Yapay zeka doktorları görecek miyiz? Doç. Dr. Şeyda Ertekin yanıtladı
videosundan fısıltılanmıştır. Videoya ulaşmak için Linki kullanabilirsiniz https://www.youtube.com/watch?v=dcsnrtvmsiY.
Şeyh Ede Hoca’m, bir şey merak ediyorum şimdi. Yapay zekâ deyince, insan böyle çok acayip umutlardır, besliyor. Bu umutları beslemesine hak çıkartacak birtakım uygulamalar da yok değil. AlfaFold diye bir şey var mesela, o protein yapılarını buluyor değil mi bildiğim kadarıyla? Şimdi bu AlfaFold meselesi. Bu daha gelişebilir mi? Şöyle sorayım. AlfaFold nedir, onu bir anlatırsanız sevinirim. Ama esas soracağım şu, AlfaFold’dan yola çıkarak.
Yapay zekâ ile öğrenen birisi, sizin de şu anda içinde bulunduğunuz fotoğraftaki, mesela bakalım orada en meşhur Einstein diyelim veya Marie Curie diyelim, fark etmez. Onlar gibi etindiği bilgilere dayanarak bir teorem, bir teori üretebilir mi? Yani bir yapay zekâ’nın yarın öbür gün bütün verileri toplayarak ve bu topladığı verilere biraz da kendi hayal gücünde katarak bir teori etmesi mümkün olabilecek mi? Bunun için ne eksik?
Teoride evet. Ne zaman olacak derseniz… Şehzade Hoca sormuştu. Pardon, çok özür dilerim. Ama siz de tabii ki söyleyebilirsiniz. Hiç sırayı yok. Sizden adın sorun Şehzade Hoca’dan anasın. Ben çok kısaca, teorik olarak bunun önünde bir engel yok ama ne zaman olacağını sorarsanız, o şu an için henüz… Peki hocam. Şehzade Hoca’m şimdi size sorduğumu da tekrarlayayım o zaman. Şehzade çok soruncu. AlfaFold nedir, onu da biraz anlatırsanız bize.
Evet. AlfaFold hakkında kısaca bir bilgi vereyim. Bioinformatik uygulamasıydı. Yapay zekanı bir bioinformatik uygulamasıydı. Bu neden önemliydi? Çünkü proteinlerin yapısı bizim için önemli. Aşı uygulamalarında olsun, ilaç uygulamalarında, ilaç tasarımlarında olsun proteinlerin yapısı önemli. Proteinlerin fonksiyonlarını, şekilleri belirliyor. Proteinlerin şekillerini de aminosit sırası belirliyor.
Aminosit sıralarının katlanması da onların şekillerini belirliyor. Dolayısıyla bu nedenle proteinlerin katlanmasına göre şekillerini anlamak çok önemli bir problem. Çünkü hangi molekül hangi molekül hangi protein hangi proteinle bağ kurabilecek, bunu anlayabilmek ve bunu tahmin edebilmek için bunu yapmamız gerekiyor. Ve şöyle de bir şey var.
Belki bu normal wet lab denilen yani biyolojik lablarda yapılan testlerde deneylerde zaten sonuca ulaşacaklar belki ama denenmesi mümkün olan milyonlarca yapı var mesela. Hangi molekül hangi molekülle bağ kuracak ki ben bu ilacı yapayım, bu ilaçla hangi molekülü kullanayım tarzında bir soru geldiğinde. Bunu direkt biyolojik labda hemen sonucunu bulabilirler belki net sonucu orada görüyorlar zaten. Fakat denenecek milyonlarca olasılık varsa bunu dizayn etmek yıllarca belki ömür belki ömür gitmeyecek bunu bulmakta. Yapay zeka bunu hızlandırıyor. Olası yani bağ kurması olası yapılarına göre proteinleri moleküllerin yapısına göre mesela bağ kurması olası molekülleri buluyor. O pairleri o çiftleri buluyor mesela.
Ve biyolojik labda da bunları deneyin diyor onlara öncelik verdiriyor diğer biyolog, bilim adamlarına. Dolayısıyla bir hızlandırıcı etkisi var yani yapay zekanın. İlaç tasarımında da özellikle. Diğer sorunuza da gelirsen aslında bir çok bahsetmek istediğim şey var. Bununla ilgili bir şey daha söyleyeyim mi?
Bir gün bu yapay zeka uygulamaları burada daha da yetkinleştiği zaman mesela bir aşı beklemek için bir aşı için 6 ay bir yıl bazen 3 yıl beklemek yerine veya bazen 15-20 birkaç gün içerisinde yapay zeka bu olasılık hesapları çok hızlayabildiği için mesela yarın yeni bir salgında bir hafta sonra yapay zekatı örtülmüş bir aşımız olabilir mi? Evet bu çok mümkün. Çünkü yapay zeka bunu hızlandıran bir şey yani Carnegie Mellon Üniversitesi’nde mesela ben böyle bir çalışma biliyorum. Bir milyon taneden sadece mesela denenecek bin tane örneğe indiriyorlar. En çok olası valkurum olası özelliği moleküler bunlardır bunları deneyin diye bir milyonu mu denemek ne kadar zaman alır bin taneyi denemek ne kadar zaman alır. Bu sistemler hızlandıkça ve daha iyi ve daha doğru sonuçlar verdikçe tabi ki bu mümkün bir şey. Peki insanlarda yapılan faz 1, faz 2, faz 3 çalışmalarını bilgisayarlar yapabilir mi? İnsan deneyine gerek kalmadan. Ben öyle bir aşıyı olmam. İnsan dedi bir denezdim. Yani onu evet şimdi insan mekanizması da sonuçta insan biyolojisi de çok fiziyolojisi çok karmaşık bir şey olduğu için o karmaşıklıkta başka bir makina sistemi yaratmak gerekir ki öyle bir simülasyon yaratmak gerekir ki.
Onun da şimdi mümkün ol şu an için öyle bir şey yok şu an. İleride o tarz o karmaşıklıkta bir simülasyon yaratabilirsek evet olabilir tabi ki ama şu an onu uzağız diyebilirim şu an ki bilgilerime göre. Onu uzak olduğumuzu söyleyebilirim. Söz bana daha az geliyor biraz daha aslında bahsettiğim şeyler var ama.
O şeyi de sorunuza da önce cevap vereyim onu da unutmadan hani böyle bir şey olabilir mi işte teoremler… Hocam beni ciddi yapmayın. Ney söz olalım hatun lütfen. Vallahi ciddiyim. Bunun karşısında filozofik olarak ve teorik olarak Deniz Hocamın da dediği gibi bir engel yok olabilir.
Fakat bunu hep şey olarak düşünün yani böyle bir coğrafya var işte deniz var deniz diyelim ki yapay zeka olsun ve denizin ulaştığı yerler var denizin de yükseleceğini düşünün zamanla. Ve o coğrafya kara coğrafyasında da işte denize daha yakın yerler var daha alçak yerler var ve daha yukarıda olan yerler var. Dağlar var Everest var tepesi var tamam mı?
Bu yapay zeka ilerledikçe bu deniz ilerledikçe veya yükseldikçe bazı şeyler çok kolay bazı yerleri hemen kapsıyor. Bir çok şey alan kapsandı bile zaten bir çok şey yapay zeka yapabiliyoruz. Ama bazı şeyleri yapmak daha zor olacak daha zor olacak. Bunun ne kadar süre alacağını henüz bilmiyoruz yani sonuçta hiç olmaz diyemeyiz bir çok şey olabilir. Sinema çevirecek belki kendisi sinema çevirecek kendisi kitap yazacak zaten bunların hemen hemen olmuş gibi ama
bu dediğiniz gibi bu teorem üretme kendi teoremlerini üretme kendi bilimsel teoremlerini üretme gibi şeyler bunlar mesela en zor benim en zorda gördüğüm problemler. Henüz orada değiliz ama ileride neden olmasın çünkü şey çok hızlı ilerliyor yani teknolojisi çok hızlı ilerliyor. Özellikle bu işte bahsettiğiniz mesela o GPT’den bahsettik işte Google’ın lambdası mesela birkaç ay önce lambdayla ilgili haberler çıkmıştı.
Google’da çalışan lambda projesinde çalışan bir mühendis işte duygu ve bilinç kazandığını söyledi. Oradan. Evet la mouine Blake la mouine galiba evet ismi. Mesela duygu kazandığını söyledi işte olaylar çıktı bir sürü işte işten atıldı şey yapıldı falan söylendi ama işten atılmadı da.
Sonuçta veya işte biraz önce bahsettiğimiz imageken olsun Dali olsun mesela onlarda metini resme çevirme şimdi bizim aslında slide hazırlamaya vaktim olsaydı koyabilirdim ama inşallah bir dahaki programa çok güzel slidelerle gireceğim çünkü çok kısa bir zamanım vardı.
Bizim aslında yapay zeka problemi şu bir tane bizim verimiz var veriyi biz öz niteliklerle tanımlıyoruz. Ya bir resmi bir fotoğrafı nasıl tanımlayabiliriz yani ben onu makineye nasıl tanımlatabilirim. Pixellerle tanıtabilirim. Pixeller nedir işte o noktalar yan yana duran noktalar diye düşünün çözünürlüğü kadarıyla veya alt altta üst üste duran pixeller o pixeller benim aslında girdilerim yapay zeka sistemine ben o pixelleri veriyorum aslında.
Yapay zekanın beyni neresi yapay zekanın beyinde ben bu pikselleri bu bana verilen öz nitelikleri ne ile çarpayım hangi katsayılarla çarpayım işte bunlara da ağırlık diyoruz weight vektörü hangi ağırlıklarla çarpayım da ben etiketi bulayım. Etikette ne işte bu kedi resmimi kuş resmimi köpek resmimi etiket.
Tüm olay burada bitiyor aslında bizim üç tane bilinmeyenimiz var yani girdi resim diyelim onun ağırlıkları ve de etikete. Biz bunun neresiyle uğraşıyoruz ona bakıyoruz eğer ki ben network’imi öğrenmişim yapay zeka algoritmasını eğitmişiz zaten ağırlıkları biliyorum bana birisi vermiş bunu ben bunu eğittim diye vermiş. Tüm ağırlıkları biliyorum orta kısmı biliyorum girdi de biliyorsam kuş resmi bir resim gelmiş bana zaten network’i biliyorsam onun kuş olduğu etiketi de çıkarıyorum. Bu mesela bunu biz algılama diyoruz bu perception olayı algıladık en son etiketi bulduk.
Diğerini öğrenme diyoruz öğrenme ne öğrenmede de kuş resmleri biliyoruz kuş resmi var kedi resmi var resimler var bir de bu tarafı biliyoruz etiket tarafını bu kuşmuş ha bu resim kediymiş onu biliyoruz. Ortadaki ağırlık vektörünü bulmaya çalışıyoruz bu işte mesela öğrenme öğrenme dediğimiz şey başka ne olabilir bir de ortaya yine biliyor olabilirim biri bana eğitir network’i verir ağırlıklar budur der verir.
Etiketi de biliyorum dur etiket ne kuş kedi işte metini veriyor bana bu kuş kedi diye onu bana kuşu veya kediyi çizmemi istiyor yani girdiği bana onu resim olarak vermemi istiyor. Mesela bu imageken de ve de bu işte şeyde del i’de falan yapılanlar aslında bunlar.
Problemler bu üç problem üzerinde biz aslında dolaşıyoruz yapay zekacılar olarak burada yapılan da etiketi verdi network belli ha network’i de nasıl eğitiyoruz yine bir sürü yeni yapay zeka algoritmaları var. Mesela ganlar var çekişmeli üretken ağlar dediğimiz iki yapay sinir ağını birbiriyle şey yapıyorsunuz savaştırıyorsunuz bir tanesi bir yapay sinir ağı örneğin hiç gerçek datayı görmeden gerçek dataya benzer data üretmeye çalışıyor. E buna nasıl başlayacak daha hiç gerçek datayı görmedi rastgele datalardan başlıyor şöyle bir şey oluşturayım diyor diğer mesela o diskriminator denilmiş diğer yapay zeka ağı bunun gerçek data mı gerçek data ya ne kadar yakın onun feedback’ine veriyor. Bu feedback’e göre bu üretken yapay sinir ağı ben hiç gerçek datayı bilmiyorum ne ürettim bilmiyorum ama bana böyle bir feedback geldi yakınlığım bu yönde ben şu tarafa doğru gideyim bir de şöyle bir şey üreteyim diye onu üretiyor onu veriyor.
Bir de yine feedback veriyor mesela bu tarz yeni bir algoritma yani son birkaç senenin algoritması bu bununla zaten o deepfake dediğimiz deepfake’i biliyorsunuz hani bir sürü ünlü hani politikacının şeyini falan videoları yapıldı şeyleri yapıldı hep bu teknolojiler üzerine aslında.
Bu tarz yeni algoritmalar var böyle böyle generator dediğimiz yapay sinir ağı daha şey yakın gerçek data yakın veri üretmesini öğreniyor. Öteki tarafta daha iyi ayırt etmesini öğreniyor hem ikisi öğreniyor hem ikisi daha iyi oluyor bu şekilde ilerleyen algoritmalar. Biraz önce bahsettiğimiz o dual dil işleme sistemlerinde de mesela dönüştürücü denen mesela transformers denen bu transformers bu yeni bir kavram bu eski elektrik mühendis yani transformator trofolar değil. Yok benim aklıma çok film geldi. Ben daha çok aklıma film geldi eski trafolar değil de yeni film geldi.
Ha film evet doğru film de olabilir de evet algıda seçecek bu yeni bir kavram bu mesela bir transformatorlar yeni yapay sinir ağı modelleri bu tüm gpt3’ler işte lambdalar bahsettiğiniz gopherlar pamlar hep bunun sayesinde oldu aslında.
Yine yani yine şey olayın bazı yapay sinir ağları fakat bunları çok değişik şekillerde kullanma yöntemleri var. Bu oradaki ilişkili anlayarak mesela hep öne giderek bir kelime cümlenin neresinde geçtiği önemli. Hangi kelimelerle beraber geçtiği önemli. Bunları anlayarak zaten şeyi anlayabiliyoruz.
Esas bizim o semantik dediğimiz anlamı biz hep oralardan çıkarabiliyoruz. Yani bu işte asla ezberle olmuyor. Yani biz makineye de asla ezberletmiyoruz. Yapay zeka bir ezberletme metodu değil yani biz bunu hep vurguluyoruz. Zaten yapay zeka yok orada. Genelleme algoritmaları bizim hep datadan öğren ve genelleme. Genelleme ne demek hiç görmediğin veride sen nasıl davranacaksın.
Hiç görmediğin veride ne kadar doğru tahminleme yapabileceksin. Bu insanların içine geçer tabii bu. Biz yapay zekada bunu yapmaya çalışıyoruz. Kesinlikle. Evet. Yani ezberleyen her zaman kaybediyor yapay zekada da.
Peki hocam teşekkür ederim. Tekrar konuşacağız.