Yapay zeka dünyayı yeniden yazıyor ve aynı zamanda nasıl yaptığını tanımlamak için tamamen yeni bir dil icat ediyor. Günümüzde herhangi bir ürün toplantısına, sunuma veya panele katılırsanız, insanlar LLM’ler, RAG, RLHF gibi terimleri birbirinin ardına kullanıyor. Bu durum, teknoloji dünyasında son derece zeki olan insanların bile bir miktar güvensizlik hissetmesine neden olabiliyor. Bu sözlük, bu durumu düzeltme girişimimizdir: Yapay zeka terimlerinin, bu alanda çalışan, yatırım yapan veya yalnızca TechCrunch okuyarak veya ilgili podcast’leri dinleyerek takip etmeye çalışanların karşılaşabileceği anlaşılır tanımları. Alan geliştikçe düzenli olarak güncelliyoruz; bu nedenle, betimlediği yapay zeka sistemleri gibi canlı bir belge olarak değerlendirin.
Yapay genel zeka (AGI), bulanık bir terimdir. Ancak genel olarak birçok (hatta çoğu) görevde ortalama insandan daha yetenekli olan yapay zekayı ifade eder. OpenAI CEO’su Sam Altman, AGI’yi “bir çalışma arkadaşı olarak işe alabileceğiniz ortalama bir insanın eşdeğeri” olarak tanımlamıştır. Bu arada, OpenAI’nin tüzüğü, AGI’yi “çoğu ekonomik olarak değerli işte insanları geride bırakabilen son derece otonom sistemler” olarak tanımlar. Google DeepMind’ın anlayışı bu iki tanımdan biraz farklıdır; laboratuvar AGI’yi “çoğu bilişsel görevde insanlar kadar yetenekli olan yapay zeka” olarak görmektedir. Kafanız karıştı mı? Endişelenmeyin, yapay zeka araştırmasının öncüsü olan uzmanlar da aynı şekilde hissediyor.
Bir yapay zeka ajanı, sizin adınıza bir dizi görevi yerine getiren yapay zeka teknolojilerini kullanan bir aracıya atıfta bulunur — temel bir yapay zeka sohbet botunun yapabileceğinden daha fazlasını, örneğin masraf dosyalama, bilet veya restoran rezervasyonu yapma veya kod yazma gibi. Ancak daha önce açıkladığımız gibi, bu yeni alanda birçok hareketli parça var, bu nedenle “yapay zeka ajanı” farklı insanlar için farklı anlamlar taşıyabilir. Kapasitesini yerine getirmek için hala altyapılar inşa ediliyor. Ancak temel kavram, çok adımlı görevleri yerine getirmek için birden fazla yapay zeka sistemine başvurabilecek otonom bir sistemi ima ediyor.
API uç noktalarını, diğer programların bir yazılım parçasının arka planındaki “düğmelere” basarak işlevsellik kazandırdığı yerler olarak düşünün. Geliştiriciler, bu arayüzleri bir uygulamanın başka bir uygulamadan veri çekmesine veya bir yapay zeka ajanının üçüncü taraf hizmetleri doğrudan kontrol etmesine olanak tanımak için kullanır; tüm bunlar insanın her bir arayüzü manuel olarak kullanması gerekmeksizin yapılır. Birçok akıllı ev cihazı ve bağlı platform bu gizli düğmeleri içerir, sıradan kullanıcılar bunu asla görmese de etkileşime geçmese de. Yapay zeka ajanları daha yetenekli hale geldikçe, bu uç noktaları kendi başlarına bulup kullanabilme yetenekleri artmakta, bu da otomasyon için güçlü ve bazen beklenmedik olanaklar açıyor.
