Bilim İnsanları, Yapay Zekâ İçin Bir “Periyodik Tablo” Oluşturdu
Araştırmacılar, birçok başarılı çok modlu yapay zeka sisteminin neden çalıştığını açıklamaya yardımcı olan birleştirici bir matematiksel çerçeve önerdiler.
Yapay zeka, metin, görüntü, ses ve video dahil olmak üzere farklı veri türlerini birleştirmek ve yorumlamak için giderek daha fazla kullanılmaktadır. Çok modlu yapay zekada ilerlemeyi yavaşlatan engellerden biri, bir yapay zeka sisteminin çözmesi amaçlanan belirli göreve en uygun algoritmik yaklaşımın hangisi olduğuna karar vermektir.
Araştırmacılar şimdi bu karar sürecini organize etmek ve yönlendirmek için birleşik bir yol sundular. Emory Üniversitesi’ndeki fizikçiler, çok modlu yapay zeka algoritmalarının nasıl türetildiğine yapı kazandıran yeni bir çerçeve geliştirdiler ve çalışmaları Makine Öğrenimi Araştırmaları Dergisi’nde yayınlandı.
Makalenin kıdemli yazarı ve Emory fizik profesörü Ilya Nemenman, “Bugünün en başarılı yapay zeka yöntemlerinin çoğunun tek ve basit bir fikre dayandığını bulduk: İhtiyaç duyduğunuz şeyi gerçekten tahmin eden parçaları koruyacak kadar birden fazla veri türünü sıkıştırın” diyor. “Bu bize bir tür ‘periyodik tablo’ gibi bir yapay zeka yöntemleri tablosu sunuyor. Farklı yöntemler, kayıp fonksiyonunun hangi bilgileri koruduğuna veya attığına bağlı olarak farklı hücrelere düşüyor.”
Kayıp fonksiyonu, bir yapay zeka sisteminin tahminlerinin ne kadar yanlış olduğunu değerlendirmek için kullandığı matematiksel kuraldır. Eğitim sırasında, model bu hatayı azaltmak için kayıp fonksiyonunu kılavuz olarak kullanarak iç parametrelerini sürekli olarak ayarlar.
Nemenman, “İnsanlar çok modlu yapay zeka sistemleri için yüzlerce farklı kayıp fonksiyonu geliştirdiler ve bazıları bağlama bağlı olarak diğerlerinden daha iyi olabilir,” diyor. “Çok modlu yapay zekada bir sorunla karşılaştığınızda her seferinde sıfırdan başlamaktan daha basit bir yol olup olmadığını merak ettik.”
Birleştirici bir çerçeve
Bunu ele almak için ekip, kayıp fonksiyonlarının tasarımını, hangi bilgilerin korunması ve hangilerinin göz ardı edilebileceğine dair kararlarla doğrudan ilişkilendiren matematiksel bir çerçeve geliştirdi. Bu yaklaşıma Varyasyonel Çok Değişkenli Bilgi Darboğazı Çerçevesi adını verdiler.
Projede Emory’de doktora sonrası araştırmacı ve Nemenman’ın grubunda araştırma bilimcisi olarak çalışan ortak yazar Michael Martini, “Çerçevemiz esasen bir kontrol düğmesi gibidir,” diyor. “Belirli bir problemi çözmek için hangi bilgilerin korunacağını belirlemek üzere ‘düğmeyi çevirebilirsiniz’.”
Fotoğrafta ders verirken görülen Eslam Abdelaleem, Emory Üniversitesi’nde yüksek lisans öğrencisiyken bu çalışmaya öncülük etti. Son atılımın gerçekleştiği gün, saatindeki yapay zekâ destekli sağlık takip cihazı, hızlı atan kalbini üç saatlik bisiklet sürme olarak yorumladı. Fotoğraf: Barbara Conner.
Makalenin ilk yazarı Eslam Abdelaleem, “Yaklaşımımız genelleştirilmiş, ilkeli bir yaklaşımdır” diye ekliyor. Abdelaleem, Mayıs ayında mezun olmadan ve Georgia Tech’e doktora sonrası araştırmacı olarak katılmadan önce Emory’de fizik alanında doktora adayıyken bu projeyi üstlendi.
“Amacımız, insanların çözmeye çalıştıkları probleme özel olarak tasarlanmış yapay zeka modelleri geliştirmelerine yardımcı olmak,” diyor, “aynı zamanda modelin her bir parçasının nasıl ve neden çalıştığını anlamalarını sağlamak.”
Yapay zeka sistemi geliştiricileri, bu çerçeveyi yeni algoritmalar önermek, hangilerinin işe yarayabileceğini tahmin etmek, belirli bir çok modlu algoritma için gerekli verileri tahmin etmek ve ne zaman başarısız olabileceğini öngörmek için kullanabilirler.
Nemenman, “Aynı derecede önemli olan şey,” diyor, “daha doğru, verimli ve güvenilir yeni yapay zeka yöntemleri tasarlamamıza olanak sağlayabilir.”
