Sürekli Öğrenme Sürecinde Yapay Zekâ Kullanımı

Son dönemlerde, özellikle askerî alanda üretilen teknolojilere her gün bir yenisi daha ekleniyor. Geliştirilen yeni yapay zekâ teknolojileri askerî görevlerde kullanılmaya başlandı.

ABD Ordusu tarafından geliştirilen bir yapay zekâ projesi sayesinde, kullanılmakta olan harp teknolojilerinin önceki görevlerde edindiği bilgileri saklayabilmesi ve bu bilgiler doğrultusunda sonraki görevleri daha kolay bir şekilde gerçekleştirebilmesi hedefleniyor. Bunu sağlamak için ise birbirinden farklı görevleri bünyesinde barındırabilen yazılım teknolojilerinden istifade ediliyor.

Finansmanı, ordu tarafından karşılanan Kuzey Carolina Eyalet Üniversitesi araştırmacıları, geliştirilen yazılım teknolojisi sayesinde yapay zekânın sürekli öğrenme yetisi üzerinde çalışarak önceki işlerin hafıza yoluyla saklanmasını sağladıklarını, yani geriye dönük bilgi transferi yoluyla sonraki benzer görevlerin kolaylıkla gerçekleştirilmesini planladıklarını belirtiyor.

ABD Ordusu Savaş Yetenekleri Geliştirme Komutanlığı’nın Ordu Araştırma Ofisi Akıllı Sistemler Program Müdürü Dr. Mary Anne Fields, “Ordunun dünyanın her yerinde ve her koşulda savaşmaya hazırlıklı olabilmesi için akıllı sistemlerin geliştirilmesi oldukça önemli” dedi.

Ordu Araştırma Laboratuvarı: “Ordunun akıllı sistemlerinin, daha önce eğitilmiş olan becerileri unutmadan, dünyadaki savaş alanlarında görevler yürütürken sürekli olarak yeni beceriler kazanmalarını bekliyoruz. Örneğin, bir kentsel operasyon yürütülürken, tekerlekli bir robot, karmaşık şehirler için yeni navigasyon parametreleri üretebilecek. Elbette bu gibi robotların çok farklı lokasyonlarda bulunması oldukça büyük bir olasılık. Bu nedenle yapay zekâ yoluyla sistemimize orman, çöl gibi alanları da öğretmeyi planlıyoruz” ifadeleriyle konuyu açıkladı.

Büyüme Öğrenimi

Araştırma ekibi sürekli öğrenim için, “Büyüme Öğrenimi” adını verdikleri yeni bir framework önerisinde bulundu. Bu framework, ağ yapılandırma yoluyla öğrenme ve değişken modeliyle öğrenme yöntemlerini ayrıştırarak çalışıyor. Yapılan deneyler ve testler gösteriyor ki tavsiye edilen framework, geçirgen yaklaşımlara nazaran sürekli öğrenimde daha iyi bir performans gösteriyor.

Araştırmacılardan biri olan Xilai Li Kuzey Carolina Eyalet Üniversitesinde doktorasını bitirmek üzere. Bize şu açıklamalardan bulunuyor: “Derin sinir ağı yapay zekâ sistemleri, kısıtlı görevleri gerçekleştirmek için tasarlandı. Bu nedenle yeni görev edinimi ve sürekli öğrenimin gerçekleştirilme sürecinde birçok durum ve sonuç ortaya çıkabilir.

Örneğin sistem yeni bilgileri öğrenirken öncesinde edindiği eski bilgileri unutabilir. Aynı süreç içerisinde eski bilgilerin kaybının yanında yeni bilgileri de analiz edemeyebilir. Buna “Yıkıcı Unutma” denir.

Bu gibi senaryolara ek olarak sistem, eski bilgilerini yapılandırdığı sırada yeni bilgileri analiz etmeye başlarsa bir karmaşa oluşabilir ve bu durum sürekli ve verimli öğrenimi engeller. Sonuç olarak ortaya karmaşanın hakim olduğu büyük ama verimsiz bir yapay zekâ sistemi çıkar. Yapay zekânın sürekli öğrenimi üzerine çalışma yapan araştırmacılar bu sorunları düzeltebilmek için çalışmalar yapıyor.

Büyüme öğreniminin yapısını anlamak için derin sinir ağlarını çoklu katmanlarla dolu bir boru tesisatı gibi düşünebiliriz. İşlenmemiş bilgiler tesisatın üst kısmındaki borulardan ilerler. Veriler ulaştıkları yerde analiz edilir, işlenir ve görev çıktıları tesisatın alt kısmındaki borulardan geri döner.

Tesisattaki her boru, her katman, yapay sinir ağlarının dijital görüntülerdeki nesneleri tanımlayabilmeleri için verileri analiz eder ve çıktıları iletir. Böylece ortaya anlamlı bir sonuç çıkabilmesi için belli görevler yerine getirilmiş olur. Her boru, ağ yapısında farklı bir “mimariye”  karşılık gelir ve bu boru katmanlarını düzenlemenin, yani farklı görevlendirmenin, birden fazla yolu vardır.

Peki, bu nasıl gerçekleşir? Derin sinir ağından yeni bir görevi öğrenmesini istediğimiz zaman büyüye öğrenimi yapısı, arama çalışması yoluyla açık sinir mimarisi optimizasyonu işlemine başlar. Biraz daha açalım, ağ sistemindeki her katmana gelindiğinde dört işlemden birinin yapılması için karar aşamasına girilir. İşlemler şu şekilde sıralanabilir.

• Katmanı atla
• Var olan katmanı önceki görevlerde kullanıldığı şekilde kullan
• Katmana işlem üzerinde küçük değişiklikler yapabilen düşük ölçekli bir adaptör bağla
• Tamamen farklı ve yeni bir katman oluştur

Yukarıda açıklamaya çalıştığımız bu mimari optimizasyon, var olan ve yeni görevi en etkili biçimde gerçekleştirebilmek için gereken en iyi topoloji veya katman dizisini tanımlar ve kullanır. Bu işlem tamamlandığında ağ sistemi, yeni topolojiyi kullanarak görevin yerine getirilebilmesi için kendini eğitmeye başlar. Tıpkı diğer yapay zekâ sistemleri gibi…

Li, konuyla alakalı olarak şu şekilde bir açıklama yapıyor:” Birkaç veri seti kullanarak deneyler yaptık ve bazı sonuçlara ulaştık. Buna göre sisteme yeni bir görev verdiğimiz zaman önceki görevler ile ne kadar benzer olduğunu fark edebiliyor.

Yani önceki görevler sonrasında elde tutulan katmanlar sonraki görevler ile örtüşerek kullanılabiliyor. Daha da ilginç olan şey ise optimize edilmiş, yeni görevleri yerine getirmek için eğitilmiş olan ağ, eski görevler yeni görevlerle yeteri kadar uyuşmasa bile eski görevlerde edindiği bilginin çok azını unutuyor”

Bununla birlikte araştırmacılar, büyüme öğrenimi yoluyla yeni görevler öğrenme yöntemini diğer sürekli öğrenme yöntemleri ile kıyasladıklarında büyüme öğrenimi yönteminin performans ve doğruluk açısından daha iyi ve kullanılabilir olduğunu fark ettiler.

Ayrıca yeni görevlerin edinimi sırasında eski görevlere dair ne kadar bilginin kaybedildiğini ve eski görevin gerçekleştirimi esnasında elde ettikleri verinin doğruluk değerini araştıran görevliler, yine büyüme öğrenimi yönteminin diğer ağlara nazaran daha iyi olduğunu tespit ettiler.

Salesforce Research araştırma direktörü Caiming Xiong ve çalışma ortağı Caiming Xiong: “Bazı durumlarda büyüme öğrenimi yöntemi eski görevleri yerine getirmede gerçekten daha iyi sonuçlar verdi. Bu işleme geriye dönük transfer adı veriliyor ve yeni bir görev ediniminin, var olan sistemi eski görevleri yerine getirme sürecinde daha performanslı hale dönüştürdüğü manasına geliyor. Bu durumu yapay zekâdan çok insanlarda görebiliriz” diyerek konuyla alakalı açıklamada bulundu.

Fields, “Bu Ordu yatırımı, Ordu Araştırma Laboratuvarında görevli araştırmacılarımıza, akıllı manevralar ve yeni objeleri tanımayı öğrenme gibi robotik uygulamalar geliştirmeleri konusunda rehberlik edecek olan mevcut makine öğrenme tekniklerini genişletmektedir” dedi. “Bu araştırma, yapay zekâ vasıtasıyla sahada kullanılabilecek etkili insansız sistemler sağlama konusunda teknolojimizi bir adım daha ileriye taşıyor.”

Kaynakça

• www.arl.army.mil
• www.sciencedaily.com