Veri seti damıtma (dataset distillation) nedir? Kısa bir genel bakış

Modelleri eğitmek bir veri bilimcinin işinin en çok zaman alan kısmı gibi görünebilir. Ancak zamanlarının çoğunu (%60 ila %80 oranında) aslında verileri hazırlamak alır: verileri toplamak, temizlemek ve modelleme için organize etmek. Veri setleri büyüdükçe bu hazırlık süresi de artar, bu da deneyleri yavaşlatır ve yinelemeyi zorlaştırır.

Bunu çözmek için araştırmacılar, eğitimi kolaylaştırmanın yollarını bulmak için yıllar harcadılar. Sentetik veri, veri kümesi sıkıştırma ve daha iyi optimizasyon yöntemleri gibi yaklaşımların tümü, büyük ölçekli veri kümeleriyle çalışmanın maliyetini ve zorluğunu azaltmayı ve makine öğrenimi iş akışlarını hızlandırmayı amaçlar.

Bu durum, bir veri kümesini önemli ölçüde küçültürken, modeli eksiksiz veri üzerinde eğitmekle aynı performansı elde edip edemeyeceğimiz sorusunu akla getiriyor. Veri kümesi damıtma, umut verici bir yanıttır.

Modelin etkili bir şekilde öğrenmesi gereken temel örüntüleri korurken büyük bir eğitim veri setinin kompakt bir versiyonunu oluşturur. Daha hızlı eğitime, daha düşük işlem gücü ihtiyacına ve daha verimli denemelere giden bir yol sağlar. Bunu model için bir çalışma kopya kağıdı, tam veri setiyle aynı çekirdek örüntüleri öğretmek için tasarlanmış küçük bir sentetik veri örnekleri seti olarak düşünebilirsin.

Bu makalede, veri kümesi damıtmanın nasıl çalıştığını ve gerçek dünya uygulamalarında ölçeklenebilir makine öğrenimini ve derin öğrenmeyi nasıl desteklediğini inceleyeceğiz. Haydi başlayalım!

Veri kümesi damıtmayı anlamak#

Veri kümesi damıtma, büyük bir eğitim veri kümesinin, orijinal veri kümesiyle neredeyse aynı bilgileri öğreten çok daha küçük bir veri kümesine yoğunlaştırıldığı bir süreçtir. Birçok araştırmacı, amaç tam veri kümesinde görünen temel kalıpları yakalamak olduğu için bu süreci veri kümesi yoğunlaştırma olarak da adlandırır.

Damıtılmış bir veri kümesi, rastgele oluşturulmuş sentetik verilerden veya sadece gerçek görüntülerin daha küçük bir alt kümesini seçmekten farklıdır. Bu, rastgele sahte bir veri kümesi veya orijinalin kırpılmış bir kopyası değildir.

Bunun yerine, en önemli kalıpları yakalamak için kasıtlı olarak optimize edilmiştir. Bu süreç boyunca, her piksel ve özellik ayarlanır ve optimize edilir; böylece damıtılmış veriler üzerinde eğitilen bir sinir ağı, sanki tüm veri kümesi üzerinde eğitilmiş gibi öğrenir.

Bu fikir ilk olarak 2018 yılında Tongzhou Wang, Jun-Yan Zhu, Antonio Torralba ve Alexei A. Efros tarafından hazırlanan bir arXiv makalesinde ortaya çıktı. Erken testler, MNIST ve CIFAR-10 gibi basit veri setlerini kullandı; bu da birkaç damıtılmış örneğin binlerce gerçek görselin yerini alabileceğini göstermeyi kolaylaştırdı.

Şekil 1. Görsel veriler için veri seti damıtma kullanımı (Kaynak)

O zamandan beri, yapılan takip çalışmaları veri kümesi damıtmayı daha da ileriye taşıdı; buna ICML ve ICLR'de yayınlanan ve yoğunlaştırmayı daha verimli ve ölçeklenebilir hale getiren yöntemler de dahil.

Veri kümesi damıtmanın önemi#

Veri kümesi damıtma, eğitim verimliliğini artırır ve geliştirme döngülerini hızlandırır. Bir modelin öğrenmesi gereken veri miktarını azaltarak hesaplama gereksinimlerini düşürür.

