Bilgisayarlar yaratıcı olmayı nasıl öğrenirler
-
0:01 - 0:04Google'da makine zekâsı üzerine çalışan
bir takımı yönetiyorum; -
0:04 - 0:09yani, bilgisayar ve
makineleri yapan mühendislik disiplini -
0:09 - 0:11beynin yaptığı bazı şeyleri yapabiliyor.
-
0:11 - 0:15Bu da bizim gerçek beyinlere
-
0:15 - 0:16ve nörolojiye de
-
0:16 - 0:20ve özellikle bilgisayarların
performansından hâlâ üstün olan -
0:20 - 0:24beynimizin yaptığı şeylere
ilgi duymamızı sağlıyor. -
0:25 - 0:29Tarihsel olarak bu
alanlardan biri algıdır, -
0:29 - 0:32dünyada algılanarak var olan şeyler --
-
0:32 - 0:33sesler ve resimler gibi --
-
0:34 - 0:36zihinde kavramlara dönüşebilir.
-
0:36 - 0:39Bu beynimiz için vazgeçilmezdir
-
0:39 - 0:41ve bir bilgisayarda da oldukça
kullanışlıdır. -
0:42 - 0:45Takımımın yaptığı makine
algı algoritmaları örneğin, -
0:45 - 0:49Google Fotoğraflar'da resimlerinizdeki
şeyleri baz alarak onların aranabilir -
0:49 - 0:50olmasını sağlıyor.
-
0:52 - 0:55Algının diğer yüzü yaratıcılık:
-
0:55 - 0:58Bir kavramı dünyadaki bir nesneye
dönüştürmektir. -
0:58 - 1:02Geçen yıl boyunca makine algısı üzerine
yaptığımız çalışmalar da -
1:02 - 1:07beklenmedik bir şekilde makine
yaratıcılığı ve makine sanatı dünyasıyla -
1:07 - 1:08bağlandı.
-
1:09 - 1:12Bence Michelangelo algı ve yaratıcılık
arasındaki ikili ilişkiye -
1:12 - 1:16dair keskin bir bakış açısına sahipti.
-
1:16 - 1:18Onun ünlü bir sözüdür:
-
1:18 - 1:21"Her bir taş blok içinde bir heykel
barındırır ve -
1:22 - 1:25heykeltraşın görevi bunu ortaya
çıkarmaktır." -
1:26 - 1:29Yani bence
Michelangelo'nun anlatmak istediği -
1:29 - 1:32algılayarak yaratırız,
-
1:32 - 1:35algının kendisi hayal gücümüzün
bir eylemi ve -
1:36 - 1:38yaratıcılığın malzemesidir.
-
1:39 - 1:43Düşünmeyi, algılamayı ve hayal etmeyi
sağlayan organımız -
1:43 - 1:44tabii ki de beynimizdir.
-
1:45 - 1:48Beyinler hakkında bildiğimiz şeylerin
-
1:48 - 1:50kısa bir tarihiyle başlamak istiyorum.
-
1:50 - 1:53Çünkü kalp ya da bağırsakların aksine
-
1:53 - 1:56en azından çıplak gözle
bakarak bir beyin hakkında -
1:56 - 1:58çok bir şey söyleyemezsin.
-
1:58 - 2:00Beyni inceleyen ilk anatomi uzmanları
-
2:00 - 2:04beynin yüzeysel yapılarına, "denizatı"
anlamına gelen hipokampüs gibi -
2:04 - 2:07birçok tuhaf isim vermişler.
-
2:07 - 2:09Fakat bu bize aslında içinde ne olduğu
-
2:09 - 2:12hakkında pek bir şey ifade etmiyor.
-
2:13 - 2:16Bence beyinde ne olduğuna dair gerçekten
bir bakış açısı geliştiren ilk kişi, -
2:16 - 2:1819. yüzyılda beyindeki bireysel hücrelerin
-
2:18 - 2:22morfolojilerini (yapı) anlamaya
başlamak için -
2:22 - 2:24mikroskop ve
-
2:24 - 2:28bu hücreleri yüksek kontrastta
-
2:28 - 2:32titizlikle doldurabilen ya da
eritebilen özel kimyasallar kullanan, -
2:32 - 2:34büyük İspanyol nöro-anatomist
-
2:34 - 2:37Santiago Ramón y Cajal'dır.
