Şimdiye dek anlattıklarımız çok ilginçti, fakat hesaplama için genelde kullanışsızdırlar. Yani, beynin hücresel yapısını taklit edebilmek bilimsel olarak çok ilginçtir, ama eğer nasıl içeri gireceğimi ve her küçük alt oyuncuyu nasıl programlayacağımı biliyorsam ve girdilerim her zaman istediğim çıktılarıma işleniyorsa, o halde neden bir YSA’ya ihtiyaç duyayım? Başka bir deyişle bir YSA’nın yapısı, belirli bir sorunu çözmek amacıyla bir tanesini kasıtlı olarak inşa etmenin, YSA’nın kendisini bir parça lüzumsuz hale getiren, sorunun böylesine derin bir yeterli bilgisini ve çözümlerini gerektirdiği anlamına gelir.
Bununla beraber, bir tek karmaşık oyuncu ile çalışmaktansa pek çok basit oyuncuyla çalışmanın büyük bir üstünlüğü vardır: basit oyuncular kendini düzeltebilir. Sıradan yazılımın kendi kendini düzenleyebilen türlerine teşebbüsler olmuştu fakat makine öğrenimi fikrini yükseltmiş olan şey, yapay sinir ağlarıdır.
Yapay bir sinir ağının işlevini ifade etmek amacıyla “gerekirci olmayan” (non-deterministic) söz öbeğinin kullanıldığını duyacaksınız ve bu, yazılım sinirlerimizin, veri için farklı sonuçlarla bağlantılı olan ağırlıklı istatistiksel olasılıklara sahip olmasına ilişkin kullanılır; A türünden bir girdinin bir sonraki katmanda bu sinire ihtimali %40 iken, diğer bir sinire iletilme ihtimali ise %60’tır. Sinir ağları daha ayrıntılı şekilde birbirine bağlandıkça bu belirsizlikler hızla birbirine eklenir, bu yüzden tamamen aynı olan başlangıç koşulları, pek çok farklı sonuca yol açabilir veya daha önemlisi, pek çok farklı yoldan aynı sonuca çıkabilir.
O halde, “öğrenme algoritması” kavramını gösterelim. Basit bir örnek, verimi geliştirmektir: aynı girdiyi ağa defalarca kere tekrar gönderin ve doğru çıktıyı ürettiği her sefer, bunu yaparken geçen süreyi kaydedin. A’dan B’ye giden bazı yollar doğal olarak diğerlerinden daha verimli olacaktır ve öğrenme algoritması, daha hızlı ilerleyen bu işleyişler sırasında meydana gelen sinirsel davranışları pekiştirmeye başlayabilir.
Çok daha karmaşık YSA’lar, bir Google görsel arama sonucundaki hayvan türünü doğru şekilde tanımlamak gibi daha karmaşık hedefler için uğraşabilir. Görüntü işleme ve sınıflandırmadaki adımlar çok az düzeltilir ve YSA programcılarının hiçbir zaman doğrudan tasarlayamayacağı bir kedi bulma işlemi üretmek için rastgele olan ve rastgele olmayan, evrim benzeri bir çeşitlilik ayıklamasına dayanır.
Gerekirci olmayan YSA’lar, öğrenme algoritmalarının hedefleri tarafından belirlendiği üzere, belirli sonuçlara ulaşmada daha iyi olmak için kendilerini yeniden yapılandırdıkça, çok daha gerekirci (deterministik)hale gelirler. Buna YSA’yı “eğitme” adı verilir: bir YSA’nın istenen işlevinin örnekleri ile onu eğitirsiniz ve bu sayede bu çalışmalarının her birinde ne kadar iyi iş yaptığına dayalı olarak kendi kendini düzeltebilir. Bir YSA’yı ne kadar fazla eğitirseniz, hedeflerine ulaşmada o kadar iyi hale gelmesi gerekir.
Ayrıca, “denetlenmeyen” veya “uyabilen” öğrenme kavramı mevcuttur, aklınızda istenen çıktılar olmadan algoritmayı çalıştırırsınız, fakat sonuçları evrimleştirmeye başlamasına ve kendisini kendi meraklarına göre düzenlemesine izin verirsiniz. Hayal edebileceğiniz gibi bu henüz iyi bir şekilde anlaşılmamıştır, fakat ayrıca gerçek yapay zekayı veya gerçekten gelişmiş yapay zekayı bulabileceğimiz en muhtemel yoldur. Eğer tamamen beklenmedik sorunları çözmek için tamamen bilinmeyen alanlara gerçekten robotlar göndereceksek, gerçek zamanlı olarak kendi kendilerini teşvik etmek amacıyla önem atayabilen programlara ihtiyacımız olacak.
YSA’ların gücü gerçekten burada yatıyor: yapıları sayesinde kendi programlamalarına tekrarlı değişimler yapabildikleri için, üreticilerin asla bulamayacakları cevapları bulma gücüne sahipler. İster bir serbest yatırım fonu, bir reklam şirketi olun, ister petrol kâşifi, bir bilgisayarın hızını bir beynin çok yönlülüğü ile birleştirmenin potansiyelini görmezden gelmek imkansızdır. Bu yüzden “makine öğrenme” algoritmalarını programlayabilmek, şu an dünyada en çok rağbet gören yetenek takımlarından biridir.
Önümüzdeki yüzyılda sorunları çözmek yerine, bilgisayarlara onları bizim için çözmeyi öğretmekle pekâla daha çok meşgul olabiliriz.
