Çayır köpekleri köpeklerden başka bir şey değildir. Hershey'nin öpücüğünü andıran gövdesi ve son derece sofistike yapısıyla cıvıltı iletişim açısından, Golden Retriever'dan ziyade hamstera benziyorlar.

İnsanlar çayır köpeklerinin genel anlamda köpek olmadığını hemen anlarlar. Yapay zeka mücadele ediyor.

Yeni yürümeye başlayan çocukken bile, dünya hakkında öğrendiklerimizi kavramlara dönüştürme konusunda esrarengiz bir yeteneğe sahibiz. Sadece birkaç örnekle, bir "köpek"in ne olduğuna veya "atlamanın" veya "atlamanın" ne anlama geldiğine dair bir fikir oluşturuyoruz. Bu kavramlar kafamızın içinde zahmetsizce karıştırılıp eşleştirilir, sonuçta yeni yürümeye başlayan bir çocuk bir çayır köpeğini işaret edip "Ama bu bir köpek değil!" diye bağırır.

Geçen hafta New York Üniversitesi'nden bir ekip bir yapay zeka modeli oluşturdu Bu, yeni yürümeye başlayan bir çocuğun dil öğrenimini genelleştirme yeteneğini taklit eder. Özetle, genelleme, yeni öğrenilen kelimeleri yeni bağlamlarda kullanmamıza olanak tanıyan bir tür esnek düşünmedir; tıpkı Z kuşağının dilini yakalamaya çalışan yaşlı bir Y kuşağı gibi.

Genelleme için bir dil görevinde yetişkin insanlarla karşılaştırıldığında model, onların performansıyla eşleşti. Ayrıca ChatGPT'nin arkasındaki yapay zeka algoritması olan GPT-4'ü de yendi.

Gizli sos şaşırtıcı derecede insaniydi. Yeni sinir ağı, insan test sonuçlarındaki hataları yeniden oluşturacak ve onlardan ders alacak şekilde eğitildi.

"35 yıldır bilişsel bilim, yapay zeka, dil bilimi ve felsefe alanındaki araştırmacılar sinir ağlarının insan benzeri sistematik genellemeye ulaşıp ulaşamayacağını tartışıyorlar." şuraya çalışma yazarı Dr. Brenden Lake. "İlk kez, genel bir sinir ağının, kafa kafaya bir karşılaştırmayla insan sistematik genellemesini taklit edebileceğini veya aşabileceğini gösterdik."

Zekice Bir Kavga

Çoğu yapay zeka modeli, genel olarak beyne dayalı bir yöntem olan derin öğrenmeye dayanır.

Fikir basit. Yapay nöronlar sinir ağlarını oluşturmak için birbirine bağlanır. Yapay nöronlar arasındaki bağlantıların gücünü değiştirerek, sinir ağları otonom taksileri sürmek veya ilaç keşfi için kimyasalları taramak gibi birçok görevi öğrenebilir.

Ancak beyindeki sinir ağları daha da güçlüdür. Bağlantılar sürekli değişen ortamlara hızla uyum sağlıyor ve bireysel deneyimlerden ve anılardan alınan kavramları bir araya getiriyor. Örnek olarak yoldan geçen yabani bir eşeği kolaylıkla tespit edebilir ve ne zaman frene basacağımızı bilebiliriz. Bir robot araba, vahşi eşeğe özel eğitim olmadan bocalayabilir.

Acı nokta genellemedir. Örneğin: Yol nedir? Burası asfalt bir otoyol mu, engebeli toprak yol mu, yoksa çalılıklarla çevrili bir yürüyüş yolu mu?

1980'lerde, bilişsel bilimciler Jerry Fodor ve Zenon Pylyshyn, yapay sinir ağlarının yeni senaryolarda gezinmek için bunları çok daha az esnek bir şekilde kullanarak "yol" gibi kavramları anlayamadığını öne sürmüştü.

