Zekaya sûnî dikare wekî hîleyek sêrbazî were hîskirin ku her kes bi bêdengî difikire û serê xwe pê dihejîne… bisekinin, ev bi rastî dixebite? Mizgîniyek baş e. Em ê bêyî kêmasî wê ji hev derxin, pratîk bimînin, û çend analojiyên netemam lê zêde bikin ku hîn jî wê dixapînin. Ger hûn tenê dixwazin bingeha mijarê fam bikin, biçin bersiva yek-deqîqeyî ya li jêr; lê bi rastî, hûrgulî ew cih in ku ampûla ronahiyê vedike 💡.
Gotarên ku hûn dikarin piştî vê yekê bixwînin:
🔗 GPT tê çi wateyê?
Şirovekirinek bilez a kurtenavê GPT û wateya wê.
🔗 AI agahiyên xwe ji ku digire
Çavkaniyên ku AI ji bo fêrbûn, perwerdekirin û bersivdayîna pirsan bikar tîne.
🔗 Meriv çawa AI-ê di karsaziya xwe de bicîh dike
Gavên pratîkî, amûr û herikên kar ji bo entegrekirina bi bandor a AI-ê.
🔗 Meriv çawa pargîdaniyek AI-ê dest pê dike
Ji ramanê bigire heya destpêkirinê: pejirandin, fînansekirin, tîmkirin û pêkanîn.
AI çawa dixebite? Bersiva yek deqîqeyî ⏱️
AI ji daneyan qaliban fêr dibe da ku pêşbîniyan bike an naverokê çêbike - ne hewceyî qaîdeyên bi destnivîs. Sîstem mînakan digire, bi rêya fonksiyonek windabûnê çiqas xelet e dipîve, û parametreyên ku her carê hinekî kêmtir xelet be. Bişo, dubare bike, baştir bike. Bi têra xwe çerxeyan, ew kêrhatî dibe. Çîrok eynî ye gelo hûn e-nameyan dabeş dikin, tumoran dibînin, lîstikên tabloyê dilîzin, an haikuyan dinivîsin. Ji bo bingehek bi zimanek sade di "fêrbûna makîneyê" de, nirxandina IBM-ê baş e [1].
Piraniya AI-ya nûjen fêrbûna makîneyê ye. Guhertoya hêsan: daneyan têxin nav xwe, nexşeyek ji têketinê ber bi derketinê ve fêr bibin, dûv re ji bo tiştên nû giştî bikin. Ne matematîka sêrbazî, hesabkirin, û, heke em rast bêjin, piçek huner.
"AI çawa dixebite?" ✅
Dema mirov li ser Google-ê li ser How does AI Work? , ew bi gelemperî dixwazin:
-
modelek derûnî ya ji nû ve bikarhatî ku ew dikarin pê bawer bin
-
nexşeyek ji celebên sereke yên fêrbûnê da ku jargon êdî tirsnak nebe
-
nihêrînek li hundurê torên neural bêyî windabûnê
-
çima niha transformer cîhanê birêve dibin
-
rêça pratîkî ji daneyan heta bicihkirinê
-
tabloyek berawirdkirinê ya bilez ku hûn dikarin dîmenên ekranê bigirin û biparêzin
-
parêzvanên li ser exlaq, alîgirî û pêbaweriyê ku ne bi destan ve girêdayî ne
Ev e tiştê ku tu li vir dibînî. Ger ez bigerim, ew bi mebest e - mîna ku ez rêya xweşik bigirim û careke din kolanan çêtir bi bîr bînim. 🗺️
Pêkhateyên bingehîn ên piraniya pergalên AI 🧪
Sîstemeke AI wekî metbexekê bifikirin. Çar malzeme dîsa û dîsa xuya dibin:
-
Daneyên — mînakên bi etîketan an bê etîket.
-
Model — fonksiyoneke matematîkî bi parametreyên guhêrbar.
-
Armanc - fonksiyoneke windabûnê ku dipîve ka texmîn çiqas xirab in.
-
Çêtirkirin - algorîtmayek ku parametreyan dihejîne da ku windahiyê kêm bike.
Di fêrbûna kûr de, ew tewandin bi gelemperî daketina gradient bi paşveçûnê - rêbazek bibandor ji bo fêmkirina kîjan bişkokê li ser panelek deng a mezin qîrîn, dûv re jî hinekî kêm kirin [2].
Nimûne-doz: Me fîlterek spamê ya li ser bingeha qaîdeyan a şikestî bi modelek piçûk a çavdêrîkirî guhert. Piştî hefteyekê ji çerxên etîket → pîvandin → nûvekirinê, pozîtîfên derewîn kêm bûn û bilêtên piştgiriyê jî kêm bûn. Tiştekî xemilandî tune - tenê armancên paqijtir (rastbûn li ser e-nameyên "ham") û çêtirkirinek çêtir.
Paradîgmayên fêrbûnê bi kurtasî 🎓
-
Fêrbûna bi çavdêrî
Hûn cotên têketin-derketinê peyda dikin (wêneyên bi etîketan, e-nameyên ku wekî spam/ne spam hatine nîşankirin). Model têketin → derketinê fêr dibe. Stûna piştê ya gelek pergalên pratîkî [1]. -
Fêrbûna bêçavdêrî
Etîket tune. Komên avahî-kom, pêçandin, faktorên veşartî bibîne. Ji bo keşifkirin an pêşperwerdeyê pir baş e. -
Fêrbûna xwe-çavdêrîkirî
Model etîketên xwe çêdike (peyva din, perçeya wêneyê ya wenda pêşbînî dike). Daneyên xav di pîvanek mezin de vediguherîne sînyalek perwerdehiyê; bingeha modelên ziman û dîtinê yên nûjen e. -
Fêrbûna bi xurtkirinê
Ajanek tevdigere, xelatan û polîtîkayekê fêr dibe ku xelata berhevkirî herî zêde dike. Ger "fonksiyonên nirxê", "polîtîka" û "fêrbûna cudahiya demkî" zengilekê lêxin - ev mala wan e [5].
Belê, kategori di pratîkê de tevlihev dibin. Rêbazên hîbrîd normal in. Jiyana rast tevlihev e; endezyariya baş li cihê ku lê ye pê re hevdîtin dike.
Di hundirê toreke demarî de bê serêş 🧠
Toreke neuralî tebeqeyên yekîneyên matematîkî yên piçûk (neuron) li hev dicivîne. Her tebeqe têketinan bi giranî, xeletî û ne-xêzikbûnek nerm mîna ReLU an GELU diguherîne. Tebeqeyên destpêkê taybetmendiyên hêsan fêr dibin; yên kûrtir abstraksiyonan kod dikin. "Efsûn" - heke em karibin jê re wisa bibêjin - pêkhate : fonksiyonên piçûk zincîr bikin û hûn dikarin diyardeyên pir tevlihev model bikin.
Xûla perwerdeyê, tenê vibe:
-
texmîn → çewtiya pîvandinê → sûcdarkirina taybetmendiyê bi rêya backprop → giraniya hejandinê → dubarekirin.
Vê yekê di gelek koman de bikin û mîna reqasvanekî nebaş ku her stranekê baştir dike, model dev ji lêdana lingên we berdide. Ji bo beşek dostane û hişk a pişta propê, li [2] binêrin.
Çima transformers serdest bûn - û "baldarî" bi rastî tê çi wateyê 🧲
Transformer bi karanîna baldariya xwe , di carekê de, nirxandina beşên têketinê ji hev re girîng dikin dikin. Li şûna ku hevokek bi hişkî ji çepê ber bi rastê wekî modelên kevintir bixwîne, transformer dikare li her derê bigere û têkiliyan bi awayekî dînamîk binirxîne - mîna şopandina odeyek qerebalix da ku bibîne ka kî bi kê re diaxive.
Ev sêwiran dubarebûn û tevlihevkirin ji bo modelkirina rêzê derxist, paralelîzmek mezin û pîvandinek hêja peyda kir. Nivîsa ku wê dest pê kir - Attention Is All You Need - mîmarî û encaman destnîşan dike [3].
Xwe-baldarîkirin di yek rêzê de: query , key , û value ; dişibiniyan hesab bike da ku giraniya baldariyê bi dest bixe; nirxan li gorî wê tevlihev bike. Di hûrguliyan de tevlihev, di ruh de elegant.
Hişyarî: Transformer serdest in, ne monopol dikin. CNN, RNN, û komên daran hîn jî li ser hin celebên daneyan û sînorkirinên derengketin/mesrefê qezenc dikin. Mîmariya ji bo kar hilbijêrin, ne reklamê.