-
2:38 - 2:41Bunlar da 19. yy'da nöronlardan
(sinir hücresi) yaptığı -
2:41 - 2:42çizimler.
-
2:42 - 2:44Bir kuş beyninden alıntı.
-
2:44 - 2:47Bu inanılmaz farklı çeşitlikteki
hücreleri görüyorsunuz, -
2:47 - 2:51hücre teorisi bile o zaman çok yeniydi.
-
2:51 - 2:52Bu yapılar,
-
2:52 - 2:54dallanmaların olduğu hücreler,
-
2:54 - 2:57çok çok uzağa gidebilen dallar
-
2:57 - 2:58o zamanlar çok yeniydi.
-
2:59 - 3:02Tabii ki de kabloları andırıyorlar.
-
3:02 - 3:0519. yy'da bu bazı insanlar
için açık ve netti; -
3:05 - 3:10kabloların ve elektriğin devrimi
yeni bir yolculuğa başlıyordu. -
3:10 - 3:11Fakat birçok açıdan
-
3:11 - 3:14örnekteki gibi Ramón y Cajal'ın
mikroanatomik çizimleri -
3:15 - 3:17hâlâ bazı açılardan emsalsiz.
-
3:17 - 3:19Ramón y Cajal'ın başladığı işi bitirmeye
-
3:19 - 3:22çabalarken hâlâ yüzyıl
sonrasından daha uzağız. -
3:22 - 3:25Bunlar Max Planck Sinirbilim
Enstitüsü'ndeki -
3:25 - 3:28ortaklarımızdan gelen ham verilerdir.
-
3:28 - 3:29Ortaklarımızın yaptığı şey
-
3:29 - 3:34beyin dokusunun küçük parçalarını
hayal etmekti. -
3:34 - 3:38Buradaki tüm örnek boyutun yaklaşık
bir milimetre kübü ve -
3:38 - 3:40size bunun çok ama çok küçük
bir parçasını gösteriyorum. -
3:40 - 3:43Sol taraftaki çizgi yaklaşık bir mikron.
-
3:43 - 3:45Gördüğünüz yapılar bakteri boyutundaki
-
3:45 - 3:47mitokondriler.
-
3:47 - 3:49Bunlar çok çok ince olan
-
3:49 - 3:52doku bloklarındaki
ard arda gelen dilimler. -
3:52 - 3:55Sadece karşılaştırmak amacıyla,
-
3:55 - 3:58ortalama bir saç telinin çapı
yaklaşık 100 mikron. -
3:58 - 4:01Yani tek bir saç telinden çok çok
-
4:01 - 4:02küçük bir şey arıyoruz.
-
4:02 - 4:06Bir bilim insanı bu çeşit seri
elektron mikroskopi dilimlerinden -
4:06 - 4:11bunlara benzeyen üç boyutlu nöronlarda
yeniden yapılandırmaya başlayabilir. -
4:11 - 4:14Sonucunda bunlar Ramón y Cajal'la
aynı tarzda. -
4:14 - 4:16Sadece birkaç nöron parlıyor,
-
4:16 - 4:19yoksa burada hiçbir şey göremezdik.
-
4:19 - 4:20Çok kalabalık olurdu,
-
4:20 - 4:21bir nöronu diğer bir nörona
-
4:21 - 4:24bağlayan yapılarla dolu.
-
4:25 - 4:28Ramón y Cajal zamanının biraz
ilerisindeydi -
4:28 - 4:31ve beyni anlamadaki ilerlemesini
-
4:31 - 4:33önündeki birkaç 10 yıl boyunca sürdürdü.
