How computers are learning to be creative | Blaise Agüera y Arcas

Çeviri: pinar sadi Gözden geçirme: Yunus ASIK

So, I lead a team at Google that works on machine intelligence;

Google'da makine zekâsı üzerine çalışan bir takımı yönetiyorum;

in other words, the engineering discipline of making computers and devices

yani, bilgisayar ve makineleri yapan mühendislik disiplini

able to do some of the things that brains do.

beynin yaptığı bazı şeyleri yapabiliyor.

And this makes us interested in real brains

Bu da bizim gerçek beyinlere

and neuroscience as well,

ve nörolojiye de

and especially interested in the things that our brains do

ve özellikle bilgisayarların performansından hâlâ üstün olan

that are still far superior to the performance of computers.

beynimizin yaptığı şeylere ilgi duymamızı sağlıyor.

Historically, one of those areas has been perception,

Tarihsel olarak bu alanlardan biri algıdır,

the process by which things out there in the world --

dünyada algılanarak var olan şeyler --

sounds and images --

sesler ve resimler gibi --

can turn into concepts in the mind.

zihinde kavramlara dönüşebilir.

This is essential for our own brains,

Bu beynimiz için vazgeçilmezdir

and it's also pretty useful on a computer.

ve bir bilgisayarda da oldukça kullanışlıdır.

The machine perception algorithms, for example, that our team makes,

Takımımın yaptığı makine algı algoritmaları örneğin,

are what enable your pictures on Google Photos to become searchable,

Google Fotoğraflar'da resimlerinizdeki şeyleri baz alarak onların aranabilir

based on what's in them.

olmasını sağlıyor.

The flip side of perception is creativity:

Algının diğer yüzü yaratıcılık:

turning a concept into something out there into the world.

Bir kavramı dünyadaki bir nesneye dönüştürmektir.

So over the past year, our work on machine perception

Geçen yıl boyunca makine algısı üzerine yaptığımız çalışmalar da

has also unexpectedly connected with the world of machine creativity

beklenmedik bir şekilde makine yaratıcılığı ve makine sanatı dünyasıyla

and machine art.

bağlandı.

I think Michelangelo had a penetrating insight

Bence Michelangelo algı ve yaratıcılık arasındaki ikili ilişkiye

into to this dual relationship between perception and creativity.

dair keskin bir bakış açısına sahipti.

This is a famous quote of his:

Onun ünlü bir sözüdür:

"Every block of stone has a statue inside of it,

"Her bir taş blok içinde bir heykel barındırır ve

and the job of the sculptor is to discover it."

heykeltraşın görevi bunu ortaya çıkarmaktır."

So I think that what Michelangelo was getting at

Yani bence Michelangelo'nun anlatmak istediği

is that we create by perceiving,

algılayarak yaratırız,

and that perception itself is an act of imagination

algının kendisi hayal gücümüzün bir eylemi ve

and is the stuff of creativity.

yaratıcılığın malzemesidir.

The organ that does all the thinking and perceiving and imagining,

Düşünmeyi, algılamayı ve hayal etmeyi sağlayan organımız

of course, is the brain.

tabii ki de beynimizdir.

And I'd like to begin with a brief bit of history

Beyinler hakkında bildiğimiz şeylerin

about what we know about brains.

kısa bir tarihiyle başlamak istiyorum.

Because unlike, say, the heart or the intestines,

Çünkü kalp ya da bağırsakların aksine

you really can't say very much about a brain by just looking at it,

en azından çıplak gözle bakarak bir beyin hakkında

at least with the naked eye.

çok bir şey söyleyemezsin.

The early anatomists who looked at brains

Beyni inceleyen ilk anatomi uzmanları

gave the superficial structures of this thing all kinds of fanciful names,

beynin yüzeysel yapılarına, "denizatı" anlamına gelen hipokampüs gibi

like hippocampus, meaning "little shrimp."

birçok tuhaf isim vermişler.

But of course that sort of thing doesn't tell us very much

Fakat bu bize aslında içinde ne olduğu

about what's actually going on inside.

hakkında pek bir şey ifade etmiyor.

