Üretken Yapay Zeka

İngilizcesi “Generative AI” olan üretken yapay zeka, çeşitli içerik türleri üretebilen bir tür yapay zeka teknolojisidir. Başka bir tanımla, metin, resim veya ses gibi görünüşte yeni, gerçekçi içerik üretebilen bir dizi algoritmadır. 

Üretken yapay algoritmaları, çok çeşitli görevler için temel kalıpları belirlemek üzere kendi kendini denetleyen bir şekilde çok sayıda etiketlenmemiş veri üzerinde eğitilen temel modellerin üzerine inşa edilmiştir.

Üretken yapay zeka terimi genellikle ChatGPT derin sahtelerle ilişkilendirilirken, teknoloji başlangıçta dijital görüntü düzeltme ve dijital ses düzeltmede kullanılan tekrarlayan işlemleri otomatikleştirmek için kullanıldı.

Makine öğrenimi ve derin öğrenme, doğaları gereği üretken süreçlere odaklandığından, üretken yapay zeka türleri olarak da kabul edilebilirler.

Üretken Yapay Zeka Modelleri Türleri Nelerdir?

METİN MODELLERİ TÜRLERİ

• GPT-3 veya Generative Pretrained Transformer 3, yüksek kaliteli doğal dil metni oluşturmak için büyük bir metin külliyatında önceden eğitilmiş bir otoregresif modeldir. GPT-3 esnek olacak şekilde tasarlanmıştır ve dil çevirisi, özetleme ve soru yanıtlama gibi çeşitli dil görevleri için ince ayar yapılabilir.
• LaMDA veya Diyalog Uygulamaları için Dil Modeli, GPT’ye benzer şekilde yüksek kaliteli doğal dil metni oluşturmak için önceden eğitilmiş bir dönüştürücü dil modelidir. Ancak LaMDA, açık uçlu konuşmanın nüanslarını yakalamak amacıyla diyalog konusunda eğitildi.  
• LLaMA , performans gösterme hedefiyle GPT-4 ve LaMDA’ya kıyasla daha küçük bir doğal dil işleme modelidir. Transformatörlere dayalı bir otoregresif dil modeli olmakla birlikte, LLaMA daha az sayıda parametre ile performansı artırmak için daha fazla belirteç üzerinde eğitilmiştir. 

ÇOKLU MODEL TÜRLERİ

• GPT-4 , görüntü ve metin girişlerini kabul edebilen ve metin çıktıları üretebilen büyük ölçekli, çok modlu bir model olan GPT sınıfı modellerin en son sürümüdür. GPT-4, bir belgedeki bir sonraki belirteci tahmin etmek için önceden eğitilmiş dönüştürücü tabanlı bir modeldir. Eğitim sonrası hizalama süreci, gerçekçilik ve istenen davranışa bağlılık ölçümlerinde gelişmiş performansla sonuçlanır.
• DALL-E, farklı veri modalitelerinde çalışabilen ve doğal dil metin girişinden yeni görüntüler veya çizimler oluşturabilen bir tür çok modlu algoritmadır. 
• Kararlı Yayılma, DALL-E’ye benzer bir metinden görüntüye modelidir, ancak görüntüdeki paraziti metin açıklamasıyla eşleşene kadar kademeli olarak azaltmak için “difüzyon” adı verilen bir işlem kullanır. 
• Progen, doğal dil metin girişi kullanılarak spesifikleştirilen istenen özelliklere dayalı proteinler üretmek için 280 milyon protein numunesi üzerinde eğitilmiş çok modlu bir modeldir. 

Üretken Yapay Zeka Ne Yapabilir?

Üretken yapay zeka henüz geliştiriliyor. Belirli bir görev için üretken yapay zeka, API’ler aracılığıyla veya hızlı mühendislik yoluyla nispeten düşük miktarda veri veya örneklerle gerçekleştirilebilir. Üretken yapay zekanın desteklediği yetenekler üç kategoride özetlenebilir:

• İçerik ve Fikir Üretmek : Bir video reklam veya hatta antimikrobiyal özelliklere sahip yeni bir protein gibi bir dizi modalitede yeni, benzersiz çıktılar yaratmak. 
• Verimliliği Artırma : E-posta yazma, kodlama veya büyük belgeleri özetleme gibi manuel veya yinelenen görevleri hızlandırma. 
• Deneyimleri Kişiselleştirme : Kişiselleştirilmiş müşteri deneyimleri için sohbet robotları veya belirli bir müşterinin davranışındaki kalıplara dayalı hedefli reklamlar gibi belirli bir hedef kitleye göre uyarlanmış içerik ve bilgi oluşturmak.  

Bugün, bazı üretken AI modelleri, telif hakkıyla korunan materyaller de dahil olmak üzere internette bulunan büyük miktarda veri üzerinde eğitilmiştir. 

Üretken Yapay Zeka Nasıl Çalışır?

Üretken bir AI algoritması eğitildikten sonra, üzerinde eğitildiği verilere benzer yeni çıktılar üretebilir. Üretken yapay zeka, ayırt edici yapay zekadan daha fazla işlem gücü gerektirdiğinden uygulanması daha pahalı olabilir.

Metin ve görüntü oluşturma için en sık kullanılan üretken modellere, Üretken Karşıt Ağlar (GAN’lar) ve Değişken Otomatik Kodlayıcılar (VAE’ler) denir.

Bir GAN’da, iki makine öğrenimi modeli aynı anda eğitilir. Biri üreteç, diğeri ayrımcı olarak adlandırılır. Oluşturucunun işi, eğitim verilerine benzeyen yeni çıktılar oluşturmaktır. Ayrımcının işi, üretilen verileri değerlendirmek ve çıktısını iyileştirmek için üreticiye geri bildirim sağlamaktır.

Bir VAE’de, verilerin önemli özelliklerini, yapısını ve ilişkilerini daha az sayıda boyutta yakalayan düşük boyutlu bir temsile verileri kodlamak için tek bir makine öğrenimi modeli eğitilir. Model daha sonra düşük boyutlu gösterimin kodunu orijinal verilere geri çözer. Temel olarak, kodlama ve kod çözme süreçleri, modelin daha sonra yeni çıktılar oluşturmak için kullanabileceği veri dağılımının kompakt bir temsilini öğrenmesine izin verir.

Bazı üretken AI modelleri, yeni çıktılar oluşturmak için girdi olarak rastgele gürültüyü bile kullanabilir. Bu yaklaşımda, model rastgele bir gürültü vektörünü girdi olarak alır, bunu ağdan geçirir ve eğitim verilerine benzer bir çıktı üretir. Yeni veriler daha sonra sanat, müzik ve metin üretimindeki yaratıcı uygulamalar için ek, sentetik eğitim verileri olarak kullanılabilir.

Üretken yapay zeka, insan yaratıcılığını geliştirmek için bir üretkenlik aracı olarak kullanıldığında, bir tür artırılmış yapay zeka olarak kategorize edilebilir .

Üretken Yapay Zeka ve Etik

Bazı insanlar üretken AI teknolojilerini, özellikle de insan yaratıcılığını simüle eden teknolojileri kullanmanın etiği konusunda endişe duyuyor.

Üretken yapay zeka, sorumlu taraflara kadar izini sürmenin zor olduğu çıktılar üretebilir ve bu da, yapay zeka tarafından oluşturulan sahte haberler veya derin sahte videolar için bireyleri veya kuruluşları sorumlu tutmayı zorlaştırabilir.

Bu, üretken yapay zeka hakkındaki en büyük tartışmadır. Veri bilimcilerin üretken modellerini eğitmek için gereken büyük veri kümelerini elde etmelerini önlemek için kısıtlamalar getirilmesi gerekip gerekmediği tartışılıyor.

Yüksek kaliteli veri kümelerinin değeri artmaya devam ettikçe ve veri sahipleri, web içeriklerinin veri bilimcileri için değerinin daha fazla farkına vardıkça, makine öğrenimi mühendislerinin (MLE’ler ) üretken modellerini eğitmek için kullandıkları veriler için web yayıncılarına ödeme yapması gerekebilir.