Verilen ve Bulunan Derleme Kasım 2014 Türkçesi: Işık Barış Fidaner yersizseyler.wordpress.com Kitabın LaTeX kodları yine CC Attribution- NonCommercial 3.0 Unported Lisansı altındadır. 2
İçindekiler James Gleick ın Enformasyon kitabının değerlendirmesi Alok Jha.......................... 5 Büyük veri üzerine Noam Chomsky...................... 8 Yasalar üzerine Bruno Latour........................ 10 Makine-Öğrenmesi Üstadı Michael Jordan ile Büyük Veri Hülyaları ve Diğer Dev Mühendislik Çabaları Üzerine Lee Gomes......................... 12 Büyük Veri, Hayp, Medya ve Başlığa Konacak Diğer Provokatif Sözcükler Michael Jordan....................... 26 Demokrasinin Uzmanlara Bırakılması Slavoj Žižek........................ 29 Eleştirel Mühendisin Manifestosu Julian Oliver, Gordan Savičić, Danja Vasiliev..... 33 3
Uygulamalı Toplumsal Sanatlar Artur Żmijewski...................... 35 Eğiticileri Kim Eğitecek Gayatri Spivak ile görüşme Ryan Rafaty........................ 51 Dilin ve dil kuramının çalışılması Louis Hjemslev....................... 59 Analitik Motor üzerine Çevirmenin Notları: Not A Ada Lovelace........................ 61 4
James Gleick ın Enformasyon kitabının değerlendirmesi Alok Jha 22 Kasım 2012 theguardian.com Gleick kendisine anıtsal bir görev veriyor insanlık tarihi boyunca enformasyonun öyküsünü anlatmak ve yerine getiriyor. Enformasyon çağı ndayız, hepimiz biliyoruz. Laptoplar ve akıllı telefonlar bizlerin arasında, hava dalgaları, kablolar ve optik fiberler aracılığıyla sayılamaz miktarlarda enformasyon uçurmakta. Banka işlemleri, hava durumu raporları, haberler, aşk öyküleri ve ayrılıklar etrafımızdaki makinelerin yaygın enformasyon işleme yeteneği üzerinden iletilmekte. Ama neden bu çağa enformasyon çağı demeliyiz, bunun yerine mesela 1450 de Johannes Gutenberg in matbaayı icat ederek yayıncılık devrimini başlatmasından sonraki yıllara enformasyon çağı demek varken? Veya iki bin yıl önce ilk kağıt parçalarının üretilerek öykülerin ve yönetici kayıtların paylaşımın kolaylaştırıldığı zamanlara? Peki ya yazının bilinen ilk kayıtları olan çivi yazılarının işlendiği Sümer kil tabletler? Veya türümüzün tarih öncesinde bir zaman dilin icat edilmesine? Her aşamada insanlar bir şeyleri iletmek istediler. Her aşamada enformasyon vardı ve enformasyon toplumumuzun evriminde itici bir güç oldu. Duayen bilim yazarı, muazzam başarı kazanan Kaos un yanısıra Richard Feynman ve Isaac Newton biyografilerinin yazarı James Gleick, insanlığın iletişimi daha hızlı, daha verimli ve daha erişilebilir kılma denemelerinin merceği altında enformasyonun tarihini değerlendiriyor. Gleick ın kendine ne kadar kapsamlı ve anıtsal bir görev verdiğini fark etmek için bu kitabın birkaç sayfasını Afrika daki davul öyküleri ile başlıyor okumanız yeterli. Enformasyon olarak bildiğimiz şey şimdi ne kadar 5
Çivi yazısı en az bilisayarlar ve akıllı telefonlar kadar türümüzün enformasyona hakimiyet öyküsünün bir parçasıdır. Fotoğraf: Araldo De Luca/Corbis aşina bir kavram da olsa, çok çok uzun bir zamanda gelişti. Gleick ın öyküsünde bozkırlar, avcı-toplayıcılar, kadim uygarlıklar, alfabeler, bilimin başlangıç zamanı (herhangi bir şeyin nasıl tanımlanacağını, nasıl ölçüleceğini daha kimsenin bilmediği zamanlar), matematiksel kodlar, veriler, elektronik ve kuantum fiziği var. Okuru yitirmeden bu kadar engin bir alanı tarayabilmek için iyi bir özgüven lazım. Gleick bunu yerine getirmiş. Kitap insan toplumunda bir öğenin gelişim çizelgesini çıkarma niyetiyle dosdoğru bir tarih olarak yazılmamış. Bunun yerine, her bölüm iletişime dair belki farkında bile olmadığınız varsayımlarınızı sarsan anekdotlarla zamanda geriye ve ileriye doğru sıçramakta. Örneğin alfabenin kendisinin çoğu insan 6
