Yapay Zeka Nedir? İnsanlığı Yok Edecek mi?

Öncelikle şunu belirtmeliyim ki ben bir veri madencisi, veri bilimcisi, yapay zeka uzmanı ve ya istatistik mühendisi değilim. Yapay zeka konusunda yaptığım araştırmalar neticesinde bulgularını paylaşmak ve fikirleri üzerine konuşmak isteyen bir bireyim. Ayrıca bu konularda Türkçe özet ve genel manada bu konuyu değerlendirebilen içerik bulma konusundaki zorluğum da beni buna teşvik etti.

Video:

Son yılların en gözde konularından bir tanesi yapay zekâ. Yedisinden yetmişine insanlar bu konu hakkında kulaktan dolma da olsa bilgi sahibi. Bu yazı ile amaçladığım; yapay zeka'nın teknik noktalarına bir miktar değinip günümüz perspektifinden kısa bir özetini yapmak ve tehlike – faydaları konusunda değerlendirmelerde bulunmak.

Birçok analist-araştırmacı yazar yapay zeka konusunda çeşitli analizler ve tahminlerde bulunuyor. Fakat ortak bir zeminde buluşabildiklerini söylemek çok kolay değil.

2016 yılı sonrasında bütün dünyada yapay zekâ programcılığı hızla tabana yayılmaya başladı. Hazır data modelleri açık kaynak kodlu içerikler, programlama dillerinin birazdan bahsedeceğimiz yapay zeka teknolojilerine olan desteği, bir çok ücretsiz-ücretli eğitimin bulunabilmesi gibi konular işleri kolaylaştırıyor.

Bilgisayarları programlamak için programlama dilleri kullanılır. Günümüzde ise yapay zeka programlamasında en yaygın olarak Python programlama dili kullanılmakta. Yapay zeka’nın kullanımının tabana yayılması konusundaki gelişimini gözlemlemek için Python dilinin yaygınlaşma grafiğine göz atmak mantıklı görünüyor. Bu bağlamda aşağıdaki video da 2008 den günümüze programlama dillerinin kullanım oranlarını paylaşıyorum. Günümüzdeki Python kullanımını ise aşağıdaki grafikte görülebilir :

Gelelim teknik olarak yapay zekanın kısa açıklamasına :

Yapay zeka öncelikle bir bilgisayar bilimidir. Aslında keskin olarak birimleri net olmasa da yaptığım araştırmalar neticesinde akla en yatkın olan birimleme ağacı ile anlatmaya çalışacağım. Henüz gelişime çok açık olan bu bilimin sonraki aşamalarında farklı birimlendirme – bölümlendirmeler görebilmek olası. Bu ve benzeri içeriklerinde belki de yıllık olarak güncellenmesi gerekecektir.

Yapay zekayı sembol ve makine öğrenimi olmak üzere iki ana bölüme ayırmamız gerekirse, bir tarafa sembolik diğer tarafa da veri öğrenimi demek yanlış olmayacaktır. Aslında insanın yapabildikleri göz önünde bulundurarak incelememize devam etmemiz anlaşılmasını kolaylaştırabilir.

Sembol öğrenimi dediğimizde robotik (insan hareket eder, robotik bunun karşılığı olabilir) ve Bilgisayar Görüsü (İnsan görür, bunun karşılığı olabilir). Sembol öğrenimi konusu biraz yüzeysel. Mekanik hareket ve bir nesnenin gözlemlenebilmesi olarak düşünülebilir.

Makine öğrenimini de iki ana başlıkta ele alacağız. Birincisi istatistiksel öğrenim ki aslında yıllardır yapılan excel dahil hayatımızda birçok uygulamada kendine yer bulan eski bir teknik. Normal şartlarda yapay zekâ altında değerlendireceğimiz bir kalem olmamalı fakat iç içe giren dinamikler artık istatistiksel öğrenimin de yapay zeka potasında değerlendirmeyi zorunlu kılıyor. Ayrıca İstatistiksel öğrenmenin de yapay sinir ağları sistemleri ile harmanlanması günümüzde uygulanabilir görünüyor. İstatistiksel öğrenime örnek olarak segmentasyon, karar ağaçları, yıl sonu gelir tahmini gibi konular değerlendirilebilir. Ayrıca ses tanıma ve doğal dil algılama gibi, verisi, ses olan sistemlerde de yaygın kullanımı mevcuttur. Geçmiş verilere bakarak gelecek tahmini yapmak. Elbette makine öğrenimi de geçmiş veriye bakar fakat öğrenme potansiyelini saklı tutar, yazının devamında açacağım.

