admin

Mar 032017
 
1.541 views

Singularity – Tekillik Günleri Hızla Yaklaşıyor

Önce singularity kavramının anlamını netleştirelim.
Wikipedia, singularity (teknolojik tekillik) kavramını şu şekilde tanımlıyor: “gelecekte yapay zakanın ötesine geçerek, medeniyeti ve insan doğasını radikal bir biçimde değiştireceğine inanılan hipotezsel nokta. Böyle bir zeka, insanlığın tasavvur edebileceğinden daha üstün kabiliyetli olacağından, insanlığın geleceğini öngörülemez bir hale getireceği düşünülmektedir.”

Kurzweil, bu kavramı şu sözlerle daha da somutlaştırıyor: “İnsanlığın önünde iki seçenek var. Dünyaya geldiğimiz beden ve teknoloji sayesinde kavuştuğumuz beden. İnsan iskeletindeki kemiklerin malzemesi iyi değil. Çelik çok daha iyi. Çok etkin işleyen mekanik hücreler yakın gelecekte doğal hücrelerin yerini alacak. Bedene yerleştirilen yapay kol, bacak gibi organlar doğal uzuvlardan daha güçlü ve dayanıklı.”

Asıl kritik nokta, yapay zekanın yaptıklarının, insanoğlunun zekası tarafından anlaşılamayacak kadar gelişmesiyle ortaya çıkacak. Böyle bir durumda, yapay zeka tarafından yaratılacak olası olumsuz etkilere karşı -ne olup bittiğini anlayamayacağımız için- önlem alamaz duruma geleceğiz. Türümüze en yakın primatlardan şempanzeler için bile bizim konuşmalarımız, yazdıklarımız, teknolojik uygulamalarımız neyse, singularity aşamasına ulaşmış yapay zekanın iletişimi ve yaptıkları da bizler için benzer konumda olacaktır.

Konu, her ne kadar bir bilimkurgu teması gibi görünse de, yapay zekanın gelişme hızı artık bu düzeye ulaşmanın çok uzakta olmadığını gösteriyor.

Neanderthal insanın, homo sapiens tarafından ortadan kaldırılması gibi; yapay zeka ile donanmış robot veya insanımsı varlıklar karşısında “doğal” insanoğlu da büyük bir olasılıkla tarih sahnesinden silinecektir. Bu gelişmeler bir “hızlandırılmış evrim” mekanizmasına bağlı olabilir. Her ne kadar teknolojiyi kullanıyor olsak da, kolayca kontrol edemeyeceğimiz sayıdaki parametre yüzünden biyolojik yaşamımıza yaptığımız müdahalelerin pek çoğu bir mühendislik ürünü olmaktan çok “rasgele” deneme-yanılmalardan ibaret kalıyor. Günümüzün süper bilgisayarları bile hala yeterince hızlı değil. Kuantum bilgisayarlar bile ikili hesaplama sistemlerine kıyasla aşırı bir gelişme sağlayamayabilir. Şu anda öngöremediğimiz yeni teknolojiler devreye girmedikçe, teknolojimizin “tekillik” düzeyine ulaşacak yapay zekayı yaratmada yetersiz kalması mümkün.

Günümüz şartlarında asıl yapmamız gereken, teknolojik gelişmelerin doğal yaşantımıza her geçen gün daha fazla karıştığının bilincinde ve farkında olmak. Bu farkındalığı bilerek kendi lehine kullanabilenler kendilerine yepyeni bir dünya yaratırlarken, geride kalanlar kaynakları hızla tükenen ve doğal ortamları hızla kirlenen bir yaşamı paylaşmak zorunda kalacaklar.

Singularity - Tekillik Günleri Hızla Yaklaşıyor

Kaynak: content.time.com

content.time.com sitesinde yayınlanan yukarıdaki grafik 1900-2045 yılları arasındaki teknolojik gelişimi özetliyor. Geçmiş yıllara ilişkin gelişmeleri gündelik hayatımızda da yaşıyoruz. Geleceğe yönelik temel öngörülerin bazıları şöyle:

  • 2015: Bilgisayarlar fare beyin kapasitesini aştı: 10 Gigabyte (10^9)
  • 2023: Bilgisayarlar insan beyin kapasitesini aşıyor: 1 Petabyte (10^15)
  • 2045: Bilgisayarlar tüm insanların toplam beyin kapasitesini aşıyor: 100 Yottabyte (10^26)

Bu tarih, yani 2045, bazı görüşlere göre insanın “ölümsüzlüğün sırrına” eriştiği tarih olacak.