için yeni bir fikir olduğu şartlarda alfabetik in ne anlama geldiğini nasıl açıklardınız? İlk sözlükleri yazanların bunu yapması gerekmişti. Modern mesajlaşmalardan şikayet edenler 19. yüzyıldaki ilk elektrikli telgraflar üzerine olan bölümü ilginç bulabilirler. Mesaj göndermek pahalı olduğu için insanların buldukları kodlar ve kısaltmalar muhtemelen dili bozdukları için bugünkü cep telefonu kısaltmaları kadar şikayet konusu olmuş. Enformasyon fikrinin ortaya çıktığı yerler sonradan düşününce apaçık gelse de, kendi zamanlarında anlayışta büyük sıçramalar gerektirmiş olmalı. DNA nın yapısını keşfedenlerden Francis Crick, içeride saklanan enformasyon un proteinlerin inşasındaki rolünü anlatırken enformasyonla ilgili kod, transkripsiyon ve kütüphaneler gibi sözcükler üretmişti. Gleick, metnini bugün hepimizin aşina olduğu teknolojik enformasyon çağını önceden haber veren belirtilerle süslüyor: 19. yüzyılda network sözcüğünün çıkışı mesela; makineler olmadan önce kompüter lerin insan olmaları... Enformasyon u sindirmek o kadar kolay değil matematiksel enformasyon üzerine olan kısımların özünü anlayabilmek için birkaç kere okumam gerekti ki Claude Shannon un 1948 deki çığır açan çalışması için gerekli bir girizgah ama sonuçta bugün paylaştığımız enformasyon, bilgisayar bitleri biçiminde, karmaşık matematiğin, fiziğin ve elektroniğin bir mucizesi. İnsanlar, düşüncelerini yapılandırıp paylaşmalarını sağlayan ilk sözlü dili geliştirmelerinden beri uzun bir yol geldiler. Artık bu şeyleri yazıyoruz, yayınlıyoruz, kablolar boyunca iletiyoruz ve bilgisayar anahtarları ile şifreliyoruz. Bu yol boyunca aslına uygunluk ve kesinlik gelişti, ama dilin, yazının, modern programlamanın, network altyapısı ve bilgisayarlaşan dünyamızı oluşturan cihazların üretildiği süreçler dosdoğru olmadılar. Bu yüzden insanın enformasyona hakimiyetinin ardındaki hikaye olabildiğince detaylı olarak güneşi görmeyi hak ediyor. En kayda değer olan da belki bunun ne kadar hızlı bir şekilde gerçekleştiğidir. 7
Büyük veri üzerine Noam Chomsky 12 Temmuz 2013 Michigan konuşması 52. dakika Dinleyici (kadın): Bilimlerde ve özellikle dilbiliminde büyük veri çalışmalarının fonlanması ve teşvikine dönük yükselen trendi yorumlayabilir misiniz? Bununla sakatlanmış ama iş bulması da gereken öğrenciler olarak bizler buna nasıl direnebiliriz, ama iş de bulabiliriz? Noam Chomsky: Evet büyük veri... Biliyorsunuz bu çok cezbedici bir fikir. Teknolojik dergilere bakarsanız büyük veriye adanmış sayıları var. Bu günlerde bir sürü veri toplamak kolay. Mesela muhtemelen burada olan biten her şey Başkan Obama isterse okuyabilsin diye doğrudan Utah ta bir veri bankasına gidiyordur. (Dinleyiciler yüksek sesle gülerler) Ve bu... E-posta ile gönderdiğiniz her şey de, ve başka her yerde de öyle. Yani veri toplamanın bir sürü yolu var. Büyük veriyle çalışmak bayağı da kolay. Fazla düşünmek gerekmez, belki yardım edecek bir istatistikçi bulursunuz, ama, o zaman... Olsa olsa... Fazla çaba harcamadan, fazla düşünmeden bir sürü malzemeniz olur ve bu cezbedici bir şey. Düşünmek zordur, fikirlere sahip olmak zordur, çoğu kez işe yaramazlar, yani, onları izlemeniz gerekir, vesaire. O zaman neden kolay bir şey yapmayalım? Yani bunun arkasında bir ideoloji var, bu her yerde yapılamaz, mesela... Ciddi alanlarda yapılamaz, mesela... Yapılamayabilir... Hmm... Bazen bir sürü veri bir şeye yardımcı olabilir, eğer elinizde... Elinizde bir... İzlemek istediğiniz bir fikir varsa, çoğu kez veriye bakarak bunu test edebilirsiniz, ama neyi aradığınızı bilmeniz gerekir, bilirsiniz, yoksa, mesela... Düşünün ki birisi Ben biyolog olmak istiyorum diyor, tamam, siz de ona diyorsunuz ki: Kolay, Harvard Biyoloji Bölümü ne git, orada büyük 8
