Bilgisayarlı görü, Vision AI ajanlarının karar verme biçimini yönlendiriyor

Üretimden perakendeye kadar her sektör kendi süreç zorluklarıyla karşı karşıyadır ve bu sorunları çözmenin yenilikçi yollarını bulmak, başarılı işletmeler yürütmenin her zaman temel unsurlarından biri olmuştur. Son zamanlarda yapay zekâ aracıları birçok alanda popüler bir çözüm hâline geldi. Bu sistemler veri analizinin ötesine geçer. Aynı zamanda eyleme geçebilirler.

Örneğin, üretimdeki yapay zekâ aracıları kusurları gerçek zamanlı olarak tespit edebilir ve üretimin sorunsuz ilerlemesini sağlamak için kalite kontrol önlemlerini otomatik olarak başlatabilir. Benzer şekilde, lojistik ve perakende sektörlerinde birden fazla konumu akıllı gözetim kullanarak izleyebilir ve olağan dışı etkinlikleri ekipleri anında uyararak bildirebilirler.

Bu eğilim büyürken yapay zekâ aracıları dünya genelindeki sektörleri aktif olarak dönüştürüyor. Küresel yapay zekâ aracıları pazarı 2024'te 5,1 milyar dolara ulaştı ve 2030'a kadar 47,1 milyar dolara çıkması bekleniyor.

Şekil 1. Küresel yapay zekâ aracıları pazarının büyüklüğüne genel bakış.

Bu gelişmeleri yönlendiren temel teknolojilerden biri bilgisayarlı görüdür. Görsel yapay zekâ, makinelerin görsel verileri işlemesini ve yorumlamasını sağlayarak yapay zekâ aracıların gerçek zamanlı nesne tespiti, örnek segmentasyonu ve nesne takibi gibi bilgisayarlı görü görevlerini inanılmaz bir doğrulukla gerçekleştirmesine olanak tanır. Makinelerin gördükleriyle nasıl karar verdikleri arasındaki boşluğu kapatır ve birçok yapay zekâ destekli çözümün kritik bir parçası hâline gelir.

Bu makalede yapay zekâ aracılarını ve bunların bilgisayarlı görüyle ilişkisini inceleyeceğiz. Ayrıca farklı yapay zekâ aracı türlerini ve bunların görsel tabanlı uygulamalarda nasıl kullanıldığını ele alacağız. Hadi başlayalım!

Yapay zekâ aracıları nedir?#

Görsel tabanlı yapay zekâ aracılarına geçmeden önce, bu sistemlerin ne kadar çok yönlü olabileceğini görmek için genel olarak yapay zekâ aracılarını anlamaya biraz zaman ayıralım.

Yapay zekâ aracı, bir insanın yardımına ihtiyaç duymadan görevleri veya soruları anlayıp bunlara yanıt verebilen akıllı bir sistemdir. Birçok yapay zekâ aracı, basit soruları yanıtlamaktan karmaşık süreçleri yönetmeye kadar geniş bir görev yelpazesini yerine getirmek için makine öğrenimi ve doğal dil işleme (NLP) kullanır.

Bazı yapay zekâ aracıları, her güncelleme için insan girdisine dayanan geleneksel yapay zekâ sistemlerinin aksine zaman içinde öğrenip gelişebilir. Bu nedenle yapay zekâ aracıları hızla yapay zekânın temel bir parçası hâline geliyor. Görevleri otomatikleştirebilir, karar verebilir ve sürekli denetime ihtiyaç duymadan çevreleriyle etkileşime girebilirler. Özellikle tekrarlayan ve zaman alan görevleri yönetmede kullanışlıdırlar.

Örneğin müşteri hizmetleri ve konaklama gibi sektörlerde yapay zekâ aracılarına rastlayabilirsin. Müşteri hizmetlerinde geri ödemeleri işlemek ve kişiselleştirilmiş ürün önerileri sunmak için kullanılıyorlar. Konaklama sektöründe ise otel personelinin konuk taleplerini yönetmesine, oda servisini kolaylaştırmasına ve konuklara yakındaki turistik yerleri önermesine yardımcı olabilirler. Bu örnekler, yapay zekâ aracıların günlük süreçleri nasıl daha hızlı ve verimli hâle getirdiğini gösteriyor.

Görsel yapay zekâ aracıların nasıl çalıştığını anlamak#

Şimdi yapay zekâ aracıların nasıl çalıştığına kısaca bakalım. Her yapay zekâ aracı benzersiz ve belirli görevler için tasarlanmış olsa da hepsi aynı üç temel adımı paylaşır: algılama, karar verme ve eylem.

İlk olarak algılama adımında yapay zekâ aracıları neler olduğunu anlamak için farklı kaynaklardan bilgi toplar. Sırada karar verme vardır. Topladıkları bilgilere dayanarak algoritmalarını kullanıp durumu analiz eder ve en iyi eylem planına karar verirler. Son olarak eylem gelir. Bir karar verdiklerinde, ister bir soruyu yanıtlamak, ister bir görevi tamamlamak veya bir sorunu bir insanın ele alması için işaretlemek olsun, bunu uygularlar.

Kulağa basit gelebilir, ancak yapay zekâ aracının türüne bağlı olarak bu adımların çalışmasını sağlamak için perde arkasında çoğu zaman pek çok işlem gerçekleşir. Karmaşık verileri analiz etmekten gelişmiş makine öğrenimi modellerini kullanmaya kadar her yapay zekâ aracı, belirli görevleri kendi yöntemine göre ele alacak şekilde oluşturulur.

Örneğin birçok yapay zekâ aracı NLP aracılığıyla dil işlemeye odaklanırken, görsel yapay zekâ aracıları olarak bilinen diğerleri görsel verileri işlemek için bilgisayarlı görüyü entegre eder. Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modellerini kullanan görsel yapay zekâ aracıları, daha hassas görüntü analizi gerçekleştirebilir.

Şekil 2. YOLO11 kullanarak bir görüntüdeki elmaları saymaya örnek.

Otonom araçlarda görsel yapay zekâ aracıları#

Yukarıda açıklanan üç temel adım üzerinden görsel yapay zekâ aracıların nasıl çalıştığını görmek için otonom araçları örnek olarak kullanalım:

• Algılama: Otonom araçlardaki görsel yapay zekâ aracıları, aracın üzerine yerleştirilen kameralar ve sensörlerden görsel veri toplar. Bu veriler, diğer araçlar, yayalar, trafik ışıkları ve yol işaretleri gibi çevredeki ortama ait görüntü ve videoları içerir.
• Karar verme: Yapay zekâ aracı bu görsel verileri Ultralytics YOLO11 gibi modelleri kullanarak işler. Arabalar ve yayalar gibi nesneleri tanımlar, engelleri veya ani şerit değişikliklerini tespit eder ve trafik akışı ile sinyal durumları gibi örüntüleri tanır. Bu, aracın yol koşullarını gerçek zamanlı olarak anlamasına yardımcı olur.
• Eylem: Yapay zekâ aracı, analizine dayanarak bir engelden kaçınmak için direksiyonu çevirmek, hızı ayarlamak veya kırmızı ışıkta durmak gibi eylemlerde bulunur. Güvenli ve verimli sürüş sağlamak için bu kararlar hızla alınır.

Waymo'nun otonom araçları bu teknolojinin harika bir örneğidir. Çevrelerini anlamak, gerçek zamanlı kararlar almak ve insan müdahalesi olmadan yollarda güvenli ve verimli biçimde ilerlemek için görsel yapay zekâ aracıları kullanırlar.

Şekil 3. Waymo'nun yapay zekâ aracı tabanlı otonom taksisi.

Görsel yapay zekâ aracı türleri#

Artık yapay zekâ aracıların nasıl çalıştığını ve bilgisayarlı görüyü nasıl kullandıklarını gördüğümüze göre, farklı yapay zekâ aracı türlerine bakalım. Her tür, basit eylemlerden daha karmaşık karar verme ve öğrenmeye kadar belirli görevler için tasarlanmıştır.

Basit refleks aracıları#

Basit refleks aracıları, en temel yapay zekâ aracı türüdür. Geçmişi veya gelecekteki sonuçları dikkate almadan, yalnızca mevcut duruma dayanarak belirli girdilere önceden tanımlanmış eylemlerle yanıt verirler. Bu aracıları davranışlarını yönlendirmek için genellikle basit "eğer-o zaman" kuralları kullanır.

Görüntü analizi açısından basit bir refleks aracı, belirli bir rengi (örneğin kırmızıyı) tespit edecek ve hemen bir eylemi (kırmızı nesneleri vurgulamak veya saymak gibi) tetikleyecek şekilde programlanabilir. Bu, basit görevlerde işe yarasa da aracı önceki deneyimlerinden öğrenmediği veya bunlara uyum sağlamadığı için daha karmaşık ortamlarda yetersiz kalır.

Model tabanlı refleks aracıları#

Model tabanlı refleks aracıları, durumu daha iyi anlamak için çevrelerinin dahili bir modelini kullandığından basit refleks aracılarına göre daha gelişmiştir. Bu model, eksik veya tamamlanmamış bilgileri ele almalarını ve daha bilinçli kararlar vermelerini sağlar.

Örnek olarak yapay zekâ güvenlik kamerası sistemlerini ele alalım. Bu sistemlere entegre edilen görsel yapay zekâ aracıları, gerçek zamanlı olarak neler olduğunu analiz etmek için bilgisayarlı görüyü kullanabilir. Hareketleri ve eylemleri normal davranış modeline göre karşılaştırarak mağaza hırsızlığı gibi olağan dışı etkinlikleri fark etmelerine ve olası güvenlik tehditlerini daha doğru biçimde işaretlemelerine yardımcı olabilirler.

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

Fayda tabanlı aracıları#

Ürünleri izlemek için kullanılan fayda tabanlı bir drone düşün. Engellerden kaçınırken daha geniş bir alanı kapsamak için uçuş rotasını ayarlar ve görev için en iyi güzergâhı seçer. Bu, dronun hangi alana öncelik vereceği veya nasıl verimli biçimde ilerleyeceği gibi birden fazla olası eylemi değerlendirdiği ve etkinliğini en üst düzeye çıkaran seçeneği belirlediği anlamına gelir.

Benzer şekilde fayda tabanlı aracıları, en büyük faydayı veya sonucu elde etmek için çeşitli seçenekler arasından en iyi eylemi seçmek üzere tasarlanır. Bunun için tasarlanan görsel yapay zekâ aracıları, görüntüler veya sensör verileri gibi farklı görsel girdileri işleyip analiz edebilir ve önceden tanımlanmış ölçütlere göre en yararlı sonucu seçebilir.

Şekil 5. Fayda tabanlı dronlar ürün izleme için kullanılabilir.

Hedef tabanlı aracıları#

Hedef tabanlı aracıları, her ikisi de belirli amaçlara ulaşmayı hedeflediği için fayda tabanlı aracılarına benzer. Ancak hedef tabanlı aracıları yalnızca kendilerini tanımlanmış hedeflerine yaklaştıran eylemlere odaklanır. Her eylemi, genel değer veya ödünleşimler gibi diğer unsurları tartmadan, hedeflerine ulaşmaya ne ölçüde yardımcı olduğuna göre değerlendirirler.

Örneğin bir otonom araç, amacı bir varış noktasına ulaşmak olduğunda hedef tabanlı bir aracı gibi çalışır. Yapay zekâ kameralarından ve sensörlerden gelen verileri işleyerek engellerden kaçınma, trafik sinyallerine uyma ve rotasında kalmak için doğru dönüşleri seçme gibi kararlar alır. Bu kararlar tamamen varış noktasına güvenli ve verimli biçimde ulaşma hedefiyle ne kadar örtüştüklerine göre yönlendirilir. Fayda tabanlı aracıların aksine hedef tabanlı aracıları, verimlilik veya optimizasyon gibi ek ölçütleri dikkate almadan yalnızca hedefe ulaşmaya odaklanır.

Şekil 6. Çevresindeki nesneleri tanımlamak için bilgisayarlı görü kullanan otonom bir araç.

Öğrenen aracıları#

Bilgisayarlı görüye aşinaysan, modellerin yeni verilerden öğrenerek geliştiği bir süreç olan ince ayarı duymuş olabilirsin. Öğrenen aracıları da benzer şekilde çalışır; deneyim kazandıkça zaman içinde uyum sağlar ve gelişir. Görsel tabanlı kalite kontrol gibi uygulamalarda bu aracıları her denetimde kusurları tespit etme konusunda daha iyi hâle gelir. Performanslarını iyileştirme becerileri, güvenlik ve hassasiyetin hayati önem taşıdığı havacılık gibi alanlarda özellikle kritiktir.

Hiyerarşik aracıları#

Hiyerarşik aracıları, karmaşık görevleri daha küçük ve yönetilebilir adımlara bölerek basitleştirir. Üst düzey bir aracı genel süreci denetleyip stratejik kararlar alırken, alt düzey aracıları belirli görevleri yerine getirir. Birden fazla adım ve ayrıntılı uygulama içeren operasyonlarda daha verimlidir.

Örneğin otomatikleştirilmiş bir depoda üst düzey bir robot, hangi ürünlerin hangi alanlara gönderileceğine karar vererek ayıklama sürecini planlayabilir. Aynı anda alt düzey robotlar, bilgisayarlı görü kullanarak ürünleri tanımlamaya, boyut, şekil veya etiket gibi özellikleri analiz etmeye ve bunları doğru kutulara yerleştirmeye odaklanır. Sorumlulukların net biçimde bölünmesi sistemin sorunsuz çalışmasına yardımcı olur.

Şekil 7. Paketleri ayıklayan robotik bir yapay zekâ aracına örnek.

Görsel yapay zekâ aracı oluşturmaya nasıl başlanır?#

Görsel yeteneklere sahip bir yapay zekâ aracının temelinde bilgisayarlı görü modeli bulunur. Günümüzde mevcut olan en yeni ve en güvenilir bilgisayarlı görü modellerinden biri Ultralytics YOLO11'dir. YOLO11, gerçek zamanlı verimliliği ve doğruluğuyla tanınır ve bu da onu bilgisayarlı görü görevleri için ideal kılar.

Ultralytics YOLO11'in yeteneklerine sahip kendi yapay zekâ aracını oluştururken kullanılan farklı süreçler şunlardır:

• Bir veri kümesi hazırla: Yapay zekâ aracının gerçekleştireceği görevle ilgili etiketli görüntüleri topla ve ön işlemeden geçir.

• Özel olarak eğit modeli: Benzersiz uygulaman için doğruluğunu ve performansını iyileştirmek amacıyla Ultralytics YOLO11'i özellikle veri kümen üzerinde eğit.

• Bir karar verme çerçevesiyle entegre et: Eğitilmiş modeli, yapay zekâ aracının görsel girdilere dayanarak karar vermesini sağlayan bir sisteme bağla.

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

Önemli çıkarımlar#

Bilgisayarlı görüyle entegre edilen yapay zekâ aracıları (görsel yapay zekâ aracıları), görevleri otomatikleştirerek, süreçleri hızlandırarak ve karar vermeyi iyileştirerek sektörleri değiştiriyor. Trafiği kontrol eden akıllı şehirlerden yüz tanıma kullanan güvenlik sistemlerine kadar bu aracıları, yaygın sorunlara yeni çözümler getiriyor.

Ayrıca zaman içinde öğrenmeye ve gelişmeye devam edebilirler; bu da onları değişken ortamlarda kullanışlı kılar. Ultralytics YOLO11 gibi araçlarla bu yapay zekâ aracılarını oluşturmak ve kullanmak daha kolay hâle geliyor ve daha akıllı, daha verimli çözümler ortaya çıkıyor.

Yapay zekâ hakkında bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Çözümler sayfalarımızda sağlık hizmetlerinde bilgisayarlı görünün ve tarımda yapay zekânın çeşitli uygulamalarını keşfet. Başlamak için mevcut lisanslama seçeneklerine göz at!