Son vaxtlar biz süni intellekt haqqında çox eşidirik. O, yüksək texnologiyalar, kompleks riyazi hesablamalardan tibbə, avtomobil istehsalına və hətta smartfonların işinə qədər demək olar ki, hər yerdə tətbiq olunur.

Müasir təsəvvürdə işinin əsasında süni intellekt duran texnologiyalardan biz hər gün istifadə edirik və bəzən bu barədə heç fikirləşmirik. Bəs süni intellekt nədir? Necə işləyir? Və təhlükə yaradırmı?

Süni intellekt nədir?

Əvvəla, terminologiyanı müəyyənləşdirək. Əgər siz süni intellekti müstəqil düşünmək, qərar qəbul etmək və ümumiyyətlə, şüurun əlamətlərini göstərmək bacarığına malik olan bir şey kimi təsəvvür edirsinizsə, onda sizi məyus edəcəyik. Bu gün mövcud olan bütün sistemlər demək olar ki, süni intellektin bu tərifinə heç yaxın da dayanmır. Bu cür fəaliyyətin əlamətlərini göstərən sistemlər, əslində, əvvəlcədən müəyyən edilmiş alqoritmlər çərçivəsində fəaliyyət göstərir.

Bəzən bu alqoritmlər son dərəcə inkişaf etmiş olur, lakin buna baxmayaraq, onlar Sİ-in işlədiyi "çərçivələr" olaraq qalır. Maşınlarda heç bir "sərbəstlik" və xüsusilə də şüur əlamətləri yoxdur. Bu, sadəcə çox məhsuldar proqramlardır. Amma onlar “işində” ən yaxşı olanlardır. Bundan əlavə, süni intellekt sistemləri təkmilləşdirilməyə davam edir. Hətta müasir Sİ-in mükəmməllikdən uzaq olduğu fakt olsa belə, bizimlə bir çox ümumi cəhətləri var. 

Süni intellekt necə işləyir? 

İlk növbədə Sİ öz vəzifələrini yerinə yetirə (bu barədə bir az sonra) və dərin maşın təlimi sayəsində yeni bacarıqları əldə edə bilər. Bütün zəruri məlumatları sistemə qabaqcadan yüklənən "klassik" metodlardan fərqli olaraq, maşın təlimi alqoritmləri, sistemi əlçatan informasiyanı öyrənməklə müstəqil inkişaf etməyə məcbur edir. Bundan əlavə, maşın da bəzi hallarda müstəqil olaraq axtarış edə bilər. 

Məsələn, fırıldaqçılığı aşkar etmək məqsədi ilə bir proqram yaratmaq üçün, maşın təlimi alqoritmi bank əməliyyatlarının siyahısı və onların son nəticəsi (qanuni və ya qeyri-qanuni) ilə işləyir. Maşın təlimi modeli nümunələri nəzərdən keçirir, qanuni və saxta əməliyyatlar arasında statistik asılılığı inkişaf etdirir. Bundan sonra siz, yeni bank əməliyyatının məlumatlarını alqoritmə təqdim edərkən, o, bunları əvvəlcədən nümunələrdən təmizlənmiş şablonlar əsasında təsnif edir.

Bir qayda olaraq, nə qədər çox məlumat təqdim edilirsə, maşın təlimi alqoritmi də tapşırıqları yerinə yetirən zaman o qədər dəqiq olur. Maşın təlimi qaydaları əvvəlcədən müəyyən edilməmiş vəzifələri yerinə yetirərkən xüsusilə faydalıdır.

Dərin təlim və neyron şəbəkələri

Klassik maşın təlimi alqoritmləri verilənlər bazası şəklində məlumat kütləsinin mövcud olduğu bir çox problemləri həll edir, lakin şəkillər, videolar, səs faylları və s. kimi vizual, həmçinin audio məlumatlarla zəif mübarizə aparırlar. 

“Klassik maşın təlimi yanaşmalarından istifadə edərək döş xərçəngi proqnozlaşdırılması modelinin yaradılması, tibb, proqram təminatı və riyaziyyat sahəsində onlarla mütəxəssisin səylərini tələb edəcək”, - süni intellekt sahəsinin tədqiqatçısı Jeremy Hovard belə deyir. Maşın təliminin informasiya axınının öhdəsindən gəlmək üçün alimlər daha kiçik alqoritmlər etməli idilər. Məsələn, rentgen şəkillərinin öyrənilməsi üçün ayrı bir alt sistem, MRT üçün başqası yaradılmalı, digəri isə qan testləri üçün istifadə olunmalı idi. Bu zaman hər bir analiz növü üçün öz sisteminə ehtiyacımız olardı. Sonra onların hamısı böyük bir sistemə birləşəcəkdi... Bu, çox çətin və resurs-ixrac prosesidir.

