Temel Yapay Zeka Sözlüğü: Önemli Terimler Açıklandı

Yapay zekayı anlamak zor olabilir. Bu sözlük, önemli yapay zeka terimlerini açık, öz bir dilde tanımlar.

AGI (Genel Yapay Zeka)

AGI, çoğu görevde insan yeteneklerini aşan yapay zekayı ifade eder. Kesin tanım değişir; bazıları ekonomik değeri vurgularken, diğerleri bilişsel görevlere odaklanır. Yapay zeka uzmanları bile kesin bir tanım üzerinde çalışıyor.

AI Agent (Yapay Zeka Ajanı)

Bir yapay zeka ajanı, temel sohbet robotu yeteneklerinin ötesinde, zamanlama, rezervasyon veya kodlama gibi görevleri gerçekleştiren bir araçtır. Gelişen bir alan, ancak temel kavram, karmaşık görevler için birden fazla yapay zeka teknolojisini kullanan otonom sistemleri içeriyor.

Chain of Thought (Düşünce Zinciri)

Düşünce zinciri muhakemesi, büyük dil modellerinin (LLM'ler) karmaşık sorunları daha küçük, ara adımlara bölerek çözmelerini sağlar. Bu, özellikle mantık ve kodlamada doğruluğu artırır, ancak işlem süresini de artırabilir.

Deep Learning (Derin Öğrenme)

Derin öğrenme, birden çok katmanlı yapay sinir ağlarını (YSA'lar) kullanan bir makine öğrenmesi türüdür. Bu, daha basit makine öğrenmesi modellerine kıyasla daha karmaşık korelasyonlara ve kendi kendini geliştirmeye olanak tanır. Derin öğrenme, büyük veri kümeleri ve kapsamlı eğitim gerektirir.

Diffusion (Difüzyon)

Difüzyon modelleri, sanat, müzik ve metin için birçok üretken yapay zeka aracına güç sağlar. Verilere yapılandırılmamış hale gelene kadar gürültü ekleyerek, ardından süreci tersine çevirmeyi ve verileri gürültüden yeniden oluşturmayı öğrenerek çalışırlar.

Distillation (Damıtma)

Damıtma, daha küçük bir "öğrenci" modelin daha büyük bir "öğretmen" modelin çıktılarından öğrendiği bir "öğretmen-öğrenci" modelidir. Bu, daha verimli modeller oluşturur, ancak API hizmet şartlarını ihlal ederek rakip modelleri çoğaltmak için kötüye kullanılabilir.

Fine-tuning (İnce Ayar)

İnce ayar, mevcut bir yapay zeka modelinin yeni, hedeflenmiş veriler kullanarak belirli bir görev veya alanda uzmanlaşması için daha fazla eğitimi işlemidir. Birçok yapay zeka girişimi, LLM'leri belirli sektörlere uyarlamak için bunu kullanır.

GAN (Üretken Çekişmeli Ağ)

GAN'lar, rekabet halinde iki sinir ağı kullanır: bir üretici veri oluşturur ve bir ayırıcı gerçekçiliğini değerlendirir. Bu çekişmeli süreç, özellikle görüntü ve video oluşturmada oldukça gerçekçi çıktılara yol açar.

Hallucination (Halüsinasyon)

Halüsinasyon, yapay zekanın yanlış bilgi üretmesini ifade eder. Bu, özellikle sağlık gibi alanlarda önemli riskler oluşturur. Eğitim verilerindeki boşluklardan kaynaklanan önemli bir zorluktur ve özelleştirilmiş yapay zeka modellerine doğru bir kaymaya neden olur.

Inference (Çıkarım)

Çıkarım, verilerden tahminlerde bulunmak veya sonuç çıkarmak için eğitilmiş bir yapay zeka modelini çalıştırma işlemidir. Farklı donanımlar çıkarım yapabilir, ancak daha büyük modeller daha güçlü kaynaklar gerektirir.

LLM (Büyük Dil Modeli)

LLM'ler, ChatGPT ve Google Gemini gibi yapay zeka asistanlarına güç verir. İnsan dilini anlamak ve üretmek için büyük metin veri kümeleri üzerinde eğitilmiş derin sinir ağlarıdır. Önceki metne göre bir dizideki bir sonraki kelimeyi tahmin ederler.

Neural Network (Sinir Ağı)

Bir sinir ağı, insan beyninden ilham alan çok katmanlı bir algoritmik yapıdır. Derin öğrenmenin ve son üretken yapay zeka patlamasının temelidir. GPU'lar, potansiyellerinin kilidini açmada çok önemli olmuştur.

Training (Eğitim)

Eğitim, bir yapay zeka modeline veriler besleyerek kalıpları öğrenmesini ve yararlı çıktılar üretmesini sağlama işlemidir. Makine öğrenmesi yapay zekalarının geliştirilmesinde çok önemli bir adımdır, ancak hesaplama açısından pahalı olabilir.

Transfer Learning (Transfer Öğrenimi)

Transfer öğrenimi, önceden eğitilmiş bir yapay zeka modelini, ilgili bir görev için yeni bir model için başlangıç ​​noktası olarak kullanır. Bu, zamandan ve kaynaklardan tasarruf sağlar, ancak optimum performans için genellikle ek eğitim gerekir.

Weights (Ağırlıklar)

Ağırlıklar, eğitim verilerindeki farklı özelliklerin önemini belirleyen sayısal parametrelerdir. Giriş değişkenlerine farklı etki düzeyleri atayarak yapay zeka modelinin çıktısını şekillendirirler.