Bilgisayarlı görü, görsel yapay zekâ ajanlarının kararlarını şekillendiriyor

Üretimden perakendeye her sektör kendine özgü süreç zorluklarıyla karşılaşır ve bu sorunları çözmek için yenilikçi yollar bulmak başarılı işletmeler yürütmenin her zaman temel unsurlarından biri olmuştur. Son zamanlarda yapay zekâ ajanları birçok alanda popüler bir çözüm hâline geldi. Bu sistemler veri analizinin ötesine geçer. Aynı zamanda eyleme de geçebilirler.

Örneğin, üretimdeki yapay zekâ ajanları kusurları gerçek zamanlı tespit edebilir ve üretimin sorunsuz ilerlemesi için kalite kontrol önlemlerini otomatik olarak başlatabilir. Benzer şekilde, lojistik ve perakende alanlarında akıllı gözetim kullanarak birden fazla konumu izleyebilir ve olağan dışı etkinlikleri ekiplere anında bildirebilirler.

Bu eğilim büyüdükçe yapay zekâ ajanları dünya genelinde sektörleri etkin biçimde dönüştürüyor. Küresel yapay zekâ ajanları pazarı 2024'te 5,1 milyar dolara ulaştı ve 2030'a kadar 47,1 milyar dolara çıkması bekleniyor.

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

Bu gelişmeleri yönlendiren temel teknolojilerden biri bilgisayarlı görü. Makinelerin görsel verileri işlemesini ve yorumlamasını sağlayan görüntü yapay zekâsı, yapay zekâ ajanlarının gerçek zamanlı nesne tespiti, örnek segmentasyonu ve nesne takibi gibi bilgisayarlı görü görevlerini olağanüstü bir doğrulukla gerçekleştirmesini mümkün kılar. Makinelerin gördükleri ile karar alma biçimleri arasındaki boşluğu kapatarak birçok yapay zekâ destekli çözümün kritik bir parçası hâline gelir.

Bu makalede yapay zekâ ajanlarını ve bilgisayarlı görüyle ilişkilerini inceleyeceğiz. Ayrıca farklı yapay zekâ ajanı türlerini ve bunların görüntü tabanlı uygulamalarda nasıl kullanıldığını ele alacağız. Haydi başlayalım!

Yapay zeka ajanları nedir?#

Görme tabanlı yapay zeka ajanlarına geçmeden önce, bu sistemlerin ne kadar çok yönlü olabileceğini görmek için genel olarak yapay zeka ajanlarını anlamaya biraz zaman ayıralım.

Yapay zeka ajanı, bir insandan yardım almadan görevleri veya soruları anlayıp yanıtlayabilen akıllı bir sistemdir. Pek çok yapay zeka ajanı, basit soruları yanıtlamaktan karmaşık süreçleri yönetmeye kadar geniş bir görev yelpazesini yerine getirmek için makine öğrenimi ve doğal dil işleme (NLP) kullanır.

Bazı yapay zeka ajanları, her güncelleme için insan girdisine dayanan geleneksel yapay zeka sistemlerinin aksine, zaman içinde öğrenip gelişme yeteneğine de sahiptir. Bu nedenle yapay zeka ajanları, yapay zekanın vazgeçilmez bir parçası hâline hızla geliyor. Sürekli denetime ihtiyaç duymadan görevleri otomatikleştirebilir, kararlar alabilir ve çevreleriyle etkileşime geçebilirler. Tekrarlayan ve zaman alan görevleri yönetmede özellikle faydalıdırlar.

Örneğin, müşteri hizmetleri ve konaklama gibi sektörlerde yapay zeka ajanlarına rastlayabilirsin. Müşteri hizmetlerinde para iadelerini işlemek ve kişiselleştirilmiş ürün önerileri sunmak için yapay zeka ajanları kullanılıyor. Konaklama sektöründe ise otel personelinin konuk taleplerini yönetmesine, oda servisini kolaylaştırmasına ve konuklara yakındaki turistik yerleri önermesine yardımcı olabiliyorlar. Bu örnekler, yapay zeka ajanlarının günlük süreçleri nasıl hızlandırıp daha verimli hâle getirdiğini gösteriyor.

Görme yapay zeka ajanlarının nasıl çalıştığını anlamak#

Şimdi, yapay zeka ajanlarının nasıl çalıştığına kısaca göz atalım. Her yapay zeka ajanı kendine özgü ve belirli görevler için tasarlanmış olsa da hepsi aynı üç temel adımı izler: algılama, karar verme ve eyleme geçme.

İlk olarak algılama adımında yapay zeka ajanları, neler olduğunu anlamak için farklı kaynaklardan bilgi toplar. Sonraki adım karar vermedir. Topladıkları bilgilere dayanarak durumu analiz etmek ve en iyi eylem planına karar vermek için algoritmalarını kullanırlar. Son olarak eyleme geçme adımı gelir. Bir karar verdikten sonra bu kararı uygularlar; bu, bir soruyu yanıtlamak, bir görevi tamamlamak veya bir sorunu bir insanın ele alması için işaretlemek olabilir.

Kulağa basit gelebilir, ancak yapay zeka ajanının türüne bağlı olarak bu adımların işlemesini sağlamak için perde arkasında çoğu zaman pek çok şey gerçekleşir. Karmaşık verileri analiz etmekten gelişmiş makine öğrenimi modellerini kullanmaya kadar her yapay zeka ajanı, belirli görevleri kendine özgü biçimde yerine getirecek şekilde tasarlanır.

Örneğin, pek çok yapay zeka ajanı NLP aracılığıyla dili işlemeye odaklanırken, görme yapay zeka ajanları olarak bilinen diğerleri görsel verileri işlemek için bilgisayarlı görüden yararlanır. Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modellerini kullanan görme yapay zeka ajanları, daha hassas görüntü analizi gerçekleştirebilir.

Şekil 2. YOLO11 kullanarak bir görüntüdeki elmaları sayma örneği.

Otonom araçlarda görme yapay zeka ajanları#

Görme yapay zeka ajanlarının yukarıda açıklanan üç temel adım üzerinden nasıl çalıştığını görmek için otonom araçları örnek olarak ele alalım:

• Algılama: Otonom araçlardaki görme yapay zeka ajanları, araca takılı kameralardan ve sensörlerden görsel veri toplar. Bu veriler; diğer araçlar, yayalar, trafik ışıkları ve yol işaretleri gibi çevreye ait görüntü ve videoları içerir.
• Karar verme: Yapay zeka ajanı, bu görsel verileri Ultralytics YOLO11 gibi modelleri kullanarak işler. Otomobil ve yaya gibi nesneleri belirler, engelleri veya ani şerit değişikliklerini algılar ve trafik akışı ile sinyal durumları gibi örüntüleri tanır. Bu, aracın yol koşullarını gerçek zamanlı olarak anlamasına yardımcı olur.
• Eyleme geçme: Yapay zeka ajanı, analizine dayanarak bir engelden kaçmak için direksiyonu çevirmek, hızı ayarlamak veya kırmızı ışıkta durmak gibi eylemlerde bulunur. Güvenli ve verimli sürüşü sağlamak için bu kararlar hızla alınır.

Waymo’nun otonom araçları bu teknolojiye harika bir örnektir. Çevrelerini anlamak, gerçek zamanlı kararlar almak ve insan girdisi olmadan yollarda güvenli ve verimli bir şekilde ilerlemek için görme yapay zeka ajanları kullanırlar.

Şekil 3. Waymo’nun yapay zeka ajanı tabanlı otonom taksisi.

Görme yapay zeka ajanı türleri#

Yapay zeka ajanlarının nasıl çalıştığını ve bilgisayarlı görüden nasıl yararlandıklarını gördüğümüze göre, şimdi farklı yapay zeka ajanı türlerine bakalım. Her tür; basit eylemlerden daha karmaşık karar verme ve öğrenme süreçlerine kadar belirli görevler için tasarlanır.

Basit refleks ajanları#

Basit refleks ajanları, en temel yapay zeka ajanı türüdür. Yalnızca mevcut duruma dayanarak, geçmişi veya gelecekteki sonuçları dikkate almadan belirli girdilere önceden tanımlanmış eylemlerle yanıt verirler. Bu ajanlar genellikle davranışlarını yönlendirmek için basit "eğer-ise" kuralları kullanır.

Görüntü analizi açısından, basit bir refleks ajanı belirli bir rengi (örneğin kırmızıyı) algılayıp anında bir eylemi (kırmızı nesneleri vurgulamak veya saymak gibi) tetikleyecek şekilde programlanabilir. Bu, basit görevlerde işe yarayabilse de daha karmaşık ortamlarda yetersiz kalır; çünkü ajan önceki deneyimlerinden öğrenmez veya bu deneyimlere uyum sağlamaz.

Model tabanlı refleks ajanları#

Model tabanlı refleks ajanları, durumu daha iyi anlamak için çevrelerinin dahili bir modelini kullandıklarından basit refleks ajanlarından daha gelişmiştir. Bu model, eksik veya yetersiz bilgileri ele almalarını ve daha bilinçli kararlar vermelerini sağlar.

Örneğin, yapay zeka güvenlik kamerası sistemlerini ele alalım. Bu sistemlere entegre edilen görme yapay zeka ajanları, gerçek zamanlı olarak neler olduğunu analiz etmek için bilgisayarlı görüden yararlanabilir. Hareketleri ve eylemleri normal davranış modeline göre karşılaştırarak hırsızlık gibi olağan dışı etkinlikleri fark etmeye ve olası güvenlik tehditlerini daha doğru biçimde işaretlemeye yardımcı olabilirler.

Şekil 4. Hırsızlığı algılamak için bilgisayarlı görü kullanımına bir örnek.

Fayda temelli ajanlar#

Ürün takibi için kullanılan fayda temelli bir drone düşün. Drone, engellerden kaçınırken daha geniş bir alanı kapsayacak şekilde uçuş rotasını ayarlar ve görev için en iyi rotayı seçer. Bu, dronenun hangi bölgeye öncelik vereceği veya nasıl verimli bir şekilde ilerleyeceği gibi çeşitli olası eylemleri değerlendirip verimliliğini en üst düzeye çıkaranı seçtiği anlamına gelir.

Benzer şekilde, fayda temelli ajanlar en büyük yararı veya sonucu elde etmek için çeşitli seçenekler arasından en iyi eylemi seçecek biçimde tasarlanır. Bu amaçla tasarlanan görme yapay zeka ajanları, görüntüler veya sensör verileri gibi farklı görsel girdileri işleyip analiz edebilir ve önceden tanımlanmış ölçütlere göre en yararlı sonucu seçebilir.

Şekil 5. Fayda temelli dronlar ürün takibinde kullanılabilir.

Hedef temelli ajanlar#

Hedef temelli ajanlar, ikisi de belirli amaçlara ulaşmayı hedeflediği için fayda temelli ajanlara benzer. Ancak hedef temelli ajanlar yalnızca kendilerini tanımlanmış hedeflerine yaklaştıran eylemlere odaklanır. Her eylemi, genel değer veya ödünleşimler gibi diğer etkenleri hesaba katmadan, hedeflerine ulaşmalarına nasıl katkı sağladığına göre değerlendirirler.

Örneğin, bir otonom araç bir varış noktasına ulaşmayı amaçladığında hedef temelli bir ajan gibi çalışır. Yapay zeka kameralarından ve sensörlerden gelen verileri işleyerek engellerden kaçınmak, trafik ışıklarına uymak ve rotasını korumak için doğru dönüşleri seçmek gibi kararlar alır. Bu kararların tümü, varış noktasına güvenli ve verimli bir şekilde ulaşma hedefiyle ne kadar örtüştüklerine göre şekillenir. Fayda temelli ajanların aksine, hedef temelli ajanlar verimlilik veya optimizasyon gibi ek ölçütleri dikkate almadan yalnızca hedefe ulaşmaya odaklanır.

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

Öğrenen ajanlar#

Bilgisayarlı görüye aşinaysan, modellerin yeni verilerden öğrenerek geliştiği bir süreç olan ince ayarı duymuş olabilirsin. Öğrenen ajanlar da benzer şekilde çalışır; deneyim kazandıkça zaman içinde uyum sağlar ve gelişir. Görme tabanlı kalite kontrolü gibi uygulamalarda bu ajanlar, her denetimde kusurları daha iyi algılar. Performanslarını iyileştirme yetenekleri, güvenlik ve hassasiyetin hayati önem taşıdığı havacılık gibi alanlarda özellikle önemlidir.

Hiyerarşik ajanlar#

Hiyerarşik ajanlar, karmaşık görevleri daha küçük ve yönetilebilir adımlara bölerek basitleştirir. Üst düzey bir ajan genel süreci denetleyip stratejik kararlar alırken, alt düzey ajanlar belirli görevleri yerine getirir. Bu yaklaşım, çok adımlı ve ayrıntılı uygulama gerektiren operasyonlarda daha verimlidir.

Örneğin, otomatik bir depoda üst düzey bir robot, hangi ürünlerin hangi bölgelere gönderileceğine karar vererek ayıklama sürecini planlayabilir. Aynı zamanda alt düzey robotlar, bilgisayarlı görü kullanarak ürünleri belirlemeye, boyut, şekil veya etiket gibi özellikleri analiz etmeye ve ürünleri doğru kutulara yerleştirmeye odaklanır. Sorumlulukların açıkça bölünmesi, sistemin sorunsuz çalışmasına yardımcı olur.

Şekil 7. Paketleri ayıklayan robotik bir yapay zeka ajanı örneği.

Görme yapay zeka ajanı oluşturmaya nasıl başlanır?#

Görme yeteneklerine sahip bir yapay zeka ajanının temelinde bir bilgisayarlı görü modeli bulunur. Günümüzdeki en yeni ve güvenilir bilgisayarlı görü modellerinden biri Ultralytics YOLO11’dir. YOLO11, gerçek zamanlı verimliliği ve doğruluğuyla bilinir; bu özellikleri onu bilgisayarlı görü görevleri için ideal kılar.

Ultralytics YOLO11’in yeteneklerinden yararlanarak kendi yapay zeka ajanını oluştururken uygulayacağın farklı süreçler şunlardır:

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

• Modeli özel olarak eğit: Doğruluğunu ve performansını özel kullanım senaryona göre iyileştirmek için Ultralytics YOLO11’i özellikle kendi veri kümen üzerinde eğit.

• Bir karar verme çerçevesiyle bütünleştir: Eğitilmiş modeli, yapay zeka ajanının görsel girdilere dayanarak karar vermesini sağlayan bir sisteme bağla.

• Test et ve iyileştir: Yapay zeka ajanını kullanıma al, performansını test et, geri bildirim topla ve doğruluğunu ve güvenilirliğini artırmak için modeli ayarla.

Önemli çıkarımlar#

Bilgisayarlı görüyle bütünleştirilen yapay zeka ajanları, yani görme yapay zeka ajanları, görevleri otomatikleştirerek, süreçleri hızlandırarak ve karar verme süreçlerini iyileştirerek sektörleri dönüştürüyor. Trafiği yöneten 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. Ultralytics YOLO11 gibi araçlar sayesinde bu yapay zeka ajanlarını oluşturmak ve kullanmak daha kolay hâle geliyor ve daha akıllı, verimli çözümlerin önünü açıyor.

Yapay zekayı öğrenmek için topluluğumuza katıl ve GitHub depomuza göz at. Çözüm sayfalarımızda sağlık hizmetlerinde bilgisayarlı görü ve tarımda yapay zeka uygulamalarını keşfet. Başlamak için sunulan lisanslama seçeneklerine göz at!