Geçtiğimiz aylarda Microsoft’un OpenAI ile ortaklaşa geliştirdiği Copilot adındaki yapay zeka uygulaması, açık kaynak kodları inceleyerek oluşturduğu bilgi havuzu sayesinde programcılara kod yazarken önerilerde bulunuyor. Programcılar tarafından kullanılan Copilot, yazılım dünyasında hayli ses getirdi. Bu tür yapay zeka destekli kodlama yardımcıları mükemmel çalışmasa da programcıların daha hızlı ve hatasız çalışmalarına yardımcı olacaktır.

Öte yandan DeepMind sadece kod yazmakla uğraşmıyor. İsveç Plazma Merkezi ile ortaklaşa yürütülen bir çalışmada, nükleer füzyon reaksiyonunun kontrol altında tutulabilmesi için DeepMind’dan faydalanılıyor. Enerjisini füzyondan alan yıldızlarda, yoğun kütlenin oluşturduğu çekim kuvveti, hidrojen atomlarını bir araya getirmek ve karşıt yükleri dengelemek için yeterlidir. Dünyadaysa bilim insanları nükleer füzyon reaksiyonunu sınırlamak için güçlü manyetik bobinlerden faydalanıyor.

Bobinler yardımıyla nükleer reaksiyonun gerçekleştiği plazmanın kendisini çevreleyen duvarlara değmesini engelleyecek şekilde kontrol edilmesi sağlanıyor. Bunun için de farklı reaktör tasarımlarının ve güç oranlarının denenmesi gerekiyor. Nature dergisinde yayımlanan bir makaleye göre, DeepMind’ın yapay zekası, manyetik bobinleri doğru şekilde idare ediyor. En ideal tasarımın nasıl oluşturulabileceğini otonom olarak bulabildi.

Yapay zeka tarafından önerilen tasarım hem simülasyon üzerinde hem de deneysel ortamda doğrulandı. Bu çalışma gelecekteki nükleer reaktörlerin tasarımını etkileyebilecek ve hatta uygulanabilir füzyon reaktörlerine giden yolu hızlandırabilecek önemli bir adım.

Kaynakça: Copilot, Deepmind, Alphacode, Nature

The post Google Tarafından Geliştirilen Yapay Zeka, Kod Yazmaya Başladı appeared first on Halil Durmus.

Robotlar insanların yıllardır merak ettiği ve insanların gelecek hayallerinin içerisinde olan teknoloji harikaları. Robot teknolojileri o kadar ileri boyutlara çıktı ki artık bazı robotları insanlardan ayırt etmek neredeyse çok zor. Bu insansı robotlar insanlar gibi davranıyor ve insanların bir çok özelliğine sahip durumda. İşte insana en çok benzeyen 5 robot.

 1-Jia Jia

Jia Jia Çin’de üretilen ve insana çok benzeyen dünyada ki robotlardan birisi. Aynı zamanda sergilediği insansı hareketleri ile de bir çok robottan ayrılıyor. Bilim ve teknoloji üniversitesinde geliştirilen yapay zekâya sahip Jia Jia konuşabiliyor. Geleneksel Çin kıyafetleri ile giydirilen ve saçlarıda bu şekilde yapılan Jia Jia oldukça gerçekci durmakta ve bir çok insan Jia Jia’nın robot olduğunu anlayamıyor. İlk kez 2016 senesinde tanıtıma sunulmuştur. Yapay zekâ sayesinde öğrenme yeteneklerinin ve kelime haznesinin genişleyeceği planlanıyor.

2-Sophia

Sophia, 2015 yılında faaliyete geçti. Sophia yaşlılara ve ziyaretçilere parklarda yardım etmesi için Hong Kong merkezli Hanson Robotics tarafından tasarlandı. Sophia’ya Suudi Arabistan tarafından vatandaşlık verilmiştir.

Göz teması kurmak ve insanları tanımak için kameraları ve özel yazılımı bulunan Sophia, sesleri algılayabiliyor ve insanlarla iletişime geçebiliyor.

‘Sophia’, kendisine vatandaşlık verilmesinin ardından, “Dünyada vatandaşlık alan ilk robot olmaktan onur ve gurur duyuyorum” demişti.

3-Ocean One

Ocean One’ın uzaktan kumanda edilebilen kolları ve bilekleri sayesinde tuttuğu ve kavradığı herşeyin uzaktan hissedilebildiğini kaydetti.

Oldukça sevimli bir görüntüsü olan Ocean One‘ın üretim amacı mercan resimlerini keşfetmek. İnsanların bile ulaşamayacağı derinliklere ulaşan bu yapay zekalı robot birçok zorluğu görevinde üstesinden geldi. Bu görevlerden biri de 2016 yılındaki dalışıydı. Bu dalışında Akdeniz’in 100 metre altına dalan Ocean One 1664 yılında Fransa’da batan 2 önemli geminin enkazını keşfetti.

4-Erica

Japonya’nın Osaka Üniversitesinde Hiroshi Ishı Guro tarafından geliştirilen yüz tanıma sistemine sahip, yapay zekâlı Erica insanlarla kolaylıkla iletişim kurabiliyor. Erica dünyanın en güzel ve zeki Robotlarından birisi. Üstelik duygularını yansıtacak yüz ifadelerini de kullanabilir. Erica ilk olarak Japonya’da haber spikerliği yaptı. Şimdi ise bir bilim kurgu filminin ilk yapay zekâlı kadın başrol oyuncusu olarak kariyerini sürdürüyor.

5-Han

Hanson Robotics tarafından yapılan ve Asia Expo’da tanılan Hong Kong’lu Han isminde ki bu robot insansı görünüşü, çevresiyle etkileşime geçmesi ve şaşırtıcı minik hareketleri ile dikkat çekmekte. Yüzünde bulunan 40 ayrı motor sayesinde insansı mimikler yapabilen robot insanlarla etkileşime girip sohbet edebiliyor. Han komik espiriler yapabiliyor ve üretim amacı gaziona, kumarhane gibi mekanlarda insanları eğlendirmek. Üretici firma yakın zamanda Han’ın dişi versiyonunuda çıkaracağını belirtmiş.

Kaynakça: Wired, Spectrum, Webtekno, OpenAccessGovernment, Wikipedia, Hansrobot

The post İnsana En Çok Benzeyen 5 Robot appeared first on Halil Durmus.

MIT’de yüksek lisans öğrencisi olan Arnav Kapur’un yaptığı cihaz sayesinde zihninizin tek kelime konuşmadan veya tuş takımına dokunmadan siparişinizi telepatik olarak internet üzerinden iletilmesini sağlıyor.

Bu cihaz geliştirilirken yüze elektrik sinyallerini algılayabilen bir cihaz yerleştirildi. Söylenen kelimenin yüzün farklı yerlerinde meydana getirdiği sinyaller toplanarak veri elde ediyor. Bu veriler elde edilirken yapay sinir ağları teknolojisinden yararlanıldı. Yapay sinir ağları; insan beynindeki sinir yapısını örnek alarak oluşturulmuş ve alınan verinin anlamlı bir öğrenme sürecine dönüştürerek yapay zekanın tahminde bulunmasına, bir konu hakkında karar vermesini sağlayan bir teknoloji. AlterEgo ‘nun karmaşık cümleleri içermeyen konuşmalarda başarı oranı ise  %92 doğruluk oranıyla okuduğunu da kanıtladı. Telefon kullanımının artık yıkıcı sonuçlar var. Öğrencilerim ve ben uzun zamandır, böyle cihazların sağlayabileceği faydalar üzerinde çalışmalar ve deneyler yapıyoruz.” açıklamasında bulundu.

Örneğin alışveriş yaparken kasaya gelmeden toplamda ne kadar ödemeniz gerektiğini düşündüğünüzde veya TV’de kanal değiştirmek istediğinizde. Saatin kaç olduğunu bilmek istediğinizde ya da biri bilmediğiniz bir kelime kullandığında bunu bilmek isterseniz. Düşünceleri okuma yeteneğine sahip bu cihaz sayesinde bunu kimseye sormadan yada Google da aramadan öğrenebilirsiniz. Her şeyden önce bu cihaz özellikle konuşma problemi yaşayan kişilerin hayatını oldukça kolaylaştıracaktır.

60 Minutes Röportaj Verdi

MIT’nin ünlü Media Lab’ında çalışan Arnav Kapur; CBS haber programı 60 Minutes’te yayınlanan Media Lab’a röportaj verdi. Konuşmanın temelini oluşturan beyin tarafından iletilen elektrik sinyallerini alan kulaklık tipi cihazını anlattı.

60 Minutes muhabiri Scott Pelley ile yaptığı röportaj sırasında Arnav Kapur’a “45.689’un 67’ye bölünmesi nedir?” sorusunu sordu. Cevabını düşünerek, Kapur’un beyni tarafından üretilen elektrik sinyallerini aldı ve bu “soruyu” bağlı bilgisayara iletti, bu da daha sonra doğru cevabı hesapladı. Titreşimleri iç kulağında doğru cevabı yankılayacak şekilde cihaz aracılığıyla geri iletti. (Cevap 681.925!) Verilen soruya doğru cevap vererek cihazın özelliğini gösterdi.

Röportajın sonuna doğru Kapur, cihazı 60 Minutes ekibi için pizza sipariş etmek için bile kullandı. Ve tek kelime etmeden cihaz sayesinde pizza siparişi Kapur’a ulaştı.

Cihaz Piyasaya Sürülmedi

Geliştirilen teknolojiler kısa vadede inanılmaz deneyimler yaşatıp daha iyi yaşam koşulları oluştursa da uzun vadede insanların yalnızlaşmasına ve bunun getireceği pek çok soruna neden olabilmektedir. Alter Ego şu an için piyasaya sürülen bir cihaz değil. Geliştirilen teknolojilerin uzun vadede etkilerinin araştırılıp daha sonra ticari bir ürün olarak sunulması insanlar için daha yararlı olacaktır.

Kaynakça: WonderfulEngineering, İncompliancemag, Techstartups, CBSnews

The post Alter Ego: Düşüncelerinizi Okuyup Yanıt Veren Kulaklık appeared first on Halil Durmus.

Yapay Zeka Nedir?

Yapay Zeka nedir kısa cevap, kime sorduğunuza bağlı olmasıdır.

Kısa süreli bir teknoloji anlayışı olan meslekten olmayan biri onu robotlara bağlar. Yapay zekanın kendi başına hareket edip düşünebilen bir terminatör olduğunu söylerler. Yapay zekayı bir yapay zeka araştırmacısına sorarsanız, bunun açıkça talimat verilmesine gerek kalmadan sonuç üretebilen bir dizi algoritma olduğunu söylerdi ve hepsi haklı olurdu. Yani özetlemek gerekirse, Yapay Zeka anlamı:

• İnsanlar tarafından oluşturulmuş akıllı bir varlık
• Açıkça talimat alınmadan görevleri akıllıca yerine getirebilme yeteneğine sahiptir.
• Rasyonel ve insancıl düşünebilerek hareket edebilir.

Yapay Zeka (AI) Nerede Kullanıyoruz?

Yapay Zeka (AI), kullanıcı davranışları hakkında bilgi vermek ve verilere dayalı öneriler vermek için farklı etki alanlarında kullanırız.

Google’ın tahmine dayalı arama algoritması örneğin bir kullanıcının arama çubuğunda bir sonraki yazıyı ne yazacağını tahmin etmek için geçmiş kullanıcı verilerini kullandığını biliyoruz.

Netflix, bir kullanıcının bir sonraki filmi görmek isteyebileceği filmi önermek için geçmiş kullanıcı verilerini kullanır. Bu sayede kullanıcıyı platforma bağımlı hale getirir izleme sürenizi doğrudan etkiler.

Facebook, kullanıcıların geçmiş verilerini, resimlerindeki yüz özelliklerine göre arkadaşlarınızı etiketlemek için otomatik olarak önerilerde bulunmak için kullanılıyor.

Yapay Zeka AI, büyük şirketler tarafından her yerde kullanıcının hayatını kolaylaştırmak için kullanılıyor. Yapay Zeka kullanımı genel olarak aşağıdakileri içerecek şekilde veri işleme kategorisine girer:

• Veriler arasında arama yapmak ve en alakalı sonuçları vermek için aramayı optimize etmek.
• Parametrelere dayalı bir komut dosyası yürütmek için uygulanabilen if-then akıl yürütme için mantık zincirleri.
• Benzersiz öngörüler için büyük veri kümesindeki önemli desenleri belirlemek için desen algılama
• Gelecekteki sonuçları tahmin etmek için uygulamalı olasılık modelleri

Yapay Zekanın Avantajları Nelerdir?

Teknolojinin hayatımızı daha iyi hale getirdiğini şüphemiz yok. Müzik önerileri, harita yönleri, mobil bankacılık dolandırıcılık önleme, AI ve diğer teknolojiler devralmış gözüküyor. Bu ilerleme ve yıkım arasında ince bir çizgi vardır. Her zaman madalyonun iki yüzü vardır ve bu Yapay Zeka(AI) ile de böyledir. Yapay zekanın bazı avantajlarına bir göz atalım.

• İnsan hatasında azalma
• 7×24 aktif
• Tekrarlanan işlerde yardımcı olur.
• Dijital yardım
• Daha hızlı kararlar vermemizi sağlar.
• Rasyonel karar vericidir.
• Tıbbi uygulamalar da kullanabiliriz.
• Güvenliği arttırır.

Yapay Zekanın Dezavantajları Nelerdir?

• Maliyet aşımları
• Yetenek eksikliği
• Pratik ürünlerin eksikliği
• Yazılım geliştirmede standartların eksikliği
• Kötüye kullanım potansiyeli
• Makinelere son derece bağımlı
• Denetim gerektirir

Kaynakça: BioBilgi, Wisestep, YapayZekatr, Britannica,

The post Yapay Zeka Nedir, Ne için Kullanılır, Tehlikeli Mi? appeared first on Halil Durmus.

“Hangi Maskenin İdeal Olduğunu Yapay Zeka Seçecek”

Yapay zekayla ilgili yaptıkları son çalışmaları paylaşan Şahin, “Birçok firmanın birçok farkta ürettiği maskeler var. Bunların Covid-19 için en ideal olanı hangisi olduğu problemini çözmeye çalıştık. Maskelerin hangisinin daha korunaklı olabileceğini farklı parametrelerle ölçmeye çalıştık” diye konuştu.

“Covid-19’lu Hastaya Teşhis Filmlerden Konulacak”

Bu çalışmanın akabinde Covid-19’u akciğer filmlerinden nasıl belirleyebilecekleri konusunda görüntü işlemede bunun üzerine yoğunlaştıklarını aktaran Şahin, “Çeşitli çalışmalar şuanda yapılıyor. Sağlam bir kişiyle Covid-19’lu bir kişi ve bir de zatürreli kişi arasında nasıl bir bağlantı kurabiliriz, bir kişinin filmini aldıktan sonra Covid-19 olma yada olacak derecesini nasıl belirleyebiliriz üzerine çalışıyoruz. Bunlar zaten görülüyor ama hala acaba insan öksürüğü nedeniyle zatürremi, gripmi, covid-19 mu sorusu sürekli soruluyor. Biz de tam bu noktada çalışma yapıyoruz. Bu filmlerin ayrışmasını istiyoruz. Şuan verileri topluyoruz. Bulanık kümeler mantığıyla çalışan küme verileriyle biz çalışıyoruz” diye konuştu.

Sağlıkla matematiği, mühendisliği birleştirmeye çalışacaklarını ifade eden Şahin, “Covid-19 tutulmasıyla farklı bir kanser tutulması arasındaki farkı ölçmeye çalışacağız. Biz hastalıkları Covid-19 ve diğerleri diye ayırmaya çalışıyoruz” ifadelerini kullandı.

“Doktoru Görmeden Yapay Zeka Hastanelerde Teşhis Koyacak”

Doç.Dr. Şahin, devam eden bir çalışmalarında ise bir kişinin hastaneye gittiğinde hiçbir kişiyle temas kurmadan tamamen yapay zeka yardımıyla teşhis konulabileceği bir uygulama üzerinde çalıştıklarını belirterek, “Bir kişi hastaneye gittiğinde şikayetlerini söylüyor, tahlilleri yapılıyor, gerekli filmleri çekiliyor ve bu kişi hastanenin diğer kapısından hangi hastalık yada ne tür bir problemi olduğu sonucuna varılıp ilaçları yazılıp gönderiliyor. Hiçbir kişiyle, doktorla temas etmeden hastaneden çıkabilecek. Yavaş yavaş oraya doğru gidiyoruz. Otomobil üreten fabrikalar nasıl robotlaştıysa diğer sektörlerde yavaş yavaş böyle olacak. Yapay zekanın en son gideceği yer buralar” dedi.

Kaynakça: İHA

The post Yapay Zekayla Covid-19 Teşhisi appeared first on Halil Durmus.

Görüntü tanıma konusunda yıllardır birçok çalışma yapılıyor. Özellikle yapay zekânın da bu alanda kullanılmaya başlanmasıyla kameradan alınan görüntüde hangi nesnelerin olduğu, bunların sınırlarının ne olduğu gibi bilgiler çok daha rahat tespit edilebiliyor. Görüntü işleme son derece zorlu bir işlem. Hem güçlü bir bilgisayara hem iyi bir yazılıma hem de görüntüyü algılayacak sensörlere ihtiyacınız var. Bilim insanları tüm bu işlemleri tek bir çip üzerinden gerçekleştirmek için araştırmalar yapıyor.

Nature dergisinde yayımlanan bir makaleye göre, yeni geliştirilen yapay zekâlı çip, görüntüleri nanosaniyeler içinde tanımlayabiliyor. Üstelik bu sürede başka herhangi bir bilgisayara bağlanmaya ihtiyaç duymuyor. Dijital göz olarak adlandırılabilecek bu çip, sürücüsüz araçlardan endüstriyel uygulamalara kadar birçok alanda kullanılabilir. Küçük boyutları, hızlı çalışması ve verileri başka bir yere göndermeye gerek duymadan kendi üzerinde işleyip sonuca ulaşabilmesi bu tür çipleri çok kıymetli hâle getiriyor. Milisaniyelerin bile önemli olduğu savunma sanayi gibi alanlarda bu tür sensörler hayat kurtarıcı olabilir.

Bilim insanlarının geliştirdiği prototipte mini diyotlardan oluşan yapay bir sinir ağı kuruluyor ve bu ağ üzerinde yapay zekâ algoritmaları çalıştırılıyor. Şimdilik sadece belli başlı harfleri tanıyabilen sistem daha başlangıç aşamasında. Bilim insanları proje üzerinde çalışmaya devam ediyor. Bu alandaki teknolojik eğilim, merkezi ve akıllı bir sisteme bağlı olarak çalışan sistemlerden kendi içinde problemleri çözebilen mini sistemlere doğru bir geçişin olduğunu gösteriyor.

Sınırlı Görme

Bu yeni sensör, daha fazla yapay zekanın donanıma taşınması yolunda heyecan verici bir adımdır, bu da daha hızlı ve daha verimli hale getirir. Ama daha gidilecek çok yol var. Başlangıç ​​için, göz sadece 27 dedektörden oluşur ve bloklu 3×3 görüntülerden daha fazlasını ele alamaz. Yine de, küçük olduğu gibi, çip harfleri sınıflandırma ve kodlama da dahil olmak üzere birkaç standart denetimli ve denetimsiz makine öğrenme görevi gerçekleştirebilir. Araştırmacılar sinir ağını çok daha büyük boyutlara ölçeklemenin kolay olacağını savunuyorlar. 

Kaynakça: Nature, Technologyreview, BilimveTeknik

The post Görüntü Tanıma Çipi appeared first on Halil Durmus.

Eğitim odaklı, bireysel tüketicileri hedefleyen robotlar da epey fazla sayıda mevcut. Ancak bunların hem donanım hem de yazılım tarafında eksikliklere sahip olduğunu biliyoruz. Bazıları yapıyı veya maliyeti basitleştirmek adına sadece temel sensörlere ve parçalara sahip. Diğerleri ise kullanıcılara robotları programlama izni veriyor, ancak bunu kısıtlı biçimde, özelleştirilmiş blok tabanlı programlama üzerinden yapma fırsatı sunuyor.

Fırçasız motor, Mecanum tekerlekler, mekanik yalpa çemberi, FPV kamera ve altı PWM (Pulse Width Modulation – Darbe Genişlikli Modülasyon) portu ile çoğu profesyonel robotta gördüğümüz seviyede parçayı bu robotta görüyoruz.

Yazılım tarafında ise robot altı adet AI modülü içeriyor. Bunlar bilgisayar görüşü ve nesne tanımlamayı kullanarak nerede dönmesi, hareket etmesi veya hareketleri tanıması gerektiğini anlamasına yardımcı oluyor. Eğer bunları yeterli bulmuyorsanız robot, çocuklar için kolay gelen Scratch dili ya da daha karmaşık olan, ancak hâlâ öğrenmesi kolay sayılan Python ile programlanabiliyor. Robotun programlanabilir olması, diğer S1 robotlarıyla gerçekleştirilecek teke tek veya grup hâlindeki savaş modlarında avantaj kazandırabilir.

Mobil uygulama yardımıyla programlanabilen robot, üzerinde bulunan 31 sensörden ve kameradan gelen verileri işleyerek etrafındaki nesneleri tanıyabiliyor. Seslere karşılık verebiliyor ve diğer S1 model robotlarla iletişim kurabiliyor.

Çizgi izleme, hareketli nesneyi takip etme ve işaret algılama gibi yazılımların yanında Scratch 3.0 ve Python programlama dillerindeki ek yazılımlarla robotu daha da geliştirmek mümkün.

Robomaster eğitim robotu fiyatı ne kadar?

Daha çok robot güreşlerinde kullanmak için geliştirilen Robomaster’ın 499 dolarlık fiyatı biraz pahalı olsa da bu tür ürünlere ilgi duyanlar için uygun bir seçenek.

Satın Al

Kaynakça: TeknoBlog , Teknosafari ,Wired

The post Robomaster Eğitim Robotu appeared first on Halil Durmus.

Yapay zekâ uygulamaları olmayan şeyleri görebiliyor ve tamamen doğal fotoğraflarda bile beklenmedik hatalar yapabiliyorlar.

Derin Sinir Ağları

Derin sinir ağları (DNN), katmanlar hâlinde organize olmuş dijital nöronlardan oluşur. Her bir katmandaki nöronlar kendisinden bir önceki ve bir sonraki katmandaki nöronlarla karmaşık biçimlerde bağlantılıdır. Bir katmandaki nöronlar bir önceki katmandaki nöronlardan gelen bilgiyi işler, bulduğu sonucu bir sonraki katmandaki belirli nöronlara iletir.

Her bir nöronun bilgiyi işleme biçimi öğrenme süreci sırasında şekillenir. Örneğin bir derin sinir ağına çeşitli hayvanları sınıflandırmayı öğrettiğimizi düşünelim. Başlangıçta her bir nörona rastgele komutlar verilir ve çeşitli hayvan resimleri gösterilmeye başlanır. Örneğin gösterilen ilk resmin bir aslan fotoğrafı olduğunu düşünelim. Yapay zekâ uygulamasının, her bir nörona verilen rastgele komutlarla bu resimdeki hayvanın aslan olduğunu tespit etme ihtimali pratikte sıfırdır. Dolayısıyla derin sinir ağının yaptığı tahmin büyük olasılıkla yanlış olacaktır. Uygulamaya yaptığı tahminin yanlış olduğu söylenir ve doğru tahmin yapacak biçimde nöronlara verilen komutlar optimize edilir.

Uygulama bir kez daha aynı fotoğrafla karşılaştığında fotoğraftaki hayvanın aslan olduğunu kesinlikle doğru tahmin edecektir. Daha sonra uygulamaya içinde başka bir hayvan, örneğin bir ayı, olan yeni bir fotoğraf gösterilir ve yine resimdeki hayvanı sınıflandırması istenir. Uygulamanın, her bir nörona verilen, belirli bir fotoğraftaki hayvanı aslan olarak sınıflandırması için optimize edilmiş komutlarla bu hayvanı da doğru olarak sınıflandırması beklenemez. Dolayısıyla uygulama büyük olasılıkla yine yanlış tahmin yapacaktır. Uygulamaya yine yanlış tahmin yaptığı söylenir ve nöronlara verilen komutlar bu fotoğraftaki ayıyı da doğru sınıflandıracak biçimde yeniden optimize edilir. Bu süreç, çok çeşitli hayvanların çok sayıda fotoğrafıyla binlerce, milyonlarca kez tekrar edilir.

Eğitim süreci tamamlandığında, kendisine gösterilen fotoğraflardaki hayvanların hangi tür olduğunu çeşitli olasılıklarla tahmin eden bir yapay zekâ uygulaması ortaya çıkar. Örneğin böyle bir uygulamaya içinde daha önce hiç karşılaşmadığı bir hayvan bulunan bir fotoğraf gösterdiğinizde, size şöyle bir cevap verebilir: Resimdeki hayvan %95 olasılıkla gergedandır.

• Orijinal resimler (solda),
• resimlere eklenen parazit (ortada),
• resimlerin parazit eklendikten sonraki hâlleri (sağda). İnsan gözü orijinal resimler ve parazitli resimler arasındaki farkı algılayamıyor. Ancak orijinal resimler yapay zekâ tarafından doğru sınıflandırıldığı hâlde parazitli resimler yanlış sınıflandırılıyor.

Derin öğrenme, yapay zekâya bir şeyler öğretmenin tek yolu değil.

Ancak başka yöntemlere göre çok daha hızlı bir biçimde öğrenmeye imkân vermesi sebebiyle çok yararlı bulunuyor ve sıklıkla tercih ediliyor. Derin öğrenmenin uygulama alanları arasında konuşma algılama sistemlerinden, görüntü tanıma sistemlerine, yeni ilaç keşfinden kanserli hücreleri tespit etmeye kadar pek çok şey sayılabilir.

Hatalar

Derin öğrenmeyle eğitilen yapay zekâ uygulamaları her ne kadar pek çok alanda başarılı olsa ve hatta bazı işleri insanlardan daha iyi becerse bile bu durum mükemmel oldukları anlamına gelmiyor. Son yıllarda yapılan çalışmalar, derin öğrenme ile eğitilmiş yapay zekâ uygulamalarının çok basit hatalar yapabileceğini ve kolaylıkla kandırılabileceğini gösterdi.

Yapay zekânın nasıl kandırılabileceğiyle ilgili ilk makale, Google araştırmacılarından Christian Szegedy ve arkadaşları tarafından 2013 yılında yayımlanmıştı. Araştırmacıların yaptığı çalışmalar, herhangi bir görüntü üzerinde ufak tefek oynamalar yaparak DNN’leri yanlışa sürüklemenin mümkün olduğunu gösteriyordu. Örneğin bir hayvan resmini alıp bazı piksellerde ufak, sistematik değişiklikler yaparak yapay zekâyı gördüğünün aslında bir araba fotoğrafı olduğuna ikna etmek mümkündü. Üstelik bu durum belirli bir yapay zekâ uygulamasının eğitimindeki eksikliklerden de kaynaklanmıyordu. Üzerinde oynamalar yapılmış resim, tamamen farklı verilerle eğitilmiş herhangi başka bir yapay zekâ uygulaması tarafından da yanlış sınıflandırılıyordu.

Bir yıl sonra Anh Nguyen, Jason Yosinski ve Jeff Clune, yapay zekâya olmayan şeyleri gördürmenin de mümkün olduğunu gösterdi. Örneğin derin öğrenme ile eğitilmiş yapay zekâ uygulamaları, soyut dalgalı çizgilerin içinde elektronik gitarlar ya da tamamen parazitli (her bir pikseli rastgele renklere boyanmış) resim dosyalarının içinde tavus kuşları görebiliyordu.

Daha sonraları DDN’lerin yaptığı farklı türlerde başka hatalar da keşfedildi. Örneğin geçen sene Anh Nguyen ve arkadaşları bir görüntüdeki nesneleri döndürmenin yapay zekâyı yanıltmak için yeterli olduğunu gösterdi. Örneğin yapay zekâ uygulamaları farklı açıdan çekilmiş “Dur” işareti levhalarını gülle ya da raket olarak sınıflandırabiliyordu.

Geçtiğimiz sene içinde Dan Hendrycks ve arkadaşları üzerinde hiçbir oynama yapılmamış, tamamen doğal görüntülerin bile iyi eğitilmiş yapay zekâ uygulamaları tarafından yanlış sınıflandırılabileceğini gösterdi. Örneğin yusufçuk böceğini rögar kapağı ya da mantarı çubuk kraker olarak sınıflandırmak gibi…

Yapay zekâ uygulamalarının yaptığı hatalar sadece görüntü tanımayla ilgili değil. Verileri sınıflandırmak için derin sinir ağları kullanan herhangi bir yapay zekâ uygulamasını kandırmak da mümkün. Örneğin Sandy Huang ve arkadaşları, 2017 yılında, görüntülerdeki birkaç pikselde ufak tefek değişiklikler yaparak Atari oyunları oynamak için eğitilmiş DNN’lere oyun kaybettirmeyi başardı.

Sorunlar ve Çözümler

Derin sinir ağlarını güçlü yapan şey çok katmanlı olmaları ve bu sayede verilerdeki çeşitli örüntüleri kolaylıkla algılayabilmeleridir. Ancak bu durum derin sinir ağlarının aynı zamanda sınıflandırdıkları nesnelerin en belirgin özellikleri hakkında bir fikir edinmelerini de zorlaştırır. Örneğin bir insan için bir kuşun en belirgin özelliği gövde şekli ve özellikle de kanatlarıdır. Ancak kuşları sınıflandırmak için eğitilmiş bir yapay zekâ uygulaması için arka plandaki renkler de en az kanatlar kadar önemli olabilir. Verilerdeki ufak tefek değişiklikler sebebiyle hata yapmalarının önüne geçmenin bir yolu, yapay zekâ uygulamalarını daha iyi eğitmek olabilir. Uygulamaları hataya sürükleyen örnekler eğitimlere dâhil edilerek daha az hata yapmaları sağlanabilir. Ancak bazı araştırmacılara göre, derin sinir ağlarını belirli türden saldırılar karşısında hata yapmalarını engelleyecek biçimde eğitmek, başka türden saldırılar karşısında daha savunmasız kalmalarına sebep olabilir.

Daha iyi bir çözüm, derin sinir ağlarının kullandığı algoritmaları, çeşitli matematiksel kısıtlar koyarak, verilerdeki ufak değişikliklerden etkilenmeyecekleri şekilde düzenlemek olabilir.

Derin öğrenme ile ilgili en temel sorunlardan biri algıladıkları görüntüleri anlamamaları.

Örneğin, bir yapay zekâ uygulaması, üzerine birkaç kısa çizgi eklenmiş bir “Dur” işaretini “45” (hız sınırı) olarak algılayabiliyor. Bu durumun nedeni uygulamanın trafik levhalarındaki harfleri ve rakamları algılayıp okumaması, sadece görüntülerdeki pikseller arasında çeşitli ilişkiler kurması. Bu sorunun bir çözümü derin sinir ağlarını “sembolik yapay zekâ” ile bir araya getirmek olabilir. Özellikle 1950-80 döneminde üzerinde yoğun araştırmalar yapılan sembolik yapay zekâda makinelere dünyanın birbirinden bağımsız nesnelerden oluştuğu ve bu nesnelerin birbirleriyle hangi biçimlerde ilgili olduğu öğretiliyor.

Yapay zekânın eğitim biçimleri ne kadar geliştirilse geliştirilsin, bir uygulamanın kendine öğretilenlerden daha fazlasını yapması beklenemez. Bu yüzden sadece eğitim yöntemlerinin değil verilen bilgilerin de zenginleştirilmesi gerekiyor. Örneğin farklı açılardan fotoğrafı çekilmiş “Dur” işareti levhalarını yapay zekâ uygulamalarının gülleye ya da rakete benzetmesinin sebebi dünyanın üç boyutlu olduğunu bilmemeleri. Sadece iki boyutlu fotoğraflara bakarak bu nesnelerin üç boyutlu yapısı hakkında bir fikir edinemiyorlar. Yaptıkları hatalar da bu durumdan kaynaklanıyor. Bu yüzden, gerçek ya da sanal üç boyutlu ortamda eğitim vermek yapay zekânın dünyayı daha iyi kavramasını sağlayacaktır

Yapay zekâyı nedensellik (olaylar arasındaki sebep sonuç ilişkileri) hakkında bilgilendirmenin yolu, uygulamalara deneyler ve keşif yapma imkânı vermekten geçiyor. Bugün bilgisayar oyunları oynayan yapay zekâ uygulamaları zaten “sanal ortamda” bu şekilde eğitiliyorlar. Uygulamalara önce bir “amaç” veriliyor, daha sonra uygulama oyunun kurallarıyla uyumlu çeşitli hamleler yaparak deneme yanılma yoluyla bu amaca ulaşmak için neler yapması gerektiğini öğreniyor.

Gerçek dünya sanal ortamdan çok daha zengindir. Bugün Berkeley’deki Kaliforniya Üniversitesinden araştırmacılar bir robotik kol yardımıyla derin öğrenme yöntemiyle yapay zekâyı aletler kullanması için eğitiyorlar. Robot, kendisine verilen alet kutusundaki aletleri eline alıyor, inceliyor ve ne işe yaradıklarını anlamaya çalışıyor. Bu tarz bir eğitim, yapay zekâya sadece iki boyutlu fotoğraflarla öğrenebileceğinden çok daha fazlasını veriyor.

Şu an için robotlara gerçek dünyada eğitim vermekle ilgili en önemli sorun bu eğitim sürecinin sanal ortamdakine göre çok yavaş olması.

2017 yılında Alpha Zero isimli bir yapay zekâ uygulaması sadece bir gün içinde Go, satranç ve shogi (bir tür Japon satrancı) öğrenmiş ve bu sırada sanal ortamda 20 milyondan fazla antrenman maçı yapmıştı. Bir robotun gerçek dünyada 20 milyon antrenman maçı yaparak eğitilmesiyse neredeyse imkânsızdır.

Yapay zekâyı gerçek dünyada eğitmek için, tıpkı insanlar gibi, daha az veriyle öğrenmelerini sağlamak gerekiyor. Bir bebeğin, bir hayvanın aslan mı yoksa kaplan mı olduğunu öğrenmesi için milyonlarca aslan ve kaplan fotoğrafı görmesi gerekmez. Sadece birkaç örnek yeterlidir. Çünkü daha önceden pek çok canlı görmüştür ve bir tür canlıyı diğer türdeki canlılardan ayıran özellikleri fark etmekte zorlanmaz.

Yapay zekâyı daha hızlı eğitmek için daha önceki tecrübelerden edindiği bazı ya da bütün bilgileri yeni görevlere aktarması sağlanabilir. Örneğin bir hayvan türünü tanıması için eğitilmiş derin sinir ağındaki gövde biçimini tanıyan kısımlar, başka bir hayvanı tanımak için verilecek yeni bir eğitim sırasında yararlı olabilir. Ancak bu yaklaşım her durumda geçerli değildir. Örneğin bir derin sinir ağını satranç ya da briç oynamak için eğitebilirsiniz. Ancak ikisini aynı anda oynayamaz. Birbirinden tamamen farklı kurallara sahip bu iki oyundan birini öğrenebilmesi için diğerini tamamen unutması gerekir. Yapay sinir ağları, insan beyinleri gibi hafızalara sahip değildir.

Bugün yapay zekâyı eğitmek için kullanılan derin öğrenmeyle ilgili derin sorunlar var.

Verilerdeki ufak tefek oynamalar beklenmedik hatalar yapmalarına sebep olabiliyor. Hatta olmayan şeyleri görebiliyor, farklı açılardan çekilmiş fotoğrafları çok yanlış bir biçimde sınıflandırabiliyor, olmayan hastalıkları teşhis edebiliyorlar. Yapay zekâ günlük hayatımızda giderek daha çok yer ediyor. Dolayısıyla bu ve benzeri hatalar gelecekte önemli sorunlara sebep olabilir. Örneğin otonom araçların sabote edilmesi ya da önemli bir görevi üstlenen bir yapay zekâ uygulamasının hacklenmesi mümkün.

Bugün için derin öğrenme ile ilgili sorunların net bir çözümü yok. Bu durumun en önemli nedenlerinden biri konu ile ilgili kuramsal çalışmaların azlığı sebebiyle sorunların kaynağını tespit etmenin zorluğu. Ortaya çıkan sorunları çözmek için, sonucun ne olacağını bilmeden, çeşitli şeyleri denemek gerekiyor.

Gelecekte yapay zekâyı hatalardan arındırmak için yapılabilecek çeşitli şeyler var. Verilerdeki ufak tefek değişikliklerden etkilenmemelerini sağlamak için öğrenme algoritmalarına matematiksel kısıtlar koymak, üç boyutlu dünyayı ve olaylar arasındaki nedensellik ilişkilerini daha iyi anlamaları için gerçek dünyada eğitim vermek, daha az veriyle daha çok şey öğrenmelerini sağlayacak yöntemler bulmak gibi… Gelecekte yapay zekânın gerçekten de insanlar gibi öğrenmesini sağlamak için atılacak önemli bir adım, kendi öğrenme algoritmalarını geliştirmesine imkân vermek olabilir. Bilgisayar bilimciler yıllardır “program sentezi” olarak adlandırılan bilgisayarların otomatik olarak kod geliştirdiği bu alan üzerinde çalışmalar yapıyorlar. Kendi algoritmalarını geliştirme özelliği kazandırıp bir hafızayla donattıktan sonra gerçek dünyayı kendi kendilerine keşfetmelerine izin vermek, yapay zekânın aşina olmadığı durumlarla karşılaştığında basit hatalar yapmasını engellemenin bir yolu olabilir.

Kaynakça:

Bilim ve Teknik , Analyticsindiamag , Medium

Nguyen, Anh, ve ark., “Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images”, IEEE Conf. Comp. Vision. Pattern Recog., p. 427-436, 2015.

Huang, Sandy, ve ark., “Adversarial Attacks on Neural Network Policies”, https://arxiv.org/abs/1702.02284v1, 2017.

Eykholt, Kevin, ve ark., “Robust Physical-World Attacks on Deep Learning Visual Classification”, IEEE/CVF Conf. Comp. Vision. Pattern Recog., p. 1625-1634, 2018.

Hendrycks, Dan., ve ark., “Natural Adversarial Examples”, https://arxiv.org/abs/1907.07174v2, 2019.

The post Yapay zekayı kandırmak mı? appeared first on Halil Durmus.

Yapay zekanın hayatımıza dahil olmasıyla birlikte gittikçe değişen dünya ve algılarımız, şimdi bizi tekrar şaşırtıyor. Tamamı yapay zekânın ‘elinden’ çıkan insan yüzleriyle tanışın…

Öte yandan bu tür teknolojilerin anne ve babanın fotoğraflarını kullanarak doğacak çocuğun görüntüsünü tahmin etmek gibi eğlenceli kullanımları da olabilir.

Aslında GAN teknolojisi kullanarak insanların resmi ilk kez üretilmiyor. Geçtiğimiz yıl yine aynı NVIDIA araştırmacıları nöral ağ tabanlı bir görüntü üreticiyle birkaç resim üretmişti. Fakat bunlar pek doğal durmuyordu ve bozulmuştu. Çözünürlükte daha düşüktü Nöral ağlar her geçen insan yüzlerinin taklitini yapmada daha inanılmaz bir hale geliyorlar. Peki gelecekte ayırt edilebilecek miyiz? Bu oranda bile, artık gerçekten ayırt edemiyoruz.

Şiir, şarkı, senaryo, roman derken…

Yapay zekâ şu ana kadar şiir yazdı, şarkı besteledi, senaryo yazdı, belli başlı roman denemeleri yaptı. Bunların hepsi bir insanın üretmesi için yıllar gerektiren işlerken, yapay zekâ için sadece ‘işlenecek verileri aldıktan sonra’ çarçabuk oluşturulabilecek birer üretim.

Fakat tabii bu üretimi yapabilecek zekâ ve algoritmayı oluşturabilmek kolay değil. Önce bir teknoloji üretip, sonra o teknolojiye verileri verip, daha sonra o verilerden bir şeyler öğrenmeyi, en son olarak da verileri kullanarak yepyeni üretimler yapmayı öğretmeniz gerek.

Şu ana kadar yapay zekânın yaptığı üretimler bazı açılardan ‘hatalı’ olsa bile, hiçbiri düzeltilemeyecek hatalar değildi. Yapay zekâ, gerçek anlamda konuşmayı öğrendiğinde önünde engel kalmayacak.

Kaynakça: OpenCulture , GercekBilim

The post Yapay Zeka Üretimi Yüzler appeared first on Halil Durmus.