Kendi kendine düşünen bir zihin: Nöro-işlemciler hakkında konuşmamız lazım

Karspersky “Altai” nöro-işlemcisini geliştiren Motive NT’ye yatırımını duyurdu. Nöro-işlemcilerin ne olduğuna, geleneksel işlemcilerden farklarına ve bu alanın neden bilgisayar teknolojileri geliştirme açısından çok fazla şey vadettiğine birlikte bakalım.

Bilgisayar beyin

Tüm modern bilgisayarlar, tabletler, akıllı telefonlar, ağ cihazları ve dijital oynatıcılar, bilgisayar kodunu yürütmek için genel amaçlı bir elektronik devre cihazı olan merkezi bir işlemci birimine (CPU) sahip. Çalışma prensipleri 1940’larda ortaya atılan geleneksel işlemciler, ilginçtir ki o zamandan bu yana pek değişmedi. CPU komutları okur, ardından yürütür. Tüm programlar CPU düzeyinde en basit görevlere indirgenerek bölünür. Bunlar “bellekten oku”, “belleğe yaz”, “iki sayıyı topla”, “çarp”, “böl” gibi komutlardır. CPU’nun çalışma biçimiyle ilgili birçok nüans olsa da bugün ele alacağımız konu için önemli olan nokta, CPU’ların uzun yıllardır bir döngüde sadece tek bir operasyon gerçekleştirebiliyor olmaları. Bu döngüler elbette sayıca çok fazla olabiliyordu. Başta saniyede yüz binlerce, ardından milyonlarca, günümüzde ise milyarlarca döngü gerçekleştirilebiliyor. Ancak yakın zamana kadar (2000’lerin ortasına kadar) tipik bir ev bilgisayarı veya dizüstü bilgisayar yalnızca tek bir işlemciye sahipti.

Tek bir CPU’da aynı anda birden fazla program yürütebilme becerisi, kaynak tahsis edilerek başarıldı: Tek bir programa birden fazla saat döngüsü verildi, ardından kaynaklar bir başkasına tahsis edildi, sonra bir üçüncüsüne tahsis edildi vb. Uygun fiyatlı çok çekirdekli işlemciler piyasaya çıkınca kaynaklar daha verimli şekilde dağıtılabilmeye başlandı. Artık yalnızca farklı çekirdeklerde farklı programlar yürütmek değil, aynı zamanda tek bir programı farklı çekirdeklerde aynı anda yürütmek de mümkündü. İlk başta bu kolay bir iş değildi. Bir süre boyunca birçok program ve oyun çok çekirdekli ya da çok işlemcili sistemlere göre optimize edilmemişti.

Günümüzde ev kullanıcılarının alabildiği CPU’lar 16, hatta 32 çekirdekli olabiliyor. Bunlar etkileyici sayılar olsa da geleneksel tüketici teknolojisi için bile mümkün olan maksimum değerden çok uzaklar. Örneğin, Nvidia GeForce 3080Ti video kartının 10.240 çekirdeği var! Peki bu devasa fark neden kaynaklanıyor? Çünkü geleneksel CPU’lar, video kartlarındaki işlemci çekirdeklerinden çok daha karmaşık. Sıradan CPU’lar sınırlı bir dizi basit fonksiyon gerçekleştirirken video kartlarındaki özel grafik işlem birimleri (GPU’lar) daha da ilkeldir; yalnızca en basit operasyonları gerçekleştirebilirler, ancak bunu çok hızlı şekilde yaparlar. Bu da saniyede milyarlarca basit operasyon gerçekleştirmek istediğinizde çok işinize yarar. Örneğin bir bilgisayar oyununda, diyelim ki bir sahnenin ışığını hesaplamak üzere, görüntüdeki her bir nokta için görece basit birçok hesaplama yürütülmesi gerekir.

Bu nüanslara rağmen, geleneksel CPU’larda ve video kartlarında kullanılan işlemci çekirdekleri temelde birbirinden çok farklı değildir. Oysa nöromorfik işlemciler, hem CPU’lardan hem de GPU’lardan çok farklı. Art arda veya paralel şekilde aritmetik operasyonlar yürütmek için bir dizi öge uygulamaya çalışmıyorlar. Bunun yerine insan beyninin yapısını yeniden üretmeyi amaçlıyorlar!

