Birçok makine öğrenimi (ML) terimiyle ilgili birincil doğru kaynak ML Sözlüğü'dür. Çalışmalarını kopyalamak yerine, yalnızca makine öğrenimi sözlüğünde yer almayan ve yaygın olarak alıntılanan kelimeleri ve terimleri ekliyoruz.
Yapay zeka sisteminin planı
Yeni yapay zeka özellikleri veya ürünleri oluştururken yapay zeka sisteminizin planını tanımlayın. Bu planda, yapay zekanın çözüm oluşturma fırsatını nasıl değerlendireceğinizi belirleyin. Şunları tanımlamanız gerekir:
- Neden geliştiriyorsunuz? Hangi yapay zeka kullanım alanları mevcut ve kullanıcılara ne gibi avantajlar sunuyor?
- Uygulamanız nasıl çalışacak?
- Sisteminizin her bölümünün sorumlu bir şekilde geliştirilmesini nasıl sağlayabilirsiniz?
Plan hakkında bilgi edinmek için Web'de yapay zekaya giriş başlıklı makaleyi inceleyin.
Compound AI mimarisi
Bileşik yapay zeka mimarileri: Güçlü ve bağlama duyarlı davranışlar sunmak için birlikte çalışan bir veya daha fazla model ile veritabanları, API'ler ve koruma duvarları gibi diğer bileşenlerin kombinasyonları
Bağlam mühendisliği
Bağlam mühendisliği, değerli bir sonuç alma olasılığını en üst düzeye çıkarmak için belirli bir istekte en alakalı bilgileri (jetonlar) dinamik olarak seçme işlemidir.
Veri kayması
Veri kayması, eğitim verileri artık gerçekliği temsil etmediğinde meydana gelir. Kullanıcı davranışı, veri toplama ve veri ortamı herhangi bir zamanda değişebilir. Bu durum, model performansında düşüşe yol açabilir.
Belirleyici yazılım
Belirli bir giriş yapıldığında deterministik yazılımlar, her zaman aynı adımları izleyerek aynı çıkışı verir. Bu tür yazılımlar, tahmin edilebilir ve verimli çalıştıkları için en güvenilir yazılımlardır.
Yapay zeka deterministik değildir. Yollar ve sonuçlar, aynı istemlerle bile büyük farklılıklar gösterebilir.
Değerlendirmeye dayalı geliştirme (EDD)
Değerlendirmeye dayalı geliştirme (EDD) çerçevesi, çıktıları küçük ve güvenli adımlarla iyileştirmek, gerilemeleri yakalamak ve model davranışını zaman içinde kullanıcı ve ürün beklentileriyle uyumlu hale getirmek için tekrarlanabilir ve test edilebilir bir süreç sunar.
Bunu, test odaklı geliştirme (TDD) olarak düşünebilirsiniz. Bu yöntem, yapay zekanın belirsizliğine uyarlanmıştır. Belirleyici birim testlerinin aksine, yapay zeka değerlendirmeleri sabit kodlanamaz. Bunun nedeni, hem iyi biçimlendirilmiş hem de başarısız olan çıkışların, tahmin edemeyeceğiniz birçok farklı biçimde olabilmesidir.
Üretken yapay zeka
Üretken yapay zeka, içerik oluşturabilen bir makine öğrenimi sistemidir. Bu sayede model; metin yazabilir, görsel oluşturabilir, kod üretebilir ve hatta tam kullanıcı arayüzleri tasarlayabilir.
Yönetim
Yapay zeka yönetimiyle ilgili üç boyutu ele alıyoruz:
- Gizlilik: Verileri sorumlu bir şekilde işleyin, hangi verilerin toplandığını açıklayın ve tarayıcıdan ayrılan verileri en aza indirin.
- Adalet: Modellerinizde ayrımcı davranış (önyargı) olup olmadığını kontrol edin ve kullanıcıların sorunları işaretlemesine olanak tanıyan döngüler oluşturun.
- Güven ve şeffaflık: Sisteminizi şeffaflık ve ölçülü güven için tasarlayın. Böylece kullanıcılar, belirsizliklere ve olası hatalara rağmen sistemden yararlanmaya devam edebilir.
Son boyut olan güvenlik, yapay zeka yönetiminin önemli bir boyutudur. Gelecekteki modüllerde güvenlik hakkında daha fazla bilgi vermeyi planlıyoruz.
Bu süre zarfında Google'ın Güvenli Yapay Zeka Çerçevesi (SAIF) ve Google Güvenlik Blogu'nu okumanızı öneririz.
Model
Modeller, yapay zeka sisteminin en önemli temelidir. Model, temel olarak bir sistemin tahmin yapmasını destekleyen bir dizi parametre ve yapıdır. Modelin çalışma şekli, eğitim stiline (gözetimli veya gözetimsiz) ve modelin amacına (tahmini veya üretken) göre değişebilir.
Model kartı
Model kartları, bir modelin nasıl tasarlandığı ve değerlendirildiğiyle ilgili yapılandırılmış genel bakışlardır. Bu ilkeler, Google'ın sorumlu yapay zeka yaklaşımını destekleyen temel unsurlardır.
Model ağırlıkları
Model ağırlıkları, belirli bilgilerin önemini belirleyen sayısal değerlerdir. Bu değerler, ideal bir ağırlık belirlenene kadar model eğitiminde sürekli olarak güncellenir. Gemma gibi açık modellerin ağırlıklarını değiştirebilirsiniz.
Yapay zeka için fırsatlar
Yapay zeka çözümlerini çerçevelemek için kullanılabilecek çeşitli kategoriler vardır:
- Analizler: Karar alma sürecini iyileştirin.
- Kolaylık: Zorlukları ortadan kaldırın.
- Otomasyon: Tekrarlanan işleri ortadan kaldırın.
- Artırma: Kullanıcılara karmaşık veya yaratıcı görevlerde yardımcı olma
- Kişiselleştirme: Ürünü bireylerin ihtiyaçlarına ve tercihlerine göre uyarlama.
Bu konu, Kullanım alanlarını keşfedin bölümünde ayrıntılı olarak ele alınmıştır.
Platformlar
İstemci taraflı yapay zeka doğrudan tarayıcıda çalışır. Bu sayede veriler kullanıcının cihazında gizli kalabilir ve ağ gecikmesi yaşanmaz. Ancak istemci tarafı yapay zekanın iyi performans göstermesi için son derece spesifik ve iyi tanımlanmış kullanım alanları gerekir.
Sunucu tarafı yapay zeka, bulutta barındırılan ve çıkarım yapan modelleri içerir. Bu yöntem oldukça kullanışlı ve ölçeklenebilirdir ancak daha pahalı olabilir ve ağ bağlantısı gerektirir.
Tahmine dayalı yapay zeka
Tahmine dayalı (veya analitik) yapay zeka, mevcut verileri anlamanıza ve bir sonraki adımda ne olacağını tahmin etmenize yardımcı olan bir algoritma koleksiyonudur. Tahmine dayalı yapay zeka modelleri, geçmişteki kalıplara dayanarak sonuçları tahmin etmeyi, analizleri ortaya çıkarmayı ve daha akıllı kararlar almayı öğrenir.
İstem mühendisliği
İstem mühendisliği, kullanıcılarınızın beklentilerini karşılayan çıkışlar üretmek için istemleri yazma ve yeniden yazma işlemidir. İyi yazılmış bir istem:
- LLM'nin yanıtını nasıl oluşturması gerektiğini belirtir.
- Zaman içinde sürümlendirilebilen, test edilebilen ve geliştirilebilen birden fazla bileşenden oluşur.
- Ekipler arasında ortak çalışma için paylaşılan bir yapay nesne olarak kullanılabilir.
İstem mühendisliğinde kullanabileceğiniz çeşitli teknikler vardır. Bu teknikler hakkında İstem mühendisliği modülünde bilgi edinebilirsiniz.
İstem türleri
İstem türünü istem kitlesi olarak düşünebilirsiniz. Bu konu hakkında daha fazla bilgiyi İstem mühendisliği modülünde bulabilirsiniz.
Sistem istemi
Sistem istemi, uygulama geliştiriciler tarafından sağlanır ve modelin genel davranışını tanımlar. Modelin rolünü ("Yazma asistanısın"), beklenen üslubu, çıkış biçimini (ör. katı bir JSON şeması) ve genel kısıtlamaları ayarlayabilir. Bu istem, istekler arasında sabit kalır.
Kullanıcı istemi
Kullanıcı istemi, çıkışa yol açan anlık isteği içerir. Kullanıcı, bir tür giriş değişkeni (ör. metin seçimi veya beklenen stil) sağlar ve belirli bir görev ister. Örneğin, "Bu gönderi için üç başlık oluştur", "Bu paragrafa devam et" veya "Bunu daha resmi hale getir".