AI çawa dixebite? Xeta pratîkî ya ku hûn ê bi rastî bikar bînin 🛠️
-
Çarçoveya Pirsgirêkê
Hûn çi pêşbînî dikin an çi diafirînin, û serkeftin dê çawa were pîvandin? -
Daneyan
berhev bike, ger hewce be etîket bike, paqij bike û parçe bike. Li bendê be ku nirxên wenda û rewşên li ser qiraxan hebin. -
Modelkirin
bi hêsanî dest pê bike. Xetên bingehîn (regresyona lojîstîkî, zêdekirina gradyanê, an jî transformerek piçûk) pir caran ji tevliheviya qehremanî çêtir dibin. -
Perwerde
Armancekê hilbijêre, çêtirkerekê hilbijêre, hîperparametreyan destnîşan bike. Dubare bike. -
Nirxandin
Rawestandin, pejirandina xaçerêyî, û metrîkên ku bi armanca we ya rastîn ve girêdayî ne (rastbûn, F1, AUROC, BLEU, tevlihevî, derengketin) bikar bînin. -
Bicîhkirin
Li pişt API-yekê xizmetê bike an jî di serîlêdanekê de bicîh bike. Latency, lêçûn, û rêjeya veguhastinê bişopîne. -
Çavdêrîkirin û rêvebirin
Li ser nelirêtî, dadmendî, xurtbûn û ewlehiyê temaşe bikin. Çarçoveya Rêvebiriya Rîskê ya AI ya NIST (GOVERN, MAP, MEASURE, MANAGE) navnîşek kontrolê ya pratîkî ye ji bo pergalên pêbawer ji serî heta binî [4].
Nimûne-dosya: Modelek dîtinê di laboratûarê de serkeftî bû, dû re dema ku ronahî guherî li zeviyê xera bû. Çavdêriya drifta nîşankirî di hîstogramên têketinê de; zêdekirinek bilez + mîhengkirina baş a lêdanê performansê sererast kir. Bêzar? Erê. Bi bandor? Her wiha erê.
Tabloya berawirdkirinê - rêbaz, ew ji bo kê ne, lêçûna xav, çima ew dixebitin 📊
Bi qestî ne temam: hinekî neyeksan gotin dibe alîkar ku meriv hesteke mirovî bide.
| Nêzhatin | Temaşevanên îdeal | Bihayekî zêde | Çima ew dixebite / not |
|---|---|---|---|
| Fêrbûna bi çavdêrî | Analîst, tîmên hilberê | nizm-navîn | Têketina nexşeya rasterast → etîket. Dema ku etîket hebin pir baş e; bingeha gelek pergalên bicîhkirî pêk tîne [1]. |
| Bêçavdêrî | Lêkolînerên daneyan, R&D | nizm | Kom/pêçkirin/faktorên veşartî dibîne - ji bo kifşkirin û pêşperwerdeyê baş e. |
| Xwe-çavdêrîkirî | Tîmên platformê | medya | Bi hesabkirin û daneyan ji pîvanên daneyên xav etîketên xwe çêdike. |
| Fêrbûna xurtkirinê | Robotîk, lêkolîna operasyonê | navîn-bilind | Polîtîkayan ji sînyalên xelatê fêr dibe; ji bo kanonê Sutton & Barto bixwînin [5]. |
| Transformer | NLP, vîzyon, pirmodal | navîn-bilind | Xwe-baldarî dûrbûna dûr û dirêj digire û baş paralel dike; li gotara orîjînal binêre [3]. |
| ML-ya klasîk (dar) | Sepanên karsaziyê yên tabloyî | nizm | Xalên bingehîn ên erzan, bilez, û pir caran bi awayekî şokker xurt li ser daneyên rêkxistî. |
| Li ser bingeha qaîdeyan/sembolîk | Pabendbûn, diyarker | pir nizm | Mantîqa zelal; di hîbrîdan de kêrhatî ye dema ku hûn hewceyê denetimê bin. |
| Nirxandin û rîsk | Her kes | diguhere | Ji bo ewle û kêrhatî GOVERN-MAP-MEASURE-MANAGE ya NIST-ê bikar bînin [4]. |
Biha-mîna = etîketkirina daneyan + hesabkirin + mirov + xizmetkirin.
Nirxandina Kûr 1 - Fonksiyonên Windabûnê, Gradients, û Gavên Piçûk ên ku Her Tiştî Diguherînin 📉
Xeyal bike ku xêzekê ji bo pêşbînîkirina bihayê xanî ji mezinahiya wê diguherînî. Tu parametreyên (w) û (b) hildibijêrî, (\hat{y} = wx + b) pêşbînî dikî, û xeletîyê bi windabûna navînî ya çargoşeyî dipîvî. Gradient ji te re dibêje ku tu bi kîjan alî ve biçî (w) û (b) da ku windabûnê herî zû kêm bikî - mîna meşa ber bi jêr di mijê de bi hîskirina ber bi kîjan alî ve xwar dibe. Piştî her komê nûve bike û xeta te nêzîkî rastiyê dibe.
Di torên kûr de ew heman stran e bi bandeke mezintir. Backprop hesab dike ka parametreyên her tebeqeyê çawa bandor li xeletiya dawîn kirine - bi bandor - da ku hûn bikaribin bi mîlyonan (an mîlyaran) guhêrbaran ber bi aliyê rast ve bibin [2].
Têgihîştinên sereke:
-
Windakirin peyzajê şekil dide.
-
Gradient pusula we ne.
-
Leza fêrbûnê bi qasî pêngavê ye - pir mezin û tu dihejî, pir piçûk û tu razayî.
-
Birêkûpêkkirin nahêle hûn seta perwerdeyê mîna papaxanekî bi bîranînek bêkêmasî lê bê têgihîştin jiber bikin.
Kûrbûn 2 - bicihkirin, teşwîqkirin, û vegerandin 🧭
Çêkirin peyvan, wêneyan, an tiştan di nav qadên vektorî de nîşan didin ku tiştên dişibin hev nêzîkî hev in. Ev dihêle hûn:
-
beşên ji hêla semantîkî ve dişibin hev bibînin
-
lêgerîna hêzê ku wateyê fêm dike
-
nifşkirina zêdekirî ya vegerandinê (RAG) têxe nav tevgerê da ku modela ziman bikaribe rastiyan berî nivîsandinê bigere.
Hîşkirin ew e ku hûn çawa modelên afirîner rêve dibin - peywirê rave dikin, mînakan didin, sînorkirinan destnîşan dikin. Wê wekî nivîsandina taybetmendiyek pir berfireh ji bo stajyerek pir bilez bifikirin: bi hewes, carinan zêde bi xwe bawer.
Serişteya pratîkî: heke modela we halûsînasyon bike, vegerandinê lê zêde bike, fermanê teng bike, an jî li şûna "vibes" bi metrîkên bingehîn binirxîne.
Gotina Kûr 3 - Nirxandin bê Xeyal 🧪
Nirxandinek baş bêzar xuya dike - ku tam jî mesele ev e.
-
Seteke testê ya kilîtkirî bikar bînin.
-
Metrekek hilbijêre ku êşa bikarhêner nîşan dide.
-
Ablasyonên te bimeşîne da ku tu bizanî çi bi rastî alîkarî kiriye.
-
Têkçûnan bi mînakên rastîn û tevlihev tomar bike.
Di hilberînê de, çavdêrî nirxandinek e ku qet ranaweste. Çewtî çêdibe. Argotek nû derdikeve holê, sensor ji nû ve têne kalibrkirin, û modela duh hinekî diqelişe. Çarçoveya NIST referansek pratîkî ye ji bo rêveberiya rîsk û rêvebirina domdar - ne belgeyek polîtîkayê ye ku meriv bavêje refikê [4].
Têbînîyek li ser exlaq, alîgirî û pêbaweriyê ⚖️
Sîstemên AI daneyên xwe û çarçoveya bicihkirinê nîşan didin. Ev yek xetereyê tîne: alîgirî, xeletiyên neyeksan di navbera koman de, şikestin di bin guheztina belavkirinê de. Bikaranîna exlaqî ne vebijarkî ye - ew xetereyên maseyê ye. NIST balê dikişîne ser pratîkên berbiçav: belgekirina xetere û bandoran, pîvandina alîgirîya zirardar, avakirina paşvekişandinan, û dema ku xetere bilind in, mirovan di nav lepê de bihêlin [4].
Tevgerên konkret ên ku dibin alîkar:
-
daneyên cihêreng û nûner berhev bikin
-
performansê li seranserê binnifûsan bipîve
-
kartên modela belgeyan û pelên daneyan
-
çavdêriya mirovî lê zêde bikin li cihê ku xetereyên zêde hene
-
dema ku pergal ne diyar e, sêwirîna ewlehiyên xelet çêbike
AI çawa dixebite? Wekî modelek derûnî hûn dikarin ji nû ve bikar bînin 🧩
Lîsteyek kontrolê ya kurt ku hûn dikarin li ser hema hema her pergala AI-ê bicîh bînin:
-
Armanc çi ye? Pêşbînîkirin, rêzkirin, çêkirin, kontrolkirin?
-
Sînyala fêrbûnê ji ku tê? Etîket, karên xwe-çavdêrîkirî, xelat?
-
Çi mîmarî tê bikaranîn? Modela xêzikî, komeke daran, CNN, RNN, trafo [3]?
