Bilgisayarlar IQ testlerinde görülen sesli mantık sorularında şimdiye kadar pek iyi değillerdi. Şimdiyse Çin’de tanıtımı yapılan derin yapay zeka (deep learning machine) bu gerçeği değiştiriyor.
Bundan sadece 100 yıl önce Alman psikolog William Stern, insan zekasını değerlendirme yöntemi olarak zeka katsayısı (IQ) testini yarattı. IQ testleri o zamandan beri modern hayatın standart bir özelliği haline geldi ve çocukların okullara uygunluğunu ve yetişkinlerin yapacağı işlerde yetkin olup olmadığını belirlemek için kullanılmakta.
Bu testlerde genellikle üç kategoriye ait sorular bulunmaktadır. Bu kategoriler resim dizilerindeki örüntüler gibi mantık soruları, rakam dizilerindeki örüntüleri bulmak gibi matematik soruları ve eş anlamı ve zıt anlamlıların yanı sıra analojilerin ve sınıflandırmaların etrafında yoğunlaşan sözlü mantık sorularıdır.
Bu son kategori hem Çin Bilim ve Teknoloji Üniversitesi’ndeki Huazheng Wang ve arkadaşlarının hem de Beijing Microsoft Araştırma Merkezi’ndeki Bin Gao ve arkadaşlarının ilgisini çekmiştir. Bilgisayarlar şimdiye kadar bu kategoride iyi dereceler yapamamıştı. Doğal dil işleyen bir makineye sözlü bir mantık sorusu sorduğunuzda makinenin performansı ortalama bir insanınkinin çok daha altında olacaktır.
Bu durum artık Huazheng ve arkadaşları sayesinde değişiyor. İnşa ettikleri derin yapay zeka tarihte ilk defa sözlü mantık sorularında ortalama insan zekasını geride bırakıyor.
Bilgisayar bilimcileri son yıllarda büyük metin kütüphanelerini analiz etmek ve içerdikleri kelimeler arasındaki bağlantıları bulmak için veri madenciliği tekniklerini kullanmaktadırlar. Bu teknikler ise kelime örüntüleri istatistikleri bağlamında üzerilerine büyük işler yıkmaktadır. Örneğin, belirli bir kelimenin diğer kelimelerin yanında ne kadar sıklıkta geçtiğinin istatistiğini çıkarmaları gerekebilmektedir. Bu durum devasa bir parametre evreninde çalışmak anlamına gelse de bu yöntemle kelimelerin birbirlerine nasıl bağlandıklarını anlamak mümkün olmaktadır.
Sonuç olarak kelimeler bu yüksek boyutlu parametre alanındaki vektörler olarak düşünülebilir. Avantajı ise daha sonradan diğer vektörlerle karşılaştırma, ekleme, çıkarma işlemleri gibi matematiksel olarak işlemden geçirilebilmeleridir. Bu şunun gibi vektör bağlantılarına yol açmaktadır: kral – adam + kadın = kraliçe.
Bu yaklaşım şimdiye kadar oldukça başarılı olmuştur. Google bu yaklaşımı farklı dillerdeki benzer vektörlerle temsil edilen kelime dizilerinin anlam olarak eşit olduğunu varsayarak otomatik dil tercümesi için kullanmaktadır. Böylece hepsi birbirinin tercümesi demektir.
Fakat bu yaklaşımın bilindik bir noksanlığı vardır. Bu yaklaşım her kelimenin tek bir vektörle temsil edilen tek bir anlamı olduğunu varsayar. Bu durum her zaman geçerli olmamakla birlikte sözlü testler soruları zorlaştırma yöntemi olarak genellikle birden fazla anlam içeren kelimelere odaklanmaktadır.
Huazheng ve arkadaşları her bir kelimeyi alıp geniş metin kütüphanelerinde sıklıkla yanında görülen diğer kelimelere bakarak bu sorunun üstesinden geliyorlar. Daha sonra da bu kelimelerin nasıl bir öbek oluşturduğunu görmek için bir algoritma kullanıyorlar. Son adımda ise sözlükten kelimenin farklı anlamlarına bakıp bu öbekleri her bir anlamla eşleştiriyorlar.
Sözlük tanımlarında kelimenin farklı kullanımlarını içeren örnek cümleler olduğu için bu işlem otomatik olarak yapılabiliyor. Böylece, bu cümlelerin vektör temsillerini hesaplayarak ve her öbekteki vektör temsiliyle karşılaştırarak eşleştirme yapmak mümkün olabiliyor.
