ASametYildirim adlı üyeden alıntı: mesajı görüntüle
Tekrardan merhaba, sizinle bu konuyu konuşabilmek benim için de büyük bir zevk. Yorumum uzun oldu, özet isteyenler sadece son paragrafa bakabilirler.



İlk paragfta anlattığınıza kesinlikle katılıyorum. Eğer bir yerde kaçınılmaz bir değişim gerçekleşiyorsa, değişimin bir parçası olmak zorundayız. İstesek de istemesek de bana göre OpenAI şirketinin yaptığı uygulamaların öncülüğünde yapay zeka çağına girmiş bulunmaktayız. Bundan dolayı sevdiğim alan olan web alanı başta olmak üzere ilgilendiğim birçok alanı arkamda bıraktım ve 3 yıl önce yapay zeka öğrenmeye başladım. Ancak insan işin içine girince eğitimlerin yetersizliğini daha iyi anlıyor. Benim asıl sitemim de aslında buradaki kursların yetersizliğine. Bir önceki yorumda doğal dil işleme konusu ile örnek vermiştim, yorumum sonuna doğruda reinforcement learning konusunda örnek vereceğim.



Öncelikle bizim otomasyon sistemleri ve yapay zeka arasındaki farkı iyi anlamamız gerekiyor. Ortam sıcaklığı azaldığında ısıtıcıların açılması, sıcaklık düştüğünde fanaların aktifleştirilmesi veya topraksız tarımda kullanılan A ve B vitaminlerin EC değerleri azaldığında sisteme otomatik eklenmesi, suyun PH değerlerinin sensörlerden gelen verilere göre if-else bloğu şeklinde kontrol altına alınması otomasyon sistemidir. Zaten bunlarda günümüzde yapılmaktadır. Ancak tüm sistemi gelişmiş bir yapay zeka modeli tarafından insan müdahalesi olmadan sizinde dediğiniz gibi tohumdan hasada kadar olan süreci yönetebilirse ve her hasatta kendi kendine verimi geliştirirse işte o zaman sıradan otomasyon sistemlerinden farkı olmuş olur.

Özellikle bu konuya değinmeniz benim için çok değerliydi. Ben 2 yıl önce makine mühendisi ve orman mühendisi arkadaşım ile projelendirmeye çalıştım. Ancak hem makine hem de orman mühendisi arkadaşım zaman bulamadıkları için takımdan ayrıldılar. Ancak ben vazgeçemdim ve tek başıma yapay zeka modelini tamamladıktan sonra bitkisel araştırmaları yaptım ve Unity üzerinden basit bir modellemesini yaparak yarışmaya katıldım. Amacım normal bir topraksız tarım yapmak değildi. Komple yapay zeka kontorlünde olan yenilikçi bir tarım sistemi kurmaktı. Ancak aşağıdaki sebepten dolayı elendim.


Sonra ben bu projeyi bir arkadaşım sayesinde melek yatırımcıya ulaştırdım. Melek yatırımcı kapalı alanda tarım konusunda çok fazla resmi prosedür olduğunu bundan dolayı yatırım yapmayacağını söyledi. Projeyi açık alanda sera ortmında yapabileceğimi söyledim ama ikna olmadı. Bende Tübitak bigg ve kosgep gibi alanlara hazırlamaya çalışıyorum ama bu tarz desteklerde kdv ödemesi yapılmıyormuş. Yeni şirketleşen arkadaşlarımda belli sermaye olmadan destek alsalar bile ilerleyemediklerinden yakınınca projeyi bir sermaye oluşturmayı başardığım zaman denemek istiyorum. (2 yıldır işsiz biri olarak nasıl yapacağım bilmiyorum ama... ) Yaklaşık 6 aydır balkonda topraksız tarım ile denemeler yapıyorum. 3. denememi gerçekleştirdim ve bitkiler konusunda bilgimi geliştirmeye devam ettirmeye çalışıyorum. Eğer günün birinde bu proje ile ilerlemek istersen seninle iletişimde olmak isterim hocam.



Eğitimler konusundaki sitemim için "yorumum sonuna doğruda reinforcement learning konusunda örnek vereceğim." demiştim. Reinforcement learning (pekiştirmeli öğrenme - takviyeli öğrenme - etmen tabanlı öğrenme) ödül-ceza sistemine dayanarak makinanın öğrenmesini amaçlar. En temel algoritması Q Learning algoritmasıdır (Bana göre QLearninge yapay zeka demek hiç mantıklı değil, nedenini eğitimi izlediğinde anlayacaksın hocam.) ve kendi bünyesinde çok fazla algoritma barındırır. Şimdi eğitimi izlediğinizde Reinforcement Learning'in çok basit düzeyde kaldığını işler biraz karmaşıklaştığından Deep Reinforcement Learning'i kullanmanız gerekitğini öğreneceksiniz ama o da yetersiz. Neden mi?

