ABD’nin uygulamalı bilimler alanında en önde gelen üniversitelerinden birisi konumundaki Massachusetts Teknoloji Enstitüsü’ndeki (MIT) araştırmacılar, yapay zekâ konusunda yeni bir metot üzerinde çalışıyor. Araştırmacıların geliştirdiği yeni metot, makine öğrenimi teknikleri üzerinde yeni bir yaklaşımı içeriyor. Bu yöntem sayesinde üretken yapay zekâ çıktıları doğruluğunu korurken daha az kaynak kullanarak yapay zekâ modellerine ince ayar yapılabilmesini sağlıyor. Araştırmacılar bu yeni yöntemin akıllı telefonlar gibi daha küçük cihazlarda yapay zekayı geliştirmek için kullanılabileceğini iddia ediyor.
Özellikle ChatGPT’nin yayınlanmasıyla birlikte son 1 yıldır hayatımıza giren yaratıcı yapay zekâ uygulamaların en önemli dar boğazlarından birisini kaynak kullanımı oluşturuyor. Her ne kadar bu yenilikçi uygulamalar cep telefonu, PC ve tablet gibi gündelik cihazlarda kullanılabilse de, bu ve benzeri uygulamaları geliştirmek ve “eğitmek” için devasa veri kaynakları ve süper hızlı bilgisayarlara ihtiyaç duyulmakta. MIT araştırmacılarının geliştirdikleri yeni bir eğitim yöntemi ise, uç bilişim cihazlarında da yapay zekâ için sürekli öğrenmeyi mümkün kılıyor.
Araştırmacılar, derin öğrenme tekniklerinin yapay zekâ sohbet robotlarının kullanıcı aksanlarını anlamasına ya da bir kişinin yazma geçmişine dayanarak yazacağı bir sonraki kelimeyi tahmin etmesine yardımcı olabileceğini söyledi. Ancak bu özellikler, yapay zekâ modeline yeni verilerle ince ayar yapılmasını gerektiriyor.
MIT bünyesinde bu süreç üzerinde çalışan bir ekip bunun akıllı telefonlarda ve küçük uç cihazlarda bir sorun haline geldiğini, çünkü bu cihazların ince ayar işlemi için gereken bellek ve hesaplama gücünden yoksun olabileceklerini söyledi. Bunu aşmanın bir yolu bulut sunucuları kullanmak, ancak bu hem enerji endişelerini hem de hassas veriler söz konusu olduğunda güvenlik risklerini beraberinde getiriyor.
MIT araştırmacıları ise düzeltmek için, derin öğrenme modellerinin doğrudan bir uç cihazda yeni sensör verilerine verimli bir şekilde adapte olmasını sağlayan bir teknik geliştirdiklerini iddia ediyor. Araştırmacıların PockEngine adını verdikleri bu eğitim yöntemi, doğruluğu artırmak için makine öğrenimi modelinin hangi parçalarının güncellenmesi gerektiğini belirleyebiliyor. Bu yöntem daha sonra yalnızca bu belirli parçaları depoluyor ve bunlarla hesaplama yapıyor.
MIT ekibi, derin öğrenme modellerinin, bir tahminde bulunmak için verileri işleyen birbirine bağlı birçok düğüm katmanından oluşan sinir ağlarına dayandığını söyledi. Ancak sinir ağındaki tüm katmanlar doğruluğu artırmak için aslında elzem değil ve Ekip, önemli olan katmanlar için tüm katmanın güncellenmesinin gerekmeyebileceğini söyledi. PockEngine yöntemi, belirli bir görevdeki her katmana ince ayar yapmak ve her bir katmandan sonra doğruluk artışını ölçmek için tasarlanmış. PockEngine daha sonra, ince ayar yapılması gereken her katmanın yüzdesini belirlemek için her katmanın katkısını ve doğruluk ile ince ayar maliyeti arasındaki dengeleri tanımlıyor.
MIT ekibi, bu eğitim yönteminin gerekli hesaplama gücünü en aza indirmek ve ince ayar sürecinin hızını artırmak için yapılması gereken ana hesaplamaları çalışma zamanından önce gerçekleştirebileceğini söyledi. Araştırmacılar, PockEngine’in bazı donanım platformlarında doğrulukta bir düşüş olmadan diğer yöntemlerden 15 kat daha hızlı performans gösterebildiğini iddia ediyor.
Geçtiğimiz hafta, eski Apple tasarımcıları tarafından kurulan Humane şirketi, giyilebilir cihazlar için yeni bir çağ yaratmayı amaçlayan yapay zekâ destekli yeni cihazının ayrıntılarını paylaştı. Küçük cihazın adı Humane AI Pin, ancak yüksek fiyat etiketi ve yetenekleri konusundaki belirsizlik şimdilik benimseme önünde ciddi bir engel olacak gibi görünüyor.
