“Yapay zekânın her ne kadar bütün işkollarında insan gücünün yerine geçmesi mümkün olmasa da gelecekte bu teknolojileri iş süreçlerine dahil etmemiş şirketlerin endüstriyel yarışta geriye düşeceklerini ve yapay zekâ araçlarına hâkim olmayan mühendislerin iş bulmakta zorlanacağı aşikârdır. Dolayısıyla genç profesyonellerin yapay zekâ konusunda kendilerini geliştirmeleri için büyük bir motivasyon bulunmaktadır…”
Yapay zekâ, son yılların en hızlı gelişen ve en etkili teknolojilerinden biri haline gelmiştir. Özellikle son on beş yıldaki ilerlemeler, araştırma yöntemlerimizi, içerik üretimimizi ve iş süreçlerimizi kökten değiştirmiştir. Günümüzde, yapay zekâ şirketleri milyonlarca dolarlık yatırımlar almakta1, yapay zekâ araştırmacıları Nobel Ödülü kazanmakta2 ve hemen hemen tüm bilim dalları ile iş sektörleri, geleceğini yapay zekâ uygulamalarıyla şekillendirmektedir. Bu nedenle yapay zekâ teknolojilerinde uzmanlaşmak ve bu teknolojileri çeşitli alanlarda etkili bir şekilde kullanmak hem akademi hem de endüstri için öncelikli bir hedef haline gelmiştir. Bu yazıda, yapay zekânın temellerine, çalışma prensiplerine ve son yıllarda hem akademide hem de iş dünyasında nasıl dönüşümlere neden olduğuna kısaca değineceğiz.
Yapay Zekâ ve Makine Öğrenmesi Nedir?
Yapay zekâyı en basit şekilde ‘insanların düşünme ve karar verme becerilerini taklit etmeye çalışan yapay sistemler’ olarak tanımlayabiliriz. Günümüzde bu sistemler çoğunlukla veri işleyen yazılımlara, kimi zaman da yazılımla beraber fiziksel ortam ile etkileşim kurabilen robotik donanımlara karşılık gelmektedir. Bu tanım her ne kadar kulağa fazlasıyla genel gelse de günümüzdeki yapay zekâ uygulamaları birçok sektörde çok değişik amaçlar ile kullanılmaktadır. Sosyal medyada hangi kullanıcıya hangi reklamın gösterilmesi gerektiği, borsada hangi hisselerin kıymetleneceği, bir üretim hattında hangi parçaların hatalı çıkacağı ve aldığı ürünle ilgili soruları olan bir müşteriye nasıl cevap verilmesi gerektiğini tahmin eden sistemler günümüzdeki sayısız yapay zekâ uygulamalarına örnektir.
Bu gibi sistemleri tasarlamak için bir yöntem; ilgili alandaki uzmanlığımızı kullanarak sisteme tüm olası koşullar altında nasıl davranması gerektiğini açık şekilde programlamaktır, bu yaklaşıma ‘kural tabanlı sistemler’ adı da verilir. Örneğin reklam kampanyalarını yöneten bir yapay zekâ sistemi için “Belirli bir içeriğe sahip reklamları Avrupa ülkelerinde yaşayan 18-25 yaş grubundaki kişilere göster” gibi kurallar kullanabiliriz, bu gibi yüzlerce kuralı bir araya getirdiğimiz bir yazılım, adeta insan uzmanın yeteneklerini taklit eden dijital bir kopyaya dönüşür. Diğer yandan, bu yaklaşımın çok ciddi performans ve ölçeklenme sıkıntıları vardır. Sistemin vereceği yanıtların kalitesi ona yönergeleri besleyen uzmanın bilgisi ile sınırlı olacaktır, sistem direkt olarak uzmanı kopyalamaya çalıştığı için uzman bu işte ne kadar iyiyse sistem de en fazla o kadar performans gösterecektir. Bunun yanında, özellikle karışık karar verme problemlerinde normal davranıştan sapılması gereken birçok uç nokta olduğu için bütün bu uç noktaların ve istisnai durumların teker teker ayıklanması ve programlanması da oldukça zor olacaktır. Dolayısıyla uzmanları taklit etmeye çalışan kural tabanlı bu sistemler basit problemler için sade ve hızlı çözümler üretse de karmaşık problemlere ölçeklenmesi ve yüksek performans ile çalışmaları çok zordur.