Bilgi işlemde en küçük yapı taşı düşük transistör kabul edilir. Herhangi bir bilgisayarda ya da akıllı telefondaki tipik bir CPU’da bu mikroskopik ögelerden birkaç milyar tane bulunur. İnsan beyninde ise buna karşılık gelebilecek temel öge nöronlar, yani sinir hücreleridir. Nöronlar birbirlerine sinapslarla bağlıdır. Çok karmaşık bir kendi kendine öğrenim sistemi olan insan beynini on milyarlarca nöron meydana getirir. Nöromorfik mühendislik olarak bilinen disiplin, onlarca yıldır insan beyninin yapısını kısmen de olsa elektronik devreler biçiminde yeniden üretmeye odaklanıyor. Bu yaklaşımla geliştirilen Altai işlemci, beyin dokusunun tüm nöronları ve sinapslarıyla donanıma uygulanmış hali.

Nöro-işlemciler ve nöral ağlar

Ancak hemen kendimizi kaptırmayalım. Araştırmacılar yarı iletkenler kullanarak beyin yapısının belirli unsurlarını yeniden üretmeyi başarmış olsa da bu yakın zamanda insanların dijital kopyalarını göreceğimiz anlamına gelmiyor. Bu tür bir iş, bu araştırmaların eninde sonunda varmayı istediği bir hedef olsa da çok daha karmaşık bir süreç. Bu esnada nöro işlemciler, yani beyin yapımızın yarı iletken kopyaları, daha pratik uygulama alanlarına sahip. Makine öğrenimi sistemlerini ve bunları destekleyen nöral ağları hayata geçirmek için bu teknolojiye ihtiyaç var.

Bir nöral ağ, daha doğrusu bir yapay nöral ağ (kafamızın içindeki doğal olan değil), bilgi işleme ve depolama becerisine sahip bir dizi hücreden oluşuyor. Klasik nöral ağ modeli Perceptron 1960’larda geliştirildi. Bu hücre dizisi bir kamera matrisiyle karşılaştırılabilir, ancak aynı zamanda öğrenme, sonuçta ortaya çıkan görüntüyü yorumlama ve içindeki örüntüleri bulma becerilerine sahiptir. Hücreler arasındaki özel bağlantılar ve farklı türde hücreler bilgiyi işleyerek, örneğin, merceğin önüne tutulan alfabe kartları arasında ayrım yapabilir. Fakat bu 60 yıl önceydi. O zamandan bu yana, özellikle de son on yılda, makine öğrenimi ve nöral ağlar birçok sıradan iş için yaygın olarak kullanılır hale geldi.

Alfabedeki harfleri tanıma problemi çok uzun süre önce çözüldü. Sürücülerin çok iyi bildiği gibi hız kameraları artık araçların plakalarını her açıdan, gece gündüz, hatta çamurla kaplı olsa bile tanıyabiliyor. Nöral ağların tipik görevlerinden biri de bir fotoğraf çekip (örneğin yukarıdan bir stadyum fotoğrafı) içindeki insan sayısını belirlemek. Bu görevlerin ortak bir yanı var: Girdiler daima hafif de olsa farklılık gösteriyor. Eski model, sıradan bir program da büyük olasılıkla tam karşıdan çekilmiş bir plaka fotoğrafını okuyabilirdi, fakat açılı çekilen fotoğraflardan plakayı tanıyamazdı. Bu durumda bir nöral ağı eğitmek için onu çok fazla sayıda plaka (ya da başka bir şey) fotoğrafıyla besliyoruz, böylelikle plakayı oluşturan harfleri ve numaraları (ya da girilen şeyin diğer özelliklerini) ayırt etmeyi öğreniyor. Bazen o kadar uzmanlaşıyor ki, örneğin tıp alanında bir doktordan daha iyi ya da daha hızlı teşhis koyabiliyor.

Nöral ağların hayata geçirilmesine geri dönelim. Bir nöral ağ algoritmasını hayata geçirmek için gereken hesaplamalar oldukça basit olsa da çok sayıda operasyon içerir. Bu iş, geleneksel bir CPU’ya değil, binlerce ya da on binlerce hesaplama modülüne sahip bir video kartına daha uygundur. Yalnızca belirli bir öğrenme algoritması için gereken bir dizi hesaplamayı yapan daha uzmanlaşmış bir CPU yapmak da mümkündür. Bu biraz daha ucuz ve az da olsa daha etkili olabilir. Ancak tüm bu cihazlar hala nöral ağı (yani bilgiyi gönderen ve alan, birbirine birden çok bağ ile bağlı hücre düğümü setlerini) yazılım düzeyinde inşa ederler; nöro-işlemci ise nöral ağ şemasını donanım düzeyinde hayata geçirir.