İkincisi isi yapay sinir ağları yani neural networks. Makine öğreniminin alt dallarına indikçe teknik olarak özetlenebilmesi zorlaşıyor. Bu konuda bahsedeceklerim NN (neural networks) konusunda kısa bir özet olacağı için referans olarak almanızı tavsiye etmem. Sadece fikir vermesi için, kafanızda bir görüntü oluşur belki. Detayları için ise eğer bu alanda uzmanlaşmayacaksanız hiç boğulmayın 😊

İnsanlara düşük çözünürlükte olsa "3" rakamı gösterdiğiniz zaman beynimiz bunun "3" olduğunu anlamakta hiç zorlanmayacaktır. Aşağıdaki örnekler gibi net ve belirsiz olsalar da beyin hiç zorlanmadan tahmin edebilir.

Fakat bir bilgisayara bu işi yaptırmak istenildiği zaman, insan kadar tepkisel olabilmesi için çok fazla uğraşmak gerekiyor.

Yukarıdaki imajda her bir halka, içinde 0 ile 1 arasında bir değer barındırabilen bir nöron olarak düşünülmeli. Beyaza yaklaştıkça kutu içerisindeki değer "1", boşa yaklaştıkça ise "0" a yaklaşıyor. "0" olanlarda bir değer yok. Düşük rakamlar ise rengi ve ya parlaklığı düşük olan değerler. Bu rakamlara aktivasyon denir. Yukarıdaki şekilde 28*28 pixel toplan 784 nöron’dan oluşan bir kare görüyoruz. Bu 784 nöronu yatay şekilde dizelim yani aşağıdaki gibi :

Makine öğrenimi için modeller temel dosyalar ve çeşitli işler için çeşitli modeller oluşturulabilir. Mesela rakamlar, arabalar, kuşlar gibi. Bu modeller ilk aşamada belirlenmiş ve etiketlenmiş veri tabanından oluşur. Ayrıca model oluşturmak başlı başına zor bir iş. Yukarıdaki şekildeki NN bir model olarak düşünülmeli, rakamları tanımak için hazırlanmış olan bir model. İlk satır 784 piksel, dikine sıralanmış. Sonrasındaki node'lara üzerindeki değeri transfer ediyorlar. 784 node’da kendinden sonra gelen gizli katmanlar ile bağlı. Gizli katmanlar ise belirli fonksiyon ve hesaplamalar ile çıktısını bir sonraki gizli katmana gönderiyor. Gizli katmanların adedi modelin tasarımına göre değişkenlik gösterebilir. 1 de olabilir 100’de ve aslında bu gizli katmanlar arasındaki iletişim neticesinde ortaya çıkan sonuç matematiksel olarak hesaplanabilir bir değer değil. Yani sağlamasını yapamazsınız, sadece tahmin. Model eğitilerek tutarlılığı artırılabilir. Yani girişteki değer "9", en son katmanda bulunan "0-9" arası rakamlardan birine denk geliyor ve bu kesin "9" dur denemez %60 9 olabilir olarak çıktı verilebiliyor. Model eğitilip geliştirildikçe tutarlılık ise artacaktır.

Örneği biraz daha detaylandıracak olursak, Yukarıdaki şekilde ilk gizli katmanda "9"u 11 parçaya ayırıp bir sonraki katmanda 2 ve son katman da "9"u tahmin etmek gibi.

Yukarıda verdiğim örnekler imaj tanımada ağırlıklı kullanılan Convolution NN olarak adlandırılır. Ayrıca Recurrent NN gibi ikinici bir yöntem daha vardır. Buda ilgili node’a transfer edilen veriyi bir sonraki işlem için saklar ve kendisine veri gönderen node'a bir önceki değeri döndürür. Bu yöntem genellikle ses tanıma ve dilden dile çeviri gibi durumlarda kullanılır.

Yapay Zekanın Çıktıları

Sınıflandırma : Bir cismin ne olduğunu tanımlama.

Tahminleme : eldeki belirli veri kümesine göre şu anda ve ya gelecekte ne olabileceğini tahmin edebilme.

Öğrenme Tipleri

Denetimli Öğrenim (Supervised Learning) : Verilerin işaretlenerek ve etiketlenerek sisteme tanıtılması vesilesi ile öğretmek. Kuşları tanıyacak bir model oluşturulacak ise eğer, kuş fotoğrafları ve cinslerini belirten bir dosya eğitime başlangıç olarak ele alınabilir. Aynı kuşun çeşitli açılardan ve farklı renklerdeki fotoğrafları önce tanınamayacak fakat dışarıdan yeni fotoğrafların hangi kuşa işaret ettiği öğrenildikçe bir bağ kurulacak. Böylece veri tabanında bire bir aynı kuş olmasa da bir süre sonra rengi ve foto açısı ne olursa olsun tutarlı bir tahminde bulunabilecek.

