Nobel Ödüllü Çalışmalara Yatırım – Yapay Zekânın Temellerinden Yapay Sinir Ağları

Nobel Ödülü Tarihi

Nobel Ödülleri, bilim ve diğer alanlardaki en saygın ödüller arasındadır. Ödüller, Alfred Nobel’in vasiyetine dayanır veinsanlığa en büyük yararı sağlayan çalışmalarıfizik, kimya, fizyoloji veya tıp, edebiyat ve barış alanlarında onurlandırmayı amaçlar.

İsveç Merkez Bankası daha sonra Alfred Nobel anısına ekonomi bilimleri ödülünü oluşturdu. Genellikle Nobel Ekonomi Ödülü denir, ancak Nobel’in özgün vasiyetindeki beş ödülden biri değildir.

Ödülleri farklı kurumlar belirler. Bilim ve edebiyat ödülleri İsveç’teki kurumlarca, Barış Ödülü ise Norveç Nobel Komitesi tarafından verilir.

Miras Endişeleri

Alfred Nobel kimyager, mühendis ve mucitti; dinamit ve dumansız barut dahil çeşitli buluşlar geliştirdi. Dinamit ile dumansız barut aynı madde değildir. Sanayi yatırımları arasında silah üretimi de vardı.

Kardeşinin ölümünden sonra yanlışlıkla kendi ölüm ilanını okuduğu ve bunun ödülleri kurma kararını doğurduğu sık anlatılır. Ancak bu anekdotu kararın kesin ve belgelenmiş nedeni olarak sunmak doğru değildir. 1895 tarihli vasiyeti, servetinin büyük bölümünün insanlığa yararlı çalışmaları ödüllendirmesini öngörüyordu.

Nobel Ödülü

Nobel Vakfı, miras bırakılan varlıkları ödüllerin ve çalışmalarının finansmanı için yönetir. Kazananlara madalya, diploma ve para ödülü verilir. 2024’te her tam ödül 11 milyon İsveç kronuydu; dolar karşılığı kura göre değişir.

Kaynak: Britannica

Bir ödül, özellikle bilim dallarında, bir keşfe katkıda bulunan iki veya üç kişi arasında paylaşılabilir.

Bilgisayar Biliminde Nobel Ödülü?

Fizik Nobel’i evrenin temel özellikleriyle ilgili keşiflere verilebilir. Örneğin kara delikler  2020’de, ötegezegenler  ise 2019’daki ödülün bir bölümünde yer aldı. Başka alanlardaki örnekler arasında kuantum noktaları  bulunur; bunlar 2023’te Fizik değil Kimya Nobel’i aldı. Fizik ödüllerinde lazerler  2018’de ve mavi LED’ler  2014’te öne çıktı.

Buna karşılık 2024 Fizik Nobel’i kazananları  veri işleme ve yapay sinir ağlarıyla ilişkili çalışmalarıyla dikkat çekti. Ödül, bu ağlarla makine öğrenmesini mümkün kılan temel katkılarından dolayı Geoffrey Hinton ve John Hopfield’a verildi.

Kaynak: Nobel Prize

Sinir ağları, büyük dil modellerinden bilgisayarlı görüye ve bilimsel araştırmalara kadar birçok güncel yapay zekâ uygulamasının temelidir. Bu nedenle ödül, fizik kavramları ile bilgi işleme arasındaki ilişkiyi de vurguladı.

Yapay Sinir Ağları Nedir?

Çipler ve Nöronlar

Bilgisayarların gelişimi, insan benzeri zihinsel yeteneklere ulaşabilecekleri beklentisini doğurdu. Hesaplamadaki büyük başarılar, genel akıl yürütme yeteneğinin de otomatik olarak çözüldüğü anlamına gelmez.

Silisyum devreler dijital işlemler yaparken biyolojik nöronlar elektriksel ve kimyasal süreçlerle çalışır. Nöronların davranışı zamanlama, bağlantı yapısı ve birçok başka etkene bağlıdır; yapay modeller bunun basitleştirilmiş temsilleridir.

