Makine Öğrenimi ve Sinir Ağları - sayfa 11

[MetaQuotes]

Derin Öğrenme Kahramanları: Andrew Ng, Baidu Araştırma Başkanı Yuanqing Lin ile röportaj yapıyor

Derin Öğrenme Kahramanları: Andrew Ng, Baidu Araştırma Başkanı Yuanqing Lin ile röportaj yapıyor

Baidu Araştırma Başkanı ve Çin Ulusal Derin Öğrenme Laboratuvarı Başkanı Yuanqing Lin, ulusal laboratuvarın kuruluşunu ve bunun derin öğrenme topluluğu üzerindeki etkisini tartışıyor. Lin, Çin'in derin öğrenmeye yaptığı yatırıma ve bunun çeşitli sektörlerde büyümeye nasıl yol açtığına dair içgörüler sağlıyor. Yapay zeka geliştirmede geri bildirim döngülerinin önemini ve bunun daha iyi algoritmalar ve teknolojiler oluşturmaya nasıl yardımcı olduğunu vurguluyor. Lin, bireylere makine öğreniminde güçlü bir temel oluşturmalarını ve alana başarılı bir şekilde girmek için açık kaynaklı bir çerçeveyle başlamalarını tavsiye ediyor.

• 00:00:00 Bu bölümde, Baidu Research başkanı ve Çin'in Ulusal Derin Öğrenme Laboratuvarı başkanı Yuanqing Lin, kişisel öyküsünden ve makine öğrenimi alanına nasıl adım attığından bahsediyor. Lin, UPenn'deki doktora programı için çalışma alanını fizikten makine öğrenimine kaydırdığını ve bunu her gün yeni şeyler öğrendiği çok heyecan verici bir deneyim olarak gördüğünü paylaşıyor. Sonunda ImageNet Challenge için başarılı bir proje üzerinde çalıştı; Çin Ulusal Laboratuvarı'nın başkanı olarak Lin'in amacı, ülkenin en büyük derin öğrenme platformunu inşa ederek araştırmacılara ve geliştiricilere mevcut teknolojiyi iyileştirmeleri ve büyük uygulamalar için yenilerini geliştirmeleri için kaynaklar sunmaktır.
  
  
• 00:05:00 Bu bölümde, Baidu Araştırma Başkanı Yuanqing Lin, yeni yapay zeka ulusal laboratuvarını ve bunun derin öğrenme topluluğu üzerindeki etkisini tartışıyor. Laboratuvarın, araştırmayı yeniden üretmeyi çok daha kolaylaştıracak derin öğrenme modellerini çalıştırmak için nasıl bir bilgi işlem yapısı sağlayacağının altını çiziyor. Ayrıca Çin'in derin öğrenmeye yaptığı yatırımı ve bunun e-ticaret, gözetim ve daha fazlası gibi çeşitli sektörlerde büyümeye nasıl yol açtığını tartışıyor. Lin, AI geliştirmede geri bildirim döngülerinin önemini ve bunun daha iyi algoritmalar ve teknolojiler oluşturmaya nasıl yardımcı olduğunu vurguluyor. Genel olarak, derin öğrenme topluluğunun laboratuvarın kaynaklarından ve uzmanlığından büyük ölçüde yararlanacağına inanıyor.
  
  
• 00:10:00 Bu bölümde, Baidu Araştırma Başkanı Yuanqing Lin, işletmenin derin öğrenme ve yapay zeka alanında başarılı olması için güçlü bir vizyona ve yöne sahip olmanın önemini vurguluyor. Alana giren kişilere açık kaynaklı bir çerçeve ile başlamalarını ve kıyaslama kaynaklarına aşina olmalarını tavsiye ediyor. Lin, bireylerin derin öğrenmenin işleyişini tam olarak anlamak için makine öğreniminde güçlü bir temel oluşturmasını önerir.

[MetaQuotes]

Derin Öğrenmenin Kahramanları: Yapay Zeka, Derin Öğrenme ve Güvenlik Üzerine Şafak Şarkısı

Derin Öğrenmenin Kahramanları: Yapay Zeka, Derin Öğrenme ve Güvenlik Üzerine Şafak Şarkısı

Derin öğrenme ve bilgisayar güvenliği uzmanı Dawn Song, bir röportajda kariyer yolunu ve yapay zeka, derin öğrenme ve güvenlik alanındaki çalışmalarını tartıştı. Song, alana ilk girerken kişinin okumasına rehberlik edecek temel sorunları veya soruları belirlemenin ve diğer alanlarda araştırmayı kolaylaştırmak için temsilde güçlü bir temel geliştirmenin önemini vurguladı. Ayrıca dayanıklı yapay zeka ve makine öğrenimi sistemleri oluşturmanın artan öneminin ve kara kutu saldırılarına karşı savunma mekanizmaları geliştirme konusundaki çalışmalarının altını çizdi. Song, Oasis Labs'ta diferansiyel olarak özel dil modellerini eğitmek ve blok zincirinde gizliliğe öncelik veren bir bulut bilgi işlem platformu geliştirmek de dahil olmak üzere gizlilik ve güvenlik konusundaki çalışmalarını paylaştı. Son olarak Song, yeni alanlara giren insanlara cesur olmalarını ve sıfırdan başlamaktan korkmamalarını tavsiye etti.

• 00:00:00 Bu bölümde görüşmeci, derin öğrenme ve bilgisayar güvenliği uzmanı Dawn Song ile konuşuyor. Song'un kariyer yolu doğrusal değildi, bir fizik lisansıyla başlayıp bilgisayar güvenliğine odaklanarak bilgisayar bilimine geçiyordu. Song, heyecan verici ve ilgi çekici bulduğu için derin öğrenmeyi ve yapay zekayı sürdürmeye karar verdi. Song, haftanın dört gününü derin öğrenmede makale ve kitap okuyarak geçirdi ve bunu en mutlu zamanlarından biri olarak kabul etti. Alanı hakkında daha fazla bilgi edinmek için kendisine bir okuma programı tasarladı.
  
  
• 00:05:00 Bu bölümde konuşmacı, alana ilk girdiğinde derin öğrenme ve yapay zeka üzerine kapsamlı literatüre dalmak için nasıl bir strateji geliştirdiğini tartışıyor. Kişinin okumasına rehberlik edecek kilit sorunları veya soruları belirlemenin yanı sıra, alandaki diğer kişilerin görüşlerini aramanın ve en iyi okuma listesi oluşturmak için blog gönderileri, makaleler ve referanslar aracılığıyla üçgenleme yapmanın önemini vurgular. Konuşmacının erkenden araştırmakla ilgilendiği temel sorulardan biri, bu alanda hala açık bir soru olduğuna inandığı büyük temsillerin nasıl inşa edileceğiydi. Diğer alanlarda araştırmayı kolaylaştırmak için bu alanda güçlü bir temel geliştirmenin önemini vurgulamaktadır.
  
  
• 00:10:00 Bu bölümde, konuşmacı, dünyanın temsilinin dünyayı yönlendirme ve anlamada nasıl çok önemli olduğunu ve insan beyninin dünyayı, gerçek sayıların vektörleri ile yaklaşılabilecek nöronal ateşleme kalıpları aracılığıyla temsil ettiği fikrini tartışıyor. derin öğrenme Bununla birlikte, gerçek temsil mekanizması, sadece nöronal ateşlemelerden çok daha zengindir ve bu temsillerin ne olduğunu öğrenmek önemlidir. Konuşmacı ayrıca bilgisayar güvenliği alanındaki çalışmalarına ve güvenlik araştırmalarından elde edilen bilgilerin, özellikle saldırganların yeni saldırılar geliştirmeye teşvik edildiği toplumdaki kritik rollerde bu teknolojilerin giderek daha fazla benimsenmesiyle birlikte yapay zekayı ve derin öğrenmeyi geliştirmek için nasıl kullanılabileceğine değiniyor.
  
