N. N. Sachitanand
c/o Kasturi & Sons, Ltd.
Kasturi Bldgs.
Madras 600002, India
"Sezgisel yöntemler, daha çok 'pratik kurallar' olarak bilinir ve 'iyi tahmin sanatı' olarak da adlandırılmıştır."
Kasturi & Sons, Ltd., Madras, India tarafından yayımlanan The Hindu gazetesinin 4 ve 5 Aralık 1984 tarihli iki makalesine dayanmakta olup, izin alınarak yeniden basılmıştır.
Fantezinin Gerçeğe Dönüşmesi
İnsanlar gibi düşünebilen makineler bilim kurguya yabancı değildir. Son yılların uzun metrajlı filmleri de 2001 — A Space Odyssey’deki HAL ya da Star Wars’taki R-2 D-2 gibi “zeki” makineleri konu etmiştir. Ancak son 30 yılda, gerçek dünyada ivme kazanan yeni bir araştırma alanı, yüzyılın başında bu fanteziyi gerçeğe dönüştürmeyi vaat etmektedir. Bu araştırma alanı artık “Yapay Zekâ” olarak iyi bilinmektedir; bu terim 1956’da ABD’deki Dartmouth College’da yapılan bir toplantıda ortaya atılmıştır. Marvin Minsky (şimdi MIT’de), John McCarthy (şimdi Stanford’da), IBM’den Nathaniel Rochester ve Bell Laboratories’den Claude Shannon tarafından gündeme getirilen bu toplantının ana konularından biri, düşüncenin bilgisayarlarla nasıl simüle edilebileceğini tartışmaktı.
Zeki Makineler
İnsan düşüncesini taklit eden bir makine tasarlamaya yönelik en erken girişimlerden biri, on dokuzuncu yüzyılın ortalarında Britanya’da Charles Babbage tarafından yapılmıştır. Ancak, delikli kartlarla programlanması öngörülen ve Analytical Engine adı verilen mekanik bilgisayarı, tamamlanmamış bir çalışma olarak kalmıştır. İkinci Dünya Savaşı sırasında dijital elektronik bilgisayarın geliştirilmesi ve bugün yüksek işlem hacmi yeteneklerine sahip sonraki sürümleriyle birlikte, zeki makinelerin yakında piyasada yer alacağı düşünülmüştür.
Ne var ki, Yapay Zekâ araştırmacıları mevcut bilgisayar teknolojisi ve tekniklerini kullanarak “zeki” sistemler geliştirmeye koyulduklarında, insan düşünce süreçlerinin simüle edilmesinin kolay olmadığını kısa sürede öğrendiler. Doğrudur; temel düzeyde, bugün bildiğimiz bilgisayarın birçok etkinliği insanın bilişsel süreçlerine benzer. Hem zihin hem makine bilgiyi alır, sembolleri işler ve bellekteki öğeleri saklar/geri çağırır. Ancak temel fark, insan ile bilgisayarın bir sonuca nasıl ulaştığında yatar.
Benzetim Yoluyla İnsan Akıl Yürütmesi
Günümüz bilgisayarları, hatta devasa hesaplama makineleri bile, bilgi parçalarını yüksek hızlarda işlemekte olağanüstü aygıtlardır. Ancak bunu seri olarak yaparlar ve bir sonuca ulaşmak için programda yazılı, kapsamlı ve son derece açık bir adımlar dizisinden geçmek zorundadırlar. İnsan düşüncesini taklit eden makineler geliştirmeye çalışırken, Yapay Zekâ araştırmacıları insanların nadiren ardışık bir biçimde sonuca ulaştığını keşfetmişlerdir.
Psychology Today dergisinde Patrick Huyghe tarafından yazılan bir makalede, Kaliforniya Üniversitesi (San Diego) Bilişsel Bilimler Enstitüsü Direktörü Donald Norman’ın şu sözlerine yer verilir:
"İnsanlar daha çok örneklerle akıl yürütür. Standart mantık kurallarıyla nadiren düşünür ya da karar veririz. İnsan akıl yürütmesi daha çok benzetme ve deneyim yoluyla işler gibi görünür."