Geleneksel yazılım açıkça yazılmış kuralları izler. Makine öğrenmesinde ise yine bilgisayarda çalışan algoritmalar, veriden model parametrelerini ayarlar. Dolayısıyla bilgisayarların hiçbir şey öğrenemeyeceği söylenemez.

Sinir ağları, nesne tanıma gibi bütün kuralları tek tek yazmanın zor olduğu görevlerde yararlıdır. Web sitelerindeki insan doğrulama testleri bu geçmiş güçlüğü yansıtır, fakat günümüzde görüntü tanıma bilgisayarların güçlü olduğu alanlardan biridir.

Kaynak: Google

Nöronlar Nasıl Çalışır

Biyolojik sinir sistemlerinde öğrenme, bağlantıların gücünü ve işleyişini değiştiren çeşitli süreçlerle ilişkilidir. Bunlar tek bir önceden yazılmış komut dizisine indirgenemez.

Birlikte etkinleşen nöronlar arasındaki bağlantıların güçlenmesi, yapay ağlara ilham veren fikirlerden biridir. Bilgisayarda birbirine bağlı düğümlerle bunun basitleştirilmiş modelleri oluşturulur.

Eğitim sırasında bağlantı ağırlıkları ayarlanır. Bu işlem, günümüzde birçok yapay zekâ modelinin geliştirilmesinde önemlidir.

Kaynak: Nobel Prize

Fikir umut vericiydi, ancak özellikle 1960’lar ve 1970’lerin bilgisayarlarında hesaplama gücü önemli bir sınırlamaydı.

İnsan Hafızası Nasıl Çalışır

Bir şeyi tanırken çoğu zaman eksik bilgiyi daha önce öğrendiklerimizle ilişkilendiririz. Bir görüntünün bütün piksellerini kusursuz biçimde hesaplamak yerine tanıdık örüntüleri seçebiliriz.

John Hopfield, 1982’de örüntüleri saklamak ve yeniden oluşturmak için Hopfield ağını geliştirdi.

Fizikle Başlamak

Hopfield, fiziksel sistemlerde çok sayıda bileşenin ortak davranışından esinlendi. Manyetik maddelerde atomların spinleri ve aralarındaki etkileşimler, bütünün özelliklerini belirler.

Bu etkileşimler düzenli veya daha karmaşık spin örüntüleri oluşturabilir; bütün spinlerin her durumda aynı yönde olması gerekmez. Ağdaki düğümlerin birbirini etkilemesi benzer matematiksel araçlarla açıklanır.

Basit bir modelde siyah-beyaz görüntü, her biri iki durumdan birini alan düğümlerin oluşturduğu bir ızgara olarak temsil edilebilir.

Bağlantı ağırlıkları öğrenilmiş örüntüleri enerji fonksiyonunun düşük noktaları haline getirir. Eksik veya bozulmuş bir girdi, ağın güncellenmesiyle yakın bir saklı örüntüye yaklaşabilir. Sonuç her bozulma için garantili değildir.

Böylece Hopfield, çağrışımsal bellek ve örüntü tamamlama için çalışan bir model sundu. Bu, bilgisayarların hataları düzeltmesinin imkânsız olduğu anlamına gelmez; model de programlanmış kurallarla çalışır.

Kaynak: Nobel Prize

Sonraki modellerde düğümler yalnızca iki durumla sınırlı kalmadı. Sürekli değerler veya renkleri temsil eden sayılar da kullanılabilir.

Görüntüler dışında çok sayıda veri noktasından oluşan başka bilgiler de çağrışımsal bellek yaklaşımıyla temsil edilebilir.

Çağrışımlarla Örüntü Tanıma

Çocuklar ve hayvanlar, sınırlı deneyimle birçok görsel örüntüyü tanıyabilir. Bu yetenek yapay öğrenme araştırmalarına ilham verir.

Bununla birlikte biyolojik öğrenmeyle güncel bilgisayarların başarılarını tek bir sıralamayla karşılaştırmak doğru değildir. Veri gereksinimi ve başarı göreve göre değişir.

İkili ve Sürekli Değerler

Genişletilmiş modellerde düğümler farklı türlerde verileri temsil edebilir; buna zaman içinde değişen sürekli büyüklükler de dahildir.

