Üretken modellerin farkı
Üretken modellerin sınıflandırıcılardan hangi noktada ayrıldığını ve etiket darboğazının kalkmasının neyi değiştirdiğini anlatır; bir işin üretken modele uygun olup olmadığına karar vermeyi öğretir.
Önkoşul: Neural Networks, Deep Learning
BU DERSİN SONUNDA
- Üretken bir modelin eğitim hedefini sınıflandırma hedefinden ayırt etmek
- Göreve özel model ile genel üretken model arasındaki ödünleşimi tartmak
- Bir işin üretken modele uygun olup olmadığına ölçütlerle karar vermek
- Üretken çıktının hangi noktada denetlenmesi gerektiğini belirlemek
- 1
Teori
Kavramın çalışma mantığı
- 2
Örnek
Gerçek bir senaryo üzerinde gösterim
- 3
Lab
Uygulamalı alıştırma
- 4
Test
Kısa ölçüm
- 5
Proje
Rotadaki projeye katkı
Kısa cevap
Üretken modeller bir etiketi tahmin etmek yerine içeriğin kendisini üretir: bir metni, bir görüntüyü, bir ses parçasını. Kırılma buradaki tek numaradan çıktı — metnin kendisi kendi eğitim hedefini taşıdığı için model, insanın elle etiketlediği veriye ihtiyaç duymadan çok büyük miktarda ham metinle eğitilebildi. Etiket darboğazı kalkınca her görev için ayrı model kurma zorunluluğu büyük ölçüde ortadan kalktı.
Teori: etiket darboğazının kalkması#
Klasik kurulumda her görev kendi etiketli verisini ister: konu tespiti için konu etiketi, duygu analizi için duygu etiketi. Etiketleme insan emeğidir ve çoğu projenin en pahalı kalemidir. Üretken kurulumda ise eğitim hedefi metnin kendisinden çıkar: bir dizinin bir parçası gizlenir, model onu tahmin eder ve doğru cevap zaten metinde durur. Bu, insan eli değmeden çok sayıda eğitim örneği demektir.
Sıradaki parçayı tahmin etmek basit bir hedef gibi görünür, ama iyi tahmin edebilmek için dil bilgisinden konu tutarlılığına, hangi kavramların birlikte geçtiğinden metin türü kalıplarına kadar çok şeyin temsil edilmesi gerekir. Model bunları ayrı ayrı öğretilmediği halde, yalnızca tahmin hatasını azaltma baskısı altında temsil etmeye başlar. Bir önceki derste katmanların kendiliğinden kurduğu kademe, burada dil üzerinde işler.
İkinci değişiklik, tek bir modelin pek çok görevi girdide tarif edilerek yapabilmesidir. Görevi kod yazarak değil metinle anlatırsınız; model o tarifi izleyerek çıktı üretir. Bu yüzden yeni bir iş için yeni bir model eğitmek yerine çoğu zaman girdiyi yeniden yazmak yeterli olur. Bedeli, davranışın bir programın kesinliğiyle değil, bir tarifin yorumuyla belirlenmesidir.
Uygulamada: neyin değiştiği#
| Boyut | Göreve özel model | Üretken genel model |
|---|---|---|
| Başlangıç maliyeti | Etiketli veri toplanır, model eğitilir | Hazır modelle hemen denenir |
| Yeni görev eklemek | Yeni veri ve yeni eğitim | Girdideki tarif değiştirilir |
| Çıktı biçimi | Sabit ve dar (etiket, sayı) | Serbest metin; istenen biçim ayrıca tarif edilmeli |
| Davranış güvencesi | Ölçülen sınıf kümesiyle sınırlı | Girdi değiştikçe davranış değişir, sürekli ölçüm ister |
| Hata biçimi | Yanlış sınıf | Akıcı ama yanlış içerik |
Ne üretilir, ne üretilmez#
- Metin, kod, görüntü, ses ve video aynı fikirle üretilir: model verinin kendisinden etiketsiz öğrenir ve öğrendiği dağılımdan yeni bir örnek kurar. Somut düzenek ortama göre değişir; metinde sıradaki parçayı tahmin etmek yaygındır, görüntüde gürültülü bir başlangıçtan adım adım geri dönmek gibi başka yollar kullanılır.
- Aynı model hem üretir hem dönüştürür; özetleme, çeviri, biçim değiştirme ve yeniden yazma aynı düzeneğin kullanımlarıdır.
- Üretmek doğrulamak değildir: model metni kurarken o metnin doğru olup olmadığını denetleyen ayrı bir mekanizma çalıştırmaz.