-
4:33 - 4:36Nöronların elektrik kullandığını
biliyorduk ve -
4:36 - 4:392. Dünya Savaşı'yla teknolojimiz nasıl
çalıştıklarını daha iyi -
4:39 - 4:42anlamak için canlı nöronlarda gerçek
elektrikli deneyleri -
4:42 - 4:44yapmaya başlayacak kadar gelişmişti.
-
4:45 - 4:49Bu tam da bilgisayarların;
bilgisayar biliminin fikir -
4:49 - 4:52öncülerinden biri olan
Alan Turing'in deyimiyle -
4:52 - 4:55beyin modelleme fikrine dayanan
"akıllı makinelerin" -
4:55 - 4:58icadıyla aynı dönemdi.
-
4:58 - 5:03Warren McCulloch ve Walter Pitts,
Ramón y Cajal'ın burada gösterdiğim -
5:03 - 5:04görme korteksinin (merkezi)
-
5:04 - 5:05çizimlerine baktı.
-
5:06 - 5:10Bu korteks gözden gelen
görüntüleri işliyor. -
5:10 - 5:14Onlar için bu devre şeması gibiydi.
-
5:14 - 5:17Bu yüzden McCulloch ve Pitts'in
devre şemasında -
5:17 - 5:20tamamen doğru olmayan
birçok detay bulunmakta. -
5:20 - 5:21Ama bu temel
-
5:21 - 5:25görme korteksinin hesaplama
elemanları serisi gibi -
5:25 - 5:28çalışarak sonrakine
ard arda bilgi aktarması fikri -
5:28 - 5:29temelde doğrudur.
-
5:29 - 5:32Biraz görsel bilgi işleme için modelin
-
5:32 - 5:36ne yapması gerektiğinden bahsedelim.
-
5:36 - 5:39Algının temel görevi
-
5:39 - 5:43bu gibi bir resme bakıp şöyle demektir,
-
5:43 - 5:44"Bu bir kuş."
-
5:44 - 5:47ki bu bizim beyinlerimizle
yaptığımız çok kolay bir şeydir. -
5:47 - 5:51Ama şunu anlamalısınız ki
bilgisayar için, -
5:51 - 5:54birkaç yıl önce neredeyse imkânsızdı.
-
5:54 - 5:56Klasik hesaplama paradigması
-
5:56 - 5:58bu işi kolay yapanlardan
biri değil. -
5:59 - 6:02Pikseller arasında,
-
6:02 - 6:06kuş resmi ve "kuş" kelimesi
arasında olan, -
6:06 - 6:09temelde sinir ağında birbirine bağlı
-
6:09 - 6:10nöronlar kümesidir,
-
6:10 - 6:11burada şemalaştırdığım gibi.
-
6:11 - 6:15Bu sinir ağı, görme kortekslerimizin
içerisinde, biyolojik olabilir -
6:15 - 6:17veya günümüzde, bu gibi
sinir ağları modelleme -
6:17 - 6:19kapasitesine sahip olmaya
başladık bilgisayarlarda. -
6:20 - 6:22Size gerçekte nasıl
göründüğünü açıklayacağım. -
6:22 - 6:26Pikselleri nöronların ilk
katmanı gibi düşünebilirsiniz -
6:26 - 6:28ve aslında gözde de
bu şekilde işler -- -
6:28 - 6:30bunlar retinadaki nöronlar.
-
6:30 - 6:31İleri beslenir
-
6:31 - 6:35bir katmandan diğer katmana,
ardından diğer farklı ağırlıklı -
6:35 - 6:38sinapslarla birbirine bağlı
olan nöronlar katmanına. -
6:38 - 6:39Bu ağın davranışı
-
6:39 - 6:42tüm bu sinapsların gücü ile
karakterize edilir. -
6:42 - 6:46Ağın hesaplama gücün özelliklerini
karakterize ederler. -
6:46 - 6:47Günün sonunda,
-
6:47 - 6:50tek bir nöron veya küçük bir
nöron grubunuz olur, -
6:50 - 6:51"Kuş" sözü ile parlayan.
-
6:52 - 6:55Şimdi şu üç şeyi tasvir edeceğim--
-
6:55 - 7:00giriş pikselleri ve
sinir ağındaki sinapslar -
7:00 - 7:01ve kuş yani çıktı verisi --
-
7:01 - 7:04şu üç değişkenle: x, w ve y.
-
7:05 - 7:07Belki de bir milyon
ya da civarında x -- -
7:07 - 7:09o görüntüde bir milyon piksel var.
-
7:09 - 7:11Milyarlarca ya da trilyonlarca w'lar var
-
7:11 - 7:15sinir ağındaki tüm bu sinapsların
ağırlıklarını gösteren. -
7:15 - 7:16Az sayıda y'ler var,
-
7:16 - 7:18ağın çıktısı olarak.
-
7:18 - 7:20"Kuş" (Bird) sadece 4 harfli değil mi?
-
7:21 - 7:25Bunun basit bir formül olduğunu
farz edelim: -
7:25 - 7:26x "x" w = y.
-
7:27 - 7:29Çarpım işaretini tırnak
arasına aldım çünkü -
7:29 - 7:31orada tam olarak olan, şüphesiz,
-
7:31 - 7:34matematiksel operasyonların
çok karmaşık serileridir. -
7:35 - 7:36Bu, bir denklem.
-
7:36 - 7:38Üç değişken var.
-
7:38 - 7:41Hepimizin bildiği gibi
eğer bir denklemin varsa, -
7:41 - 7:45diğer ikisini bilerek, bir değişkeni
bulabilirsin. -
7:45 - 7:49Çıkarım sorunu ise
-
7:49 - 7:51kuş resminde kuş olduğunu çıkarmakta.
-
7:51 - 7:53Bu ise:
-
7:53 - 7:56y bilinmeyen, w ve x biliniyor.
-
7:56 - 7:59Sinir ağını biliyorsunuz,
pikselleri biliyorsunuz. -
7:59 - 8:02Görüldüğü gibi nispeten
anlaşılır bir problem. -
8:02 - 8:043 ile 2'yi çarpıyorsunuz ve bitiyor.
-
8:05 - 8:07Geçenlerde oluşturduğumuz,
aynısını yapan -
8:07 - 8:09yapay bir sinir ağı göstereceğim size.
-
8:10 - 8:12Gerçek zamanlı olarak
cep telefonunda işletiliyor -
8:13 - 8:16ve elbette başlı başına harika,
-
8:16 - 8:19cep telefonlarının saniyede
milyarlarca ve trilyonlarca işlemi -
8:19 - 8:21yapabiliyor olması.
-
8:21 - 8:22Seyrettiğiniz, art arda
-
8:22 - 8:26kuş resimlerinin olduğu bir telefon
-
8:26 - 8:29ve aslında sadece "Evet, bu bir kuş,"
demekle kalmıyor -
8:29 - 8:32hatta ağ ile kuşun
cinsini de tanımlıyor. -
8:33 - 8:35Resimde,
-
8:35 - 8:39x ve w biliniyor,
y bilinmiyor. -
8:39 - 8:41Zor kısmını gizliyorum, tabii ki,
-
8:41 - 8:45w'yi nasıl hesaplayabiliriz,
-
8:45 - 8:47beyin böyle bir şeyi nasıl yapabilir?
-
8:47 - 8:49Böyle bir modeli nasıl öğrenebiliriz?
-
8:49 - 8:53Bu öğrenme, w'yi
hesaplama sürecinde -
8:53 - 8:55sayı olarak düşündüğümüz o
-
8:55 - 8:57basit denklemdeki gibi yapsaydık,
-
8:57 - 9:00kesin olarak yapılışını bilirdik: 6=2 x w,
-
9:00 - 9:032'ye böleriz ve biter.
-
9:04 - 9:06Problem bu işaret ile.
-
9:07 - 9:08Bölme --
-
9:08 - 9:11bölmeyi kullandık çünkü
çarpmanın tersi, -
9:11 - 9:13ama bahsettiğim gibi
-
9:13 - 9:15buradaki çarpma biraz göstermelik.
