Evrimsel Yapay Zeka: Yapay Zeka, Kendi Kendine Evrimleşebiliyor!

Austin'de Teksas Üniversitesi’nde çalışan Bilgisayar Bilimcisi Risto Miikkulainen, bahsettiğimiz araştırmada görev almadığı halde bu araştırmayı şöyle yorumluyor:

"Birçok insan küçük adımlarla ilerlerken, bu programın araştırmacıları bilinmeyene doğru devasa bir adım attı. Yazdıkları makale ise ileride tonlarca araştırmaya vesile olacak."

Yapay zeka algoritması geliştirmek uzun vakit isteyen bir süreç. Örneğin, dil çevirisi ve insansız araba gibi yapay öğrenmede sıklıkla kullanılan sinir ağlarını ele alalım. Bu ağlar, beyin yapısı baz alınarak inşa ediliyor ve öğrenme tarzları da beyni taklit ediyor: Program, eğitim için yüklenen veriyi yapay nöronlar arası bağlantıların kuvvetindeki değişikliği takip ederek öğreniyor. Yapay nöronlar da kendi içlerinde belirli görevleri olan küçük alt gruplara ayrılıyor. Bir örnek vermemiz gerekecek olursa, insansız arabalardaki bir alt grubun görevi trafik işaretlerini okumak olabilir. Araştırmacılar ise bu alt grupları bir araya getirdiklerinde ortaya çıkan karmaşık sistemin pürüzsüzce çalışabilmesi için aylar harcayabiliyor.

Geçtiğimiz yıllarda bilim insanları, bazı adımları otomatik hale getirerek, aylar alan bu süreci hızlandırdılar. Fakat şu anda bu sistemler, insanlar tarafından tasarlanmış devrelerin bir araya getirilmesi yöntemiyle üretiliyor. Bu da yapay zekanın üretebileceği çıktıların, bu devreleri tasarlayan mühendislerin hayal gücü ve fikirleriyle kısıtlı olduğu anlamına geliyor.

Google'da bilgisayar bilimi üzerine çalışan So Quoc Le ve meslektaşları, lise eğitimi seviyesinde basit bir matematik kullanarak AutoML-Zero isminde, insan müdahalesi gerektirmeden kendi kendine yapay zeka programları geliştirebilen bir program üretti. Şöyle açıklıyorlar:

"Asıl amacımız araştırmacıların dahi henüz keşfetmediği yepyeni yapay öğrenim programları geliştirmek."

Evrimleşen Yapay Zeka Nasıl Çalışıyor?

Geliştirdikleri bu programın yaptığı ise, evrimsel tahmine dayalı algoritmalar üretmek. Program, ilk olarak matematiksel operasyonları rastgele bir araya getirerek 100 aday algoritmadan oluşan bir popülasyon yaratıyor. Devamında ise bu popülasyondaki algoritmalara basit görevler vererek test ediyor. Bu görevlere bir örnek, bir görüntü tanıma testi olabilir. Bu tarz testlerde algoritmalara yükledikleri fotoğrafın bir kedi mi yoksa kamyon mu olduğu gibi basit sorularla hata oranlarını test edebiliyorlar.

Program, her döngüde bilgisayarın rastgele seçtiği algoritmalar ile insanlar tarafından tasarlanmış algoritmaların performansını karşılaştırıyor. Bunun sonucunda en yüksek performansı gösterenler kopyalanıyor ve kopyaların kodları az oranda "mutasyona uğratılarak" (yani kodları silinip, yenisi eklenip, derlenerek) en iyi çalışan algoritmaya oldukça benzeyen türevleri yaratılıyor. Bu türevler, bilgisayarın rastgele ürettiği popülasyona eklenirken, eski programlar ayıklanıyor ve döngü bu şekilde devam ediyor.

Sistem, bu popülasyonlardan tek seferde binlerce yaratıyor ve on binlerce algoritmayı bir saniyede analiz edip en iyi sonuç veren algoritmayı saniyeler içerisinde bulabiliyor. Sistem aynı zamanda bazı evrimsel çıkmazlara takılmamak adına popülasyonlardaki algoritmaları birbiriyle rastgele takas etmek ve fazladan kopyası bulunan gereksiz algoritmaları silmek gibi yöntemler kullanarak analiz hızını artırabiliyor.

Daha Gidilecek Yol Var!

Araştırmacılar, Mart 2020'de arXiv'de ön-yayın olarak yayımlanan makalelerinde bu projeye yaklaşımlarının klasik yapay öğrenim sistemi teknikleriyle örtüştüğünü gösteriyor. Bir yandan günümüzdeki en ileri algoritmalarla kıyaslandığında buldukları çözümün basit kaldığını itiraf eden Le, öte yandan bir matematiksel prensibi kanıtlamış olduklarının ve çalışmalarının ileride çok daha karmaşık yapay zekalar inşa etmek için kullanılabileceğinin de altını çiziyor.

Eindhoven Teknoloji Üniversitesi’nde bilgisayar bilimi üzerine çalışan Joaquin Vanschoren ise Le'nin çalışmalarının henüz teknoloji harikası sistemlerle kapışabilecek hale gelene kadar bir hayli geliştirilmesi gerektiği görüşünde. Vanschoren'in söylediğine göre Le'nin ürettiği program her seferinde sıfırdan başlamak yerine insanların çoktan keşfettiği yapay öğrenim teknikleri ve püf noktalarını kullanırsa çok daha hızlı gelişebilecek. 

Le bunun üzerine çalışmak istediğini söylüyor ve karmaşık algoritmalara odaklanmak yerine küçük problemleri çözmenin faydasını gördüğünü de ekliyor. 6 Nisan'da yayımladıkları başka bir arXiv makalesinde, Le ve grubu birçok sinirsel ağda kullanılan yaygın bir parçayı yeniden tasarlamak için yapay zeka projelerindekine benzer bir yöntem kullandıklarını belirtti.

Fakat Le dijital kütüphanelerindeki matematiksel operasyonların sayısını artırmak ve ürettikleri programa daha fazla programlama gücü verebildikleri takdirde yapay zeka araştırmalarında yeni kapılar açılabileceğine de inanıyor: 

"Temelde bu kadar önemli olduğu halde insanların hala tam olarak anlayamadığı bir konu. Bu yüzden çalışmalarımızı özellikle bu yönde geliştirmek için sabırsızlanıyoruz."

kaynak: https://evrimagaci.org