Kosinüs Benzerliği

Kosinüs benzerliği, makine öğrenimi (ML) ve yapay zeka (AI) alanlarında, boyutları veya büyüklükleri ne olursa olsun iki çok boyutlu dizinin veya vektörün birbirine ne kadar benzediğini ölçmek için kullanılan temel bir matematiksel ölçüttür. Vektör uzayındaki iki nokta arasındaki açıyı hesaplayarak, bu noktaların kabaca aynı yöne işaret edip etmediklerini belirler. Bu açısal yaklaşım, yönelimin toplam uzunluktan daha önemli olduğu verilerin işlenmesinde kritik öneme sahiptir ve bu da onu, gömülmeler gibi soyut veri temsillerini karşılaştırmak için son derece etkili kılar.

Metrik Sistemdeki Matematiği Anlamak

Bu ölçütü hesaplamak için, iki vektörün iç çarpımını hesaplayıp bunu, her birinin büyüklüğünün (uzunluğunun) çarpımına bölersiniz. Elde edilen puan her zaman -1 ile 1 arasındaki sabit bir aralıkta yer alır:

• 1 puanı, vektörlerin tam olarak aynı yöne baktığı anlamına gelir ve bu da maksimum benzerliği gösterir.
• 0 puanı, vektörlerin tamamen ortogonal (90 derecelik açıyla) olduğu anlamına gelir; bu da yönsel bir benzerlik olmadığı anlamına gelir.
• -1 değeri, bunların tam ters yönlere işaret ettiği anlamına gelir.

Bilgisayar görme (CV) için tasarlanmış birçok modern derin öğrenme çerçevesinde, bu matematiksel işlem için optimize edilmiş işlevlere, örneğin PyTorch functional modülüne veya TensorFlow kolayca erişebilirsiniz.

İlgili Kavramların Farklılaştırılması

Kosinüs benzerliğini, ne zaman kullanılması gerektiğini anlamak için sıkça kullanılan diğer veri analizi ölçütlerinden ayırt etmek faydalıdır:

• Kosinüs Mesafesi: Bu terimler birbiriyle yakından ilişkili olmakla birlikte, ters orantılıdır. Kosinüs mesafesi, basitçe 1 eksi kosinüs benzerliği olarak hesaplanır. Dolayısıyla, mesafenin küçük olması vektörler arasındaki benzerliğin yüksek olduğunu gösterir.
• Öklid Mesafesi: Bu metrik, iki nokta arasındaki düz çizgi fiziksel mesafeyi ölçer, bu da onu vektörlerin genel boyutu veya büyüklüğüne karşı oldukça duyarlı hale getirir. Buna karşılık, kosinüs benzerliği yalnızca açıyı dikkate alır. Örneğin, metin analizinde, uzun bir belge ile kısa bir cümle arasında büyük bir Öklid mesafesi olabilir, ancak aynı konuyu paylaşıyorlarsa, kosinüs benzerlikleri yüksek kalacaktır.

Yapay Zekada Gerçek Dünya Uygulamaları

Kosinüs benzerliği, sayısız modern yazılım ürününün temel motoru olarak işlev görür ve ham veriler ile insan niyeti arasındaki boşluğu doldurur.

• Vektör Arama ve RAG: Doğal Dil İşleme (NLP) uygulamalarında, örneğin sohbet robotlarında, kullanıcı sorguları ve iç belgeler yoğun gömülmelere dönüştürülür. Sistem, vektör veritabanından bağlamsal olarak en alakalı belgeleri almak için kosinüs benzerliğini hızla hesaplar; bu, Geri Getirme ile Güçlendirilmiş Üretim (RAG) sürecinde hayati bir adımdır.
• Öneri Sistemleri: E-ticaret ve akış hizmetleri, Scikit-learn ve SciPy gibi araçları kullanarak kullanıcı tercihlerini ve katalogdaki ürünleri vektörler olarak temsil eder. Sistemler, bir müşterinin profili ile farklı ürünler arasındaki benzerlik puanını ölçerek, görsel veya tematik olarak ilişkili ürünleri doğru bir şekilde önerebilir.

Ultralytics ile Görsel Benzerliğin Ölçülmesi

En yeni görüntü işleme modellerini kullanarak görsel verilerden doğrudan yüksek boyutlu özellik vektörleri çıkarabilirsiniz. Aşağıdaki Python , görüntü sınıflandırması için bir Ultralytics modelinin nasıl yükleneceğini, iki görüntü için gömülü vektörlerin nasıl oluşturulacağını ve görsel benzerliklerini ölçmek üzere kosinüs benzerlik hesaplamasının nasıl gerçekleştirileceğini göstermektedir.

import torch
import torch.nn.functional as F
from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embedding vectors for two separate images
results = model.embed(["bus.jpg", "car.jpg"])

# Calculate the cosine similarity between the two visual embeddings
similarity = F.cosine_similarity(torch.tensor(results[0]), torch.tensor(results[1]), dim=0)
print(f"Visual Similarity Score: {similarity.item():.4f}")

Bu anlamsal arama yeteneklerini ölçeklendirmeyi hedefleyen geliştiriciler için, yüksek doğrulukta temel modellerin eğitilmesi hayati önem taşır. Ultralytics , veri etiketleme, ölçeklenebilir bulut eğitimi ve sorunsuz model dağıtımı için sağlam araçlar sunarak bu süreci kolaylaştırır ve temel gömülü özelliklerinizin mümkün olduğunca doğru ve anlamlı olmasını sağlar.