Pittsburgh’taki Carnegie-Mellon Üniversitesi’nde Psikoloji ve Bilgisayar Bilimleri Profesörü olan John Anderson’a göre (MIT ve Stanford Üniversitesi ile birlikte ABD’deki yapay zekâ araştırmalarının üç büyük merkezinden biri), “zekânın temel bileşenlerinden biri, kişinin bilgisinin büyük bir bölümünü örüntü eşleştirmede kullanılabilecek bilgiye dönüştürme yeteneğidir. Bu örüntüler ya da bilgi birleşimleri, uzman zihnin durumları hızla tanımasına ve deneyimine göre onlarla başa çıkmasına olanak tanır.”
Sezgisel Yöntemler (Heuristics)
İnsan uzman, sonuçlarına çoğunlukla tümdengelimli akıl yürütmeden ziyade, deneyimden türetilmiş ve bir olgular kümesine uygulanan bir dizi yargı ve mantık kuralı aracılığıyla ulaşır gibi görünür. Bu yargısal kurallar, yapay zekâ araştırmacıları tarafından, eureka ile aynı Yunanca köke sahip bir sözcük olan heuristics olarak adlandırılır. Heuristics daha çok “pratik kurallar” (rules of thumb) olarak bilinir ve ayrıca “iyi tahmin sanatı” diye de anılmıştır. Uzmanın sorunlara yönelik umut verici yaklaşımları tanımasını, sorunları daha küçük parçalara ayırmasını, eksik verilerin etrafından dolanmasını ve gerektiğinde bilinçli tahminler yapmasını sağlar.
Uzman Sistemler
Katı algoritmalarla geleneksel biçimde programlanmış normal bir bilgisayarın çalışma yöntemi ile sezgisel yöntemler kullanan bir insan uzmanın çalışma yöntemi arasındaki fark, satranç oyunu ele alındığında en iyi şekilde gösterilebilir. Günümüzün en büyük bilgisayarı tam zamanlı çalışsa bile, oyunun erken safhalarında tüm olası hamleleri değerlendirmek ve en iyi hamleye ulaşmak için on yıla ihtiyaç duyardı. Buna karşılık bir insan uzman, yalnızca en olası hamleleri dikkate alır, bunların potansiyelini satranç bilgisi birikimine dayanarak tartar ve oyunun kurallarında ayrılan süre içinde hangi hamlenin yapılacağına karar verir.
Yukarıdaki gerçeğin fark edilmesi, yapay zekâ araştırmacılarının, bilgi tabanı ile sezgisel yöntemlerin bir bileşimini kullanarak karmaşık moleküllerin yapısının belirlenmesi ya da lokomotiflerdeki arızaların teşhisi gibi sınırlı alanlarda sorun çözen ve uzman sistemler olarak adlandırılan, pazarlanabilir ilk “akıllı” makineleri geliştirmesine yardımcı olmuştur. Sezgisel kurallar, alandaki bir uzman ile, uzmanın yüksek sesle düşünmesinin sonuçlarını bir bilgisayar programına çevirmek üzere eğitilmiş bilgisayar bilgisine sahip bir kişi arasındaki görüşmelerden elde edilir. Bir uzmanın deneyimini bilgisayarların anlayabileceği simgelere dönüştürmeye yönelik bu tekniğe “bilgi mühendisliği” adı verilmiştir.
Yeni Bilgisayar Dilleri
Sezgisel yöntemleri kullanabilmek için programcılar, Fortran ve Pascal gibi hâlen kullanılan bilgisayar dilleri sayısal problemleri işlemek üzere tasarlandığından ve yapay zekâ uygulamalarına pek uygun olmadığından, tamamen yeni bilgisayar dili aileleri geliştirmek zorunda kalmışlardır. En yaygın kullanılan yapay zekâ dillerinden biri, Liste İşleme anlamına gelen Lisp’tir. Veri listelerini birbirine bağlayarak çalışır. Listeleri eşleştirebilir, birleştirebilir, karıştırabilir, ayırabilir ya da istenen bilgiyi elde etmek için gerekli olan her şeyi yapabilir. Lisp’in, listeler yerine sembol kümeleri üzerinde çalışan Q Lisp gibi lehçeleri de vardır. ABD’deki uzman sistemlerin çoğu Lisp kullanır. Avrupa ve Japonya’da ise Prolog adlı bir dil tercih edilmektedir. Bir Prolog programı mantıksal bir ifadeyle başlar ve bunun doğru mu yanlış mı olduğunu belirlemeye çalışır. Bir ifade “Londra, Roma’nın kuzeyindedir” olabilir. Bilgi tabanı, “Londra, Paris’in kuzeyindedir” ve “Paris, Roma’nın kuzeyindedir” gibi olgular içerebilir. Bunlar bulunduğunda, özgün ifadenin doğruluğu kanıtlanmış olur.