Yeni çalışmanın arkasındaki bilim insanları bu zorluğu doğrudan üstlendiler. Çözümleri mi? İnsan tepkilerine göre hassas şekilde ayarlanmış bir yapay sinir ağı.

Makineli Adam

Ekip, temel olarak ilk olarak 25 kişiden yeni bir uydurma dil öğrenmesini istedi. Mevcut bir dili kullanmakla karşılaştırıldığında, fantezi dili, insan katılımcıları test ederken önyargıyı önler.

Yazarlar, çalışmalarında, araştırmanın insanın dilsel yeteneklerinden yararlanmak için "öncelikle düşünce deneylerine dayanan klasik çalışmaların ötesine geçtiğini" açıkladı. Test, çoğunlukla dilbilgisine odaklanan önceki kurulumlardan farklıydı. Bunun yerine, katılımcıların uydurma dili yalnızca kelimelerden anlamaları ve genelleme yapmaları amaçlandı.

Ekip sanki yeni bir dil öğretiyormuş gibi bir sürü basit ve saçma kelimelerle başladı: "dax", "lug", "wif" veya "zup". Bunlar, atlama veya atlama gibi temel eylemler olarak tercüme edilir.

Ekip daha sonra önceki kelimeleri cümle halinde bir araya getirmek ve dolayısıyla kavramları ve kavramları oluşturmak için kullanılabilecek "blicket" veya "kiki" gibi daha karmaşık kelimeleri tanıttı. Bu soyut kelimeler, basit kelimelerle birlikte kullanıldığında “geriye atlamak” veya “üç kez atlamak” anlamına gelebilir.

Gönüllülere her kelimeyi bir renkle ilişkilendirme eğitimi verildi. Örneğin “dax” kırmızıydı, “lug” maviydi. Renkler gönüllülerin yeni dilin kurallarını öğrenmesine yardımcı oldu. Bir kelime kombinasyonu üç kırmızı daireyle sonuçlandı, diğeri mavi renkte yanıp söndü. Ancak daha da önemlisi, "fep" gibi bazı kelimeler, kendisiyle eşleştirilmiş diğer kelimelerden bağımsız olarak parlıyordu; bu da fantezi dilindeki dilbilgisel bir temele işaret ediyordu.

14 turluk öğrenmenin ardından gönüllülere, uydurulan kelimelerin anlamlarına ilişkin 10 soru soruldu ve daha karmaşık sorulara genelleme yapmaları istendi. Katılımcıların her görev için karşılık gelen renk dairelerini seçmeleri ve bunları bir cümle oluşturacak şekilde uygun sıraya yerleştirmeleri gerekiyordu.

Mükemmeldiler. İnsanlar kabaca yüzde 80 oranında doğru renkleri seçtiler. Hataların çoğu, daha geniş bağlamı dikkate almadan bir sözcüğü temel anlamına çeviren “bire bir” çeviri sorunlarıydı.

29 kişiden oluşan ikinci bir ekip de fantezi dilini hızla öğrendi ve "fep fep" gibi kombinasyonları sorunsuz bir şekilde tercüme etti.

Öğrenilen Dil

Yapay zeka modelini oluşturmak için ekip çeşitli kriterlere odaklandı.

Birincisi, sadece birkaç öğrenme örneğinden genelleme yapılması gerekiyordu. İkincisi, benzer görevlerle karşılaşıldığında hatalara insanlar gibi tepki vermesi gerekiyordu. Son olarak modelin, her kelime için bir tür "kavram" oluşturarak kelimeleri öğrenmesi ve kelime dağarcığına kolayca dahil etmesi gerekiyordu.

Bunu yapmak için ekip, bileşimsellik amacıyla meta-öğrenmeyi kullandı. Evet, bir kötü adamın süper gücüne benziyor. Ancak yaptığı şey nispeten basittir.

