Bilinmesi Gereken 7 Yapay Zeka Kısaltması

Caner BULUT 11 Mart 2023

Yapay Zeka, son yılların en hızlı gelişen teknolojilerinden biridir ve birçok farklı endüstride kullanım bulmuştur. Ancak, Yapay Zeka teknolojileri hakkında konuşurken sık sık özel terimler kullanılır ve bu terimlerin ne anlama geldiği hakkında herkesin bilgisi yoktur.

Bu terimlerin anlamlarını anlamak, Yapay Zeka teknolojilerini anlamak için önemlidir.

Yapay Zeka

1. Neural Network

Sinir ağları, Yapay Zeka patlamasının temel teknolojisi olarak kalbinde yer alır.

Onları ilk Sanayi Devrimi'ndeki buhar motorunun eşdeğeri olarak düşünebilirsiniz: çok sayıda farklı endüstride ve kullanım durumunda etkili olan genel amaçlı bir teknoloji. Bu endüstrilerde ve kullanım durumlarında dönüşüm sağlayabilir.

Buhar motoru gibi, icadın gerçek gücünün anlaşılması için onlarca yıl geçmesi gerekti. Sinir ağı yalnızca büyük miktarda hesaplama gücü ve veriyle çalışır, bu yüzden son 70 yılda merak konusu oldular.

2. LLM (Large Language Model)

"Büyük Dil Modeli" veya "LLM", son dönemde sektördeki son ilerlemenin iki ana Yapay Zeka yaklaşımından biridir. Bu yaklaşım, OpenAI'nin GPT serisi, Google'ın PaLM'i veya Meta'nın LLaMa'sı gibi büyük metin veri küpleri kullanılarak eğitilen sinir ağlarını tanımlar.

Örneğin, PaLM, dil anlayışı geliştirmek için "yüksek kaliteli web belgeleri, kitaplar, Wikipedia, konuşmalar ve GitHub kodu" gibi çeşitli kaynaklardan yararlanır.

Bir LLM'in cevaplamaya çalıştığı soru basittir: kısa bir metin bölümü verildiğinde, sonraki gelecek kısmı tahmin etmektir. Ancak bu görevi iyi yapmak inanılmaz derecede güçlüdür. Bir kez neyin geleceğini tahmin ettikten sonra, yeni bir, biraz daha uzun metin bölümüne sahip olursunuz ve bunu LLM'ye geri besleyerek soruyu tekrarlayabilirsiniz. Böylece bütün cümleler, paragraflar, makaleler veya kitaplar oluşturabilirsiniz. Bu işlem, özellikle dil anlayışı, doğal dil işleme, metin üretimi ve diyalog sistemleri gibi alanlarda oldukça etkili bir araçtır.

3. GAN (Generative Adversarial Networks)

LLM'lerin metin için yaptığı şeyin aksine, "üretici karşıtı ağlar" (GAN'lar) görüntüler, filmler, müzikler ve daha fazlası için yapmışlardır.

Bir GAN iki sinir ağından oluşur: biri etiketlemek, sınıflandırmak ve derecelendirmek için oluşturulurken, diğeri sıfırdan oluşturulmak için oluşturulmuştur. Onları birleştirerek, emirle içerik üretebilen bir yapay zeka oluşturabilirsiniz.

GAN'lar, iki ağın birbirine zıt olduğu bir yarışma ortamında çalışır. Bir ağ, orijinal görüntü, film, müzik vb. gibi gerçek verileri gösterirken, diğer ağ benzer bir görüntü, film, müzik vb. üretmeye çalışır. Bu iki ağın birbirine karşı oynadığı oyun sayesinde GAN, gerçekten de insan benzeri içerikler oluşturabilir. Bu teknolojinin, sanat, moda, grafik tasarımı, film yapımcılığı gibi birçok alanda yaratıcı işler yapmak için kullanılabileceği düşünülmektedir.

4. Compute

Yeni bir Yapay Zeka modelinin eğitimi pahalı olabilir.

OpenAI'nin araştırma makalelerine dayanarak, GPT-3'ün son oluşturulması yaklaşık 10 milyon dolarlık tutmuştur ve son çalışmanın amaçlandığı gibi çıkması için kaç başarısız girişimde bulunulduğu belirtilmemiştir.

Bu engel - "compute" veya hesaplama gücüne erişim - büyük genel amaçlı araçların, LLM'lerin devasa şirketlerin yetki alanına girmesi anlamına gelir.

