Bizi, yani insanları diğer canlılardan ayıran en önemli özelliklerden biri de kuşkusuz kişinin kendi sınırlarını bilebilmesidir. Herhangi birimiz henüz 5 kilometrelik koşuyu yeni yeni tamamlarken bir maraton koşusunda başarılı olabilmeyi düşünmeyiz. Aynı şekilde yapay zêka da bir bilgisayarın belirli performans özelliklerini başarıyla yerine getirebilir; ancak sınırlarını da bilmesi gerekir.
Örnek olarak rüzgâr santrallerini ele alabiliriz. Bazı rüzgâr santralleri, kapasiteleri dâhilinde mümkün olduğunca çok enerji üretebilmek için türbin rotasyonunu sürekli güncelleyen ve optimize eden bir yazılıma güveniyor. Colin Parris ve GE Araştırma’daki ekibi de tam olarak burada devreye giriyor. Ekip, yapay zekâyı biraz daha “mütevazı” programlayarak, yazılımın kendi yeteneklerini algılayabilmesini sağlayan daha insani bir teknoloji üzerinde çalışıyor.
Onların “mütevazı” yapay zekâ yazılımları, birçok şirketin türbinlerinin tasarruf etmesine yardımcı oldu; ancak Parris ve ekibi, söz konusu yapay zekânın insani özelliklerini daha fazla nasıl geliştirebileceklerini düşündüler. “Yazılımı nasıl daha ‘meraklı’ hâle getirebiliriz?”
Parris’in yazılımı “mütevazı” olarak nitelendirilmesini sağlayan asıl unsur, yapay zêkanın kendi sınırlarını bilebilmesidir. Şöyle ki bir yapay zekâ, kullanıldığı türbini mevcut hava koşullarına uygun bir şekilde ayarlarken vereceği kararlarda, ancak o türbinin dijital modeli kadar başarılı olabiliyor. Örneğin; beklenmedik bir rüzgâr, mütevazı yapay zêkanın modelleyemeceği şekilde esiyorsa, yazılım bir adım geri atar ve türbini güvenli moda geçirir. Güvenilirliği sağlar; fakat rüzgârı kullanarak yakalayacağı yüksek performanstan da feragat etmek zorunda kalır.
Parris ve ekibi de verimliliği maksimum düzeye çıkarmak için, yazılımın karar verme kabiliyetini ve güvendiği modellerin kalitesini yükseltmek istiyor. “Merak” kısmı da burada devreye giriyor.
Meraklı yapay zekâ, türbinin dijital modelindeki güven seviyesi belli bir aralığın altına düştüğünde devreye giriyor. Modelin sınırlarını olduğu gibi kabul etmek yerine, kesinliğin belirli bir seviyenin altında olmasının nedenini soruyor; dolayısıyla “merak” ediyor. Örneğin, Alaska’nın karlı bir sabahında esen sert rüzgârları düşünün. Model, iki veya üç temel değişkenle ilgili bilgiyi eksik aktarırken, “meraklı yapay zekâ” ise daha fazla veri alabilmek için yazılımını zorlar ve bu da mühendislerin yazılımı nasıl geliştirebileceklerini anlamalarına yardımcı olur.
Parris, bu geliştirmenin daha iyiye ulaşmaya çalışan modelin sadece bir parçası olduğunu vurguluyor ve ekliyor: “Bir insan, İngilizce dersinde noktalama işaretlerinde başarılı olmadığını bilir ve bunun üzerine çalışır. Durum da tam olarak buna benziyor.”
Modellerin eksiklikleri açığa çıkarıldığında, GE mühendisleri bu modellerin eksikliklerinin giderilmesini ve modelin daha da geliştirilmesini sağlayabilir. Tahmini becerileri geliştirmenin en etkili yollarından biri, ABD Enerji Dairesi’nin bir parçası olan Argonne Ulusal Laboratuvarı tarafından işletilenler gibi yüksek güçlü simülatörlere bağlanmaktır. Parris ve ekibi de GE yazılımının doğruluğunu artırmak adına Argonne’ye katıldı.
Parris gibi bir araştırmacı için ulusal laboratuvarlara erişmek, Willy Wonka’nın çikolata fabrikasına altın bir bilet kazanmak gibi. Dünyanın en güçlü süper bilgisayarlarına ve deneyimli fizikçilere ev sahipliği yapan Argonne, tabiat ana üzerindeki en şaşırtıcı hesaplamaları bile başarabilecek simülatörleri tasarlamayı mümkün kılıyor. Burada GE Araştırma ekibi tarafından daha fazla simülasyon çalıştırılabilir ve modeller daha akıllı hâle getirilebilir.
GE Araştırma, yenilenmiş modellerini Güneybatı ABD’deki 40+ türbin sayısına sahip rüzgâr çiftliğinde test edebilir. Bir sonraki adım ise baş mühendislerin gelecek yılki modelleri gözlemlemeleri olacak. Mühendisler, performansların arttığını tespit ederlerse Parris ve ekibi, “meraklı yapay zekâ” modellerini dünyanın farklı farklı rüzgâr çiftliklerinde de kullanabilecek.
Söz konusu geliştirmenin ilk izlenimleri kesinlikle umut verici. Örnek setler, yeni yapay zêka modellerinin enerji üretimini %0,1 – %0,9 oranında destekledi. Oran ilk bakışta çok yüksek görünmeyebilir; fakat bu ondalık sayı, tasarrufta yüz binlerce dolar anlamına geliyor. Tüm bu yükseltmeler ve geliştirmeler, rüzgâr çiftliklerinin üretimden ödün vermeden ekstra güç kazanmalarını sağlayarak daha güvenilir olmasına ve daha fazla enerji tedarik edilebilmesine imkân tanıyor.
Bob Dylan, “Rüzgârın hangi yöne estiğini bilmek için bir meteoroloji uzmanına ihtiyacınız yok.” demişti; görünen o ki Parris ve ekibinin çalışmaları da bu yorumu haklı çıkarıyor. Aslında ihtiyacınız olan tek şey, yapay zekâ ve “biraz” güçlü simülatörler.
