Generative AI Nedir? Çalışma Prensibi ve Model Türleri

Generative AI, 1960’larda chatbot’larda başlayıp 2014’te GAN’lar ile gelişen, metin, görüntü, ses ve sentetik veri üretebilen bir yapay zeka teknolojisidir. Bu teknoloji, film dublajı ve eğitim içeriği gibi olumlu kullanımların yanı sıra deepfake ve siber güvenlik riskleri gibi endişeleri de beraberinde getirmiştir. Dönüştürücüler (transformers) ve büyük dil modelleri (LLM’ler) sayesinde, çok modlu AI ve otomatik içerik üretimi gibi yenilikler mümkün hale gelmiştir. Ancak, bu teknoloji hâlâ erken aşamada olup, doğruluk ve önyargı sorunlarına sahiptir. Yine de, gelecekte işletmelerin işleyişini temelden değiştirecek potansiyele sahiptir.

Peki, tam olarak nedir bu Generative AI? Nasıl çalışır ve modelleri nelerdir? İşte, detaylar:

Generative AI Nedir?

Generative Yapay Zeka, eğitim veri setindeki desenlere benzeyen yeni ve gerçekçi veriler üretebilen algoritmalar ve modeller oluşturmaya odaklanan bir AI alanıdır. Basitçe ifade etmek gerekirse, generative AI, tamamen yeni veri üreten bir AI sistemleri sınıfını ifade eder. Bu sistemler veya modeller, büyük veri setlerinden öğrenmek ve bu bilgilere dayanarak tamamen yeni bir şeyler oluşturmak üzere eğitilirler. Bu yüzden, “generative” (üretken) terimi kullanılır.

Generative AI’nin sanat, görüntü sentezi, doğal dil üretimi, müzik bestesi, kodlama ve daha pek çok alanda birçok uygulaması vardır. Geleneksel yapay zeka türlerinin çoğu, mevcut verileri sınıflandırmak veya kategorize etmek için tasarlanmışken, generative AI modellerinin amacı daha önce görülmemiş tamamen orijinal eserler üretmektir.

Discriminative AI (Ayrımcı Yapay Zeka) ve Generative AI Farkları

Discriminative AI (Ayrımcı Yapay Zeka) ve Generative AI (Üretici Yapay Zeka) arasındaki farkları anlamak, yapay zekanın farklı uygulamalarını daha iyi kavramamıza yardımcı olur.

Discriminative AI modelleri, veri setlerindeki desenleri tanımak ve bu desenleri kullanarak yeni örnekler hakkında tahminlerde bulunmak veya sınıflandırmalar yapmak üzere eğitilirler. Örneğin, kedi veya köpek resimleri içeren bir veri seti üzerinde eğitilen bir ayrımcı AI modeli, girdi verilerinden öğrendiği desenlere dayanarak yeni resimleri kedi veya köpek olarak sınıflandırabilir. Bu tür modeller, genellikle gözetimli öğrenme teknikleri kullanarak eğitilir ve belirli görevler için oldukça etkilidirler. Özellikle, sınıflandırma veya tahmin gibi spesifik problemleri çözmek için kullanılırlar.

Generative AI ise, veri setlerindeki altta yatan desenleri öğrenmek ve bu bilgiyi orijinal veri setine benzer ancak tamamen aynı olmayan yeni örnekler üretmek için tasarlanmıştır. Örneğin, kedi resimleri üzerinde eğitilen bir üretici AI algoritması, orijinal veri setindekilerle benzer görünen ancak tam kopyaları olmayan yeni kedi resimleri üretebilir. Üretici AI’nın diğer AI türlerinden bir diğer önemli farkı, tipik olarak gözetimsiz olmalarıdır, yani öğrenmek için önceden etiketlenmiş verilere ihtiyaç duymazlar. Bu, yapılandırılmış veya düzenlenmiş verilerin kıt veya elde edilmesi zor olduğu uygulamalarda üretici AI’ı özellikle yararlı kılar.

Gözetimsiz makine öğrenme algoritmaları, etiketlenmiş veri mevcut olmadığında kullanılır. Bunun yerine, algoritma bir dizi yapılandırılmamış veri seti ile verilir. Algoritma, yapılandırılmamış verilere bakar ve herhangi bir talimat veya önceden bilgi olmaksızın bağımsız olarak desenleri ve yapıları tanımlamaya çalışır. Kümeleme ve anomali tespiti, gözetimsiz öğrenme tekniklerinin örnekleridir.

Yarı gözetimli makine öğrenme algoritmaları, eğitim için bir miktar etiketlenmiş veri mevcut olduğunda, ancak tam bir model eğitmek için yeterli olmadığında kullanılır. Algoritma, etiketlenmiş verileri etiketlenmemiş verilerle birlikte kullanarak veriler içindeki desenleri ve yapıları tanımlar. Yarı gözetimli öğrenme, gözetimli ve gözetimsiz öğrenme teknikleri arasında bir hibrit yaklaşım olarak düşünülebilir.

Genel olarak, discriminative AI, belirli bir sorunu çözmek için öğrenirken, generative AI, daha geniş bir anlayış ve yeni veri örnekleri üretme yeteneği geliştirir. Bu iki AI türünü anlamak, onların hangi durumlarda ve nasıl etkili şekilde kullanılabileceğini belirlememize yardımcı olur.

Generative AI Çalışma Prensibi

Generative AI, insan beyninin yaratıcı süreçlerini taklit eden bir AI versiyonu gibi düşünülebilir. Bu alanda, çeşitli teknikler kullanılarak, örneğin sinir ağları ve derin öğrenme algoritmaları gibi, belirli desenleri tanımlamak ve bunlara dayanarak yeni sonuçlar üretmek mümkündür.

Generative AI’nin eğitim süreci, genellikle büyük bir veri setiyle başlar. Bu veri seti, görüntüler, metin, ses veya videolar gibi örnekler içerebilir. Model, girdi verilerindeki desenleri ve ilişkileri analiz ederek içeriğin yönetildiği temel kuralları anlamaya çalışır. Daha sonra, öğrendiği olasılık dağılımından örnekler çekerek yeni veriler üretir. Sürekli olarak parametrelerini ayarlayarak doğru çıktıyı üretme olasılığını en üst düzeye çıkarmaya çalışır.

Örneğin, lama görüntülerinden oluşan bir veri seti üzerinde eğitilmiş bir generative model, öğrenilen dağılımdan örnekler çekerek ve sonra “çıkarım” adı verilen bir süreçle çıktıyı rafine ederek yeni lama görüntüleri oluşturabilir. Çıkarım sırasında, model çıktısını istenen çıktıya daha iyi uyması veya herhangi bir hatayı düzeltmesi için ayarlar. Bu, üretilen çıktının daha gerçekçi olmasını ve kullanıcının görmek istediği şeyle daha iyi uyum sağlamasını sağlar.

Generative AI, yaratıcı içerik üretiminde devrim yaratma potansiyeline sahiptir. Sanat, müzik, edebiyat ve hatta bilimsel keşiflerde kullanılarak, daha önce hayal bile edilemeyen yeniliklerin kapısını açabilir. Bu alanda yapılan çalışmalar, AI’nin yalnızca analitik bir araç olmaktan çıkıp, insan yaratıcılığını taklit edebilen, hatta destekleyebilen bir teknolojiye dönüşmesine olanak tanıyor.

Generative AI Modelleri Nelerdir?

Generative AI modelleri tek tip değildir. Günümüzde bu yapay zeka türü, farklı yapay zeka şirketleri tarafından farklı modeller olarak piyasaya sürülmüştür. İşte bu türün en bilinenleri:

Generative Adversarial Networks (GAN’lar)

Generative Adversarial Networks (GAN’lar), iki sinir ağından oluşan bir yapay zeka modelidir: bir üreteç ve bir ayırıcı. Örneğin kedi resimleri oluşturmak istendiğinde, üreteç rastgele bir giriş vektörü kullanarak yeni kedi resmi üretir.

Bu resimler başlangıçta basit olabilir, ancak zamanla gerçekçi hale gelir. Ayırıcı, hem gerçek kedi resimlerini hem de üretecin ürettiği sahte resimleri alarak gerçek veya sahte olarak sınıflandırmaya çalışır.

Her iki ağ da birbirleriyle rekabet ederek sürekli olarak gelişir: ayırıcı daha iyi sınıflandırma yapmayı, üreteç ise daha inandırıcı resimler oluşturmayı öğrenir. Bu rekabetçi yapı, modelin adında “adversarial” (rakip) ifadesinin kullanılmasına neden olmuştur.

GAN’lerin Training Süreci

GAN’lerin (Generative Adversarial Networks – Üretken Çekişmeli Ağlar) eğitim süreci, oldukça ilginç ve yenilikçi bir yaklaşımdır. Bu süreç aşağıdaki adımlardan oluşur:

1. Başlangıç: Üreteç (generator) ve ayırt edici (discriminator) rastgele ağırlıklarla başlatılır. Buradaki temel fikir, iki ağın birbirleriyle rekabet içinde olmalarıdır.
2. Eğitim Döngüsü: Üreteç, sahte veri toplulukları oluştururken, ayırt edici gerçek ve sahte verilerin kombinasyonu üzerinde eğitilir. Ayırt edici, girdi verisinin gerçek mi yoksa sahte mi olduğunu belirten 0 ile 1 arasında bir olasılık puanı verir.
3. Geri Yayılım (Backpropagation): Ayırt ediciden gelen hata sinyali, ağın ağırlıklarını güncellemek üzere geri yayılır. Sonra, üreteç de ayırt ediciden gelen hata sinyali kullanılarak eğitilir ve kendi ağırlıklarını günceller.
4. Örnekleme: Model eğitildikten sonra, üreteç öğrenilen dağılımdan yeni veri örnekleri üretebilir.

GAN’ler, gerçekçi görüntüler, videolar ve konuşmalar üretmek gibi çeşitli uygulamalar için kullanılmıştır. GAN’lerin avantajlarından biri, karmaşık ve çok modlu dağılımları öğrenebilmeleri sayesinde yüksek kaliteli ve çeşitli örnekler üretebilmeleridir.

Ancak, GAN’lerin eğitimi zor olabilir ve mod çöküşü (mode collapse) gibi sorunlardan muzdarip olabilirler, burada üreteç sınırlı ve tekrarlayan örnekler üretir. Bu sorunları ele almak için çeşitli modifikasyonlar ve iyileştirmeler önerilmiştir, örneğin Wasserstein GAN’ler ve StyleGAN’ler gibi.

GAN’lerin Uygulama Alanları

GAN’ler (Generative Adversarial Networks), çeşitli alanlarda yenilikçi uygulamalara olanak tanıyan, iki ağdan oluşan yapay zeka teknolojisidir. Bunlar:

1. Görüntü ve Video Üretimi/Manipülasyonu: Fotoğrafik gerçekçilikte görüntüler ve derin sahtecilikler (deep fakes) oluşturulabilir.
2. Stil Transferi ve Görüntüden Görüntüye Çeviri: Farklı stilleri uygulayarak görüntüleri dönüştürme.
3. Veri Artırımı ve Sentetikleştirme: Denetimli öğrenme modellerinin performansını artırmak için kullanılır.
4. Metinden Görüntüye Sentez ve Görüntü Altyazısı: Yazılı metni görselleştirmek veya görüntülere altyazı eklemek.
5. 3D Nesne Üretimi ve Tasarımı: Gerçekçi avatarlar ve sanal ortamlar yaratma.
6. Ses Dönüşümü ve Ses Sentezi: Ses ve müzik üretimi.
7. Oyun Geliştirme ve Tasarımı: Yeni seviyeler ve karakterler oluşturma.
8. Yaratıcı Uygulamalar: Sanat, müzik, edebiyat üretimi.
9. Güvenlik ve Gizlilik: Sahte veri üretimi ve derin sahtecilik tespiti.
10. Bilimsel Araştırma ve Simülasyon: Karmaşık sistemleri simüle etmek ve bilimsel tahminler yapmak.

CycleGAN, görüntüden görüntüye çeviri için kullanılan bir GAN örneğidir ve eşleştirilmemiş eğitim verileri olmaksızın görüntüleri dönüştürebilir. GAN’lerin etkinliği, eğitim verisi kalitesi, altta yatan dağılımın karmaşıklığı ve modelin mimarisi gibi faktörlere bağlıdır.

Değişken Otomatik Kodlayıcılar (VAE’ler)

Değişken Otomatik Kodlayıcılar (VAE’ler), yapay zeka alanında kullanılan jeneratif modellerdir. Bu modeller, veri setlerine benzeyen yeni çıktılar üretebilmekle birlikte, özellikle veri içerisindeki belirli yönlere doğru varyasyonları keşfetme konusunda etkilidirler. VAE’ler, bir görüntüyü alıp, bu görüntüyü bir kodlayıcı ve çözücü içeren iki sinir ağı aracılığıyla işlerler.

Kodlayıcı, görüntüyü ‘gizli uzay’ adı verilen düşük boyutlu bir temsile dönüştürür ve çözücü bu temsili kullanarak orijinaline benzer yeni bir görüntü üretir. VAE’lerin ayırt edici özelliği, eğitim verilerinin altında yatan dağılımı öğrenmek için olasılıksal modeller kullanmasıdır. Bu sayede, verilerdeki belirsizlik ve değişkenliği daha iyi yakalayabilirler. VAE’ler, görsel sanatlar ve veri simülasyonu gibi alanlarda yenilikçi uygulamalar için büyük potansiyel taşır.

VAE’lerin Training Süreci

Değişken Otomatik Kodlayıcılar (VAE’ler), makine öğreniminde yaygın olarak kullanılan bir yöntemdir ve özellikle veri üretme, sıkıştırma, gürültü giderme ve özellik çıkarma gibi uygulamalarda etkilidir. VAE’lerin eğitim süreci, temelde şu adımlardan oluşur:

1. Kodlama (Encoding): Girdi verileri, kodlayıcı ağa (encoder) beslenir. Bu ağ, verileri daha düşük boyutlu bir “latent” (gizli) uzaya sıkıştırır. Bu gizli uzay, Gaussian dağılımı varsayımına dayanır.
2. Örnekleme (Sampling): Öğrenilen Gaussian dağılımından, gizli uzayda rastgele bir nokta örneklenir.
3. Kod Çözme (Decoding): Kod çözücü ağ (decoder), örneklenen noktayı alır ve onu yeni bir veri noktasına dönüştürür. Kod çözücü, orijinal girdi verisini gizli uzay temsili kullanarak yeniden yapılandırmak üzere eğitilir.
4. Kayıp Hesaplama (Loss Calculation): VAE’ler için kayıp fonksiyonu, yeniden yapılandırma kaybı ve KL-divergence (Kullback-Leibler sapması) kaybından oluşur. Yeniden yapılandırma kaybı, kod çözücünün orijinal girdi verisini ne kadar iyi yeniden yapılandırabildiğini ölçer. Öte yandan, KL-divergence kaybı, öğrenilen gizli uzayın dağılımı ile gerçek dağılım arasındaki farkı ölçer.
5. Geri Yayılım (Backpropagation): Kayıp fonksiyonundan gelen hata sinyali, hem kodlayıcı hem de kod çözücünün ağırlıklarını güncellemek üzere ağ boyunca geri yayılır.

Eğitim tamamlandıktan sonra, VAE öğrenilen gizli uzayın dağılımından örnekleme yaparak yeni veriler üretebilir. VAE’ler, veri sıkıştırma, gürültü giderme ve özellik çıkarma gibi diğer uygulamalarda da kullanılabilir. Örneğin, otomatik kodlayıcılar ile görüntü gürültü giderme uygulaması yapılabilir.

VAE’lerin Uygulama Alanları

Değişken Otomatik Kodlayıcılar (VAE’ler), yapay zeka ve makine öğrenmesi alanında önemli bir yere sahip olan yapay sinir ağları tabanlı bir teknolojidir. Bu teknoloji, özellikle veri üretimi ve manipülasyonu gibi birçok alanda kullanılmaktadır. İşte VAE’lerin uygulama alanlarından bazıları:

1. Görüntü Üretimi ve Manipülasyonu: VAE’ler, yeni ve gerçekçi görüntüler üretebilir veya mevcut görüntüleri değiştirebilir. Bu, sanat ve tasarım alanında yeni yaratıcılık olanakları sunar.
2. Video Üretimi ve Tahmini: VAE’ler, video içerikleri oluşturmak ve gelecekteki kareleri tahmin etmek için kullanılabilir.
3. Veri Sıkıştırma ve Gürültü Giderme: Verileri sıkıştırma ve gürültüyü azaltma konusunda VAE’ler oldukça etkilidir, böylece daha az depolama alanı gerektirir ve veri kalitesini artırır.
4. Anormallik Tespiti ve Aykırı Değer Giderimi: VAE’ler, veri setlerindeki anormal veya aykırı öğeleri tespit etmede ve bunları gidermede kullanılabilir.
5. Tavsiye Sistemleri ve Kişiselleştirme: Kişisel tercihlere göre özelleştirilmiş içerik ve ürün önerileri sunmak için VAE’lerden yararlanılır.
6. Özellik Çıkarımı ve Temsil Öğrenimi: VAE’ler, verilerin daha anlamlı ve kullanışlı temsillerini öğrenmek için kullanılır.
7. Gerçekçi 3D Modeller ve Ortamların Üretilmesi:** VAE’ler, gerçek dünyaya benzeyen 3D modeller ve sanal ortamlar oluşturmak için kullanılabilir.
8. Doğal Dil İşleme: Metin üretimi ve makine çevirisi dahil olmak üzere, doğal dil işleme alanında VAE’ler önemli bir role sahiptir.
9. Biyomedikal Veri Analizi ve İlaç Keşfi: VAE’ler, biyomedikal verilerin analizinde ve yeni ilaç adaylarının keşfinde kullanılır.
10. Fizik ve Diğer Bilimlerde Simülasyon ve Tahmin: VAE’ler, çeşitli bilim dallarında simülasyon ve tahmin yapmak için kullanılır.

Diffusion Modelleri

Diffüzyon modelleri, yapay zeka alanında yenilikçi bir adım olarak karşımıza çıkar. Bu modeller, yüksek kaliteli sentetik veriler üretmek için temel verilere iteratif olarak gürültü ekleyip bu gürültüyü çıkararak öğrenir. Gürültü ekleyip çıkarma süreci sayesinde, diffüzyon modelleri verilerin desenlerini ve yapılarını daha iyi anlayabilir hale gelir.

Bu modeller, karmaşık ilişkileri anlayabilme yetenekleri sayesinde özellikle görüntü oluşturmada başarılıdır. Eğitimleri basit ve verimli karşılaştırmalı kayıp fonksiyonları kullanılarak yapılabilir ve bu da onları GAN’lar ve VAE’ler gibi diğer modellere göre daha kolay eğitilebilir kılar. OpenAI tarafından geliştirilen DALL-E, metin açıklamalarından detaylı ve karmaşık görüntüler oluşturabilen bir diffüzyon tabanlı model örneğidir.

Diğer Generative AI Modelleri

Generative AI’lerin temel olarak 3 farklı modele ayrıldığını gördük. Ancak daha yenilikçi ve deneysel Generative AI modelleri de mevcuttur. Bu modeller aşağıda detaylı olarak listelenmiştir.

Otoregresif Modeller

Otoregresif modeller, bir veri dizisini sırayla üreterek her bir elemanı, önceki elemanlara dayanarak tahmin eden olasılıksal modellerdir. Doğal dil işleme (NLP) alanında, metin üretimi ve dil çevirisi gibi görevlerde sıklıkla kullanılırlar. Bu modeller, bir dizideki önceki değerlere bakarak sonraki değeri tahmin ederler. Örneğin, hisse senedi fiyatlarının zaman serisi analizinde önceki günlerin fiyatları temel alınarak ertesi günün fiyatı tahmin edilebilir.

Büyük Dil Modelleri (LLM’ler), bu tür otoregresif modelleri kullanarak, komutlara uygun insan benzeri yanıtlar üretirler. Kitaplar, makaleler ve web siteleri gibi geniş metin veri setleri üzerinde eğitilirler ve gerçek verilere benzer stil ve içerikte yeni metinler üretmek için tasarlanırlar. LLM’ler, dil modelleme, makine çevirisi, soru-cevaplama ve metin özetleme gibi birçok dil görevinde başarılı sonuçlar elde etmişlerdir.

Ayrıca, yüksek kaliteli metin üretme yetenekleri, chatbotlar, şiir yazımı ve haber makaleleri veya sosyal medya gönderileri oluşturma gibi yaratıcı uygulamalarda da onları önemli kılmaktadır.

Transformer Tabanlı Modeller

Transformer modelleri, GPT-3 gibi dil modelleri de dahil olmak üzere çeşitli generatif AI modellerinin temeli olarak kullanılmıştır. Transformer, kendinden dikkat mekanizmasına dayanan bir tür sinir ağı mimarisidir. Bir girdi verildiğinde, mekanizma modelin girdi dizisinin farklı bölümlerine paralel olarak ağırlıklar atamasını sağlar.

Daha sonra, model bu bölümler arasındaki ilişkiyi belirler ve özel girdiye uygun çıktıyı üretir. Transformerlar, dil çevirisi, üretim ve soru-cevaplama gibi NLP görevleri için popüler olarak kullanılır. Ancak, yeni içerik oluşturmak üzere özel olarak eğitilmedikçe, yalnızca generatif modeller olarak kabul edilmeyebilirler.

Akış Tabanlı Modeller

Akış tabanlı modeller, generatif AI modellerinin bir türüdür ve bir veri setindeki verilerin organizasyonunu öğrenmeye odaklanır. Bu modeller, veri setindeki değerlerin/olayların olasılıklarını anlayarak ve bunların ne sıklıkla meydana geleceğini belirleyerek çalışır. Yeni veri noktaları üretirken, mevcut verilerin istatistiksel özelliklerini ve karakteristiklerini korurlar. Bu modellerin özelliği, mevcut verilere uyguladıkları “basit tersine çevrilebilir bir dönüşüm”ün kolayca geri alınabilir veya tersine çevrilebilir olmasıdır.

Böylece, basit bir başlangıç dağılımından (örneğin, rastgele gürültü) yola çıkarak verimli bir şekilde yeni örnekler üretebilirler ve karmaşık optimizasyon gerektirmezler. Akış tabanlı modeller, diğer modellere kıyasla daha hızlı örnek üretimi yapabilir ve daha az hesaplama gücü gerektirir. Ayrıca, yüksek çözünürlüklü ve sadakatli yüksek kaliteli örnekler üretebilme avantajına sahiptirler.

Dil modelleme, görüntü ve konuşma tanıma, makine çevirisi gibi alanlarda kullanılabilirler ve büyük veri setlerinde kolayca eğitilebilirler, bu da onları derin öğrenme uygulamaları için uygun kılar. Ancak, yapılandırılmış veya hiyerarşik veriler üretmede bazı diğer modellere göre daha az etkili olabilirler.

Ayrıca birer Generative AI aracı olan Midjourney ve Dall-E 2 hakkında daha fazla bilgi almak için “Midjourney ile Yapay Zeka Görsel Oluşturma Rehberi” ve “DALL·E 2 Yapay Zeka Görüntü Oluşturma Aracı Nasıl Kullanılır?” adlı rehberlerimize göz atabilirsiniz.