Davranışsal AI, bilgisayarlı görünün etkisini artırıyor

Bilgisayarlı görü yenilikleri uzun yıllar boyunca, görüntülerde ve videolarda köpek veya araba gibi nesneleri tanımlayan nesne algılama gibi görevlere odaklandı. Bu yaklaşımlar otonom araçlar, üretim ve sağlık hizmetleri gibi alanlardaki uygulamaların önünü açtı.

Ancak bu görevler çoğu zaman yalnızca nesnenin ne olduğunu belirlemeye odaklanır. Görsel yapay zeka sistemleri bir adım daha ileri gidebilseydi nasıl olurdu? Örneğin, yalnızca bir köpeği algılamak yerine köpeğin bir topu kovaladığını ya da bir yayanın karşıya geçmesi nedeniyle bir arabanın aniden fren yaptığını anlayabilseydi. Temel tanımadan bağlamsal anlayışa geçiş, daha akıllı ve bağlamı dikkate alan davranışsal yapay zekaya doğru önemli bir dönüşümü temsil ediyor.

Ultralytics'in YOLO Vision 2024 (YV24) adlı, görsel yapay zekâ alanındaki gelişmeleri kutlayan yıllık hibrit etkinliğinde, yapay zekâ destekli davranış analizi kavramı The Main Branch'in CEO'su David Scott tarafından yapılan ilgi çekici bir konuşmada ön plana çıktı.

David konuşmasında, temel bilgisayarlı görü görevlerinden davranış takibine geçişi ele aldı. Gelişmiş teknoloji uygulamaları geliştirme konusunda 25 yılı aşkın deneyimiyle bu ilerlemenin etkisini gözler önüne serdi. Örüntüleri ve davranışları çözümlemenin tarım ve hayvan refahı gibi sektörleri nasıl yeniden şekillendirdiğini vurguladı.

Bu yazıda, David'in konuşmasındaki önemli noktaları ele alacak ve davranış takibinin yapay zekayı nasıl daha pratik hale getirdiğini inceleyeceğiz.

Yapay zekanın benimsenmesindeki zorlukları anlama#

David Scott açılış konuşmasına çarpıcı bir gerçeklik değerlendirmesiyle başladı ve şöyle dedi: “Bir meslektaşım sık sık ‘Bilim satmaz’ der; bu söz, burada bulunan çoğumuzu biraz rahatsız ediyor çünkü bilimi gerçekten seviyoruz. Yapay zeka gerçekten harika; insanlar neden hemen satın almasın ki? Ama gerçek şu ki, insanlar sırf biz harika buluyoruz diye satın almak istemiyor; satın almak için bir nedenleri olması gerekiyor.”

Sözlerine devam eden David, şirketi The Main Branch'te odak noktasının yapay zekânın yeteneklerini sergilemek değil, gerçek sorunları yapay zekâyla çözmek olduğunu açıkladı. Pek çok müşteri genel olarak yapay zekâyı nasıl kullanabileceklerini konuşmak istiyor; ancak David bunu, sorunu olmayan bir çözüme sahip olmaya benzeterek tersine bir yaklaşım olarak görüyor. Bunun yerine, gerçekten fark yaratacak yapay zekâ çözümleri geliştirebilmek için belirli zorluklarla gelen müşterilerle çalışıyorlar.

Şekil 1. David Scott, YV24'te sahnede.

David, çalışmalarının çoğu zaman bir sahnedeki nesneleri tanımaktan daha ileri gittiğini de paylaştı. Nelerin orada olduğunu fark etmek yalnızca ilk adım. Asıl değer, bu bilgilerle ne yapılacağını bulup onları daha geniş değer zincirinde işe yarar hale getirmekten geliyor.

Davranış takibi teknolojisi: eyleme dönüştürülebilir yapay zekanın anahtarı#

Yapay zekayı gerçekten faydalı hale getirmenin önemli bir adımı, nesne algılama gibi temel bilgisayarlı görü görevlerinin ötesine geçmek ve bu bilgilerden davranış takibinde yararlanmaktır. David, davranışsal yapay zekanın yalnızca nesneleri tanımlamaya değil, eylemleri ve örüntüleri anlamaya odaklandığını vurguladı. Böylece yapay zeka anlamlı olayları tanıyabilir ve eyleme dönüştürülebilir bilgiler sağlayabilir.

David, yerde yuvarlanan bir hayvanın hasta olabileceğine işaret edebileceği örneğini verdi. İnsanlar bir hayvanı günün her saati izleyemez; ancak davranış takibi özelliklerine sahip yapay zeka destekli gözetim sistemleri bunu yapabilir. Bu tür çözümler nesneleri sürekli izleyebilir, belirli davranışları algılayabilir, uyarı gönderebilir ve zamanında müdahale edilmesini sağlayabilir. Böylece ham veriler pratik ve değerli bilgilere dönüşür.

David ayrıca bu yaklaşımın yapay zekayı yalnızca ilgi çekici değil, gerçekten etkili hale getirdiğini gösterdi. Davranışları izlemek ve bunlara göre harekete geçmek gibi gerçek sorunları ele almak, davranış takibini çeşitli sektörlerde etkili yapay zeka çözümlerinin önemli bir parçası haline getirebilir.

