Yapay Zeka Terimleri – Sayfa 10

653 terim

Terimler

Teknolojik Tekillik(Technological Singularity)Teknolojik tekillik (singularity), yapay zekânın insan zekâsını aşıp kendini hızla geliştirmeye başlayacağı ve teknolojik değişimin öngörülemez hâle geleceği varsayılan gelecek anıdır. Kanıtlanmış bir olgu değil, tartışmalı bir hipotezdir.Tekrarlayan Sinir Ağı(Recurrent Neural Network)Tekrarlayan sinir ağı (RNN), metin, ses veya zaman serisi gibi sıralı verileri adım adım işleyen ve önceki adımlardan gelen bilgiyi gizli bir durumda taşıyarak bir tür kısa süreli hafıza kullanan sinir ağı türüdür.Temellendirme(Grounding)Temellendirme (grounding), bir yapay zekâ modelinin cevabını yalnızca eğitimde öğrendiklerine değil, belge, veri tabanı, arama sonucu gibi doğrulanabilir ve güncel kaynaklara dayandırmasıdır. Uydurma bilgiyi azaltmayı ve kaynak göstermeyi amaçlar.Temel Bileşenler Analizi(Principal Component Analysis)Temel bileşenler analizi (PCA), birbiriyle ilişkili çok sayıda değişkeni, verideki varyansı en çok koruyan ve birbirinden bağımsız (dik) yeni değişkenlere, yani temel bileşenlere dönüştüren doğrusal bir boyut indirgeme yöntemidir.Temel Model(Foundation Model)Temel model, çok geniş ve çeşitli verilerle ön eğitilen, ardından ince ayar veya promptlarla pek çok farklı göreve uyarlanabilen büyük ölçekli yapay zekâ modelidir.TemperatureTemperature (sıcaklık), bir dil modelinin bir sonraki token'ı seçerken ne kadar rastgele davranacağını belirleyen ayardır. Düşük değer tutarlı ve öngörülebilir, yüksek değer daha çeşitli ve yaratıcı cevaplar üretir.Tensör(Tensor)Tensör, yapay zekâ ve derin öğrenme bağlamında sayıların çok boyutlu bir dizi hâlinde düzenlenmiş biçimidir. Skaler sıfır, vektör bir, matris iki boyutlu tensördür; daha fazla boyut da mümkündür.Tepe Tırmanma Algoritması(Hill Climbing)Tepe tırmanma algoritması (hill climbing), mevcut çözümden başlayıp her adımda daha iyi bir komşu çözüme geçen ve daha iyi komşu kalmadığında duran basit bir yerel arama ve optimizasyon yöntemidir.Tersine Görsel Arama(Reverse Image Search)Tersine görsel arama, bir görseli sorgu olarak kullanıp aynı ya da benzer görsellerin internette nerelerde bulunduğunu, ilk ne zaman yayımlandığını ve hangi bağlamda kullanıldığını bulmaya yarayan arama yöntemidir.TF-IDFTF-IDF (Term Frequency–Inverse Document Frequency), bir kelimenin bir belgedeki önemini; o belgede ne sıklıkla geçtiği ile tüm belge koleksiyonunda ne kadar nadir olduğunu çarparak ölçen bir metin ağırlıklandırma yöntemidir.Tıbbi Görüntü Analizi(Medical Image Analysis)Tıbbi görüntü analizi, röntgen, bilgisayarlı tomografi, MR ve ultrason gibi görüntülerden tanı ve tedaviye yardımcı bilgilerin bilgisayar yöntemleriyle çıkarılmasıdır. Yapay zekâ bu alanda hekimlere destek aracı olarak kullanılır.TinyMLTinyML, makine öğrenmesi modellerinin mikrodenetleyiciler gibi çok az bellek ve enerjiyle çalışan küçük cihazlarda çalıştırılmasını sağlayan yaklaşımdır. Veriyi buluta göndermeden cihaz üzerinde tahmin yapmayı mümkün kılar.TokenToken, yapay zekâ dil modellerinin metni işlerken kullandığı en küçük birimdir; bir kelime, kelimenin bir parçası ya da bir noktalama işareti olabilir. Modellerin hızı, bağlam penceresi ve kullanım ücretleri genellikle token sayısıyla ölçülür.TokenizerTokenizer, bir metni dil modelinin işleyebileceği token adlı küçük birimlere (kelime, kelime parçası ya da karakter) bölen ve bunları sayısal kimliklere çeviren bileşendir. Her modelin kendine ait bir tokenizer'ı vardır.Topluluk Öğrenmesi(Ensemble Learning)Topluluk öğrenmesi (ensemble learning), birden fazla makine öğrenmesi modelinin tahminlerini oylama, ortalama ya da başka bir modelle birleştirerek tek bir modelden daha doğru ve kararlı sonuç elde etmeyi amaçlayan yaklaşımdır.TOPS(Tera Operations Per Second)TOPS (Tera Operations Per Second), bir işlemcinin saniyede kaç trilyon temel işlem yapabildiğini gösteren bir performans ölçüsüdür. Özellikle NPU gibi yapay zekâ hızlandırıcılarının teorik gücünü anlatmak için kullanılır.Top-p Örnekleme(Top-p Sampling)Top-p örnekleme (nucleus sampling), dil modelinin bir sonraki token'ı, toplam olasılığı belirli bir eşiğe (p) ulaşan en olası adaylar kümesinden seçmesini sağlayan yöntemdir. Düşük olasılıklı, sapkın seçimleri dışarıda bırakır.TPU(Tensor Processing Unit)TPU (Tensor Processing Unit, tensör işlem birimi), Google'ın makine öğrenmesi modellerinin eğitimini ve çalıştırılmasını hızlandırmak için özel olarak tasarladığı bir işlemcidir. Ağırlıklı olarak Google'ın veri merkezlerinde ve bulut hizmetinde kullanılır.Transfer Öğrenmesi(Transfer Learning)Transfer öğrenmesi, bir görev için eğitilmiş bir modelin öğrendiği bilgiyi başka ama ilişkili bir göreve aktararak, yeni görevi daha az veri ve işlem gücüyle öğrenmesini sağlayan yöntemdir.TransformerTransformer, metin gibi sıralı verileri dikkat mekanizmasıyla paralel işleyen ve büyük dil modellerinin çoğunun temelini oluşturan bir sinir ağı mimarisidir.Transkripsiyon(Transcription)Transkripsiyon, ses ya da video kaydındaki konuşmanın yazılı metne dökülmesidir; insan tarafından elle yapılabildiği gibi günümüzde sıklıkla konuşma tanıma modelleriyle otomatik olarak gerçekleştirilir.TruthfulQATruthfulQA, dil modellerinin yaygın yanılgılara, batıl inançlara ve yanlış kanılara dayanan sorulara doğru cevap verip vermediğini, yani insanların sık tekrarladığı yanlışları taklit edip etmediğini ölçen bir kıyaslama testidir.Turing Testi(Turing Test)Turing testi, bir sorgucunun yazışma yoluyla karşısındakinin insan mı makine mi olduğunu ayırt edip edemediğine bakarak makinenin insan gibi davranıp davranamadığını ölçen düşünce deneyidir. Alan Turing 1950'de önermiştir.t-SNEt-SNE (t-distributed Stochastic Neighbor Embedding), yüksek boyutlu verideki noktaları, birbirine benzeyenler yakın kalacak şekilde iki ya da üç boyutlu bir haritaya yerleştiren, özellikle görselleştirme için kullanılan doğrusal olmayan bir boyut indirgeme yöntemidir.t-Testi(T-Test)t-testi, bir grubun ortalamasının belirli bir değerden ya da iki grubun ortalamalarının birbirinden istatistiksel olarak anlamlı biçimde farklı olup olmadığını sınamak için kullanılan, Student t dağılımına dayanan bir hipotez testidir.Uç Yapay Zekâ(Edge AI)Uç yapay zekâ (edge AI), yapay zekâ modellerinin veriyi uzak bir buluta göndermek yerine verinin üretildiği cihazda, yani telefon, bilgisayar, kamera, araç ya da sensör üzerinde çalıştırılmasıdır.Ulusal Yapay Zekâ Stratejisi(National AI Strategy)Ulusal yapay zekâ stratejisi, bir ülkenin yapay zekâ alanındaki hedeflerini, önceliklerini, yatırım alanlarını ve yönetişim ilkelerini belirleyen resmî politika belgesidir. Türkiye'nin ilk stratejisi 2021-2025 dönemini kapsar.UMAPUMAP (Uniform Manifold Approximation and Projection), yüksek boyutlu verideki komşuluk yapısını bir graf olarak modelleyip bunu düşük boyutta mümkün olduğunca koruyan, görselleştirme ve ön işleme için kullanılan doğrusal olmayan bir boyut indirgeme yöntemidir.Uzmanlar Karışımı(Mixture of Experts)Uzmanlar karışımı (mixture of experts, MoE), bir modelin birçok 'uzman' alt ağdan oluştuğu ve her girdi için bir yönlendirici yardımıyla yalnızca birkaç uzmanın çalıştırıldığı mimaridir. Büyük kapasiteyi daha düşük işlem maliyetiyle sunmayı amaçlar.Uzman Sistem(Expert System)Uzman sistem, belirli bir alandaki insan uzmanların bilgisini kurallar hâlinde saklayan ve bu kuralları kullanarak sorunlara öneri ya da karar üreten bilgisayar programıdır. Sembolik yapay zekânın en bilinen uygulamalarındandır.Uzun Süreli Bellek(Long-Term Memory)Uzun süreli bellek, bir yapay zekâ asistanının ya da ajanının tek bir sohbetin ötesinde bilgi saklayıp sonraki oturumlarda bu bilgiyi geri çağırabilmesini sağlayan yapıdır. Modelin ağırlıklarında değil, dışarıdaki bir depolama katmanında tutulur.U-NetU-Net, görüntüyü önce küçülterek bağlamını yakalayan, sonra yeniden büyüterek her piksel için tahmin üreten ve iki taraf arasındaki atlama bağlantılarıyla ayrıntıyı koruyan bir evrişimli sinir ağı mimarisidir. Görüntü bölütleme ve difüzyon modellerinde yaygın kullanılır.Üretken Motor Optimizasyonu(Generative Engine Optimization)Üretken motor optimizasyonu (GEO), içeriklerin yapay zekâ destekli sohbet ve arama araçlarının ürettiği yanıtlarda doğru biçimde kullanılması ve kaynak gösterilmesi için düzenlenmesidir. Klasik arama motoru optimizasyonunun tamamlayıcısı sayılır.Üretken Yapay Zekâ(Generative AI)Üretken yapay zekâ, eğitildiği verilerdeki kalıpları öğrenerek metin, görsel, ses, video veya kod gibi yeni içerikler üretebilen yapay zekâ modellerinin genel adıdır.Varyans(Variance)Varyans, istatistikte değerlerin ortalamadan ne kadar saptığını ölçen yayılım ölçüsüdür; makine öğrenmesinde ise bir modelin tahminlerinin, farklı eğitim verileriyle eğitildiğinde ne kadar değiştiğini, yani veriye duyarlılığını ifade eder.Varyasyonel Otokodlayıcı(Variational Autoencoder)Varyasyonel otokodlayıcı (VAE), veriyi düzenli bir gizil uzaya sıkıştıran bir kodlayıcı ile bu uzaydan yeniden veri üreten bir kod çözücüden oluşan, olasılık temelli üretken bir sinir ağı modelidir.Varyasyon Katsayısı(Coefficient of Variation)Varyasyon katsayısı, standart sapmanın ortalamaya bölünmesiyle elde edilen göreli bir yayılım ölçüsüdür. Genellikle yüzde olarak ifade edilir ve ölçekleri ya da birimleri farklı veri setlerinin değişkenliğini karşılaştırmayı sağlar.Vektör(Vector)Vektör, matematikte hem büyüklüğü hem yönü olan bir nicelik; yapay zekâda ise sıralı bir sayı listesidir. Metin, görsel ya da kullanıcı gibi nesneler vektörlerle sayısal olarak temsil edilir ve karşılaştırılır.Vektör Veritabanı(Vector Database)Vektör veritabanı, metin, görsel ya da ses gibi verilerin anlamını temsil eden sayısal vektörleri (embedding) saklayan ve bunlar arasında benzerlik araması yapmak için optimize edilmiş veri tabanı türüdür.Verim(Throughput)Verim (throughput), bir sistemin birim zamanda işleyebildiği iş miktarıdır. Yapay zekâda genellikle saniyede üretilen token sayısı ya da saniyede tamamlanan istek sayısıyla ölçülür ve sistemin kapasitesini gösterir.Veri Ağı(Data Mesh)Veri ağı (data mesh), analitik verinin merkezî bir ekip yerine, veriyi üreten iş alanlarının ekipleri tarafından birer ürün gibi sahiplenilip sunulduğu, merkeziyetsiz bir veri mimarisi ve organizasyon yaklaşımıdır.Veri Ambarı(Data Warehouse)Veri ambarı (data warehouse), bir kurumun farklı sistemlerinden gelen verileri temizlenmiş, düzenlenmiş ve yapılandırılmış biçimde tek bir merkezde toplayan, raporlama ve analiz için optimize edilmiş veri deposudur.Veri Analisti(Data Analyst)Veri analisti, kurumların topladığı verileri inceleyip temizleyen, özetleyen ve raporlar, grafikler ya da gösterge panelleri aracılığıyla karar vericilere anlaşılır bilgiler sunan uzmandır. Ağırlıklı olarak 'ne oldu ve neden oldu' sorularına odaklanır.Veri Analizi(Data Analysis)Veri analizi, ham verilerin incelenmesi, temizlenmesi, dönüştürülmesi ve modellenmesi yoluyla anlamlı bilgi elde etme ve karar vermeyi destekleme sürecidir. Betimsel, tanısal, tahmine dayalı ve kuralcı analiz gibi türleri vardır.Veri Anonimleştirme(Data Anonymization)Veri anonimleştirme, kişisel verilerin başka verilerle eşleştirilse dahi kimliği belirli ya da belirlenebilir bir kişiyle ilişkilendirilemeyecek hâle getirilmesidir. Amaç, veriden yararlanırken bireylerin mahremiyetini