Bilgi Tabanları
Uzman sistemlerin zorunlu olarak çok büyük bilgi tabanları kullanması gerekir. Bu denli büyük bilgi tabanlarını verimli biçimde yönetebilmek için birçok uzman sistem, “if — then” (eğer — ise) olarak adlandırılan tümevarımsal ifadeleri kullanır. Belirtilen “if” koşulları sağlandığında, yeni kavramları ya da sorun çözümlerini temsil eden “then” sonuçlarına ulaşılır. Örneğin, “if” bir kişinin burnu akıyor, ateşi var ve hapşırıyorsa, “then” bu kişinin soğuk algınlığı vardır.
“if — then” kurallarına ek olarak bilgi, anlamsal ağlar olarak bilinen, birbiriyle ilişkili nesne ya da kavramlardan oluşan ağaç biçimli ağlar şeklinde de temsil edilebilir. Bu ağlarda olgular, “düğüm”ler içinde kümelenir ve “is — a” (Örnek: Bir serçe bir kuştur) ya da “has — a” (Örnek: Kuşların kanatları vardır) gibi tüm olası yollarla birbirine bağlanır. Bu yollar izlendiğinde bir sonuca ya da çıkarıma ulaşılır (Örnek: Bir serçenin kanatları vardır).
Technology Review dergisinde Joel N. Shurkin tarafından yayımlanan yakın tarihli bir makale, sezgisel yöntemleri kullanan ilk programın, Stanford’da yapay zekâ araştırmacısı Edward Feigenbaum ile Nobel Ödüllü genetikçi Joshua Lederberg arasındaki bir sohbetten nasıl ortaya çıktığını anlatır. Feigenbaum, bilimsel süreçte yaygın olan deneysel tümdengelim türünü bir bilgisayarda taklit edip edemeyeceğini görmek istiyordu. Lederberg, kütle spektroskopisi kullanarak organik bileşiklerin analizinden başlamayı önerdi. Lederberg kendini bilgisayar bilimine verdi ve ayrıca Stanford’da saygın bir kimya profesörü olan Carl Djerassi’yi de ekibe kattı.
Görev olağanüstü zordu. İlgili temel kavramları belirlemeleri ve kavramlar arasındaki ilişkiyi ifade eden kurallar geliştirmeleri gerekiyordu. Zorluğun büyük bir bölümü, bilgisayar uzmanlarının Lederberg ve Djerassi’nin ne bildiklerini ve bunu nasıl bildiklerini ortaya çıkarması, ardından bu bilgiyi bir bilgisayarın anlayabileceği simgelere dönüştürmesiydi — bu karşılıklı etkileşim süreci birkaç yıl sürdü.
Kimyagerler, herhangi bir kimyasal bileşiğin yapısının, atomların birbirine nasıl bağlandığına ilişkin bir dizi temel kurala bağlı olduğunu bilirler. Yeni bir bileşik yaptıklarında ya da keşfettiklerinde, maddeyi bir kütle spektrografı ile analiz edebilirler; bu cihaz bileşik hakkında çok sayıda veri sağlar, ancak kimyasal bağ kurallarının izin verdiği milyonlarca olası şekil arasından molekülün aldığı özgül şekle dair ipucu vermez.
Olasılık aralığını daraltacak doğru türde bir “if–then” programı oluşturmak, çözülmesi gereken ilk büyük sorundu. Bilgi mühendisleri, kimyagerlerin spektrumdan moleküler yapıyı nasıl belirlediklerini ortaya çıkarmak ve ardından bu yargısal kuralları programa eklemek zorundaydı.
İlk Ticari Sistem: Dendral
Sonunda, 1965’te disiplinler arası ekip, spektral verilerden bir bileşiğin olası yapılarına ilişkin dar bir aralık öngörebilen Dendral adlı bir uzman sistem geliştirdi.
