Bir dalda kaç kiraz var? Bunu söylemek sizin için kolay olabilir ancak şaşırtıcı olsa da, yapay zekâ için onları saymak son derece zor.
Hof Uygulamalı Bilimler Üniversitesi Bilgi Sistemleri Enstitüsü'nden (iisys) araştırmacılar şu anda bu sorunu çözmek için çalışıyorlar.
" Yaygın modeller bir görüntüde ne görülebileceğini tanımada çok iyidir, ancak kaç nesne olduğunu güvenilir bir şekilde belirlemede o kadar iyi değildir " diye açıklıyor Prof. Dr. René Pinell. Aynı türden dört veya beşten fazla nesne olduğunda hatalar daha yaygın hale gelir.
YAPAY ZEKÂ İÇİN SAYMA İŞLEMİ NEDEN BU KADAR ZOR?
Sorun ilk bakışta göründüğünden daha derin. İnsanlar küçük miktarları sezgisel olarak kavrayabilirken, daha büyük sayılar aktif olarak sayılmalıdır. Bu kritik adım birçok yapay zeka modelinde eksiktir. Dahası, mevcut eğitim verileri genellikle yetersizdir.
Enstitünün direktörü Prof. Dr. Pinell, “Bazı veri kümeleri çok basittir ve modellerin yalnızca tanıma yapmasını teşvik eder; diğerleri ise çok karmaşık veya kusurludur, örneğin gizli nesneler veya belirsiz sorular nedeniyle” diyor. Sonuç olarak, modeller “tahmin etme” veya öğrenilmiş beklentilere dayanma eğilimindedir ve bazen şaşırtıcı derecede yanlış sonuçlar üretirler.
Bu sorunu hedefli bir şekilde ele almak için iisys, SITUATE veri setini geliştirdi. Araştırmacılar gerçek fotoğraflar kullanmak yerine, net bir şekilde tanımlanmış özelliklere sahip yapay 3 boyutlu sahneler oluşturdular.
Profesör Dr. Pinell, "Görüntüde ne olup bittiğini ve ne olmadığını tam olarak kontrol edebileceğimiz bir ortam yaratmak istedik" diyor.
Bu sahneler, küpler, küreler veya silindirler gibi geometrik nesneler içerir ve bu nesnelerin konumları (örneğin, "masanın solunda") açıkça tanımlanmıştır; bu da renk, miktar veya konum gibi konularda hedefli sorular sorulmasına olanak tanır. Bu, şansa dayalı olmayan, aksine belirli yetenekleri geliştirmek için özel olarak tasarlanmış bir öğrenme ortamı yaratır.
Projenin kilit noktalarından biri, yapay zekanın saymayı nasıl öğrendiğidir. Araştırmacılar, basit cevaplara ek olarak, yapay zekanın gördüklerini ve nasıl saydığını adım adım açıkladığı ayrıntılı açıklamalar da kullanıyorlar . Örneğin: "Masada iki nesne ve yanında üç nesne var yani toplamda beş tane"
Bu "düşünce zinciri yaklaşımı" olarak adlandırılan yöntem, en azından daha büyük sayılar için etkili olduğunu kanıtlıyor.
Profesör Dr. Pinell, "Bu yapılandırılmış yaklaşım sayesinde modellerin daha karmaşık sayma görevlerinde önemli ölçüde geliştiğini görüyoruz" diyor.
Ancak bu yöntemin de sınırlamaları vardır: küçük sayılar için yapay zeka , kendi mantığıyla tutarlı kalmak için ek nesneler "hayal etme" eğilimindedir.
DAHA İYİ SONUÇLAR VE YENİ ÇIKARIMLAR
Deneyler, SITUATE ile eğitilmiş yapay zeka modellerinin daha iyi genelleme yaptığını açıkça göstermektedir.
"Farklı veri kümelerinin birleşimi testlerimizde en iyi sonuçları veriyor. Ancak eğitim türünün yapay zekanın düşünme biçimini büyük ölçüde etkilediğini de görüyoruz" diyor Prof. Dr. Pinell.
Ona göre özellikle ilgi çekici olan şey, yapay zekanın insanlara benzer davranış kalıpları sergilemesidir. Küçük miktarlar hızla tanınırken, daha büyük miktarlar yapılandırılmış stratejiler gerektirir. Aynı zamanda yapay zekanın çoğu zaman gerçek bir sayı kavramı geliştirmediği, bunun yerine görsel kalıplar öğrendiği de açıktır.