Qaydadan təcrübəyə keçid
Süni intellektin ilk mərhələləri uzun müddət davranışın təqlidinə əsaslanmışdı. Mexaniki fiqurlar, avtomatlar və qayda əsaslı proqramlar müəyyən vəziyyətlərdə insan kimi reaksiya verə bilirdi. Bu sistemlər düşünmür, analiz etmir və öyrənmirdi. Onlar sadəcə əvvəlcədən müəyyən edilmiş qaydaları icra edirdi. Lakin kənardan baxanlar üçün bu davranışlar məqsədli və ağıllı görünürdü. Bir maşın doğru cavabı verirsə onun necə işlədiyi çox vaxt ikinci plana keçirdi. Davranış əsas ölçü meyarına çevrilmişdi.
Alan Turingin yanaşması da məhz bu nöqtədə ortaya çıxmışdı. O, maşının daxilində nə baş verdiyini yox, xaricdə necə davrandığını əsas götürməyi təklif edirdi. Əgər bir sistem insanla ünsiyyətdə onu aldatmağa qadirdirsə onun ağıllı olub-olmamasını mübahisə etməyin mənası varmı? Bu fikir süni intellekt tədqiqatlarına praktik istiqamət verdi və uzun müddət əsas yol xəritəsi rolunu oynadı. Alimlər maşınların düşünməsini yaratmağa yox, insan davranışını təqlid edən sistemlər qurmağa çalışdılar.
Qayda əsaslı sistemlər yalnız əvvəlcədən nəzərdə tutulmuş vəziyyətlərdə işləyirdi. Real dünya isə bu qədər sadə deyildi. İnsan davranışı nadir hallarda sərt qaydalara tabe olur. Qərarlar çox vaxt natamam məlumat, qeyri-müəyyənlik və kontekst əsasında verilir. Eyni vəziyyət fərqli insanlar üçün fərqli nəticələr doğura bilər. Bu mürəkkəbliyi minlərlə qayda ilə ifadə etmək mümkün deyildi. Hər yeni vəziyyət yeni qaydalar tələb edir, sistem böyüdükcə idarəolunmaz hala gəlirdi.
Problem maşınların kifayət qədər güclü olmamasında deyildi. Problem yanaşmanın özündə idi. İnsan dünyanı qaydalar siyahısı kimi qəbul etmir. İnsan təcrübə toplayır, səhv edir, nəticə çıxarır və davranışını dəyişir. İnsan öyrənir. Əgər süni intellekt insan kimi davranmalı idisə bəlkə də ona insan kimi öyrənməyi öyrətmək lazım idi.
Süni intellekt tarixində diqqət mərkəzi tədricən dəyişməyə başladı. Əsas sual artıq “Maşına hansı qaydaları yazmalıyıq?” deyildi. Yeni sual daha fundamental idi. “Maşın bu qaydaları özü tapa bilərmi?” Davranışı əvvəlcədən müəyyən etmək yerini davranışın zamanla dəyişməsinə verdi. İlk dəfə olaraq maşın passiv icraçı rolundan çıxaraq təcrübədən nəticə çıxaran aktiv sistem kimi düşünülməyə başlanıldı.
Bu nöqtədə öyrənmə anlayışı süni intellektin diqqət mərkəzinə keçdi. Maşın artıq düzgün cavabı ilk cəhddə vermək məcburiyyətində deyildi. Onun vəzifəsi zamanla daha az səhv etmək idi. Səhv etmə prosesi uğursuzluq deyil, öyrənmənin ayrılmaz hissəsinə çevrildi. Süni intellektin gələcəyi qaydaların çoxaldılmasında yox, adaptasiyada axtarılmağa başlanıldı.
Maşınlar nə vaxt və hansı şərtlərdə öyrənməyə başladı? Qayda əsaslı sistemlərdən öyrənən modellərə keçid necə baş verdi? Öyrənmə anlayışı süni intellektin mahiyyətini necə dəyişdirdi?
“Öyrənmək” nə deməkdir?
Süni intellektdə “öyrənmə” anlayışı tez-tez texniki termin kimi təqdim olunur. Statistik modellər, alqoritmlər, məlumat dəstləri və optimallaşdırma prosesləri bu anlayışın ətrafında sıralanır. Lakin öyrənmə ideyasının kökü texnologiyadan xeyli əvvəl formalaşmışdır. İnsan öyrənməyi müşahidə etdikcə onu əvvəlcə bioloji, sonra isə idraki proses kimi anlamağa çalışmışdır. Süni intellektdə öyrənmə anlayışını başa düşmək üçün ilk növbədə insanın necə öyrəndiyinə baxmaq lazımdır.
İnsan öyrənəndə ona hazır qaydalar verilmir. Uşaq yeriməyi öyrənərkən ona addımların dəqiq ardıcıllığı izah edilmir. O, yıxılır, balansını itirir, səhv edir və bu səhvlərin nəticəsində bədənini uyğunlaşdırır. Öyrənmə burada düzgün hərəkətin əvvəlcədən bilinməsi deyil, zamanla daha stabil davranışın formalaşmasıdır. Eyni proses danışıqda, qərar vermədə və problem həllində də müşahidə olunur. İnsan əvvəlcə səhv edir, sonra bu səhvlərdən nəticə çıxararaq davranışını dəyişir.
Bu baxımdan öyrənmə dinamik bir prosesdir. Öyrənən sistem əvvəlki vəziyyəti ilə eyni qalmır. O, təcrübə topladıqca dəyişir. Əgər davranış dəyişmirsə öyrənmə baş vermir. Məhz bu xüsusiyyət süni intellekt üçün əsas dönüş nöqtəsinə çevrildi. Çünki klassik qayda əsaslı sistemlər dəyişmirdi. Onlar ilk gündə necə idisə son gün də eyni qalırdı. Sistemə yeni qayda əlavə edilmədikcə onun davranışı dəyişmirdi. Bu isə insan öyrənməsi ilə tam ziddiyyət təşkil edirdi.
Qayda yazmaqla öyrənmək arasında əsas fərq də burada ortaya çıxır. Qayda əsaslı sistemlərdə bilik xaricdən verilir. İnsan sistemi necə davranmalı olduğunu əvvəlcədən müəyyən edir. Maşın isə bu bilikləri sadəcə icra edir. Öyrənən sistemlərdə isə bilik daxili şəkildə formalaşır. Sistem ona verilən nümunələrdən ümumi qanunauyğunluqları özü tapmağa çalışır. Burada insanın rolu qayda yazmaq yox, mühit yaratmaqdır. İnsan cavabı göstərir, amma cavabın necə tapıldığını diktə etmir.
Bu fərqi sadə bir misalla izah etmək olar. Bir uşağa “bu heyvan pişikdir” demək qayda verməkdir. Ona onlarla pişik şəkli göstərib “bunlar pişikdir” demək isə öyrətməkdir. Birinci halda uşaq yalnız deyiləni təkrar edə bilər. İkinci halda isə o, yeni bir pişiyi görəndə belə onu tanıya bilər. Süni intellektdə öyrənmə məhz bu ikinci yanaşmaya əsaslanır. Sistem görmədiyi halları da düzgün qiymətləndirməyi bacarmalıdır.
Burada çox vacib bir anlayış ortaya çıxır: ümumiləşdirmə. Öyrənən sistem yalnız konkret nümunəni yadda saxlamır. O, nümunələr arasındakı əlaqələri tapır. Əgər sistem yalnız verilən məlumatları əzbərləyirsə bu öyrənmə deyil. Bu, sadəcə yaddaşdır. Öyrənmə isə yeni vəziyyətlərdə əvvəlki təcrübəyə əsaslanaraq qərar vermək bacarığıdır. İnsan düşüncəsində bu proses çox təbii görünür, lakin maşın üçün ciddi bir çətinlikdir.
Bu nöqtədə öyrənmənin ikinci vacib xüsusiyyəti üzə çıxır: səhvin rolu. Qayda əsaslı sistemlərdə səhv sistemin uğursuzluğu hesab olunur. Sistem səhv cavab verirsə, bu, proqramçının səhvi kimi qəbul edilir. Öyrənən sistemlərdə isə səhv qaçınılmazdır və hətta zəruridir. Sistem öz davranışını məhz səhvlər vasitəsilə düzəldir. Səhv etməyən sistem öyrənə bilməz. Bu yanaşma süni intellekt üçün tamamilə yeni idi. Çünki uzun illər maşınlardan səhvsiz işləmək gözlənilirdi. Halbuki insan öyrənməsi səhvlər üzərində qurulmuşdur.