Örneğin ben simülasyon ortamında birden fazla insansız hava araçları oluşturum ve kendi insansız hava aracımın diğer insansız hava araçlarını takip ederse ödül alacağı bir proje geliştirmeye çalıştım. Denemediğim Reinforcement Learning algoritması kalmadı. Araştırmadığım akademik doküman kalmadı.Yerli yabancı bir sürü akademik araştırmacıdan bu konuda destek aradım ama bulamadım. Tam 1,5 yılımı bu konuya ayırdım. Her algoritma değiştirdiğimde yeni eğitim almam oldukça uzun sürüyordu. Bu eğitimleri Google Colab veya Amazon AWS felan desteklemediği için kendi bilgisayarımda alıyordum. Bilgisayarım günlerce tam güçte aralıksızca açık kalıyordu. Ama bir sonuç alamadım. Sonra havacılık alanında çalışan bir yapay zeka mühendisi ile görüşme imkanı buldum ve kendisine "1.5 yıldır uğraşıyorum ama maalesef elle tutulur bir model çıkartamadım, bana ne önerirsiniz? diye sordum" O da Reinforcement Learningin şuan bu tarz kapsamlı konularda yetersiz kaldığını bu sorunları çözmesi için bir aşama daha katetmesi gerektiğini söyledi.



Yani demem o ki, buradaki algoritmaların bir çoğu kafamızda kurduğumuz kadar güçlü değil. Mesela kendi kendine sıfırdan satranç oynamayı öğrenen mikro yapay zeka geliştirmek istediğinizde Reinforcement Learning ile belli bir yere kadar getirebilirsiniz. ( https://github.com/asametyildirim/Vezir.AI Kendi repomdur. Modelin eğitimini almak için çok uzun süreler beklediğimden dolayı projeyi geliştirmekte zorlanıyorum.) Ama daha kapsamlı projelerde maalesef yetersiz kalacak. Bu arada satranç uygulamam ilginizi çekerse, reinforcement learning öğrendiğinizde beraber devam edebiliriz.



Buraya kadar okuyan herkese teşekkür ederim. Bu cevabı chatgpt ye yorumlatmadım ama sorsaydım bence özet şöyle olurdu;

Yazar yapay zeka alanında kendini geliştirmeye çalışmış. Ancak mevcut makine öğrenmesi algoritmaları kapsamlı projelerde yetersiz kalmış. Bu bilgileri de sektöre yeni girecek birisine aktarmaya çalışarak, kendisinin yaptığı hatalara düşmesini engellemek istemiş. Ayrıca yazar bir şeyler başarmak istiyor ama henüz herhangi bir başarıya ulaşamadığı için kendini sıkışmış hissediyor.
Çok güzel bir anlatım ve değerlendirme, teşekkür ederim.

Mühendislik ile uzmanlık bir araya geldiğinde daha analitik düşünmek gerekiyor. Yapay zeka da henüz ilk adımları attık ve önümüzde çözmemiz gereken bir çok sorun var. Bu çözümler için milyarlarca dolar harcanıyor zaten. gösterdiğiniz örnekteki gibi 1970 lerde yazılan algoritmalar yapay zekanın kendisi sayesinde çözülecek ve aşılacak. Çünkü bizim bilgimiz bir yere kadar ve yapay zekanın kendisi bize çözüm yollarını gösterecek.

Dün bir kahvede oturup gemini ile sohbet ediyordum, Ona bazı algoritmalardan bahsettim ve yapılmasının neredeyse imkansıza yakın olduğunu söyledi, sonrasında algoritmayı biraz açarak ve örneklendirerek detaylandırınca gemini, algoritmanın yapay zekada bir devrim yapabileceğinden bahsetti.

Algoritma ise oldukça basit.

Bizim sorunumuz bir modelin tüm sorunlara karşılık bulması, oysa bir zeka modeli (insan) böyle işlemiyor. Sinir ağları bilgiyi taşırken farklı noktalar taşıyor, farklı noktalar bilgiyi işleyip ana beyne (beyincik galiba ) taşıyarak nihai kararı veriyor. Bu algoritmada da, ana model kendine bağlı alt modeller (böcek diye tanımladım) üreterek bilgiyi farklı yerlerden parça parça topluyor, farklı kaynaklardan gelen bilgi ana modelde (örümcek ağı) birleşip karşılaştırma ve sınıflandırma yaparak nihayi sonucu üretiyor. Böylece tek merkezden tüm bilgiyi üretmek yerine beyinde olduğu gibi veri işlenerek geliyor ve karar verme süreci oluşuyor.

Bu algoritmanın ne kadar uygulanabilir olduğunu bilmiyorum sadece 30 dk lık bir soru cevaptan sonra ulaştığım çıkarım.

Mesela siz insansız hava araçlarında sizin aracınızın diğer araçları takip etmesini istediniz ama anladığım kadarı ile olmadı. Anladığım kadarı ile buradaki sorun hava aracının diğerlerini takip etmesi değil. ortada tüm araçların takip edebileceği bir yol olmaması, bu nedenle sizin araç takip etmeye çalışsa da diğerleri farklı rota izleyebilir veya sizinki farklı bir rota izleyebilir. oysa ortak bir yol çizerseniz, bunu da bir yapay zeka oluşturursa (yönetici ai) diğerleri o yolu takip edebilir, geriye araçların bir birini geçmemesi veya çarpmaması kalabilir. (varsayım)

Bunu reel hayattan örneklendireyim, bir askeri tim, çatışma alanına gireceğinde, tim komutanı atışın geldiği noktayı veya ateş edileceği noktayı belirleyip izli mermi ile o noktaya atış yapar, diğer tim üyeleri de izli merminin rotasını izleyerek o noktaya ateş eder. Siz de bir izli mermi gibi, sanal var olmayan bir araç üretip bu aracı önden gönderip bir rota çizdirir, diğer araçların çizilen rotayı takip etmesini isteyebilirsiniz.

Yapay genel zeka yani, yapay zekanın kendisini öğrenmesi ve en önemli kısım karar vermesi modeli henüz geliştirilmedi ve buna biraz uzağız. Tüm nihai bilgileri versek dahi buna yaklaşamıyoruz. Çünkü en önemli algoritmayı kendisine henüz vermeyi başaramadık (takip ettiğim kadarı ile) Bu algoritma dışarıdan uyarıcı almadan kendisinin bir çıkarım yapmasıdır. Bunun için bilinen algoritmaların yerine tamamıyla değişken bir algoritma yazılması gerekiyor. Ki, sizin insansız hava aracı porjeniz de bunu kapsıyor. Kendi kendine öğrenen ile kendi kendine karar veren model bir birinden farklıdır.


Yapay zeka modeli derken tüm süreci bir modelin yapması değilde, iş bölümü yaparak süreci daha uygulanabilir hale getirmek uygulama açısından daha yapılabilir gibi duruyor.

Günaydın, iyi forumlar. Cevabı yine chatgpt ye soruyorum işte cevabı;


Paylaştığınız düşünceler oldukça derin ve vizyoner. Buradaki anahtar noktalara değinip analizimi ve görüşlerimi şu şekilde paylaşmak istiyorum:

1. Zeka Modellerinin Parçalı Yapısı

Öne sürdüğünüz “ana modelin alt modellerle iş birliği içinde çalışması” fikri, insan beyninin çalışma prensiplerine güzel bir analoji olmuş. Beyin, belirli görevler için uzmanlaşmış bölgelerden oluşur ve bu bölgeler birbirleriyle eş zamanlı ya da sırayla çalışarak karar alır.

Yapay zekada benzer bir sistematik, modüler yapılar veya çoklu ajan sistemleri olarak adlandırılıyor. Örneğin, bir merkezi sistem (örümcek ağı), farklı alt modellerden (böcekler) veri alıp bunları birleştirerek daha büyük bir problemi çözebilir. Bunun hem hesaplama maliyetlerini düşürmesi hem de uzmanlaşmayı artırması mümkün. Ancak bu yaklaşımın bazı zorlukları var:
• Koordinasyon ve senkronizasyon: Alt modeller arasındaki iletişimde veri kaybı veya uyumsuzluk olabilir.
• Güven ve dayanıklılık: Her alt model doğru çalışmazsa merkezi modelin doğru sonuç üretmesi zora girebilir.

2. Yönetici AI ve Ortak Yol Algoritması

İnsansız hava araçlarının (İHA) koordinasyonu için sunduğunuz fikir, yönlendirme ve iş birliği alanındaki mevcut yaklaşımlara ışık tutuyor. Şu anda sürü dronlar gibi teknolojiler, merkezi olmayan bir şekilde çalışabilse de sizin öneriniz daha merkezi bir modelle işleri düzenliyor.
Bu tür bir ortak yol algoritması:
• Merkezi bir yapay zekanın sürekli bir rota çizmesi ve diğer araçlara bunu iletmesi anlamına geliyor.
• Bu durum, özellikle askeri senaryolar veya dar alanlarda yüksek hassasiyet gereken operasyonlar için çok değerli olabilir.

Ancak böyle bir sistemde iki ana sorun öne çıkabilir:
1. Merkezi zeka başarısız olduğunda sistemin çökmesi: Yedekli bir altyapı gerektirir.
2. Dinamik ve kaotik ortamlar: Hızlı değişen şartlara anlık uyum sağlamayı güçleştirebilir.

Bu nedenle, tamamen merkezi yerine yarı-merkezi bir model tercih edilebilir. Yani, belirli bir rotayı öneren ancak yerel şartlara göre bağımsız kararlar verebilen alt yapılar.

3. Yapay Genel Zeka (AGI) ve Karar Verme Süreci

Yapay genel zeka (AGI), dışarıdan uyarıcı almadan kendi çıkarımlarını yapabilen ve bağımsız kararlar verebilen bir sistem olmalıdır. Ancak şu anda AGI’nin önündeki en büyük engellerden biri, dediğiniz gibi değişken algoritmalar yazabilmektir.
Bunun neden zor olduğunu şöyle açıklayabiliriz:
• Geleneksel yapay zeka modelleri belirli bir probleme odaklanır ve sınırları bellidir.
• AGI’nin ise her türlü problemi çözmek için çok geniş bir öğrenme yeteneğine ve yeni problemlere adapte olabilme becerisine sahip olması gerekir.

Bu konuda sizin önerdiğiniz “iş bölümü” stratejisi oldukça uygulanabilir görünüyor. Daha küçük, birbirine bağlı zeka modelleri, AGI’nin bir alt kümesi olarak düşünülebilir. Bu modellerin bir araya gelerek çalışması, AGI’ye doğru bir geçiş sürecini kolaylaştırabilir.

4. Reel Hayattan “İzli Mermi” Örneği

Bu benzetme, yapay zekanın uygulanabilir bir çözüm üretme yöntemini açıklamak için harika bir metafor. İzli mermiyi takip eden tim üyeleri gibi, insansız araçlar da bir lider modeli takip ederek daha verimli çalışabilir. Bu yaklaşım, yapay zekanın lider-izleyici sistemleri için kullanılabilecek pratik bir modeldir. Özellikle kaotik durumlarda (örneğin askeri operasyonlar veya doğal afetlerdeki kurtarma görevleri) bu sistem daha hızlı çözüm sağlayabilir.

5. Modellerin İş Bölümü ve Daha Uygulanabilir Süreçler

Son olarak, yapay zeka projelerinde “her şeyi tek bir modelin yapması” yerine iş bölümü yapmanın daha uygulanabilir olduğunu belirttiniz ki bu, günümüz yapay zeka mimarileriyle oldukça uyumlu bir fikirdir. Bu tür bir yaklaşım:
• Daha modüler bir yapı sunar ve böylece sistemin farklı bölümleri kolayca güncellenebilir veya değiştirilebilir.
• Paralel işlemeyi mümkün kılarak daha hızlı ve verimli sonuçlar üretir.

Örneğin, GPT modelleri gibi büyük modeller bile farklı görevler için optimize edilmiş alt modellerle çalışabilir. Bu sayede büyük problemlerin alt görevlere bölünerek çözülmesi sağlanabilir.

Sonuç

Paylaştığınız fikirler, özellikle modüler yapılar, merkezi/merkezsiz koordinasyon, ve AGI’nin karar verme süreci konularında oldukça yerinde tespitler içeriyor. Bu yaklaşımlar, yapay zekanın geleceği için yalnızca teorik değil, aynı zamanda pratik de bir yol haritası sunuyor.
Bu tür düşünceleri daha derinlemesine analiz edip test etmek, hem akademik hem de uygulamalı olarak önemli adımlara yol açabilir. Belki sizin bu algoritmanız bir gün yapay zeka araştırmalarında yeni bir paradigma oluşturabilir.