Labmedya - Laboratuvar ve Sağlık Gazetesi

Kökleri hâlâ bilim kurgu alemine bağlı olan yapay zeka (AI), genelde bilinmedik bir yerden gelen, dışarıda gerçekleşen bir şeymiş izlenimi verir. Yapay zeka, aslında günlük hayatlarımızın büyük bir parçasını oluşturuyor, ama biz bunu fark etmiyoruz.

Bankaların şüpheli harcama uyarıları, akıllı telefonların egzersiz hatırlatmaları, Siri ve Cortana’nın ses tanıma özelliği yapay zekaya örnek olarak verilebilir.

“Yapay zeka temel olarak insanların özellikle programlamasına gerek kalmadan makinelerin mantık yürüttüğü, öğrendiği ve dış dünya ile etkileşim kurduğu bir yapıdır,” diyor Intel’de makine öğreniminden sorumlu direktör Nidhi Chappell.

Yapay zeka, hayatın başka alanlarda da gelişmesini sağlıyor. Spordaki biyometriklerin ölçülmesi ile elde edilen veriler, bir atletin oyun süresinin yaralanma olasılığını nasıl etkilediğini ölçmeye yardımcı olabilir. Çiftçilerin en fazla mahsulü toplamak için ne zaman sulama yapmaları gerektiğini bilmelerini ve meteorologların kar erime hızını ölçmelerini sağlar. Akıllı şehirler verileri enerji yönetimi için kullanırken, sağlık sektörü uzmanları hastalıkları tespit etmek, genom sıralaması yapmak ve tedavileri takip etmek için yapay zekadan faydalanır.

Yapay zeka, pek çok kavramı bir araya getiren bir terimdir. Bu kavramlardan biri de, biriktirilen verilere dayalı matematiksel algoritmalar oluşturarak bilgisayarların “düşünmesini” mümkün kılan teknik ve araçlar bütünü olan Makine Öğrenimidir (ML). Kavramlardan bir diğeri ise, Makine Öğreniminin bir alt grubu olan Ayrıntılı Öğrenmedir (DL). Bu grup, görüntü tanıma ve dil işleme gibi eylemleri gerçekleştirmek için sinir ağı modellerini kullanır.

“Büyüyen bir çocuk düşünün” diyor Chappell. Bu çocuk, dünyayı gözlemler, insanların nasıl etkileşim kurduğunu fark eder ve kimsenin açıkça belirtmesine gerek kalmadan toplumsal normları öğrenir. “Yapay zeka da aynen bunun gibi, kimsenin açıkça programlamasına gerek kalmadan öğrenen makinelerden oluşuyor.”

Chappell, yapay zekanın üç işlevi yerine getirdiğini söylüyor. Bunlardan birincisi, modelleri tespit etmek için verileri kullanarak dünyayı algılamak. İkincisi bu modelleri tanımak ve üçüncüsü ise, bu tanıma eylemine dayanarak harekete geçmek.

Mesela, yaptığınız dağ yürüyüşlerinin fotoğraflarını Facebook’ta paylaşıyorsunuz. Sistemdeki algoritmalar, bir dağın tepesinde aynı insanla çekilmiş bir sürü fotoğrafınız olduğunu fark ediyor. Söz konusu kişiyi tanıdığı ve dağ yürüyüşlerinden hoşlandığınızı anladığı için, hoşunuza gidebilecek başka kişileri ve yürüyüş rotalarını öneriyor.

“İşte bunların hepsi makine öğrenimi,” diyor Chappell. “Makineler her geçen gün daha akıllı hale geliyor, daha iyi kararlar vermemize ve daha hızlı araştırma yapmamıza yardımcı oluyor.”

Şüphecileri İkna Etmek

Makinelerin dünyayı ele geçirdiği korkusu, yani yapay zekaya yönelik önemli ölçüde bir şüphecilik söz konusu. Ancak Chappell, bilgisayarların öğrenebilme becerisinin, insanlığa birçok konuda yardımcı olduğunu savunuyor.