Genel sonuç olaraksa bazı kelimelerin sahip olabileceği çoklu anlamları algılamanın bir yolu meydana gelmiş oluyor.
Bilgisayarın sözlü mantık sorularına cevap vermelerini kolaylaştırmak için Huazheng ve arkadaşlarının bir hilesi daha var. Bu hilenin ortaya çıkma nedeniyse bu soruların çözüm için biraz farklı yaklaşımlar gerektiren birçok kategoriye düşmesidir. Dolayısıyla, yapılan ilk iş bilgisayarın hangi cevap verme stratejisini işleme koyacağını bilmesi için her sorunun kategorisinin belirlenmesi olmuştur. Her kategorideki sorular benzer yapılara sahip olduğu için bu yöntem oldukça kestirme bir yöntemdir.
Dolayısıyla analoji içeren sorular şu şekildedir:
İzoterm sıcaklıkla ilgili ise izobar neyle ilgilidir? (i) atmosfer, (ii) rüzgar, (iii) basınç, (iv) enlem, (v) akıntı.
ve
Büyük harflerle eşleştirilen iki kelimeyi (parantez içindeki kelimelerden birer tane) belirleyin: BÖLÜM (kitap, şiir, okuma), ROL (sahne, seyirci, oyun).
Kelime sınıflandırma soruları ise şu şekildedir:
Hangisi diğerlerine göre uyumsuzdur? (i) sakin, (ii) sessiz, (iii) rahat, (iv) dingin, (v) telaşsız
Ayrıca, eş anlamlı ve zıt anlamlı sorular da şu şekildedir:
Hangi kelime MANTIKSIZ kelimesine anlamca en yakındır? (i) inatçı, (ii), telafi edilemez, (iii) güvensiz, (iv) kayıp, (v) anlamsız.
Ve
Hangi kelime AHENKLİ kelimesinin anlamca en zıttıdır? (i) akortsuz, (ii) sesli, (iii) lirik, (iv) sözlü, (v) ahenkli.
Her tip soruyu tanımak öğrenmesi için yeteri kadar örnek verdiği için yapay zeka algoritması için görece daha kestirmedir. Huazheng ve arkadaşlarının yaptığı da tam olarak budur.
Huazheng ve arkadaşları soru tipini tanımladıktan sonra standart vektör metotlarının yanı sıra geliştirdikleri çokanlamlı yükseltmeyi de kullanarak her bir soruyu çözmek için bir algoritma tasarlamıştırlar.
Bu derin yapay zeka tekniğini sözlü mantık sorularına yapılan diğer algoritmik yaklaşımlarla ve insanoğlunun bu sorulardaki becerisiyle kıyaslamışlardır. Bunun için de yaşları ve eğitim geçmişleri gibi temel bilgileriyle birlikte Amazon’un kitle kaynak tesisi olan Mechanical Turk’tan 200 kişiyi bir araya getirmişlerdir.
Ve sonuçlar etkileyici çıkmıştır.
Şaşırtıcı bir biçimde insanların ortalama performansı amaçladığımız yöntemin çok az altındaydı.
İnsanların bu testlerdeki performansı genellikle eğitim geçmişleriyle bağlantılıdır. Bu yüzden, lise mezunu insanlar daha az başarılı olurken üniversite mezunu olanlar daha iyi performans göstermiş ve doktora yapmış olanlar da en iyi sonuçları elde etmiştir.
Bizim yaptığımız model üniversite mezunu olanlarla yüksek lisans yapmış olanlar arasında bir zeka seviyesine ulaşabilmiştir.
Bu iş derin yapay zeka tekniklerinin potansiyelini ortaya koyan bir iştir. Huazheng ve arkadaşları gelecekteki gelişmeler hakkında oldukça iyimser.
Derin öğrenme tekniklerinin uygun kullanımlarıyla gerçek insan zekasına çok daha fazla yaklaşabiliriz.
Derin öğrenme teknikleri bilgisayar bilimlerinde şu anda bir yangın gibi yayılıyor ve yaratmakta oldukları devrim hala ilk evrelerinde. Bu devrimin bizi nerelere götüreceği bilinmemekle birlikte kesin olan tek bir ley var: William Stern hayatta olsa çok heyecanlanırdı.
İlk Yorumu Siz Yapın