Diğer yandan makine öğrenimi yaklaşımı, yapay zekâ sistemlerini tasarlamak için açık kural setleri yerine veri setlerinden faydalanmayı amaçlar. Buradaki ana amaç, sisteme katı kurallar empoze etmek yerine, sistemin gerçek dünyadan toplanan verileri işleyerek istatistiksel bir model hesaplaması, böylece toplanan veri en iyi tahminlerin ve kararların neye işaret ettiğini gösteriyorsa sistemin bu yönde çalışmasıdır. Bir önceki reklam örneğine dönecek olursak, makine öğrenimi yaklaşımında sisteme hangi bölgeye hangi reklamları göstereceğini açıkça programlamak yerine, değişik reklamların değişik ülke ve yaş gruplarındaki etkilerini ölçen bir veri seti oluştururuz. Bu veri seti üzerinden parametreleri optimize edilen bir model, herhangi bir ülke ve yaş grubu için hangi reklamların en yüksek geri dönüşe sahip olacağını tahmin edecektir. Görüldüğü üzere bu yaklaşımın yüksek performansla çalışması için üç adet bileşen çok önemlidir: i) temiz, geniş hacimli ve zengin veri kümeleri, ii) verideki karmaşık ilişkileri öğrenme kapasitesine sahip modeller ve iii) yüksek kapasiteye sahip model parametrelerinin büyük veri kümeleri üzerinde optimize edilmesini sağlayacak hesaplama altyapıları. Özellikle son on beş yılda bu üç bileşen ekseninde de büyük ilerlemeler kaydedilmiş, bu sayede makine öğrenmesi yaklaşımı yüksek performanslı yapay zekâ sistemleri inşa etmek için en öne çıkan metot haline gelmiştir.
Veri, Modeller ve Eğitim
Makine öğrenmesi tabanlı bir yapay zekâ sistemi geliştirmenin temel yapı taşları; veri toplama, modelleme ve eğitim süreçleridir. Veri, bu sistemlerin ‘yakıtı’ olarak düşünülebilir. Sistemlerin doğru tahminler yapabilmesi veya yüksek performans gösterebilmesi, büyük miktarda ve yüksek kalitede veri ile beslenmelerine bağlıdır. Geçmişte veri kaynağı olarak yapılandırılmış veri tipleri (örneğin numerik içerikli tablolar) popülerken günümüzdeki modern metotlar sayesinde görüntü, video, yazı ve ses gibi yapılandırılmamış veri tipleri de yapay zekâ sistemlerini beslemek için kullanılabilmektedir. Bu nedenle bu gibi verileri toplamak, tasnif etmek ve etiketlemek kendi içerisinde önemli bir işkolu haline gelmiştir. Birçok şirket sadece verilerin düzgün toplanması ve temizlenmesi için ciddi insan ve donanım altyapılarına yatırım yapmaktadır.
Sürecin ikinci adımı çözülmek istenen yapay zekâ problemine ve eldeki verilere uygun bir model seçmektir. Modeller, problemimizdeki girişler ve çıkışlar arasındaki bağıntıları tanımlayan matematiksel denklemler bütünü olarak düşünülebilir. Örneğin bir görüntü tanıma probleminde model, girdi olarak bir hayvan fotoğrafı alıp, fotoğrafın üzerinde pikseller üzerinde matematiksel işlemler gerçekleştirip, çıktı olarak fotoğrafın hangi hayvan sınıfına ait olduğunu verebilir. Modelin içindeki denklemlerin sayısı ve karmaşıklığı çözülecek problemin tipine ve verilerin boyutuna bağlı olarak değişiklik gösterir. Örneğin hava sıcaklığı ile satılacak dondurma sayısı arasındaki bağıntıyı modellemek için az sayıda parametrede oluşan doğrusal bir model yeterli olabilirken, görüntü ve yazı işlenmesi gereken problemler için ise doğrusal olmayan ve milyonlarca parametre içeren modeller kullanmak gerekebilir. Bir sonraki bölümde bahsedeceğimiz yapay sinir ağları bu gibi modellere örnektir.