Bu yaklaşım karmaşık ilişkileri modellemeye yardımcı olabilir. Ancak daha az enerji veya hesaplama gerektirmesi her sinir ağı için geçerli değildir; model ve donanım belirleyicidir.

Daha fazla düğüm modelin kapasitesini artırabilir, fakat eğitim maliyeti ve aşırı öğrenme riski de büyüyebilir.

Boltzmann Makinesi

Geoffrey Hinton, Terrence Sejnowski ve çalışma arkadaşları, Hopfield modelindeki fikirlerden yararlanarak farklı bir öğrenme yaklaşımı geliştirdi.

İstatistiksel fizik, çok sayıda bileşenden oluşan sistemleri olasılık dağılımlarıyla açıklar. Her parçacığın bütün hareketini tek tek izlemek yerine toplu davranışı modellemek yararlı olabilir.

Boltzmann makinesi görünür ve gizli birimler kullanır. Olasılıksal güncellemeler ve öğrenilen bağlantılar, verinin dağılımını temsil etmeye yardımcı olur. Gizli birimler yalnızca sıradan bir ara hesaplama katmanı değildir.

Kaynak: Nobel Prize

Bu modele, istatistiksel mekaniğin öncüsü Ludwig Boltzmann adlı 19. yüzyılda yaşamış fizikçinin onuruna Boltzmann makinesi adı verildi.

Kaynak: Wikipedia

Kısıtlı Boltzmann Makinesi

Özgün Boltzmann makinelerini eğitmek hesaplama açısından pahalıydı. Kısıtlı sürümde görünür birimler kendi aralarında, gizli birimler de kendi aralarında bağlı değildir.

Kaynak: Nobel Prize

Bu kısıtlama öğrenmeyi daha uygulanabilir hale getirirken önemli örüntülerin temsil edilmesini sağladı.

Bir başka gelişme, üst üste yerleştirilen kısıtlı Boltzmann makineleriyle katmanları önceden eğitmekti.

Bu yöntem, özellikle derin öğrenmenin erken döneminde sonraki eğitime daha iyi bir başlangıç sağlayabildi.

Modern Sinir Ağları Üzerindeki Etki

Hopfield ve Hinton, çok sayıda araştırmacının katkıda bulunduğu sinir ağı alanına temel fikirler, matematiksel yöntemler ve öğrenme araçları kazandırdı.

2010’larda daha fazla veri, güçlü işlemciler ve algoritmik ilerlemeler, sinir ağlarının geniş ölçekte benimsenmesini hızlandırdı.

“Derin” ağ, birden fazla işlem katmanı içeren ağdır; bütün derin ağlar Boltzmann makinesi değildir. Hopfield’ın 30 düğümlü örneğinde, her farklı düğüm çifti bir kez sayıldığında 435 bağlantı vardır.

Günümüzün büyük dil modelleri çok daha büyüktür. Bazı modeller trilyonlarca parametre ölçeğine ulaşsa da bu bütün dil modelleri için geçerli değildir ve her ürünün parametre sayısı açıklanmaz.

Uygulamalar

Temel Fizik

Sinir ağları başka bilimsel keşifleri de destekler. Örneğin parçacık fiziğindeki büyük veri kümelerinin sınıflandırılmasında kullanılırlar. Higgs bozonuna ilişkin çalışmalarda bu tür veri analizi yöntemleri önemlidir (Peter Higgs ve François Englert, 2013 Fizik Nobel’ini aldı). Makine öğrenmesi ayrıca kütleçekim dalgalarının analizi ve ötegezegen araştırmalarında kullanılır.

Uygulamalı Fizik

Gerçek malzemeleri ve olayları her parçacığın hareketinden başlayarak modellemek hesaplama açısından zor olabilir.

Sinir ağları verilerdeki ilişkileri öğrenerek tahmin ve aday seçimine yardımcı olur. Her zaman doğru yanıt vermezler; bilimsel doğrulama önemini korur.

