Speaker A
video serimizin, eğitimimizin ilk videosu giriş videosuyla beraberiz. Üretken yapay zeka nedir? Biraz bunu tanımlamaya çalışacağız.
Generative AI ve temel kavramları, yapay zeka, makine öğrenmesi ve derin öğrenme ilişkisi ile oyun teorisi temelli üretici-eleştirmen modelleri anlatılıyor.
Key Takeaways
- Generative AI, yapay zekanın altında yer alan ve kendi kurallarıyla üretim yapan özel bir alan.
- Üretici ve eleştirmen yapay sinir ağlarının rekabeti, üretken yapay zekanın temel çalışma prensibini oluşturuyor.
- Multi Modal yapılar ve yapısal olmayan veriler, Generative AI'nın en güçlü olduğu veri türleri.
- Yapay zeka, makine öğrenmesi ve derin öğrenme kavramları arasındaki ilişki net olarak anlaşılmalı.
- Generative AI terimi farklı tanımlara sahip olabilir, ancak genel kabul edilen tanım üretici-eleştirmen modeliyle ilişkilidir.
Summary
- Yapay zeka, makine öğrenmesi, derin öğrenme ve Generative AI kavramlarının hiyerarşik ilişkisi açıklanıyor.
- Generative AI'nın insan müdahalesi olmadan kendi öğrendiği kurallarla üretim yapabilen sistemler olduğu vurgulanıyor.
- Generative AI'nın temelinde oyun teorisinden esinlenen üretici (Generator) ve eleştirmen (Discriminator) yapay sinir ağlarının rekabeti yatıyor.
- Generator, rastgele ve eğitimli şekilde içerik üretirken, Discriminator bu içeriklerin gerçekliğe yakınlığını değerlendiriyor.
- Bu rekabetçi süreç sayesinde daha gerçekçi ve kaliteli üretimler ortaya çıkıyor.
- Multi Modal yapılar ve yapısal olmayan (unstructured) verilerin (ses, görüntü, video, yazı) üretken yapay zekanın güçlü olduğu alanlar olduğu belirtiliyor.
- Yapısal verilerle (örneğin Excel tablosu) yapısal olmayan veriler arasındaki farklar ve zorluklar anlatılıyor.
- Görüntü işleme alanında klasik tekniklerin yetersizliği ve Generative AI'nın bu alandaki avantajları vurgulanıyor.
- Eğitim serisinin amacı terimlerin ve kavramların doğru anlaşılmasını sağlamak ve Generative AI'nın temel mantığını oturtmak.
- Kanalda yapay zeka, makine öğrenmesi ve derin öğrenme konularında daha önce hazırlanmış eğitim videolarının olduğu belirtiliyor.
Full Transcript — Download SRT & Markdown
Speaker A
Literatürdeki terimler malum biraz oturtmak vakit alabiliyor çünkü çok karışık kullanılabiliyor, herkes farklı tanımlar yapabiliyor.
Speaker A
Ben daha çok kabul edilmiş, daha literatürde, bilimsel literatüre, akademik literatüre uygun tanımların üstünden bir geçmek istiyorum.
Speaker A
Yapay zekayı zaten daha önceki eğitim serimizde anlatmıştık, nedir yapay zeka, yapay nedir, zeka nedir, yapay zeka ne yapabilir, bunları biraz anlatmıştık ama genel olarak aslında yapay zekanın altında bir kavram olarak makine öğrenmesini, machine learning'i, onun altında bir kavram olarak deep learning'i, derin öğrenmeyi, onun altında bir kavram olarak da Generative AI'yı görebiliriz.
Speaker A
Yani en genel çatı olarak yapay zekayı düşünebilirsiniz ki yapay zekanın altında bir sürü çalışma alanı var, bir toplama, bir çatı alan gibi düşünülebilir.
Speaker A
Onun altında makinenin öğrenmesi ki bu makine öğrenmesinde özel algoritmalarımız var, aslında veriye bakıp veriden kurallar çıkartan sistemler makine öğrenmesi algoritmaları, birazdan o konuya gireceğim.
Speaker A
Onun altında derin öğrenme dediğimiz yapay sinir ağlarının, neural network'lerin birazcık daha gelişmişi diyelim.
Speaker A
Daha fazla sinir ağı, daha fazla sinir nöron kullanıldığı, katmanlarının olduğu karmaşık yapay sinir ağları derin öğrenmelerin özel bir halidir Generative AI'lar.
