{"id":15710,"date":"2016-05-01T15:08:14","date_gmt":"2016-05-01T12:08:14","guid":{"rendered":"http:\/\/109.232.216.219\/~bilimvegelecek\/?p=15710"},"modified":"2018-01-03T15:24:00","modified_gmt":"2018-01-03T12:24:00","slug":"alphagonun-zaferi-neden-onemli","status":"publish","type":"post","link":"https:\/\/bilimvegelecek.com.tr\/index.php\/2016\/05\/01\/alphagonun-zaferi-neden-onemli","title":{"rendered":"AlphaGo\u2019nun zaferi neden \u00f6nemli?"},"content":{"rendered":"

Lee Sedol\u2019\u00fc go oyununda yenen AlphaGo\u2019nun ba\u015far\u0131s\u0131na \u00f6nayak olan teknik geli\u015fmeler, \u00e7ok daha b\u00fcy\u00fck ve kapsaml\u0131 etkilere sebep olacak m\u0131? Bu soruyu cevaplamak i\u00e7in bizi AlphaGo\u2019ya g\u00f6t\u00fcren geli\u015fmelerin Kasparov\u2019u satran\u00e7ta yenen Deep Blue\u2019ya oranla niteliksel olarak \u00e7ok daha farkl\u0131 ve \u00f6nemli oldu\u011funu anlamam\u0131z gerekir.<\/em> Go oynayan program, insan sezgiselli\u011finin baz\u0131 unsurlar\u0131n\u0131 yans\u0131tabiliyor. Bu da onu, \u00e7ok daha kapsaml\u0131 sonu\u00e7lar vaat eden bir geli\u015fme olarak konumland\u0131rmam\u0131za neden oluyor.<\/em><\/p>\n

Sunu\u015f:<\/strong><\/p>\n

Okuyaca\u011f\u0131n\u0131z yaz\u0131, Quanta Magazine<\/em> dergisinin internet sitesinde, \u201cIs AlphaGo Really Such a Big Deal?\u201d ad\u0131yla, 29 Mart tarihinde yay\u0131nlanm\u0131\u015ft\u0131r… Anaba\u015fl\u0131k, araba\u015fl\u0131k ve spot taraf\u0131m\u0131zdan konuldu; keyifli okumalar… Yazar: Michael Nielsen<\/p><\/blockquote>\n

1997\u2019de, IBM\u2019in geli\u015ftirdi\u011fi Deep Blue sistemi, d\u00fcnya satran\u00e7 \u015fampiyonu Garry Kasparov\u2019u yenmi\u015fti. Bu zafer, o zamanlar yapay zek\u00e2 a\u00e7\u0131s\u0131ndan bir kilometre ta\u015f\u0131 olarak kabul edilmi\u015fti. Fakat Deep Blue teknolojisinin satran\u00e7tan ba\u015fka bir alanda kullan\u0131lmak i\u00e7in yeterince ba\u015far\u0131l\u0131 olmad\u0131\u011f\u0131 g\u00f6r\u00fcld\u00fc. Deep Blue, bilgisayarbilimi a\u00e7\u0131s\u0131ndan bir devrim olamam\u0131\u015ft\u0131. Peki, tarihin en g\u00fc\u00e7l\u00fc go oyuncular\u0131ndan birini ge\u00e7ti\u011fimiz g\u00fcnlerde yenen AlphaGo, bu anlamda ortaya bir fark koyabilecek mi?<\/p>\n

\"\"
AlphaGo ve Lee Sedol ma\u00e7lardan birinde.<\/figcaption><\/figure>\n

\u015eimdiye kadar yaz\u0131l\u0131p \u00e7izilen sebeplerden ba\u011f\u0131ms\u0131z olarak, ben cevab\u0131n \u201cEvet\u201d oldu\u011funa inan\u0131yorum. \u00c7o\u011fu \u00e7al\u0131\u015fmada, gonun satran\u00e7tan \u00e7ok daha zorlu bir oyun oldu\u011funa dair uzman g\u00f6r\u00fc\u015fleri sunularak, bu zafer daha da etkileyici bir hale getiriliyor. Baz\u0131lar\u0131nda, en az bir 10 y\u0131l daha bir bilgisayar\u0131n go oyununda zafer kazanamayaca\u011f\u0131n\u0131n beklendi\u011fi, dolay\u0131s\u0131yla bunun beklenenden de b\u00fcy\u00fck bir d\u00f6n\u00fcm noktas\u0131 oldu\u011fu vurgulan\u0131yor. Baz\u0131 \u00e7al\u0131\u015fmalarda ise goda satranca g\u00f6re \u00e7ok daha fazla potansiyel hamle olmas\u0131 ger\u00e7e\u011fi tekrar vurgulan\u0131yor, fakat bunun bilgisayarlar\u0131 neden insanlardan daha \u00e7ok zorlamas\u0131 gerekti\u011fi a\u00e7\u0131klanm\u0131yor.<\/p>\n

