Türkçe altyazı Turkish subtitles
0:00 Tahmine dayalı yapay zeka ve üretken yapay zeka, bazen insanlar bu terimleri birbirinin yerine kullanıyor. Predictive AI, generative AI, sometimes people use these terms interchangeably. 0:05 Bunu yapmamaları gerekir çünkü bunlar farklı soruları yanıtlayan temelde farklı araçlardır. They shouldn't because these are fundamentally different tools that answer different questions. 0:13 Yani tahmine dayalı yapay zeka, özellikle ne olacak sorusunu sorar. So predictive AI, that asks the question specifically, what will happen? 0:21 Sıradaki ne olacak? What's going to happen next? 0:24 Geçmiş verilere bakar ve bir sonucu öngörür. It looks at historical data, and it forecasts an outcome. 0:28 Bu işlem dolandırıcılık mı yoksa gelecek çeyrekte kaç birim satacağız? Is this transaction fraudulent or how many units will we sell next quarter? 0:33 Yani tahmine dayalı yapay zeka, belirli ve ölçülebilir şeyler hakkında tahminler yapmaktır. So predictive AI is about making predictions about specific measurable things. 0:40 Üretken yapay zeka ise oldukça farklı bir soruyu yanıtlar, bu da neye benzer olabilir sorusudur ve bu, ne olacak sorusundan temelde farklıdır. Generative AI, that answers a pretty different question, which is what could this look like, which is fundamentally different to what will happen. 0:55 Üretken yapay zeka, eğitim verilerine benzeyen yeni içerikler oluşturur. Generative AI creates new content that resembles its training data. 1:00 Yani bana bir e-posta yaz veya bu kodu hata ayıklamama yardım et. So write me an email or help me debug this code. 1:06 Yani tahmine dayalı yapay zekanın aksine, belirli bir etikete veya değere eşlemez. So unlike predictive AI, it's not mapping to a specific label or value. 1:12 Bunun yerine daha önce var olmayan bir şeyi üretir veya üretir. Instead it's producing or you know generating something that didn't exist before. 1:19 Peki bu şeyler aslında ne çıkar? Now what do these things actually output? 1:23 İyi de, tahmine dayalı yapay zeka, belki bir sayı verir veya bir kategori verir, bu şeyi doğru kutuya koy gibi. Well, predictive AI, that gives you perhaps a number, or it gives you a category, like put this thing in the right box. 1:35 Bir olasılık verir, ölçüp doğrulayabileceğiniz bir şey, mesela bu müşterinin aboneliğini iptal etme ihtimali %87. It gives you a probability, something you can measure and verify, like there's a 87% chance this customer will cancel their subscription. 1:47 Bu, daha sonra kontrol edebileceğiniz bir şeydir. That's something you can check on later on. 1:50 Doğru olabilir ya da yanlış olabilir. It can be right or it can be wrong. 1:54 Üretken yapay zeka size içerik verir. Generative AI gives you content. 1:58 Yani size verdiği içerik, bazı cümleler veya bir paragraf gibi metin olabilir. So the content that it gives you, might be some text like some sentences or a paragraph. 2:04 Yapay zeka tarafından oluşturulmuş bir görsel de olabilir. It could be an AI-generated image. 2:08 Bu, bir kod parçası olabilir. It could a piece of code. 2:12 Ve birçok durumda, tek bir doğru cevap yoktur. And in many cases, there isn't a single correct answer. 2:17 Üretken bir modelden ürün açıklaması yazmasını istediğimizde, bunu yapmanın binlerce geçerli yolu vardır. If we ask a generative model to write a product description, well, there are thousands of valid ways to do that. 2:25 Bu öznel bir durumdur. It's subjective. 2:27 Peki bu sistemlerin tükettiği veriler ne durumda? And what about the data that these systems consume? 2:31 Öngörücü yapay zeka büyük ölçüde yapılandırılmış verileri tüketir. Well, predictive AI largely consumes structured data. 2:38 Bunlar satır ve sütunlar, veritabanı tabloları veya sensör okumaları gibi düzgün ve temiz etiketlere sahip verilerdir. This is rows and columns or database tables or sensor readings, stuff with nice, clean labels. 2:48 Üretken yapay zeka ise büyük ölçüde yapılandırılmamış verileri tüketir. Generative AI, well, that largely consumes unstructured data. 2:54 Yani bunlar, internetteki milyarlarca kelime, fotoğraflardaki pikseller veya rastgele kod parçaları gibi dağınık verilerdir. So this is kind of the messy stuff, billions of words scraped from the internet or pixels in photos or random code snippets. 3:03 Üretken yapay zeka bu kaosu alır, içindeki kalıpları bulur ve bunları yeni bir şey üretmek için kullanır. Generative AI takes this kind of chaos and finds patterns in it, which it can use to generate something new. 3:13 Sizin için bir soru. So a question for you. 3:16 Büyük dil modelleri bu tabloya nasıl oturuyor? Where do large language models fit into this picture? 3:24 Üretken, değil mi? Generative, right? 3:28 Tam da şu anda, bu videonun yorum bölümünde birileri büyük dil modellerinin bir sonraki token'i tahmin ettiğini, dolayısıyla LLM'lerin hem üretken hem de öngörücü olduğunu yazıyor. Well, right at this very moment, there's somebody tapping away in the comments section of this video saying large language models predict the next token, so LLMs are both generative and predictive. 3:45 Öncelikle yorum yaptığınız için teşekkürler. Well, first, thank you for commenting. 3:47 Lütfen beğenmeyi ve abone olmayı da unutmayın. Please also remember to like and subscribe. 3:50 Ve teknik olarak evet, mekanizma düzeyinde bir LLM bir sonraki token tahmin motorudur. And technically, yes, at the mechanism level, an LLM is a next-token prediction engine. 3:58 Ama bu, benzinli bir arabanın kontrollü patlamalar serisi olduğunu söylemek gibidir. But that's a bit like saying a gasoline-powered car is a series of controlled explosions. 4:03 Bu teknik olarak doğrudur, ancak bir arabanın ne yaptığını anlamak için pek faydalı değildir. That's technically true, but it's not particularly useful for understanding what a car does. 4:09 Farkı görmek için başka bir yol, öngörücü yapay zekayı düşünmektir. So another way to see the difference is if we think about predictive AI. 4:14 Genellikle deterministiktir, çıkarım anında deterministiktir. It is usually deterministic, deterministic at inference time. 4:21 Aynı girdileri verdiğinde, her seferinde aynı tahmini alırsın. You feed in the same inputs, you get the same prediction every time. 4:26 Üretken yapay zeka ise olasılıksaldır. Generative AI, that is probabilistic. 4:29 İçinde doğası gereği bir rastgelelik vardır. There's randomness baked in. 4:32 Aynı soruyu iki kez sorarsan, muhtemelen iki farklı cevap alırsın. If you ask it the same question twice and get, you might get, well, probably two different answers. 4:37 Bu durum, modelin bir sonraki token'ı seçerken ne kadar rastgelelik kullanacağını kontrol eden sıcaklık ayarından kaynaklanır. And that comes down to the temperature setting, which controls how much randomness the model uses when picking the next token. 4:44 Evet, LLM'ler bir sonraki token'ı tahmin eder, ama amaçları esasen üretkendir, onları üretken yapay zeka altında sınıflandırırız. So yes, LLMs predict the next token, but, uh their purpose, well, it's primarily generative, we'll put them under generative AI. 4:54 Şimdi, tahmine dayalı yapay zekanın nasıl çalıştığına bakalım. So let's get into how predictive AI actually works. 4:58 Üretken yapay zeka tüm ilgiyi çekse de, bugün kurumsal yapay zekanın çoğunu sessizce tahmine dayalı yapay zeka yürütüyor. Even though generative AI seems to get all the hype, it is predictive AI that quietly runs most of enterprise AI today. 5:06 Tahmine dayalı yapay zeka, geçmiş veriler üzerinde eğitilen istatistiksel ve makine öğrenmesi modellerini kullanır. Now predictive AI uses statistical and machine learning models trained on historical data. 5:12 Ve birkaç ana türü vardır. And there are a few main flavors. 5:15 Ne tahmin etmeye çalıştığınıza bağlı olarak. Depending on what you're trying to predict. 5:18 Yani, bir sayı tahmin etmeye çalışıyorsan, bu tahmininin noktasıdır. So, if you are trying to predict a number, that's the point of your prediction. 5:24 Mesela, gelecek ay kaç birim satacağını ya da bir evin ne fiyata satılacağını. Like, I don't know, how many units you'll sell next month, or maybe what price a house will fetch. 5:31 Bu durum, regresyona indirgenir. Well, what that is, as it comes down to regression. 5:36 Model, girdi değişkenleri ile sürekli sayısal çıktı arasındaki ilişkiyi öğrenir. That's where the model learns the relationship between input variables and continuous numerical output. 5:42 Peki ya kategori tahmini yapıyorsan? What if you're predicting category instead? 5:47 Örneğin, bir e-postanın spam olup olmadığı. Like whether an email is spam or not spam. 5:52 Bu da sınıflandırmadır. Well, that is classification. 5:56 Çıktı ayrık (discrete) olur. The output is discrete. 5:58 Ya bu ya da şu. It's this thing or it's this. 6:00 Ve zamanla değişecek bir değeri tahmin ediyorsanız, iyi ki bunu yapıyorsunuz, bu zaman serisidir. And if you're predicting a value that will change over time, well if you are doing that, you are time series. 6:14 Yani belki hisse senedi fiyatlarına, sunucu yüküne veya elektrik talebine bakıyoruz. So this is where perhaps we're looking stock prices or server load or electricity demand. 6:19 Ve bu modeller, özellikle zaman içinde incelediğimizde, mevsimsellik ve eğilimler gibi kalıplara dikkat eder. And these models pay attention to patterns like seasonality and trends particularly when we're looking at over time. 6:28 Şimdi, burada perdenin arkasında çalışan spesifik algoritmalar, iyi ki çeşitlidir. Now the specific algorithms that are actually under the hood here, well they vary. 6:33 Bir sürüsü var. There's a whole bunch. 6:34 Yani karar ağaçları, temelde birlikte oy veren bir grup karar ağacından oluşan rastgele ormanlar gibi şeyler var. I mean you've got things like decision trees, you've got random forests, which are essentially a bunch of decision trees voting together. 6:44 Sıralı olarak ağaçlar inşa eden ve her birinin bir öncekinin hatalarını düzelttiği gradyan yükseltme var. You've got gradient boosting, which builds trees sequentially with each correcting the errors of the last. 6:51 Ve zaman serileri için, ARIMA gibi klasik çantalar veya LSTMs gibi derin öğrenme yaklaşımları var. Evet, güzel şeyler. And then for time series, you've got classic sacks like a reamer or you've got deep learning approaches like LSTMs Yeah, good stuff. 7:01 Peki, tahmine dayalı algoritmalar nasıl ve nerede kullanılır? Now how and where do predictive algorithms actually get used? 7:07 İzin verin, size birkaç örnek kullanım durumu vereyim. Well, let me give you a few example use cases. 7:10 Ve bence çoğu insanın aklına ilk gelen genellikle dolandırıcılık tespiti. And I think the one that most people think about first of all is usually fraud detection. 7:18 Her seferinde biri kredi kartını kullandığında, bir tahmine dayalı model şu soruyu sorar: Bu işlem şüpheli mi görünüyor? Every time somebody swipes their credit card, a predictive model is asking, does this transaction look suspicious? 7:26 Bu sınıflandırmadır, dolandırıcılık ya da dolandırıcılık değil. That's classification, fraud or not fraud. 7:30 Sonra talep tahmini var, yani perakendecilerin ne kadar stok tutacaklarını veya havayolu şirketlerinin kaç koltuğu dolduracaklarını tahmin etmesi. Then there is demand forecasting, so retailers predicting how much inventory to stock or airlines predicting hammy seats they'll fill. 7:42 Bir diğer yaygın kullanım durumu öngörücü bakımdır. Another common use case is predictive maintenance. 7:46 Yani bir makine parçasını sabit bir zaman çizelgesine göre değiştirmek yerine, ne zaman arızalanabileceğini tahmin edersiniz ve hemen öncesinde değiştirirsiniz. So instead of replacing a machine part on a fixed schedule, you predict when it's likely to fail and replace it right before it does. 7:56 Ve kredi puanlaması da tahmine dayalı yapay zekanın bir diğer yaygın kullanım durumudur. And then credit scoring is another common use case of predictive AI as well. 8:01 Yani bu kişiye para vermeli miyiz? So should we lend money to this person? 8:04 Vadesinde ödeme yapmama olasılıkları nedir? What's the probability they'll default? 8:07 Şimdi üretken yapay zekaya geri dönelim. Now let's get back to generative AI. 8:09 Bugünkü üretken yapay zekanın çoğu, dönüştürücü mimarisi adı verilen belirli bir mimari üzerine inşa edilmiştir. Most generative AI today is built on a particular architecture called the transformer architecture. 8:20 Bu, büyük dil modellerinin arkasındaki mimaridir. That's the architecture behind large language models. 8:23 Dönüştürücüler, dikkat adı verilen bir mekanizmayı kullanır ve bu sayede model, her çıktı parçasını üretirken girdinin hangi kısımlarının önemli olduğunu tartar. Now transformers use something called attention, and they use attention to let the model weigh which parts of the input matter when generating each piece of output 8:39 Ve bu dönüştürücü modeller, devasa veri kümeleri üzerinde eğitilir. and these transform models, they're trained on massive data sets. And they learn patterns in that data well enough to produce new content. 8:49 Bu, üretkenlik kısmıdır. That's the generative part. 8:52 Bu genellikle metin içindir. That is generally for text. 8:54 Görseller için ise difüzyon modeli adı verilen farklı bir model türü vardır. For images, you have a different type of model called a diffusion model. 