Davranışsal AI, bilgisayarlı görüyü daha etkili hâle getiriyor
Hayvan yetiştiriciliği gibi sektörlerde AI destekli davranış analizini ve bunun gerçek dünyadaki uygulamalarını ele alan David Scott’ın YOLO Vision 2024 açılış konuşmasını yeniden inceleyin.
Uzun yıllar boyunca bilgisayarlı görü yenilikleri, görüntü ve videolarda köpek veya araba gibi nesneleri tanımlayan nesne tespiti gibi görevlere odaklandı. Bu yaklaşımlar otonom araçlar, üretim ve sağlık hizmetleri gibi alanlarda uygulamaların geliştirilmesini sağladı.
Ancak bu görevler genellikle yalnızca bir nesnenin ne olduğunu belirlemeye odaklanır. Görsel AI sistemleri bir adım daha ileri gidebilseydi ne olurdu? Örneğin, yalnızca bir köpeği tespit etmek yerine köpeğin bir topu kovaladığını veya bir arabanın yaya karşıya geçtiği için aniden fren yaptığını anlayabilseydi. Temel tanımadan bağlamsal anlayışa geçiş, daha akıllı ve bağlamı anlayan davranışsal AI yönünde önemli bir değişimi temsil ediyor.
Ultralytics’in görüsel AI alanındaki gelişmeleri kutlayan yıllık hibrit etkinliği YOLO Vision 2024 (YV24) kapsamında, AI destekli davranış analizinin konsepti, The Main Branch CEO’su David Scott tarafından gerçekleştirilen ilgi çekici bir konuşmada merkezde yer aldı.
David konuşmasında, temel bilgisayarlı görü görevlerinden davranış takibine geçişi ele aldı. En son teknoloji uygulamalar geliştirme konusunda 25 yılı aşkın deneyime sahip olan David, bu sıçramanın etkisini ortaya koydu. Kalıpların ve davranışların çözümlenmesinin tarım ve hayvan refahı gibi sektörleri nasıl yeniden şekillendirdiğini vurguladı.
Bu makalede David’in konuşmasından öne çıkanları inceleyecek ve davranış takibinin AI’ı nasıl daha pratik hâle getirdiğini ele alacağız.
AI benimsemesindeki zorlukları anlama#
David Scott açılış konuşmasına cesur bir gerçeklik değerlendirmesiyle başladı ve şöyle dedi: “Bir meslektaşım sık sık ‘Bilim satmaz’ der. Bu, burada bulunan çoğumuzu biraz gücendiriyor çünkü bilimi gerçekten seviyoruz. AI gerçekten harika; insanlar neden onu satın almasın? Ancak gerçek şu ki insanlar, bizim harika olduğunu düşünmemiz nedeniyle satın almak istemiyor; satın almak için bir nedene ihtiyaçları var.”
Sözlerine devam eden David, şirketi The Main Branch’te odağın yalnızca AI’ın yeteneklerini sergilemek değil, her zaman gerçek sorunları AI ile çözmek olduğunu açıkladı. Pek çok müşteri genel olarak AI’ı nasıl kullanabilecekleri hakkında konuşmak istiyor, ancak David bunu tersine bir yaklaşım olarak görüyor; bu, ortada bir sorun yokken bir çözüme sahip olmaya benziyor. Bunun yerine, belirli zorluklarla gelen müşterilerle çalışarak gerçekten fark yaratan AI çözümleri oluşturuyorlar.
Şek. 1. YV24'te sahnede David Scott.
David ayrıca çalışmalarının çoğu zaman bir sahnedeki nesneleri tanımaktan çok daha ileri gittiğini paylaştı. Orada ne olduğunu belirlemek yalnızca ilk adım. Asıl değer, bu bilgilerle ne yapılacağını bulmak ve onları daha geniş değer zinciri içinde kullanılabilir hâle getirmekten geliyor.
Davranış takip teknolojisi: eyleme dönüştürülebilir AI’ın anahtarı#
AI’ı gerçekten kullanışlı hâle getirmenin önemli bir adımı, nesne tespiti gibi temel bilgisayarlı görü görevlerinin ötesine geçmek ve bu içgörüleri davranış takibinde kullanmaktır. David, davranışsal AI’ın yalnızca nesneleri tanımlamaya değil, eylemleri ve kalıpları anlamaya odaklandığını vurguladı. Bu sayede AI, anlamlı olayları tanıyabilir ve eyleme dönüştürülebilir içgörüler sağlayabilir.
Yerde yuvarlanan bir hayvanı örnek veren David, bunun hastalığa işaret edebileceğini belirtti. İnsanlar bir hayvanı günün her saati izleyemezken, davranış takip özelliklerine sahip AI destekli gözetim sistemleri bunu yapabilir. Bu tür çözümler nesneleri sürekli izleyebilir, belirli davranışları tespit edebilir, uyarı gönderebilir ve zamanında müdahale edilmesini sağlayabilir. Böylece ham veriler pratik ve değerli bir şeye dönüşür.
