Agentic AI ve bilgisayarlı görü: Otomasyonun geleceği

Yapay zekâ (AI) ve bilgisayarlı görü, makinelerin dünyayı görmesine ve anlamasına yardımcı olur. Son gelişmeler sayesinde artık yalnızca algılamakla kalmayıp kendi başlarına düşünebilen, planlayabilen ve harekete geçebilen yapay zekâ yeniliklerinde büyük bir ilerlemeye tanık oluyoruz. Önceki bir makalede, görü ajanlarının görsel verileri işleyebildiğini, analiz edebildiğini ve harekete geçebildiğini ele almıştık.

Bugün benzer bir kavramı, ajan tabanlı yapay zekâyı inceleyeceğiz. Ajan tabanlı yapay zekâ sistemleri bağımsız çalışacak ve belirlenmiş hedeflere ulaşmak için insan benzeri akıl yürütme ve problem çözme yeteneklerine sahip olacak şekilde tasarlanır. Önceden tanımlanmış talimatlarla tek tek görevleri tamamlamaya odaklanan geleneksel yapay zekâ sistemlerinden farklı olarak ajan tabanlı yapay zekâ, görevleri yerine getirmek için otonom 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 olarak analiz etmek, nesneleri tanımak, uzamsal ilişkileri anlamak ve ortamlarına göre otonom kararlar almak için Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanarak nesne algılama gibi tekniklerden yararlanabilir.

Ajan tabanlı yapay zekâ nedir?#

Ajan tabanlı yapay zekâ sistemleri özünde otonom, hedef odaklı düşünme; uyarlanabilir problem çözme ve sürekli öğrenme yetenekleriyle tasarlanır. Ortamlarını anlamak, karar vermek ve görevleri yerine getirmek için yapay zekâ ajanlarını kullanırlar. Bu yapay zekâ ajanları karmaşık görevleri gerçekleştirmek için bilgisayarlı görü modellerinden, pekiştirmeli öğrenme tekniklerinden ve büyük dil modellerinden (LLMs) yararlanır. Bu da onları iş akışlarını otomatikleştirmek ve karar alma süreçlerini geliştirmek için ideal hâle getirir.

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

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

Geleneksel bir yapay zekâ çözümü ile ajan tabanlı bir yapay zekâ çözümü arasındaki temel fark, ajan tabanlı yapay zekânın ileriyi düşünebilmesi ve değişen koşullara uyum sağlayabilmesidir. Geleneksel bilgisayarlı görü sistemleri nesneleri tanımada veya görüntüleri sınıflandırmada başarılıdır, ancak davranışlarını dinamik olarak değiştiremez. Modelleri yeniden eğitmek veya ince ayar yapmak için bir insanın devreye girmesi gerekir. Buna karşılık ajan tabanlı yapay zekâ, ortamıyla etkileşime girerek zaman içinde gelişmek için gelişmiş makine öğrenimi tekniklerini kullanır.

Ajan tabanlı yapay zekânın diğer gelişmiş yapay zekâ yenilikleriyle karşılaştırılması#

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

Üretken yapay zekâ ile ajan tabanlı yapay zekâ arasındaki fark#

ChatGPT gibi araçları kullandıysan üretken yapay zekâya zaten aşinasındır. Bu yapay zekâ dalı, kullanıcı istemlerine dayalı olarak metin, görüntü veya kod gibi içerikler oluşturma konusunda uzmanlaşır. Üretken yapay zekâ yaratıcılığı ve fikir keşfini geliştirirken öğrenilmiş kalıpları izler ve önceden tanımlanmış kısıtlar içinde çalışır; otonom karar verme veya bağımsız hedefler izleme yeteneğinden yoksundur.

Buna karşılık ajan tabanlı yapay zekâ hedeflerin peşinden aktif biçimde gider. Sürekli insan girdisi gerektirmeden ortamına dinamik olarak uyum sağlayabilir. Yalnızca içerik oluşturmak yerine harekete geçer ve sorunları otonom olarak çözer.

Ajan tabanlı otomasyon ve ajan tabanlı yapay zekâ yakından ilişkilidir#

Ajan tabanlı otomasyon ve ajan tabanlı yapay zekâ el ele çalışır; ajan tabanlı yapay zekâ otomasyonu güçlendiren zekâyı sağlar. Bilgisayarlı görü tabanlı bir güvenlik sistemini düşün.

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

Ajan tabanlı otomasyon tüm bu eylemlerin sorunsuz biçimde birlikte çalışmasını sağlar. Güvenlik kameraları, kapı kilitleri ve dronelar gibi farklı sistemleri birbirine bağlayarak bunların otomatik ve eş zamanlı tepki vermesini mümkün kılar. Ajan tabanlı yapay zekâ kararları verirken ajan tabanlı otomasyon, insan müdahalesi gerektirmeden bu kararların verimli biçimde uygulanmasını sağlar.

Şekil 2. Ajan tabanlı yapay zekâ ile ajan tabanlı otomasyonun karşılaştırılması. Görsel yazara aittir.

