Data Flywheel

Veri çarkı, kendi kendini güçlendiren bir yapay zekâ iyileştirme döngüsüdür: dağıtılan bir model tahminler ve geri bildirim üretir, ekipler üretim verilerinin en yararlı bölümünü daha iyi eğitim örneklerine dönüştürür ve güncellenen model bir sonraki dağıtımında daha değerli veriler üretir. “Çark” metaforu ivmeyi vurgular; iyi yönetilen her iterasyon, bir sonrakini daha hızlı, daha odaklı ve daha etkili hâle getirebilir.

Bilgisayarlı görü alanında bu genellikle modelin zayıflıklarını ortaya çıkaran zorlu görüntüleri veya video karelerini yakalamak, bunları inceleyip etiketlemek, modeli yeniden eğitmek, yeni sürümü doğrulamak ve üretime geri almaktır. Tek seferlik bir veri kümesi genişletmesinden farklı olarak veri çarkı, gerçek dünyadaki kullanımı sürekli model iyileştirmesine doğrudan bağlar.

Veri Çarkı Nasıl Çalışır#

Pratik bir çark genellikle birbirine bağlı beş aşamadan oluşur:

1. Üretim sinyallerini topla: Girdileri, tahminleri, güven skorlarını, operasyonel sonuçları ve izin verilen kullanıcı geri bildirimlerini günlüğe kaydet. Yararlı bir sistem, her şeyi süresiz olarak depolamak yerine yanlış alarmlar, kaçırılan nesneler, alışılmadık sahneler veya düşük güvenli tahminler gibi bilgilendirici durumlara öncelik verir.
2. Verileri düzenle ve etiketle: Yinelenenleri, bozuk dosyaları, hassas bilgileri ve ilgisiz örnekleri kaldır. Ardından insan inceleyiciler, veri açıklama süreciyle sınıf etiketleri, sınırlayıcı kutular, maskeler veya anahtar noktalar dâhil olmak üzere güvenilir temel gerçeği oluşturur.
3. Eğit ve değerlendir: Onaylanan örnekleri sürümlendirilmiş eğitim verilerine ekle, modeli yeniden eğit veya ince ayar yap ve üretim sürümüyle karşılaştır. TensorFlow Data Validation, şema kontrollerinin ve sapma karşılaştırmalarının eğitimden önce sorunlu verileri belirlemeye nasıl yardımcı olabileceğini gösterir.
4. Güvenli şekilde dağıt: Adayı kademeli olarak yayınla, uygulama düzeyindeki sonuçları ölç ve geri alma seçeneğini koru. Google Cloud MLOps mimarisi, veri doğrulama, model doğrulama, sürekli eğitim ve dağıtımın üretim işlem hatlarında nasıl birbirine bağlanabileceğini açıklar. (docs.cloud.google.com)
5. İzle ve tekrarla: Kaliteyi, gecikmeyi, hataları ve değişen girdi dağılımlarını takip et. AWS makine öğrenimi izleme kılavuzu, incelemeyi veya yeniden eğitimi tetikleyebilecek veri kalitesi, model kalitesi ve sapma sinyallerini ele alır. (docs.aws.amazon.com)

Platformlar ve işlem hatları, bu aşamalar arasındaki sürtünmeyi azaltır. Ultralytics Platform, bulut veri kümesi açıklama, eğitim, dağıtım ve izleme işlemlerini tek bir ortamda desteklerken veri kümesi yönetimi iş akışı, ekiplerin görsel verileri düzenlemesine, analiz etmesine, sürümlendirmesine ve güncellemesine yardımcı olur.

