Yapay Zekâ Sözlüğü

Bir hedefe ulaşmak için kendi kendine adımlar seçen, araç kullanan ve sonucuna göre devam eden yapay zekâ sistemi.

KaynakRussell ve Norvig (2020): Artificial Intelligence: A Modern Approach ↗

Bir işi yapmak için adım adım yazılmış tarif.

KaynakKnuth (1968): The Art of Computer Programming ↗

Normalde insan zekâsı gerektiren işleri (görmek, konuşmak, karar vermek) yapabilen bilgisayar sistemlerinin genel adı.

Bugün “yapay zekâ” denince çoğunlukla örneklerden öğrenen sistemler kastediliyor.

KaynakMcCarthy, Minsky, Rochester ve Shannon (1955): Dartmouth Yapay Zekâ Yaz Araştırma Projesi önerisi ↗

Modelin bir kelimeyi işlerken metindeki hangi diğer kelimelere ne kadar bakacağına karar verdiği yöntem.

KaynakBahdanau, Cho ve Bengio (2014): Neural Machine Translation by Jointly Learning to Align and Translate ↗

Soru-cevap biçiminde konuşmak için ayrıca eğitilmiş dil modeli.

KaynakOuyang ve diğerleri (2022): Training language models to follow instructions with human feedback ↗

Modelin bir seferde görebildiği en fazla metin miktarı; pencerenin dışında kalan kısmı model hatırlamaz.

KaynakBrown ve diğerleri (2020): Language Models are Few-Shot Learners ↗

Bir modeli eğitmek ya da sınamak için toplanmış örneklerin bütünü: fotoğraflar, metinler, ölçümler.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

Çok katmanlı sinir ağlarıyla yapılan makine öğrenmesi; bugünkü yapay zekânın neredeyse tamamı buna dayanır.

KaynakLeCun, Bengio ve Hinton (2015): Deep learning, Nature ↗

Yapay zekâ ile üretilmiş, gerçeğinden ayırt edilmesi zor sahte fotoğraf, ses ya da video.

KaynakChesney ve Citron (2019): Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security ↗

Saf gürültüden başlayıp onu adım adım temizleyerek resim üreten model türü.

KaynakHo, Jain ve Abbeel (2020): Denoising Diffusion Probabilistic Models ↗

Önceden eğitilmiş bir modeli, belirli bir iş için az sayıda yeni örnekle biraz daha eğitmek.

KaynakHoward ve Ruder (2018): Universal Language Model Fine-tuning for Text Classification ↗

Aynı anda binlerce basit hesap yapabilen işlemci; ilk olarak oyunlar için yapıldı, bugün modelleri eğitmenin ana aracı.

KaynakKrizhevsky, Sutskever ve Hinton (2012): ImageNet Classification with Deep Convolutional Neural Networks ↗

Parametreleri, kaybı en hızlı azaltan yöne küçük adımlarla kaydırma yöntemi; tepeden vadiye el yordamıyla inmek gibi.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

Modelin doğru olmayan bir bilgiyi kendinden emin, akıcı bir dille üretmesi; “uydurma”.

KaynakJi ve diğerleri (2023): Survey of Hallucination in Natural Language Generation ↗

Bir metnin devamında hangi kelimenin geleceğini tahmin etmek için eğitilmiş model.

KaynakBengio ve diğerleri (2003): A Neural Probabilistic Language Model ↗

Çok büyük miktarda metinle eğitilmiş, milyarlarca parametreli dil modeli; ChatGPT ve Claude bunların üstüne kurulu.

KaynakBrown ve diğerleri (2020): Language Models are Few-Shot Learners ↗

Modelin ne kadar yanıldığını gösteren tek bir sayı; eğitim bu sayıyı küçültmeye çalışır.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

Bilgisayara kuralı yazmak yerine örnek gösterip kuralı kendisinin bulmasını sağlama yöntemi.

KaynakSamuel (1959): Some Studies in Machine Learning Using the Game of Checkers ↗

Eğitimden çıkan, bir girdiye bakıp bir çıktı üreten şey; içi öğrenilmiş sayılarla dolu bir hesap makinesi gibidir.

Bir sohbet uygulaması bir modelin üstüne kurulmuş arayüzdür; model asıl işi yapan kısımdır.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

Yalnız metinle değil resim, ses ya da videoyla da çalışabilen model.

KaynakRadford ve diğerleri (2021): Learning Transferable Visual Models From Natural Language Supervision ↗

Birbirine bağlı çok sayıda küçük hesap biriminden (nöron) oluşan, beyinden esinlenmiş model türü.

KaynakRosenblatt (1958): The Perceptron ↗

Sinir ağındaki en küçük birim: gelen sayıları ağırlıklarıyla toplar ve tek bir sayı çıkarır.

KaynakMcCulloch ve Pitts (1943): A Logical Calculus of the Ideas Immanent in Nervous Activity ↗

Parametreleri herkesin indirip kendi bilgisayarında çalıştırabileceği şekilde yayımlanmış model.

KaynakTouvron ve diğerleri (2023): LLaMA: Open and Efficient Foundation Language Models ↗

Modelin örnekleri ezberleyip yeni örneklerde yanılması; sınav sorularını ezberleyen öğrenci gibi.

KaynakSrivastava ve diğerleri (2014): Dropout: A Simple Way to Prevent Neural Networks from Overfitting ↗

Modelin içindeki, eğitimle ayarlanan sayıların her biri; bir mikserdeki düğmeler gibi düşünülebilir.

Büyük dil modellerinde milyarlarca parametre vardır. “Büyük model” denince kastedilen budur.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

Dijital bir resmin en küçük karesi; makinenin gözünde bir ya da üç sayıdır.

KaynakStanford CS231n ders notları: Image Classification ↗

Bir yapay zekâya yazdığın soru ya da talimat.

KaynakBrown ve diğerleri (2020): Language Models are Few-Shot Learners ↗

Modele cevap vermeden önce ilgili belgeleri bulup okutma yöntemi; modelin uydurmasını azaltır.

KaynakLewis ve diğerleri (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ↗

Modele doğru cevabı göstermeden, yaptığı şeyleri puanlayarak öğrenmesini sağlama yöntemi.

KaynakSutton ve Barto (2018): Reinforcement Learning: An Introduction ↗

Modelin, tasarımcının niyetini değil puanın tam olarak ölçtüğü şeyi yapması.

KaynakAmodei ve diğerleri (2016): Concrete Problems in AI Safety ↗

İnsanların hangi cevabı daha çok beğendiğini işaretlediği ve modelin bu tercihlere göre yeniden eğitildiği yöntem.

KaynakChristiano ve diğerleri (2017): Deep reinforcement learning from human preferences ↗

Modelin kelime seçerken ne kadar rastgele davranacağını belirleyen ayar; düşükse tutarlı, yüksekse yaratıcı.

KaynakHoltzman ve diğerleri (2019): The Curious Case of Neural Text Degeneration ↗

Dil modelinin metni böldüğü parçaların her biri; bir kelime, kelimenin bir parçası ya da bir noktalama işareti olabilir.

KaynakSennrich, Haddow ve Birch (2016): Neural Machine Translation of Rare Words with Subword Units ↗

Modele örnekler gösterip hatalarına göre parametrelerini adım adım düzelterek onu işe hazırlama süreci.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

Modelin öğrenirken gördüğü örnekler; model bu verinin dışındaki dünyayı ancak tahmin edebilir.

KaynakGoodfellow, Bengio ve Courville (2016): Deep Learning ↗

2017’de tanıtılan, dikkat mekanizmasına dayanan sinir ağı mimarisi; bugünkü dil modellerinin hepsi bunu kullanır.

KaynakVaswani ve diğerleri (2017): Attention Is All You Need ↗

Yazışarak bir makineyi insandan ayırt edip edemeyeceğimizi ölçen, Alan Turing’in 1950’de önerdiği oyun.

KaynakTuring (1950): Computing Machinery and Intelligence ↗

Bir kelimeyi, cümleyi ya da resmi temsil eden sayı listesi; anlamca yakın şeylerin sayıları da birbirine yakındır.

KaynakMikolov ve diğerleri (2013): Efficient Estimation of Word Representations in Vector Space ↗