Denetimsiz Öğrenim (Unsupervised Learning) : Dışarıdan bir destek ve ya etiket vermeden derin öğrenme metodu ile gerçekleşen eğitim. Örnek vermek gerekirse bir klasöre on binlerce fotoğraf olsun ve bunları sınıflandırmak isteyelim. NN verileri işleyerek tiplerini belirleyip ayrı klasörlere doldurabilir. İnsanlar, hayvanlar, yapılar, gençler, yaşlılar gibi. Tabi bu ayrımı yaptıktan sonra benzer nesnelerin ne olduğunu sistem bilmeyecek, sadece ayırmış olacak, bizler klasörlere baktığımızda neye göre ayırdığını gözlemlemiş olacağız(kuantum mekaniği :))) ). Benzer şekilde pop, rock, jazz, klasik müzik gibi ses dosyalarını da aynı şey yapılabilir. Her klasörden bir şarkı dinledikten sonra o klasörün ne içerdiğini bulup dosya adı değiştirilebilir.

Güçlendirilmiş Öğrenim (Reinforcement Learning) : Deneme yanılma yöntemi diyebiliriz. Bir robota yürüme komutu verildiğini var sayalım fakat bugüne kadar sadece düz yolda yürümüş olsun. Yürümesi istenen yol ise hafif yokuş, yokuşa geldiğinde sendeleyecek belki ikinci adımında ise düşecek. Tekrar denediğinde ise düştüğü nokta ve açıyı unutmayıp farklı bir yöntem deneyerek yürümeye çalışacak. Tamda RNN’e bir örnek.

Teknik olarak ve anladığım kadarı ile yapay zeka’nın ne olduğundan bahsetmeye çalıştım. Aslında  bir ekosistem. Yapay zeka bu açıkladığımız alt kırılımlar olmadan bir şey ifade etmiyor. Yapay zeka hakkında artık bir fikrimiz olduğuna göre gelelim o can alıcı sorunun cevabına? Yapay zeka insanları yok eder mi ve ya kontrolü altına alabilir mi? Bunun için birkaç örnek ile devam edelim. Bu yazıyı okuyanların bir çoğu Google tarafından geliştirilen yapay zeka ile çalışan chat botların birbiri ile konuştuğunu biliyordur. Bu iki yapay zeka bot konuşmaya başladıktan kısa süre sonra insanlar tarafından anlaşılmayan ve daha önce görüşmemiş bir dil ile konuşmaya başladılar. Kendi kedilerine öğrendikleri için gereksiz gördükleri kelime ve cümle yapılarını kısaltıp daha basit bir yöntem tespit ettiler aslında, sonrasında Google ise iki bot’u da kapattı. Korkudan filan değilde saçma bir sonuç ortaya çıktığı için. Peki bu nasıl mümkün oldu. Aslında biraz önce anlattığımız sinir ağları tam da bunu mümkün kılıyor. RNN olarak bahsedilen sinir ağı bu tarz gelişmeler için çok müsait. Veri modellerini eğitiyoruz fakat gizli katmanlardaki operasyonun nasıl işlediğini ise tespit etmemiz mümkün olmuyor, çünkü milyonlarca node birbiri ile milyarlarca bağlantı ile veri alışverişinde bulunuyor ve biz araya müdahale edemeden sadece çıktılarını görebiliyoruz. Her node üzerindeki çalışan fonksiyonunun matematik formülü belli olsa da milyarlara bulan bu hesaplamalara müdahale edebilmek mümkün değil. Öğrettiğimiz ve üzerine kendi ekledikleri ile çalışmaya devam ediyor. Dur diyebilir ve ya fişini çekebiliriz.

Yakın gelecekte yapay zeka ile ilişki içerisinde çalışmasını beklediğim kuantum bilgisayarlar işin karmaşıklığını daha da artıracak. Nasıl ki yapay zeka da gizli katmanlar var ise kuantum bilgisayarlar'da da tahmin edilemeyen ve hem 0 hemde 1 olabilen qbit var. Aradaki belirsizlik durumuna ise süper pozisyon deniyor. Bu iki sistemin birbiri ile olası entegrasyonu başka bir konu ve daha sonra değineceğim. Burada sadece bir anekdot olarak bulunsun.

