Karmaşayla başa çıkmak

Karşınıza büyük bir apartmanın bodrum katında, gözetleme merkezlerinde ya da posta otomasyonu tesislerinde çıkabilirler. Bunlardan bazıları metal parçaları yontarken yorulmak bilmez şekilde bir ileri bir geri sürekli çalışır. Bazıları ise yığınla elektrik tüketerek devasa salonlarda sadece bir vızıltı çıkararak çalışır. Aslında hepsi yeni bir sistemler kuşağının yani öğrenebilen makineler ailesinin birer üyesidir. Amaç ister kilit anatomileri otomatikman tanımlayarak girişimsel kardiyoloji uygulamalarını daha güvenilir hale getirmek olsun isterse dünyanın en büyük türbinlerinin verimliliğini artırmak olsun, bugün yaşanılan deneyimlerden öğrenebilme yeteneği makineleri hatırlayabilen, evrimleşebilen ve hatta bizleri şaşırtan sistemlere dönüştürüyor. İster bir paradigma kayması deyin isterseniz üretimde bir devrim, öğrenen makinalar artık endüstrilerdeki bilgi birikimini ivmelendiriyor ve biz akıllı sistemlere odaklandıkça onlar belirgin bir rekabet faktörü haline geliyor. Massachusetts Institute of Technology'nin Suni Zeka Laboratuvarı'nda, Beyin ve Algılama Bilimleri Fakültesi'nde Eugene McDermott Profesörü olan Prof. Tomaso Poggio, "Akıllı olmaya giden yol öğrenmekten geçer. Medeniyetimizdeki karmaşıklık ve uzmanlaşma seviyesi artmaya devam ettikçe öğrenen makineler de optimize edileceklerle ilgili tanımladığımız ve ürettiğimiz verileri derlemenin en iyi yolu olacak. Daha şimdiden bir hayli karmaşık süreçler söz konusu olduğunda alternatifsiz tek çözüm konumundalar" diyor.

Dünyanın matematiksel olarak ifade edilmesi.
Binlerce değişkene bağlı olan elektriğin ve bakırın fiyatlarını öngörmekten daha karmaşık bir şey olabilir mi? Diğer pek çok şeyin yanısıra Siemens'in Sinir Ağları için Yazılım Ortamı (SENN) isimli öğrenen sistemi işte tam bu işi yapmak için tasarlanmıştır ve gerçekten çalışmaktadır! Siemens daha şimdiden Almanya'daki elektrik satınalma kararlarında ondan faydalanıyor ve dünya genelindeki devasa bakır satın alımlarında bu eşsiz yazılımın tahminlerine güveniyor. SENN'in vücuda gelmesini sağlayan patentlerin çoğunun sahibi Siemens'in kıdemli baş araştırmacısı Dr. HansGeorg Zimmerman, "Öngörü bilimi, bugün karmaşıklık seviyesi her geçen gün artan gerçek dünyamızla bizim onu bilgi teknolojileri kapasitelerimiz aracılığıyla matematiksel olarak ifade etme becerimizdeki ivmelenme arasındaki bir yarış haline gelmiştir" diye konuşuyor. Karmaşıklık ile BT çözümleri arasındaki ilişkinin iyi bir örneği de, açık kalp ameliyatlarının bir kateter aracılığıyla yapılmasına olanak veren "girişimsel" uygulamalarda giderek artan kapasitelerimizdir. Ancak bu gibi uygulamalarda hastanın içini görmek zorundasınız. Bunun için bilim insanları insan kalbinin binlerce görüntüsüyle eğitilmiş sistemler geliştirmeye çalışıyor. Bu gibi sistemler bir anji-yografi ve ultrason görüntüsünden, mesela bir kalp damarının çeperini hesaplamasını öğrenirler. Her ikisinde ortak olan anatomik özellikleri keşfeder ve ardından bu görüntüleri tek bir hibrid resim üzerinde birleştirirler. Girdi sayısı arttıkça verilerden anlamlı sonuçlar çıkartmakta yetersiz kalan insan zekasının aksine, suni zekalı sistemlerin performansı işin karmaşıklığı arttıkça artar. Örneğin bu öğrenme sistemleri insan zekasının asla yeterli olmadığı insan genlerinin çeşitli kısımları arasındaki olası ilişkilerin algılanmasıyla ilgili deneylerde olağanüstü faydalı öngörüler üretebilmektedir.~
Stuttgart, Tübingen'deki MaxPlanck Enstitüsü Akıllı Sistemler Bölümü Direktörü Prof. Bernhard Schölkoph, "Aslında yazılımı bu alanda tam olarak eğitebilmiş olsak o zaman ne kadar fazla veri yüklersek o kadar doğru sonuçlar alabilecek duruma geleceğiz" diyor. Bu durum aynı zamanda devasa boyutlarda anlık verilerin işlenmesini gerektiren yerel hava koşulları ile rüzgar çiftliklerin çıktısı arasındaki ilişki için de geçerli. Örneğin Siemens araştırmacıları kısa süre önce yerel bölgelerde rüzgarın hızını, türbülansını ve basıncını ölçen sensörlerden gelen verileri toplayıp çiftliğin çıktısıyla bu verileri ilişkilendiren algoritmalardan faydalanarak öğrenebilen bağımsız bir sistem geliştirmişlerdi. Bu yazılım girdilerle çıktılar arasındaki ilişkileri kademe kademe öğreniyor ve pervanenin bıçaklarının eğimi gibi değişkenleri otomatikman ayarlayabiliyor. Rüzgar çiftlikleri ayrıca dışarıdan bakım gerektiğinde de öğrenen makine sistemlerinden faydalanabilir. Örneğin şiddetli bir fırtınadan sonra bir operatör kulede veya pervanede oluşan hasarı kontrol etmek isteyebilir ve bu iş dürbünle değil en iyi çıplak gözle yapılabilir. Çözüm? Bir uçan robotlar filosuna ne dersiniz? Bu amaçla Princeton'daki Siemens Kurumsal Teknolojiler ve Boston'daki Massachusetts Institute of Technology'de çalışan araştırmacılar, etrafındakilerin 3B modellerini çıkartmak için lazerler ile optik sensörlerden faydalanan küçük ve uçabilen "quadcopter" dedikleri bir video platformu üzerinde çalışıyorlar. Endüstriyel tesislerin içini gözlemek ve önemli güncellemeler için iç ortamların 3B ayrıntılı dijital haritalarını çıkartmak için henüz test aşamasında olan bu cihazlar, rüzgar çiftliklerinde de hasarlı alanların yerlerini tespit etmek üzere eğitilebilirler. Zarflarda, araba plakalarında, yol işaretlerinde, ilaç ürünlerinde ve süpermarket raflarında ortak olan 3 şey var: Harfler, rakamlar ve içerikleri otomatikman okuyabilecek bir sistem gereksinimi. Tüm bunların kilit noktası ise öğrenebilen makinelerdir. Siemens'in posta dağıtım merkezleri için adres okuma sistemlerindeki dünya lideri konumunun arkasında yatan sağlam teknoloji olan öğrenen makinelerle sadece elle yazılanlar dahil olmak üzere bütün metinlerin yüzde 95 oranında doğrulukla okunması mümkün olmuyor ama şu anda Londra gibi şehirlerin yol geçişlerinin ücretlendirilmesinde çok daha akıllı araba plakası okuma sistemlerinden faydalanılmasını da mümkün kılıyor. Bu bugün dünya genelinde devasa potansiyele sahip bir pazar ve şu anda güvenlik alanında da Alman Federal Eğitim ve Araştırma Bakanlığı'nın tehlikeli madde taşıyan kamyonların etiketlenmesinde kullanılacak gözleme sisteminin bir parçası olarak bu öğrenme-tabanlı ve okuyabilen makinelerden faydalanılması planlanıyor. Hatta bugün fabrikalarda kullanılan ağır iş makineleri ve tornalar gibi makine ekipmanları bile öğrenen sistemlere doğru evrimleşiyor. Örneğin 2008 yılında California, Bekeley'deki Siemens Teknoloji Şirket Merkezi'nde Dr. Sarah Peach tarafından başlatılan ancak ardından geliştirilmesi için New Jersey, Princeton'daki Siemens Kurumsal Teknolojiler'e aktarılan bir programda bugün, Dr. Linxia Liao ile Zack Edmondson "Tak ve Teşhis Et (PnP)" denilen bir yazılımın son rötuşlarını yapmak için şirketin Hareket Kontrol iş birimiyle birlikte çalışıyor. Bu yazılım sayesinde makineler titreşim, akım, tork, hız ve sıcaklık gibi sensörlerden gelen girdilerden sürekli öğrenebilecek ve çıktılarını optimumlaştırılmış değerlere göre ayarlayabilecekler. Bu şekilde makinelerin uzman bir teknisyen tarafından test edilmeleri için durdurulmalarına gerek kalmayacak. Bu yazılım ayrıca üretim hattının esnekliği gereksinimini de dikkate alıyor. Liao, "Örneğin kalın alüminyum levhaların delinmesini gerektiren yeni bir sipariş geldiğinde, PnP bir makine kontrolcüsüyle iletişim kuruyor ve ilgili algoritma parametrelerini uygun bir şekilde değiştiriyor. Bu PnP algoritması herhangi bir kullanıcı müdahalesine ihtiyaç duymaksızın her türlü değişikliğe karşı otomatik uyum sağlayabiliyor" diyor. ~
Neticede öğrenen makineler, tıbbi görüntülerin içeriklerinin anlamını çözerek öğrenmekten, araba plakalarının ve zarfların anında okunmasına, potansiyel bakım sorunlarının tanımlanmasından geleceğin öngörülmesine kadar hemen her yerde ivmelendirici bir rol oynayabilir. Her şeye rağmen bugün bile yapamadığı bazı çok temel şeyler de yok değil. Örneğin bir partide bir grup insanın birlikte çektirdiği bir fotoğrafta aslında neler olduğunu çözmek gibi basit bir işi ele alalım. MIT'den Poggio, "Bence bu bir makinenin yapabilmesi için önünde duran en entelektüel sorunlardan biri. Bugün Watson gibi karmaşık sorulara cevaplar verebilen sistemlerimiz var. Bir arabadaki veya resimdeki insan sayısını hesaplayabilen sistemlerimiz de var. Ancak bir resimde aslında neler olup bittiğini bize söyleyebilirler mi? Bunu başarabilecek bir sistemin ortaya çıkması için bence en az 20 yıl daha beklemek zorunda kalacağız" diyor.

Arthur F. Pease