Asl\u0131nda bu arg\u00fcmanlar\u0131n hi\u00e7biri esas soruya de\u011finmiyor: AlphaGo\u2019nun ba\u015far\u0131s\u0131na \u00f6nayak olan teknik geli\u015fmeler, \u00e7ok daha b\u00fcy\u00fck ve kapsaml\u0131 etkilere sebep olacak m\u0131? Bu soruyu cevaplamak i\u00e7in bizi AlphaGo\u2019ya g\u00f6t\u00fcren geli\u015fmelerin Deep Blue\u2019ya oranla niteliksel olarak \u00e7ok daha farkl\u0131 ve \u00f6nemli oldu\u011funu anlamam\u0131z gerekir.<\/p>\n

Deep Blue\u2019nun Kasparov kar\u015f\u0131s\u0131ndaki ba\u015far\u0131s\u0131n\u0131n s\u0131rr\u0131 neydi?<\/strong><\/p>\n

Satranca yeni ba\u015flayan oyunculara satran\u00e7 ta\u015flar\u0131n\u0131n de\u011ferleri d\u00fc\u015f\u00fcncesi \u00f6\u011fretilir. Bir at veya fil \u00fc\u00e7 piyon eder. Daha fazla hareket alan\u0131 olan bir kale, be\u015f piyon eder. En fazla hareket alan\u0131na sahip olan vezir ise dokuz piyon de\u011ferindedir. \u015eah\u0131n de\u011feri ise sonsuzdur; \u015fah\u0131 kaybetmek oyunu kaybetmek demektir.<\/p>\n

Bu de\u011ferleri kullanarak potansiyel hamleleri de\u011ferlendirebilirsiniz. Rakibin kalesini almak i\u00e7in filden vazge\u00e7mek genelde iyi bir fikirdir. Kale i\u00e7in bir at ve bir fili feda etmek ise o kadar da iyi bir fikir de\u011fildir.<\/p>\n

Bu de\u011fer kavram\u0131, satran\u00e7 programlar\u0131 i\u00e7in \u00e7ok hayatidir. \u00c7o\u011fu satran\u00e7 program\u0131, milyonlarca, hatta milyarlarca hamle ve kar\u015f\u0131 hamle kombinasyonunu tarar. Program\u0131n hedefi, rakibin hangi hamle dizisini oynad\u0131\u011f\u0131ndan ba\u011f\u0131ms\u0131z olarak, tahtan\u0131n son pozisyonunun de\u011ferini en fazla yapacak hamle dizisini bulmakt\u0131r.<\/p>\n

\"\"\u0130lk satran\u00e7 programlar\u0131, tahta pozisyonlar\u0131n\u0131 \u201cbir fil \u00fc\u00e7 piyon eder\u201d gibi basit kavramlar kullanarak hesapl\u0131yordu. Fakat daha sonraki programlar, daha derin ve detayl\u0131 bir satran\u00e7 bilgisi kulland\u0131. \u00d6rne\u011fin Deep Blue, tahta pozisyonlar\u0131n\u0131 hesaplamak i\u00e7in kulland\u0131\u011f\u0131 fonksiyonda 8000\u2019den fazla farkl\u0131 de\u011fi\u015fken kullanm\u0131\u015ft\u0131. Deep Blue sadece bir kalenin be\u015f piyona e\u015fit oldu\u011funu s\u00f6ylemekle kalm\u0131yor, ayn\u0131 renkte bir piyon kalenin \u00f6n\u00fcndeyse, piyonun kalenin hareket alan\u0131n\u0131 k\u0131s\u0131tlayarak de\u011ferini azaltaca\u011f\u0131n\u0131 biliyordu. Fakat e\u011fer bu piyon d\u00fc\u015fman bir piyonu esir alarak kalenin yolundan \u00e7ekilebiliyorsa, Deep Blue bu piyonu \u201cyar\u0131-saydam\u201d olarak kabul edip kalenin de\u011ferini \u00e7ok fazla d\u00fc\u015f\u00fcrm\u00fcyordu.<\/p>\n

Bu tarz fikirler, \u00e7ok detayl\u0131 bir satran\u00e7 bilgisine dayan\u0131yor ve Deep Blue\u2019nun ba\u015far\u0131s\u0131nda hayati \u00f6nem ta\u015f\u0131yordu. Deep Blue tak\u0131m\u0131 taraf\u0131ndan yaz\u0131lan teknik bir makaleye g\u00f6re, bu yar\u0131-saydam piyon kavram\u0131 Deep Blue\u2019nun Kasparov\u2019a kar\u015f\u0131 ikinci ma\u00e7\u0131ndaki kritik k\u0131s\u0131md\u0131.<\/p>\n