Bu, özellikle modellerin zaman içinde güncellendiği sürekli öğrenme, birçok model tasarımının test edildiği sinir mimarisi arama ve modellerin sınırlı bellek ve güce sahip küçük cihazlarda çalıştığı uç eğitim için kullanışlıdır. Genel olarak, bu faydalar veri kümesi damıtmayı birçok makine öğrenimi iş akışında hızlı başlatma, hızlı ince ayar ve erken prototipler oluşturma için harika bir seçenek haline getirir.

Veri kümesi damıtmanın nasıl çalıştığına dair bir genel bakış#

Veri kümesi damıtma, sentetik veya yapay olarak oluşturulmuş eğitim örnekleri yaratır. Bu örnekler, bir modelin gerçek verilerle eğitim yapmaya çok benzer bir şekilde öğrenmesine yardımcı olur. Normal eğitim sırasında üç ana faktörü takip ederek çalışır.

Birincisi, modelin tahminlerinin ne kadar hatalı olduğunu gösteren hata puanı olan kayıp fonksiyonudur. İkincisi, öğrenme sürecinde güncellenen ağın içsel ağırlıkları olan model parametreleridir.

Üçüncüsü ise hata ve ağırlıkların zaman içinde adım adım nasıl değiştiğini açıklayan eğitim yörüngesidir. Sentetik örnekler, bir model bunlar üzerinde eğitim aldığında, hatasının düşmesi ve ağırlıklarının tam veri kümesindekiyle aynı şekilde güncellenmesi için optimize edilir.

Veri kümesi damıtmanın adım adım incelenmesi#

İşte veri kümesi damıtma sürecinin nasıl çalıştığına daha yakından bir bakış:

• Adım 1 - Sentetik pikselleri başlat: Süreç, öğrenilebilir girdiler görevi gören sentetik görsellerle başlar. İlk başta bu görseller çok az yapıya sahiptir ve boş bir sayfa gibi görünür. Zamanla bilgilendirici örneklere dönüştürülürler.
• 2. Adım - Gradyan eşleştirme ve geriye yayılım ile optimize etme: Model bu sentetik görüntüler üzerinde eğitilirken, her pikselin gerçek verilerin eğitim davranışını daha iyi eşleştirmek için nasıl değişmesi gerektiğini gösteren gradyanlar üretir. Geriye yayılım, ağın hatalarından ders çıkarmak için kullandığı yöntemdir. Hatayı model boyunca geriye göndererek hangi piksellerin ve ağırlıkların buna neden olduğunu belirler, ardından bunları hafifçe günceller. Bu gradyanları kullanarak, geriye yayılım sentetik görüntüleri adım adım ayarlar, böylece eğitim için daha bilgilendirici hale gelirler.
• 3. Adım - Eğitim adımları boyunca davranışı eşleştirme: Yöntem aynı zamanda eğitim yörüngelerini de eşleştirir; bu da modelin öğrenirken geçtiği adım adım değişiklikler anlamına gelir. Bu, damıtılmış veri kümesinin modeli, tam veri kümesiyle takip edeceği yola benzer bir öğrenme yoluna sokmasını sağlar.
• 4. Adım - Doğrulama ve genelleştirme: Son olarak, damıtılmış veri kümesi, eğitilmiş modelin yeni örnekler üzerinde ne kadar iyi performans gösterdiğini görmek için gerçek doğrulama verileri üzerinde değerlendirilir. Bu, sentetik verilerin modeli belirli örnekleri ezberlemeye zorlamak yerine geniş, işlevsel kalıpları öğrettiğini kontrol eder.

Şekil 2. Veri seti damıtmaya bir bakış (Kaynak)

Temel veri kümesi damıtma metodolojileri#

Tüm veri kümesi damıtma yöntemleri, bunu başarmak için farklı algoritmalar kullansalar bile aynı temel fikir üzerine kuruludur. Yaklaşımların çoğu üç kategoriye ayrılır: performans eşleştirme, dağılım eşleştirme ve parametre eşleştirme.

Sırada, her birine bakalım ve nasıl çalıştıklarını görelim.