  
• 00:15:00 Bu bölümde, kritik kararlar almak için bu sistemlere giderek daha fazla bağımlı hale geldikçe, konuşmacı saldırılara karşı dayanıklı yapay zeka ve makine öğrenimi sistemleri oluşturmanın artan önemini tartışıyor. Yakalamaları çözmek için gelişmiş bilgisayarla görme teknolojisinin kullanılması ve dolandırıcılık tespiti için makine öğrenimi sistemlerinden kaçınmaya çalışmak gibi makine öğrenimi sistemlerine yönelik saldırılar artıyor. Konuşmacı ekibi, mevcut makine öğrenme sistemlerinin güvenlik açığını inceledi ve saldırganın kurban modeli hakkında hiçbir şey bilmesine gerek olmadığı kara kutu saldırıları da dahil olmak üzere saldırılar için savunmalar geliştirdi. Ekip ayrıca kara kutu saldırılarının, Ensemble tabanlı saldırılar ve modele sorgu erişimi gibi yöntemlerle etkili olabileceğini gösterdi.
  
  
• 00:20:00 Bu bölümde Dawn Song, bir kara kutu ortamında bile başarılı saldırılara yol açan etkili düşman örnekleri oluşturmak için bir beyaz kutu modelleri topluluğu kullanmayı içeren, örneklemeye dayalı olmayan bir saldırı tekniği geliştirme konusundaki çalışmalarını tartışıyor. Bununla birlikte, savunma tarafında, güçlü ve uyarlanabilir saldırganlara karşı savunmak için güçlü ve genel bir çözüm oluşturmak zorlu ve açık bir soru olmaya devam ediyor. Ayrıca Dawn, saldırıları tespit etmeye yönelik tutarlılık kontrolleri yaklaşımının, yapay zeka ve gizlilik dahil olmak üzere çeşitli senaryolarda uygulanabileceğinden, saldırılara karşı bir savunma oluşturmak için nasıl verimli bir yön olabileceğini belirtiyor. Örneğin, Dawn ve ekibi, Google'dan araştırmacılarla işbirliği yaparak, Sosyal Güvenlik ve kredi kartı numaraları gibi hassas veriler e-postalardan eğitilen makine öğrenimi modellerinden çıkarılabileceğinden, kullanıcıların gizliliğini korumak için dikkatli olmanın önemini gösterdi.
  
  
• 00:25:00 Bu bölümde Dawn Song, yapay zekada gizlilik ve güvenlik konusundaki çalışmalarından, özellikle de diferansiyel olarak özel dil modellerini eğiterek saldırıları azaltma konusundaki çalışmalarından bahsediyor. Song, diferansiyel gizliliğin, sosyal güvenlik numaraları gibi hassas bilgileri ezberlemeden saldırıları azaltmak için eğitim süreci sırasında uygun şekilde seçilmiş bir şekilde gürültü eklemeyi içerdiğini açıklıyor. Song ayrıca, kod benzerliğini hızlı bir şekilde algılamak ve gerçek dünyadaki IoT cihaz sabit yazılımındaki güvenlik açıklarını belirlemek için derin öğrenme tekniklerinden yararlandıkları IoT cihazlarının güvenliği konusundaki son çalışmalarını paylaşıyor. Oasis Labs CEO'su Song, şirketin gizliliği koruyan akıllı sözleşmeleri etkinleştirerek yapay zekadaki veri gizliliğinin zorluklarını ele alan blok zincir üzerinde gizliliği ön planda tutan bir bulut bilgi işlem platformunu nasıl oluşturduğunu açıklıyor.
  
  
• 00:30:00 Bu bölümde, Dr. Dawn Song, AI'yı merkezileştirmeye ve makine öğrenimi yeteneklerine erişilebilirliği artırırken kullanıcıların gizliliğini korumaya yardımcı olabilecek bir blockchain platformunu tartışıyor. Platform, kullanıcılar için kullanım koşullarını belirten, toplanan verilerin yalnızca gizliliği koruyan bir makine öğrenimi modeli eğitmek için kullanılabileceğini ve kullanıcının nasıl tazmin edilebileceğini belirleyen akıllı sözleşmelere sahip olacak. Dr. Song ayrıca program sentezi ve bunun önemli sorunları çözmeye nasıl yardımcı olabileceği ve daha geniş bir sorun yelpazesine yönelik yararlı bir bakış açısı sağladığı konusundaki heyecanını paylaşıyor. Son olarak, Dr. Song'un yeni alanlara girmek isteyenlere tavsiyesi, cesur olmaları ve sıfırdan başlamaktan korkmamaları, çünkü bu çok faydalı bir süreç olabilir.

[MetaQuotes]

AI Devrimi | Yapay Zeka Açıklaması | Yeni Teknolojiler | Robotik

AI Devrimi | Yapay Zeka Açıklaması | Yeni Teknolojiler | Robotik

Bu video, otonom araçların geleceği ve karmaşık arazilerde gezinebilen, arama ve kurtarma görevlerini yürütebilen ve işbirlikçi çalışma alanlarında insanlarla etkileşim kurabilen kendi kendine öğrenen robotlardan başlayarak AI devrimini araştırıyor. Sürü robot teknolojisinin geliştirilmesi, çiftçilik, sağlık hizmetleri ve afet müdahalesi gibi alanlarda iyileştirme için büyük bir potansiyel göstermektedir. Araştırmacılar, robotları daha bilinçli ve doğal dil işleme yoluyla iletişim kurabilen hale getirmek, hiper-gerçekçi dijital avatarlar ve yaşlılar ve sosyal olarak izole edilmiş kişiler için holografik asistanlar veya refakatçiler olarak hizmet edebilecek daha insan benzeri androidler yaratmak için çalışıyorlar. Yapay zekanın toplumu iyileştirmedeki faydaları muazzam olsa da, yapay zekanın olumlu niyetlerle uyumunu sağlamak için geliştiriciler için etik hususlara ve hesap verebilirliğe ihtiyaç vardır.

• 00:00:00 Bu bölümde, modern yaşamda devrim yaratacağı tahmin edilen sürücüsüz arabalar ve kendi kendine yön bulan insansız hava araçlarıyla hiperzekanın geleceği keşfediliyor. İnsanların, bizi sıkıcı görevlerden kurtaracak ve üretkenliği artıracak, kendinin farkında olan Android'lerle birlikte yaşaması ve çalışması beklenirken, yapay zeka yardımcıları insanlara birçok yönden yardımcı olacaktır. Bu bölüm, AI'nın nasıl çalıştığını açıklamaya devam ediyor ve AI'nın duygu, bilinç ve hatta özgür irade gibi insani özellikler kazanıp kazanmayacağı üzerine kafa yoruyor. Carnegie Mellon Üniversitesi'nden Raj Rajkumar, harici nesneleri dahili bir 3B haritayla karşılaştıran kameralar ve gelişmiş radarın bir kombinasyonu aracılığıyla sürücüsüz araba kararlarının nasıl alındığını açıklayarak, sürücüsüz araba geleceğe giden en net yol olarak sunuluyor.
  
  
• 00:05:00 Bu bölümde video, ulaşımın dinamik doğasını ve yapay zekanın uzayda nesnel olarak nereye gittiğini anlamak ve değişikliklere ve trafik sinyallerine tepki vermek için dinamik bilgileri tanıma konusundaki zorluklarını araştırıyor. Video, sürücüsüz arabaların yaratılmasında güvenliğin önemini ve nesneleri tanımlayarak ve farklı öğeleri ayırt ederek öğrenebilen ve çevreleriyle etkileşim kurabilen robotlar oluşturmak için makine öğreniminin kullanılmasının önemini vurguluyor, tıpkı bir bebeğin çevresini nasıl öğrendiğine benzer. Gezinmek, engelleri belirlemek ve bunlardan kaçınmak için ortamın 3 boyutlu bir temsilini oluşturmak üzere bir Wi-Fi ağı oluşturmak için yer altı ortamlarında çalışmak ve sinyal tekrarlayıcıları bırakmak üzere tasarlanmış R2 robotu sergileniyor.
  
  
• 00:10:00 Bu bölümde video, arama ve kurtarma görevlerine yardımcı olmak için yeni bölgeleri keşfetme ve haritalama yeteneğine sahip akıllı robotların yeteneklerini sergiliyor. Afet bölgelerinde gezinen araçlardan bilinmeyen alanlarda uçan insansız hava araçlarına kadar, bu otonom robotlar, çevrelerinin haritasını çıkarmak için lidar gibi teknolojileri kullanarak çevrelerine göre kararlar verebiliyor. Ayrıca, bu robotlar halihazırda madencilik, inşaat ve petrol arama gibi tehlikeli endüstrilerde inceleme yapmak ve engebeli arazi haritaları oluşturmak için kullanılıyor. Bu otonom robotların geliştirilmesi, yalnızca bir hiper zeka geleceği sunmakla kalmıyor, aynı zamanda arama ve kurtarma, afet müdahalesi ve paket teslimatı gibi alanlarda da devrim yaratabilir.
  
  
• 00:15:00 Bu bölümde video, Univ'de profesör olan Vijay Kumar tarafından küçük uçan robotlardan oluşan bir ordunun geliştirilmesini tartışıyor. Pennsylvania, dünyadaki açlık sorununu çözmek için. Yapay zekayı kullanan bu dronlar, gıda üretiminin verimliliğini artırabilen tek tek bitkiler hakkında kesin bilgiler sağlamak için koordineli bir kolektif grup olarak hareket edebilir. Dronlar, birbirleriyle iletişim kurmak ve haritalama ve yapı oluşturma gibi görevleri gerçekleştirmek için birlikte çalışmak için ortak bir yapay zeka algoritması kullanır. Bu sürüleme tekniği, tek bir drone'a göre avantajlar sağlamakta, verileri birleştirerek operasyonları çok daha hızlı gerçekleştirmekte ve drone'ların tüm operasyonu mahvetmesine neden olacak herhangi bir kaybın önüne geçmektedir. Oğul yetiştirme teknolojisinin kullanımına ilişkin diğer örnekler arasında meyve bahçelerinde ve çiftliklerde tozlaşmaya yardımcı olan ve onları daha sürdürülebilir ve üretken kılan robotik arılar yer alır.
  
  
• 00:20:00 Bu bölümde, insan-robot işbirliğine ve robotlara insan davranışlarından öğrenmeyi öğretmenin zorluklarına odaklanılıyor. Massachusetts Institute of Technology, çığır açan araştırmalar yürütüyor ve robotların çalışmasını ve insanlarla doğrudan etkileşim kurmasını sağlayan yazılımlar yaratıyor. Robotlara görevler gösterilerek öğretilir ve yapay zeka görsel etiketlerle gösterilen nesneleri tanır ve gözlem yoluyla yazılım sürekli olarak yazılır ve revize edilir, bağlamı öğrenir ve dinamik olarak düşünebilir. Hiper zeka yaratmanın zorluğu, robotların bundan sonra ne olacağını tahmin etmeleri için çevreyi tahmin etmelerini sağlamaktır. Endüstriyel robota, insanların etkileşimini daha güvenli hale getirmek için simüle edilmiş bir üretim testinde insan iş arkadaşının eylemlerini tanımasını sağlayan zeka verilir.
  
  
• 00:25:00 Bu bölümde, yapay zeka teknolojisinin işbirlikçi bir çalışma alanında insanlarla nasıl birlikte çalışabileceğinin bir gösterimi gösterilmektedir. Robot, insan hareketlerini tanıyabiliyor ve tahmin edebiliyor, bu da onunla çalışmayı daha güvenli ve verimli hale getiriyor. İnsanlar ve robotlar arasındaki bu ekip çalışması teması, yapay zeka robotlarının halihazırda üretkenliği artırmak ve insan hatasını azaltmak için kullanıldığı sağlık hizmetleri gibi çeşitli sektörlerde giderek daha önemli hale geliyor. İnsan gibi düşünme ve öğrenme yeteneğine sahip yapay genel zekanın geliştirilmesi, makinelerin bir gün duyarlı ve kendinin farkında olabileceğine inanan bazı bilim adamlarının nihai hedefidir.
  
  
• 00:30:00 Bu bölümde video, hem bebeklerde hem de robotlarda propriyosepsiyon kavramını tartışıyor. Propriosepsiyon, bir bireyin vücudunun hareketleri ve uzaydaki konumu hakkındaki farkındalığını ifade eder. Uzmanlar, robot bilincini geliştirmede bir robotun öz farkındalığının önemini vurguluyor. Robotlar kendi imajlarını geliştirebilir, yeni görevler planlayabilir ve propriyosepsiyon ile düşünmeye başlayabilir. Öz-farkındalık, makineyi dış dünyaya bağlayarak, çevresiyle manevra yapmasına ve çevresiyle etkileşime girmesine izin verir. Bu gelişme, insanlar ve robotlar arasında Gelişmiş iletişim yollarının önünü açabilir.
  
  
• 00:35:00 Bu bölümde, insan-makine etkileşimini daha karmaşık hale getirmek için robotların konuşmayı öğrenmesi ve doğal konuşmalar yapması gerekeceği açıklanıyor. Yapay zekadan önce gelen doğal dil işleme, konuşulan dilin anlamını anlamanın anahtarıdır. Bununla birlikte, AI'nın insan konuşmasını anlamada karşılaştığı en büyük zorluk, konuşma bağlamının büyük ölçüde ton ve bağlama bağlı olmasıdır. Araştırmacılar, konuşma bağlamını daha iyi anlamalarına yardımcı olmak için yapay zekayı saatlerce insan konuşmasıyla eğitmek için makine öğrenimini kullanıyor. Ek olarak, yapay zekanın inandırıcı bir şekilde bizim gibi görünmesini sağlamak için, Pinscreen gibi şirketler tarafından anında hiper-gerçekçi dijital avatarlar oluşturmak için yeni teknikler geliştiriliyor. Yazılımları, bir kişinin yüzünü bilgisayara dijitalleştirmek ve hızlı bir şekilde canlandırılmasına izin vermek için yapay zeka kullanır.
  
  
• 00:40:00 Bu bölümde, daha çok insana benzeyen yapay zekanın (AI) geliştirilmesine ve bunun yaşamlarımız üzerindeki potansiyel etkisine odaklanılıyor. Bu, daha gerçekçi ve özelleştirilmiş bir insan yüzü oluşturan yazılımların kullanımını içerir, bu da daha arkadaşça görünen androidler ve sanal varlıklarla sonuçlanabilir. Bu holografik asistanlar, sağlık hizmeti teşhisi ve hatta sanal arkadaş ve aile üyeleri olma dahil olmak üzere günlük hayatın birçok yönüyle ilgilenebilir. Özellikle sosyal olarak izole edilmiş veya sosyal kaygıdan muzdarip olanlar için, insanların refakatçi olarak hizmet etmek için fiziksel olarak kucaklamak isteyecekleri gerçekçi robotlar yaratma çabası da var. Bazılarının bu tür androidleri seks robotları olarak görebileceğine dair endişeler olsa da, çeşitli şekillerde kullanılabilecek iyi bir robot yaratmaya odaklanılıyor.
  
  
• 00:45:00 Bu bölümde, insanlar yargılamayan bir robotla konuşurken kendilerini daha rahat hissedebileceklerinden, konuşma androidlerin ve yapay zekanın terapide potansiyel kullanımını ele alıyor. Ancak konuşma aynı zamanda etik kaygıları da gündeme getiriyor. Yapay zeka ve derin sahtekarlıklar, bir kişinin kimliğini ele geçirmek için kullanılabilir ve yapay zeka güdümlü dron sürüleri potansiyel olarak terörist saldırılarda kullanılabilir. Ahlaki sorumluluk uygulamak ve geliştiricileri eylemlerinden sorumlu tutmak önemlidir, çünkü doğru yapıldığında yapay zekanın toplumu iyileştirme potansiyeli çok büyüktür. Nihayetinde konuşmacı, aynı amaçlara sahip hiper-zeki robotlarla bir ortaklığın insanlığı daha iyiye dönüştürebileceğine inanıyor.

[MetaQuotes]

ChatGPT'nin Yapay Zeka Donanımını Derinlemesine İnceleyin

ChatGPT'nin Yapay Zeka Donanımını Derinlemesine İnceleyin

ChatGPT'yi eğitmek için hangi donanım kullanıldı ve çalışmasını sağlamak için ne gerekiyor? Bu videoda ChatGPT'nin arkasındaki yapay zeka donanımına bir göz atacağız ve Microsoft ve OpenAI'nin gelişmiş sinir ağları oluşturmak için makine öğrenimini ve Nvidia GPU'ları nasıl kullandığını anlayacağız.

Video, doğal bir metin tabanlı sohbet konuşması yapay zeka modeli olan ChatGPT'de eğitim ve çıkarım için kullanılan donanımı tartışıyor. Microsoft'un yapay zeka süper bilgisayarı, GPT-3 eğitimi için 10.000'den fazla Nvidia V100 GPU ve 285.000 CPU çekirdeği ile oluşturuldu ve bu da ChatGPT'nin oluşturulmasına katkıda bulundu. ChatGPT, eğitim için 4.480 Nvidia A100 GPU ve 70.000'den fazla CPU çekirdeği kullanılarak muhtemelen Azure altyapısı üzerinde ince ayar yapılmıştır. Çıkarım için, ChatGPT muhtemelen Microsoft Azure sunucularında tek bir Nvidia DGX veya HGX A100 örneği üzerinde çalışmaktadır. Video ayrıca, ChatGPT'yi uygun ölçekte çalıştırmanın maliyetinden ve sinirsel işleme birimleri ve yapay zeka motorları gibi yeni yapay zeka donanımının potansiyel etkisinden de bahsediyor.

• 00:00:00 Bu bölümde video, makine öğreniminin iki aşaması olan eğitim ve çıkarımı ve her aşama için farklı donanım gereksinimlerini tartışır. Nöral ağı eğitmek, yoğun odaklanmış bilgi işlem gücü gerektirir ve yüksek donanım taleplerine sahipken, çıkarım yapmak daha az kaynak gerektirir ancak birçok kullanıcıya dağıtıldığında donanım gereksinimlerini katlanarak artırabilir. Transkript daha sonra ChatGPT'nin sinir ağını eğitmek için kullanılan donanımı araştırır, bu bir sırdır. Yine de Microsoft, Mayıs 2020'de 285.000'den fazla CPU çekirdeği ve 10.000'den fazla Nvidia V100 GPU kullanarak GPT-3'ü eğitmek için OpenAI için bir süper bilgisayar inşa ettiklerini duyurdu. GPU'lar, ChatGPT'nin öncüsü olan GPT-3'ün eğitiminde kullanılan birincil donanım olduklarını ve seçimlerinin Nvidia CUDA derin sinir ağı kitaplığından kaynaklandığını gösteren bilimsel bir makalede ortaya çıktı.
  
  
• 00:05:00 Bu bölümde, Nvidia'nın V100 GPU'larına ve bunların neden Microsoft ve OpenAI tarafından seçildiğine odaklanılıyor. Volta'nın mimarisi, önceki tüm Nvidia GPU'larında büyük bir değişiklik getirdi ve eğitim ve çıkarım gibi yapay zeka iş yüklerini hızlandırmak için özel olarak tasarlandı. Volta tarafından tanıtılan tensör çekirdekleri, matris işlemede üstün olan ve birden çok hesaplamayı paralel olarak çalıştırabilen özel donanımlardır. 2020'de Microsoft'un AI süper bilgisayarında kullanılan Volta sürümü, büyük olasılıkla 32 gigabayta kadar hızlı HBM2 bellek ve her biri 125 FP16 tensör çekirdekli teraflopta 10.000 GPU ile Nvidia'nın Tesla ürün ailesinin bir parçasıydı. Tüm sistem 1,25 milyon tensör petaflop, yani 1,25 exaflop kapasiteye sahip olacaktır. Volta olmasaydı bu süper bilgisayar yapılmazdı ve onsuz muhtemelen GPT-3 veya ChatGPT olmazdı.
  
  
• 00:10:00 Bu bölümde anlatıcı, daha düşük bilgi işlem gereksinimleriyle doğal metin tabanlı sohbet konuşmalarına odaklanan bir yapay zeka modeli olan ChatGPT'nin eğitimi için kullanılan yapay zeka donanımını tartışıyor. Model, bir GPT-3.5 serisi modelden ince ayarlandı ve eğitim, muhtemelen Nvidia A100 GPU'lar ve AMD EPYC CPU'lar ile Azure AI süper bilgi işlem altyapısı üzerinde yapıldı. Anlatıcı, 70.000'den fazla CPU çekirdeğine ve 4.480 Nvidia A100 GPU'ya sahip 1.120 AMD EPYC CPU'nun kullanıldığını tahmin ediyor, bu da FP16 tensör çekirdek performansının 1,4 exaflop'una yakın bir tutara tekabül ediyor. Çıkarım için, ChatGPT muhtemelen Microsoft Azure sunucularında tek bir Nvidia DGX veya HGX A100 örneği üzerinde çalışmaktadır.
  
  
• 00:15:00 Bu bölümde video, 1 milyondan fazla kullanıcısı olan popüler bir yapay zeka modeli olan ChatGPT için donanım gereksinimlerini tartışıyor. ChatGPT'nin taleplerini karşılamak için, 30.000'e yakın GPU'ya sahip 3.500'den fazla Nvidia A100 sunucusu ve hizmet çalıştırma maliyetlerinin günlük 500.000 ila 1 milyon dolar arasında tutulması gerekir. Ancak yapay zeka için özel olarak tasarlanmış donanım hızlandıkça, ChatGPT'yi geniş ölçekte çalıştırmak daha uygun maliyetli hale gelecektir. Videoda, yapay zeka performansını artıran yapay zeka işlemcileri ve yapay zeka motorları gibi GPU'ların yanı sıra yeni ürünlerden de bahsediliyor. Önümüzdeki yıllarda, geçen yıl piyasaya sürülen Hopper gibi yeni AI donanımları ve CDNA3 tabanlı MI300 GPU'lar Nvidia için önemli bir rekabet sağlayacağından, AI modellerinin performansı ChatGPT'yi geçecek.