Dərin təlim alqoritmləri eyni problemi dərin neyron şəbəkələrdən istifadə edərək, insan beynindən ilhamlanan proqram təminatının arxitekturasının növü ilə həll edir (baxmayaraq ki, neyron şəbəkələri bioloji neyronlardan fərqlənir, onların fəaliyyət prinsipi demək olar ki, eynidir). Kompüter neyron şəbəkələri - informasiyanı emal etməyə və təsnif etməyə qadir olan "elektron neyronların" əlaqəsidir. Onlar bir növ "təbəqələr" təşkil edir və hər bir "təbəqə" özünəməxsus bir şey üçün məsuliyyət daşıyır, nəticədə ümumi bir şəkil meydana gətirir. Neyron şəbəkənin hər bir təbəqəsi müəyyən xüsusiyyətləri aşkar edir: obyektlərin forması, rəngləri, obyektlərin görünüşü və s. 

Neyron şəbəkələrin səthi təbəqələri ümumi xüsusiyyətləri aşkar edir. Daha dərin təbəqələr artıq faktiki obyektləri ortaya qoyur. Şəkil sadə neyroşəbəkənin sxemidir. Yaşıl rəngdə giriş neyronları (daxil olan məlumatlar), mavi — gizli neyronlar (məlumatların təhlili), sarı — çıxış neyronları (həll) göstərilir. 

Neyron şəbəkələri süni insan beynidir?

Maşın və insan neyroşəbəkəsinin oxşar quruluşuna baxmayaraq, onlar bizim mərkəzi sinir sisteminin əlamətlərinə malik deyillər. Kompüter neyron şəbəkələri əslində eyni köməkçi proqramlardır. Sadəcə elə alınıb ki, hesablama aparmaq üçün ən yüksək təşkilatlanmış sistem bizim beynimizdir. Yəqin ki, "beynimiz bir kompüterdir" ifadəsini eşitmisiniz. Alimlər sadəcə "rəqəmsal formada" onun strukturunun bəzi aspektlərini "təkrarlayıblar". Bu, yalnız hesablamaları sürətləndirməyə imkan verib, lakin maşınları şüurla təmin etməyib. 

Bəs süni intellekt nə vaxt düşünməyi öyrənəcək?

Neyron şəbəkələri 1950-ci illərdən (ən azı konsepsiyalar şəklində) mövcuddur. Ancaq son vaxtlara qədər o dərəcədə də inkişaf etməmişdilər, çünki onların yaradılması böyük həcmdə məlumat və hesablama gücü tələb edirdi. Son bir neçə ildə bütün bunlar əlçatan olduğuna görə, neyroşəbəkələr inkişaf edərək ön plana çıxıb.

Dərin öyrənmə və neyroşəbəkələri nə üçün istifadə olunur?

Bu iki texnologiyanın nəzərəçarpacaq irəliləyişə nail olması üçün kömək etdiyi bir neçə sahə var. Bundan başqa, onlardan bəzilərini biz həyatımızda hər gün istifadə edir və hətta onların arxasında nə olduğunu düşünmürük.

Kompüter görmə proqramı: proqram təminatının təsvirinin və videonun məzmununu anlama bacarığıdır. Bu dərin təlimin böyük irəliləyişə səbəb olduğu sahələrdən biridir. Məsələn, dərin təlim alqoritmləri xərçəng, ağciyər xəstəliyi, ürək və müxtəlif növ xəstəlikləri aşkar edə bilər və o, bunu həkimdən daha sürətli və daha effektiv edir. “Apple Face ID” və “Google Photos” kimi hər gün istifadə etdiyimiz əlavələrdə üz tanıma və şəkil keyfiyyətinin yaxşılaşdırılması üçün dərin təlim istifadə edilir. “Facebook” da yüklənmiş fotoşəkillərdə insanları avtomatik olaraq qeyd etmək üçün dərin təlimlərdən istifadə edir. Kompüter görmədə şirkətlərin avtomatik olaraq şiddət kimi şübhəli kontentini müəyyən etməyə və qarşısını almağa kömək edir. Və nəhayət, dərin təlim müstəqil avtomobil idarə etmək imkanının təmin edilməsində çox vacib rol oynayır.