Bu donanım uygulaması çok daha verimlidir. Intel’in Loihi nöro-işlemcisi 131.072 yapay nörondan oluşuyor; bu yapay nöronlar çok daha fazla sayıda (130 milyon’dan fazla) sinapsla birbirine bağlı. Bu şemanın avantajlarından biri, çalışmaz durumdayken düşük enerji tüketmesi; geleneksel GPU’lar çalışmıyorken de çok fazla enerji tüketiyor. Bu ve nöral ağ eğitimi performanslarının teorik olarak daha yüksek performansa sahip olması çok daha düşük enerji tüketimi sağlıyor. Örneğin, birinci nesil Altai işlemci, benzer bir GPU uygulamasından bin kat daha az enerji tüketiyor.

Nöral ağlar ve güvenlik

130.000 nöron, insan beynindeki on milyarca nörona kıyasla çok az. Bizi beynin nasıl işlediğini tam olarak anlamaya ve çok daha etkin kendi kendine öğrenim sistemleri yaratmaya yaklaştıracak araştırmalar daha yeni başlıyor. Daha da önemlisi, teoride mevcut problemleri daha etkili biçimde çözmemizi sağlayacakları için nöro-işlemcilere yönelik talep şimdiden arttı. Akıllı telefonunuza entegre edilmiş bir örüntü tanıyıcı, örneğin siz ormanda meyve toplarken meyveleri birbirinden ayırt etmeye yarayabilir. Video işleme ve benzer görevler için özelleştirilmiş CPU’lar hali hazırda yaygın şekilde akıllı telefonlarımızda gömülü. Nöro-işlemciler, makine öğrenimi fikrini birkaç adım ileri taşıyarak daha etkili bir çözüm sunuyor.

Kaspersky bu alanla neden ilgileniyor? Birincisi, ürünlerimiz hali hazırda nöral ağları ve genel olarak makine öğrenimi teknolojilerini aktif biçimde kullanıyor. Kurumsal bir ağın operasyonu hakkında büyük miktarda bilgiyi işlemeye ya da düğümlerin birbiriyle veya dış dünyayla paylaştığı verileri izlemeye yönelik teknolojiler bunun örnekleri arasında yer alıyor. Makine öğrenimi teknolojileri, bu trafik akışında bir izinsiz giriş veya içeriden birinin kötü amaçlı eylemleri sonucu ortaya çıkabilecek anormallikleri tespit etmemizi ve sıradışı aktiviteleri bulmamızı sağlıyor. İkincisi, Kaspersky, kontrolü altındaki cihazlara verilen görevlerin güvenli şekilde yürütülmesini garanti eden kendi işletim sistemi KasperskyOS‘u geliştiriyor. KasperskyOS tabanlı cihazlara donanım nöral ağlar entegre etmek, gelecek için çok şey vadediyor.

Tüm bu ilerlemelerin sonunda yalnızca bizim için görevleri yerine getirmekle kalmayıp aynı zamanda kendi görevlerini belirleyen (ve çözen) gerçek bir Yapay Zeka ortaya çıkacak. Bu ortaya etik sorunlar çıkaracak ve bazıları elbette itaatkar bir makinenin yaratıcısından daha zeki olmasını kavramakta zorlanacak. Yine de buna daha çok zaman var. Yaklaşık beş yıl önce herkes sürücüsüz otomobillerin son hazırlıklarının yapıldığından, bugün yarın piyasaya sürüleceklerinden emindi. Bu tür sistemler de makine öğrenimiyle yakından bağlantılı. 2022’de hala bu alandaki fırsatlarla sorunlar başabaş gidiyor. İnsanların son derece iyi becerdiği araba sürmek gibi dar kapsamlı bir görev bile henüz tamamen bir robota emanet edilemiyor. Bu yüzden bu alanda hem yazılım ve fikir düzeyinde hem de donanım düzeyinde gelişmeler büyük önem taşıyor. Tüm bunların bir araya gelmesi henüz bilim kurgu kitaplarında ve filmlerindeki gibi akıllı robotların ortaya çıkmasına yol açmayacak olsa da yaşamlarımızı biraz daha kolay ve güvenli hale getireceği kesin.