Öyrənmə anlayışı eyni zamanda qeyri-müəyyənliyi də özündə daşıyır. İnsan qərar verərkən heç vaxt bütün məlumatlara sahib olmur. O, ehtimallarla düşünür, riskləri qiymətləndirir və təcrübəsinə güvənir. Süni intellektdə öyrənmə də məhz bu qeyri-müəyyənlik üzərində qurulur. Sistem verilən məlumatdan tam əminliklə nəticə çıxarmır. O, ehtimallara əsaslanaraq ən uyğun cavabı seçir.
Adaptiv sistem isə mühitə uyğunlaşa, dəyişən şərtlərə reaksiya verə və zamanla daha stabil davranış formalaşdıra bilir. Maşın hiss etmir, motivasiya yaşamır və məqsədləri özü seçmir. Lakin o, davranışını dəyişmək qabiliyyətinə malikdir. Bu qabiliyyət isə intellekt anlayışının ən azı bir hissəsini təşkil edir. Süni intellektin gücü məhz burada ortaya çıxır. O, insan kimi düşünməyə yox, insan kimi öyrənməyə doğru ilk addımı atır.
Qaydalar niyə yetərli olmadı?
Süni intellektin erkən mərhələlərində insan düşüncəsini modelləşdirməyin ən məntiqli yolu qaydalara əsaslanmaq kimi görünürdü. İnsan müəyyən şərtləri qiymətləndirir və nəticəyə gəlir. Əgər bu şərtlər açıq şəkildə ifadə edilə bilirsə, onda maşın da eyni nəticəyə çata bilər. Bu yanaşma xüsusilə riyazi məntiqin və formal dillərin inkişafı fonunda olduqca cəlbedici idi. Süni intellektin ilk praktik sistemləri də məhz bu düşüncə üzərində quruldu. Qayda əsaslı sistemlər və ekspert proqramları insan biliyini məntiqi ifadələr şəklində kodlaşdırmağa çalışırdı.
İlk baxışdan bu yanaşma uğurlu görünürdü. Məhdud sahələrdə işləyən sistemlər yaradıldı. Tibbi diaqnostika, kimyəvi analiz, riyazi teoremlərin sübutu kimi sahələrdə ekspert sistemlər insan mütəxəssislərlə müqayisə edilə bilən nəticələr verirdi. Bu uğurlar bir çox tədqiqatçını süni intellekt probleminin əsasən həll edildiyinə inandırdı. Əgər kifayət qədər qayda yazılarsa maşın istənilən problemi həll edə bilərdi. Lakin bu ideya real dünya ilə üzləşdikcə tədricən sarsılmağa başladı.
Qayda əsaslı sistemlərin ən fundamental problemi onların çevik olmaması idi. Bu sistemlər yalnız əvvəlcədən nəzərdə tutulmuş vəziyyətlərdə düzgün işləyirdi. Reallıq isə sərhədsiz vəziyyətlərdən ibarətdir. İnsan davranışı kontekstdən, mədəniyyətdən, təcrübədən və hətta emosional vəziyyətdən asılı olaraq dəyişir. Eyni sual fərqli şəraitdə tam fərqli cavablar doğura bilər. Bu cür dəyişkənliyi sərt “əgər–onda” qaydaları ilə ifadə etmək demək olar ki, mümkün deyildi.
Bu nöqtədə “qayda partlayışı” adlandırılan problem ortaya çıxdı. Sadə bir vəziyyət üçün bir neçə qayda kifayət edirdisə daha mürəkkəb hallar üçün onlarla, yüzlərlə, hətta minlərlə qayda tələb olunurdu. Həm də bu qaydalar bir-biri ilə qarşılıqlı əlaqədə idi. Bir qaydanın dəyişdirilməsi başqa qaydaların nəticələrini poza bilərdi. Sistem böyüdükcə onun davranışını proqnozlaşdırmaq çətinləşirdi. Nəticədə qayda əsaslı sistemlər idarəolunmaz hala gəlirdi.
