Sophos Orta Doğu ve Afrika’dan Sorumlu Başkan Yardımcısı Harish Chib, insan beyni ve öğrenen makineler arasındaki benzerliği daha iyi anlamanın gelecekte daha güvenli altyapılar kurgulamanın yolunu açacağına inanıyor.
Canlılarda öğrenme süreci, beyindeki biyolojik nöron ağlarının birbirleri arasında kurduğu sınırsız bağlantılar aracılığıyla oluşur. Beyne gelen her yeni uyarı, sinir ağları arasında yeni bağlantılar oluşturarak, mevcut bağlantıları güçlendirerek veya kopararak nöronlar arasındaki ilişkilerin yeniden düzenlenmesine yol açar. Neticede belli bir görevin sürekli tekrarlanması, bu göreve dair nörolojik bağlantıların güçlenmesini beraberinde getirir ve öğrenme gerçekleşir. Öğrenme bir kez gerçekleştikten sonra, beyin yeni uyarılara karşı vereceği tepkileri değerlendirirken daha önce oluşan bu bağlantıları da dikkate alır.
Biyolojik zekânın bu etkileyici işleyiş biçimi, veri bilimcilerin yapay zekâ adı verilen makine tabanlı öğrenme sistemlerini kurgulamasına ilham veriyor. Yapay zekânın temelini oluşturan yapay sinir ağları, beynin biyolojik işleyiş biçiminin dar bir kapsamda, çok daha basit olarak taklit edilmesini temel alıyor. Biyolojik beyin kalıtımsal mirasıyla ve çevresel koşullara zaman içinde uyum sağlayarak her birey için farklı biçimlerde şekillenirken, yapay sinir ağını en başından itibaren dar bir kapsamdaki özel amaçları yerine getirmek üzere kurgulayabiliyorsunuz. Üstelik ideal bir sinir ağını bire bir kopyalama veya edindiği tecrübeyi bir başka yapay sinir ağına aktarma şansına da sahipsiniz.
Makineler Nasıl Öğrenir?
Kendisine verilen bilgileri matematik modellerle işleyerek karar odaklı sonuçlara ulaşmayı hedefleyen yapay sinir ağları 4 temel bileşenden oluşuyor: Yapay nöronlar, nöronlar arası bağlantılar (topoloji), bağlantıların sahip olduğu ağırlıklar ve öğrenme algoritması. Tıpkı sürekli tekrarlayan ve yüksek şiddetli uyarıların beyindeki sinir ağlarında daha büyük etkiye neden olduğu gibi, yapay sinir ağlarını beslemek için kullanılan veriler de yapay zekânın topolojisini ve ağırlıklarını değiştirerek karar verme sürecinin zaman içinde değişmesine yol açabiliyor. Bu süreci sistemin bir parçası olan optimizasyon algoritmaları üstleniyor.
Yapay zekânın öğrenme sürecini veriyi yapay sinir ağına yollamak, sonucu gözlemlemek ve daha ideal sonuca ulaşmak için ağırlıkları yeniden dengelemek şeklinde özetlemek mümkün. Örneğin yüz tanıma sistemini ele alalım. Yüzü yapay sinir ağına gösterirsiniz, elinizdeki farklı açıdan çekilmiş bir diğer örnekle eşleştirmesini istersiniz, memnun kalmazsanız ağırlıkları değiştirir ve bunun kararı nasıl etkilediğini gözlemlersiniz. Ta ki gördüğü bir yüzü veri tabanında yer alan yüzle eşleştirme konusunda sizi tatmin edecek bir sonuca ulaşıncaya kadar. Bu bir kez gerçekleştiğinde, yapay zekâ artık daha önce görmediği farklı bir yüzü karşılaştırırken de daha önceki tecrübelerinden gelen ağırlıkları temel alacaktır.
Bu nedenle yapay sinir ağlarını eğitirken, sistemi belli tür girdilerin mümkün olduğunca farklı çeşidiyle beslemek gerekir. Böylece yapay sinir ağının daha önce karşılaşmadığı türden bir veriyle karşılaştığında daha doğru sonuca ulaşma şansını artırmış olursunuz. Örneğin aynı veri seti temel alındığında başlangıçta obje tanıma üzerine kurgulanarak daha sonra yüz tanıma için adapte edilmiş sistemler, sıfırdan yüz tanıma için kurgulanan sistemlere kıyasla genellikle daha yüksek başarı göstermektedir.
Yapay Sinir Ağları İdeal Güvenliğin Yolunu Açabilir mi?
Günümüzde yapay sinir ağlarının henüz emekleme aşamasında ve sınırlı yetenekleri insan beyninin genelleme becerisiyle kıyaslanabilecek durumda değil. Yapıları çok daha basit, ölçekleri kısıtlı ve öğrenmeye yönelik algoritmaları oldukça yüzeysel. Bununla birlikte belli bazı görevleri yerine getirmekte hiçbir bireyin ulaşamayacağı performanslar ortaya koyabiliyorlar.
Yakın gelecekte yapay sinir ağlarının güvenliğe dair pek çok süreci insanüstü bir kabiliyetle ele alması mümkün. Belki de matematiksel olarak modellenmiş bir yapay zekânın gerçek bir beyinle kıyaslanacak noktaya geldiği günler o kadar uzağımızda değildir.
