Linux Kullanıcıları İçin Yapay Zekanın (YZ) Temelleri – Üçüncü Bölüm

Evet Linux kullanıcıları için Yapay Zeka (YZ) öğrenimiyle ilgili ilk iki yazımızı beğendiniz mi?Dolayısıyla bugün, bu teknolojik alanla ilgili en önemli kavram ve terimlerden birkaçını ele alacağımız bu üçüncü bölümü muhtemelen beğeneceksiniz. Ve önceki iki bölümü okumadıysanız, şunu açıklığa kavuşturmak isteriz ki... İkinci bölümde ele alacağımız konular şunlardır: aradaki farkla ilgili nokta Sembolik Yapay Zeka ve Bağlantıcı Yapay Zeka ve bu teknolojik alanın son 100 yıldaki tarihi dönüm noktaları üzerine. Oysa, İlk bölümde odaklanıyoruz en Yapay zekâ nedir ve bugüne kadar oluşturulmuş çeşitli türleri nelerdir? (Dar veya Zayıf, Üretken ve Ajan) ve yaratılması beklenen (Genel veya Güçlü ve Yapay Süper Zeka).

Ve önceki durumlarda olduğu gibi, onların zamanında olduğu gibi, elektrik, radyo, televizyon, bilgisayarlar, telefonlar, internet ve sosyal ağların da var olduğunu unutmayın; Yapay zeka, her şeye derinlemesine entegre olmaya başlayan bir teknolojidir.Ve bu da bize değerli zaman ve maliyetli çalışma saatlerinden tasarruf sağlayarak, bizi daha üretken, yaratıcı ve çok yönlü hale getirerek; kesinlikle, Yavaş yavaş, varlığından ve işleyişinden en ufak bir haberi olanları yerlerinden edecektir.Bu nedenle, konuyla ilgili her şey hakkında biraz bilgi edinmeye başlamaktan daha iyi bir şey yok.

Ancak, buna geçmeden önce... "Yapay Zekanın heyecan verici ve şaşırtıcı alanının üçüncü bölümü"Özellikle dikkate alınması, anlaşılması ve öğrenilmesi gereken en önemli kavram ve terimlerden bazılarına ilişkin olarak, şunları incelemenizi öneririz: Bu yayın serisindeki önceki ve yakın tarihli ilgili yayınlarOkumayı bitirdikten sonra:

Yapay Zekanın Temelleri – Üçüncü Bölüm: İlgili Kavramlar ve Terimler

Yapay Zeka alanında sıkça bahsedilen 20 önemli kavram ve terim.

1. Halüsinasyon

Halüsinasyon, özellikle doğal dil işleme alanında çalışan bir yapay zeka sisteminin, verilen girdiye bağlı olarak alakasız, anlamsız veya yanlış sonuçlar üretmeye başlaması durumunu ifade eder. Bu durum genellikle yapay zeka sisteminin bağlamdan emin olmaması, eğitim verilerine aşırı derecede güvenmesi veya konu hakkında yeterli bilgiye sahip olmaması durumunda ortaya çıkar.

2. Makine Öğrenmesi

Yapay zekanın bir alt alanı olan makine öğrenimi, makinelerin deneyim kazanarak performanslarını iyileştirmelerini sağlayan algoritmaların ve istatistiksel modellerin geliştirilmesini kapsar. Örnek olarak, geçmiş davranışlara dayanarak müşteri kaybı olasılığını tahmin edebilen bir makine öğrenimi algoritması verilebilir. Makine öğrenimi programı sayesinde makine, örneklerden yola çıkarak sorunları çözmeyi öğrenir: böylece verileri karşılaştırabilir, sınıflandırabilir ve hatta karmaşık şekilleri tanıyabilir.

3. Derin Öğrenme

Çok katmanlı sinir ağlarını kullanarak verilerden öğrenen, yani giderek daha anlamlı veri temsillerinin ardışık katmanlarını öğrenmek için farklı sinir ağı yapılarını kullanan makine öğrenmesinin bir alt alanıdır. Şu anda yapay zeka içindeki en popüler alandır. Makine öğrenmesi algoritmalarının biçimsel sinir ağlarıyla ve büyük veri kullanımıyla birleşmesinden ortaya çıkmıştır.