-
9:15 - 9:18Bu oldukça karmaşık, doğrusal
olmayan bir işlem; -
9:18 - 9:20tersi yok.
-
9:20 - 9:23Denklemi çözmek için
bir yol bulmalıyız -
9:23 - 9:25bölme işlemi olmadan.
-
9:25 - 9:28Ve bunu yapmanın yolu gayet açık.
-
9:28 - 9:30Biraz cebir hilesi yapalım diyebiliriz
-
9:30 - 9:33ve 6'yı denklemin
sağ tarafına taşıyalım. -
9:33 - 9:35Hâlâ çarpma işlemini kullanıyoruz.
-
9:36 - 9:390'ı hata olarak düşünelim.
-
9:39 - 9:42Yani, w'yi doğru bulursak
-
9:42 - 9:43hata 0 olacaktır.
-
9:43 - 9:45Doğru bulamazsak,
-
9:45 - 9:47hata 0'dan büyük olacaktır.
-
9:47 - 9:51Şimdi hatayı minimize etmek için
tahminlerde bulunabiliriz -
9:51 - 9:53ki bu da bilgisayarların iyi
olduğu bir alan. -
9:53 - 9:55Başka bir tahminde bulundunuz:
-
9:55 - 9:56Farz edelim w=0 olsun.
-
9:56 - 9:57O zaman hata 6 olur.
-
9:57 - 9:59Ya w=1 olursa?
Hata 4 olur. -
9:59 - 10:01O zaman bilgisayar bir çeşit
körebe (Marco Polo) -
10:01 - 10:04oynayabilir ve hatayı
0'a yakınlaştırabilir. -
10:04 - 10:07Bunu yaparken de w
için ardışık yaklaşıklama elde eder. -
10:07 - 10:11Genellikle tam olarak ulaşamaz
ama bir düzine aşamadan sonra -
10:11 - 10:15w=2,999 'e kadar geldik
ki bu da yeterince yakın. -
10:16 - 10:18Bu öğrenme süreci.
-
10:18 - 10:21Unutmayın, burada yaptığımız;
-
10:21 - 10:25birçok bilinen x ve y ile
-
10:25 - 10:29ortadaki w'yi yinelemeli
süreç boyunca çözüyoruz. -
10:29 - 10:32Öğrenirken yaptıklarımızla
tamamen aynı. -
10:32 - 10:35Bebekliğimizden birçok anımız vardır,
-
10:35 - 10:37bize "Bu kuş; bu kuş değil." denen.
-
10:38 - 10:40Ve zamanla, yinelemeler boyunca
-
10:40 - 10:43w'yi çözüyoruz, sinirsel bağlantıları
çözüyoruz. -
10:43 - 10:48Şimdi, y'yi çözmek için
sabit x ve w'ye sahibiz -
10:48 - 10:49ki bu da her gün, hızlı algılama.
-
10:49 - 10:51W'yi nasıl çözebileceğimizi buluyoruz
-
10:51 - 10:53ki bu da çok daha zor olan öğrenmedir,
-
10:53 - 10:55çünkü hata küçültme yapmamız gerekir,
-
10:55 - 10:57birçok eğitim örnekleri kullanarak.
-
10:57 - 11:00Yaklaşık bir yıl önce,
ekibimizden Alex Mordvintsev -
11:00 - 11:04bilinen bir w ve y ile x'i
çözmeye çalışırsak ne olacağını -
11:04 - 11:06görmek için deney yapmaya karar verdi.
-
11:06 - 11:07Diğer bir deyişle,
-
11:07 - 11:09kuş olduğunu biliyorsunuz
-
11:09 - 11:12ve kuşlar üzerine eğitilen sinir ağınızda
zaten bulunmakta, -
11:12 - 11:14ancak kuşun resmi nedir?
-
11:15 - 11:20Aynı hata küçültme işlemini kullanarak,
kuşları tanımlamak -
11:20 - 11:24için eğitilen ağ ile
yapılabileceği sonucu ortaya çıkar, -
11:24 - 11:27ve sonuç ise ...
