Programlama Dili Tasarımı ve Uygulaması Konferansı’nda sunulan bir bildiride, araştırmacılar; “Gen” adlı yeni bir olasılıksal programlama sistemi tanımladılar. Kullanıcılar; bilgisayarla görü, robotik gibi AI tekniklerinin uygulandığı (denklemlerle uğraşmak zorunda kalmadan veya manuel olarak yüksek performanslı kod yazmadan) birden fazla alandan modeller ve algoritmalar yazıyorlar. Gen aynı zamanda uzman araştırmacıların önceden tahmin edilemeyen sofistike modeller ve çıkarım algoritmaları (tahmin görevlerinde kullanılan) yazmalarını sağlar.
Örneğin, makalelerinde, araştırmacılar; kısa bir Gen programının 3D gövdeli pozlar çıkartabileceğini, otonom sistemlerde uygulamaları, insan-makine etkileşimlerini ve artırılmış gerçekliği içeren zor bir bilgisayarlı görüş çıkarım görevini göstermektedir. Arka planda, bu program; grafik oluşturma, derin öğrenme ve olasılık simülasyonu türlerini gerçekleştiren bileşenleri içerir. Bu çeşitli tekniklerin kombinasyonu, bu görevde bazı araştırmacılar tarafından geliştirilen önceki sistemlerden daha iyi doğruluk ve hız sağlar.
Basitliği nedeniyle (ve otomasyonda) araştırmacılar; Gen’in acemilerden uzmanlara kadar herkes tarafından kolayca kullanılabileceğini söylüyorlar.
Elektrik Mühendisliği ve Bilgisayar Bilimi Bölümünde Doktora Öğrencisi Marco Cusumano-Towner: “Bu çalışmanın motivasyonundan biri, otomatik AI eğitimini bilgisayar bilimi veya matematik alanında daha az uzmanlığa sahip kişiler için daha erişilebilir hale getirmek. Ayrıca verimliliği artırmak istiyoruz; bu, uzmanların AI sistemlerini hızla yinelemelerini ve prototiplemelerini kolaylaştırmak anlamına geliyor.”
Araştırmacılar aynı zamanda Gen’in veri analizlerini basitleştirebilme yeteneğini göstererek; verilerdeki temel kalıpları analiz etmek, yorumlamak ve tahmin etmek için tipik olarak uzmanlar tarafından kullanılan karmaşık istatistiksel modelleri otomatik olarak üreten başka bir Gen programını kullanarak gösterdi. Bu, araştırmacıların; diğer eğilimlerin yanı sıra finansal trendler, hava yolculuğu, oy kullanma biçimleri ve hastalığın yayılması hakkındaki bilgileri ortaya çıkarmak için birkaç satır kod yazmasına izin veren araştırmacıların önceki çalışmalarına dayanıyor. Bu; doğru tahminler için çok fazla kodlama gerektiren daha önceki sistemlerden farklıdır.
Olasılıksal Bilgi İşlem Projesini yürüten Beyin ve Bilişsel Bilimler Bölümünde Araştırmacı Vik, K. Mansinghka: “Gen, bilgisayar vizyonu ve veri bilimindeki bu çok farklı türdeki örnekleri kapsayacak kadar esnek, otomatik ve verimli bir sistemdir.”
Google, 2015 yılında; yeni başlayanlara ve uzmanlara, fazla matematik yapmadan otomatik olarak makine öğrenim sistemleri üretmelerine yardımcı olan açık kaynak kodlu bir Uygulama Programlama Arayüzleri Kütüphanesi (API) olan TensorFlow’u piyasaya sürdü. Şimdi yaygın olarak kullanılan platform; AI’nin bazı yönlerini demokratikleştirmeye yardımcı oluyor. Ancak, otomatik ve verimli olmasına rağmen; genel olarak daha geniş AI vaadiyle kıyaslandığında hem maliyetli hem de sınırlı olan derin öğrenme modellerine odaklanmıştır.