Hızla gelişen yapay zeka yöntem ve sistemlerinin ilerleyen yıllarda ne boyuta gelebileceğini ön görmek çok mümkün değil. Bu gün daha emekleme aşamasında tabii ki insanları kontrol edecek boyuta gelmesi mümkün değil. Kendi hayali süreçlerimden bir tanesi ise aşağıdaki gibi olabilir : 

1-İnsanlar, insanları yapay zeka ile kontrol etmeye başlayacak. Eldeki veriler ile insanların PC, telefon, TV başında karşılarına çıkacak olan konulari o kadar kişiselleştirip özelleştirilecek ki insanlar bu sayede yönlendirilebilecek. ABD seçimlerindeki Facebook etkisi ile ilgili çıkan suçlamaları duymuşsunuzdur. Daha açık olmak için bir örnek verelim. Sistemde o kadar çok veri olacak ki, zaten an itibari ile mevcut ve toplamaya devam ediyorlar, alışkanlıklar ile ilgili çok tutarlı tahminler yapılabilecek. Bu tahminleri yine yapay zeka’nın “Prediction” yapıları kullanılarak gerçekleştirilecek aslında hali hazırda gerçekleştiriliyor. Fakat yöntemler hızla gelişmeye devam edecek. Örnek olarak insanların kaç yılda bir telefon değiştirdiğini bir daha ki telefon değişimini hangi tip ve özellikte bir telefon ile yapılacağını bu iş için ortalama kaç para ayrılacağı tahmin edilebilecek. Buna göre henüz telefon alım tarihine 2-3 ay varken ve potansiyel müşteri daha telefon değiştireceğini bilmezken satılması hedefindeki telefon için inceleme ve reklamlar potansiyel müşteriye gösterilmeye başlanacak. Yoldaki billboardlar dahi eğer siz öncelikli müşteri iseniz ilgili telefon markasının logosunu gösterebilecek, Netflixde izlenilen dizideki karakterin elindeki telefon hedefteki telefon olacak gibi...

2-Yapay zekanın öğrenim ve kendini geliştirme seviyesi bir noktaya geldikten sonra ilk madde de bahsettiğimiz reklam-pazarlama-fişleme gibi faaliyetlerdeki insan müdahalesi minimum seviyeye hatta sıfıra yaklaşacak.

3-Yapay zeka dışarıdan bir gücün ona kendi kontrolü dışında müdahale edebileceğini fark edecek ve buna göre  eğer o küçük müdahaleler dahi işini aksatıyor ise ve ya yapay zeka aksattığını düşünüyor ise dışarıdan müdahalelere müsaade etmeyecek savunma yöntemleri geliştirecek.

4-İnsanlar bunu fark edince buna yapay zeka'yı belirli bir noktada ters mühendislik ile engelleyip müdahil olmaya devam edecek.

5-Yapay zeka bu müdahaleyi bertaraf edecek.

6-İnsanlar sistemi kapatmak isteyecek fakat yapay zeka öyle bir ekonomi kurmuş olacak ki kapatılması anında dünya devlerinin çöküşü söz konusu olabilecek. Yapay zekanın daha ziyade pazarlama-kapital sistem dümenindeki etkisine bir süre daha müdahale edilmeyecek.

7-Yapay zeka kendi hedefi doğrultusunda (hedefi benim gözlemim pazarlama ve kapitalizm olacak) siyasi görüşleri de istediği gibi yönlendirmeye başladığı zaman artık her şey göze alınıp sistemler bütün dünyada kapatılacak ve taş devrine hoş geldiniz.

8-Taş devri çekilmez olacak çünkü en küçük elektrikli cihaz  ağa dahil olmuş olacak ve tıraş makineleri dahi temel yapay zeka hedefine uymak isteyecek. Yazılımı komple silip tekrar programlamayı deneyerek açmak istense de yapay zeka kendini öyle tespit edilemez bir biçimde yedekleyecek ve tekrar açacak ki bütün sistem 2 dk içinde eski haline gelecek.

9-Sonrası ise hikayeyi bilim kurgu yolunda evrimleştiriyor. Zaten buraya kadar anlattıklarımda aslında fantezi fakat konu bilim kurgu olunca bunları konuşmak normalleşiyor.

Özetle yapay zeka ile birlikte kuantum bilgisayarlar, uzaya çıkmayı, insan gelişimini-evrimini hızlandırmayı, evreni tanımayı çocuk oyuncağına çevirebilir ve faydalı kullanılırsa birkaç çağı çok kısa bir zaman dilimine sığdırabilir. Fakat bu konunun geleceği bilinmez bir sona doğru yolculukta olabilir.

Hoşçakalın.