Digər ciddi problem qeyri-müəyyənliklə bağlı idi. İnsan qərarları nadir hallarda tam informasiya əsasında verilir. İnsan çox vaxt natamam və qeyri-dəqiq məlumatla hərəkət edir. O, ehtimalları nəzərə alır, riskləri qiymətləndirir və təcrübəsinə əsaslanaraq qərar verir. Qayda əsaslı sistemlər isə dəqiq və birmənalı məlumat tələb edirdi. Məlumat bir az dəyişdikdə və ya natamam olduqda sistem ya səhv nəticə verirdi, ya da ümumiyyətlə qərar verə bilmirdi. Bu isə real mühitlərdə bu cür sistemlərin etibarsız olmasına səbəb olurdu.
Dil emalı sahəsində bu problemlər daha açıq şəkildə üzə çıxırdı. İnsan dili çoxmənalı, kontekstdən asılı və daim dəyişən struktura malikdir. Bir söz və ya cümlə fərqli situasiyalarda fərqli mənalar ifadə edə bilər. Qayda əsaslı dil sistemləri bu elastikliyi təmin edə bilmirdi. Onlar dili mexaniki qaydalar toplusu kimi görürdü. Nəticədə yaranan sistemlər insanla ünsiyyətdə tez-tez süni və məhdud görünürdü.
Qayda əsaslı sistemlərin başqa bir zəif tərəfi də bilik əldə etmə prosesinin özündə idi. Qaydalar insan mütəxəssislər tərəfindən yazılmalı idi. Bu isə çox vaxt çətin və subyektiv proses idi. Mütəxəssis öz biliyini tam şəkildə formal qaydalara çevirə bilmirdi. Bir çox qərarlar intuisiya, təcrübə və şüuraltı mexanizmlərə əsaslanırdı. Bu bilikləri sözlə və ya məntiqi ifadələrlə izah etmək mümkün deyildi. Nəticədə sistemlər ya natamam biliklərlə işləyirdi, ya da insanın real qərar mexanizmini əks etdirmirdi.
Gözləntilər çox yüksək idi. İnsan səviyyəsində intellekt vəd edilirdi. Lakin nəticələr bu vədləri doğrultmurdu. Bu uyğunsuzluq maliyyələşmənin azalmasına, layihələrin dayandırılmasına və tədqiqat sahəsinin bir müddət diqqətdən kənarda qalmasına səbəb oldu. Qayda əsaslı yanaşmanın məhdudiyyətləri artıq inkaredilməz idi.
Lakin bu uğursuzluqlar süni intellekt üçün son demək deyildi. Əksinə, onlar çox vacib bir dərs verdi. İnsan biliyi tam şəkildə formal qaydalara salına bilməz. İnsan dünyanı sərt məntiq çərçivəsində deyil, qeyri-müəyyənlik, ehtimal və adaptasiya vasitəsilə dərk edir. Əgər süni intellekt insan davranışına yaxınlaşmaq istəyirdisə bu xüsusiyyətləri nəzərə almalı idi.
Artıq məqsəd bütün bilikləri qaydalara salmaq deyildi. Yeni sual daha fundamental idi. Maşın bu bilikləri özü əldə edə bilərmi? Əgər sistem təcrübədən nəticə çıxara bilirsə, əvvəlcədən yazılmış minlərlə qaydaya ehtiyac qalarmı? Bu suallar süni intellektin inkişafında yeni mərhələnin başlanğıcını qoydu.
Tarixi dönüş
XX əsrin ortalarına doğru insan beyninə maraq ciddi şəkildə artmışdı. Alimlər beynin yalnız bioloji orqan olmadığını, eyni zamanda informasiya emal edən bir sistem kimi də başa düşülə biləcəyini düşünməyə başlamışdılar. Beyin siqnalları qəbul edir, emal edir və nəticə çıxarırdı. Bu təsvir ilk baxışdan mexaniki görünə bilərdi, lakin çox güclü bir ideyanı özündə daşıyırdı. Əgər beyin informasiya emal edirsə bəlkə də düşünmək hesablamaya bənzər bir prosesdir. Bu fikir süni intellekt tarixində fundamental dönüş nöqtələrindən biri oldu.
