tag Algoritmalar
Bu sayfada Algoritmalar etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Beam Search (Işın Araması), doğal dil işleme ve konuşma tanıma alanlarında kullanılan sezgisel bir arama algoritmasıdır. Dizi üretimi görevlerinde, olası çıktı dizileri arasından en yüksek olasılıklı olanı bulmak amacıyla kullanılır. Açgözlü aramanın (greedy search) aksine, her adımda yalnızca tek en iyi seçeneği takip etmek yerine, belirlenen sayıda (ışın genişliği — beam width) en iyi adayı eş zamanlı olarak izler. Algoritma şöyle çalışır: Başlangıçta boş bir dizi ile başlanır ve her adımda mevcut adayların tüm olası genişlemeleri hesaplanır. Bu genişlemeler, toplam log-olasılık skorlarına göre sıralanır ve yalnızca en yüksek skorlu k aday (ışın genişliği) bir sonraki adıma aktarılır. Süreç, tüm diziler bir bitiş simgesi üretene ya da maksimum uzunluğa ulaşana dek devam eder. Işın genişliği (k) belirleyici bir hiperparametredir: k=1 durumu açgözlü aramaya eşdeğerdir ve en hızlı ama en az kapsamlı çözümdür. k değeri arttıkça çıktı kalitesi genel olarak yükselir; ancak hesaplama maliyeti de orantılı biçimde artar. Pratik uygulamalarda k=4 ile k=10 arasındaki değerler yaygındır. Beam Search, özellikle makine çevirisi, metin özetleme, konuşma sentezi ve konuşma tanıma sistemlerinde standart çözüm olarak kullanılmaktadır. Google Sinirsel Makine Çeviri sistemi ve pek çok modern dil modeli bu algoritmayı benimsemiştir. Bununla birlikte, açık uçlu metin üretiminde (yaratıcı yazım, diyalog sistemleri) tekrarlayıcı ve generik çıktılar üretme eğilimi nedeniyle nucleus sampling ve sıcaklık örneklemesi gibi stokastik yöntemler ön plana çıkmıştır. Tarihsel olarak 1977 yılında konuşma tanıma araştırmalarında kullanılan Beam Search, derin öğrenme çağında NLP'nin temel bileşenlerinden biri haline gelmiştir. Algoritmanın hesaplama karmaşıklığı O(k × V × L) olup V sözcük dağarcığı boyutunu, L ise dizi uzunluğunu ifade eder; bu nedenle büyük dil modellerinde inference maliyetini doğrudan etkiler. 2024-2026 döneminde büyük dil modellerinin yaygınlaşmasıyla Beam Search yeni varyantlar kazanmıştır. Constrained Beam Search, JSON şema doğrulama ve yapılandırılmış çıktı görevlerinde belirli token dizilerinin çıktıda yer almasını zorunlu kılar. Speculative decoding mimarisiyle birleştirildiğinde ise küçük bir taslak model beam adayları üretirken büyük model paralel doğrulamayı yürütür; bu yaklaşım GPU inference gecikmesini önemli ölçüde azaltır. Hugging Face Transformers kütüphanesi her iki tekniği generate() API'si üzerinden destekler.
Beam Search (Işın Araması)
Beam Search (Işın Araması), doğal dil işleme ve konuşma tanıma alanlarında kullanılan sezgisel bir arama algoritmasıdır. Dizi üretimi görevlerinde, olası çıktı dizileri arasından en yüksek olasılıklı olanı bulmak amacıyla kullanılır. Açgözlü aramanın (greedy search) aksine, her adımda yalnızca tek en iyi seçeneği takip etmek yerine, belirlenen sayıda (ışın genişliği — beam width) en iyi adayı eş zamanlı olarak izler. Algoritma şöyle çalışır: Başlangıçta boş bir dizi ile başlanır ve her adımda mevcut adayların tüm olası genişlemeleri hesaplanır. Bu genişlemeler, toplam log-olasılık skorlarına göre sıralanır ve yalnızca en yüksek skorlu k aday (ışın genişliği) bir sonraki adıma aktarılır. Süreç, tüm diziler bir bitiş simgesi üretene ya da maksimum uzunluğa ulaşana dek devam eder. Işın genişliği (k) belirleyici bir hiperparametredir: k=1 durumu açgözlü aramaya eşdeğerdir ve en hızlı ama en az kapsamlı çözümdür. k değeri arttıkça çıktı kalitesi genel olarak yükselir; ancak hesaplama maliyeti de orantılı biçimde artar. Pratik uygulamalarda k=4 ile k=10 arasındaki değerler yaygındır. Beam Search, özellikle makine çevirisi, metin özetleme, konuşma sentezi ve konuşma tanıma sistemlerinde standart çözüm olarak kullanılmaktadır. Google Sinirsel Makine Çeviri sistemi ve pek çok modern dil modeli bu algoritmayı benimsemiştir. Bununla birlikte, açık uçlu metin üretiminde (yaratıcı yazım, diyalog sistemleri) tekrarlayıcı ve generik çıktılar üretme eğilimi nedeniyle nucleus sampling ve sıcaklık örneklemesi gibi stokastik yöntemler ön plana çıkmıştır. Tarihsel olarak 1977 yılında konuşma tanıma araştırmalarında kullanılan Beam Search, derin öğrenme çağında NLP'nin temel bileşenlerinden biri haline gelmiştir. Algoritmanın hesaplama karmaşıklığı O(k × V × L) olup V sözcük dağarcığı boyutunu, L ise dizi uzunluğunu ifade eder; bu nedenle büyük dil modellerinde inference maliyetini doğrudan etkiler. 2024-2026 döneminde büyük dil modellerinin yaygınlaşmasıyla Beam Search yeni varyantlar kazanmıştır. Constrained Beam Search, JSON şema doğrulama ve yapılandırılmış çıktı görevlerinde belirli token dizilerinin çıktıda yer almasını zorunlu kılar. Speculative decoding mimarisiyle birleştirildiğinde ise küçük bir taslak model beam adayları üretirken büyük model paralel doğrulamayı yürütür; bu yaklaşım GPU inference gecikmesini önemli ölçüde azaltır. Hugging Face Transformers kütüphanesi her iki tekniği generate() API'si üzerinden destekler.
Online Learning (Çevrimiçi Öğrenme)
Çevrimiçi öğrenme (online learning), makine öğrenimi modellerinin veriyi tüm veri kümesini bir anda işlemek yerine, veriler geldikçe artan biçimde güncellemesini sağlayan eğitim paradigmasıdır. Bu yaklaşımda model, her yeni gözlem veya küçük veri grubu (mini-batch) geldiğinde ağırlıklarını hemen günceller; böylece hem büyük veri kümelerini bellekte tutma zorunluluğu ortadan kalkar hem de değişen veri dağılımlarına hızlı uyum sağlanır. "Artımlı öğrenme" (incremental learning) veya "akış tabanlı öğrenme" (stream learning) olarak da adlandırılır. Geleneksel toplu öğrenme (batch learning) modeli bir kez eğitip sonuçlarını sabit tutar; yeni verilerle güncelleme için tüm model sıfırdan yeniden eğitilir. Çevrimiçi öğrenmede ise model sürekli evrilir: her gözlemde ağırlıklar küçük adımlarla güncellenir ve eski veriyi saklamaya gerek kalmaz. Bellek gereksinimi sabit kalır; veri büyüdükçe model boyutu artmaz. Temel algoritmalar arasında Stokastik Gradyan İnişi (SGD), Perceptron ve Passive-Aggressive (PA) algoritması yer alır. Derin öğrenme modellerinde SGD, çevrimiçi öğrenmenin standart motorudur. Daha karmaşık senaryolarda LSTM gibi yinelemeli sinir ağları ya da pekiştirmeli öğrenme yöntemleri de çevrimiçi modda çalışabilir. Kullanım alanları gerçek zamanlı karar alma gerektiren sistemleri kapsar: e-ticaret tavsiye sistemleri kullanıcı davranışını anında modele yansıtır; finansal piyasalarda dolandırıcılık tespiti ve fiyat tahmini sürekli güncel modeller ister; ağ güvenliği ve IoT sensör sistemlerinde anomali tespiti anlık adaptasyon gerektirir. Başlıca zorluk, gürültülü ya da aykırı gözlemlere karşı yüksek hassasiyettir; öğrenme hızı zamanlaması ve pencereli güncelleme stratejileriyle bu risk azaltılır. Kavram kayması (concept drift) ise veri dağılımının zaman içinde değişmesidir; ADWIN ve Page-Hinkley gibi algılama mekanizmaları erken uyarı sağlar. Apache Kafka ve River kütüphanesiyle entegrasyon, çevrimiçi öğrenmeyi üretim ortamlarına taşımanın standart yolunu oluşturur.