Üretken Yapay Zekâ Modelleriyle Yapabileceğiniz 5 Proje (örneklerle)

Bu yazıda, makine öğrenimi ve veri bilimi portföyünüzü oluşturup güçlendirmenize yardımcı olacak beş üretken yapay zekâ projesini inceleyeceğiz. Bu projeler, Stable Diffusion, Segment Anything, LangChain, Alpaca-LoRA ve daha fazlası gibi en yeni teknolojileri anlamanızı geliştirmek üzere tasarlandı.

Üretken yapay zekâda yeni olun ya da bir miktar deneyime sahip olun, bu projeler iş başvuruları ve mülakatlarda öne çıkmanıza yardımcı olacak değerli beceriler kazandıracak.

GPT serisi—GPT-1, GPT-2, GPT-3 ve GPT-4—hakkında bilgi edinmek için 'GPT-4 Nedir ve Neden Önemlidir?' başlıklı makaleyi inceleyebilirsiniz. Ayrı bir yazıda başka yapay zekâ projelerini de görebilirsiniz.

1. StableSAM: Segment Anything ile Stable Diffusion Inpainting

Bu projede, Meta’nın segment-anything aracını, Hugging Face diffusers paketini ve Gradio’yu kullanarak seçtiğiniz arka planı, yüzü, kıyafetleri veya başka öğeleri değiştirebilen bir uygulama oluşturacaksınız. İhtiyacı olan tek şey görsel, seçilen alan ve bir istem.

Kullanım alanı:

StableSAM, dijital pazarlama, tasarım ve eğlence sektörlerindeki kreatif profesyoneller için mükemmeldir. Görsellerin belirli bölümlerini hassas biçimde düzenlemeye olanak tanır; arka planı değiştirmek, kıyafetleri farklılaştırmak veya tanıtım materyallerindeki nesneleri düzenlemek gibi görevler için idealdir. Hobi amaçlı kullanıcılar içinse ileri düzey tasarım becerilerine gerek kalmadan görsel özelleştirme yapmanın harika bir yoludur.

Öğrenecekleriniz:

• Stable Diffusion kullanarak bir inpainting hattı (pipeline) uygulamak
• Görsel segmentasyonu için Meta’nın Segment Anything Modeli (SAM) ile çalışmak
• Gradio ile etkileşimli bir web uygulaması oluşturmak
• Model dağıtımı için Hugging Face diffusers kullanmak

Stable Diffusion Inpainting Hattı Oluşturma

stabilityai/stable-diffusion-2-inpainting · Hugging Face üzerinde bulunan diffuser ve model ağırlıklarını kullanarak bir Stable Diffusion Inpainting hattı oluşturacağız. Ardından GPU hızlandırma için CUDA’ya ekleyeceğiz. 

Görsel Maskesi ve Inpainting İşlevini Tanımlama

Görsel maskeleme işlevi SAM Predictor kullanılarak oluşturulur. Bir görseli, seçilen görsel bölümünü ve maskeleme oluşturmak için bir is_backgroud boolean değeri alarak maskeli görsel ve segmentasyon oluşturur. 

Sonrasında, inpainting işlevi Stable Diffusion Inpainting hattını kullanarak görsellerin seçili kısımlarını değiştirir. Bu hatlar girdi görseli, maskeli görsel, segmentasyon görseli, istem metni ve olumsuz istem metni gerektirir.  

Gradio Arayüzü Oluşturma

Bir satır oluşturup üç görsel bloğu ekleyeceksiniz. Asgari uygulanabilir ürün için, bir satır daha ekleyip bir gönder düğmesi eklemeniz gerekir. Ardından, giriş görseli nesnesini piksel seçimi yapacak, maske ve segmentasyon üretecek şekilde düzenleyip, inpainting işlevini çalıştırması için gönder düğmesine eylem eklemeniz gerekir.

Gradio öğrenmesi oldukça kolaydır. Gradio Dokümantasyonunu okuyarak her şeyi öğrenebilirsiniz. 

