Türkçe altyazı Turkish subtitles
0:00 Derin öğrenme sayesinde, yeterli veri topladığımızda, etiketlediğimizde ve bu verileri kullanarak modelleri eğitip dağıttığımızda, ayrıntılı uzmanlaşmış yapay zeka modelleri oluşturabiliyoruz. Deep learning has enabled us to build detailed specialized AI models, and we can do that provided we gather enough data, label it, and use that to train and deploy those models. 0:14 Müşteri hizmetleri sohbet botları ya da bankacılıkta sahtecilik tespiti gibi modeller. Models like customer service chatbots or fraud detection in banking. 0:18 Geçmişte, örneğin üretimde öngörücü bakım için yeni bir model oluşturmak istediğinizde, veri seçimi ve düzenlemesi, etiketleme, model geliştirme, eğitim ve doğrulama gibi adımlarla yeniden başlamanız gerekirdi. Now, in the past if you wanted to build a new model for your specialization - so, say a model for predictive maintenance in manufacturing - well, you’d need to start again with data selection and curation, labeling, model development, training, and validation. 0:33 Ancak temel modeller bu paradigmayı değiştiriyor. But foundation models are changing that paradigm. 0:37 Peki, bir temel model nedir? So what is a foundation model? 0:42 Temel model, bir temel modeli oluşturmak için daha odaklı ve merkezi bir çabadır. A foundation model is a more focused, centralized effort to create a base model. 0:50 Ve ince ayar sayesinde, bu temel model özel bir modele uyarlanabilir. And, through fine tuning, that base foundation model can be adapted to a specialized model. 0:55 Programlama dili çevirisi için bir yapay zeka modeline mi ihtiyacınız var? Need an AI model for programming language translation? 0:59 O zaman temel bir modelle başlayın ve ardından programlama dili verileriyle ince ayar yapın. Well, start with a foundational model and then fine tune it with programming language data. 1:04 Temel modellerin ince ayarı ve uyarlanması, yapay zeka model geliştirmesini hızla artırır. Fine tuning and adapting base foundation models rapidly speeds up AI model development. 1:10 Peki bunu nasıl yapıyoruz? So, how do we do that? 1:12 Bir yapay zeka modeli oluşturmak için iş akışının beş aşamasına bakalım. Let’s look at the five stages of the workflow to create an AI model. 1:17 1. Aşama, veriyi hazırlamaktır. Stage 1 is to prepare the data. 1:24 Bu aşamada, kullanacağımız veriyle yapay zeka modelimizi eğitmemiz gerekiyor ve çok fazla veriye ihtiyacımız var. Now in this stage we need to train our AI model with the data we're going to use, and we're going to need a lot of data. 1:32 Potansiyel olarak, onlarca alanda petabaytlarca veri. Potentially petabytes of data across dozens of domains. 1:36 Veri, hem mevcut açık kaynak verilerini hem de özel verileri birleştirebilir. The data can combine both available open source data and proprietary data. 1:41 Bu aşama, bir dizi veri işleme görevini gerçekleştirir. Now this stage performs a series of data processing tasks. 1:48 Bunlar arasında, verinin ne olduğunu tanımlayan sınıflandırma bulunur. Those include categorization which describes what the data is. 1:53 Hangi veri İngilizce, hangisi Almanca? So which data is English, which is German? 1:55 Hangisinin Ansible, hangisinin Java olduğu gibi şeyler. Which is Ansible which is Java? That sort of thing. 1:58 Ardından veriye bir filtre uygulanır. Then the data is also applied with a filtere. 2:03 Filtreleme sayesinde örneğin nefret söylemi, küfür ve taciz gibi içeriklere filtreler uygulayabiliriz. So filtering allows us to, for example, apply filters for hate speech, and profanity and abuse, and that sort of thing. 2:10 Modeli eğitirken dahil etmek istemediğimiz, sistemden filtrelemek istediğimiz şeyler. Stuff we want to filter out of the system that we don't train the model on it. 2:15 Diğer filtreler telif hakkı korunan materyal, özel ya da hassas bilgileri işaretleyebilir. Other filters may flag copyrighted material, private or sensitive information. 