Şoreşeke Berbiçav di Xelata Nobelê ya Fîzîkê de: Fêrbûna Kûr ya Geoffrey Hinton
Ji hela Lava Naz Bagdu ve hati nivisandin
Di sala 2024-an de, Geoffrey Hinton, yek ji kesayetiyên pêşeng ên di warê Întelîjansa Çêkirî (Artificial Intelligence – AI) de, ji ber lêkolîna xwe ya nûjen a bi navê “Fêrbûna Kûr” (Deep Learning) Xelata Nobelê ya Fîzîkê wergirt. Ev lêkolîn ne tenê alîkariya me kir ku em fêm bikin ka mêjiyê mirovan çawa agahiyan tomar dike û wan pêvajoyê dike, lê di heman demê de bi hêsankirina sepandina van agahiyan di pergalên komputerê de, roleke bingehîn di pêşxistina Întelîjansa Çêkirî de dilîze. Di encamê de, pergalên AI roj bi roj bêtir jîr dibin, karîgeriya wan zêde dibe û ew dikarin pêvajoyên hişmendiyê yên mîna yên mirovan teqlîd bikin. Ev gotar vê lêkolînê bi hûrgulî dinirxîne, têkiliya wê bi neuroscience û fîzîkê re nîqaş dike û agahiyên li ser jiyana Geoffrey Hinton û xebatên wî yên din pêşkêş dike.
Geoffrey Hinton Kî Ye?
Geoffrey Hinton psîkologê zanistî yê hişmendiyê û zanyarê komputerê yê Brîtanî-Kanadayî ye. Wî di sala 1970-an de ji Zanîngeha Cambridge bawernameya xwe ya lîsansa Psîkolojiya Ceribandinê wergirt û paşê di sala 1978-an de ji Zanîngeha Edinburgh doktoraya xwe ya di warê Întelîjansa Çêkirî de bi dest xist. Her wiha, wî li Zanîngeha Sussex û Zanîngeha California, San Diego, xebatên postdoktorayê kirine. Hinton ku bi gelemperî wekî “Bavê AI-yê” (Godfather of AI) tê naskirin, bi taybetî bi pêşxistina rêbaza veguheztina paşve (Backpropagation) û fêrbûna kûr re, beşdariyên pêşeng di warê Întelîjansa Çêkirî de kiriye. Ev xebat di avakirina pergalên nûjen ên AI de bandoreke mezin hebûye (McDonough, 2024; Vector Institute, bêtarîx).
Fêrbûna Kûr (Deep Learning) Çi Ye?
Fêrbûna kûr beşeke fêrbûna makîneyê (Machine Learning) û Întelîjansa Çêkirî ye ku li gorî avahiya mêjiyê mirovan hatiye sêwirandin. Ew torên pir-qatî bi kar tîne ku bi gelemperî wekî torên nêroneyên kûr (Deep Neural Networks) tên naskirin. Ev tor dixwazin pêvajoya tevlihev a biryardayînê ya mêjiyê mirovan û avahiya wê, ku ji nêronên ku îşaretan dişînin hevdu pêk tê, teqlîd bikin. Gelek ji sepanên Întelîjansa Çêkirî yên ku îro em bi kar tînin, bi formên cuda yên fêrbûna kûr ve girêdayî ne (Holdsworth û yên din, 2024).
Fêrbûna Kevneşopî ya Makîneyê û Fêrbûna Kûr
Cudahiyeke sereke ya di navbera fêrbûna kûr û fêrbûna kevneşopî ya makîneyê (Non-deep) de, avahiya bingehîn a tora nêroneyî ye. Dema ku fêrbûna kevneşopî ya makîneyê ji bo perwerdekirina modelan yek an du torên nêroneyî bi kar tîne, fêrbûna kûr bi gelemperî sê an zêdetir toran, ku carinan dikarin bi sedan an bi hezaran bin, bi kar tîne.
Cudahiyeke din di navbera fêrbûna kûr û fêrbûna ne-kûr de ev e ku fêrbûna kevneşopî ya makîneyê hewceyê derxistina destanî ya taybetmendiyan ji daneyan e. Lêbelê, fêrbûna kûr dikare bi riya qatên xwe yên pirhejmar ên hesabkirinê, van taybetmendiyan bixweber derxe. Her qatek daneyan pêvajoyê dike û wan dişîne qata din. Ev yek rê li ber torê vedike ku bi serê xwe şêweyên tevlihev fêr bibe (Holdsworth û yên din, 2024).
Fêrbûna Kûr Çawa Dixebite?
Ji bo ku em fêrbûna kûr baş fêm bikin, pêdivî ye ku em torên nêroneyî, awayê perwerdekirina wan û rêbaza veguheztina paşve (Backpropagation) fêm bikin.
Torên Nêroneyî (Neural Networks)
Torên nêroneyî makîneyan fêr dikin ku bi alîkariya mirovan a sînorkirî, daneyan pêvajoyê bikin. Ev yek bi rêya girêdanên navbera girêk an nêronan di avahiyeke qatkirî de pêk tê ku dişibe mêjiyê mirovan. Her nêronek têketinek werdigire, wê pêvajoyê dike (bi gelemperî bi karanîna fonksiyoneke matematîkî ya ku wekî fonksiyona çalakkirinê tê naskirin) û paşê derketina xwe dişîne qata din.