David ayrıca bu yaklaşımın AI’ı yalnızca ilginç değil, gerçekten etkili hâle getirdiğini gösterdi. Davranışları izlemek ve bunlara göre hareket etmek gibi gerçek sorunları ele alan davranış takibi, çeşitli sektörlerde etkili AI çözümlerinin önemli bir parçası olabilir.
Davranışsal AI’ı hayata geçirmek#
David Scott daha sonra bir bilgisayarlı görü modeli olan Ultralytics YOLOv8’in ekibinin davranış takip projeleri için nasıl bir dönüm noktası olduğunu gösterdi. Bu model, nesneleri tespit etmek, sınıflandırmak ve takip etmek için sağlam bir temel sağladı. Ekibi ayrıca bir adım daha ileri giderek YOLOv8’i özel verilerle eğitti ve modeli zaman içindeki davranışları izlemeye odakladı; böylece gerçek dünya durumları için daha pratik ve faydalı hâle getirdi.
İlginç bir şekilde, Ultralytics YOLO11’in piyasaya sürülmesiyle The Main Branch tarafından oluşturulanlar gibi çözümler daha güvenilir ve doğru hâle gelebilir. Bu en yeni model, davranışları takip etme becerisini geliştiren daha iyi hassasiyet ve daha hızlı işleme gibi özellikler sunuyor. Davranışsal AI’ın kullanılabileceği uygulamaları daha iyi anladıktan sonra bunu daha ayrıntılı ele alacağız.
Şimdi David’in bahsettiği çözümleri ve davranış takip teknolojisinin günlük zorlukları çözmek ve anlamlı bir etki yaratmak için gerçek dünya uygulamalarında nasıl kullanıldığını inceleyelim.
AI destekli davranış analiziyle HerdSense#
David ilk olarak HerdSense adlı bir projeyle ele aldıkları heyecan verici bir zorluğu paylaştı. Proje, büyük bir besi çiftliğinde binlerce ineğin sağlığının izlenmesini içeriyordu. Amaç, olası sağlık sorunlarını belirlemek için her bir ineğin davranışını takip etmekti. Bu, aynı anda on binlerce hayvanı gözlemlemek anlamına geliyordu ve kolay bir görev değildi.
Şek. 2. HerdSense, davranışsal AI kullanarak inekleri izlemeye ve tanımlamaya odaklandı.
Her bir ineği tanımlama ve davranışlarını takip etme sorununu çözmeye başlamak için David’in ekibi, izlemeleri gereken tüm olası davranışları belirlemek üzere iki günlük bir çalıştay düzenledi. Toplamda 200’den fazla davranış tespit ettiler.
200 davranışın her biri, bireysel ineklerin doğru şekilde tanınmasına bağlıydı; çünkü tüm verilerin belirli hayvanlarla ilişkilendirilmesi gerekiyordu. En önemli endişelerden biri, inekler birbirine sokularak toplandığında onları takip etmekti; bu durum bireysel hayvanları görmeyi zorlaştırıyordu.
David’in ekibi, zorlu durumlarda bile her ineğin sürekli olarak tanınmasını sağlamak için bir bilgisayarlı görü sistemi geliştirdi. Aynı ineğe, görüş alanından kaybolsa, diğerlerine karışsa veya daha sonra yeniden ortaya çıksa bile her zaman aynı kimliğin atanacağını doğrulayabildiler.
Bilgisayarlı görü kullanarak at sağlığını izleme#
David daha sonra benzer davranış takip tekniklerini atları izlemek için uyguladıkları bir başka ilgi çekici projeyi tanıttı. Bu projede David’in ekibinin, ineklerde olduğu kadar yakından bireysel at kimliklerini takip etmesi gerekmiyordu. Bunun yerine belirli davranışlara odaklandılar ve olası sağlık sorunlarını erkenden belirlemek için beslenme kalıpları ve genel aktivite seviyeleri gibi ayrıntıları takip ettiler. Davranışlardaki küçük değişiklikleri belirlemek, daha iyi bakım sağlamak ve sorunlar ciddileşmeden önce önlemek için daha hızlı müdahalelere olanak sağlayabilir.
Şek. 3. Davranışsal AI yardımıyla atları izleme.
Davranışsal AI neden göründüğü kadar basit değil?#
David ayrıca ilgi çekici bir örnek üzerinden davranış takibinin karmaşıklığını ele aldı. Ekibi davranış analizini geliştirmenin yollarını araştırırken, birinin elini cebinde tutması gibi belirli pozları analiz ederek mağaza hırsızlığını tespit ettiğini iddia eden bir şirketle karşılaştı. İlk başta bu akıllıca bir fikir gibi görünüyordu; belirli hareketler şüpheli davranışa işaret edebilir, değil mi?
Şek. 4. Davranış takip teknolojisinin zorluklarını anlama.
