Graph Neural Network (GNN)

Çizge Sinir Ağı (GNN), çizge olarak temsil edilen verileri işlemek üzere tasarlanmış özelleşmiş bir derin öğrenme mimarisi sınıfıdır. Evrişimli Sinir Ağları (CNN'ler) gibi geleneksel modeller görüntüler gibi ızgara benzeri yapılar için optimize edilmişken ve Yinelemeli Sinir Ağları (RNN'ler) metin veya Zaman Serisi Analizi gibi sıralı verilerde üstünlük sağlarken, GNN'ler Öklidyen olmayan verileri işleme konusunda benzersiz bir yeteneğe sahiptir. Bu, düğümler (varlıklar) ve kenarlar (ilişkiler) ile tanımlanan veri kümeleri üzerinde çalıştıkları anlamına gelir ve gerçek dünya ağlarını karakterize eden karmaşık karşılıklı bağımlılıklardan öğrenmelerine olanak tanır. Hem bireysel veri noktalarının özniteliklerini hem de aralarındaki yapısal bağlantıları yakalayarak, GNN'ler ilişkilerin tıpkı varlıkların kendisi kadar kritik olduğu alanlarda güçlü içgörüler sağlar.

Link to this sectionÇizge Sinir Ağları Nasıl Çalışır?#

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

Çok katmanlı işleme sayesinde, bir düğüm zamanla çizgedeki daha uzak noktalardan bilgi dahil edebilir ve bu da "algı alanını" etkili bir şekilde genişletir. Bu, modelin daha geniş yapı içindeki bir düğümün bağlamını anlamasını sağlar. PyTorch Geometric ve Deep Graph Library (DGL) gibi modern çerçeveler, bu karmaşık mesaj iletim şemalarının uygulanmasını kolaylaştırarak geliştiricilerin sıfırdan başlamadan karmaşık çizge tabanlı uygulamalar oluşturmasına olanak tanır.

Link to this sectionGNN'ler ve Diğer Sinir Mimarileri#

GNN'lerin kendine özgü rolünü takdir etmek için, onları yapay zeka ekosisteminde bulunan diğer yaygın sinir ağı (NN) türlerinden ayırt etmek yararlıdır:

• Evrişimli Sinir Ağları (CNN'ler): Bunlar, görüntü sınıflandırma veya nesne algılama gibi görsel görevler için altın standarttır. Ultralytics YOLO26 gibi modeller, sabit ızgaralı piksel verilerini işlemek için CNN'lere güvenir. Ancak CNN'ler, her düğüm için komşu sayısının değiştiği düzensiz yapılarda zorlanır.
• Yinelemeli Sinir Ağları (RNN'ler): RNN'ler girdileri belirli bir sırada işler, bu da onları dil görevleri veya Doğal Dil İşleme (NLP) için ideal kılar. Buna karşılık GNN'ler, ilişkilerin kesinlikle zamansal veya sıralı değil, uzamsal veya ilişkisel olduğu verileri işler.
• Bilgi Çizgesi: Bilgi çizgesi, olguların (varlıklar ve ilişkiler) yapılandırılmış bir veritabanıyken, GNN bu yapılardan öğrenmek için kullanılan hesaplama modelidir. GNN'ler, bağlantı tahmini gibi görevleri gerçekleştirmek için genellikle bilgi çizgeleri üzerinde konuşlandırılır ve çoğu zaman RAG (Retrieval-Augmented Generation) süreçlerini güçlendirir.

Link to this sectionGerçek Dünya Uygulamaları#

Keyfi ilişkileri modelleme yeteneği, GNN'leri çeşitli yüksek etkili endüstrilerde vazgeçilmez kılar:

1. İlaç Keşfi ve Sağlık Hizmetleri: İlaç endüstrisinde kimyasal moleküller doğal olarak atomların düğüm ve bağların kenar olduğu çizgeler olarak temsil edilir. GNN'ler, moleküler özellikleri tahmin ederek ve protein etkileşimlerini simüle ederek sağlık hizmetlerinde yapay zekayı dönüştürüyor. Google DeepMind'dan AlphaFold gibi inovasyonlar, biyolojik yapıları anlamada geometrik derin öğrenmenin gücünü vurguluyor.

2. Sosyal Ağ Analizi ve Öneri: Platformlar, geniş kullanıcı etkileşimi ağlarını analiz etmek için GNN'leri kullanır. Kullanıcıları düğüm, arkadaşlıkları veya beğenileri kenar olarak modelleyen bu ağlar, içerik, ürün veya bağlantı öneren Öneri Sistemlerini güçlendirir. Pinterest'in GraphSage'inde kullanılan yöntemlere benzer şekilde bu yaklaşım, milyarlarca etkileşime kadar etkili bir şekilde ölçeklenir.

3. Lojistik ve Trafik Tahmini: Lojistik alanında yapay zekada, yol ağları kavşakların düğüm ve yolların kenar olduğu çizgeler olarak ele alınır. GNN'ler, farklı yol segmentleri arasındaki uzamsal bağımlılıkları analiz ederek trafik akışını tahmin edebilir ve teslimat rotalarını optimize edebilir, bu da basit istatistiksel temellerden çok daha üstün sonuçlar sağlar.

Link to this sectionÇizge Kavramlarını Görsel Yapay Zeka ile Bütünleştirme#

Çizge Sinir Ağları, çok modlu süreçlere giderek daha fazla entegre edilmektedir. Örneğin, kapsamlı bir sistem bir sahnedeki nesneleri tanımlamak için görüntü bölütleme kullanabilir ve ardından bu nesneler arasındaki uzamsal ilişkiler üzerinde akıl yürütmek için—genellikle "Sahne Çizgesi" olarak adlandırılan—bir GNN kullanabilir. Bu, görsel algı ile mantıksal akıl yürütme arasındaki boşluğu doldurur.

Aşağıdaki Python örneği, Görsel Yapay Zeka ile çizge yapılarını nasıl birleştirebileceğini göstermektedir. Nesneleri düğüm olarak algılamak için Ultralytics YOLO26 modelini kullanır ve torch kullanarak temel bir çizge yapısı hazırlar.

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 süreçler için gereken veri kümelerini yönetmek isteyen geliştiriciler, sistemin görsel bileşenleri için açıklama ve eğitim iş akışlarını basitleştiren Ultralytics Platformunu kullanabilirler. Güçlü görsel modelleri GNN'lerin ilişkisel akıl yürütme yeteneğiyle birleştirerek, mühendisler çevrelerindeki dünyayı daha iyi anlayan bağlam farkındalığına sahip otonom sistemler oluşturabilirler.