Inson sifatida ramziylik atrofimizdagi dunyoni tushunishning kalitidir; narsalar, g‘oyalar hamda ular o‘rtasidagi va ular orasidagi munosabatlarni aynan shu orqali talqin qilamiz.
Biz butunlay qiyoslashga tayanamiz, shu bois hozirgi hisoblash texnologiyalarimiz nihoyatda chalkash, murakkab va bugungi kunga kelib eskirgan.
Sun’iy intellekt (AI) tobora ommalashib borayotgani va OpenAI’ning ChatGPT’i bilan bog‘liq holatlarni allaqachon ko‘rayotganimiz, albatta, shunchaki «shov-shuv» va aksiyalar narxining sun’iy oshishidan nariga o‘tadigan eng yaxshi qo‘llanish usullari degani emas.
An’anaviy hisoblashda sun’iy neyron tarmoqlar (ANN) nima qilayotganini yoki nega bunchalik yaxshi ishlashini to‘liq tushunmaymiz. Shaffoflikning mutlaqo yo‘qligi ma’lumotlar qanday yig‘ilishi va tahlil qilinishini, shuningdek, biz «taraqqiyot» deb ataydigan va o‘zimizga juda bog‘lab olgan natijalar qanday chiqarilishini anglashimizga jiddiy to‘sqinlik qiladi.
«Doiralar» va «kvadratlar»ni bir-biridan farqlay oladigan sun’iy neyron tarmoq misolini ko‘rib chiqaylik.
Bunday farqlashga erishishning bir yo‘li oddiy: chiqish qatlamlaridan biri doirani, ikkinchisi esa kvadratni ko‘rsatadi.
Ammo sun’iy neyron tarmoq muayyan shaklning «rangini» — «qizil»mi yoki «ko‘k»mi — farqlashini istasangiz-chi?
«Rang» butunlay alohida ma’lumotlar to‘plami bo‘lgani uchun, yakuniy natijada bu xususiyatni hisobga olishga imkon beradigan qo‘shimcha chiqish neyronlari kerak bo‘ladi. Bu holatda to‘rtta chiqish neyroni zarur bo‘lardi: ko‘k doira, ko‘k kvadrat, qizil doira va qizil kvadrat uchun bittadan.
Endi, agar «o‘lcham» yoki «pozitsiya/joylashuv» kabi qo‘shimcha ma’lumotlarni ham hisobga oladigan hisoblashni istasak-chi?
Xususiyatlar ko‘paygani sari «doira» va «kvadrat»ni belgilashda har bir xususiyat (yoki xususiyatlar birikmasi) bilan bog‘liq barcha ehtimollarni hisobga olishi kerak bo‘lgan neyronlar ham ko‘payadi.
Boshqacha aytganda, bu nihoyatda murakkablashib ketadi.
Yaqinda Kaliforniya universitetining Berkli filialida ishlovchi nevrolog olim Bruno Olshausen har qanday mumkin bo‘lgan xususiyatlar birikmasi uchun alohida neyron kerakligi haqida gapirdi.
«Miyamiz tabiiy dunyoni, uning barcha xilma-xilligi bilan, bunday idrok eta olmaydi. Har qanday birikma uchun neyron taklif qilishingiz kerak bo‘ladi», dedi u. U yana shuni tushuntirdiki, mohiyatan biz ko‘rib chiqmoqchi bo‘lgan har qanday axborot birikmasini hisobga olish uchun «binafsha Volkswagenni aniqlovchi qurilma» yoki shunga o‘xshash juda noodatiy narsaga muhtoj bo‘lamiz.
«Giper o‘lchamli hisoblash»ni qarshi oling.
«Giper o‘lchamli hisoblash» nima?
Giper o‘lchamli hisoblashning mohiyati — algoritmning murakkab tasvirlardan muayyan ma’lumot qismlarini (metadata kabi) ajrata olish va so‘ng bu jamlangan ma’lumotni «giper o‘lchamli vektor» deb ataluvchi yagona obyekt sifatida ifodalash qobiliyatidir.
An’anaviy hisoblashdan farqli ravishda, giper o‘lchamli hisoblash muammolarni ramziy tarzda yechish imkonini beradi. Muayyan masalaning natijasini giper o‘lchamli vektordagi ma’lumotlarga asoslanib, samarali va aniq «bashorat» qila olamiz.
