Görsel oluşturma, yazı yazma ve benzeri becerilerde gerçekleştirdiği çarpıcı atılımlar sayesinde yapay zekâ, artık hiç olmadığı kadar meşhur. YouTube'da ve Instagram'da aramalar yaparken ve hatta iş başvurusu yaparken bile ister istemez yapay zekâyla etkileşimdeyiz.
Bu teknolojiden şu anda her ne kadar düzenli olarak faydalanıyor olsak da nereden ortaya çıktığını ve nasıl geliştiğini ya bilmiyoruz ya da pek merak etmiyoruz. Bu sektörde her şeyin nasıl işlediğini hiç merak etmiş miydiniz?
Yapay zekâyı ne kadar çok veriyle beslerseniz, öğrenme kabiliyeti o kadar gelişiyor. Öğrenme mantığı, lokomotife kömür atmaya benzetilebilir.
Fakat her kömür atıldığında lokomotifin kömürü tanımaya ve taklit etmeye, sonrasında da kömür üretmeye başladığını düşünün.
Yapay zekânın olabildiğince fazla veriye ihtiyaç duyduğu bu öğrenme sürecine makine öğrenimi deniyor.
Makine öğreniminin gerçekleşmesi için, yukarıdakiler gibi birbirine benzeyen binlerce görsel kullanmanız gerekebilir.
Makine öğrenimi esnasında yapay zekâ, zamanla beyin hücreleri olan veri tabanlarını oluşturur. Bu beyin hücresi gibi olan kısımlara yapay sinir ağları da denir. Bunlar sayesinde yapay zekâ, zamanla kendisine gösterileni tanımaya başlar. Buna da derin öğrenme denmekte. Derin öğrenmenin üstteki gibi katmanları bulunuyor.
Şimdi basit bir örnekten gidelim. Böylelikle bu üç ayrı konseptin farklarını pekiştirmiş oluruz.
Midjourney gibi görsel oluşturan bir yapay zekâyı ele alalım. Adı "Tablobot" olsun. Bu yapay zekâ, ortaya çıkan ürünün ta kendisi olacak.
Tablobot'u eğitmek için görsellerden ve fotoğraflardan faydalanmanız gerek. Tablobot'un bu öğrenme süreci makine öğrenimidir.