-
11:30 - 11:32kuş resmi olur.
-
11:33 - 11:37Yani bu, tamamen kuşları tanımlamak üzere
eğitilen sinir ağı -
11:37 - 11:38tarafından üretilen kuşların resmidir,
-
11:38 - 11:42özyinelemeli olarak yalnızca
y'yi hesaplamak yerine -
11:42 - 11:43x'in hesaplanmasıyla.
-
11:44 - 11:46Bir diğer enteresan örnek.
-
11:46 - 11:49Ekibimizden Mike Tyka
tarafından yapılan bir çalışma, -
11:49 - 11:51"Hayvan Defilesi" olarak adlandırdığı.
-
11:51 - 11:54Bana biraz William Kentridge'in
çalışmalarını hatırlatıyor, -
11:54 - 11:57eskizleri yapıp sildiği,
-
11:57 - 11:58yapıp sildiği
-
11:58 - 12:00ve bu şekilde film yaptığı.
-
12:00 - 12:01Bu durumda,
-
12:01 - 12:04Mike, farklı hayvanların üzerindeki
boşluklarda y'yi değiştiriyor, -
12:04 - 12:06farklı hayvanları birbirinden
ayırmak ve onları -
12:06 - 12:08tanımlamak için tasarlanmış bir ağda.
-
12:08 - 12:12Bu tuhaf, Escher'imsi bir hayvandan
diğerine biçimler elde edilir. -
12:14 - 12:19Burada o ve Alex birlikte y'leri yalnızca
-
12:19 - 12:22iki boyutlu uzaya indirgemeye çalıştı,
-
12:22 - 12:25ağ tarafından tanımlanan
-
12:25 - 12:27boşluklarıyla planlama yaparak.
-
12:27 - 12:29Bu şekilde tüm yüzey üzerinde
-
12:29 - 12:31bir sentez ya da imgelem kuşağıyla,
-
12:31 - 12:34yüzey üzerinde değişen y ile
bir çeşit harita yapıyorsunuz, -
12:34 - 12:37ağın nasıl tanımlayacağını bildiği
her şeyin görsel bir haritası. -
12:37 - 12:40Bütün hayvanlar burada;
"armadillo" tam bu noktada. -
12:41 - 12:43Bunu diğer ağlarla da yapabilirsiniz.
-
12:43 - 12:46Bu ağ yüzleri tanımlamak
için tasarlanmış, -
12:46 - 12:48yüzleri birbirinden ayırt edebilmek için.
-
12:48 - 12:52Buraya "ben" olarak y'yi koyuyoruz,
-
12:52 - 12:53kendi yüz parametrelerim.
-
12:53 - 12:55X'i hesapladığında
-
12:55 - 12:58bu oldukça çılgın,
-
12:58 - 13:02kübist gibi, gerçeküstü,
psikedelik resmimi üretiyor, -
13:02 - 13:04birdenbire, çoklu görüş açılarından.
-
13:04 - 13:07Çoklu görüş açılı gibi görünmesinin
sebebi ise ağın, -
13:07 - 13:10yüzün şu pozda ya da bu
pozda ya da şu veya -
13:10 - 13:13bu şekilde aydınlatmada
olmasındaki anlaşmazlıktan -
13:13 - 13:16kurtulmak için tasarlanmış olması.
-
13:16 - 13:18Bu tarz bir restorasyon yapacaksanız,
-
13:18 - 13:21kılavuz resim ya da istatistikler
-
13:21 - 13:22kullanmazsanız,
-
13:22 - 13:26farklı görüş açılarında
bir tür bozulma elde edersiniz, -
13:26 - 13:27çünkü belirsizdir.
-
13:28 - 13:32Benim yüzümü iyileştirme sürecinde
Alex kendi yüzünü -
13:32 - 13:35kılavuz resim olarak
kullandığında böyle oluyor. -
13:36 - 13:39Gördüğünüz gibi mükemmel değil.
