Swarm Intelligence

Sürü Zekası (SI), genellikle doğal veya yapay olan merkeziyetsiz, kendi kendini organize eden sistemlerin kolektif davranışını tanımlar. Bu kavram, karınca kolonileri, kuş sürüsü, balık sürüleri ve bakteri büyümesi gibi doğadaki biyolojik sistemlerden büyük ölçüde ilham alır. Yapay zeka (AI) bağlamında sürü zekası sistemleri, yerel olarak birbirleriyle ve çevreleriyle etkileşime giren basit temsilcilerden oluşan bir popülasyondan meydana gelir. Bireysel temsilcilerin nasıl davranması gerektiğini dikte eden merkezi bir kontrol yapısı olmamasına rağmen, bu temsilciler arasındaki yerel etkileşimler, tek bir bireyin kapasitesinin ötesindeki karmaşık görevleri çözebilen "zeki" küresel davranışların ortaya çıkmasını sağlar.

Link to this sectionTemel Mekanizmalar ve Algoritmalar#

Sürü zekasının gücü, iş birliği yoluyla doğrusal olmayan problemleri çözebilme yeteneğinde yatar. Bu sistemlerdeki temsilciler, grubun dinamik ortamlarda yön bulmasını sağlayan "ayrılma", "hizalanma" ve "uyum" olarak adlandırılan basit kuralları takip eder. Bu yaklaşım, arama uzayının geniş ve karmaşık olduğu optimizasyon algoritmalarında özellikle etkilidir.

En öne çıkan algoritmik uygulamalardan ikisi şunlardır:

• Parçacık Sürü Optimizasyonu (PSO): Kuş sürüsü sosyal davranışından esinlenen PSO, belirli bir kalite ölçüsüne göre bir aday çözümü yinelemeli olarak iyileştirmeye çalışarak bir problemi optimize eder. Sinir ağı eğitimi ve optimal hiperparametrelerin bulunmasında yaygın olarak kullanılır. Matematiksel temellerini anlamak için Parçacık Sürü Optimizasyonunun mekaniği hakkında daha fazla bilgi edinebilirsin.
• Karınca Kolonisi Optimizasyonu (ACO): Karıncaların, feromon izlerini kullanarak kolonileri ile yiyecek kaynağı arasındaki en kısa yolu bulma şeklindeki yiyecek arama davranışlarına dayanır. ACO, telekomünikasyon ve lojistik operasyonlarındaki yönlendirme problemlerine sıklıkla uygulanır.

Link to this sectionBilgisayarlı Görüde Sürü Zekası#

Bilgisayarlı görü (CV) alanında sürü zekası, makinelerin dünyayı algılama ve yorumlama biçiminde devrim yaratıyor. Tek ve yekpare bir modele güvenmek yerine, sürü tabanlı yaklaşımlar veri toplamak ve iş birliği içinde çıkarım yapmak için genellikle uç bilişim cihazlarında konuşlandırılan birden fazla hafif temsilciyi kullanır.

Link to this sectionGerçek Dünya Uygulamaları#

1. Otonom İHA Arama ve Kurtarma: Felaket senaryolarında, tek bir dronun pil ömrü ve görüş açısı sınırlıdır. Ancak bir otonom dron sürüsü, geniş alanları verimli bir şekilde tarayabilir. YOLO26 gibi nesne algılama modelleriyle donatılmış bu dronlar, algılama koordinatlarını birbirlerine iletirler. Eğer bir dron bir yaşam belirtisi tespit ederse, diğerlerini birleşip doğrulamaları için yönlendirebilir ve bir insan pilottan sürekli talimat almasına gerek kalmadan arama yolunu gerçek zamanlı olarak optimize edebilir.

2. Akıllı Şehir Trafik Yönetimi: Modern şehir planlaması, tıkanıklığı azaltmak için akıllı şehirlerde yapay zekadan yararlanır. Bir sürü gibi hareket eden trafik kameraları, şehir genelindeki kavşakları izleyebilir. Gecikmeye neden olan merkezi işleme yerine, bu dağıtık temsilciler yerel trafik akışına ve komşu verilerine göre trafik ışığı sürelerini dinamik olarak ayarlamak için uç yapay zekayı kullanır. Bu merkeziyetsiz yaklaşım, tüm trafik ağının kendi kendini optimize etmesine olanak tanıyarak bekleme sürelerini ve emisyonları azaltır.

Link to this sectionGörü Temsilcilerini Uygulama#

To deploy a swarm, each agent typically requires a fast, efficient model capable of running on low-power hardware. The following example demonstrates how to initialize a lightweight YOLO26n model using the ultralytics package, representing the vision capability of a single agent in a swarm.

from ultralytics import YOLO

# Load a lightweight YOLO26 nano model optimized for edge agents
# This simulates one agent in a swarm initializing its vision system
model = YOLO("yolo26n.pt")

# Perform inference on a local image (what the agent 'sees')
# The agent would then transmit these results to neighbors
results = model.predict("path/to/image.jpg")

# Print the number of objects detected by this agent
print(f"Agent detected {len(results[0].boxes)} objects.")

Link to this sectionSürü Zekasını Ayırt Etmek#

Sürü zekasını ilgili yapay zeka kavramlarından ayırmak önemlidir:

• Ensemble Öğrenmeye Karşı: Her ikisi de birden fazla bileşen içerse de, ensemble öğrenme genellikle doğruluğu artırmak için farklı statik modellerin (Random Forests gibi) tahminlerini birleştirir. Sürü zekası ise bunun aksine, bir çözüm uzayında veya fiziksel ortamda hareket eden, zaman içinde etkileşime girerek davranışlarını değiştiren aktif temsilcileri içerir.
• Evrimsel Algoritmalara Karşı: Evrimsel algoritmalar, bir popülasyonu nesiller boyunca evrimleştirmek için mutasyon ve çaprazlama gibi mekanizmalar kullanır. SI da bir popülasyon kullanmasına rağmen, sürüdeki bireyler genellikle ölmez veya üremezler; bunun yerine stigmerji olarak bilinen bir süreçle, eşlerinden gelen bilgilere dayanarak konumlarını öğrenir ve uyarlarlar.

Link to this sectionİş birlikçi Yapay Zekanın Geleceği#

Donanımlar küçüldükçe ve Nesnelerin İnterneti (IoT) genişlemeye devam ettikçe, sürü zekası merkeziyetsiz otomasyonda kilit bir rol oynayacaktır. Ultralytics Platformu gibi araçlar, ekiplerin veri kümelerini yönetmelerine ve cihaz filolarına kolayca dağıtılabilen modeller eğitmelerine olanak tanıyarak bu geleceği kolaylaştırır ve gelişmiş sürü robotikleri ile otonom araçlar için gerekli olan senkronize "kovan zihnini" mümkün kılar.