Bilgisayarlı görü, vizyon AI ajanlarının nasıl karar verdiğini yönlendirir

Üretimden perakendeye kadar her sektör kendi süreç zorluklarıyla karşı karşıyadır ve bu sorunları çözmek için yenilikçi yollar bulmak, başarılı işletmeleri yönetmenin anahtarı olmuştur. Son zamanlarda, AI ajanları birçok alanda popüler bir çözüm haline geldi. Bu sistemler, verileri analiz etmenin ötesine geçiyor. Ayrıca aksiyon da alabiliyorlar.

Örneğin, üretimdeki AI ajanları gerçek zamanlı olarak kusurları tespit edebilir ve üretimin sorunsuz bir şekilde devam etmesini sağlamak için kalite kontrol önlemlerini otomatik olarak başlatabilir. Benzer şekilde, lojistik ve perakende alanlarında, akıllı gözetim kullanarak birden fazla konumu izleyebilir ve sıra dışı etkinlikler konusunda ekipleri anında uyarabilirler.

Bu trend büyüdükçe, AI ajanları dünya çapında endüstrileri aktif olarak dönüştürüyor. Küresel AI ajanları pazarı 2024'te 5,1 milyar dolara ulaştı ve 2030'a kadar 47,1 milyar dolara çıkması öngörülüyor.

Şekil 1. Küresel AI ajanları pazar büyüklüğüne bir bakış.

Bu gelişmeleri yönlendiren temel teknolojilerden biri bilgisayarlı görü'dür. Makinelerin görsel verileri işlemesini ve yorumlamasını sağlayarak, vizyon AI, AI ajanlarının gerçek zamanlı nesne tespiti, örnek bölütleme ve nesne takibi gibi bilgisayarlı görü görevlerini inanılmaz bir doğrulukla gerçekleştirmesini mümkün kılar. Makinelerin gördükleri ile nasıl karar verdikleri arasındaki boşluğu doldurur ve bu da onu birçok AI tabanlı çözümün kritik bir parçası haline getirir.

Bu makalede, AI ajanlarını ve bilgisayarlı görü ile olan ilişkilerini inceleyeceğiz. Ayrıca farklı AI ajanı türlerini ve bunların görme tabanlı uygulamalarda nasıl kullanıldıklarını tartışacağız. Hadi başlayalım!

Link to this sectionAI ajanları nedir?#

Görme tabanlı AI ajanlarına dalmadan önce, bu sistemlerin ne kadar çok yönlü olabildiğini görmek için genel olarak AI ajanlarını anlamaya biraz zaman ayıralım.

Bir AI ajanı, bir insandan yardım almadan görevleri veya soruları anlayabilen ve yanıtlayabilen akıllı bir sistemdir. Birçok AI ajanı, basit soruları yanıtlamaktan karmaşık süreçleri yönetmeye kadar geniş bir görev yelpazesini ele almak için makine öğrenimi ve doğal dil işleme (NLP) kullanır.

Bazı AI ajanları, her güncelleme için insan girdisine ihtiyaç duyan geleneksel AI sistemlerinin aksine, zaman içinde öğrenme ve gelişme yeteneğine bile sahiptir. İşte bu yüzden AI ajanları, AI'nın vazgeçilmez bir parçası haline geliyor. Sürekli gözetim gerektirmeden görevleri otomatikleştirebilir, kararlar alabilir ve çevreleriyle etkileşime girebilirler. Özellikle tekrarlayan ve zaman alıcı görevleri yönetmek için kullanışlıdırlar.

Örneğin, müşteri hizmetleri ve konaklama gibi sektörlerde AI ajanlarını bulabilirsin. AI ajanları, müşteri hizmetlerinde iadeleri işlemek ve kişiselleştirilmiş ürün önerileri sunmak için kullanılıyor. Bu arada, konaklama endüstrisinde otel personelinin konuk isteklerini yönetmesine, oda servisini kolaylaştırmasına ve konuklara yakındaki turistik yerleri önermesine yardımcı olabilirler. Bu örnekler, AI ajanlarının günlük süreçleri nasıl daha hızlı ve daha verimli hale getirdiğini gösteriyor.

