Bir yapay zeka sistemi, veriden örüntü öğrenen bir model (algoritma) ve bu modeli çalıştıran bir altyapıdan oluşur. Süreç dört aşamadan geçer: veri toplama, eğitim, test/doğrulama ve çıkarım (üretimde kullanım).
Dört Aşamalı Süreç
- Veri toplama: Modelin öğreneceği örnekler bir araya getirilir — metin, görüntü, sayısal kayıt gibi.
- Eğitim (training): Algoritma, verideki örüntüleri bulmaya çalışır; her denemesinde hata payını ölçüp kendini ayarlar.
- Test / doğrulama: Model, eğitimde hiç görmediği veriyle sınanır; gerçek dünyada ne kadar iyi genelleyebildiği ölçülür.
- Çıkarım (inference): Eğitimi tamamlanan model, gerçek kullanıcı girdisiyle çalışıp tahmin veya karar üretir.
Makine Öğrenmesi Türleri
Eğitim aşamasında algoritmanın veriden nasıl öğrendiği üç şekilde ayrılır:
| Tür | Veri | Örnek kullanım |
|---|---|---|
| Denetimli öğrenme | Etiketlenmiş veri (girdi + doğru cevap birlikte verilir) | E-postayı spam/spam değil diye sınıflandırmak |
| Denetimsiz öğrenme | Etiketsiz veri, algoritma kendi kalıpları bulur | Müşterileri davranışlarına göre gruplara ayırmak |
| Pekiştirmeli öğrenme | Kurallar + deneme-yanılma, ödül/ceza sinyali | Bir yapay zekanın oyun oynayarak strateji geliştirmesi |
Denetimli öğrenmede algoritmaya hem girdi hem de doğru cevap birlikte verilir; örneğin binlerce el yazısı rakam görüntüsü, her birinin hangi rakam olduğu etiketiyle birlikte beslenir. Denetimsiz öğrenmede etiket yoktur, algoritma veriyi kendi başına kümelere ayırır. Pekiştirmeli öğrenmede ise sistem bir ortamda deneme yaparak hangi eylemin daha iyi sonuç verdiğini zamanla öğrenir.
AppFellas
Fikrinizi konuşalım.
Ücretsiz keşif görüşmesinde projenizi, bütçenizi ve zaman çizelgenizi netleştirelim.
Bir AI Sisteminin Bileşenleri
Uçtan uca bir yapay zeka sistemi genelde üç parçadan oluşur. Girdi katmanı, çevreden veya kullanıcıdan veri toplar — bir sürücüsüz aracın kamerası veya bir web formunun girdisi gibi. Model (işlem katmanı), bu veriyi eğitim sırasında öğrendiği örüntülere göre işler. Çıktı katmanı, modelin ürettiği tahmini bir eyleme veya sonuca dönüştürür — bir öneri listesi göstermek, bir aracın frenlemesi veya bir e-postayı spam klasörüne taşımak gibi.
Somut Bir Örnek: Spam Filtresi Nasıl Çalışır
Kavramları somutlaştırmak için basit bir örnek üzerinden gidelim. Veri: binlerce e-posta, her biri "spam" veya "spam değil" etiketiyle. Eğitim: algoritma, spam e-postalarda sık geçen kelime kalıplarını, gönderen adreslerini ve biçimsel özellikleri öğrenir. Test: model, daha önce hiç görmediği e-postalarla sınanır; yanlış sınıflandırma oranı ölçülür. Çıkarım: eğitimi tamamlanan model gelen kutunuza entegre edilir ve her yeni e-postayı gerçek zamanlı sınıflandırır. Zaman içinde kullanıcı "bu spam değil" diye işaretlediğinde bu geri bildirim yeni eğitim verisine dönüşebilir.
Sık Karışan Kavramlar: AI, Makine Öğrenmesi, Derin Öğrenme
Bu üç terim iç içe geçmiş kümeler gibi düşünülebilir. Yapay zeka, makinelerin akıllı davranış sergilemesini hedefleyen en geniş kavramdır. Makine öğrenmesi, bu hedefe veriden öğrenerek ulaşan bir alt kümedir. Derin öğrenme ise makine öğrenmesinin, çok katmanlı yapay sinir ağları kullanan bir alt kümesidir — özellikle görüntü ve dil gibi karmaşık verilerde güçlüdür. Yani her derin öğrenme sistemi bir makine öğrenmesi sistemidir, ama her makine öğrenmesi sistemi derin öğrenme kullanmaz; kural tabanlı sistemler gibi öğrenmeyen yapay zeka türleri de vardır.
Bu sürecin nihai amacının ne olduğunu yapay zekanın temel amacı nedir yazımızda, farklı yapay zeka türlerini ise yapay zeka türleri nelerdir yazımızda ele aldık.
Sık sorulan sorular
Yapay zeka modeli eğitmek ne demek?
Bir algoritmaya çok sayıda örnek veri göstererek, bu verideki örüntüleri fark etmesini ve yeni veride benzer tahminler yapmasını sağlamaktır.
Makine öğrenmesi ile yapay zeka aynı şey mi?
Hayır. Yapay zeka daha geniş bir kavramdır; makine öğrenmesi, yapay zekaya veriden öğrenerek ulaşan bir yöntemdir. Kural tabanlı sistemler gibi öğrenmeyen yapay zeka türleri de vardır.
Bir yapay zeka sistemi ne kadar veriyle eğitilir?
Bu, problemin karmaşıklığına göre değişir; basit sınıflandırma görevleri az sayıda örnekle de çalışabilirken, karmaşık görevler çok daha fazla örnek gerektirir. Kesin bir sayı vermek mümkün değildir.
Eğitim ile çıkarım (inference) arasındaki fark nedir?
Eğitim, modelin veriden öğrendiği aşamadır ve genelde yoğun işlem gücü gerektirir. Çıkarım ise eğitimi tamamlanmış modelin gerçek kullanıcı girdisiyle çalışıp anlık tahmin ürettiği aşamadır.
