
Generative AI Nedir? Çalışma Prensibi ve Model Türleri
Generative AI (üretken yapay zeka), büyük veri setlerinden öğrendiği kalıplara benzeyen yeni içerik (metin, görsel, ses, video ya da kod) üreten yapay zeka türüdür. Klasik yapay zeka çoğunlukla var olan veriyi sınıflandırır ya da bir değer tahmin eder; üretken yapay zeka ise yeni bir çıktı oluşturur. Bugün en çok kullanılan türleri büyük dil modelleri (LLM), difüzyon modelleri, GAN'lar ve VAE'lerdir.
Son güncelleme: 18.10.2026
Kısa tarihçe: İlk sohbet programlarından ELIZA 1966'da yayımlandı, ama hazır kurallarla çalışıyordu; bugünkü anlamda bir üretken model değildi. Asıl sıçrama VAE (2013), GAN (2014), transformer mimarisi (2017) ve difüzyon modelleriyle geldi. Difüzyon fikri 2015'te önerildi, 2020'deki DDPM çalışmasıyla yaygınlaştı. Bu teknoloji dublajdan eğitim içeriğine kadar pek çok işte kullanılıyor; deepfake, telif, önyargı ve modelin uydurma bilgi üretmesi (halüsinasyon) gibi riskleri de hala gündemde.
Peki, tam olarak nedir bu Generative AI? Nasıl çalışır ve modelleri nelerdir? İşte, detaylar:
Generative AI Nedir?
Generative Yapay Zeka, eğitim veri setindeki desenlere benzeyen yeni ve gerçekçi veriler üretebilen algoritmalar ve modeller oluşturmaya odaklanan bir AI alanıdır. Basitçe ifade etmek gerekirse, generative AI, tamamen yeni veri üreten bir AI sistemleri sınıfını ifade eder. Bu sistemler veya modeller, büyük veri setlerinden öğrenmek ve bu bilgilere dayanarak tamamen yeni bir şeyler oluşturmak üzere eğitilirler. Bu yüzden, “generative” (üretken) terimi kullanılır.
Generative AI'nin sanat, görüntü sentezi, doğal dil üretimi, müzik bestesi, kodlama ve daha pek çok alanda birçok uygulaması vardır. Geleneksel yapay zeka türlerinin çoğu, mevcut verileri sınıflandırmak veya kategorize etmek için tasarlanmışken, generative AI modellerinin amacı daha önce görülmemiş tamamen orijinal eserler üretmektir.
Discriminative AI (Ayrımcı Yapay Zeka) ve Generative AI Farkları
Discriminative AI (Ayrımcı Yapay Zeka) ve Generative AI (Üretici Yapay Zeka) arasındaki farkları anlamak, yapay zekanın farklı uygulamalarını daha iyi kavramamıza yardımcı olur.

Discriminative AI modelleri, veri setlerindeki desenleri tanımak ve bu desenleri kullanarak yeni örnekler hakkında tahminlerde bulunmak veya sınıflandırmalar yapmak üzere eğitilirler. Örneğin, kedi veya köpek resimleri içeren bir veri seti üzerinde eğitilen bir ayrımcı AI modeli, girdi verilerinden öğrendiği desenlere dayanarak yeni resimleri kedi veya köpek olarak sınıflandırabilir. Bu tür modeller, genellikle gözetimli öğrenme teknikleri kullanarak eğitilir ve belirli görevler için oldukça etkilidirler. Özellikle, sınıflandırma veya tahmin gibi spesifik problemleri çözmek için kullanılırlar.
Generative AI ise, veri setlerindeki altta yatan desenleri öğrenmek ve bu bilgiyi orijinal veri setine benzer ancak tamamen aynı olmayan yeni örnekler üretmek için tasarlanmıştır. Örneğin, kedi resimleri üzerinde eğitilen bir üretici AI algoritması, orijinal veri setindekilerle benzer görünen ancak tam kopyaları olmayan yeni kedi resimleri üretebilir. Üretken modeller büyük ölçüde etiketsiz veriden, öz denetimli (self-supervised) yöntemlerle öğrenir; örneğin bir dil modeli metindeki bir sonraki parçayı tahmin ederek eğitilir. Sohbet asistanları bunun üzerine insan geri bildirimiyle ince ayar da alır. Bu, yapılandırılmış veya düzenlenmiş verilerin kıt veya elde edilmesi zor olduğu uygulamalarda üretici AI'ı özellikle yararlı kılar.