4. Büyük Veri

Büyük Veri, büyük veri kümelerinin işlenmesindeki doğal zorlukları inceleyen Bilgi Teknolojisi dalıdır. Makroveri olarak da adlandırılan bu veriler, genellikle geleneksel yöntemlerle işlenemeyecek kadar büyük veya çeşitli olan büyük ve karmaşık veri kümelerini ifade eder. Dahası, çeşitli kaynaklardan (sosyal ağlar, sensörler vb.) gelirler ve analiz edilmeleri ve yararlı bilgilerin çıkarılması için yapay zeka ve makine öğrenimi gibi gelişmiş teknikler gerektirirler.

5. Veri kümesi

Veri kümesi, genellikle tablo şeklinde yapılandırılmış bir veri koleksiyonudur. Yapay zeka modellerini eğitmek, test etmek veya doğrulamak için kullanılan organize bir veri kümesidir. Metin, resim, video veya diğer bilgi türlerini içerebilir ve genellikle makine öğrenimi algoritmalarının kalıpları tanımasına ve tahminlerde bulunmasına olanak sağlamak için etiketlenir.

6. Model eğitimi

Model eğitimi, bir veri kümesini kullanarak yapay zekâ veya makine öğrenimi modeline sınıflandırma veya tahmin gibi belirli bir görevi yerine getirmeyi öğretme sürecidir. Model, yeni verilerle doğruluğunu artırmak için sağlanan örneklere göre parametrelerini ayarlar.

7. Geri Kazanım Yoluyla Geliştirilmiş Üretim

RAG (Retrieval-Augmented Generation), bir yapay zekanın yanıt oluşturmadan önce harici veritabanlarını sorgulamasına veya internette yeni ve güncel bilgiler aramasına olanak tanıyan bir yöntemdir. Tüm modeli yeni verilerle yeniden eğitmek yerine, RAG yapay zeka için bir tür "gerçek zamanlı eğitim" görevi görür. Bu çok faydalıdır çünkü sistemi belirli ve doğrulanmış belgelere dayanmaya zorlar, bu da yapay zekanın bilgi uydurma (halüsinasyon) riskini büyük ölçüde azaltır.

8. GPT (Üretken Ön Eğitimli Transformatör)

Bunlar, OpenAI tarafından geliştirilen ve metni doğal bir şekilde anlamak ve üretmek için sinir ağlarını kullanan bir dil modeli ailesidir. Bu GPT (Generative Pretrained Transformer) modelleri, Transformer adı verilen bir mimari kullanır; bu mimari, büyük veri kümeleriyle yapılan eğitime dayanarak istemleri analiz etmelerine ve en olası yanıtı tahmin etmelerine olanak tanır. Bu nedenle, GPT insan dil anlama yeteneklerini taklit edebilmektedir.

9. Doğal Dil Üretimi (Doğal Dil Üretimi)

Doğal dil üretimi, insan dilinde anlaşılabilir metinler veya konuşmalar otomatik olarak üretmeyi içeren yapay zekanın bir alt alanıdır. Makinenin ham verileri, otomatik özetlerde veya sanal asistanlarda olduğu gibi, doğal cümlelere veya paragraflara dönüştürmesine olanak tanır.

10. Hızlı Mühendislik

Bu, anlamlı, üretken çıktılar elde etmek için istekler için yönlendirmeler geliştirme sanatıdır; yani daha doğru, verimli ve yenilikçi çıktılar. Ya da başka bir deyişle, üretken bir yapay zekaya verdiğimiz talimatları tasarlama, optimize etme ve iyileştirme bilimidir. Amacı, yapay zekayı doğru, ilgili ve yüksek kaliteli yanıtlar almaya yönlendirmek ve genel veya hatalı sonuçlardan kaçınmak için bir iletişim köprüsü görevi görmektir.

11. modeli

Model, öğrenme algoritmasının çıktısını temsil edecek nesnedir. Bu nedenle, yapay zekanın çıktı tahminleri yapmak için kullandığı şeydir. Örneğin, temel modeller, büyük dil modelleri ve bilgisayar görüşü ve pekiştirmeli öğrenme modelleri gibi diğer model türlerini içeren geniş bir yapay zeka modeli kategorisidir. Bunlara "temel modeller" denmesinin nedeni, çok çeşitli alanları ve kullanım durumlarını ele alan uygulamaların üzerine inşa edileceği temel görevi görmeleridir.

12. Büyük Dil Modelleri

Bunlar, doğal dil anlama ve üretme görevlerini gerçekleştirmek için büyük bir veri kümesi üzerinde eğitilmiş bir tür derin öğrenme modelidir. Bilinen modeller arasında BERT, PaLM, GPT-2, GPT-3, GPT-3.5 ve yenilikçi GPT-4 yer almaktadır. Bu modeller, boyut (ayarlanabilen parametre sayısı), gerçekleştirebilecekleri görev aralığı (kodlama, sohbet, bilimsel vb.) ve eğitildikleri bilgi tabanı bakımından farklılık gösterir.

13. Küçük Dil Modelleri

Bunlar, büyük dil modellerinin (LLM'ler) cep boyutunda versiyonlarıdır. Her ikisi de, gerçekçi doğal dil yanıtları üretebilmek için kalıpları ve ilişkileri tanımalarına yardımcı olmak üzere makine öğrenimi tekniklerini kullanır. Ancak LLM'ler çok büyük olup çok fazla işlem gücü ve bellek gerektirirken, Phi-3 gibi küçük dil modelleri daha küçük, daha özenle seçilmiş veri kümeleri üzerinde eğitilir ve daha az parametreye sahiptir; bu da onları daha kompakt ve hatta çevrimdışı kullanılabilir hale getirir.

14. Önyargı

Bunlar, bir yapay zeka modelinin veriler hakkında yaptığı varsayımlardır. "Önyargı-varyans dengesi", bir modelin veriler hakkında yaptığı varsayımlar ile farklı eğitim verileri verildiğinde modelin tahminlerinin değişme miktarı arasında kurulması gereken dengedir. Tümevarımsal önyargı, bir makine öğrenme algoritmasının verilerin temel dağılımı hakkında yaptığı varsayımlar kümesidir.

15. Doğal Dil İşleme

Bu, temel fikri makinelere insanların konuştuğu dilleri okuma ve anlama yeteneği kazandırmak olan disiplinlerarası bir alandır. Doğal Dil İşleme araştırmaları, insanların konuşulan veya yazılan bir cümlenin anlamını nasıl anladıkları ve ne olduğunu, ne zaman ve nerede olduğunu nasıl anladıkları; ve bir varsayım, bir inanç ve bir gerçek arasındaki farkları nasıl ayırt edebildikleri sorusuna cevap vermeyi amaçlar. Sonuç olarak, bilgisayarları büyük miktarda dilsel veriyi işlemek üzere programlamayı içerir ve serbest biçimli metni standartlaştırılmış bir yapıya dönüştürmeye odaklanır.

16. İstemi

Bir komut, bir bilgisayar sistemine bir yanıt üretmesi için verilen bir talimat veya talimatlar kümesidir (girdi). Yapay Zeka bağlamında, belirli bir yanıt veya çıktının üretilmesini yönlendirmek ve yönetmek için modele sağlanan ilk talimat, komut, soru, istek veya metin ifadesidir. Komut, yapay zeka için bir uyarıcı veya tetikleyici görevi görür ve beklenen yanıtın konusunu, stilini, yönünü veya türünü gösterir. Komutun formüle edilme şekli (çerçevelenmesi), alınan sonuçların kalitesini ve alaka düzeyini doğrudan belirler.

17. Sinir Ağı

Bunlar, biyolojik beyinlerdeki nöronların aksonlarında gözlemlenen davranışa kabaca benzer, büyük bir basit sinir birimi (yapay nöronlar) kümesine dayanan hesaplamalı bir modeldir. Derin Öğrenmenin temel çalışma birimidir. Dahası, insan beyninin analitik mekanizmalarını modellemeyi amaçlayan, makine öğrenimi veya derin öğrenmeye dayalı, örüntü tanıma ve problem çözmeye olanak sağlayan bir makine öğrenimi modelidir.