bir kütüphane var, hepsi orada, tamam? Git biyolog ol. (Dinleyiciler gülerler) Evet işte büyük veri bu. Neyi aradığınızı bilmiyorsanız herhangi bir şey yapamazsınız, ve aradığınız şeye dair bir anlayışınız da olması gerekir, bir çerçeveniz olması gerekir, vesaire. Ama bu yöndeki hareket... Cazibeyi görebilirsiniz, ve aslında bir lisansüstü öğrencisi ya da genç bir araştırmacıysanız, ve bir NSF hibesi almak istiyorsanız eğer, hapı yuttunuz. Hibe başvurusu... Aslında bu günlerde bir hibe almak çok zor, tamamen alakasız bir şey için başvurmadıysanız tabi. (Dinleyiciler güler) Mesela Ben büyük bir veri toplama çalışması yapacağım ya da dilbilimi için FMRRI kullanacağım gibi, özel bir şey için, bir amaç için değil, sırf büyük bir makine satın alayım diye, çünkü büyük makineler iyidir, vesaire. İşte bunlar araştırma ve fonlamanın bazı patolojileri. Bu... Buna alışmak lazım. Dinleyici (kadın): Yani o zaman ben hapı yutmuş muyum? (Kendi kendine güler, durur.) (Dinleyiciler yüksek sesle gülerler.) 9
Yasalar üzerine Bruno Latour 28 Ağustos 2014 Dijital Beşeriyet Açılış 1:25 Dinleyici (erkek): Merhaba. Toplumsal çalışmaların üçüncü çağı olarak titreşimden bahsettiniz. Eğer bu salonda bir doğa bilimcisi varsa, muhtemeldir, titreşimden bahsedildiğinde, merkezi limit teoremi ve benzer şeyler aklına gelir. Büyük sayılar varsa yasalar bulunacağını düşünebiliriz. Yani acaba dijital beşeriyet topluluğu olarak şu fikir karşısında duraksamalı mıyız: bir olay disiplini olmaktan, (.?.) deyişiyle, yasa disiplini olmaya geçelim, ya da ikisini karıştıralım. Büyük sayıların yasaları var mıdır ve bunlarla ne yapmalıyız? Biz de kültürün fizikçileri mi olmalıyız yoksa ait olduğumuz yerde mi kalmalıyız? Tırnak işareti. Sorum budur. Bruno Latour: Bunu yanıtlayabilir miyim emin değilim, çünkü... Ben doğa bilimlerinin yasalarına da çok inanan birisi değilim. Bence bu, görüngülere yakın bir dikkat içine girmenin bir yolu, yani... Romanı, romana dair Moretti nin argümanını alırsak, yasalara ulaşırsınız. Ama muazzam miktarda literatürün taranabilmesi çok daha ilginçtir. Bu yine yasa tespit etmek ve dijital beşeriyet alanını suni bir doğa bilimine dönüştürmek için midir? Bence tam tersi anlamdadır. Öbür yöne gider yani, büyük miktarda toplumsal-teknik pratiğin, birlikte kitap okuma işinin, karmaşık görüngülerin soruşturulması işinin donatılmasıdır. Doğa bilimleriyle arasındaki ilişkiyi bunlar oluşturur. Şu değil: Hah! Sizde ne kadar yasa varsa biz beşeriyette de var. Aksine: Biz de sizin gibiyiz, tartışmalı veri kümesi (ne diyelim) manzarasında yaşamaya alışın. Ve bence bu... Doğa bilimcilerle yaptığım işbirliğini düşünürsem, tabi ki bir yöne doğru gitmesi gerekir... Ama coğrafyacılarla konuşur- 10
sunuz, onların da kendi ekrantoryası [scriptorium screentorium] vardır... Yani yerel, küçük yasalarınız olabilir, ama gaye bu değildir, yani bence. Çünkü mesela... Dijital beşeriyet, pozitivist bilime dönüşmüş beşeriyet değildir; bizim de kendi ekrantoryamızla donatılmış olduğumuzu, farklı disiplinlerle fikir paylaşarak ortak tefsirler yapabileceğimizi olgularla öğrenmemizdir. Bütün mesele, çoğu zaman tartışmalı olan karmaşık verilerin yorumlanmasıdır. Yani tartışmalı veri manzarasında ortaklaşa keşif yapmaktır. Ve veri/data ya bence sublata denmeli, çünkü bu elde edilir, doneé değildir, pardon fransızcada... Buna doneé deriz, verili anlamında. Ve onlar elde edilir. Veri/data için bir sürü başka isim de var: kapta (fx: kapıyor), sublata (fx: çekiyor)... Ama veri/data denmemeli. Bu yüzden... O fikre girmeyeceğim, yani belki siz bu konuda çok daha fazlasını biliyorsunuzdur ama ben işbirliği yaparak roman yazmanın yasalarının bulunacağını düşünmüyorum. Ama bu kesinlikle roman yazmanın anlamını tamamen dönüştürür, beş roman yerine dört yüz roman olur. Ya da Venedik örneğinde, yani üzerinden geçebileceğiniz dokuz kilometrelik arşiviniz varsa eğer, Venedik in tarihini yazmanın anlamını tamamen dönüştürür. Ama üzerinden geçtiğiniz şey esasen çok özgül, çok yerel bir öğedir. Ve toplumsal bilimleri tamamen dönüştüren şey budur. Ama bu, yasalarla ilgili değildir, titreşimle ilgilidir, tam olarak fransız sosyolojisinin kurucularından Gabriel Tarde ın sözcüğe verdiği anlamda. Fransızcada bu sözcük var ama ingilizcede işlemiyor: réplique. Bu izler yoluyla çalıştığınız birçok şey réplique tir. Replikalar değil réplique: artçı sarsıntı. Twitter bir réplique kümesidir. Okumak, yorumlamak, yorumbilimsel çember birer réplique kümesidir. İşte titreşimle bunu kastediyorum. Öyle roman yazmanın yasalarını bulmaya dönük, ya da şehirsel büyümeyi yorumlamanın yasalarını bulmaya dönük türde bir şey değil. Hatta yasalar hep biraz matrak oluyor. 11
