Günümüz dünyası, insanın matematik tekniklerle dünyayı algıladığı bir gezegen. Son altmış yılda yeryüzünün kaynaklarını sadece temel tüketim ve refah ürünleri ile doldurmadık. İnsanlığın en mükemmel başarılarından biri olan bilgisayarı, evreni ve zekayı izah etmekte kullanıyoruz.
Zeka, canlıların yaşam ortamına uyumunu ve hareketlerini kararlaştırdığı bir bilinmezlik olarak her zaman tanımlanmaya çalışıldı. Ama doğayı anlamamıza yarayan en mükemmel araçlardan biri olan matematik, zekayı bizler için yeniden tanımlıyor ve matematiği kullanan sevimli bilgisayarlarımız ufak algoritmalar ile öğrenebilen makinelere dönüşüyor.
Zekanın modellenmesi, aynı zamanda beynimizin de diğer doğa olaylarında olduğu gibi üstün bir fevkaladeliğe sahip olmadığını göstermekte. Yapay zeka, inancın merkezindeki ruh kavramına da karşı koyabilen kimi çıkarımlara bizi sevk etmektedir.
Yapay Zeka Nedir?
Tarih boyunca filozoflar zekayı tanımlamaya çalıştılar.[1] Kişisel ahlak ve sosyolojik çıkarımlardan uzak durarak, zekayı teknik ve matematik bir tanımla ortaya koymak gerekmektedir. Yapay zeka araştırmaları açısından zeka, çeşitli girdilere göre tepki veya sonuç döndüren şeydir. Bilgi ise, zeka tarafından işlenen girdilerin nasıl yorumlanacağının tanımıdır. Öğrenme ise mevcut çıktıları daha iyi hale getirmek için bilginin güncellenmesidir. Bu tanımları yeterli bir matematik dili ile şöyle düşünebiliriz:
- Zeka bir fonksiyondur. Bu fonksiyon n adet girdi almaktadır ve m adet çıktı türetmektedir. Yani zeka, vektörler ile işlem yapan matris fonksiyondur.
- Bilgi, bu fonksiyonun parametreleridir. Örneğin; ikinci dereceden bir polinom ax2+bx+c şeklinde yazılmaktadır. Polinomun katsayıları ise bilgidir.
- Belirttiğimiz yapay zeka fonksiyon matrisi, şayet polinomlardan oluşsa idi; öğrenme algoritmanız, polinomların katsayılarını eniyileyen (optimize eden) bir işlem olacaktı. [2]
İşte yukarıda belirttiğimiz bu kavramlar, bizlere yapay zeka kavramını vermektedir. Lisp programlama dilinin mucidi John McCarthy de bu kavramları düşünmüş ve bize yapay zeka terimini bahşetmiştir.
Günümüzde yapay zeka çalışmaları, belirli başlıklar altında gruplanmakla birlikte, temel olarak zekayı tanımlayan fonksiyonun nasıl olması gerektiği ve öğrenmeyi gerçekleştiren optimizasyon sürecinin tanımlanmasıdır. En temelde yapay zeka çalışmaları:
- Belirli bir soru silsilesine göre sınırlı sayıda cevap döndüren uzman sistemler.
- Beyin hücrelerinin çalışma mantığı ve ağ yapısından etkilenerek geliştirilen yapay sinir ağları.
Evrimsel temelli eniyileme süreçlerini gerçekleştiren, evrimsel algoritma, genetik algoritma (paralelinde genetik programlama), karınca kolonileri algoritması, benzetilmiş tavlama gibi metaheuristic metotlardır.[3]
Yapay Sinir Ağları
Beyin hücrelerinin modellendiği bir zeka ve öğrenme metodudur. Bu nedenle öncelikle beyin hücresinin nasıl çalıştığı ve bir matematik modele nasıl çevrilebildiği incelenmelidir.
