tag MakineOgrenimi
Bu sayfada MakineOgrenimi etiketi ile işaretlenmiş tüm yapay zeka kavramlarını inceliyorsunuz.
Machine Unlearning (Makine Unutturma)
Machine Unlearning, bir yapay zeka modelinin belirli eğitim verilerini, tüm modeli sıfırdan eğitmek zorunda kalmaksızın 'unutmasını' sağlayan yöntemler bütünüdür. Kavram, GDPR'nin 17. Maddesi olarak bilinen 'Silinme Hakkı' (Right to Erasure) ile doğrudan örtüşmektedir: bir kullanıcı verilerinin silinmesini talep ettiğinde, bu verinin model parametrelerine ne ölçüde işlendiği ve nasıl çıkarılacağı kritik bir uyum sorununa dönüşmektedir. Geleneksel yaklaşımda tek çözüm modeli baştan eğitmektir. GPT-4 veya Gemini gibi büyük dil modellerini sıfırdan eğitmek haftalar ve milyonlarca dolar gerektirdiğinden bu yol pratikte imkânsızdır. Machine Unlearning bu boşluğu kapatmaya çalışır. Teknik olarak iki ana yaklaşım mevcuttur: Exact Unlearning (Kesin Unutturma) ve Approximate Unlearning (Yaklaşık Unutturma). Exact Unlearning'in en tanınan yöntemi SISA Training'dir (Sharded, Isolated, Sliced, Aggregated). Bu teknikte eğitim verisi bağımsız parçalara bölünür; her parçanın kendi alt modeli olduğundan yalnızca ilgili parça yeniden eğitilir ve istenen veri kesin biçimde dışarıda bırakılabilir. Approximate Unlearning ise hedeflenen parametreleri gradyan güncellemeleriyle değiştirerek daha hızlı bir çözüm sunar; ancak verinin gerçekten unutulup unutulmadığının doğrulanması güçtür. 2024 yılında İtalyan Veri Koruma Kurumu, GDPR ihlalleri gerekçesiyle OpenAI'a 15 milyon Euro para cezası keserken Avrupa Veri Koruma Kurulu (EDPB) 2025'te silinme hakkına odaklanan Koordineli Uygulama Çerçevesi'ni başlattı. Bu düzenleyici baskılar Machine Unlearning'i yalnızca akademik bir araştırma konusu olmaktan çıkarıp kurumsal uyum için zorunlu bir araç hâline getirdi. 2025 yılında UC Riverside araştırmacıları, orijinal eğitim verisine gerek duymadan çalışan 'kaynak serbest unutturma' (source-free unlearning) yöntemini geliştirdi. Bu yaklaşım özellikle büyük ölçekli modeller için umut vericidir. Bununla birlikte, büyük dil modellerinde bilginin milyarlarca parametreye dağıtılmış biçimde depolanması nedeniyle tam ve doğrulanabilir unutturma sağlamak hâlâ açık bir araştırma problemi olmayı sürdürmektedir.
PyTorch (Açık Kaynak Derin Öğrenme Çerçevesi)
PyTorch, Meta AI Araştırma Laboratuvarı (FAIR) tarafından 2016 yılında geliştirilen, Python tabanlı açık kaynaklı bir derin öğrenme çerçevesidir. Facebook'un Lua diliyle oluşturduğu Torch kütüphanesinin modern Python uyarlaması olarak doğan PyTorch, sinir ağları ve makine öğrenimi modellerini tasarlamak, eğitmek ve üretim ortamına almak için kapsamlı bir araç seti sunar. PyTorch'u rakiplerinden ayıran en temel özellik, çalışma zamanında değiştirilebilen dinamik hesaplama grafları (define-by-run) yaklaşımıdır. TensorFlow gibi çerçevelerin erken sürümlerinde benimsenen statik grafların aksine, PyTorch'ta model kodu adım adım yürütülürken hesaplama grafı anlık olarak inşa edilir. Bu yaklaşım, araştırmacıların standart Python hata ayıklama araçlarını doğrudan kullanabilmesini ve model mimarisini denemeler sırasında kolayca değiştirebilmesini sağlar. Autograd sistemi, PyTorch'un otomatik diferansiyelleştirme motorunu oluşturur. Bir tensöre requires_grad=True atandığında, sistem bu tensör üzerinde gerçekleştirilen tüm matematiksel işlemleri sessizce kaydeder ve .backward() çağrısıyla gradyanları otomatik olarak hesaplar. Bu mekanizma, geri yayılım (backpropagation) algoritmasının elle kodlanmasına gerek kalmaksızın her türlü özel kayıp fonksiyonu ve katman tasarımına izin verir. Akademik araştırma dünyasında PyTorch, 2019-2020 yıllarından itibaren TensorFlow'u geçerek birincil derin öğrenme çerçevesi hâline gelmiştir. NLP alanında çığır açan BERT ve GPT serileri, bilgisayarla görüde yaygınlaşan ViT ve DINO, konuşma alanında Whisper — bu modellerin tamamı PyTorch üzerine inşa edilmiştir. Hugging Face Transformers kütüphanesi de birincil backend olarak PyTorch'u kullanır ve tek bir API ile yüz binlerce önceden eğitilmiş modele erişim sunar. GPU desteği açısından PyTorch, NVIDIA CUDA ile derin bir entegrasyona sahiptir; model veya tensörler .to('cuda') gibi tek satır kodla GPU'ya taşınabilir. Apple Silicon için MPS (Metal Performance Shaders) ve AMD için ROCm desteği de eklenmiştir. TorchVision, TorchAudio, PyTorch Lightning ve TorchServe gibi resmi ekosistem paketleri, PyTorch'u araştırma prototipinden üretim ortamına kadar tek çatı altında kullanan eksiksiz bir platform hâline getirir.