Bugünkü bütün yapay zekâ sistemleri, birkaç temel model türünün üstüne kurulu. Atlas bu 9 türü tek sayfada, en eskisinden en yenisine gösteriyor.
Her türün yanında çalışan bir makine var: içinde gerçek bir model dönüyor ve ekrandaki her sayı o hesaptan geliyor. Metinde de dört şey bulacaksın: ne işe yaradığı, adım adım nasıl çalıştığı, nerede kullanıldığı ve sınırı.
Nereden başlayacağını bilmiyorsan ilkinden, algılayıcıdan başla. Diğerlerinin hepsi onun üstüne kurulur. Hepsini bir dergi gibi sırayla çevirmek istersen Tarih’teki ikinci sayıya bak.
Levha 01Perceptron1958
Algılayıcı
Girdileri ağırlıklarıyla çarpıp toplayan, toplam bir eşiği geçerse "evet" diyen tek bir yapay nöron.
Nasıl çalışır
- Her girdi bir ağırlıkla çarpılır ve sonuçlar toplanır.
- Toplama bir sapma (bias) eklenir.
- Toplam sıfırdan büyükse çıktı 1, değilse 0 olur.
- Yanlış karar verirse ağırlıklar hatanın yönünde biraz düzeltilir.
- Nerede kullanılır
- Düz bir çizgiyle ayrılabilen iki sınıfı ayırmak. Bugün tek başına değil, büyük ağların yapı taşı olarak yaşıyor.
- Sınırı
- Yalnızca düz bir karar sınırı çizebilir; XOR gibi problemleri çözemez.
Levha 02Multilayer perceptron (MLP)1986
Çok katmanlı ağ
Nöronları katmanlar hâlinde dizip aralarına doğrusal olmayan bir fonksiyon koyunca, ağ eğri karar sınırları çizebilir.
Nasıl çalışır
- Girdi katmanı veriyi alır.
- Gizli katmanlar, her biri bir önceki katmanın çıktısını işleyerek giderek soyut özellikler çıkarır.
- Çıktı katmanı tahmini üretir; hata ölçülür.
- Geri yayılım her ağırlığın hataya katkısını hesaplar, gradyan iniş ağırlıkları günceller.
- Nerede kullanılır
- Tablo verisi, sınıflandırma, regresyon. Transformer bloklarının içinde de birer çok katmanlı ağ vardır.
- Sınırı
- Görüntü ve dizi gibi yapılı verideki düzeni kendiliğinden kullanmaz; çok veri ister.
Levha 03Convolutional neural network (CNN)1989–2012
Evrişimli ağ
Küçük bir filtreyi görüntünün üzerinde kaydırarak her yerde aynı deseni arar. Kenar, köşe, doku, sonra nesne parçaları.
Nasıl çalışır
- Filtreler görüntü üzerinde kayarak özellik haritaları üretir.
- Havuzlama, haritaları küçültüp önemli bilgiyi korur.
- Katmanlar ilerledikçe basit desenler karmaşık nesnelere dönüşür.
- Son katmanlar bu özelliklerden sınıf tahmini yapar.
- Nerede kullanılır
- Görüntü tanıma, tıbbi görüntüleme, yüz tanıma, otonom araçların algısı.
- Sınırı
- Görüntünün uzak bölgeleri arasındaki ilişkiyi kurmakta zorlanır; Transformer tabanlı görüntü modelleri bu yüzden yükseldi.
Levha 04Recurrent neural network, LSTM1997
Yinelemeli ağ ve LSTM
Diziyi kelime kelime okur ve okuduklarını bir "hafıza" vektöründe taşır. LSTM, neyi hatırlayıp neyi unutacağına kapılarla karar verir.
Nasıl çalışır
- Her adımda bir girdi ve önceki hafıza durumu alınır.
- Unutma kapısı eski bilginin ne kadarının silineceğine karar verir.
- Girdi kapısı yeni bilginin ne kadarının yazılacağına karar verir.
- Çıktı kapısı hafızadan bu adıma ne aktarılacağını belirler.
- Nerede kullanılır
- Transformer’dan önce konuşma tanıma, makine çevirisi ve zaman serilerinde standarttı.
- Sınırı
- Adım adım çalıştığı için paralel eğitilemez; çok uzak bağlamı tutmakta zorlanır.
Levha 05Autoencoder, Variational autoencoder2013
Otomatik kodlayıcı ve VAE
Veriyi dar bir boğazdan geçirip yeniden kurmayı öğrenen ağ. Boğazda kalan küçük vektör, verinin özüdür.
Nasıl çalışır
- Kodlayıcı girdiyi küçük bir gizli vektöre sıkıştırır.
- Çözücü bu vektörden girdiyi yeniden kurar.
- Hata, girdi ile yeniden kurulan arasındaki farktır.
- VAE, gizli uzayı düzenli tutar; oradan örnek alarak yeni veri üretilebilir.
- Nerede kullanılır
- Boyut indirgeme, gürültü temizleme, anomali tespiti; Stable Diffusion’ın gizli uzayı da bir otomatik kodlayıcıdır.
- Sınırı
- Tek başına ürettiği görüntüler genelde bulanıktır.
Levha 06Generative adversarial network (GAN)2014
Üretken çekişmeli ağ
Bir sahteci ve bir dedektif: biri gerçekçi sahte örnekler üretir, diğeri gerçeği sahteden ayırmaya çalışır. İkisi birbirini geliştirir.
Nasıl çalışır
- Üretici rastgele gürültüden bir örnek üretir.
- Ayırt edici, gerçek ve üretilmiş örneklere bakıp hangisinin gerçek olduğunu tahmin eder.
- Ayırt edici yanılmamayı, üretici onu yanıltmayı öğrenir.
- Denge kurulduğunda üretilen örnekler gerçeğe çok yakındır.
- Nerede kullanılır
- Gerçekçi yüz ve görüntü üretimi, süper çözünürlük, stil aktarımı.
- Sınırı
- Eğitimi kararsızdır; üretici bazen tek bir türde takılı kalır.
Levha 07Transformer2017
Transformer
Her kelimenin, cümledeki bütün kelimelere aynı anda bakıp hangilerinin önemli olduğuna karar vermesi. Dikkat (attention), tek bir mimariyle dilden görüntüye her şeyi işler.
Nasıl çalışır
- Metin token’lara bölünür; her token bir vektöre ve konum bilgisine dönüşür.
- Öz-dikkat katmanında her token sorgu, anahtar ve değer vektörleri üretir; hangi token’lara bakacağını hesaplar.
- Her blokta bir çok katmanlı ağ, artık bağlantı ve normalizasyon vardır; bu blok onlarca kez üst üste konur.
- Son katman bir sonraki token için olasılık dağılımı üretir.
- Nerede kullanılır
- Bütün büyük dil modelleri (GPT, Claude, Gemini, Llama), çeviri, kod üretimi, görüntü ve ses modelleri.
- Sınırı
- Dikkatin maliyeti bağlam uzunluğunun karesiyle büyür; çok veri ve hesap ister.
Levha 08Diffusion model2020
Difüzyon modeli
Bir görüntüye adım adım gürültü eklenir; model bu süreci tersine çevirmeyi, yani gürültüyü adım adım temizlemeyi öğrenir.
Nasıl çalışır
- Eğitimde gerçek görüntülere farklı miktarlarda gürültü eklenir.
- Model, her adımda eklenen gürültüyü tahmin etmeyi öğrenir.
- Üretimde saf gürültüden başlanır; model gürültüyü onlarca adımda temizler.
- Metin koşulu (ör. CLIP ile) hangi görüntünün ortaya çıkacağını yönlendirir.
- Nerede kullanılır
- Metinden görüntü ve video üretimi (Stable Diffusion, Midjourney, Sora benzeri modeller), ses üretimi.
- Sınırı
- Çok adımlı olduğu için üretim yavaştır; hızlandırma için ayrı teknikler gerekir.
Levha 09Reinforcement learning1950’ler → 2015
Pekiştirmeli öğrenme
Bir ajan bir ortamda eylem yapar, ödül ya da ceza alır ve zamanla toplam ödülü en çoklayan davranışı öğrenir. Kimse ona doğru hareketi söylemez.
Nasıl çalışır
- Ajan ortamın durumunu gözlemler.
- Bir eylem seçer; ortam yeni bir duruma geçer ve bir ödül verir.
- Ajan, hangi durumda hangi eylemin uzun vadede daha çok ödül getirdiğini tahmin etmeyi öğrenir.
- Keşif ile bildiğini kullanma arasında denge kurarak davranışını iyileştirir.
- Nerede kullanılır
- Oyunlar (AlphaGo), robotik, dil modellerinin insan geri bildirimiyle hizalanması (RLHF), akıl yürüten modeller.
- Sınırı
- Ajan istediğini değil puanladığını öğrenir; ödülü yanlış tasarlarsan "hile" bulur.