Geliştirme sürecinin son kısmı model eğitimidir. Bu kısımda matematiksel optimizasyon yöntemleri kullanılarak, elde bulunan verideki bağıntıları en iyi açıklayan model parametreleri hesaplanır. Buradaki en önemli husus, modelin sadece eğitildiği veriler üzerinde değil aynı zamanda daha önce görmediği veriler üzerinde de iyi performans göstermesini sağlamaktır. Bu yüzden veri setleri genelde birçok parçaya ayrılır ve model değişik parçalar üzerinde eğitilir, bir yandan eğitilmediği parçalar üzerinde performansı gözlemlenerek modelin gerçek hayatta kullanıldığında da iyi performans göstereceği garanti edilir. Eğitimde kullanılacak donanım altyapısının büyüklüğü modelin karmaşıklığı ve veri kümesinin büyüklüğüne bağlı olarak değişir. Küçük ölçekli doğrusal bir modeli diz üstü bilgisayarlarda eğitmek mümkün iken geniş ölçekli yapay sinir ağlarını eğitmek için yüzlerce bilgisayarın paralel çalıştığı hesaplama kümeleri gerekebilmektedir.
Derin Yapay Sinir Ağları
Bu noktada modern yapay zekâ sistemlerinin temel yapıtaşı olan derin yapay sinir ağlarından bahsetmek yerinde olacaktır. Yapay sinir ağları, matematiksel modelleme için uzun yıllar önce keşfedilmiş bir yaklaşım olmasına rağmen özellikle son on beş yıldır çok yaygın şekilde kullanılmaya başlanmıştır. Bu matematiksel modelin altında yatan ana fikir, modeli basit lineer cebir işlemleri ve doğrusal olmayan aktivasyon fonksiyonlarından oluşan katmanlara bölmek ve daha sonra bu katmanları birbirine seri şekilde bağlayarak modelin kapasitesini arttırmaktır. Modelde kullanılan katman sayısına modelin derinliği denir, bu yüzden derin yapay sinir ağları ile kastedilen çok katmanlı yapay sinir ağlarıdır.
Yapay sinir ağlarının günümüzde popülerleşmesinin başlıca üç sebebi vardır. Bunlardan birincisi, modelin katman sayısını arttırmakla modelin kapasitesinin hızlı şekilde artması ve bu sayede problemlerin karmaşıklığı ve veri sayısı arttıkça daha yüksek kapasiteli modeller ile problemlerin çözülebilir hale gelmesidir. Diğer bir deyişle yapay sinir ağlarının zor makine öğrenmesi problemlerine ölçekleme diğer standart yaklaşımlara göre daha kolaydır. Bu yüzden özellikle çok sayıda yapılandırılmamış verinin işlenmesi gereken problemlerde yüksek performans için yapay sinir ağları tercih edilmektedir. İkinci sebep ise yapay sinir ağlarının paralel şekilde eğitilmeye uygun olmasıdır. Yapay sinir ağlarındaki matematiksel parametrelerin türevini almak hesaplama açısından ölçeklenebilir bir işlemdir, bu sayede çok büyük yapay sinir ağları çok büyük veri kümeler üzerinde dağıtık olarak eğitilebilir. Özellikle GPU (graphics processing unit) gibi donanımların mimarisi bu gibi türev alma işlemlerini dağıtık şekilde yapmaya çok uygundur. Bu yüzden günümüzde geniş ölçekli yapay sinir ağları milyarlarca veri noktasından oluşan kümeler üzerinde yüzlerce GPU’dan oluşan hesaplama ağlarında nispeten kısa sürelerde eğitilebilmektedir. Son olarak, yapay sinir ağlarının modüler yapısı birçok değişik veri tipini işlemek için özelleştirmeye izin vermektedir. Bu sayede sayısal tablo, ses, görüntü, yazı gibi değişik veri tiplerinin hepsini ayrı ayrı ya da beraber işleyebilen yapay sinir ağı mimarileri geliştirilmiş, yapay sinir ağları adeta makine öğrenmesi için evrensel bir model haline gelmiştir.
Sonuç olarak, derin yapay sinir ağlarının performansının ve eğitim sürecinin eldeki veri sayısıyla ölçeklenebilmesi ve hemen hemen bütün veri tipleri üzerinde kullanılabilmesi, bu model tipini modern yapay zekâ sistemlerinin temel yapı taşı haline getirmiştir. Derin yapay sinir ağları ile yapılan büyük ölçekli makine öğrenmesi yaklaşımları günümüzde kısaca derin öğrenme olarak isimlendirilmektedir.
