Neden Hibrit Yapay Zekanın Geleceği?

Geçtiğimiz birkaç hafta boyunca, ChatGPT'den Bard'a ve büyük dil modelleri (LLM'ler) etrafında oluşturulan diğerlerinden çok sayıda varyasyona kadar yeni üretken yapay zeka ürünleri ve yeteneklerinin telaşı, aşırı bir heyecan döngüsü yarattı. Ancak pek çok kişi bu genelleştirilmiş modellerin kurumsal kullanıma uygun olmadığını savunuyor. Yapay zeka motorlarının çoğu, niş veya alana özgü görevler verildiğinde zorluk işaretleri gösteriyor. Cevap hibrit yapay zeka olabilir mi?

Hibrit Yapay Zeka (Hibrit Yapay Zeka) Deyince Neyi Kastediyoruz?

Hibrit yapay zeka, en yüksek doğruluk veya tahmin potansiyeline sahip kullanım durumuna özel yapay zeka modelleri geliştirmek için insan konu uzmanlığının yanı sıra makine öğrenimi, derin öğrenme ve sinir ağlarını kullanan yapay zeka modellerinin genişletilmesi veya geliştirilmesidir.

Hibrit yapay zekanın yükselişi birçok önemli ve meşru kaygının üstesinden geliyor. Maksimum fayda veya gerçek değer yaratımı için çok sayıda senaryo veya alanda büyük veri kümeleri üzerine inşa edilmiş birden fazla yapay zeka modeli gereklidir. Örneğin, ChatGPT'den uzun ve ayrıntılı bir ekonomik rapor yazmasının istendiğini düşünün.

Modelin alana özgü bilgilerle benimsenmesi veya geliştirilmesi, yüksek tahmin olasılığına ulaşmanın en etkili yolu olabilir. Hibrit yapay zeka, bunu başarmak için sinir ağlarının (örüntüler ve bağlantı oluşturucular) ve sembolik yapay zekanın (gerçek ve veri türeticileri) en iyi yönlerini birleştirir.

Sembolik Yapay Zeka: Hibrit Yapay Zekanın Önemli Bir Parçası

Günümüzün LLM'lerinin, matematiksel görevlerde yetersiz performans, veri icat etme eğilimi ve modelin nasıl sonuç vereceğini ifade edememe gibi çeşitli kusurları vardır. Tüm bu sorunlar, insan beyninin nasıl çalıştığına ilişkin kavramlara bağlı olan “bağlantıcı” sinir ağlarının tipik sorunlarıdır.

Bu sorunlar, insan beyninin işleyişine ilişkin kavramlara bağlı olan “bağlantıcı” sinir ağlarının tipik bir örneğidir.

Klasik AI aynı zamanda sembolik AI olarak da adlandırılır. İnsan bilgisini, “sembol” girdilerinden yorumlanan kurallar ve gerçekler gibi bildirimsel bir biçimde açıkça ifade etmeye çalışır. Mantıksal kuralları kullanarak gerçekleri ve olayları birbirine bağlamaya çalışan bir yapay zeka dalıdır.

1950'lerin ortasından 1980'lerin sonuna kadar sembolik yapay zeka çalışmaları önemli bir etkinlik gördü.

1960'lı ve 1970'li yıllarda teknolojik gelişmeler araştırmacılara makineler ve doğa arasındaki ilişkiyi araştırmaya ilham verdi. Sembolik tekniklerin sonunda akıllı bir makineyle sonuçlanacağına inanıyorlardı ve bu da disiplinlerinin uzun vadeli hedefi olarak görülüyordu.

Bu bağlamda John Haugeland, 1985 tarihli Yapay Zeka: The Very Idea adlı kitabında "eski moda yapay zeka" veya "GOFAI" terimini kullandı.

GOFAI yöntemi, eylemsiz sorunlar için en uygun yöntemdir ve gerçek zamanlı dinamik sorunlar için doğal bir eşleşmeden uzaktır. Yapay sinir ağları örüntü tanımaya öncelik verirken, zekanın soyut akıl yürütme olarak sınırlı bir tanımını tercih ediyor. Sonuç olarak, ikinci "bağlantıcı" veya sembolik olmayan yöntem son zamanlarda önem kazanmıştır.

Sembolik Olmayan Yapay Zeka Nasıl Çalışır?

Sembolik olmayan yapay zekanın doğuşu, insan beynini ve onun ayrıntılı sinir bağlantıları ağını simüle etme girişimidir.

Sembolik olmayan yapay zeka sistemleri, sorunlara çözüm bulmak için sembolik bir temsili manipüle etmekten kaçınır. Bunun yerine, öncelikle bir çözüme nasıl ulaşacaklarını tam olarak anlamadan, sorunları çözdüğü ampirik olarak kanıtlanmış ilkelere dayalı hesaplamalar yaparlar.

Sinir ağları ve derin öğrenme, sembolik olmayan yapay zekanın iki örneğidir. Sembolik olmayan yapay zeka aynı zamanda "bağlantıcı yapay zeka" olarak da bilinir; Google'ın otomatik geçiş motoru (örüntüleri arayan) ve Facebook'un yüz tanıma programı da dahil olmak üzere günümüzün birçok yapay zeka uygulaması bu metodolojiye dayanmaktadır.

Hibrit AI'ya girin

Hibrit yapay zeka bağlamında sembolik yapay zeka, asıl görevi yerine getiren, sembolik olmayan yapay zekanın “tedarikçisi” olarak hizmet ediyor. Sembolik yapay zeka, bu bakış noktasından sembolik olmayan yapay zekaya kadar ilgili eğitim verilerini sunar. Buna karşılık, sembolik yapay zeka tarafından aktarılan bilgiler, insanlar tarafından desteklenmektedir; yani sektör emektarları, konunun uzmanları, vasıflı çalışanlar ve kodlanmamış kabile bilgisine sahip olanlar.