Makine-Öğrenmesi Üstadı Michael Jordan ile Büyük Veri Hülyaları ve Diğer Dev Mühendislik Çabaları Üzerine Lee Gomes 1 20 Ekim 2014 spectrum.ieee.org Boşbeleş Büyük-Veri işleri ve beyinden-esinlenmiş yongalar yanlış anladığımız şeylerden iki tanesi sadece Büyük verilerin böyle aşırı istekle benimsenmesi muhtemelen ulusal köprü çökmeleri salgınıyla kıyaslanacak düzeyde bir dizi analiz felaketiyle sonuçlanacak. İnsan beynine dayanan yongalar yaratan donanım tasarımcılarının angaje olduğu girişim muhtemelen abesle iştigal olduğu anlaşılacak bir inanca dayanmakta. Son zamanlardaki tersi yönlü iddialara rağmen, bilgisayar görmesinde kat etmiş olduğumuz ilerleme, Isaac Newton ın elma ağacının altında oturduğundan bugüne fizikteki ilerleme kadardır ancak. Bu sözler IEEE konferansında güvenliği kırıp abuk sabuk konuşan bir makinekırıcı çatlağın sözlerini andırıyor olabilir. Gerçekteyse bu görüşler bir IEEE Fellow una, Kaliforniya/Berkeley Üniversitesi Pedong Chen Seçkin Profesörü Michael I. Jordan a ait. Jordan, makine öğrenmesi üzerine dünyanın en saygın otoritelerinden birisi ve alanında uyanık bir gözlemci. Özgeçmişi tek başına dev bir veritabanı gerektirir, ve alanındaki konumu, 2013 Ulusal Araştırma Konseyi raporunun ( Dev Veri Analizinin Hudutları ) giriş yazısını yazmasına elveren bir düzeydedir. San Fransiscolu yazar Lee Gomes, IEEE Spectrum için 3 Ekim 2014 te onunla görüştü. 1 Eski Wall Street Journal muhabiri, yirmi yılı aşkın süredir Silikon Vadisini konu alıyor. 12
Fotoğraf-İllüstrasyon: Randi Klett Michael Jordan a sorduk... Hesaplamadan Bahsederken Neden Beyin Metaforları Kullanmayı Bırakmalıyız Makine Görmesine Dair Sisli Görüşümüz Büyük Veri Neden Büyük Bir Yıkım Olabilir 1 Milyar ABD Dolarıyla Ne Yapardı Tekillik Üzerine Nasıl Konuşmamak Gerekir P = NP Olup Olmamasından Daha Çok Neyi Önemsiyor Turing Testi Gerçekte Ne Anlama Geliyor 13
Hesaplamadan Bahsederken Neden Beyin Metaforları Kullanmayı Bırakmalıyız IEEE Spectrum: Yazılarınızdan çıkardığıma göre derin öğrenme, büyük veri, bilgisayar görmesi ve benzeri şeylere dair ortalıkta bir sürü yanlış bilgi olduğuna inanıyorsunuz. Michael Jordan: Doğrusu ortalıkta her akademik konuya dair bir sürü yanlış bilgi var. Medya insanların okuyacağı konular bulabilmek için elinden geleni yapmaya çalışıyor. Bunlar bazen kaydedilen gerçek başarıların ötesine geçiyor. Özellikle de derin öğrenme konusunda; ki bu konu 1980 lerin nöral ağlarının yeniden piyasaya sürülmesidir büyük ölçüde. Nöral ağlar aslında 1960 lardan gelir; görünüşe göre 20 yılda bir bunlarla alakalı yeni bir dalga oluyor. Şimdiki dalganın esas başarı öyküsü evrişimsel nöral ağ, ama bu fikir zaten önceki dalgada da mevcuttu. Ve hem önceki dalgada hem de şimdiki dalgada inatla varolan sorunlardan birisi, insanların bunların arkasında nörobilimle alakalı bir şey olduğuna dair çıkarımlar yapmalarıdır. Buna göre sanki derin öğrenmede, bilginin beyin süreçlerindeki işlenişine, öğrenilişine, karar verme süreçlerine dair, ya da beynin büyük miktarda veriyle nasıl başa çıktığına dair bir anlayıştan istifade edilmektedir. Bu çıkarımlar tamamen ve açıkça yanlıştır. Spectrum: Bir medya mensubu olarak demin söylediğinize şerh koyuyorum, çünkü akademisyenler de çoğu zaman onlardan bahseden öyküler yazacak insanlara muhtaç oluyorlar. Michael Jordan: Evet bu bir ortaklık. Spectrum: Hep edindiğim bir izlenim, bilgisayar bilimindeki insanlar ne zaman beynin nasıl çalıştığını tarif etseler, nörobilimcilerden asla duymayacağınız korkunç indirgemeci beyanlarda bulunuyorlar. Bunlara beynin karikatür modelleri dediniz. Michael Jordan: İnsanlara etiket yapıştırmak, bütün bilgisayar bilimcileri şöyle çalışırlar ya da bütün nörobilimciler böyle çalışırlar demek istemem. Ama şurası doğru ki nörobilimdeki derin ilkeler anlaşılana dek onlarca, hatta yüzlerce yıl geçecektir. İlerlemeler nörobilimin en düşük düzeylerinde yapılmakta. Yüksek biliş nasıl algılarız, nasıl hatırlarız, nasıl edimde bulunuruz meselelerinde ise nöronların nasıl bilgi sakladıklarına, nasıl hesaplama yaptıklarına, kuralların ne olduğuna, algoritmaların ne olduğuna, temsillerin ne olduğuna vb. dair hiçbir fikrimiz yok. Yani akıllı sistemlerin inşasında beyne dair bir anlayışı rehber alabileceğimiz bir çağda değiliz henüz. 14