Bi vî awayî, pergalek adaptebar çêdibe ku dikare ji xeletiyên xwe fêr bibe û bi domdarî xwe baştir bike. Ev yek dihêle ku torên nêroneyî yên çêkirî bi rastiyeke mezintir hewl bidin pirsgirêkên tevlihev, wekî nasîna rûyan û kurtkirina belgeyan, çareser bikin (AWS, bêtarîx).
Torên Nêroneyî Çawa Tên Perwerdekirin?
“Perwerdekirina tora nêroneyî ew pêvajoy e ku tê de tora nêroneyî ji bo pêkanîna erkekê tê fêrkirin. Torên nêroneyî di destpêkê de gelek komên mezin ên daneyên bi etîket an bê etîket pêvajoyê dikin û fêr dibin. Bi karanîna van mînakan, ew dikarin têketinên nenas bi rastiyeke mezintir pêvajoyê bikin” (AWS, bêtarîx).
Di fêrbûna bi çavdêriyê de (Supervised Learning), ku awayê herî gelemperî yê perwerdekirina torên nêroneyî ye, zanyarên daneyan komên mezin ên daneyên bi etîket pêşkêşî torên nêroneyî yên çêkirî dikin. Her mînakek di komek daneyan de bersiveke rast a têkildar bi xwe re dihewîne. Ev yek dihêle ku tor di navbera têketinan û derketinan de şêweyan fêr bibe.
Mînakî, di pergala nasîna deng de, komek daneyên ji peyv û hevokên axaftinê yên bi nivîsên wan ên têkildar pêk tê, ji torên nêroneyî re tê pêşkêşkirin. Paşê tor têkiliyên di navbera dengê peyvan, wekî frekans, bilindahiya deng û rîtmê, û temsîlên nivîskî yên wan de fêr dibe. Piştî qonaxa perwerdekirinê, makîne dikare dengên nû analîz bike û wan veguherîne forma nivîsê (AWS, bêtarîx; Shinde, 2024).
Backpropagation algorîtmayek e ku di fêrbûna bi çavdêriyê ya torên nêroneyî yên çêkirî de tê bikaranîn. Ev algorîtma xeletiyan kêm dike, ji şaşiyên xwe fêr dibe û bi demê re performansa xwe baştir dike. Dema ku fonksiyoneke xeletiyê hebe, ev algorîtma ku wekî “veguhestina paşve ya xeletiyan” tê binavkirin, hesab dike ka her giranî (girêdana di navbera nêronan de) çiqas beşdarî çêbûna xeletiyê kiriye. Paşê ew van giraniyan diguherîne da ku xeletiyên pêşerojê kêm bike. Ev pêvajo gelek caran dubare dibe û di encamê de performans û rastiya pergalê baştir dibin (McGonagle û yên din, bêtarîx).
Di encamê de, lêkolîna Hinton ya di warê fêrbûna kûr de hevbendiyeke balkêş di navbera neuroscience, AI û prensîbên fîzîkê de nîşan dide. Bi ravekirina awayê ku torên nêroneyî dikarin agahiyan bi avahiyeke qatkirî ya li gorî mêjiyê mirovan pêvajoyê bikin, xebata Hinton ne tenê qada AI-yê pêş dixe, lê di heman demê de alîkariya me dike ku em tevgerên ku di pergalên fîzîkî yên tevlihev de pêk tên jî baştir fêm bikin. Naskirina vê lêkolînê bi Xelata Nobelê ya Fîzîkê ya 2024-an, nîşan dide ka çawa têgihîştinên ji zanista hişmendiyê dikarin alîkariya me bikin ku em têgihîştina xwe ya li ser têgehên bingehîn ên fîzîkê pêş bixin. Ev yek xwezaya pirwarî ya lêkolînên zanistî yên nûjen destnîşan dike. Dema ku em van qadên zanistê vedikolin, bêguman xebatên Hinton dê bibe çavkaniya îlhamê ji bo gelek keşfên nû yên pêşerojê.
Çavkanî:
McDonough, M., (2024), Geoffrey Hinton, Britannica
Geoffrey Hinton, Vector Institute, (2024.10.19)
Holdsworth, J., Scapicchio, M., (2024), What is Deep Learning?, IBM
What is a Neural Network?, AWS, (2024.10.19)
Shinde, S., (2024), What is Supervised Learning in Machine Learning? A Comprehensive Guide, Emeritus
McGonagle, J., Shaikouski, G., Williams, C., Hsu, A., Khim, J., Miller, A., Backpropagation, Brilliant, (2024.10.20)
Deep Learning vs Machine Learning: The Ultimate Battle, Turing, (2024.10.20)
https://www.turing.com/kb/ultimate-battle-between-deep-learning-and-machine-learning





Comments