The first person who, I think, really developed some kind of insight

Bence beyinde ne olduğuna dair gerçekten bir bakış açısı geliştiren ilk kişi,

into what was going on in the brain

19. yüzyılda beyindeki bireysel hücrelerin

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

morfolojilerini (yapı) anlamaya başlamak için

in the 19th century,

mikroskop ve

who used microscopy and special stains

bu hücreleri yüksek kontrastta

that could selectively fill in or render in very high contrast

titizlikle doldurabilen ya da eritebilen özel kimyasallar kullanan,

the individual cells in the brain,

büyük İspanyol nöro-anatomist

in order to start to understand their morphologies.

Santiago Ramón y Cajal'dır.

And these are the kinds of drawings that he made of neurons

Bunlar da 19. yy'da nöronlardan (sinir hücresi) yaptığı

in the 19th century.

çizimler.

This is from a bird brain.

Bir kuş beyninden alıntı.

And you see this incredible variety of different sorts of cells,

Bu inanılmaz farklı çeşitlikteki hücreleri görüyorsunuz,

even the cellular theory itself was quite new at this point.

hücre teorisi bile o zaman çok yeniydi.

And these structures,

Bu yapılar,

these cells that have these arborizations,

dallanmaların olduğu hücreler,

these branches that can go very, very long distances --

çok çok uzağa gidebilen dallar

this was very novel at the time.

o zamanlar çok yeniydi.

They're reminiscent, of course, of wires.

Tabii ki de kabloları andırıyorlar.

That might have been obvious to some people in the 19th century;

19. yy'da bu bazı insanlar için açık ve netti;

the revolutions of wiring and electricity were just getting underway.

kabloların ve elektriğin devrimi yeni bir yolculuğa başlıyordu.

But in many ways,

Fakat birçok açıdan

these microanatomical drawings of Ramón y Cajal's, like this one,

örnekteki gibi Ramón y Cajal'ın mikroanatomik çizimleri

they're still in some ways unsurpassed.

hâlâ bazı açılardan emsalsiz.

We're still more than a century later,

Ramón y Cajal'ın başladığı işi bitirmeye

trying to finish the job that Ramón y Cajal started.

çabalarken hâlâ yüzyıl sonrasından daha uzağız.

These are raw data from our collaborators

Bunlar Max Planck Sinirbilim Enstitüsü'ndeki

at the Max Planck Institute of Neuroscience.

ortaklarımızdan gelen ham verilerdir.

And what our collaborators have done

Ortaklarımızın yaptığı şey

is to image little pieces of brain tissue.

beyin dokusunun küçük parçalarını hayal etmekti.

The entire sample here is about one cubic millimeter in size,

Buradaki tüm örnek boyutun yaklaşık bir milimetre kübü ve

and I'm showing you a very, very small piece of it here.

size bunun çok ama çok küçük bir parçasını gösteriyorum.

That bar on the left is about one micron.

Sol taraftaki çizgi yaklaşık bir mikron.

The structures you see are mitochondria

Gördüğünüz yapılar bakteri boyutundaki

that are the size of bacteria.

mitokondriler.

And these are consecutive slices

Bunlar çok çok ince olan

through this very, very tiny block of tissue.

doku bloklarındaki ard arda gelen dilimler.

Just for comparison's sake,

Sadece karşılaştırmak amacıyla,

the diameter of an average strand of hair is about 100 microns.

ortalama bir saç telinin çapı yaklaşık 100 mikron.

So we're looking at something much, much smaller

Yani tek bir saç telinden çok çok

than a single strand of hair.

küçük bir şey arıyoruz.

And from these kinds of serial electron microscopy slices,

Bir bilim insanı bu çeşit seri elektron mikroskopi dilimlerinden

one can start to make reconstructions in 3D of neurons that look like these.

bunlara benzeyen üç boyutlu nöronlarda yeniden yapılandırmaya başlayabilir.

So these are sort of in the same style as Ramón y Cajal.

Sonucunda bunlar Ramón y Cajal'la aynı tarzda.

Only a few neurons lit up,

Sadece birkaç nöron parlıyor,

because otherwise we wouldn't be able to see anything here.

yoksa burada hiçbir şey göremezdik.