Dendral, dünyanın ilk ticari uzman sistemiydi ve günümüzde organik kimyagerler tarafından düzenli olarak kullanılmaktadır. Daha sonra nükleer manyetik rezonans gibi diğer analitik tekniklerden gelen verileri de içerecek şekilde genişletilmiştir.
Mycin
1970’lerin ortalarında, Harvard mezunu bir tıp öncesi öğrencisi olan Edward Shortliffe, kendini Stanford’da bilgisayar bilimi ve tıp okurken buldu. Danışmanı, rekombinant DNA üzerindeki çalışmalarıyla kısa süre sonra ün kazanacak olan Stanley Cohen’di.
Shortliffe, Cohen ile hekim Stanton Axline’ın uzmanlığını içeren ve kan ile menenjit enfeksiyonlarını teşhis ederek hekimlere antibiyotik tedavileri konusunda önerilerde bulunan bir program geliştirdi. Mycin adı verilen program, bulaşıcı hastalıklar alanındaki insan uzmanlar düzeyinde ve genel hekimlerin düzeyinin üzerinde bir performans sergiledi.
Teirasias adlı başka bir program eklenerek, sistem danışılan hekime yaptığı tahminlerin gerekçelerini de açıklayabilir hâle geldi.
Mycin’in klinik durumlarda yararlılığını sınırlayan başka sorunları vardı, ancak bilgi mühendisliği açısından önemli bir ders işlevi gördü. Mycin geliştirilirken araştırmacılar, programdan bilgi tabanını —yani tıbbi bilgileri— çıkardıklarında geriye mantığı içeren bir bölüm kaldığını ve bu bölümün evrensel olarak uygulanabilir olduğunu fark ettiler.
Jeoloji ya da bilgisayar yongası tasarımı gibi başka alanlardan veri tabanları ekleyebilirdiniz ve program yine çalışırdı.
Çıkarım Motoru: Emycin
Araştırmacılar artık bu mantık bölümüne çıkarım motoru adını veriyor ve bu genelleştirilmiş mantığı içeren Essential Mycin, yani Emycin adlı bir program geliştirmiş bulunuyorlar.
IBM, Emycin’e dayalı bir uzman sistemi bilgisayar disk sürücülerindeki arızaları teşhis etmek için kullanıyor ve Sacon ise yapısal mühendislerin karmaşık bir bilgisayar simülasyon programını kullanmak için en iyi stratejiyi belirlemelerine yardımcı olan, Emycin güdümlü başka bir sistemdir.
Çıkarım motorunun birden çok alanda çalışabilme yeteneği, insan akıl yürütmesinin en azından bir bölümünün yapısal olduğu ve makineler tarafından yinelenebileceği düşüncesini desteklemektedir.
Yeni Girişimler
Uzman sistemin uygulanabilir bir önerme olarak gelişmesi, ABD’de yapay zekâyı laboratuvardan pazara taşımak için çılgın bir yarış başlatmıştır. Genetik mühendisliği gibi başka bir fütüristik teknolojide olduğu gibi, yatırımlar yelpazenin her iki ucunda da yapılmaktadır — yapay zekâ araştırmacılarının kendileri tarafından başlatılan ve girişim sermayesiyle desteklenen küçük şirketler ile ITT, General Electric, DEC ve Texas Instruments gibi büyük kurumsal devler.
Business Week, yakın tarihli bir kapak haberinde, girişim sermayedarlarının yapay zekâyı ticarileştirmeyi hedefleyen yaklaşık 40 küçük şirkete 100 milyon doların üzerinde kaynak aktardığını bildiriyor. Bu alandaki yeni şirketler, Teknowledge (1981’de Feigenbaum’un da içinde bulunduğu bir grup tarafından kuruldu), Machine Intelligence Corporation, Computer Thought Corporation, Symbolics ve Intelligenetics gibi bilim kurguya yakın adlar taşıma eğilimindedir.
İyimser analistler, uzman sistemler ve bunları geliştirmek için gereken yazılım araçları pazarının, bu yılki yaklaşık 20 milyon dolarlık hacimden 1993’e kadar neredeyse 2,5 milyar dolara fırlayacağını öngörüyor.
