Son zamanlarda yapay zeka kendinden sıklıkla söz ettirmeyi başaran bir teknoloji. Her geçen gün sundukları imkanlarla bizleri kendine çeken yapay zeka uygulamaları, kendini geliştirmeye ve bizleri daha fazla şaşırtmaya devam ediyor. OpenAI tarafından geliştirilen ChatGPT ise bu örneklerden en bilindiği ve en çok kullanılanı. Bir Üretken Yapay Zeka (GAI) örneği olan bu uygulama aslında nasıl çalışıyor? Arkasındaki teknoloji sınırları neler? Bu soruların cevabını sizler için derledik:
Peki bu “Üretken Yapay Zeka (Generative AI)” tam olarak ne anlama geliyor?
Geçtiğimiz birkaç yıldaki üretken yapay zeka uygulamalarının yaygınlaşmasından önce, insanlar yapay zekadan bahsederken genellikle verilere dayalı tahmin yapmayı öğrenebilen makine öğrenimi modellerinden bahsediyorlardı. Örneğin, bu tür modeller, milyonlarca örnek kullanılarak belirli bir röntgen filminin tümör belirtileri gösterip göstermediğini veya belirli bir borçlunun krediyi ödeyememe ihtimalinin olup olmadığını tahmin etmek için eğitiliyor ve buna göre çıktılar veriyordu.
Üretken yapay zeka ise belirli bir veri kümesi hakkında tahminde bulunmak yerine, yeni veriler oluşturmak üzere eğitilmiş bir makine öğrenimi modeli olarak düşünülebilir. Üretken bir yapay zeka sistemi, üzerinde eğitim aldığı verilere benzeyen daha fazla nesne üretmeyi öğrenen bir sistemdir.
MIT’de Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) üyesi Phillip Isola: Üretken yapay zeka ve diğer yapay zeka türlerinin altında yatan gerçek mekanizmaya gelince, ayrımlar biraz bulanık olabilir. Çoğu zaman aynı algoritmalar her ikisi için de kullanılabilir.
ChatGPT ve benzerlerinin piyasaya sürülmesiyle gelen heyecana rağmen teknolojinin kendisi yepyeni değil. Bu güçlü makine öğrenimi modelleri, 50 yılı aşkın bir süre öncesine dayanan araştırma ve hesaplama ilerlemelerini kullanıyor.
Karmaşıklığın artması
Üretken yapay zekanın erken bir örneği, Markov zinciri olarak bilinen çok daha basit bir modeldir. Bu teknik, adını 1906 yılında rastgele süreçlerin davranışını modellemek için bu istatistiksel yöntemi geliştiren Rus matematikçi Andrey Markov’dan almıştır. Makine öğreniminde Markov modelleri, bir e-posta programındaki otomatik tamamlama işlevi gibi, sonraki kelime tahmin görevleri için uzun süredir kullanılmaktadır.
Metin tahmininde Markov modeli, önceki kelimeye veya önceki birkaç kelimeye bakarak cümledeki sonraki kelimeyi oluşturur. Ancak MIT’de Thomas Siebel Elektrik Mühendisliği ve Bilgisayar Bilimleri Profesörü olan ve aynı zamanda CSAIL ve Bilim Enstitüsü’nün de üyesi olan Tommi Jaakkola, bu basit modellerin yalnızca birkaç kelimeden çıkarım yapmasından dolayı çok da başarılı metinler oluşturamadıklarını söylüyor.
“Son on yıldan çok önce bir şeyler üretiyorduk, ancak buradaki en büyük farklılık, üretebileceğimiz nesnelerin karmaşıklığı ve bu modelleri eğitebileceğimiz ölçek açısındandır” diye açıklıyor.
Sadece birkaç yıl önce araştırmacılar, belirli bir veri kümesinden en iyi şekilde yararlanan bir makine öğrenimi algoritması bulmaya odaklanma eğilimindeydi. Ancak bu odak biraz değişti ve birçok araştırmacı artık etkileyici sonuçlar elde edebilecek modelleri eğitmek için yüz milyonlarca, hatta milyarlarca veri noktası içeren daha büyük veri kümeleri kullanıyor.
ChatGPT ve benzeri sistemlerin temelini oluşturan temel modeller, Markov modeliyle hemen hemen aynı şekilde çalışır. Ancak büyük bir fark, ChatGPT’nin milyarlarca parametreyle çok daha büyük ve daha karmaşık yapıya sahip olmasıdır. Ve çok büyük miktarda veri (bu durumda internetteki halka açık metinlerin çoğu) üzerinde eğitilmiştir.
Bu devasa metin külliyatında kelimeler ve cümleler belirli bağımlılıklarla sıralar halinde görünür. Bu yineleme, modelin metni bir miktar öngörülebilir istatistiksel parçalara nasıl böleceğini anlamasına yardımcı olur. Bu metin bloklarının kalıplarını öğrenir ve bu bilgiyi daha sonra ne olabileceğini önermek için kullanır.
Daha güçlü mimariler
Daha büyük veri kümeleri, üretken yapay zeka patlamasına yol açan etmenlerden biri olsa da çeşitli büyük araştırma ilerlemeleri aynı zamanda daha karmaşık derin öğrenme mimarilerine de yol açtı.
2014 yılında Montreal Üniversitesi’ndeki araştırmacılar tarafından üretken rakip ağ (GAN) olarak bilinen bir makine öğrenimi mimarisi geliştirildi. GAN’lar birlikte çalışan iki model kullanır: Biri hedef çıktı (görüntü gibi) oluşturmayı öğrenir, diğeri ise gerçek verileri üreticinin (generator) çıktısından ayırmayı öğrenir. Üretici, ayrımcıyı kandırmaya çalışır ve süreçte daha gerçekçi çıktılar yapmayı öğrenir. Görüntü oluşturucu StyleGAN bu tür modelleri temel alır.
Difüzyon modelleri bir yıl sonra Stanford Üniversitesi ve Berkeley’deki California Üniversitesi’ndeki araştırmacılar tarafından duyuruldu. Bu modeller, çıktılarını yinelemeli olarak iyileştirerek, bir eğitim veri kümesindeki örneklere benzeyen yeni veri örnekleri oluşturmayı öğrenir ve gerçekçi görünümlü görüntüler oluşturmak için kullanılır. Metinden görüntü elde etmemizi sağlayan Stable Diffusion bu modeli kullanır.
2017 yılında Google’daki araştırmacılar, ChatGPT’ye güç verenler gibi büyük dil modelleri geliştirmek için kullanılan transformatör mimarisini tanıttı. Doğal dil işlemede bir dönüştürücü, bir metin bütünündeki her kelimeyi bir belirteç olarak kodlar ve ardından her bir belirtecin diğer tüm belirteçlerle ilişkilerini yakalayan bir dikkat haritası oluşturur. Bu dikkat haritası, dönüştürücünün yeni metin ürettiğinde bağlamı anlamasına yardımcı olur.
Bunlar, üretken yapay zeka için kullanılabilecek birçok yaklaşımdan yalnızca birkaçıdır.
Bazı denemeler
Tüm bu yaklaşımların ortak noktası, girdileri veri yığınlarının sayısal temsilleri olan bir dizi simgeye dönüştürmeleridir. Verileriniz bu standart token formatına dönüştürülebildiği sürece teorik olarak benzer görünen yeni veriler oluşturmak için bu yöntemleri uygulayabilirsiniz.
“Verilerinizin ne kadar kompleks olduğuna ve sinyalin çıkarılmasının ne kadar zor olduğuna bağlı olarak eforunuz değişebilir, ancak bu gerçekten de genel amaçlı bir CPU’nun her türlü veriyi alıp birleşik bir şekilde işlemeye başlaması noktasına geliyor.” diyor Isola.