2018 yılından bu yana, OpenAI, yapay zeka eğitim çalışmalarında kullanılan hesaplama miktarının her üç buçuk ayda bir iki katına çıktığı konusunda uyarıda bulunuyordu. Bu nedenle, bir yıl sonra, şirket "önümüzdeki yıllarda büyük ölçekli bulut hesaplamasına milyarlarca dolar yatırma ihtiyacı" nedeniyle kar amacı gütmeyen bir modelden geçiş yapacaklarını duyurdu.

5. Black Box

Sinir ağları genellikle "siyah kutu" olarak tanımlanır: ne kadar yetenekli oldukları, ne yaptıklarını nasıl yaptıklarını anlamak o kadar zorlaşır.

GPT-3, her birinin bir nöronun diğerini ne kadar güçlü veya zayıf etkilediğini tanımlayan 175 milyar "parametre" içerir. Ancak, herhangi bir belirli parametrenin LLM için tam olarak ne yaptığını söylemek neredeyse imkansızdır.

6. Fine Tuning

Her şeyin sıfırdan bir Yapay Zeka modeliyle eğitilmesi gerektiği anlamına gelmez.

GPT-3 için harcanan 10 milyon dolar, bir yapay zekayı mükemmel İngilizce okuyup yazmayı öğretmenin maliyeti olarak düşünülebilir. Ancak, sadece iyi bilimsel makaleler yazabilen bir yapay zeka geliştirmek istiyorsanız, zaten İngilizce okuyabilen yapay zekalardan başlayarak sıfırdan başlamak zorunda değilsiniz: bunun yerine, onları öğrenmeleri gereken özel veriler üzerinde "ince ayar" yaparak, maliyetin bir kesri için aşırı özel beceriler öğretebilirsiniz. Ancak, bunu yaparken bir risk vardır: bu tür ince ayarlar, başlangıçta kontrolünüz altında olmayan ilk eğitime dayanır.

7. Alignment

Bir seviyede, Yapay Zeka "uyum"u basit bir sorudur: gerçekten istediğimiz şeyi yapmak için AI'yi eğittik mi? Tutukluların yeniden suç işleme olasılığını tahmin edebilen bir yapay zeka istiyorsak ama AI, kararın temel bir parçası olarak ırksal profil kullanıyorsa, isteklerimizle "uyumsuz" olarak tanımlayabiliriz.

Bazen AI, içinde önyargılar ve yanlışlıklar barındıran kötü eğitim verileri nedeniyle uyumsuz olabilir. Örneğin, tutuklu veri kümesine dayalı olarak yeniden suç işleyenleri tespit etmek için bir AI eğitilirse, cezaevine gönderilmeyenler hakkında hiçbir şey bilmez; Twitter'ın tümünü içeren bir veri kümesiyle İngilizce konuşması için eğitilirse, Bill Gates, 5G ve Covid aşıları arasındaki bağlantılar hakkında tuhaf inançlar ortaya çıkarabilir.

Sonuç Olarak

Yapay Zeka teknolojileri, son yıllarda hızla gelişen bir alandır ve sinir ağları bu alandaki temel teknolojilerden biridir. Ancak, Yapay Zeka teknolojilerinin geliştirilmesi, önemli miktarda hesaplama gücü ve veri gerektirir ve bu nedenle yalnızca büyük şirketlerin erişebileceği bir alandı.

Ancak son yıllarda, bu teknolojilere erişim daha da kolay hale geldi ve giderek daha fazla uygulama alanında kullanılmaya başlandı.

Ancak, bu teknolojilerin etik, uyum ve güvenlik gibi konularda da dikkatli bir şekilde ele alınması gerekiyor. Gelecekte Yapay Zeka teknolojileri, farklı endüstrilerde ve kullanım durumlarında daha da yaygın bir şekilde kullanılacak ve hayatımızı değiştirecek.

Caner BULUT

Caner Bulut, Argenova'nın Kurucusu ve CEO'sudur. Yazılım geliştirme ve ürün geliştirme alanlarında deneyimlidir. Birçok başarılı projeye imza atmıştır ve teknoloji ekosistemine bilgi paylaşımıyla katkı sağlamaktan keyif almaktadır. Yoğun programına rağmen yeni bilgileri paylaşmak ve öğrenmek, ona büyük bir motivasyon kaynağı olmaktadır.