İlgili Kavramlar ve Temel Farklar#

Veri çarkı çeşitli ML kavramlarıyla örtüşür, ancak bunlarla aynı değildir:

• Aktif öğrenme, genellikle belirsizliğe veya çeşitliliğe göre bir modeli verimli şekilde iyileştirmesi beklenen örnekleri seçer. Bir çarkın veri seçimi aşamasını güçlendirebilir, ancak çark dağıtımı, geri bildirimlerin yakalanmasını, yönetişimi ve tekrarlanan teslimatı da içerir.
• MLOps, tekrarlanabilir eğitim, test, dağıtım ve izleme için mühendislik uygulamalarını sağlar. Veri çarkı iyileştirme dinamiğini tanımlarken MLOps, bu dinamiğin güvenilir kalmasını sağlayan altyapının büyük bölümünü sunar.
• Geri bildirim döngüleri otomatik olarak yararlı değildir. Tahminler, bağımsız bir temel gerçek olmadan gelecekteki eğitim verilerini etkilerse hatalar ve önyargı kendi kendini güçlendirebilir. Google'ın ML geri bildirim döngüsü riskleri hakkındaki kılavuzu, ekiplerin model çıktılarının sonraki girdileri nasıl etkilediğini neden izlemesi gerektiğini açıklar. (developers.google.com)
• Ağ etkileri, bir ürün daha fazla kişi kullandıkça daha değerli hâle geldiğinde ortaya çıkar. Kullanım benzersiz, yasalara uygun ve yüksek kaliteli veriler oluşturduğunda veri çarkı savunulabilir bir avantaja katkıda bulunabilir, ancak yalnızca hacmin artması bir hendek oluşturmaz. Veriler yaygın, gürültülü veya kötü yönetiliyorsa rakipler bu faydayı yeniden üretebilir.

Gerçek Dünya Uygulamaları#

• Üretimde görsel denetim: Bir kusur algılayıcı başlangıçta yaygın çizikleri, çatlakları ve montaj hatalarını öğrenir. Dağıtımdan sonra operatörler yeni malzemeler, yansımalar veya kamera açıları nedeniyle oluşan belirsiz tahminleri ve kaçırılan kusurları inceler. Doğrulanan bu örnekler bir sonraki eğitim döngüsüne girerek gerçek fabrika koşullarında algılamayı iyileştirir. Ekipler yaşam döngüsünü Ultralytics Platform açıklama araçları üzerinden yönetebilir ve üretim uç noktasının davranışını dağıtım izleme ile takip edebilir.

• Perakende raf izleme: Bir nesne algılama sistemi ürünleri, boş alanları ve yanlış yerleştirilmiş ürünleri belirler. Mağaza görüntüleri, özgün veri kümesinde bulunmayan mevsimsel ambalajları, kalabalık rafları, parlamayı ve bölgesel ürün farklılıklarını ortaya çıkarır. Bu durumların eklenmesi, sonraki modellerin daha güvenilir envanter bilgileri üretmesine yardımcı olurken manuel kontrolleri azaltır. Model tarafından üretilen hataların kabul edilmiş etiketlere dönüşmemesi için tahminler yine de örneklenmeli ve doğrulanmalıdır.

Güvenilir Bir Veri Çarkı Oluşturma#

Basitçe daha fazla veri toplamak yerine, kaçırılan kusurları veya yanlış alarmları azaltmak gibi ölçülebilir bir hedefle başla. Veri kümesi ve model soy bilgisini koru, her adayı sabit bir test kümesine göre karşılaştır ve hangi değişikliklerin performansı etkilediğini anlamak için MLflow Tracking gibi deney kayıtlarını kullan. Döngü boyunca gizlilik, erişim, saklama ve insan incelemesi kontrollerini uygula; NIST AI RMF Core, dağıtılan sistemleri izleme ve kullanıcı girdilerini, olayları ve değişiklikleri yönetme konusunda kılavuzluk sağlar. (airc.nist.gov)

Aşağıdaki çalıştırılabilir örnek, YOLO26, Train mode ve Validation mode kullanarak küçük bir iterasyonu gösterir:

from ultralytics import YOLO

# Train a short baseline iteration on a small example dataset
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=1)

# Evaluate before using the updated model
metrics = model.val()
print(metrics.box.map)

# Run the model on a new candidate image for review
results = model.predict("https://ultralytics.com/images/bus.jpg")
result = results[0]
result.save(filename="candidate_review.jpg")

Bu örnek tüm çarkı otomatikleştirmez. Temel model tarafı düzenini gösterir: tanımlı bir veri kümesiyle eğit, sonucu doğrula, yeni veriler üzerinde çıkarım çalıştır ve düzeltilmiş herhangi bir örnek bir sonraki döngüye girmeden önce incelenebilecek bir çıktı kaydet.