AI və ML fərqi iyerarxiya ilə izah olunur: AI ən geniş anlayışdır; maşın öyrənməsi (ML) AI-nin datadan nümunə öyrənən alt sahəsidir, Deep Learning isə çoxqatlı neyron şəbəkələrdən istifadə edən ML yanaşmasıdır. Qısa iyerarxiya belədir: Deep Learning ⊂ Machine Learning ⊂ Artificial Intelligence. Buna görə hər Deep Learning sistemi ML və AI-dir, amma hər AI sistemi ML, hər ML modeli isə Deep Learning deyil.
Termin fərqi təqdimat üçün yox, layihə qərarı üçün lazımdır. Sadə qayda sistemi eyni işi etibarlı həll edirsə, böyük neyron şəbəkə qurmaq üstünlük deyil. Problem, data, izah tələbi və xəta dəyəri hansı yanaşmanın uyğun olduğunu müəyyənləşdirir.
Alqoritm, model və məhsulu da ayırmaq lazımdır. Alqoritm təlim və hesablama üsuludur; model həmin üsulla datadan öyrənilmiş parametrlər toplusudur; məhsul isə modeli interfeys, məlumat bazası, qayda və insan iş axını ilə birləşdirir. İstifadəçi “AI aləti” görür, amma arxada bu qatların bir neçəsi eyni anda işləyir.
Süni intellekt nəyi əhatə edir?
Süni intellekt maşın əsaslı sistemin verilən girişdən necə proqnoz, məzmun, tövsiyə və ya qərar çıxaracağını müəyyən etdiyi geniş sahədir. OECD-nin 2024 izah sənədi AI sistemlərinin muxtariyyət və istifadədən sonrakı uyğunlaşma səviyyəsinin fərqlənə biləcəyini də vurğulayır.
AI yalnız öyrənən model demək deyil. Qayda əsaslı ekspert sistemləri, axtarış və planlama alqoritmləri, bilik bazaları, optimallaşdırma və maşın öyrənməsi AI çərçivəsində yer ala bilər. Məsələn, şahmat proqramı mümkün gedişləri axtarış və əvvəlcədən yazılmış qiymətləndirmə qaydaları ilə seçirsə, bu AI tapşırığıdır, amma mütləq ML deyil.
AI termini məhsul marketinqində həddindən artıq geniş işlənir. Avtomatik işləyən hər proqram ağıllı sistem deyil; vaxt qurğusu ilə e-poçt göndərmək və ya sabit “əgər–onda” qaydası sadə avtomatlaşdırma ola bilər. Daha geniş çərçivə süni intellekt nədir bələdçisində izah olunur.
Maşın öyrənməsi nədir?
Maşın öyrənməsi proqramın bütün qaydaları əl ilə yazılmadan, data üzərindəki nümunələrdən model qurmasıdır. NIST ML-ni dəqiqliyi yaxşılaşdırmaq məqsədilə datadan öyrənən və uyğunlaşan kompüter sistemlərinin hazırlanması və istifadəsi kimi müəyyənləşdirir. NIST-in termin səhifəsi anlayışı istinad sənədləri ilə birlikdə verir.
Nəzarətli öyrənmədə model cavabı məlum nümunələrdən girişlə nəticə arasındakı əlaqəni öyrənir. Nəzarətsiz öyrənmədə hazır cavab olmadan qrup və struktur axtarır. Möhkəmləndirmə öyrənməsində agent mühitdəki hərəkətlərə görə mükafat və cəza siqnalı alır. Generativ modellər isə data nümunələrindən yeni məzmun yarada bilər.
ML-nin fərqləndirici cəhəti datadır, amma “çox data = yaxşı model” düsturu yoxdur. Data müxtəlif, təmsilçi və məqsədə uyğun olmalıdır. Google-un 2025-də yenilənmiş nəzarətli öyrənmə izahı modelin xüsusiyyətlə etiket arasındakı riyazi əlaqəni təlimdə öyrəndiyini, qiymətləndirmənin isə görülməmiş nümunədə aparıldığını göstərir.