Speaker A
Şu anda derin öğrenmelerin üstünden çıkıyor.
Speaker A
Bu genel tanımı olmakla birlikte Generative AI, üretken yapay zeka aslında insan müdahalesi olmadan, kendi öğrendiği kurallar, kendi çıkarttığı kurallarla üreten her şeye de verilebilecek bir isim.
Speaker A
Yani bugün böyle tanımlıyoruz ama yarın Generative AI tanımını birileri yaptığında hiç yapay zeka ağı, neural network, yapay sinir ağı kullanmadan veya yapay zekadaki makine öğrenmesi algoritmalarını kullanmadan da bir üretim tekniği geliştirebilirse ki bununla ilgili çalışmalar var.
Speaker A
Bu konuda çok bilinen akademik çalışan insanlar farklı teknikler de deniyorlar bugün.
Speaker A
Ve o denenen tekniklerin bir kısmının içinde hiç derin öğrenme, hiç yapay sinir ağı bulunmuyor, farklı teknikler deneniyor.
Speaker A
Böyle bir yolda geçerse ve orada bir şeyler de üretiliyor olsa, o da yapay zekanın altında gene Generative AI olarak geçecek.
Speaker A
Dolayısıyla burada işte bir terim karmaşası da buradan çıkıyor, kimileri diyor ki işte şu anki kullanılan teknoloji itibarıyla yapay zekanın altında makine öğrenmesi, onun altına derin öğrenme, onun altına Generative AI'yı kullanıyoruz diyor.
Speaker A
Bu bir doğru bir tanım, teknoloji olarak bunu kullanıyoruz çünkü ama kimileri de diyor ki ya işte Generative AI genel bir konsept, genel bir kavram, yapay zekayı kullanarak bir şeyler ürettiğimizde, dolayısıyla bu makine öğrenmesi ve derin öğrenmeden bağımsız olabilir.
Speaker A
Ona da Generative AI diyebiliriz diyorlar.
Speaker A
Ben görevim ikisini de sizlere aksettirmek, ikisini de sizlere anlatmak.
Speaker A
Ama genel olarak baktığımızda biz genel tanım işte yapay zekayla ilgili ona girişle ilgili videoları hazırladık.
Speaker A
Makine öğrenmesiyle ilgili çok önceden Python'la ve diğer teknolojileri kullanarak hazırladığımız çok sayıda eğitim videosunu bu kanalda bulabilirsiniz.
Speaker A
Derin öğrenmeyle ilgili özel eğitim serilerini gene hazırladık ve bu eğitim serisi de aslında biraz Generative AI kavramını oturtmaya çalışacağız.
Speaker A
Şimdi Generative AI'ın ilk çıktığı kavram, yani bu kavram nereden çıktı, nasıl çalışıyor, arkasında nasıl bir mantık var derseniz aslında oyun teorisinden geliyor.
Speaker A
Oyun teorisinde hani iki rakip böyle oyun oynarlar ve birbirlerini geliştirirler ya, hani mesela satranç diyelim ki siz hiç bilmiyorsunuz, biraz temel kuralları öğrendiniz.
Speaker A
Ondan sonraki bütün gelişiminizi bir rakibiniz varsa, o da çok bilmek zorunda değil ama oynaya oynaya bir şeyler öğrenebilirsiniz.
Speaker A
İşte biriniz kazanır, biriniz kaybeder, o bir taktik geliştirir, siz bir taktik geliştirirsiniz.
Speaker A
Ve bu bir öğrenme sürecidir aslında.
Speaker A
İki tarafın da öğrendiği bir süreçtir.
Speaker A
Tabii ki öğrenilmiş, bilinen bilgileri direkt transfer etmek daha hızlı bir öğrenme sağlayabilir çünkü onlar denenmiş.
Speaker A
Ama o denemeler de nedir? Gene aslında iki kişinin denemesidir.
Speaker A
Yani onlar da bir zamanlar bunu deneyip öğrenmişler, kitabını yazmışlar ve size onu aktarmışlar.
Speaker A
Dolayısıyla nereden bakarsanız bakın aslında arkasında bir deneyim var.
Speaker A
Bir iki kişinin arasında yaşanan bir deneyim var.
Speaker A
Satranç oyunu örneğinde rekabet düşünebilirsiniz.
