İnsanlar olaraq, simvolizm ətrafımızdakı dünyanı anlamağın açarıdır, əşyaları, ideyaları və onların arasındakı və bir-biri ilə olan münasibətləri necə şərh etdiyimizdir.
Biz tamamilə analojiya asılıyıq, bu da hal-hazırda olan kompüter texnologiyamızı son dərəcə mürəkkəb, kompleks və bu an üçün arxaik edən şeydir.
Süni intellektin (AI) artan populyarlığı və OpenAI'nın ChatGPT ilə gördüyümüz istifadə halları yalnız "hype" və səhmlərin inflyasiyasını aşan ən yaxşı tətbiqlər deyil.
Ənənəvi hesablama altında biz bu süni neyron şəbəkələrinin (ANN) nə etdiyini və niyə elə də yaxşı işlədiyini tam başa düşmürük. Şəffaflığın demək olar ki, tam olmaması da məlumatın toplanması və analiz edilməsi — bizi ümidsiz olaraq “uğur” kimi etiketlədiyimiz nəticələri ortaya çıxarmaq üçün — barədə anlaşmamızda böyük bir mənfi cəhət yaradır.
Aşağıdakı nümunəyə baxın: bir-birindən “dairələri” və “kvadratları” ayırd edə bilən ANN.
Bu fərqi əldə etməyin bir yolu — aydındır ki — budur: bir çıxış qatında dairə göstərilir, digərində isə kvadrat.
Amma siz ANN-in həmin xüsusi fiqurun “rəngini” ayırd etməsini istəsəniz — bu “qırmızı”dır, yoxsa “mavi”?
“Rəng” tamamilə ayrıca bir məlumat toplusudur, ona görə yekun çıxışda həmin xüsusiyyəti nəzərə almaq üçün əlavə çıxış neyronları tələb olunur. Bu halda dörd çıxış neyronu olardı — biri mavi dairə, biri mavi kvadrat, biri qırmızı dairə və biri qırmızı kvadrat üçün.
Bəs istəsək ki, hesablamaya həm də “ölçü” və ya “mövqe/yerləşmə” kimi əlavə məlumatlar da daxil edilsin?
Daha çox xüsusiyyət deməkdir ki, “dairə” və “kvadrat”ı müəyyən edən (və ya xüsusiyyətlərin birləşməsindən ibarət olan) hər bir imkan üçün daha çox neyronlar da məsuliyyət daşımalıdır.
Başqa sözlə desək, bu, olduqca mürəkkəb olur.
Kaliforniya Universiteti, Berkeley-də neyrocientist Bruno Olshausen yaxınlarda bu ehtiyacı — mümkün olan hər bir xüsusiyyət birləşməsi üçün bir neyronun olmasını — ifadə etdi.
“Beyinlərimiz təbii dünyanı bu cür qavraya bilməz — bütün bu dəyişkənlikləri ilə birlikdə. Siz bütün kombinasiyalar üçün… bir neyron təklif etməlisiniz”, — deyə o, əlavə izah etdi ki, mahiyyətcə bizə hər hansı bir təcrübədə nəzərə almağı ümid etdiyimiz məlumatın hər mümkün kombinasiyasını hesaba almaq üçün “bənövşəyi Volkswagen detektoru” kimi çox qeyri-adi bir şey lazımdır.
Gəlin “hiperölçülü hesablamağa” keçək.
“Hiperölçülü hesablama nədir” ?
Hiperölçülü hesablamağın (hyperdimensional computing) əsas mahiyyəti alqoritmin mürəkkəb təsvirlərdən (metaməlumatı nəzərdə tutun) konkret məlumat parçalarını “deşifrə” etmək və həmin toplanmış informasiyanı “hiperölçülü vektor” adlanan vahid bir varlıq kimi təqdim etmək qabiliyyətidir.
Ənənəvi hesablmadan fərqli olaraq hiperölçülü hesablama bizə simvolik şəkildə problemləri həll etməyə imkan verir və bir mənada, hiperölçülü vektorda olan məlumat əsasında konkret bir problemin nəticəsini həm səmərəli, həm də dəqiq şəkildə “proqnozlaşdırmaq” mümkün olur.