Ne dersiniz?

Ahmet Aksoy

Kaynaklar:

Mar 022017
 
1.279 views

Karar ağacı görselleştirilmesi örnek kodlar

Bu yazımda ele alacağım örnek kodların orijinali Josh Gordon’a aittir. Bu kodlar Python2 için düzenlenmiştir. Ben ise aynı kodların Python 3.5.2 altında çalışabilmesi için gereken düzeltmeleri yaptım. Özellikle pydot kütüphanesi yerine pydotplus kütüphanesinin yüklenmesi, kodların çalıştırılabilmesi açısından önemlidir.

Kullandığımız veritabanı, sklearn kütüphanesiyle birlikte gelmektedir ve sadece 150 kayda sahiptir. Dolayısıyla zayıf konfigürasyonlu makinelerde bile sonuçlar çok kısa sürede alınabilmektedir.

Kodları çalıştırdığım sistem ve gereken kütüphanelerin sürüm numaralarını herhangi bir olumsuzluk olasılığına karşı not ettim:
Ubuntu 16.04
Intel i5 4 çekirdek – 8GB bellek
Python 3.5.2
sklearn 0.18.1
numpy 1.12.0
pydotplus 2.0.2

VERİ TABLOSUNUN GENEL AÇIKLAMASI

Veritabanı İris çiçeği‘nin bilinen üç ayrı türüne ait çeşitli yaprak boyutlarını içermektedir.

Karar ağacı görselleştirilmesi

Iris sotosa Credits: en.wikipedia.org

Bu verisetinin ayrıntılarını https://en.wikipedia.org/wiki/Iris_flower_data_set adresinden inceleyebilirsiniz.

İngilizce bilmeyen okuyucularımız için kısa bir özet yapayım.
İris çiçeğinin setosa, versicolor ve virginica adları verilen 3 ayrı türü bulunmaktadır. Bu türlere ait farklı çiçeklerin çanak yaprak (sepal) ve taç yaprak (petal) ölçüleri en ve boy olarak saptanmıştır. Tablo yapısı şöyledir:

Sepal length Sepal width Petal length Petal width Species
Çanak yap. boy Çanak yap. en Taç yap. boy Taç yap. en Tür
5.1 3.5 1.4 0.2 I. setosa

Ölçüler, santimetre cinsinden verilmiştir. Tabloda 150 kayıt bulunmaktadır.

Aşağıdaki kodların karar ağacı grafik dosyalarını üretebilmesi için sisteminize graphviz uygulamasını yüklemiş olmanız gerekir. Kurulumu aşağıdaki gibi kolayca yapabilirsiniz.

KODLAR

Sorularınızı yorum alanından bana iletebilirsiniz.

Ahmet Aksoy

Links:

Şub 262017
 
1.505 views

Elon Musk doğru mu söylüyor?

Elon Musk doğru mu söylüyor?

The Sun yazarı Zoe Naumann’ın haberine göre teknoloji milyarderi Elon Musk, “Yapay Zeka yaşamı anlamsızlaştıracak” uyarısını yapıyormuş. Ne dersiniz?

Elon Musk doğru mu söylüyor?

Resim: nypost.com: Elon Musk

Şahsen bu görüşe katılmıyorum.

Bir zamanlar havadan ağır cisimler uçamaz diyen yetkililer; inekler sütten kesilecek diye otomobillerin yasaklanmasını isteyenler vardı.

Ne kadar korkutucu olursa olsun, insanoğlu teknolojiyi hep kendi konforu için kullanabilmeyi başarmıştır.

Bu kez durum değişir mi? Sanımıyorum. Çünkü insanoğlu bir yandan kendisini de değiştirmeye devam ediyor.

Musk’ın kaygılarında haklı olduğu yanlar var. Örneğin insanların çok büyük bir kesimi yakın gelecekte “işsiz” kalmaya aday. Çünkü onların yerini doldurmaya hazır ve maaş bile istemeyecek, uzun mesai saatlerine itiraz etmeyecek bir robot ordusu hızla geliyor.

Musk’ın ve diğer ultra-zenginlerin bu konudaki asıl endişesi, üretilen malları satın alması gereken “müşterilerin” kaybedilmesi riskiyle ilgilidir. Musk buna da bir çözüm öneriyor: küresel düzeydeki işsizlere “evrensel gelir” sağlanması. Böylece temel müşteri kitlesi kaybedilmemiş olacaktır.

Robotların insanları işsiz bırakmasının kerşılığı olarak Bill Gates de “üretici robotlar için çalıştıranlardan vergi alınmasını” öneriyor.

Yapay zekanın “yaşamı anlamsızlaştıracağı” öngörüsüne katılmamakla beraber, her iki öneriyi de destekliyorum. Böylece yaratılan zenginliklerin toplumsal olarak bölüşümü açısından küçük de olsa bir adım atılmış olur.

Elbette bu “evrensel gelir” düzeyinin bizim “asgari ücret” kadar komik düzeyde olmaması gerekiyor. Amaç müşteri kaybetmemek olacağı için bu konuda daha iyimser olduğumu da itiraf edeyim.

Ben gelecekten korkmuyorum. Siz de korkmayın!

Ahmet Aksoy

Kaynaklar:

Şub 252017
 
1.413 views

DeepCoder internetten topladığı kodlarla program yazıyor

DeepCoder internetten topladığı kodlarla program yazıyor

Microsoft ve Cambridge Üniversitesinin işbirliğiyle geliştirilen DeepCoder sistemi internetten ve diğer kaynaklardan derlediği kod parçalarını kullanarak kendisine verilen sorunu çözen yazılımlar üretebiliyor.

DeepCoder internetten topladığı kodlarla program yazıyor

Resim: winbuzzer.com

Aslında bir yapay zeka (AI) çalışması olan DeepCoder, kod parçalarının depolandığı veritabanını tarayarak yapacağı işe uygun bileşenleri buluyor ve uygun şekilde bir araya getiriyor.

Bu teknik, bir çok programcının çalışma biçimini de yansıtıyor. Yeni yazılan bir çok uygulamanın önemli bir kısmı daha önce geliştirilmiş olan çeşitli kütüphaneler ve yordamları kullanarak geliştiriliyor. Doğal olanı da bu. Aksi halde her çalışmada Amerikayı yeniden keşfeder gibi, daha önce binlerce kez yeniden yazılmış olan ve geliştirilerek sorunsuz hale getirilen hazır kodları kullanmak yerine, sıfırdan bir çaba içine girmek gerekirdi. Modern çağın modüler sistemleri, yazılım dünyasında da aynen geçerli.

DeepCoder ve benzer şekilde çalışan diğer sistemler, bir yazılımcının çalışmasını benzer şekilde yineliyor. Üstelik kullandığı yapay zeka teknikleri sayesinde sürekli yeni şeyler öğreniyor ve kendini geliştiriyor.

Buna rağmen, bu sistemi geliştiren programcılar, “geniş kapsamlı projelerin, küçük kod parçalarını birleştirerek elde edilemeyeceği” görüşünü savunuyorlar.

Yapay zeka ve robot bilimi alanında yaşanan gelişmeler, bir çok mesleği doğrudan etkilemeye başladı bile. Yazılımcılar da kendi rakiplerini geliştirmek için var güçleriyle çalışıyorlar.

Ahmet Aksoy

Kaynaklar:

Şub 202017
 
1.481 views

TensorFlow örneği ve küçük bir düzeltme

Bir önceki yazımda TensorFlow örneklerinin yer aldığı bir linkten bahsetmiş ve bazı kodlarda küçük düzeltmeler yapılması gerekebileceğinden bahsetmiştim.

Bu durum, hem yazılım dillerinde, hem de kütüphanelerde çok sık geliştirmelerle karşılaşmamızdan kaynaklanıyor.

TensorFlow örneği ve küçük bir düzeltme

Alıntı: tensorflow.org

Aşağıda, sözünü ettiğim kodlardan birini vereceğim. Yaklaşık 90 satırlık bu python kodunda sadece bir metodun adını değiştirmek gerekiyor. Benim yaşadığım sorunu, benimle benzer ortamlarda çalışan pek çok kişi aynen yaşayacaktır. Bu tür sorunları gidermek, en azından azaltmak için kod yazarlarının paylaştıkları açık kaynaklı kodları hangi koşullarda çalıştırdıklarını not etmelerinde yarar var. Bunun çok kolay olmadığını bir kod yazarı olarak ben de biliyorum. Bu nedenle, test ettiğim aşağıdaki kodu hangi ortamda çalıştırdığımı ve nasıl düzelttiğimi sizlerle de paylaşmak istiyorum.

Orijinal kodun yazarı ve nerede paylaşıldığını kodların başlangıç bölümünde bulabilirsiniz.

