Korkutan Gelişim

Sevgili Dostlar,

Bugün sizlerle yapay zekâ ile ilgili yapılan bir araştırma sonuçlarını paylaşmak istiyorum.

Bu araştırma veri gizliliği, önyargı ve kişisel yaşam gidişatını tahmin etmek için yapay zekâ kullanmanın daha geniş etkileri hakkında kritik etik soruları gündeme getiriyor. Çalışmanın bulguları sosyal bilimler, sağlık bilimleri ve yapay zekânın geleceğimizdeki rolünün kesişiminde yeni diyaloglar açıyor.

Ana unsurlar:

1. Life2vec, 6 milyon kişiden alınan veri dizilerini analiz ederek ölüm oranı da dahil olmak üzere yaşam olaylarını tahmin etmek için transformatör modellerini kullanıyor.
2. Model, diğer gelişmiş sinir ağlarından daha iyi performans gösteriyor ve mevcut sosyal bilim bulgularıyla tutarlı.
3. Gizlilik, veri hassasiyeti ve önyargı ile ilgili etik hususlar, bu tür yapay zekâ modellerinin kişisel ve kamusal alanlarda gelecekte kullanılması açısından merkezi öneme sahiptir.

Yazılı dili modellemek için geliştirilen yapay zekâ, insanların hayatındaki olayları tahmin etmede kullanılabiliyor.

ABD’deki DTU, Kopenhag Üniversitesi, ITU ve Northeastern Üniversitesi’nin bir araştırma projesi, insanların yaşamları hakkında büyük miktarda veri kullanırsanız ve sözde ‘dönüştürücü modeller’ eğitirseniz, bunların (ChatGPT gibi) dili işlemek için kullanıldığını gösterir, verileri sistematik bir şekilde düzenleyerek bir kişinin hayatında neler olacağını tahmin edebiliyor ve hatta ölüm zamanını bile tahmin edebiliyorlar.

Nature Computational Science dergisinde yayınlanan ‘İnsan Yaşamlarını Tahmin Etmek İçin Yaşam Olayları Dizilerini Kullanmak’ başlıklı yeni bilimsel makalede  araştırmacılar, life2vec adlı bir modelde 6 milyon Danimarkalının sağlık verilerini ve işgücü piyasasına bağlılıklarını analiz etti. Model ilk aşamada eğitildikten, yani verilerdeki kalıpları öğrendikten sonra, diğer gelişmiş sinir ağlarından daha iyi performans gösterdiği kişilik ve ölüm zamanı gibi sonuçları yüksek doğrulukla tahmin ettiği gösterilmiştir.

“Modeli temel soruyu ele almak için kullandık: Geçmişinizdeki koşullar ve olaylara dayanarak geleceğinizdeki olayları ne ölçüde tahmin edebiliriz? Bilimsel olarak bizim için heyecan verici olan, tahminin kendisi değil, modelin bu kadar kesin cevaplar vermesini sağlayan veri yönleridir” diyor DTU profesörü ve makalenin ilk yazarı olan Sune Lehmann.

Ölüm zamanı tahminleri

Life2vec’in tahminleri şu gibi genel soruların yanıtlarıdır: ‘dört yıl içinde ölüm’?

Araştırmacılar modelin yanıtlarını analiz ettiğinde sonuçlar sosyal bilimlerdeki mevcut bulgularla tutarlıdır; örneğin, her şey eşit olduğunda, liderlik pozisyonundaki veya yüksek gelirli bireylerin hayatta kalma olasılıkları daha yüksekken, erkek olmak, yetenekli olmak veya zihinsel teşhise sahip olmak daha yüksek ölüm riskiyle ilişkilendiriliyor.

Life2vec, verileri, farklı verileri düzenleyen matematiksel bir yapı olan geniş bir vektör sistemiyle kodlar. Model, doğum zamanı, okullaşma, eğitim, maaş, barınma ve sağlık gibi verilerin nereye yerleştirileceğine karar veriyor.

“Heyecan verici olan, bir dildeki bir cümlenin bir dizi kelimeden oluşmasına benzer şekilde, insan yaşamını uzun bir olaylar dizisi olarak düşünmektir. Bu genellikle yapay zekâdaki transformatör modellerinin kullanıldığı görev türüdür, ancak deneylerimizde bunları yaşam dizileri dediğimiz şeyleri, yani insan yaşamında meydana gelen olayları analiz etmek için kullanıyoruz” diyor Sune Lehmann.