StableSAM’in Geliştirilmiş Sürümü

StableSAM’in geliştirilmiş sürümü Hugging Face üzerinde mevcuttur ve ControlNet kullanan özelleştirilmiş bir inpainting hattı içerir. Stability AI yerine Runway ML Stable Diffusion Inpainting kullanır. 

Gördüğünüz gibi, son sürüm uygulama segmentasyon bloğu, temizle düğmesi, arka plan seçeneği ve olumsuz istemle birlikte sade bir görünüme sahip. 

Kaynaklar: 

• Hugging Face Demo: StableSAM
• YouTube Eğitimi: Segment Anything Model (SAM) ile Stable Diffusion Inpainting

2. Alpaca-LoRA: Minimum Kaynakla ChatGPT Benzeri Sohbet Botu Oluşturma 

Alpaca-LoRA, tek bir GPU kullanarak size özel ChatGPT benzeri bir sohbet botu oluşturmanız için gereken tüm bileşenleri sunar. Bu projede, ilk kurulum, eğitim, çıkarım (inference) betiği ve CPU üzerinde çıkarım çalıştırmak için yerel istemciye bakacağız.

Kullanım alanı:

Bu proje, özelleştirilmiş konuşmalı yapay zekâ sistemleri geliştirmekle ilgilenenler için harikadır. Küçük bir işletme için müşteri hizmetleri sohbet botu oluştursanız da kişisel bir asistan geliştirmek isteseniz de, Alpaca-LoRA sınırlı hesaplama kaynaklarıyla uzmanlaşmış bir sohbet botunu verimli şekilde eğitmenin yolunu sunar. Bütçe dostu dil modeli ince ayarlarıyla denemeler yapmak için idealdir.

Öğrenecekleriniz:

• Tek bir GPU’da LoRA ile dil modellerini ince ayarlama
• Stanford Alpaca veri kümesini kurma ve kullanma
• Düşük kaynaklı ortamlarda (örn. Raspberry Pi) çıkarım betiklerini çalıştırma
• Gradio tabanlı bir sohbet botu arayüzü dağıtma
• LLaMA gibi büyük dil modellerinin nasıl eğitilip optimize edildiğini anlama

Yerel Kurulum

1. Depoyu klonlayın: tloen/alpaca-lora
2. pip install -r requirements.txt komutuyla bağımlılıkları yükleyin
3. Eğer bitsandbytes çalışmazsa, kaynaktan yükleyin. 

Eğitim

Bu bölümde, temizlenmiş Stanford Alpaca modeli kullanılarak LLaMA modeli üzerinde çalıştırabileceğiniz ince ayar betiğine bakacağız. 

Daha iyi performans için hiperparametreleri ayarlamak üzere depoya göz atabilirsiniz.

python finetune.py \
    --base_model 'decapoda-research/llama-7b-hf' \
    --data_path 'yahma/alpaca-cleaned' \
    --output_dir './lora-alpaca'

Çıkarım

Çıkarım betiği, temel LLaMA modelini Hugging Face’ten okur ve bir Gradio arayüzü çalıştırmak için LoRA ağırlıklarını yükler. 

python generate.py \
    --load_8bit \
    --base_model 'decapoda-research/llama-7b-hf' \
    --lora_weights 'tloen/alpaca-lora-7b'

Ayrıca alpaca.cpp ile alpaca modellerini CPU’da veya 4 GB RAM’li Raspberry Pi 4’te çalıştırabilirsiniz. Ayrıca, aşağıda gösterildiği gibi ChatGPT tarzı bir arayüz oluşturmak için Alpaca-LoRA-Serve kullanabilirsiniz. 

Kaynaklar:

• GitHub: tloen/alpaca-lora
• Model Kartı: tloen/alpaca-lora-7b
• Hugging Face Demo: Alpaca-LoRA-Serve
• ChatGPT tarzı arayüz: Alpaca-LoRA-Serve
• Alpaca Veri Kümesi: AlpacaDataCleaned

3. LangChain ve ChatGPT ile PDF Etkileşimini Otomatikleştirme

LangChain’in PDF yükleyicisi, OpenAI Embeddings ve GPT-3.5 kullanarak kendi ChatPDF klonunuzu oluşturun. Kitaplarınız, hukuki belgeleriniz ve diğer önemli PDF dokümanlarınızla iletişim kurabilen bir sohbet botu geliştireceksiniz.

