Şu anda “yapay zeka” kadar çok zaman kullanılmaktadır. Her ikisi de mesajlarda, broşürlerin veya strateji belgelerinin pazarlanmasında: “AI” şirketleri en akıllı ve tüm sektör ürünleri daha verimli hale getirmelidir. Bununla birlikte, özellikle neyin anlama geldiği açık değildir. Birçok insan terimi düşünebilecek ve hatta hissedebilecek makinelerin fütüristik fikirleriyle birleştirir. Ancak gerçekte, “yapay zeka” çok daha az mistik olan çok çeşitli süreçleri ve teknolojileri tanımlar.
Golo Roden, yerel web GmbH'nin kurucusu ve CTO'sudur. Olaylara ve hizmetlere dayalı olarak dağıtılmış mimarilere özellikle dikkat ederek web ve bulut uygulamalarının ve arıların anlayışı ve geliştirilmesi ile ilgilidir. Yol gösterici ilkesi, yazılımın gelişiminin kendi başına bir son olmaması, ancak her zaman aşağıda bir profesyonellik izlemesi gerektiğidir.
Bu dokuz blog serisi AI'nın farklı yönlerine adanmıştır. İlk yazıda, sistematik olarak AI terimini açar, gelişimini izler ve serinin diğer sonuçlarının temelini oluşturan birinci sınıflandırma veririm.
Ki, ML, DL – Aslında ne anlama geliyor?
“AI” söz konusu olduğunda, tüm bir aile genellikle yargılama ile anlaşılır. En yaygın kısaltmalar dahildir:
- AI (yapay zeka) Genellikle “akıllı” olarak kabul edilen görevleri alabilmek için tasarım makinelerine tüm yaklaşımları içeren genel bir terimdir. Bu, dilin anlaşılması, sorunların çözülmesi, öğrenme ve planlama dahildir.
- ML (makine öğrenimi) Veri tabanlı makinelerin modelleri tanıdığı ve bunlardan türetmesi veya türetmesi gerçeğine odaklanan AI'nın altındaki bir alandır.
- DL (derin öğrenme) Buna karşılık, verilerdeki özellikle derin modelleri tanımak için karmaşık sinir ağları kullanan bir otomatik öğrenme bölümü kullanılır.
Otomatik öğrenme ve derin öğrenme yapay zekanın alt kategorileridir. Bununla birlikte, bu terimler yanlış anlamaları destekleyen birçok tartışmada bulanıktır.
Uzman sistemlerden öğrenme makinelerine kadar
Tarihsel olarak, yapay zeka üzerine yapılan araştırma otomatik öğrenme ile başlamadı, ancak sözde Sembolik yaklaşımlar. 1950'lerde ve 1960'larda, bilgileri kurallar ve gerçekler şeklinde saklayan programlar oluşturuldu. Bu daha sonra, teknik hataların tıbbi teşhisinde veya analizinde kullanılan uzman sistemleri geliştirmiştir. Bu sistemler açıkça formüle edilmiş IF-then kuralları ile çalıştı. Avantajları, kararlarının şeffaf ve anlaşılabilir olmasıydı. Dezavantajları, bağımsız olarak öğrenememeleriydi ve sınırlarına eksik veya canlı bilgi ile ulaştılar.
80'lerde ve 90'larda, mekanik öğrenme ön plana çıktı. Açıkça nasıl karar vermesi gerektiğini söylemek yerine, yalnız türetebileceği verilerini vermeye başladı. Bu, yeni durumlara daha esnek tepki verebilen sistemlere izin verir.
Basit bir örnek, e -Mail'de spam algılamasıdır. Uzman bir sistem sağlam anahtar kelimeler arıyor olsa da, birçok spam ve scam olmayan mesaj örneklerine dayanan bir spam filtresi tipik modelleri tanımayı öğrenir. Bu, kuralları manuel olarak arşivlemek zorunda kalmadan yeni spam formlarını tanımlamanıza olanak tanır.
Çünkü “yapay zeka” genellikle yanıltıcı
“Yapay zeka” terimi genellikle sahte ilişkileri uyandırır. İnsanlar özellikleri sahip olmayan makinelere atfetme eğilimindedir. Sıvı cümlelere yanıt veren bir sohbet botu, bir şeyi “biliyormuş gibi” hızlı görünüyor. Bununla birlikte, sadece, kelimelerin sonuçlarının izleyeceği sayısız örnekten öğrenen karmaşık istatistiksel modellere dayanmaktadır.
Master masa oyunları veya görüntüleri tanıyan programların bile insan anlamında bir anlayışı yoktur. Kararlarınızı anlamlarını anlamadan verilerdeki modellere göre optimize edin. Bu nedenle, bazı uzmanlar zeka yerine “modellerin istatistiksel olarak tanınması” ndan bahsetmeyi tercih ederler. Bu hantal görünebilir, ancak çekirdek çok daha iyi etkiler.
Çünkü hype hala haklı
Bu kısıtlamalara rağmen, yapay zeka son yıllarda etkileyici bir ilerleme kaydetti. Kaynakların hesaplanması, daha fazla miktarda veri ve yeni algoritma, makinelerin artık birkaç yıl önce bir adam olarak kabul edilen görevleri yönetebileceği anlamına geliyordu. GPT-4 gibi dil modelleri metinleri formüle eder, görüntülerin görüntüleri sahneler oluşturur ve foto-gerçekçi algoritmalar birkaç saniye içinde tıbbi kayıtları analiz eder.
Bununla birlikte, bu başarılar sihir değil, sistematik süreçlere dayanmaktadır. “Makine öğrenimi” ve “derin öğrenme” gibi terimlerin ne olduğunu anlarsanız, yapay zeka sistemlerinin gerçekte ne yapabileceğini ve sınırlarınızın nerede olduğunu daha iyi değerlendirebilirsiniz. Bu serinin yapması gereken tam olarak bu.
Yolculuk nereye gidiyor
Aşağıdaki makalelerde farklı denizaltıları yavaş yavaş derinleştireceğiz. Makinelerin nasıl öğrendiklerini, sinir ağlarını neyin ayıran ve derin öğrenmenin neden “derin” olduğunu göreceğiz. Ayrıca, transformatör mimarilerinin dilsel işlemede nasıl devrim yarattığını ve önceki yaklaşımlara sahip büyük modellerin neyi ayırt ettiğini de aydınlatacağız.
Amaç, bu serinin sonunda sadece bireysel anahtar kelimeleri sınıflandırmakla kalmaz, aynı zamanda farklı kavramların nasıl ilişkili olduğuna dair genel bir anlayış geliştirebilirsiniz. Bu, yapay zekanın projeleriniz veya şirketiniz için daha fazla ve nasıl anlamlı olabileceğine karar vermenize izin verir.
Bu diziye ek olarak, Michael Stal'in blog yayınları sinir ağlarının yapısında önerilmektedir.
(RME)
Bir yanıt yazın