Araştırma kurumları bu yöntemleri örneğin protein yapılarının ve bazı özelliklerinin tahmininde veya daha verimli güneş hücreleri ve bataryalar için yeni malzemelerin araştırılmasında kullanıyor.

Büyük Dil Modelleri

Sinir ağlarının en görünür uygulamalarından biri, ChatGPT’nin 2022’de yayımlanmasıyla geniş ilgi gören büyük dil modelleridir.

İnsanla konuşuyormuş izlenimi veren dil üretimi, uzun süredir yapay zekâ tartışmalarında önemli bir ölçüttür. Bunun tarihsel örneklerinden biriTuring testidir.

Dil modellerinin zekâsı ve anlayışı tartışmalıdır. Akıcı metin üretmek tek başına insan benzeri anlama veya genel zekâyı kanıtlamaz; bu durum modellerin yararlı olamayacağı anlamına da gelmez.

Modeller özellikle metin ağırlıklı işlerde zaman kazandırabilir. Sonuçların doğruluğu göreve göre değerlendirilmelidir. Örnekler:

• Chatbot’lar ve müşteri hizmetleri.
• Kod geliştirme ve doğrulama.
• Çeviri ve yerelleştirme.
• Pazar araştırması.
• Arama ve soru yanıtlama.
• Büyük belgeler ve veri setlerinin analizi.
• Eğitim

Görüntü üretimi de yararlı tasarım ve iletişim olanakları sunar. Aynı teknoloji dezenformasyon, sahte görüntüler ve şantaj için kötüye kullanılabilir.

Makine ve Bilgisayar Görüşü

Görüntü tanıma, sinir ağlarının başlıca uygulamalarından biri olmaya devam ediyor.

“Makine görüşü” çoğu zaman kontrollü endüstriyel incelemeleri, “bilgisayarlı görü” ise daha geniş görsel anlama görevlerini ifade eder. Terimler bazı bağlamlarda örtüşür.

Kaynak: Solomon

Otonom Sürüş

Otonom araçlar, çevreyi algılamak ve güvenli hareket etmek için görsel örüntü tanımadan yararlanır.

Birçok sistem kamera, radar ve lidar gibi sensörleri birleştirir. Tesla (TSLA ) ise kamera ağırlıklı yaklaşımını öne çıkarır. Bu yaklaşım, sistemin insan gibi gördüğünü veya bütün koşullarda tam otonom olduğunu göstermez.

Eğitim verileri, etiketleme, donanım, yazılım ve güvenlik doğrulaması birlikte önem taşır. Her yolda ve koşulda çalışan Seviye 5 otomasyonun yalnızca daha fazla veriyle kesin olarak sağlanacağı söylenemez.

Tıp

Tıpta bazı değerlendirmeler röntgen, MR ve bilgisayarlı tomografi gibi görüntülerin uzmanlarca yorumlanmasına dayanır.

Bu beceri yıllarca eğitim gerektirir. Yapay zekâ, uzmanların yerine her durumda geçmekten çok, belirli görüntüleme görevlerinde ölçüm, sınıflandırma ve önceliklendirmeye yardımcı olabilir; performansı klinik kullanım için ayrıca doğrulanmalıdır.

Araştırmacılar ayrıca DEHB gibi durumlarla ilişkili beyin görüntüleme örüntülerini inceliyor. Bu çalışmalar, rutin taramalarla kesin DEHB tanısının konabildiği anlamına gelmez.

Bilgisayarlı görü cerrahlara da yardımcı olabilir. Fransız Pixee Medical, ortopedik cerrahide akıllı gözlük veya taşınabilir cihazlarla üç boyutlu izleme çözümleri geliştirir.

Görüntü işleme, ameliyatın kaydı ve kullanılan aletlerin takibi gibi işlemlere de destek verebilir. Tarihsel bir çalışma, ABD’de hastanın içinde cerrahi malzeme unutulmasına ilişkin yılda yaklaşık 1.500 olayı  aktarıyordu. Bu eski tahmin güncel kesin sayı değildir; otomatik takip de bütün olayları kesin olarak önleyeceği kanıtlanmış bir çözüm değildir.