Ajan tabanlı yapay zekâ nasıl çalışır?#

Artık ajan tabanlı yapay zekânın ne olduğunu daha iyi anladığımıza göre nasıl çalıştığını inceleyelim.

Ajan tabanlı yapay zekâ sistemleri algılama, karar verme, eylem ve uyarlamadan oluşan döngüsel bir süreçle çalışır; bu süreç onların zaman içinde öğrenmesine ve gelişmesine yardımcı olur. Bu sürekli döngü, sistemlerin kendi başlarına çalışmasını ve karmaşık hedeflere ulaşmasını sağlar.

Sürekli döngüde yer alan adımlara kısaca göz atalım:

• Algılama: Ajan tabanlı yapay zekâ sistemi çevresini daha iyi anlamak için kameralardan, sensörlerden ve kullanıcı etkileşimlerinden veri toplar ve bu verileri 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 oluşturarak görevleri yerine getirir.
• Uyarlama: Sistem geri bildirimleri kullanarak deneyimlerden öğrenir; zaman içinde performansını geliştirmek için makine öğrenimi ve pekiştirmeli öğrenmeden yararlanır, özellikle de daha karmaşık görevlerde.

Şekil 3. Ajan tabanlı yapay zekânın nasıl çalıştığını anlama.

Ajan tabanlı yapay zekânın gerçek dünyadaki uygulamaları#

Şimdi ajan tabanlı yapay zekânın kullanımına ilişkin bazı gerçek dünya örneklerini inceleyelim. Bu sistemler farklı sektörlerde kullanılıyor ve sonuçları iyileştirmek için makinelerin verileri analiz etmesine ve bağımsız kararlar almasına yardımcı oluyor.

İlaç keşfinde ajan tabanlı yapay zekâ#

İlaç keşfi, hastalıklarla bağlantılı biyolojik hedeflerin belirlenmesinden potansiyel bileşiklerin taranmasına, kimyasal yapılarının optimize edilmesine ve klinik öncesi testlerin yürütülmesine kadar birçok temel aşamayı içerir. Etkili ve güvenli tedaviler bulmak için kapsamlı veri analizi ve deneyler gerektiren karmaşık ve zaman alıcı bir süreçtir.

Bilgisayarlı görüyle entegre edilen ajan tabanlı yapay zekâ, kimyasal sentez gibi temel adımların otomatikleştirilmesine yardımcı olarak süreci daha hızlı ve verimli hâle getiriyor. Kimyasal sentez, kontrollü tepkimeler yoluyla ilaçlar gibi yeni maddeler oluşturmak için farklı kimyasal bileşiklerin birleştirilmesi sürecidir. Geleneksel olarak bilim insanlarının sıcaklık, çözücü bileşimi ve kristalleşme zamanlaması gibi faktörleri deneme yanılma yoluyla manuel olarak ayarlaması gerekiyordu.

Artık ajan tabanlı yapay zekâ sistemleri tepkimeleri gerçek zamanlı olarak izleyebilir, renk değişimleri veya kristal oluşumu gibi görsel değişimleri 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. Sistem geçmiş tepkimelerden sürekli öğrenerek zaman içinde doğruluğunu artırır, manuel müdahale ihtiyacını azaltır ve ilaç geliştirmeyi hızlandırır.

Şekil 4. Otomatikleştirilmiş bir laboratuvar düzeni örneği.

Ajan tabanlı yapay zekâyla e-ticareti yeniden şekillendirmek#

Ajan tabanlı yapay zekâ, deneyimi daha kişiselleştirilmiş, verimli ve otomatik hâle getirerek çevrim içi alışveriş yapma biçimimizi değiştiriyor. Ajan tabanlı yapay zekâ, yalnızca geçmiş satın alımlara göre ürün önermek yerine tarama alışkanlıklarını analiz edebilir, müşterinin bir sonraki adımda ne isteyebileceğini tahmin edebilir ve ürün önerilerini gerçek zamanlı olarak ayarlayabilir.

Ajan tabanlı yapay zekâ, bilgisayarlı görü yardımıyla görsel aramaları da analiz edebilir ve daha doğru öneriler sunmak için ürün görüntülerini tanıyabilir. Örneğin biri sık sık spor ayakkabılara bakıyorsa ajan tabanlı yapay zekâ sistemi popüler stilleri öne çıkarabilir, indirimler sunabilir veya uyumlu aksesuarlar önerebilir. Ayrıca talebe göre fiyatlandırmayı ve promosyonları optimize ederek alışverişi daha dinamik hâle getirebilir.

Ajan tabanlı yapay zekâ, önerilerin ötesinde envanteri yöneterek, yeniden stoklamayı tahmin ederek ve sipariş karşılamayı otomatikleştirerek e-ticaret lojistiğini geliştiriyor. Bilgisayarlı görü, ajan tabanlı yapay zekâ sistemlerinin stok seviyelerini gerçek zamanlı olarak takip etmesine, yanlış yerleştirilmiş ürünleri belirlemesine ve ürünlerin doğru kategorilere ayrılmasını sağlamasına olanak tanır. Bir ürün hızla tükeniyorsa sistem yeniden stoklama işlemini başlatabilir veya alternatifler önerebilir. Ajan tabanlı yapay zekâ zaman içinde öğrenip uyum sağlayarak hem müşteriler hem de işletmeler için çevrim içi alışverişi daha hızlı, akıllı ve sorunsuz hâle getiriyor.

