Yapay Zekâ ve Makine Öğrenmesi mülakat soruları

AGI (yapay genel zekâ), yalnızca dar bir alanda değil, bir insanın yapabildiği her zihinsel işi öğrenip yapabilecek varsayımsal bir yapay zekâ sistemidir.

Genel kabul gören bir AGI sistemi yok. Bugünkü modeller birçok alanda çok yetenekli ama esnek, insan benzeri genel zekânın gerisinde kalıyor; uzmanlar da buna ne kadar uzak olduğumuz konusunda anlaşamıyor.

Yapay zekâ alanın tamamıdır ve belirli işler için kurulmuş dar sistemleri de kapsar. AGI ise bunun içindeki belirli bir hedeftir: işler genelinde insan seviyesinde genel yeteneğe sahip bir sistem.

Hayır. AGI aşağı yukarı insan seviyesinde genel yetenek demektir. Süper zekâ ise neredeyse her alanda en iyi insanları çok aşan zekâ anlamına gelir.

Anlamsal arama, sonuçları birebir anahtar kelimelere değil anlama göre, genellikle sorgu ve belge embedding'lerini karşılaştırarak bulan arama tekniğidir.

Anahtar kelime araması sorgunun sözcüklerini içeren belgeleri bulur; anlamsal arama ise farklı sözcükler kullansalar bile benzer anlama sahip belgeleri bulur. Anahtar kelime araması kesin isimler ve kodlar için daha iyidir; anlamsal arama doğal dildeki sorular için daha iyidir.

Hibrit arama, anahtar kelime aramasını ve anlamsal aramayı birlikte çalıştırır ve sonuçlarını tek bir sıralamada birleştirir. Birebir eşleşmenin kesinliğini, anlama göre eşleşmenin esnekliğiyle bir araya getirir.

Her zaman değil. Küçük koleksiyonlar vektörleri doğrudan bellekte karşılaştırarak aranabilir ve birçok sıradan veritabanı vektör sütunlarını ve indekslerini destekler. Özel bir vektör veritabanı esas olarak çok büyük koleksiyonlarda veya katı gecikme gereksinimlerinde yardımcı olur.

Aşırı öğrenme, bir modelin eğitim verisini gürültüsüyle birlikte fazla yakından öğrenip yeni, görülmemiş verilerde kötü performans göstermesidir.

Modelin eğitim verisindeki performansını, eğitim sırasında hiç görmediği bir doğrulama ya da test kümesindeki performansıyla karşılaştırın. Eğitim doğruluğu artmaya devam ederken doğrulama doğruluğu duruyor veya kötüleşiyorsa model aşırı öğreniyordur.

Aşırı öğrenmiş model fazla karmaşıktır ve gürültüyü öğrenir; bu yüzden eğitim verisinde iyi, yeni verilerde kötü sonuç verir. Yetersiz öğrenmiş model ise fazla basittir ve her ikisinde de kötü sonuç verir.

Evet. Büyük bir modele küçük bir veri kümesiyle çok fazla adım boyunca ince ayar yapmak, modelin eğitim örneklerini kelimesi kelimesine tekrarlamasına ve genel yeteneklerini kaybetmesine yol açabilir; bu yüzden uygulayıcılar doğrulama kaybını izler ve ince ayar çalıştırmalarını kısa tutar.

Attention mekanizması, modelin her token için girdinin hangi bölümlerinin en önemli olduğuna karar verip onlara odaklanmasını sağlayan sinir ağı tekniğidir.

Her token'dan hesaplanan üç vektördür. Query bir token'ın ne aradığını, key bir token'ın ne içerdiğini, value ise aktarılan bilgiyi tarif eder; query'lerin key'lerle eşleştirilmesi, her value'nun ne kadarının kullanılacağını belirler.

Multi-head attention, her biri kendi öğrenilmiş ağırlıklarına sahip birkaç bağımsız attention hesaplamasını (head) yan yana çalıştırır. Sonuçları birleştirilir; bu da modelin token'lar arasındaki birkaç tür ilişkiyi aynı anda izlemesini sağlar.

Standart self-attention her token'ı diğer her token'la karşılaştırır; bu yüzden girdi uzunluğunu iki katına çıkarmak işi kabaca dört katına çıkarır. Modeller bu maliyeti azaltmak için optimize edilmiş uygulamalar, önbellekleme ve attention'ın yaklaşık biçimlerini kullanır.

Bağlam penceresi, bir LLM'nin prompt, konuşma geçmişi ve kendi yanıtı dahil aynı anda dikkate alabildiği, token cinsinden en fazla metin miktarıdır.

İstek ya hata verir ya da uygulama, genellikle en eski mesajları atarak veya özetleyerek içeriği kesmek zorunda kalır. Model dışarıda bırakılan hiçbir şeyi göremez; bu yüzden önceki ayrıntıları kaybedebilir.

Her zaman değil. Daha büyük pencere daha fazla materyal eklemenize izin verir, ancak her istek daha yavaş ve pahalı hale gelir ve modeller çok uzun girdilerdeki ayrıntıları gözden kaçırabilir. Yalnızca en ilgili bilgiyi göndermek çoğu zaman daha iyi yanıtlar verir.

Evet. Girdi token'ları ve üretilen çıktı token'ları aynı pencereyi paylaşır; bu yüzden çok uzun bir prompt yanıta daha az yer bırakır. Birçok API ayrıca çıktı token'ları için ayrı bir üst sınır belirler.

Bilgisayarlı görü, bilgisayarların nesneleri tanıma, metin okuma ya da yüz algılama gibi işlerle görüntü ve videoyu yorumlamasını sağlayan yapay zekâ alanıdır.

Görüntü işleme bir görüntüyü yeniden boyutlandırma, kırpma ya da parlaklığı ayarlama gibi yollarla değiştirir; bilgisayarlı görü ise nesneleri tanımlama ya da metin okuma gibi yollarla onu yorumlar. Görü sistemleri çoğu zaman görüntüleri analiz etmeden önce hazırlamak için görüntü işlemeyi kullanır.

Nesne algılama, bir görüntüdeki her nesneyi bulan ve etrafına 'araba' ya da 'kişi' gibi etiketli bir sınırlayıcı kutu çizen bilgisayarlı görü görevidir. Yalnızca görüntünün genel olarak neyi içerdiğini söyleyen sınıflandırmadan daha ileri gider.

Modern bilgisayarlı görü neredeyse tamamen makine öğrenmesine, özellikle derin öğrenmeye dayanır. Eski yaklaşımlar elle tasarlanmış kurallar ve filtreler kullanırdı; bunlar basit ya da kaynakları kısıtlı sistemlerde hâlâ görülür.

Chain-of-thought prompting, bir LLM'den nihai yanıttan önce ara adımlarla akıl yürütmesini isteyen ve karmaşık görevlerde doğruluğu artıran bir tekniktir.

Hayır. En çok matematik, mantık ve planlama gibi birkaç akıl yürütme adımı gerektiren problemlerde yardımcı olur. Basit aramalar, kısa sınıflandırmalar veya biçimlendirme görevlerinde çoğunlukla yalnızca token, maliyet ve gecikme ekler.

Akıl yürütme modeli, nihai yanıtı vermeden önce çoğunlukla gizli ya da özetlenmiş kendi düşünce zincirini üretmek üzere eğitilmiş bir LLM'dir. Genellikle karmaşık problemlerde daha iyi performans gösterir ama yanıt başına daha uzun sürer ve daha fazla token kullanır.

Zorunlu olarak değil. Adımlar üretilmiş metindir ve modelin yanıta gerçekte nasıl ulaştığıyla uyuşmasa bile ikna edici görünebilir; bu yüzden akıl yürütme kanıt olarak güvenilmek yerine kontrol edilmelidir.

Chatbot, insanlarla yazılı ya da sesli sohbet edip soruları yanıtlayan veya işlere yardım eden, senaryolu kurallarla ya da dil modeliyle çalışan programdır.

Chatbot esas olarak konuşur: bir sohbette soruları yanıtlar. AI agent ise kendi başına bir hedef için çalışır, adımları planlar ve arama, kod ya da API gibi araçlar kullanır. Bugünün asistanlarının çoğu ikisidir.

Evet. ChatGPT, OpenAI'ın GPT dil modelleri üzerine kurulu bir chatbot'tur. Kasım 2022'de yayımlandı ve LLM tabanlı chatbot'ları geniş kitlelere tanıttı.

Genellikle uygulama her yeni mesajla birlikte önceki mesajları da gönderir; böylece model bütün konuşmayı görür. Modelin kendisi istekler arasında hatırlamaz; çok uzun sohbetler de bağlam penceresiyle sınırlıdır.