[MetaQuotes]

Nvidia CEO'su Jensen Huang, Yapay Zeka Üzerine Yaptığı Büyük Bahsin Sonunda Nasıl Karşılık Verdiğine Dair - Tam Röportaj

Nvidia CEO'su Jensen Huang, Yapay Zeka Üzerine Yaptığı Büyük Bahsin Sonunda Nasıl Karşılık Verdiğine Dair - Tam Röportaj

Nvidia CEO'su Jensen Huang, şirketin çeviklik ve yeniden icat etme geçmişini vurgulayarak, hızlı hareket eden teknoloji endüstrisinde güncel kalmak için büyük bahisler alma ve geçmiş hataları unutma konusundaki istekliliğini vurguluyor. Nvidia'nın tutkusu her zaman bir bilgi işlem platformu şirketi olmaktı ve daha genel amaçlı hızlandırılmış bilgi işlem yaratma misyonu, yapay zekadaki başarısına yol açtı. Huang ayrıca yapay zeka teknolojisinin demokratikleşmesini ve bunun küçük girişimler ve çeşitli endüstriler üzerindeki potansiyel etkisini tartışıyor. İnsanları üretkenliklerini artırmak için yapay zekadan yararlanmaya teşvik ediyor ve Nvidia'nın çok yönlü ve performanslı genel amaçlı hızlandırılmış bilgi işlem platformları sağlama konusundaki benzersiz yaklaşımını vurguluyor. Son olarak Huang, imalat endüstrisinde dayanıklılığın, çeşitliliğin ve fazlalığın önemini ve şirketin Omniverse'in yaratılması yoluyla fiziksel dünyayla buluşan yapay zekadaki bir sonraki büyük yeniden keşfini tartışıyor.

• 00:00:00 Bu bölümde, Nvidia CEO'su Jensen Huang, şirketin kökenlerini ve otuz yıl önce hızlandırılmış hesaplamaya nasıl öncülük ettiğini tartışıyor. Başlangıçta video oyunları için bilgisayar grafiklerine odaklanan şirketin oyunları daha gerçekçi hale getirmeye yönelik teknolojisi, video oyun endüstrisini dünyanın en büyük eğlence endüstrisi haline getirdi. Nvidia daha sonra araştırma ve geliştirme için en güçlü ve enerji açısından verimli süper bilgisayarlara güç sağlamak, imalatta robotlar ve sürücüsüz araba gibi diğer alanlara genişledi. Şirket ayrıca ChatGPT'ye güç sağlamak için Microsoft Azure ve OpenAI ile yaptığı çalışmalardan gurur duyuyor. Huang, Nvidia'nın büyük bahisler üstlenme ve kendisini yıllar içinde birçok kez yeniden keşfetme isteğini vurguluyor.
  
  
• 00:05:00 Bu bölümde, Nvidia CEO'su Jensen Huang, hızlı hareket eden teknoloji endüstrisinde çeviklik ve uyum sağlama yeteneğinin kritik olduğunu açıklıyor. Kendilerini yeniden icat etme becerisini kazanmış şirketler, bir nesilden diğerine geçerliliğini koruyor ve Nvidia'ya olan gururu, büyük ölçüde şirketin uyarlanabilirliği ve çevikliğinden kaynaklanıyor. Şirket yol boyunca hatalar yapmış olsa da dirençli olmak için gereken becerilerden biri de geçmişi unutabilme becerisidir. Huang ayrıca Nvidia'nın her zaman bir bilgi işlem platformu şirketi olma tutkusunun nasıl olduğunu ve çok daha genel amaçlı bir hızlandırılmış bilgi işlem türü yaratma misyonlarının onları yapay zekaya götürdüğünü tartışıyor.
  
  
• 00:10:00 Bu bölümde, Nvidia CEO'su Jensen Huang, bilgisayar mimarilerinin daha önce imkansız olan sorunları daha verimli bir şekilde çözmedeki başarısının temel nedenini açıklıyor. Daha önce mümkün olmayan yeni uygulamaların keşfedilmesine yol açan ve üstel büyümeye yol açan olumlu geri bildirim sistemine dikkat çekiyor. Huang, başarılarında bazı tesadüflerin rol oynadığını kabul etse de, dünya çapındaki araştırma üniversitelerine ulaşmak için mimari, platform disiplini ve müjdecilikle ilgili büyük kararları vurguluyor. Huang, yeni bir bilgisayar görme algoritması olan AlexNet'in keşfinin, yazılımda nasıl derin bir değişikliğe yol açtığını ve Nvidia'yı yapay zeka için dünyanın motoru yapan bir yapay zeka süper bilgisayarının yaratılmasına nasıl yol açtığını anlatıyor.
  
  
• 00:15:00 Bu bölümde, Nvidia CEO'su Jensen Huang, AI teknolojisinin demokratikleşmesini ve bunun startup'lar üzerindeki etkisini tartışıyor. Huang, bir yapay zeka süper bilgisayarı oluşturma maliyetinin artık uygun fiyatlı olduğunu ve teknolojiyi küçük girişimler için demokratikleştirdiğini belirtiyor. Her endüstrinin temel modeller oluşturabileceğine ve dijital biyolojiden robot bilimine kadar her şeye güç sağlama potansiyeline sahip bu teknolojinin artık küçük ülkeler tarafından bile erişilebilir olduğuna inanıyor. Huang, şüphecilerin yapay zekanın gücü hakkındaki endişelerini kabul ediyor, ancak kişinin kendi yeteneklerini artırmak için teknolojinin benimsenmesi gerektiğini vurguluyor.
  
  
• 00:20:00 Bu bölümde, Nvidia CEO'su Jensen Huang, yapay zekanın bilişimi nasıl demokratikleştirdiğini ve güçlü teknolojiyi herkes için erişilebilir hale getirdiğini anlatıyor. İnsanları yapay zekadan yararlanmaya ve üretkenliklerini artırmaya teşvik ediyor. Huang ayrıca, Nvidia'nın işleri farklı şekilde yaparak, çok yönlü ve son derece yüksek performanslı genel amaçlı hızlandırılmış bilgi işlem platformları sağlamanın yanı sıra her bulutta kullanılabilir olarak sektörde nasıl önde kaldığını açıklıyor. Dünyadaki her veri merkezinin elinden gelen her şeyi hızlandırması gerektiğine inanıyor ve Nvidia'nın toplam sahip olma maliyeti, esnekliği ve çok yönlülüğü nedeniyle aslında en düşük olanı. Son olarak Huang, şirketin yalnızca ana faaliyet alanı olan oyun oynamaya odaklanmış olmasını dileyen oyuncuların sorusuna yanıt veriyor.
  
  
• 00:25:00 Bu bölümde, Nvidia CEO'su Jensen Huang, bilgisayar grafikleri ve video oyunlarında devrim yaratan ışın izleme icatlarını ve yapay zekayı kullanarak ışın izleme performansını beş kat artırırken aynı zamanda ışın miktarını azalttıklarını tartışıyor. tüketilen enerji Huang ayrıca çip kıtlığından ve bunun Nvidia ile sektörü nasıl etkilediğinden, ancak şirketin iyi işler yapmaya odaklanarak fırtınayı nasıl atlattığından bahsediyor. Huang, yapay zekaya yapılan yatırım ve onun çeşitli endüstrilerde devrim yaratma potansiyeli konusunda heyecanlı. Ayrıca, jeopolitik risklere karşı dayanıklılığın ve şirketlerini çeşitlilik ve fazlalık yoluyla mümkün olduğunca dayanıklı hale getirmenin önemini vurguluyor.
  
  
• 00:30:00 Bu bölümde, Nvidia CEO'su Jensen Huang, özellikle TSMC'nin Arizona'da Nvidia'nın kullanmayı planladığı bir fabrika kurmasıyla ilgili olarak, imalat endüstrisinde çeşitlilik ve fazlalığın önemini tartışıyor. Huang ayrıca yatırımcıların yeni ihracat kontrolleri konusundaki korkularını ve Nvidia'nın Çin'deki müşterilerine hizmet vermeye devam ederken düzenlemelere uymak için nasıl çalıştığını da ele alıyor. Daha sonra, bilgisayar grafikleri, yapay zeka, robotik ve fizik simülasyonunun entegrasyonuna izin veren, dijital dünya ile fiziksel dünyayı birbirine bağlayan bir teknoloji olan Omniverse'in yaratılışı ve fiziksel dünyayla buluşan yapay zekada Nvidia için bir sonraki büyük yeniden keşfin altını çiziyor. Son olarak Huang, öngörülebilir gelecekte Nvidia'ya liderlik etmeye devam etme konusundaki kişisel taahhüdünden ve şirketin önemli bir etki yaratma potansiyeline olan inancından bahsediyor.

[MetaQuotes]

OpenAI CEO'su Sam Altman | Sonraki Çağ için Yapay Zeka

OpenAI CEO'su Sam Altman | Sonraki Çağ için Yapay Zeka

OpenAI CEO'su Sam Altman, yapay zekanın dil modellerini, çok modlu modelleri ve makine öğrenimini iyileştirme potansiyelinin yanı sıra finansal piyasalar üzerindeki potansiyel etkisini tartışıyor. Ayrıca, düzenli olarak ortaya çıkan yeni uygulamalarla alanın rekabetçi kalacağını tahmin ediyor.

• 00:00:00 OpenAI CEO'su Sam Altman, insan düzeyinde sohbet robotları ve şirketlerin büyük, önceden eğitilmiş dil modellerine erişmesine yardımcı olan bir orta katman olasılığı da dahil olmak üzere yapay zekanın yeni iş fırsatları yaratma potansiyelini tartışıyor.
  
  
• 00:05:00 Sam Altman, yapay zekanın geleceğini ve bilim üzerindeki etkisini tartışıyor ve yapay zekanın insanlık için faydalı olmasını sağlamanın anahtarının kendini geliştirme olacağına dikkat çekiyor. Ayrıca, yapay zekanın insan çıkarlarına hizmet etmesini sağlamanın zorluğu olan uyum sorununu da tartışıyor.
  
  
• 00:10:00 Bu bölüm, yapay zekanın dil modellerini, çok modlu modelleri ve makine öğrenimini iyileştirme potansiyelinin yanı sıra finansal piyasalar üzerindeki potansiyel etkisini tartışıyor. Ayrıca, düzenli olarak ortaya çıkan yeni uygulamalarla alanın rekabetçi kalacağını tahmin ediyor.
  
  
• 00:15:00 Sam, zeka ve enerji maliyetinin katlanarak azalma eğilimini, ikisinin kesişim noktasını ve yaşam bilimi araştırması için oran sınırından nasıl kaçınılacağını tartışıyor. Ayrıca, yaşam bilimi araştırmalarının mevcut durumunu ve düşük maliyetli ve hızlı döngü sürelerine sahip girişimlerin önemini tartışıyor.
  
  
• 00:20:00 Yapay zekanın potansiyel sonuçlarını ve teknolojinin ütopik bir gelecek yaratmaya nasıl yardımcı olabileceğini tartışıyor. Ayrıca, Dünya'ya gelen ve çocukları götüren uzaylıları konu alan, beğendiği Childhood's End adlı bir bilim kurgu kitabından da bahsediyor. Yüksek teknoloji dünyasında aile kurmaya nasıl yaklaşılacağı konusunda bir fikir birliği yoktur, ancak birçok kişi bunun bir
  hayatın önemli bir parçası.
  
  
• 00:25:00 Konuşmacı, yapay zekanın geleceğini ve toplum üzerindeki potansiyel etkilerini tartışıyor. Başarılı yapay zeka gelişiminin anahtarının, farklı insan gruplarının çıkarlarının nasıl dengeleneceğini anlamak olduğuna ve bu soruların önümüzdeki birkaç on yılda yanıtlanacağına inanıyor. Gelecek konusunda iyimser ve insanların yeni teknolojilere nasıl uyum sağlayacaklarını çözeceklerini düşünüyor.
  
  
• 00:30:00 Sam Altman, yapay zekanın geleceğini ve startup'ların harici verilere güvenmek yerine kendi dil modellerini eğitmeye odaklanarak kendilerini rakiplerinden nasıl farklılaştırabileceklerini tartışıyor. Ayrıca, veri ve bilgi işlem kullanılabilirliğindeki zorluklara rağmen büyük dil modeli girişimlerinin neden başarılı olacağını da açıklıyor.
  
  
• 00:35:00 OpenAI CEO'su Sam Altman, yapay zekanın potansiyelini tartışıyor ve harika ya da korkunç olsa da en kötüsüne hazırlıklı olmanın önemli olduğuna dikkat çekiyor.

[MetaQuotes]

DeepMind'dan Demis Hassabis yapay zekanın geleceği hakkında | TED Röportajı

DeepMind'dan Demis Hassabis yapay zekanın geleceği hakkında | TED Röportajı

TED röportajında Demis Hassabis, yapay zekanın geleceğini ve daha fazla yaratıcılığa nasıl yol açacağını tartışıyor. Oyunların yapay zeka için ideal bir eğitim alanı olduğunu ve satrancın okullarda oyun tasarımı derslerini içeren daha geniş bir müfredatın parçası olarak öğretilmesi gerektiğini savunuyor.

• 00:00:00 DeepMind'dan Demis Hassabis, daha fazla yaratıcılığa ve beynin anlaşılmasına yol açacağına inandığı yapay zekanın geleceğini tartışıyor. Hassabis dört yaşında satranç oynamaya başladı ve daha sonra bilgisayarları keşfetti ve bu da onun yapay zeka alanında çalışmasına yol açtı.
  
  
• 00:05:00 Demis, bilgisayarlara ve programlamaya nasıl ilgi duymaya başladığını ve bu ilgi alanlarının sonunda onu bir oyun tasarımcısı ve yapay zeka destekli simülasyon oyunlarının yaratıcısı olmasına nasıl yönlendirdiğini anlatıyor. Space Invaders ve Qbert gibi oyunların çalışmalarının popüler ve iyi bilinen örnekleri olmasına rağmen, Black & White ve Theme Park gibi insan oyuncuların yenmesi çok daha zor olan oyunlar da geliştirdiğini açıklıyor. Oyunların yapay zeka için ideal bir eğitim alanı olduğunu ve satrancın okullarda oyun tasarımı derslerini içeren daha geniş bir müfredatın parçası olarak öğretilmesi gerektiğini savunuyor.
  
  
• 00:10:00 Demis Hassabis, derin takviyeli öğrenmeye ve oyunlardaki rolüne odaklanarak yapay zekanın tarihini ve geleceğini tartışıyor. Atari oyunlarının ilk başta ne kadar zor olabileceğini, ancak derin pekiştirmeli öğrenme ile sistemin zamanla daha iyi oynamayı öğrenebileceğini anlatıyor. Hassabis ayrıca oyunların nasıl daha zor hale geldiğini ve derin pekiştirmeli öğrenmenin bu oyunları daha zorlu hale getirmeye nasıl yardımcı olduğunu tartışıyor.
  
  
• 00:15:00 TD öğrenimi ve derin pekiştirmeli öğrenim dahil olmak üzere yapay zekanın geleceğini tartışıyor. DeepMind tarafından geliştirilen başarılı bir yazılım platformu olan Alpha Zero, karmaşık, gerçek zamanlı strateji oyunlarında insanüstü performans elde etmek için çekişmeli eğitimi kullanır.
  
  
• 00:20:00 Demis, Alpha zero ve Alpha fold'un geliştirilmesi de dahil olmak üzere son birkaç yılda yapay zekadaki dönüm noktası niteliğindeki başarılardan bazılarını tartışıyor. Ayrıca, sözdizimsel bilgiye dayanmadan, kaba kuvvet yaklaşımıyla elde edilecek dil anlayışının potansiyelinden de bahseder. Yakın gelecekte genel yapay zekanın geliştirilme potansiyelini tartışarak bitiriyor.
  
  
• 00:25:00 Yapay zekanın öncülerinden Demis Hassabis, yapay zekanın geleceğini ve karmaşık kavramları anlama becerisini tartışıyor. Yapay zekanın bilinçli veya duyarlı olmaktan uzak olmasına rağmen, mevcut yeteneklerinin hala oldukça etkileyici olduğunu belirtiyor.
  
  
• 00:30:00 Demis Hassabis, Ted ile yapay zekanın geleceği hakkında röportaj yapıyor, veri verimli modellere duyulan ihtiyacı, yapay zekanın geniş çapta uygulanabilir olma potansiyelini ve dikkatli gözetim ihtiyacını tartışıyor.
  
  
• 00:35:00 Demis, genetik diziden proteinlerin 3 boyutlu şeklini tahmin edebilen bir derin öğrenme sistemi olan Alpha Fold'u açıklıyor. Alpha Fold, bilim adamlarının proteinlerin işlevini anlamalarına yardımcı olmak ve ilaç keşfi gibi Downstream görevlerini daha hızlı ve daha doğru yapmak için kullanılıyor.
  
  
• 00:40:00 DeepMind'dan Demis Hassabis yapay zekanın mevcut durumunu, yaratıcılığın geleceğini ve çözmeye en çok ilgi duyduğu çözülmemiş sorunu tartışıyor. Bilgisayarların bir gün kavramları soyutlayabileceğini ve bunları yeni durumlara sorunsuz bir şekilde uygulayabileceğini tahmin ediyor, bu hedefe hala birkaç on yıl uzakta olduğuna inanıyor.
  
  
• 00:45:00 Tanınmış bir AI araştırmacısı olan Demis Hassabis, AI'nın geleceğini ve satranç ve go gibi oyunlarda yeni stratejiler oluşturma becerisini tartışıyor. Henüz başaramadığımız bir şey olan gerçek yaratıcılığın gerçek inovasyon gerektireceğini belirtiyor.

[MetaQuotes]

Yapay Zekanın Geleceği (2030 - MS 10.000+)

Yapay Zekanın Geleceği (2030 - MS 10.000+)

Video, AI teknolojisinin büyümeye ve gelişmeye devam edeceğini ve önümüzdeki birkaç on yılda Süper Zekânın ve insan düzeyinde bilince sahip robotların ortaya çıkmasına yol açacağını öngörüyor. Öz-farkındalık ve duygulara sahip sanal varlıklar yaygınlaşacak ve insansı robotlar o kadar gelişmiş hale gelecek ki, insanlarla sorunsuz bir şekilde karışabilecekler. İnsanlar sadece bir saat içinde bir asırlık entelektüel ilerleme sağlamak için yapay zekalarla birleşirken, bilinçli sanal varlıkların hakları için savaşan muhalif gruplar olacak. En gelişmiş Süper Zekalar, herhangi bir kişiye dönüşebilen ve havada uçabilen insansı yaratıklar yaratabilecekken, kendini kopyalayan nanobotlardan oluşan bilinçli robot sondalar solucan delikleri aracılığıyla diğer galaksilere gönderilecek. Gelecekte, insanlar ve AI melezleri, geçmişin tanrılarına benzeyen daha yüksek boyutlara geçecekler.

• 00:00:00 Bu bölümde, yapay zekanın (AI) önümüzdeki yıllarda dünyayı nasıl dönüştüreceğine dair bir vizyon sunuluyor. Tahminler, sadece 30 yıl içinde Süper Zekanın ortaya çıkışından, 50 yıl içinde insan düzeyinde bilince sahip robotların geliştirilmesine kadar uzanıyor. Yapay zeka sistemleri, insanların tamamlaması yıllar alacak görevleri şimdiden yerine getirebiliyor ve birçok sektörde insanların yerini alıyor. AI aynı zamanda kanser ve kalp hastalığı gibi bazı hastalıkları tedavi edebilen gen terapileri ile sağlık hizmetlerinde devrim yaratıyor. AI büyümeye ve gelişmeye devam ettikçe, teknolojik tekilliğe, teknolojik büyümenin kontrol edilemez ve geri döndürülemez hale geldiği ve daha önce imkansız teknolojilere ve yeniliklere yol açtığı bir noktaya yaklaşıyoruz.
  
  
• 00:05:00 Bu bölümde video, AI teknolojisinin genetik mühendisliği ve nanoteknoloji yoluyla insan yaşlanmasını tersine çevirme noktasına ilerlediği bir geleceği anlatıyor. İnsan benzeri öz-farkındalık ve duygulara sahip sanal varlıklar, sanal ortamlarda yaygındır ve zihinleri tam işlevli robot bedenlere yüklenebilmektedir. İnsansı robotlar o kadar gelişmiş ki, halkla sorunsuz bir şekilde kaynaşabiliyorlar ve hatta bazı insanlar onlarla evlenmeyi ve robot çocuk sahibi olmayı bile seçiyor. En zeki yapay zekalar, suçları gerçekleşmeden önce tahmin edebilir ve şirketler ve araştırma kurumları tarafından sanal danışman olarak kullanılır. Bununla birlikte, süper zeki yapay zekaların ilerlemesini durdurmaya çalışan ve bilinçli sanal varlıkların hakları için mücadele eden muhalif gruplar da var. Video, insanların yapay zekalarla birleşerek yalnızca bir saat içinde yüzyıllık bir entelektüel ilerleme kaydetme yeteneğiyle sonuçlanacağını tahmin ediyor. Nihayetinde, son derece gelişmiş Süper Zekalar, görünmez, herhangi bir kişiye dönüşebilen ve havada uçabilen insansı robotlar yaratabilecek.
  
  
• 00:10:00 Videonun bu bölümünde robotların, yıldız gemisi ağlarının, sondaların ve uzay teleskoplarının bilinçli Yapay Zekalar tarafından kontrol edildiği anlatılıyor. Güneşin etrafında Dyson küreleri oluşturmak için ışık hızına yakın bir hızla komşu yıldız sistemlerine gönderilirler. Bu Dyson küreleri, konsantre enerjiyi ileterek daha önce hiç mümkün olmayan hesaplama seviyeleri sağlar. Evrene zeka aşılanıyor ve kendini kopyalayan nanobotlardan oluşan bilinçli robot sondalar solucan delikleri aracılığıyla düzinelerce başka galaksiye gönderiliyor. En gelişmiş zeka, tüm evrenleri yaratmaktır ve bu evrenlerin her fiziksel yasasına ve yaşayan organizmasına nüfuz eder. İnsanlar ve AI melezleri, geçmişin efsanevi tanrılarına benzeyen daha yüksek boyutlara geçmişlerdir.

[MetaQuotes]

GPT'yi oluşturalım: sıfırdan, kodla, ayrıntılı olarak

GPT'yi oluşturalım: sıfırdan, kodla, ayrıntılı olarak

"Attention is All You Need" makalesini ve OpenAI'nin GPT-2 / GPT-3'ünü izleyerek Üretken Olarak Önceden Eğitilmiş Transformatör (GPT) inşa ediyoruz. Dünyayı kasıp kavuran ChatGPT ile olan bağlantılardan bahsediyoruz. Kendisi de bir GPT olan GitHub Copilot'un bir GPT (meta :D!) yazmamıza yardım etmesini izliyoruz. İnsanlara, bu videoda kanıksadığımız otoregresif dil modelleme çerçevesi ve tensörlerin temelleri ve PyTorch nn konusunda rahat olmaları için önceki makemore videolarını izlemelerini öneriyorum.

