Yapay Zeka Nedir? Yapay Zeka Modeli Nasıl Eğitilir?
Yapay Zekanın Tanımı
Yapay zeka (YZ), insan zekasını taklit ederek karar verme ve iletişim kurma gibi komplex görevleri yapabilmeyi sağlayan çoklu algoritmaların birleşimidir. Bu görevler öğrenme, problem çözme, algılama, dil anlama gibi bilişsel işlevleri içerir. YZ, 1950'lerde Alan Turing'in "Makine Düşünebilir mi?" sorusuyla başlayan bir araştırma alanı olarak şekillenmiştir.
Günlük Hayatımızda Yapay Zeka
Günlük hayatımızı doğrudan etkilediği alt disiplinlerini seçip detaylı anlatmak gerekirse, veri madenciliği, doğal dil işleme, bilgisayarla görme, robotik ve uzman sistemler bunlardan bazılarıdır.
Doğal Dil İşleme
Doğal dil işleme insan dilini anlayan yorumlayan ve cevap üreten yapay zeka uygulamasıdır. Chatbot ve sanal asistanlar metin ve konuşma verilerini analiz ederek kullanıcı ile iletişime geçen doğal dil işleme örneklerindendir. Çeviri uygulamaları ve metin analizi yaparak sosyal medya yorumlarının olum ya da olumsuz olması gibi duygu değerlendirmeleri yapabilmesi de doğal dil işlemenin diğer yetenekleri arasındadır.
Bilgisayarla Görü
Bilgisayarla görme, dijital görüntü ve video verilerini anlamlandırarak analiz etmek ve yorumlamak için kullanılır. Nesne tanıma, hareket takibi, yüz tanıma ve görüntü sınıflandırma gibi uygulamaları yapan bir alandır. Makine ve derin öğrenme alanları ile birlikte çalışarak sağlıktan güvenliği kadar insan yaşamını kolaylaştıran bir teknoloji sunar.
Robotik
Robotik ise, fiziksel dünyanın görevlerini yerine getirebilen otonom sistemlerin geliştirilmesini ve makinelerin kontrol edilmesini içerir. Çeşitli sensörler ile robotların çevreliyle ve kullanıcılar ile iletişim kurmasını sağlar. Trafik işaretlerini ve çevrelerindeki diğer uyanları algılayarak sürücüsüz yolculuk yapabilen otonom araçlar ve fabrikalarda üretim bantlarında hızlı ve hassas çalışan endüstriyel robotlar yapay zekanın robotik alanı için günlük yaşantımızdaki uygulama alanlarından örneklerdir.
Uzman Sistemler
Uzman sistemler, belirli konularda insan uzmanlığı ile insanın karar verebilme mekanizmasını taklit eden bilgi tabanlı kurallar dizisine dayanarak karmaşık problem çözebilme yeteneği olan sistemlerdir. Hastalık belirtilerinde bilgi tabanına ulaşıp teşhis önerisi yapan sistemler ve piyasadaki verileri analiz ederek yatırım önerileri yapan finansal danışmanlık sistemleri de uzman sistemlerin kullanım alanları arasındadır.
Makine Öğrenmesi
Makine öğrenimi, bilgisayarların veriden öğrenerek performanslarını artırmalarını sağlayan yapay zeka alt dalıdır ve geniş uygulama alanlarına sahiptir. Makine öğrenimi, denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli (reinforcement) öğrenme olmak üzere üç alt başlığa ayrılır.
Denetimli Öğrenme
Denetimli öğrenme, etiketlenmiş veri kullanarak tahminler yapmak üzere modellerin eğitilmesini ve doğru fonksiyonun bulunması işlemini içerir. Girdi ve çıktı değerlerinin verildiği öğrenme türüdür.
Denetimsiz Öğrenme
Denetimsiz öğrenme, etiketlenmemiş verilerdeki desenleri ve yapıları keşfetmeyi amaçlar. Veri yapısından çıkarım yapma ve benzerlik veya farklılıkları bulma temelinde bir öğrenim şeklidir. Sadece girdi değerleri verilen öğrenme türüdür, çıktı hakkında bilgi yoktur.
Takviyeli Öğrenme (Reinforcement Learning)
Reinforcement learning yani takviyeli öğrenme yapılan eylemler sonucu elde edilen geri bildirimleri kullanan deneme yanılma yoluyla bir ajanı ödül ve ceza mekanizmalarıyla öğrenmeye teşvik ederek karar yapısı oluşturan bir makine öğrenme şeklidir. Satranç gibi strateji oyunlarında kullanılmaktadır, örneğin AlphaGo’da kullanılmıştır. AlphaGo ise Go oyununda profesyonel oyuncuları yenerek başarı gösteren ilk bilgisayar programı olmuştur.
Derin Öğrenme
Derin öğrenme, bir giriş katmanı, birden fazla gizli katman ve bir çıkış katmanına sahip, sinir ağlarından oluşan bir yapıdır.
Gizli katmanlar, oluşturulan modelde girdi katmanı tarafından alınan bilginin öğrenilmesi ve iyileştirilmesi ile elde edilmesi gereken çıktının yüksek doğrulukta tahminini sağlar. Bu katmanların birbirine bağlantısının gücü ağırlık olarak isimlendirilir ve eğitim verilerinden öğrenim sağlanır.
Sınıflandırma Algoritması İle Örnek
Makine Öğrenmesi ve Derin Öğrenme Karşılaştırması
Birçok katmandan oluşan derin sinir ağları verilerdeki karmaşık özellikleri ayrıca bildirilmesine gerek kalmadan kendi çıkarımları ile sonuca ulaşmakta yüksek başarı sağlamıştır. Tam bu noktada makine öğrenimi ile derin öğrenimi kıyaslamak için bir örnek vermek gerekirse, farklı çiçek sınıflarına ait çiçek görüntülerinden hangi sınıfa ait olduğunun tespit edilmesini verebiliriz. Makina öğreniminde çanak uzunluğu ve ya genişliği gibi özellikleri vermek gerekirken derin öğrenmede bu özellikleri kendisi çıkarmaktadır.
Adım Adım Yapay Zeka Eğitim Süreci
Adım 1: Veri Toplama
Adım 2: Veri Temizleme ve Ön İşleme
Veri temizleme gereksiz bilgileri kaldırır ve hatalar, yinelemeler ve eksik değerlerle ilgilenir.
Bu arada, ön işleme temizlenmiş verileri yapay zeka algoritması ile uyumlu olacak şekilde dönüştürür.
Adım 3: Veri Etiketleme
Veri etiketleme ham verileri tanımlayan ve verileri makinede okunabilir hale getiren ilgili etiketlerle etiketleyen süreçtir.
Adım 4: Veri Kümesini Bölme
Eğitim seti modeli öğretirken test seti performansını değerlendirir.
Adım 5: Veri Dengeleme ve Önyargı Azaltma
Adım 6: Parametre Ayarlama
Adım 7: Model Değerlendirme ve Doğrulama
Yapay Zekaya Nasıl Soru Sormalıyız?
Büyük dil modelleri aldıkları komutlara bağlı olarak çıktılar verir. Örneğin, "Siz bir bilgisayar bilimcisisiniz" gibi bir komut vermek, "Siz bir ekonomistsiniz" ile karşılaştırıldığında çok farklı bir yanıt verir. Bunun sebebi Transformer mimari yapısına sahip olmasıdır. Sorudaki kelimelerin diğer kelimeler ile olan ilişkisi ile bu bağlamda bir çevre oluşturur. Hatta böylece bir sonraki kelimeyi nasıl işleyeceğini ve cevabını şekillendirir.
“Sen bir avukatsın” ifadesinden sonra model teknik jargonu kullanmaya ve hukuk ile ilgili ifadeleri önceliklendirme eğiliminde bulunur.
Buna karşılık, “Siz bir ekonomistsiniz” ifadesi, modelin ekonomik teorilere, eğilimlere veya istatistiksel verilere doğru kaymasına neden olur.
Bu dinamik değişim, kelime seçimlerinin olasılıklarının verilen bağlama göre yeniden ağırlıklandırılmasıyla sağlanır.
● Rolleri Tanımlar: Örnek: "Sen yardımsever bir asistansın."
● Görevleri belirtir: Örnek: "Sıralama algoritmaları için bir Python betiği yazın."
● Şekiller Çıktı Stili: Örnek: “Bunu 5 yaşında bir çocuğa açıklayın.”
Bu nüanslar, modelden spesifik, doğru ve anlamlı çıktılar çıkarılmasına yardımcı olur.
Tek seferde tüm durumu ve isteği anlatmak varsa elimizde bulunan verileri vermek sorduğumuz sorunun doğru cevabını almamızı sağlayan bir diğer tavsiyedir.
Eğitim linki: https://youtu.be/o5fkdYAYvEY?si=LCLvaHybeatNCJ7A
Seda MÜRÜTSOY
