Ajan Tabanlı Yapay Zeka ve bilgisayarlı görü: Otomasyonun geleceği

Yapay zeka (AI) ve computer vision makinelerin dünyayı görmesine ve anlamasına yardımcı olur. Son gelişmelere teşekkürler, artık büyük bir sıçramaya tanık oluyoruz - yalnızca algılamakla kalmayıp aynı zamanda kendi başına düşünen, planlayan ve hareket eden yapay zeka inovasyonları. Önceki bir makalede, vision agents görsel verileri nasıl işleyebildiğini, analiz edebildiğini ve harekete geçebildiğini ele aldık.

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.

computer vision söz konusu olduğunda, agentic AI sistemleri, görsel verileri gerçek zamanlı olarak analiz etmek, nesneleri tanımak, uzamsal ilişkileri anlamak ve ortamlarına göre özerk kararlar almak için Ultralytics YOLO11 gibi computer vision models kullanan nesne tespiti gibi tekniklerden yararlanabilir.

Agentik 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 agentic AI sistemi, insan müdahalesi olmadan paketleri tespit edebilir, envanteri takip edebilir ve engellerin etrafından dolaşabilir. Pekiştirmeli öğrenmeyi kullanarak, tıkanıklığı önlemek için en iyi rotaları öğrenerek zamanla hareket verimliliğini artırabilir. Bu arada, LLM destekli bir sohbet botu, soruları yanıtlayarak ve operasyonel iyileştirmeler önererek çalışanlara yardımcı olabilir ve tüm iş akışını daha verimli hale getirebilir.

Fig 1. Agentic AI sisteminin nasıl çalıştığına dair bir 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.

Agentik yapay zekayı diğer gelişmiş YZ inovasyonlarıyla karşılaştırma#

Yapay zeka hızla gelişiyor; generative AI, agentic otomasyon ve computer vision gibi yeni kavramlar çeşitli sektörlerde hızla benimseniyor. Agentic AI sistemini neyin farklı kıldığını daha iyi anlamak için bu teknolojileri karşılaştıralım.

Üretken YZ (generative AI) ile agentik yapay zeka arasındaki fark#

ChatGPT gibi araçlar kullandıysanız, generative AI sistemlerine zaten aşinasınızdır. Yapay zekanın bu dalı, kullanıcı komutlarına dayanarak metin, görsel veya kod gibi içerikler oluşturmada uzmanlaşmıştır. Generative AI yaratıcılığı ve fikir keşfini geliştirirken, öğrenilen kalıpları takip eder ve önceden tanımlanmış kısıtlamalar dahilinde çalışır; özerk kararlar alma veya bağımsız hedefler peşinde koşma 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.

Agentik 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.

Agentic AI sistemi durumu analiz eder, en iyi yanıtı belirler ve kendi başına harekete geçer. Örneğin, computer vision ile entegre edilmiş bir AI security camera bir davetsiz misafir tespit ederse, agentic AI sistemi yalnızca bir uyarı göndermez; kişinin bir çalışan olup olmadığını kontrol eder, gerekirse kapıları kilitler, hareketini takip eder ve hatta onu izlemesi 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.

Agentik 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.
• Uyum: Sistem, geri bildirim kullanarak deneyimden öğrenir, zaman içinde performansı iyileştirmek için machine learning ve reinforcement learning uygular, özellikle daha karmaşık görevlerde.

Fig 3. Agentic AI sisteminin nasıl çalıştığını anlamak.

Agentik 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.

İlaç keşfinde agentik yapay zeka#

Drug discovery, hastalıklarla bağlantılı biyolojik hedeflerin belirlenmesinden potansiyel bileşiklerin taranmasına, kimyasal yapıların optimize edilmesine ve klinik öncesi testlerin gerçekleştirilmesine kadar birkaç temel aşamayı 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 kurulumuna örnek.

E-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 agentic AI, envanteri yöneterek, yeniden stoklama tahminleri yaparak ve sipariş karşılamayı otomatikleştirerek e-ticaret logistics alanını geliştiriyor. computer vision, agentic AI sistemlerinin stok seviyelerini gerçek zamanlı olarak takip etmesini, yanlış yerleştirilmiş ürünleri belirlemesini ve ürünlerin doğru şekilde kategorize edilmesini sağlar. Bir ürün hızla tükeniyorsa, sistem yeniden stoklamayı tetikleyebilir veya alternatifler önerebilir. Zamanla öğrenerek ve uyum sağlayarak agentic AI, çevrimiçi alışverişi hem müşteriler hem de işletmeler için daha hızlı, daha akıllı ve daha sorunsuz hale getiriyor.

Bir agentik yapay zeka sistemi nasıl oluşturulur#

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

computer vision tabanlı bir uygulama geliştiriyorsanız, Ultralytics YOLO11 gibi en son modelleri kullanmak agentic AI sisteminizin çevresini daha iyi anlamasına yardımcı olabilir. Çeşitli computer vision tasks için desteği sayesinde YOLO11, agentic AI sistemlerinin görsel verileri doğru bir şekilde analiz etmesini mümkün kılabilir.

Ultralytics YOLO11 kullanarak bir agentic AI sistemi bu şekilde kurabilirsin:

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

• Ultralytics YOLO11 Modelini Eğit: İlgili görüntü ve video verilerini topla, etiketle ve özel uygulamana dayalı olarak YOLO11 modelini özel eğit.

• 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: Yapay zeka ajanının, uyarı tetikleme, ayarları değiştirme veya robotik sistemleri yönlendirme gibi Ultralytics YOLO11 tespitlerine dayalı eylemler gerçekleştirmesine olanak tanıyan mantık veya makine öğrenmesi modelleri kur.

• Geri bildirim döngüleri ekle: Ultralytics YOLO11'in yeni verilerle yeniden eğitilerek doğruluğunu iyileştirdiği ve zamanla model performansını artırdığı kendi kendine öğrenen bir sistem uygula.

Şekil 5. Ultralytics YOLO11 kullanarak bir agentic AI sisteminin nasıl kurulacağı. Yazarın görseli.

Bir 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: Agentic AI sistemleri eğitim verilerinden önyargıları devralabilir, özellikle işe alım ve kolluk kuvvetleri gibi alanlarda haksız 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.

Öne çıkanlar#

Ultralytics YOLO11 gibi görme yapay zeka modelleriyle birleştirildiğinde, agentic AI sistemleri otomasyonun çalışma şeklini değiştirebilir. Otonom araçlardan çevrimiçi alışverişe ve sağlığa 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.

Yapay zeka hakkında daha fazla bilgi edinmek için community ve GitHub repository sayfalarımıza katıl. Çözüm sayfalarımızda AI in manufacturing ve computer vision in healthcare alanlarındaki çeşitli uygulamaları keşfet. Bugün computer vision ile başlamak için Ultralytics YOLO licenses sayfasına göz at!