-
13:39 - 13:41Hâlâ optimizasyon sürecini
-
13:41 - 13:43iyileştirmemiz için yapmamız
gereken çok iş var. -
13:43 - 13:46Ama daha tutarlı bir yüze
erişmeye başlıyorsunuz yorumlamada -
13:46 - 13:48model olarak benim yüzüm kullanıldığında.
-
13:49 - 13:51Siyah bir tuvalle ya da beyaz gürültüyle
-
13:51 - 13:53başlamak zorunda değilsiniz.
-
13:53 - 13:54X'i bulmak için
-
13:54 - 13:58başka bir resimdeki x
ile başlayabilirsiniz. -
13:58 - 14:00Bu küçük gösterim de bununla ilgili.
-
14:00 - 14:05Bu ise her türden, birbirinden
farklı nesneleri kategorize etmek -
14:05 - 14:08için tasarlanmış bir ağ,
insan yapımı yapılar, hayvanlar gibi... -
14:08 - 14:10Burada sadece bir bulut
resmi ile başlıyoruz -
14:10 - 14:12ve optimize ettikçe,
-
14:12 - 14:17temel olarak bu ağ,
bulutlarda gördüklerini çözüyor. -
14:17 - 14:19Buna bakarak ne kadar
uzun süre harcarsanız, -
14:19 - 14:22o kadar fazlasını göreceksiniz bulutlarda.
-
14:23 - 14:26Aynı zamanda bulandırmak için
yüz ağını kullanabilir -
14:26 - 14:28ve oldukça çılgın şeyler yapabilirsiniz.
-
14:28 - 14:29(Gülüşmeler)
-
14:30 - 14:33Veya Mike başka denemeler de yaptı,
-
14:33 - 14:37denemelerde bulut resmini alıyor,
bulandırıyor, yakınlaştırıyor, -
14:37 - 14:41bulandırıyor, yakınlaştırıyor,
bulandırıyor, yakınlaştırıyor. -
14:41 - 14:42Bu şekilde,
-
14:42 - 14:45ağın bir çeşit füj evresini elde
edersiniz sanırım -
14:46 - 14:49ya da bir çeşit serbest çağrışım
-
14:49 - 14:51ağın kendi kuyruğunu yediği.
-
14:51 - 14:55Yani şu an her resim
zemin oluşturmakta, -
14:55 - 14:57"Bir sonrakinde ne
yapmayı düşünüyorum?" -
14:57 - 15:00"Bir sonrakinde ne yapmayı düşünüyorum?"
-
15:00 - 15:02Bunu ilk kez alenen,
-
15:02 - 15:08Seattle'da bir gruba "Yüksek Öğrenim"
adlı derste gösterdim -
15:08 - 15:10tam da esrarın
yasallaştırılmasından sonraydı. -
15:10 - 15:13(Gülüşmeler)
-
15:15 - 15:17Hızla bitirmek istiyorum,
-
15:17 - 15:21bu teknolojinin engellenmediğini
not ederek. -
15:21 - 15:25Tamamen görsel örnekler gösterdim,
çünkü bakması gerçekten eğlenceli. -
15:25 - 15:27Tamamen görsel bir teknoloji değil.
-
15:27 - 15:29Ressam ortağımız, Ross Goodwin,
-
15:29 - 15:33resim çeken bir kamera ile
deneyler yaptı, -
15:33 - 15:37resmin içeriğine bağlı olarak
sırtında sinir ağı kullanarak -
15:37 - 15:39şiir yazan bir bilgisayarla.
-
15:39 - 15:42O sinir ağı şiiri, büyük 20. yüzyıl
-
15:42 - 15:44şiir külliyatı üzerinde eğitilmiştir.
-
15:44 - 15:46Şiir, bence,
-
15:46 - 15:48çok da kötü değil açıkcası.
