Texas Üniversitesinde çalışmakta olan bazı bilgisayar bilimcileri, yapay zekâya sahip bir istihbarat birimine (Birim: robotları veya zekası olan diğer makineleri barındırabilen bilgisayar sistemleri), yaygın olarak insanlara ait olan bazı davranışları -anlık bakış, çevre bilgisi edinme ve yorumlama, etkili araştırma gibi- öğretmeyi başardı. Araştırmacılar, çalışmanın tehlikeli görevlerde kullanılan robotlar için uygun olabileceğini ifade etti. Profesör Kristen Grauman liderliğindeki ekip, doktora adayı Santhosh Ramakrishnan ve California Üniversitesi akademisyen olarak çalışan Dinesh Jayaraman, sonuçlarını Science Robotics dergisinde yayınladı.
Çoğu yapay zekâ birimi, sahada, yani çalıştıkları ortamda, bir nesneyi tanıma ya da hacmini tahmin etme gibi önemli görevler için eğitiliyor. Ancak Grauman ve Ramakrishnan tarafından geliştirilen birim, daha sonra çok çeşitli görevlerde kullanılabilecek görsel bilgileri toplamak amacıyla eğitiliyor.
Grauman: ”Genel olarak çevreyi algılayabilen ve algıladığı görüntüleri yeni görevlerde kullanabilen donanımlı bir ajan üretmek istiyoruz. Bu ajanın çok yönlü ve farklı görevlerde başarılı bir davranış sergilemesini bekliyoruz çünkü ona görsel dünya hakkında oldukça faydalı kalıplar öğrettik” şeklinde bir açıklamada bulundu.
Bilim insanları, ajanlarını farklı ortamların 360 derecelik görüntülerini –binlerce görüntü- algılayabilmesi için insan beyninin sinir ağlarından ilham alarak çalışan bir tür makine öğrenmesi çeşidi olan derin öğrenme yöntemi ile eğittiler.
Ajan, daha önce hiç görmediği bir ortama girdiği zaman önceki deneyimlerinden yaralanarak birkaç bakış açısı üzerinde yoğunlaşıyor. Adeta bir katedralin ortasında duran turist gibi farklı yönlerden birkaç fotoğraf çekerek bütün yapının en az %20’sini analiz edebiliyor. Bu sistemi bu kadar farklı ve etkili kılan şey ise çektiği her fotoğraftan sonra bulunduğu bölgede yeni bilgi edinmesi adına işine en yarayacak alanı tahmin etmesi ve o kısma odaklanması.
Şöyle düşünelim, bir markete girdiğiniz zaman sizi ilk reyonda nelerin karşılayacağını az çok tahmin edersiniz. İlk reyonun manav reyonu olduğunu varsayalım, elmaların yanında mevsimine göre portakal, mandalina ya da çilek, kiraz gibi meyvelerin olmasını beklersiniz. Tüm bunlarla beraber yine önceden edindiğiniz bilgileri kullanarak soğuk içeceklerin nerede olduğuna dair bir fikir yürütebilirsiniz. Oldukça basit değil mi? Bence bu senaryoyu bir de robotun gözünden düşünün…
Bununla birlikte ajanımız, bulunduğu bölgede elde ettiği bulgulara dayanarak gözlemlemediği bölgelerde ne gibi veriler olabileceğini de tahmin edebiliyor ve 360 derecelik bir görüntü oluşturabiliyor.
Grauman’in açıklaması şu şekilde: ”Daha önce var olduğu ortamların düzenine dair bilgi tedarik edildiğinde -tıpkı daha önce bulunduğunuz marketler gibi- ajanımız ayrıntılı bir araştırma süreci içine giriyor. Algılama görevlerinde başarıya ulaşabilmek için elde etmesi gereken görsel unsurların nerede toplu olduğuna dair tutarlı tahminlerde bulunabiliyor.”
Bilim adamlarının en çok zorlanacaklarını düşündükleri mesele, geliştirdikleri sistemin kısıtlı zaman aralığında ve kritik durumlarda nasıl çalışacağıydı. Özellikle arama-kurtarma çalışmaları onlar için büyük ölçüde önemliydi. Bu duruma robotun, yanan bir binada insanların, tehlikeli maddelerin ve alevlerin konumunu bulacağı ve bu bilgileri itfaiyecilere en kısa sürede ileteceği senaryo örnek gösterilebilir.
Yapay zekâ ile eğitilen ajan, şimdilik kamera ile herhangi bir yönü inceleyebilen ancak farklı bir konuma geçemeyen bir insan gibi çalışıyor. Bunun yanında herhangi bir nesneyi inceleyebiliyor ve incelediği nesneye dair daha detaylı verilere ulaşabilmek için onu döndürüp diğer yüzlerine de bakabiliyor. Araştırmacılar, şu sıralar tam anlamıyla gezebilen bir robot üretebilmek için çalışmalarına devam ediyor.
Texas Üniversitesi, Austin’de bulunan Texas Gelişmiş Bilgi İşlem Merkezi ve Bilgisayar Bilimi Bölümündeki süper bilgisayarları kullanarak, takviye öğrenme denilen bir yapay zekâ yaklaşımı yoluyla ajanı tam olarak bir günlük süre içerisinde eğitebildi. Ancak Ramakrishnan’ın liderliğindeki ekip, eğitimi hızlandırmak için bir başka yöntem daha geliştirdi. Buna göre birincil ajanın eğitime yardımcı olabilmek için bir ikinci yardımcı robot inşa edilmesi planlanıyor.
Ramakrishnan: “Eğitim sırasında yalnızca mevcut olan ek bilgileri kullanmak, birincil ajanın daha hızlı öğrenmesine yardımcı oluyor” dedi.
Bu araştırma, kısmen ABD Savunma Gelişmiş Araştırma Projeleri Ajansı, ABD Hava Kuvvetleri Bilimsel Araştırma Ofisi, IBM ve Sony tarafından desteklenmektedir.
Kaynakça
- Santhosh K. Ramakrishnan, Dinesh Jayaraman, Kristen Grauman. Emergence of exploratory look-around behaviors through active observation completion. Science Robotics, 2019
- www.sciencedaily.com
- www.utexas.edu
