Gömüler

Gömmeler modern makine öğreniminin (ML) temel taşlarından biridir ve kelimeler, görüntüler ve hatta kullanıcılar gibi yüksek boyutlu verileri anlamlı, yoğun ve düşük boyutlu sayısal vektörlere dönüştürmek için güçlü bir yöntemi temsil eder. Bir gömmenin birincil amacı, orijinal verilerin anlamsal ilişkilerini ve altında yatan bağlamı yakalamaktır. Bu vektör uzayında, benzer anlamlara veya özelliklere sahip öğeler birbirlerine daha yakın konumlandırılır. Bu, yapay zeka modellerinin ham, yapılandırılmamış verilerle imkansız olabilecek karmaşık muhakeme ve benzerlik görevlerini yerine getirmesine olanak tanır.

Yerleştirmeler Nasıl Oluşturulur?

Yerleştirmeler genellikle eğitim süreci sırasında bir derin öğrenme modeli tarafından otomatik olarak öğrenilir. Genellikle PyTorch veya TensorFlow gibi çerçevelerle oluşturulan bir sinir ağı, bir cümledeki bir sonraki kelimeyi tahmin etmek veya bir görüntüyü sınıflandırmak gibi ilgili bir görev üzerinde eğitilir. Bu ağ içindeki gizli katmanlardan biri daha sonra gömme katmanı olarak kullanılır. Model görevini yerine getirmeyi öğrendikçe, bu katmandaki ağırlıkları ayarlayarak her girdi öğesini en önemli özelliklerini kapsayan bir vektörle eşleştirmeyi etkili bir şekilde öğrenir. Bu süreç, büyük miktarda bilgiyi kompakt ve kullanışlı bir formata sıkıştıran bir boyut azaltma biçimidir.

Uygulamalar ve Örnekler

Gömüler, doğal dil işlemeden (NLP ) bilgisayarla görmeye kadar çok çeşitli yapay zeka uygulamaları için temeldir.

• E-ticaret Öneri Motorları: Öneri sistemleri hem kullanıcıları hem de ürünleri temsil etmek için katıştırmaları kullanır. Bir kullanıcı sık sık benzer katıştırmalara sahip ürünleri satın alıyor veya görüntülüyorsa (örneğin, çeşitli koşu malzemeleri), sistem bu vektör komşuluğundaki diğer ürünleri (enerji jelleri veya hidrasyon paketleri gibi) belirleyebilir ve bunları önerebilir. Bu, basit anahtar kelime eşleştirmesinden çok daha etkilidir.
• Anlamsal Arama ve Görüntü Alma: Anlamsal arama sistemleri, etiketlere veya meta verilere güvenmek yerine, kavramsal anlama dayalı sonuçlar bulmak için yerleştirmeleri kullanır. Bir kullanıcı "yaz tatili fotoğrafları" için arama yapabilir ve sistem, görüntünün açıklamasında tam olarak bu kelimeler olmasa bile, plajların, dağların ve seyahat sahnelerinin görüntülerini getirecektir. Bu, hem metin hem de görüntüler için hizalanmış katıştırmalar üreten ve güçlü çok modlu model yetenekleri sağlayan CLIP gibi modeller tarafından desteklenmektedir. Aynı prensip, birçok modern uygulamada önemli bir özellik olan güçlü görsel aramaya da olanak tanır. Benzerlik arama kılavuzumuzla kendiniz bile oluşturabilirsiniz.

Diğer uygulamalar arasında etkileşimleri tahmin etmek için moleküllerin yerleştirildiği ilaç keşfi ve benzer ses özelliklerine sahip şarkılar öneren müzik akışı hizmetleri yer alıyor.

Gömüler ve İlgili Kavramlar

Yerleştirmeleri ilgili terimlerden ayırmak faydalı olacaktır:

• Gömme ve Özellik Çıkarma: Gömmeler, derin öğrenme yoluyla elde edilen sofistike ve genellikle otomatikleştirilmiş bir özellik çıkarma biçimidir. Geleneksel özellik mühendisliği, özelliklerin manuel olarak tanımlanmasını içerebilirken (örneğin, görüntüler için renk histogramları), katıştırmalar eğitim sırasında ilgili özellikleri doğrudan verilerden öğrenir.
• Gömüler ve Vektör Arama / Vektör Veritabanları: Gömüler, veri öğelerinin vektör temsilleridir. Vektör arama, bir sorgu vektörüne en benzer (en yakın) olanları bulmak için bir gömme koleksiyonunu sorgulama işlemidir ve genellikle verimlilik için Yaklaşık En Yakın Komşu (YSA) algoritmaları kullanılır. Vektör veritabanları ( Pinecone veya Milvus gibi) büyük hacimli katıştırmaları depolamak, indekslemek ve bunlar üzerinde hızlı vektör aramaları gerçekleştirmek için optimize edilmiş özel veritabanlarıdır.
• Gömüler vs. Tokenizasyon: Tokenizasyon, metni daha küçük birimlere (token) ayırma işlemidir. Bu belirteçler daha sonra katıştırmalarla eşleştirilir. Dolayısıyla, tokenleştirme, gömme temsili oluşturulmadan veya alınmadan önce bir ön adımdır. BERT ve GPT-4 gibi önemli NLP modelleri bu iki aşamalı sürece dayanır.

Gömüler, makine öğrenimi modelleri için verileri temsil etmenin güçlü bir yolunu sunarak, çeşitli veri türlerindeki anlamsal benzerlikleri ve karmaşık kalıpları anlamalarını sağlar. Nesne algılama ve görüntü sınıflandırma gibi görevler için gelişmiş yapay zeka modellerinin oluşturulmasını basitleştiren Ultralytics HUB gibi modern makine öğrenimi platformlarının yeteneklerinin ayrılmaz bir parçasıdır.