Makinelerin Nasıl Düşündüğünü Analiz Eden Yeni Bir Yaklaşım

Makinelerin nasıl düşündüğünü, neye göre karar verdiğini anlayabilmek ister miydiniz? İnsan beyni, sahip olduğu sinir ağları işleyişinin karmakarışık ve açıklanamaz oluşu ile ünlüdür. Bilgisayar ise sizi doğru sonuca anında ulaştırabilir ama o sonuca nasıl ulaştığını açıklayamaz. Araştırmacı Been Kim bu noktada makineleri anlamamız için tercümanlık yapacak bir yazılım geliştiriyor.

Makinelerin Nasıl Düşündüğünü Bulmak

Eğer bir doktor size cerrahi müdahaleye ihtiyaç olduğunu söylerse ona bunun neden gerekli olduğunu sorarsınız. Bu soruyla doktorunuzun zihninde, hayatında hiç tıbbi eğitim almamış olanların asla anlamayacağı onlarca terim geçer. O an tek yapmaya çalıştığı o terimleri sizin seviyenize indirip anlamanızı sağlamaya çalışmaktır.

Makinelerin nasıl düşündüğünü
Been Kim

Google Brain ekibinin bir parçası olan Been Kim de aynısını yapay zeka alanında uygulamak istiyor. Been’e göre bir doktorun yaptığını yapay zeka da pekala yapabilmeli. Yapay zekanın çıkarsadığı sonucu insanların da anlayabileceği düzeyde açıklayabilecek tercüman yazılımlar olmalı. Bu sayede yapay zeka kendini rahatlıkla insanlara açıklayabilir. Hayatlarımıza yepyeni bir giriş yapan yapay zeka ile ilgili bu tarz endişelerimiz şimdilik bulunmuyor. Ancak otonom arabalar gibi yapay zekalı makinelerin her geçen gün inanılmaz bir hızla artması, bu makinelerin aldığı kararları çok daha ciddi bir şekilde sorgulayacağımızı gösteriyor.

Son 10 yılda makine öğrenimi ve yapay zeka alanında yaşanan gelişmeler, e-mail teknolojisinden ilaç yapımına kadar hayatımızı kökten değiştirdi. Veri şablonlarını analiz edip oradan işe yarayacak yeni bilgiler çıkarmak ve bilgi birikimini artırarak yola devam etmek makine öğreniminin temel prensiplerinden biri.

Sağlık Sektöründeki Olası Kullanımı

Bu karmaşık öğrenme yapısı yapay zeka uzmanlarının bile öğrenme sürecini analiz edemediği yerlere ulaştı. Herhangi bir akıllı yazılım hastaların akciğer kanseri ya da şizofreni riskini geçmiş hastaların kayıtlarına bakarak doğru hesaplayabilir mi? Aslında bu sürecin temelleri atıldı. 2015 yılında New York’taki Mount Sinai Hastanesi “Deep Patient” programı ile bu alanda ciddi mesafe kaydetti. Sorun şu ki akıllı yazılımların doğru sonuca nasıl ulaştıkları bilinmiyor. Bulgulardan teşhise giden yolda kullandıkları parametreleri bizlerle paylaşacak ara yazılımdan yoksunlar.

Google Brain’de çalışan Been Kim ve arkadaşları “Testing with Concept Activation Vectors” (TCAV) adını verdikleri bir sistem geliştirdiler. Kim TCAV’ı “İnsanlar İçin Tercüman” olarak tanımlıyor. Diyelim ki bir makine öğrenme sistemi, kendine verilen görsellere bakarak zebraları tespit edebilme yeteneği geliştirmiş olsun. Bu noktada herhangi bir araştırmacı, TCAV’ı kullanarak, zebraların belirlenmesinde siyah-beyaz çizgilerin nasıl bir rolü olduğunu yapay zekaya sorabilecek. Böylece son teşhiste, muhtelif bulguların hangi oranda baskın-dominant olduğu anlaşılabilecek.

Makinelerin nasıl düşündüğünü

TCAV, Deep Patient programı kapsamında ilk testlere sokuldu. Ancak bu testler EEG ve EKG gibi yalnızca dalgalardan müteşekkil basit kalıpları içeriyor. Öğrenim modellerini ortaya çıkaran daha kapsamlı ve detaylı çalışmalar önümüzdeki yılların ana gündem maddeleri arasında olacak.

Teknoloji hakkında daha fazlası için Tıklayın

Kaynak

Bir Cevap Yazın

%d blogcu bunu beğendi: