Yapay Zekanın Zorlukları, Sınırlamaları Nelerdir ve Bize Nasıl Fırsatlar Yaratır
Yapay zekayı her yerde görmeye başladık. Evde, sokakta ve telefon ve bilgisayarlarımızda hep onunla karşılaşıyoruz. Teknoloji konusunda bize ilham veren bilim adamları ve girişimci şirket sahiplerine sorduğumuz zaman hepsi aynı cümleyi söylüyor. "Satın aldığımız ve kullandığımız her ürün ve serviste artık yapay zeka olacak". Aynı zamanda yapay zekanın bize olacak etkileri hakkında da endişelerimiz sürekli artıyor. Mesela Tesla, SpaceX ve SolarX şirketlerinin sahibi olan Elon Musk yapay zeka hakkında "Şeytanı çağırıyoruz" şeklinde bir benzetme yapıyor ve "En büyük varoluş tehdidimiz ne diye soracak olursanız muhtemelen yapay zekadır." şeklinde de ekliyor. Bu varoluşsal boyuttaki tehditler gerçekleşir mi tartışma konusu ve sohbet uzar gider ama kesin olan başka şeyler var. Yapay zeka destekli otomasyonun işyeri, istihdam ve toplum üzerindeki etkisi konusunda endişe etmeye bile gerek yok sanırım. Yıkıcı bir etkisi olacağı kesin.
Kendi silahını icat ettikten sonra yapılan düello
Yapay zeka kullanmaya karar verdiğimizde internetten bir uygulama idirdikten sonra onu kurup kullanmaya başlayamıyoruz. Hatta bunu büyük şirketlerden paket program ya da çözüm satın alarak da alamıyoruz. Her defasında kendi işimize uygun hale getirecek büyük bir çalışma içine girmemiz gerekiyor. Aslında bu ihtiyacımızı karşılayacak yapay zekayı bir nevi icat etmek gerekiyor. Her işletme kendi silahını icat ettikten sonra kullanabiliyor ve avantaj sağlayabiliyor.
Yapay zekayı kullanmaya başlamanın temel bazı zorlukları olduğu kesin. Başka da birçok gereksinimi var. Makinelerin eğitimini sağlayacak kadar büyük veri, entegrasyon noktaları gibi birçok konumuz var.
Zorlukların yanı sıra işimize getireceği fırsatlar da gerçekten kayda değer. Doğru şekilde hareket edersek rakiplerimize karşı sağlayacağımız avantaj bizi gerçekten ayrıştıracaktır. Müşteri ve gelir pazar payımızı bir anda hızlıca arttırıp pazarda tekil duruma geçebilmek için en güçlü silahımız yapay zeka olacaktır. Tabii unutmayın ki rakipleriniz de aynı silahı icat etmek için uğraşıyor.
Peki bütün bu zorluklara rağmen bu yapay zeka özelliğini başarılı bir şekilde şirketimize kazandırdık. Ürünlerimizde artık yapay zeka var. Peki neler yapabilir, neler yapamayız. Herşeyi yapabilir miyiz, sınırlarımız nedir. Bu sınırlara çarpıp kalacak mıyız. Bu yazımızda aslında işte tam olarak bu zorluklardan, fırsatlardan ve sınırlarımızdan bahsedeceğiz.
Makine öğrenmesi ve derin öğrenme
Yapay zeka gelişimi ilk zamanlarda Makine öğrenmesi (machine learning) ile başladı. Temel istatistik ve olasılık üzerine kurulu bir modelleme ve öğrenme yöntemi ile yapay zeka çok heyecan verici olsa da bir süre sonra zorlukları ve başarı sınırları sebebiyle gözden düşmüştü. Tabii ki son yıllarda derin öğrenme (deep learning) icat edilene kadar. Google Çeviri servisinde Türkçe çevirilerinin gerçekten başarılı sayılabilecek kadar iyileşmesini sağlayan da bu derin ö??renmedir. Derin öğrenme aslında makine öğrenmesinin bir alt kolu olmasına rağmen getirdiği bazı devrimsel yeteneklerle birçok alanda Facebook'taki yüz tanımadan Tesla arabaların otonom olarak seyahat etmesine kadar hayatımızda birçok yerde beklentileri karşılayacak kadar uygulama alanı buldu.