Spectrum: Beynin karikatür modellerini eleştirmenizin yanısıra esasen daha ileri gidiyorsunuz ve nöral gerçekçilik fikrini belirli bir donanım ya da yazılım sisteminin sırf beynin şu veya bu varsayımsal karakteristiğini paylaştığı için daha akıllı olacağı fikrini tamamen eleştiriyorsunuz. Mesela benim sistemim beyne benziyor çünkü çok paralel diyen bilgisayar bilimcileri hakkında ne düşünürsünüz? Michael Jordan: Yani bunlar metafordur ve kullanışlı olabilirler. Akışlar ve geçiş hatları çeşitli devre türlerinden çıkmış metaforlardır. Sanırım 1980 lerin başında, bilgisayar bilimi ardışık mimarilerin, saklanmış bir programın ardışık olarak yürütüldüğü von Neumann paradigmasının egemenliğinde olduğundan, bunun neticesi olarak, bu paradigmanın dışına çıkmaya ihtiyaç vardı. Bu yüzden de insanların aradıkları yüksek paralellikte beyin metaforlarıydı. Bu da kullanışlı bir şeydi. Ama konu evrimleştikçe, ulaşılan çoğu ilerlemenin nöral gerçekçilikten gelmediği görüldü. Derin öğrenmedeki en başarılı algoritma, geri yayılım denilen bir tekniğe dayanır. Elinizde işleyici birimlerden oluşan katmanlar vardır, bu katmanların bitiş yerinde bulunan bir çıktıyı alırsınız, ve sinyali katmanlar üzerinden geriye doğru yayarak bütün parametreleri değiştirirsiniz. Beynin böyle bir şey yapmadığı gün gibi açıktır. Bu adım kesinlikle nöral gerçekçiliğe mesafe koymuş ama belirgin bir ilerlemeye yol açmıştır. Fakat insanlar bu belirli başarı öyküsünü, diğer bütün beyinsi sistem inşa denemeleriyle aynı kefeye koyma eğilimindeler, bu inşa denemeleri, başarıdan yana, geri yayılımın eline su dökemeyecek olsa bile. Spectrum: Nöral gerçekçiliğin başarısızlığı konusunda bir de nöral ağların hiç de nöral olmadıklarına değindiniz. Michael Jordan: Derin-öğrenme sistemlerinde spayklar [spike] yoktur, dendritler yoktur. Bunlarda bulunan ikiyönlü sinyaller de beyinde yoktur. Nöronların nasıl öğrendiğini bilmiyoruz. Acaba öğrenmenin sorumlusu aslında sinaptik ağırlıktaki küçük bir değişiklik midir? Yapay nöral ağlar bunu yapıyor. Beyindeki öğrenmenin nasıl gerçekleştiği hakkında pek az fikrimiz var. Spectrum: Mühendislerin yeni tasarladıkları yongaları bence dili inanılmaz istismar ederek tarif edişlerini hep okuyorum. Yongalarındaki nöron ya da sinaps lardan bahsediyorlar. Ama böyle bir şey mümkün değil; nöron dediğimiz, inanılmaz karmaşıklıkta, yaşayan, nefes alan bir hücredir. Biyolojinin dilini kendine mal eden bu mühendislerin tarif ettiği yapıların biyolojik sistemlerdeki karmaşıklıkla ne ilgisi olabilir ki? 15
Michael Jordan: Doğrusu burada biraz dikkatli olmak isterim. Nöral sözcüğünü kullanmayı sürdüren iki alanı ayırt etmenin önemli olduğunu düşünüyorum. Bunlardan biri derin öğrenmedir ki burada her nöron gerçekten karikatürdür. Nonlineer bir işlemden geçen lineer-ağırlıklı bir toplamdır bu. Herhangi bir elektrik mühendisi bu tür nonlineer sistemleri tanıyacaktır. Buna nöron demek, açıktır ki, olsa olsa, kısa bir gösterimdir. Bu gerçekten karikatürdür. 