Olshausenning hamkasblari bilan birga ilgari surayotgan fikri shuki, miyadagi ma’lumotlar juda ko‘p neyronlar faolligi orqali ifodalanadi. Shu bois xayoliy «binafsha Volkswagen»ni bitta neyronning faolligi bilan ifodalab bo‘lmaydi; aksincha, minglab neyronlar birgalikda uni tashkil qiladi.
Xuddi shu neyronlar boshqacha faollashsa, pushti Cadillac kabi butunlay boshqa tushuncha yoki natijani ko‘rishimiz mumkin.
WIRED’dagi yaqindagi munozaraga ko‘ra, asosiy jihat shuki, avtomobil haqidagi tushuncha yoki uning markasi, modeli, rangi yoxud bularning barchasi birgalikda kabi har bir ma’lumot yagona obyekt — giper o‘lchamli vektor yoki gipervektor sifatida ifodalanadi.
«Vektor» — bu shunchaki sonlarning tartiblangan massivi: 1, 2, 3 va hokazo. 3D vektor esa 3D fazodagi aniq nuqtaning x, y va z koordinatalari bo‘lgan uchta sondan iborat.
Boshqa tomondan, «gipervektor» minglab yoki yuz minglab sonlardan iborat massiv bo‘lishi mumkin; bu sonlar shuncha o‘lchamli fazodagi bir nuqtani ifodalaydi. Masalan, 10 000 ta sondan iborat massivni ifodalovchi gipervektor 10 000 o‘lchamli fazodagi nuqtani bildiradi.
Bu darajadagi mavhumlik zamonaviy hisoblash texnologiyalarini rivojlantirish va ularni sun’iy intellekt (SI) kabi yangi texnologiyalar bilan uyg‘unlashtirish uchun bizga moslashuvchanlik va imkoniyat beradi.
«Bu — deyarli butun faoliyatim davomida meni eng ko‘p hayajonga solgan narsa», dedi Olshausen. Uning va boshqa ko‘plab kishilarning fikricha, giper o‘lchamli hisoblash samarali va ishonchli hisoblash hamda mashina qabul qilgan qarorlar to‘liq shaffof bo‘ladigan yangi dunyoni va’da qilmoqda.
Murakkab natijalarni yaratish uchun «metadata»ni giper o‘lchamli algoritmlarga aylantirish
Asos bo‘lgan algebra tizim nima sababdan aynan shu javobni tanlaganini tushuntirib beradi; an’anaviy neyron tarmoqlar haqida esa bunday deb bo‘lmaydi.
Neyron tarmoqlar real dunyodagi narsalarni gipervektorlarga xaritalay oladigan va keyin giper o‘lchamli algebra ishni davom ettiradigan gibrid tizimlarni yaratish — sun’iy intellektdan atrofimizdagi dunyoni yaxshiroq tushunishimizga ko‘maklashish uchun qanday foydalanish kerakligining mohiyatidir.
«Har qanday SI tizimidan shuni kutishimiz kerak», deydi Olshausen. «Uni samolyot yoki televizorni tushunganimizdek tushuna olishimiz lozim.»
«Doiralar» va «kvadratlar» misoliga qaytib, uni yuqori o‘lchamli fazolarga tatbiq etsak, «shakl» va «rang» o‘zgaruvchilarini ifodalash uchun vektorlar kerak bo‘ladi. Shuningdek, o‘zgaruvchilarga berilishi mumkin bo‘lgan qiymatlarni — «DOIRA», «KVADRAT», «KO‘K» va «QIZIL»ni — ifodalash uchun ham vektorlar zarur.
Eng muhimi, bu vektorlar o‘zgaruvchilarni aniq miqdoriy ifodalay oladigan darajada bir-biridan farq qilishi kerak.
Endi Olshausenning shogirdi Erik Vayssga e’tibor qarataylik. U 2015-yilda murakkab tasvirni tasvirdagi BARCHA obyektlar — ranglar, joylashuvlar va o‘lchamlar — haqidagi ma’lumotlarni o‘zida jamlagan yagona giper o‘lchamli vektor sifatida ifodalashda giper o‘lchamli hisoblashning noyob imkoniyatlaridan birini namoyish etdi.
Boshqacha aytganda, bu tasvir metadatasining nihoyatda ilg‘or ko‘rinishidir.
«Men deyarli stulimdan tushib ketay dedim», dedi Olshausen. «Birdaniga miyamda chiroq yongandek bo‘ldi.»
