Küçük Veri ile Büyük AI Projeleri Mümkün mü?

"AI için milyonlarca veri gerekir" cümlesi 5 yıl önce doğruydu; bugün eski. Transfer learning, foundation modeller ve few-shot teknikleri sayesinde, 100-1000 örnekle bile anlamlı sonuçlar üretmek mümkün. Özellikle Türkiye'deki KOBİ'ler için bu çok büyük bir fırsat — devasa veri setleri olmayan şirketler de AI'dan yararlanabiliyor.

Transfer learning'in özü şu: zaten milyonlarca görselle eğitilmiş bir model (örn. ResNet, ViT) alıyorsunuz, sadece son katmanlarını kendi verinizle yeniden eğitiyorsunuz. Görsel sınıflandırma için 200-500 örnek genellikle yeterli oluyor. Aynı yaklaşım metin için de geçerli: BERT, GPT gibi modeller, kendi sektörünüze özel sınıflandırıcılar oluşturmak için ideal başlangıç noktası.

Few-shot ve zero-shot teknikler ise oyunu tamamen değiştirdi. GPT-4 gibi büyük dil modellerine 3-5 örnek vererek bile birçok sınıflandırma ve özetleme görevini çözebiliyorsunuz, hiç eğitim yapmadan. Bir muhasebe firmasında, sadece 8 örnek faturayla, gelen faturaları kategorilere ayıran bir sistem kurduk. Doğruluk %94'e ulaştı, hiç model eğitmedik.

Veri arttırma (data augmentation) bir başka güçlü teknik. Görsel projelerde rotasyon, kırpma, parlaklık değişiklikleri ile aynı veriyi 10-20x çoğaltıyorsunuz. Metinde ise paraphrasing, eş anlamlı kelime değişimi kullanılıyor. ClientIQX'in saha deneyimine göre, doğru kombinasyonla 100 örneklik bir veri seti, 5000 örneklik bir setin %85'i kadar performans sağlayabiliyor. AI'ya başlamak için veri envanteri korkusu yapmayın; küçük başlayın, büyüyün.