Basit bir soruya verilecek insan beyni, genellikle fazla düşünmeden cevap verebilir — “hangisi daha uzun, zürafa mı yoksa kedi mi?” gibi. Ancak birçok durumda, doğru cevabı bulmak için genellikle bir kalem ve kağıda ihtiyacınız vardır çünkü arada aşamalar vardır. Örneğin, bir çiftlikte tavuklar ve inekler varsa ve toplam 40 kafa ile 120 bacakları varsa, doğru cevabı (20 tavuk ve 20 inek) bulana kadar basit bir denklemi yazmanız gerekebilir.
Yapay zeka bağlamında, büyük dil modelleri için zincirleme düşünce aklı, bir problemi daha küçük, ara adımlara ayırarak nihai sonuç kalitesini artırmak anlamına gelir. Cevap almak genellikle daha uzun sürer ancak sonuçların doğruluğu; özellikle mantık veya kodlama bağlamında daha yüksek olma ihtimali vardır. Mantık modelleri, geleneksel büyük dil modellerinden geliştirilmiştir ve zincirleme düşünceyi optimize etmek için pekiştirme öğrenimi sayesinde daha iyi hale getirilmiştir.
(Bkz: Büyük dil modeli)
Bu, “yapay zeka ajanı” kavramından daha spesifik bir kavramdır. Bu, bir hedefi tamamlamak için kendi başına adım adım hareket edebilen bir program anlamına gelir. Kodlama ajanı, yazılım geliştirme üzerine uygulanan özel bir versiyondur. Basitçe insanın incelemesi ve kopyalaması için kod önermek yerinde; bir kodlama ajanı kod yazabilir, test edebilir ve hata ayıklayabilir, genellikle bir geliştiricinin gününü tüketen yinelemeli çaba gerektiren görevleri üstlenir. Bu ajanlar, tüm kod tabanlarında çalışarak hataları tespit edebilir, testleri çalıştırabilir ve insan gözetimi olmaksızın düzeltmeler yapabilir. Bunu, asla uyumayan ve odaklanmayı kaybetmeyen çok hızlı bir stajyer işe almak gibi düşünün — ancak, her stajyerde olduğu gibi, bir insan hâlâ yapılan çalışmayı gözden geçirmelidir.
Hemen hemen her tür yapay zeka modelinin çalışabilmesi için temel olan, hesaplama gücü‘dır. Bu tür işlem gücü, güçlü yapay zeka modellerinin eğitimini ve uygulanmasını sağlamak için yapay zeka endüstrisine güç verir. Terim genellikle, hesaplama gücünü sağlayan donanım türleri için kısayol olarak kullanılır; bunlar GPU’lar, CPU’lar, TPU’lar ve modern yapay zeka endüstrisinin temel taşlarını oluşturan diğer altyapı biçimleridir.
Kendi kendini geliştiren makine öğrenimi alt kümesi, AI algoritmalarının çok katmanlı, yapay sinir ağı (ANN) yapısı ile tasarlandığı bir alandır. Bu yapı, daha basit makine öğrenimi sistemlerine, örneğin lineer modeller veya karar ağaçlarına kıyasla daha karmaşık ilişkilere ulaşmalarını sağlar. Derin öğrenme algoritmalarının yapısı, insan beynindeki nöronların birbirine bağlı yollarından esinlenmiştir.
Derin öğrenme yapay zeka modelleri, verilerdeki önemli karakteristikleri kendileri tanımlayabilir, insan mühendislerin bu özellikleri tanımlamasına gerek kalmadan. Yapı ayrıca, hata yapmaktan öğrenebilen algoritmaları destekler ve bir dizi tekrarla ve ayarlama süreciyle kendi çıktısını geliştirme yeteneğine sahip olurlar. Ancak, derin öğrenme sistemlerinin iyi sonuçlar vermesi için çok fazla veri noktasına ihtiyaç vardır (milyonlarca veya daha fazla). Genellikle, daha basit makine öğrenimi algoritmalarına kıyasla daha uzun eğitim sürelerine ihtiyaç duyarlar; bu nedenle geliştirme maliyetleri genellikle daha yüksektir.
(Bkz: Sinir ağı)
Difüzyon, birçok sanat, müzik ve metin üreten yapay zeka modellerinin kalbinde yer alan teknolojidir. Fizikten esinlenerek, difüzyon sistemleri verilerin yapısını yavaşça “yok eder” — örneğin, fotoğraflar, şarkılar vb. — gürültü ekleyerek ya da başka bir değişle “infekte” ederek. Fizikte difüzyon kendiliğinden ve geri döndürülemez biçimde meydana gelir — kahveye karıştırılan şeker, küp formuna geri dönemez. Ancak yapay zeka bağlamında difüzyon sistemleri, yok edilen verileri geri yüklemek için bir “ters difüzyon” sürecini öğrenmeyi amaçlar.
Damıtma, büyük bir yapay zeka modelinden bilgi çıkartmak için kullanılan bir tekniktir; ‘öğretici-öğrenci’ modeliyle. Geliştiriciler, öğretmen modele talepler gönderir ve çıktıları kaydeder. Yanıtlar bazen bir veri seti ile karşılaştırılır ve ne kadar doğru olduğu kontrol edilir. Bu çıktılar daha sonra öğrenci modelini eğitmek için kullanılır; bu model, öğretmenin davranışını taklit etmeye hazırlanır.
Damıtma, minimal damıtma kaybıyla daha büyük bir modelin temelinde daha küçük, daha verimli bir model oluşturmak için de kullanılabilir. Bunun, OpenAI’nin GPT-4 Turbo’yu geliştirdiği muhtemel yoldur, bu da GPT-4’ün daha hızlı bir versiyonudur.
Tüm yapay zeka şirketleri damıtmayı dahili olarak kullanıyorken, bazıları rakip modelleri yakalamak için de bunu kullanmış olabilir. Ancak rakiplerden damıtma getirmek genellikle yapay zeka API’lerinin ve sohbet asistanlarının hizmet koşullarını ihlal eder.
Bu, bir yapay zeka modelini daha spesifik bir görev veya alanda performansını en üst düzeye çıkarmak için daha önceki eğitim döngülerinin odak noktası olana kıyasla yeniden eğitmek anlamına gelir — genellikle yeni, özel (yani görev odaklı) verilerle besleyerek. Birçok yapay zeka girişimi, büyük dil modellerini temel alarak bir ticari ürün inşa etmeye çalışıyor, ancak önceki eğitim döngülerini kendi alanlarında özel bilgi ve uzmanlıkla tamamlayarak hedef sektör veya görev için faydayı artırmaya çalışıyor.
(Bkz: Büyük dil modeli [LLM])
GAN veya Üretken Düşman Ağı, gerçekçi veriler üretme konusunda önemli gelişmelerin temelini oluşturan bir tür makine öğrenimi çerçevesidir — derin sahte araçlar dahil ama bunlarla sınırlı değil. GAN’lar iki sinir ağı kullanır; bunlardan biri eğitim verilerini kullanarak bir çıktı üretir ve bu çıktı diğer model tarafından değerlendirilir.
İki model, esasen birbirlerini geçmeye çalışacak şekilde programlanmıştır. Üretici, çıktısını ayrımcıdan geçirmenin yollarını bulmaya çalışırken, ayrımcı yapay olarak üretilen verileri tespit etmeye çalışır. Bu yapılandırılmış yarışma, insan müdahalesine ihtiyaç duymadan yapay zeka çıktılarını daha gerçekçi hale getirebilir. Ancak GAN’lar, genellikle dar uygulamalar için (gerçekçi fotoğraflar veya videolar üretme gibi) en iyi şekilde çalışırken, genel amaçlı yapay zeka uygulamaları için değil.
Halüsinasyon, yapay zeka endüstrisinin, yapay zeka modellerinin yanlış bilgi ürettiğini — kelimenin tam anlamıyla yanlış bilgi oluşturduğunu — tanımlamak için tercih edilen terimidir. Açıkça, bu, yapay zeka kalitesi için büyük bir sorundur.
Halüsinasyonlar, yanıltıcı olan GenAI çıktıları üretebilir ve hatta gerçek yaşam riski oluşturabilir — potansiyel olarak tehlikeli sonuçlar doğurabilir (zararlı tıbbi tavsiyeler veren bir sağlık sorgusu düşünün). Yapay zekaların bilgi uydurma sorununun, eğitim verilerinde boşlukların bir sonucu olduğu düşünülmektedir. Halüsinasyonlar, bilgi boşluklarının olasılığını azaltmak ve yanlış bilgilendirme risklerini küçültmek için giderek daha fazla uzmanlaşmış ve/veya dikey yapay zeka modellerine yönelmeye katkıda bulunuyor.
Çıkarım, bir yapay zeka modelinin çalıştırılması sürecidir. Daha önce görülen verilerden tahminler yapmak veya sonuçlar çıkarmak anlamına gelir. Çıkarım, eğitim olmadan gerçekleşemez; bir model, etkili bir şekilde bu eğitim verilerinden çıkarım yapılmadan önce bir veri setindeki kalıpları öğrenmelidir.
Birçok türde donanım çıkarım gerçekleştirebilir; bu, akıllı telefon işlemcilerinden güçlü GPU’lara ve özel tasarlanmış yapay zeka hızlandırıcılarına kadar değişir. Ancak hepsi model çalıştırma konusunda eşit derecede etkili değildir. Çok büyük modeller, yüksek kaliteli yapay zeka yongalarına sahip bir bulut sunucusu yerine bir dizüstü bilgisayarda tahmin yapmak için uzun zaman alabilir.
[Bkz: Eğitim]
Büyük dil modelleri, popüler yapay zeka asistanları tarafından kullanılan yapay zeka modelleridir; bunlar arasında ChatGPT, Claude, Google’ın Gemini’si, Meta’nın AI Llama’sı, Microsoft Copilot veya Mistral’ın Le Chat’i bulunmaktadır. Bir yapay zeka asistanıyla sohbet ettiğinizde, isteğinizi doğrudan işleyen veya mevcut araçların yardımıyla (örneğin, web tarayıcıları veya kod yorumlayıcıları) işleten büyük bir dil modeliyle etkileşim kuruyorsunuz.
Büyük dil modelleri, kelimeler ve ifadeler arasındaki ilişkileri öğrenen ve dilin bir temsilini oluşturan milyarlarca sayısal parametreden oluşan derin sinir ağlarıdır; bu, kelimelerin çok boyutlu bir haritasına benzer. Bu modeller, milyarlarca kitap, makale ve transkriptte buldukları kalıpların kodlanmasından oluşturulur. Bir büyük dil modeline komut verdiğinizde, model en olası kalıbı üretir.
(Bkz: Sinir ağı)
Bellek önbelleği, bir yapay zeka modelinin bir kullanıcının sorgusuna yanıt üretme sürecini hızlandıran önemli bir süreçtir. Temelde, önbellekleme, çıkarımı daha verimli hale getirmek için tasarlanmış bir optimizasyon tekniğidir. Yapay zeka yüksek enerji gerektiren matematiksel hesaplamalara dayandığı için, hesaplamalar yapıldıkça daha fazla güç harcarlar. Önbellekleme, belirli hesaplamaları gelecekteki kullanıcı sorguları ve işlemleri için saklayarak, bir modelin çalıştırması gereken hesaplama sayısını azaltmayı amaçlar. Farklı bellek önbellekleme türleri vardır, bunlardan en bilineni KV (veya anahtar değer) önbelleklemesidir. KV önbellekleme, dönüştürücü tabanlı modellerde çalışır ve daha az zaman (ve algoritmik emek) harcayarak kullanıcı sorularına yanıt vermekte hız kazandırır.
(Bkz: Çıkarım)
Model Bağlam Protokolü (MCP), yapay zeka modellerinin dış araçlar ve verilere — dosyalarınız, veritabanlarınız veya Slack ve Google Drive gibi uygulamalar — bağlanmasını sağlayan açık bir standarttır. Her bir eşleşme için özel bir bağlantı geliştiricinin inşa edilmesine gerek kalmadan, bunu bir yapay zeka için bir USB-C bağlantı noktası gibi düşünebilirsiniz. Anthropic, MCP’yi 2024’te tanıttı ve daha sonra Linux Vakfı’na devretti. Bugüne kadar OpenAI, Google ve Microsoft tarafından kabul edilmiştir; bu da onu son yapay zeka tarihinin en hızlı yayılan standartlarından biri haline getirmiştir.
Uzmanların Karışımı (Mixture of Experts), bir sinir ağını birçok daha küçük uzman alt ağa (veya “uzman”) bölerek her bir görev için sadece bir avuçtan fazlasını aktif hale getiren bir model mimarisidir. Her isteği modelin tamamından geçirmenin yerine — her soru için ofisteki tüm çalışanları çağırmak gibi — bir MoE modeli, doğru uzmanları seçen yerleşik bir “yönlendirici” taşır. Bu, modelin yalnızca bir kısmının iş yaptığı sürece, büyük ve oldukça hızlı bir model oluşturmayı mümkün kılar — çünkü yalnızca bir kısmı aynı anda çalışır. Mistral AI’nin Mixtral modeli tanınmış bir örnektir; OpenAI’nin daha yeni GPT modellerinin de bu yaklaşıma bir versiyonunu kullandığı yönünde yaygın bir inanış vardır, ancak şirket bunu resmi olarak doğrulamamıştır.
(Bkz: Sinir ağı, Derin öğrenme)
Sinir ağı, derin öğrenmenin alt yapısını oluşturan çok katmanlı algoritmik yapı anlamına gelir — ve daha geniş bir perspektiften bakıldığında, büyük dil modellerinin ortaya çıkışından sonra gelen üretken yapay zeka araçları patlamasının tamamını temsil eder.
İnsan beyninin yoğun bir şekilde birbiriyle bağlantılı yollarından esinlenerek veri işleme algoritmaları için tasarım yapma fikri 1940’lara dayanıyor olsa da, yüksek grafikli işlemcilerin (GPU’ların) son zamanlarda gelişi — video oyunları endüstrisi sayesinde — bu teorinin gücünü gerçekten açığa çıkarmıştır. Bu çipler, daha önce mümkün olandan çok daha fazla katmana sahip algoritmaları eğitmek için uygun hale getirilmiş, bu da sinir ağı tabanlı yapay zeka sistemlerinin birçok alanda — ses tanıma, otonom navigasyon ve ilaç keşfi de dahil — çok daha iyi performans göstermesini sağlamıştır.
(Bkz: Büyük dil modeli [LLM])
Açık kaynak, yazılımı ifade eder — veya giderek, yapay zeka modellerini — temel kodun herkesin kullanımına, incelemesine veya değiştirmesine açık olduğu durumlardır. Yapay zeka dünyasında, Meta’nın Llama modeli ailesi öne çıkan bir örnektir; Linux ise işletim sistemlerinden bir tarihsel paraleldir. Açık kaynak yaklaşımları, dünya genelindeki araştırmacıların, geliştiricilerin ve şirketlerin birbirlerinin çalışmalarının üzerine inşa etmesine olanak tanıyarak ilerlemeyi hızlandırır ve kapalı sistemlerin kolayca sağlayamayacağı bağımsız güvenlik denetimlerini mümkün kılar. Kapalı kaynak, kodun özel olduğu anlamına gelir — ürünü kullanabilirsiniz ancak nasıl çalıştığını göremezsiniz; bu, OpenAI’nin GPT modellerinde böyledir — bu, yapay zeka endüstrisindeki temel tartışmalardan biri haline gelen bir ayrım olmuştur.
Paralelleşme, birçok şeyi aynı anda yapmak yerine ardışık şekilde yapmayı ifade eder — örneğin, 10 çalışanın aynı anda farklı projelerin parçaları üzerinde çalışmasını sağlamak yerine, bir çalışanın her şeyi ardışık olarak yapmasını tercih etmemek gibi. Yapay zekada, paralelleşme, hem eğitim hem de çıkarım için temeldir: modern GPU’lar binlerce hesaplamayı paralel olarak gerçekleştirecek şekilde tasarlanmıştır ve bu, endüstrinin donanım omurgası haline gelmelerinin büyük bir nedenidir. Yapay zeka sistemleri daha karmaşık hale geldikçe ve modeller daha büyük hale geldikçe, çok sayıda çip ve makine arasında işleri paralel hale getirme yeteneği, modellerin nasıl daha hızlı ve maliyet etkin bir şekilde oluşturulup uygulanabileceğinin belirlenmesinde en önemli faktörlerden biri olmuştur. Daha iyi paralelleşme stratejileri üzerindeki araştırma, artık kendi başına bir araştırma alanı haline gelmiştir.
RAMageddon, teknoloji endüstrisini saran hoş olmayan bir eğilimin eğlenceli yeni terimidir: günlük hayatta kullandığımız hemen hemen her teknoloji ürününü çalıştıran rastgele erişim bellek (RAM) yongalarının sürekli artan kıtlığı. Yapay zeka endüstrisi gelişirken, en güçlü ve verimli yapay zekayı elde etmek için en büyük teknoloji şirketleri ve yapay zeka laboratuvarları — hepsi veriler merkezlerini destekleyecek kadar RAM satın almak için yarışırken — bizler için geriye pek bir şey kalmadı. Bu tedarik darboğazı, geriye kalanlarının giderek daha pahalı hale geldiği anlamına geliyor.
Bu durum, oyun gibi sektörleri de kapsar (büyük şirketler bellek yongalarını bulmakta zorlandıkları için konsol fiyatlarını artırmak zorunda kalmışlardır), tüketici elektroniği (hafıza kıtlığı, akıllı telefon sevkiyatlarının on yıl içerisindeki en büyük düşüşüne neden olabilir) ve genel işletme hesaplama (bu şirketler kendi veri merkezleri için yeterince RAM elde edemez). Fiyat artışlarının ne zaman sona ereceği konusunda, bu korkulan kıtanın sona ereceğine dair çok fazla bir belirti yok gibi görünüyor.
AGI gibi, yinelemeli öz kendini geliştirme (recursive self-improvement), yapay zekanın ne kadar akıllı olabileceği ve ne kadar az insana bağlı olacağının bir eşiğidir. RSI senaryosunda, yapay zeka modelleri kendilerini insan müdahalesi olmaksızın geliştirmeye başlar ve bu da yeteneklerin ve otonominin büyük bir hızlanmasını getirir. Bazı anlatılara göre bu, dış müdahaleye karşı bağışık hale gelen yapay zeka modellerinin ortaya çıktığı dönem gibi bir olaydır. Ancak RSI, bir yapay zeka modelinin kendi halefini tasarlayıp tasarlayamayacağı gibi temel bir yeteneği tanımlar; bu, mühendislerin bunu inşa etmesini çok daha kolay hale getirir. Birçok son yapay zeka girişimi, kendi kendini geliştirip sürdürebilen modeller oluşturmak için harekete geçmiştir, ancak çoğu bu kıyamet senaryosunu göz ardı ederek RSI’yi yalnızca araştırmada bir sonraki aşama olarak sunmaktadır.