1950 ler istatistiğinin lojistik regresyon denilen yordamı, nöronlarla hiçbir ilgisi olmasa da, tam olarak aynı küçük mimari parçadır. Tarif ettiğiniz şeyle alakalı ikinci alan, doğru anlıyorsam, gerçek bir beyin benzetimine ya da en azından gerçek nöral devre sisteminin basitleştirilmiş bir modeline yaklaşmayı hedeflemekte. Benim gördüğüm sorunsa araştırmaların bu sistemin algoritmik olarak neler yapabileceğinin anlaşılmasıyla eşleştirilmemesidir. Görmede olduğu gibi verileri alıp sorunları çözen bir öğrenme sistemiyle eşleştirilmiş değildir. Esasında bu, insanların bir gün kullanışlı algoritmalar keşfedeceği umuduna yaslanan küçük bir mimari parçadır. Bu umudun teyit edilmesini gerektiren açık bir sebep de yoktur. Sanıyorum bunun dayanağı, eğer beyne benzeyen bir şey inşa edersem bu şeyin neler yapabileceği açığa çıkacaktır gibi bir inançtır. Spectrum: Elinizde olsa beynin biyolojisinin hesaplamada model alınmasını yasaklar mıydınız? Michael Jordan: Hayır. Bulabildiğiniz her yerden ilham almalısınız. Önceden dediğim gibi, 1980 lerde hadi ardışık von Neumann paradigmasının dışına çıkıp daha ziyade yüksek paralellikte sistemleri düşünelim demek gerçekten yararlıydı. Ama içinde bulunduğumuz çağda, beynin ayrıntılı işleyişinin algoritmik süreçlere dair bilgimizi beslemediği bu kadar açıkken, gösterdiğimiz başarılarda beyni kullandığımızı iddia etmek uygunsuzdur diye düşünüyorum. Beynin görsel bilgiyi nasıl işlediğini bilmiyoruz. 16
Makine Görmesine Dair Sisli Görüşümüz Spectrum: Görme sistemi araştırması üzerine konuşurken hayp [hype] sözcüğünü kullandınız. Son zamanlarda bilgisayarların görme sorununu hallettiğini ve artık insanlar kadar iyi görebildiğini anlatan bir öyküler salgını var gibi görünüyor. Bunlar hakikatin yanından bile geçebilir mi sizce? Michael Jordan: İnsanlar darmadağın sahnelerle başa çıkabiliyorlar. Muazzam sayıda kategoriyle başa çıkabiliyorlar. Sahneden yapacakları çıkarımlarla başa çıkabiliyorlar: Bunun üstüne otursam? Bir şeyin üstüne bir şey koysam? Bunlar bugünkü makinelerin yetkinliğinin çok ötesindedir. Derin öğrenme belirli türdeki imge sınıflandırmalarında iyidir. Hangi nesne bu sahnede? Ama hesaplamalı görme sorunu çok büyüktür. Bu sanki elma ağaçtan düştüğünde fiziğin hepsini anlamışız demeye benzer. Evet, yani, kuvvetler ve ivmeye dair bir şeyler daha anladık. Bu önemliydi. Görmede de belirli sorun sınıflarını çözen bir araç şu anda elimizde var. Ama bunun bütün sorunları çözdüğünü söylemek aptalcadır. Spectrum: Şu anda görmede ne kadar büyük bir sorun sınıfını çözebiliyoruz, insanların toplamda yapabildikleriyle kıyaslanırsa? Michael Jordan: Yüz tanıma için, bunun çözülebilir olduğu bir süredir açıktır. Yüzlerin ötesinde, başka nesne kategorilerinden de bahsedebilirsiniz: Sahnede bir bardak var. Sahnede bir köpek var. Ama birçok türden farklı nesnelerin aynı sahnede oluşlarını, birbirleriyle ilişkilenme şekillerini, bir kişi veya robotun bu sahneyle etkileşim şekillerini ele almak halen zor bir sorundur. Çözülmekten uzak zor sorunlar vardır ve bunlar çok, çok fazladır. Spectrum: İzlenimim o ki yüz tanıma bile halen, elinizdeki imgeler çok temizse çalışıyor sadece. Michael Jordan: Bunu daha iyi yapmak bir mühendislik sorunudur. Zamanla bunun iyileştiğini görürsünüz. Ama bu devrimcilik işleri aşırı zorlamadır. 17
Büyük Veri Neden Büyük Bir Yıkım Olabilir Spectrum: Şimdi büyük veri meselesine dönebilirsek, anlattığınız şeyler boyunca süren bir temaya göre mevcut büyük veri takıntısında belirli bir ahmak altını öğesi bulunuyor. Örneğin büyük-veri projelerinden çıkan yanlış pozitiflerin salgınlaşacağını ve toplumun bunu deneyimlemek üzere olduğunu tahmin ettiniz. Michael Jordan: Büyük miktarlarda veriniz olduğunda hipotezlere yönelik iştahınız da büyüme eğilimindedir. Ve eğer bu verilerin miktarı, istatistiksel sağlamlıklarından daha hızlı büyüyorsa, o zaman çıkarımlarınızın birçoğunun yanlış olması, beyaz gürültü olması, muhtemeldir. Spectrum: Nasıl yani? Michael Jordan: Klasik bir veritabanında, elinizde diyelim ki birkaç bin insan var. Bunları veritabanının satırları olarak düşünün. Sütunlar da bu insanların özellikleri olsun: yaşları, boyları, ağırlıkları, gelirleri, vesaire. Şimdi, bu sütunların bileşimlerinin sayısı, sütun sayısına göre üstel olarak artar. Yani bir sürü, bir sürü sütununuz varsa modern veritabanlarında olacağı gibi o zaman her bir kişiye ait milyonlarca ve milyonlarca vasıfla karşılaşacaksınız. Şimdi, eğer bu özelliklerin