Ancak David daha derinlemesine inceledikçe bu yöntemin sınırlamalarını fark etti. Elin cepte olması gibi tek bir poz, birinin mutlaka mağaza hırsızlığı yaptığı anlamına gelmez. Kişinin rahat olduğunu, düşündüğünü veya üşüdüğünü de gösterebilir. Tek başına pozlara odaklanmanın sorunu, daha geniş bağlamı göz ardı etmesidir. Davranış yalnızca tek bir eylem değildir; bağlam ve niyet tarafından şekillenen, zaman içindeki eylemler bütünüdür.
David, gerçek davranış takibinin çok daha karmaşık olduğunu ve bütünsel bir yaklaşım gerektirdiğini vurguladı. Bu, eylem dizilerini analiz etmek ve bunların daha geniş çerçevede ne anlama geldiğini anlamakla ilgilidir. AI sektörü ilerleme kaydediyor olsa da David, anlamlı ve doğru içgörüler sunabilmesi için davranış takibinin geliştirilmesi konusunda hâlâ yapılması gerekenler olduğunu belirtti.
Eylemleri anlayan daha akıllı görsel AI modelleri oluşturma#
David daha sonra, ekibinin Ultralytics YOLOv8’in bilgisayarlı görü ve poz tahmini yeteneklerinden yararlanarak inek sağlığını izlemek için bir bilgisayarlı görü çözümünü nasıl oluşturduğunu göstermek üzere izleyicileri perde arkasına götürdü.
İlk olarak, bir ineğin poz tahmini için özel bir veri kümesi oluşturdular ve modelin hareketleri daha iyi analiz edebilmesi için standart kilit nokta sayısını 17’den 145’e çıkardılar. Ardından model, 2 milyondan fazla görüntü ve 110 milyon davranış örneğinden oluşan devasa bir veri kümesiyle eğitildi.
Gelişmiş donanım altyapısını kullanan David’in ekibi, modeli geleneksel donanımda sürecek haftalar yerine yalnızca iki günde eğitebildi. Eğitilen model daha sonra, ineklerin eylemlerindeki kalıpları tespit etmek için birden fazla video karesini eş zamanlı olarak analiz eden özel bir davranış takip sistemiyle entegre edildi.
Sonuç, sağlık sorunlarına işaret edebilecek küçük davranış değişikliklerini belirlemek için yeme, içme ve yatma gibi sekiz farklı inek davranışını tespit edip takip edebilen, görsel AI destekli bir çözüm oldu. Bu, çiftçilerin hızlı hareket etmesini sağlıyor ve sürü yönetimini iyileştiriyor.
Davranışsal AI’ın geleceği#
David konuşmasını izleyicilerle önemli bir dersi paylaşarak tamamladı: “AI’a başarısız olabileceği alan tanımazsanız, kendinizi başarısızlığa hazırlarsınız; çünkü günün sonunda bu istatistikseldir.” AI’ın güçlü yönlerine rağmen kusursuz olmadığını belirtti. AI, kalıplardan öğrenen bir araçtır ve işleri doğru yapamadığı zamanlar her zaman olacaktır. Bu hatalardan korkmak yerine, önemli olan bunları yönetebilen ve zaman içinde gelişmeye devam eden sistemler oluşturmaktır.
Bu durum bilgisayarlı görü modellerinin kendisi için de geçerlidir. Örneğin, Ultralytics YOLO modellerinin en yeni sürümü olan Ultralytics YOLO11, YOLOv8’e kıyasla işleri bir sonraki seviyeye taşıma ihtiyacı göz önünde bulundurularak geliştirildi.
Şek. 5. Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.
Özellikle Ultralytics YOLO11, hassasiyetin önemli olduğu tarım ve sağlık hizmetleri gibi gerçek zamanlı uygulamalarda daha iyi performans sunuyor. Gelişmiş özellikleriyle YOLO11, yenilikçi gerçek zamanlı içgörüler sağlayarak ve zorlukların daha etkili şekilde ele alınmasına yardımcı olarak sektörlerin AI kullanma biçimini yeniden tanımlıyor.
Önemli çıkarımlar#
David’in YV24’teki açılış konuşması, AI’ın yalnızca havalı bir yenilikten ibaret olmadığını; gerçek sorunları çözmek ve yaşama ve çalışma biçimimizi iyileştirmek için güçlü bir araç olduğunu hatırlattı. AI, davranışlara odaklanarak hayvan sağlığını takip etmek ve günlük eylemlerdeki anlamlı kalıpları tanımak gibi alanlarda şimdiden etki yaratıyor.
Davranışsal AI’ın potansiyeli heyecan verici ve biz henüz yolun başındayız. Davranışsal AI, ham verileri eyleme dönüştürülebilir içgörülere çevirerek pasif izlemeden aktif sorun çözmeye geçişi sağlıyor. Daha da geliştikçe davranışsal AI’ın daha akıllı kararları desteklemesi, süreçleri kolaylaştırması ve yaşamımıza anlamlı iyileştirmeler getirmesi bekleniyor.
AI ve gerçek dünya uygulamaları hakkında daha fazla bilgi edinmek için topluluğumuzla bağlantıda kal. GitHub depomuzu ziyaret ederek tarımda AI ve üretimde bilgisayarlı görü gibi alanlardaki yenilikleri keşfet.
