Şirketimiz tarafından geliştirilmekte olan Mobil Cihaz Tabanlı Yapay Zeka Sistemlerinde aşağıdaki teknolojiler aktif olarak kullanılmaktadır:

Artificial Intelligence (Yapay Zeka): Yapay zeka (YZ), makinelerin insan benzeri zeka göstermesini sağlayan bilgisayar bilimi dalıdır. Temel amacı, öğrenme, problem çözme, algılama, dil anlama gibi insan zekasının özelliklerini taklit eden algoritmalar ve sistemler geliştirmektir. Yapay zeka, veri analizi, otomatik karar alma süreçleri ve karmaşık problem çözme yetenekleri ile birçok alanda kullanılmaktadır. Özellikle, sağlık, finans, otomotiv ve müşteri hizmetleri gibi sektörlerde devrim yaratma potansiyeline sahiptir.

Machine Learning (Makine Öğrenimi): Makine öğrenimi, yapay zeka alanının bir alt dalıdır ve bilgisayarların insan müdahalesi olmadan verilerden öğrenmesini sağlar. Temelde, algoritmalar büyük veri kümelerinden kalıplar ve ilişkiler çıkarmak için tasarlanır. Bu süreç, veriler üzerinde tahminlerde bulunma veya kararlar alma yeteneğini içerir. Makine öğrenimi, yapay zekanın pratik uygulamalarının çoğunu mümkün kılar ve sağlık teşhisinden, müşteri davranış analizine, hatta finansal piyasaların tahmin edilmesine kadar geniş bir yelpazede kullanılır.

Deep Learning (Derin Öğrenme): Derin öğrenme, makine öğreniminin daha ileri bir dalıdır ve özellikle sinir ağlarına dayanır. Bu yöntem, verileri işleme ve öğrenme konusunda insan beynine benzer şekilde çalışan çok katmanlı yapay sinir ağları kullanır. Derin öğrenme, özellikle görüntü ve ses tanıma, dil işleme ve oyun oynama gibi karmaşık görevlerde başarılıdır. Bu teknoloji, otomatik araçlardan sağlık teşhis sistemlerine kadar birçok yenilikçi uygulamada kullanılmaktadır.

Neural Network (Sinir Ağı): Sinir ağları, insan beyninin işleyişini taklit ederek veri işleme görevlerini yerine getiren yapay zeka yapısını ifade eder. Temel olarak, birçok basit işlem biriminin (nöronların) ağlar halinde birbirine bağlanmasıyla oluşturulur. Bu ağlar, veri setleri üzerinde eğitildiklerinde karmaşık kalıpları tanıyabilir ve tahminler yapabilir. Sinir ağları, derin öğrenme modellerinde temel bileşen olarak kullanılmakta ve görüntü işleme, ses tanıma, dil işleme gibi alanlarda etkili sonuçlar üretmektedir.

Supervised Learning (Denetimli Öğrenme): Denetimli öğrenme, makine öğrenimi algoritmalarının etiketlenmiş veri setleri kullanarak eğitildiği bir yöntemdir. Bu süreçte, algoritma girdi (örneğin, görüntüler) ve beklenen çıktı (örneğin, etiketler) arasındaki ilişkiyi öğrenir. Bu model, daha sonra benzer verilere dayanarak doğru tahminlerde bulunabilir. Denetimli öğrenme, e-posta filtreleme, kredi skorlaması ve kanser teşhisi gibi birçok pratik uygulamada kullanılır.

Unsupervised Learning (Denetimsiz Öğrenme): Denetimsiz öğrenme, etiketlenmemiş veri setlerini kullanarak kalıpları, ilişkileri veya yapıları keşfetmek için tasarlanmış bir makine öğrenimi tekniğidir. Bu yöntemde, algoritma verilerdeki gizli yapıları veya grupları bulmak için eğitilir, ancak doğru sonuçların ne olduğu önceden belirlenmez. Denetimsiz öğrenme, müşteri segmentasyonu, genetik kümelenme ve pazar analizi gibi alanlarda yaygın olarak kullanılır.

Reinforcement Learning (Takviyeli Öğrenme): Takviyeli öğrenme, bir algoritmanın deneme yanılma yoluyla optimal davranışları öğrendiği bir makine öğrenimi modelidir. Bu süreçte, algoritma çevreden gelen geri bildirimlere (ödüller veya cezalar) dayanarak kararlar alır. Bu yöntem, özellikle oyun oynama, robotik kontrol sistemleri ve otomatik ticaret stratejileri gibi alanlarda kullanılır.

Natural Language Processing (Doğal Dil İşleme): Doğal dil işleme (NLP), bilgisayarların insan dillerini anlaması, işlemesi ve üretmesi ile ilgilenen bir yapay zeka alanıdır. NLP, metin ve konuşma verilerini analiz ederek dilin yapısını ve anlamını çözümlemeye çalışır. Bu teknoloji, chatbotlar, çeviri sistemleri ve sesli asistanlar gibi uygulamalarda kullanılır.