Link to this sectionVizyon AI ajanlarının nasıl çalıştığını anlamak#

Sırada, AI ajanlarının nasıl çalıştığına hızlıca bir göz atalım. Her AI ajanı benzersiz olsa ve belirli görevler için tasarlanmış olsa da, hepsi aynı üç ana adımı paylaşır: algılama, karar verme ve eylem.

İlk olarak, algılama adımında, AI ajanları neler olduğunu anlamak için farklı kaynaklardan bilgi toplar. Sırada karar verme var. Topladıkları bilgilere dayanarak, durumu analiz etmek ve en iyi hareket tarzına karar vermek için algoritmalarını kullanırlar. Son olarak, eylem aşaması gelir. Bir karar verdiklerinde, bu bir soruyu yanıtlamak, bir görevi tamamlamak veya bir insanın ilgilenmesi için bir sorunu işaretlemek olsun, bunu gerçekleştirirler.

Kulağa basit gelebilir ancak AI ajanı türüne bağlı olarak, bu adımların çalışmasını sağlamak için arka planda genellikle çok şey gerçekleşir. Karmaşık verileri analiz etmekten gelişmiş makine öğrenimi modellerini kullanmaya kadar, her AI ajanı belirli görevleri kendi yöntemiyle ele alacak şekilde oluşturulmuştur.

Örneğin, birçok AI ajanı NLP aracılığıyla dili işlemeye odaklanırken, vizyon AI ajanları olarak bilinen diğerleri, görsel verileri işlemek için bilgisayarlı görüyü entegre eder. Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modellerini kullanarak, vizyon AI ajanları daha hassas görüntü analizi gerçekleştirebilir.

Şekil 2. YOLO11 kullanarak bir görüntüdeki elmaları sayma örneği.

Link to this sectionSürücüsüz arabalarda vizyon AI ajanları#

Vizyon AI ajanlarının yukarıda açıklanan üç ana adım boyunca nasıl çalıştığını görmek için sürücüsüz arabaları örnek olarak kullanalım:

• Algılama: Sürücüsüz arabalardaki vizyon AI ajanları, araç üzerine kurulu kameralardan ve sensörlerden görsel veriler toplar. Bu veriler, diğer araçlar, yayalar, trafik ışıkları ve yol işaretleri gibi çevredeki ortamın görüntülerini ve videolarını içerir.
• Karar verme: AI ajanı, bu görsel verileri YOLO11 gibi modelleri kullanarak işler. Arabalar ve yayalar gibi nesneleri tanımlar, engelleri veya ani şerit değişimlerini algılar ve trafik akışı ile sinyal durumları gibi desenleri tanır. Bu, arabanın yol koşullarını gerçek zamanlı olarak anlamasına yardımcı olur.
• Eylem: Analizine dayanarak AI ajanı, bir engelden kaçınmak için direksiyon kırmak, hızı ayarlamak veya kırmızı ışıkta durmak gibi eylemlerde bulunur. Bu kararlar, güvenli ve verimli bir sürüş sağlamak için hızlı bir şekilde alınır.

Waymo’nun sürücüsüz arabaları, bu teknolojinin harika bir örneğidir. Çevrelerini anlamak, gerçek zamanlı kararlar almak ve insan müdahalesi olmadan yollarda güvenli ve verimli bir şekilde gezinmek için vizyon AI ajanlarını kullanırlar.

Şekil 3. Waymo’nun AI ajanı tabanlı sürücüsüz taksisi.

Link to this sectionVizyon AI ajanı türleri#

AI ajanlarının nasıl çalıştığını ve bilgisayarlı görüyü nasıl kullandıklarını gördüğümüze göre, şimdi farklı AI ajanı türlerine bakalım. Her tür, basit eylemlerden daha karmaşık karar verme ve öğrenme süreçlerine kadar belirli görevler için tasarlanmıştır.

Link to this sectionBasit refleks ajanları#

Basit refleks ajanları, en temel AI ajanı türüdür. Herhangi bir geçmişi veya gelecekteki sonuçları dikkate almadan, tamamen mevcut duruma dayalı olarak, önceden tanımlanmış eylemlerle belirli girdilere yanıt verirler. Bu ajanlar genellikle davranışlarına rehberlik etmek için basit "eğer-ise" kurallarını kullanır.

Görüntü analizi ile ilgili olarak, basit bir refleks ajanı belirli bir rengi (kırmızı gibi) algılayacak ve anında bir eylemi tetikleyecek (kırmızı nesneleri vurgulamak veya saymak gibi) şekilde programlanabilir. Bu, basit görevler için işe yarasa da, ajan geçmiş deneyimlerden öğrenmediği veya adapte olmadığı için daha karmaşık ortamlarda yetersiz kalır.

Link to this sectionModel tabanlı refleks ajanları#

Model tabanlı refleks ajanları, durumu daha iyi anlamak için çevrelerinin içsel bir modelini kullandıklarından, basit refleks ajanlarından daha gelişmiştir. Bu model, eksik veya tamamlanmamış bilgileri ele almalarına ve daha bilinçli kararlar almalarına olanak tanır.

Örneğin, AI güvenlik kamerası sistemlerini ele alalım. Bunlara entegre edilen vizyon AI ajanları, gerçek zamanlı olarak neler olduğunu analiz etmek için bilgisayarlı görüyü kullanabilir. Hareketleri ve eylemleri normal davranış modeliyle karşılaştırabilir, böylece mağaza hırsızlığı gibi olağandışı etkinlikleri tespit etmelerine ve potansiyel güvenlik tehditlerini daha doğru bir şekilde işaretlemelerine yardımcı olur.

Şekil 4. Hırsızlığı tespit etmek için bilgisayarlı görü kullanımına bir örnek.

Link to this sectionFayda tabanlı ajanlar#

Mahsul izleme için kullanılan fayda tabanlı bir dronu düşünün. Engellerden kaçınırken daha fazla alanı kapsamak için uçuş yolunu ayarlar ve iş için en iyi rotayı seçer. Bu, dronun hangi alana öncelik verileceği veya nasıl verimli bir şekilde hareket edileceği gibi birden fazla potansiyel eylemi değerlendirdiği ve etkinliğini en üst düzeye çıkaranı seçtiği anlamına gelir.

Benzer şekilde, fayda tabanlı ajanlar, en büyük faydayı veya sonucu elde etmek için birkaç seçenek arasından en iyi eylemi seçecek şekilde tasarlanmıştır. Bunun için tasarlanmış vizyon AI ajanları, görüntü veya sensör verileri gibi farklı görsel girdileri işleyebilir, analiz edebilir ve önceden tanımlanmış kriterlere göre en yararlı sonucu seçebilir.

Şekil 5. Fayda tabanlı dronlar mahsul izleme için kullanılabilir.

Link to this sectionHedef tabanlı ajanlar#

Hedef tabanlı ajanlar, her ikisi de belirli hedeflere ulaşmayı amaçladığı için fayda tabanlı ajanlara benzer. Ancak, hedef tabanlı ajanlar tamamen onları tanımlanmış hedeflerine yaklaştıran eylemlere odaklanır. Genel değer veya ödünleşimler gibi diğer faktörleri tartmadan, her eylemi hedefe ulaşmaya nasıl yardımcı olduğuna göre değerlendirirler.

Örneğin, bir sürücüsüz araba, amacı bir varış noktasına ulaşmak olduğunda hedef tabanlı bir ajan olarak çalışır. AI kameralarından ve sensörlerden gelen verileri; engellerden kaçınmak, trafik işaretlerine uymak ve rotada kalmak için doğru dönüşleri seçmek gibi kararlar almak üzere işler. Bu kararlar tamamen varış noktasına güvenli ve verimli bir şekilde ulaşma hedefiyle ne kadar uyumlu olduklarına göre yönlendirilir. Fayda tabanlı ajanların aksine, hedef tabanlı ajanlar verimlilik veya optimizasyon gibi ek kriterleri dikkate almadan sadece hedefe ulaşmaya odaklanır.

Şekil 6. Çevresindeki nesneleri tanımlamak için bilgisayarlı görü kullanan sürücüsüz bir araba.