9:02 Bunlar ilginçtir çünkü bir nevi ters yönde çalışırlar; görüntülerdeki gürültüyü kaldırmak üzere eğitilirler. These are interesting because they work kind of backwards, so they're trained to remove noise from images. 9:08 Eğitim sırasında gerçek görüntülere kademeli olarak gürültü eklenir ve model bu süreci tersine çevirmeyi öğrenir. So during training noise is gradually added to real images and then the model learns to reverse that process. 9:15 Böylece üretim sırasında saf gürültüden başlar ve model, kullanıcının istemi tarafından yönlendirilerek onu kademeli olarak bütünlüklü bir görüntüye dönüştürür. So then at generation time, they start with pure noise and the model progressively denoises it into a coherent image guided by a user's prompt. 9:25 Peki üretken yapay zeka genellikle nerede kullanılır? So where does generative AI generally get used? 9:30 Kullanım alanları nelerdir? What are the use cases? 9:31 Bilirsiniz, en bariz ilk alan içerik üretimidir; pazarlama metinleri, e-postalar ve insanların kendilerinin yazdığı gibi davranarak paylaştığı LinkedIn gönderileri. Well, you know, the obvious first one is content creation, marketing copy, emails, LinkedIn posts that people are pretending to write themselves. 9:44 Bilirsiniz, bu içerik üretimidir. You know, that's content creation. 9:47 Bir diğer çok popüler alan ise kod yardımıdır. Another very popular one is code assistance. 9:51 Bunlar kod yazabilen, açıklayabilen ve hata ayıklayabilen modellerdir. These are models that can write, explain and debug code. 9:57 Ayrıca muhatap yapay zeka da var, muhtemelen bunlarla karşılaşmışsınızdır. There is also, conversational AI, you've probably come across these. 10:02 Bunlar, müşteri soruları hakkında bir ölçüde sohbet yürütebilen müşteri hizmetleri botları gibidir. These are like customer service bots that can hold something of a conversation regarding customer queries. 10:08 Ve ayrıca özetleme de var; yani uzun belgeleri alıp sadece önemli kısımlarını ayıklamak. And there's summarization as well, which is to say, taking long documents and distilling them down to just the good stuff. 10:17 Ve bakın, şimdiye kadar bu iki yapay zeka türünü birbirine karşı konumlandırdım ama üretken yapay zeka ve tahmine dayalı yapay zekayı düşündüğümüzde, aslında el ele çalıştıklarını söyleyebiliriz. And look, so far, I've been kind of pitting these two types of AI against each other, but I think if we think about generative AI and predictive AI, we can really think that they do work kind of hand in hand. 10:37 Örneğin, hangi müşterilerinizin ayrılmaya yatkın olduğunu belirlemek için tahmine dayalı bir model kullanabilir, ardından bu potansiyel ayrılan müşterilerin her biri için kişiselleştirilmiş sadakat e-postaları yazmak üzere bu listeyi üretken bir modele verebilirsiniz. So you might use a predictive model to kind of figure out which of your customers are likely to churn and then hand that list to a generative model to write personalized retention emails for each one of these potential churning customers. 10:59 Yani tahmin sorunu tespit eder ve üretim ise yanıtı oluşturur. So the prediction identifies the problem and the generation that crafts the response. 11:06 Ya da, ki bu giderek daha yaygın hale geliyor, gerçek veriler kıt veya hassas olduğunda, üretken yapay zekayı sentetik eğitim verisi oluşturmak için kullanıp bunu tahmine dayalı modele verebilirsiniz. Or, and this is becoming ever more common, you could use the generative AI to create some amount of synthetic training data and then give that to a predictive model when the real data is scarce or sensitive. 11:27 Tahmine dayalı yapay zeka, ne olacağını söyler. So predictive AI, that says what will happen. 11:31 Üretken yapay zeka ise, bu nasıl görünebilir diye sorar. Generative AI asks, what could this look like? 11:36 Ve tahmine dayalı modelim, bu videoya beğeni basmak üzere olduğunuzu söylüyor. And my predictive model says, you're about to give this video a thumbs up. 11:43 Modeli haksız çıkarmayın. Don't make the model wrong. 11:45 Çok hassas. It's very sensitive. 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.
Tahmine dayalı yapay zeka geçmiş verilerden geleceği öngörürken, üretken yapay zeka yeni içerikler oluşturur ve bu iki araç farklı soruları yanıtlamak için tasarlanmıştır. Predictive artificial intelligence forecasts the future from historical data, while generative artificial intelligence creates new content, and these two tools are designed to answer different questions.
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 →