2:20 Ayrıca kopya verileri de temizleyeceğiz. Something else we're going to take out is duplicate data as well. 2:25 Böylece bu verileri sistemden çıkaracağız. So we're going to remove that from there. 2:28 Ve geriye 'temel veri yığını' denilen bir şey kalıyor. And then that leaves us with something called a base data pile. 2:35 Bu, birinci aşamanın çıktısıdır. So that's really the output of stage one. 2:39 Bu temel veri yığını sürümlendirilebilir ve etiketlenebilir. And this base data pile can be versioned and tagged. 2:43 Bu sayede 'Yapay zeka modelini bu verilerle eğitiyorum ve işte kullandığım filtreler' diyebiliriz. And that allows us to say, "This is what I’m training the AI model on, and here are the filters I used". 2:50 Bu, yönetişim için mükemmeldir. It's perfect for governance. 2:52 Şimdi ikinci aşama modeli eğitmektir. Now, Stage 2 is to train the model. 2:58 Modeli bu temel veri yığınları üzerinde eğiteceğiz. And we're going to train the model on those base data piles. 3:01 Bu aşamaya, kullanmak istediğimiz temel modeli seçerek başlarız. So we start this stage by picking the foundational model we want to use. 3:06 Dolayısıyla modelimizi seçeceğiz. So we will select our model. 3:10 Şimdi, birçok türde temel model vardır. Now, there are many types of foundation models. 3:14 Üretken temel modeller, sadece kodlayıcı modeller, hafif modeller ve yüksek parametreli modeller bulunur. There are generative foundation models, encoder-only models, lightweight models, high parameter models. 3:19 Bir sohbet botu ya da sınıflandırıcı olarak kullanılacak bir yapay zeka modeli mi inşa etmeyi planlıyorsunuz? Are you looking to build an AI model to use as a chatbot, or as a classifier? 3:24 Kullanım senaryonuza uygun temel modeli seçin, ardından veri yığınıyla eşleştirin. So pick the foundational model that matches your use case, then match the data pile with that model. 3:30 Sonra veri yığını tokenlarına ayrılır. Next we take the data pile and we tokenize it. 3:37 Temel modeller kelimeler yerine tokenlarla çalışır ve bir veri yığını potansiyel olarak trilyonlarca tokena yol açabilir. Ve şimdi bu tokenların tamamını kullanarak eğitim sürecine dahil olabiliriz. Foundation models work with tokens rather than words, and a data pile could result in potentially trillions of tokens. And now we can engage the process of training using all of those tokens. 3:51 Bu süreç, modelin boyutuna bağlı olarak uzun zaman alabilir. This process can take a long time, depending on the size of the model. 3:55 Büyük ölçekli temel modeller, binlerce GPU ile aylar sürebilir. Large scale foundation models can take months with many thousands of GPUs. 4:00 Ancak bir kez tamamlandığında, en uzun ve en yüksek hesaplama maliyetleri geride kalır. But, once it’s done, the longest and highest computational costs are behind us. 4:06 Aşama 3 "doğrulama"dır. Stage 3 is "validate". 4:10 Eğitim tamamlandığında modeli benchmark ederiz. When training is finished we benchmark the model. 4:13 Bu, modeli çalıştırıp modelin kalitesini tanımlamaya yardımcı olan bir dizi benchmarka karşı performansını değerlendirmeyi içerir. And this involves running the model and assessing its performance against a set of benchmarks that help define the quality of the model. 4:20 Ve buradan, eğittiğim modelin bu olduğunu ve elde ettiği benchmark skorlarını gösteren bir model kartı oluşturabiliriz. And then from here we can create a model card that says this is the model I’ve trained and these are the benchmark scores it has achieved. 4:32 Şu ana kadar bu görevleri yerine getiren ana kişi veri bilimcisiydi. Now up until this point the main persona that has performed these tasks is the data scientist. 