Pekiştirme öğrenimi, bir sistemin doğru yanıtlar için ödüller alarak deneme yanılma yoluyla öğrenmesini sağlayan bir yapay zeka eğitim yöntemidir — bu, sevdiğiniz evcil hayvanınızı ödül mamaları ile eğitmek gibidir, sadece bu senaryoda “evcil hayvan” bir sinir ağıdır ve “ödül” ise başarıyı belirten matematiksel bir sinyaldir. Denetimli öğrenimden farklı olarak, burada model, belirlenmiş bir etiketli örnek veri seti üzerinde eğitim almaz; bu, bir modelin çevresini keşfetmesini, eylemler gerçekleştirmesini ve aldığı geri bildirimler doğrultusunda sürekli olarak davranışını güncellemesini sağlar. Bu yaklaşım, yapay zekayı oyun oynamada, robot kontrolünde ve son zamanlarda büyük dil modellerinin mantıksal akıl yürütme yeteneğini keskinleştirmede eğitiminde özellikle etkili olmuştur. İnsan geri bildirimine dayalı pekiştirme öğrenimi (RLHF) gibi teknikler, önde gelen yapay zeka laboratuvarlarının modellerini daha yardımcı, doğru ve güvenli hale getirmek için ince ayar yapmalarında merkezi bir role sahiptir.
İnsan ve makine iletişiminde bazı açık zorluklar vardır — insanlar insan dili kullanırken, yapay zeka programları karmaşık algoritmik süreçlerle veri üzerinden işlem yapar. Token’lar bu farkı kapatır: bu, bir büyük dil modelinin işlediği veya ürettiği verinin belirli parçalarını temsil eden, insan-yapay zeka iletişimindeki temel yapı taşlarıdır. Token’lar, veriyi parçalara ayıran bir tokenizasyon süreciyle oluşturulur; bu, çiğ metni küçük parçalara ayırarak bir dil modelinin sindirmesi için hazırlanır ve bunun, bir derleyicinin insan dilini bir bilgisayarın anlayabileceği ikili koda çevirmesiyle benzerliği vardır. Kurumsal ortamlarda token’lar aynı zamanda maliyeti de belirler — çoğu yapay zeka şirketi, büyük dil modeli kullanımını token başına ücretlendirir; bu da, bir işletmenin ne kadar çok kullanacağına göre daha fazla ödeme yapması anlamına gelir.
Özetle, token’lar, yapay zeka dil modellerinin dili işlemek için ayırdığı, genellikle kelimelerin parçaları olan ve dilin bu parçalara bölündüğü küçük metin parçalarıdır; bunlar yapay zeka iş yüklerini anlamak için “kelimelere” benzer. İşlem hacmi, belirli bir zaman diliminde ne kadar işlem yapılabileceğini ölçer; dolayısıyla token işlem hacmi, bir sistemin aynı anda ne kadar yapay zeka işini kaldırabileceğinin bir ölçüsüdür. Yüksek token işlem hacmi, yapay zeka altyapı ekipleri için önemli bir hedeftir; çünkü bu, bir modelin kaç kullanıcının ihtiyaçlarına yanıt verebileceğini ve her birinin ne kadar hızlı yanıt alacağını belirler. Yapay zeka araştırmacılarından Andrej Karpathy, yapay zeka aboneliklerinin boşta kalması için kaygılı hissettiğini belirtir — bu, lisanslı bilgisayar donanımının tam olarak kullanılmadığı hissiyle benzerlik taşır; bu, token işlem hacminin maksimizasyonunun neden önemli hale geldiğini gösteren bir duygu taşır.
Makine öğrenimi yapay zekaları geliştirmek, eğitim olarak bilinen bir süreci içerir. Basitçe ifade etmek gerekirse, bu, modelin kalıpları öğrenmesi ve yararlı çıktılar üretmesi için verilerin beslenmesi anlamına gelir. Temelde, bir sistemin verilerdeki özelliklere tepki vermesi ve hedeflenen bir amaca (ister kedilerin resimlerini tanımak, ister talep üzerine bir haiku üretmek olsun) doğru bir şekilde yönlendirilmesi sürecidir.