Aynı zamanda, kullanıcıların uzman sistemlerle normal ya da “doğal” dillerde iletişim kurmasına olanak tanıyan yazılımlar için de bir pazar gelişmektedir. Bunun 1993’e kadar yıllık 1,8 milyar dolara ulaşması beklenmektedir.
COMPUTERS and PEOPLE, Mayıs–Haziran 1985, s. 23
Strateji Çeşitliliği
ABD’de yaklaşık 200 — dünya genelinde ise 500 — araştırmacı uzman sistemler geliştirmek üzerinde çalışmaktadır ve yaklaşık 50 sistem hazır olma aşamasındadır. Bir kısmı hâlihazırda ticari olarak sunulmaktadır, ancak yalnızca yarım düzinesi geliştiricilerine gerçekten para kazandırmaktadır.
Bunun nedeni, uzman sistemlerin geliştirilmesinin çok pahalı olmasıdır. Bir uzman sistem, sayıları az olan bilgi mühendislerinin uzun yıllara yayılan emeğini gerektirebilir ve maliyeti 1 milyon dolar ya da daha fazla olabilir. Daha da kötüsü, iyi performans gösterme olasılığını önceden kestirmek zordur.
Bu alandaki şirketler, teknolojilerini cazip kılmak için çeşitli stratejiler geliştirmiştir. Kaliforniyalı bir girişim şirketi, kişisel bilgisayarlarda kullanılmak üzere düşük fiyatlı sistemler sunmaktadır; bazıları müşterilerinin programcılarına bilgi mühendisliği öğretme konusunda uzmanlaşmıştır; diğerleri ise müşteriler için özel uyarlanmış sistemler kurmaktadır.
Diğer satıcılar ve potansiyel kullanıcılar, uzman sistem “kabukları” endüstrisinin son dönemde ortaya çıkmasına umut bağlamaktadır. Bunlar, kullanıcıların akarsulardaki kirliliğin seyrini analiz etmekten doğru akşam yemeği şarabını seçmeye kadar her şey için özel uzmanlıkla donatabileceği, raflardan temin edilebilen çıkarım motorlarıdır.
New York, Rochester’daki Taylor Instruments, proses tesislerini kontrol etmek üzere sistemler kurmak için çeşitli tedarikçilerden alınan kabukları kullanmaktadır.
Uzman Sistem Uygulamaları
Bazı şirketler, daha geniş bir pazara hitap edebilecek ve kârlı bir yan faaliyet hâline gelebilecek sistemleri kendi bünyelerinde geliştirmiştir. Örneğin General Electric, lokomotiflerindeki sorunlu dizel motorları onarmada teknisyenlere yardımcı olan bir program geliştirmiştir. Sistem başlangıçta GE teknisyenleri için tasarlanmış olsa da, şirket artık bunu diğer demiryollarına da sunmayı planlamaktadır.
GE, jet motorları ve dijital uçuş kontrol sistemleri için de benzer uzman sistemler geliştirmeyi amaçlamaktadır.
Günümüzde uzman sistemler; tıbbi teşhis, sigorta risk değerlendirmesi, bankalarda kredi planlaması, maden arama, üretim çizelgeleme, ekipman bakımı, savaş alanı istihbaratı, veri analizi, yedek parça siparişi, ürün tasarımı ve benzeri çok farklı alanlarda kullanılmakta ya da kullanım için tasarlanmaktadır.
“Uzman sistemlere danışmanlık için başvurulabilir,” diyor MIT’den Randall Davis, “ya da daha eşit bir düzeyde iş arkadaşı olabilirler. Veya bir uzmanın yardımcısı olarak görev yapabilirler. Bu yelpazenin her noktasında son derece yararlı sistemlerdir.”
Uzman sistemler ticari açıdan iyi bir kulvarda ilerliyor ve gerçek dünyada pek çok uygulama buluyor gibi görünse de, yetenekleri insan zekâsının yapabildiklerinin ancak kenarına dokunmaktadır. Fortune dergisinde Tom Alexander’ın kaleme aldığı bir makale, uzman sistemlerle zekâ arasındaki temel bağın, çoğu sistemin zihnin nasıl çalıştığına dair bilgisayar modelleri geliştirmeye çalışan yapay zekâ araştırmacılarının öncülük ettiği programlama tekniklerini kullanması olduğunu vurgular.
