Geçtiğimiz hafta Google, bilgisayar çiplerini insanlardan daha hızlı tasarlayabilen bir yapay zeka geliştirdiğini duyurdu. Yapay zeka, makine öğrenmesi, bilgisayarlı görü ve doğal dil işleme alanında çok büyük gelişmelere şahit oluyoruz. Normal şartlar altında bir bilgisayar çipi tasarlamak, aylar, hatta yıllar sürebilir. Fakat yapay zeka bu süreyi 6 saat gibi komik bir süreye indirmiş vaziyette.

Teknoloji devi Google, Colab isimli bir platformdan veri bilimi, yapay zeka ve makine öğrenmesi algoritmalarını çalıştırmamıza izim veriyor. Bu ortamda biz CPU, GPU ve TPU kullanarak yapay zeka modelimizi eğitebiliyoruz. CPU hepimizin bildiği gibi bilgisayarın işlemcisi, GPU ise başını NVIDIA şirketinin çektiği grafik işleme birimi. Makine öğrenmesi ve yapay zeka uygulamaları çok büyük bir bilgisayar gücü ve hafıza gerektiriyor. GPU ise hesaplamaları işlemciye göre daha hızlı yapmamızı sağlıyor.

TPU (Tensor Processing Unit) ise sadece Google tarafından, yapay zeka hesapları için geliştirilen ve kullanılan tensor işleme birimi. Tensör ise çok boyutlu matrislere denir. Vektörler, matrisler ve tensörler matematikte lineer cebir derslerinin konusu. Lakin, yapay zeka öğrendiğinizde çok fazla matematik bilmenize bile gerek yok. İşte TPU kullanarak yapay zeka modellerimizi daha hızlı eğitebiliyoruz. Google ise TPU tasarlayan bir yapay zeka algoritması geliştirdi ve bu gelişme ile artık yıllar süren tasarımlar ibir kaç saate indi.

Benim için ilginç kısım ise, zaten karmaşık ve zor olan bir tasarımın yapay zeka kullanılarak daha da karmaşık sistemleri oluşturmasıdır. Bir nevi yapay zeka üreten yapay zeka olarak görüyorum.

Google’ın kullandığı yapay zeka, mimarların bina planı çizdiği gibi bir çipin “kat planını” çizebiliyor. Bu, esas olarak, CPU’lar, GPU’lar ve bellek gibi bileşenlerin silikon kalıbın üzerine birbirine göre yerleştirildiği yerlerin çizilmesini gösteriri. Çip çizim planının bu küçük kartlar üzerinde nasıl konumlandıkları, çipin güç tüketimini ve işlem hızını etkilediği için önemlidir.

İnsanların bu kat planlarını en uygun şekilde tasarlaması aylar alır, ancak Google’ın derin pekiştirmeli öğrenme sistemi bunu çok daha az çabayla yapabildi.

Pekiştirmeli öğrenme ödül kazanma şansını en üst düzeye çıkarmak için belirli eylemleri yapmak üzere eğitilmiş bir algoritmadır. Çip tasarımında kullanılan makine öğrenme modeli, hangi durumda ne adım atacağına karar veren ve mümkün olan en iyi çözümü bulmaya çalışan yapay zekâ algoritmalarıdır ve buna Q-Öğrenme (Q-learning) veya Pekiştirmeli (Takviye) öğrenme diyoruz. Takviye Öğrenimi (RL), bir ajanın kendi eylemlerinden ve tecrübelerinden gelen geri bildirimleri kullanarak, deneme yanılma yoluyla etkileşimli bir ortamda öğrenmesini sağlayan bir makine öğrenme tekniğidir. Ajanın hanesine (agent) başarılı adımlarda ödül verilir, başarısız adımlarda hanesine ceza yazılır. Bu sayede aldığı ödüllerin sayısını arttırmak isteyen ajan, ödül aldığı geçmiş tecrübelerini tekrar ediyor ve aynı zamanda yeni alanlarda da araştırmalar yapıyor. Bu durumda aldığı ödül sayısını mümkün olan en yüksek sayıya çıkardığında hedefine varmış oluyor. Bu modelleri biz genelde veri bulamazsak veya verimiz modeli eğitmek için yeterli değilse kullanırız.

Bilgisayar oyunlarında ve otonom araçlarda çok fazla kullanılan pekiştirmeli öğretim modelinin çip tasarımında kullanılması artık normal bilgisayarların daha da hızlı olmasını sağlayacak ve kuantum bilgisayarlar hayatımıza girene kadar bizim daha güzel işler yapmamızı sağlayacak. Pekiştirmeli öğrenme sayesinde bilgisayarlar oyunlarda insanüstü veya süper insan performansı gösteriyor. Bu sayede makineler Go ve satranç gibi karmaşık oyunlarda da insanları yenebiliyor. Hatta insanların bu oyunlarda bilgisayarlara yetişme ihtimali bile kalmayacak. Bilgisayar oyunlarında, algoritmalar oyunu kazanma şanslarını artıran parçaları hareket ettirmek için eğitilir, ancak çip tasarımı konusunda yapay zeka, hesaplama açısından en verimli hale getirmek için ve en iyi bileşen kombinasyonunu bulmak için eğitildi. Bu yapay zeka sistemi, neyin işe yarayıp neyin yaramadığını öğrenmesi için 10 bin çip planıyla beslendi. Yani modeli eğitmek 10 bin eski tasarım kullanıldı.

Makine öğrenmesinin bilgisayar programlarından farkı, bilgisayar mühendis ve programcılarının aylar süren kodlamalarını bir kaç milisaniyede yapabilmesidir. Makine öğrenmesinde algoritmaya veriyi ve birkaç sonucu göstermek gerekir. Hal böyle olunca makine veriden hangi programın yazılması gerektiğini öğrenir ve yazar. Çip tasarımında ise makinelere daha önce çizilmiş ve performansı ölçülmüş modelleri gösterdiğinizde, makine daha güzel ve performansı daha yüksek bir çip tasarımı ortaya koyabilir. Aynı yüzlerce güzel bina kat planı tasarımını makinelere gösterip daha güzel planlar oluşturduğu gibi. Veya, yüzlerce roman gösterdiğimizde, onlardan daha güzel bir roman yazdığı gibi. Benzer şekilde, yapay zeka algoritmalarına yüzlerce insan yüzü gösterdiğimizde, hayatta hiç yaşamamış ancak gerçekçi görünen insan yüzleri ürettiği gibi.

Google’ın burada insanların yıllarca uğraşıp tasarlayabileceği bir bilgisayar çipini, yapay zeka ile 6 saatten daha kısa sürede tasarlaması teknolojik alanda herşeyin çok daha hızlı gelişeceğinin bir göstergesi. Zaten Google yetkilileri de bu gelişmenin yarı iletken teknolojileri için büyük gelişme olduğunu belirttiler.

Ülkeler ve parası ve datası olan büyük şirketler, yapay zeka stratejilerini belirlediler ve çalışanlarına hızla yapay zeka öğretiyorlar. Bazı işletmelerde yapay zeka birimleri en fazla maaşı alıyor ve en değerli birim olarak tutuluyor. Biz ise yapay zekanın ne işe yaradığını bile tam kavramamış durumdayız. Derhal harekete geçmeli ve yapay zeka alanında yatırım yapmalı ve devletimizi, öğrencilerimizi, çalışanlarımızı ve iş insanlarımızı yapay zeka konusunda bilinçlendirmeli ve yeterli eğitimi vermeliyiz. Aksi halde önümüzdeki 30 yıl boyunca yine yüksek teknoloji almak için milyarlarca dolar değerinde öz kaynaklarımız yurtdışına akacaktır. Yapay zekanın gücü ve vaadettikleri herkes tarafından iyi anlaşılmalıdır.