- Katılım
- 21 May 2023
- Mesajlar
- 753
- Tepki
- 17
- Puan
- 18
Bir modele soru sorduğunuzda geriye dönen cümle, o an düşünülmüş bir cevap değil. Eğitim sırasında öğrenilmiş ilişkilerin, verdiğiniz girdiye uygulanmasıyla oluşan bir çıktı. Aradaki fark, sistemin neyi yapıp neyi yapamayacağını da belirliyor.
Aşağıda modellerin nasıl eğitildiğini, etiketli ve etiketsiz veriyle öğrenmenin ne demek olduğunu, üretken modellerin yanıtı hangi ölçütle seçtiğini ve sürecin hangi aşamalara ayrıldığını iki resmî belgeye bakarak topluyoruz.
Ağ nasıl öğreniyor?
Öğrenmenin mekaniğini GOV.UK'in yapay zekâ el kitabı adım adım anlatıyor.
Sinir ağı, eğitim döngülerinde veriye maruz kalarak öğreniyor. Bu döngülerde model, ağın farklı parçaları arasındaki bağlantıları kademeli olarak ayarlıyor; komşu katmanların düğümleri arasındaki ağırlıkları belirliyor.
Hata da sürecin parçası. Model yanlış yaptığında ağ bunu veri olarak hesaplıyor ve ne kadar saptığına bakıyor. Ardından hata, ağırlıklar çok küçük bir miktarda güncellenerek geriye doğru ayarlanıyor; bu küçük miktarın adı öğrenme oranı ve yön, hatayı en aza indirecek yön.
Bu işlemin eğitim aşamasında yinelenmesi ağı öyle ayarlıyor ki model, daha önce hiç görmediği ilişkili veriye de sadık biçimde genelleyebiliyor.
- Girdi: Eğitim döngülerinde gösterilen veri.
- Ayar: Düğümler arası ağırlıklar.
- Ölçüt: Hatayı en aza indirmek.
Etiketli ve etiketsiz veri
Makine öğrenmesi tarafında rehber süreci şöyle özetliyor: algoritmalar veriyi çözümlüyor, örüntüleri öğreniyor ve yeni veriye dayanarak tahmin ya da karar üretiyor.
Bunun için eğitim verisinin özenle seçilmesi gerekiyor. Rehbere göre eğitim, veride ilgili öznitelikleri belirleyen ve bunların birbiriyle ilişkisini anlamak üzere ağırlıklandıran optimize edilmiş bir model oluşturuyor.
Veri iki biçimde olabiliyor. Etiketli veri, önceden etiketlenmiş ya da sınıflandırılmış veri; bu eğitim biçimine denetimli öğrenme deniyor ve eğitim kümesindeki her örnek, modelin öğrenmesi beklenen doğru cevapla birlikte geliyor.
Etiketsiz veri kullanıldığındaysa model, örüntüleri, grupları ya da yapıları kendi başına belirlemek üzere programlanıyor; buna da denetimsiz öğrenme adı veriliyor.
Metin nasıl sayıya dönüyor?
Dil tarafında bir çeviri adımı var. Rehber, doğal dil işlemenin metni sayısal temsillere dönüştürdüğünü ve bunların bir makine öğrenmesi modeli tarafından işlendiğini söylüyor.
Aradaki adımlar da sayılıyor: gürültü azaltma, belirteçleme, durak sözcüklerin ayıklanması, kök bulma ya da gövdeleme, vektörleştirme ve gömme.
Sonrasında model, eğitim sırasında öğrendiği ağırlıkları kullanarak girdideki farklı özniteliklerin önemini ayarlıyor; sözcüklerin sırası ve bağlamı gibi ögeleri hesaba katarak metnin bütünsel anlamını çıkarıyor.
Konuşma tarafında da benzer bir dönüşüm var: modeller konuşmayı önce spektrogram denen, ses frekanslarını zaman içinde gösteren sayısal temsillere çeviriyor.
Püf nokta' Alıntı:
Üretken model yanıtı nasıl seçiyor?
Üretken modellerde süreç olasılığa dayanıyor. Rehbere göre bu modeller, verinin altında yatan örüntüleri ve yapıyı öğrenmek için özenle seçilmiş büyük miktarda veriyle eğitiliyor.
Eğitim bittikten sonra model, öğrendiği özellik ve ilişkilerle tutarlı yeni içerik üretebiliyor.
Yanıt seçimi de tarif edilmiş: kullanıcı bir istem verdiğinde model, eğitim verisinden öğrendiklerine dayanarak olası yanıtların olasılığını değerlendiriyor, sonra verilen isteme en uygun olma ihtimali en yüksek yanıtı seçip sunuyor.
Rehber büyük dil modellerini de bu çerçeveye yerleştiriyor: metin ve doğal dil verisiyle eğitilmiş, metin tabanlı yüksek kaliteli çıktı üretmeye yönelik büyük sinir ağları.
Bu hesaplamaların hangi donanımda yürüdüğünü donanım yazımızda anlatmıştık.
Süreç hangi aşamalara ayrılıyor?
Tek bir eğitim adımı bütün resmi vermiyor. NIST'in yapay zekâ risk yönetimi çerçevesi süreci boyutlara ayırıyor: uygulama bağlamı, veri ve girdi, model ve görev ile çıktı.
Görevler de bu boyutlara dağıtılmış. Tasarım görevleri uygulama bağlamı ile veri ve girdi aşamalarında yürütülüyor; sistemin kavramı ile hedeflerinin, altında yatan varsayımların ve gereksinimlerin belgelenmesini, verinin toplanıp temizlenmesini ve veri kümesinin üstverisiyle özelliklerinin kaydedilmesini kapsıyor.
Geliştirme görevleri model aşamasında yer alıyor ve modellerin ya da algoritmaların oluşturulması, seçilmesi, ayarlanması, eğitilmesi veya sınanmasını içeriyor.
Konuşlandırma görevleri ise görev ve çıktı aşamasında: sistemin pilot olarak denenmesi, eski sistemlerle uyumun kontrolü, mevzuata uygunluğun sağlanması ve kullanıcı deneyiminin değerlendirilmesi.
Çerçeve bir de kesişen bir görev kümesi tanımlıyor. Test, değerlendirme, doğrulama ve geçerleme görevleri yaşam döngüsünün tamamında yürütülüyor; işletim aşamasındaki karşılığı düzenli izleme, periyodik güncelleme, sınama ve modellerin uzman eliyle yeniden ayarlanması oluyor.
Bir yordamın adımlarının neden sonlu olması gerektiğine algoritma yazımızda bakmıştık. Bu sistemlerin standarttaki karşılığı ise yapay zekâ yazımızın konusuydu.
Sık Sorulan Sorular
Yapay zekâ nasıl çalışır?
Model eğitim verisinden öznitelikleri ve aralarındaki ilişkileri öğreniyor, sonra bu öğrendikleriyle yeni girdiye tahmin ya da çıktı üretiyor.
Eğitim sırasında ne değişiyor?
Ağdaki düğümler arası ağırlıklar; hata geriye doğru yayılırken ağırlıklar öğrenme oranı kadar güncelleniyor.
Denetimli öğrenme ne demek?
Etiketli veriyle eğitim; her örnek, modelin öğrenmesi beklenen doğru cevapla birlikte geliyor.
Model cevabı nasıl seçiyor?
Üretken modelde istem verildiğinde olası yanıtların olasılığı değerlendiriliyor ve en uygun olma ihtimali yüksek olan sunuluyor.
Eğitim bitince süreç bitiyor mu?
Hayır. Test, değerlendirme, doğrulama ve geçerleme görevleri yaşam döngüsünün tamamında sürüyor.
Özetle
Yapay zekâ sistemleri veriden öğrenerek çalışıyor: ağırlıklar eğitim döngülerinde hatayı azaltacak yönde ayarlanıyor, metin ve ses sayısal temsile çevriliyor, üretken modeller çıktıyı olasılığa göre seçiyor. Sürecin tamamı ise tek bir eğitim adımından ibaret değil; uygulama bağlamı, veri, model ve çıktı boyutlarına yayılıyor ve sınama görevleri baştan sona devam ediyor.
Kullandığınız modelin hangi veriyle eğitildiğini biliyor musunuz?
Güncelleme: 4 Eylül 2026. GOV.UK yapay zekâ el kitabı ve NIST AI 100-1 (AI RMF 1.0) kontrol edildi.
Dijital Dünyanıza Yön Veren Pusula
