Üretken çekişmeli ağlar (GAN): sahte ile gerçeğin yarıştığı model

GAN nedir?

Üretken çekişmeli ağlar, İngilizce adıyla generative adversarial network (GAN), gerçek verilere benzeyen yeni örnekler üretmek için tasarlanmış bir derin öğrenme mimarisidir. Temel fikir şudur: birbirine karşı eğitilen sinir ağları vardır. Biri sahte örnek üretmeye çalışır, diğeri örneğin gerçek mi sahte mi olduğuna karar vermeye çalışır. Bu yarış sırasında ağların her biri gelişir ve sonunda üretilen örnekler gerçeklerinden ayırt edilmesi güç bir kaliteye yaklaşabilir.

GAN, üretken yapay zekanın erken ve etkili yöntemlerinden biridir. Görüntü, ses ya da tablo biçimindeki veriyi taklit etmek için kullanılır; metin üretiminde baskın yöntem ise bugün farklı mimarilerdir.

Nasıl çalışır?

Mimarinin parçaları üretici (generator) ve ayırt edici (discriminator) ağlardır. Üretici, rastgele bir gürültü vektöründen yola çıkarak bir örnek oluşturur, örneğin bir yüz fotoğrafı. Ayırt ediciye ise gerçek eğitim verisinden alınmış örneklerle üreticinin ürettiği sahte örnekler sırayla gösterilir ve her birinin gerçek olma olasılığını tahmin eder.

Eğitim döngüsü şöyle işler:

• Ayırt edici, gerçek ve sahte örnekleri daha iyi ayırmak için güncellenir
• Üretici, ayırt ediciyi kandırabilecek örnekler üretmek için güncellenir
• Bu adımlar defalarca, dönüşümlü olarak tekrarlanır
• Ayırt edici artık ayırt edemez hâle geldiğinde üretici iyi bir veri dağılımı öğrenmiş sayılır

Klasik bir benzetme, sahte para basan ile onu yakalamaya çalışan uzmanın yarışıdır. Sahtekâr geliştikçe uzman da keskinleşir, uzman keskinleştikçe sahtekâr daha ustaca üretmek zorunda kalır.

Küçük bir örnek

Örneğin bir tasarım ekibi, ürün kataloğu için çok sayıda farklı kumaş deseni arıyor olsun. Eldeki desen fotoğrafları gerçek veri kümesini oluşturur. Üretici ağ başta rastgele lekeler üretir, ayırt edici bunları hemen eler. Eğitim ilerledikçe üretici çizgi, doku ve renk geçişlerini taklit etmeyi öğrenir; ayırt edici de daha ince ayrıntılara bakmaya başlar.

Eğitimin sonunda üretici ağa yeni bir gürültü vektörü verildiğinde, veri kümesindeki desenlere benzeyen ama birebir kopya olmayan yeni desenler çıkar. Tasarımcı bunları doğrudan kullanmaz, ilham ve eleme malzemesi olarak değerlendirir.

Nerelerde kullanılır, sınırları nedir?

GAN'lar görüntü sentezinde, düşük çözünürlüklü görüntüyü iyileştirmede, bir görüntünün stilini başka bir görüntüye aktarmada, eksik veri bölgelerini tamamlamada ve gerçek veriyi taklit eden yapay veri üretmede kullanılır. Yapay veri, gizlilik nedeniyle gerçek kayıtların paylaşılamadığı ya da nadir sınıfların az örnekle temsil edildiği durumlarda test ve model eğitimi için değer taşıyabilir.

Sınırlar da bilinmelidir. Eğitim kararsız olabilir: ağlardan biri baskın çıkarsa öğrenme tıkanır. Mod çökmesi (mode collapse) denen durumda üretici, ayırt ediciyi kandıran az sayıda örneği tekrar tekrar üretir ve çeşitlilik kaybolur. Üretilen içeriğin gerçek sanılması, sahte medya ve kimlik taklidi riskleri de etik ve hukuki bir tartışma alanıdır.

Benzer yöntemlerden farkı

Otomatik kodlayıcılar (autoencoder) veriyi sıkıştırıp yeniden kurmayı öğrenir; hedefleri girdiyi aslına uygun biçimde yeniden oluşturmaktır. GAN'ın hedefi ise veri dağılımına uyan yeni örnek üretmektir ve bunu karşıt eğitimle yapar. Difüzyon modelleri gürültüyü adım adım temizleyerek görüntü üretir; eğitimleri genellikle GAN'dan daha kararlıdır ve güncel görüntü üreticilerinde yaygındır. Büyük dil modelleri ise metin ürettikleri sırada sözcük dizisinin olasılığını öğrenir.

Bu nedenle "üretken yapay zeka" şemsiye bir terimdir; GAN bu şemsiyenin altındaki yöntemlerden yalnızca biridir.

Mindset programlarında GAN

Generative Yapay Zeka Programı, üretken yapay zekanın kavramlarını ve iş kullanımlarını kapsayan genel bir çerçeve sunar; GAN gibi mimarilerin neden var olduğunu ve diğer üretken yöntemlerle ilişkisini anlamak isteyen veri ve ürün ekipleri için uygun bir başlangıçtır. GitHub Copilot ile Yazılım Ekiplerinde Üretkenlik ise yazılım ekiplerinin üretken yapay zekayı kod yazımında kullanmasına odaklanır; GAN'dan farklı olarak dil temelli bir yaklaşımı ele alır.

Kurumsal ekiplerde bu içerikler, yapay zeka kullanım kararlarını teknik detaya boğulmadan verebilmesi gereken yöneticiler ve analitik ekipler için kullanışlıdır.