Confidence

Yapay zeka ve makine öğrenmesi alanında güven skoru, bir modelin belirli bir tahmine ilişkin kesinlik düzeyini nicel olarak ifade eden bir ölçüttür. Bu değer tipik olarak 0 ile 1 (veya %0 ile %100) arasında değişir ve algoritmanın çıktısının gerçek durumla (ground truth) uyuşma olasılığını temsil eder. Örneğin, bir nesne tespiti görevinde sistem, görüntünün bir bölgesini 0,92 güven skoruyla "bisiklet" olarak tanımlarsa bu, sınıflandırmanın doğru olma olasılığının %92 olarak tahmin edildiğini gösterir. Bu skorlar, çok sınıflı kategorizasyon için Softmax veya ikili kararlar için Sigmoid function gibi bir aktivasyon fonksiyonu aracılığıyla genellikle işlenen, bir neural network ağının son katmanından elde edilir.

Çıkarımda Güvenin Rolü#

Güven skorları, yüksek kaliteli tahminleri arka plan gürültüsünden ayırmak için bir filtre görevi görerek inference engine iş akışının temel bir bileşenini oluşturur. Eşikleme (thresholding) olarak bilinen bu filtreleme süreci, geliştiricilerin bir uygulamanın hassasiyetini ayarlamasını sağlar. Minimum bir güven eşiği belirleyerek kritik precision-recall trade-off dengesini yönetebilirsin. Daha düşük bir eşik daha fazla nesne tespit edebilir ancak false positives riskini artırır; buna karşılık daha yüksek bir eşik hassasiyeti artırır ancak silik örneklerin kaçırılmasına neden olabilir.

Ultralytics YOLO26 gibi gelişmiş mimarilerde güven skorları, Non-Maximum Suppression (NMS) gibi işleme sonrası (post-processing) teknikler için çok önemlidir. NMS, önemli ölçüde örtüşen gereksiz sınırlayıcı kutuları kaldırmak için bu skorları kullanır ve yalnızca en yüksek olasılığa sahip tespiti korur. Bu adım, nihai çıktının temiz olmasını ve nesne sayımı veya takibi gibi sonraki görevler için hazır bulunmasını sağlar.

Aşağıdaki Python örneği, ultralytics paketini kullanarak tahminleri güvene göre nasıl filtreleyeceğini göstermektedir:

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, computer vision (CV) teknolojisinin uygulandığı endüstrilerde vazgeçilmez olan bir yorumlanabilirlik katmanı sağlar. Otomatik sistemlerin ne zaman otonom olarak devam edeceğini ve ne zaman insan incelemesi için uyarı tetikleyeceğini belirlemesine yardımcı olurlar.

• Otonom Sürüş: Otomotiv sektöründeki AI in automotive alanında, sürücüsüz araçlar yolcu güvenliğini sağlamak için güven metriklerine güvenir. Algılama sistemi düşük güvenle bir engel tespit ederse, acil bir manevra gerçekleştirmeden önce nesnenin varlığını doğrulamak için bu veriyi LiDAR sensors veya radar ile çapraz kontrol edebilir. Bu yedeklilik, gölgelerin veya parlamaların neden olduğu "hayali frenlemeyi" önlemeye yardımcı olur.
• Tıbbi Teşhis: Sağlık alanındaki AI in healthcare teknolojisinden yararlanılırken modeller, görüntüleme verilerindeki potansiyel anormallikleri işaretleyerek tıp profesyonellerine yardımcı olur. tumor detection için oluşturulmuş bir sistem, acil teşhis için yüksek güvenli bölgeleri vurgulayabilirken, daha düşük güvenli tahminler ikincil analiz için kaydedilir. Bu human-in-the-loop iş akışı, yapay zekanın uzman kararını değiştirmeden klinik karar vermeyi güçlendirmesini sağlar.
• Endüstriyel Otomasyon: smart manufacturing alanında robot kolları, montaj hatlarındaki nesnelerle etkileşime geçmek için güven skorlarını kullanır. vision AI ile donatılmış bir robot, yalnızca algılama güveni %90'ı aştığında bir bileşeni kavrama girişiminde bulunabilir, böylece yanlış hizalama nedeniyle hassas parçalara zarar verme riskini azaltır.

Güveni İlgili Terimlerden Ayırmak#

Güveni, model evaluation sürecinde kullanılan diğer istatistiksel metriklerden ayırmak çok önemlidir.

• Güven ve Doğruluk (Accuracy): Accuracy, bir modelin tüm veri kümesi boyunca ne sıklıkla doğru olduğunu açıklayan genel bir metriktir (örn. "Model %92 oranında doğrudur"). Buna karşılık güven, yerel, tahmine özel bir değerdir (örn. "Model bu belirli görüntünün bir ked içerdiğinden %92 emindir"). Bir model yüksek genel doğruluğa sahip olabilir ancak yine de edge cases durumlarında düşük güven üretebilir.
• Güven ve Olasılık Kalibrasyonu: Ham bir güven skoru her zaman gerçek probability of correctness ile uyuşmaz. 0,8 güvenle yapılan tahminler zamanın yaklaşık %80'inde doğru çıkıyorsa model "iyi kalibre edilmiş" demektir. Skorları ampirik olasılıklarla hizalamak için genellikle Platt scaling veya Isotonic Regression gibi teknikler kullanılır.
• Güven ve Kesinlik (Precision): Precision, olumlu tanımlamaların gerçekten doğru olan oranını ölçer. Güven eşiğini artırmak genellikle kesinliği artırırken, bu durum genellikle recall pahasına gerçekleşir. Geliştiriciler, uygulamalarının daha az nesne kaçırmayı mı yoksa yanlış alarmları en aza indirmeyi mi önceliklendirdiğine bağlı olarak bu eşiği ayarlamak zorundadır.

Model Güvenini İyileştirmek#

Bir model geçerli nesneler için sürekli olarak düşük güven çıktısı veriyorsa, bu durum genellikle training data ile dağıtım ortamı arasında bir uyumsuzluğa işaret eder. Bunu hafifletme stratejileri arasında aydınlatma, döndürme ve gürültüyü değiştirerek veri kümesini yapay olarak genişleten data augmentation yer alır. Dahası, active learning boru hatlarını uygulamak için Ultralytics Platform kullanmak, geliştiricilerin düşük güvenli örnekleri kolayca tanımlamasını, etiketlemesini ve modeli yeniden eğitmesini sağlar. Bu yinelemeli döngü, dinamik, gerçek dünya ortamlarında güvenilir bir şekilde çalışabilen sağlam AI agents oluşturmak için hayati önem taşır.