-
15:48 - 15:49(Gülüşmeler)
-
15:49 - 15:50Kapanış olarak,
-
15:50 - 15:53bence Michelangelo,
-
15:53 - 15:54bence haklıydı;
-
15:54 - 15:57algı ve yaratıcılık
derinlemesine bağlıdır. -
15:57 - 16:00Gördüklerimiz tamamen ayırt etmek
-
16:00 - 16:03ya da dünyadaki farklı şeyleri
tanılamak için -
16:03 - 16:05tam tersi yönde çalışmak
-
16:05 - 16:08ya da üretmek üzere eğitilmiştir.
-
16:08 - 16:10Aklıma gelenlerden bir tanesi ise
-
16:10 - 16:12Michelangelo gerçekten taş
içindeki bloklarda -
16:12 - 16:15heykeli gördü, üstelik
-
16:15 - 16:18algısal davranışlar yapabilen
-
16:18 - 16:22herhangi bir yaratık, varlık
ya da uzaylı da -
16:22 - 16:23keza üretebilir,
-
16:23 - 16:27çünkü iki durumda da kullanılan
tamamen aynı düzenek. -
16:27 - 16:31Aynı zamanda bence algı
ve yaratıcılık kesinlikle -
16:31 - 16:33eşsiz olarak insani değil.
-
16:33 - 16:36Bu tarz şeyleri yapabilecek bilgisayar
modellerine sahip olmaya başladık. -
16:36 - 16:40Şaşırtıcı olmayan bir şekilde,
beyin hesaba dayalıdır. -
16:40 - 16:41Son olarak,
-
16:41 - 16:46programlama akıllı makineleri
tasarlama alıştırmaları olarak başladı. -
16:46 - 16:48Makineleri nasıl akıllı yapabiliriz
-
16:48 - 16:51fikrinden sonra modellendi.
-
16:52 - 16:54Ve nihayet artık bazı o eski öncü
-
16:54 - 16:56vaatleri gerçekleştirmeye başlıyoruz,
-
16:56 - 16:58Turing'in, von Neumann'nın,
-
16:58 - 17:00McCulloch'ın ve Pitts'in.
-
17:00 - 17:04Ve bence programlama
sadece hesaplama -
17:04 - 17:06ya da Candy Crush oynama değildir.
-
17:06 - 17:09Başından beri,
onları zihnimize benzer modelledik. -
17:09 - 17:12Onlar da bize hem kendi
zihinlerimizi anlama, hem de -
17:12 - 17:15geliştirme kabiliyetini verdiler.
-
17:15 - 17:16Çok teşekkürler.
-
17:16 - 17:22(Alkışlar)
- Title:
- Bilgisayarlar yaratıcı olmayı nasıl öğrenirler
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Sanat ve yaratıcılıkta yeni bir sınırın kenarındayız -- ve bu insan değil. Google'da baş bilim adamı olan Blaise Agüera y Arcas makine algısı ve dağıtık öğrenme için derin sinir ağlarıyla çalışıyor. Bu büyüleyici tanıtımda Agüera y Arcas sinir ağlarının tersten akabilen resimleri üretmek için onları tanımaya nasıl eğitildiğini gösteriyor. Sonuçlar: Olağanüstü, sınıflandırmaya karşı çıkan sanrılı kolajlar (ve şiirler!) diyor Agüera y Arcas. "Algı ve yaratıcılık derinlemesine bağlantılıdır." " Algısal eylemler yapabilen herhangi bir insan ya da varlık da yaratabilir."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Eren Gokce edited Turkish subtitles for How we're teaching computers to be creative | ||
Eren Gokce approved Turkish subtitles for How we're teaching computers to be creative | ||
Eren Gokce edited Turkish subtitles for How we're teaching computers to be creative | ||
Eren Gokce edited Turkish subtitles for How we're teaching computers to be creative | ||
Yunus ASIK accepted Turkish subtitles for How we're teaching computers to be creative | ||
Yunus ASIK edited Turkish subtitles for How we're teaching computers to be creative | ||
pinar sadi edited Turkish subtitles for How we're teaching computers to be creative | ||
pinar sadi edited Turkish subtitles for How we're teaching computers to be creative |