Ajan tabanlı yapay zekâ sistemi nasıl oluşturulur?#

Artık ajan tabanlı yapay zekânın gerçek dünya örneklerine baktığımıza göre nasıl oluşturulacağını ele alalım.

Bilgisayarlı görü tabanlı bir uygulama geliştiriyorsan Ultralytics YOLO11 gibi en yeni modelleri kullanmak, 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 kılar.

Ultralytics YOLO11 kullanarak ajan tabanlı bir yapay zekâ sistemini şu şekilde oluşturabilirsin:

• Hedefleri tanımla: Yapay zekâ ajanının amacını, hedeflerini ve amaçlanan işlevselliğe ulaşmak için gerçekleştirmesi gereken belirli görevleri açıkça belirt.

• Ultralytics YOLO11'i eğit: İlgili görüntü ve video verilerini topla, etiketle ve YOLO11'i özel uygulamana göre özel olarak eğit.

• YOLO11'i entegre et: YOLO11'i algılanan görsel verilere dayalı gerçek zamanlı analiz ve karar vermeyi sağlayan bir yapay zekâ çerçevesine bağla.

• Otonom karar vermeyi etkinleştir: Yapay zekâ ajanının Ultralytics YOLO11 algılamalarına göre uyarıları tetikleme, ayarları değiştirme veya robotik sistemleri yönlendirme gibi eylemler gerçekleştirmesini sağlayan mantığı ya da makine öğrenimi modellerini kur.

• Geri bildirim döngülerini dâhil et: Ultralytics YOLO11'in yeni verilerle yeniden eğitilerek doğruluğunu geliştirdiği ve model performansını zaman içinde iyileştirdiği bir kendi kendine öğrenme sistemi uygula.

Şekil 5. Ultralytics YOLO11 kullanarak ajan tabanlı bir yapay zekâ sistemi oluşturma. Görsel yazara aittir.

Ajan tabanlı yapay zekâ sisteminin artıları ve eksileri#

Ajan tabanlı yapay zekâ sistemlerinin çeşitli sektörlere sağlayabileceği temel faydalardan bazıları şunlardır:

• Artan verimlilik: Ajan tabanlı yapay zekâ sistemleri karmaşık ve zaman alıcı görevleri otomatikleştirerek hataları azaltabilir ve insan 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 azaltılması: Ajan tabanlı yapay zekâ, manuel iş gücü ihtiyacını azaltıp operasyonları optimize ederek işletmelerin giderlerini düşürmesine ve kaynakları daha etkili kullanmasına yardımcı olur.

Ajan tabanlı yapay zekâ farklı sektörlerde birçok fayda sunarken beraberinde getirdiği olası sınırlamaların da farkında olmak önemlidir. Dikkate alman gereken temel sorunlardan bazıları şunlardır:

• Yapay zekâda önyargı: Ajan tabanlı yapay zekâ sistemleri eğitim verilerindeki önyargıları devralabilir ve özellikle işe alım ile kolluk kuvvetleri gibi alanlarda adaletsiz veya hatalı sonuçlara yol açabilir.

• Şeffaflık eksikliği: Birçok yapay zekâ modeli "kara kutu" gibi çalışır; kararları nasıl verdiklerini anlamayı zorlaştırır. Bu durum sağlık ve finans gibi sektörlerde sorun oluşturabilir.

• Düzenleyici zorluklar: Ajan tabanlı yapay zekâ geliştirme çalışmaları düzenlemelerden daha hızlı ilerliyor; bu da hukuki belirsizliklere ve dünya genelinde tutarsız uyumluluk standartlarına yol açıyor.

Genel olarak ajan tabanlı yapay zekâ sistemleri birçok fırsat sunsa da sorumlu biçimde kullanılmalarını sağlamak için faydalarını etik hususlar, şeffaflık ve uygun düzenlemelerle dengelemek önemlidir.

Önemli çıkarımlar#

Ultralytics YOLO11 gibi görü yapay zekâ modelleriyle birleştirildiğinde ajan tabanlı yapay zekâ sistemleri otomasyonun çalışma biçimini değiştirebilir. Kendi kendine giden araçlardan çevrim içi alışverişe ve sağlık hizmetlerine kadar bu sistemler işletmelerin otonom olarak ve daha hızlı çalışmasına yardımcı olur.

Ancak önyargı, şeffaflık eksikliği ve belirsiz düzenlemeler gibi zorlukların hâlâ ele alınması gerekiyor. Ajan tabanlı yapay zekâ sistemleri geliştikçe yenilik ile sorumluluk arasında doğru dengeyi bulmak, bu yeniliklerden en iyi şekilde yararlanmanın anahtarı olacaktır.

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 lisanslarına göz at!