Ekip, yapay sinir ağına, gönüllü insanlara verilenlere benzer görevler verdi. Ağ, dinamik "dalgalanmalar" genel işlevini değiştirdikçe optimize edilir ve statik veri kümelerine dayanan standart yapay zeka yaklaşımlarına kıyasla anında daha iyi öğrenmesine olanak tanır. Genellikle bu makineler, bir dizi çalışma örneğini kullanarak bir sorunu işler. Bunu Mors alfabesinin şifresini çözmek olarak düşünün. Bir mesaj (noktalar ve çizgiler) alıyorlar ve diziyi normal İngilizceye çeviriyorlar.

Peki ya dil İngilizce değilse ve kendi kavramları ve kuralları varsa? Statik bir eğitim seti yapay zeka kelime ustasını başarısızlığa uğratır.

Burada ekip, makinenin konseptleri karıştırıp eşleştirmesini gerektiren görevlerin "dinamik akışı" boyunca yapay zekaya rehberlik etti. Bir örnekte iki kez atlanması istendi. Yapay zeka modeli bağımsız olarak "atlama" yerine "atlama" kavramını öğrendi ve iki kez "iki kez" anlamına gelir. Bu öğrenmeler daha sonra sinir ağı aracılığıyla beslendi ve ortaya çıkan davranış, talimatla karşılaştırıldı. Örneğin, yapay zeka modeli üç kez atlarsa, sonuçlar, yapay zeka modelini doğru tepkiye yönlendirmeye yardımcı olacak geri bildirim sağladı. Tekrarlama yoluyla sonunda farklı kavramları ilişkilendirmeyi öğrendi.

Sonra ikinci adım geldi. Ekip, yapay zeka modelinin hareket gibi zaten öğrendiği bir bağlama "parmak ucunda" gibi yeni bir kelime ekledi ve ardından ondan "geriye doğru parmak ucunda yürümesini" istedi. Modelin artık "ayak parmaklarının ucunda" kelimesini mevcut kelime dağarcığı ve hareket kavramlarıyla birleştirmeyi öğrenmesi gerekiyordu.

Yapay zekayı daha da eğitmek için ekip, insan hatalarından ders alabilmesi için ona insan katılımcılardan gelen verileri verdi. Yeni bulmacalarla karşı karşıya kaldığında yapay zeka, denemelerin yüzde 65'inde insan tepkilerini taklit ederek benzer yapay zeka modellerinden daha iyi performans gösterdi ve bazı durumlarda insan katılımcıları geride bıraktı.

Ekip, modelin dil yapay zekasının geleceği için doğal sorular ortaya çıkardığını yazdı. Yapay zeka modellerine dilbilgisini örneklerle öğretmek yerine onlara daha geniş bir kapsam vermek, farklı dil bileşenlerini birleştirerek çocukların dilleri kavrama becerilerini taklit etmelerine yardımcı olabilir.

Yapay zekayı kullanmak, insanların kelimeleri ifadeler, cümleler, şiir ve denemelerle birleştirmeyi nasıl öğrendiğini anlamamıza yardımcı olabilir. Sistemler aynı zamanda çocukların kelime dağarcığını nasıl oluşturduklarına dair içgörülere de yol açabilir ve bunun sonucunda dünyayla ilgili kavram ve bilgilere dair içgüdüsel bir anlayış oluşturabilir. Dil bir yana, yeni yapay zeka modeli aynı zamanda makinelerin matematik, mantık ve hatta bilgisayar programlama gibi diğer alanları ayrıştırmasına da yardımcı olabilir.

“Bu sihir değil, pratik. Tıpkı bir çocuğun kendi ana dilini öğrenirken pratik yapması gibi, modeller de bir dizi kompozisyon öğrenme görevi aracılığıyla kompozisyon becerilerini geliştiriyor." Lake söyledi Tabiat.

Resim Kredi: Andreas Fickl / Unsplash 

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://singularityhub.com/2023/10/31/like-humans-this-breakthrough-ai-makes-concepts-out-of-words-it-learns/