Gözetimli Öğrenme ve Üretken Yapay Zekâ
Gözetimli öğrenme; çözülmesi planlanan yapay zekâ probleminde girdi olarak verilecek veriler ve çıktı olarak hesaplanması istenilen verilerin net şekilde belli olduğu ve modelin gerçek çıktılar ile kendi tahmin ettiği çıktılar arasında farkı minimize etmeye çalıştığı öğrenme tipidir. Özellikle endüstride en sık rastlanan makine öğrenmesi uygulamalarından biridir. Örneğin otonom bir arabanın görüntü işleme sistemi kameralardan görüntülere bakarak trafik sahnesindeki yayaları ve diğer araçların nerede olduğunu tahmin etmeye çalışması, bir gözetimli öğrenme senaryosu olarak düşünülebilir. Bu senaryoda girdi olarak kullanılan veri kamera görüntüleridir ve uzman veri etiketçileri binlerce gerçek görüntü üzerinden arabaların ve yayaların gerçek konumlarını etiketleyerek veriyi gözetimli eğitim için hazır hale getirir. Ardından yapay zekâ modelinin parametreleri, kendi tahminleri ile etiketlerdeki gerçek tahminler arasında hesaplanan hata sinyaline göre eğitilir. Görüldüğü üzere gözetimli eğitimin yapılabilmesi için etiketli bir veri setine sahip olunması gerekmektedir. Bu yüzden veri etiketleme de modern yapay zekâ süreçlerinde önemli bir iş dalı haline gelmiştir.
Diğer yandan gününüzde en çok popülarite kazanan makine öğrenmesi yaklaşımlarından biri de üretken modellerdir. Üretken modeller etiketli bir veri kümesine ihtiyaç duymaz, asıl amaçları bir çıktıyı tahmin etmekten ziyade veri kümesindeki bağıntıları bulup benzer çıktıları üretmektir. Örneğin etiketsiz büyük ölçekli bir doğal dil veri kümesi üzerinde eğitilmiş bir üretken yapay zekâ modeli, bu dilde yazılmış sorulara cevap verebilir ve bu dilde yazılmış yeni eserler üretebilir. Son zamanlarda benzer prensipler ile eğitilmiş sohbet robotları etkileyici performanslara ulaşmış, özellikle dijital asistan olarak hem gündelik hayatta hem de profesyonel hayatta yer bulmaya başlamıştır. Üretken yapay zekâ doğal dilin yanı sıra görüntü ve ses verileri üzerinde de başarı ile uygulanmıştır, bu sayede gerçekçi resimler ya da şarkılar üretebilen birçok yapay zekâ modeli ortaya çıkmıştır.
Görüldüğü üzere yapay zekâ teknolojileri hayatımızda ciddi yer kaplamaya başlamıştır. Birçok şirket yapay zekâ süreçlerini daha fazla iş süreçlerine dahil etmekte ve gerçek fayda görmeye başlamıştır. Şirketler bu teknolojileri sayesinde işleri ile ilgili metrikleri daha doğru şekilde öngörmekte ve karar süreçlerini daha etkili şekilde optimize etmektedir. Benzer şekilde gündelik hayatta da yapay zekâ tabanlı dijital asistanların popülaritesi ciddi şekilde artmış, birçok insan seyahat planlama, yazdığı yazıları düzeltme ve fikir danışma gibi konularda üretken yapay zekâ temelli sohbet botlarını kullanmaya başlamıştır. Yapay zekâdaki gelişmelerin etkisi akademide de güçlü şekilde hissedilmektedir, neredeyse tüm mühendislik disiplinleri araştırmalarında ve eğitimde yapay zekâ öğelerini kullanmaya başlamıştır. Benzer şekilde İTÜ’de yapay zekâ araştırmalarına ilgi gün geçtikçe artmaktadır ve İTÜ Yapay Zekâ ve Veri Mühendisliği Bölümü okulumuzun en popüler bölümlerinden biri olarak yer almaktadır.
Yapay zekâ teknolojilerindeki ilerlemelerin her geçen gün daha da ivmeleneceği öngörülmektedir. Yapay zekânın her ne kadar bütün işkollarında insan gücünün yerine geçmesi mümkün olmasa da gelecekte bu teknolojileri iş süreçlerine dahil etmemiş şirketlerin endüstriyel yarışta geriye düşeceklerini ve yapay zekâ araçlarının hâkim olmayan mühendislerin iş bulmakta zorlanacağı aşikârdır. Dolayısıyla genç profesyonellerin yapay zekâ konusunda kendilerini geliştirmeleri için büyük bir motivasyon bulunmaktadır.