PyTorch kütüphanelerinde AI geliştirmek nasıl oluyor?

Pytorch gibi kütüphaneler yapay zeka geliştirmenize olanak sağlar. Pytorch özellikle görsel alanda eğitim için tasarlanmıştır. Bu kütüphaneler sanılanın aksine sadece geliştirme alanını verir. Yapay zekayı ne amaçla kullanacağınız, ana mantığı ve veriseti gibi asıl fark yaratan kısmı elle yazılır. Bunlar da keşfetme yoluyla bulunur, iyi AI için genel kurallar olsa da saksıyı çalıştırıp sıfırdan AI mantığı üretip denemeniz lazım.

Mesela bu videoya bakabilirsiniz. Sıfırdan bir tane araba yarışına AI üreten bir arkadaşın videosu. Fark edeceğiniz şey AI'ın temel mantığını kendi amacını falan hepsini kendi belirliyor. Daha sonrasında nöral ağ rastgelelik binlerce kez deneyerek(bundan başka eğitim yolları da var) ile hedefe en iyi ulaşacak şekilde en iyi yolu bulmaya çalışıyor. Videonun anlaşılması için bayağı soyutlaştırıldığını hatırlatırım ancak AI hakkında fikir edinmek isteyen için çok güzel bir kaynak bence.

Bugünkü yapay zekanın temelinde de bu var. Kullandığımız LLM'ler mesela önce büyük veri setleri ile cümleleri nasıl tamamlayacakları, ardından da soru cevap verileriyle de nasıl cevap vereceği öğretiliyor, daha sonrasında insanların hangi cevapları daha beğendiğine bakarak eğitim devam ediyor. Gemini, Claude ve ChatGPT gibi modellerde daha fazla aşama, arkada daha fazla deneme yanılma ile araştırma geliştirme yapılıyor ve bunlar ticari sır olarak korunuyor. Çoğu şey hala manuel gerçekleşiyor.

Temelde Python kütüphanesi olsa da Back-End'de C++ ve CUDA aracılığıyla çalışarak donanıma doğrudan erişmene izin veren bir kütüphane.
Tensor, nn(neural network yani sinir ağı) üzerine kurduğun algoritmaları eğitim aşamasından geçirerek kendisinin öğrenim Savepoint'leri almasını sağlıyorsun, birkaç epoch (tüm veri setinin üzerinden bir tam tur geçilmesi) sürebiliyor bu eğitim.
Burada çalıştığın alana göre bu aldığın Savepoint'leri benchmark ederek aralarından en iyi çalışan modeli seçerek eğitimi tamamlıyor ve baştaki tasarlama amacına göre kullanmaya başlıyorsun.
Pusedo code> kodlama>checkpoint'leri alma> benchmark> en iyi savepoint üzerinden main fonksiyonun ayarlanması>datasette bulunmayan datayla kontrol ve test aşaması> yayınlama olarak ilerleyen bir geliştirme sürecine sahip.
Çalıştığın alana göre bir eğitim setine erişmen lazım, bu eğer kurumsal bir projeyse şirket veya müşteri tarafından sağlanır ama mesela kendiniz öğrenmek istiyorsanız kaggle gibi platformlara bakabilir ya da kendi veri setinizi oluşturabilirsiniz ama kesinlikle ama kesinlikle eğitimde kullandığınız görselleri test aşamasında kullanmayın.

Morthunel dedi:

Veri seti derken GPU server gibi bir şeyden mi bahsetmek istediniz? Kaggle daha önce duydum, ucuz falan diyorlar. Uzun zaman sonra GPU server daha ucuza denk gelir diye düşünüyorum.

Kullanacak olduğum görseller test aşamasında olsa ne fark ediyor?

Genişletmek için tıkla...

Küçültmek için tıkla...

Mesela diyelim fotoğraflardaki araçları ayırt etmek istiyorsunuz, modelinizin bir objenin araba olduğunu anlaması adına örnek görseller göstererek öğrenmesini sağlıyorsunuz, bu eğitim görsellerine veri Seti'ni oluşturuyor.
Evet ucuza gelebilir, eğer güncel bir donanıma sahipseniz Localde'de çalışabilirsiniz ve hatta alternatif olarak eğer TensorFlow çalışmak isterseniz Google firebase kullanabilirsiniz.
Eğer eğitimde kullandığınız görseli testte kullanırsanız benchmark sonuçlarınızda doping yapmış olacaksınız, öğretmen olduğunuzu ve yaptığınız sınavda önceden nasıl çözüldüğünü değişkenlerine kadar aynı olacak şekilde gösterdiğinizi düşünün.
Gerçekte öğrenmeyen öğrencileriniz bile cevabı hatırlayarak mantık kurmadan soruya doğru cevap verebilir.
Burada aldıkları yüksek skora güvenip gerçek bir senaryoda kullanmak istediğinizde o kadar iyi sonuçlar vermeyecektir.
Kopya çekerek matematik olimpiyatlarına giden bir öğrenci gibi düşnün.