Link to this sectionÖğrenen ajanlar#

Bilgisayarlı görüyü biliyorsan, modellerin yeni verilerden öğrenerek geliştiği bir süreç olan ince ayar kavramını duymuş olabilirsin. Öğrenen ajanlar da benzer şekilde çalışır; deneyim kazandıkça zaman içinde uyum sağlar ve gelişirler. Görme tabanlı kalite kontrol gibi uygulamalarda, bu ajanlar her denetimle kusurları tespit etmede daha iyi hale gelir. Performanslarını iyileştirme yetenekleri, güvenlik ve hassasiyetin hayati olduğu havacılık gibi alanlarda özellikle önemlidir.

Link to this sectionHiyerarşik ajanlar#

Hiyerarşik ajanlar, karmaşık görevleri daha küçük, yönetilebilir adımlara bölerek basitleştirir. Daha üst düzey bir ajan genel süreci denetlerken stratejik kararlar alır, alt düzey ajanlar ise belirli görevleri yerine getirir. Birden fazla adım ve detaylı uygulama içeren operasyonlarda daha verimlidir.

Örneğin, otomatikleştirilmiş bir depoda, üst düzey bir robot sıralama sürecini planlayabilir ve hangi öğelerin hangi alanlara gitmesi gerektiğine karar verebilir. Aynı zamanda, alt düzey robotlar bilgisayarlı görü kullanarak öğeleri tanımlamaya, boyut, şekil veya etiket gibi özellikleri analiz etmeye ve bunları doğru kutulara yerleştirmeye odaklanır. Sorumlulukların net bir şekilde bölünmesi, sistemin sorunsuz çalışmasına yardımcı olur.

Şekil 7. Paketleri sıralayan robotik bir AI ajanı örneği.

Link to this sectionVizyon AI ajanı oluşturmaya nasıl başlanır#

Görü yeteneklerine sahip bir AI ajanının çekirdeği bir bilgisayarlı görü modelidir. Günümüzde mevcut olan en yeni ve en güvenilir bilgisayarlı görü modellerinden biri Ultralytics YOLO11'dir. YOLO11, gerçek zamanlı verimliliği ve doğruluğu ile bilinir, bu da onu bilgisayarlı görü görevleri için mükemmel kılar.

YOLO11'in yetenekleriyle kendi AI ajanını oluştururken dahil olan farklı süreçler şunlardır:

• Bir veri kümesi hazırla: AI ajanının gerçekleştireceği görevle ilgili etiketli görüntüleri topla ve ön işleme tabi tut.

• Modeli özel olarak eğit: YOLO11'i benzersiz uygulaman için doğruluğunu ve performansını artırmak amacıyla veri kümen üzerinde özel olarak eğit.

• Bir karar verme çerçevesiyle entegre et: Eğitilmiş modeli, AI ajanının görsel girdilere dayanarak kararlar almasını sağlayan bir sisteme bağla.

• Test et ve iyileştir: AI ajanını dağıt, performansını test et, geri bildirim topla ve doğruluk ile güvenilirliği artırmak için modeli ayarla.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü ile entegre AI ajanları - vizyon AI ajanları - görevleri otomatikleştirerek, süreçleri hızlandırarak ve karar vermeyi geliştirerek endüstrileri değiştiriyor. Trafiği kontrol eden akıllı şehirlerden yüz tanıma kullanan güvenlik sistemlerine kadar, bu ajanlar yaygın sorunlara yeni çözümler getiriyor.

Ayrıca zaman içinde öğrenmeye ve gelişmeye devam edebilirler, bu da onları değişen ortamlarda kullanışlı kılar. YOLO11 gibi araçlarla, bu AI ajanlarını oluşturmak ve kullanmak daha kolay hale gelerek daha akıllı ve daha verimli çözümlere yol açıyor.

AI hakkında bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Çözüm sayfalarımızda sağlık hizmetlerinde bilgisayarlı görü ve tarımda AI uygulamalarının çeşitli kullanımlarını keşfet. Başlamak için mevcut lisanslama seçeneklerine bir göz at!