Ana içeriğe geç
Software Dictionary

Yol haritası · Başlangıç

Yapay zekâ ve büyük dil modelleri

Makineler nasıl öğrenir, bir sohbet botunun içinde ne var ve onunla nasıl bir şey inşa edilir?

Makine öğrenmesinin arkasındaki fikirler, büyük bir dil modelinin parçaları, ondan iyi cevaplar almanın teknikleri ve üzerine kurulan ajanlar.

41 sayfa4 bölümyaklaşık 1.5 saat okuma

  • Yapay Zekâ ve Makine Öğrenmesi
  • Güvenlik

Henüz başlanmadı0/41 okundu

Yapay Zekâ ile başla

İlerleme, yalnızca bu tarayıcıda tutulan okuma geçmişinizden gelir.

1. bölümMakineler nasıl öğrenir?

  1. 1Yapay ZekâYapay Zekâ ve Makine Öğrenmesi, s. 50Yapay zekâ (AI), normalde insan zekâsı gerektiren işleri yapabilen sistemler kuran bilgisayar bilimi alanıdır.
  2. 2Makine ÖğrenmesiYapay Zekâ ve Makine Öğrenmesi, s. 30Makine öğrenmesi, bilgisayarların elle yazılmış kurallar yerine verilerdeki örüntüleri öğrenerek tahmin yaptığı bir yapay zekâ dalıdır.
  3. 3Eğitim VerisiYapay Zekâ ve Makine Öğrenmesi, s. 17Eğitim verisi, bir makine öğrenmesi modelinin öğrendiği örnekler kümesidir; kalitesi, boyutu ve kapsamı modelin ne kadar iyi çalışacağını büyük ölçüde belirler.
  4. 4Denetimli ÖğrenmeYapay Zekâ ve Makine Öğrenmesi, s. 12Denetimli öğrenme, modelin etiketli örneklerden, yani doğru cevaplarla eşleştirilmiş girdilerden öğrenip yeni veride çıktı tahmin ettiği makine öğrenmesidir.
  5. 5Denetimsiz ÖğrenmeYapay Zekâ ve Makine Öğrenmesi, s. 13Denetimsiz öğrenme, bir modelin doğru cevaplar verilmeden etiketsiz verilerdeki örüntüleri, grupları veya yapıyı bulduğu makine öğrenmesidir.
  6. 6Yapay Sinir AğıYapay Zekâ ve Makine Öğrenmesi, s. 49Yapay sinir ağı, bağlantılı yapay nöron katmanlarından oluşan ve sayısal ağırlıkları ayarlayarak verilerden örüntü öğrenen bir makine öğrenmesi modelidir.
  7. 7Derin ÖğrenmeYapay Zekâ ve Makine Öğrenmesi, s. 14Derin öğrenme, görüntü ve metin gibi ham verilerden karmaşık örüntüleri öğrenmek için çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir.
  8. 8Gradyan İnişiYapay Zekâ ve Makine Öğrenmesi, s. 24Gradyan inişi, makine öğrenmesi modellerinin parametrelerini hatayı azaltan yönde tekrar tekrar hafifçe iterek modelleri eğiten bir optimizasyon algoritmasıdır.
  9. 9Geri YayılımYapay Zekâ ve Makine Öğrenmesi, s. 22Geri yayılım (backpropagation), her ağırlığın hataya katkısını ölçüp her ağırlığı hatayı azaltan yönde biraz ayarlayarak sinir ağlarını eğiten algoritmadır.
  10. 10Aşırı ÖğrenmeYapay Zekâ ve Makine Öğrenmesi, s. 3Aşırı öğrenme, bir modelin eğitim verisini gürültüsüyle birlikte fazla yakından öğrenip yeni, görülmemiş verilerde kötü performans göstermesidir.

2. bölümBir dil modelinin içi

  1. 11Doğal Dil İşlemeYapay Zekâ ve Makine Öğrenmesi, s. 16Doğal dil işleme, bilgisayarlara insan dilini metin ya da konuşma biçiminde okumayı, anlamayı ve üretmeyi öğreten yapay zekâ alanıdır.
  2. 12TransformerYapay Zekâ ve Makine Öğrenmesi, s. 45Transformer, bir dizideki her token'ın diğerleriyle ilişkisini attention ile tartan ve çoğu modern LLM'e güç veren bir sinir ağı mimarisidir.
  3. 13Attention MekanizmasıYapay Zekâ ve Makine Öğrenmesi, s. 4Attention mekanizması, modelin her token için girdinin hangi bölümlerinin en önemli olduğuna karar verip onlara odaklanmasını sağlayan sinir ağı tekniğidir.
  4. 14LLMYapay Zekâ ve Makine Öğrenmesi, s. 28LLM, çok büyük metin yığınlarıyla eğitilmiş ve bir sonraki en olası metin parçasını tekrar tekrar tahmin ederek dil üreten bir makine öğrenmesi modelidir.
  5. 15GPTYapay Zekâ ve Makine Öğrenmesi, s. 23GPT (Generative Pre-trained Transformer), bir sonraki token'ı tahmin ederek metin üreten, OpenAI'a ait bir büyük dil modeli ailesidir.
  6. 16TokenYapay Zekâ ve Makine Öğrenmesi, s. 43Token, bir LLM'nin okuduğu ve ürettiği temel metin birimidir; genellikle bir sözcük, sözcük parçası ya da noktalama işaretidir ve sayısal bir kimliğe eşlenir.
  7. 17EmbeddingYapay Zekâ ve Makine Öğrenmesi, s. 18Embedding, metin, görüntü ya da başka verilerin anlamını vektör denen bir sayı listesiyle temsil eden ve benzer öğeleri birbirine yakın konumlandıran yapıdır.
  8. 18Bağlam PenceresiYapay Zekâ ve Makine Öğrenmesi, s. 5Bağlam penceresi, bir LLM'nin prompt, konuşma geçmişi ve kendi yanıtı dahil aynı anda dikkate alabildiği, token cinsinden en fazla metin miktarıdır.
  9. 19Model ParametreleriYapay Zekâ ve Makine Öğrenmesi, s. 33Model parametreleri, bir makine öğrenmesi modelinin eğitimde öğrendiği ve girdileri çıktılara dönüştürmek için kullandığı ağırlık ve sapma gibi iç sayılardır.
  10. 20Mixture of ExpertsYapay Zekâ ve Makine Öğrenmesi, s. 31Mixture of experts (MoE), her girdiyi çok sayıda küçük uzman ağdan yalnızca birkaçına gönderen sinir ağı tasarımıdır; devasa bir model çok daha ucuza çalışır.

3. bölümLLM'lerle çalışmak

  1. 21PromptYapay Zekâ ve Makine Öğrenmesi, s. 35Prompt, bir LLM gibi bir yapay zekâ modeline hangi görevi yapmasını ve nasıl bir yanıt istediğinizi söylemek için verdiğiniz girdi metni ya da yönergelerdir.
  2. 22System PromptYapay Zekâ ve Makine Öğrenmesi, s. 41System prompt, uygulamanın sohbet başlamadan önce dil modeline verdiği talimatlardır; modelin rolünü, kurallarını, üslubunu ve kullanacağı bilgileri belirler.
  3. 23Prompt MühendisliğiYapay Zekâ ve Makine Öğrenmesi, s. 36Prompt mühendisliği, yapay zekâ modelinin doğru, tutarlı ve kullanışlı çıktı üretmesi için verilen yönergeleri tasarlama, test etme ve iyileştirme pratiğidir.
  4. 24Few-Shot LearningYapay Zekâ ve Makine Öğrenmesi, s. 20Few-shot learning, bir yapay zekâ modelinin yalnızca birkaç örnekle, çoğunlukla prompt'a birkaç örnek girdi ve çıktı koyarak bir görevi yapmasını sağlamaktır.
  5. 25Chain-of-ThoughtYapay Zekâ ve Makine Öğrenmesi, s. 7Chain-of-thought prompting, bir LLM'den nihai yanıttan önce ara adımlarla akıl yürütmesini isteyen ve karmaşık görevlerde doğruluğu artıran bir tekniktir.
  6. 26Reasoning ModelYapay Zekâ ve Makine Öğrenmesi, s. 39Reasoning model, yanıt vermeden önce problemi adım adım çözmek üzere eğitilmiş, zor işlerde daha iyi sonuç için ek hesaplama harcayan bir dil modelidir.
  7. 27TemperatureYapay Zekâ ve Makine Öğrenmesi, s. 42Temperature, bir LLM'nin çıktısının ne kadar rastgele olacağını belirleyen ayardır: düşükken odaklı ve öngörülebilir, yüksekken daha çeşitli ve yaratıcıdır.
  8. 28HalüsinasyonYapay Zekâ ve Makine Öğrenmesi, s. 25Halüsinasyon, bir LLM gibi yapay zekâ modelinin kendinden emin bir şekilde kulağa makul gelen ama yanlış, uydurma ya da kaynaksız bilgi üretmesidir.
  9. 29Fine-tuningYapay Zekâ ve Makine Öğrenmesi, s. 21Fine-tuning, önceden eğitilmiş bir makine öğrenmesi modelini tek bir göreve uyarlamak için daha küçük ve özel bir veri kümesiyle ek olarak eğitme sürecidir.
  10. 30RLHFYapay Zekâ ve Makine Öğrenmesi, s. 40RLHF (insan geri bildirimiyle pekiştirmeli öğrenme), dil modelini insanların yanıtlara dair yargılarıyla daha yardımcı ve güvenli kılan eğitim yöntemidir.
  11. 31RAGYapay Zekâ ve Makine Öğrenmesi, s. 38RAG, bir LLM'in soru anında getirilen ilgili belgelere dayanarak yanıt vermesini sağlayan ve yanıtları güncel, özel verilere dayandıran bir tekniktir.
  12. 32Vektör VeritabanıYapay Zekâ ve Makine Öğrenmesi, s. 47Vektör veritabanı, embedding'leri saklayıp bir sorguya en benzer vektörleri hızla bulmak için tasarlanmış, anlamsal arama ve RAG'in dayandığı veritabanıdır.

4. bölümAjanlar ve ötesi

  1. 33ChatbotYapay Zekâ ve Makine Öğrenmesi, s. 8Chatbot, insanlarla yazılı ya da sesli sohbet edip soruları yanıtlayan veya işlere yardım eden, senaryolu kurallarla ya da dil modeliyle çalışan programdır.
  2. 34Tool CallingYapay Zekâ ve Makine Öğrenmesi, s. 44Tool calling, modelin uygulamadan yapılandırılmış argümanlarla belirli bir fonksiyonu çalıştırmasını istediği ve sonucu yanıtında kullandığı LLM özelliğidir.
  3. 35Yapay Zekâ AjanıYapay Zekâ ve Makine Öğrenmesi, s. 51Yapay zekâ ajanı, hangi araçları çağıracağına karar verip sonuçları gözlemleyerek çok adımlı görevleri planlayan ve yürüten, LLM kullanan bir sistemdir.
  4. 36Prompt InjectionGüvenlik, s. 28Prompt injection, saldırganın metni talimat sayılınca dil modelinin kurallarını yok saydığı, veri sızdırdığı ya da araçları kötüye kullandığı saldırıdır.
  5. 37Model Context ProtocolYapay Zekâ ve Makine Öğrenmesi, s. 32Model Context Protocol, yapay zekâ uygulamalarının dış araçlara, veri kaynaklarına ve prompt'lara ortak bir arayüzle bağlanmasını tanımlayan açık standarttır.
  6. 38Çok Modlu Yapay ZekâYapay Zekâ ve Makine Öğrenmesi, s. 11Çok modlu yapay zekâ, metin, görüntü, ses ve video gibi birden çok veri türünü tek bir modelde anlayabilen veya üretebilen yapay zekâdır.
  7. 39Üretken Yapay ZekâYapay Zekâ ve Makine Öğrenmesi, s. 46Üretken yapay zekâ, mevcut verilerden öğrenilen örüntülere dayanarak metin, görüntü, kod ya da ses gibi yeni içerik oluşturan yapay zekâdır.
  8. 40Yapay Zekâ HizalamasıYapay Zekâ ve Makine Öğrenmesi, s. 52Yapay zekâ hizalaması, yapay zekânın tasarımcılarının amaçladığı hedef ve değerlere uyup yardımsever, dürüst ve güvenli davranmasını sağlama alanıdır.
  9. 41AGIYapay Zekâ ve Makine Öğrenmesi, s. 1AGI (yapay genel zekâ), yalnızca dar bir alanda değil, bir insanın yapabildiği her zihinsel işi öğrenip yapabilecek varsayımsal bir yapay zekâ sistemidir.

Yol boyunca karşılaştırın

Bu yol haritasında kolayca karıştırılan çiftler, yan yana.

Daha fazla

Ayarlar

EnglishTürkçe