Biyolojik Araştırmalar

Sinir ağları ilaç keşfi ve protein katlanmasının tahmini gibi biyoloji ve tıp araştırmalarında güçlü araçlardır.

Yeni tedavilerin araştırılmasına etkilerini “Yapay Zekâ ve Dijital Biyoteknoloji Alanında 5 Şirket” yazımızda ele aldık. Elle yapılan hücre sayımı gibi işlemlerde standardizasyon ve veri kalitesine de katkı sağlayabilirler.

Örneğin SigTuple’ın Shonit sistemi  kan hücresi görüntülerinin incelenmesi ve sınıflandırılmasına yardımcı olur. Performans, kullanım kapsamı ve uzman denetimiyle birlikte değerlendirilmelidir.

Kaynak: Sigtuple

Endüstri ve Üretim

Kalite kontrol, parça incelemesi ve otomatik montajda bilgisayarlı görü, üretim hatlarının değişikliklere uyumunu artırabilir.

Uygun uygulamalarda iş yükünü ve maliyeti azaltabilir, kaliteyi ve hızı iyileştirebilir.

Robotik

Robotlar fabrikalardan daha karmaşık gündelik ortamlara çıktıkça algılama ve örüntü tanıma yeteneklerine daha fazla ihtiyaç duyar.

Robot köpekler, teslimat robotları ve insansı yardımcılar gibi sistemlerde, sinir ağı tabanlı yapay zekâ günlük görevleri desteklemek için kullanılıyor.

Tarım

Tarım robotları yabancı otları ve olgun meyveleri tanımak için bilgisayarlı görü kullanıyor ; bu da bazı yorucu işleri ve geniş alanlara uygulanan mekanik veya kimyasal müdahaleleri azaltabilir.

Teknoloji, toprak sağlığı, yeni tarım uygulamaları, ağaçlandırma ve istilacı türlerin yönetimi gibi alanlarda da araştırılıyor.

Askeri

Askeri kullanım ciddi etik sorular doğurur. Silahlı kuvvetler yine de yeni teknolojilerin keşif, analiz ve karar desteği açısından sağlayabileceği avantajları araştırıyor.

Bu rekabet, uluslararası denetim ve güvenlik tartışmalarını daha önemli hale getiriyor.

Yapay zekâ Ukrayna ve Gazze gibi çatışmalarda veri analizi ve hedef belirleme süreçleriyle ilişkilendiriliyor. İlgili sektörü “İHA ve İHA Savaşıyla İlgili 10 Hisse” yazımızda inceledik.

Endişe yaratan örneklerden biri, Rus Lancet saldırı İHA’sının son yaklaşmada hedef tanıma için makine görüşü kullandığına ilişkin haberlerdir. Bu haberler, sistemin bütün kararları bağımsız verdiğinin kesin kanıtı olarak yorumlanmamalıdır.

Ölümcül kuvvet kullanımının otomatik sistemlere bırakılması; hata, sorumluluk ve insan denetimi açısından ciddi sorunlar yaratır.

Bu nedenle kullanılabilecek sistemlerin sınırları ve insan denetimi konusunda uluslararası kurallar önemlidir.

Sinir Ağı Riskleri

2024 Nobel’ini kazanan Geoffrey Hinton, yapay zekânın gelişiminin doğurabileceği riskler konusunda da kaygılarını dile getiriyor.

2018 Turing Ödülü ve 2024 Nobel’inin ardından bu uyarılar daha fazla dikkat çekti.

Hinton, yapay zekânın insan zekâsını aşma olasılığına ilişkin görüşünün değiştiğini,

böyle bir gelişme karşısında insanların güvenliğini nasıl koruyacağımızın ciddi bir soru olduğunu vurguluyor.

Geoffrey Hinton

Bilimkurgu senaryoları kesin bir gelecek tahmini değildir. Ancak karmaşık ağların kararlarını açıklamak her zaman kolay olmadığından, test, etik ilkeler ve güvenlik önlemleri önem taşır.

Sinir Ağlarına Yatırım

Sinir ağları yapay zekânın önemli bir bölümünü oluşturur, ancak yapay zekânın tamamıyla eşanlamlı değildir.

Büyük modellerin eğitimi önemli veri, sermaye ve hesaplama kaynağı gerektirir. Daha küçük modeller ise daha sınırlı kaynaklarla geliştirilebilir.

Yapay zekâ şirketlerine birçok aracı kurum üzerinden yatırım yapılabilir. Burada, securities.io üzerinde ABD, Kanada, Avustralya ve Birleşik Krallık ile diğer birçok ülkedeki aracı kurum önerilerimizi bulabilirsiniz.

Tek tek şirket seçmek istemeyenler, örneğin ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ) veya WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WTAI ) gibi fonları inceleyebilir. Fonlar farklı endeks, ücret ve risklerle birden fazla şirkete erişim sağlar.

Sinir Ağı Şirketleri

1. Microsoft

Microsoft (MSFT ), Windows işletim sistemiyle teknoloji sektöründe uzun süredir önemli bir konuma sahiptir.

MSFT Fiyat Grafiği

Microsoft’un 2024’teki faaliyetleri arasında kurumsal yazılımdaMicrosoft 365, Teams, LinkedIn, o dönemdeki Skype ve GitHub, oyunlardaXbox  ve satın aldığı oyun stüdyoları, bulut hizmetlerindeAzure bulunuyordu.

Yapay zekâ çalışmaları arasında tüketicilere yönelik Bing görüntü oluşturma aracı  ile işletmelere yönelik Copilot for Microsoft 365  ve Microsoft Research bulunuyordu. Copilot ayrıca bireysel kullanıcılara ve daha küçük işletmelere de sunuldu.

Kaynak: Constellation Research

Microsoft, Apple (AAPL ) ve Meta gibi şirketlerle karşılaştırıldığında güçlü kurumsal müşteri ilişkileriyle tanınır. Bulut ve iş yazılımındaki varlığı, yapay zekâyı geniş ölçekte dağıtmasına yardımcı olabilir.

Şirketin ChatGPT geliştiricisi OpenAI ile yatırım ve ticari işbirliği de önemlidir. Bu ilişki OpenAI’ın tamamen Microsoft’a ait olduğu anlamına gelmez.

2. NVIDIA

NVIDIA, başlangıçta oyun ve üç boyutlu grafikler için kullanılan GPU’larla büyüdü. GPU’lar çok sayıda işlemi paralel yürütme konusunda güçlüdür ve genel amaçlı CPU’lardan farklı görevlerde avantaj sağlar.

GPU’lar geçmişte özellikle Ethereum gibi bazı kripto paraların madenciliğinde kullanıldı. Bitcoin madenciliği ise büyük ölçüde özel ASIC cihazlarına dayanır; Ethereum da 2022’de madencilikten hisse ispatına geçti.

GPU mimarisi, sinir ağı eğitimi ve çıkarımında da yararlıdır. NVIDIA’nın (NVDA ) donanımı ve yazılım ekosistemi bu alanda güçlü bir konum kazandı.

NVIDIA farklı kullanım alanları için çözümler geliştiriyor: otonom araçlar , konuşma işleme ve sohbet sistemleri, üretken yapay zekâ ve siber güvenlik.

Şirketin uygulamaları bunlarla sınırlı değildir. Sağlık alanında ilaç keşfi çözümleri, yapay zekâ destekli tıbbi cihazlar  ve tıbbi görüntüleme üzerine de çalışır.

Kaynak: NVidia

Uzun vadede rakipler ve müşterilerin geliştirdiği özel çipler NVIDIA’nın avantajını daraltabilir.

2024’te güçlü talep ve geniş yazılım ekosistemi, şirketi yeni yapay zekâ veri merkezlerinin başlıca tedarikçilerinden biri yaptı. Bunun süresiz devam edeceği garanti değildir.

Altına hücum benzetmesinde, çip ve altyapı sağlayıcıları kazma-kürek satıcılarına benzetilebilir. Ancak bu benzetme değerleme ve rekabet risklerini ortadan kaldırmaz.

NVIDIA’nın yapay zekâ çipleri bu altyapının önemli örneklerindendir.