Olshausenin, digərləri də daxil olmaqla, iddia etdiyi budur: beyindəki informasiya çoxlu neyronların fəaliyyətinə əsasən təmsil olunur; yəni bizim uydurma “bənövşəyi Volkswagen”imizin qavranılması tək bir neyronun fəaliyyətinə sığışa bilməz, əksinə bənövşəyi Volkswagenin özünü təşkil etmək üçün kollektiv şəkildə bir araya gələn minlərlə neyron vasitəsilə mümkün olur.
Eyni sayda neyron fərqli cür işləsəydi, məsələn, tamamilə başqa bir konsept və ya nəticə görə bilərdik — məsələn, çəhrayı Cadillac.
WIRED-dəki yaxın bir müzakirəyə görə əsas məsələ budur ki, məlumatın hər bir hissəsi — məsələn, avtomobil fikri, onun markası, modeli, rəngi və ya bunların hamısının birlikdə — bir tək varlıq kimi təmsil olunur: hiperölçülü vektor və ya hipervektor.
“Vektor” sadəcə ədədlərdən ibarət sıralanmış massivdir — 1, 2, 3 və s. Məsələn, 3D vektor üç ədəddən ibarətdir — 3 ölçülü məkanda dəqiq bir nöqtənin x, y və z koordinatları.
“Hipervektor” isə minlərlə, hətta yüz minlərlə ədəddən ibarət massiv ola bilər; bu ədədlər həmin ölçüdəki fəzanın bir nöqtəsini təmsil edir. Məsələn, 10.000 ədədlik massivə uyğun gələn hipervektor 10.000 ölçülü fəzada bir nöqtəni təmsil edir.
Bu abstraksiya səviyyəsi bizə müasir hesablamağa çeviklik və onu süni intellekt (AI) kimi yaranan texnologiyalarla uyğunlaşdırmaq imkanı verir.
“Bütün karyeram boyu praktiki olaraq ən çox həyəcanlandığım budur”, — Olshausen dedi. Ona və bir çox başqalarına görə hiperölçülü hesablama yeni bir dünyaya vəd edir: burada hesablama həm səmərəli, həm də dayanıqlı olur və maşın tərəfindən verilən qərarlar tamamilə şəffaf olur.
“Metaməlumat”ı hiperölçülü alqoritmlərə çevirməklə mürəkkəb nəticələr əldə etmək
Əsas alqebra sistemin niyə məhz həmin cavabı seçdiyini bizə izah edir; bunu ənənəvi neyron şəbəkələrinə aid etmək mümkün deyil.
Bu cür hibrid sistemləri inkişaf etdirib bu neyron şəbəkələrinin IRL-dəki şeyləri hipervektorlara xəritələndirməsinə imkan vermək, sonra isə hiperölçülü cəbrin öz işini görməsinə şərait yaratmaq — AI-nin bizi ətrafdakı dünyanı daha yaxşı anlamağa həqiqətən gücləndirməsi üçün necə istifadə edilməsinin əsas məğzidir.
“Bu, istənilən AI sistemindən gözləməli olduğumuz şeydir”, — Olshausen deyir. “Biz bunu təyyarəni və ya televizoru başa düşdüyümüz kimi izah edə bilməliyik.”
“Dairələr” və “kvadratlar” nümunəsinə qayıdıb bunu yüksək ölçülü fəzaya tətbiq etdikdə, bizə “forma” və “rəng” dəyişənlərini təmsil edən vektorlar lazımdır — amma eyni zamanda, dəyişənlərə verilə biləcək dəyərləri təmsil edən vektorlar da lazımdır: “CIRCLE”, “SQUARE”, “BLUE” və “RED.”
Ən başlıcası, bu vektorlar həmin dəyişənləri faktiki olaraq ölçə biləcək qədər bir-birindən fərqli olmalıdır.
İndi isə gəlin Olshausenin tələbəsi olan Eric Weiss-ə diqqət yetirək: o, 2015-ci ildə hiperölçülü hesablamağın unikal qabiliyyətlərindən bir aspektini nümayiş etdirdi — mürəkkəb bir təsviri tək bir hiperölçülü vektor kimi ən yaxşı şəkildə təmsil etməyi, bu vektor isə təsvirin içindəki HƏR bir obyektdən məlumatı daşıyır — rənglər, mövqelər, ölçülər.
Başqa sözlə, təsvirin metaməlumatına dair son dərəcə inkişaf etmiş bir təqdimat.
“Mən demək olar ki, stuldan yıxıldım”, — Olshausen dedi. “Birdən işıq yanıb!”
Elə həmin anda daha çox komanda səylərini “hiperölçülü alqoritmlər” hazırlamağa yönəltməyə başladı; məqsəd dərin neyron şəbəkələrinin iki onillik əvvəl artıq məşğul olduğu “sadə” tapşırıqları təkrarlamaq idi — məsələn, təsnifat (classifying) işləri.
Hər təsvir üçün “Hipervektor” yaratmaq
Məsələn, əgər annotasiyalı məlumat dəsti əllə yazılmış rəqəmlərin təsvirlərindən ibarətdirsə, bu hiperölçülü alqoritm hər bir təsvirin xüsusi xüsusiyyətlərini analiz edərək, hər təsvir üçün “hipervektor” yaradar.
Hər rəqəm üçün hipervektorların “Sinfi”ni yaratmaq
Sonra alqoritm “sıfır” rəqəminin bütün təsvirləri üçün hipervektorları əlavə edərək “sıfır ideyası” üçün hipervektor yaradardı və bu prosesi bütün rəqəmlər üzrə təkrarlayardı; nəticədə hər rəqəm üçün bir olmaqla 10 “sinif” hipervektor yaranardı.
Yadda saxlanmış həmin hipervektor sinifləri indi ölçülür və yeni, etiketlənməmiş bir təsvir üçün yaradılmış hipervektorla müqayisə edilərək analiz edilir; məqsəd alqoritmin yeni təsvirə ən yaxın olan rəqəmi müəyyən etməsidir (hər rəqəm üçün əvvəlcədən müəyyən edilmiş hipervektor sinfinə əsasən).
IBM Research dalır içinə
Mart ayında Abbas Rahimi və IBM Research-un Zürichdəki iki əməkdaşı neyron şəbəkələri ilə birlikdə hiperölçülü hesablama istifadə edərək abstrakt vizual düşüncədə klassik bir problemi həll etdilər — bu, tipik ANN-lər üçün və hətta bəzi insanlar üçün də ciddi çətinlik yaradan bir məsələ idi.
Komanda əvvəlcə hər təsvirdəki obyektləri təmsil etmək üçün hipervektorların “lüğətini” yaratdı; bu lüğətdəki hər hipervektor konkret bir obyekti və onun atributlarından müəyyən bir kombinasiyasını təmsil edirdi.
Sonra komanda neyron şəbəkəsini bir təsviri yoxlamaq üçün öyrətdi və ikililik (bipolar) hipervektor yaratdı — yəni müəyyən bir atribut və ya element +1 və ya -1 ola bilər.
“Siz neyron şəbəkəsini mənalı bir konseptual fəza istiqamətində yönləndirirsiniz”, — Rahimi dedi.
Buradakı dəyər budur ki, şəbəkə hər kontekst təsviri üçün və boş xanaya uyğun hər bir namizəd üçün hipervektorlar yaratdıqdan sonra, başqa bir alqoritm həmin hipervektorları analiz etmək üçün işə düşür və təsvir daxilindəki bir sıra obyektlər üçün “ehtimal bölgüləri” yaradır.
Başqa sözlə, cəbr ən ehtimal olunan namizəd təsviri boş xanaya yerləşdirməyi proqnozlaşdırmaq üçün istifadə edilə bilər. Və komandanın yanaşması bir sıra problemlərdə təxminən 88 faiz dəqiqlik verdi; neyron şəbəkə-tək həllər isə 61 faizdən də az dəqiq idi.
Biz hələ də başlanğıc mərhələsindəyik
Çoxsaylı üstünlüklərinə baxmayaraq, hiperölçülü hesablama hələ də əslində yeni-yeni inkişaf edir və real dünya problemləri üzərində testlər tələb edir — indiyə qədər gördüklərimizdən daha böyük miqyaslarda. Məsələn, 1 milyard element və nəticə üzərində səmərəli axtarış aparmaq və konkret nəticəni tapmaq zərurəti.
Nəhayət bunun vaxtı ilə əlaqəli hər şey olacaq, amma bu, süni intellektin harada və necə tətbiq ediləcəyini və necə inteqrasiya olunacağını sual olaraq ortaya qoyur.
AI ilə gücləndirilən 40 dəqiqəlik kilsə xidmətinin Almaniyada ilk dəfə belə bir eksperiment kimi 300-dən çox iştirakçını necə cəlb etdiyini oxuyun.
Hypemoon-da tam qalereyanı görmək üçün bura klikləyin