4:39 Aşama 4 "ince ayar"dır ve burada uygulama geliştiricisinin rolünü devreye alırız. Now Stage 4 is "tune", and this is where we bring in the persona of the application developer. 4:46 Bu kişi bir yapay zeka uzmanı olmak zorunda değildir. This persona does not need to be an AI expert. 4:49 Modelle etkileşime girerek, örneğin modelden iyi performans alacak promptlar üretirler. They engage with the model, generating - for example - prompts that elicit good performance from the model. 4:55 Modelin performansını artırmak için ek yerel veri sağlayarak ince ayar yapabilirler. They can provide additional local data to fine tune the model to improve its performance. 5:04 Ve bu aşama, sıfırdan bir model inşa etmekten çok daha hızlıdır; saatler ya da günler içinde yapılabilir. And this stage is something that you can do in hours or days - much quicker than building a model from scratch. 5:12 Şimdi Aşama 5'e hazırız, yani modeli dağıtmaya. And now we’re ready for Stage 5, which is to deployment the model. 5:19 Bu model bir hizmet olarak halka açık buluta dağıtılabilir. Now this model could run as as service offering deployed to a public cloud. 5:24 Ya da alternatif olarak, modeli ağın kenarına daha yakın çalışan bir uygulamaya gömebiliriz. Or we could, alternatively, embed the model into an application that runs much closer to the edge of the network. 5:33 Her iki durumda da modeli zaman içinde yineleyerek ve geliştirerek devam edebiliriz. Either way we can continue to iterate and improve the model over time. 5:38 IBM'de bu iş akışının tüm 5 aşamasını mümkün kılan bir platform duyurduk. Now here at IBM we’ve announced a platform that enables all 5 of the stages of this workflow. 5:45 Bu platformun adı watsonx ve üç bileşenden oluşmaktadır. And It’s called watsonx and it’s composed of three elements. 5:49 Yani elimizde watsonx.data, watsonx.governance ve watsonx.ai var; hepsi IBM'in hibrit bulut platformu Red Hat OpenShift üzerine inşa edilmiş. So we have: watsonx.data, watsonx.governance, and watsonx.ai., and this all built on IBM’s hybrid cloud platform which is Red Hat OpenShift. 6:10 Watsonx.data, modern bir veri göl evine (data lakehouse) ve Stage 1'deki veriyi oluşturan veri depolarıyla bağlantılar kurar. Now Watsonx.data is a modern data lakehouse and establishes connections with the data repositories that make up the data in Stage 1. 6:20 Watsonx.governance, Stage 1'den gelen veri kartlarını ve Stage 3'ten gelen model kartlarını yöneterek, iyi yönetişim sağlanmış bir yapay zeka süreci ve yaşam döngüsü için gerekli bilgi sayfalarının toplanmasını mümkün kılar. Watsonx.governance manages the data cards from Stage 1 and model cards from Stage 3 enabling a collection of fact sheets that ensure a well-governed AI process and lifecycle. 6:31 Watsonx.ai, uygulama geliştiricisinin Stage 4'teki modelle etkileşime geçmesi için bir yol sunar. And watsonx.ai provides a means for the application developer persona to engage with the model in Stage 4. 6:40 Genel olarak temel modeller, uzmanlaşmış yapay zeka modelleri geliştirme şeklimizi değiştiriyor ve bu 5 aşamalı iş akışı, ekiplerin daha sofistike yapay zeka ve yapay zekadan türetilen uygulamalar oluşturmasını sağlarken, model geliştirme sürecini hızlandırıyor Overall foundation models are changing the way we build specialized AI models and this 5-stage workflow allows teams to create AI and AI-derived applications with greater sophistication while rapidly speeding up AI model development. Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
Foundation modelleri sayesinde veri toplama ve etiketleme sürecini hızlandırarak, beş adımda özelleştirilmiş bir AI modeli oluşturabilirsiniz. Thanks to foundation models, you can accelerate the data collection and labeling process and create a customized AI model in five steps.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →