Kafamızı yukarı çevirdiğimizde bizleri karşılayan kuşlar her zaman insanlık için ilham verici canlı grubu olmuştur. Bizlerde uyandırdıkları ilham artık yeni bir teknolojik devrimin eşiğinde: Dronelar. Bahsettiğimiz droneları, mekanik arılar gibi etrafta vızıldayan robotlardan sanmayın. Aksine, sürekli değişen ve görünmeyen ortamlarda hassas ve kolay bir şekilde gezinmek için Liquid Neural Networks – akışkan sinir ağları – tarafından yönlendirilen, gökyüzünde süzülen, kuşlardan ilham alan mucizelerdir.
Organik beyinlerin uyarlanabilir doğasından ilham alan MIT’nin Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı’ndan (CSAIL) araştırmacılar, karmaşık, alışılmadık ortamlarda vizyona dayalı hedefe uçma görevlerinde ustalaşmak için sağlam uçuş navigasyon ajanları için bir yöntem geliştirdiler. Sürekli olarak yeni veri girişlerine uyum sağlayabilen akışkan sinir ağları, ormanlar, kentsel peyzajlar ve ek gürültü, dönüş ve tıkanıklık olan ortamlar gibi bilinmeyen alanlarda güvenilir kararlar alma becerisi gösterdi. Navigasyon görevlerinde son teknoloji birçok muadilinden daha iyi performans gösteren bu uyarlanabilir modeller, arama ve kurtarma, teslimat ve vahşi yaşamı izleme gibi potansiyel gerçek dünya drone uygulamalarını etkinleştirebilir.
Araştırmacıların Science Robotics’te yakın tarihte yayınlanan çalışması, bu yeni dron türünün, sahada uzun süredir devam eden bir zorluk olan önemli konum değişikliklerine nasıl uyum sağlayabildiğini ayrıntılarıyla anlatıyor. Ancak ekibin yeni makine öğrenimi algoritmaları sınıfı, drone monteli bir kameradan alınan piksel girdileri gibi yüksek boyutlu, yapılandırılmamış verilerden görevlerin nedensel yapısını yakalar. Bu ağlar daha sonra bir görevin önemli yönlerini çıkarabilir (yani, eldeki görevi anlayabilir) ve ilgisiz özellikleri göz ardı ederek, edinilen navigasyon becerilerinin hedefleri sorunsuz bir şekilde yeni ortamlara aktarmasına imkan verebilir.
CSAIL direktörü Daniela Rus, “Robotlar için öğrenmeye dayalı kontrol yaklaşımımızın muazzam potansiyeli bizi heyecanlandırıyor, çünkü tek bir ortamda eğitim alırken ve tamamen farklı bir ortamda devreye alırken ortaya çıkan sorunları çözmek için temel oluşturuyor,” diyor. MIT’de Elektrik Mühendisliği ve Bilgisayar Bilimleri Profesörü Erna Viterbi: “Deneylerimiz, bir insansız hava aracına yazın bir ormandaki bir nesnenin yerini belirlemeyi etkili bir şekilde öğretebileceğimizi ve ardından modeli kışın, çok farklı çevrelerde ve hatta arama ve takip etme gibi çeşitli görevlerle kentsel ortamlarda konuşlandırabileceğimizi gösteriyor. Bu uyarlanabilirlik, çözümlerimizin nedensel temelleri sayesinde mümkün olmaktadır. Bu esnek algoritmalar, bir gün tıbbi teşhis ve otonom sürüş uygulamaları gibi zaman içinde değişen veri akışlarına dayalı karar vermede yardımcı olabilir.”
