İçeriğe geç

Sözlük

Yapay Zekâ ve Makine Öğrenimi

Üretken Yapay Zekâ (Generative AI)

Üretken yapay zekâ (generative AI); büyük eğitim veri setlerindeki örüntüleri öğrenerek ve bir prompt'a veya girdiye uygun çıktılar üreterek metin, görsel, ses, kod veya video gibi yeni içerikler oluşturan bir makine öğrenmesi modelleri sınıfıdır.

Güncelleme: · Hazırlayan: VIZIO AI ekibi

Üretken yapay zekâ nedir?

Üretken modeller yeni çıktılar üretir; daha önceki, çoğunlukla tahmine dayalı modeller ise mevcut verileri sınıflandırır veya puanlardı. Bir spam filtresi bir etiket tahmin eder; üretken bir model ise e-postayı yazar.

Başlıca model aileleri:

  • Metin ve kod için büyük dil modelleri; 2017 tarihli Attention Is All You Need makalesinde tanıtılan transformer mimarisi üzerine kuruludur; bkz. büyük dil modeli.

  • Görseller ve video için difüzyon modelleri; Stable Diffusion gibi, rastgele gürültüyü adım adım bir görsele dönüştürmeyi öğrenir.

  • Metinden sese dönüştürme, transkripsiyon ve müzik için konuşma ve ses modelleri.

  • GPT-4o ve Gemini gibi, aynı anda birden fazla türü alıp üretebilen çok modlu (multimodal) modeller.

İşletmeler bunları çoğunlukla kendi modellerini eğitmek yerine OpenAI, Anthropic, Google API'leri veya Llama ve Mistral gibi açık ağırlıklı modeller aracılığıyla kullanır.

Üretken yapay zekâ nasıl çalışır?

Bir dil modeli metni her seferinde bir token olarak üretir; her adımda, kendinden önceki her şeye bakarak en olası sonraki parçayı tahmin eder. Token bir kelime parçasıdır; ortalama olarak bir İngilizce kelimenin yaklaşık dörtte üçü kadardır.

  1. Ön eğitim: model, çok büyük bir metin veya görsel külliyatından örüntüleri öğrenir.

  2. Talimat ayarı ve geri bildirimle eğitim: istekleri takip etmeyi ve yardımcı, güvenli yanıtları tercih etmeyi öğrenir.

  3. Prompt verme: çalışma anında talimatlarınız ve verileriniz modelin bağlam penceresini doldurur.

  4. Temellendirme (grounding): RAG, yanıtların güncel ve özel bilgileri yansıtması için kendi dokümanlarınızı prompt'a ekler.

  5. Uyarlama: prompt vermek yetmediğinde örnekler üzerinde fine-tuning, üslubu veya formatı değiştirir.

Temperature gibi ayarlar rastgeleliği kontrol eder; düşük değerler iş görevleri için daha tutarlı çıktı verir.

Üretken yapay zekâ pratikte nasıl görünür?

En hızlı kazanımlar, taslağın kontrol edilmesi ucuz, yazılması ise pahalı olan görevlerden gelir. Destek ekibi 400 sayfalık bir bilgi tabanından tekrarlayan soruları yanıtlayan 70 kişilik bir B2B yazılım şirketini düşünün. Diyelim ki temsilciler her talepte yanıt yazmadan önce zamanlarının büyük kısmını dokümanlarda arama yaparak geçiriyor.

  1. Ekip, bilgi tabanını pgvector'da embedding'lerle indeksliyor.

  2. Her yeni talepte sistem en ilgili beş pasajı getiriyor ve bir modelden kaynak bağlantıları içeren bir yanıt taslağı hazırlamasını istiyor.

  3. Temsilci taslağı düzenleyip gönderiyor; gönderimler, düzenlemeler ve reddedilenler kayda alınıyor.

  4. Ekip her hafta düşük puan alan taslakları inceliyor ve bunlara neden olan dokümanları veya prompt'u düzeltiyor.

Bu örnekte iyileşme, daha kısa işlem süresi ve daha iyi dokümanlar olarak kendini gösteriyor; çünkü modelin bulduğu boşluklar yazıya dökülüyor.

Üretken yapay zekânın riskleri ve sınırları nelerdir?

Üretken modeller, doğru olsun ya da olmasın akıcı metin üretir; bu yüzden her üretim kullanımında çıktıları kontrol etmenin bir yolu olmalıdır.

  • Halüsinasyon: uydurulmuş bilgiler, atıflar veya rakamlar.

  • Gizlilik ve mahremiyet: kişisel veya müşteri verilerini bir veri işleme sözleşmesi ve doğru saklama ayarları olmadan bir sağlayıcıya göndermek.

  • Eğitim verileri ve çıktılar üzerindeki, mahkemelerde hâlâ tartışılan telif hakkı ve lisanslama soruları.

  • Ölçekte maliyet ve gecikme; bunlar prompt uzunluğuyla birlikte artar.

  • Regülasyon: AB Yapay Zekâ Yasası (EU AI Act), bazı durumlarda yapay zekâ tarafından üretilen içeriğin açıklanması gibi şeffaflık yükümlülükleri getirir.

Kesin hesaplamalar, deterministik kurallar veya tam bir denetim izi gerektiren kararlar için kullanmaktan kaçının; bu alanlarda kod veya klasik modeller kullanın, üretimin devam ettiği yerlere ise guardrail'ler ekleyin.

Üretken yapay zekânın geleneksel makine öğrenmesinden farkı nedir?

Geleneksel makine öğrenmesi yapılandırılmış girdilerden bir etiket veya sayı tahmin eder; üretken yapay zekâ ise prompt'lardan serbest biçimli içerik üretir. Müşteri kaybı (churn) tahmini, dolandırıcılık puanlaması ve talep tahminleri klasik ML'dir; taslak yazma, özetleme ve dokümanlardan bilgi çıkarma ise üretken görevlerdir.

İkisi sıklıkla birlikte kullanılır: üretken bir model doküman işleme için faturalardan alanları çıkarabilir, ardından klasik bir model bunları puanlar. Tipik teknoloji seçimleri: API üzerinden OpenAI, Anthropic veya Google modelleri; orkestrasyon için LangChain veya LlamaIndex; bilgi getirme için Pinecone, Weaviate veya pgvector; ve herhangi bir şey yayına alınmadan önce bir değerlendirme altyapısı.

Üretken yapay zekâ ve tahmine dayalı makine öğrenmesi karşılaştırması

Üretken yapay zekâ

Tahmine dayalı makine öğrenmesi

Çıktı

Yeni metin, görsel, ses, kod

Bir etiket, puan veya sayı

Tipik girdi

Prompt'lar ve dokümanlar

Yapılandırılmış özellik tabloları

Örnek

Bir destek yanıtı taslağı hazırlamak

Hangi müşterilerin ayrılacağını tahmin etmek

Nasıl kontrol edilir

Eval'ler, insan incelemesi, atıflar

Test verisinde accuracy, precision, recall

Ana hata türü

Kendinden emin ama yanlış çıktı

Yanlı veya güncelliğini yitirmiş eğitim verisi

VIZIO AI üretken yapay zekâ ürünlerini nasıl geliştirir?

VIZIO AI, üretken yapay zekâyı tanımlı bir kullanıcı için gerçek bir darboğazı ortadan kaldırdığı yerde kullanır ve hızla test edilebilecek bir MVP olarak yayına alır. Qurio LLC için Venture Studio, akademik makaleleri özetlemek için OpenAI modellerini kullanan ve özetleri sese dönüştüren mobil öncelikli bir uygulama olan Briefio AI'ı geliştirdi ve 3 ayda MVP olarak teslim etti.

Güneydoğu Asya odaklı bir danışmanlık firması için DX Studio, doğrulanmış kaynaklara ve bir vektör veritabanına dayanan bir chatbot içeren çok dilli bir finansal içgörü platformu geliştirerek finansal araştırma süresini %65 azalttı. Nereden başlamalı: ekibinizin her hafta benzer metinler yazdığı üç görevi listeleyin ve bunlardan birinde taslak-ve-inceleme akışını test edin.

Facebook logosu
X logosu
LinkedIn logosu
Reddit logosu
Telegram logosu

Önce yapay zekâyı düşünün.
Geleceğin hızında ilerleyin.

Sıradakini birlikte inşa edelim! Ürün fikirlerinden akıllı iş akışlarına, veri odaklı sistemlerden ölçeklenebilir büyüme operasyonlarına kadar.

Strateji Görüşmesi Planlayın