Speaker A
Onun dışında çok sayıda böyle ikili ilişki düşünebilirsiniz, iki kişinin ilişkisi şeklinde.
Speaker A
Generative AI da buradan esinlenmiş, o da diyor ki ben bir tane G, bir tane de D ağı, yapay sinir ağı koyarım.
Speaker A
Bu G ile başlayan Generator, üreteç diyelim buna, üretken diyelim.
Speaker A
D'ye de Discriminative yani ayrıştırıcı veya eleyici veya eleştirici diyelim, eleştiri yapan.
Speaker A
Bu işte ayrımcılık yapmak gibi de düşünebilirsiniz.
Speaker A
İki tane ağ koyuyor.
Speaker A
Şimdi Generator üretiyor, sürekli bir şeyler üretiyor, rastgele bir şeyler üretiyor, biraz daha eğitimli üretmeye çalışıyor, biraz daha güzel üretmeye çalışıyor, bir şeyler üretmeye çalışıyor Generator.
Speaker A
Discriminative de geliyor, bunu beğenmedim, bu iyi değil, bu güzel değil şeklinde orada bir ayrımcılık, orada bir eleme yapıyor.
Speaker A
Amacı ne Discriminative'in? Discriminative'in amacı gerçeğe yakın olmasını sağlamak.
Speaker A
Yani Discriminative şunu öğrenmeye çalışıyor, benim ürettiğim bu sonuç, benim seçtiğim bu sonuç, beğendiğim bu sonuç gerçeğe yakın mı değil mi?
Speaker A
Onun derdi o.
Speaker A
Generator'ın görevi ise bir şeyler üretmek, gerçeğe yakın bir şeyler üretmek, onun da görevleri arasında var.
Speaker A
Ama Generator'ın üretirken gerçeğe yakın olup olmadığıyla ilgili bir fikri yok, bildiği kadarıyla bir şeyler üretiyor.
Speaker A
Ama ürettiği şeyleri Discriminative hayır bu daha yakın, bu daha az yakın şeklinde eleştirebilir.
Speaker A
Dolayısıyla Generator'ın ürettiği içerikle Discriminative'in Discriminative'in veya Discriminative yapay sinir ağının, ayrıştırıcı yapay sinir ağının görevi farklı.
Speaker A
Bunlar birbirleriyle böyle bir rekabet içindeler.
Speaker A
Bu rekabetten de ortaya Generative AI çıkıyor.
Speaker A
Yani biz bir resim ürettiğimizde, bir kişinin resmini üret dediğimizde, o resmi üretmeye çalışan, onun bir sürü alternatifini üreten bir Generator var.
Speaker A
Ve bu bir sürü alternatifi gene gerçeğe benzetmeye çalışıyor ama bir sürü farklı gerçek algısı olduğu için hepsine birden benzetmeye çalışıyor, ayrı ayrı üretimler yapıyor.
Speaker A
Discriminative ise bunları eleyerek seçim yapıyor.
Speaker A
Ve bu bir döngü şeklinde düşünülebilir ve bunun çok kereler dönmesi sonucunda biz bir aslında üretken yapay zekaya sahip oluyoruz ve bir şeyler üretiyoruz.
Speaker A
Şimdi eğitimimizin amaçlarından bir tanesi de biraz terimleri de öğrenmek, kavramları da öğrenmek.
Speaker A
Ve burada ilk göreceğimiz kavramlardan biri Multi Modal yapılar.
Speaker A
Multi Modal'la kastımız aslında çok farklı şekillerde bir şeyler üretebilmek.
Speaker A
Şimdi Generative AI, Generative AI'ın, üretken yapay zekanın güçlü olduğu yer yapısal olmayan veriler, unstructured data.
Speaker A
Bunlara ses, görüntü, video veya yazı gibi şeyleri ekleyebiliriz.
Speaker A
Bunlar bir şekilde bir yapıya oturtamadığımız bilgisayar bilimlerinde de bunlara unstructured, yapısal olmayan veriler deniyor.
Speaker A
Yapısal veriyle kastımız ne? Mesela bir Excel tablosundaki verileri yapısal düşünebilirsiniz.
Speaker A
İşte bir kolondaki verileri toplayabiliyoruz ki bunu veri tabanı tablosu olarak da düşünebilirsiniz.
Speaker A
Bir yapıya oturtabiliyoruz, onların tipi belli, integer, float, string neyse tipleri belli.
Speaker A
Boyutları belli, bir şeyleri belli yani onlarla ilgili bir şeyleri ölçüp biçebiliyoruz, ona göre bir sistem inşa edebiliyoruz.
Speaker A
Ama mesela bir görüntüyle ilgili sistem inşa etmek mümkün, işte piksel, megapikseller cinsinden tutuyoruz ama o görüntünün içeriğiyle ilgili, o görüntüde ne olduğuyla ilgili herhangi bir bilgiye müdahale şansımız uzun süre bilgisayar bilimlerinde yoktu.
Speaker A
Resim işleme, image processing gibi teknikleri kullanıyorduk.
Speaker A
Ama onlar da bizim istediğimiz sonuçları vermiyordu.
Speaker A
Yani bir resim aratmak mesela, işte içinde kitap olan resimleri bana getir, çekmişim milyonlarca resim, bazılarında kitap var, bazılarında yok, bazılarında defter var, bazılarında yok.
Speaker A
Böyle bir aramayı yapabilmek bizim için oldukça güç bir işti ta ki Generative AI'lara kadar, derin öğrenmeye, daha Transformer yapılarına kadar.
Speaker A
Şimdi çok daha farklı şeyler artık yapabiliyoruz.
Speaker A
Tabii Generative AI buranın, bu arama örneğini anlattım ben sizlere, bir kitap olan resmi aramayı.
Speaker A
Generative AI onunla çok ilgilenmiyor, Generative AI'ın daha büyük derdi o kitap resmini üretmek veya işte elinde kitap tutan bir insan üret diyorsunuz ve onu üretebilmek.
Speaker A
Bunu yapabilmesi için kitabı tanıması, o kitabın geçtiği resimlerden beslenmiş olması ve resim üretebiliyor olması lazım.
Speaker A
Ve bu bilgileri farklı modlarda üretmek, buna mod deniyor, model deniyor, farklı ruh hallerinde üretmek diyelim, farklı veri şekillerinde üretmek diyelim.
Speaker A
Bu verileri üretebilme yeteneği Generative AI'larla birlikte farklılaştı.
Speaker A
İşte resim üretmek, ses üretmek veya video üretmek gibi çeşitleri var.
Speaker A
Bunların güncel örnekleri var işte burada görüyorsunuz ChatGPT, Claude gibi veya DALL-E gibi veya MidJourney gibi görsel üretenler.
Speaker A
Ses üreten yöntemler veya video üreten teknikler, teknolojiler, algoritmalar bulunuyor.
Speaker A
Bunlar her geçen gün artıyor ama Multi Modal dediğimizde ilk öğreneceğimiz terimlerden bir tanesi çoklu mod, çoklu resim, çoklu tip, çoklu dosya tipi, farklı formatlarda üretmek denilebilir.
Speaker A
Gene bir soruyla devam edelim, bu olaylar neden bu kadar popüler?
Speaker A
Neden biz Generative AI'yı bu kadar tercih ediyoruz, kullanıyoruz, bizim hayatımıza neden bu kadar hızlı girdi gibi bir soru soracak olursanız tabii burada insanın aslında yaptığı çoğu işin yerine geçiyor.
Speaker A
Yani bizim çok sayıda insan gücü, beyni, emeği, vakti bir şeyler üretmeye, yazılı bir şeyler üretmeye, işte makale yazmaya, bir blog yazmaya, bir kitap yazmaya harcanıyordu.
Speaker A
Ve bunları biz yapay zekayla yapmaya başlayınca tabii buradaki iş gücü, insan istihdamı ciddi anlamda bilgisayarlara, yapay zekalara kayabilecek hale geldi.
Speaker A
E böyle olunca tabii bir cazibesi oldu, insanın yerine acaba bazı yerlerde koyabilir miyiz sorusu gündeme geldi.
Speaker A
Ki günümüzde görüyoruz çok yerde insanın yerine bu yapay zekalar geçiyor.
Speaker A
E tabii bunları üreten teknoloji, firmalar, meslekler de cazip hale geliyorlar, onların da trendi yükseliş trendinde.
Speaker A
Ve bunlar bir anlamda insana çarpan etkisi de oluşturan şeyler.
Speaker A
Yani şöyle düşünün işte elinizde bir traktör varsa tarlayı ekip biçmek çok daha kolay hale geliyor.
Speaker A
Bunu da öyle düşünebilirsiniz.