Etik soruları gündeme getirmek

Makalenin arkasındaki araştırmacılar, hassas verilerin korunması, mahremiyet ve verilerde önyargının rolü gibi life2vec modelini çevreleyen etik soruların olduğuna dikkat çekiyor. Modelin, örneğin bir bireyin bir hastalığa yakalanma riskini veya diğer önlenebilir yaşam olaylarını değerlendirmek için kullanılabilmesi için bu zorlukların daha derinlemesine anlaşılması gerekir.

“Model, politik olarak tartışmak ve ele almak için önemli olumlu ve olumsuz perspektiflerin önünü açıyor. Yaşam olaylarını ve insan davranışlarını tahmin etmeye yönelik benzer teknolojiler, örneğin sosyal ağlardaki davranışlarımızı takip eden, son derece doğru bir şekilde profilimizi çıkaran ve bu profilleri davranışlarımızı tahmin etmek ve bizi etkilemek için kullanan teknoloji şirketlerinde bugün zaten kullanılmaktadır.

Sune Lehmann, “Teknolojinin bizi nereye götürdüğünü ve bunun istediğimiz bir gelişme olup olmadığını değerlendirebilmemiz için bu tartışmanın demokratik tartışmanın bir parçası olması gerekiyor” diyor.

Araştırmacılara göre bir sonraki adım, metin ve görseller ya da sosyal bağlantılarımız hakkındaki bilgiler gibi diğer bilgi türlerini de dahil etmek olacak. Verilerin bu şekilde kullanılması, sosyal bilimler ile sağlık bilimleri arasında yepyeni bir etkileşimin yolunu açıyor.

‘İnsan Yaşamlarını Tahmin Etmek İçin Yaşam Olayları Dizilerini Kullanmak’ araştırma projesi, işgücü piyasası verilerine ve Ulusal Hasta Kaydı (LPR) ve Danimarka İstatistiklerinden elde edilen verilere dayanmaktadır. Veri seti 6 milyon Danimarkalının tamamını içeriyor ve gelir, maaş, maaş, iş türü, endüstri, sosyal yardımlar vb. hakkında bilgiler içeriyor.

Sağlık veri seti, sağlık uzmanlarına veya hastanelere yapılan ziyaretlerin kayıtlarını, tanıyı, hasta türünü ve aciliyet derecesini içerir. Veri seti 2008’den 2020’ye kadar uzanıyor, ancak bazı analizlerde araştırmacılar 2008-2016 dönemine ve yaş sınırlaması olan bireylerden oluşan bir alt gruba odaklanıyor.

Trafo modeli

Transformatör modeli, dil ve diğer görevler hakkında bilgi edinmek için kullanılan bir yapay zekâ, derin öğrenme veri mimarisidir. Modeller dili anlamak ve oluşturmak için eğitilebilir. Transformatör modeli, önceki modellere göre daha hızlı ve daha verimli olacak şekilde tasarlanmıştır ve genellikle büyük veri kümeleri üzerinde büyük dil modellerini eğitmek için kullanılır.

Nöral ağlar

Sinir ağı, insan ve hayvanların beyin ve sinir sisteminden ilham alan bir bilgisayar modelidir. Sinir ağlarının pek çok farklı türü vardır (örn. transformatör modelleri). Beyin gibi sinir ağları da yapay nöronlardan oluşur. Bu nöronlar birbirine bağlıdır ve birbirlerine sinyal gönderebilirler. Her nöron diğer nöronlardan girdi alır ve diğer nöronlara aktarılan çıktıyı hesaplar.

Bir sinir ağı, büyük miktarda veri üzerinde eğitim alarak görevleri çözmeyi öğrenebilir. Sinir ağları, zamanla doğruluğunu öğrenmek ve geliştirmek için eğitim verilerine güvenir. Ancak bu öğrenme algoritmaları doğruluk için ince ayar yapıldıktan sonra, bilgisayar bilimi ve yapay zekada verileri yüksek hızda sınıflandırmamıza ve gruplandırmamıza olanak tanıyan güçlü araçlar haline gelirler. En iyi bilinen sinir ağlarından biri Google’ın arama algoritmasıdır.

Bu veriler ışığında insan sormadan edemiyor tabiki, neden ömür biçer hale getiriliyor bu yapay zekâ? Arıca erkek ve yetenekli olmak neden ömrü kısaltıyor? Bunlar yapay zekânın çıkarımları olarak getiriliyor önümüze. Bir neşterin cerrahın elinde ki hali ile psikopatın elinde ki hali ve kullanılış şekli aynı değilken insan hakkında bu kadar veriye sahip olacak olan yapay zekânın kontrolü kimde olacak? İnsanı ürküten gelişmeler yaşanıyor dünyada.