Bir sohbet botu aynı soruya neden farklı yanıtlar verir?
Bir sohbet botu aynı soruya farklı yanıtlar verir çünkü her yanıtı, sıradaki olası sözcükler arasından seçim yaparak oluşturur ve bu seçim genellikle bir miktar rastlantısallık içerir. Önceden kaydedilmiş tek bir yanıtı getirip sunmaz.
30 kişilik hayali bir mimarlık ofisi olan Fairline Architects'i düşünün. Ortaklardan biri, ofis bir yapay zeka asistanı kullanmaya başlamadan önce ofis yöneticisi Rowan'dan üç konuyu açıklamasını istiyor. Rowan'ın notlarında şunlar yazıyor: 'izin gerektirmeyen yapı işleriyle ilgili kuralları iki kez sordum, iki farklı yanıt aldım'; 'var olmayan bir imar rehberi belge numarasına atıfta bulundu'; 'görsel aracı yeni stüdyonun güzel bir eskizini çizdi ama pencereler aynı hizada değil'. Ortak, aracın bozuk olup olmadığını bilmek istiyor. Bozuk değil. Tam olarak tasarlandığı şeyi yapıyor.
Üretken yapay zeka modeli nasıl eğitilir?
Büyük dil modeli önce çok geniş bir metin koleksiyonu üzerinde bir sonraki metin parçasını tahmin etmek üzere eğitilir, ardından talimatlara uyması ve yararlı yanıtlar vermesi için ek eğitimden geçirilir. Anthropic'in sözlüğü, ön eğitimi önceki bağlamdan hareketle bir sonraki kelimeyi tahmin etmek için büyük ve etiketlenmemiş bir metin derlemi üzerinde eğitim olarak tanımlar. Bunu ince ayar ve insan geri bildiriminden pekiştirmeli öğrenme izler; bu aşamada insanlar örnek yanıtları sıralar ve model daha iyi olanları tercih etmeyi öğrenir.
Model her belgenin bir kopyasını saklamaz. Tahminleri verilerdeki örüntülerle örtüşene kadar milyarlarca iç sayısal değeri ayarlar. Sonuçta ortaya çıkan şey, aranabilir bir kütüphaneden çok, dilin ve fikirlerin genellikle nasıl bir araya geldiğine dair çok ayrıntılı bir kavrayışa benzer.
Belirteçler nedir ve model bunları nasıl tahmin eder?
Belirteçler, modelin okuyup yazdığı, genellikle bir sözcükten veya sözcük parçasından oluşan küçük birimlerdir. Model, olası bir sonraki belirteci tekrar tekrar tahmin ederek yazar. Google'ın makine öğrenimi kursu, dil modelini bir belirtecin veya belirteç dizisinin daha uzun bir dizide yer alma olasılığını tahmin eden bir sistem olarak tanımlar ve yaklaşık 400 belirtecin yaklaşık 300 İngilizce sözcüğe eşit olduğunu belirtir.
Model, her adımda bir sonraki olası birçok belirtece puan verir. Ardından uygulama bunlardan birini seçer; bazen en olası olanı, çoğu zaman da olası seçenekler arasından örnekleme yoluyla seçilen birini. Sıcaklık adı verilen bir ayar, bu seçimin ne kadar cesur olacağını belirler: yüksek değerler daha çeşitli, düşük değerler daha öngörülebilir ifadeler üretir. Anthropic, en düşük sıcaklıkta bile sonuçların tamamen deterministik olmadığını belirtir. Rowan'ın ilk notunun yanıtı budur.
Yapay zeka görsel oluşturucuları nasıl çalışır?
Birçok yapay zeka görsel üreticisi, difüzyon adı verilen bir yöntem kullanır: model, görsellerdeki gürültüyü gidermeyi öğrenir; ardından rastgele gürültüden başlayıp metin açıklamanız doğrultusunda bunu adım adım iyileştirerek yeni bir görsel oluşturur. Hugging Face'in difüzyon kursu, eğitimi farklı miktarlarda gürültü ekleyip modele bunu düzeltmeyi öğretmek; üretimi ise bir görsel ortaya çıkana kadar rastgele gürültüyü aşamalı olarak iyileştirmek şeklinde açıklar.
Model, bir mimarın çizimini izlemek yerine makul görünen pikseller oluşturduğu için pencerelerin hizası, tabelalardaki yazılar veya parmak sayısı gibi ayrıntılar yanlış çıkabilir. Bu, Rowan'ın üçüncü notudur.
Bu, araçları kullanma biçiminiz açısından ne anlama gelir?
Aracın belleğine güvenmek yerine, çalışırken temel almasını istediğiniz bilgileri ona vermeniz gerektiği anlamına gelir. Zayıf istem: 'Bir binanın arkasına yapılacak ek yapı için imar izni gerektirmeyen yapılaşma kuralları nelerdir?' Yanıt akıcıdır, denemeden denemeye değişir, farklı yıllara veya ülkelere ait kuralları karıştırabilir ve inandırıcı görünen ancak uydurma bir belge referansı içerebilir; bu da Rowan'ın ikinci notunu açıklar.
İyileştirilmiş istem: Rowan, resmî imar kılavuzundaki ilgili bölümü yapıştırıp şunu sorar: 'Yalnızca aşağıdaki metni kullanarak, binanın arkasına yapılacak tek katlı bir ek yapının boyut sınırlarını tabloda özetle. Metinde ele alınmayan bir konu varsa ele alınmadığını belirt.' Artık modelin görevi, görebildiği metni yeniden ifade edip düzenlemektir; bunu iyi yapar ve Rowan her satırı kaynakla karşılaştırarak kontrol edebilir.
Üretken yapay zekanın sınırları nelerdir?
Temel sınırlamalar şunlardır: üretken yapay zeka yanlış bilgileri kendinden emin biçimde sunabilir; aramaya veya belgelere bağlı değilse bilgisi belirli bir tarihle sınırlıdır; yalnızca bağlam penceresine sığan içerikle çalışabilir ve eğitim verilerindeki yanlılığı yansıtabilir. Bunların hiçbiri daha kibar sorarak düzeltilebilecek hatalar değildir; modellerin çalışma biçiminden kaynaklanırlar.
Bilgileri, sayıları, adları ve referansları güvendiğiniz bir kaynakla karşılaştırarak kontrol edin ve doğruluğun önemli olduğu her durumda araca kaynak materyal sağlayın.
Bu dersin Tosheo.ai kataloğundaki yeri nedir?
Üretken yapay zeka nasıl çalışır dersi, Yapay zekanın temelleri kategorisinde yer alır. Yeni başlayanlara yönelik yapay zeka eğitiminin ilk derslerinden biri ve üretken yapay zeka kursunun açılış dersidir. Tosheo.ai üzerindeki uygulamalı görevde, sıcaklık gibi ayarları değiştirdiğinizde veya kaynak metin sağladığınızda bir aracın nasıl davranacağını önce tahmin etmeniz, ardından test etmeniz istenir. Puanlama ölçütlerine dayalı geri bildirim ise açıklamanızın bir iş arkadaşınız için anlaşılır olup olmadığını değerlendirir.
Kaynaklar ve kapsam
Hugging Face Difüzyon Modelleri Kursu, ünite 1: difüzyona giriş (kontrol tarihi: 19 Ekim 2026) ↗