Derin Öğrenmede Yapay Zeka Bilmecesi

Yapay Zeka Çok Akıllı Değildir Ve Yakın Zamanda Da Olmayacak

Pek çok kişi, önümüzdeki 10 yıl içinde insan düzeyinde yapay zeka göreceğimizi düşünüyor. Endüstri, kişiselleştirilmiş asistanlar veya kendi kendine sürüş arabaları gibi daha akıllı teknolojilerle övünmeye devam ediyor. Ve bilgisayar bilimlerinde, yeni ve güçlü araçlar , araştırmacıları insan seviyesindeki yapay zeka arayışında hedefe yaklaştığımızı iddia etmek için zorluyor. Ancak tarih ve mevcut kısıtlamalar bu beklentileri etkilemelidir. Yutturmaca rağmen, ilerleme rağmen, sen ve ben gibi düşünen makinelerden uzaktayız.

Geçen yıl Google, sizi arayabilen ve rezervasyon yapabilen bir Pixel akıllı telefon asistanı olan Duplex’i tanıttı. Randevu almanız istendiğinde, kuaförde, Dubleks telefon görüşmesi yapar. Dubleks yeni teknoloji okyanusunda sadece bir damla. Kendi kendini süren otomobiller, dron teslimat sistemleri ve akıllı kişisel asistanlar, makinelerin verilerden öğrenmelerinde devrim yaratan yapay zeka araştırmalarında son zamanlarda meydana gelen değişimin ürünleridir.

Bunları topuzlar olarak düşünün. Her düğme tam olarak doğru çevrilirse, makine farklı şeyler yapabilir. Yeterli veri sayesinde, makinedeki her bir düğmeyi nesneleri tanımasını, dili kullanmasını veya belki de bir insanın yapabileceği herhangi bir şeyi yapmasını sağlamak için nasıl ayarlanacağını öğrenebiliriz. Önceden, akıllı bir programcı makineye bu becerileri kendi başına öğrenen bir makine yerine “öğretir”. Rezil bir şekilde, bu, 1997’de satranç ustası ve ardından dünya şampiyonu Garry Kasparov’u yenen IBM’in satranç oyun makinesi Deep Blue’nun hem başarısı ile ilgiliydi. Deep Blue’nun programcıları, uzman satranç oyuncularından bilgiler edindi ve onları Deep Blue’ya programladı. Bu strateji bir büyük ustayı yenmek için yeterince işe yaradı, ancak satranç oyununun dışında zeka oluşturma yönünde genel bir yaklaşım olarak başarısız oldu. Satrançta açık kurallar var. Makinenin sahip olmasını istediğiniz bilgiyi kodlayabilecek kadar basittir. Ancak çoğu sorun bu şekilde değildir.

Örneğin vizyon alın. Kendi kendini süren bir arabanın çalışması için etrafındakileri “görmesi” gerekir. Araba yolunda bir insan görürse durması gerekir. Bir programcı arabaya yüzleri aramak için ipucu verebilir. Ne zaman bir yüz görürse, araba durur. Bu mantıklı ama felaket için bir reçete. Örneğin, birinin yüzü kapalıysa, araba durmayı bilemez. Programcı, bacak aramak gibi başka bir ipucu ekleyerek bunu değiştirebilir. Birçok gerçek dünya problemi bu tür karmaşıklıktan muzdariptir. Makineye verdiğiniz her ipucu için, her zaman ipuçlarıyla örtülmeyen bir durum ortaya çıkıyor.

