Graph Neural Network (GNN)

Graf Sinir Ağı (GNN), graf olarak temsil edilen verileri işlemek üzere tasarlanmış özel bir derin öğrenme mimarileri sınıfıdır. Geleneksel modeller, örneğin Evrişimli Sinir Ağları (CNN), görüntüler gibi ızgara benzeri yapılar için optimize edilirken, Tekrarlayan Sinir Ağları (RNN) metin veya Zaman Serisi Analizi gibi sıralı verilerde başarılı olur; GNN'ler ise Öklidyen olmayan verileri işleme konusunda benzersiz bir yeteneğe sahiptir. Bu, düğümler (varlıklar) ve kenarlar (ilişkiler) tarafından tanımlanan veri kümeleri üzerinde çalıştıkları ve gerçek dünya ağlarını karakterize eden karmaşık karşılıklı bağımlılıklardan öğrenebildikleri anlamına gelir. GNN'ler, tek tek veri noktalarının özniteliklerini ve aralarındaki yapısal bağlantıları birlikte yakalayarak, ilişkilerin en az varlıkların kendisi kadar kritik olduğu alanlarda güçlü içgörülerin önünü açar.

Graf Sinir Ağları Nasıl Çalışır#

GNN'nin temelindeki mekanizma genellikle "mesaj geçirme" veya komşuluk toplama olarak adlandırılan bir süreçtir. Bu çerçevede grafikteki her düğüm, doğrudan komşularından bilgi toplayarak kendi temsilini günceller. Model eğitimi sırasında ağ, bir düğümün özelliklerini yerel komşuluğunun topolojisiyle birlikte kodlayan etkili gömme—yoğun vektör temsilleri—üretmeyi öğrenir.

Birden çok işleme katmanı sayesinde düğüm, sonunda grafikte daha uzakta bulunan bilgiler dahil olmak üzere daha geniş bir bilgi toplayabilir ve böylece "alıcı alanını" etkili biçimde genişletebilir. Bu, modelin daha büyük yapı içindeki bir düğümün bağlamını anlamasını sağlar. PyTorch Geometric ve Deep Graph Library (DGL) gibi modern çerçeveler, bu karmaşık mesaj geçirme şemalarının uygulanmasını kolaylaştırarak geliştiricilerin sıfırdan başlamadan gelişmiş grafik tabanlı uygulamalar oluşturmasına olanak tanır.

GNN'ler ve Diğer Sinir Ağı Mimarileri#

GNN'lerin ayırt edici rolünü kavramak için, onları yapay zeka ekosisteminde bulunan diğer yaygın sinir ağı (NN) türlerinden ayırmak faydalıdır:

• Evrişimli Sinir Ağları (CNN): Bunlar, görüntü sınıflandırma veya nesne algılama gibi görsel görevler için altın standarttır. Ultralytics YOLO26 gibi modeller, sabit ızgaralı piksel verilerini işlemek için CNN'lere dayanır. Ancak CNN'ler, her düğümün komşu sayısının değiştiği düzensiz yapılarla başa çıkmakta zorlanır.
• Tekrarlayan Sinir Ağları (RNN): RNN'ler girdileri belirli bir sıra içinde işler; bu da onları dil görevleri veya Doğal Dil İşleme (NLP) için ideal kılar. Buna karşılık GNN'ler, ilişkilerin kesin olarak zamansal veya sıralı olmaktan ziyade uzamsal ya da ilişkisel olduğu verileri işler.
• Bilgi Grafiği: Bilgi grafiği, gerçeklerden (varlıklar ve ilişkiler) oluşan yapılandırılmış bir veritabanıyken GNN, bu tür yapılardan öğrenmek için kullanılan hesaplamalı modeldir. GNN'ler, bağlantı tahmini gibi görevleri gerçekleştirmek ve çoğu zaman Getirmeyle Zenginleştirilmiş Üretim (RAG) işlem hatlarını geliştirmek üzere bilgi grafiklerinin üzerinde sıklıkla kullanılır.

