Ajan Tabanlı Yapay Zeka ve bilgisayarlı görü: Otomasyonun geleceği

Yapay zeka (YZ) ve bilgisayarlı görü, makinelerin dünyayı görmesine ve anlamasına yardımcı olur. Son gelişmeler sayesinde, artık ileriye doğru atılan bir adıma tanıklık ediyoruz; sadece algılamakla kalmayıp aynı zamanda düşünen, planlayan ve kendi başına harekete geçen YZ inovasyonları. Önceki bir makalemizde, vision agents yapılarının görsel verileri nasıl işleyebildiğini, analiz edebildiğini ve harekete geçebildiğini tartışmıştık.

Bugün, benzer bir kavramı keşfedeceğiz: agentik yapay zeka. Agentik yapay zeka sistemleri, bağımsız çalışacak şekilde tasarlanmış olup belirlenen hedeflere ulaşmak için insan benzeri akıl yürütme ve problem çözme yeteneklerine sahiptir. Önceden tanımlanmış talimatlarla bireysel görevleri tamamlamaya odaklanan geleneksel YZ sistemlerinin aksine, agentik yapay zeka görevleri yerine getirmek için otonom olarak plan yapabilir ve harekete geçebilir. Bu ajanlar, geçmiş etkileşimlerden ders bile çıkarabilir ve hiçbir insan müdahalesi olmadan kararları uygulayabilir.

Bilgisayarlı görü söz konusu olduğunda, agentik yapay zeka sistemleri, Ultralytics YOLO11 gibi computer vision models kullanarak nesne tespiti gibi tekniklerden yararlanabilir; böylece görsel verileri gerçek zamanlı olarak analiz edebilir, nesneleri tanıyabilir, uzamsal ilişkileri anlayabilir ve çevrelerine göre otonom kararlar verebilir.

Link to this sectionAgentik yapay zeka nedir?#

Agentik yapay zeka sistemleri özünde otonom, hedef odaklı düşünme, uyarlanabilir problem çözme ve sürekli öğrenme yetenekleriyle tasarlanmıştır. Çevrelerini anlamak, kararlar almak ve görevleri yürütmek için YZ ajanlarını kullanırlar. Bu YZ ajanları, karmaşık görevleri gerçekleştirmek için bilgisayarlı görü modellerinden, pekiştirmeli öğrenme tekniklerinden ve büyük dil modellerinden (LLM'ler) faydalanır. Bu özellikleri, onları iş akışlarını otomatikleştirmek ve karar alma süreçlerini iyileştirmek için ideal kılar.

Örneğin bir depoda, computer vision ile donatılmış bir agentik yapay zeka sistemi; paketleri tespit edebilir, envanteri takip edebilir ve insan müdahalesi olmadan engellerin etrafından dolaşabilir. Pekiştirmeli öğrenmeyi kullanarak, zamanla hareket verimliliğini artırabilir ve tıkanıklıkları önlemek için en iyi rotaları öğrenebilir. Bu sırada, LLM destekli bir sohbet robotu, soruları yanıtlayarak ve operasyonel iyileştirmeler önererek çalışanlara yardımcı olabilir ve tüm iş akışını daha verimli hale getirebilir.

Fig 1. Agentik yapay zekanın nasıl çalıştığına dair genel bakış.

Geleneksel bir YZ çözümü ile agentik yapay zeka çözümü arasındaki temel fark, agentik yapay zekanın ilerisini düşünebilmesi ve değişen durumlara uyum sağlayabilmesidir. Geleneksel bilgisayarlı görü sistemleri nesneleri tanımak veya görüntüleri sınıflandırmak için harikadır, ancak davranışlarını dinamik olarak ayarlayamazlar. Modellerin yeniden eğitilmesine veya ince ayar yapılmasına yardımcı olması için bir insanın devreye girmesi gerekir. Öte yandan, agentik yapay zeka çevresiyle etkileşime girerek zamanla iyileşmek için gelişmiş makine öğrenimi tekniklerini kullanır.

Link to this sectionAgentik yapay zekayı diğer gelişmiş YZ inovasyonlarıyla karşılaştırma#

YZ hızla gelişiyor ve generative AI, agentik otomasyon ve bilgisayarlı görü gibi yeni kavramlar çeşitli sektörlerde hızla benimseniyor. Agentik yapay zekayı neyin farklı kıldığını daha iyi anlamak için bu teknolojileri karşılaştıralım.