It would be so crowded,

Çok kalabalık olurdu,

so full of structure,

bir nöronu diğer bir nörona

of wiring all connecting one neuron to another.

bağlayan yapılarla dolu.

So Ramón y Cajal was a little bit ahead of his time,

Ramón y Cajal zamanının biraz ilerisindeydi

and progress on understanding the brain

ve beyni anlamadaki ilerlemesini

proceeded slowly over the next few decades.

önündeki birkaç 10 yıl boyunca sürdürdü.

But we knew that neurons used electricity,

Nöronların elektrik kullandığını biliyorduk ve

and by World War II, our technology was advanced enough

2. Dünya Savaşı'yla teknolojimiz nasıl çalıştıklarını daha iyi

to start doing real electrical experiments on live neurons

anlamak için canlı nöronlarda gerçek elektrikli deneyleri

to better understand how they worked.

yapmaya başlayacak kadar gelişmişti.

This was the very same time when computers were being invented,

Bu tam da bilgisayarların; bilgisayar biliminin fikir

very much based on the idea of modeling the brain --

öncülerinden biri olan Alan Turing'in deyimiyle

of "intelligent machinery," as Alan Turing called it,

beyin modelleme fikrine dayanan "akıllı makinelerin"

one of the fathers of computer science.

icadıyla aynı dönemdi.

Warren McCulloch and Walter Pitts looked at Ramón y Cajal's drawing

Warren McCulloch ve Walter Pitts, Ramón y Cajal'ın burada gösterdiğim

of visual cortex,

görme korteksinin (merkezi)

which I'm showing here.

çizimlerine baktı.

This is the cortex that processes imagery that comes from the eye.

Bu korteks gözden gelen görüntüleri işliyor.

And for them, this looked like a circuit diagram.

Onlar için bu devre şeması gibiydi.

So there are a lot of details in McCulloch and Pitts's circuit diagram

Bu yüzden McCulloch ve Pitts'in devre şemasında

tamamen doğru olmayan birçok detay bulunmakta.

that are not quite right.

But this basic idea

Ama bu temel

that visual cortex works like a series of computational elements

görme korteksinin hesaplama elemanları serisi gibi

that pass information one to the next in a cascade,

çalışarak sonrakine ard arda bilgi aktarması fikri

is essentially correct.

temelde doğrudur.

Let's talk for a moment

Biraz görsel bilgi işleme için modelin

about what a model for processing visual information would need to do.

ne yapması gerektiğinden bahsedelim.

The basic task of perception

Algının temel görevi

is to take an image like this one and say,

bu gibi bir resme bakıp şöyle demektir,

"That's a bird,"

"Bu bir kuş."

which is a very simple thing for us to do with our brains.

ki bu bizim beyinlerimizle yaptığımız çok kolay bir şeydir.

But you should all understand that for a computer,

Ama şunu anlamalısınız ki bilgisayar için,

this was pretty much impossible just a few years ago.

birkaç yıl önce neredeyse imkânsızdı.

The classical computing paradigm

Klasik hesaplama paradigması

is not one in which this task is easy to do.

bu işi kolay yapanlardan biri değil.

So what's going on between the pixels,

Pikseller arasında,

between the image of the bird and the word "bird,"

kuş resmi ve "kuş" kelimesi arasında olan,

is essentially a set of neurons connected to each other

temelde sinir ağında birbirine bağlı

in a neural network,

nöronlar kümesidir,

as I'm diagramming here.

burada şemalaştırdığım gibi.

This neural network could be biological, inside our visual cortices,

Bu sinir ağı, görme kortekslerimizin içerisinde, biyolojik olabilir

or, nowadays, we start to have the capability

veya günümüzde, bu gibi sinir ağları modelleme

to model such neural networks on the computer.

kapasitesine sahip olmaya başladık bilgisayarlarda.

And I'll show you what that actually looks like.

Size gerçekte nasıl göründüğünü açıklayacağım.

So the pixels you can think about as a first layer of neurons,

Pikselleri nöronların ilk katmanı gibi düşünebilirsiniz

and that's, in fact, how it works in the eye --

ve aslında gözde de bu şekilde işler --

that's the neurons in the retina.

bunlar retinadaki nöronlar.