Səs və nitqin tanınması: “Google” köməkçisi üçün bir komanda tələffüz edilən zaman dərin öyrənmə alqoritmləri səsi mətn əmrlərinə çevirir. Bir neçə onlayn proqramlar audio və video fayllar üçün dərin təlimlərdən istifadə edir. Hətta siz mahnını “Şazam" etdikdə belə, işə neyron şəbəkələrin alqoritmləri və dərin maşın təlimi qarışır.

İnternetdə axtarış: sorğunuzun daha aydın şəkildə işlənməsini və verilən nəticələrin mümkün qədər düzgün olmasını təmin etmək üçün şirkətlər neyron şəbəkə alqoritmlərini axtarış maşınlarına qoşmağa başlayıblar. Belə ki, “Google” axtarış sisteminin gücünün “məhsuldarlığı” dərin maşın öyrənmə və neyroşəbəkələrə keçdikdən sonra bir neçə dəfə artıb.

Dərin öyrənmə və neyroşəbəkələrin məhdudiyyətləri

Bütün üstünlüklərinə baxmayaraq, dərin öyrənmə və neyroşəbəkələr də bəzi çatışmazlıqlara malikdir.

Məlumatdan asılılıq: ümumiyyətlə, dərin öyrənmə alqoritmləri öz vəzifələrini dəqiq yerinə yetirmək üçün çoxlu sayda təlim məlumatları tələb edir. Təəssüf ki, bir çox problemləri həll etmək və iş modelləri yaratmaq üçün kifayət qədər keyfiyyətli təlim məlumatları yoxdur.

Gözlənilməzlik: neyron şəbəkələri qəribə bir şəkildə inkişaf edir. Bəzən hər şey nəzərdə tutulduğu kimi gedir. Bəzən isə (hətta neyroşəbəkə öz vəzifəsinin öhdəsindən yaxşı gəlsə), hətta yaradıcıları alqoritmlərin necə işlədiyini anlamaq üçün baş sındırırlar. Proqnozsuzluğun olması neyron şəbəkələrin işləmə alqoritmlərində səhvlərin aradan qaldırılmasını və düzəldilməsini son dərəcə çətinləşdirir.

Alqoritmik yerdəyişmə: dərin öyrənmə alqoritmləri öyrəndikləri məlumatlar qədər yaxşıdır. Problem ondan ibarətdir ki, təlim məlumatlarında tez-tez gizli, açıq səhvlər və ya çatışmazlıqlar olur və alqoritmlər onları "miras" kimi alırlar. Məsələn, ağ insanların fotoşəkillərinə əsasən təlim keçmiş üz tanıma alqoritmi fərqli dəri rəngi olan insanlar üzərində daha az dəqiqliklə işləyəcək.

Ümumiləşdirmənin olmaması: dərin öyrənmə alqoritmləri məqsədyönlü vəzifələri yerinə yetirmək üçün yaxşıdır, lakin biliklərini zəif şəkildə ümumiləşdirir. İnsanlardan fərqli olaraq, “StarCraft”da oynamaq üçün təlim keçmiş dərin öyrənmə modeli başqa bir oxşar oyun oynaya bilməz. Bundan əlavə, dərin öyrənmə onun təlim nümunələrindən kənara çıxan məlumatların idarə edilməsi ilə pis mübarizə aparır.

Dərin öyrənmə, neyroşəbəkə və süni intellektin gələcəyi

Aydın məsələdir ki, dərin təlim və neyron şəbəkələri üzərində iş hələ başa çatmayıb. Dərin öyrənmə alqoritmlərini yaxşılaşdırmaq üçün müxtəlif səylər göstərilir. Dərin təlim süni intellektin yaradılmasında qabaqcıl üsuldur. O, son bir neçə il ərzində məlumatların bolluğu və hesablama gücünün artması sayəsində daha da populyarlaşır. Bu, hər gün istifadə etdiyimiz bir çox tətbiqin əsasını təşkil edən əsas texnologiyadır.

Bəs nə vaxtsa bu texnologiya əsasında şüur yaranacaqmı? Əsl süni həyat! Alimlərdən biri hesab edir ki, süni neyron şəbəkələrin komponentləri arasında əlaqələrin sayı insan beynində mövcud olan neyronlar arasında göstəriciyə yaxınlaşdığı bir vaxtda belə bir şey baş verə bilər. Ancaq bu bəyanat çox şübhəlidir. Həqiqi süni intellektin yaranması üçün Sİ əsasında sistemlərin yaradılmasına yanaşmanı yenidən düşünmək lazımdır. İndi mövcud olanlar yalnız vəzifələrin ciddi məhdud dairəsi üçün tətbiq olunan proqramlardır. (TED.az)