Gerçek Dünya Uygulamaları#

Keyfi ilişkileri modelleyebilme yeteneği, GNN'leri çeşitli yüksek etkili sektörlerde vazgeçilmez kılar:

1. İlaç Keşfi ve Sağlık Hizmetleri: İlaç sektöründe kimyasal moleküller, atomların düğüm ve bağların kenar olduğu grafikler olarak doğal biçimde temsil edilir. GNN'ler, moleküler özellikleri tahmin ederek ve protein etkileşimlerini simüle ederek sağlık hizmetlerinde yapay zekayı dönüştürüyor. Google DeepMind tarafından geliştirilen AlphaFold gibi yenilikler, biyolojik yapıları anlamada geometrik derin öğrenmenin gücünü ortaya koyar.

2. Sosyal Ağ Analizi ve Öneri: Platformlar, geniş kullanıcı etkileşimleri ağlarını analiz etmek için GNN'leri kullanır. Kullanıcıları düğümler, arkadaşlıkları veya beğenileri kenarlar olarak modelleyen bu ağlar; içerik, ürün veya bağlantı öneren Öneri Sistemlerini destekler. Pinterest'in GraphSage uygulamasında kullanılan yöntemlere benzer bu yaklaşım, milyarlarca etkileşime etkili biçimde ölçeklenir.

3. Lojistik ve Trafik Tahmini: Lojistikte yapay zeka kapsamında yol ağları, kavşakların düğüm ve yolların kenar olduğu grafikler olarak ele alınır. GNN'ler, farklı yol kesimleri arasındaki uzamsal bağımlılıkları analiz ederek trafik akışını tahmin edebilir ve teslimat rotalarını optimize edebilir; basit istatistiksel temel yöntemlerden çok daha iyi performans gösterir.

Graf Kavramlarını Görsel Yapay Zekayla Birleştirme#

Graf Sinir Ağları, çok modlu işlem hatlarına giderek daha fazla entegre ediliyor. Örneğin kapsamlı bir sistem, bir sahnedeki farklı nesneleri tanımlamak için görüntü segmentasyonu kullanabilir ve ardından bu nesneler arasındaki uzamsal ilişkiler hakkında akıl yürütmek için bir GNN'den yararlanabilir; bu yapı genellikle "Sahne Grafiği" olarak adlandırılır. Bu, görsel algı ile mantıksal akıl yürütme arasındaki boşluğu kapatır.

Aşağıdaki Python örneği, Görsel Yapay Zeka ile grafik yapıları arasında nasıl köprü kurulacağını gösterir. Nesne algılamak için Ultralytics YOLO26 modelini kullanır; algılanan nesneler düğüm olarak işlev görür ve torch kullanılarak temel bir grafik yapısı hazırlanır.

import torch
from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities (nodes)
results = model("https://ultralytics.com/images/bus.jpg")

# Extract box centers to serve as node features
# Format: [center_x, center_y] derived from xywh
boxes = results[0].boxes.xywh[:, :2].cpu()
x = torch.tensor(boxes.numpy(), dtype=torch.float)

# Create a hypothetical edge index connecting the first two objects
# In a real GNN, edges might be defined by distance or interaction
edge_index = torch.tensor([[0, 1], [1, 0]], dtype=torch.long)

print(f"Graph constructed: {x.size(0)} nodes (objects) and {edge_index.size(1)} edges.")

Bu karmaşık işlem hatları için gereken veri kümelerini yönetmek isteyen geliştiriciler, sistemin görsel bileşenleri için açıklama ve eğitim iş akışlarını basitleştiren Ultralytics Platform'dan yararlanabilir. Güçlü görsel modelleri GNN'lerin ilişkisel akıl yürütme yeteneğiyle birleştiren mühendisler, çevrelerindeki dünyayı daha iyi anlayan, bağlam farkındalığına sahip otonom sistemler oluşturabilir.