Beynimizin en küçük zeka birimi neron, yani sinir hücresidir. Aslında sadece insan beyninde değil vücudun tamamında bulunmaktadır. Sadece beynimiz değil, başta omuriliğimiz dahil olmak üzere tüm sinir ağımız bilgi işlemektedir. [4]
Sinir hücresi kısaca, dendrit uçtan gelen elektrik sinyalini alır. Tabii elektrik sinyalinin ne kadar iletildiği önem arz etmektedir. Bu noktada her bir uzantı, farklı geçirgenlik (ağırlık kat sayısı) ile bilgiyi alır ve temel bir fonksiyona tabi tutar. Akabinde bu toplam bilgiyi axon ucu ile bağlı olduğu diğer terminallere dağıtır. Yukarıdaki model için n adet dentrit varsayımı yaparsak ve her bir dentrit için ağırlık katsayılarını a olarak belirlersek, tüm sistem için şu formül öngörülebilir.
Denklem 1: Sinir hücresi fonksiyonu.
Burada verilen fonksiyon için yapılan çalışmalar, en iyi sigmoid isimli fonksiyonun temsil ettiğini göstermiştir.
Denklem 2: Sigmoid fonksiyonu ile temsil edilen yapay sinir hücresi.
Görülebildiği gibi tek bir sinir hücresi modellenebilmektedir. Buradaki ai katsayılarının bulunması durumunda tek bir sinir hücresi için “öğrendi” denilebilmektedir. [5]
Yapay sinir hücresi modelleri arka arkaya birbirleri ile bağlandığında ise, çok katmanlı mimaride bir sinir ağı matematik modeli elde edilmekte.
Bundan sonraki süreç, modelin bir kere olsun öğrenmesidir. Bu konuda en temel yaklaşım geriye yayılım algoritmasının kullanılması. Geriye yayılım algoritmasında, öğrenmek için kullanılan metot, girdilere karşın çıktıların olduğu bir eğitim kümesince toplam hatanın minimuma indirildiği iteratif (döngüsel) bir hesaplamadır. Bu algoritmayı konumuz gereği burada yazmayacağız. Fakat algoritmanın temel bazı problemleri söz konusudur. Bunlara değinirsek:
- Geri besleme algoritması, bir kere öğrenme sürecine sistemi sokmakta ve bu nedenle sürekli bir iyileşme bulunmamaktadır.
- Algoritma, ufak delta farklarla sistemin en iyi değere getirilmesi yönündedir; bu da algoritmayı verimsiz yapmaktadır.
- Geri besleme süresince lokal bir minimum değere takılma ihtimali vardır. Bunun için hızlanma katsayıları kullanılmakta ve bu yazılımcı ve sistem modelcisinin bir miktar deneyimine modeli emanet etmektedir.
Bu noktada, geriye yayılım algoritmasının süreksizliği ve handikapları sebebi ile, başka algoritmalara da yönelme olmuştur. Daha önceden konusu geçmiş olan evrimsel algoritmaların kullanıldığı metotlar bulunmaktadır. Yapay sinir ağları ile birlikte kullanılabilecek olan genetik algoritma ile bu sorunlar hafifletilmektedir.[6]
Tabii sadece ileri yönlü ağlar tek çözüm değildir, başka mimarili sinir ağları da kurulabilmektedir. Örneğin; hebbian ağları ile grafik işlemek, nispeten daha kolay olmaktadır. Fakat bu ağlar, daha dijital işler yaptığı için doğal öğrenme sürecinden de uzaktır.
Yapay Sinir Sistemlerinin Günümüzde Kullanım Yerleri
![Darpha Chip’iyle yapay sinir ağları kullanarak öğrenebilen savaş sistemi.[8]](/public/uploads/issues/ateist-dergi-18/yazilar/yapay-sinir-aglari.jpg)
İnsan sinir sistemi 1011 kadar sinir hücresine sahiptir. Günümüz bilgisayarları, bu işlem hacmi için yetersizdir. CPU gerine GPU kullanılması bu sorunları aşmaktadır. Yine yapay sinir ağı sistemlerini, paralel hesaplama ile gerçekleştirmek bariz bir hız sağladığından,bu işlemler için özel paralel işlem birimleri tasarlamak gerekebilmektedir. Gümümüzde FPGA kartlarda Verilog, VHDL gibi dillerle paralel hesap yapması da mümkündür. Keza OpenCL gibi dillerin gelişmesi ile ekran kartlarına bu hesaplamaların atanması gerçekleştirilebilmektedir. [7]
Yapay sinir ağları, özellikle görüntü işleme alanında tıpta kullanılmaktadır. Keza hava sistemlerinin kontrolü de iyi mühendislik örneklerindendir. Diğer popüler uygulamalar dil tanıma ve tercüme uygulamalarında göze çarpmaktadır. Son on yılda yapay sinir ağı sistemleri daha hibrit (özellikle öğrenme algoritmalarında kullanılan diğer yapay zeka konuları göz önüne alındığında) hale gelmiştir. 100 kadar sinir hücresini modelleyerek uçan bir cismin kontrolünü devretmek gayet mümkün olmaktadır. Beyni modellemekte yeterli bir çözüm olarak, yapay sinir ağları gün geçtikçe daha uygulanabilir olmaktadır.
