Confidence

Yapay zekâ ve makine öğrenimi alanında güven skoru, bir modelin belirli bir tahmine ilişkin kesinlik düzeyini niceliksel olarak ifade eden bir metriktir. Bu değer genellikle 0 ile 1 (veya %0 ile %100) arasında değişir ve algoritmanın çıktısının gerçek referansla örtüşme olasılığına ilişkin tahmini temsil eder. Örneğin bir nesne algılama görevinde sistem, bir görüntü bölgesini 0,92 güvenle "bisiklet" olarak tanımlarsa bu, sınıflandırmanın doğru olma olasılığının tahmini olarak %92 olduğunu gösterir. Bu skorlar, çok katmanlı algılayıcı ağın son katmanından elde edilir ve çok sınıflı kategorilendirme için genellikle Softmax gibi bir aktivasyon işlevi veya ikili kararlar için Sigmoid işlevi üzerinden işlenir.

Çıkarımda Güvenin Rolü#

Güven skorları, yüksek kaliteli tahminleri arka plan gürültüsünden ayıran bir filtre görevi görerek çıkarım motoru iş akışının temel bir bileşenini oluşturur. Eşikleme olarak bilinen bu filtreleme süreci, bir uygulamanın duyarlılığını ayarlamanı sağlar. Minimum bir güven eşiği belirleyerek kritik kesinlik-duyarlılık ödünleşimini yönetebilirsin. Daha düşük bir eşik daha fazla nesne algılayabilir, ancak yanlış pozitif riskini artırır; daha yüksek bir eşik ise kesinliği iyileştirir, ancak fark edilmesi güç örneklerin gözden kaçmasına neden olabilir.

Ultralytics YOLO26 gibi gelişmiş mimarilerde güven skorları, Maksimum Olmayan Bastırma (NMS) gibi son işleme teknikleri için kritik öneme sahiptir. NMS, önemli ölçüde çakışan yinelenen sınırlayıcı kutuları kaldırmak ve yalnızca olasılığı en yüksek algılamayı korumak için bu skorları kullanır. Bu adım, nihai çıktının temiz olmasını ve nesne sayma veya takip gibi sonraki görevler için hazır hale gelmesini sağlar.

Aşağıdaki Python örneği, ultralytics paketi kullanılarak tahminlerin güvene göre nasıl filtreleneceğini gösterir:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Gerçek Dünya Uygulamaları#

Güven skorları, bilgisayarlı görü (CV) uygulanan sektörlerde vazgeçilmez olan bir yorumlanabilirlik katmanı sağlar. Otomatik sistemlerin ne zaman özerk olarak devam edeceğini ve ne zaman insan incelemesi için uyarı tetikleyeceğini belirlemesine yardımcı olurlar.

• Otonom Sürüş: Otomotivde yapay zekâ sektöründe otonom araçlar, yolcu güvenliğini sağlamak için güven metriklerine dayanır. Bir algılama sistemi bir engeli düşük güvenle algılarsa acil manevrayı gerçekleştirmeden önce nesnenin varlığını doğrulamak için bu veriyi LiDAR sensörleri veya radar verileriyle karşılaştırabilir. Bu yedeklilik, gölgeler veya parlama kaynaklı "hayalet frenleme"yi önlemeye yardımcı olur.
• Tıbbi Tanı: Sağlık hizmetlerinde yapay zekâ kullanıldığında modeller, görüntüleme verilerindeki olası anomalileri işaretleyerek tıp uzmanlarına yardımcı olur. Tümör algılama için oluşturulmuş bir sistem, yüksek güvene sahip bölgeleri acil tanı için vurgularken düşük güvenli tahminleri ikincil analiz için kaydedebilir. Bu insan döngüde iş akışı, uzman yargısının yerine geçmeden yapay zekânın klinik karar alma sürecini desteklemesini sağlar.
• Endüstriyel Otomasyon: Akıllı üretimde robotik kollar, montaj hatlarındaki nesnelerle etkileşim kurmak için güven skorlarını kullanır. Görsel yapay zekâ ile donatılmış bir robot, algılama güveni %90'ı aşmadıkça bir bileşeni kavramaya çalışmayabilir; böylece yanlış hizalama nedeniyle hassas parçaların hasar görmesi riski azaltılır.

Güveni İlgili Terimlerden Ayırma#

Güveni, model değerlendirmesinde kullanılan diğer istatistiksel metriklerden ayırmak kritik öneme sahiptir.

• Güven ve Doğruluk Karşılaştırması: Doğruluk, bir modelin tüm veri kümesi genelinde ne sıklıkla doğru olduğunu açıklayan küresel bir metriktir (ör. "Model %92 oranında doğrudur"). Buna karşılık güven, tahmine özgü yerel bir değerdir (ör. "Model, bu belirli görüntünün bir kedi içerdiğinden %92 emin"). Bir modelin genel doğruluğu yüksek olabilir, ancak uç durumlarda yine de düşük güven üretebilir.
• Güven ve Olasılık Kalibrasyonu Karşılaştırması: Ham bir güven skoru her zaman gerçek doğruluk olasılığıyla örtüşmez. Bir model, 0,8 güvenle yapılan tahminler yaklaşık %80 oranında doğruysa "iyi kalibre edilmiş" kabul edilir. Skorları ampirik olasılıklarla uyumlu hâle getirmek için Platt ölçeklemesi veya İzotonik Regresyon gibi teknikler sıklıkla kullanılır.
• Güven ve Kesinlik Karşılaştırması: Kesinlik, pozitif tanımlamaların gerçekte doğru olan kısmını ölçer. Güven eşiğini artırmak genellikle kesinliği yükseltse de bu çoğunlukla duyarlılık pahasına gerçekleşir. Geliştiriciler, uygulamalarının daha az nesneyi gözden kaçırmaya mı yoksa yanlış alarmları en aza indirmeye mi öncelik verdiğine göre bu eşiği ayarlamalıdır.

Model Güvenini İyileştirme#

Bir model geçerli nesneler için sürekli olarak düşük güven üretiyorsa bu genellikle eğitim verileri ile dağıtım ortamı arasında bir uyumsuzluk olduğunu gösterir. Bunu azaltma stratejileri arasında aydınlatma, döndürme ve gürültüyü değiştirerek veri kümesini yapay olarak genişleten veri artırma yer alır. Ayrıca Ultralytics Platform kullanarak aktif öğrenme işlem hatları uygulamak, geliştiricilerin düşük güvenli örnekleri kolayca belirlemesine, bunlara açıklama eklemesine ve modeli yeniden eğitmesine olanak tanır. Bu yinelemeli döngü, dinamik ve gerçek dünya ortamlarında güvenilir şekilde çalışabilen sağlam yapay zekâ aracıları oluşturmak için hayati önem taşır.