Kod yazmayı düşünmüyorsanız bile, yapay zekâ ile ilgili bu terimleri öğrenmek, sizi bir adım öne taşıyacak ve yapay zekâyı daha iyi anlamanıza yardımcı olacaktır. İşte çoğu kişinin aşina olmadığı, fakat oldukça faydalı olan yapay zekâ terimleri:
Yapay zekâ terimleri:
- Federatif öğrenme
- Felaket unutma
- Gömme
- Gradyan kaybı
- Pekiştirmeli öğrenme
- Dikkat mekanizması
- Mod çökmesi
- Sıfır atışlı öğrenme
- Birkaç atışlı öğrenme
- Halüsinasyon
- Nöroevrim
- Sürü zekâsı
- Transfer öğrenme
Federatif öğrenme
Veri gizliliği günümüzde son derece önemli bir konu. Federatif öğrenme (Federated Learning), verileri merkezde toplamadan, kullanıcı cihazları üzerinde öğrenme sürecini gerçekleştirir. Böylece veriler kullanıcı cihazında kalırken, model de bu cihazda eğitilir. Örneğin, Google’ın klavye öneri sistemi bu yöntemi kullanarak hem kullanıcı verisini korur hem de modelin gelişmesine katkı sağlar.
Felaket unutma
Yapay zekâ modeline yeni bir bilgi öğrettiğinizde, eski bilgilerin unutulduğunu hiç duydunuz mu? Bu duruma “felaket unutma” (catastrophic forgetting) denir. Özellikle sürekli öğrenen sistemlerde oldukça sorunlu bir durumdur. Yapay zekânın “balık hafızalı” olma hali olarak da ifade edilebilir.
Gömme
Bir kelime, görüntü veya kullanıcı bilgisi nasıl sayılara dönüştürülür? İşte burada gömme (embedding) devreye girer. Karmaşık verileri, makinenin anlayabileceği vektörlere dönüştürerek temsil eder. Örneğin, “kedi” ve “köpek” benzer sayılarla temsil edilir, çünkü anlam olarak birbirlerine yakındırlar. Bu, içerik öneri sistemlerinin gizli silahıdır.
Gradyan kaybı
Derin sinir ağlarında eğitim sırasında sıkça karşılaşılan bir sorun olan gradyan kaybı, modelin öğrenmesi gereken bilgilerin katmanlar arasında sönümlenerek kaybolmasına sebep olur. Bu sorun çözülmese, günümüzdeki derin öğrenme başarıları elde edilemezdi.
Pekiştirmeli öğrenme
Pekiştirmeli öğrenme, “ödül” temelli bir öğrenme yöntemi olarak tanımlanabilir. Yapay zekâ, aldığı bir aksiyon sonucunda ödül veya ceza alarak doğru davranışları zamanla öğrenir. Bu yöntem, oyun oynayan veya robotları kontrol eden yapay zekâlar için yaygın olarak kullanılır ve sabırlı bir süreç gerektirir.
Dikkat mekanizması
Bir metnin hangi kısmının önemli olduğunu belirlemek için yapay zekâ, dikkat mekanizması kullanır. Bu yapı, modele “Neyi ne kadar dikkate alması gerektiğini” öğretir ve özellikle ChatGPT gibi dil modellerinin başarısında önemli bir rol oynar. Dikkatinizi verdiğiniz kadar öğreniyorsunuz, değil mi?
Mod çökmesi
Mod çökmesi, generatif yapay zekâ modellerinde sıkça rastlanan bir durumdur. Model, sürekli aynı veya benzer çıktılar üretmeye başlar ve bu durum çeşitliliğin azalmasına yol açar. Özellikle üretken ağlar (GAN’ler) gibi yapılar için bu bir problem teşkil etmektedir.
Sıfır atışlı öğrenme
Sıfır atışlı öğrenme, modelin daha önce hiç görmediği bir görevi yerine getirmesi anlamına gelir. Bu, hiç örnek verilmeden gerçekleştirilir. Genel yapay zekâya giden yolda önemli bir adım olan bu yöntem, modelin eski bilgilerden hareketle yeni bir göreve adapte olmasına olanak tanır.
Birkaç atışlı öğrenme
Birkaç atışlı öğrenme (few-shot learning), modeli eğitmek için binlerce örnek vermek yerine, sadece birkaç örnekle eğitilmesini sağlar. Bu, insan gibi öğrenen yapay zekâların temel taşlarından biridir ve az veri ile çok iş başarmayı mümkün kılar.
Halüsinasyon
Halüsinasyon, dil modellerinin gerçek olmayan ancak mantıklı görünen bilgileri uydurması durumudur. Yapay zekâ, var olmayan bir kaynak ya da bilgi “uydurabiliyor.” Bu durum, ChatGPT gibi modellerde sıkça karşılaştığımız bir durumdur ve gerçekçiliğe o kadar yakın olabilir ki, bazen ayırt etmek zorlaşır.
Nöroevrim
Nöroevrim, sinir ağlarının evrimsel algoritmalarla optimize edilmesi sürecine verilen isimdir. Bu yöntemle yapay zekâ modelleri, doğal seleksiyon benzeri bir süreçle geliştirilir ve klasik öğrenme yöntemlerinin yetersiz kaldığı durumlarda kullanılır.
Sürü zekâsı
Sürü zekâsı, doğadaki sürü davranışlarından esinlenerek birçok basit birimin bir araya gelerek karmaşık problemleri çözmesini ifade eder. Bu yöntemi karıncalar yiyecek bulmada kullanırken, yapay zekâ optimizasyon problemlerinde uygulamaktadır.
Transfer öğrenme
Son terimimiz transfer öğrenmedir. Bir alanda öğrenilen bilgi, başka bir alanda kullanılabilir. Örneğin, bir yapay zekâ modeli kedileri tanımayı öğrendikten sonra, bu bilgiyi köpekleri tanımak için de kullanabilir. Bu yöntemle zaman ve kaynak tasarrufu sağlanır.
Siz bu terimlerden hangilerini biliyordunuz? Yer vermediğimiz ama sizin de eklemek istedikleriniz varsa yorumlara bekliyoruz.
Kaynaklar: CNet, Technology, Microsoft
Yapay zekâ hakkında daha fazlası için:
