büyücüler ve konuşma.

MIT-IBM Watson Yapay Zeka Laboratuvarı’nda üretken yapay zeka uzmanı Akash Srivastava, “VAE’ler, modellerin ölçeklendirilmesini kolaylaştırarak derin üretken modellemenin kapısını açtı” dedi. “Bugün üretken yapay zeka olarak düşündüğümüz şeylerin çoğu burada başladı.”

GPT-3, BERT veya DALL-E 2 dahil olmak üzere modellerin ilk örnekleri nelerin mümkün olduğunu gösterdi. Gelecekte modeller, minimum ince ayar ile farklı görevler için kullanılabilecek geniş bir etiketlenmemiş veri kümesi üzerinde eğitilecek. Belirli görevleri tek bir alanda yürüten sistemler, yerini daha genel olarak öğrenen ve alanlar ve sorunlar arasında çalışan geniş yapay zeka sistemlerine bırakıyor. Büyük, etiketlenmemiş veri kümeleri üzerinde eğitilen ve bir dizi uygulama için ince ayar yapılan temel modeller bu değişime yön veriyor.

Yapay zekanın geleceğine gelince, üretken yapay zeka söz konusu olduğunda, temel modellerin yapay zekanın kurumlarda benimsenmesini önemli ölçüde hızlandıracağı tahmin ediliyor. Etiketleme gereksinimlerinin azaltılması, işletmelerin konuya dalmasını çok daha kolaylaştıracak ve bunların mümkün kıldığı son derece doğru, verimli yapay zeka odaklı otomasyon, çok daha fazla şirketin yapay zekayı daha geniş bir görev kritik durum yelpazesinde kullanabileceği anlamına gelecektir. IBM için umut, temel modellerin bilgi işlem gücünün eninde sonunda sürtünmesiz bir hibrit bulut ortamında her kuruluşa ulaştırılabilmesidir.

Watsonx.ai’deki temel modellerini keşfedin

Yapay zeka uygulamaları

Günümüzde yapay zeka sistemleri için çok sayıda gerçek dünya uygulaması bulunmaktadır. Aşağıda en yaygın kullanım durumlarından bazıları verilmiştir:

Konuşma tanıma

Otomatik konuşma tanıma (ASR), bilgisayar konuşma tanıma veya konuşmayı metne dönüştürme olarak da bilinen konuşma tanıma, insan konuşmasını yazılı bir formata dönüştürmek için NLP’yi kullanır. Pek çok mobil cihaz, sesli arama (örneğin Siri) gerçekleştirmek veya İngilizce veya yaygın olarak kullanılan birçok dilde mesajlaşma konusunda daha fazla erişilebilirlik sağlamak için sistemlerine konuşma tanımayı dahil eder. Örnek olay incelememizle Don Johnston’un sınıfta erişilebilirliği geliştirmek için IBM Watson Text to Speech’i nasıl kullandığını görün.

Müşteri servisi

Çevrimiçi sanal aracılar ve sohbet robotları, müşteri yolculuğu boyunca insan aracıların yerini alıyor. Gönderim gibi konularla ilgili sık sorulan soruları (SSS) yanıtlıyorlar veya kişiselleştirilmiş tavsiyeler veriyorlar, ürünlerin çapraz satışını yapıyorlar veya kullanıcılar için boyutlar öneriyorlar; böylece web siteleri ve sosyal medya platformlarında müşteri etkileşimi hakkındaki düşüncelerimizi değiştiriyorlar. Örnekler arasında sanal aracılara sahip e-ticaret sitelerindeki mesajlaşma botları, Slack ve Facebook Messenger gibi mesajlaşma uygulamaları ve genellikle sanal asistanlar ve sesli asistanlar tarafından gerçekleştirilen görevler yer alır. Örnek olay incelememizle Autodesk Inc.’in müşteri yanıt sürelerini %99 oranında hızlandırmak için IBM watsonx Assistant’ı nasıl kullandığını görün.

Bilgisayar görüşü

Bu yapay zeka teknolojisi, bilgisayarların ve sistemlerin dijital görüntülerden, videolardan ve diğer görsel girdilerden anlamlı bilgiler elde etmesini ve bu girdilere dayanarak harekete geçmesini sağlar. Bu öneri sağlama yeteneği, onu görüntü tanıma görevlerinden ayırır. Evrişimsel sinir ağları tarafından desteklenen bilgisayarlı görme, sosyal medyada fotoğraf etiketleme, sağlık hizmetlerinde radyoloji görüntüleme ve otomotiv endüstrisindeki sürücüsüz araçlarda uygulamalara sahiptir. Örnek olay incelememizle ProMare’in okyanus araştırmalarına yönelik yeni bir rota belirlemek için IBM Maximo’yu nasıl kullandığını görün.

Tedarik zinciri

Uyarlanabilir robotlar, otonom kararlar vermek için Nesnelerin İnterneti (IoT) cihaz bilgileri ve yapılandırılmış ve yapılandırılmamış veriler üzerinde hareket eder. NLP araçları insan konuşmasını anlayabilir ve söylenenlere tepki verebilir. Tahmine dayalı analitik, talebe yanıt verme, envanter ve ağ optimizasyonu, önleyici bakım ve dijital üretime uygulanır. Artık yalnızca tahmine dayalı değil aynı zamanda hiyerarşik olan arama ve örüntü tanıma algoritmaları, gerçek zamanlı verileri analiz ederek tedarik zincirlerinin makine tarafından oluşturulan, artırılmış zekaya tepki vermesine yardımcı olurken anında görünürlük ve şeffaflık sağlar. Örnek olay incelememizle Hendrickson’un gerçek zamanlı işlemleri desteklemek için IBM Sterling’i nasıl kullandığını görün.

Hava Durumu tahmini

Yayıncıların doğru tahminler yapmak için güvendiği hava durumu modelleri, süper bilgisayarlarda çalıştırılan karmaşık algoritmalardan oluşur. Makine öğrenimi teknikleri bu modelleri daha uygulanabilir ve kesin hale getirerek geliştirir. Örnek olay incelememizle Emnotion’un, hava koşullarına duyarlı kuruluşların daha proaktif, veriye dayalı kararlar almasını desteklemek için IBM Cloud’u nasıl kullandığını görün.

Anomali tespiti

Yapay zeka modelleri büyük miktarlardaki verileri tarayabilir ve bir veri kümesindeki alışılmadık veri noktalarını keşfedebilir. Bu anormallikler hatalı ekipman, insan hatası veya güvenlik ihlalleri konusunda farkındalığı artırabilir. Örnek olay incelememizle Netox’un dijital işletmeleri siber tehditlerden korumak için IBM QRadar’ı nasıl kullandığını görün.

Yapay zekanın tarihi: Önemli tarihler ve isimler

“Düşünen makine” fikrinin kökeni antik Yunan’a kadar uzanıyor. Ancak elektronik hesaplamanın ortaya çıkışından bu yana (ve bu makalede tartışılan bazı konularla ilgili olarak) yapay zekanın evrimindeki önemli olaylar ve kilometre taşları