Bir yapay zeka (YZ) modeli, tek bir bebeğin hayatının küçük bir bölümünün headcam (kafa kamerası) kayıtlarını inceleyerek ‘beşik’ ve ‘top’ gibi kelimeleri tanımayı öğrendi.
Çalışmanın eş yazarı ve New York Üniversitesi’nde yapay zeka araştırmacısı olan Wai Keen Vong, sonuçların yapay zekanın insanların nasıl öğrendiğini anlamamıza yardımcı olabileceğini gösterdiğini söylüyor. Vong, ChatGPT gibi diğer dil öğrenme modellerinin milyarlarca veri noktasından öğrendiği ve bunun bir bebeğin gerçek dünyadaki deneyimleriyle karşılaştırılamayacağı için bu durumun daha önce belirsiz olduğunu söylüyor. “Doğduğumuzda bize internet verilmiyor.”
Yazarlar, 1 Şubat’ta Science dergisinde yayınlanan araştırmanın, çocukların dili nasıl öğrendiğine dair uzun süredir devam eden tartışmalara katkı sağlayacağını umuyor. Yapay zeka sadece birlikte gördüğü resimler ve kelimeler arasında bağlantılar kurarak öğrendi; dil hakkında başka herhangi bir ön bilgiyle programlanmamıştı. Vong, bu durumun, bebeklerin kelimelere anlam yükleyebilmek için dilin nasıl işlediğine dair doğuştan gelen bazı bilgilere ihtiyaç duyduklarına dair bazı bilişsel bilim teorilerine meydan okuduğunu söylüyor.
Merced’deki California Üniversitesi’nde bilişsel bilimci olan Heather Bortfeld, çalışmanın çocuklarda erken dil edinimini anlamak için “büyüleyici bir yaklaşım” olduğunu söylüyor.
Bebeğin gözünden bakış
Vong ve meslektaşları, Sam adlı bir erkek bebeğin taktığı kaska monte edilmiş bir kameradan alınan 61 saatlik kayıtları kullanarak bebeğin bakış açısından deneyimler topladı. Avustralya’da Adelaide yakınlarında yaşayan Sam, altı aylıktan yaklaşık iki yaşına kadar her hafta iki kez yaklaşık bir saat (uyanık olduğu saatlerin yaklaşık %1’i) kamerayı taktı.
Araştırmacılar, beynin yapısından esinlenen bir yapay zeka olan sinir ağını, videodan alınan kareler ve kayıttan yazıya dökülen Sam’e söylenen kelimeler üzerinde eğittiler. Model, oyun oynama, okuma ve yemek yeme gibi faaliyetler sırasında çekilen 250.000 kelimeye ve bunlara karşılık gelen görüntülere maruz bırakıldı. Model, ‘top’ ve ‘kase’ gibi belirli kelimelerin hangi görüntülere atıfta bulunduğunu tahmin etmek için kullanılabilecek bilgileri oluşturmak üzere hangi görüntülerin ve metinlerin birlikte gitme eğiliminde olduğunu ve hangilerinin gitmediğini öğrenmek için zıt öğrenme adı verilen bir teknik kullandı.
Yapay zekayı test etmek için araştırmacılar modelden, çocukların dil becerilerini değerlendirmek için de kullanılan bir test olan dört aday görüntüden biriyle bir kelimeyi eşleştirmesini istedi. Nesneyi %62 oranında başarılı bir şekilde sınıflandırdı – şans eseri beklenen %25’ten çok daha iyi ve bu veri setinin dışından 400 milyon görüntü-metin çifti üzerinde eğitilen benzer bir yapay zeka modeliyle karşılaştırılabilir.
Model, ‘elma’ ve ‘köpek’ gibi bazı kelimeler için, daha önce görülmemiş örnekleri doğru bir şekilde tanımlayabildi – insanların genellikle nispeten kolay bulduğu bir şey. Ortalama olarak, bunu zamanın %35’inde başarıyla yaptı. Yapay zeka, eğitim verilerinde sıkça karşılaşılan bağlam dışı nesneleri tanımlamada daha iyiydi. Vong, görünüşleri çok az farklılık gösteren nesneleri tanımlamada da en iyisi olduğunu söylüyor. ‘Oyuncak’ gibi farklı nesnelere atıfta bulunabilen sözcükleri öğrenmek daha zordu.
Öğrenme hakkında dersler
Bortfeld, çalışmanın tek bir çocuktan elde edilen verilere dayanmasının, bulguların genellenebilirliği konusunda soru işaretleri yaratabileceğini, çünkü çocukların deneyimlerinin ve çevrelerinin büyük farklılıklar gösterdiğini söylüyor. Ancak bu çalışmanın, bebeğin ilk günlerinde sadece farklı duyusal kaynaklar arasında bağlantılar kurarak çok şey öğrenilebileceğini ortaya koyduğunu da ekliyor. Bulgular ayrıca, dilin çok karmaşık olduğunu ve dil ediniminin genel öğrenme süreçleri yoluyla gerçekleşmesi için bilgi girdisinin çok seyrek olduğunu iddia eden ABD’li dilbilimci Noam Chomsky gibi bilim insanlarına da meydan okuyor. Bortfeld, “Bunlar, bu tür ‘özel’ mekanizmaların gerekli olmadığını gösteren gördüğüm en güçlü veriler arasında” diyor.
Gerçek dünyada dil öğrenimi, yapay zekanın deneyimlediğinden çok daha zengin ve çeşitlidir. Araştırmacılar, YZ’nin hareketsiz görüntüler ve yazılı metinler üzerinde eğitimle sınırlı olması nedeniyle, gerçek bir bebeğin yaşamına özgü etkileşimleri deneyimleyemediğini söylüyor. Vong, YZ’nin örneğin, genellikle bir bebeğin hayatının erken dönemlerinde öğrenilen ‘el’ kelimesini öğrenmekte zorlandığını söylüyor. “Bebeklerin kendi elleri var, onlarla çok fazla deneyimleri var. Bu kesinlikle modelimizin eksik bir bileşeni.”
Kanada’daki Montreal Üniversitesi’nde makine öğrenimi bilimcisi olan Anirudh Goyal, “Modeli insan öğrenmesinin karmaşıklığıyla daha uyumlu hale getirmek için daha fazla iyileştirme potansiyeli çok büyük ve bilişsel bilimlerde ilerlemeler için heyecan verici yollar sunuyor” diyor.
Kaynak: Nature
Yapayzeka.news’in hiçbir güncellemesini kaçırmamak için bizi Facebook, Twitter, LinkedIn, Instagram‘ ve Whatsapp Kanalımız‘dan takip edin.
