İnsan beyninin bilişsel yeteneklerine benzeyen yapılar yaratmak, yapay zeka (AI) alanının en zor hedeflerinden biri olmuştur. Hayal gücü, bizi diğer türlerden ayıran insan zihninin büyülü özelliklerinden biridir. Sinirbilim açısından hayal gücü, beynin herhangi bir anlık duyusal girdi olmaksızın imgeler veya duyumlar oluşturma yeteneğidir. Hayal gücü, bilgiyi belirli sorunlara uygulamamıza ve gelecekteki sonuçlar için daha iyi plan yapmamıza olanak sağladığından, öğrenme sürecimizin önemli bir unsurudur. Günlük hayatımızda görevleri yerine getirirken, eylemlerimizi optimize etmek için sürekli olarak potansiyel sonuçları “hayal ediyoruz”. Şaşırtıcı olmayan bir şekilde, hayal gücü genellikle bilişsel bir bakış açısıyla planlamanın temel bir imkânı olarak algılanır.
Hayal gücünü yapay zekaya (AI) dahil etmek, araştırmacıların uzun zamandır ulaşılması zor bir hedefi olmuştur. Geleceği planlamak ve muhakeme etmek için yalnızca yeni görevlere eğilimli olmayan (çok uygun bir şekilde) AI programlarını hayal edin. Son zamanlarda, AlphaGo gibi sistemlerde AI sistemlerine hayal gücü ekleme alanında bazı etkileyici sonuçlar gördük. Hayal gücü artırılmış AI sistemlerinin ilk teorisini formüle etmeye yardımcı olan tam olarak DeepMind ekibi olmuştur. Geçen yıl, bu hedefe ulaşmak için ilk sinir ağı mimarilerinden birini özetleyen ünlü bir araştırma makalesinin yeni bir revizyonunu yayınladılar .
Yapay zeka bağlamında hayal gücünü nasıl tanımlayabiliriz? DeepMind durumunda, aşağıdaki özellikleri içeren sistemlere hayal gücü artırılmış aracılar tanımlarlar:
Derin pekiştirmeli öğrenme (RL), gözlemleri eylemlerle ilişkilendirmeye çalışırken genellikle hayal gücü artırılmış AI ‘nin ayırt edici özelliği olarak görülür. Bununla birlikte, derin RL sistemleri tipik olarak, bir ortamdaki çok özel görevlere göre uyarlanmış bilgilerle sonuçlanan büyük miktarlarda eğitim gerektirir. DeepMind makalesi, mükemmel olmayan tahminleri “yorumlamayı” öğrenmek için ortam simülasyonlarını kullanan modelleri kullanarak geleneksel modellere bir alternatif önermektedir. Buradaki fikir, çekirdek modelde kullanılabilecek yararlı bilgileri çıkarmak için simülasyonları kullanan paralel modellere sahip olmaktır.
I2A Mimarisi
Derin öğrenme aracılarında “hayal gücünü” etkinleştirmek için DeepMind ekibi, I2A olarak bilinen akıllı bir sinir ağı mimarisine güvendi. I2A mimarisinin temel unsuru, mevcut çevre hakkında bilgi verildiğinde, gelecekteki durumu hakkında tahminlerde bulunmak için çevresel bir model kullanan Imagination Core adlı bir bileşendir. Geçmiş bir durum ve mevcut eylem verildiğinde, çevre modeli bir sonraki durumu ve ortamdan gelen herhangi bir sayıda sinyali tahmin eder. I2A mimarisi, hayal edilen yörüngeyi şimdiki zamandaki gerçek gözlemle başlatarak ve ardından simüle edilmiş gözlemleri modele besleyerek, çevre modelini geleceğe doğru çoklu zaman adımlarında ortaya çıkarır. Her sunumda üretilen eylemler, daha sonra hayal gücü çekirdek modülü tarafından kullanılan aracı politikasının tanımlanmasına yardımcı olur.
I2A mimarisinin temel unsurlarından biri, hayal gücü çekirdeği tarafından üretilen bilgileri “yorumlamaktan”, temsilcinin kararı için yararlı olan herhangi bir bilgiyi çıkarmaktan ve hatta gerektiğinde görmezden gelmekten sorumlu olan kullanıma sunulmuş kodlayıcılardır.
Sokoban oynamak
I2A modelini çalışırken görmek için DeepMind ekibi ünlü Sokoban oyununu oynamaya çalışan bir uygulama yarattı. Sokoban, temsilcinin belirli hedef konumlara bir dizi kutu itmesi gereken klasik bir planlama problemidir. Kutular yalnızca itilebildiği için (çekmenin aksine), birçok hareket geri alınamaz ve hatalar bulmacayı çözülemez hale getirebilir. Bir insan oyuncu bu nedenle vaktinden önce hareketleri planlamaya zorlanır. Hayal gücü artırılmış modeller, aşağıdaki videoda gösterildiği gibi Sokoban gibi kusurlu ortamlardan öğrenme konusunda etkileyici yetenekler gösterdi:
DeepMind ekibi, I2A modelini daha geleneksel derin RL teknikleriyle karşılaştırdı ve sonuçlar dikkate değerdi. I2A, diğer stratejilerden çok daha üstün olan %85’lik şok edici bir performans elde etti.
Sokoban deneylerinden elde edilen en etkileyici sonuçlardan biri, hayal gücü artırılmış ssitemlerin potansiyel olarak mükemmel olmayan çevre modellerindeki yörüngeleri hayal etme ve yanlış bilgileri görmezden gelme becerisiydi. Yapay zeka aracılarının kusurlu bilgiler ve sınırlı verilerle çalışmasını gerektiren artan sayıdaki senaryolar göz önüne alındığında bu özellikle önemlidir.
Hayal gücü, yeni nesil yapay zeka aracılarına kapı açabilecek temel yeteneklerden biridir. I2A gibi teknikler hala gelişmekte olan durumdadır, ancak aracıların sadece şimdiyi öğrenemeyeceği, geleceği de “hayal edebildiği” pekiştirmeli öğrenme mimarilerinin temel yapı taşı haline gelebilir.