Speaker A
Yani siz bir insan olarak ekip biçebileceğiniz tarlanın bir boyutu var, diyelim ki bir yılda en fazla eforunuzun, emeğinizin yeteceği 20 dönümlük bir araziyle ilgilenebiliyorsunuz.
Speaker A
Traktörünüz olunca bu 200 dönüme çıkabiliyor.
Speaker A
E şimdi sizin elinizde yapay zeka olduğunda yapabileceğiniz iş kapasiteniz de misliyle artmaya başlıyor, teknolojimiz buna göre daha hızlı ilerlemeye başlıyor.
Speaker A
Ve insan üretkenliğini katlayan, misliyle çarpan bir yapıya sahip.
Speaker A
Ve tabii ki herkesin elinde kolayca, hızlıca başlayabileceği bir teknoloji haline geliyor.
Speaker A
Peki sorumuz şu, bilgisayar öğreniyor.
Speaker A
Bir şekilde öğrendiği bir yapı var.
Speaker A
Ama bilgisayarın öğrenmesi ne demek?
Speaker A
Hani dedik ya yapay zekanın altında makine öğrenmesi diye bir alan var.
Speaker A
Ve biz o alanın altında özel bir alanda çalışıyoruz.
Speaker A
O zaman önce bir tanımlayalım makine öğrenmesi nedir?
Speaker A
Bunun en güzel tanımlarından birisi klasik öğrenmede bizim input'larımız, girdilerimiz veri ve el yapımı bir modeldir.
Speaker A
Yani siz mesela bir karar ağacı oluşturdunuz, dediniz ki işte şu şöyle bir durum ortaya çıkarsa şunu yap, böyle bir durum ortaya çıkarsa bunu yap.
Speaker A
Mesela diyelim ki gelen kişi maaş zammı istiyor, işte çalıştığı süre şunun üstündeyse, tecrübesi bunun altındaysa filan gibi kurallarınızı yazıp bu kurallara uygun bir kişi için şunu uygulayabilirsin diyebilirsiniz.
Speaker A
Bu bir kural seti.
Speaker A
Aslında çoğu iş yerinde buna benzer kurallar çalışıyor.
Speaker A
Çoğu iş sürecinde de veya yaptığınız günlük hayatınızda da buna yakın kurallar çalışıyor.
Speaker A
Hayata başlıyorsunuz sabah, uyanıyorsunuz ve o gün ne yapacağınız, öncelikli işiniz ne, ilk ne yapacaksınız?
Speaker A
Bunları çok önceden belirli kurallara göre tanımlamış olabilirsiniz.
Speaker A
İşte bu tanımlara göre bir hayat yaşıyoruz günün sonunda.
Speaker A
Ve o hayatı belirlemiş olduğumuz kurallara göre veriyle birleştirdiğimizde bizim kararlarımız ve sonuçlar ortaya çıkıyor.
Speaker A
Bunu biz bilgisayara çok önce devrettik, yani bilgisayara biz belirli kodları yazıyorduk.
Speaker A
Yapay zeka olmadan önce de, makine öğrenmesi olmadan önce de bu yazmış olduğumuz kodlara göre bilgisayar veriyi alıyordu.
Speaker A
O veri neyse onu işleyip sonuçları üretiyordu.
Speaker A
Yani mesela diyelim ki bir şirketteki herkese %10 zam yapılması gerekiyor, işte teker teker birinci kişinin maaşını alıp %10 arttırıp yazacak, ikinci kişinin maaşını alıp %10 arttırıp yazacak.
Speaker A
O kuralı herkese uygulayacak.
Speaker A
Bu klasik bir süreç, klasik bir model, klasik bir kural seti, kural kümesi ve bunun uygulaması.
Speaker A
Makine öğrenmesine geldiğimizde ise makine öğrenmesi bu kuralları çıkartan sistem olarak görülebilir.
Speaker A
Elimizde veriler var, elimizde bir sonuç var, beklenen bir sonuç var, ona göre makine öğrenmesinin bir karar vermesini bekliyoruz.
Speaker A
Mesela şirketin %10 büyümesini istiyoruz, bizim şirketimizin önümüzdeki yıl %10 büyüyebilmesi için nasıl aksiyonlar almamız gerekir, neler yapmamız gerekir?
Speaker A
Bunu şirkete sormak, bunu şirket verisi üstünden çıkartmak, daha önceki büyüme oranlarına bakmak, orada alınan aksiyonlar, çevre koşulları, yaşananlar, bunları analiz edip neyin büyümeyi etkilediğini bulmak.