Sonu\u00e7 olarak, Deep Blue geli\u015ftiricileri iki ana fonksiyon kulland\u0131lar. \u0130lki, verilen herhangi bir tahta pozisyonunun de\u011ferini hesaplayabilmek i\u00e7in \u00e7ok say\u0131da detayl\u0131 satran\u00e7 bilgisini birle\u015ftiren bir fonksiyon yaratmakt\u0131. \u0130kincisi ise \u00e7ok say\u0131da muhtemel hamlenin de\u011ferini hesaplayabilmek i\u00e7in muazzam bir bilgisayar ve i\u015fleme g\u00fcc\u00fc kullanarak, olas\u0131 final pozisyonlar\u0131n\u0131n en iyisine g\u00f6t\u00fcrecek hamleleri se\u00e7mekti.<\/p>\n

Bu y\u00f6ntemi goya uygularsan\u0131z ne olur?<\/p>\n

\"\"
Kasparov ve Deep Blue.<\/figcaption><\/figure>\n

G\u00f6r\u00fcnen o ki, denedi\u011finizde \u00e7ok zor bir problemle kar\u015f\u0131la\u015f\u0131rs\u0131n\u0131z. Problem, tahta pozisyonlar\u0131n\u0131 nas\u0131l de\u011ferlendirece\u011finizi belirleme k\u0131sm\u0131nda ortaya \u00e7\u0131k\u0131yor. En iyi go oyuncular\u0131, belirli bir tahta pozisyonunun ne kadar iyi oldu\u011funu de\u011ferlendirmek i\u00e7in sezgilerini \u00e7ok\u00e7a kullan\u0131r. \u00d6rne\u011fin, bir tahta pozisyonuyla ilgili olarak, \u201c\u015eekli g\u00fczel g\u00f6r\u00fcn\u00fcyor\u201d gibi \u00fcst\u00fc kapal\u0131 beyanlarda bulunacaklard\u0131r. Bu sezginin, satran\u00e7 ta\u015flar\u0131n\u0131n de\u011ferlerinin hesaplanmas\u0131 gibi basit, iyi tan\u0131mlanm\u0131\u015f sistemlerde nas\u0131l ifade edilebilece\u011fi yeterince a\u00e7\u0131k ve net de\u011fil.<\/p>\n

Bu noktada, i\u015fin sadece \u00e7ok \u00e7al\u0131\u015fmak ve tahta pozisyonlar\u0131n\u0131 de\u011ferlendirmek i\u00e7in iyi bir yol bulmak meselesi oldu\u011funu d\u00fc\u015f\u00fcnebilirsiniz. Maalesef, geleneksel y\u00f6ntemleri kullanarak yap\u0131lan onlarca y\u0131ll\u0131k \u00e7al\u0131\u015fmadan sonra bile, satran\u00e7 i\u00e7in \u00e7ok ba\u015far\u0131l\u0131 olan bu arama y\u00f6ntemini uygulamak i\u00e7in h\u00e2l\u00e2 belli bir yol bulunamad\u0131 ve go programlar\u0131 beklentileri kar\u015f\u0131layamad\u0131. 2006\u2019da Monte Carlo a\u011fa\u00e7 arama algoritmalar\u0131n\u0131n ortaya \u00e7\u0131kmas\u0131yla bu durum de\u011fi\u015fmeye ba\u015flad\u0131. Bu algoritmalar, oyunlar\u0131 rasgele simule etme gibi zekice bir yola dayanan yeni bir de\u011ferleme yakla\u015f\u0131m\u0131 kullan\u0131yorlar. Fakat go programlar\u0131 insan yetenekleriyle k\u0131yasland\u0131\u011f\u0131nda h\u00e2l\u00e2 \u00e7ok geride kal\u0131yor. G\u00f6r\u00fcnen o ki, ba\u015far\u0131 i\u00e7in as\u0131l gerekli \u015fey tahta pozisyonuyla ilgili g\u00fc\u00e7l\u00fc bir sezgisel alg\u0131. AlphaGo ile ilgili yeni ve \u00f6nemli olan \u015fey, geli\u015ftiricilerinin bu sezgisel alg\u0131ya benzer bir yol bulmu\u015f olmalar\u0131.<\/p>\n

