AI, ML və Deep Learning arasındakı fərqlər

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?

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.

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.

1. Problemi yazın: giriş, çıxış, istifadəçi və səhvin nəticəsi nədir?
2. Qayda bazasını yoxlayın: məsələ az sayda sabit şərtlə həll olunurmu?
3. Data audit edin: nümunə sayı, keyfiyyət, etiket və təmsilçilik kifayətdirmi?
4. Sadə baza qurun: xətti model, qərar ağacı və ya qayda ilə ilkin göstəricini alın.
5. Mürəkkəb modeli sınayın: Deep Learning yalnız ölçülən üstünlük verirsə saxlayın.
6. 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.