Speaker A
Ve o etkileri bulup onları nasıl değiştirirsek, nasıl uygularsak %10 büyümemizi sağlar, buna bakmak aslında bir makine öğrenmesi süreci, buradaki kuralları çıkartmak.
Speaker A
Ve bir kere bu kuralları çıkartıp bir model oluşturduysanız artık o model üstünden siz tahminler de yapabilirsiniz.
Speaker A
Yani alırsınız modelinizi, dersiniz ki ya elimde böyle bir model var.
Speaker A
Bak bu model daha önceki tecrübelerden bir sonuca ulaşmanın kurallarını yazıyor.
Speaker A
O zaman ben bu modeli kullanarak tahmin de yapabilirim.
Speaker A
Mesela bizim işte böyle çok klasik Hello World diye bir merhaba dünya diye yazdığımız bir örnek vardır, programlamaya girişte genelde böyle bir usulen yazdırılır.
Speaker A
Ona benzer bir şekilde de bu yapay zeka makine öğrenmesine girerken benim genelde kullanmayı sevdiğim güzel bir örnek var, boy kilo cinsiyet örneği.
Speaker A
Şimdi ben çok büyük ihtimalle sizlere desem ki 1.90'a, 1.90 boyuna sahip, 1 metre 90 santim boyuna sahip ve diyelim ki 110 kilo birisi kadın mıdır, erkek midir?
Speaker A
Hemen kafanızda bir cinsiyet belirecektir.
Speaker A
Veya diyelim ki 1.65 boyuna sahip ama 45 kilo bir kişi kadın mıdır, erkek midir?
Speaker A
Gene kafanızda bir şey şekillenir.
Speaker A
Şimdi bunlar bizim toplamış olduğumuz verilerden, kendi kilomuzu, boyumuzu biliyoruz.
Speaker A
Çevremizden bu verileri toplamışız, buna göre bir tahminimiz var.
Speaker A
Ne yapılmış bakın orada?
Speaker A
Verilerle bir kural çıkartmışız.
Speaker A
Aynı makine öğrenmesi gibi biz verileri toplamışız, işte boy kilo cinsiyet bilgilerini şimdiye kadar toplamışız.
Speaker A
Oradan bir kural çıkartmışız.
Speaker A
Bu kural bizim için farklı, işte mesela biraz daha orta sayılara geldiğimizde 1.70'e 70 dediğimde tartışmalara başlayabiliriz, kadın mıdır, erkek midir?
Speaker A
Kimisi için daha yüksek ihtimalle kadındır, kimisi için erkektir.
Speaker A
Hatta bu bilgileri farklı bir coğrafyada işte Güney Afrika'da, Çin'de, Amerika'da toplasanız sonuçlar da farklı çıkabilir.
Speaker A
Oradaki veri seti kümesi farklı.
Speaker A
Ama günün sonunda bir kural çıkartıyoruz.
Speaker A
İşte bu çıkarttığımız kurallar sonra tahmin için de kullanılabilir.
Speaker A
Az önce sorduğum soru aslında bir tahmin, sizin çıkartmış olduğunuz o kural kümesine bir soru soruyoruz.
Speaker A
Diyorum ki 1.90'a 110 kilo birisi kadın mıdır, erkek midir?
Speaker A
Elinizde bir model varsa.
Speaker A
Mesela diyorsanız ki işte 70 kilonun üstü erkektir, 70 kilonun altı kadındır.
Speaker A
Böyle bir kural çıkarttınız.
Speaker A
Basit bir kural.
Speaker A
70 kilonun üstünde biri geldiğinde 85 kilo, 110 kilo neyse bunun için erkek tahminini yapmak artık sizin için mümkün çünkü elinizde bir kural var.
Speaker A
Ve makine verilen boy ve kilodan cinsiyet tahminini buna benzer bir şekilde yapabiliyor.
Speaker A
Aynı cinsiyet tahmini yapar gibi her alanda kuralları çıkartan, o kuralları bizim görebildiğimiz, analiz edebildiğimiz.
Speaker A
Ve sonrasında da onları uygulayarak tahminler yapabildiğimiz bir sistem olarak düşünebilirsiniz kısaca makine öğrenmesini.
Speaker A
Derin öğrenmede ise derin öğrenmenin bir girdisi oluyor.
