Yapay Zeka’nın (AI) En Üst Seviyede Çalışabilmesi İçin İnsani Bir Dokunuşa İhtiyacı Vardır.
Yapay Zeka’nın (Artificial İntelligence) bugünkü durumu eski bir sözle açıklanabilir: “Çekiç tutan birisine her şey çivi gibi görünür”.
Şirketler, hükümetler ve kuruluşlar, bir yandan yeni nesil Yapay Zeka’nın öncüsü olmak için çabalarken bir yandan da bu Yapay Zeka’lardaki insansı eksikliklerin teknolojik evrimle çözülebileceğini kanıtlamak için ellerinden gelenin en iyisini yapmaya çalışıyorlar.
Peki, bu tam olarak neyi çözecek? Machine Learning (Makine Öğrenimi) inanılmaz şekilde güçlü bir araçtır, ancak diğer tüm makinalar gibi, sorunu ilk başta net olarak anlaması gerekir. Özellikle bu problemler gerçek insanlarla ilgili ise…
İnsana Karşı Makine Zekası
Douglas Adams’ın “Otostopçunun Galaksi Rehberi” serisinde hep bahsedilen bir şey vardır;
Her şeyi bilen bir bilgisayara yaşamın ve evrenin nihai yanıtını sormuşlar. 7.5 milyon yıl sonra cevabını vermiş: 42! (Bildiğiniz Sayı). Bilgisayar soruyu anlamadığı için anlamsız bir varlık dizisinden, anlamsız bir cevap verir. Sorunun tam olarak ne olduğunu bildiğinizde cevabın ne olduğunu anlayabilirsiniz.
Önemli olan, Machine Learning’in cevaplamak için çok uygun hale getirilmiş ve çaba sarf edilmiş soruları tanımlanması ve belki de en önemlisi, Yapay Zeka çerçevelerindeki paradigmatik (modelsel) kaymanın insanlar, veriler ve tanımladığı dünya arasındaki ilişkiyi nasıl etkilediğinin belirlenmesidir. Neural Networking’in kullanılmasıyla, makinelerin büyük veri kümelerindeki yapısal özellikleri ayırt etmesine ve olağandışı bir biçimde doğru olmasına izin verildi; ancak bildiklerini gerçekten anlamaları pahasına.
Douglas R. Hofstadter; Gödel, Escher, Bach: Eternal Golden Braid adlı Pulitzer ödüllü kitabında zeka konularını araştırıyor. Bilinç, basit yapıtaşlarından oluşan ama yeterince karmaşık biçimde birbirine bağlanmış, özellikle de kendine referans veren bir sistemde ortaya çıkabilir. Bu yapılara Strange Loop diyor (self reference, recursion, fractal geometri gibi kavramlarla ilgili). Zekanın, özgönderimsel (kendine işaret eden) mantık katmanları ve soyutlamalar üzerine kurulduğuna dair ortaya çıkmış yeni özellikler olduğuna inanılır.
Neural Network’ü gerçekleştirmek bir başarıdır – İnsan beyninin sayısal bir yansımasında çok katmanlı, bu katmanlar arasında bilgi aktarabilen, düğümlü ve her katmanında ağırlık değeri olan bir kafestir. Yapay Zeka’da önemli bir kural vardır. Bir insanın bir şeyi yorumlaması ve işlemesi ne kadar zor ise, bir makine için o kadar kolay olur, bazen bunun tersi de geçerli olabilir.
Pi sayısının basamaklarını hesaplamak için inanılmaz büyük rakamlara ve Tartaryan uçurumları kadar dipsiz bir bilgiye ihtiyaç varken, bir bilgisayar bunu göz açıp kapayıncaya kadar hesaplayabilir. İnsanlar utangaç bir bebeklik fotoğrafından arkadaşlarını tanıyabilir ya da bir ressamın fırça darbesinden ressamın kim olduğunu bilebilir, çok detaylı yazıları okuyup anlayabilirler. Bunlar Machine Learning’in büyük gelişmeler kaydettiği alanlardır, ancak yine de insan beyninden esinlenen Neural Networking mimarisi insansal hatalardan dolayı bazı problemler yaşayabilir.
Nature Mı, Yoksa Nurture Mı?
Tasarımı gereği, Neural Networking’in neler öğrendiğini bilemeyiz ve biz bunun yerine gördüğümüz şeyi yapana kadar sistemi daha çok veriyle beslemeye devam ederiz. Daha da kötüsü, “öğrenilen” bilgi, belirli prensipler ve kuramlar olmadığından insanlar tarafından anlaşılamayan geniş bir ağda yer alıyor. Hofstadter, Yapay Zeka’yı insan zekâsının bir yansıması olarak tasarladı, ancak modern Yapay Zeka mimarları aynı eğilimde değiller.
Bu nedenle, modern Neural Networking, ziyadesiyle doğruysa da, bizim için dünyanın herhangi bir anlayışını açığa kavuşturmaz. Aslına bakarsak, Yapay Zeka’nın bir şeye takılarak, sosyal olarak kabul edilemez bir gerçeği açıkça göstermesi, bilinen birçok iyi reklamın yapılmış örneklerinin olmasıdır. Microsoft Yapay Zeka Chatbot Tay, bir gün içinde Twitter kullanıcılarından kadın düşmanı, ırkçı ve provakatif tweetlerin nasıl hazırlandığını öğrendi. Tay, ırkçılık ve cinsiyet kavramlarının sosyal tarih teorisini öğrenmiş midir? Tartışılmaz.
Yapay Zeka Neden Gözetimsiz Bırakılamaz?
Görünüşte saçma veya çelişkili de olsa Yapay Zeka’nın amacı beşeri hayatları öğrenmek değildir.
Yanlış yönlendirilmiş Yapay Zeka’nın bir başka örneği olarak; birisinin gelecekteki suçları işleme olasılığını öngörmek için bir algoritma kullanıldı. İstatistiksel tabanlı yazılım modelleri ırkçı önyargılar öğrendi. Sonuç: Yazılım; Şiddetli suç geçmişi olan beyaz sanığa kıyasla neredeyse hiçbir suç kaydı olmayan siyah sanıklara yüksek risk atadı. Yüz tanıma yazılımına sahip bir Nikon fotoğraf makinesinin Tayvanlı bir Amerikalı kadının gözlerinin açık olup olmadığını belirleyemediği biliniyor.
İşte bu nedenle, terörist saldırılarını ortadan kaldırma çabalarına, büyük Yapay Zeka kaynakları ayıran Facebook, temizleme sürecinin nihai olarak insan moderatörlerine bağlı olduğunu kabul ediyor. Dolayısıyla Yapay Zeka’nın doğruluğu konusunda endişeleniyoruz, yalnız bırakıldığında yapabileceklerini bilmiyoruz.
Machine learning, üzerine kurulu veriler kadar iyidir ve bu veriler insan önyargılarına maruz kaldığında, Yapay Zeka sistemleri bu önyargıları devralır.
Makineler verilerden öğrenmede etkilidir, ancak insanlardan farklı olarak, bilmediği şeyleri dikkate alarak, verilerinde eksik olan şeyleri hesaba katmak söz konusu olduğunda yok denecek kadar az yetenekleri oldukları söylenebilir.
Machine Learning, paydaşların sorunlarını ve hedeflerini açık bir şekilde tanımlandığında en iyi sonuca ulaşır. Böylece uygun bir eylem planı oluşturulabilir. Sonuç olarak her şeyi bir çivi olarak ele almak, kaynakları boşa harcama, kullanıcıların güvenini sarsma ve etik ikilemlere yol açabilir.
ai artificial intelligence data science Deep Learning Dijital Deneyim ve yapay zeka Machine learning makine öğrenimi Yapay zeka yapay zeka hakkında yapay zeka kullanım alanları yapay zeka teknolojileri yapay zeka ve insan YapayZekaTR