Yapay sinir ağları, özellikle görüntü işleme alanında tıpta kullanılmaktadır. Keza hava sistemlerinin kontrolü de iyi mühendislik örneklerindendir. Diğer popüler uygulamalar dil tanıma ve tercüme uygulamalarında göze çarpmaktadır.
Yaradılışçı bakış açısına karşın, yapay sinir ağları ve modelleyebilme yeteneğimiz tanrının yokluğunu gösterebilmekte midir?
İnsanların teknoloji ile birlikte dini inançlarını yeniden yapılandırma eğilimleri vardır. Zeka gibi bir kavramın modellenebilir olması kafalarda Tanrı figürünü bir tür programcı olarak görme eğilimi yarattı. Kimi tarikatlar Matrix filminin gerçek olduğuna ilişkin amentülerini yayınlayalı çok olmadı.[9]
Doğayı anlamak için kullandığımız matematik, bir “matematikçi Tanrı” figürüne doğru gelişirken, matematiğin insan icadı bir algılama sanatı olduğu gerçeğinden de bir o kadar sapılmıştır. Tanrı’nın ispat edilemez paradoksu karşısında acizlik duyan insan, düşünen makineler çağında, kaçınılmaz şekilde, ruh kavramının, düşüncenin bir fonksiyonu ve hayal ürünü olduğu gerçeği ile yüz yüze kalacaktır. Zekanın modellenmesi aynı zamanda ruhu modelleyemeyeceğine göre (Tanrı tarafından var edildiği kabulü ile) ruhun olmadığının en temel teknik ispatı gözükmektedir. Ruh kavramı olmadan, metafizik varlıkların mevcudiyeti düşünülememektedir.[10]
Ahlak kuramı bu noktada ruhsuz canlıların (düşünen makineler) canlılıklarını sorgulayacaktır. Yapay zeka araştırmaları kapsamında gerçekleştirilecek sistemler için, “makinelerin zekaya sahip olmadığı ve asla gerçekleştirilemeyeceği”; Tanrı inancına sahip kişilerce savunulmaktadır.
Kaynaklar:
[1] Istvan S.N. Berkeley, Claiborne Rice; Machine Mentality; 2013; Editor: Vincent C. Müller; Philosophy and Theory of Artifical Intelligent
[2] D.J Israel; A Short Sketch of the Life and Career of John McCarthy; 2012; Editor: Vladimir Lifschitz; Artifical Intelligent and Mathematical Theory of Computation Paper in Honor Jhon McCarthy.
[3] Editors: Patric Siarry, Zbigniew Michalewicz; 1998; Advances in Metaheuristics for Hard Optimization; Springer.
[4] Daniel Graupe; 2013; Principal of Artifical Neural Networks; Word Scientefic.
[5] Dan W. Patterson; 1996; Artifical Neural Networks Theory and Applications; Prantice Hall.
[6] N. B. Karayiannis, A. N. Venetsanopoulos; 1993; Artificial Neural Networks, Learning Algorithms, Performance Evaluation, and Applications; Springer Scirence and Business Media
[7] Anor R. Omondi, Jagath C. Rajapakse; 2006; FPGA Implementations of Neural Networks; Springer.
[9] Frances Flannery Dailey, Rachel Wagner; 2001; Wake Up! Gnosticism and Buddhism in the Matrix; Journal of Religion and Film
[10] Robert M. Geraci; 2008; Apocalyptic AI, Religion and the Promise of Artificial Intelligence; Oxford Univercity Press.
