Yapay zeka modelleri denince akla sürekli olarak "yapay zeka çok gelişti." diyoruz fakat bu yapay zekaların veri bakımından asıl görevlerini incelemiyoruz. Bir bakıyoruz bazıları bizimle konuşuyor, bazıları görüntülerden bir şey yapıyor, bazıları da direkt olarak görüntü oluşturabiliyor. Bu yapay zekaların yaptıklarını anlatmak yerine bu yapay zekaların verilere göre hangi işlemler gerçekleştirebildiğini anlatacağım.
Farklı yapay zeka modelleri farklı görevlerde kullanılır. Tek bir yapay zeka modelini her bir görev için kullanılamaz. Bu da aslında verinin kendi yapısından dolayı kaynaklanan bir durumdur. Bir doğal dil işleme modeline görüntü vermeye çalışırsın fakat model görüntüyü anlama kapasitesine sahip değildir ondan dolayı o modelin görüntüyü anlamasını beklemezsin. Çünkü aralarında görev bakımından farklar bulunur. Normal Chatgpt gibi modeller konuşma ve insansı çıktı vermek için oluşturulmuşlardır fakat birer üretici (generative) modellerdir. Farkları tespit etmek ve bunlardan sınıflandırma, nesne tespiti gibi görevleri yerine getirmek aslen ayırt edebilen (discriminative) modeller tarafından gerçekleşir. Şimdi bunların farklarından bahsedelim.
Diskriminatif Modeller: Veriyi Ayırt Etme ve Sınıflandırma Sanatı
Diskriminatif modeller, temelde birer karar vericidir. Bu modellerin asıl görevi, önüne gelen verinin hangi sınıfa ait olduğunu, mevcut kategoriler arasındaki farklara bakarak belirlemektir. Verinin nasıl "yaratıldığıyla" değil, veriler arasındaki ayırıcı çizgilerin (decision boundaries) nerede olduğuyla ilgilenirler. Matematiksel bir ifadeyle, bir $x$ girdisi verildiğinde onun $y$ sınıfına ait olma olasılığını ($P(y|x)$) hesaplarlar.
Örneğin; bir nesne tespiti modeline bir fotoğraf verdiğinizde, model pikselleri analiz eder ve "Bu pikseller bir kediye mi yoksa bir köpeğe mi daha çok benziyor?" sorusuna yanıt arar. Eğer senin üzerinde çalıştığın görüntü işleme projelerindeki gibi bir yüz tanıma sistemi kuruyorsan, burada diskriminatif bir yaklaşım sergilenir: Model yüzün geometrik özelliklerini çıkarır ve bu özellikleri veri tabanındaki diğer kimliklerle karşılaştırarak bir "ayırt etme" işlemi gerçekleştirir. Bu modeller; sınıflandırma, regresyon ve güvenlik sistemleri gibi "doğru olanı seçme" odaklı görevlerde rakipsizdir.
Generatif Modeller: Veriyi Anlama ve Yeniden İnşa Etme Gücü
Generatif modeller ise birer yaratıcıdır. Bu modeller sadece verileri birbirinden ayırmakla kalmaz, o verinin hangi kurallara ve istatistiksel dağılıma göre oluştuğunu öğrenirler. Bir diskriminatif model "Bu bir elma mı, armut mu?" diye sorarken; generatif model "Bir elma genel olarak hangi özelliklere sahiptir ki ben yenisini oluşturabileyim?" sorusuna odaklanır. Matematiksel olarak, verinin genel dağılımını ($P(x,y)$ veya $P(x|y)$) modellemeye çalışırlar.
Yapay zekayı sadece "konuşan" veya "çizen" bir kutu olarak görmekten vazgeçip, veriyi işleme biçimlerine göre ayırdığımızda karşımıza muazzam bir iş birliği çıkıyor. Gördüğümüz gibi, Diskriminatif modeller dünyayı anlamlandırmamızı, sınıflandırmamızı ve doğru kararlar vermemizi sağlayan "mantıklı gözlemciler" iken; Generatif modeller bu anlamlandırmadan yola çıkarak yeni olasılıklar inşa eden "yaratıcı zihinler"dir.
Yapay zeka modelleri, veriyi sadece saklamaz; onu ya bir kalıba sokar ya da o kalıptan yepyeni bir form çıkarır. Gelecekte bu modellerin sınırları daha da silikleşecek ve belki de verinin "ne olduğu" ile "ne olabileceği" arasındaki farkı tamamen ortadan kaldıran hibrit sistemlerle karşılaşacağız. Şimdilik unutmamamız gereken tek bir şey var: Her şey verinin nasıl işlendiğiyle başlar.