Facebook, Yapay Zekada Kritik Bir Atılım Yaptı

Denetimsiz öğrenme, yapay zekâ sistemlerinin ham veriyi incelemek için kullandıkları göstergeleri otomatik olarak işlemelerini sağlayan sistemdir. Facebook, kendi MoCo adlı sistemlerinin görsel işlemede denetimli öğrenme ile aynı seviyeye ulaştığını açıkladı.

Yapay zekâ çalışmalarında kullanılan pek çok farklı yaklaşım ve sistem var. Bunlardan biri denetimsiz öğrenme olarak adlandırılan yöntem. Yapay zekâ sistemleri, bu yolla ham veriyi nasıl sınıflandırmaları gerektiğini öğrenebiliyor. Bu yapının en büyük başarısı doğal dil işleme yazılımları. Öte yandan söz konusu görüntüler olduğunda bu sistemin sorunlar yaşadığı da bir gerçek.

Yapay zekâlara görüntüleri öğretme konusundaki çalışmalar devam ediyor. Bu alandaki belki de en temel sorun, görüntülerin insanların bir şeyler öğrenmek ya da öğretmek yerine kendilerini ifade etmek için kullandıkları çok boyutlu ve devamlı yapılar olmasından kaynaklanıyor olması. 

Facebook’tan özgün yaklaşım:

Facebook araştırmacıları da bu durumu göz önüne aldı ve karşıtsal kayıp adlı bir yaklaşım kullanarak çalıştı. Bu yaklaşımda temel olarak görüntülerden elde edilen anahtarlar, bir şifreleyici ile temsil ediliyor ve var olan dizinlerle eşleştirilmeye çalışılıyor. Bu çalışmaların sonucunda da MoCo ya da Momentum Contrast adlı yapı geliştirildi. MoCo, görüntüleri önceden çalışarak elindeki göreve göre uygulanabileceği hâle getiriyor. 

Tespit etme, segmentlere ayırma gibi 7 farklı alanda kabaca 1 milyar farklı görüntü ile çalışan sistem, bazı alanlarda denetimli olan ve deneme yanılmaya dayanmayan sistemleri geride bırakmayı başardı. Testte kullanılan görseller, Instagram’dan alındı. 

MoCo, denetimliler kadar iyi:

Sistemin başarısını bir makale ile duyuran Facebook çalışanları, bu sonuçların MoCo’nun denetimli ve denetimsiz yöntemler arasındaki uçurumu büyük oranda kapattığını gösterdi. 

Genel olarak MoCo, oldukça basit ve zekice bir prensip üzerinden çalışıyor. Veri örneklerinden elde ettiği anahtar girdilerini bir sürekli veri dizisi hâline getiriyor. Bu da veri dizisindeki anahtarların tekrar tekrar kullanılabilmesini sağlıyor. Ayrıca sisteme esnekliği ve bağımsızlığı da bir hiperparametre (veri setine göre değişiklik gösterebilen parametre) olarak kullanma şansı veriliyor. Bu dinamik yapı sayesinde de örnekler sürekli olarak değiştiriliyor. 

MoCo’yu değerlendirmek için araştırmacı ekip ImageNet ve Instagram’dan 1,28 milyon veri setinin yer aldığı, 1.000 sınıftan ve 940 milyon herkese açık Instagram gönderisinden oluşan bir veri yığını kullandı. Modelin geliştirilmesi ve çalıştırılması, 64 grafik kartının altı gün boyunca Instagram Corpora ile eğitimi sayesinde mümkün oldu. Rapora göre MoCo, Instagram Corpora üzerinde daha önceden eğitildi ve ImageNet örnekleri üzerinde olduğundan çok daha başarılı performans gösterdi.