Yapay zeka, son yıllarda büyük ilgi gören bir alan haline geldi. Bu konudaki teknolojik gelişmeler de devam etmektedir. Farklı sektörlerde yapay zeka temelli projelerin artması, temel kavramların anlaşılmasını daha önemli hale getiriyor.
Bu makale, yapay zeka ile ilgili temel kavramları hem hızlı bir gözden geçirme hem de öğrenmeye başlamak isteyenler için yol gösterici olacaktır.
Kavramlar
Makine Öğrenmesi: Geçmiş verilere dayalı olarak, uygun algoritmalarla modeli eğitip tahminler veya sınıflamalar yapan yapay zeka alt alanıdır.
Derin Öğrenme: İnsan beyninden ilham alınarak geliştirilen, verilerden öğrenebilen yapay sinir ağlarına dayanan bir makine öğrenmesi yöntemidir. İnsan zekası gerektiren görevleri otomatize etmek için kullanılır.
Generative AI(GenAI): Üretken yapay zeka, girilen istem ve öğrenilmiş veriler baz alınarak yeni bir içerik üretilmesini sağlayan yapay zeka türüdür. Bu içerikler metinsel, işitsel, görsel, programlama diliyle oluşturulan kod gibi formatta olabilir.
Yapay zeka alanlarının ilişkisini gösteren aşağıdaki şema, konunun daha iyi anlaşılmasına yardımcı olabilir.
Doğal Dil İşleme (NLP): İnsanların iletişim için kullandıkları dilin çeşitli amaçlar için bilgisayarlarla işlenmesidir.
Prompt: Yapay zeka modellerinden istenen cevabı alabilmek amacıyla kullanılan yönlendirici girdilerdir. Anlaşılır, hedefe yönelik, bağlamsal bilgi içermeli, ihtiyaç duyulduğunda iteratif olarak genişletilebilir. Etkili promptlar oluşturabilme tekniğine de prompt engineering denir.
Roller: LLM, Agent gibi yapılara bağlam, sınır ve davranış biçimi kazandırarak daha kontrollü, etkili ve güvenli çıktıların alınmasını sağlar. Belirli bir görev ya da davranış kalıbına odaklanmasını sağlamak veya konuşma geçmişinin de modele gönderilmesi için kullanılır.
| Rol | Açıklama |
|---|---|
system |
Modelin nasıl davranması gerektiğini belirtir. |
user |
Kullanıcı mesajını temsil eder. |
assistant |
AI’ın verdiği cevabı temsil eder. |
tool |
LLM'den çağrılan tool fonksiyonunun dönüş değerini belirtir. |
Agent: Algılama, planlama ve çevresiyle etkileşim kurma yeteneğine sahip olan ve görevleri otonom olarak gerçekleştirmeye yarayan AI bileşenidir. Çıktı üretirken, Generative AI tekniklerini kullanır.
Tool: LLM'ler sonuç üretebilmesine rağmen, harici veri kaynaklarına göre davranma konusunda zayıftır. Bu yüzden ihtiyaç duyduğunda LLM'ye verilen bir fonksiyondur. Bu fonksiyon net bir hedefi yerine getirmelidir. Web arama veya dış bir kaynaktan bilgi almak (döviz kuru, hava durumu) gibi işlem yapabilir.
Tool calling: Yapay zeka modellerinin dış veri kaynakları, API'ler ile etkileşime geçerek işlevselliğini artırma yeteneğidir. Bu, modellerin yalnızca metin üretmekle kalmayıp, aynı zamanda dış sistemlerle bağlantı kurarak gerçek zamanlı veri almasını, işlemler gerçekleştirmesini ve daha karmaşık görevleri yerine getirmesini sağlar.
Örneğin; bir yapay zeka modeli döviz kuru bilgisine ihtiyaç duyduğunda bir API’ye bağlanarak bu veriyi alabilir.
 |
| Tool Calling çalışma prensibi |
Halüsinasyon: Yapay zeka bağlamında halüsinasyon, yapay zeka modelinin kendinden emin bir şekilde gerçek olmayan, yanlış veya uydurma bilgiler üretmesi durumudur. Bu durum, eğitim verilerindeki eksiklikler, bağlamı yanlış yorumlaması veya algoritmik sınırlamalardan kaynaklanır.
Retrieval Augmented Generation (RAG): Modelin öğrendiği mevcut bilgileri, dış kaynaklardan (veri tabanı, belgeler, api çağrısı) gelecek verilerle zenginleştirerek; daha güvenilir ve alakalı sonuç üretimini sağlayan bir tekniktir. Halüsinasyonları azaltmak için kullanılan bir yöntemdir.
 |
| RAG çalışma prensibi |
Token: Metnin parçalara ayrılmasından sonra LLM'lerin işleyebildiği anlamlı birimidir. Token'ler yalnızca kelime değil, boşluk, hece, noktalama işareti gibi parçalar da olabilir.
Tokenizer: Eldeki bir metnin bir dil modelinin anlayabileceği şekilde "token"lere ayırma işlemidir. Maliyet hesabına ve embedding işlemine katkısından dolayı önemlidir.
 |
| Tokenizer işlemi gpt-4o ile yapıldı |
Vektör: Metin, görsel gibi veri tiplerinin sayısal temsilidir. Bu veriler, benzerlik ölçümünün (cosinüs benzerliği) yapılabilmesi için vektör veri tabanlarında tutulur.
 |
| Embedding işlemi ile vektör oluşturulması |
Transformer: Modern dil modellerinin temelini oluşturan mimaridir. Bu mimari, encoder, decoder ve attention bileşenlerine sahiptir. Attention, her bir kelimenin, diğer kelimelere olan ilişkisini değerlendirerek hangi kelimelere ne kadar dikkat edilmesi gerektiğini hesaplar. Böylece model, bağlamı daha iyi anlar. Encoder ile girdi verisi alınır ve veri ile ilgili işe yarayan bilgileri çıkarır. Decoder, encoder'den gelen bilgiyi kullanarak çıktıyı üretir. Transformers, girdileri paralel olarak işleyerek daha hızlı ve daha verimli sonuçlar üretir. Ölçeklenebilirlik sayesinde büyük veri setleri ile çalışmaya uygundur.
Fine-Tuning: Önceden eğitilmiş (pretrained) bir modelin, belirli bir görev veya veri kümesi için yeniden eğitilmesi sürecidir. Bu yöntem, genellikle büyük bir veri kümesi üzerinde genel amaçlı olarak eğitilmiş bir modelin, daha küçük ve özel bir veri kümesine uyarlanması amacıyla kullanılır. Sıfırdan bir modeli eğitmeye göre daha verimlidir.
Zero-Shot Learning: Modelin eğitim sırasında örnek verilmeden sınıflandırma yapması sürecidir. Elindeki bilgileri kullanarak anlama göre tahmin yapabilir. Yeni sınıflara ait örneklerin toplanmasının zor olduğu durumlarda kullanışlıdır.
Few-Shot Learning: Modelin sınıflandırma yapabilmesi için az sayıda örnek verildiği süreçtir. Verilen örnekle daha yüksek doğruluk sağlar. Etiketli verinin sınırlı olduğu alanlarda kullanışlıdır.
Bitirirken;
Yapay zeka alanında derlediğim bu kavramların anlaşılır olmasını istedim. Umarım, derinlemesine araştırma yapmak isteyenler için iyi bir başlangıç olur.
Yazının faydalı olmasını umarak, çalışmalarınızda kolaylıklar diliyorum :)
Yorumlar
Yorum Gönder