Davranışsal yapay zekayı hayata geçirmek#

David Scott daha sonra Ultralytics YOLOv8 bilgisayarlı görü modelinin ekibinin davranış takibi projelerinde nasıl çığır açtığını anlattı. Model, nesneleri algılama, sınıflandırma ve takip etme konusunda sağlam bir temel sağladı. Ekibi bir adım daha ileri giderek zaman içindeki davranışları izlemeye odaklanması için YOLOv8'i özel olarak eğitti; böylece model gerçek dünya senaryolarında daha kullanışlı ve pratik hale geldi.

İlginç bir şekilde, Ultralytics YOLO11'in piyasaya sürülmesiyle The Main Branch tarafından geliştirilenler gibi çözümler daha da güvenilir ve doğru hale gelebilir. Bu model, davranışları izleme becerisini artıran gelişmiş hassasiyet ve daha hızlı işlem gibi özellikler sunar. Davranışsal yapay zekânın hangi uygulamalarda kullanılabileceğini daha iyi anladıktan sonra bunu daha ayrıntılı ele alacağız.

Şimdi David'in sözünü ettiği çözümleri ve davranış takibi teknolojisinin gündelik zorlukları çözmek ve anlamlı bir etki yaratmak için gerçek dünya uygulamalarında nasıl kullanıldığını inceleyelim.

Yapay zeka destekli davranış analiziyle HerdSense#

Öncelikle David, HerdSense adlı bir projeyle üstesinden geldikleri heyecan verici bir zorluğu paylaştı. Proje, devasa bir besi çiftliğinde binlerce ineğin sağlığını izlemeyi içeriyordu. Amaç, olası sağlık sorunlarını belirlemek için her bir ineğin davranışını takip etmekti. Bu, aynı anda on binlerce hayvanı göz önünde bulundurmak anlamına geliyordu ve hiç de kolay bir iş değildi.

Şekil 2. HerdSense, davranışsal yapay zeka kullanarak inekleri izlemeye ve tanımlamaya odaklandı.

Her ineği tanımlama ve davranışlarını takip etme sorununu çözmeye başlamak için David'in ekibi, izlemeleri gereken tüm olası davranışları belirlemek üzere iki günlük bir atölye çalışması düzenledi. Toplamda 200'den fazla davranış belirlediler.

200 davranışın her biri, inekleri doğru biçimde tanıyabilmeye bağlıydı; çünkü tüm verilerin belirli hayvanlarla ilişkilendirilmesi gerekiyordu. Önemli sorunlardan biri, inekler birbirine sokularak kümeler oluşturduğunda onları takip etmekti; bu durum hayvanları tek tek görmeyi zorlaştırıyordu.

David’in ekibi, zorlu koşullarda bile her ineğin tutarlı biçimde tanınmasını sağlamak için bir bilgisayarlı görü sistemi geliştirdi. Aynı ineğin, görüntüden kaybolsa, diğerlerine karışsa ya da daha sonra yeniden ortaya çıksa bile her zaman aynı kimlikle eşleştirildiğini doğrulayabildiler.

Bilgisayarlı görüyle at sağlığını izleme#

David daha sonra, benzer davranış takibi tekniklerini atları izlemek için uyguladıkları bir başka ilgi çekici projeyi anlattı. Bu projede David'in ekibinin, ineklerdeki kadar yakından tek tek at kimliklerini takip etmesi gerekmiyordu. Bunun yerine belirli davranışlara odaklandılar ve sağlık sorunlarını erkenden fark etmek için beslenme düzeni ve genel hareketlilik düzeyi gibi ayrıntıları izlediler. Davranışlardaki küçük değişiklikleri belirlemek, daha iyi bakım sunmak ve sorunlar ciddileşmeden önlemek için daha hızlı müdahalelere olanak tanıyabilir.

Şekil 3. Davranışsal yapay zekanın yardımıyla atları izleme.

Davranışsal yapay zeka neden göründüğü kadar basit değil#

David, ilgi çekici bir örnek üzerinden davranış takibinin karmaşıklığını da ele aldı. Davranış analizini iyileştirmenin yollarını araştırırken ekibi, birinin elini cebinde tutması gibi belirli duruşları analiz ederek mağaza hırsızlığını tespit ettiğini iddia eden bir şirketle karşılaştı. İlk bakışta bu akıllıca bir fikirmiş gibi görünüyordu; belirli hareketler şüpheli davranışlara işaret edebilir, değil mi?

Şekil 4. Davranış takibi teknolojisinin zorluklarını anlama.

Ancak David konuyu daha ayrıntılı inceledikçe bu yöntemin sınırlamalarını fark etti. Cebinde eli olan biri gibi tek bir duruş, kişinin mağaza hırsızlığı yaptığı anlamına gelmez. Bu, kişinin rahat olduğunu, düşündüğünü, hatta üşüdüğünü gösterebilir. Tekil duruşlara odaklanmanın sorunu, daha geniş bağlamı göz ardı etmesidir. Davranış tek bir eylemden ibaret değildir; bağlamın ve niyetin şekillendirdiği, zaman içinde gerçekleşen bir eylemler örüntüsüdür.

