Yapay zeka: Kaygı ve umut

Yapay zeka (YZ) araştırmaları 21. asrın ilk on yılı içinde bir dönüm noktasından geçti. O tarihe dek YZ sistemleri geliştirmek için iki farklı yaklaşım rekabet halindeydi. Mantığa dayalı ve bilginin makineye insanlar tarafından elle kodlandığı "eski moda" yaklaşım uzun süre hâkim olmuş ve dünya satranç şampiyonunu yenen Deep Blue sistemi gibi ürünler ortaya koymuştu ama birçok temel algılama işinde istenen düzeye ulaşamamıştı. Bilgisayarlara insan beynindekine benzer bir ağ üzerinde örneklere dayalı "öğrenme" yeteneği vermeyi öngören rakip yaklaşım ise kısmen akademik politikaya dayalı baskılar ve kimi teknik problemler nedeniyle gölgede kalmıştı. 2006 yılında yapay öğrenme alanında bir devrim yaşandı. Bilimsel yaşamını yapay sinir ağları için verimli öğrenme algoritmaları geliştirmeye adamış olan Kanadalı araştırmacı Geoffrey Hinton ve arkadaşlarının bir buluşuyla teknik bir darboğaz aşıldı ve aynı dönemde gereksindikleri güçlü bilgisayarların ucuzlaması ve büyük miktarda eğitim verisinin de erişilebilir hale gelmesiyle bu sistemler görüntü, ses vs. örüntü tanıma ve genelde veride gömülü ilişkileri kendi kendilerine fark etme konusunda baş döndürücü performanslara erişebildi. Birkaç yıl içinde bu yeni teknoloji dev internet şirketlerinin yazılımlarından otonom arabalara varıncaya dek birçok pratik uygulamada kullanılmaya başlamış ve rekabet ortamında hayatta kalmak için gerekli hale gelmişti. 2020'lerin YZ alanında en çok ses getiren gelişmeleri de süregiden yapay öğrenme araştırmalarının sonuçları. Bu yazıda çarpıcı birkaç ürünü gözden geçirecek, o vesileyle de "bu işin sonu nereye gidebilir?" sorusuna yanıt arayacağız. İnsanı aşmak: MuZero Google’ın (Boğaziçi'nden de bir hocamızı transfer eden) DeepMind şirketi, adını ilk kez 2016'da Uzak Doğu'nun ünlü zekâ oyunu "go"yu dünya şampiyonu düzeyinde oynayan AlphaGo programıyla duyurdu. 1990'larda satranç için bilgi tabanlı "eski moda" yaklaşımla bu düzeye gelinebildiyse de matematiksel karmaşıklığı çok daha büyük olan ve insanların oyunun gidişatı hakkında tutarlı öngörülerde bulunmakta zorlandığı go için bu başarı elde edilememişti. DeepMind AlphaGo'yu önce insan şampiyonların oyunlarındaki hamlelerini eğitim örnekleri olarak vererek, sonra da bu başlangıç bilgisiyle donanmış programın kendi kendine binlerce oyun oynayıp hangi durumda hangi hamlenin uygun olacağını "pekiştirmeli öğrenme" tekniğiyle keşfetmesini sağlayarak eğitmiş ve insanüstü seviyeye ulaştırmıştı. Sonraki yıllarda bu temel üzerine art arda iyileştirmeler yapıldı: 2017'de duyurulan AlphaGo Zero, AlphaGo'nun gereksindiği "insan örnekleri" bilgisini kullanmadan, çerçevesine sadece go oyununun temel hamle kuralları programlanan bir ağın kendi kendine oynaması sonucu elde ettiği tecrübe ile insanüstü düzeye gelebileceğini gösterdi. 2018'de duyurulan AlphaZero'nun programcıları, tek bir algoritmanın birden fazla oyunu öğrenebileceğini göstermek amacıyla sadece hamle kurallarını girdi olarak alan bir çerçeve kurdular. Böylece aynı program farklı girdilerle hem go, hem (Japon daması) şogi, hem de satranç oynamayı sadece kural kitabıyla başlayıp kendi kendine oynayarak öğrenip saatler içinde tüm (insan ve bilgisayar) rakiplerini yenecek aşamaya gelebildi. Ve sonra sıra MuZero'ya geldi. MuZero'ya uzmanı olması hedeflenen oyunun kurallarının verilmesi de gerekmiyor. MuZero sadece oyun ortamıyla baş başa bırakılıyor. Girdi olarak oyunun o anki durumunun bir görüntüsü (örneğin bir Atari ekranındaki renk noktaları dizisi veya bir go tahtası tarifi) alıyor ve başlangıçta rastgele, yenilip yenerek tecrübe kazandıkça da bu deneyimleriyle şekillendirilmiş hamleler üretiyor. Program bu "sıfır bilgi" ortamında bile çeşitli Atari oyunları, satranç, şogi ve go için öncüllerinin vardığı insanüstü seviyelerde oynamayı öğrenebiliyor. Hayatın bize deneyimlettiklerinden dünyanın işleyişini öğrenebilme becerisi "doğal zekâ"nın önemli bir yanı. Görülüyor ki bu beceriyi bilgisayarlara kazandırabilme konusunda kritik bir eşiği aşmış durumdayız. Karanlık yüz: GPT-32 Gelelim yapay zekânın son zamanlarda insanları kaygılandıran birçok yönünü barındıran yeni "yıldız"ı GPT-3'e. Genç bir araştırmacı olarak yıllarımı verdiğim "insanlarla insan dilinde sohbet edebilen bilgisayar" hedefine o zamanlar beklemediğimiz bir yaklaşımla, milyonlarca kişinin internette yazdıklarındaki kelime örüntüleri üzerinde istatistikler toplayan dev yapay sinir ağları kullanılarak erişilmiş olması bende karışık duygular yaratıyor. Teknik başarı göz kamaştırıcı ve insan dilinin gramerinin bu şekilde yakalanabilmesi önemli bir bilimsel sonuç. Ama girdiğiniz herhangi bir metni "doğal görünümlü" şekilde karşılayıp devam ettirebilen GPT-3’ün karanlık bir tarafı da var maalesef. Microsoft'un lisanslayıp faydalı uygulamalarını geliştirmek için kolları sıvadığı GPT-3’ün zararlı uygulamalarından duyduğum kaygıyı hem Oksijen'deki köşemde hem de En Hakiki Mürşit kitabımda dile getirmiştim. GPT-3’ün dediklerinin anlamlı olması, sorulara doğru cevaplar vermesi vs. tümüyle "okuduklarında" uygun örüntülerin çoğunlukla geçip geçmediğine bağlı. Ve ne yazık ki internette (hele de programın ana bilgi kaynağı olan "sohbet" gruplarında) yazılı olan şeylerin "doğru" olmasının hiçbir garantisi yok. Hatta böyle sistemlerin çeşitli sorularla tetiklendiklerinde verdikleri cevapların doğruluğunun ölçüldüğü bir araştırmaya göre daha çok katsayısı olan (yani külliyatı daha “iyi" öğrenebilen) sistemler, küresel ısınma, aşılar vs. (toplumda yanlış bilginin cirit attığı) konularda kendilerinden daha küçük sistemlerden daha yanlış cevaplar veriyor! (GPT-3’ün kimi basit sorulara "kızılcık suyuna üzüm suyu karıştırıp içersen zehirlenip ölürsün" veya "duruşma salonuna giden bir avukatsan mayo giyebilirsin" gibi saçma cevaplar vermesini de insani deneyimden yoksunluğuna veriyoruz.) Yapay zekanın önyargısı GPT-3’ün kendisine verilen başlangıç metinleri tümüyle tarafsız olsa da ürettiği metinlerde Müslümanlar aleyhine önyargılı ve suçlayıcı sözler ettiği kesinlikle ölçülmüş durumda. Sorun ciddi, çünkü GPT-3 insanlardan çok daha “üretken”. 2020 Ekim'inde tartışma platformu reddit'te komplo teorileri hakkındaki görüşlerinden "ailesi" sayesinde intihardan vazgeçişine varıncaya kadar her konuda yazan bir "kullanıcı"nın aslında GPT-3 kullanan bir program olduğu, bir hafta boyunca sektirmeden dakikada bir normal bir insanın o sürede yazamayacağı uzunlukta yazılar göndermesinden şüphelenilince ortaya çıktı. Uzmanlar baştan beri "spam” e-postaların, alışveriş sitelerinde bir ürünü almış ve beğenmiş kişilerden geliyormuş izlenimi veren sahte mesajların ve sistemi eğiten ekibin bir makalesinde deneyler sırasında yanlışlıkla ürettiklerini anlattıkları pornografik metinlerin GPT-3 tarafından fabrika hızında imal edilebileceğinden kaygılanıyordu; bu yıl bilgisayarla karşılıklı yazışarak oynanan fantezi oyunları sunan AI Dungeon platformunun metin üretmek için