Web aramaları hibrit yapay zekanın popüler bir kullanımıdır. Bir kullanıcı "1 GBP'den USD'ye" girerse, arama motoru bir para birimi dönüştürme zorluğunu algılar (sembolik yapay zeka). Web sonuçlarını (sembolik olmayan yapay zeka) almak, konumlandırmak ve sergilemek için makine öğrenimini kullanmadan önce dönüşümü gerçekleştirmek için bir widget kullanır. Bu temel bir örnek ama hibrit yapay zekanın daha karmaşık sorunlara uygulandığında nasıl çalışacağını gösteriyor.

MIT-IBM Watson Yapay Zeka Laboratuvarı direktörü David Cox'a göre, derin öğrenme ve sinir ağları "dünyanın karışıklığı"nın ortasında gelişirken, sembolik yapay zeka bunu başaramıyor. Ancak daha önce de belirtildiği gibi hem sinir ağlarının hem de derin öğrenmenin sınırlamaları vardır. Ayrıca, bir yapay zeka modelinin davranışını öngörülemeyen ve muhtemelen zarar verici şekillerde etkileyebilecek, düşmanca veriler olarak adlandırılan düşmanca örneklere karşı da hassastırlar.

Ancak sembolik yapay zeka ve sinir ağları birleştirildiğinde kurumsal yapay zeka gelişimi için sağlam bir temel oluşturabilir.

Kurumsal Ortamlarda Neden Hibrit Yapay Zeka Kullanılmalı?

Kapsamlı bir sinir ağını eğitmek için yeterli verinin olmadığı veya standart makine öğreniminin tüm ekstrem durumlarla baş edemediği iş sorunları, hibrit yapay zekanın uygulanması için mükemmel adaylardır. Bir sinir ağı çözümü ayrımcılığa, tam açıklama eksikliğine veya aşırı uyumla ilgili endişelere neden olabileceğinde, hibrit yapay zeka yararlı olabilir (yani, yapay zekanın gerçek dünya senaryolarında zorlanacağı kadar çok veri üzerinde eğitim).

Bunun en önemli örneği, bir yapay zeka danışmanlık firması olan Fast Data Science'ın yapay zeka girişimidir. Amaç, bir klinik araştırmanın potansiyel tehlikelerini değerlendirmektir.

Kullanıcı platforma klinik deney yürütme planını detaylandıran bir PDF belgesi gönderir. Bir makine öğrenimi modeli, konum, süre, denek sayısı ve istatistiksel değişkenler gibi hayati deneme özelliklerini tanımlayabilir. Makine öğrenimi modelinin çıktısı, manuel olarak hazırlanmış bir risk modeline dahil edilecektir. Bu sembolik model, bu parametreleri bir risk değerine dönüştürür ve bu değer, kullanıcıya yüksek, orta veya düşük risk sinyali veren bir trafik ışığı olarak görünür.

Protokol verilerinin risk değerine dönüştürülmesi için makul ve mantıklı bir kural belirlemek için insan zekası esastır.

İkinci bir örnek Google'ın arama motorudur. Transformatörler gibi devrim niteliğindeki derin öğrenme araçlarından ve bilgi grafiği gibi sembol işleme mekanizmalarından oluşan karmaşık, her şeyi kapsayan bir yapay zeka sistemidir.

Zorluklar Nelerdir?

Hiçbir teknik veya teknik kombinasyonu her sorunu eşit derecede iyi çözemez; bu nedenle yeteneklerini ve sınırlamalarını anlamak gerekir. Hibrit yapay zeka sihirli bir değnek değildir ve hem sembolik hem de sembolik olmayan yapay zeka kendi başlarına güçlü teknolojiler olmaya devam edecektir. Günlük yaşamdaki uzman anlayışının ve bağlamın nadiren makine tarafından okunabilir olması da başka bir engeldir. İnsan uzmanlığının yapay zeka eğitim veri kümelerine kodlanması başka bir sorunu ortaya çıkarıyor.

Çoğu kuruluş, yaşadığımız dünyaların karmaşık karmakarışıklığını yapay zekanın kavrayabileceği bir bağlama yerleştirmekten kaynaklanan bilişsel, hesaplamalı, karbon çıktısı ve finansal engelleri tam olarak tanımakta başarısız oluyor. Bu nedenle yapay zekanın anlamlı bir şekilde uygulanmasına yönelik zaman çizelgesi beklenenden çok daha uzun sürebilir.

İleriye Giden Yol

Yapay zeka girişimleri herkesin bildiği gibi sorunludur; 10 pilot ve prototipten yalnızca 1'i üretimde önemli sonuçlara yol açıyor.

İlerici işletmeler, tek modlu yapay zeka modellerinin sınırlarının zaten farkındadır. Teknolojinin çok yönlü olması, depolanan verileri daha derinlemesine inceleyebilmesi, daha ucuz ve kullanımı çok daha kolay olması gerektiğinin kesinlikle farkındalar.

Hibrit yapay zeka bu sorunların tamamına olmasa da bazılarına çözüm sunuyor. Sembolik yapay zeka ve makine öğrenimini entegre ettiğinden, finans ve sağlık gibi endüstriler için hayati önem taşıyan açıklanabilir kalarak her yaklaşımın avantajlarını verimli bir şekilde kullanabilir.

ML, açıklanabilirliğin önemli olmadığı bir sorunun belirli unsurlarına odaklanabilirken sembolik yapay zeka, kararlara şeffaf ve kolayca anlaşılır bir yol kullanarak ulaşacaktır. Yapay zekaya yönelik hibrit yaklaşım, yıllar geçtikçe giderek yaygınlaşacak.