Süni intellekt gələcək deməkdir. Elmi fantastika deməkdir. Süni intellekt artıq indidən həyatımızın ayrılmaz parçasına çevrilib. Deyilən bütün hər şey doğrudur, amma əsas məsələ odur ki, süni intellekt deyərkən siz nəyi nəzərdə tutursunuz.
Google DeepMind AlphaGo proqramı Qo üzrə professional oyunçu, Cənubi Koreyalı Li Se-dola qalib gələndə jurnalistlər həmin qələbəni «süni intellekt», «maşın təlimi» və «dərin təlim» terminləri ilə izah etməyə cəhd göstərdilər. Bunların hər üçünün, şübhəsiz, AlphaGo-nun Li üzərində qələbə çalmasında öz rolu var. Bununla belə, bunlar fərqli şeylərdir. Gəlin baxaq, fərq nədən ibarətdir.
Bunların arasındakı əlaqəni sadə bir sxemlə izah etmək olar: ilk olaraq müydana gələn süni intellekt ideyası aşağıdakı sxemdə ən çox yer tutur. Onun ardınca bir qədər sonradan meydana gələn maşın təlimi gəlir. Nəhayət, süni intellektin sürətli inkişafını təmin edən dərin təlim süni intellektin və maşın təliminin altında yer alır.
1950-ci illərdə gələn ilk dalğa ilə süni intellektin tərkib hissələri olan, əvvəlcə maşın təlimi, ardından, özü özlüyündə həm də maşın təliminin tərkib hissəsi olan dərin təlim bazarı ciddi şəkildə sarsıtdı.
Durğunluqdan çiçəklənməyə doğru
Alimlərin bu termini ilk dəfə 1956-cı ildə Dartmut konfranslarında dilə gətirdiklərindən bəri süni intellekt (Sİ) arzu və xəyallarımızın bir hissəsi oldu və Sİ sahəsinin inkişafına ilk təkanı verdi. Sonralar Sİ gah bəşəriyyətin parlaq gələcəyinin zəmanəti olaraq, gah da kompüter dahilərinin qəribə ixtirası kimi qəbul edilməyə başladı. Belə vəziyyət 2012-ci ilədək davam etdi. 2015-ci ildə isə Sİ sahəsində güclü sıçrayış baş verdi. Buna əsas səbəb paralel hesablamaları ucuzlaşdıran qrafik prosessorların geniş yayılması oldu. Bir digər səbəb isə məlumat saxlanmasının, demək olar ki, məhdudiyyətsiz imkanların meydana gəlməsi və müxtəlif verilən tiplərinin, yəni «böyük data» deyilən görüntü, mətn, kartoqrafik və s. verilənlərin sel kimi artması oldu.
Gəlin nəzər salıb görək, alimlər durğunluqdan milyonlarla insan tərəfindən yüzlərlə tətbiqin yaradılması ilə nəticələnən buma necə keçə bildilər.
Süni intellekt maşın tərəfindən nümayiş etdirilən insan intellektidir
Piyadadan dama olmağa doğru: dama oyunu kompüter proqramları süni intellektin ilk nümunələrindən biridir. 1950-ci illərdə bu proqramlar böyük heyranlıqla qarşılanmışdı.
1956-cı ilin yay konfransında süni intellekt sahəsinin ilk entuziastlarının ürəyindən daha təzəlikcə yaradılmış kompüterin əsasında insan zehninə və şüuruna xas olan bütün xüsusiyyətlərə malik kompleks maşınları keçirdi. Bizim bütün hisslərimizi, ağıl-dərrakəmizi, bəlkə də daha çoxunu özündə birləşdirən maşınlarla təcəssüm olunan bu konsepsiyanın adı elə məhz «ümumi Sİ»dir. Müxtəlif kinofilmlərdə bəzən dost, bəzən düşmən kimi çıxış edən bir çox belə maşın görmüşük. Lakin ümumi Sİ qabiliyyətinə malik maşınlar elə filmlərdə və fantastika ədəbiyyatında qalıb. Səbəbi isə odur ki, biz hələ ki, belə maşınlar yaratmağı bacarmırıq.
Buna baxmayaraq, hal-hazırda əlimizdən heç olmasa «məhdudiyyətli Sİ» yaratmaq gəlir. Başqa sözlə, indi biz bəzi vəzifələri bizim qədər yaxşı, bəzən isə bizdən də yaxşı yerinə gətirə bilən maşınlar yarada bilirik. Buna misal kimi Pinterest kimi servislərdə görüntüləri təsnifləndirməni, ya da Feysbukun üzdən tanımaq qabiliyyətini göstərmək olar. Gətirdiyimiz misallar artıq praktikada tətbiq olunur. Bu texnologiyalar insan zehninin bəzi aspektlərini əks etdirir. Amma bu, necə baş verir? Birdə ki, niyə? Məhz bu məqamda növbəti dövrəyə — maşın təliminə keçid alırıq.
Maşın təlimi süni intellektə aparan yoldur
Maşın təlimi elektron poçta spamın düşməsinin qarşısını almağa kömək edir
Maşın təlimi verilənlərin analizinin alqoritmlərindən istifadə etmək, nəticələri əldə etmək və müəyyən məsələ ilə əlaqədar qərar və ya proqnoz vermək deməkdir. Başqa sözlə, müəyyən maşını hər hansı vəzifəni yerinə yetirməyə öyrətmək üçün əl üsulu ilə müxtəlif komandalar dəstindən istifadə edərək proqram yaratmaq yerinə bu maşını çox sayda verilən və alqoritm vasitəsilə həmin vəzifəni yerinə yetirməyə öyrədirik.
Maşın təlimini yaradanlar elə süni intellekti yaradanlardın özləridir. İndi isə alqoritmik yanaşmalar qərar qəbuletmə şəcərəsini, induktiv məntiqi proqramlaşdırmanı, klasterizasiyanı, dəstəkli təlimi, Bayes şəbəkələrini və s. ehtiva edir. Bizə yaxşı məlumdur ki, bu üsullardan heç biri nəinki ümumi Sİ, hətta məhdudiyyətli Sİ yaratmaqda ilk maşın təlimi alqoritmləri mərhələsində müvəffəq olmadı.
Maşın təlimi daha çox kompüter görmə qabiliyyəti sahəsində istifadə olunub. Amma burada da hələ xeyli əl üsulu proqramlaşdırma işinə ehtiyac var. Misal üçün, obyektin harada başlayıb harada qurtardığını müəyyən etmək üçün qradiyent filtrləri kimi, obyektin səkkiz tərəfinin olub-olmadığını müəyyən etmək üçün forma müəyyənləşdirmə filtrləri kimi təsnifləndiricilər, ya da «S-T-O-P» hərflərini tanıya bilən təsnifləndirici yaratmağa ehtiyac var. Yeri gəlmişkən, «STOP», yəni «dayanmadan hərəkətə davam etmək qadağandır» işarəsini anlamağa kömək edən alqoritmlər məhz vaxtilə əl üsulu ilə yaradılmış təsnifləndiricilərin əsasında yaradılıb.
Artıq belə yanaşma ən yaxşı nəticələr verir. Lakin havanın dumanlı, tutqun olduğu günlərdə, işarə yaxşı görünməyəndə, ya da ağacın budaqları onun önünü kəsəndə xəta ehtimalı yüksəlir. Elə buna görə də kompüterin görmə qabiliyyəti son vaxtlara qədər insan gözü ilə rəqabətdə geridə qalırdı.
Amma zaman keçdikcə, düzgün alqoritmlər yaradılmağa başlayıbca, vəziyyət dəyişdi.
Dərin təlim: maşın təlimini həyata keçirmə texnikası
Maşın təliminin ilk çağlarında alqoritmik yanaşmalardan biri də süni neyrun şəbəkələri idi. Neyron şəbəkələri bizim beyin biologiyasına, daha dəqiq desək, neyronlararası əlaqəyə dair bildiklərimizə əsaslanaraq qurulur. Bioloji beyində bir neyron istənilən başqa bir neyronla yalnız müəyyən məsafə çərçivəsində əlaqəyə girə bilər. Lakin süni neyron şəbəkələrin bundan fərqli olaraq diskret səviyyələri, əlaqələri və yayılma istiqamətləri var.
Fərz edək ki, bir görüntünü alıb onu kiçik parçalara doğradınız, sonra da neyron şəbəkəsinin birinci səviyyəsinə göndərdiniz. Buradakı ayrı-ayrı neyronlar həmin parçaları təhlil edir və növbəti səviyyəyə göndərir. Beləliklə, məlumat nəticə əldə edilənədək səviyyədən səviyyəyə ötürülür.
YouTube kanalında yerləşdirilmiş materialların arasından pişik videoçarxlarının seçilməsi dərin təlim sahəsində ilk sıçrayışlardan biri oldu.
Hər neyron daxil olan verilən üçün onun nə dərəcədə yerinə yetirilən vəzifəyə uyğun olmasını müəyyən etmək məqsədilə çəki əmsalı təyin edir. Yekun nəticə həmin çəki əmsallarının toplam dəyəri ilə müəyyən olunur. «STOP» işarəsi ilə bağlı verdiyimiz örnəyi xatırlayaq. Neyronlar işarənin görüntü xüsusiyyətlərini — səkkizbucaq formasını, qırmızı rəngini, aydın görünən hərfləri, yol işarəsinə uyğun ölçülərini, habelə hərəkətin müşahidə olunub-olunmadığını qeyd edir. Neyron şəbəkəsinin vəzifəsi bunun «STOP» işarəsi olub-olmadığını müəyyən etməkdən ibarətdir. Bu prosesdə vektor ehtimalı və çəki əmsallarına əsaslanan elmi təxminlərdən istifadə olunur. Verdiyimiz örnəkdə sistem təhlil edilən obyektin «STOP» işarəsi olduğuna dair nəticəni 86%-lik əminliklə verir. 7%-lik ehtimal bunun sürət məhdudiyyət işarəsi, 5%-i bunun ağac budaqlar arasında ilişmiş çərpələng olduğuna qalır və s.Daha sonra neyron arxitekturası neyron şəbəkəsinə bunun doğru olub-olmadığını təsdiq edir.
Yaxın keçmişədək Sİ sahəsində işləyən alimlər neyron şəbəkələrindən uzaq durmağa çalışırdılar. Bu şəbəkələr Sİ dövrünün başlanğıcından bəri mövcud olsa da, zehni baxımdan, demək olar ki, heç bir fayda vermirdi. Problem odur ki, ən sadə neyron şəbəkələri belə olduqca böyük hesablamalar tələb edirdi, bu isə praktiki cəhətdən səmərəli görünmürdü. Lakin buna baxmayaraq Ceffri Hinton başda olmaqla Toronto Universitetinin bir qrup tədqiqatçısı neyron şəbəkələri üzərində iş aparmağa davam edərək nəticədə alqoritmləri superkompüterlər üçün paralel olaraq ayırdı, bununla da ideyanın doğru olduğunu sübut etdi. Amma bu, artıq qrafik prosessorlar meydana gəldikdən sonra baş verdi.
Bir daha «STOP» işarəsinə geri dönək. Təlim prosesində sistemin çox sayda səhv nəticə vermə ehtimalı yüksəkdir. Əvvəlcə ona yüz minlərlə, milyonlarla görüntü «yedizdirmək» lazımdır, ta ki, daxil olan verilənlərin çəki əmsalları dəqiq şəkildə tənzimlənsin və sistem hər dəfə — duman, yağış, ya da günəşdən asılı olmadan doğru nəticəni versin. Məhz bu mərhələdə sistem «STOP» işarəsini, ya da ki, 2012-ci ildə Endrü EnCinin Google-da etdiyi kimi, Feysbukda ananızın şəklini tanımağı öyrənəcək.
EnCinin əldə etdiyi sıçrayışın səbəbi ondan ibarət idi ki, o, neyron şəbəkələri çox böyüdərək, təbəqələrin nə neyronların sayını artıraraq təlim sistemi üçün çox böyük həcmdə verilənlər yüklədi. Dəqiq desək, Endrü YouTube kanalında yerləşdirilmiş 10 milyon videoçarxdan əldə etdiyi görüntülərdən istifadə etdi. Bununla da EnCi təlimə dərinlik gətirdi.
Bugün dərin təlimdən keçən maşınlar bəzi hallarda, istər pişikləri, istərsə də qanda xərçəng hüceyrələrini, ya da MRT-də şiş kütləsini ayırd etmək olsun, insandan daha dəqiq nəticələr göstərir. Google AlphaGo proqramı isə dərsini yaxşı oxuyaraq, sonra da özü özü ilə təkrar-təkrar oynayaraq Qo oyununun ustası oldu.
Dərin təlim Süni İntellektə parlaq gələcək vəd edir
Faktiki olaraq dərin təlim maşın təliminin geniş tətbiq olunmasına gətirib çıxartdı. Burada tapşırıq və vəzifələr elə bölünür ki, istənilən növ maşınlararası əlaqənin qurulmasını mümkün olur. Sürücüsüz avtomobillər, ən səmərəli preventiv səhiyyə, ya da ən yaxşı kinofilmlərin tövsiyə edilməsi kimi imkanlarla bugün biz artıq üzləşməyə başlamışıq. Dərin təlimin köməyilə süni intellekt həmin o xəyal etdiyimiz elmi fantastikanı gerçəyə çevirə bilərik.