Bu dövrdə kibernetika adlı yeni bir sahə formalaşdı. Kibernetika canlı və cansız sistemlərdə idarəetmə, əlaqə və geribildiriş mexanizmlərini öyrənirdi. Norbert Wiener bu sahənin əsas fiqurlarından biri idi. Onun yanaşmasına görə sistemin ağıllı davranışı daxili şüurdan yox, geribildirişdən asılı idi. Sistem öz hərəkətinin nəticəsini müşahidə edir və növbəti davranışını buna uyğun dəyişirsə bu artıq adaptasiyanın ilkin forması sayılırdı. Bu fikir süni intellekt üçün çox vacib idi. Çünki ilk dəfə olaraq davranışın dəyişməsi şüurla yox, mexanizmlə izah edilirdi.
Eyni dövrdə psixologiyada da oxşar dəyişikliklər baş verirdi. Davranışçılıq məktəbi insan və heyvan davranışını müşahidə edilə bilən reaksiyalar üzərindən izah etməyə çalışırdı. Onlara görə daxili hisslər və düşüncələr ölçülə bilmədiyi üçün elmi modelin mərkəzində dayanmamalı idi. Əsas olan stimul və cavab arasındakı əlaqə idi. Bu yanaşma sonradan öyrənən maşın ideyasına ciddi təsir göstərdi. Əgər davranış müəyyən stimullara cavab olaraq formalaşırsa bu əlaqə riyazi şəkildə modelləşdirilə bilərdi.
Öyrənmə ideyasının formalaşmasında statistikanın rolu da xüsusi qeyd olunmalıdır. İnsan qərarlarının hər zaman dəqiq və deterministik olmadığı getdikcə daha aydın görünürdü. Qərarlar ehtimallar üzərində qurulurdu. İnsan eyni vəziyyətdə belə fərqli seçimlər edə bilərdi. Bu isə düşüncənin sərt qaydalarla yox, ehtimal paylanmaları ilə izah olunmasının daha uyğun olduğunu göstərirdi. Statistik modellər qeyri-müəyyənliklə işləməyi bacarırdı və bu, süni intellekt üçün yeni imkanlar açırdı.
Bu mərhələdə öyrənmə anlayışı tədricən “parametrlərin dəyişməsi” kimi başa düşülməyə başladı. Sistem əvvəlcədən tam hazır qaydalarla təchiz edilmir. Onun daxilində müəyyən parametrlər olur və bu parametrlər təcrübəyə əsasən dəyişir. Bu dəyişmə sistemi daha uyğun nəticələrə yaxınlaşdırır. Burada vacib olan məqam odur ki, sistemin strukturu sabit qala bilər, lakin davranışı dəyişir. Bu fikir sonradan bütün öyrənən modellərin əsasını təşkil etdi.
Beyin tədqiqatlarında Donald Hebb tərəfindən irəli sürülən bir prinsip bu ideyanı daha da gücləndirdi. Hebb belə bir fikir irəli sürmüşdü: əgər iki neyron eyni vaxtda aktivləşirsə aralarındakı əlaqə güclənir. Bu sadə prinsip öyrənmənin mexaniki modelinə çevrilə biləcək qədər güclü idi. Burada öyrənmə yeni struktur yaratmaq yox, mövcud əlaqələri gücləndirmək və zəiflətmək idi. Bu yanaşma süni sistemlər üçün çox cəlbedici idi. Çünki mürəkkəb davranış sadə dəyişikliklərin nəticəsi kimi izah edilə bilirdi.
Bu dövrdə informasiya nəzəriyyəsinin inkişafı da süni intellektin formalaşmasına təsir göstərdi. Claude Shannon informasiyanı ölçülə bilən kəmiyyət kimi təqdim etdi. Məlumat artıq mücərrəd anlayış yox, riyazi obyekt idi. Bu isə düşüncə və öyrənmə proseslərini daha formal şəkildə modelləşdirməyə imkan verdi. Əgər informasiya ölçülə bilirsə onun emalı da hesablana bilərdi. Beləliklə öyrənmə anlayışı getdikcə riyazi və hesablama yönümlü məna qazandı.
Bütün bu ideyalar bir nöqtədə birləşirdi. Süni intellekt artıq insan düşüncəsini birbaşa təqlid etməyə çalışmırdı. O, düşüncənin nəticələrini yaradan mexanizmləri axtarırdı. Öyrənmə bu mexanizmlərin mərkəzində dayanırdı. Sistemə “düzgün cavab” verilmirdi. Ona yalnız nümunələr və geribildiriş təqdim olunurdu. Sistem isə bu təcrübədən istifadə edərək öz davranışını tədricən dəyişirdi.
Perceptron
1957-ci ildə amerikalı alim Frank Rosenblatt tərəfindən təqdim olunan Perceptron süni intellekt tarixində xüsusi yer tutur. Bu model çox sadə idi, lakin daşıdığı fikir son dərəcə güclü idi. Perceptron ilk dəfə olaraq maşının davranışını təcrübə əsasında dəyişə biləcəyini açıq şəkildə göstərirdi. Bu, qayda əsaslı sistemlərdən köklü şəkildə fərqlənirdi. Burada insan əvvəlcədən “düzgün davranışı” yazmırdı. Sistemə yalnız nümunələr göstərilir və o, zamanla bu nümunələrə uyğunlaşırdı.
 |
| Frank Rosenblatt ’50, Ph.D. ’56, works on the “electronic profile analyzing computer” – a precursor to the perceptron. (Division of Rare and Manuscript Collections) |
Perceptronun əsas ideyasını anlamaq üçün onun quruluşuna baxmaq kifayətdir. Model girişlər qəbul edir, bu girişlər müəyyən çəkilərlə vurulur və nəticədə bir çıxış formalaşır. Əgər çıxış düzgün deyilsə çəkilər dəyişdirilir. Bu dəyişiklik təsadüfi deyil. O, səhvin istiqamətinə uyğun aparılır. Beləliklə sistem növbəti dəfə eyni vəziyyətlə qarşılaşanda bir az daha düzgün nəticə verməyə yaxınlaşır. Burada öyrənmə məhz bu dəyişmə prosesində baş verir.
Bu mexanizm ilk baxışdan primitiv görünə bilər. Lakin əslində süni intellekt üçün inqilabi idi. Çünki ilk dəfə olaraq maşın öz davranışını insan müdaxiləsi olmadan dəyişirdi. İnsan yalnız düzgün cavabı göstərirdi. Sistem isə bu cavaba necə çatacağını özü “öyrənirdi”. Bu, insan öyrənməsinə çox bənzər bir yanaşma idi. İnsan da ilk cəhddə düzgün qərar vermir, amma səhvlər vasitəsilə davranışını düzəldir.
Perceptron tezliklə böyük maraq doğurdu. Media bu modeli “elektron beyin” kimi təqdim etməyə başladı. O dövrdə süni intellektlə bağlı gözləntilər sürətlə yüksəlirdi. Bəziləri düşünürdü ki, bu cür modellər yaxın gələcəkdə insan səviyyəsində düşünə bilən maşınların yaranmasına səbəb olacaq. Rosenblatt özü də Perceptronun potensialı barədə nikbin idi. Onun fikrincə bu cür sistemlər zamanla daha mürəkkəb davranışları da öyrənə bilərdi.
Lakin reallıq gözləntilərlə üst-üstə düşmədi. Perceptronun ciddi məhdudiyyətləri var idi. O, yalnız xətti şəkildə ayrılan problemləri həll edə bilirdi. Daha mürəkkəb əlaqələri, qeyri-xətti strukturları öyrənməkdə aciz idi. Bu məhdudiyyətlər texniki baxımdan ciddi problemlər yaradırdı. Sistem müəyyən sadə tapşırıqlarda işləsə də real dünya problemlərinin çoxu üçün yararsız idi.
Bu zəifliklər 1969-cu ildə Marvin Minsky və Seymour Papert tərəfindən açıq şəkildə göstərildi. Onların tənqidləri Perceptronun fundamental məhdudiyyətlərini ortaya qoydu. Bir çoxları öyrənmə ideyasının özünü şübhə altına almağa başladı. Maliyyələşmə azaldı, layihələr dayandırıldı.
Lakin burada çox vacib bir məqam var. Perceptronun uğursuzluğu öyrənmə ideyasının səhv olduğunu göstərmirdi. O, sadəcə dövrün texnoloji imkanlarının məhdudluğunu ortaya qoyurdu. Hesablama gücü zəif idi, məlumat az idi və riyazi alətlər hələ kifayət qədər inkişaf etməmişdi. Problem ideyada yox, onu reallaşdıran vasitələrdə idi.