Bu, üretken yapay zeka için çok çeşitli uygulamaların önünü açıyor.
Örneğin Isola’nın grubu, bilgisayarlı görme modeline nesnelerin nasıl tanınacağını öğretmek gibi başka bir akıllı sistemi eğitmek için kullanılabilecek sentetik görüntü verileri oluşturmak için üretken yapay zekayı kullanıyor.
Jaakkola’nın grubu, yeni protein yapıları veya yeni malzemeleri belirleyen geçerli kristal yapılar tasarlamak için üretken yapay zekayı kullanıyor. Üretken bir modelin dilin bağımlılıklarını öğrendiği gibi, bunun yerine kristal yapılar gösterilirse yapıları istikrarlı ve gerçekleştirilebilir kılan ilişkileri öğrenebileceğini açıklıyor.
Ancak üretken modeller inanılmaz sonuçlar elde edebilse de her türlü veri için en iyi seçim değildir. MIT’de Elektrik Mühendisliği ve Bilgisayar Bilimleri Andrew ve Erna Viterbi Profesörü Devavrat Shah, bir elektronik tablodaki tablo verileri gibi yapılandırılmış veriler üzerinde tahminler yapmayı içeren görevlerde, üretken yapay zeka modellerinin geleneksel makine öğrenimi yöntemlerine göre daha iyi performans gösterdiğini söylüyor.
“Şimdilik gelinebilecek en yüksek nokta modellemelerin kullanıcı dostu olacak şekilde arayüzlerinin gelişmesi. Bilgisayar teknolojisinin ilk zamanlarında insanlar makine dilinde kodlar yazmak zorundaydı. İlerleyen zamanlarda bu problemin üstesinden gelerek hem makine diline çevrilebilen hem de bizlerin anlayabileceği komutlar geliştirildi.” diyor Shah.
Sınır ne olmalı?
Üretken yapay zeka sohbet robotları artık çağrı merkezlerinde insan müşterilerden gelen soruları yanıtlamak için kullanılıyor, ancak bu uygulama, bu modellerin uygulanmasındaki olası bir tehlikenin altını çiziyor: Çalışanların işten çıkarılması.
Ek olarak, üretken yapay zeka, eğitim verilerinde var olan önyargıları ‘doğru’ sanıp çoğaltabilir veya nefret söylemini ve yanlış beyanları güçlendirebilir. Modeller intihal yapma kapasitesine sahip ve belirli bir insan yaratıcısı tarafından üretilmiş gibi görünen içerik üretebiliyor, bu da potansiyel telif hakkı sorunlarına yol açıyor.
Öte yandan Shah, üretken yapay zekanın, üretken araçları kullanarak başka türlü üretme imkanına sahip olamayacakları yaratıcı içerik oluşturmalarına yardımcı olabilecek sanatçıları güçlendirebileceğini öne sürüyor.
Gelecekte üretken yapay zekanın birçok disiplinde ekonomiyi değiştireceğini düşünüyor.
Isola’nın üretken yapay zeka için gördüğü gelecek vaat eden yönlerden biri de üretim için kullanılmasıdır. Bir modele sandalye imajı yaptırmak yerine belki üretilebilecek bir sandalyenin planı üretilebilir.
Ayrıca üretken yapay zeka sistemlerinin gelecekteki kullanımlarını daha genel olarak akıllı yapay zeka aracıları geliştirmede görüyor.
Isola son olarak, “Bu modellerin işleyişinde ve insan beyninin nasıl çalıştığını düşündüğümüzde farklılıklar var ama mevcut benzerlikler de göz ardı edilemez. Kafamızda düşünme ve hayal kurma, ilginç fikirler veya planlar ortaya çıkarma yeteneğine sahibiz ve bence üretken yapay zeka da şimdi değilse de sonrasında bu seviyeye gelebilecek bir kapasitede.” diyor.
Kaynak:
