Yapay zeka dünyayı yeniden şekillendirirken, aynı zamanda bunu nasıl yaptığını anlatmak için yepyeni bir dil de icat ediyor. Bugünlerde herhangi bir ürün toplantısına, sunuma veya panele oturduğunuzda, insanların LLM'ler, RAG, RLHF ve teknoloji dünyasındaki çok zeki insanları bile biraz güvensiz hissettirebilecek bir düzine başka terimi havada uçuşturduğunu duyarsınız. Bu sözlük, işte bu sorunu çözmek için hazırlandı: İster bu teknolojiyle bir şeyler inşa edin, ister ona yatırım yapın, ister sadece TechCrunch okuyarak veya ilgili podcast'leri dinleyerek konuyu takip etmeye çalışın, karşılaşma olasılığınız en yüksek olan AI terimlerinin sade ve anlaşılır tanımlarını sunuyoruz. Alan geliştikçe bu sözlüğü düzenli olarak güncelliyoruz, bu yüzden onu, tıpkı tanımladığı AI sistemleri gibi yaşayan bir belge olarak düşünün.
AGI
Yapay genel zeka (AGI) oldukça muğlak bir terimdir. Ancak genel olarak, ortalama bir insandan birçok, hatta çoğu görevde daha yetenekli olan yapay zekayı ifade eder. OpenAI CEO'su Sam Altman, AGI'yi bir zamanlar "bir iş arkadaşı olarak işe alabileceğiniz ortalama bir insanın eşdeğeri" olarak tanımlamıştı. Bu arada, OpenAI'in tüzüğü AGI'yi "çoğu ekonomik açıdan değerli işte insanlardan daha iyi performans gösteren, oldukça özerk sistemler" olarak tanımlıyor. Google DeepMind'ın anlayışı ise bu iki tanımdan biraz farklı; laboratuvar AGI'yi "çoğu bilişsel görevde en az insanlar kadar yetenekli yapay zeka" olarak görüyor. Kafanız karıştı mı? Üzülmeyin — yapay zeka araştırmalarının ön saflarındaki uzmanların da kafası karışık.
AI ajanı
AI ajanı, daha temel bir AI sohbet robotunun yapabileceklerinin ötesinde, sizin adınıza bir dizi görevi yerine getirmek için yapay zeka teknolojilerini kullanan bir aracı ifade eder. Örneğin giderleri kaydetmek, bilet veya restoranda masa ayırtmak, hatta kod yazmak ve bakımını yapmak gibi. Ancak daha önce açıkladığımız gibi, bu yeni gelişen alanda birçok hareketli parça var, bu nedenle "AI ajanı" farklı insanlar için farklı şeyler ifade edebilir. Öngörülen yeteneklerini gerçekleştirmek için altyapı da hâlâ inşa ediliyor. Ancak temel konsept, çok adımlı görevleri yerine getirmek için birden fazla AI sisteminden yararlanabilen özerk bir sistemi ima ediyor.
API uç noktaları
API uç noktalarını, bir yazılımın arkasındaki, diğer programların ona bir şeyler yaptırmak için basabileceği "düğmeler" olarak düşünün. Geliştiriciler bu arayüzleri entegrasyonlar oluşturmak için kullanır — örneğin, bir uygulamanın başka bir uygulamadan veri çekmesine veya bir AI ajanının, bir insanın her bir arayüzü manuel olarak çalıştırmasına gerek kalmadan üçüncü taraf hizmetlerini doğrudan kontrol etmesine olanak tanımak gibi. Çoğu akıllı ev cihazı ve bağlı platform, sıradan kullanıcılar bu düğmeleri hiç görmese veya onlarla etkileşime girmese bile, bu gizli düğmelere sahiptir. AI ajanları daha yetenekli hale geldikçe, bu uç noktaları kendi başlarına bulma ve kullanma konusunda giderek daha yetkin hale geliyorlar ve bu da otomasyon için güçlü — ve bazen beklenmedik — olasılıkların kapısını aralıyor.
Düşünce zinciri
Basit bir soru verildiğinde, insan beyni fazla düşünmeden bile cevap verebilir — "hangi hayvan daha uzun, zürafa mı yoksa kedi mi?" gibi. Ancak çoğu durumda, doğru cevaba ulaşmak için genellikle bir kalem ve kağıda ihtiyacınız olur çünkü arada kalan adımlar vardır. Örneğin, bir çiftçinin tavukları ve inekleri varsa ve toplamda 40 kafa ve 120 bacakları varsa, cevabı bulmak için basit bir denklem yazmanız gerekebilir (20 tavuk ve 20 inek).
AI bağlamında, büyük dil modelleri için düşünce zinciri muhakemesi, nihai sonucun kalitesini artırmak için bir problemi daha küçük, ara adımlara bölmek anlamına gelir. Bir cevap almak genellikle daha uzun sürer, ancak cevabın, özellikle mantık veya kodlama bağlamında, doğru olma olasılığı daha yüksektir. Muhakeme modelleri, geleneksel büyük dil modellerinden geliştirilir ve pekiştirmeli öğrenme sayesinde düşünce zinciri düşünmesi için optimize edilir.
(Bkz: Büyük dil modeli)
Kodlama ajanları
Bu, "AI ajanından" daha spesifik bir kavramdır; yani bir hedefi tamamlamak için adım adım kendi başına eylemler gerçekleştirebilen bir program. Kodlama ajanı, yazılım geliştirmeye uygulanmış özel bir versiyondur. Bir insanın incelemesi ve yapıştırması için sadece kod önermek yerine, bir kodlama ajanı kodu özerk bir şekilde yazabilir, test edebilir ve hata ayıklayabilir; tipik olarak bir geliştiricinin gününü tüketen türden yinelemeli, deneme-yanılma çalışmalarını üstlenebilir. Bu ajanlar tüm kod tabanları üzerinde çalışabilir, minimum insan gözetimiyle hataları tespit edebilir, testler çalıştırabilir ve düzeltmeleri gönderebilir. Bunu, hiç uyumayan ve asla odak kaybetmeyen çok hızlı bir stajyer işe almak gibi düşünün — ancak her stajyerde olduğu gibi, bir insanın yine de işi gözden geçirmesi gerekir.
İşlem gücü
Her ne kadar çok yönlü bir terim olsa da, işlem gücü genellikle AI modellerinin çalışmasını sağlayan hayati hesaplama gücünü ifade eder. Bu tür bir işlem, AI endüstrisini besler ve ona güçlü modellerini eğitme ve dağıtma yeteneği verir. Terim genellikle, hesaplama gücünü sağlayan donanım türleri için bir kısaltma olarak kullanılır — GPU'lar, CPU'lar, TPU'lar ve modern AI endüstrisinin temelini oluşturan diğer altyapı biçimleri gibi.
Derin öğrenme
Kendi kendini geliştiren makine öğreniminin, AI algoritmalarının çok katmanlı, yapay sinir ağı (YSA) yapısıyla tasarlandığı bir alt kümesidir. Bu, onların doğrusal modeller veya karar ağaçları gibi daha basit makine öğrenimi tabanlı sistemlere kıyasla daha karmaşık ilişkiler kurmasına olanak tanır. Derin öğrenme algoritmalarının yapısı, insan beynindeki birbirine bağlı nöron yollarından ilham alır.
Derin öğrenme AI modelleri, insan mühendislerin bu özellikleri tanımlamasını gerektirmeden, verilerdeki önemli karakteristikleri kendi başlarına tanımlayabilirler. Yapı ayrıca, hatalardan öğrenebilen ve tekrar ve ayarlama süreciyle kendi çıktılarını iyileştirebilen algoritmaları da destekler. Ancak derin öğrenme sistemleri, iyi sonuçlar vermek için çok sayıda veri noktasına (milyonlarca veya daha fazla) ihtiyaç duyar. Ayrıca, daha basit makine öğrenimi algoritmalarına kıyasla eğitilmeleri genellikle daha uzun sürer — bu nedenle geliştirme maliyetleri daha yüksek olma eğilimindedir.
(Bkz: Sinir ağı)
Difüzyon
Difüzyon, birçok sanat, müzik ve metin üreten AI modelinin kalbinde yer alan teknolojidir. Fizikten ilham alan difüzyon sistemleri, hiçbir şey kalmayana kadar gürültü ekleyerek verinin yapısını (örneğin fotoğraflar, şarkılar vb.) yavaşça "yok eder". Fizikte difüzyon kendiliğinden ve geri döndürülemezdir — kahveye yayılan şeker küp formuna geri döndürülemez. Ancak AI'daki difüzyon sistemleri, yok edilen veriyi geri kazanmak için bir tür "ters difüzyon" sürecini öğrenmeyi hedefler ve böylece veriyi gürültüden kurtarma yeteneği kazanır.
Damıtma
Damıtma, büyük bir AI modelinden 'öğretmen-öğrenci' modeliyle bilgi çıkarmak için kullanılan bir tekniktir. Geliştiriciler, bir öğretmen modele istekler gönderir ve çıktıları kaydeder. Cevaplar bazen ne kadar doğru olduklarını görmek için bir veri kümesiyle karşılaştırılır. Bu çıktılar daha sonra, öğretmenin davranışını yaklaşık olarak taklit edecek şekilde eğitilen öğrenci modelini eğitmek için kullanılır.
Damıtma, daha büyük bir modele dayalı olarak minimum damıtma kaybıyla daha küçük, daha verimli bir model oluşturmak için kullanılabilir. OpenAI'in GPT-4'ün daha hızlı bir versiyonu olan GPT-4 Turbo'yu muhtemelen bu şekilde geliştirdi.
Tüm AI şirketleri damıtmayı dahili olarak kullanırken, bazı AI şirketleri tarafından öncü modellere yetişmek için de kullanılmış olabilir. Bir rakibin modelinden damıtma yapmak, genellikle AI API ve sohbet asistanlarının hizmet şartlarını ihlal eder.
İnce ayar
Bu, bir AI modelinin, daha önce eğitiminin odak noktası olandan daha spesifik bir görev veya alan için performansını optimize etmek üzere daha fazla eğitilmesini ifade eder — tipik olarak yeni, özelleştirilmiş (yani göreve yönelik) veriler beslenerek yapılır.
Birçok AI girişimi, ticari bir ürün oluşturmak için büyük dil modellerini bir başlangıç noktası olarak alıyor, ancak kendi alanlarına özgü bilgi ve uzmanlıklarına dayalı ince ayarlarla önceki eğitim döngülerini tamamlayarak hedeflenen bir sektör veya görev için kullanışlılığı artırmaya çalışıyor.
(Bkz: Büyük dil modeli [LLM])
GAN
GAN veya Çekişmeli Üretici Ağ, gerçekçi veriler üretme söz konusu olduğunda üretken yapay zekadaki bazı önemli gelişmelerin temelini oluşturan bir makine öğrenimi çerçevesidir — buna (yalnızca değil) deepfake araçları da dahildir. GAN'lar, biri eğitim verilerine dayanarak bir çıktı oluşturan ve bunu değerlendirmesi için diğer modele ileten bir çift sinir ağının kullanımını içerir.
İki model, temelde birbirini geçmeye çalışacak şekilde programlanmıştır. Oluşturucu, çıktısını ayırt edicinin önünden geçirmeye çalışırken, ayırt edici yapay olarak oluşturulmuş verileri tespit etmek için çalışır. Bu yapılandırılmış rekabet, ek insan müdahalesine gerek kalmadan AI çıktılarını daha gerçekçi olacak şekilde optimize edebilir. Ancak GAN'lar, genel amaçlı AI'dan ziyade daha dar uygulamalar (gerçekçi fotoğraflar veya videolar üretmek gibi) için en iyi şekilde çalışır.
Halüsinasyon
Halüsinasyon, AI endüstrisinin, AI modellerinin bir şeyler uydurması — kelimenin tam anlamıyla yanlış bilgi üretmesi — için kullandığı terimdir. Açıkçası bu, AI kalitesi için büyük bir sorundur.
Halüsinasyonlar, yanıltıcı olabilen ve hatta gerçek hayatta risklere yol açabilecek Üretken AI çıktıları üretir — potansiyel olarak tehlikeli sonuçlar doğurabilir (zararlı tıbbi tavsiyeler döndüren bir sağlık sorgusu düşünün).