And those feed forward

İleri beslenir

into one layer after another layer, after another layer of neurons,

bir katmandan diğer katmana, ardından diğer farklı ağırlıklı

all connected by synapses of different weights.

sinapslarla birbirine bağlı olan nöronlar katmanına.

The behavior of this network

Bu ağın davranışı

is characterized by the strengths of all of those synapses.

tüm bu sinapsların gücü ile karakterize edilir.

Those characterize the computational properties of this network.

Ağın hesaplama gücün özelliklerini karakterize ederler.

And at the end of the day,

Günün sonunda,

you have a neuron or a small group of neurons

tek bir nöron veya küçük bir nöron grubunuz olur,

that light up, saying, "bird."

"Kuş" sözü ile parlayan.

Now I'm going to represent those three things --

Şimdi şu üç şeyi tasvir edeceğim--

the input pixels and the synapses in the neural network,

giriş pikselleri ve sinir ağındaki sinapslar

and bird, the output --

ve kuş yani çıktı verisi --

by three variables: x, w and y.

şu üç değişkenle: x, w ve y.

There are maybe a million or so x's --

Belki de bir milyon ya da civarında x --

a million pixels in that image.

o görüntüde bir milyon piksel var.

There are billions or trillions of w's,

Milyarlarca ya da trilyonlarca w'lar var

which represent the weights of all these synapses in the neural network.

sinir ağındaki tüm bu sinapsların ağırlıklarını gösteren.

And there's a very small number of y's,

Az sayıda y'ler var,

of outputs that that network has.

ağın çıktısı olarak.

"Bird" is only four letters, right?

"Kuş" (Bird) sadece 4 harfli değil mi?

So let's pretend that this is just a simple formula,

Bunun basit bir formül olduğunu farz edelim:

x "x" w = y.

x "x" w = y.

I'm putting the times in scare quotes

Çarpım işaretini tırnak arasına aldım çünkü

because what's really going on there, of course,

orada tam olarak olan, şüphesiz,

is a very complicated series of mathematical operations.

matematiksel operasyonların çok karmaşık serileridir.

That's one equation.

Bu, bir denklem.

There are three variables.

Üç değişken var.

And we all know that if you have one equation,

Hepimizin bildiği gibi eğer bir denklemin varsa,

you can solve one variable by knowing the other two things.

diğer ikisini bilerek, bir değişkeni bulabilirsin.

So the problem of inference,

Çıkarım sorunu ise

that is, figuring out that the picture of a bird is a bird,

kuş resminde kuş olduğunu çıkarmakta.

is this one:

Bu ise:

it's where y is the unknown and w and x are known.

y bilinmeyen, w ve x biliniyor.

You know the neural network, you know the pixels.

Sinir ağını biliyorsunuz, pikselleri biliyorsunuz.

As you can see, that's actually a relatively straightforward problem.

Görüldüğü gibi nispeten anlaşılır bir problem.

You multiply two times three and you're done.

3 ile 2'yi çarpıyorsunuz ve bitiyor.

I'll show you an artificial neural network

Geçenlerde oluşturduğumuz, aynısını yapan

that we've built recently, doing exactly that.

yapay bir sinir ağı göstereceğim size.

This is running in real time on a mobile phone,

Gerçek zamanlı olarak cep telefonunda işletiliyor

and that's, of course, amazing in its own right,

ve elbette başlı başına harika,

that mobile phones can do so many billions and trillions of operations

cep telefonlarının saniyede milyarlarca ve trilyonlarca işlemi

per second.

yapabiliyor olması.

What you're looking at is a phone

Seyrettiğiniz, art arda

looking at one after another picture of a bird,

kuş resimlerinin olduğu bir telefon

and actually not only saying, "Yes, it's a bird,"

ve aslında sadece "Evet, bu bir kuş," demekle kalmıyor

but identifying the species of bird with a network of this sort.

hatta ağ ile kuşun cinsini de tanımlıyor.

So in that picture,

Resimde,

the x and the w are known, and the y is the unknown.

x ve w biliniyor, y bilinmiyor.

I'm glossing over the very difficult part, of course,

Zor kısmını gizliyorum, tabii ki,

which is how on earth do we figure out the w,

w'yi nasıl hesaplayabiliriz,

the brain that can do such a thing?

beyin böyle bir şeyi nasıl yapabilir?

How would we ever learn such a model?

Böyle bir modeli nasıl öğrenebiliriz?

So this process of learning, of solving for w,

Bu öğrenme, w'yi hesaplama sürecinde

if we were doing this with the simple equation

sayı olarak düşündüğümüz o

in which we think about these as numbers,

basit denklemdeki gibi yapsaydık,

we know exactly how to do that: 6 = 2 x w,

kesin olarak yapılışını bilirdik: 6=2 x w,

well, we divide by two and we're done.

2'ye böleriz ve biter.

The problem is with this operator.

Problem bu işaret ile.

So, division --

Bölme --

we've used division because it's the inverse to multiplication,

bölmeyi kullandık çünkü çarpmanın tersi,

but as I've just said,

ama bahsettiğim gibi

the multiplication is a bit of a lie here.

buradaki çarpma biraz göstermelik.

This is a very, very complicated, very non-linear operation;

Bu oldukça karmaşık, doğrusal olmayan bir işlem;

it has no inverse.

tersi yok.

So we have to figure out a way to solve the equation

Denklemi çözmek için bir yol bulmalıyız

without a division operator.

bölme işlemi olmadan.

And the way to do that is fairly straightforward.

Ve bunu yapmanın yolu gayet açık.

You just say, let's play a little algebra trick,

Biraz cebir hilesi yapalım diyebiliriz

and move the six over to the right-hand side of the equation.

ve 6'yı denklemin sağ tarafına taşıyalım.

Now, we're still using multiplication.

Hâlâ çarpma işlemini kullanıyoruz.

And that zero -- let's think about it as an error.

0'ı hata olarak düşünelim.

In other words, if we've solved for w the right way,

Yani, w'yi doğru bulursak

then the error will be zero.

hata 0 olacaktır.

And if we haven't gotten it quite right,

Doğru bulamazsak,

the error will be greater than zero.

hata 0'dan büyük olacaktır.

So now we can just take guesses to minimize the error,

Şimdi hatayı minimize etmek için tahminlerde bulunabiliriz

and that's the sort of thing computers are very good at.

ki bu da bilgisayarların iyi olduğu bir alan.

So you've taken an initial guess:

Başka bir tahminde bulundunuz:

what if w = 0?

Farz edelim w=0 olsun.

Well, then the error is 6.

O zaman hata 6 olur.

What if w = 1? The error is 4.

Ya w=1 olursa? Hata 4 olur.

And then the computer can sort of play Marco Polo,

O zaman bilgisayar bir çeşit körebe (Marco Polo)

and drive down the error close to zero.

oynayabilir ve hatayı 0'a yakınlaştırabilir.

As it does that, it's getting successive approximations to w.

Bunu yaparken de w için ardışık yaklaşıklama elde eder.

Typically, it never quite gets there, but after about a dozen steps,

Genellikle tam olarak ulaşamaz ama bir düzine aşamadan sonra

we're up to w = 2.999, which is close enough.

w=2,999 'e kadar geldik ki bu da yeterince yakın.

And this is the learning process.

Bu öğrenme süreci.

So remember that what's been going on here

Unutmayın, burada yaptığımız;

is that we've been taking a lot of known x's and known y's

birçok bilinen x ve y ile

and solving for the w in the middle through an iterative process.

ortadaki w'yi yinelemeli süreç boyunca çözüyoruz.

It's exactly the same way that we do our own learning.

Öğrenirken yaptıklarımızla tamamen aynı.

We have many, many images as babies

Bebekliğimizden birçok anımız vardır,

and we get told, "This is a bird; this is not a bird."

bize "Bu kuş; bu kuş değil." denen.

And over time, through iteration,

Ve zamanla, yinelemeler boyunca

we solve for w, we solve for those neural connections.

w'yi çözüyoruz, sinirsel bağlantıları çözüyoruz.

So now, we've held x and w fixed to solve for y;

Şimdi, y'yi çözmek için sabit x ve w'ye sahibiz

that's everyday, fast perception.

ki bu da her gün, hızlı algılama.

We figure out how we can solve for w,

W'yi nasıl çözebileceğimizi buluyoruz

that's learning, which is a lot harder,

ki bu da çok daha zor olan öğrenmedir,

because we need to do error minimization,

çünkü hata küçültme yapmamız gerekir,

using a lot of training examples.

birçok eğitim örnekleri kullanarak.

And about a year ago, Alex Mordvintsev, on our team,

Yaklaşık bir yıl önce, ekibimizden Alex Mordvintsev

decided to experiment with what happens if we try solving for x,

bilinen bir w ve y ile x'i çözmeye çalışırsak ne olacağını

given a known w and a known y.

görmek için deney yapmaya karar verdi.

In other words,

Diğer bir deyişle,

you know that it's a bird,

kuş olduğunu biliyorsunuz

and you already have your neural network that you've trained on birds,

ve kuşlar üzerine eğitilen sinir ağınızda zaten bulunmakta,

but what is the picture of a bird?

ancak kuşun resmi nedir?

It turns out that by using exactly the same error-minimization procedure,

Aynı hata küçültme işlemini kullanarak, kuşları tanımlamak

one can do that with the network trained to recognize birds,

için eğitilen ağ ile yapılabileceği sonucu ortaya çıkar,

and the result turns out to be ...

ve sonuç ise ...

a picture of birds.

kuş resmi olur.

So this is a picture of birds generated entirely by a neural network

Yani bu, tamamen kuşları tanımlamak üzere eğitilen sinir ağı

that was trained to recognize birds,

tarafından üretilen kuşların resmidir,

just by solving for x rather than solving for y,

özyinelemeli olarak yalnızca y'yi hesaplamak yerine

and doing that iteratively.

x'in hesaplanmasıyla.

Here's another fun example.

Bir diğer enteresan örnek.

This was a work made by Mike Tyka in our group,

Ekibimizden Mike Tyka tarafından yapılan bir çalışma,

which he calls "Animal Parade."

"Hayvan Defilesi" olarak adlandırdığı.

It reminds me a little bit of William Kentridge's artworks,

Bana biraz William Kentridge'in çalışmalarını hatırlatıyor,

in which he makes sketches, rubs them out,

eskizleri yapıp sildiği,

makes sketches, rubs them out,

yapıp sildiği

and creates a movie this way.

ve bu şekilde film yaptığı.

In this case,

Bu durumda,

what Mike is doing is varying y over the space of different animals,

Mike, farklı hayvanların üzerindeki boşluklarda y'yi değiştiriyor,

in a network designed to recognize and distinguish

farklı hayvanları birbirinden ayırmak ve onları

tanımlamak için tasarlanmış bir ağda.

different animals from each other.

Bu tuhaf, Escher'imsi bir hayvandan diğerine biçimler elde edilir.

And you get this strange, Escher-like morph from one animal to another.

Here he and Alex together have tried reducing

Burada o ve Alex birlikte y'leri yalnızca

the y's to a space of only two dimensions,

iki boyutlu uzaya indirgemeye çalıştı,

thereby making a map out of the space of all things

ağ tarafından tanımlanan

recognized by this network.

boşluklarıyla planlama yaparak.

Doing this kind of synthesis

Bu şekilde tüm yüzey üzerinde

or generation of imagery over that entire surface,

bir sentez ya da imgelem kuşağıyla,

varying y over the surface, you make a kind of map --

yüzey üzerinde değişen y ile bir çeşit harita yapıyorsunuz,

a visual map of all the things the network knows how to recognize.

ağın nasıl tanımlayacağını bildiği her şeyin görsel bir haritası.

The animals are all here; "armadillo" is right in that spot.

Bütün hayvanlar burada; "armadillo" tam bu noktada.

You can do this with other kinds of networks as well.

Bunu diğer ağlarla da yapabilirsiniz.

This is a network designed to recognize faces,

Bu ağ yüzleri tanımlamak için tasarlanmış,

to distinguish one face from another.

yüzleri birbirinden ayırt edebilmek için.

And here, we're putting in a y that says, "me,"

Buraya "ben" olarak y'yi koyuyoruz,

my own face parameters.

kendi yüz parametrelerim.

And when this thing solves for x,

X'i hesapladığında

it generates this rather crazy,

bu oldukça çılgın,

kind of cubist, surreal, psychedelic picture of me

kübist gibi, gerçeküstü, psikedelik resmimi üretiyor,

from multiple points of view at once.

birdenbire, çoklu görüş açılarından.

The reason it looks like multiple points of view at once

Çoklu görüş açılı gibi görünmesinin sebebi ise ağın,

is because that network is designed to get rid of the ambiguity

yüzün şu pozda ya da bu pozda ya da şu veya

of a face being in one pose or another pose,

bu şekilde aydınlatmada olmasındaki anlaşmazlıktan

being looked at with one kind of lighting, another kind of lighting.

kurtulmak için tasarlanmış olması.

So when you do this sort of reconstruction,

Bu tarz bir restorasyon yapacaksanız,

if you don't use some sort of guide image

kılavuz resim ya da istatistikler

or guide statistics,

kullanmazsanız,

then you'll get a sort of confusion of different points of view,

farklı görüş açılarında bir tür bozulma elde edersiniz,

because it's ambiguous.

çünkü belirsizdir.

This is what happens if Alex uses his own face as a guide image

Benim yüzümü iyileştirme sürecinde Alex kendi yüzünü

during that optimization process to reconstruct my own face.

kılavuz resim olarak kullandığında böyle oluyor.

So you can see it's not perfect.

Gördüğünüz gibi mükemmel değil.

There's still quite a lot of work to do

Hâlâ optimizasyon sürecini

on how we optimize that optimization process.

iyileştirmemiz için yapmamız gereken çok iş var.

But you start to get something more like a coherent face,

Ama daha tutarlı bir yüze erişmeye başlıyorsunuz yorumlamada

rendered using my own face as a guide.

model olarak benim yüzüm kullanıldığında.

You don't have to start with a blank canvas

Siyah bir tuvalle ya da beyaz gürültüyle

or with white noise.

başlamak zorunda değilsiniz.

When you're solving for x,

X'i bulmak için

you can begin with an x, that is itself already some other image.

başka bir resimdeki x ile başlayabilirsiniz.

That's what this little demonstration is.

Bu küçük gösterim de bununla ilgili.

This is a network that is designed to categorize

Bu ise her türden, birbirinden farklı nesneleri kategorize etmek

all sorts of different objects -- man-made structures, animals ...

için tasarlanmış bir ağ, insan yapımı yapılar, hayvanlar gibi...

Here we're starting with just a picture of clouds,

Burada sadece bir bulut resmi ile başlıyoruz

and as we optimize,

ve optimize ettikçe,

basically, this network is figuring out what it sees in the clouds.

temel olarak bu ağ, bulutlarda gördüklerini çözüyor.

And the more time you spend looking at this,

Buna bakarak ne kadar uzun süre harcarsanız,

the more things you also will see in the clouds.

o kadar fazlasını göreceksiniz bulutlarda.

You could also use the face network to hallucinate into this,

Aynı zamanda bulandırmak için yüz ağını kullanabilir

and you get some pretty crazy stuff.

ve oldukça çılgın şeyler yapabilirsiniz.

(Laughter)

(Gülüşmeler)

Or, Mike has done some other experiments

Veya Mike başka denemeler de yaptı,

in which he takes that cloud image,

denemelerde bulut resmini alıyor, bulandırıyor, yakınlaştırıyor,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

bulandırıyor, yakınlaştırıyor, bulandırıyor, yakınlaştırıyor.

And in this way,

Bu şekilde,

you can get a sort of fugue state of the network, I suppose,

ağın bir çeşit füj evresini elde edersiniz sanırım

or a sort of free association,

ya da bir çeşit serbest çağrışım

in which the network is eating its own tail.

ağın kendi kuyruğunu yediği.

So every image is now the basis for,

Yani şu an her resim zemin oluşturmakta,

"What do I think I see next?

"Bir sonrakinde ne yapmayı düşünüyorum?"

What do I think I see next? What do I think I see next?"

"Bir sonrakinde ne yapmayı düşünüyorum?"

I showed this for the first time in public

Bunu ilk kez alenen,

to a group at a lecture in Seattle called "Higher Education" --

Seattle'da bir gruba "Yüksek Öğrenim" adlı derste gösterdim

this was right after marijuana was legalized.

tam da esrarın yasallaştırılmasından sonraydı.

(Laughter)

(Gülüşmeler)

So I'd like to finish up quickly

Hızla bitirmek istiyorum,

by just noting that this technology is not constrained.

bu teknolojinin engellenmediğini not ederek.

I've shown you purely visual examples because they're really fun to look at.

Tamamen görsel örnekler gösterdim, çünkü bakması gerçekten eğlenceli.

It's not a purely visual technology.

Tamamen görsel bir teknoloji değil.

Our artist collaborator, Ross Goodwin,

Ressam ortağımız, Ross Goodwin,

has done experiments involving a camera that takes a picture,

resim çeken bir kamera ile deneyler yaptı,

and then a computer in his backpack writes a poem using neural networks,

resmin içeriğine bağlı olarak sırtında sinir ağı kullanarak

based on the contents of the image.

şiir yazan bir bilgisayarla.

And that poetry neural network has been trained

O sinir ağı şiiri, büyük 20. yüzyıl

on a large corpus of 20th-century poetry.

şiir külliyatı üzerinde eğitilmiştir.

And the poetry is, you know,

Şiir, bence,

I think, kind of not bad, actually.

çok da kötü değil açıkcası.

(Laughter)

(Gülüşmeler)

In closing,

Kapanış olarak,

I think that per Michelangelo,

bence Michelangelo,

I think he was right;

bence haklıydı;

perception and creativity are very intimately connected.

algı ve yaratıcılık derinlemesine bağlıdır.

What we've just seen are neural networks

Gördüklerimiz tamamen ayırt etmek

that are entirely trained to discriminate,

ya da dünyadaki farklı şeyleri tanılamak için

or to recognize different things in the world,

tam tersi yönde çalışmak

able to be run in reverse, to generate.

ya da üretmek üzere eğitilmiştir.

One of the things that suggests to me

Aklıma gelenlerden bir tanesi ise

is not only that Michelangelo really did see

Michelangelo gerçekten taş içindeki bloklarda

the sculpture in the blocks of stone,

heykeli gördü, üstelik

but that any creature, any being, any alien

algısal davranışlar yapabilen

that is able to do perceptual acts of that sort

herhangi bir yaratık, varlık ya da uzaylı da

is also able to create

keza üretebilir,

because it's exactly the same machinery that's used in both cases.

çünkü iki durumda da kullanılan tamamen aynı düzenek.

Also, I think that perception and creativity are by no means

Aynı zamanda bence algı ve yaratıcılık kesinlikle

uniquely human.

eşsiz olarak insani değil.

We start to have computer models that can do exactly these sorts of things.

Bu tarz şeyleri yapabilecek bilgisayar modellerine sahip olmaya başladık.

And that ought to be unsurprising; the brain is computational.

Şaşırtıcı olmayan bir şekilde, beyin hesaba dayalıdır.

And finally,

Son olarak,

computing began as an exercise in designing intelligent machinery.

programlama akıllı makineleri tasarlama alıştırmaları olarak başladı.

It was very much modeled after the idea

Makineleri nasıl akıllı yapabiliriz

of how could we make machines intelligent.

fikrinden sonra modellendi.

And we finally are starting to fulfill now

Ve nihayet artık bazı o eski öncü

some of the promises of those early pioneers,

vaatleri gerçekleştirmeye başlıyoruz,

of Turing and von Neumann

Turing'in, von Neumann'nın,

and McCulloch and Pitts.

McCulloch'ın ve Pitts'in.

And I think that computing is not just about accounting

Ve bence programlama sadece hesaplama

or playing Candy Crush or something.

ya da Candy Crush oynama değildir.

From the beginning, we modeled them after our minds.

Başından beri, onları zihnimize benzer modelledik.

And they give us both the ability to understand our own minds better

Onlar da bize hem kendi zihinlerimizi anlama, hem de

and to extend them.

geliştirme kabiliyetini verdiler.

Thank you very much.

Çok teşekkürler.

(Applause)

(Alkışlar)