Yapay Zeka Modelleri Gerekenden Daha mı Çok Çalışıyor?

Modern yapay zekanın çoğu çarpma işlemiyle çalışıyor. Oluşturulan yanıtlardan fotoğraf düzenlemeye ve şarkı önerilerine kadar her şeyin arkasındaki sinir ağları, girdileri öğrenilen ağırlıklarla çoğaltan milyonlarca veya milyarlarca işlemi gerçekleştirir. Lizy K. John bunun işin gerektirdiğinden daha fazla iş olduğunu düşünüyor. Austin'deki Texas Üniversitesi'nde elektrik ve bilgisayar mühendisliği profesörü olan John, son beş yılını ağırlıksız sinir ağları adı verilen bir model sınıfı üzerinde çalışarak geçirdi. Bu ağlar, girdileri ağırlıklarla tekrar tekrar çarpmak yerine, ikili girdileri birbirine bağlı arama tablolarından geçirir; bu, aynı aritmetik problemini tekrar tekrar çözmek yerine, saklanan yanıtlar koleksiyonuna başvurmaya daha yakındır. Göreve bağlı olarak, ağların karşılaştırılabilir doğruluğu korurken geleneksel alternatiflerden 1000 kat daha küçük veya daha hızlı olabileceğini söylüyor. Ekibinin çalışmaları şu ana kadar küçük ve spesifik sorunlara odaklandı: tıbbi sensörler, etkinlik takibi, anahtar kelime tespiti. Ancak aynı yaklaşımın, günümüzün sohbet robotlarının arkasındaki transformatör modelleri de dahil olmak üzere, eninde sonunda çok daha büyük hedeflere ulaşabileceğini düşünüyor. İlk etapta ağırlıklardan uzaklaşmanıza ne sebep oldu? Bunun yerine sizi aramalara iten belirli bir an var mıydı? Lizy K. John: Birkaç yıl önce bir arkadaşım beni, yeni olmayan bir teknik olan ağırlıklar yerine aramaları kullanma hakkında konuşmak için tesadüfen haftalık bir toplantıya davet etti. İngiltere'de birisi

80'lerde model tanıma için bunun etrafında ticari bir ürün geliştirmişti ve sonra ortadan kayboldu. Rio Federal Üniversitesi'ndeki [de Janeiro] birkaç profesör, sadece bir araştırma grubuyla yıllarca sessizce bunun üzerinde çalışmaya devam etti, dolayısıyla çok fazla iş değildi. Arkadaşım donanım uygulama deneyimim olduğunu biliyordu, bu yüzden bunu gerçeğe dönüştürmeye yardımcı olabileceğimi düşündü. Bu konuyu üstlenmek için mükemmel bir konumda olduğunu düşündüğüm bir öğrencim vardı: Standart sinir ağlarına başka bir alternatif olan sinir ağlarını hızlandırmak üzerinde çalışıyordu. Benim için ortak nokta enerji verimliliğiydi. Yapay zekanın bu kadar çok güç tüketmesi beni üzüyordu ve kulaklarım bunu daha az teknolojiyle, daha az güçle yapmanın başka yollarına açıktı. Altı aydan kısa bir süre içinde, bunu temelde hazır bir çip olan FPGA üzerinde çalıştırmaya başladık. Arama yöntemini kullanan, küçük çiplere sığabilen ve bunları çalıştırmak için GPU'ya ihtiyaç duymayan çok küçük sinir ağları oluşturmayı başardık.