Computer Vision (Bilgisayar Görüşü): Bilgisayar görüşü, makinelerin görsel verileri (fotoğraf, video) işleyerek anlamlandırmasını sağlayan bir yapay zeka alanıdır. Bu teknoloji, nesne tanıma, yüz tanıma, görüntü sınıflandırma gibi görevlerde kullanılır ve otomatik araçlar, sağlık teşhisi, güvenlik sistemleri gibi birçok alanda etkili uygulamalar sunar.

Expert System (Uzman Sistem): Uzman sistem, belirli bir problemi çözmek veya belirli bir işlemi gerçekleştirmek için adım adım talimatlar setidir. Algoritmalar, veri işleme, otomatik hesaplama ve çeşitli bilgisayar işlemlerinin temelini oluşturur. Etkili algoritmalar, bilgisayar sistemlerinin daha hızlı ve verimli çalışmasını sağlar.

Robotics (Robotik): Robotik, makinelerin tasarımı, yapımı ve kullanımıyla ilgili bir teknoloji ve mühendislik alanıdır. Robotlar, otomasyon, üretim ve keşif gibi birçok alanda kullanılır. Gelişmiş robotik sistemler, yapay zeka ve makine öğrenimi teknikleriyle donatılarak daha karmaşık görevleri yerine getirebilir.

Explainable AI (Açıklanabilir Yapay Zeka): Açıklanabilir yapay zeka, YZ’nin karar verme süreçlerini insanlar için anlaşılır ve şeffaf hale getirmeyi amaçlar. Bu, hem kullanıcı güvenini artırır hem de geliştiricilerin sistemlerini daha iyi anlamalarını ve düzenlemelerini sağlar.


Bu teknolojilerin hayata geçirilmesi amacı ile şirketimiz bünyesinde aşağıdaki yazılım kütüphaneleri kullanılmaktadır:

TensorFlow: TensorFlow açık kaynaklı bir kütüphanedir. Sayısal hesaplama veri akışı grafiklerinin kullanımını dahil eder. Matematiksel eylemlerin kavramsallaştırılmasına farklı bir bakış açısı sunar. Bu framework’le yapay sinir ağları oluşturabilir ve bu ağları eğitebilir.

PyTorch: PyTorch açık kaynaklı bir kütüphanedir. Lua temelli bir framework’tür. Model oluşturma ve ürün ölçeklendirme için tasarlanmıştır. Çok çeşitli makine öğrenmesi algoritmalarına sahiptir. PyTorch kullanıcılara karmaşık tersör hesaplamaları gerçekleştirme olanağı sunar.

Theano: Çok boyutlu dizilere matematiksel operasyonlar gerçekleştiren Python temelli bir kütüphanedir. Framework, CPU yerine GPU kullanır. Bu yüzden yüksek üretkenlik seviyelerine sahiptir. Theano’yla geliştiriciler derin öğrenme modelleri veya wrapper kütüphaneleri oluşturur. Framework’ün başka bir avantajı da büyük yapay sinir ağı algoritmaları için gerekli hesaplama yöntemlerini yönetebilmesidir.

Keras: Keras, derin öğrenme modelleri için kullanılan Python temelli bir kütüphanedir. Diğer Python kütüphaneleri ile de uyumludur (TensorFlow ve Theano dahil). Framework’ün ana amacı yapay sinir ağlarının hızlı prototiplenmesidir. Geliştiriciler derin yapay sinir ağlarıyla deney yapabilir ve bu ağları eğitebilirler.

Scikit-learn: Scikit-learn veya Sklearn makine öğrenmesi modelleri oluşturmak için kullanılan Python temelli bir kütüphanedir. Regresyon, kümeleme ve sınıflandırma için kullanılan pek çok öğrenme algoritmasına sahiptir. Sklearn NumPy ve SciPy ile uyumludur. Yani farklı Python kütüphaneleri ile kolaylıkla çalışabilir.

USA Mountain View de devam eden VC ortak çalışmalarımız kapsamında sunulmuş olan bir proje önerimizin bilgileri aşağıda verilmiştir:

Artificial Intelligence Framework to Protect Children from Harmful Digital Content;

Our framework is an open source project being developed on Python,
That can be used on any type of digital device to monitor any kind of digital content
It monitors the actual screen that the child is viewing;
therefore it has direct access to the content being viewed;
therefore it can not be deceived by existing harmful methods of evading survellience.

Our framework consists of;
A. Machine learning architecture
B. Machine learning computation (off-line)
C. Data science algorithms
D. Classification of viewed content (online)

If you would like to learn more about our new products please send an introductory mail to: info@mobileai-it.com -->