Kod yazmıyor olsanız bile bu terimlerle tanışmak sizi bir adım daha öne taşıyacak ve yapay zekâyı daha iyi anlamanıza yardımcı olacaktır. İşte çoğu kişinin kulağını pek de çınlatmadığı, faydalı 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 oldukça önemli hale geldi. Bu bağlamda, federatif öğrenme yani federated learning terimi, verileri merkezi bir noktada toplamadan cihazlar üzerinde öğrenim sağlamaktadır. Bu yöntemle, veriler kullanıcı cihazında kalırken, model o cihazda eğitiliyor. Örneğin, Google’ın klavye öneri sistemi bu yöntemi kullanarak hem kullanıcı verilerini koruyor hem de modelin performansını artırıyor.
Felaket unutma
Bir yapay zekâ modeline yeni bilgiler öğretmeye çalışırken, eski bilgilerin unutulması durumu sıkça yaşanır. Bu duruma “felaket unutma” (catastrophic forgetting) denir. Özellikle sürekli öğrenen sistemlerde bu durum büyük bir sorun teşkil eder. Yapay zekânın “balık hafızalı” olma hali olarak da tanımlanabilir.
Gömme
Bir kelimeyi, resmi ya da kullanıcıyı sayısal verilere dönüştürmek için kullanılan embedding (gömme/yerleştirme) yöntemi, karmaşık bilgileri makinenin anlayabileceği vektörlere dönüştürür. Örneğin, “kedi” ve “köpek” kelimeleri benzer sayılarla temsil edilir çünkü anlam olarak birbirine yakındır. Bu teknik, içerik öneri sistemlerinin gizli silahıdır.
Gradyan kaybı
Derin sinir ağlarında eğitim sırasında sıkça karşılaşılan bir sorun olan gradyan kaybı, modelin öğrenmesi gereken bilgilerin katmanlarda “sönümlenerek” aşağıya ulaşmasını engeller. Bu sorun çözülmediği takdirde, derin öğrenmenin bu denli ilerlemesi mümkün olmazdı.
Pekiştirmeli öğrenme
Ödül temelli öğrenim olarak da adlandırabileceğimiz pekiştirmeli öğrenme, yapay zekânın bir aksiyon alarak sonucuna göre ödül veya ceza alması ile gerçekleşir. Bu döngü sayesinde yapay zeka zamanla doğru davranışları öğrenir. Oyun oynayan veya robot kontrol eden yapay zekâlar genellikle bu yöntemle eğitilmektedir. Gerçekten de sabır ve süreklilik gerektiren bir süreçtir.
Dikkat mekanizması
Bir metindeki önemli kısımları belirlemek için kullanılan dikkat mekanizması, yapay zekânın “neyi ne kadar dikkate alması gerektiğini” öğrenmesini sağlar. Özellikle ChatGPT gibi dil modellerinin başarılarında bu yapı önemli bir rol oynamaktadır. Dikkatini verdiğin kadar öğreniyorsun, değil mi?
Mod çökmesi
Üreten yapay zeka (Generative AI) modellerinde sıkça rastlanan mod çökmesi, modelin sürekli aynı ya da benzer çıktılar üretmeye başlaması durumudur. Bu, çeşitliliğin azalmasına ve üretimin tek düze hale gelmesine yol açar. Özellikle Üretken Ağlar (GAN’ler) bu durumdan en çok etkilenen sistemlerdir.
Sıfır atışlı öğrenme
Modelin daha önce hiç görmediği bir görevi çözme yeteneği, sıfır atışlı öğrenme olarak bilinir. Bu, modelin herhangi bir örnek verilmeden yeni bir göreve adapte olmasını sağlar. Sıfırdan çözüm üretmek, genel yapay zekâya giden yolda önemli bir adım olarak öne çıkmaktadır.
Birkaç atışlı öğrenme
Modelin eğitilmesi için binlerce örnek yerine birkaç örnekle öğrenmesini sağlamak few-shot learning olarak bilinir. Bu, insan benzeri öğrenme yeteneklerinin temel taşlarından biridir. Az veri ile çok iş başarmak, burada önemli bir rol oynamaktadır.
Halüsinasyon
Dil modellerinin gerçekte var olmayan ancak kulağa doğru gelen bilgiler üretmesi halüsinasyon olarak adlandırılır. Örneğin, yapay zekâ olmayan bir kaynak ya da bilgi “uydurabiliyor.” ChatGPT gibi modellerde sıkça karşılaşılan bu durum, gerçekçiliğe o kadar yakın olabiliyor ki farkı ayırt etmek bazen zorlaşıyor.
Nöroevrim
Sinir ağlarının evrimsel algoritmalarla optimize edilme süreci nöroevrim olarak bilinir. Bu, yapay zekâ modellerinin doğal seleksiyon benzeri bir süreçle geliştirilmesini sağlar. Özellikle geleneksel öğrenme yöntemlerinin yetersiz kaldığı durumlarda bu teknik kullanılır.
Sürü zekâsı
Doğadaki sürü davranışlarından esinlenerek geliştirilen sürü zekâsı, birçok basit birimin bir araya gelerek karmaşık problemleri çözmesini sağlar. Karıncaların yiyecek bulma yöntemlerini taklit eden yapay zekâ, optimizasyon problemlerinde bu tekniği kullanmaktadır.
Transfer öğrenme
Son terimimiz olan transfer öğrenme, bir alanda elde edilen bilginin başka bir alanda kullanılmasını sağlar. Örneğin, bir yapay zekâ modeli kedileri tanımayı öğrendikten sonra bu bilgiyi köpekleri tanımak için de kullanabilir. Bu yöntem, zaman ve kaynak tasarrufu sağlamakla kalmaz, aynı zamanda yapay zekânın genel verimliliğini artırır.
Siz bu terimlerden kaçını biliyordunuz? Yer vermediğimiz ancak sizin de ekleyecekleriniz varsa yorumlara bekliyoruz.
Kaynaklar: CNet, Technology, Microsoft
Yapay zekâ hakkında daha fazlası için:
Webtekno
