NATO’da Yapay Zekâ: dinamik benimseme, sorumlu kullanım

NATO’da İnovasyon konusundaki mini dizimizin ilk makalesinde belirtildiği üzere İttifak teknolojiyi yakalama konusunda küresel bir yarışla karşı karşıyadır. Rakip güçler çifte hedeflerine – daha fazla ekonomik rekabet gücü ve askerȋ yetenekler – ulaşmak için yeni teknolojiler geliştiriyorlar. Müttefikler yeni ve yıkıcı teknolojilerden yararlanma yolları ararken çeşitli sorunlarla karşılaşıyorlar. Bu sorunlar birbiriyle bağlantılı iki çalışma esasına dayanmaktadır: yeni teknolojileri benimsemekte dinamik bir yaklaşım geliştirmek ve bunları sorumlu şekilde yönetmek. Dikkate alınacak bütün bu düşüncelerin merkezinde Yapay Zekâ (AI) yatmaktadır.

Yapay zekâ, makinelerin insan zekâsı gerektiren görevleri — örneğin, örüntü tanıma, deneyimle öğrenme, sonuç çıkarma, tahminler yapma veya harekete geçme gibi — dijital olarak veya otonom fiziki sistemlerin temelinde yatan akıllı yazılımlar şeklinde (bkz. Science & Technology Trends 2020-2040 – Exploring the S&T Edge yerine getirme yeteneğidir.

Düşünce kuruluşu RAND’ın Savunma Bakanlığının Yapay Zekâya İlişkin Tutumu: Değerlendirmeler ve Öneriler (2019) raporunda bilinen üç tür uygulama arasındaki ayırımın anlaşılmasın yararlı olacağı belirtilmektedir: Yapay Zekâ Girişimi, Yapay Zekâ Misyon Desteği ve Operasyonel Yapay Zekâ.

Bu belirgin farklılıklar, kategorilerin doğasında var olan risk düzeylerini de dikkate alarak, gerek benimsemeye gerek sorumlu kullanıma ilişkin ilkelerde önceliklerin belirlenmesinde yararlı olabilir.

Bugünkü yapay zekâ veya İkinci Dalga Yapay Zekânın merkezinde makine öğrenimi bulunmaktadır. Makine öğrenimi verideki örüntüleri bulmak için istatiksel algoritmalar geliştirilmesini ve kullanımını içerir. Örneğin, bir sınıflandırma algoritması, yeni görülen bir nesnenin daha önce karşılaşılmış kategorilerden hangisine ait olduğunu belirleyebilmek için doğru etiketlenmiş geniş bir örnekler dizisi kullanarak öğretilebilir. Yapay zekânın bir alt kümesi olan Derin Öğrenme, hesaplama açısından zor örüntü tanıma ve tahmin problemlerinin (görüntüler içindeki nesneleri tespit etmek gibi) çözümünde çok sayıda hesaplama katmanı (Çok Katmanlı Yapay Sinir Ağları) kullanır. Aşağıdaki birinci şekilde Derin Öğrenmenin görüntü içindeki uçaklar, araçlar ve binaların belirlenmesinde kullanılması gösterilmektedir.

Geniş çaplı kesin veri kümelerinde makinenin öğrenme performansı son derece yüksektir, ama kesin olmayan veya küçük veri kümelerinde o kadar iyi değildir. Giderek artan dar örüntü tanıma ve tahmin görevleri yelpazesinde makine öğreniminin tahmin ve hız açısından gösterdiği performans insan performansından çok daha üstündür. Bu da çok çeşitli insan faaliyetlerinde makine öğreniminin benimsenmesinin önemli bir nedenidir.

Geleneksel olarak ekonomist ürün işçilik ve kapitalin (üretim faktörleri) ve malzeme girdisinin bir sonucudur. Yapay zekâda ise üretim faktörleri üstün becerilere sahip uzmanlık yeteneği ve hesaplama ve depolama için Bilgi ve İletişim Teknolojileri altyapısıdır. Ve veri en temel girdidir.

Öyleyse veri, bugünün petrolü müdür? Özünde hayır. Her ne kadar verinin kullanılmadan önce “ortaya çıkarılması”, sonra da “işlenmesi” gerekli ise de, erişilebilirliği çıktının hacmi ile aynı oranda artar. Ayrıca veri özeldir ve yerini başka bir şey alamaz. Belirgin bir kullanım durumunda gerçek hayattaki gözlemleri (veya simulasyonları) tam olarak yakalayacak belirli veri kümelerine ihtiyaç vardır. Sağlam bir başlangıç noktası oluşturmak için Müttefik savunma kuruluşları daha da dijitalleşmeyi garanti etmelidirler. Yasal gereklerle uyumlu olması için veri politikasının toplanma, erişim, paylaşım, depolama, metadata, dokümantasyon, kalite kontrolü (verinin temizlenmesi ve yanlılığın azaltılması dahil) ve süreçleri kapsayacak şekilde tüm değer zincirini ele alması gereklidir.

Üretim faktörlerini — yetenek ve altyapı — destekleyici önlemler insanın en üstün yeteneklerini cezbetmek ve geliştirebilmek için gereken sağlam ve esnek insan kaynakları ve sözleşme politikalarının yanı sıra uygun ve güvenli hesaplama ve veri saklama kapasitelerini de içermelidir.

Üretkenliğe gelince, tarih boyunca ekonomi alanındaki oyuncular üretim faktörlerini en iyi şekilde birleştirmenin yollarını aramışlardır: Bu faktörler birbirlerini tamamlamakta mı? Yerlerini başka faktörler alabilir mi? Hangi bileşimler en fazla getiri sağlar? En iyi sonuçları hangi üretim ve yönetim süreçleri ve uygulamaları verir? Yapay zekâ konusunda bir dereceye kadar bir alışveriş mevcut olsa da üretim faktörleri birbirlerinin yerine geçmekten çok birbirlerini tamamlarlar: başarılı olmak için bu üç faktörde de büyük yatırımlara ihtiyaç vardır.

Süreçler ve yönetim konusunda ise yazılım endüstrisindeki en iyi uygulamalar bize yapay zekâ çözümlerinin geliştirilmesi ve dağıtımının alışılmış bir Waterfall (Şelale Yöntemi) modelinden ziyade Agile yazılım (Çevik Yazılım) yaklaşımlarına dayandığını göstermektedir. Bu da, ilk başta ayrıntılı ve katı bir ihtiyaç beyanından ziyade esnek bir problem tanımı ile başlayan dinamik ve tekrarlanan süreçler anlamına gelir. Sanayide Agile’in çeşitli şekilleri mevcuttur, ve bunların bazıları belirli NATO toplumlarında faal olarak kullanılmaktadır.

İttifakın yapay zekâ konusundaki başarısı iyi yönetişim ve sorumlu kullanım ile ilgili iyi tasarlanmış yeni ilkeler ve uygulamalara dayanacaktır. Belirli İttifak hükümetleri daha şimdiden sorumlu kullanım konusunda kamuoyuna taahhütlerde bulunmuş, yasalara uygunluk, sorumluluk, güvenilirlik ve yönetilebilirlik gibi kavramları ele almışlardır.

Buna paralel olarak, Müttefikler de Birleşmiş Milletlerin himayesindeki Ölümcül Otonom Silah Sistemlerine Yönelik Hükümet Uzmanları Grubuna katılmış, bu grupta 11 temel ilke formüle edilmiştir.

Yapay zekâyı benimseme ve sorumlu kullanım ilkeleri konusundaki çalışmaların tamamlayıcı ve sinerjik olduğunun kabul edilmesi son derece önemlidir. Aslında, hem iyi mühendislik uygulamaları hem de devletin sorumlu davranışlarını destekleyecek ve kolaylaştıracak bazı temel ilkeler veya hedefler mevcuttur.

Bazı ulusal ilkeler özel tasarıma gerek olduğuna işaret etmektedir. Örneğin, bir yönetilebilirlik ilkesi istenmeyen sonuçları belirleme, bu tür sonuçlardan kaçınma, ve ayrıca bu tür davranışlar ortaya çıktığında bunları sonlandırma veya etkisiz hale getirme konusundaki teknik becerilere bağlı olabilir.

Bu ve diğer amaçlara ulaşılmasını garanti etmek için gereken teknik özellikler mutlaka ilgili sistemlerin tasarım ve test aşamalarının parçası olacaktır. Buna karşılık ilgili mühendislik çalışmaları bu konularda anlayışın gelişmesi için bir fırsat olacak ve çok daha ayrıntılı, çok daha gelişmiş ilkelere yol açacaktır. Test, Değerlendirme, Doğrulama ve Geçerli Kılma alanında daha fazla çalışmanın yanı sıra ilgili Modelleme ve Simulasyon çalışmalarının desteği de şarttır. NATO’nun standardizasyon alanındaki kuvvetli noktaları bu çalışmaları çerçevelemeye yardımcı olacak ve aynı zamanda Müttefik silahlı kuvvetleri arasındaki birlikte çalışabilirliği sağlayacaktır.

Bu arada, bazı ulusal vakalarda ve BM himayesinde geliştirilen kapsayıcı ilkeler Müttefikler arasında yapılacak danışmaların temelini oluşturacak ve mevcut ulusal pozisyonlar için referans noktası olacaklardır.

Bu yazı NATO inovasyon ekibinin Müttefiklerin benimsemeyi planladıkları teknolojiler ve bunların NATO İttifakının savunma ve güvenliğine getireceği fırsatlar konusunda hazırladığı mini dizinin ikinci makalesidir.