Deep Learning nədir?
Deep Learning, Azərbaycan dilində dərin öyrənmə, çoxsaylı emal qatından ibarət neyron şəbəkələrlə verilənlərin mərhələli təsvirini öyrənən ML yanaşmasıdır. “Dərin” sözü düşüncənin dərinliyini yox, modeldəki təmsil qatlarını bildirir.
Ənənəvi ML layihəsində mütəxəssis faydalı xüsusiyyətləri daha çox əl ilə seçə bilər. Dərin şəbəkə isə xam görüntü, səs və mətndən qat-qat daha mürəkkəb təsvirləri təlim zamanı öyrənə bilər. LeCun, Bengio və Hintonun 2015 Nature icmalı çoxqatlı modellərin müxtəlif abstraksiya səviyyələrində data təsviri öyrəndiyini və geri yayılma ilə daxili parametrləri dəyişdirdiyini izah edir.
Bu gücün xərci var: çox data, hesablama resursu, təlim vaxtı və monitorinq tələb oluna bilər. Modelin qərarını izah etmək də sadə xətti modeldən çətin olur. Dərin şəbəkənin qat, çəki və aktivasiya mexanizmi neyron şəbəkə bələdçisində addım-addım göstərilib.
AI, ML və Deep Learning necə fərqlənir?
| Meyar | AI | Machine Learning | Deep Learning |
|---|---|---|---|
| Əhatə | Ən geniş sahə | AI-nin alt sahəsi | ML-nin alt yanaşması |
| Əsas mexanizm | Qayda, axtarış, planlama, bilik və ya öyrənmə | Datadan model öyrənmək | Çoxqatlı neyron şəbəkə |
| Data tələbi | Metoddan asılıdır | Adətən strukturlaşdırılmış və məqsədə uyğun data | Çox vaxt daha böyük və mürəkkəb data |
| Xüsusiyyət seçimi | Qayda və ya modeldən asılıdır | İnsan mühəndisliyi daha çox ola bilər | Model təmsili qatlarda öyrənə bilər |
| Hesablama xərci | Çox dəyişir | Aşağıdan yüksəyə qədər | Çox vaxt daha yüksək |
| İzah imkanı | Qayda əsaslı sistemdə yüksək ola bilər | Modeldən asılıdır | Adətən daha çətin |
| Tipik nümunə | Ekspert sistemi və planlama | Kredit risk proqnozu və spam təsnifatı | Görüntü, nitq və böyük dil modeli |
Bu cədvəl sərt qanun deyil. Kiçik neyron şəbəkə az data ilə işləyə, böyük ağac əsaslı ML sistemi ciddi hesablama tələb edə bilər. Əsas fərq resursun dəqiq miqdarı yox, metodların bir-birinə olan iyerarxiyasıdır.
Eyni problem AI, ML və Deep Learning ilə necə həll olunur?
Müştəri məktubunu “satış”, “dəstək” və “şikayət” kateqoriyasına ayırmaq nümunəsinə baxaq. Qayda əsaslı AI sistemində proqramçı “qiymət” sözü varsa satış, “işləmir” sözü varsa dəstək kimi şərtlər yaza bilər. Qaydalar görünəndir, amma dil dəyişdikcə siyahı böyüyür və istisnalar artır.
ML yanaşmasında əvvəlki məktublar etiketlənir. Model söz, ifadə və başqa xüsusiyyətlərlə kateqoriya arasındakı əlaqəni öyrənir, yeni məktuba ehtimal verir. Dərin öyrənmə modelində isə böyük neyron şəbəkə cümlənin kontekstual təsvirini öyrənə və daha mürəkkəb dil nümunələrini tuta bilər.
| Yanaşma | Üstünlük | Zəiflik | Nə vaxt məntiqlidir? |
|---|---|---|---|
| Qayda əsaslı AI | Sadə, izlənən, tez qurulan | İstisnalar və dil variasiyası | Qaydalar az və sabitdirsə |
| Ənənəvi ML | Datadan ümumi nümunə öyrənir | Etiket və xüsusiyyət hazırlığı | Kifayət qədər tarixi data varsa |
| Deep Learning | Mürəkkəb mətn təsvirini öyrənə bilər | Data, xərc, izah və monitorinq | Miqyas və mürəkkəblik bunu əsaslandırırsa |
Burada ən böyük model avtomatik qalib deyil. On min sabit sorğunu iki qayda 99% düzgün ayırırsa, dərin şəbəkənin əlavə xərci əsaslandırılmaya bilər. Əksinə, milyonlarla çoxdilli və qeyri-sabit mesajda sadə söz siyahısı kifayət etməz.
Hansı yanaşmanı seçmək lazımdır?
Seçim texnologiya adından yox, baza nəticədən başlayır. Əvvəl qayda və sadə modelin nə verdiyini ölçün. Sonra əlavə mürəkkəbliyin dəqiqlik, gəlir, vaxt və risk baxımından real üstünlük yaradıb-yaratmadığını yoxlayın.
- Problemi yazın: giriş, çıxış, istifadəçi və səhvin nəticəsi nədir?
- Qayda bazasını yoxlayın: məsələ az sayda sabit şərtlə həll olunurmu?
- Data audit edin: nümunə sayı, keyfiyyət, etiket və təmsilçilik kifayətdirmi?
- Sadə baza qurun: xətti model, qərar ağacı və ya qayda ilə ilkin göstəricini alın.
- Mürəkkəb modeli sınayın: Deep Learning yalnız ölçülən üstünlük verirsə saxlayın.
- İstehsal xərcini hesablayın: inteqrasiya, gecikmə, monitorinq və yenidən təlimi daxil edin.
Azərbaycan dili layihəsində yerli mətn və istifadəçi nümunəsi ayrıca vacibdir. İngiliscə benchmark eyni şəkilçi, ad, dialekt və sektor terminlərini əhatə etmir. Model ailəsindən asılı olmayaraq yerli test dəsti olmadan “işləyir” qərarı yarımçıqdır.
AI, ML və Deep Learning haqqında tez-tez verilən suallar
AI və Machine Learning eyni şeydirmi?
Xeyr. ML AI-nin datadan model öyrənən alt sahəsidir. AI isə qayda əsaslı sistem, axtarış, planlama və başqa yanaşmaları da əhatə edir.
Deep Learning üçün həmişə böyük data lazımdır?
Həmişə eyni həcmdə deyil. Hazır təlim almış modelin uyğunlaşdırılması daha az data tələb edə bilər. Bununla belə nəticəni etibarlı yoxlamaq üçün məqsədə uyğun, müxtəlif və kifayət qədər nümunə yenə lazımdır.
ChatGPT AI, ML, yoxsa Deep Learning-dir?
ChatGPT AI məhsuludur və arxasında Deep Learning əsasında qurulmuş generativ dil modelləri işləyir. Deməli, hər üç çərçivəyə daxildir, amma məhsulun özü təkcə modeldən ibarət deyil. Generativ AI izahı bu fərqi genişləndirir.
Sadə ML Deep Learning-dən daha yaxşı ola bilər?
Bəli. Kiçik strukturlaşdırılmış datada və izah tələbi yüksək olduqda sadə model eyni və ya daha yaxşı nəticəni daha az xərc və daha aydın qərarla verə bilər. Cavabı benchmark yox, həmin layihənin test göstəricisi verir.
Mənbələr və əlavə oxu
- OECD.AI, 5 March 2024: Updated definition of an AI system
- NIST CSRC Glossary: Machine Learning
- Google for Developers: What is Machine Learning?, 5 January 2026 yenilənməsi
- Google for Developers: Supervised Learning, 25 August 2025 yenilənməsi
- LeCun, Bengio və Hinton, Nature 521 (2015): Deep learning