Performans eşleştirme#

Veri kümesi damıtmada performans eşleştirme, bir modelin sanki tam, orijinal veri kümesi üzerinde eğitilmiş gibi neredeyse aynı doğruluğa ulaşmasını sağlayan küçük, optimize edilmiş bir eğitim seti oluşturmaya odaklanır. Rastgele bir alt küme seçmek yerine, damıtılmış örnekler, üzerinde eğitilen bir modelin benzer tahminler, eğitim sırasında benzer kayıp davranışı veya orijinal veri kümesi üzerinde eğitilen bir modelle benzer nihai doğruluk ile sonuçlanması için optimize edilir.

Meta öğrenme, bu süreci iyileştirmek için kullanılan yaygın bir yöntemdir. Damıtılmış veri seti tekrarlanan eğitim bölümleri yoluyla güncellenir, böylece birçok olası durumda etkili hale gelir.

Bu bölümler sırasında yöntem, bir öğrenci modelin mevcut damıtılmış örneklerden nasıl öğrendiğini simüle eder, öğrencinin gerçek veriler üzerinde ne kadar iyi performans gösterdiğini kontrol eder ve ardından damıtılmış örnekleri daha iyi öğretmenler olacak şekilde ayarlar. Zamanla, damıtılmış set hızlı öğrenmeyi ve güçlü genelleştirmeyi desteklemeyi öğrenir; öğrenci model farklı başlangıç ağırlıklarıyla başlasa veya farklı bir mimari kullansa bile. Bu, damıtılmış veri kümesini daha güvenilir kılar ve tek bir eğitim çalıştırmasına bağlı olmamasını sağlar.

Şekil 3. Meta öğrenme süreci (Kaynak)

Dağılım eşleştirme teknikleri#

Bu arada dağılım eşleştirme, gerçek veri kümesinin istatistiksel kalıplarıyla eşleşen sentetik veriler oluşturur. Bir modelin nihai doğruluğuna odaklanmak yerine, bu yaklaşım bir sinir ağının öğrenme sırasında oluşturduğu içsel özelliklere odaklanır.

Şimdi, dağılım eşleştirmeyi yönlendiren iki tekniğe bir göz atalım.

Tek katmanlı dağılım eşleştirme#

Tek katmanlı dağılım eşleştirme, bir sinir ağının tek bir katmanına odaklanır ve gerçek ve sentetik veriler için ürettiği özellikleri karşılaştırır. Aktivasyonlar olarak da adlandırılan bu özellikler, modelin ağın o noktasında ne öğrendiğini yakalar.

Sentetik verilerin benzer aktivasyonlar üretmesini sağlayarak, yöntem damıtılmış veri kümesini orijinal veri kümesiyle aynı önemli kalıpları yansıtmaya teşvik eder. Uygulamada, sentetik örnekler, seçilen katmandaki aktivasyonlar gerçek görüntülerden gelenlerle yakından eşleşene kadar sürekli olarak güncellenir.

Bu yaklaşım, her seferinde yalnızca bir temsil düzeyini hizaladığı için nispeten basittir. Özellikle daha küçük veri kümelerinde veya derin, çok aşamalı özellik hiyerarşilerini eşleştirmenin gerekli olmadığı görevlerde oldukça iyi çalışabilir. Tek bir özellik uzayını net bir şekilde hizalayarak, tek katmanlı eşleştirme, damıtılmış veri kümesiyle öğrenme için kararlı ve anlamlı bir sinyal sağlar.

Çok katmanlı dağılım eşleştirme#

Çok katmanlı dağılım eşleştirme, gerçek ve sentetik verileri sadece bir sinir ağının bir katmanında değil, birkaç katmanında karşılaştırma fikri üzerine kuruludur. Farklı katmanlar, ilk katmanlardaki basit kenarlardan ve dokulardan, daha derin katmanlardaki şekillere ve daha karmaşık kalıplara kadar farklı bilgi türlerini yakalar.

Bu katmanlar boyunca özellikleri eşleştirerek, damıtılmış veri kümesi, modelin birden fazla düzeyde öğrendiklerini yansıtacak şekilde zorlanır. Özellikleri ağ boyunca hizaladığı için bu yaklaşım, sentetik verilerin modelin sınıfları ayırt etmek için güvendiği daha zengin sinyalleri korumasına yardımcı olur.

Bu durum özellikle modellerin görsel ve videoları anlamayı öğrendiği görevler olan computer vision alanında çok faydalıdır çünkü yararlı örüntüler birçok katmana yayılmıştır. Öznitelik dağılımları çeşitli derinliklerde iyi bir şekilde eşleştiğinde, damıtılmış veri seti orijinal eğitim verileri için daha güçlü ve daha güvenilir bir vekil görevi görür.

Parametre eşleştirme yöntemleri#

Veri kümesi damıtmada bir diğer önemli kategori parametre eşleştirmedir. Doğruluğu veya özellik dağılımlarını eşleştirmek yerine, modelin ağırlıklarının eğitim sırasında nasıl değiştiğini eşleştirir. Damıtılmış veri kümesi üzerinde eğitimin, gerçek veri eğitimine benzer parametre güncellemeleri üretmesini sağlayarak, model neredeyse aynı öğrenme yolunu izler.

Sırada iki ana parametre eşleştirme yöntemini inceleyeceğiz.

Tek adımlı eşleştirme#

Tek adımlı eşleştirme, gerçek veriler üzerinde sadece bir eğitim adımından sonra modelin ağırlıklarına ne olduğunu karşılaştırır. Damıtılmış veri kümesi daha sonra, üzerinde bir adım eğitilen bir modelin çok benzer bir ağırlık güncellemesi üretmesi için ayarlanır. Sadece bu tek güncellemeye odaklandığı için, yöntem basit ve hızlı çalışır.

Dezavantajı, tek bir adımın, özellikle modelin daha zengin özellikler oluşturmak için birçok güncellemeye ihtiyaç duyduğu daha zorlu görevler için tüm öğrenme sürecini yansıtmamasıdır. Bu nedenle, tek adımlı eşleştirme genellikle daha basit problemlerde veya yararlı kalıpların hızlıca alınabileceği daha küçük veri kümelerinde en iyi şekilde çalışır.

Çok adımlı parametre eşleştirme#

Buna karşılık, çok adımlı parametre eşleştirme, modelin ağırlıklarının sadece bir değil, birkaç eğitim adımı boyunca nasıl değiştiğine bakar. Bu güncelleme dizisi, modelin eğitim yörüngesidir.

Damıtılmış veri kümesi, bir model sentetik örnekler üzerinde eğitildiğinde, yörüngesinin gerçek veriler üzerinde alacağı yörüngeyi yakından takip edecek şekilde oluşturulur. Öğrenmenin daha uzun bir bölümünü eşleştirerek, damıtılmış set orijinal eğitim sürecindeki yapının daha fazlasını yakalar.

Öğrenmenin zaman içinde nasıl geliştiğini yansıttığı için, çok adımlı eşleştirme genellikle modellerin yararlı kalıpları almak için birçok güncellemeye ihtiyaç duyduğu daha büyük veya daha karmaşık veri kümeleri için daha iyi çalışır. Birden fazla adımı izlemesi gerektiği için daha fazla hesaplama gerektirir, ancak genellikle tek adımlı eşleştirmeden daha iyi genelleşen ve daha iyi performans veren damıtılmış veri kümeleri üretir.

Sentetik veri kümesi oluşturma ve optimizasyonu nasıl çalışır?#

Ana damıtma yaklaşımları hakkında daha iyi bir anlayışla, şimdi sentetik verilerin nasıl yapıldığına bakabiliriz. Veri kümesi damıtmada sentetik örnekler, en önemli öğrenme sinyalini yakalamak için optimize edilir, böylece küçük bir set çok daha büyük bir veri kümesinin yerini alabilir.

Sırada, bu damıtılmış verilerin nasıl oluşturulduğunu ve değerlendirildiğini göreceğiz.

Damıtılmış görüntüleri oluşturma ve değerlendirme#

Veri kümesi damıtma sırasında, sentetik pikseller birçok eğitim adımı boyunca güncellenir. Sinir ağı mevcut sentetik görüntülerden öğrenir ve her pikselin gerçek veri kümesindeki kalıpları daha iyi eşleştirmek için nasıl değişmesi gerektiğini gösteren gradyan tabanlı geri bildirim gönderir.

Bu işe yarar çünkü süreç türevlenebilirdir (her adımın pürüzsüz olduğu ve iyi tanımlanmış gradyanlara sahip olduğu anlamına gelir, böylece küçük piksel değişiklikleri kayıpta tahmin edilebilir değişikliklere yol açar), bu da modelin gradyan inişi sırasında sentetik verileri pürüzsüzce ayarlamasına olanak tanır.

Optimizasyon devam ettikçe sentetik görseller, modelin tanıdığı şekiller ve dokular dahil olmak üzere anlamlı bir yapı oluşturmaya başlar. Bu iyileştirilmiş sentetik görseller genellikle image classification görevleri için kullanılır çünkü bir sınıflandırıcının öğrenmesi gereken temel görsel ipuçlarını yakalarlar.

Damıtılmış veri kümeleri, modelleri bunlar üzerinde eğiterek ve sonuçları gerçek veriler üzerinde eğitilen modellerle karşılaştırarak değerlendirilir. Araştırmacılar doğrulama doğruluğunu ölçer ve sentetik setin sınıfları ayırmak için gereken ayırt edici özellikleri (modelin bir sınıfı diğerinden ayırmak için güvendiği kalıplar veya sinyaller) koruyup korumadığını kontrol eder. Ayrıca, damıtılmış verilerin aşırı uyuma (overfitting) yol açmadığından emin olmak için farklı çalıştırmalar veya model kurulumları boyunca kararlılığı ve genelleştirmeyi test ederler.

Veri damıtmanın gerçek dünya uygulamaları#

Sırada, damıtılmış veri kümelerinin, veriler sınırlı veya oldukça özelleşmiş olduğunda bile eğitimi nasıl hızlandırdığını ve hesaplama maliyetlerini düşürürken güçlü performansı nasıl koruduğunu gösteren örneklere daha yakından bakacağız.

Bilgisayarlı görü uygulamaları için veri kümesi damıtma kullanma#

Bilgisayarlı görü söz konusu olduğunda, amaç modelleri görüntüler ve videolar gibi görsel verileri anlamaları için eğitmektir. Bu modeller kenarlar, dokular, şekiller ve nesneler gibi kalıpları öğrenir ve ardından bu kalıpları görüntü sınıflandırma, nesne algılama veya segmentasyon gibi görevler için kullanır. Görüntü problemleri genellikle aydınlatma, arka planlar ve bakış açılarında büyük çeşitlilik gösterdiğinden, bilgisayarlı görü sistemleri genellikle iyi genelleme yapmak için büyük veri kümelerine ihtiyaç duyar, bu da eğitimi pahalı ve yavaş hale getirir.

Şekil 4. Veri seti damıtma örneği (Kaynak)

Tıbbi taramalar, yaban hayatı izleme veya fabrika hata tespiti gibi görüntü sınıflandırma kullanım durumları söz konusu olduğunda, modeller genellikle doğruluk ve eğitim maliyeti arasında zorlu bir denge ile karşı karşıya kalır. Bu görevler genellikle devasa veri kümeleri içerir.

Veri seti damıtma, orijinal eğitim setini, sınıflandırıcı için en önemli görsel ipuçlarını hala içeren az sayıdaki sentetik görsele sıkıştırabilir. ImageNet gibi büyük kıyaslamalarda, orijinal görsellerin yalnızca yaklaşık görsellerin %4.2'sini kullanan damıtılmış setlerin güçlü sınıflandırma doğruluğunu koruduğu gösterilmiştir. Bu, küçük bir sentetik vekilin çok daha az işlem gücüyle milyonlarca gerçek örneğin yerini alabileceği anlamına gelir.

Sinir mimarisi arama#

Sinir mimarisi arama veya NAS, bir görev için en iyi çalışanı bulmak amacıyla birçok olası sinir ağı tasarımını otomatik olarak araştıran bir tekniktir. NAS, çok sayıda aday modeli eğitmek ve değerlendirmek zorunda olduğundan, bunu tam veri kümeleri üzerinde çalıştırmak yavaş ve çok hesaplama yoğun olabilir.

Veri kümesi damıtma, orijinal verilerin ana öğrenme sinyalini hala içeren minik bir sentetik eğitim seti oluşturarak yardımcı olur, böylece her aday mimari çok daha hızlı test edilebilir. Bu, NAS'ın iyi ve kötü mimarilerin sıralamalarını makul ölçüde güvenilir tutarken tasarımları verimli bir şekilde karşılaştırmasına olanak tanır ve nihai model kalitesinden çok fazla ödün vermeden arama maliyetini düşürür.

Sürekli öğrenme ve uç dağıtım#

Sürekli öğrenme sistemleri, yani bir kez eğitilmek yerine yeni veriler geldikçe güncellenmeye devam eden modeller, hızlı ve bellek açısından verimli güncellemelere ihtiyaç duyar. Kameralar, telefonlar ve sensörler gibi uç cihazlar da sıkı işlem gücü ve depolama bütçelerine sahip oldukları için benzer sınırlamalarla karşı karşıyadır.

Veri seti damıtma, büyük bir eğitim setini küçük bir sentetik sete sıkıştırarak her iki durumda da yardımcı olur, böylece modeller tam veri seti yerine küçük bir yeniden oynatma seti kullanarak uyum sağlayabilir veya yeniden eğitim alabilir. Örneğin, kernel tabanlı meta öğrenme çalışması, sadece 10 damıtılmış örneğin, standart bir görsel sınıflandırma kıyaslaması olan CIFAR-10 üzerinde %64'ten fazla doğruluk elde edebileceğini göstermiştir. Yeniden oynatma seti çok kompakt olduğundan, özellikle modellerin sık sık yenilenmesi gerektiğinde güncellemeler çok daha hızlı ve daha pratik hale gelir.

Veri kümesi damıtma, büyük dil modelleri için bilgi damıtma ile birlikte de çalışabilir. Küçük bir damıtılmış veri kümesi, öğretmen modelinden gelen en önemli görev sinyallerini tutabilir, böylece sıkıştırılmış bir öğrenci model performans kaybı yaşamadan daha verimli bir şekilde eğitilebilir veya yenilenebilir. Bu veri kümeleri çok küçük olduğundan, depolama ve hesaplamanın sınırlı olduğu ancak modelin güncellemelerden sonra bile doğru kalmasını istediğiniz uç veya cihaz üzerinde kullanımlar için özellikle yararlıdırlar.

Veri damıtmanın artıları ve eksileri#

İşte veri kümesi damıtma kullanmanın bazı faydaları:

• Hızlı deneyler için harika. Her seferinde devasa bir veri kümesi üzerinde yeniden eğitme yapmadan yeni mimarileri, kayıpları veya hiperparametreleri test edebilirsin.
• Potansiyel gizlilik avantajı. Ham örnekler doğrudan açığa çıkmadığından, damıtılmış sentetik örnekleri paylaşmak gerçek kullanıcı veri noktalarını paylaşmaktan daha güvenli olabilir.
• Genellikle basit alt küme seçiminden daha güçlü. Sadece örnekleri seçmek yerine, damıtma onları maksimum düzeyde bilgilendirici olacak şekilde aktif olarak optimize eder.

Veri kümesi damıtma birkaç avantaj sunsa da, işte aklınızda bulundurmanız gereken bazı sınırlamalar:

• Aşırı öğrenme: Damıtılmış veriler genellikle damıtma sırasında kullanılan mimari için en iyi sonucu verir ve çok farklı modellere zayıf bir şekilde aktarılabilir.
• Hiperparametrelere karşı hassas. Sonuçlar, öğrenme oranı, başlatma veya damıtma adımı sayısı gibi faktörlere büyük ölçüde bağlı olabilir.
• Gerçek dünya karmaşıklığına ölçeklendirmek daha zor. Kıyaslamalarda iyi çalışan yöntemler, büyük, karmaşık veya yüksek çözünürlüklü veri kümelerinde doğruluk kaybedebilir.

Öne çıkanlar#

Veri kümesi damıtma, küçük bir sentetik örnek setinin bir modeli neredeyse eksiksiz bir veri kümesi kadar etkili bir şekilde öğretmesini mümkün kılar. Bu, makine öğrenimini daha hızlı, daha verimli ve ölçeklendirmesi daha kolay hale getirir. Modeller büyüdükçe ve daha fazla veri gerektirdikçe, damıtılmış veri kümeleri doğruluktan ödün vermeden hesaplama maliyetlerini düşürmek için pratik bir yol sunar.

AI hakkında daha fazla bilgi keşfetmek için topluluğumuza katıl ve GitHub depolarımıza göz at. Kendi vizyon AI projeni oluşturmak istiyorsan, lisanslama seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek sağlık alanında AI ve perakendede vizyon AI gibi uygulamalar hakkında daha fazla bilgi edin.