa doğru giden mekanik düzen anlayışında daha alt seviyede konumlandırılan bitkiler, ehil robotların yetişmesi için vazgeçilmez bir beslenme kaynağı gibi görünüyor.  Bu da canlılar arasında hiyerarşik değil döngüsel bir yapı ve işleşişin olduğunu açıkça ortaya koyuyor. Bu nedenle, insan seviyesi yapay zekaya ulaşılması, varlıklar hiyerarşisinde yeni bir döngünün başlangıcı olabilir. Ehlileşen robotlar budama ile giderek daha zeki hale gelirse, yeteneksizleşen insanlığa yön vermek için budama yapabilir ve mekanik döngüyü tersine çevirebilir.

                                                                       Semra AĞAÇ SUCU

Kaynaklar

• https://hub.jhu.edu/2020/10/26/positive-reinforcement-for-robots/
• https://techxplore.com/news/2020-11-binarized-neural-networks-fast-accurate.html