korumaktır.Veri Artırma(Data Augmentation)Veri artırma (data augmentation), mevcut eğitim örneklerine döndürme, kırpma, gürültü ekleme ya da yeniden ifade etme gibi anlamı koruyan dönüşümler uygulayarak yeni örnekler üreten ve modelin genelleme yeteneğini artırmayı amaçlayan bir tekniktir.Veri Bilimci(Data Scientist)Veri bilimci, istatistik, programlama ve alan bilgisini kullanarak verilerden anlamlı sonuçlar çıkaran, tahmin modelleri kuran ve bulguları karar vericilere aktaran uzmandır. İşi soru tanımlamaktan model değerlendirmeye kadar uzanır.Veri Bilimi(Data Science)Veri bilimi, istatistik, programlama ve alan bilgisini bir araya getirerek ham veriden anlamlı bilgi, öngörü ve karar desteği üreten disiplinler arası bir alandır. Veri toplama, temizleme, analiz, modelleme ve sonuçların anlatılması aşamalarını kapsar.Veri Çerçevesi(DataFrame)Veri çerçevesi (DataFrame), verileri satır ve sütunlardan oluşan, her sütunun bir değişkeni ve kendi veri türünü temsil ettiği iki boyutlu tablo yapısıdır. Python ve R'da veri analizinin temel taşıdır.Veri Egemenliği(Data Sovereignty)Veri egemenliği, dijital verilerin toplandığı ya da saklandığı ülkenin yasa ve düzenlemelerine tabi olması ilkesidir. Verinin nerede depolandığı, kimin erişebileceği ve sınır ötesine nasıl aktarılacağı sorularını kapsar.Veri Etiketleme(Data Labeling)Veri etiketleme, ham verilere (görsel, metin, ses) modelin öğrenmesi gereken doğru cevabı belirten etiketler ekleme işlemidir ve denetimli öğrenmenin temel ön adımıdır.Veri Gölü(Data Lake)Veri gölü (data lake), yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış her tür veriyi ham hâliyle, önceden bir şemaya dönüştürmeden büyük ölçekte saklayan merkezi depolama alanıdır.Veri Görselleştirme(Data Visualization)Veri görselleştirme, sayısal ve kategorik verileri grafik, harita ve diyagram gibi görsel öğelerle sunarak örüntülerin, eğilimlerin ve aykırı değerlerin kolayca anlaşılmasını sağlayan bir yöntemdir. Hem analiz hem de iletişim aracıdır.Veri Hattı(Data Pipeline)Veri hattı (data pipeline), verinin bir veya daha fazla kaynaktan alınıp belirli işlem adımlarından geçirilerek otomatik biçimde bir hedef sisteme, rapora ya da makine öğrenmesi modeline taşınmasını sağlayan süreçler zinciridir.Veri Kalitesi(Data Quality)Veri kalitesi, bir veri setinin kullanılacağı amaca ne kadar uygun olduğunu ifade eder; doğruluk, eksiksizlik, tutarlılık, güncellik, geçerlilik ve benzersizlik gibi boyutlarla ölçülür.Veri Kataloğu(Data Catalog)Veri kataloğu, bir kurumdaki veri setlerinin, tabloların ve raporların meta verilerini tek bir yerde toplayan, aranabilir bir envanterdir. Hangi verinin nerede olduğunu, ne anlama geldiğini ve kimin sorumlu olduğunu gösterir.Veri Küratörlüğü(Data Curation)Veri küratörlüğü, verilerin belirli bir amaca uygun olarak seçilmesi, temizlenmesi, düzenlenmesi, açıklanması ve uzun süre kullanılabilir şekilde korunması sürecidir; yapay zekâda eğitim verisinin kalitesini belirleyen temel işlerden biridir.Veri Madenciliği(Data Mining)Veri madenciliği, büyük veri kümelerinde önceden bilinmeyen örüntüleri, ilişkileri ve eğilimleri istatistik ve makine öğrenmesi yöntemleriyle ortaya çıkarma sürecidir. Sınıflandırma, kümeleme, birliktelik kuralları ve anomali tespiti başlıca teknikleridir.Veri Mühendisi(Data Engineer)Veri mühendisi, kurumun verilerini farklı kaynaklardan toplayan, temizleyen, dönüştüren ve analistler ile veri bilimcilerin kullanabileceği güvenilir depolara taşıyan sistemleri tasarlayıp sürdüren uzmandır.Veri Mühendisliği(Data Engineering)Veri mühendisliği, verinin farklı kaynaklardan güvenilir biçimde toplanması, dönüştürülmesi, depolanması ve analiz ile yapay zekâ uygulamalarına hazır hâle getirilmesi için gereken sistemleri tasarlayıp işleten disiplindir.