AlphaGo\u2019nun ba\u015far\u0131s\u0131 neden farkl\u0131?<\/strong><\/p>\n

Bunun nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 a\u00e7\u0131klayabilmem i\u00e7in, \u00f6ncelikle, AlphaGo tak\u0131m\u0131n\u0131n Ocak ay\u0131nda yay\u0131mlad\u0131\u011f\u0131 makaledeki(1) <\/sup>\u015fekliyle biraz AlphaGo sistemini anlatay\u0131m (AlphaGo\u2019nun Lee Sedol ile ma\u00e7\u0131 i\u00e7in sistem biraz de\u011fi\u015ftirilmi\u015f, fakat genel prensipler de\u011fi\u015fmemi\u015f). AlphaGo iyi oyuncular taraf\u0131ndan oynanm\u0131\u015f 150.000 oyunu al\u0131p, bu oyunlar i\u00e7erisinde birtak\u0131m \u00f6r\u00fcnt\u00fc ve \u015fablonlar bulabilmek i\u00e7in yapay sinir a\u011flar\u0131 kullanm\u0131\u015f. \u00d6zel olarak, verilen herhangi bir pozisyonda bir insan\u0131n hangi hamleyi oynayaca\u011f\u0131n\u0131 y\u00fcksek olas\u0131l\u0131kla tahmin etmeyi \u00f6\u011frenmi\u015f. AlphaGo\u2019nun geli\u015firicileri, \u00f6nceki versiyonlar\u0131yla AlphaGo\u2019yu tekrar tekrar birlikte oynatarak bu sinir a\u011f\u0131n\u0131 daha da geli\u015ftirmi\u015fler. B\u00f6ylece bu sinir a\u011f\u0131, kazanma \u015fans\u0131n\u0131 kademeli olarak art\u0131rm\u0131\u015f.<\/p>\n

Peki bu sinir a\u011f\u0131 iyi hamleleri tahmin etmeyi nas\u0131l \u00f6\u011freniyor?<\/p>\n

\"\"
Quanta Magazine i\u00e7in Markos Kay taraf\u0131ndan \u00e7izilmi\u015ftir.<\/figcaption><\/figure>\n

Kabaca bir sinir a\u011f\u0131, modelin davran\u0131\u015f\u0131n\u0131 de\u011fi\u015ftirmek i\u00e7in ayarlanabilen milyonlarca de\u011fi\u015fkenli, \u00e7ok karma\u015f\u0131k bir matematiksel modeldir. Sinir a\u011f\u0131n\u0131n \u00f6\u011frenmesinden kast\u0131m, bilgisayar\u0131n modeldeki de\u011fi\u015fkenler \u00fczerinde \u00e7ok k\u00fc\u00e7\u00fck ayarlamalar yapmaya devam etmesi, s\u00f6zkonusu k\u00fc\u00e7\u00fck ayarlamalar\u0131 neye g\u00f6re yapaca\u011f\u0131yla ilgili kendi i\u00e7inde bir yol bulmaya \u00e7al\u0131\u015fmas\u0131. \u00d6\u011frenmenin ilk k\u0131sm\u0131nda a\u011f, insan oyuncularla ayn\u0131 hamleyi yapabilme ihtimalini art\u0131rmaya \u00e7al\u0131\u015fm\u0131\u015f. \u0130kinci k\u0131s\u0131mda, tek ba\u015f\u0131na oynad\u0131\u011f\u0131 bir oyunda kendine kar\u015f\u0131 galibiyet kazanma ihtimalini art\u0131rmaya \u00e7al\u0131\u015fm\u0131\u015f. A\u015f\u0131r\u0131 karma\u015f\u0131k bir fonksiyonda s\u00fcrekli \u00e7ok k\u00fc\u00e7\u00fck ayarlamalar yapmak ilk bak\u0131\u015fta umutsuzca bir stratejiymi\u015f gibi gelebilir. Fakat bunu g\u00fc\u00e7l\u00fc bir bilgisayar ve i\u015fleme g\u00fcc\u00fcyle birlikte yeterince uzun s\u00fcre uygularsan\u0131z, a\u011f olduk\u00e7a iyi bir hale gelir. \u0130\u015fin ilginci, bu k\u00fc\u00e7\u00fck geli\u015fmeler otomatik olarak yap\u0131lan milyarlarca k\u00fc\u00e7\u00fck ayarlaman\u0131n sonucu oldu\u011fundan, a\u011f\u0131n iyi hale gelmesinin sebepleri kimse taraf\u0131ndan ger\u00e7ekten anla\u015f\u0131lam\u0131yor.<\/p>\n

Sinir a\u011f\u0131, bu iki e\u011fitim safhas\u0131ndan sonra amat\u00f6r bir insan kadar go oynayabilecek seviyeye gelebilmi\u015f. Fakat profesyonel seviyeye ula\u015fmak \u00e7ok daha uzun ve me\u015fakkatli bir yol. AlphaGo\u2019nun bu a\u015famada yapt\u0131\u011f\u0131 \u015fey, bir anlamda, ileri hamleleri d\u00fc\u015f\u00fcnmeden ve tahta pozisyonlar\u0131n\u0131 de\u011ferlendirmeden go oynamak olmu\u015f. Amat\u00f6r seviyeden ileri gidebilmek i\u00e7in AlphaGo\u2019nun bu pozisyonlar\u0131n de\u011ferini hesaplayabilen bir y\u00f6nteme ihtiyac\u0131 vard\u0131.<\/p>\n