Gözetimsiz makine öğrenme algoritmaları, etiketlenmiş veri mevcut olmadığında kullanılır. Bunun yerine, algoritma bir dizi yapılandırılmamış veri seti ile verilir. Algoritma, yapılandırılmamış verilere bakar ve herhangi bir talimat veya önceden bilgi olmaksızın bağımsız olarak desenleri ve yapıları tanımlamaya çalışır. Kümeleme ve anomali tespiti, gözetimsiz öğrenme tekniklerinin örnekleridir.
Yarı gözetimli makine öğrenme algoritmaları, eğitim için bir miktar etiketlenmiş veri mevcut olduğunda, ancak tam bir model eğitmek için yeterli olmadığında kullanılır. Algoritma, etiketlenmiş verileri etiketlenmemiş verilerle birlikte kullanarak veriler içindeki desenleri ve yapıları tanımlar. Yarı gözetimli öğrenme, gözetimli ve gözetimsiz öğrenme teknikleri arasında bir hibrit yaklaşım olarak düşünülebilir.
Genel olarak, discriminative AI, belirli bir sorunu çözmek için öğrenirken, generative AI, daha geniş bir anlayış ve yeni veri örnekleri üretme yeteneği geliştirir. Bu iki AI türünü anlamak, onların hangi durumlarda ve nasıl etkili şekilde kullanılabileceğini belirlememize yardımcı olur.
Üretken Yapay Zeka ile Klasik Yapay Zeka Arasındaki Temel Fark
Temel fark çıktıdadır: klasik (ayrımcı) model sana bir etiket, skor ya da tahmin verir; üretken model yeni bir içerik üretir. Aşağıdaki tablo farkı özetliyor.
Özellik | Klasik (ayrımcı) yapay zeka | Üretken yapay zeka (Generative AI) |
|---|---|---|
Ne yapar? | Var olan veriyi sınıflandırır, skorlar, tahmin eder | Öğrendiği veriye benzeyen yeni içerik üretir |
Çıktı | Etiket, olasılık, sayı (ör. "spam" ya da "spam değil") | Metin, görsel, ses, video, kod |
Örnek görevler | Spam filtresi, kredi risk skoru, ürün önerisi, arıza tahmini | Sohbet, metin yazma, görsel ve video üretme, kod yazma |
Örnek sistemler | E-posta filtreleri, öneri motorları, sınıflandırıcılar | ChatGPT, Gemini, Claude, Midjourney, Stable Diffusion |
Kısacası "generative AI olmayan yapay zeka" dediğinde, karar veren ya da tahmin eden ama yeni içerik üretmeyen sistemleri düşünebilirsin.
Generative AI Çalışma Prensibi
Generative AI, insan beyninin yaratıcı süreçlerini taklit eden bir AI versiyonu gibi düşünülebilir. Bu alanda, çeşitli teknikler kullanılarak, örneğin sinir ağları ve derin öğrenme algoritmaları gibi, belirli desenleri tanımlamak ve bunlara dayanarak yeni sonuçlar üretmek mümkündür.
Generative AI'nin eğitim süreci, genellikle büyük bir veri setiyle başlar. Bu veri seti, görüntüler, metin, ses veya videolar gibi örnekler içerebilir. Model, girdi verilerindeki desenleri ve ilişkileri analiz ederek içeriğin yönetildiği temel kuralları anlamaya çalışır. Daha sonra, öğrendiği olasılık dağılımından örnekler çekerek yeni veriler üretir. Sürekli olarak parametrelerini ayarlayarak doğru çıktıyı üretme olasılığını en üst düzeye çıkarmaya çalışır.

Örneğin, lama görüntülerinden oluşan bir veri seti üzerinde eğitilmiş bir generative model, öğrenilen dağılımdan örnekler çekerek ve sonra "çıkarım" adı verilen bir süreçle çıktıyı rafine ederek yeni lama görüntüleri oluşturabilir. Çıkarım sırasında, model çıktısını istenen çıktıya daha iyi uyması veya herhangi bir hatayı düzeltmesi için ayarlar. Bu, üretilen çıktının daha gerçekçi olmasını ve kullanıcının görmek istediği şeyle daha iyi uyum sağlamasını sağlar.
Generative AI, yaratıcı içerik üretiminde devrim yaratma potansiyeline sahiptir. Sanat, müzik, edebiyat ve hatta bilimsel keşiflerde kullanılarak, daha önce hayal bile edilemeyen yeniliklerin kapısını açabilir. Bu alanda yapılan çalışmalar, AI'nin yalnızca analitik bir araç olmaktan çıkıp, insan yaratıcılığını taklit edebilen, hatta destekleyebilen bir teknolojiye dönüşmesine olanak tanıyor.
Generative AI Modelleri Nelerdir?
Generative AI modelleri tek tip değildir. Günümüzde bu yapay zeka türü, farklı yapay zeka şirketleri tarafından farklı modeller olarak piyasaya sürülmüştür. İşte bu türün en bilinenleri:
Model türü | Nasıl çalışır? | Güçlü yanı | Bilinen örnekler |
|---|---|---|---|
GAN (2014) | Üreteç ile ayırıcı birbirine karşı eğitilir | Tek adımda hızlı ve keskin görsel üretimi | StyleGAN, CycleGAN |
VAE (2013) | Veriyi gizli uzaya sıkıştırır, oradan yeniden üretir | Kontrollü varyasyon, sıkıştırma | Stable Diffusion'daki görüntü kodlayıcı-çözücü |
Difüzyon (2015, 2020) | Gürültüyü adım adım temizleyerek görsel oluşturur | Yüksek görsel kalite, metinle yönlendirme | DALL·E 2, Stable Diffusion |
Transformer tabanlı LLM (2017) | Bir sonraki parçayı (token) tahmin ederek metin üretir | Metin, kod, sohbet, çok dilli kullanım | GPT, Gemini, Llama |
Akış tabanlı (Glow, 2018) | Tersine çevrilebilir dönüşümler kullanır | Olasılığı tam hesaplama | Glow; akış eşleştirmeyle Stable Diffusion 3 |
Generative Adversarial Networks (GAN'lar)
Generative Adversarial Networks (GAN'lar), iki sinir ağından oluşan bir yapay zeka modelidir: bir üreteç ve bir ayırıcı. Örneğin kedi resimleri oluşturmak istendiğinde, üreteç rastgele bir giriş vektörü kullanarak yeni kedi resmi üretir.
Bu resimler başlangıçta basit olabilir, ancak zamanla gerçekçi hale gelir. Ayırıcı, hem gerçek kedi resimlerini hem de üretecin ürettiği sahte resimleri alarak gerçek veya sahte olarak sınıflandırmaya çalışır.
Her iki ağ da birbirleriyle rekabet ederek sürekli olarak gelişir: ayırıcı daha iyi sınıflandırma yapmayı, üreteç ise daha inandırıcı resimler oluşturmayı öğrenir. Bu rekabetçi yapı, modelin adında "adversarial" (rakip) ifadesinin kullanılmasına neden olmuştur.
GAN'lerin Training Süreci
GAN'lerin (Generative Adversarial Networks - Üretken Çekişmeli Ağlar) eğitim süreci, oldukça ilginç ve yenilikçi bir yaklaşımdır. Bu süreç aşağıdaki adımlardan oluşur:
Başlangıç: Üreteç (generator) ve ayırt edici (discriminator) rastgele ağırlıklarla başlatılır. Buradaki temel fikir, iki ağın birbirleriyle rekabet içinde olmalarıdır.
Eğitim Döngüsü: Üreteç, sahte veri toplulukları oluştururken, ayırt edici gerçek ve sahte verilerin kombinasyonu üzerinde eğitilir. Ayırt edici, girdi verisinin gerçek mi yoksa sahte mi olduğunu belirten 0 ile 1 arasında bir olasılık puanı verir.
