Həftənin sualı rubrikası çərçivəsində verdiyimiz 3-cü suala ən ətraflı cavabı Balaqardaş Bəşirov adlı oxucumuz (və yazarımız) vermişdir. Onun cavabını olduğu kimi aşağıda yerləşdiririk:
Süni neyron şəbəkələri (SNŞ) müəyyən bir qayda ilə qurulur, misal üçün birinci qatda “xam” data verilir. Bu data işləndikdən sonra ikinci qata ötürülür və s. Bu prosesdə heç vaxt geriyə məlumat ötürülməsi və ya “qatdaxili” məlumat mübadiləsi olmur (bəzi yeni növ şəbəkələr məsələn, U-Net, RNN, CNN, Boltzmann maşını bu qaydanın müəyyən mənada pozur). Bioloji neyral şəbəkələr isə daha qarmaqarışıq və müəyyən mənada daha stoxastik olur. İkinci fərq öyrənmə proseduru üzərindədir. Bu işin biologiya tərəfi ilə çox tanış deyiləm, amma anladığım qədəri ilə akademiyada bu mövzu haqqında fikir birliyi yoxdur. SNŞ-lər isə birbaşa riyazi yollarla ortaya atılmış, biologiya ilə çox əlaqəsi olmayan “geri-yayım” (ing. back-propogation) alqoritmi ilə öyrənir. Elə süni şəbəkələrin bioloji nüsxəsini düzəltməyin böyük problemlərindən biri də, geri-yayım alqoritmini kompleks sistemə tətbiqində olan problemlərdir. Riyazi yolla qurulmuş alqoritmanın yaratdığı digər problem isə bioloji olaraq daha doğru olan perseptron modelinin artıq işləməməsidir. Perseptron modelində neyron müəyyən bir siqnal səviyyəsinə qədər heç nə etmir, onda sonra tam aktiv olur. Yəni ya 0-dır ya 1. Belə funksiya riyazi analiz üçün “gözəl” olmadığı üçün onu siqmoid, ReLu və s. kimi daha “hamar” aktivasiya ilə əvəzləyirlər.
Məncə bioloji sistemlərin üstünlüyünə ən böyük səbəb öyrənmə prosedurudur. Bioloji sistemlər təkamül ilə yığdıqları məlumatları və öyrəndikləri “cavabları” növbəti nəsilə ötürürlər. Beləcə yeni doğulan “beynin” əvvəldən yaşadığı dünya ilə müəyyən qədər tanışlığı olur. Süni şəbəkə hər şeyi sıfırdan öyrəndikləri üçüm treninq çox daha uzun çəkir. “Transfer öyrənməsi” anlayışı SNŞ-lərdə mövcud olsa da hələlik daha məhduddur.
Balaqardaşın cavabında sadaladığı faktorlara əlavə olaraq qeyd edə bilərik ki, canlı sistemlər öyrəndikləri şeylər üçün lazımi “treninq datası”nı aktiv şəkildə, hərəkət vasitəsilə əldə edirlər. Mühitdəki obyektlər və hadisələr təsadüfi düzülməyib, müəyyən struktura sahib olur. Heyvanların çoxunun hərəkətli olması onlara mühitin strukturundakı məlumatları üzə çıxarmağa kömək edir. Obyekt və hadisələr heyvanın hərəkətinə bağlı olaraq müəyyən formada sabit qalır, müəyyən formada isə dəyişir. Sinir sisteminə malik heyvanlar hərəkətlərlə mühitdəki qanunauyğunluqları “açığa çıxara” bilirlər.
Hələlik mühitdən belə aktiv şəkildə məlumat çıxarmanı texniki çətinliklərdən dolayı SNŞ-lərlə etmək çətindir. Yaratdığımız bir sistemin birbaşa olaraq real həyatda aktiv şəkildə öyrənməsini istəyiriksə, onun yıxılıb qırılmamasına nail olmalıyıq, bu isə real həyatda texniki olaraq çətindir. Bu məhdudiyyət qarşısında edilən sərgilənən bir yanaşma bəzi təməl fizika qanunlarının simulyasiya olunduğu virtual mühitlərdə öyrənən sadə agentlərdən istifadə etməkdir. Open Aİ-ın tədqiqat komandası simulyasiyada öyrənmə yanaşmasını sınaqdan keçirdikləri bir çalışmada (Baker et al. 2019) vasitəsilə gizlənpaç oynayan agentlərin mühitlə bağlı müəyyən qanunauyğunluqları öyrəndikləri və oyun zamanı bu qanunauyğunluqlardan istifadə etdiklərini müşahidə etmişdirlər. Çalışma haqda buradan daha ətraflı öyrənə bilərsiniz.
Verdiyimiz sualın digər hissəsi SNŞ-ləri və onların etdiyini edə bilən təbii analoqlarının arasındakı fərqlərin onların performansındakı fərqləri necə izah etdiyi ilə bağlı idi. Yəni, yuxarıda sadalanan bir sıra fərqlər bu iki şeyin işləyişi arasındakı fərqi necə izah edir? Bu suala səmimi cavab bu barədə çox fikrə sahib olmadığımızdır. Belə ki, canlı sistemlərin, onların sinir sistemlərinin bizə maraqlı olan davranışları tam olaraq hansı yolla həyata keçirdikləri ilə bağlı geniş bir razılıq yoxdur. Daha dəqiq desək, neyroelmdə hamı tərəfindən qəbul olunan, izah və təxmin gücü yüksək olan nəzəriyyələr o qədər də çox deyil. Məhz buna görə də, təbii sinir sistemlərinin hansı xassələrinin onlara maraqlı davranış sərgiləməyə imkan verdiyini əminliklə deyə bilmirik. Belədə SNŞ-lərin simasında təbii neyronların işləyişini aşağı-yuxarı izah edən həqiqi ciddi bir sıçrayış, yoxsa 50 il əvvəl “kompüter-kimi-beyin” ideyası ilə bağlı olduğu kimi növbəti məhsuldar lakin təqribi bənzətmə tapdığımızı deyə bilmirik.