Geli\u015ftiricilerin bu engeli a\u015fmak i\u00e7in ortaya att\u0131klar\u0131 ana fikir, verilen bir tahta pozisyonunun kazanabilme ihtimalini tahmin edebilmesi i\u00e7in AlphaGo\u2019nun kendine kar\u015f\u0131 oynamas\u0131yd\u0131. Bu kazanma ihtimali, pozisyonun kabaca bir de\u011ferlemesini yapmaya olanak sa\u011fl\u0131yordu (AlphaGo bu fikrin biraz daha karma\u015f\u0131k bir halini kullanm\u0131\u015f.). AlphaGo daha sonra bu de\u011ferleme yakla\u015f\u0131m\u0131yla oyunun bir\u00e7ok olas\u0131 gidi\u015fat\u0131 \u00fczerinde yap\u0131lan arama i\u015flemini birle\u015ftirmi\u015f. Bu arama algoritmas\u0131, a\u011f\u0131n daha olas\u0131 g\u00f6rd\u00fc\u011f\u00fc gidi\u015fatlara daha meyilli bir algoritma. Bundan sonra a\u011f, en y\u00fcksek tahta de\u011ferlemesine g\u00f6t\u00fcren hamleyi se\u00e7iyor.<\/p>\n

Buradan anl\u0131yoruz ki AlphaGo, Deep Blue\u2019nun aksine, i\u015fe detayl\u0131 bir go bilgisine dayal\u0131 de\u011ferleme sistemiyle ba\u015flamam\u0131\u015f. Bunun yerine, binlerce oyunu analiz ederek ve kendine kar\u015f\u0131 oynayarak, her biri \u00e7ok k\u00fc\u00e7\u00fck ve kademeli geli\u015fme sa\u011flayan milyarlarca \u00e7ok k\u00fc\u00e7\u00fck ayarlamayla bir sinir a\u011f\u0131 yaratm\u0131\u015f. Bu da AlphaGo\u2019nun, iyi bir go oyuncusunun farkl\u0131 tahta pozisyonlar\u0131n\u0131n de\u011ferleriyle ilgili sezgisine benzeyen bir de\u011ferleme sistemi olu\u015fturmas\u0131na yard\u0131mc\u0131 olmu\u015f.<\/p>\n

Bu anlamda, AlphaGo Deep Blue\u2019dan \u00e7ok daha radikal diyebiliriz. Bilgisayarlar, bilgisayarbiliminin ilk zamanlar\u0131ndan beri, bilinen fonksiyonlar\u0131n optimize edilmesi i\u00e7in yollar aramada kullan\u0131lagelmi\u015ftir. Deep Blue\u2019nun yakla\u015f\u0131m\u0131, karma\u015f\u0131k, fakat halihaz\u0131rda var olan satran\u00e7 bilgisini ifade eden fonksiyonlar\u0131n optimize edilmesini ama\u00e7layan bir arama algoritmas\u0131 olu\u015fturmakt\u0131. Bu aramay\u0131 nas\u0131l yapt\u0131\u011f\u0131 konusunda olduk\u00e7a zekiydi, fakat yine de 1960\u2019larda yaz\u0131lm\u0131\u015f \u00e7o\u011fu programdan pek de farkl\u0131 de\u011fildi.<\/p>\n

AlphaGo daha ak\u0131ll\u0131ca bir arama stratejisine sahip olsa da, o da arama ve optimize etme y\u00f6ntemlerini birlikte kullan\u0131yor. Yeni ve al\u0131\u015f\u0131lmad\u0131k olan, bir \u00f6nceki a\u015fama. Bu a\u015famada, bir tahta pozisyonunun iyi oldu\u011funu sezmeye yard\u0131mc\u0131 olacak fonksiyonu \u00f6\u011frenmek i\u00e7in bir sinir a\u011f\u0131 kullan\u0131yor. AlphaGo\u2019nun bu kadar y\u00fcksek seviye bir oyun \u00e7\u0131karmas\u0131n\u0131 sa\u011flayan \u015fey bu iki a\u015faman\u0131n bir arada kullan\u0131lmas\u0131yd\u0131.<\/p>\n

Yapay zek\u00e2 ve sezgi<\/strong><\/p>\n

Sezgisel \u00f6r\u00fcnt\u00fc tan\u0131maya benzer bir \u015fey yaratan bu yetene\u011fe bir d\u00f6n\u00fcm noktas\u0131 diyebiliriz. Bu ayr\u0131ca daha b\u00fcy\u00fck bir ak\u0131m\u0131n da par\u00e7as\u0131. \u00d6nceki \u00e7al\u0131\u015fmalardan birinde(2),<\/sup> AlphaGo\u2019yu da yaratan Google DeepMind, 49 klasik atari 2600 video oyununu oynamay\u0131 \u00f6\u011frenen bir sinir a\u011f\u0131 yapt\u0131. Bu sinir a\u011f\u0131, \u00e7o\u011fu zaman uzman seviyedeki insanlar\u0131n eri\u015femedi\u011fi seviyelere \u00e7\u0131kmay\u0131 ba\u015farm\u0131\u015f. Bu sorunun \u00e7\u00f6z\u00fcm\u00fc i\u00e7in klasik yakla\u015f\u0131m kullan\u0131lsayd\u0131, DeepBlue\u2019nun tarz\u0131na benzer bir y\u00f6ntem kullan\u0131l\u0131rd\u0131. Yani, programc\u0131 her bir oyunu ayr\u0131 ayr\u0131 analiz edip, oynamak i\u00e7in gerekli kontrol stratejilerini \u00e7\u00f6zmeye \u00e7al\u0131\u015f\u0131rd\u0131.<\/p>\n

Buna kar\u015f\u0131n DeepMind\u2019\u0131n sinir a\u011f\u0131 \u00e7ok say\u0131da oynama \u015feklini incelemi\u015f. Ba\u015flang\u0131\u00e7ta, daha \u00e7ok yeni \u00f6\u011frenen bir insan gibi ama\u00e7s\u0131zca ve agresif bir \u015fekilde kontrols\u00fcz hamleler yap\u0131yormu\u015f. Fakat a\u011f baz\u0131 durumlarda \u015fans eseri zekice hamleler g\u00f6steriyormu\u015f. Bir yerden sonra, iyi hamle dizilerini fark edebilmeyi, ba\u015fka bir deyi\u015fle y\u00fcksek skora g\u00f6t\u00fcren hamle dizilerini, AlphaGo\u2019nun y\u00f6nteminden pek de farkl\u0131 olmayan bir \u015fekilde \u00f6\u011frenmi\u015f. Bundan sonra a\u011f, davran\u0131\u015f\u0131n\u0131 peki\u015ftirip, seviyesini kademeli \u015fekilde art\u0131rm\u0131\u015f.<\/p>\n

Sinir a\u011flar\u0131n\u0131n sezgi ve \u00f6r\u00fcnt\u00fc tan\u0131ma yetileri ba\u015fka yerlerde de kullan\u0131l\u0131yor. 2015\u2019te Leon Gatys, Alexander Ecker ve Matthias Bethge arxiv.org\u2019da bir \u00e7al\u0131\u015fma(3)<\/sup> yay\u0131mlad\u0131lar. \u00c7al\u0131\u015fmada bir sinir a\u011f\u0131n\u0131n sanatsal stilleri \u00f6\u011frenip bu stilleri ba\u015fka resimlere uygulamas\u0131 i\u00e7in bir y\u00f6ntem tan\u0131mlan\u0131yor. Fikir olduk\u00e7a basit: A\u011fa \u00e7ok fazla say\u0131da resim g\u00f6sterilerek, benzer stile sahip resimleri fark edebilme yetisi kazanmas\u0131 sa\u011flan\u0131yor. Daha sonra a\u011f, bu stili ba\u015fka resimler \u00fczerine uygulayabiliyor. Resim 1\u2019de, Vincent van Gogh\u2019un stili (ortada) Eyfel Kulesi foto\u011fraf\u0131na (solda) uyguland\u0131\u011f\u0131nda, ortaya \u00e7\u0131kan resmi (sa\u011fda) g\u00f6rebilirsiniz.<\/p>\n

\"\"
Resim 1: DeepStyle kullan\u0131m\u0131, orijinal yaz\u0131da Andre Infante\u2019in izniyle kullan\u0131lm\u0131\u015ft\u0131r.<\/figcaption><\/figure>\n

Ortaya \u00e7\u0131kan sonu\u00e7 sanatsal olarak \u00e7ok b\u00fcy\u00fck bir de\u011fer ta\u015f\u0131masa da, bir sinir a\u011f\u0131n\u0131n sezgiselli\u011fi yakalayabilmesi ve bunu ba\u015fka yerlere uygulayabilmesi ad\u0131na dikkate de\u011fer bir \u00f6rnek.<\/p>\n

Sinir a\u011flar\u0131, sezgiselli\u011fi yakalayabilmek ve \u00f6r\u00fcnt\u00fcleri fark edebilmek i\u00e7in ge\u00e7ti\u011fimiz birka\u00e7 y\u0131l boyunca bir\u00e7ok alanda kullan\u0131ld\u0131. Bu a\u011flar\u0131 kullanan, sanatsal stili tan\u0131ma veya iyi bir bilgisayar oyunu stratejisi geli\u015ftirme gibi bir\u00e7ok proje do\u011fada da g\u00f6r\u00fclebilir. Fakat sezgiselli\u011fi ses ve dil gibi \u00e7ok farkl\u0131 alanlarda sim\u00fcle eden \u00e7ok \u00e7arp\u0131c\u0131 a\u011f \u00f6rnekleri de var.<\/p>\n

Bu \u00e7ok y\u00f6nl\u00fcl\u00fckten dolay\u0131 AlphaGo\u2019yu devrimsel bir yenilikten ziyade, sezgiselli\u011fi yakalayabilen ve \u00f6r\u00fcnt\u00fcleri tan\u0131may\u0131 \u00f6\u011frenebilen sistemler in\u015fa edebilme yetisi gibi \u00e7ok \u00f6nemli bir geli\u015fmenin \u00f6nc\u00fcs\u00fc olarak g\u00f6r\u00fcyorum. Bilgisayar bilimcileri onlarca y\u0131ld\u0131r, pek ilerleme kaydedemeden bunun \u00fczerinde \u00e7al\u0131\u015f\u0131yorlar. Fakat sinir a\u011flar\u0131n\u0131n bu ba\u015far\u0131s\u0131 sayesinde art\u0131k bilgisayarlarla \u00e7\u00f6zebilece\u011fimiz problem t\u00fcrleri bir hayli artacak gibi.<\/p>\n

Bu noktada sevinip, yapay zek\u00e2n\u0131n sadece birka\u00e7 y\u0131l uza\u011f\u0131m\u0131zda oldu\u011funu s\u00f6ylemek cazip gelebilir. D\u00fc\u015f\u00fcnme tarz\u0131n\u0131, sezgisel d\u00fc\u015f\u00fcnme ve bilgisayarlar\u0131n iyi oldu\u011funu bildi\u011fimiz mant\u0131ksal d\u00fc\u015f\u00fcnme olarak ikiye ay\u0131rd\u0131\u011f\u0131n\u0131z\u0131 farz edin. E\u011fer AlphaGo ve benzeri sistemleri, bilgisayarlar\u0131n sezgiselli\u011fi sim\u00fcle edebilece\u011finin kan\u0131t\u0131 olarak g\u00f6r\u00fcrsek, t\u00fcm detaylar halledilmi\u015f gibi duruyor. Yani bilgisayarlar art\u0131k hem mant\u0131ksal hem sezgisel davran\u0131\u015f g\u00f6sterebilir. Elbette bu da yapay zek\u00e2n\u0131n eli kula\u011f\u0131nda oldu\u011funu g\u00f6sterir.<\/p>\n

Fakat burada teorik bir hata var. Bir\u00e7ok farkl\u0131 zihinsel s\u00fcreci ayn\u0131 kefeye koyup, hepsine birden \u201csezgi\u201d diyoruz. Sinir a\u011flar\u0131n\u0131n spesifik bir durumda sezgiselli\u011fi yakalayabilmesi, ba\u015fka durumlarda da ayn\u0131 \u015fekilde ba\u015far\u0131 g\u00f6sterece\u011fi anlam\u0131na gelmiyor. Belki de bizim sezgisellik gerektiriyor diye d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fcz ba\u015fka i\u015flerde bu kadar b\u00fcy\u00fck bir ba\u015far\u0131 g\u00f6steremeyecek.<\/p>\n

Yapay sinir a\u011flar\u0131 yan\u0131lt\u0131labilir mi?<\/strong><\/p>\n

Asl\u0131na bakarsak, sinir a\u011flar\u0131yla ilgili bilgimiz ve alg\u0131m\u0131z olduk\u00e7a zay\u0131f. \u00d6rne\u011fin, 2014\u2019teki bir \u00e7al\u0131\u015fma(4)<\/sup>, sinir a\u011flar\u0131n\u0131n nas\u0131l yan\u0131lt\u0131labilece\u011fini g\u00f6steren \u201ckar\u015f\u0131 \u00f6rnekler\u201d g\u00f6steriyor. Ara\u015ft\u0131rmac\u0131lar, resim tan\u0131mada \u00e7ok iyi olan bir sinir a\u011f\u0131n\u0131 kullanarak i\u015fe ba\u015flam\u0131\u015flar. \u0130lk ba\u015fta sinir a\u011flar\u0131n\u0131n \u00f6r\u00fcnt\u00fc tan\u0131ma yetene\u011finin klasik ba\u015far\u0131s\u0131n\u0131 g\u00f6rm\u00fc\u015fler. Fakat daha sonra resimlerde \u00e7ok k\u00fc\u00e7\u00fck de\u011fi\u015fiklikler yaparak sinir a\u011f\u0131n\u0131 kand\u0131rman\u0131n m\u00fcmk\u00fcn oldu\u011funu g\u00f6steriyorlar. \u00d6rne\u011fin a\u011f, Resim 2\u2019de solda g\u00f6r\u00fclen resmi do\u011fru bir \u015fekilde tan\u0131mlayabiliyor. Ara\u015ft\u0131rmac\u0131lar bu resme ortadaki gibi \u00e7ok k\u00fc\u00e7\u00fck desenler ekledi\u011finde, ortaya \u00e7\u0131kan resim (sa\u011fda) orijinalinden ay\u0131rt edilemiyor olmas\u0131na ra\u011fmen, a\u011f bu resmi yanl\u0131\u015f bir \u015fekilde s\u0131n\u0131fland\u0131r\u0131yor.<\/p>\n