bütün bileşimlerine bakma iznini kendime tanıyacak olursam Pekin de yaşıyorsa, ve işe bisikletle gidiyorsa, ve belirli bir işte çalışıyorsa, ve belirli bir yaştaysa belirli bir hastalığı taşıma ya da benim reklamımı sevme olasılığı nedir? Şimdiyse milyonlarca vasfın bileşimlerine bakıyorum ve bu bileşimlerden de üstel sayıda var; böylece evrendeki atomların sayısı mertebesine ulaşırız. Dikkate almak istediğim hipotezler bunlar. Verilmiş herhangi bir veritabanında herhangi bir sonucu sadece şans yoluyla mükemmelen kestirecek sütunlar bileşimini arıyorum. Kalp krizini kestirecek sütun bileşimlerini arıyorsam eğer, kalp krizi geçiren bütün kişileri kalp krizi geçirmeyen bütün kişilerle karşılaştırsam bile, türlü türlü yalancı sütun bileşimleri bulurum, çünkü bunlardan muazzam sayıda vardır. Yani milyarlarca maymunun daktilo yazması gibi bir şey bu. Birinden birisi Shakespeare i yazacaktır. 18
Spectrum: Büyük verinin bu yönünün şu anda az mı değer gördüğünü düşünüyorsunuz? Michael Jordan: Kesinlikle. Spectrum: İnsanların büyük veride vaat ettikleri halde yerine getiremeyeceklerini düşündüğünüz şeyler nelerdir? Michael Jordan: Veri analizinde belirli nitelik düzeylerinde çıkarım yapılabildiğini düşünüyorum. Ama bu nitelik düzeylerinin ne olduğu hakkında net olmamız lazım. Yaptığımız kestirimlerin hepsinin etrafında hata çizgileri olmalı. Mevcut makine öğrenmesi literatürünün çoğunda eksik bir şey bu. Spectrum: Peki ya verilerle çalışan insanlar bu öğüdünüze uymazlarsa ne olacak? Michael Jordan: Köprü inşası analojisini kullanmayı seviyorum. Eğer ilkelerim yoksa, gerçek bir bilim yokken binlerce köprü inşa ettiysem, bunlardan bir sürüsü yıkılacak ve büyük felaketler yaşanacaktır. Bunun gibi, eğer insanlar verileri kullanırken, veriyle yapabildikleri çıkarımları kullanırken, hata çizgilerini, heterojenliği, gürültülü verileri, örnekleme örüntüsünü dert etmezlerse, yani mühendis ya da istatistikçiyseniz ciddiye almanız gerekecek olan bütün şeyleri dert etmezlerse o zaman bir sürü kestirim yapılacaktır, ve kimi zaman gerçekten ilginç sorunların çözülmesi şansı da vardır. Ama bazen de felaket kötü kararlar verilir. Aradaki farkı önsel [a priori] olarak bilmeyeceksiniz. Sadece bu çıktıları üreteceksiniz ve umudunuzu yüksek tutacaksınız. İşte bugün burada bulunuyoruz. Bir sürü insan işe yaramasını umduğu şeyleri inşa ediyor, ki bunlar bazen işe de yarıyor. Bir açıdan bakarsak, bunda yanlış hiçbir şey yoktur; bu keşifseldir. Ama toplumun bütünü buna tahammül edemez; bunların işe yarayacağını ummakla yetinemeyiz. İnşaat mühendisleri, ayakta durma güvencesi verilebilen köprülerin nasıl inşa edildiğini zamanla öğrendi. Yani büyük veriye yönelik gerçek bir mühendislik yaklaşımına ulaşılması, akılcı yanıtlar sunulduğundan emin olunması, hataların olabilirliğinin nicelendiğinden emin olunması, zannediyorum ki onlarca yıl alacaktır. Spectrum: Bu hata çizgilerini sağlayacak araçlara şu anda sahip miyiz? Michael Jordan: Bu mühendislik bilimini daha ancak toparlıyoruz. İstatistik ve bilgisayar biliminin yüzlerce yıllık çalışmasından gelen birçok fikre sahibiz. Bunları bir araya koymaya, ölçeklenebilir hale getirmeye çalışıyoruz. Birçok 19
hipoteze ait hata oranını belirten aile-odaklı hata [familywise error] denilen niceliklerin denetlenmesine dair bir sürü fikir son 30 yıl içinde çıkmış. Ama bunların birçoğu üzerine hesaplamalı çalışma yapılmamış. Bunların halledilmesinin matematiği zordur, mühendisliği de zordur, zaman alacaktır. Bir ya da iki yıl değil. Bu işi doğrultmak onlarca yıl alacaktır. Büyük veri işini iyi yapmayı öğreniyoruz halen. Spectrum: Büyük veri ve sağlık üzerine yazılanlarda sanki her üç öyküden biri, neredeyse otomatikman elde edeceğimiz harika klinik içgörülerden bahsediyor, sırf herkesten veri toplayarak, özellikle de bulut üzerinde. Michael Jordan: Bu konuda tamamen kuşkucu ya da tamamen iyimser olamazsınız. Ortada bir yerlerdedir. Bir verinin analizinden çıkan hipotezlerin hepsi listelenirse, bunların