Yapay Zeka Sayı Algısı Geliştirip Sayıların Anlamını Öğrenebilir mi?

Yapay zeka sayı algısı geliştirip sayıların anlamını öğrenebilir mi?

Yazar Ayşegül Şen Yiğit.

Editör Çağrı Mert Bakırcı.

Bilgisayara kıyasla bir insan 4 kediye, 4 elmaya veyahut 4 adet kaleme baktığında bunların ortak noktasının soyut bir kavram olan 4 olduğunu onları saymaya gerek duymadan

hemen anlar. Acaba yapay zekada bir gün böyle bir yeti geliştirebilir mi?

İşte Science Advances adlı dergide Andreas Mieder ve ekibinin yayınlamış olduğu bir çalışma bu sorunun cevabına yönelik bulgular tespit etti.

Miedere göre bu çalışma yapay zekanın insanların ve hayvanların sayı algısına benzer bir algı geliştirmeye başladığına dair ipuçları barındırıyor.

Bir bilgisayar nesneleri nasıl öğrenir?

Bir bilgisayarın sayı sayabilmesi için evvela ondan neyi saymasını istediğimizi açık bir komutla belirtmemiz gerekmektedir.

Bunu yapabilmesi için de ilk etapta bu nesnelerin bir takım özelliklerinden yola çıkarak İçinde pek çok nesnenin bulunduğu veya bulunmadığı fotoğrafları inceleyip o nesneyi iyice tanıması öğretilir.

Bu eğitim esnasında bilgisayar, fotoğraflarda o nesneyi görüp görmediğine dair tahminlerde bulunur ve tahminlerin doğruluğuna dayanarak istatistiksel modelini ona göre uyarlar.

Sürecin sonunda model, bir insan tarafından denetlenerek öğrenmenin gerçekleşip gerçekleşmediği kontrol edilir.

Derin öğrenme nedir?

Modern bir yapay zeka sistemi, eğitim esnasında gösterilen milyonlarca fotoğraftan sonra artık belli bir nesneyi tanıma konusunda otomatik hale gelir.

İnsan tarafından artık denetlenmeye gerek duyulmayan bu öğrenme sistemleri, zaman içerisinde fotoğraflardaki belli bir nesnenin ona özgü belli bir takım kısımlarını görmeye başlar.

Diğer bir deyişle, belli çizgilerin ve belli dairesel kıvrımların bir arada bulunuşundan hareketle bilgisayar, kendi kendine bir soyutlama yaparak söz gelimi, o objenin bir elma olduğunu algılar.

Örneğin, yuvarlağın birbirine karşı tolan iki yüzü hafif basıktır ve birinde yukarı doğru çıkan bir çizgi vardır.

Bu şekilde elmayı tanıyan bilgisayar ya da makine artık bir elma kategorisi oluşturmuştur.

Bu şekilde kendiliğinden ortaya çıkan yüksek seviye soyutlamalar derin sinir ağları denen makine öğrenmesi tekniğinin en heyecan verici sonuçlarından biridir ve bir bakıma insan beyninin çalışma

şekliyle benzerlik göstermektedir.

Derin sözcüğü, yapay sinirsel ağın çoklu katmana sahip yapısından ileri gelmektedir.

Edinilen bilgi, ağ içerisinde bir katmandan diğerine daha da derinlere ilerledikçe makinenin nesneler arasında bulduğu ortak özellikler daha soyut hale gelmektedir.

Yapay sinir ağları, hayvanların ve dolayısıyla insanların beynindeki sinirlerin birbiriyle kurdukları ağların modellenmesi yoluyla elde edilen bir yapay zeka uygulamasıdır.

Bir yapay sinir ağına giren veri, makinenin daha önce deneyimlemiş olduğu şeyle örtüşüyorsa, bu ağı oluşturan yapay sinir hücrelerinin birbiriyle daha güçlü bağlar kurmasına neden olur.

Böylece sistemin o veriye yönelik bilgileri kuvvetlenmiş olur.

Genel olarak bakacak olursak bir nesnenin en soyut özellikleri yapay sinir ağının en derinlerinde meydana gelir.

Bu bağlamda dikey yatay çizgiler veya daire gibi en temel şekiller en üst katmanda, bir elma, bir kedi veya bir insan yüzü gibi karmaşık görüntüler ise en alt yani en derin katmanda

ortaya çıkmaktadır. Aslında bu tarz bir işleyiş bazı yönlerden insan dahil pek çok canlı türünün beyninde de benzer şekilde gerçekleşmektedir.

Nasıl ki sanal nöronlar öğrenilmiş ya da pekiştirilmiş verilerin sonucunda daha güçlü hale geliyorsa, canlı beyinlerinde bir uyarana maruz kalmış nöronlarda görülen sinirsel hareketlenmeleri

de bu şekilde düşünebiliriz.

Örneğin aşağıdaki videoda genetiği değiştirilmiş bir farenin çeşitli sesler duydukça işitsel korteksindeki bazı nöronların aktif hale geçerek hücredeki kalsiyum seviyesi arttıkça nasıl da

güçlü bir şekilde yeşil renkle parladığını görebilirsiniz.

Diğer taraftan canlı beyinlerinin karmaşık sinir ağları arasında öğrenmenin gerçekleştiği en üst ya da en derin katman diye herhangi bir tabakadan bahsetmek mümkün değildir.

Makinenin sayı algılayan nöronları ve canlılarda sayı, miktar algısı.

Andreas Nieder ve ekibinin bahsedilen çalışmasında yapay sinir hücrelerinden oluşmuş bir bilgisayar modelinin sayı kavramına dair bir beceri geliştirmiş olabileceği gözlemlendi.

Bu bulgu, kendisine verilen açık bir talimat olmadan yapay zekanın neler öğrenebileceğine dair bir öngörü sunmasının yanı sıra hayvanlarda sayı kavramının nasıl geliştiğini inceleyen

bilim insanlarına da yol gösterici olması bakımından büyük önem taşımaktadır.

Araştırmada kullanılan yapay sinirsel ağ, Görsellerdeki nesneleri tanımlamak gibi temel görevleri yerine getirmek için eğitildikten sonra belirli sayılara, miktarlara cevap veren yapay nöronlar geliştirdi.

Bu yapay nöronlar, insanların ve diğer pek çok canlı türünün bir grup içerisindeki nesne sayısını kolaylıkla tahmin etme yeteneği arasında bir benzerlik olduğunu akıllara getirmektedir.

Canlılardaki bu içgüdü sayı-miktar algısı olarak adlandırılır.

Bir nesneyi gördüğümüzde beynimizin bazı bölgeleri, sadece o nesnenin varlığıyla aktif hale gelmeyip aynı zamanda o nesneyi saymadan ondan kaç tane olduğu ya da miktarı

ile ilgili olarak da harekete geçmektedir.

Bu sayıca çokluk kavramı evrimsel olarak biz dahil tüm canlılara evrimsel avantaj sağlamıştır.

Örneğin kara hayvanlarından olan siyah uluyan maymunlar rakip sürüdeki uluyan erkeklerin sayısına dayanarak karşılaştırmalı olarak grup büyüklüğünü değerlendirebilirler.

Bu yetenek maymunların daha geniş sürüler ile karşı karşıya kalabileceği riski durumlardan kaçınmalarını sağlamaktadır.

Yürüttükleri çalışmada nörobiyolog Andreas Nieder ve meslektaşları yapay bir sinir ağına nesneleri tanımayı öğretmek amacıyla içinde hayvan ve araç gibi nesneler olan 1.2 milyon

etiketli görsel kullandı.

Daha sonra araştırmacılar yapay zekaya içinde 1'den 30'a kadar nokta olan noktalı şablonlar göstererek çeşitli sanal nöronların nasıl cevap verdiğini kaydetti.

Belli sayıda noktası olan şablonlar gösterildiğinde bazı nöronlar daha aktif hale geldi.

Örneğin 20 değil de 2 nokta gösterildiğinde bazı nöronlar buna daha güçlü şekilde cevap verdi.

Bu durum nöronların belli sayıları diğerlerine göre daha çok tercih ettiği anlamına geliyordu.

Makinenin belli sayıları tercih ediş derecesi daha sonra maymun nöronlarından elde edilen önceki verilerle kıyaslandı.

Sonuçlar neredeyse aynıydı.

Yapay zekanın sayıya ilişkin nöronlarının hayvanlardakine benzer bir sayı algısı geliştirip geliştirmediğini öğrenmek için Nieder ve ekibi yapay zekaya noktalara sahip şablon çiftleri gösterdi

ve şablonların aynı sayıda nokta içerip içermediğini sordu.

Yapay zeka %81 oranında doğru cevap vererek buna benzer eşleştirme görevlerinde insanlar ve maymunlar kadar güzel bir performans sergiledi.

Yine İnsanlara ve diğer hayvanlara benzer şekilde, yapay zekada birbirine yakın sayıda noktaları olan şablonları birbirinden ayırt etmede güçlük yaşamıştı.

Nieder, doğuştan getirdiğimiz sayı algımızla ilgili olarak, bunun görsel sistemimizin yapısıyla bütünleşik bir özellik olabileceğini iddia ediyor.

İnsanların ve hayvanların gerçekleştirdiği yüksek seviyeli beyin faaliyetlerinin bazısı, çevrenin yapısıyla ve çevreyle olan görsel deneyimlerimizle yakından ilişkilidir.

Bundan dolayı Nieder ve ekibinin yaptığı bu çalışma da makine öğrenmesinin canlıların çevresini algılamasının temelinde yatan bir takım temel prensiplerle benzerlik taşıdığını gösteriyor.

Öte yandan Padova'daki İtalyan Milli Araştırma Kurumu'nda hesaplamalı sinir bilimci olan Evelyn Stajonov ise yapay zekanın sayı algısı ile hayvan beyinlerindeki sayı algısı arasında bu

türden bir doğrusal benzerlik olamayacağını söylemektedir.

Ona göre bu yapay zeka birçok etiketli görseli inceleyerek görmeyi öğrendi.

Oysa ki bu tarz bir öğrenme bebeklerin ve vahşi hayvanların etraflarındaki dünyayı algılayış yönteminden oldukça farklı.

Bu konudaki türlü görüşlere rağmen yapılan bu araştırmanın insan bebeklerinde ve vahşi hayvanlarda sayı kavramının nasıl geliştiğine dair bir takım kavrayışlar sunacağı ümit ediliyor.

Seslendiren Altay Kenger Kısa