Statistical AI

İstatistiksel yapay zekâ, elle yazılmış kuralları kodlamak yerine verilerdeki örüntüleri ve olasılıkları tahmin ederek sistemler oluşturan yapay zekâ yaklaşımıdır. İstatistiksel bir sistem belirsizliği açıkça temsil eder, parametrelerini örneklere göre uyarlar ve daha önce görmediği verilerde ne kadar iyi çalıştığına göre değerlendirilir. Spam filtrelerinden konuşma tanıma sistemlerine, nesne algılayıcılardan ve her olası sonraki belirtece olasılık atayan büyük dil modellerine (LLM'ler) kadar modern yapay zekânın neredeyse tamamı bu şekilde çalışır. Bu terim çoğunlukla, alanın ilk on yıllarına hâkim olan kural ve mantık temelli gelenek sembolik yapay zekâyla karşılaştırılırken kullanılır.

Kurallardan Olasılıklara#

1950'lerden 1980'lere kadar yapay zekâ araştırmalarının çoğu sembolik yöntemlere odaklandı: Mantık, arama ve bilgi mühendislerinin «eğer-ise» kuralları olarak yazdığı uzman sistemler. Bu sistemler dar ve iyi tanımlanmış alanlarda işe yaradı, ancak gürültülü veya belirsiz girdilerde başarısız oldu ve her yeni durum için yeni kurallar gerekti. 1980'lerde ve 1990'larda olasılıksal yöntemler alanları birer birer devraldı. Gizli Markov modelleri konuşma tanımanın temelini oluşturdu; Judea Pearl'ün Bayes ağları üzerine 1988 tarihli kitabı, daha sonra 2011 Turing Ödülü'yle takdir edilen olasılıksal akıl yürütmeyi uygulanabilir hâle getirdi; IBM araştırmacıları 1990'da makine çevirisine istatistiksel bir yaklaşım yayımladı ve 1995'te destek vektör makineleri geldi. 2012'den beri derin öğrenme, aynı yaklaşımı elle tasarlanmış özelliklerden ham piksellere, sese ve metne ölçeklendirdi.

Temel Fikirler#

• Olasılık modelleri: İnançlar olasılık dağılımlarıyla ifade edilir; Bayes teoremi, önsel bir inancı yeni kanıtın olabilirliğiyle güncelleyerek sonsal bir inanç elde eder. Spam filtrelerini, tanı modellerini ve nesne izleyicilerini de aynı güncelleme yöntemi çalıştırır.
• Tahmin olarak öğrenme: Eğitim, gözlemlenen verileri en olası hâle getiren parametreleri seçer. Çoğu modelde bu, genellikle gradyan inişi kullanarak bir kayıp fonksiyonunu en aza indirmeyle aynı anlama gelir.
• Genelleme: Esnek bir model eğitim kümesindeki gürültüye uyabilir; bu nedenle performans, elde tutulmuş veriler üzerinde ölçülür. Önyargı-varyans ödünleşimi, veriler için fazla basit ve fazla esnek modeller arasındaki dengeyi açıklar.
• Derecelendirilmiş güven: Tahminler, sonraki sistemlerin eşik uygulayabileceği, sıralayabileceği veya başka kanıtlarla birleştirebileceği olasılıklarla birlikte gelir.

Naif Bayes spam filtresi, bu fikirleri birkaç satırda gösterir. Her sözcüğün spam ve normal postalarda ne sıklıkta göründüğünü tahmin eder, ardından yeni bir iletiyi puanlamak için bu tahminleri Bayes teoremiyle birleştirir:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# Labeled examples replace hand-written rules: 1 = spam, 0 = not spam
messages = ["win a free prize now", "claim your free cash reward", "limited offer, click now to win"]
messages += ["meeting moved to monday", "can you review my draft today", "lunch with the team on friday"]
labels = [1, 1, 1, 0, 0, 0]

# Count words, then estimate each word's probability under each class
vectorizer = CountVectorizer()
model = MultinomialNB()
model.fit(vectorizer.fit_transform(messages), labels)

for text in ["free prize inside", "draft for monday", "free lunch on friday"]:
    spam_probability = model.predict_proba(vectorizer.transform([text]))[0, 1]
    print(f"{text!r}: P(spam) = {spam_probability:.2f}")

«free prize inside» 0,86 spam olasılığı; «draft for monday» ise 0,21 olasılık puanı alır. Her iki sınıftan sözcükleri bir araya getiren «free lunch on friday» ise 0,29 değerinde kalır. Model, yalnızca etiketlenmiş altı iletiden «free» sözcüğünün spam sinyali verdiğini öğrendi.

İstatistiksel Yöntem Aileleri#

İstatistiksel yapay zekâ, küçük olasılık modellerinden milyarlarca parametreli derin ağlara kadar uzanır; bu yöntem aileleri, veriye karşı önceden tanımlanmış yapıyı değiş tokuş eder. Grafiksel modeller bağımlılıkları açıkça kodlar ve az veriyle çalışır; k-en yakın komşu gibi klasik yöntemler ve XGBoost ile LightGBM gibi gradyan artırmalı ağaçlar özellik tablolarından öğrenir; derin ağlar ise özelliklerini ham girdilerden kendileri öğrenir:

İstatistiksel Yapay Zekâ ve İlgili Terimler#

• Sembolik yapay zekâ: Bilgiyi, uzman sistemlerin «eğer-ise» ifadeleri gibi açık semboller ve kurallarla temsil eder ve mantıksal çıkarımla sonuçlara ulaşır. Akıl yürütme adım adım izlenebilir ve eğitim verisi gerektirmez; ancak kurallarının kapsamadığı girdilerde başarısız olur.
• Makine öğrenimi: İstatistiksel yapay zekânın temel uygulamasıdır. İki terim neredeyse tamamen örtüşür; «istatistiksel yapay zekâ» çoğunlukla veri odaklı yöntemleri sembolik yöntemlerle karşılaştırırken kullanılır.
• Nörosembolik yapay zekâ: Öğrenilmiş modelleri sembolik akıl yürütmeyle birleştirir; örneğin hesap makinesi, veri tabanı sorgusu veya teorem ispatlayıcı çağıran bir LLM.
• Bulanık mantık: «Oda sıcak» gibi belirsiz ifadeler için 0 ile 1 arasında doğruluk dereceleri atar. Bu, bir olayın gerçekleşme olasılığından farklı olan belirsizlik ölçüsüdür.

Gerçek Dünya Uygulamaları#

• Spam filtreleme: Paul Graham'ın 2002 tarihli A Plan for Spam yazısı, her kullanıcının postalarından sözcük olasılıklarını öğrenen Bayes filtrelerini popülerleştirdi; günümüzdeki filtreler aynı fikri çok daha fazla sinyale uygular.
• Makine çevirisi: Google Translate, paralel metinlerden ifade çevirisi olasılıklarını öğrenen istatistiksel makine çevirisiyle 2006'da kullanıma sunuldu ve 2016'da sinir ağı tabanlı makine çevirisine geçti.
• Metin üretimi: LLM'ler her adımda söz dağarcıkları üzerindeki olasılık dağılımından örnekleme yaparak metin üretir; sıcaklık ayarı, her örneklemeden önce dağılımı sivriltir veya düzleştirir.
• Görsel algı: Nesne algılayıcılar baştan sona istatistiksel modellerdir. Ultralytics YOLO26, etiketli görüntülerdeki kaybı en aza indirerek ağırlıklarını öğrenir, her kutu için bir güven puanı verir ve tahmin modunda varsayılan olarak 0,25 olan conf eşiğinin altındaki kutuları eler.