Kullanım alanı:

Bu proje, araştırma makaleleri, hukuki sözleşmeler veya finansal raporlar gibi doküman tabanlı iş akışlarını otomatikleştirmek için kullanışlıdır. PDF dokümanlar hakkında belirli soruları yanıtlayan bir sohbet botu oluşturabilirsiniz; bu da büyük metinleri işlemeyi gerektiren hukuk, akademi veya iş zekâsı gibi sektörlerde güçlü bir araç olabilir.

Öğrenecekleriniz:

• LangChain’in PyPDFLoader’ını kullanarak PDF dokümanlarını yükleme ve işleme
• OpenAIEmbeddings ile gömlemeler oluşturma ve doküman verisini vektörleştirme
• Chroma ile doküman sorgulama için bir vektör veritabanı kurma
• Soru-cevap için ChatGPT’yi vektörleştirilmiş verilerle entegre etme
• Gradio kullanarak basit bir PDF sohbet botu arayüzü geliştirme

Dokümanı yükleme

PDF’leri yüklemek ve içeriklerini okumak için LangChain doküman yükleyicisini kullanacağız.

from langchain.document_loaders import PyPDFLoader

pdf_path = "./paper.pdf"
loader = PyPDFLoader(pdf_path)
pages = loader.load_and_split()
print(pages[0].page_content)

Gömlemeler Oluşturma ve Vektörleştirme

LangChain API’sindeki OpenAIEmbeddings sınıfını kullanarak gömlemeler oluşturacağız. Ardından bu gömlemeleri Chroma sınıfına aktararak PDF dokümanı için bir vektör veritabanı oluşturacağız. 

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma

embeddings = OpenAIEmbeddings()
vectordb = Chroma.from_documents(pages, embedding=embeddings, persist_directory=".")

vectordb.persist()

PDF’yi Sorgulama

Oluşturulan vektör veritabanı ile ChatGPT arasında etkileşim kurmak için ChatVectorDBChain sınıfını kullanacağız. 

from langchain.chains import ChatVectorDBChain
from langchain.llms import OpenAI

pdf_qa = ChatVectorDBChain.from_llm(
    OpenAI(temperature=0.9, model_name="gpt-3.5-turbo"),
    vectordb,
    return_source_documents=True,
)

query = "What is the VideoTaskformer?"
result = pdf_qa({"question": query, "chat_history": ""})
print("Answer:")
print(result["answer"])

Bir sonraki adım video eğitiminde belirtilmiyor. Gradio çerçevesini kullanarak bir web uygulaması oluşturabilir ve bunu iş arkadaşlarınızla ve arkadaşlarınızla paylaşabilirsiniz. 

Kaynaklar:

• YouTube Eğitimi: LangChain ve ChatGPT ile Bir PDF ile Nasıl Konuşulur
• Kod Kaynaklı Blog: LangChain ve ChatGPT ile PDF Etkileşimini Otomatikleştirme
• Buna da göz atın: LangChain ile CSV & Excel’inizle Konuşun 

4. Bing-GPT Sesli Asistan

J.A.R.V.I.S. gibi, yapay zekâ destekli kişisel asistanınızı oluşturun. Bunun için OpenAI API’ı, metinden konuşmaya kütüphanesi, konuşma tanıma kütüphanesi ve üretken yapay zekâya ihtiyacınız olacak.

Kullanım alanı:

Bing-GPT Sesli Asistan, hatırlatıcı ayarlama, soruları yanıtlama veya akıllı ev cihazlarını kontrol etme gibi görevleri yerine getirebilen ses kontrollü yapay zekâ kişisel asistanları oluşturmak için idealdir. Bu proje, işletmeleri otomatikleştirmek, ses tabanlı müşteri hizmetleri çözümleri geliştirmek veya engelli kişiler için erişilebilir yapay zekâ araçları oluşturmak üzere de genişletilebilir.

Öğrenecekleriniz:

• Sohbet botu yanıtları üretmek için OpenAI’ın API’ını kullanma
• Whisper ve Polly ile konuşma sentezi ve tanıma uygulama
• Sesli etkileşimler için uyandırma kelimesi algılamayı kurma
• EdgeGPT ve ChatGPT’yi kullanarak hibrit bir yapay zekâ asistanı oluşturma
• Python’da metinden konuşmaya ve konuşma tanıma teknolojilerini entegre etme

Gerekli kütüphaneleri yükledikten sonra OpenAI API anahtarını sağlamanız gerekir:

openai.api_key = "[paste your OpenAI API key here]"

Uyandırma kelimesi

Yapay zekâyı etkinleştirmek için bir uyandırma kelimesi işlevi oluşturun. Bu örnekte geliştirici “‘bing” veya “gpt” kullanıyor.

Konuşma Sentezi

Konuşma sentezi işlevi metinden konuşmaya çıkarımı sağlar. boto3 üzerinden polly’ye (metinden konuşmaya) erişebilir ve pydub kullanarak sesi oynatabilirsiniz.

Whisper ile Transkripsiyon

Konuşma tanıma openai/whisper tarafından yapılır. Bunu uygulamanıza eklemek için yalnızca API’ı çözümlemeniz gerekir. 

EdgeGPT ile Sohbet Botu

Son olarak, bir sohbet botu oluşturmak için acheong08/EdgeGPT ve OpenAI API’ını kullanacaksınız. Kullanıcı uyandırma kelimesi olarak “bing" derse EdgeGPT modeli, aksi hâlde ChatGPT modeli kullanılacaktır. 

Çok daha basit bir Sesli Asistan uygulaması arıyorsanız, OpenAI Whisper, ChatGPT, TTS ve Gradio Web UI projesine göz atın. 

Kaynaklar:

• YouTube Eğitimi: 7 Dakikada ChatGPT & Bing Sesli Asistan Oluşturun
• GitHub: Ai-Austin/Bing-GPT-Voice-Assistant
• Alternatif Çözüm: youtube-stuffs/voiceGPT.ipynb

5. Uçtan Uca Bir Veri Bilimi Projesi

Bu projede, ChatGPT’yi kullanarak uçtan uca kredi onayı sınıflandırıcı uygulamaları üzerinde çalışacağız. Tek ihtiyacımız olan ChatGPT arayüzüne erişim ve kodu çalıştıracak kişisel bir makine. 

Kullanım alanı:

Bu proje, yapay zekâ kullanarak tam işlevli bir makine öğrenimi hattı (pipeline) oluşturmak isteyen hevesli veri bilimciler için tasarlanmıştır. Bir makine öğrenimi modelini planlamak, yürütmek ve dağıtmak için ChatGPT’yi nasıl kullanacağınızı öğrenecek, bu da projeyi herhangi bir veri bilimi portföyü için mükemmel bir ek haline getirecektir. Bu projeyi kredi onayı tahmini, churn tahmini veya sahtekârlık tespiti için kullanın.

Öğrenecekleriniz:

• Keşifsel veri analizi (EDA) için ChatGPT’den yararlanma
• Özellik mühendisliği ve veri ön işleme görevlerini otomatikleştirme
• ChatGPT desteğiyle makine öğrenimi modelleri oluşturma ve ayarlama
• Gradio kullanarak bir makine öğrenimi web uygulaması oluşturma

Proje Planlama

Planlama aşamasında, veri kümesini ve ondan ne istediğimizi açıklayacağız. Bazen yanıtlar mükemmel olmayabilir; takip istemleri vererek yanıtı iyileştirebilirsiniz. 

Ardından kısa plana uymaya başlayacağız. 