Geri Yayılım (Backpropagation): Ayırt ediciden gelen hata sinyali, ağın ağırlıklarını güncellemek üzere geri yayılır. Sonra, üreteç de ayırt ediciden gelen hata sinyali kullanılarak eğitilir ve kendi ağırlıklarını günceller.
Örnekleme: Model eğitildikten sonra, üreteç öğrenilen dağılımdan yeni veri örnekleri üretebilir.
GAN'ler, gerçekçi görüntüler, videolar ve konuşmalar üretmek gibi çeşitli uygulamalar için kullanılmıştır. GAN'lerin avantajlarından biri, karmaşık ve çok modlu dağılımları öğrenebilmeleri sayesinde yüksek kaliteli ve çeşitli örnekler üretebilmeleridir.
Ancak, GAN'lerin eğitimi zor olabilir ve mod çöküşü (mode collapse) gibi sorunlardan muzdarip olabilirler, burada üreteç sınırlı ve tekrarlayan örnekler üretir. Bu sorunları ele almak için çeşitli modifikasyonlar ve iyileştirmeler önerilmiştir, örneğin Wasserstein GAN'ler ve StyleGAN'ler gibi.
GAN'lerin Uygulama Alanları
GAN'ler (Generative Adversarial Networks), çeşitli alanlarda yenilikçi uygulamalara olanak tanıyan, iki ağdan oluşan yapay zeka teknolojisidir. Bunlar:
Görüntü ve Video Üretimi/Manipülasyonu: Fotoğrafik gerçekçilikte görüntüler ve derin sahtecilikler (deep fakes) oluşturulabilir.
Stil Transferi ve Görüntüden Görüntüye Çeviri: Farklı stilleri uygulayarak görüntüleri dönüştürme.
Veri Artırımı ve Sentetikleştirme: Denetimli öğrenme modellerinin performansını artırmak için kullanılır.
Metinden Görüntüye Sentez ve Görüntü Altyazısı: Yazılı metni görselleştirmek veya görüntülere altyazı eklemek.
3D Nesne Üretimi ve Tasarımı: Gerçekçi avatarlar ve sanal ortamlar yaratma.
Ses Dönüşümü ve Ses Sentezi: Ses ve müzik üretimi.
Oyun Geliştirme ve Tasarımı: Yeni seviyeler ve karakterler oluşturma.
Yaratıcı Uygulamalar: Sanat, müzik, edebiyat üretimi.
Güvenlik ve Gizlilik: Sahte veri üretimi ve derin sahtecilik tespiti.
Bilimsel Araştırma ve Simülasyon: Karmaşık sistemleri simüle etmek ve bilimsel tahminler yapmak.
CycleGAN, görüntüden görüntüye çeviri için kullanılan bir GAN örneğidir ve eşleştirilmemiş eğitim verileri olmaksızın görüntüleri dönüştürebilir. GAN'lerin etkinliği, eğitim verisi kalitesi, altta yatan dağılımın karmaşıklığı ve modelin mimarisi gibi faktörlere bağlıdır.

Değişken Otomatik Kodlayıcılar (VAE'ler)
Değişken Otomatik Kodlayıcılar (VAE'ler), yapay zeka alanında kullanılan jeneratif modellerdir. Bu modeller, veri setlerine benzeyen yeni çıktılar üretebilmekle birlikte, özellikle veri içerisindeki belirli yönlere doğru varyasyonları keşfetme konusunda etkilidirler. VAE'ler, bir görüntüyü alıp, bu görüntüyü bir kodlayıcı ve çözücü içeren iki sinir ağı aracılığıyla işlerler.
Kodlayıcı, görüntüyü 'gizli uzay' adı verilen düşük boyutlu bir temsile dönüştürür ve çözücü bu temsili kullanarak orijinaline benzer yeni bir görüntü üretir. VAE'lerin ayırt edici özelliği, eğitim verilerinin altında yatan dağılımı öğrenmek için olasılıksal modeller kullanmasıdır. Bu sayede, verilerdeki belirsizlik ve değişkenliği daha iyi yakalayabilirler. VAE'ler, görsel sanatlar ve veri simülasyonu gibi alanlarda yenilikçi uygulamalar için büyük potansiyel taşır.
VAE'lerin Training Süreci
Değişken Otomatik Kodlayıcılar (VAE'ler), makine öğreniminde yaygın olarak kullanılan bir yöntemdir ve özellikle veri üretme, sıkıştırma, gürültü giderme ve özellik çıkarma gibi uygulamalarda etkilidir. VAE'lerin eğitim süreci, temelde şu adımlardan oluşur:
Kodlama (Encoding): Girdi verileri, kodlayıcı ağa (encoder) beslenir. Bu ağ, verileri daha düşük boyutlu bir "latent" (gizli) uzaya sıkıştırır. Bu gizli uzay, Gaussian dağılımı varsayımına dayanır.
Örnekleme (Sampling): Öğrenilen Gaussian dağılımından, gizli uzayda rastgele bir nokta örneklenir.
Kod Çözme (Decoding): Kod çözücü ağ (decoder), örneklenen noktayı alır ve onu yeni bir veri noktasına dönüştürür. Kod çözücü, orijinal girdi verisini gizli uzay temsili kullanarak yeniden yapılandırmak üzere eğitilir.
Kayıp Hesaplama (Loss Calculation): VAE'ler için kayıp fonksiyonu, yeniden yapılandırma kaybı ve KL-divergence (Kullback-Leibler sapması) kaybından oluşur. Yeniden yapılandırma kaybı, kod çözücünün orijinal girdi verisini ne kadar iyi yeniden yapılandırabildiğini ölçer. Öte yandan, KL-divergence kaybı, öğrenilen gizli uzayın dağılımı ile gerçek dağılım arasındaki farkı ölçer.
Geri Yayılım (Backpropagation): Kayıp fonksiyonundan gelen hata sinyali, hem kodlayıcı hem de kod çözücünün ağırlıklarını güncellemek üzere ağ boyunca geri yayılır.
Eğitim tamamlandıktan sonra, VAE öğrenilen gizli uzayın dağılımından örnekleme yaparak yeni veriler üretebilir. VAE'ler, veri sıkıştırma, gürültü giderme ve özellik çıkarma gibi diğer uygulamalarda da kullanılabilir. Örneğin, otomatik kodlayıcılar ile görüntü gürültü giderme uygulaması yapılabilir.
VAE'lerin Uygulama Alanları
Değişken Otomatik Kodlayıcılar (VAE'ler), yapay zeka ve makine öğrenmesi alanında önemli bir yere sahip olan yapay sinir ağları tabanlı bir teknolojidir. Bu teknoloji, özellikle veri üretimi ve manipülasyonu gibi birçok alanda kullanılmaktadır. İşte VAE'lerin uygulama alanlarından bazıları:
Görüntü Üretimi ve Manipülasyonu: VAE'ler, yeni ve gerçekçi görüntüler üretebilir veya mevcut görüntüleri değiştirebilir. Bu, sanat ve tasarım alanında yeni yaratıcılık olanakları sunar.
Video Üretimi ve Tahmini: VAE'ler, video içerikleri oluşturmak ve gelecekteki kareleri tahmin etmek için kullanılabilir.
Veri Sıkıştırma ve Gürültü Giderme: Verileri sıkıştırma ve gürültüyü azaltma konusunda VAE'ler oldukça etkilidir, böylece daha az depolama alanı gerektirir ve veri kalitesini artırır.
Anormallik Tespiti ve Aykırı Değer Giderimi: VAE'ler, veri setlerindeki anormal veya aykırı öğeleri tespit etmede ve bunları gidermede kullanılabilir.
Tavsiye Sistemleri ve Kişiselleştirme: Kişisel tercihlere göre özelleştirilmiş içerik ve ürün önerileri sunmak için VAE'lerden yararlanılır.
Özellik Çıkarımı ve Temsil Öğrenimi: VAE'ler, verilerin daha anlamlı ve kullanışlı temsillerini öğrenmek için kullanılır.
Gerçekçi 3D Modeller ve Ortamların Üretilmesi:** VAE'ler, gerçek dünyaya benzeyen 3D modeller ve sanal ortamlar oluşturmak için kullanılabilir.