Ancak; günümüzde mevcut istatistik, olasılık modelleri ve simülasyon motorları gibi birçok AI tekniği vardır. Bazı diğer olasılıksal programlama sistemleri; çeşitli AI tekniklerini kapsayacak kadar esnektir, ancak verimsiz çalışırlar.
Araştırmacılar dünyanın en iyisini (otomasyon, esneklik ve hız gibi) bir araya getirmeye çalıştılar.
Mansinghka: “Bunu yaparsak, TensorFlow’un derin öğrenme için yaptığı gibi daha geniş bir modelleme ve çıkarım algoritmaları koleksiyonunu demokratikleştirmeye yardımcı olabiliriz.”
Olasılıksal AI’de çıkarım algoritmaları veriler üzerinde işlem yapar ve öngörüleri yapmak için yeni verilere dayalı olasılıkları sürekli olarak yeniden ayarlar. Sonunda; yeni veriler üzerinde nasıl tahmin yapılacağını açıklayan bir model üretiyor.
Daha önceki olasılık-programlama sistemlerinde kullanılan konseptleri inşa eden Church’de, araştırmacılar, MIT’de de geliştirilen genel amaçlı bir programlama dili olan Julia’ya birçok özel modelleme dili dahil ediyorlar. Her bir modelleme dili, farklı bir AI modelleme yaklaşımı türü için optimize edilmiştir ve bu da onu daha amaçlı hale getirmektedir. Gen ayrıca; optimizasyon, değişken çıkarım, bazı olasılıksal yöntemler ve derin öğrenme gibi çeşitli yaklaşımları kullanarak, çıkarım görevleri için üst düzey altyapı sağlar. Buna ek olarak, araştırmacılar uygulamaları verimli bir şekilde yürütmek için bazı ince ayarlar eklediler.
Laboratuvarın ötesinde
Dış kullanıcılar zaten AI araştırmaları için Gen’den yararlanmanın yollarını buluyorlar. Örneğin, Intel; robotlarda ve artırılmış gerçeklik sistemlerinde kullanılan derinlik algılama kameralarından Gen’i 3D poz tahmininde kullanmak için MIT ile işbirliği yapıyor. MIT Lincoln Laboratuvarı ayrıca; insani yardım ve felaket müdahalesi için hava robotlarında Gen uygulamaları için işbirliği yapıyor.
Gen, MIT İstihbarat Görevi kapsamında; iddialı AI projelerinde kullanılmaya başlandı. Örneğin, Gen; ABD Savunma Bakanlığı Gelişmiş Araştırma Projeleri Ajansı’nın devam eden Makine Ortak Duygusu projesiyle birlikte 18 ay seviyesinde insan sağduyusunu modellemeyi amaçlayan MIT-IBM Watson AI Lab Projesi’nin merkezindedir.
Mansinghka: “Gen ile, ilk kez; bir araştırmacının bir grup farklı AI tekniğini birleştirmesi kolaydır. İnsanların ne keşfettiğini şimdi görmek mümkün olacak.”
Cambridge Üniversitesi Profesör Zoubin Ghahramani: “Probabilistik programlama, derin öğrenimin ortaya çıkmasından bu yana AI sınırında en umut verici alanlardan biridir. Gen; bu alandaki önemli bir ilerlemeyi temsil ediyor ve olasılıksal kıyasa dayalı AI sistemlerinin ölçeklendirilebilir ve pratik uygulamalarına katkıda bulunacak.”
Google Araştırma Direktörü Peter Norvig: “Gen; bir problem çözücünün olasılıklı programlama kullanmasına izin veriyor ve bu nedenle soruna daha ilkeli bir yaklaşıma sahip, ancak olasılıklı programlama sistemi tasarımcıları tarafından yapılan seçimlerle sınırlı kalmıyor. Genel amaçlı programlama dilleri başarılı oldu. Çünkü programcının görevini kolaylaştırıyorlar, ancak aynı zamanda bir programcının yeni bir problemi etkin bir şekilde çözmek için yepyeni bir şey yaratmasını mümkün kılıyorlar. Gen olasılıklı programlama için de aynı şeyi yapıyor.”
