benimcesi

Yapay zekayı düşündüğümüzde genelde akla devasa veri merkezleri, derin öğrenme modelleri ve milyonlarca parametreyle eğitilen büyük yapay sinir ağları gelir. Peki ya bilgisayarlar kodu insan müdahalesiyle yazmak yerine, doğanın milyonlarca yılda kullandığı yöntemi kopyalayarak kendi kendilerini geliştirseydi?

Bu sistemlerin çalışma mantığı biyolojik evrimden esinlenerek kurgulanmıştır. Sıradan Deep Learning sistemlerden farklı yönleri mevcuttur. Yazımda kısaca bu farklara değineceğim.

Evrimsel Döngünün Adımları

1. Popülasyonun Oluşturulması: Algoritma, belirli bir problemi çözmek için rastgele oluşturulmuş binlerce farklı yöntem oluşturur, parametre kombinasyonu veya yapay sinir ağı yapısıyla başlar. Bu ilk nesil genellikle son derece beceriksiz ve rastgeledir.
2. Uygunluk Testi: Popülasyondaki her bir birey, çözmeye çalıştığı görevde (örneğin bir robotu yürütmek, bir oyunu oynamak veya bir fonksiyonu optimize etmek) tek tek test edilir. Her birine başarısına göre bir “uygunluk puanı” verilir.
3. Doğal Seçilim: En yüksek puanı alan (görevi en iyi başaran) bireyler hayatta kalırken, zayıf ve başarısız olanlar elenir. Seçilim süreci, doğadaki güçlü olanın hayatta kalması kuralının karşılığıdır.
4. Çaprazlama ve Mutasyon: Esasında bu yöntemi diğer yapay zeka öğrenmelerinden ayıran şey bu başlıkta toplanmaktadır. Hayatta kalan başarılı bireylerin kodları birbirine karıştırılır (çaprazlama) ve sistemin sıkışıp kalmasını önlemek, yeni fikirler denemek için kodlara rastgele küçük değişiklikler (mutasyonlar) eklenir. Böylece bir sonraki nesil (yeni nesil yazılımlar/ağlar) üretilir.

Bu dört adımlı döngü milyonlarca nesil boyunca aralıksız tekrarlanır. Her nesilde sistem biraz daha akıllanır, nihayetinde insanın akıl edemeyeceği kadar garip ama son derece verimli çözümler ortaya çıkar. Yapay zekanın eğitileceği dijital simülasyonun gerçek koşullara uygunluğu burada önem kazanır. Çünkü yapay zeka çoğu zaman hile yapar. Simülasyonun açıklarını bir şekilde bulur ve bunları suistimal eder. Siz mekatronik bir robotu yürütebilmek için simülasyon ile dijital olarak birkaç milyon nesil eğitirsiniz ancak o gerçekte fizik yasalarının imkan vermeyeceği bir davranış keşfederek tüm emeğinizi boşa çıkarabilir.

Neden Önemli ve Farklı?

Geleneksel yapay zeka mühendisleri sisteme “ne yapması gerektiğini” adım adım söyler. Evrimsel yapay zeka ise sisteme sadece hedefin ne olduğunu söyler ve oraya nasıl varacağını, doğanın kuralıyla kendi kendine keşfetmesine izin verir. Tabii ki bu sistemleri tasarlamak ciddi bir yaratıcılık ister. Çünkü esasında bu yöntem bir nevi deneme saldırılarına (brute force attack) benzer. Hedefinizi seçer ve yapay zekanın o hedefe ulaşmak için milyonlarca kez saldırmasını beklersiniz. Tabii ki her seferinde biraz daha akıllıca saldırır. Günümüzde işlemciler ne kadar hızlı olsalar da bu ciddi bir enerji ve zaman maliyetini birlikte getirir. Bu yüzden hedefleri bölmek ve başarı puanlamasını doğru kurgulamak önemlidir. Bu dezavantajından ötürü büyük ölçekli projelerde çoğunlukla nöral ağ sistemi ile hibrit kullanılır.