Speaker A
Bu arada bu benim resmim ama bu resmi tabii Generative AI üretmiş durumda.
Speaker A
Yani yapay zekanın ürettiği bir resim, birazcık değişmiş durumda gözler, burun filan farklı.
Speaker A
Ama bunu yapay sinir ağına koyduğunuzda aslında yapay sinir ağı nöronların üstündeki tetiklemelerle birlikte.
Speaker A
Ve bir cevabıyla birlikte işte bu kişinin ismi Şadi Evren Şeker'dir diyorsunuz ve bunu öğreniyor.
Speaker A
Bu öğrenmenin üstünden onun bir sürü resmini de verdiyseniz şayet değişik bir arkada bilmediğimiz bir ilişki ağını kurup.
Speaker A
Ki bu ilişki ağı biz anlayalım diye örnek verecek olursak mesela gözlerinin arasındaki mesafenin burnunun uzunluğuna oranı olabilir, işte ne bileyim iki kulak arasındaki mesafenin dudak uzunluğuna olan mesafeye oranı olabilir.
Speaker A
Bir sürü böyle senaryo yazabilirsiniz.
Speaker A
Ama bilmiyoruz ne ürettiğini.
Speaker A
Yapay sinir ağı bir şeyler hesaplıyor arkada ve bununla ilgili bir veri üretiyor.
Speaker A
Ve bu ürettiği veriyi günün sonunda bir kural olarak öğreniyor ve sonra bu resme benzer herhangi başka bir resim verdiğinizde kişinin ismini sorduğunuzda onun ismini döndürebilecek bir yapıya ulaşıyor.
Speaker A
İşte bu sırada yapay sinir ağının input olarak Generative AI'ların da keza input olarak çok sayıda resim alması ve çok sayıda etiketleme alması lazım.
Speaker A
Mesela bu kişi erkektir.
Speaker A
Bu kişi bilgisayar mühendisidir gibi bir sürü veri verdiniz, günün sonunda resimle etiket arasındaki ilişkileri sürekli yükleyip öğretiyoruz.
Speaker A
Sonra bana erkek bir bilgisayar mühendisi üret dediğiniz zaman o daha önce etiketli olarak almış olduğu verilerden bir şeyler üretiyor.
Speaker A
Yani tersten çalışıyor.
Speaker A
Resimden etikete giden yol terse bu sefer dönüyor, etiketten resme giden bir yol gibi çalışıyor bu yapay sinir ağının üstünde.
Speaker A
Girdiler çıktı, çıktılar girdi olarak dönüştürülüyor diyebiliriz.
Speaker A
Evet bu videomuzda biraz kavramlara giriş yaptık.
Speaker A
Bir sonraki videomuzda yine modül 1'in içinde temel ve temeller ve mimarileri anlattığımız modül 1'in içinde.
Speaker A
Bir sonraki dersimizde bir büyük dilin LLM'in Large Language Model'ın, büyük dil modelinin anatomisinden bahsedeceğiz.
Speaker A
Transformer nedir, orada kullanılan Attention mekanizmaları nelerdir?
Speaker A
Encoding nedir, embedding nedir, bu kavramlardan bahsedeceğiz, şimdi artık internette en basit biz mesela YouTube'a bu videoları çekiyoruz diyelim ki.
Speaker A
YouTube'a bile biz bir video yüklerken hemen orada soruyor embedding'i yapayım mı, izin veriyor musun diye.
Speaker A
Ne demektir embedding, bizim videolarımızın, resimlerimizin, yazdığımız yazıların embedding'leri alınıyor.
Speaker A
Türkçede gömme deniyor buna ama daha embedding şu an daha çok revaçta kullanılan bir terim olduğu için ben ikisini de kullanayım.
Speaker A
Bu terim nedir, bizim resmimizin embedding'inin alınması ne demektir, ne anlama gelecek?
Speaker A
Bunlardan biraz bahsetmeye çalışacağız, dediğim gibi temelleri biraz ve teknolojiyi biraz, kavramları biraz öğrendiğimiz modülümüzdeyiz.
Speaker A
Bir sonraki videomuzda büyük dil modellerinin anatomisiyle, LLM'lerin anatomisiyle görüşmek üzere.
Topics:Generative AIÜretken yapay zekaYapay zekaMakine öğrenmesiDerin öğrenmeOyun teorisiGeneratorDiscriminatorMulti ModalYapısal olmayan veri