Test bilgisayarı: 8GB ram, 4 çekirdek, Intel i5
Test sistemi: Ubuntu 16.04
Python sürümü: 3.5.2
TensorFlow sürümü: 1.0.0
numpy sürümü: 1.12.0
matplotlib sürümü: 1.5.3

Kendi sisteminizdeki kütüphane sürümlerini öğrenmek için aşağıdaki kodu kullanın:

Kodlarda düzeltme gereği sadece tek bir satırda (satır no 39) var.

Sorunlu satır no: 39

Düzeltilmiş satır:

Açıklama:

Diğer kodlarla ilgili takıldığınız yerler olursa, yorum alanından sorularınızı bana yöneltebilirsiniz. 15 ayrı örneği yukarıda belirttiğim koşullarda denedim. 12 örneği sorunsuz çalıştırdım. 3 tanesindeki sorunlar hala devam ediyor. Testleri sürdürüyorum.

Ahmet Aksoy

Kaynaklar:

Şub 182017
 
2.211 views

TensorFlow ile herkes için makine öğrenmesi

2017 TensorFlow Dev Zirvesi 15 Şubat’ta izleyicileriyle buluştu. Etkinlik, aynı zamanda Mountain View üzerinden canlı olarak da yayınlandı. Bu yayına ait kayıtlara https://events.withgoogle.com/tensorflow-dev-summit/watch-the-videos/#content adresinden erişebilirsiniz. Sözkonusu yayının süresi 8 saat 17 dakikadır.

TensorFlow ile herkes için makine öğrenmesi

2017 TensorFlow Dev Summit

TensorFlow kendi web sayfasında: “sayısal hesaplama için akış grafiklerini kullanan açık kaynaklı bir yazılım kütüphanesi” olarak tanımlanıyor. “Grafik üzerindeki düğümler matematiksel işlemleri temsil ederken, kenarlar, bunların arasında iletişim gerçekleştiren çok boyutlu veri dizilerini (tensor) ifade etmektedir.”

Tensorflow kütüphanesi tek veya birden fazla CPU veya GPU üzerinden çalışabilmektedir. Şu anda kütüphanenin 1.0 sürümü yayınlanmış durumdadır.

Eğer bu kütüphane bilgisayarınızda daha önceden kurulmuşsa sürüm numarasını şu komutla sorgulayabilirsiniz:

TensorFlow kütüphanenizi en güncel (1.0.0) sürümüne yükseltmek istiyorsanız ya da tamamen yeniden kurmak niyetindeyseniz https://www.tensorflow.org/ adresindeki ilgili linkleri takip etmeniz yeterlidir.

Örneğin benim bir önceki TensorFlow sürüm numaram (0.11.0) idi. Bu sürümü yeni sürüme yükseltmek için Ubuntuda sadece şu komut yeterli oldu:

Yeni sürümüm: tensorflow (1.0.0)

Bir çok kütüphanenin yeni sürümüyle ilgili çalışan örnek bulmak çoğu zaman biraz problemlidir. TensorFlow 1.0.0 konusunda şanslıyız. Hemen kodlayıp çalıştırabileceğiniz kodlarla dolu bir github sayfası var: https://github.com/aymericdamien/TensorFlow-Examples. Bazı kodlarda artık kullanılmayan bazı metodlarla karşılaşabilirsiniz. Endişelenmeyin. Hata mesajını araştırdığınızda yanıtlarını hemen bulabiliyorsunuz.

Örneğin, tf.neg() metodu yeni düzenlemede tf.negative() şeklini almış. Yani sadece küçük isim değişiklikleriyle baş etmek zorundasınız.

Kütüphane, örnek veri setlerine de sahip. Elle yazılmış rakam görüntülerinden oluşan “mnist” veri seti, örneklerde yoğun şekilde kullanılıyor. Örneklerin bir çoğunu 8GB belleğe sahip, 4 CPU’lu i5 makineye kurulu Ubuntu 16.04 üzerinde, Python-3.5.2 ile test ettim. Sorunsuz çalışıyorlar.

Eğer bilgisayarınızda GPU kullanma imkanınız varsa, verilen örneklerin sonuçlarını çok kısa sürede alabilirsiniz. Benim gibi sadece CPU kullansanız bile, kodların çalışma süresi aşırı uzun değil.

TensorFlow, “herkesin makine öğrenmesini kolayca uygulayabilmesini” hedefliyor. Bunda da başarılı olacak gibi.

Eğer siz de makine öğrenmesi konularıyla ilgileniyorsanız, TensorFlow’la bir an önce tanışmayı programınıza alın.

Ahmet Aksoy

Kaynaklar: