Günümüzde yapay zekâ (YZ) ve özellikle derin öğrenme, hayatın neredeyse her alanında devrimsel gelişmelere kapı aralıyor. Sağlıktan finansal analizlere, görüntü işleme teknolojilerinden ses tanımaya kadar çok geniş bir yelpazede kullanılan bu yöntemler, insanoğlunun “öğrenme” dediğimiz süreci makinelerle paylaşma biçimini kökten değiştirdi. Ancak her ne kadar derin öğrenme, veri odaklı bir yaklaşımla dikkate değer başarılara imza atmış olsa da, “duygu” dediğimiz kavramın işlenmesine geldiğinde çeşitli sınırlar ve zorluklarla karşılaşıyoruz.
Derin öğrenmenin temeli, çok katmanlı yapay sinir ağlarına dayanır. Bu ağlar, büyük verisetleri üzerinde eğitilirken “örüntü” tanıma yeteneklerini geliştirir. Özellikle gözetimli öğrenme yöntemlerinde, modelin her bir katmanında veriden öznitelikler adım adım soyutlanarak üst düzey temsillere ulaşılır. Görsel tanıma veya metin analizi gibi problemlerde bu soyutlama katmanları, öğrenme sürecini önemli ölçüde hızlandırır ve doğruluk oranlarını arttırır. Ancak bir verisetinde, mesela duyguları ifade eden bir görselde, belirli bir duyguya dair ince nüanslar olması, bu sistemlerin zorlanmasına neden olur. Zira çoğu derin öğrenme modeli, doğrudan duygusal bağlamı değil, genel desenleri öğrenir.
Bir görüntüde “mutlu” ifadesi taşıyan bir yüz ya da bir ses kaydında “öfkeli” bir tını, derin öğrenme sistemi tarafından belli oranda tanınabilir. Fakat duygu dediğimiz şey, oldukça ince bir kavramdır. Sadece kaşların pozisyonu, dudakların kıvrımı veya ses tonunun tizliği gibi somut verilerle değil, aynı zamanda kültürel, kişisel, hatta anlık ruh hâllerimiz gibi soyut etkenlerle de şekillenir. Bu noktada “veriden duyguya” geçiş, yalnızca bir sınıflandırma probleminin ötesindedir. Çünkü derin öğrenme, duygunun çok boyutlu yapısını tam anlamıyla yansıtabilmek için hâlâ yeterli esnekliğe ve “kavram” algısına sahip değil.
Öte yandan, son yıllarda geliştirilen dikkat mekanizmalarına dayalı modeller, dil işleme ve diyalog sistemlerinde daha derin bağlam analizi yapabilmekte. Doğal dil işleme (NLP) alanındaki dönüştürücü (transformer) tabanlı büyük modeller, duyguları çok boyutlu olarak inceleyip, metnin bağlamını ve duygusal tonunu çıkarabilmek açısından umut vadediyor. Yine de, insan beyninin duygusal yansımalara yönelik çok katmanlı ve bağlamsal işleme kapasitesine baktığımızda, mevcut derin öğrenme sistemlerinin hızlı ilerleyişine rağmen “insan düzeyinde” bir duygusal anlayışa henüz ulaşamamıştır.
Bu noktada, derin öğrenme sistemlerinin eksik kaldığı önemli bir diğer unsur, insanların birbirleriyle kurduğu etkileşimdeki samimi veya yanıltıcı tepkilerin kolaylıkla manipüle edilebilmesidir. Duygularımız her zaman dosdoğru ve gerçek şekilde yüzümüze yansımaz. Örneğin, bir sahne oyuncusunun yapay bir gülüşü, eğitimli bir izleyici tarafından elbette doğal olmayan bir gülüş olarak algılanabilir; fakat aynı sahneyi bir derin öğrenme modeli izlediğinde, gerçek bir gülümseme ile sahte olanı ayırt etmesi her zaman garantili değildir.
Bununla birlikte, derin öğrenmenin bu tür durumlarda yüzleştiği sınırlara rağmen, yeni çalışmalar bu açığı kapatma yolunda ilerleme kaydediyor. Çok modlu (multimodal) öğrenme sistemleri, birden fazla veri kaynağını (görüntü, ses, metin vb.) bir arada değerlendirerek duyguların anlaşılmasında daha yüksek doğruluk ve esneklik sunmaya çalışıyor. Örneğin, yüz ifadesi, vücut dili ve ses tonunu birleştirerek duygusal durumu tahmin eden modeller, tek bir kanaldan öğrenen sistemlere göre daha başarılı sonuçlar elde edebiliyor. Yine de bu yaklaşımın dahi nihai hedef olan “insan gibi duygusal anlayış” noktasına varmaktan hâlâ uzak olduğu bir gerçek.
Gelecekte, derin öğrenmenin sınırlarını aşmak için iki yönde gelişim beklenebilir. İlk olarak, bilişsel bilimler ve nörobilim ile yakın iş birliği içinde, insan beyninin duygusal süreçleri nasıl temsil ettiğini ve işlediğini derinlemesine anlamak gerekecektir. İnsan zihnindeki sembolik ve bağlantısal (connnectionist) süreçleri bir araya getiren yöntemler, makine öğrenmesine daha esnek ve bağlama duyarlı perspektifler kazandırabilir. İkincisi, “sıfır atış (zero-shot) öğrenme” veya “az örnekle öğrenme (few-shot learning)” gibi yaklaşımlar, büyük veri ihtiyacını azaltıp, modellerin aşırı özelleşmesinin önüne geçebilir. Böylece yapay zekâ sistemleri, belki de duygusal verileri daha sağlıklı genelleyebilme yeteneği kazanırlar.
Sonuç olarak, “veriden duyguya” giden yol, derin öğrenme alanında kendini en zor ifade eden ve henüz tümüyle çözülememiş bir meseledir. Bugüne kadar elde edilen başarılar kesinlikle göz ardı edilemez. Otomasyon, sınıflandırma ve tahmin alanlarında çığır açan bu teknolojiler, duygusal zekâ ve empati içeren uygulamalarda da ilerleme kaydetse de, insan beyninin karmaşık duygusal sarmalını henüz tam olarak yakalayamamaktadır. Derin öğrenme, verinin muazzam gücünü kullansa da, duygu dediğimiz o ince ve çok katmanlı yapıyı anlamada ve yorumlamada sınırlı bir kapasiteye sahiptir. Bu sınırların aşılması, yapay zekânın insani boyutlarda derin bir sezgi ve anlayış geliştirmesi adına, önümüzdeki yılların en büyük araştırma alanlarından biri olmaya devam edecektir.
Saygılarımla
Taşkın Koçak