Link to this sectionÜretken YZ (generative AI) ile agentik yapay zeka arasındaki fark#

Eğer ChatGPT gibi araçlar kullandıysan, üretken YZ'ye zaten aşinasındır. YZ'nin bu dalı, kullanıcı komutlarına dayalı olarak metin, görsel veya kod gibi içerikler oluşturma konusunda uzmanlaşmıştır. Üretken YZ yaratıcılığı ve fikir keşfini artırırken, öğrenilmiş kalıpları takip eder ve önceden tanımlanmış kısıtlamalar dahilinde çalışır; otonom kararlar alma veya bağımsız hedeflerin peşinden gitme yeteneğinden yoksundur.

Buna karşılık, agentik yapay zeka hedeflerin peşinden aktif olarak koşar. Sürekli insan girdisine ihtiyaç duymadan çevresine dinamik olarak uyum sağlayabilir. Sadece içerik üretmek yerine, otonom olarak harekete geçer ve sorunları çözer.

Link to this sectionAgentik otomasyon ve agentik yapay zeka yakından ilişkilidir#

Agentik otomasyon ve agentik yapay zeka el ele yürür; agentik yapay zeka, otomasyona güç veren zekayı sağlar. Bilgisayarlı görü tabanlı bir güvenlik sistemini düşün.

Agentik yapay zeka sistemi durumu analiz eder, en iyi yanıtı belirler ve kendi başına harekete geçer. Örneğin, bilgisayarlı görü ile entegre bir AI security camera bir davetsiz misafir tespit ederse, agentik yapay zeka sistemi sadece uyarı göndermekle kalmaz; kişinin çalışan olup olmadığını kontrol eder, gerekirse kapıları kilitler, hareketlerini izler ve hatta onları takip etmek için bir drone gönderir.

Agentik otomasyon, tüm bu eylemlerin sorunsuz bir şekilde birlikte çalışmasını sağlar. Güvenlik kameraları, kapı kilitleri ve dronlar gibi farklı sistemleri birbirine bağlar, böylece otomatik ve eşzamanlı olarak yanıt verebilirler. Agentik yapay zeka kararları alırken, agentik otomasyon bu kararların insan müdahalesine gerek kalmadan verimli bir şekilde uygulanmasını sağlar.

Fig 2. Agentik yapay zeka ve agentik otomasyonun karşılaştırılması. Görsel: yazar.

Link to this sectionAgentik yapay zeka nasıl çalışır#

Artık agentik yapay zekanın ne olduğuna dair daha iyi bir anlayışa sahip olduğumuza göre, nasıl çalıştığını keşfedelim.

Agentik yapay zeka sistemleri; algılama, karar verme, eylem ve adaptasyondan oluşan döngüsel bir süreçle çalışır ve bu süreç zamanla öğrenmelerine ve gelişmelerine yardımcı olur. Bu sürekli döngü, bu sistemlerin kendi başlarına işlev görmelerini ve karmaşık hedeflere ulaşmalarını sağlar.

Sürekli döngüde yer alan adımlara kısaca göz atalım:

• Algılama: Agentik yapay zeka sistemi, çevresini daha iyi anlamak için kameralardan, sensörlerden ve kullanıcı etkileşimlerinden veri toplar ve analiz eder.
• Karar verme: Sistem farklı seçenekleri değerlendirir, olası sonuçları tahmin eder ve akıl yürütme ile risk değerlendirmesine dayalı olarak en iyi eylemi seçer.
• Eylem: Bir karar verildikten sonra sistem, fiziksel cihazları kontrol ederek, diğer sistemlerle etkileşime girerek veya çıktılar üreterek görevleri yürütür.
• Adaptasyon: Sistem, geri bildirim kullanarak deneyimlerden ders çıkarır ve özellikle daha karmaşık görevlerde performansı zamanla artırmak için makine öğrenimi ve reinforcement learning uygular.

Fig 3. Agentik yapay zekanın nasıl çalıştığını anlama.

Link to this sectionAgentik yapay zekanın gerçek dünya uygulamaları#

Şimdi, uygulamalı agentik yapay zeka örneklerine göz atalım. Bu sistemler farklı sektörlerde kullanılıyor; makinelerin verileri analiz etmesine ve sonuçları iyileştirmek için bağımsız kararlar almasına yardımcı oluyor.

Link to this sectionİlaç keşfinde agentik yapay zeka#

Drug discovery; hastalıklarla bağlantılı biyolojik hedeflerin belirlenmesinden potansiyel bileşiklerin taranmasına, kimyasal yapılarının optimize edilmesine ve klinik öncesi testlerin yürütülmesine kadar çeşitli kilit aşamaları içerir. Etkili ve güvenli tedaviler bulmak için kapsamlı veri analizi ve deney gerektiren karmaşık ve zaman alıcı bir süreçtir.

Bilgisayarlı görü ile entegre edilen agentik yapay zeka, kimyasal sentez gibi kilit adımları otomatikleştirmeye yardımcı olarak süreci daha hızlı ve verimli hale getiriyor. Kimyasal sentez, kontrollü reaksiyonlar yoluyla farmasötik ilaçlar gibi yeni maddeler oluşturmak için farklı kimyasal bileşiklerin birleştirilmesi işlemidir. Geleneksel olarak bilim insanları; sıcaklık, çözücü bileşimi ve kristalleşme zamanlaması gibi faktörleri deneme yanılma yoluyla manuel olarak ayarlamak zorundaydı.

Artık agentik yapay zeka sistemleri, reaksiyonları gerçek zamanlı olarak izleyebilir, renk değişimleri veya kristal oluşumu gibi görsel değişiklikleri analiz edebilir ve anında kararlar alabilir. Örneğin, sistem bir reaksiyonun beklendiği gibi ilerlemediğini tespit ederse, sıcaklığı anında ayarlayabilir veya süreci optimize etmek için gerekli kimyasalları ekleyebilir. Geçmiş reaksiyonlardan sürekli öğrenerek sistem zamanla doğruluğunu artırır, böylece manuel müdahale ihtiyacını azaltır ve ilaç geliştirmeyi hızlandırır.

Fig 4. Otomatikleştirilmiş bir laboratuvar kurulumu örneği.

Link to this sectionE-ticareti agentik yapay zeka ile yeniden keşfetmek#

Agentik yapay zeka, deneyimi daha kişiselleştirilmiş, verimli ve otomatik hale getirerek çevrimiçi alışveriş yapma şeklimizi değiştiriyor. Sadece geçmiş satın alımlara dayalı ürünler önermek yerine, agentik yapay zeka tarama alışkanlıklarını analiz edebilir, müşterinin bir sonraki aşamada ne isteyebileceğini tahmin edebilir ve ürün önerilerini gerçek zamanlı olarak ayarlayabilir.

Bilgisayarlı görü yardımıyla agentik yapay zeka, görsel aramaları da analiz edebilir ve daha doğru öneriler sunmak için ürün görsellerini tanıyabilir. Örneğin, birisi sık sık spor ayakkabılarına bakıyorsa, agentik yapay zeka sistemi trend olan stilleri öne çıkarabilir, indirimler sunabilir veya eşleşen aksesuarlar önerebilir. Ayrıca talebe göre fiyatlandırmayı ve promosyonları optimize ederek alışverişi daha dinamik hale getirebilir.

Önerilerin ötesinde, agentik yapay zeka envanteri yöneterek, stok yenilemelerini tahmin ederek ve sipariş yerine getirme işlemlerini otomatikleştirerek e-ticaret logistics süreçlerini iyileştiriyor. Bilgisayarlı görü, agentik yapay zeka sistemlerinin stok seviyelerini gerçek zamanlı olarak takip etmesine, yanlış yerleştirilmiş ürünleri tanımlamasına ve ürünlerin doğru şekilde kategorize edilmesini sağlamasına olanak tanır. Bir ürün hızla tükeniyorsa, sistem stok yenilemeyi tetikleyebilir veya alternatifler önerebilir. Zamanla öğrenip uyum sağlayarak, agentik yapay zeka hem müşteriler hem de işletmeler için çevrimiçi alışverişi daha hızlı, daha akıllı ve daha sorunsuz hale getiriyor.

Link to this sectionBir agentik yapay zeka sistemi nasıl oluşturulur#

Agentik yapay zekanın gerçek dünya örneklerine baktığımıza göre, şimdi bir tane nasıl oluşturacağımızı tartışalım.

Bilgisayarlı görü tabanlı bir uygulama geliştiriyorsan, Ultralytics YOLO11 gibi en son modelleri kullanmak, agentik yapay zeka sisteminin çevresini daha iyi anlamasına yardımcı olabilir. Çeşitli computer vision tasks desteğiyle YOLO11, agentik yapay zeka sistemlerinin görsel verileri doğru bir şekilde analiz etmesini mümkün kılabilir.

YOLO11 kullanarak nasıl bir agentik yapay zeka sistemi oluşturabileceğine dair adımlar:

• Hedefleri tanımla: YZ ajanının amacını, hedeflerini ve amaçlanan işlevselliğine ulaşmak için gerçekleştirmesi gereken belirli görevleri net bir şekilde ana hatlarıyla belirt.

• YOLO11'i eğit: İlgili görüntü ve video verilerini topla, etiketle ve uygulaman için custom-train YOLO11 gerçekleştir.

• YOLO11'i entegre et: YOLO11'i, tespit edilen görsel verilere dayalı olarak gerçek zamanlı analiz ve karar verme imkanı sağlayan bir YZ çerçevesi ile bağla.

• Otonom karar vermeyi etkinleştir: YZ ajanının YOLO11'in tespitlerine dayanarak uyarıları tetiklemek, ayarları yapmak veya robotik sistemleri yönlendirmek gibi eylemlerde bulunmasını sağlayan mantık veya makine öğrenimi modelleri kur.

• Geri bildirim döngülerini dahil et: YOLO11'in yeni verilerle yeniden eğitilerek doğruluğunu geliştirdiği ve model performansını zamanla artıran kendi kendine öğrenen bir sistem uygula.

Fig 5. YOLO11 kullanarak bir agentik yapay zeka sistemi nasıl oluşturulur. Görsel: yazar.

Link to this sectionBir agentik yapay zeka sisteminin artıları ve eksileri#

İşte agentik yapay zeka sistemlerinin çeşitli sektörlere getirebileceği temel faydalardan bazıları:

• Artan verimlilik: Agentik yapay zeka sistemleri karmaşık, zaman alıcı görevleri otomatikleştirebilir, hataları azaltabilir ve insan çalışanları daha değerli işler için serbest bırakabilir.

• Ölçeklenebilirlik: Bu sistemler farklı sektörlere kolayca uyum sağlayabilir ve gerektiğinde daha büyük iş yüklerini karşılamak için büyüyebilir.

• Maliyet düşüşü: Manuel iş gücü ihtiyacını azaltarak ve operasyonları optimize ederek, agentik yapay zeka işletmelerin masrafları kısmasına ve kaynakları daha etkili kullanmasına yardımcı olur.

Agentik yapay zeka farklı sektörlerde birçok fayda sunsa da, beraberinde getirdiği potansiyel sınırlamaların da farkında olmak önemlidir. İşte göz önünde bulundurman gereken bazı temel endişeler:

• Bias in AI: Agentik yapay zeka sistemleri, eğitim verilerinden önyargıları devralabilir; bu da özellikle işe alım ve kolluk kuvvetleri gibi alanlarda adaletsiz veya yanlış sonuçlara yol açabilir.

• Şeffaflık eksikliği: Birçok YZ modeli "kara kutu" gibi çalışır, bu da kararları nasıl verdiklerini anlamayı zorlaştırır; bu durum sağlık hizmetleri ve finans gibi sektörlerde sorun yaratabilir.

• Düzenleyici zorluklar: Agentik yapay zeka geliştirme süreçleri düzenlemelerden daha hızlı ilerleyerek hukuki belirsizlikler ve tutarsız küresel uyumluluk standartları yaratıyor.

Genel olarak, agentik yapay zeka sistemlerinin sunabileceği çok şey olsa da, sorumlu bir şekilde kullanıldıklarından emin olmak için avantajlarını etik hususlar, şeffaflık ve uygun düzenlemelerle dengelemek önemlidir.

Link to this sectionÖne çıkanlar#

YOLO11 gibi vision AI modelleriyle birleştirildiğinde, agentik yapay zeka sistemleri otomasyonun çalışma şeklini değiştirebilir. Kendi kendine giden arabalardan çevrimiçi alışverişe ve sağlık hizmetlerine kadar, bu sistemler işletmelerin otonom ve daha hızlı bir şekilde çalışmasına yardımcı olur.

Ancak, önyargı, şeffaflık eksikliği ve belirsiz düzenlemeler gibi zorlukların hala ele alınması gerekiyor. Agentik yapay zeka sistemleri geliştikçe, inovasyon ve sorumluluk arasında doğru dengeyi bulmak, bu yeniliklerden en iyi şekilde yararlanmanın anahtarı olacaktır.

YZ hakkında daha fazla bilgi edinmek için community ve GitHub repository sayfamıza katıl. AI in manufacturing ve computer vision in healthcare konularındaki çeşitli uygulamaları çözüm sayfalarımızda keşfet. Bilgisayarlı görü ile hemen çalışmaya başlamak için Ultralytics YOLO licenses sayfamıza göz at!