Ajan tabanlı yapay zekâ ve bilgisayarlı görü: Otomasyonun geleceği

Yapay zekâ (AI) ve bilgisayarlı görü, makinelerin dünyayı görüp anlamasına yardımcı oluyor. Son gelişmeler sayesinde artık önemli bir ilerlemeye tanık oluyoruz: yalnızca algılamakla kalmayıp kendi başlarına düşünebilen, plan yapabilen ve harekete geçebilen yapay zekâ yenilikleri. Önceki bir makalede, görsel ajanların görsel verileri nasıl işleyebildiğini, analiz edebildiğini ve harekete geçebildiğini ele almıştık.

Bugün benzer bir kavramı, ajan temelli yapay zekâyı, inceleyeceğiz. Ajan temelli yapay zekâ sistemleri bağımsız çalışacak ve tanımlanmış hedeflere ulaşmak için insan benzeri akıl yürütme ve problem çözme becerilerine sahip olacak şekilde tasarlanmıştır. Önceden belirlenmiş talimatlarla tekil görevleri tamamlamaya odaklanan geleneksel yapay zekâ sistemlerinden farklı olarak ajan temelli yapay zekâ, görevleri gerçekleştirmek için özerk biçimde plan yapabilir ve harekete geçebilir. Bu ajanlar önceki etkileşimlerden öğrenebilir ve herhangi bir insan müdahalesi olmadan kararları uygulayabilir.

Bilgisayarlı görü söz konusu olduğunda ajan tabanlı yapay zekâ sistemleri, görsel verileri gerçek zamanlı analiz etmek, nesneleri tanımak, uzamsal ilişkileri anlamak ve çevrelerine göre özerk kararlar almak için Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanan nesne algılama tekniklerinden yararlanabilir.

Ajan temelli yapay zekâ nedir?#

Ajan tabanlı yapay zekâ sistemleri, özünde özerk ve hedef odaklı düşünme, uyarlanabilir problem çözme ve sürekli öğrenme yetenekleriyle tasarlanır. Çevrelerini anlamak, karar vermek ve görevleri yerine getirmek için yapay zekâ ajanlarından yararlanırlar. Bu yapay zekâ ajanları, karmaşık görevleri gerçekleştirmek için bilgisayarlı görü modellerini, pekiştirmeli öğrenme tekniklerini ve büyük dil modellerini (LLM'ler) kullanır. Bu özellikleriyle iş akışlarını otomatikleştirmek ve karar alma süreçlerini iyileştirmek için idealdirler.

Örneğin bir depoda bilgisayarlı görü ile donatılmış ajan temelli bir yapay zekâ sistemi paketleri algılayabilir, envanteri takip edebilir ve insan müdahalesi olmadan engellerin çevresinden geçebilir. Pekiştirmeli öğrenmeyi kullanarak hareket verimliliğini zamanla artırabilir ve yoğunluğu önlemek için en iyi rotaları öğrenebilir. Bu sırada büyük dil modeli destekli bir sohbet robotu, soruları yanıtlayıp operasyonel iyileştirmeler önererek çalışanlara yardımcı olabilir ve tüm iş akışını daha verimli hâle getirebilir.

Şekil 1. Ajan temelli yapay zekânın nasıl çalıştığına genel bakış.

Geleneksel bir yapay zekâ çözümü ile ajan temelli bir yapay zekâ çözümü arasındaki temel fark, ajan temelli yapay zekânın ileriyi düşünebilmesi ve değişen durumlara uyum sağlayabilmesidir. Geleneksel bilgisayarlı görü sistemleri nesneleri tanımada veya görüntüleri sınıflandırmada başarılıdır, ancak davranışlarını dinamik biçimde ayarlayamaz. Modelleri yeniden eğitmek veya ince ayar yapmak için bir insanın müdahale etmesi gerekir. Ajan temelli yapay zekâ ise çevresiyle etkileşime girerek zaman içinde kendini geliştirmek için gelişmiş makine öğrenimi tekniklerinden yararlanır.

Ajan temelli yapay zekâyı diğer gelişmiş yapay zekâ yenilikleriyle karşılaştırma#

Yapay zekâ hızla gelişiyor; üretken yapay zekâ, ajan temelli otomasyon ve bilgisayarlı görü gibi yeni kavramlar çeşitli sektörlerde hızla benimseniyor. Ajan temelli yapay zekâyı farklı kılan özellikleri daha iyi anlamak için bu teknolojileri karşılaştıralım.

Üretken yapay zekâ ile ajan temelli yapay zekâ arasındaki fark#

ChatGPT gibi araçları kullandıysan üretken yapay zekâya zaten aşinasındır. Yapay zekânın bu dalı, kullanıcı istemlerine göre metin, görüntü veya kod gibi içerikler oluşturmada uzmanlaşır. Üretken yapay zekâ yaratıcılığı ve fikir keşfini desteklese de öğrendiği kalıpları izler ve önceden belirlenmiş kısıtlar içinde çalışır; özerk kararlar alma veya bağımsız hedefler izleme becerisine sahip değildir.

Ajan temelli yapay zekâ ise hedeflere etkin biçimde ulaşmaya çalışır. Sürekli insan girdisine ihtiyaç duymadan çevresine dinamik olarak uyum sağlayabilir. Yalnızca içerik üretmekle kalmayıp özerk biçimde harekete geçer ve sorunları çözer.

Ajan temelli otomasyon ve ajan temelli yapay zekâ yakından ilişkilidir#

Ajan temelli otomasyon ile ajan temelli yapay zekâ el ele ilerler; ajan temelli yapay zekâ, otomasyonu güçlendiren zekâyı sağlar. Bilgisayarlı görü tabanlı bir güvenlik sistemini ele alalım.

Ajan temelli yapay zekâ sistemi durumu analiz eder, en iyi yanıtı belirler ve kendi başına harekete geçer. Örneğin bilgisayarlı görü entegre edilmiş bir yapay zekâ güvenlik kamerası bir davetsiz misafir algılarsa ajan temelli yapay zekâ sistemi yalnızca uyarı göndermekle kalmaz; kişinin çalışan olup olmadığını kontrol eder, gerekirse kapıları kilitler, kişinin hareketlerini takip eder ve hatta onu izlemek için bir drone gönderir.

Ajan temelli otomasyon, tüm bu eylemlerin birlikte sorunsuz çalışmasını sağlar. Güvenlik kameraları, kapı kilitleri ve dronlar gibi farklı sistemleri birbirine bağlayarak bunların otomatik ve eşgüdümlü biçimde tepki vermesini sağlar. Kararları ajan temelli yapay zekâ verirken ajan temelli otomasyon, bu kararların insan müdahalesine ihtiyaç duyulmadan verimli biçimde uygulanmasını sağlar.

Şekil 2. Ajan temelli yapay zekâ ile ajan temelli otomasyonun karşılaştırması. Görselin sahibi yazardır.

Ajan temelli yapay zekâ nasıl çalışır?#

Ajan tabanlı yapay zekânın ne olduğunu artık daha iyi anladığımıza göre, nasıl çalıştığını inceleyelim.

Ajan temelli yapay zekâ sistemleri algılama, karar verme, eyleme geçme ve uyum sağlama döngüsüyle çalışarak zaman içinde öğrenmelerine ve gelişmelerine yardımcı olur. Bu sürekli döngü, sistemlerin kendi başlarına çalışmasını ve karmaşık hedeflere ulaşmasını sağlar.

Sürekli döngüdeki adımlara kısaca göz atalım:

• Algılama: Ajan temelli yapay zekâ sistemi, çevresini daha iyi anlamak için kameralardan, sensörlerden ve kullanıcı etkileşimlerinden gelen verileri toplar ve analiz eder.
• Karar verme: Sistem farklı seçenekleri değerlendirir, olası sonuçları tahmin eder ve akıl yürütme ile risk değerlendirmesine dayanarak en iyi eylemi seçer.
• Eylem: Bir karar verildikten sonra sistem, fiziksel cihazları kontrol ederek, diğer sistemlerle etkileşime girerek veya çıktılar üreterek görevleri yerine getirir.
• Uyum sağlama: Sistem, geri bildirimden yararlanarak deneyimlerinden öğrenir; özellikle daha karmaşık görevlerde performansı zamanla iyileştirmek için makine öğrenimi ve pekiştirmeli öğrenmeyi uygular.

Şekil 3. Ajan temelli yapay zekânın nasıl çalıştığını anlama.

Ajan temelli yapay zekânın gerçek dünyadaki uygulamaları#

Şimdi ajan temelli yapay zekânın iş başında olduğuna dair gerçek dünyadan bazı örnekleri ele alalım. Bu sistemler farklı sektörlerde kullanılıyor; makinelerin verileri analiz etmesine ve sonuçları iyileştirmek için bağımsız kararlar almasına yardımcı oluyor.

İlaç keşfinde ajan temelli yapay zekâ#

İlaç keşfi, hastalıklarla ilişkili biyolojik hedefleri belirlemekten potansiyel bileşikleri taramaya, kimyasal yapılarını optimize etmeye ve klinik öncesi testler yürütmeye kadar çeşitli temel aşamaları kapsar. Etkili ve güvenli tedaviler bulmak için kapsamlı veri analizi ve deney gerektiren karmaşık ve zaman alıcı bir süreçtir.