Derin öğrenme, insan beynini taklit ederek gerçekleştirilmiştir. Beynimizdeki nöronlar ve sinir ağlarının çalışmasını kopyalayarak modellenmiştir. Derin öğrenme temel olarak katmanlar halinde yapılandırılmış milyonlarca "nöron" simulasyonu içeren büyük ölçekli sinir ağlarını kullanır. En yaygın kullanım şekilleri konvolüsyonel sinir ağları (CNNs) ve tekrarlayan sinir ağları (RNNs) şeklinde iki yöntemdir. Bu sinir ağları, eğitim verileri ve geri yayılım algoritmaları aracılığıyla öğrenirler. Makine öğrenmesi ile derin öğrenme arasındaki en büyük fark aslında derin öğrenme için çok daha büyük ölçekli veri ihtiyacı olmasıdır.
Daha öncesinde de bahsetmiştik. Yapay zeka yapılırken algoritmalar ile programlanan sistemler yoktur. Bu sistemler programlanmadan ziyade "eğitildiğinden", genellikle karmaşık görevleri doğru bir şekilde gerçekleştirmek için büyük miktarda etiketli veri gerektirirler. Büyük veri kümeleri edinmek oldukça zor bir iştir. Bazı sektörlerde büyük veri işin doğası gereği oluşmaktadır. Telekom, bankacılık, hava yolları, fmcg gibi alanlarda gerçekten büyük sayılabilecek veri oluşmaktadır. Ama burada da sorun devame etmektedir. Bu verinin etiketlenmesi gerekiyor. Aksi takdirde bu veri kullanılarak eğitim sağlanamaz, ve bu kadar büyük bir veriyi etiketlemek de gerçekten zordur.
O halde başlayalım
Sınırlama 1 : Büyük veriye sahip olmak
Şu an için bazı konularda gerçekten büyük veriye ulaşmak kolay. Mesela bir resim tanıma algoritması yapacaksanız muhtelemen çok kolay bu veriye ulaşabilirsiniz. imagenet ya da www.data.gov adresinde Amerika hükümeti birçok veriyi açık veri haline getirmiş durumda. Ya da birçok deneme bilgisi zaten birçok araçla beraber geliyor. Bunları kullanarak modellerinizi geliştirebilirsiniz. Ama bunların sizin asıl çözmek istediğiniz işe bir faydas?? olur mu emin değilim. Kendi probleminizi çözmek için kendi işinize ait olan verinizi üretmeniz gerekmektedir.
Eğer daha önceden basılı formlar üzerinde birikmiş bir veriniz varsa bunları taratıp okutmanız zor olabilir belki ama önce otomasyon projesi yapıp bu formların dijital bir ortama geçmesini saplayabilir ve sonrasında da bu bilgileri kullanabilirsiniz. Ya da çağrı merkezinize gelen aramaların metine dönüştürülmüş halini temin etmeye çalışarak buradan müşteri şikayet analizi, ya da ürün kalitesinin iyileşme noktalarını analiz edebilirsiniz. Aynı şekilde üretim bandın??zın yapay zeka ile desteklenmesi için makinelerin ve sürecin birçok noktasına duyargalar (sensörler) eklemelisiniz. Bunlardan gelen verileri de bir merkezi veritabanında biriktirerek bu verileri kullanarak bir yapay zeka modeli oluşturabilirsiniz.
Büyük veri gerçekten büyük olacağı için çoğu durumda, özellikle de makinelerden gelen veriler oldupunda veritabanları sizin ihtiyacınızı karşılamayacaktır. Bunun için büyük veri (big data) platformlarına ihtiyaç duyacaksınız. Bununla ilgili inceleyi başka bir yazımıza bırakalım ve devam edelim.
Sınırlama 2 : Veri Etiketleme
Şu an için çevremizde gördüğümüz yapay zeka uygulamaların neredeyse tamamı Güdümlü öğrenme (Supervised learning) kullanmaktadır. Temelde istatistiksel bir model uygulayıp daha önce aynı durumlarda ne tür bir sonuç oluştuğunu belirleyip yeni bir durum geldiğinde neyle karşılaşacağı hakkında bir yorum yapmaktadır. Bu istatistiksel modeli kurgulamak için de elinizde gerçekten hatırı sayılır miktarda büyük bir veriye ihtiyacınız vardır. Eğer bir hastalığın tesbiti için kan, idrar gibi thlil sonuçlarını girerek hastalığın oluşup oluşmadığını bir şekilde etiketlerseniz yapay zekayı modelleyebilirsiniz. Sonrasında yeni bir tahlil geldiğinde eski etiketlenmiş büyük veri üzerinden teşhiste bulunmak birkaç milisaniye alacak ve %99.999 kadar kesinlikte olacaktır.
Bazen de etiketlemeye ihtiyaç duymadan kendiliğinden etiketleme çıkar. Zaman eğrileri (time series) bunun en güzel örneğidir. Mesela borsalarda alım satım yapan yapay zeka uygulamaları bundan önceki uzun bir zaman aralığına ait bilgilerle eğitilmiştir. Her saniye içindeki veri zaten bir önceki saniyenin etiketi (düştü / çıktı) olacağından yeniden bir etiketleme problemi oluşturmaz. Ama burada da yarı güdümlü bir yapay zeka modellemesi çok daha iyi olacaktır. 50 günlük, 200 günlük ortalamalar, bazı grafik okuma yöntemleri (omuz-baş-omuz vs) gibi eğitirsek yapay zekanın çok daha doğru çalıştığını göreceksiniz.
Tabii ki mutlaka ödül ile öğrenme (reinforcement learning) temelli bir yapay zeka geliştirecekseniz veri ihtiyacınız yok denecek kadar azdır ama bunun da zorlukları daha başkadır. Ödül mekanizmasını düzgün oluşturabiliyorsanız ve her bir öğrenme denesinin maliyeti sizin için sorun değilse gerçekten kullanılabilir.
Sınırlama 3 : Sektörel bilgi ve deneyimin yapay zekaya aktarımı
Bu aşamaya geldiğimize göre artık büyük miktarda verimizin olduğunu ve hatta bu veriyi etiketlediğimizi kabul ediyorum. Şimdi bu verileri kullanarak bir model oluşturmalıyız. Unutmayın her model her zaman işe yaramaz. Belirlediğiniz parametreler ile sonucunuzun ilişkili olması gerekmektedir. Mesela bir emlak danışmanlığı firmanız var ve konutun kaç liraya satılabileceğini ve ne zaman satılabileceğini tahmin etmek istiyorsunuz. Bunun için etkili olan parametrelere sizin uzmanlığınız ile karar vermeni gerekmektedir. Mesela konutun rengi ya da kaç tane penceresinin olduğu bir kriter olmaktan çok uzaktır. Eğer konutun rengini bir parametre olarak değerlendirirseniz sonuç almanız gerçekten çok zorlaşacaktır. Aynı zamanda aldığınız parametrelerin birbiriyle bağımlı olmaması gerekmektedir. Mesela hem konutun oda sayısını hem de kapi sayisini parametre olarak alamazsınız.
Bizim şimdiye kadarki bilgilerimizin dışında başka etkenler de olabileceğini de gözümüzden kaçırmayalım. Eğer bildiğimiz her türlü etkeni parametre olarak koymamıza rağmen yeterli başarıyı sağlayamadıysak başka etkenler de olabileceğini gözardı etmeyin. Mutlaka doğru çözümü bulana kadar modelinizi geliştirin.
Sınırlama 4 : Başarı garanti değil
Her türlü uğraşmanıza rağmen başarılı olamayabilirsiniz. Malesef başarı garanti değil. Modeliniz doğru olmayabilir. Veriniz ilişkili olmayabilir. Bilgisayarlarınızın hızı ve kapasitesi yeterli olmayabilir. Teknoloji yeterli olmayabilir. Belki de ulaşmaya çalıştığınız nokta imkansızdır. Zamanda yolculuk yaparak geriye gidilemeyeceğini hepimiz biliyoruz belki ve bununla ilgili bir yapay zeka yapmaya çalışmıyoruz. Ama kendi iş problemlerimizi çözmek de imkansız olabilir. Neyi hedeflediğinizi de düşünmeniz gerekebilir.