\"\"
Resim 2: Orijinal yaz\u0131da Christian Szegedy\u2019nin izniyle kullan\u0131lm\u0131\u015ft\u0131r.<\/figcaption><\/figure>\n

Halihaz\u0131rda var olan sistemlerin k\u0131s\u0131tlamalar\u0131ndan biri de, \u00f6\u011frenmek i\u00e7in \u00e7ok fazla say\u0131da \u00f6rne\u011fe ihtiya\u00e7 duymalar\u0131. \u00d6rne\u011fin AlphaGo, insanlar taraf\u0131ndan oynanm\u0131\u015f 150.000 oyun \u00fczerinden \u00f6\u011frenme i\u015flemini ger\u00e7ekle\u015ftirdi. Bu \u00e7ok b\u00fcy\u00fck bir say\u0131. Buna kar\u015f\u0131n, insanlar \u00e7ok daha az say\u0131da oyun oynayarak iyi bir seviyeye gelebiliyor. Benzer \u015fekilde, resim tan\u0131yan ve i\u015fleyen a\u011flar genellikle milyonlarca \u00f6rnek resim \u00fczerinden \u00f6\u011frenme i\u015flemini ger\u00e7ekle\u015ftiriyor. Bu \u00f6rnek resimlerin her biri, resmin t\u00fcr\u00fcyle ilgili bilgiyi de i\u00e7eriyor. Yani burada \u00f6nemli nokta, daha az insan \u00fcretimi veriyle ve veriye dair daha az bilgiyle daha iyi sonu\u00e7lar \u00fcretebilen sistemler yaratabilmek.<\/p>\n

Bununla birlikte, AlphaGo tarz\u0131 sistemler ger\u00e7ekten heyecan verici. \u0130nsan sezgiselli\u011finin en az\u0131ndan baz\u0131 bi\u00e7imlerini \u00fcretebilmek i\u00e7in bilgisayar sistemlerini nas\u0131l kullanmam\u0131z gerekti\u011fini \u00f6\u011frenmi\u015f olduk. \u00d6n\u00fcm\u00fczde bizi bekleyen \u00e7ok fazla zorlu g\u00f6rev var: temsil edebilece\u011fimiz sezgisel davran\u0131\u015f t\u00fcrlerini art\u0131rmak, sistemleri kararl\u0131 hale getirmek, neden ve nas\u0131l \u00e7al\u0131\u015ft\u0131klar\u0131n\u0131 anlamak ve bunlar\u0131, bilgisayar sistemlerinin var olan g\u00fc\u00e7l\u00fc y\u00f6nleriyle birle\u015ftirebilecek daha iyi yollar bulmak. Acaba matematiksel ispat yapmaya veya hik\u00e2ye yazmaya varan baz\u0131 sezgisel yarg\u0131lar\u0131 temsil edebilmeyi \u00f6\u011frenebilecek miyiz? G\u00f6r\u00fcnen o ki, yapay zek\u00e2 a\u00e7\u0131s\u0131ndan son derece umut vaat eden bir zaman dilimi i\u00e7erisindeyiz.<\/p>\n

Dipnotlar<\/strong><\/p>\n

1) http:\/\/www.nature.com\/nature\/journal\/v529\/n7587\/full\/nature16961.html<\/p>\n

2) http:\/\/www.nature.com\/nature\/journal\/v518\/n7540\/full\/nature14236.html<\/p>\n

3) http:\/\/arxiv.org\/abs\/1508.06576<\/p>\n

4) http:\/\/arxiv.org\/abs\/1312.6199<\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Lee Sedol\u2019\u00fc go oyununda yenen AlphaGo\u2019nun ba\u015far\u0131s\u0131na \u00f6nayak olan teknik geli\u015fmeler, \u00e7ok daha b\u00fcy\u00fck ve kapsaml\u0131 etkilere sebep olacak m\u0131? Bu soruyu cevaplamak i\u00e7in bizi AlphaGo\u2019ya g\u00f6t\u00fcren geli\u015fmelerin Kasparov\u2019u satran\u00e7ta yenen Deep Blue\u2019ya oranla niteliksel olarak \u00e7ok daha farkl\u0131 ve \u00f6nemli oldu\u011funu anlamam\u0131z gerekir. Go oynayan program, insan sezgiselli\u011finin baz\u0131 unsurlar\u0131n\u0131 yans\u0131tabiliyor. Bu da onu, […]<\/p>\n","protected":false},"author":885,"featured_media":15717,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[184,212,1464,31],"tags":[1830,254,1831,1607,400],"class_list":["post-15710","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-147-sayi","category-bilissel-bilimler","category-dosya","category-teknoloji","tag-alphago","tag-beyin","tag-sezgi","tag-sinir-agi","tag-yapay-zeka"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t