Göz korkutucu bir zorluk işleri aksatabilirdi: Makine öğrenimi sistemleri, dronları etiketlenmemiş bir nesneye uçururken verilerden kendilerine verilen görevi anlayabiliyor mu? Ormandan şehir manzarasına uçmak gibi, manzarada ciddi değişiklikler olan yeni ortamlara öğrendikleri becerileri ve görevleri aktarabilecekler mi? Dahası, biyolojik beyinlerimizin dikkate değer yeteneklerinin aksine, derin öğrenme sistemleri nedenselliği yakalamakta zorlanır, sıklıkla eğitim verilerini gereğinden fazla uydurur ve yeni ortamlara veya değişen koşullara uyum sağlamada başarısız olur. Bu, özellikle, çeşitli ortamlardan geçmesi ve engellere anında yanıt vermesi gereken, insansız hava araçları gibi, kaynakları sınırlı gömülü sistemler için can sıkıcı bir durumdur.
Akışkan ağlar ise derin öğrenme sistemlerindeki bu önemli zayıflığı ele alma kapasitelerinin umut verici ön göstergelerini sunuyor. Ekibin sistemi, manzara ve koşullardaki ciddi değişiklikler altında öğrenilen navigasyon becerilerini yeni ortamlara nasıl aktardıklarını görmek için ilk olarak bir insan pilot tarafından toplanan verilerle eğitildi. Yalnızca eğitim aşamasında öğrenen geleneksel sinir ağlarının aksine, akışkan sinir ağının parametreleri zaman içinde değişebilir, bu da onları yalnızca yorumlanabilir kılmakla kalmaz, aynı zamanda beklenmedik veya gürültülü verilere karşı daha dirençli hale getirir.
Bir dizi dört rotorlu kapalı döngü kontrol deneyinde, dronelar menzil testleri, stres testleri, hedef döndürme ve oklüzyon, düşmanlarla yürüyüş, nesneler arasında üçgen döngüler ve dinamik hedef izlemeden başarıyla geçti. Hareket eden hedefleri takip ettiler ve daha önce hiç görülmemiş ortamlarda nesneler arasında çok adımlı döngüler gerçekleştirerek diğer son teknoloji muadillerinin performansını geride bıraktılar.
Ekip, sınırlı uzman verilerinden öğrenme ve yeni ortamlara genelleme yaparken belirli bir görevi anlama becerisinin, otonom insansız hava aracı dağıtımını daha verimli, uygun maliyetli ve güvenilir hale getirebileceğine inanıyor. Akışkan sinir ağlarının, otonom hava hareketliliği dronlarının çevresel izleme, paket teslimi, otonom araçlar ve robotik asistanlar için kullanılmasını sağlayabileceğini de belirttiler.
MIT CSAIL Araştırma Üyesi Ramin Hasani: Çalışmamızda sunulan deney düzeneği, çeşitli derin öğrenme sistemlerinin muhakeme yeteneklerini kontrollü ve basit senaryolarda test ediyor. Otonom navigasyon uygulamalarında yapay zeka sistemleri için daha karmaşık muhakeme zorlukları konusunda gelecekte yapılacak araştırma ve geliştirmeler için hala çok fazla alan var ve bunları toplumumuza sunmadan önce test edilmesi gerekiyor.
Imperial College London’da Bilgi İşlem Bölümü’nde yapay zeka güvenliği profesörü Alessio Lomuscio: Dağıtım dışı görevlerde ve senaryolarda sağlam öğrenme ve performans, makine öğrenimi ve otonom robotik sistemlerin toplum açısından kritik uygulamalarda daha fazla yol almak için üstesinden gelmesi gereken temel sorunlardan bazılarıdır. Bu bağlamda, MIT’deki yazarlar tarafından geliştirilen beyinden ilham alan yeni bir paradigma olan akışkan sinir ağlarının bu çalışmada rapor edilen performansı dikkat çekicidir. Bu sonuçlar diğer deneylerde doğrulanırsa, burada geliştirilen paradigma yapay zeka ve robotik sistemlerin daha güvenilir, sağlam ve verimli olmasına katkıda bulunacaktır.
Açıkçası, gökyüzü artık bir sınır değil, bunun yerine bu havadaki harikaların sınırsız olasılıkları için geniş bir oyun alanı.
Kaynak: Massachusetts Institute of Technology