MIT’den Marvin Minsky ve Yale’den Roger Schank gibi önde gelen yapay zekâ araştırmacıları bile, günümüz uzman sistemlerinin büyük ölçüde 20 yıllık programlama tekniklerine dayandığını ve bilgisayar gücü ucuzladıkça bunların yalnızca daha uygulanabilir hâle geldiğini savunmaktadır.
“Kırılgan” Sistemler
Uzman programlar, sayısal olmayan sembolleri işleyen ve klasik mantığın tümdengelimsel işlemlerini taklit eden dilleri kullanır. Ancak bilgisayar yine de mekanik olarak çalışır; tanıdığı ama anlamadığı kuru sembollerle işlem yapar.
İnsanlarda dilin çağrıştırdığı ve anlam ile düşüncenin özünü oluşturan zengin çağrışımlar, metaforlar ve genellemelerle uğraşmaz.
Kurallara bağlı uzman sistem, programlanmadığı bir durumla karşılaştığında çökmeye başlayabilir. Bilmediğini bilmediğinden, yanıltıcı yanıtlar vermesi kaçınılmazdır ve bunu yaptığının farkında da olmaz.
Örneğin, bazı uzman sistemler otomobil arızalarını teşhis edebilir. Ateşleme ve yakıt sorunları hakkında her şeyi bilirler ve acemi tamirciler için müthiş bir yardımcı olabilirler. Ancak sorun örneğin egzoz borusuna kaçmış bir taş ise, sinir bozucu bir zaman kaybına dönüşürler.
Yapay zekâ alanındaki insanların bu eksiklik için kullandığı terim kırılganlıktır.
“Bir Kural Yanlışsa, Uzman Sistem Söylemez”
Xerox’ta Yapay Zekâ sistemleri yöneticisi olan Beau Sheil şu gözlemi yapıyor:
“Uzmanları kopyalamak, çok ama çok dar ve son derece iyi tanımlanmış alanlar dışında son derece zordur. Uzman sistemlerin bir sınırı şudur: Kurallar yanlışsa ya da bu durumda geçerli değilse, bunu kim söyler? Kesin olan bir şey var ki, uzman sistem söylemez.”
Sheil, uzman sistemlerin temel uygulamalarının, uzmanların bilgiyi yönetmelerine yardımcı olmak ya da varsayımları ile yerleşik bilgi arasındaki tutarsızlıkları göstermek olacağını belirtiyor.
Intellicorp’ta pazarlama direktörü olan Martin Hollander, bir sistemin en iyi şekilde “şüpheci Thomas” türü bir danışman olarak işlev göreceğini düşünüyor:
“Sisteme bir hipotez verirsiniz, sistem kurallarını gözden geçirir ve bildiği tutarsızlıkları işaret eder.”
COMPUTERS and PEOPLE, Mayıs–Haziran 1985, s. 24
Sağduyu
Buna karşılık çoğu insan, sağduyu avantajına sahiptir. Deneyimleriyle benzetmeler kurarak, eksik bilgileri dışa vurarak ya da kusurlu talimatları değiştirerek olağandışı durumların üstesinden gelebilirler.
Günümüzde ön saflardaki yapay zekâ araştırmalarının amaçlarından biri, sağduyuyu bir bilgisayara programlamaya çalışmaktır. Bu son derece devasa bir görevdir; çünkü bilgi tabanı, milyonlarca olguyu ve on binlerce kuralı ele alabilecek kadar güçlü edinim ve temsil yazılımları gerektirecektir.
Bu bilgiyi bir bilgisayara aktarabilmek için, yapay zekâ araştırmacıları makinelerin kendi kendilerine öğrenebilmesi gerektiğine inanmaktadır.
İnsanlar Nasıl Öğrenir
Araştırmacılar, insanların nasıl öğrendiğini incelemek üzere geriye dönüp çalışmalar yapmışlardır. Çocukların geometri problemlerini ve dili öğrenmesine ilişkin modeller, bilgiyi sünger gibi basitçe içimize çekmediğimizi ortaya koymaktadır.
"Ortaya çıkan şey," diyor psikolog John Anderson, "temelde yaparak nasıl öğrendiğimize dair bir ilkeler kümesidir. Fizikte problem çözme ya da geometride ispat yapma gibi biçimsel becerileri, bir ders kitabını okuyup soyut ilkeleri anlayarak değil, bu alanlarda gerçekten problemler çözerek öğrendiğimiz ortaya çıkmaktadır.