Fiziksel bir yaklaşım
Araştırmacılar, çok modlu yapay zeka sistemleri için tasarım sürecini optimize etme problemine benzersiz bir bakış açısı getirdiler.
Abdelaleem, “Makine öğrenimi topluluğu, bir sistemin neden çalıştığını anlamadan, sistemde doğruluk elde etmeye odaklanmıştır,” diye açıklıyor. “Ancak fizikçiler olarak, bir şeyin nasıl ve neden çalıştığını anlamak istiyoruz. Bu nedenle, farklı yapay zeka yöntemlerini birbirine bağlayacak temel, birleştirici prensipler bulmaya odaklandık.”
Abdelaleem ve Martini, çeşitli yapay zeka yöntemlerinin karmaşıklığını özüne indirgemek için bu arayışa elle matematik yaparak başladılar.
Martini, “Ofisimde oturup beyaz tahtaya yazarak çok zaman geçirdik,” diyor. “Bazen Eslam omzumun üzerinden bakarken bir kağıda yazıyordum.”
Bu süreç yıllar sürdü; önce matematiksel temeller üzerinde çalıştılar, bunları Nemenman ile tartıştılar, denklemleri bilgisayarda denediler, ardından yanlış yollardan geçtikten sonra bu adımları tekrarladılar.
Martini, “Çok fazla deneme yanılma ve beyaz tahtaya geri dönme süreciydi,” diyor.
Bilimi yürekten yapmak
Onlar, “eureka” anlarını yaşadıkları günü canlı bir şekilde hatırlıyorlar.
Veri sıkıştırma ve veri yeniden yapılandırması arasında bir dengeyi tanımlayan birleştirici bir ilke geliştirmişlerdi. Martini, “Modelimizi iki test veri kümesi üzerinde denedik ve aralarında paylaşılan, önemli özellikleri otomatik olarak keşfettiğini gösterdik,” diyor. “Bu iyi hissettirdi.”
Abdelaleem, atılımı sağlayan yorucu ama heyecan verici son çabaların ardından kampüsten ayrılırken, Samsung Galaxy akıllı saatine baktı. Bu saat, kalp atış hızı gibi sağlık verilerini izlemek ve yorumlamak için bir yapay zeka sistemi kullanıyor. Ancak yapay zeka, o gün boyunca kalbinin hızla çarpmasının anlamını yanlış anlamıştı.
Abdelaleem, “Saatim üç saattir bisiklet sürdüğümü gösterdi,” diyor. “Heyecan seviyemi bu şekilde yorumladı. ‘Vay canına, bu gerçekten inanılmaz! Anlaşılan bilim böyle bir etkiye sahip olabiliyor,’ diye düşündüm.”
Çerçeveyi Uygulamak
Araştırmacılar, çerçevelerinin etkinliğini test etmek için düzinelerce yapay zeka yöntemine uyguladılar.
Nemenman, “Genel çerçevemizin kıyaslama veri kümelerindeki test problemlerinde iyi çalıştığını gösteren bilgisayar gösterimleri gerçekleştirdik,” diyor. “Daha az eğitim verisiyle ilgilenilen problemleri çözebilecek kayıp fonksiyonlarını daha kolay türetebiliriz.”
Çerçeve ayrıca bir yapay zeka sistemini çalıştırmak için gereken hesaplama gücü miktarını azaltma potansiyeline de sahip.
Nemenman, “En iyi yapay zeka yaklaşımına rehberlik ederek, çerçeve önemli olmayan özellikleri kodlamaktan kaçınmaya yardımcı olur,” diyor. “Bir sistem için ne kadar az veri gerekiyorsa, onu çalıştırmak için gereken hesaplama gücü de o kadar az olur ve bu da onu çevreye daha az zararlı hale getirir. Bu, mevcut yeterli veri olmadığı için şu anda çözemediğimiz problemler için öncü deneylere de kapı açabilir.”
Araştırmacılar, başkalarının genelleştirilmiş çerçeveyi, keşfetmek istedikleri bilimsel sorulara özgü yeni algoritmalar geliştirmek için kullanmasını umuyorlar.
Bu arada, yeni çerçevenin potansiyelini keşfetmek için çalışmalarını sürdürüyorlar. Özellikle bu aracın biyolojik kalıpları tespit etmeye nasıl yardımcı olabileceği ve bilişsel işlev gibi süreçlere dair içgörüler sağlayabileceğiyle ilgileniyorlar.
Abdelaleem, “Beyninizin aynı anda birden fazla bilgi kaynağını nasıl sıkıştırıp işlediğini anlamak istiyorum,” diyor. “Makine öğrenimi modeli ile insan beyni arasındaki benzerlikleri görmemizi sağlayacak bir yöntem geliştirebilir miyiz? Bu, her iki sistemi de daha iyi anlamamıza yardımcı olabilir.”
Kaynak: https://scitechdaily.com
Periyodik Tablonun Sınırları Zorlanıyor “Süper Ağır” Elementler Teoriye Meydan Okuyor