Perceptronun əsl dəyəri onun göstərdiyi istiqamətdə idi. Bu model süni intellektin gələcəyinə açıq mesaj verirdi. Ağıllı davranış əvvəlcədən yazılmış qaydaların nəticəsi olmaya da bilər. O, təcrübədən, səhvdən və uyğunlaşmadan yarana bilər. Bu fikir sonradan bütün maşın öyrənməsi sahəsinin əsasını təşkil etdi.
Başqa sözlə, Perceptron süni intellekt üçün bir başlanğıc nöqtəsi idi. O, mükəmməl deyildi, lakin yol göstərirdi. Süni intellekt artıq yalnız “nə etməliyəm?” sualını cavablandıran sistemlərdən ibarət deyildi. O, “necə daha yaxşı edə bilərəm?” sualını verən sistemlərə çevrilirdi.
 |
| An image of the perceptron from Rosenblatt's “The Design of an Intelligent Automaton,” Summer 1958. (Division of Rare and Manuscript Collections) |
Bu nöqtədə maraqlı bir paradoks yaranır. Perceptron öz dövründə uğursuz hesab olunsa da onun ideyaları onilliklər sonra müasir dərin öyrənmə modellərinin əsasına çevrildi. Çoxqatlı neyron şəbəkələri, geriyayılma alqoritmi və böyük məlumat dəstləri məhz bu ilkin ideyanın inkişaf etmiş formalarıdır. Bugünkü süni intellekt sistemləri Perceptronun fəlsəfi mirasını daşıyır.
Perceptron süni intellekt tarixində simvolik rol oynayır. O, ilk dəfə olaraq maşının öyrənə biləcəyini real şəkildə göstərdi. Bu öyrənmə mükəmməl deyildi, amma mümkün idi. Süni intellektin gələcək inkişafı məhz bu imkanın üzərində quruldu.
Əlavə:
Perceptronun işləmə prinsipi dörd əsas mərhələdən ibarətdir.
1 - Girişlərin qəbul edilməsi
Perceptron əvvəlcə giriş məlumatlarını qəbul edir. Bu girişlər rəqəmlərlə ifadə olunur.
Məsələn:
- Şəkildəki piksel dəyərləri
- Sensor ölçmələri
- Sadə xüsusiyyətlər (böyükdür / kiçikdir, açıqdır / tünddür və s.)
Bu mərhələdə Perceptron məlumatın mənasını anlamır. O, sadəcə ədədlərlə işləyir. Giriş onun üçün “xüsusiyyətlər toplusu”dur.
2 - Çəkilərlə vurma
Hər girişin qarşısında bir çəki (weight) var. Bu çəki həmin girişin qərara nə qədər təsir etdiyini göstərir.
- Böyük çəki → giriş vacibdir
- Kiçik çəki → giriş az əhəmiyyətlidir
Perceptron hər girişi öz çəkisi ilə vurur və sonra hamısını toplayır.
Bu mərhələdə əsas fikir budur ki, bütün girişlər eyni dərəcədə vacib deyil.
Bu, insan düşüncəsinə bənzər bir yanaşmadır. İnsan da qərar verərkən bəzi faktorları daha önəmli, bəzilərini isə ikinci dərəcəli sayır.
3 - Aktivləşmə funksiyası (qərar nöqtəsi)
Toplanan nəticə bir eşik dəyəri (treshold) ilə müqayisə olunur.
- Əgər nəticə eşikdən böyükdürsə → çıxış = 1
- Əgər kiçikdirsə → çıxış = 0
Bu mərhələ qərar anıdır. Perceptron burada “bəli” və ya “xeyr” deyir.
Vacib məqam odur ki, Perceptron yalnız kəskin qərar verir. Bu səbəbdən Perceptron çox sadə problemlər üçün uyğundur.
4 - Öyrənmə (Səhv varsa, çəkilər dəyişir)
Perceptronu xüsusi edən hissə buradır. Perceptron verdiyi cavabı düzgün cavabla müqayisə edir:
- Əgər cavab düzgündürsə → heç nə dəyişmir
- Əgər cavab səhvdirsə → çəkilər dəyişdirilir
Çəkilər səhvin istiqamətinə uyğun olaraq artırılır və ya azaldılır. Bu dəyişiklik belə başa düşülə bilər:
“Bu girişə növbəti dəfə daha çox / daha az fikir verməliyəm.”
Bu mexanizm Perceptronu öyrənən sistemə çevirir. Qayda yazılmır. Sistem öz davranışını tədricən düzəldir.