O‘sha paytda ko‘proq jamoalar chuqur neyron tarmoqlar bundan yigirma yil avval bajara boshlagan «oddiy» vazifalarni, masalan, tasvirlarni tasniflashni takrorlaydigan «giper o‘lchamli algoritmlar»ni yaratishga e’tibor qarata boshladi.
Har bir tasvir uchun «gipervektor» yaratish
Masalan, qo‘lda yozilgan raqamlar tasvirlaridan iborat belgilangan ma’lumotlar to‘plamini olsak, giper o‘lchamli algoritm har bir tasvirning o‘ziga xos xususiyatlarini tahlil qilib, har biri uchun «gipervektor» yaratadi.
Har bir raqam uchun gipervektorlarning «sinfi»ni yaratish
Shundan so‘ng algoritm «nol» tasvirlari uchun yaratilgan barcha gipervektorlarni qo‘shib, «nol tushunchasi»ni ifodalovchi gipervektor hosil qiladi va buni barcha raqamlar uchun takrorlaydi. Natijada 10 ta «sinf» gipervektori — har bir raqam uchun bittadan — yaratiladi.
Saqlangan gipervektor sinflari endi yangi, yorliqlanmagan tasvir uchun yaratilgan gipervektor bilan taqqoslanib tahlil qilinadi. Bunda algoritm oldindan belgilangan raqam sinflaridagi gipervektorlarga asoslanib, yangi tasvirga qaysi raqam eng ko‘p mos kelishini aniqlaydi.
IBM Research ishga kirishadi
Mart oyida IBM Research kompaniyasining Tsyurixdagi bo‘limidan Abbos Rahimi va ikki hamkasbi mavhum vizual fikrlashdagi klassik muammoni yechish uchun neyron tarmoqlar bilan birga giper o‘lchamli hisoblashdan foydalandi. Bu odatiy sun’iy neyron tarmoqlar, hatto ayrim odamlar uchun ham jiddiy qiyinchilik tug‘dirgan masala edi.
Jamoa avval har bir tasvirdagi obyektlarni ifodalash uchun gipervektorlar «lug‘ati»ni yaratdi. Lug‘atdagi har bir gipervektor muayyan obyekt va uning ayrim xususiyatlari birikmasini ifodalardi.
Shundan so‘ng jamoa tasvirni tekshirib, ikki qutbli gipervektor yaratadigan neyron tarmoqni o‘rgatdi — bunda muayyan xususiyat yoki element +1 yoki -1 qiymatiga ega bo‘lishi mumkin.
«Siz neyron tarmoqni mazmunli tushunchalar fazosiga yo‘naltirasiz», dedi Rahimi.
Bu yondashuvning afzalligi shundaki, tarmoq kontekst tasvirlarining har biri va bo‘sh joyga qo‘yilishi mumkin bo‘lgan har bir nomzod uchun gipervektorlar yaratganidan so‘ng, boshqa algoritm gipervektorlarni tahlil qilib, tasvirdagi bir nechta obyekt uchun «ehtimollik taqsimotlari»ni hosil qiladi.
Boshqacha aytganda, algebra bo‘sh joyni to‘ldirish uchun eng ehtimolli tasvirni bashorat qilishda qo‘llanishi mumkin. Jamoa yondashuvi muammolarning bir to‘plamida qariyb 88 foiz aniqlikka erishdi; faqat neyron tarmoqlarga tayangan yechimlarning aniqligi esa 61 foizdan kam bo‘ldi.
Biz hali ilk bosqichdamiz
Ko‘plab afzalliklariga qaramay, giper o‘lchamli hisoblash hali rivojlanishning ilk bosqichida. Uni real hayotdagi muammolarda va hozirgacha ko‘rilganidan ancha katta miqyosda sinash kerak. Masalan, 1 milliarddan ortiq element yoki natija orasidan muayyan natijani samarali izlash zarurati bor.
Oxir-oqibat, bunga vaqt o‘tishi bilan erishiladi, ammo bu sun’iy intellektni qayerda va qanday qo‘llashimiz hamda joriy etishimiz kerakligi haqidagi savollarni yuzaga keltiradi.
Sun’iy intellekt yordamida o‘tkazilgan 40 daqiqalik cherkov marosimi Germaniyada ilk tajriba sifatida 300 dan ortiq kishini qanday jalb qilgani haqida o‘qing.
Hypemoon’dagi to‘liq galereyani ko‘rish uchun shu yerni bosing