TLDR:
Sinir ağı, biyolojik nöronlardan gevşek bir şekilde esinlenen, ağırlıklı bağlantılar ve doğrusal olmayan aktivasyon fonksiyonları aracılığıyla sayısal girdileri işleyen birbirine bağlı “yapay nöronlar” (düğümler) katmanlarında düzenlenen bir hesaplama sistemidir. Sinir ağları, görüntü tanıma ve konuşma transkripsiyonundan LLM’lere ve üretken AI’ya kadar neredeyse tüm modern yapay zekanın temelini oluşturur.
Mimari ve Eğitim
Bir sinir ağında giriş, gizli ve çıkış katmanları vardır. Her bağlantının eğitim sırasında öğrenilen bir ağırlık parametresi vardır. Eğitim şunları içerir: ileri yayılım (girdi ağdan akarak çıktı üretir), kayıp hesaplama (çıktıyı gerçek değerle karşılaştırma), geri yayılım (kayıbın ağırlıklara göre gradyanlarını hesaplama) ve gradyan inişi (kayıbı azaltmak için ağırlıkları güncelleme). Modern ağların milyonlarca ile trilyonlarca parametresi vardır, yüksek performanslı GPU/TPU altyapısı kullanılarak büyük veri kümeleri üzerinde eğitilirler.
Büyük Sinir Ağı Türleri
Farklı mimariler farklı görevlerde mükemmeldir: tablosal veri ve temel regresyon/sınıflandırma için ileri beslemeli (MLP’ler); görüntü işleme için konvolüsyonel sinir ağları (CNN’ler); sıralı veri için tekrarlayan sinir ağları (RNN/LSTM’ler); dil ve çok modlu görevler için Transformer’lar; graf yapılı veri için graf sinir ağları (GNN’ler); ve üretken görevler için difüzyon modelleri.
Yetenekler ve Sınırlamalar
Sinir ağları birçok alanda atılım sonuçları üretti—bazı kıyaslamalarda insanları geçen görüntü tanıma, neredeyse insan kalitesine ulaşan makine çevirisi, protein yapısı tahminini dönüştüren AlphaFold ve bilgi çalışmasını yeniden şekillendiren LLM’ler. Sınırlamalar arasında veri açlığı (büyük eğitim veri kümeleri gerektirme), yorumlanabilirlik zorlukları, zıt girdilere kırılganlık, enerji yoğunluğu ve hizalama problemi (eğitilmiş ağların amaçlanan hedefleri takip etmesini sağlama) yer alır.