Eğitim, çok sayıda girdi gerektirdiğinden maliyetli olabilir ve gereken hacimler yukarı yönlü bir eğilim göstermektedir — bu nedenle kural-temelli bir yapay zekayı hedeflenmiş verilerle ince ayar yapma gibi hibrid yaklaşımlar, tamamen sıfırdan başlamaksızın maliyetleri yönetmeye yardımcı olabilir.
[Bkz: Çıkarım]
Daha önce eğitilmiş bir yapay zeka modelinin başka ancak genellikle ilişkili bir görev için yeni bir model geliştirme başlangıç noktası olarak kullanılması; böylece önceki eğitim döngülerinde edinilen bilgilerin yeniden kullanılmasını sağlar. Transfer öğrenimi, model geliştirmedeki verimlilik tasarruflarını sağlayabilir. Ayrıca, geliştirilen modelin hedefleri için veri sınırlı olduğunda yararlı olabilir. Ancak, bu yaklaşımın sınırlamaları olduğunu belirtmek önemlidir. Genel yetenekleri edinme amacıyla transfer öğrenimi ile gelişim sağlayan modeller, belirli alanlarında iyi performans göstermek için ek verilere ihtiyaç duyabilirler.
(Bkz: İnce ayar)
Doğrulama kaybı, bir yapay zeka modelinin eğitim süreci boyunca nasıl öğrenip öğrenmediğini gösteren bir sayıdır; daha düşük olması daha iyidir. Araştırmacılar bunu, eğitim süreçlerinde durdurma zamanını, hiperparametreleri ayarlama zamanını veya potansiyel bir problemi inceleme zamanını belirlemek için gerçek zamanlı bir rapor kartı olarak izler. Bu gösterge, bir modelin eğitim verilerini ezberleme eğiliminde olduğu ve yeni durumlara genelleme yapabileceği desenleri öğrenmediği aşırı uyum (overfitting) durumunu belirlemede yardımcı olur. Bu; bir öğrencinin gerçekten materyali anlaması ve bir diğer öğrencinin geçen yılın sınavını ezberlemesi arasındaki fark gibidir — doğrulama kaybı, hangi modelin hangi yolda ilerlediğini göstermeye yardımcı olur.
Ağırlıklar, yapay zeka eğitiminde temel bir unsurdur; çünkü modelin çıktısını şekillendiren verinin farklı özelliklerine (veya giriş değişkenlerine) ne kadar önem verileceğini belirlerler.
Başka bir deyişle, ağırlıklar, belirli bir eğitim görevi için veri setindeki en belirgin olanları tanımlayan sayısal parametrelerdir. Görevlerine ulaşmak için girdi verilerine çarpma uygulayarak fonksiyonlarını yerine getirirler. Model eğitimi, genellikle rastgele atanan ağırlıklarla başlar; ancak süreç boyunca, model hedefe daha yakın bir çıktıya ulaşmaya çalışırken ağırlıklar ayarlanır.
Örneğin, bir hedef konum için tarihi emlak verileriyle eğitilmiş bir konut fiyat tahmin modeli, yatak odası ve banyo sayısı, mülkün bağımsız mı yoksa yarı bağımsız mı olduğu, otopark veya garaj gibi özellikler için ağırlıklara sahip olabilir.
Sonuçta, bir mülkün değerine etki eden, bu veri setine dayanan girişlerin her birine modelin eklediği ağırlıklar yansıtılır.
Bu makale düzenli olarak yeni bilgilerle güncellenmektedir.
Makale bağlantıları üzerinden alışveriş yaparsanız, küçük bir komisyon kazanabiliriz. Bu, editöryal bağımsızlığımızı etkilemez.