Doğal Dil İşleme: Metin üretimi ve makine çevirisi dahil olmak üzere, doğal dil işleme alanında VAE'ler önemli bir role sahiptir.
Biyomedikal Veri Analizi ve İlaç Keşfi: VAE'ler, biyomedikal verilerin analizinde ve yeni ilaç adaylarının keşfinde kullanılır.
Fizik ve Diğer Bilimlerde Simülasyon ve Tahmin: VAE'ler, çeşitli bilim dallarında simülasyon ve tahmin yapmak için kullanılır.
Diffusion Modelleri
Diffüzyon modelleri, yapay zeka alanında yenilikçi bir adım olarak karşımıza çıkar. Bu modeller, yüksek kaliteli sentetik veriler üretmek için temel verilere iteratif olarak gürültü ekleyip bu gürültüyü çıkararak öğrenir. Gürültü ekleyip çıkarma süreci sayesinde, diffüzyon modelleri verilerin desenlerini ve yapılarını daha iyi anlayabilir hale gelir.

Bu modeller özellikle görüntü oluşturmada başarılıdır. Eğitimde model, veriye eklenen gürültüyü tahmin etmeyi öğrenir; bu basit hedef, GAN'lardaki iki ağlı rekabete göre eğitimi daha kararlı hale getirir. Bedeli, üretimin çok adımlı olması nedeniyle daha yavaş çalışmasıdır. OpenAI'nin DALL·E 2 modeli (2022) ve görüntüyü önce sıkıştırılmış bir gizli uzayda işleyen Stable Diffusion (latent diffusion), metinden görsel üreten difüzyon modellerine örnektir. İlk DALL·E (2021) ise difüzyon değil, otoregresif bir transformer modeliydi.
Diğer Generative AI Modelleri
Generative AI'lerin temel olarak 3 farklı modele ayrıldığını gördük. Ancak daha yenilikçi ve deneysel Generative AI modelleri de mevcuttur. Bu modeller aşağıda detaylı olarak listelenmiştir.
Otoregresif Modeller
Otoregresif modeller, bir veri dizisini sırayla üreterek her bir elemanı, önceki elemanlara dayanarak tahmin eden olasılıksal modellerdir. Doğal dil işleme (NLP) alanında, metin üretimi ve dil çevirisi gibi görevlerde sıklıkla kullanılırlar. Bu modeller, bir dizideki önceki değerlere bakarak sonraki değeri tahmin ederler. Örneğin, hisse senedi fiyatlarının zaman serisi analizinde önceki günlerin fiyatları temel alınarak ertesi günün fiyatı tahmin edilebilir.
Büyük Dil Modelleri (LLM'ler), bu tür otoregresif modelleri kullanarak, komutlara uygun insan benzeri yanıtlar üretirler. Kitaplar, makaleler ve web siteleri gibi geniş metin veri setleri üzerinde eğitilirler ve gerçek verilere benzer stil ve içerikte yeni metinler üretmek için tasarlanırlar. LLM'ler, dil modelleme, makine çevirisi, soru-cevaplama ve metin özetleme gibi birçok dil görevinde başarılı sonuçlar elde etmişlerdir.
Ayrıca yüksek kaliteli metin üretme yetenekleri, onları sohbet asistanları, kod yazımı, özetleme ve sosyal medya gönderisi gibi yaratıcı işlerde önemli kılıyor. LLM'lerin nasıl eğitildiğini Büyük Dil Modeli (LLM) Nedir, Nasıl Eğitilir? yazımızda ayrıntılı anlattık.
Transformer Tabanlı Modeller
Transformer mimarisi 2017'de Google araştırmacılarının "Attention Is All You Need" makalesiyle tanıtıldı; bugün GPT, Gemini ve Llama gibi büyük dil modelleri bu mimarinin üzerine kurulu. Transformer, kendinden dikkat mekanizmasına dayanan bir tür sinir ağı mimarisidir. Bir girdi verildiğinde, mekanizma modelin girdi dizisinin farklı bölümlerine paralel olarak ağırlıklar atamasını sağlar.