Araştırmacılar Toronto Üniversitesinde Geoffrey Hinton ve arkadaşları derin öğrenmeyi kullanılan 2012 yılında bir atılım, kadar bu gibi ipuçları inşa edildi elle inşa ipuçları bırakmak. Bir makinenin 1.2 milyon imgesini “gösterdiler”, imgenin hangi bileşeninin ne tür bir nesne olduğunu belirten kendi ipuçlarını oluşturdukları bir resim yaptılar. Bu ipuçlarına dayanarak, makine, böcek türleri ve köpek ırkları da dahil olmak üzere karmaşık görüntüleri, benzeri görülmemiş bir doğrulukla sınıflandırdı. Derin öğrenme atılımı yapay zekayı dönüştürdü. Kilit derin öğrenme araştırmacıları, Nobel hesaplama ödülüne benzer şekilde, bu yılki Turing Ödülünü kazandı. Derin öğrenme de günlük yaşamımızın bir parçası oldu. Google’ın arama motoru, Facebook’un sosyal ağı ve Netflix’in film önerileri derinlemesine öğreniyor. Bununla birlikte, yapay zeka araştırması, baştan beri kaba zorluk derecesinin küçümsenmesinden muzdariptir. Ünlü bir gaffe, MIT’nin, bir lisansın tek bir yaz boyunca insanların yaptığı gibi görmesi için bir bilgisayar edinme görevi aldığına dair bir rivayetin olduğu 1966 Vizyon Projesi’nden geliyor.

Bu münferit bir olay değildir. Yapay zekadaki tahminlerin tarihi, şaşırtıcı gerçekleri ortaya koymaktadır. İnsan düzeyindeki yapay zeka için uzman ve kamu tahminleri önemli ölçüde farklılık göstermiyor ve insanlar tahminin hangi yıl içinde yapıldığı önemli değil, 15-25 yıllarını tahmin etmek için güçlü eğilimlere sahip görünüyorlar . Tahminler, “ rastgele tahminlerden biraz daha iyi görünüyor ”. Ancak, derin öğrenmenin sınırlamaları endişenin gerçek nedenidir. Derin öğrenme yardımı ile bile, makineler insanlar için sağduyulu kavramlarla mücadele eder. Buna bir örnek, makinelerin video oyunları oynamayı öğrenmelerindeki zorluktur.

Büyüyen bir araştırmacı topluluğu, Atari oyunları oynayabilen yapay zeka geliştirmek için derin öğrenmeyi kullanıyor. İlginç olan, Montezuma’nın İntikamı gibi bazı Atari oyunlarının çocukların öğrenmesi için çok önemsiz olduğu, ancak derin öğrenme ile bile makineler için inanılmaz derecede zor olduğu.

Bunun anahtarı, ve kapılara doğru kayıyor ve anahtarların kapıları açtığı fikri. Başka bir deyişle, sağduyu. Montezuma’nın İntikamı gibi bir oyun, oyuncudan anahtarların çalmadan önce kapıları açmasını bilmesini bekler, böylece bir kapı açılmazsa, bir sonraki belirgin hareket bir anahtar bulmaktır. Fakat bu akıl yürütme çizgisi, bir insanın kapıları olduğunu bilmeden yapay zekanın içinde hiçbir yerde bulunamaz. Bunlar video oyunu oynamaya özel sınırlamalar olsaydı, o zaman belki önemli olmazdı.

Yine de derin öğrenmenin kullanıldığı her yere yayılırlar. Ağır şekilde derin öğrenmeye dayanan yukarıda belirtilen kendi kendine sürüş arabalarını kullanın. Özel tasarımlı etiketleri yolda zeki konumlara yerleştirirseniz, kendi kendine sürüş arabaların yaklaşmakta olan trafiğe sapmasına neden olabilirsiniz. İnsanlar genellikle yaklaşmakta olan trafiğe karışmama duygusuna sahiptir. Her yıl sınırlı başarıya rağmen sağduyulu ve derin öğrenmeye yönelik daha fazla çalışma ortaya çıkıyor. Sonuç olarak, insan seviyesi yapay zekanın çok daha sade, mütevazi tahminleri olan bazı derin öğrenme meraklıları var. Örneğin, bu yılki Turing Ödülünü alan Yann LeCun’un ne dediğini alın: “Makineler hala çok ama çok aptal. Günümüzdeki en akıllı AI sistemleri, bir ev kedisine göre daha az sağduyuya sahiptir.