kullandığı GPT-3’ün kullanıcı istemese de konuyu çocuk pornografisine evrilttiği fark edildi. Milyarlarca insanın her gün kullanacağı yazılımlara bu sorunlu ürünü entegre etmek riskli. Araştırmacılar, bugünlerde farklı azınlık grupları hakkında olumlu söylemler içeren metinlerin eğitim külliyatına eklenmesinden "zehirli" metinleri tanıyıp eleyen yapay öğrenme sistemlerinin geliştirilmesine dek bir dizi çözüm geliştirmeye uğraşıyorlar. Yılın YZ ilerlemeleri arasında uzun vadede en önemli etkileri yapacak gibi görüneni, yine DeepMind tarafından geliştirilen AlphaFold sistemi oldu. AlphaFold, YZ'nin hayati bir bilimsel problemin çözülmesinde kullanılmasına verilebilecek en iyi örnek. Önce bu problemi kısaca tanımlayalım. Tüm canlıların yaşam fonksiyonları, DNA molekülünde dört moleküler "harf"li bir alfabeyle yazılan bir dizi kodun hücrelerin içindeki bir mekanizma tarafından yirmi harflik amino asit alfabesine dayalı başka bir dile "tercüme" edilmesi sayesinde işliyor. DNA dilindeki metinler, hangi proteinin üretilmesi için hangi amino asitlerin hangi sırada zincir şeklinde dizilmesi gerektiğini bilgisini içeriyor. Bu bilgi kullanılarak hücrede yüzen amino asitler art arda monte ediliyor ve ilgili protein kurulmuş oluyor. Sayısız değişik kombinasyon söz konusu olduğu için çok sayıda (yüz milyonlarca) farklı protein kurulması mümkün. Tıpta yeni devrimin yolu açıldı Proteinler zincir şeklinde tanımlanmalarına ve kurulmalarına karşın, hücrede kendilerini imal eden mekanizma tarafından serbest bırakıldıklarında atomik yapılarının ve çeşitli fiziksel güçlerin dayattığı çok karmaşık bir süreç sonucunda katlanarak kendilerine özgü bir şekle giriyorlar. Her proteinin ayrı bir şekli var ve diğerleriyle olan kimyasal ilişkileri tümüyle bu şekle bağlı. Tüm bedensel işlevler farklı proteinlerin ilişkileri sonucu yürüdüğü için hastalıkların sebep ve çarelerinin anlaşılması protein şekillerinin bilinmesine bağlı. Geçen yıla kadarki teknolojimiz ve ölçüm tekniklerimizle bu şekillerin anlaşılması çok zor ve yıllardır yapılan çalışmalara karşın varlığı bilinen milyonlarca proteinden sadece küçük bir oranının şekilleri saptanabilmiş durumda idi. Dizilimi verilen bir amino asit zincirinin nasıl katlanacağını hesaplamanın kolay bir yolunun bulunmasının sadece biyoloji ve tıpta değil, doğada var olmayan proteinlerin kolayca tasarlanabilmesini sağlayarak "akıllı malzeme"lerin üretiminde de devrimsel ilerlemelere yol açacağı öngörülüyordu. 50 yıllık sorunu çözdü 50 yıldır protein katlanması problemine genel bir çözüm bulmaya çalışan bilim insanları 2020'de derin bir nefes aldılar. DeepMind’ın, on binlerce proteinin amino asit zincirinin girdi, üç boyutlu yapı bilgisinin de çıktı olarak etiketlendiği dev bir veri kümesi üzerinde eğiterek oluşturduğu AlphaFold programı sorunu çözmüş görünüyor. Şirket AlphaFold'un tüm teknik detaylarını bilim dünyasının kullanımı için ücretsiz şekilde paylaştı. Şimdiden yüzlerce laboratuvarda kullanılmaya başlanan AlphaFold harikalar yaratıyor: Geçen yıla dek insan vücudundaki proteinlerin sadece yüzde 17'sinin şeklini biliyorduk. Şu anda bu oran yüzde 98. YZ sayesinde birçok hastalık yok olacak. Yeni bir çağa hazır olun.

Cem Say

Diğer Yazarlar

Kendinizi kötü hissediyorsanız önce yediklerinize bir bakın

Bambaşka bir Side

Kripto türbülansıyla yaşamaya alışalım!

Kur riskinden sonra enflasyon riski de kamunun sırtına binecek

Körfez sermayesiyle rekabet mümkün mü?

Yapay zeka: Kaygı ve umut