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, manufactürdeki AI ajanları hataları gerçek zamanlı olarak tespit edebilir ve üretimin sorunsuz akmasını sağlamak için kalite kontrol önlemlerini otomatik olarak başlatabilir. Benzer şekilde, lojistik ve perakende sektörlerinde, akıllı gözetim kullanarak birden fazla konumu izleyebilir ve ekipleri olağandışı aktiviteler konusunda anında uyarabilirler.

Bu trend büyüdükçe, AI ajanları dünya çapında endüstrileri aktif olarak dönüştürüyor. Küresel AI ajanları pazarı 2024 yılında 5,1 milyar dolara ulaştı ve 2030 yılına kadar 47,1 milyar dolara büyümesi öngörülüyor.

Şekil 1. Küresel AI ajanları pazar büyüklüğüne bir bakış.

Bu ilerlemeleri sağlayan temel teknolojilerden biri computer vision teknolojisidir. Makinelerin görsel verileri işlemesini ve yorumlamasını sağlayarak, vision AI, ajanların gerçek zamanlı nesne tespiti, örnek bölütleme ve nesne takibi gibi computer vision görevlerini inanılmaz bir doğrulukla gerçekleştirmesini mümkün kılar. Makinelerin ne gördüğü ile kararları nasıl aldığı arasındaki boşluğu kapatarak, birçok yapay zeka destekli çözümün kritik bir parçası haline gelir.

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!

AI 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.

Vizyon 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 dil işlemeyi NLP yoluyla yapmaya odaklanırken, vision AI ajanları olarak bilinen diğerleri görsel verileri işlemek için computer vision entegre eder. Ultralytics YOLO11 gibi gelişmiş computer vision modellerini kullanan vision AI ajanları, çok daha hassas görüntü analizi gerçekleştirebilir.

Şekil 2. YOLO11 kullanarak bir görüntüdeki elmaları sayma örneği.

Sürücüsüz arabalarda vizyon AI ajanları#

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

• Algılama: Otonom araçlardaki Vision AI ajanları, araç üzerinde kurulu kameralardan ve sensörlerden görsel veriler toplar. Bu veriler; diğer araçlar, yayalar, trafik ışıkları ve yol işaretleri gibi çevre ortamın görüntülerini ve videolarını içerir.
• Karar verme: Yapay zeka ajanı, bu görsel veriyi Ultralytics YOLO11 gibi modelleri kullanarak işler. Arabalar ve yayalar gibi nesneleri tanımlar, engelleri veya ani şerit değişikliklerini algılar ve trafik akışı ile sinyal durumları gibi kalıpları tanır. Bu, aracın 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 otonom taksisi.

Vizyon 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.

Basit 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.

Model 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.

AI güvenlik kamerası sistemlerini ele alalım. Bunlara entegre edilen vision AI ajanları, gerçek zamanlı olarak ne olup bittiğini analiz etmek için computer vision kullanabilir. Hareketleri ve eylemleri normal davranış modeliyle karşılaştırarak dükkan hırsızlığı gibi olağandışı aktiviteleri fark etmelerine ve potansiyel güvenlik tehditlerini daha doğru bir şekilde işaretlemelerine yardımcı olurlar.

Şekil 4. Hırsızlığı tespit etmek için computer vision kullanma örneği.

Fayda tabanlı ajanlar#

Mahsul izleme için kullanılan fayda tabanlı bir dronu düşün. Engellerden kaçınırken daha fazla alanı kapsayacak şekilde uçuş rotasını ayarlar ve iş için en iyi rotayı seçer. Bu, dronun hangi bölgeye öncelik verileceği veya verimli bir şekilde nasıl gezinileceği gibi birden fazla potansiyel eylemi değerlendirdiği ve etkililiğini 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.

Hedef 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, otonom bir araba, hedefi bir varış noktasına ulaşmak olduğunda hedef tabanlı bir ajan olarak çalışır. Rota üzerinde kalmak için engellerden kaçınma, trafik kurallarına uyma ve doğru dönüşleri seçme gibi kararlar almak üzere AI kameralarından ve sensörlerden gelen verileri işler. Bu kararlar tamamen varış noktasına güvenli ve verimli bir şekilde ulaşma hedefiyle ne kadar iyi uyum sağladıklarıyla yönlendirilir. Fayda tabanlı ajanların aksine, hedef tabanlı ajanlar verimlilik veya optimizasyon gibi ek kriterleri dikkate almadan yalnızca hedefe ulaşmaya odaklanır.

Şekil 6. Çevresindeki nesneleri tanımlamak için computer vision kullanan otonom bir araba.

Öğrenen ajanlar#

Eğer computer vision hakkında bilgin varsa, modellerin yeni verilerden öğrenerek geliştiği bir süreç olan ince ayarı duymuşsundur. Öğrenen ajanlar da benzer bir şekilde çalışır, deneyim kazandıkça zamanla uyum sağlar ve gelişir. Vision tabanlı kalite kontrol gibi uygulamalarda, bu ajanlar her denetimde kusurları tespit etme konusunda daha iyi hale gelir. Performanslarını iyileştirme yetenekleri, güvenlik ve hassasiyetin hayati önem taşıdığı havacılık gibi alanlarda özellikle kritiktir.

Hiyerarşik 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. Robotik bir AI ajanının paketleri ayırmasına bir örnek.

Vizyon AI ajanı oluşturmaya nasıl başlanır#

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

İşte Ultralytics YOLO11 yetenekleriyle kendi yapay zeka ajanını oluştururken içeren farklı süreçler:

• Bir veri seti hazırla: AI ajanının gerçekleştireceği görevle ilgili etiketlenmiş görüntüleri topla ve ön işlemeden geçir.

• Özel olarak eğit modeli: Modelinin benzersiz uygulaman için doğrulugunu ve performansını artırmak amacıyla Ultralytics YOLO11'i özellikle veri setin üzerinde 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.

Öne 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 zamanla öğrenmeye ve gelişmeye devam edebilirler, bu da onları değişen ortamlarda yararlı kılar. Ultralytics YOLO11 gibi araçlarla bu yapay zeka ajanlarını oluşturmak ve kullanmak daha kolaydır, bu da daha akıllı ve daha verimli çözümlere yol açar.

Topluluğumuza katıl ve yapay zeka hakkında bilgi edinmek için GitHub repository sayfamıza göz at. Çözüm sayfalarımızda sağlık sektöründe computer vision ve tarımda AI uygulamalarını keşfet. Başlamak için mevcut lisanslama seçeneklerine bir göz at!