Daha sonra, model bu bölümler arasındaki ilişkiyi belirler ve özel girdiye uygun çıktıyı üretir. Transformerlar, dil çevirisi, üretim ve soru-cevaplama gibi NLP görevleri için popüler olarak kullanılır. Ancak, yeni içerik oluşturmak üzere özel olarak eğitilmedikçe, yalnızca generatif modeller olarak kabul edilmeyebilirler.
Akış Tabanlı Modeller
Akış tabanlı modeller, generatif AI modellerinin bir türüdür ve bir veri setindeki verilerin organizasyonunu öğrenmeye odaklanır. Bu modeller, veri setindeki değerlerin/olayların olasılıklarını anlayarak ve bunların ne sıklıkla meydana geleceğini belirleyerek çalışır. Yeni veri noktaları üretirken, mevcut verilerin istatistiksel özelliklerini ve karakteristiklerini korurlar. Bu modellerin özelliği, mevcut verilere uyguladıkları "basit tersine çevrilebilir bir dönüşüm"ün kolayca geri alınabilir veya tersine çevrilebilir olmasıdır.
Dönüşüm tersine çevrilebildiği için bu modeller bir verinin olasılığını tam olarak hesaplayabilir ve basit bir başlangıç dağılımından (ör. rastgele gürültü) tek geçişte örnek üretebilir. 2018'de yayımlanan Glow bu yaklaşımın bilinen örneklerindendir. Dezavantajı, her katmanın tersine çevrilebilir olma şartının mimariyi kısıtlamasıdır.
Akış fikri bugün farklı bir biçimde geri döndü: Stable Diffusion 3, "rectified flow" adlı akış eşleştirme yöntemiyle eğitilen bir transformer modeli olarak 2024'te tanıtıldı. Yani güncel görsel modellerinde difüzyon ve akış yaklaşımları iç içe geçiyor. Ayrıntılar için Stable Diffusion 3 yazımıza bakabilirsin.
Üretken yapay zeka araçlarını denemek istersen Midjourney ile Yapay Zeka Görsel Oluşturma Rehberi, DALL·E 2 Yapay Zeka Görüntü Oluşturma Aracı Nasıl Kullanılır? ve Yapay Zeka ile Görsel ve Video Oluşturmak yazılarımıza göz atabilirsin. Yapay zekanın genel tanımı için Yapay Zeka Nedir? yazımız iyi bir başlangıç.
Sık Sorulan Sorular
Generative AI ne demek?
Generative AI, Türkçede "üretken yapay zeka" demektir. Öğrendiği verilere benzeyen ama onların kopyası olmayan yeni metin, görsel, ses, video ya da kod üreten yapay zeka sistemlerini anlatır.
Generative AI ile klasik yapay zeka arasındaki temel fark nedir?
Klasik yapay zeka var olan veriyi sınıflandırır ya da tahmin yapar; generative AI ise yeni içerik üretir. Örneğin spam filtresi bir e-postayı "spam" diye etiketler, bir dil modeli ise sana yeni bir e-posta yazar.
Generative AI olmayan yapay zeka örnekleri nelerdir?
Spam filtreleri, kredi risk skorlama, ürün öneri sistemleri, arıza tahmini ve görüntüde nesne tespiti gibi sistemler üretken olmayan yapay zekaya örnektir. Bunlar karar ya da tahmin verir, yeni içerik üretmez.
Generative Adversarial Networks (GAN) nedir?
GAN, 2014'te tanıtılan ve iki sinir ağının birbirine karşı eğitildiği bir üretken modeldir. Üreteç sahte örnekler üretir, ayırıcı bunları gerçeklerinden ayırmaya çalışır; bu rekabet üretecin giderek daha gerçekçi çıktılar vermesini sağlar.
ChatGPT bir generative AI mı?
Evet. ChatGPT, transformer mimarisine dayanan büyük dil modelleriyle çalışan bir üretken yapay zeka uygulamasıdır; verdiğin komuta göre bir sonraki kelime parçalarını tahmin ederek yeni metin üretir.
Meta’nın Çığır Açan Yeni AI Uygulaması: Duygusal Anlamda İletişim!


GenAI: Çok Yönlü Yapay Zeka Platformunuz




