Yapay zekânın uzun yolu

Yapay zekâ bugün birden ortaya çıkmış gibi görünebilir. Oysa bugünkü sistemlerin arkasında yetmiş yılı aşan bir arayış, iki ciddi geri çekilme dönemi ve birbirini tamamlayan birçok ilerleme var. Bu geçmişi bilmek, bugünün fırsatlarını daha sağlıklı değerlendirmeyi de kolaylaştırıyor.

Büyük vaatlerden iki kışa

Alan 1950’lerde büyük bir iyimserlikle doğdu. Bilgisayarların kısa sürede insana özgü görülen pek çok işi yapabileceği düşünüldü. Erken dönemin temel yaklaşımı, kuralları bilgisayara tek tek yazmaktı. Uzmanlar bir sorunun nasıl çözüleceğini adımlara ayırıyor, mühendisler de bu adımları programa dönüştürüyordu.

1956 yazında Dartmouth College’da iki ay süren Yapay Zekâ Üzerine Dartmouth Yaz Araştırma Projesi düzenlendi. “Yapay zekâ” adı, John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon’ın 1955’te kaleme aldığı teklif metninde doğdu. Allen Newell ve Herbert Simon’ın da aralarında bulunduğu katılımcılar, dönemin önde gelen isimlerini aynı odada buluşturdu.

Öğrenmenin veya zekânın başka herhangi bir özelliğinin her yönü, ilke olarak, bir makinenin onu taklit edebilmesine yetecek kesinlikte tanımlanabilir.

Teklif, on kişilik bir ekibin iki ayda anlamlı ilerleme sağlayabileceğini öngörüyordu. Bugünden bakıldığında iddianın cesareti kadar biçilen süre de çarpıcıdır. Yetmiş yıl sonra alan, bu soruların bir bölümü üzerinde hâlâ çalışıyor. Sonraki iki yapay zekâ kışına uzanan aşırı beklenti döngüsü de burada belirginleşmeye başladı.

Bu yöntem, sınırları belirli ve istisnası az işlerde sonuç verdi. Gerçek hayat ise yazılabilecek kurallardan çok daha karmaşıktı. Dilin belirsizliği, görüntülerin çeşitliliği ve gündelik kararların bağlama göre değişmesi, sistemlerin laboratuvar dışındaki başarısını sınırladı. Büyük vaatlerle ortaya çıkan sonuçlar arasındaki mesafe açıldıkça güven azaldı.

İlk uzun durgunluk 1970’lerde yaşandı. Araştırma fonları kesildi, projeler küçüldü ve alana olan ilgi geriledi. Bu dönem daha sonra yapay zekâ kışı olarak anıldı. 1980’lerde uzman sistemler yeni bir heyecan yarattı. Bu sistemler, belirli alanlardaki uzman bilgisini çok sayıda kurala dönüştürüyordu. Ancak kuralların kurulması, güncellenmesi ve her istisnaya uyarlanması pahalıydı.

İkinci yapay zekâ kışı 1980’lerin sonunda başladı ve 1990’lar boyunca etkisini gösterdi. Fonlar yeniden daraldı, şirketlerin ilgisi azaldı. Her iki kışın ortak nedeni teknolojinin bütünüyle işe yaramaması değildi. Asıl sorun, verilen sözlerle güvenilir biçimde teslim edilebilen sonuçlar arasındaki açıklıktı.

Kurallardan öğrenmeye

Kalıcı kırılma, insanın bütün kuralları önceden yazması yerine sistemlerin örneklerden öğrenmesiyle geldi. Derin öğrenme denilen yaklaşımda sistem, hangi özelliklerin önemli olduğunu büyük ölçüde veriden çıkarır. İnsan yine amacı belirler, örnekleri hazırlar ve sonucu denetler. Fakat her ayrıntıyı baştan tarif etmek zorunda kalmaz.

Eski yaklaşımda bir mühendis, kediyi tanımak için bıyık, kulak biçimi ve göz yapısı gibi özellikleri tek tek tanımlamaya çalışabilirdi. Yeni yaklaşımda sisteme yeterince kedi ve kedi olmayan görüntü gösterilir. Sistem, ayrımı yapmaya yarayan özellikleri bu örneklerdeki düzenlerden öğrenir. Bu değişim, karmaşık dünyayı sınırlı bir kural listesine sığdırma yükünü azalttı.

Başarı yalnızca daha iyi bir yöntem bulunmasıyla açıklanamaz. Üç gelişme aynı dönemde olgunlaştı. Dijitalleşme, öğrenmek için gereken büyük veri birikimini yarattı. İşlem gücü uzun yıllar boyunca düzenli biçimde arttı. Moore yasası olarak bilinen bu eğilim, aynı maliyetle daha fazla hesap yapılabilmesini sağladı.

Bir başka önemli etken, oyunlar için geliştirilen ekran kartlarıydı. GPU adı verilen bu işlemciler, benzer hesapları aynı anda çok sayıda kez yapabiliyor. Bu özellik, derin öğrenmenin ihtiyaçlarıyla beklenmedik ölçüde iyi örtüştü. Veri, işlem gücü ve uygun donanım birleşince daha önce denenmiş fikirler gerçek ölçekte çalışabilir hale geldi.

2012 civarında görüntü tanıma yarışmalarında derin öğrenmeye dayalı sistemler, elle tasarlanmış yöntemleri açık farkla geçti. Bu sonuç, araştırma dünyası ve şirketler için somut bir dönüm noktası oldu. Ardından aynı yaklaşım ses tanıma, dil işleme ve görsel üretim gibi alanlara hızla yayıldı.

Bugünün büyük dil modelleri de bu temel fikrin devamıdır. Metinlerdeki düzenleri çok büyük miktarda örnek üzerinden öğrenirler. Yeni olan yalnızca model boyutu değildir. Veri hazırlama, donanım, eğitim süreçleri ve güvenilir ürün geliştirme alanlarında oluşan mühendislik disiplini de belirleyicidir.

Bu tarih, yapay zekânın geçici bir moda değil, uzun bir birikimin sonucu olduğunu gösteriyor. Aynı tarih, aşırı beklentinin alanı iki kez durgunluğa sürüklediğini de hatırlatıyor. Yöneticiler için doğru tutum teknolojiyi peşinen reddetmek ya da her iddiayı kabul etmek değildir. Daha sağlam yol, yapay zekâyı kendi iş süreçlerinde, açık hedeflerle ve ölçülebilir sonuçlarla sınamaktan geçiyor. Böylece hangi kullanımın gerçekten sonuç ürettiği zaman içinde netleşiyor.