David, gerçek davranış takibinin çok daha karmaşık olduğunu ve bütünsel bir yaklaşım gerektirdiğini vurguladı. Önemli olan eylem dizilerini analiz etmek ve daha geniş çerçevede ne anlama geldiklerini anlamaktır. Yapay zeka sektörü ilerleme kaydetse de David, anlamlı ve doğru bilgiler sunabilmek için davranış takibini geliştirme konusunda hâlâ yapılacak işler olduğunu belirtti.

Eylemleri anlayan daha akıllı görsel yapay zeka modelleri oluşturma#

Daha sonra David, ekibinin Ultralytics YOLOv8'in poz tahmini yeteneklerinden yararlanarak inek sağlığını izlemek için bir bilgisayarlı görü çözümünü nasıl geliştirdiğini izleyicilere perde arkasından gösterdi.

İlk olarak, bir ineğin poz tahmini için özel bir veri kümesi oluşturdular ve modelin hareketi daha iyi analiz etmesini sağlamak için standart kilit noktası sayısını 17’den 145’e çıkardılar. Ardından model, 2 milyondan fazla görüntü ve 110 milyon davranış örneği içeren devasa bir veri kümesiyle eğitildi.

Gelişmiş donanım altyapısı sayesinde David'in ekibi, modeli geleneksel donanımla haftalar sürecek bir süre yerine yalnızca iki günde eğitebildi. Eğitilen model daha sonra ineklerin hareketlerindeki örüntüleri algılamak için birden fazla video karesini aynı anda analiz eden özel bir davranış takip sistemiyle entegre edildi.

Sonuç, yeme, içme ve yere yatma gibi sekiz farklı inek davranışını algılayıp takip edebilen, böylece sağlık sorunlarına işaret edebilecek küçük davranış değişikliklerini belirleyen görsel yapay zeka destekli bir çözüm oldu. Bu, çiftçilerin hızlıca harekete geçmesini sağlar ve sürü yönetimini iyileştirir.

Davranışsal yapay zekanın geleceği#

David, konuşmasını dinleyicilerle önemli bir dersi paylaşarak bitirdi: “Yapay zekanın hata yapmasına alan tanımazsan kendini başarısızlığa hazırlıyorsun; çünkü günün sonunda bu, istatistiksel bir sistem.” Yapay zekanın güçlü yönlerine rağmen kusursuz olmadığını belirtti. Yapay zeka örüntülerden öğrenen bir araç ve her zaman doğru sonuç vermediği durumlar olacak. Bu hatalardan korkmak yerine, bunlarla başa çıkabilen ve zaman içinde gelişmeye devam eden sistemler kurmak gerekiyor.

Bu durum, bilgisayarlı görü modelleri için de geçerlidir. Örneğin, Ultralytics YOLO modellerinin o dönemdeki en yeni sürümü olan Ultralytics YOLO11 (daha sonra yerini Ultralytics YOLO26’ya bıraktı), YOLOv8’e kıyasla işleri bir sonraki seviyeye taşıma gereksinimi göz önünde bulundurularak geliştirildi.

Şekil 5. Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.

Özellikle Ultralytics YOLO11, hassasiyetin kilit önem taşıdığı tarım ve sağlık hizmetleri gibi gerçek zamanlı uygulamalarda daha iyi performans sunar. Gelişmiş özellikleriyle YOLO11, sektörlerin gerçek zamanlı içgörüler elde etmesine ve zorlukların üstesinden daha etkili biçimde gelmesine yardımcı olur.

Önemli çıkarımlar#

David'in YV24'teki açılış konuşması, yapay zekanın yalnızca etkileyici bir yenilik olmadığını; gerçek sorunları çözmek ve yaşama ve çalışma biçimimizi iyileştirmek için güçlü bir araç olduğunu hatırlattı. Yapay zeka, davranışlara odaklanarak hayvan sağlığını takip etmek ve gündelik eylemlerde anlamlı örüntüleri tanımak gibi alanlarda şimdiden etki yaratıyor.

Davranışsal yapay zekanın potansiyeli heyecan verici ve henüz yolun başındayız. Ham verileri eyleme dönüştürülebilir bilgilere çeviren davranışsal yapay zeka, pasif izlemeden etkin sorun çözmeye geçişi sağlıyor. Daha da geliştikçe davranışsal yapay zekanın daha akıllı kararları desteklemesi, süreçleri kolaylaştırması ve yaşamımıza anlamlı iyileştirmeler getirmesi bekleniyor.

Yapay zeka ve gerçek dünyadaki uygulamaları hakkında daha fazla bilgi edinmek için topluluğumuzla bağlantıda kal. Tarımda yapay zeka ve üretimde bilgisayarlı görü gibi alanlardaki yenilikleri keşfetmek için GitHub depomuzu ziyaret et.