Ders kitaplarının size öğretmediği şey, bilgiyi ne zaman uygulayacağınızdır ve bu tür bir bilme, öğrenme probleminin yaklaşık dörtte üçünü oluşturmaktadır."
Carnegie Mellon’da M. Ross Quillian tarafından birkaç yıl önce geliştirilen anlamsal bellek kuramına göre, zihin son derece karmaşık ve sürekli değişen bir düğümler ve bağlantılar ağıdır.
Yeni bir şey deneyimlediğimizde, örneğin egzotik bir hayvan gördüğümüzde, bilgiyi depolar ve daha sonra yayılımlı etkinleşme adı verilen bir teknikle geri çağırırız. Bu, yeni malzemenin yerleşik fikirler ya da kiplerle bağlantı kurularak işlendiği anlamına gelir.
Bu şekilde, yeni hayvan yalnızca biçim, renk, koku ve davranışına göre sınıflandırılmakla kalmaz, aynı zamanda diğer hayvanlara ve bir duygu ile anı repertuvarına da bağlanır.
İnsan belleğindeki bu zengin bağlantılar ağı, insanlar ile makineler arasındaki en derin farklardan biridir. Beynin, milyonlarca nöronu üzerinden bilgiyi eşzamanlı olarak arama yeteneği son derece esrarengiz görünmektedir.
"Yayılımlı etkinleşme, fikirler arasındaki çağrışımlardan yararlanır," diyor Anderson, "örneğin bir sohbet restoranlara yöneldiğinde, konuyla ilgili tüm bilgiler anında erişilebilir hâle gelir."
Bilgisayardan oldukça farklı olarak, bir konu hakkında ne kadar fazla bilgiye sahipsek, onu geri çağırma hızımız da o kadar artıyor gibi görünmektedir.
"Keşif Yoluyla Öğrenme"
Yine de insan belleği zaman zaman ideal olmaktan uzaktır. Yale Üniversitesi’nde bilgisayar bilimi ve psikoloji profesörü olan Roger Schank’a göre, deneyimi parçalara ayırıp belleğin farklı bölümlerinde depoladığımız için bilgi bazen kaybolur.
Ancak olumlu tarafta, bellekte bilginin parçalanmasının daha iyi genellemeler yapmamıza ve daha yararlı öngörülerde bulunmamıza olanak tanıdığını belirtir.
Stanford Üniversitesi’nden bilgisayar bilimci Douglas B. Lenat, makine öğrenimine giden bir kestirmenin, kendisinin keşif yoluyla öğrenme adını verdiği yaklaşımda bulunduğuna inanmaktadır. Bu yöntemde bilgisayar, hem yeni bilgiyi hem de bu bilginin nasıl ele alındığına ilişkin kuralları otomatik olarak edinir.
Bunu gerçekleştirmek için Lenat, bilgi tabanına simgesel olarak ifade edilmiş başlangıç kavramları yükler. Bunlar, kavramları çeşitli biçimlerde birleştiren ve ardından sonuçları değerlendiren kurallar tarafından işlenir. Birçok birleşim anlamsız sonuçlar verir, ancak birkaçı yeni kavramlar üretir.
Analojiler ve Metaforlar
Lenat, Artificial Mathematician adlı bir uzman sistem geliştirmiştir; bu sistem küme kuramına ait 100 kavram ve 250 kural kullanmıştır. Kurallar, kavramlar üzerinde işlem yaparak doğal sayıları, asal sayıları, toplama, çıkarma, çarpma ve bölmeyi keşfetmiştir.
Bu yolla yeni kavramların keşfedilmesi mümkünse, diye düşündü Lenat, kuralların kendileri de birer kavram olduğuna göre yeni sezgisel yöntemlerin de keşfedilmesi mümkün olmalıdır.
Ardından, çeşitli alanlarda yeni sezgisel yöntemler üreten ve değerlendiren Eurisko adlı bir uzman sistem geliştirdi. Lenat, Eurisko’yu, sağduyunun temeli olan analojiler ve metaforlar gibi güçlü bilişsel mekanizmalarla bilgiyi temsil etmek için kullanmayı ummaktadır.
Sağduyu ile akıl yürütme için gerekli olan devasa bilgi tabanları başka bir sorunu da beraberinde getirir: bilgiyi hızlı bir şekilde geri çağırmanın ve güncellemenin etkili yollarını bulmak.
Mevcut bilgisayar tasarımlarındaki sorun, işlemlerin ardışık olarak gerçekleştirilmesidir. Bir makine, ele alınan probleme uygulanıp uygulanmadığını belirlemek için bir "if–then" sisteminde her seferinde bir "if" denetler.
Bir bilgi tabanı on binlerce kurala ulaştığında, ardışık arama o kadar yavaşlar ki programla doğrudan insan etkileşimi uygulanamaz hâle gelir.
Günümüzdeki çözümler, yalnızca potansiyel olarak ilgili grupların taranmasını sağlayacak şekilde kuralları gruplayan algoritmaları içerir. Ancak gelecekteki çözümler, paralel ya da eşzamanlı veri geri çağırma ve veri işleme olanağı sağlayacak yeni bilgisayar mimarilerini gerektirecektir.
ABD’de yaklaşık 50 üniversite, çok sayıda mikro bilgisayar yongasının (her biri bir mikroişlemci ve kendi bellek bankasına sahip) ayrı görev parçalarını yerine getirmek üzere birbirine bağlandığı, sözde paralel işlem makineleri üzerinde çalışmaktadır.
Maryland Üniversitesi’nde araştırmacılar, Zmob adlı bir sistem kurmuşlardır; bu sistem, bir ana mini bilgisayara bağlı 256 paralel mikroişlemci kullanır ve iletilerin eşzamanlı olarak ele alınmasına olanak tanıyan yüksek hızlı dairesel bir konveyör bant düzeninde yapılandırılmıştır.
Columbia Üniversitesi’nde ise, kural tabanının farklı bölümlerini eşzamanlı olarak taramak üzere 1.023 mikroişlemciye sahip olacak Dado adlı bir makine planlanmaktadır.
MIT, birbirine bağlanmış akıl almaz bir milyon mikroişlemciye sahip olacak Connection Machine üzerinde çalışmaktadır.
COMPUTERS and PEOPLE, Mayıs–Haziran 1985, s. 25
Görev kolay değildir. İşlemcilerin, birlikte çalışan insanlar gibi, veri ararken ya da problemleri çözerken eşgüdümlü olmaları gerekir. Ayrıca iletişim kurmaları da gerekir; böylece ikisi aynı işlemi yapmaya çalışmaz.
Paralel Programlar
Paralel makineler, daha iyi yapay zekâ programları yazmayı kolaylaştırmaz. Paralel programlar için iyi modeller ve bunları ifade edecek kod dilleri mevcut değildir. En büyük sorun, problemleri ayrı ayrı işlenebilecek bağımsız parçalara bölüp sonra yeniden birleştirmeye yönelik algoritmaların yokluğudur.
Yapay zekâ araştırmacıları, çoklu işlemciler kullanarak devasa bellek bankalarına daha hızlı erişim sağlayacak ve günümüzün süper hızlı bilgisayarlarından çok daha yüksek hızlarda görevleri yerine getirecek sözde Beşinci Nesil bilgisayarları büyük bir beklentiyle beklemektedir. Electrotechnology dergisindeki bir makalede W. S. E. Mitchell, günümüz bilgisayarlarının saniyede uzman sistemlerde kullanılan 1.000 ila 10.000 çıkarımı gerçekleştirebildiğini, Japonların ise 1990’lara kadar hazır olması planlanan Beşinci Nesil bilgisayarlarında saniyede 100 milyon ila 1 milyar çıkarım düzeyine ulaşmayı hedeflediklerini belirtmektedir.
Bir diğer hedef, 1.000 ila 10.000 mikroişlemciden oluşan, 1 ila 10 Gigabayt depolama alanına sahip ve saniyede 1 milyar ila 10 milyar komut hızında çalışan bir veri akışı makinesi kurmaktır. Doğal dili anlayarak sorguları kabul edebilen ve yanıtlayabilen arayüzlerle donatılmış bu tür bilgisayarlarla, yapay zekâ sistemleri insan zekâsıyla gerçekten boy ölçüşebilecektir.