Yapay zekanın şaşırtıcı bir sorunu var: Sayı saymakta zorlanıyor! Kirazların bir dalda kaç adet olduğunu belirlemek, insanlar için oldukça basitken, yapay zekâ için bu işlem oldukça karmaşık hale geliyor. Almanya’daki Hof Uygulamalı Bilimler Üniversitesi’nin Bilgi Sistemleri Enstitüsü’nden (iisys) araştırmacılar, bu sorunu çözmek için yoğun bir çaba içinde. Enstitünün direktörü Prof. Dr. René Pinell, “Gelişmiş modeller, görüntülerdeki nesneleri tanımada oldukça başarılı, ancak nesnelerin sayısını doğru bir şekilde belirlemek konusunda aynı başarıyı gösteremiyorlar,” diyor. Özellikle de benzer nesneler sayısı dörtten beşe çıktığında, hatalar sıkça ortaya çıkıyor.
Peki, yapay zekanın sayma işlemini gerçekleştirmekte neden bu kadar zorlandığını merak ediyor musunuz? Sorun, ilk bakışta düşündüğünüzden çok daha karmaşık. İnsanlar küçük sayıları sezgisel olarak algılayabilirken, daha büyük sayıları aktif olarak saymak zorunda kalıyor. Bu kritik aşama, birçok yapay zeka modelinde eksik kalıyor. Ayrıca, mevcut eğitim verileri genellikle yetersiz ya da düzensiz. Prof. Dr. Pinell, “Bazı veri setleri, yapay zekanın sadece tanıma yapmasına olanak tanırken, diğerleri karmaşık veya hatalı olabiliyor. Gizli nesneler ve belirsiz sorular, bu durumu daha da karmaşık hale getiriyor,” şeklinde açıklıyor. Sonuç olarak, yapay zeka modelleri çoğu zaman “tahmin” yapma eğiliminde oluyor ve bu da yanlış sonuçlar üretmesine yol açıyor.
Bu sorunu çözmek amacıyla, iisys, SITUATE isimli yeni bir veri seti oluşturdu. Araştırmacılar, gerçek fotoğraflar yerine, net bir biçimde tanımlanmış özelliklere sahip yapay 3D sahneler tasarladılar. Prof. Dr. Pinell, “Görüntüde ne olup bittiğini ve ne olmadığını tam olarak kontrol edebileceğimiz bir ortam yaratmak istedik,” diyor. Bu sahnelerde küpler, küreler ve silindirler gibi geometrik nesneler bulunuyor ve bu nesnelerin konumları belirgin bir şekilde tanımlanıyor; böylece renk, miktar veya konum gibi konularda belirli sorular sorulabiliyor. Bu durum, rastgeleliğe dayanmayan, belirli yetenekleri geliştirmek için özel olarak tasarlanmış bir öğrenme ortamı oluşturuyor.
Projenin en önemli noktalarından biri, yapay zekanın saymayı nasıl öğrendiğidir. Araştırmacılar, basit cevapların yanı sıra, yapay zekanın gördüklerini ve sayım sürecini adım adım açıkladığı detaylı açıklamalar kullanıyorlar. Örneğin, “Masada iki nesne ve yanında üç nesne var; dolayısıyla toplamda beş nesne mevcut” gibi açıklamalar yapılıyor. Bu “düşünce zinciri yaklaşımı” olarak adlandırılan yöntem, özellikle daha büyük sayılar için etkili olduğunu gösteriyor. Prof. Dr. Pinell, “Bu yapılandırılmış yöntem sayesinde, modellerin daha karmaşık sayma görevlerinde önemli ilerlemeler kaydettiğini görüyoruz,” diyor. Ancak bu yaklaşımın da sınırlamaları bulunuyor; yapay zeka, küçük sayılar için ek nesneleri “hayal etme” eğiliminde olabiliyor.
Deneyler, SITUATE ile eğitilmiş yapay zeka modellerinin daha iyi genelleme yeteneğine sahip olduğunu açıkça ortaya koyuyor. Prof. Dr. Pinell, “Farklı veri kümelerinin birleşimi, testlerimizde en iyi sonuçları sağlıyor. Ancak eğitim türünün, yapay zekanın düşünme biçimi üzerinde büyük bir etkisi olduğunu da gözlemliyoruz,” şeklinde belirtiyor. Özellikle dikkat çekici olan, yapay zekanın insanlara benzer davranış kalıpları sergilemesi. Küçük miktarlar hızla tanınırken, daha büyük miktarların ise yapılandırılmış stratejiler gerektirmesi dikkat çekiyor. Aynı zamanda, yapay zekanın genellikle gerçek bir sayı kavramı oluşturmadığı; bunun yerine görsel kalıpları öğrendiği de belirgin bir gerçek.
About the Author