Keşifsel Veri Analizi (EDA) 

ChatGPT’den veri kümesini yükleyecek ve çeşitli görselleştirme teknikleriyle keşifsel veri analizi yapacak Python kodu üretmesini isteyeceğiz. Hatta sonuçları yorumlamasını da isteyebilirsiniz.

Özellik Mühendisliği

ChatGPT’den özellik mühendisliği kodu yazmasını istedik ve şaşırtıcı şekilde mevcut özelliklerden iki yeni özellik oluşturdu. Bu, yapay zekânın artık veri kümesini bütünüyle anladığı anlamına geliyor. 

Veriyi Ön İşleme ve Dengeleme

Dengesiz bir veri kümemiz var ve bu bölümde, ön işleme ve sınıf dengeleme kodunu oluşturmak için ChatGPT’den yararlanacağız. 

Model Seçimi

Makine öğrenimi modellerini belirterek ChatGPT’den model seçimi kodu yazmasını istedik. Kodu çalıştırdıktan sonra en iyi performans gösteren modeli seçeceğiz. 

Hiperparametre Ayarı ve Model Değerlendirme

Performansı artırmak için, hiperparametre ayarı ve model değerlendirmesi için Python kodu yazmasını ve en iyi performans gösteren modeli kaydetmesini ChatGPT’den isteyeceğiz.

Gradio ile Web Uygulaması Oluşturma

Kaydedilen model ve ön işlemeyi kullanarak Gradio uygulama kodu yazmasını ChatGPT’den isteyeceğiz. Yapay zekâ, giriş özelliklerini ve çıktı sonuçlarını doğru anladı. Sonuç olarak, tam işlevli bir web uygulaması elde ettik. 

Uygulamayı Spaces’a Dağıtma

Son adımda, web uygulamasını bir Space’e dağıtmasını ChatGPT’den istedik. Uygulayıp birkaç dakika içinde dağıtabileceğimiz bazı adımlar sundu. 

Bu proje ayrıca, her alan için giderek daha önemli hale gelen etkili istem yazma ipuçlarını da öğretecek. 

Kaynaklar: 

• DataCamp Eğitimi: Veri Bilimi Projelerinde ChatGPT Kullanımına Rehber
• Hugging Face Demo: Loan Classifier

Sonuç

Bu, üretken yapay zekâ modelleriyle geleceklerin yalnızca başlangıcı. Açık kaynak topluluğu, her tür yapay zekâyı oluşturmanıza yardımcı olacak araçları geliştirmek için yoğun şekilde çalışıyor. Bu araçları kullanarak AGI (Genel Yapay Zekâ) bile oluşturabilirsiniz; Auto-GPT (GPT-4’ü tamamen otonom hâle getirmeyi amaçlayan deneysel açık kaynak) ve babyagi (yapay zekâ destekli görev yönetim sistemi) projelerine göz atın. 

Bu yazıda, her seviyeden kişinin anlayabileceği ve başlamak için daha az kaynak gerektiren projeleri ele aldık. Hepsi, herkesin kullanımı için erişilebilir açık kaynak araçlar, modeller, veri kümeleri ve paketler kullanıyor.

ChatGPT’de yeniyseniz, ChatGPT’ye Giriş kursunu almayı düşünebilirsiniz. Alternatif olarak, üretken yapay zekâyı zaten biliyorsanız, kapsamlı Veri Bilimi için ChatGPT El Kartını inceleyerek veya aşağıdaki kaynaklara göz atarak istem yazma becerilerinizi geliştirebilirsiniz:

• ChatGPT’ye Giriş kursumuzla ChatGPT’ye başlamanızı sağlayın.
• Bu kullanışlı veri bilimi için ChatGPT istemleri el kartını indirin.
• ChatGPT ve GPT-3’ün İş Akışlarını Nasıl Güçlendirdiği üzerine bu podcast bölümünü dinleyerek ChatGPT’nin işletmenize nasıl fayda sağlayabileceğini anlayın.
• Whisper API hakkında eğitim
• Yapay zekâ öğrenmeye başlayın