-
Çawa tê çêtirkirin? Guhertinên daketina gradyentî/piştgiriya paşperdeyê [2]?
-
Rejîma daneyan çi ye? Komeke biçûk a bi etîket, okyanûseke nivîsên bê etîket, jîngeheke simulasyonkirî?
-
Şêweyên têkçûnê û tedbîrên parastinê çi ne? Xala sereke, dûrketin, halûsînasyon, derengketin, nexşeya lêçûnê li gorî GOVERN-MAP-MEASURE-MANAGE ya NIST [4].
Eger tu bikaribî bersiva wan bidî, wê demê tu bi bingehîn sîstemê fêm dikî - mayî jî hûrgiliyên pêkanînê û zanîna qadê ne.
Çavkaniyên bilez ên hêjayî nîşankirinê 🔖
-
Pêşgotinek bi zimanekî sade bo têgehên fêrbûna makîneyê (IBM) [1]
-
Backpropagation bi diyagram û matematîka nerm [2]
-
Kaxeza transformer ku modelkirina rêzê guherand [3]
-
Çarçoveya Rêvebiriya Rîska AI ya NIST (rêveberiya pratîkî) [4]
-
Pirtûka fêrbûna xurtkirina kanonîk (belaş) [5]
Pirsên Pir tên Pirsîn li ser birûskê ⚡
Ma AI tenê îstatîstîk e?
Ew îstatîstîk û herwiha çêtirkirin, hesabkirin, endezyariya daneyan û sêwirana hilberê ye. Îstatîstîk îskelet in; yên mayî jî masûlke ne.
Ma modelên mezintir her tim qezenc dikin?
Pîvankirin dibe alîkar, lê qalîteya daneyan, nirxandin û sînorkirinên bicihkirinê pir caran girîngtir in. Modela herî piçûk a ku armanca we pêk tîne bi gelemperî ji bo bikarhêner û berîkan çêtirîn e.
Gelo AI dikare fêm bike?
Pênasîna têgihîştinê . Model avahiya daneyan digirin û bi awayekî balkêş giştî dikin; lê xalên wan ên kor hene û dikarin bi bawerî xelet bin. Wan wek amûrên bihêz bihesibînin - ne wek zanayan.
Gelo serdema transformer her û her e?
Dibe ku ne her û her. Niha serdest e ji ber ku baldarî paralel dibe û baş pîvan dibe, wekî ku gotara orîjînal nîşan da [3]. Lê lêkolîn berdewam dike.
AI çawa dixebite? Pir dirêj e, min nexwendiye 🧵
-
AI ji daneyan qaliban fêr dibe, windabûnê kêm dike, û ji bo têketinên nû giştî dike [1,2].
-
Fêrbûna çavdêrîkirî, bê çavdêrî, xwe-çavdêrîkirî, û fêrbûna xurtkirinê rêbazên sereke yên perwerdeyê ne; RL ji xelatan fêr dibe [5].
-
Torên neuralî ji bo sererastkirina bi mîlyonan parametreyan bi bandor, paşveçûn û daketina gradient bikar tînin [2].
-
Veguherker gelek peywirên rêzê serdest dikin ji ber ku baldariya li ser xwe têkiliyan bi paralelî di pîvanê de digire [3].
-
AI ya cîhana rastîn rêyeke dirêj e - ji çarçovekirina pirsgirêkan bigire heya bicihkirin û rêveberiyê - û çarçoveya NIST we di derbarê rîskê de rastgo dihêle [4].
Ger kesek dîsa bipirse AI çawa dixebite?, hûn dikarin bikenin, qehweya xwe vexwin û bibêjin: ew ji daneyan fêr dibe, windahiyê baştir dike, û li gorî pirsgirêkê mîmariyên wekî veguherîner an komên daran bikar tîne. Dûv re çavekî lê zêde bikin, ji ber ku ev hem hêsan e û hem jî bi dizî temam e. 😉
Referans
[1] IBM - Fêrbûna Makîneyê çi ye?
bêtir bixwîne
[2] Michael Nielsen - Algorîtmaya Backpropagation Çawa Dixebite
bêtir bixwîne
[3] Vaswani û yên din - Baldarî Hemû Tiştê Ku Hûn Hewce ne ye (arXiv)
bêtir bixwînin
[4] NIST - Çarçoveya Rêvebiriya Rîska Zekaya Sûni (AI RMF 1.0)
bêtir bixwîne
[5] Sutton & Barto - Fêrbûna Xurtkirî: Pêşgotinek (çapa 2yem)
bêtir bixwîne