Satın alınmak istenen yeni evin kaç park alanı olduğu veya en iyi yemek-içki eşleşmesinin hangi restorantta bulunduğu gibi günlük sorular; yapay zeka (AI) aracılığıyla İlişkisel Akıl Yürütme (algoritma) gerektirir.
İlişkisel Akıl Yürütme; yerleri, dizileri ve diğer varlıkları birbirine bağlamak ve karşılaştırmak için mantık kullanan bir düşünce türüdür. İnsanlar genelde ilişkisel akıl yürütme konusunda oldukça iyidirler.
Ancak, AI‘nın iki temel türü de (istatistiksel ve sembolik) benzer kapasiteleri geliştirme konusunda yavaş kalıyor.
İstatiksel AI veya makine öğrenimi, model tanımada mükemmel olsa da, mantık kullanmada eksik kalıyor. Sembolik AI ise, ilişkileri önceden belirlenmiş kurallar kullanarak, akla getirebiliyor. Ancak anında öğrenme konusunda yetersizdir.
Google’dan DeepMind araştırmacıları, bu mantığı idrak etmek için basit bir algoritma geliştirdiler.
Yeni çalışma ilişkisel akıl yürütme de yer alan boşluğu doldurmanın yapay bir sinir ağı ile mümkün olduğunu ortaya koydu. Beyindeki nöronların bağlanma biçimine benzer şekilde, sinir ağları, birlikte çalışarak verilerdeki kalıpları bulan küçük programları birbirine ekliyor.
Görüntüleri işlemek, dil ayrıştırmak hatta oyunları öğrenmek için özel mimarilere sahipler. Bu durumda, yeni “ilişki ağı”, bir senaryoda yer alan her nesne çiftini ayrı ayrı karşılaştırmak üzere bağlanmaktadır.
Gazetenin yazarlarından DeepMind Bilgisayar Bilimcisi Timothy Lillicrap, “Açıkça; Ağı nesneler arasındaki ilişkileri keşfetmeye zorluyoruz” diyor.
Lillicrap ve Ekibi ilişki ağına çeşitli görevlerle meydan okudu. Bunlardan ilki; küpler, toplar ve silindirler gibi tek bir görüntüde yer alan nesneler arasındaki ilişkileri içeren soruları yanıtlamaktı.
Örneğin: nesneleri tanıma ve yorumlama yönünde bir test yapıldığında;
“Mavi şeyin önünde bir cisim var. Peki bu cisim gri metal topun sağında bulunan küçük mavi madde ile aynı şekle sahip mi?” gibi ilişkilendirme senaryoları oluşturdular.
Bu görev için ilişki ağı iki farklı türde sinir ağı ile birleştirildi. Bir tanesi görüntüdeki nesneleri tanımak için kullanılırken, bir diğeri soruyu yorumlamak için kullanıldı. Diğer makine-öğrenme algoritmalarına karşın, çok sayıda nesne tanıma ve soru ile yapılan testte % 42 ila %77’si doğruydu. İnsanlar bu oranı, % 92’ye çıkarıyor.
Araştırmacılar, geçen hafta % 96 oranında doğru şekilde yapılan yeni ilişki ağı kombinasyonu olduğunu belirtti.
DeepMind Ekibi,İlişkisel Akıl Yürütme için kullandıkları basit sinir ağı modülünde oluşturulan dil ile sinir ağını test etti. Dilde yer alan ifadeler ise,
“Sandra futbol için oyuncu seçti.” ve “Sandra büroya gitti” şeklinde basit cümlelerdi. Devamında ise “Futbol nerede?” (Ofiste) gibi bir soru yer aldı.
Çoğu soru tipi üzerinde rakip AI algoritmaları geliştirildi. Ancak özellikle çıkarım yapan sorular öne çıktı.
“Lily bir kuğudur”.
“Lily beyaz.”
“Greg bir kuğudur.”
“Greg hangi renk? “(Beyaz).
Bu sorular üzerine kurulan ilişki ağı % 98, rakipleri ise % 45 civarında oy aldı. En son olarak algoritma, bazıları görünmez yaylarla veya çubuklarla bağlanmış olan 10 topun zıpladığı animasyonları analiz etti.
Algoritma yalnızca hareket kalıplarını kullanarak bağlantıların % 90’ından fazlasını tespit etti. Daha sonra algoritmaya sadece hareketli noktalar kullanılarak, insan biçimlerini tanıma eğitimi verildi.
Boston Üniversitesi Bilgisayar Bilimcisi Kate Saenko, çalışmayı “Yaklaşımlarının güçlü yönlerinden birinin kavramsal olarak oldukça basit olması” şeklinde tanımlıyor. Ayrıca kendisi yeni çalışmalara karışmayan, fakat görüntülerle ilgili karmaşık soruları cevaplayabilen bir algoritma da geliştirmiştir. Bu basitlik ile ilgili Lillicrap, ilerlemenin çoğunun tek bir denklemle ele alındığını ve nesne karşılaştırma görevinde olduğu gibi, diğer ağlarla kombine edilmesini sağladığını söylüyor.
Nesneleri karşılaştırma görevini birlikte geliştiren Kaliforniya Palo Alto’daki Stanford Üniversitesi Bilgisayar Bilimcisi Justin Johnson sonuçlardan oldukça etkilendiğini söylüyor.
Saenko, bu çalışmaya gelecekte sosyal ağların incelenmesine, gözlem görüntülerinin analiz edilmesine veya trafikte özerk araçlara rehberlik etmesine yardımcı olabilecek bir ilişki ağı da ekledi.
Johnson, insan esnekliğine yaklaşmak için daha zorlu sorulara cevap vermeyi öğrenmek zorunda kalacak. Bunu yapmak sadece eşya çiftlerini değil, üçlü çiftleri veya daha büyük bir setteki (verimlilik açısından) bazı çiftleri karşılaştırmayı gerektirebilir.
Johnson,”Kendi stratejimle gelen modellere yönelmekle ilgileniyorum. DeepMind, belirli bir akıl yürütme modellemesi yapıyor. Genel ilişkisel akıl yürütmeye çalışmıyor. Ancak yine de doğru yönde önemli bir adım. “