“Yapay zekanın gerçekleştirdiği şey, aslında insanların yapmakta olduğu şeyleri zenginleştirmekten ibaret” diyor. “Makinelerin insanların yerini almasını sağlamaya çalışmıyoruz, aksine insanları daha fazla zeka ile zenginleştirmeye çalışıyoruz. Böylelikle hayatlarımızın daha kolay olmasını sağlıyoruz.”

Chappell, araba kullanırken kağıttan haritalara bakarak yol bulma günlerinin çoktan geride kaldığını söylüyor. Günümüzde insanlar, yolların değiştiğini, köprülerin inşa edildiğini öğrenebilen, trafiği takip ederek sürüş süresini optimize edebilen, yoğun veri içeren dinamik harita uygulamalarına güvenebiliyor.

Hem yapay zeka hem de makine öğrenimi teknolojileri, eğitim, finans ve tıp gibi birçok alanda yıllardır kullanılıyor. Chappell, yapay zekanın toplumu harekete geçirmeye devam ettiğini söylüyor. Yapay zeka, çevrimiçi tacizleri azaltmak, insan kaçakçılığı gibi sorunlara çözüm bulmak, tarımsal verimi arttırarak dünyadaki açlığı azaltmak için kullanılabilir. Sivrisineklerin göç modellerini tahmin ederek ve hastalık bulaştırma olasılığı olan türleri belirleyerek Zika gibi virüslerin yayılmasını önlemeye yardımcı olabilir.

Verilerin Yönetilmesi

Chappell, öğrenim süreci ne kadar sofistike hale gelirse, makinelerin öğrenmesi için o kadar fazla verinin gerekli olacağını söylüyor. Bilgi işlem gücünün performansı yükseldikçe, bilgisayarların öğrenme hızı da artıyor.

 “Bir makineye öğrenmesi için sağlanan veriler arttıkça, makinenin tahminleri o kadar doğru oluyor” diyen Chappell, öğrenme sürecinin karmaşıklığının artması ile veri gerekliliklerinin de artmasının kaçınılmaz olduğunu belirtiyor.

Makine öğrenimi yaygınlaştıkça, veri gereklilikleri de inanılmaz boyutlara gelecek.

Intel CEO’su Brian Krzanich 2016 Intel Geliştirici Forumunda (IDF) yaptığı konuşmada, ortalama bir insanın Snapchat’te paylaşım yapmak, e-posta göndermek ve oyun oynamak gibi normal aktiviteleri yaparak günde 600 ila 700 MB veri ürettiğini söyledi.

Krzanich, 2020 itibariyle bu oranın günde 1,5 GB olacağını belirtti. Bu, işin yalnızca insan kısmı. Ortalama bir otonom araç günde 4000 GB, akıllı bir fabrika günde 1 milyon GB veri üretiyor.

Chappell, otonom arabaların yapay zeka ve makine öğreniminin işleyişine ilişkin iyi birer örnek olduğunu söylüyor. Bir arabada kendi kendine öğrenen bir bilgisayar bulunabilir, ancak yoldaki diğer arabaların buluta veri göndermesini sağlayarak diğer arabaların da öğrenmesi sağlanabilir.

Bunu, kitle kaynaklı veri gibi düşünün. Örneğin, bir arabanın önündeki inşaat tabelasını görmesi yalnızca o arabaya yarar. Ancak bu bilgiyi buluta gönderebilirse, diğer otonom arabalara da uyarı iletmek mümkün olur. Yoldaki bu engeli ne kadar çok araba “öğrenirse,” trafik o kadar akıcı olur.

Yapay zeka, makine öğrenimi ve ayrıntılı öğrenme kavramları, bilim kurgudan çıkarak bilim gerçeği halini aldılar.

“Yapay zeka tüm çevremizde,” diyor Intel Başkan Vekili ve Veri Merkezi Grubu Genel Müdürü Diane Bryant. “İnsanların dünya ile etkileşim kurma yöntemlerini yeniden şekillendiriyor.”

Deb Miller Landau iQ Managing Editor