18. Trafo

Transformer ağları, metin gibi sıralı verileri işlemek üzere tasarlanmış bir sinir ağı mimarisi türünü temsil eder. Transformer ağları bağlamı ve dolayısıyla anlamı öğrenir. Geleneksel modellerin aksine, bir dizinin farklı öğeleri (kelimeler, cümleler) arasındaki ilişkileri sıralı olarak değil, paralel olarak yakalarlar. Transformer ağları, GPT ve BERT gibi başarılı modellerin temelini oluşturur ve doğal dil işleme görevlerinde kullanılır.

19. Jeton

Yapay zekâda bir token, GPT veya Gemini gibi Dil Öğrenme Modellerinin (LLM) metni işlemek, anlamak ve üretmek için kullandığı temel veri birimidir (kelimeler, kelime parçaları, karakterler veya semboller). Yapay zekânın okuyup analiz ettiği ve insan dilini yönetilebilir (hesaplanabilir) parçalara ayırmasını sağlayan "para birimi" veya temel bilgi parçasıdır. Sonuç olarak, yapay zekâ modelleri, aralarındaki ilişkileri anlamak ve tahmin, üretim ve akıl yürütme gibi yeteneklerin kilidini açmak için tokenları işler. Tokenlar ne kadar hızlı işlenirse, modeller o kadar hızlı öğrenir ve yanıt verir.

20. Çapraz doğrulama

Bu yöntem, bir analizin sonuçlarını değerlendirmek ve makine öğrenimi modeli tahminlerinin doğruluğunu sağlamak için kullanılır. Dolayısıyla, bir veri kümesini birkaç alt kümeye (veya "katmana") bölmeye odaklanan bir makine öğrenimi modeli değerlendirme tekniğidir. Model daha sonra bazı alt kümeler üzerinde eğitilir ve diğerleri üzerinde test edilir. Bu, aşırı öğrenmeyi azaltarak modelin performansının daha güvenilir bir şekilde tahmin edilmesini sağlar.

Yapay zekanın diğer temel unsurları, bu üçüncü bölümde incelenmeye, anlaşılmaya ve ustalaşılmaya değerdir.

Bunlar, gerçekten bilinmesi, anlaşılması ve ustalaşılması gereken birçok kavram ve terimden sadece birkaçıdır. Yapay Zekanın bu modern ve yenilikçi alanında. Bu nedenle, burada sunulan bilgileri genişletmek ve sizi diğer bilgilere kolayca yönlendirmek için size bunu sunuyoruz. Yapay zekâ ile oluşturulmuş ilgi çekici bir infografik. Size aynı derecede önemli ve gerekli olan diğer bazı örnekler hakkında küçük bir fikir vermek gerekirse:

Resumen

Kısacası, umarız bu "Yapay Zekanın heyecan verici ve şaşırtıcı alanının üçüncü bölümü" Üretken Yapay Zekaya (GAI) ağırlık veren bir eğitim, bu modern ve yenilikçi alandaki bilgi ve becerilerinizi güçlendirmeye ve artırmaya biraz daha katkıda bulunmuş olabilir. Bunu unutmayın, Yapay zekâ ve robotik, dünyayı ve yaşam biçimimizi değiştiriyor.Ve ilerleyen yıllarda, kuantum hesaplama ticari olarak kullanılabilir hale geldiğinde ve (Casimir etkisiyle üretilen) kuantum enerjisi tüm insanlık için yaygın olarak erişilebilir olduğunda, bugün deneyimlediğimizden tamamen farklı olabilir. Bu nedenle, yapay zekâ hakkında şimdi bilgi edinmek, yarın pişman olmaktan daha iyidir. Ve elbette, sevgili ve değerli Linux evrenimize katılmaya, katkıda bulunmaya ve desteklemeye devam etmeyi unutmayın.

Son olarak, hatırla bizim ziyaret edin «başlangıç ​​sayfası» ispanyolcadaVeya, daha güncel içeriklere ulaşmak için (mevcut URL'mizin sonuna sadece 2 harf ekleyerek, örneğin: ar, de, en, fr, ja, pt ve ru, diğer birçok dil arasında) başka herhangi bir dilde arama yapabilirsiniz.