Bilgisayarlı görüyle entegre edilen ajan temelli yapay zekâ, kimyasal sentez gibi temel adımların otomatikleştirilmesine yardımcı olarak süreci daha hızlı ve verimli hâle getiriyor. Kimyasal sentez, kontrollü tepkimeler yoluyla ilaç gibi yeni maddeler oluşturmak için farklı kimyasal bileşiklerin bir araya getirilmesi sürecidir. Geleneksel olarak bilim insanlarının sıcaklık, çözücü bileşimi ve kristalleşme süresi gibi etkenleri deneme yanılma yoluyla elle ayarlaması gerekiyordu.

Ajan tabanlı yapay zekâ sistemleri artık tepkileri gerçek zamanlı izleyebilir, renk değişimleri veya kristal oluşumu gibi görsel değişiklikleri analiz edebilir ve anında karar verebilir. Örneğin sistem bir tepkimenin beklendiği gibi ilerlemediğini tespit ederse süreci optimize etmek için sıcaklığı hemen ayarlayabilir veya gerekli kimyasalları ekleyebilir. Geçmiş tepkimelerden sürekli öğrenen sistem, zaman içinde doğruluğunu artırarak elle müdahale ihtiyacını azaltır ve ilaç geliştirme sürecini hızlandırır.

Şekil 4. Otomatik bir laboratuvar kurulumu örneği.

Ajan temelli yapay zekâyla e-ticareti yeniden şekillendirme#

Ajan tabanlı yapay zekâ, çevrimiçi alışveriş deneyimini daha kişiselleştirilmiş, verimli ve otomatik hâle getirerek alışveriş yapma biçimimizi değiştiriyor. Ajan tabanlı yapay zekâ, yalnızca geçmiş satın alımlara göre ürün önermek yerine gezinme alışkanlıklarını analiz edebilir, müşterinin sırada ne isteyebileceğini tahmin edebilir ve ürün önerilerini gerçek zamanlı olarak değiştirebilir.

Bilgisayarlı görü sayesinde ajan temelli yapay zekâ görsel aramaları da analiz edebilir, daha doğru öneriler sunmak için ürün görsellerini tanıyabilir. Örneğin biri sık sık spor ayakkabılara bakıyorsa ajan temelli yapay zekâ sistemi popüler modelleri öne çıkarabilir, indirimler sunabilir veya uyumlu aksesuarlar önerebilir. Talebe göre fiyatlandırma ve promosyonları da optimize ederek alışverişi daha dinamik hâle getirebilir.

Ajan tabanlı yapay zekâ, önerilerin yanı sıra envanteri yöneterek, stok yenileme ihtiyacını tahmin ederek ve sipariş karşılama sürecini otomatikleştirerek e-ticaret lojistiğini de iyileştiriyor. Bilgisayarlı görü, ajan tabanlı yapay zekâ sistemlerinin stok düzeylerini gerçek zamanlı izlemesine, yanlış yere konmuş ürünleri belirlemesine ve ürünlerin doğru kategorilere ayrılmasını sağlamasına imkân tanıyor. Bir ürün hızla tükeniyorsa sistem stok yenilemeyi başlatabilir veya alternatifler önerebilir. Zamanla öğrenip uyum sağlayan ajan tabanlı yapay zekâ, hem müşteriler hem de işletmeler için çevrimiçi alışverişi daha hızlı, akıllı ve sorunsuz hâle getiriyor.

Ajansal yapay zekâ sistemi nasıl oluşturulur#

Ajansal yapay zekânın gerçek dünyadaki örneklerine baktığımıza göre, şimdi böyle bir sistemi nasıl oluşturabileceğimizi konuşalım.

Bilgisayarlı görü tabanlı bir uygulama geliştiriyorsan, Ultralytics YOLO11 gibi modelleri kullanmak (yerini daha sonra Ultralytics YOLO26 aldı) ajan tabanlı yapay zekâ sisteminin çevresini daha iyi anlamasına yardımcı olabilir. Çeşitli bilgisayarlı görü görevlerini destekleyen YOLO11, ajan tabanlı yapay zekâ sistemlerinin görsel verileri doğru biçimde analiz etmesini mümkün kılabilir.

Ultralytics YOLO11 kullanarak ajansal bir yapay zekâ sistemini şöyle oluşturabilirsin:

• Hedefleri belirle: Yapay zekâ aracısının amacını, hedeflerini ve amaçlanan işlevselliğe ulaşmak için gerçekleştirmesi gereken belirli görevleri açıkça tanımla.
• Ultralytics YOLO11'i eğit: İlgili görüntü ve video verilerini topla, etiketle ve YOLO11'i uygulamana özel olarak özel olarak eğit.
• YOLO11'i entegre et: YOLO11'i, algılanan görsel verilere dayanarak gerçek zamanlı analiz ve karar verme olanağı sunan bir yapay zekâ çerçevesine bağla. Ultralytics Agents gibi araçlar algılamaları otomatik eylemlere dönüştürebilir.
• Otonom karar verme özelliğini etkinleştir: Yapay zekâ aracısının Ultralytics YOLO11'in algılamalarına dayanarak uyarıları tetikleme, ayarları düzenleme veya robotik sistemleri yönlendirme gibi eylemlerde bulunmasını sağlayan mantığı ya da makine öğrenimi modellerini oluştur.
• Geri bildirim döngüleri ekle: Ultralytics YOLO11'in yeni verilerle yeniden eğitilerek doğruluğunu iyileştirdiği ve zaman içinde model performansını artırdığı bir kendi kendine öğrenme sistemi uygula.

Şekil 5. Ultralytics YOLO11 kullanarak ajansal bir yapay zekâ sistemi oluşturma. Görselin sahibi: yazar.

Ajansal yapay zekâ sisteminin artıları ve eksileri#

Ajansal yapay zekâ sistemlerinin çeşitli sektörlere sağlayabileceği başlıca faydalardan bazıları şunlardır:

• Artan verimlilik: Ajansal yapay zekâ sistemleri karmaşık ve zaman alan görevleri otomatikleştirerek hataları azaltabilir ve çalışanların daha yüksek değerli işlere odaklanmasını sağlayabilir.
• Ölçeklenebilirlik: Bu sistemler farklı sektörlere kolayca uyum sağlayabilir ve gerektiğinde daha büyük iş yüklerini karşılayacak şekilde büyüyebilir.
• Maliyetlerin düşürülmesi: Ajansal yapay zekâ, manuel iş gücü ihtiyacını azaltıp operasyonları optimize ederek işletmelerin giderlerini kısmalarına ve kaynakları daha verimli kullanmalarına yardımcı olur.

Ajansal yapay zekâ farklı sektörlerde birçok fayda sunsa da beraberinde getirdiği olası sınırlamaların farkında olmak da önemlidir. Göz önünde bulundurman gereken başlıca kaygılar şunlardır:

• Yapay zekâda önyargı: Ajansal yapay zekâ sistemleri eğitim verilerindeki önyargıları devralabilir; bu da özellikle işe alım ve kolluk kuvvetleri gibi alanlarda adaletsiz veya hatalı sonuçlara yol açabilir.
• Şeffaflık eksikliği: Birçok yapay zekâ modeli "kara kutu" gibi çalışır; bu da kararları nasıl aldıklarını anlamayı zorlaştırır ve sağlık ile finans gibi sektörlerde sorun yaratabilir.
• Düzenleyici zorluklar: Ajansal yapay zekâ geliştirme çalışmaları düzenlemelerden daha hızlı ilerliyor; bu durum yasal belirsizlikler ve küresel uyumluluk standartlarında tutarsızlıklar yaratıyor.

Genel olarak, ajansal yapay zekâ sistemleri birçok fırsat sunsa da bu sistemlerin sorumlu biçimde kullanılmasını sağlamak için faydalarını etik hususlar, şeffaflık ve uygun düzenlemelerle dengelemek önemlidir.

Önemli çıkarımlar#

Ultralytics YOLO11 gibi görüntü yapay zekâ modelleriyle birleştirildiğinde ajansal yapay zekâ sistemleri otomasyonun işleyişini değiştirebilir. Otonom araçlardan çevrimiçi alışverişe ve sağlık hizmetlerine kadar bu sistemler, işletmelerin otonom biçimde ve daha hızlı çalışmasına yardımcı olur.

Ancak önyargı, şeffaflık eksikliği ve belirsiz düzenlemeler gibi zorlukların hâlâ ele alınması gerekiyor. Ajansal yapay zekâ sistemleri geliştikçe, bu yeniliklerden en iyi şekilde yararlanmak için inovasyon ile sorumluluk arasında doğru dengeyi bulmak kilit önem taşıyacak.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza katıl. Çözüm sayfalarımızda üretimde yapay zekânın ve sağlık hizmetlerinde bilgisayarlı görünün çeşitli uygulamalarını keşfet. Bilgisayarlı görüye bugün başlamak için Ultralytics YOLO lisanslarımıza göz at!