GÜNDEMDE

DÜNYADAN TEKNOLOJİ HABERLERİ

→
2016'ya bakış: AlphaGo yapay zekâ tartışmasını nasıl değiştirdi?
Teknoloji Arşivi · 2016Fotoğraf: Sou Jest / Unsplash ↗
Teknoloji Arşivi2016 / DÖNEM YAZISI

2016'ya bakış: AlphaGo yapay zekâ tartışmasını nasıl değiştirdi?

AlphaGo'nun 2016'da Lee Sedol karşısındaki başarısı, dar alanda geliştirilen AI sistemlerinin gücü üzerine yeni sorular doğurdu.

Yazılımcının GünlüğüYayımlanma: 15 Kas 20263 dk okuma

Örnek dönem tarihi: 9 Mar 2016. Bu içerikler ilgili dönemi bugünden değerlendiren editöryal arşiv yazılarıdır; geçmişte yayımlanmış kayıt olarak sunulmaz.

Dönemin bilgisayar bilimi gündemi

2016 yılında makine öğrenmesi üzerine çalışan ekipler, belirli görevlerde yüksek başarı sağlayabilen modellerin sınırlarını araştırıyordu. Go oyunu çok büyük karar ağacı nedeniyle uzun süre zor bir hedef olarak görülmüştü. AlphaGo'nun başarısı araştırma topluluğu dışına da ulaştı.

Başarıyı doğru yorumlamak

AlphaGo, Lee Sedol'a karşı beş maçlık seriyi 4-1 kazandı. Bu olağanüstü sonuç, her konuda insan seviyesinde akıl yürüten genel yapay zekâ üretildiği anlamına gelmiyordu. Sistemin eğitim verisi, oyun kuralları ve özel amaçlı mimarisi, başarının kapsamını açıklıyordu.

Kavramsal iş akışı — editöryal çizim

Geliştirici için ders

Yüksek başarı elde eden bir modelin hangi koşullarda ölçüldüğünü bilmeden başka bir alana taşınabileceğini varsaymamak gerekir. Bugün kullandığımız AI araçları için de genelleme yeteneği, maliyet ve sınır durumları ayrı test edilmelidir.

Go oyunu neden zor bir yapay zekâ problemiydi?

Go'da olası hamle dizilerinin sayısı çok büyüktür ve yalnızca birkaç hamle sonrasını kaba kuvvetle taramak iyi bir strateji üretmek için yeterli değildir. AlphaGo araştırması derin öğrenme, arama ve oyun deneyimini birleştirerek bu problemi ele aldı. Mart 2016'da Lee Sedol ile oynanan beş maçlık seriyi 4-1 kazanması kamuoyunda geniş yankı yarattı. Fakat bu sonuç, sistemin dilediği fiziksel veya sosyal görevi yerine getirebildiğini göstermiyordu. Başarı belirli kuralları olan iyi tanımlanmış bir oyunda ölçülmüştü.

Model nasıl geliştiriliyordu?

Yaklaşımda bir hamlenin olası değerini tahmin etmeye yardımcı ağlar ve seçenekleri araştıran arama teknikleri bulunuyordu. Oyun kurallarının sabit olması çok sayıda simülasyon ve karşılaştırılabilir sonuç sağlamayı mümkün kılıyordu. Gerçek dünyadaki belirsiz görevlerde ise gözlemler eksik, hedefler değişken ve güvenlik sınırları daha karmaşık olabilir. Bir mühendis için kritik ders, araştırma sonucunun hangi test ortamında ölçüldüğünü anlamak ve o ortamın dışına aktarılabilecek çıkarımları dikkatle sınırlamaktır.

2016 başarısı ile bugünün AI araçlarını ayırmak

AlphaGo'nun başarısı yeni araştırma fikirlerine ilham verdi, fakat genel amaçlı dil modeli veya robot ürünüyle doğrudan eşdeğer değildir. Dönemin açıklamalarını bugünün çok modlu yapay zekâ özellikleriyle karıştırmadan değerlendirmek gerekir. Bir modelin dar alanda olağanüstü performansı başka bir işte güvenilirlik garantisi sağlamaz. Gelecekteki ürün iddialarını değerlendirirken görev tanımı, karşılaştırma yöntemi, insan müdahalesi ve sonuçların bağımsız tekrarlanabilirliği ayrı ölçülmelidir.

0 okunma

Yorumlar

0 gerçek yorum
KURGUSAL ÖRNEKAyşe · 2016 (temsili)

Bir alanda insanı geçmek, her türlü problemi çözebilen genel zekâya ulaşıldığı anlamına gelmiyor. AlphaGo örneğinde bu sınırı ayırmak önemli.

Temsili okuyucu görüşü ve tarih; gerçek yorum değildir.
✎ Yorum yaz

Yorumlar yayımlanmadan önce incelenir.