Yapay Zekanın Kısa Bir Tarihçesi

0 4,397

Yapay zeka bugün en parlak çağını yaşarken en büyük katkıyı nöral ağların sağladığını söylersek yanlış olmayacaktır. Nöral ağlar, biz çoğunlukla farkına dahi varmazken bugün resim ve ses tanıma, diller arası çeviri gibi bir çok teknolojinin arkasında yatan güç. Tabi disiplin bugünkü halini bir günde almış değil. Bugünkü formuna evrilmeden önce geçtiği aşamaları ve kısa bir tarihçesini birlikte incelemeye ne dersiniz?

Zaman tüneli

50’ler

Perceptron fikrinin ortaya atılması bu döneme rastlıyor. Basit algılayıcı, ağırlıkların güncellenmesi, karar verme ve eşik seviyesine göre reaksiyon gösterme gibi yetenekleri barındırıyor. Başka bir deyişle, daha önce elektronik beyin fikri ortaya atılmış olsa da öğrenme ve eğitim nöral ağların tarihi boyunca ilk kez bu formunda ortaya atılmıştır. Buluş, o günlerin yaygın lojik fonksiyonları olan VE, VEYA ve DEĞİL kapıları için bir çözüm sağlayabilmiştir. Böylelikle yapay zekanın altın çağının yaşanmaya başladığına inanılmaya başlasa da gerçeğin bu olmadığı çok geçmeden anlaşılacak!

Tek katmanlı algılayıcı

70’ler

Bu on yıl içerisinde perceptron fikrinin ÖZEL VEYA lojik kapısını öğrenemediği ortaya çıkmıştır. Hatta bu tip algılayıcılar ile bu kapının çözümünün imkansız olduğu da yine bu dönemde kanıtlanmıştır. Böylelikle yapay zekanın halen karanlık çağında olunduğunu anlaşılıyor.

Önceki dönemde çözümü sağlanan VE, VEYA ve DEĞİL kapıları lineer problemler iken ÖZEL VEYA kapısı lineer olmayan bir problemdir. Diğer bir deyişle, perceptron fikrinin ancak lineer regresyon kadar güçlü olduğunun ortaya çıkması bu döneme rastlamakta.

Lineer ayrılabilirlik

80’ler

Bu dönemde, perceptron fikrindeki girdiler ve çıktılar arasına yeni katmanların eklenmesi halinde ÖZEL VEYA lojik kapısı gibi lineer olmayan problemler için çözüm sağlayabileceği anlaşılmıştır. Yeni eklenen bu katmanlara gizli katman denecekken, gizli katman bulunduran algılayıcılara çok katmanlı algılayıcı adı veriliyor. Bu sayede yapay zeka gerçekten altın çağını yaşamaya başlıyor.

Çok katmanlı algılayıcı fikrinin mucidi Geoffrey Hinton‘dır. Bu isme daha sonraki dönemlerde yine değineceğiz.

Ek olarak, teorik olarak ÖZEL VEYA problemini modelleyebilen bir fonksiyon her problemi çözebilir. ÖZEL VEYA her ne kadar 70’ler için bir meydan okuma olsa da, makine öğrenmesi çalışmalarının A’sı ve B’si olma niteliğini sürdürmektedir.

Çok katmanlı algılayıcı

90’lar

Çok katmanlı algılayıcılar zamanın ötesine geçmiş mekanizmalardır. İnsanlık çaresi olsa da bunu kullanabilecek işlem gücüne henüz sahip değildi. Fakat insanlar kibirleri sebebiyle sahip oldukları işlemci gücünü değil de nöral ağları suçlayacaklardı. Bu da nöral ağların kış uykusuna yatmasına sebep olacaktır. Bu dönem araştırmacıları yeni algoritmalar keşfetmeye kanalize olacaklar ve Destekçi Vektör Algoritmalarını (SVM) geliştireceklerdir.

SVM

2000’ler

Bu dönemde Geoffrey Hinton yeniden sahneye çıkıyor! Hinton, nöral ağlar konseptini çok sayıda gizli katman barındıran derin öğrenme konseptine dönüştürüyor ve derin nöral ağlar kavramı ortaya çıkıyor. İşlemci gücünün artması motivasyonun hem akademi hem de sektörde daha çok benimsenmesini de sağlıyor.

Derin nöral ağlar

2010’lar

Bu dönemde grafik işlemciler (GPU) yaygınlaşıyor, büyük veri paralel olarak işlenebilir hale geliyor, ve bulut sistemleri bu hizmetleri hiç bir donanım yatırımı yapmadan kullanılabilir hale sokuyor. Kırılma noktası işte bu oluyor. Derin öğrenmenin diğer öğrenme yöntemlerini bozguna uğrattığı anlaşılıyor.

Neden derin öğrenme

Nöral ağlar bir kaç kez duraklama dönemine girse de sonunda diğer makine öğrenmesi algoritmaları arasında galip çıkan algoritma olmuştur. Tabi bunda bilimin akışını değiştiren Geoffrey Hinton’ın katkısı oldukça büyük. Geçtiğimiz aylarda Hinton kapsül ağlar olarak adlandırılan yeni bir disiplini ortaya attı. Bilinmez, belki bilimin ve tarihin akışı üçüncü kez değişmek üzeredir.

Geoffrey Hinton, Nöral Ağların Babası

Bu yazı, Yazılımcının Seyir Defteri blog’undaki Evolution of Neural Networks yazısından Türkçe’ye çevrilmiştir.

Email adresiniz yayınlanmayacaktır.