bir kısmı kullanışlı olacaktır. Ama işte bunun hangi kısım olduğunu bilmezsiniz. Yani eğer onlardan birkaç tanesini çekiyorsanız diyelim ki yulaf kepeği yerseniz mide kanseri olmayacaksınız, veri bunu belirtiyor olsun bir ihtimal şansınız yaver gidebilir. Bu veri bir destek sağlayabilir. Ama gerçekten hata çizgileri sağlayacak ve hataları niceleyecek tamölçekli mühendislikle istatistiksel bir analiz yapmıyorsanız bu bir kumar oyunudur. Kumarı hiçbir veri olmadan oynamaktan iyidir. O saf bir rulet olurdu. Buysa, bir nevi, kısmi bir rulettir. Spectrum: Tarif ettiğiniz yörüngeyi izlemeyi sürdürürsek büyük-veri alanını ne gibi olumsuz neticeler bekliyor olabilir? Michael Jordan: Esas netice bir büyük-veri kışı olacaktır. İnsanların yatırım yaptığı ve bir sürü şirketin ciddi analizler sağlamadan büyük vaatler verdiği bu balon bir süre sonra patlayacaktır. Kısa süre iki ila beş yıl içinde insanlar Bütün bu büyük-veri olayı geldi ve gitti. Öldü. Yanlıştı. diyecekler. Bunu tahmin ediyorum. Çok fazla hayp olduğunda bu döngüler böyle olur. Yani gerçek sorunların ne olduğuna dair bir anlayışa dayanmayan, sorunların çözülmesinin onlarca yıl alacağının anlaşılmasına dayanmayan, düzenli ilerleme kaydedecek olsak bile teknik ilerlemede büyük bir sıçrama yapmamış olduğumuzun anlaşılmasına dayanmayan savların neticesi budur. Daha sonraysa veri analizi için vasıtalar bulmanın çok zor olacağı bir dönem olacaktır. Alan ileriye doğru gitmeye devam edecektir, çünkü gerçektir ve ihtiyaç vardır. Ama bu geri tepme çok sayıda önemli projenin canını yakacaktır. 20
1 Milyar ABD Dolarıyla Ne Yapardı Spectrum: Buna harcanan para miktarını düşünürsek, sunulan reklamların arkasındaki bilim halen inanılmaz ilkel görünüyor. Saçma Kickstarter projelerini araştırma hobim var, genelde ne kadar akıldışı olduklarını görmek için, aynı şirketin aylarca sunduğu reklamları izlerim. Michael Jordan: Yani yine, bu bir spektrum. Bir sistemdeki mühendisliğin ne olduğuna, hangi sahadan bahsettiğimize bağlıdır. Belirli dar sahalarda çok iyiyken, semantiğin çok daha bulanık olduğu daha kapsamlı sahalarda çok kötü olabilir. Ben şahsen Amazon un kitap ve müzik tavsiye sistemini çok, çok iyi buluyorum. Bunun nedeni büyük miktarlarda veriye sahip olmaları ve sahanın sınırlarının çok belirli olmasıdır. Gömlek ya da ayakkabı gibi sahaların semantiği daha bulanıktır ve daha az veri vardır, bu yüzden çok daha kötüdür. Halen birçok sorun bulunuyor ama bu sistemleri inşa eden insanlar da çok çalışıyorlar. Bu noktada karıştığımız olay semantik ve insan tercihleridir. Eğer ben bir buzdolabı satın almışsam, bu benim genel olarak buzdolaplarıyla ilgilendiğimi göstermez. Zaten buzdolabımı satın almışımdır ve olasılıkla bunlarla ilgilenmeyi sürdürmem muhtemel değildir. Oysa Taylor Swift in bir şarkısını satın aldıysam, başka şarkılarını da satın almam muhtemeldir. Şarkıcıların ve ürünlerin ve öğelerin özgül semantiğiyle ilgili bir şey bu. İnsan ilgilerinin geniş spektrumu boyunca bunu doğrultmak, büyük miktarda veriye ve büyük miktarda mühendisliğe gereksinim duyuyor. Spectrum: Kısıtlamasız 1 milyar dolarlık hibeye sahip olsam doğal dil işleme üzerine çalışırdım dediniz. Google ın Google Translate le yaptığı şeylerin ötesinde ne yapardınız? Michael Jordan: Eminim Google benim yapacağım her şeyi yapıyordur. Ama Google Translate in, yani makine çevirisinin, tek dil sorunu olduğunu düşünmüyorum. Başka bir dil sorunu örneği soru yanıtlamasıdır, mesela Kaliforniya da bir nehrin yanında olmayan ikinci büyük şehir hangisidir? Şu anda bu cümleyi Google a yazarsam kullanışlı bir yanıt almam muhtemel değildir. Spectrum: Yani bir milyar dolar karşılığında en azından doğal dil meselesinde genelleştirilmiş bilgi sorununu çözebilirim ve büyük yapay zeka kodamanına insan gibi düşünen makineye ulaşabilirim mi diyorsunuz? Michael Jordan: Tabi her şeyi konu almasa da ilerlemenize izin veren daha küçük bir problemi kenara koymak istersiniz. Araştırmada yaptığımız şey 21