Davranışsal AI, bilgisayarlı görüyü daha etkili kılıyor
David Scott'ın YOLO Vision 2024'teki AI destekli davranış analizi ve hayvancılık gibi sektörlerdeki gerçek dünya uygulamaları üzerine yaptığı konuşmasını yeniden izlerken bize katıl.
Uzun yıllardır bilgisayarlı görü yenilikleri, görüntülerde ve videolarda köpek veya araba gibi nesneleri tanımlayan nesne tespiti gibi görevlere odaklanmıştır. Bu yaklaşımlar; otonom araçlar, üretim ve sağlık hizmetleri gibi alanlarda uygulamaları mümkün kılmıştır.
Ancak bu görevler genellikle sadece bir nesnenin ne olduğunu tanımlamaya odaklanır. Peki ya vizyon AI sistemleri bir adım daha ileri gidebilseydi? Örneğin, sadece bir köpeği algılamak yerine, köpeğin bir topun peşinden koştuğunu veya bir arabanın yaya geçtiği için aniden fren yaptığını anlayabildiğini düşünelim. Temel tanımadan bağlamsal anlayışa geçiş, daha akıllı, bağlamın farkında olan davranışsal AI'ya doğru büyük bir değişimi temsil eder.
Görsel yapay zeka alanındaki gelişmeleri kutlayan Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024 (YV24)'te, The Main Branch CEO'su David Scott'in ilginç konuşması sırasında yapay zeka tabanlı davranış analizi konsepti merkez sahneye çıktı.
David konuşmasında, temel bilgisayarlı görü görevlerinden davranışsal takibe geçişi keşfetti. 25 yılı aşkın ileri teknoloji uygulamaları geliştirme deneyimiyle, bu sıçramanın etkisini sergiledi. Örüntülerin ve davranışların çözümlenmesinin tarım ve hayvan refahı gibi endüstrileri nasıl yeniden şekillendirdiğini vurguladı.
Bu makalede, David'in konuşmasının öne çıkan noktalarını ele alacak ve davranışsal takibin yapay zekayı nasıl daha pratik hale getirdiğini keşfedeceğiz.
AI benimseme zorluklarını anlamak#
David Scott ana konuşmasına cesur bir gerçeklik kontrolüyle başladı ve şöyle dedi: "Bir iş arkadaşım sık sık 'Bilim satmaz' der, bu da bilimi gerçekten sevdiğimiz için burada bulunan birçoğumuzu biraz rahatsız eder. AI gerçekten harika - insanlar neden sadece onu satın almasın? Ancak gerçek şu ki, insanlar sadece havalı olduğunu düşündüğümüz için bir şeyi satın almak istemiyorlar; satın almak için bir nedene ihtiyaçları var."
Şirketi The Main Branch'te odak noktalarının sadece yapay zekanın yeteneklerini sergilemek değil, her zaman yapay zeka ile gerçek sorunları çözmek olduğunu açıklayarak devam etti. Birçok müşteri yapay zekayı genel olarak nasıl kullanabileceklerini konuşmak üzere geliyor, ancak o bunu ters bir yaklaşım olarak görüyor; bu, ortada bir sorun yokken çözüme sahip olmak gibidir. Bunun yerine, gerçek bir fark yaratan yapay zeka çözümleri üretebilmeleri için somut zorluklar getiren müşterilerle çalışıyorlar.
Şekil 1. YV24 sahnesinde David Scott.
David ayrıca çalışmalarının genellikle bir sahnedeki nesneleri tanımanın ötesine geçtiğini paylaştı. Orada ne olduğunu tespit etmek sadece ilk adımdır. Gerçek değer, bu bilgiyle ne yapılacağını bulmaktan ve onu daha geniş değer zinciri içinde yararlı hale getirmekten gelir.
Davranışsal takip teknolojisi: işe yarar AI'nın anahtarı#
Yapay zekayı gerçekten yararlı kılmada hayati bir adım, nesne tespiti gibi temel bilgisayarlı görü görevlerinin ötesine geçmek ve bu içgörüleri davranışsal takip için kullanmaktır. David, davranışsal yapay zekanın yalnızca nesneleri tanımlamaya değil, eylemleri ve kalıpları anlamaya odaklandığını vurguladı. Bu, yapay zekanın anlamlı olayları tanıma ve eyleme geçirilebilir içgörüler sağlama yeteneğine sahip olmasını sağlar.
Yerde yuvarlanan ve bir hastalığa işaret edebilecek bir hayvan örneği verdi. İnsanlar bir hayvanı günün 24 saati izleyemezken, davranışsal takip yeteneklerine sahip yapay zeka destekli gözetim sistemleri bunu yapabilir. Bu tür çözümler nesneleri sürekli olarak izleyebilir, belirli davranışları tespit edebilir, bir uyarı gönderebilir ve zamanında harekete geçilmesine izin verebilir. Bu, ham verileri pratik ve değerli bir şeye dönüştürür.
David ayrıca bu yaklaşımın AI'yı sadece ilginç değil, gerçekten etkili kıldığını sergiledi. Davranışları izlemek ve bunlara göre hareket etmek gibi gerçek sorunları ele alarak, davranışsal takip çeşitli endüstrilerde etkili AI çözümlerinin önemli bir parçası haline gelebilir.
Davranışsal AI'yı hayata geçirmek#
David Scott daha sonra bir bilgisayarlı görü modeli olan Ultralytics YOLOv8'in ekibinin davranışsal takip projeleri için nasıl bir dönüm noktası olduğunu gösterdi. Bu model, onlara nesneleri tespit etmek, sınıflandırmak ve takip etmek için sağlam bir temel sağladı. Ekibi ayrıca bir adım daha ileri giderek, davranışları zaman içinde izlemeye odaklanmak üzere YOLOv8'i özel olarak eğitti ve bunu gerçek dünya durumları için daha pratik ve yardımcı hale getirdi.
İlginç bir şekilde, Ultralytics YOLO11'in piyasaya sürülmesiyle birlikte, The Main Branch tarafından oluşturulanlar gibi çözümler daha da güvenilir ve doğru hale gelebilir. Bu en son model; gelişmiş hassasiyet ve daha hızlı işleme gibi, davranışları takip etme yeteneğini artıran özellikler sunar. Davranışsal yapay zekanın kullanılabileceği uygulamaları daha iyi kavradıktan sonra bunu daha ayrıntılı olarak tartışacağız.
Şimdi, David'in bahsettiği çözümleri ve davranışsal takip teknolojisinin gerçek dünya uygulamalarında günlük zorlukları çözmek ve anlamlı bir etki yaratmak için nasıl kullanıldığını keşfedelim.
AI destekli davranış analizi ile HerdSense#
David ilk olarak, devasa bir besi yerindeki binlerce ineğin sağlığını izlemeyi içeren HerdSense adlı bir projeyle ele aldıkları heyecan verici bir zorluğu paylaştı. Amaç, olası sağlık sorunlarını belirlemek için tek tek ineklerin davranışlarını takip etmekti. Bu, on binlerce hayvanı aynı anda gözlemlemek anlamına geliyordu ve basit bir görev değildi.
Şekil 2. HerdSense, davranışsal yapay zekayı kullanarak inekleri izlemeye ve tanımlamaya odaklandı.
Her bir ineği tanımlama ve davranışlarını takip etme sorununu çözmeye başlamak için David'in ekibi, izlemeleri gereken her olası davranışı ana hatlarıyla belirlemek için iki günlük bir çalıştay düzenledi. Toplamda 200'den fazla davranış belirlediler.
200 davranışın her biri, tek tek inekleri doğru bir şekilde tanıyabilmeye bağlıydı, çünkü tüm verilerin belirli hayvanlarla ilişkilendirilmesi gerekiyordu. Büyük bir endişe, inekler bir araya geldiklerinde onları takip etmekti, bu da tek tek hayvanları görmeyi zorlaştırıyordu.
David'in ekibi, zor durumlarda bile her ineğin tutarlı bir şekilde tanımlanmasını sağlamak için bir bilgisayarlı görü sistemi geliştirdi. Görüş alanından çıksa, başkalarıyla karışsa veya daha sonra tekrar görünse bile aynı ineğe her zaman aynı kimliğin atanacağını doğrulamayı başardılar.
Bilgisayarlı görü ile at sağlığını izleme#
Devamında David, atları izlemek için benzer davranışsal takip tekniklerini uyguladıkları büyüleyici bir projeyi tanıttı. Bu projede David'in ekibinin, ineklerde yaptıkları kadar bireysel at kimliklerini yakından takip etmesine gerek kalmadı. Bunun yerine belirli davranışlara odaklandılar ve olası sağlık sorunlarını erken fark etmek için beslenme düzenleri ile genel aktivite seviyeleri gibi ayrıntıları izlediler. Davranıştaki küçük değişikliklerin tespit edilmesi, daha iyi bakım sağlamak ve sorunlar ciddileşmeden önlemek için daha hızlı müdahalelere yol açabilirdi.
Şekil 3. Davranışsal yapay zekanın yardımıyla atları izleme.
Davranışsal AI neden göründüğü kadar basit değil#
David ayrıca ilginç bir örnek üzerinden davranışsal takibin karmaşıklığını ele aldı. Davranış analitiğini geliştirmenin yollarını araştırırken ekibi, cebinde el olması gibi belirli duruşları analiz ederek mağaza hırsızlığını tespit ettiğini iddia eden bir şirketle karşılaştı. İlk başta bu akıllıca bir fikir gibi görünüyordu; belirli hareketler şüpheli davranışlara işaret edebilir, değil mi?
Şekil 4. Davranışsal takip teknolojisinin zorluklarını anlamak.
Ancak David konuyu daha derinlemesine araştırdıkça, bu yöntemin sınırlamalarını fark etti. Cepte el olması gibi tek bir poz, mutlaka birinin hırsızlık yaptığı anlamına gelmez. Sadece rahat, düşünceli veya hatta üşümüş olduklarını gösterebilir. İzole edilmiş pozlara odaklanmanın sorunu, daha geniş bağlamı göz ardı etmesidir. Davranış sadece tek bir eylem değildir - bağlam ve niyet tarafından şekillendirilen, zaman içindeki eylemlerin bir örüntüsüdür.
David, gerçek davranışsal takibin çok daha karmaşık olduğunu ve bütünsel bir yaklaşım gerektirdiğini vurguladı. Eylem dizilerini analiz etmek ve bunların daha büyük resimde ne anlama geldiğini anlamakla ilgilidir. AI endüstrisi ilerleme kaydetse de, anlamlı ve doğru içgörüler sunmak için davranışsal takibi ilerletme konusunda yapılacak işler olduğunu belirtti.
Eylemleri anlayan daha akıllı vizyon AI modelleri oluşturma#
Ardından David, ekibinin Ultralytics YOLOv8 ve pose estimation yeteneklerinin yardımıyla inek sağlığını izlemek için bir bilgisayarlı görü çözümü oluşturduğunu dinleyicilere göstererek perde arkasına geçti.
İneğin poz tahmini için özel bir veri seti oluşturarak başladılar ve modeli hareketi analiz etmede daha iyi hale getirmek için standart kilit noktası sayısını 17'den 145'e çıkardılar. Ardından model, 2 milyondan fazla görüntü ve 110 milyon davranışsal örnekten oluşan devasa bir veri seti üzerinde eğitildi.
Gelişmiş donanım altyapısını kullanan David'in ekibi, geleneksel donanımda haftalar sürecek modeli sadece iki günde eğitmeyi başardı. Eğitilmiş model daha sonra, ineklerin eylemlerindeki örüntüleri algılamak için aynı anda birden fazla video karesini analiz eden özel bir davranış takipçisiyle entegre edildi.
Sonuç, sağlık endişelerine işaret edebilecek küçük davranış değişikliklerini tespit etmek için yeme, içme ve uzanma gibi sekiz farklı inek davranışını algılayıp takip edebilen, vizyon AI destekli bir çözümdü. Bu, çiftçilerin hızlı hareket etmesini sağlar ve sürü yönetimini iyileştirir.
Davranışsal AI için önümüzdeki yol#
David, konuşmasını izleyicilerle önemli bir ders paylaşarak tamamladı: "Eğer AI'ya başarısız olması için alan tanımazsan, başarısızlığa hazırlanırsın çünkü günün sonunda bu istatistiksel bir durum." AI'nın, güçlü yanlarına rağmen kusursuz olmadığını belirtti. Örüntülerden öğrenen bir araçtır ve işleri doğru yapamadığı zamanlar her zaman olacaktır. Bu hatalardan korkmak yerine anahtar, onlarla başa çıkabilen ve zamanla iyileşmeye devam eden sistemler kurmaktır.
Bu durum bilgisayarlı görü modellerinin kendisi söz konusu olduğunda da geçerlidir. Örneğin, Ultralytics YOLO modellerinin en son sürümü olan Ultralytics YOLO11, YOLOv8'e kıyasla işleri bir üst seviyeye taşıma ihtiyacı göz önünde bulundurularak oluşturulmuştur.
Fig 5. Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.
Özellikle Ultralytics YOLO11, tarım ve sağlık gibi hassasiyetin kilit önem taşıdığı gerçek zamanlı uygulamalarda daha iyi performans sunar. Gelişmiş özellikleri sayesinde YOLO11, endüstrilerin yenilikçi gerçek zamanlı içgörüler sağlayarak ve zorlukların üstesinden daha etkili bir şekilde gelmelerine yardımcı olarak yapay zekayı nasıl kullandığını yeniden tanımlıyor.
Öne çıkanlar#
David'in YV24'teki ana konuşması, AI'nın sadece havalı bir yenilikten fazlası olduğunu hatırlattı - gerçek sorunları çözmek ve yaşama ve çalışma şeklimizi iyileştirmek için güçlü bir araçtır. Davranışa odaklanarak, AI halihazırda hayvan sağlığını izlemek ve günlük eylemlerdeki anlamlı örüntüleri tanımak gibi alanlarda etki yaratıyor.
Davranışsal AI potansiyeli heyecan verici ve biz daha henüz yolun başındayız. Ham veriyi eyleme geçirilebilir içgörülere dönüştürerek, davranışsal AI pasif izlemeden aktif sorun çözmeye geçer. Daha da geliştikçe, davranışsal AI daha akıllı kararlar almaya, süreçleri düzene sokmaya ve yaşamlarımıza anlamlı iyileştirmeler getirmeye hazırdır.
Yapay zeka ve gerçek dünya uygulamaları hakkında daha fazla bilgi edinmek için topluluğumuzla iletişimde kalın. Tarımda yapay zeka ve üretimde bilgisayarlı görü gibi alanlardaki yenilikleri keşfetmek için GitHub deponuzu ziyaret edin.
