Graph Neural Network (GNN)

Graf Sinir Ağı (GNN), grafikler olarak temsil edilen verileri işlemek için tasarlanmış özel bir derin öğrenme mimarisi sınıfıdır. Evrişimli Sinir Ağları (CNN'ler) gibi geleneksel modeller görüntüler gibi ızgara benzeri yapılar için optimize edilmişken ve Yinelenen Sinir Ağları (RNN'ler) metin veya Zaman Serisi Analizi gibi sıra tabanlı verilerde başarılıyken, GNN'ler Öklid dışı 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 öğrenmelerini sağladığı anlamına gelir. GNN'ler hem bireysel veri noktalarının niteliklerini hem de aralarındaki yapısal bağlantıları yakalayarak, ilişkilerin varlıkların kendileri kadar kritik olduğu alanlarda güçlü içgörüler ortaya çıkarır.

Çizge Sinir Ağları Nasıl Çalışır?#

Bir GNN'in arkasındaki temel mekanizma, genellikle "mesaj geçişi" veya komşuluk toplama olarak adlandırılan bir süreçtir. Bu çerçevede, grafikteki her düğüm, hemen komşularından bilgi toplayarak kendi temsilini günceller. Model eğitimi sırasında ağ, bir düğümün özelliklerini yerel komşuluğunun topolojisiyle birlikte kodlayan yoğun vektör temsilleri olan etkili gömdürmeler üretmeyi öğrenir.

Birden fazla işleme katmanı sayesinde bir düğüm, grafikteki daha uzak konumlardan gelen bilgileri nihayetinde dahil edebilir ve bu da "alıcı alanını" etkili bir şekilde genişletir. Bu, modelin bir düğümün daha büyük yapı içindeki bağlamını anlamasını sağlar. PyTorch Geometric ve Deep Graph Library (DGL) gibi modern çerçeveler, bu karmaşık mesaj geçiş şemalarının uygulanmasını kolaylaştırarak geliştiricilerin sıfırdan başlamadan gelişmiş tabanlı grafik uygulamaları oluşturmasını sağlar.

GNN'ler ve Diğer Sinir Mimarileri#

GNN'lerin belirgin rolünü takdir etmek için, onları Yapay Zeka manzarasında bulunan diğer yaygın sinir ağı (NN) türlerinden ayırmak faydalıdır:

• Evrişimli Sinir Ağları (CNN'ler): Bunlar, görüntü sınıflandırma veya nesne tespiti gibi görsel görevler için altın standarttır. Ultralytics YOLO26 gibi modeller, sabit ızgaralı piksel verilerini işlemek için CNN'lere güvenir. Bununla birlikte CNN'ler, her düğüm için komşu sayısının değiştiği düzensiz yapılarda zorlanır.
• Yinelenen Sinir Ağları (RNN'ler): RNN'ler girdileri belirli bir sırada işleyerek dil görevleri veya Doğal Dil İşleme (NLP) için ideal hale gelir. Buna karşılık GNN'ler, ilişkilerin kesinlikle zamansal veya sıralı olmaktan ziyade uzamsal veya ilişkisel olduğu verileri işler.
• Bilgi Grafiği: Bilgi grafiği gerçeklerin (varlıklar ve ilişkiler) yapılandırılmış bir veritabanıyken, GNN bu tür yapılardan öğrenmek için kullanılan hesaplama modelidir. GNN'ler, genellikle Getirme Destekli Üretim (RAG) işlem hatlarını geliştiren bağlantı tahmini gibi görevleri gerçekleştirmek için bilgi grafiklerinin üzerine sıklıkla dağıtılır.

Gerçek Dünya Uygulamaları#

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

1. İlaç Keşfi ve Sağlık Hizmetleri: İlaç endüstrisinde kimyasal moleküller, atomların düğüm ve bağların kenar olduğu grafikler olarak doğal bir şekilde temsil edilir. GNN'ler moleküler özellikleri tahmin ederek ve protein etkileşimlerini simüle ederek sağlık alanındaki yapay zekayı dönüştürmektedir. Google DeepMind'ın AlphaFold gibi yenilikleri, biyolojik yapıları anlamada geometrik derin öğrenmenin gücünü vurgulamaktadır.

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

3. Lojistik ve Trafik Tahmini: Lojistikteki yapay zekada yol ağları, kavşakların düğüm ve yolların kenar olduğu grafikler 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 performans gösterir.

Çizge Kavramlarını Görsel Yapay Zeka ile Bütünleştirme#

Grafik Sinir Ağları, çok modlu işlem hatlarına giderek daha fazla entegre edilmektedir. Örneğin kapsamlı bir sistem, bir sahnedeki farklı nesneleri tanımlamak için görüntü segmentasyonunu kullanabilir ve ardından bu nesneler arasındaki uzamsal ilişkiler hakkında akıl yürütmek için genellikle "Sahne Grafiği" olarak adlandırılan bir GNN kullanabilir. Bu, görsel algı ile mantıksal akıl yürütme arasındaki boşluğu doldurur.

Aşağıdaki Python örneği, Vizyon Yapay Zekasını grafik yapılarla nasıl köprüleyeceğinizi göstermektedir. Düğüm olarak hizmet eden nesneleri tespit etmek için Ultralytics YOLO26 modelini kullanır ve torch kullanarak temel bir grafik 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 işlem hatları için gereken veri kümelerini yönetmek isteyen geliştiriciler, sistemin vizyon bileşenleri için açıklama ve eğitim iş akışlarını basitleştiren Ultralytics Platform kullanabilir. Mühendisler, sağlam vizyon modellerini GNN'lerin ilişkisel akıl yürütmesiyle birleştirerek çevrelerindeki dünyayı daha iyi anlayan bağlam farkında otonom sistemler oluşturabilirler.