category Algoritmalar
Makine öğrenimi algoritmaları
Fine-Tuning (İnce Ayar)
Fine-Tuning (İnce Ayar), devasa bir veri setiyle genel amaçlı olarak önceden eğitilmiş (pre-trained) bir yapay zeka modelinin (örn: LLaMA veya GPT-3), daha küçük ve spesifik bir veri seti kullanılarak belirli bir göreve veya sektöre (tıp, hukuk, kodlama vb.) uyarlanması işlemidir. Modeli sıfırdan eğitmek yerine mevcut bilgilerinin üzerine özel bir uzmanlık inşa edilmesini sağlar.
Quantization (Kuantizasyon (Model Küçültme))
Kuantizasyon, devasa boyutlardaki yapay zeka modellerinin (Örn: LLaMA, GPT) matematiksel doğruluğundan çok az taviz vererek, dosya boyutlarını ve kullandıkları belleği (RAM/VRAM) dramatik şekilde küçültme işlemidir. Bu teknik sayesinde 100 GB RAM isteyen bir model, evimizdeki bir telefona veya akıllı saate sığabilir hale gelir.
Reinforcement Learning (Pekiştirmeli Öğrenme)
Pekiştirmeli Öğrenme (Reinforcement Learning - RL), makine öğreniminin temel kollarından biridir. Sistemin (ajan), belirli bir ortam (environment) içinde deneme yanılma yoluyla eylemler gerçekleştirdiği, doğru hamlelerinde ödül (reward), yanlış hamlelerinde ise ceza (penalty) alarak en yüksek toplam ödüle ulaşacak stratejiyi kendi kendine keşfettiği öğrenme türüdür. İnsanların bisiklete binmeyi öğrenme sürecine çok benzer.
Simulated Annealing (Benzetimli Tavlama)
Benzetimli Tavlama (Simulated Annealing), fizikteki metal tavlama sürecinden esinlenen olasılıksal bir optimizasyon algoritmasıdır. Metal tavlama işleminde erimiş metal yavaşça soğutularak atom dizilişi minimum enerji durumuna ulaşır; benzer şekilde bu algoritma da çözüm uzayında küresel minimumu (veya maksimumu) aramak için kontrollü bir soğuma stratejisi kullanır. Algoritma 1983 yılında Scott Kirkpatrick, C. Daniel Gelatt Jr. ve Mario P. Vecchi tarafından önerilmiştir. Benzetimli Tavlama, yerel minimumlara takılmaktan kaçınmak için başlangıçta yüksek bir sıcaklık parametresiyle çalışır. Bu aşamada kötü çözümleri belirli bir olasılıkla kabul edebilir. Sıcaklık yavaş yavaş azaldıkça (soğuma programı), algoritma giderek daha seçici hale gelir ve yalnızca daha iyi çözümleri kabul etmeye başlar. Bu sayede evrimsel süreçlerde görülen lokal optimallerden kaçış mekanizmasına benzer bir davranış elde edilir. Algoritma, pratik uygulamalarda son derece geniş bir kullanım alanına sahiptir: gezgin satıcı problemi (TSP), çizelgeleme optimizasyonu, devre tasarımı, portföy optimizasyonu ve ağ yönlendirme problemleri bunların başında gelir. Derin öğrenme çağında bile hiperparametre optimizasyonu ve sinir ağı ağırlıklarının başlangıç değerlerini ayarlamak için kullanılmaktadır. Temel parametre olan soğuma hızı (cooling schedule), algoritmanın başarısını doğrudan etkiler. Çok hızlı soğuma lokal minimuma takılmaya; çok yavaş soğuma ise aşırı uzun çalışma sürelerine yol açar.
Test-Time Compute (Test Anı Hesaplama)
Test-time compute (çıkarım anı hesaplama), bir yapay zeka modelinin eğitim sırasında değil, cevap üretimi (inference) anında harcadığı ek hesaplamadır. OpenAI o1/o3 ile popülerleşen bu yaklaşımda model, token bütçesini "düşünce adımları" için kullanır; bütçe arttıkça doğruluk yükselirken maliyet ve gecikme de artar.