Sınırlama 5 : Hayal gücünüz
Gerçek sınırlama aslında çoğu zaman hayal gücünüzdür. Daha fazlasını hayal edip elde etmek için sistemli bir şekilde stratejinizi belirlemeniz gerekmektedir. Veriyi sistemli bir şekilde oluşturmak için sürekli sistemlerinizin IoT (Internet of Things, Herşeyin İnterneti) cihazları ile veri üretmesini sağlayın. Yapay zeka teknolojilerinin de sürekli geliştiğini unutmayın. Yeni yöntemleri takip edin ve onları denemek için hevesli olun. Belki bir önceki başarısızlığınızla sonuçlanan deneme bu sefer olacaktır. Öncü olun. Eğer öncü olmazsanız sadece rekabeti kaybetmezsiniz. Şirketinizi hayallerinizi ve müşterilerinizi de kaybedersiniz. Hayallerinizin gerçekleşmesi için veri-bilimcilerle birlikte iş uzmanlarınızı beraber çalışmasına fırsat verin.
Sınırlama 5 : Kara Kutu
Uzun vadeli bakıldığında yapay zeka algoritmaları, hakim oldukları görevlerde bu konuda uzman insanlardan daha iyi bir performans gösterebilirler. Bununla beraber bir fark vardır. Biz insanlar her zaman hata yapabiliriz. Bunların bazıları çok tehlikeli ve ölümcül de olabilir. Fakat buradaki fark, bizler bu hataların sorumlusuyuzdur. Bu hataların ardındaki sebepleri ve sorumluluklarımızın dayanağını açıklayabiliriz. Yapay zekayı kullanmadığımız bir yazılımda kodlamayı biz insanlar yaparız. Programın algoritması kurallı yapılara bağlıdır. Yanlışlıklar (bug) değerlendirilebilir ve çözümlenebilir. Ayrıca kusurlar veya olası suçlar çok iyi tanımlanabilir. Herşey insanların kontrolü altındadır. Anlaşılabilirdir.
Bu açıklık durumu yapay zeka için kesinlikle geçerli değildir. Özellikle yapay derin öğrenme yönteminde kullanılan nöral ağlar “kara kutu” gibi bir şeydir. Sıklıkla uygulamayı gerçekleştiren mühendisler dahi yapay zekanın kararlarının neden böyle olduğunu açıklayamıyor. 2017 mayıs ayında Google’ın Go Playing yapay zeka uygulaması dünyadaki Go şampiyonunu yenerken hiçbir profesyonelin düşünemediği hamleleri yapmış ve adeta herkesi şok etmişti. Peki bir trafik kazası yapan yapay zeka donanımlı araba yaptığı kazadan sorumlu olacak mı. Onu programlayan mühendis, şirket ya da yolcusu. Kim bu sorumluluğu alacaktır. Daha da önemlisi bu hatanın tekrar etmemesi için bu durumu nasıl düzelteceğiz. Çünkü çoğu durumda sorunun neyden kaynaklandığını bile bilmiyoruz.
Microsoft' un yapay zeka tabanlı Twitter chatbot uygulaması Tay, ırkçı ve seksist söylemlere başlamıştı. Bu sebeple de kapatıldı. Tay insanların twitter üzerinden yazışmalarını okuyarak öğrenmişti ve birçok kişinin seksist ve ırkçı yazıları sebebiyle bir anda korkutucu söylemlere başlamıştı. Açık açık soykırıma çağrıda bulunmuş, beyazların üstünlüğüne ya da kadınlara karşı birçok paylaşımı olmuştu. Bu aslında insanoğlunun zaafiyetlerinin ve bu şekil paylaşımlarının bir yansımasıydı. Ama gene de çok tehlikeli bir deneyimdi. Karar aşalarında kullanılacak bir yapay zeka buna benzer bir tavır göstermesinin sonuçları geri dönülemez olabilir. Burada suçlu toplumdur diyerek işin içinden çıkamayız.
Büyük vaadler
Yapay zekanın insanlığa vaadleri çok büyüktür. Bu vaadlerin arasında tam bir otonomi, tam bir işsizlik, tam bir sağlık, ölümsüzlük ve benzeri birçok konu vardır. Ama şu an emekleme aşamasındadır. Bu bir fırsattır ve ne kadar etkili olursak hem kendi firmamıza, hem ülkemize hem de insalığa olan katkımız çok daha büyük oranlarda olacaktır.
Sen Ne Düşünüyorsun ?