- Model eğitildiği andan sonrasını bilmez; güncel veya kuruma özel bilgi, girdiye konularak verilir.
- Aynı girdi her seferinde birebir aynı çıktıyı vermeyebilir; üretim bir seçim adımı içerir ve bu adım bir sonraki derste açılıyor.
Karar: üretken model ne zaman doğru araç?#
- 1Görevi tarif edin
İşi bir insana yazıyla anlatabiliyorsanız üretken modelle denemeye değer; anlatamıyorsanız önce işi tanımlayın.
- 2Çıktının biçimini sabitleyin
Serbest metin mi, belirli alanları olan bir yapı mı istiyorsunuz? İkincisiyse biçimi açıkça yazın ve çıktıyı ona karşı denetleyin.
- 3Bilginin kaynağını belirleyin
Cevap kurum içi bir belgeden gelmeliyse o belgeyi girdiye taşıyın; modelin kendiliğinden bilmesini beklemeyin.
- 4Hata maliyetini eşleştirin
Yanlış çıktı doğrudan dışarı gidiyorsa insan onayı veya otomatik denetim katmanı ekleyin.
Sık yapılan hata#
En sık rastlanan yanılgı, üretken modeli bir arama motoru veya veri tabanı sanmaktır. Model bir kayıt kümesinde arama yapmaz; eğitimi sırasında oluşmuş temsillerden yola çıkarak makul bir devam üretir. Bu yüzden bir kaynak adı, bir madde numarası veya bir tarih istediğinizde biçimi doğru ama içeriği uydurma bir cevap alabilirsiniz. Doğru kurulum bilgiyi girdiyle sağlamak ve çıktıyı o girdiye karşı denetlemektir.
LAB · UYGULAMALI ALIŞTIRMA
Bir görevi üretken modele devretmeye hazırlayın
- 1Kendi işinizden düzenli tekrar eden bir metin görevi seçin (gelen talebi sınıflandırma, toplantı notundan aksiyon çıkarma gibi) ve son dönemden on gerçek örneği tek bir dosyaya kopyalayın.
- 2Her örnek için doğru cevabı kendiniz yazın; bu on satır sizin kabul anahtarınızdır ve sonraki her denemenin ölçütü olacaktır.
- 3Görevi, konuyu hiç bilmeyen birine anlatır gibi tarif edin: girdi nedir, çıktı hangi alanlardan oluşacak, hangi durumda 'belirsiz' denecek.
- 4Anahtarınızdaki on cevaba bakıp tarifinizin karşılamadığı iki sınır durumu bulun ve tarife birer cümle olarak ekleyin.
- 5Çıktının kabul edilmesi için sağlanması gereken üç maddelik bir denetim listesi yazın: biçim, bilginin kaynağı ve belirsizlik davranışı.
- 6Bu görevi göreve özel bir model veya basit bir kural setinin daha ucuza çözüp çözemeyeceğini iki cümleyle gerekçelendirin.
Beklenen çıktı
Bir görev tarifi, on örneklik kabul anahtarı, üç maddelik çıktı denetim listesi ve üretken model yerine daha basit bir çözümün neden seçilmediğine dair yazılı gerekçe.
Sık sorulan sorular
Üretken model eğitim verisini ezberleyip aynen mi veriyor?
Genel olarak hayır; çıktı, temsillerden kurulan yeni bir dizidir. Ancak veride çok sık tekrarlanan kalıplar neredeyse birebir çıkabilir. Kurumsal kullanımda bu bir telif ve gizlilik sorusudur ve çıktıyı kaynak gösterilebilir hale getirmek ayrı bir tasarım işidir.
Her işe üretken model koymak mantıklı mı?
Hayır. Girdisi sabit, çıktısı dar ve hacmi yüksek işlerde kural ya da göreve özel bir model hem daha ucuz hem daha öngörülebilirdir. Üretken modelin kazandırdığı yer, girdinin serbest metin olduğu ve varyasyonun elle listelenemeyeceği kadar çok olduğu işlerdir.
Kendi belgelerimizi modele öğretmek için onu eğitmek gerekir mi?
Genellikle hayır. Kurum bilgisini katmanın olağan yolu, ilgili belgeyi soruyla birlikte girdiye koymaktır; ek eğitim daha çok biçim ve üslup gibi davranışları kazandırmak için kullanılır. Davranış öğretmekle bilgi eklemek farklı işlerdir ve birbirinin yerine geçmez.
LEARN
Yapay Zekâya Başlangıç rotasına devam et
Dersler tek başına da okunabilir, ama sıralı ilerlemek önkoşul boşluklarını kapatır.