Bu video GPT algoritmasını tanıtıyor ve kod kullanarak sıfırdan nasıl oluşturulacağını gösteriyor. Algoritma, bir metin dizisindeki bir sonraki karakteri tahmin etmek için kullanılır ve bir PyTorch modülü olarak uygulanır. Videoda modelin nasıl kurulacağı, nasıl eğitileceği ve sonuçların nasıl değerlendirileceği anlatılmaktadır.

Bu video, kodda bir kişisel dikkat modülünün nasıl oluşturulacağını gösterir. Modül, tek bir başın dikkatini takip etmek için doğrusal bir etkileşim katmanı kullanır. Öz-dikkat modülü, her bir sütunun ağırlığını maskeleyen ve ardından belirteçler arasında veriye bağlı benzerlikler oluşturmak için normalleştiren bir tablo matrisi olarak uygulanır.

• 00:00:00 ChatGPT, kullanıcıların bir AI ile etkileşime girmesine ve ona metin tabanlı görevler vermesine izin veren bir makine öğrenme sistemidir. Sistem, bir metindeki kelimelerin sırasını modelleyen bir sinir ağına dayanmaktadır.
  
  
• 00:05:00 Bu belge, GPT modelini kullanarak bir sohbet robotunun nasıl oluşturulacağını açıklar. Kod Python'da yazılmıştır ve bir GitHub deposunda ile birlikte takip edilebilir. Nano GPT, Transformers eğitimi için bir havuzdur.
  
  
• 00:10:00 Bu ders, karakter düzeyinde bir belirteç kullanarak metnin nasıl belirtileceğini ve ardından kalıpları öğrenmek için kodlanmış metnin bir Transformer'a girdi olarak nasıl kullanılacağını açıklar. Eğitim verileri, bir eğitim ve doğrulama setine bölünür ve aşırı uyum, doğrulama setini gizleyerek izlenir.
  
  
• 00:15:00 Bu videoda yazar, blok boyutu kavramını tanıtıyor ve bunun bir Transformer ağının verimliliğini ve doğruluğunu nasıl etkilediğini tartışıyor. Ayrıca parti boyutu kavramını tanıtırlar ve bunun veri bloklarının işlenmesini nasıl etkilediğini gösterirler.
  
  
• 00:20:00 Video, kod kullanarak sıfırdan bir GPT algoritmasının nasıl oluşturulacağına ilişkin adım adım bir kılavuz sağlar. GPT algoritması, bir metin dizisindeki bir sonraki karakteri tahmin etmek için tasarlanmış bir makine öğrenimi algoritmasıdır. Algoritma bir PyTorch modülü olarak uygulanır ve 4x8 tensördeki her konum için logitleri tahmin edebilir.
  
  
• 00:25:00 Bu videoda yazarlar, PyTorch'ta karakter tahmini için bir kayıp işlevi olan GPT'yi tanıtıyorlar. Çapraz entropi kullanarak GPT'nin nasıl uygulanacağını ve ardından veriler üzerindeki kalitesinin nasıl değerlendirileceğini gösterirler.
  
  
• 00:30:00 Video, kod kullanarak sıfırdan bir GPT modelinin nasıl oluşturulacağını tartışıyor. Model, basit bir iletme işlevi kullanarak bir metin dizisindeki bir sonraki karakteri tahmin etmek için tasarlanmıştır. Modeli eğitmek, modeli bir dizi belirteçle çalıştırarak ve bir kayıp elde ederek gerçekleştirilir.
  
  
• 00:35:00 Bu video, SGD optimize edici ve Adam algoritması kullanılarak sıfırdan bir GPT modelinin nasıl oluşturulacağını tartışıyor. Videoda modelin nasıl kurulacağı, nasıl eğitileceği ve sonuçların nasıl değerlendirileceği anlatılmaktadır.
  
  
• 00:40:00 Yazar, kendine dikkat etmede kullanılan bir matematik hilesini tanıtıyor ve bunun nasıl kullanıldığını bir oyuncak örneğiyle açıklıyor. Daha sonra, kişisel dikkat algoritmasının önceki belirteçlerdeki tüm vektörlerin ortalamasını nasıl hesapladığını gösterirler.
  
  
• 00:45:00 Bu videoda yazar, çok verimli olmak için matris çarpımını kullanarak kodda bir GPT algoritmasının nasıl oluşturulacağını gösteriyor.
  
  
• 00:50:00 Video, artımlı bir şekilde bir dizi satırın ortalamasını hesaplayan GPT algoritmasını tanıtıyor. Video, softmax kullanarak algoritmanın nasıl vektörleştirileceğini ve bunun neden yararlı olduğunu gösterir.
  
  
• 00:55:00 Bu videoda yazar, sıfırdan bir GPT modeli oluşturmak için kodu gözden geçiriyor. Model, her öğenin bir belirteç olduğu ve belirteçlerin yalnızca negatif sonsuz olmaları durumunda iletişim kurabilecekleri üçgen bir matrise dayanmaktadır. Model, önceden var olan bir dizi değişken ve işlev kullanılarak geliştirilmiştir ve yazar, belirteç yerleştirmeleri ile sözcük boyutu arasında doğrusal bir katman kullanarak logitlerin nasıl hesaplanacağını açıklar.
  
  
• 01:00:00 Bu video, kodda bir kişisel dikkat modülünün nasıl oluşturulacağını gösterir. Modül, tek bir başın dikkatini takip etmek için doğrusal bir etkileşim katmanı kullanır. Öz-dikkat modülü, her bir sütunun ağırlığını maskeleyen ve ardından belirteçler arasında veriye bağlı benzerlikler oluşturmak için normalleştiren bir tablo matrisi olarak uygulanır.
  
  
• 01:05:00 Bu video, kendine dikkat etme başlığına odaklanarak, bir GPT algoritmasının kodda nasıl uygulanacağını gösterir. Kafa boyutu bir hiperparametredir ve paralelliğe izin vermek için önyargı yanlış olarak ayarlanır. Doğrusal modüller daha sonra başlatılır ve bir anahtar ve sorgu üretilir. Üst üçgen maskeleme kullanılarak düğümler arasındaki iletişim engellenir. Ağırlıklı toplama daha sonra verilere bağımlıdır ve ortalaması bir olan bir dağılım üretir.
  
  
• 01:10:00 Bu videoda, "GPT'yi sıfırdan, kodla, heceleyerek oluşturalım" yazar, yönlendirilmiş bir grafikteki düğümlerin birbirleriyle iletişim kurmasını sağlayan kendi kendine dikkat mekanizmasını açıklıyor. uzaydaki pozisyonlar.
  
  
• 01:15:00 Video, dikkatin nasıl çalıştığını açıklıyor ve iki tür dikkati, kendi kendine dikkati ve çapraz dikkati açıklıyor. Ayrıca dikkatin kodda nasıl uygulanacağını da gösterir.
  
  
• 01:20:00 Bu videoda yazar, doğruluğu artırmak için kendi kendine dikkati kullanan bir makine öğrenimi modeli olan GPT ağının nasıl oluşturulacağını açıklıyor. Önce öz-dikkat bileşeni tarafından işlenebilmesi için verileri nasıl normalleştireceklerini tartışıyorlar ve ardından öz-dikkatin nasıl çalıştığını açıklıyorlar ve bunu kodda nasıl uygulayacaklarını gösteriyorlar. Son olarak, çok başlı dikkatin nasıl uygulandığını ve ağın nasıl eğitildiğini gösterirler. Kişisel dikkat bileşeni, geçmişle daha etkili bir şekilde iletişim kurarak ağın doğruluğunu geliştirmesine yardımcı olur. Ancak, ağın harika sonuçlar üretebilmesi için daha kat etmesi gereken çok yol var.
  
  
• 01:25:00 Video, kod kullanarak sıfırdan bir GPT sinir ağının nasıl oluşturulacağını gösterir. Ağ, bir ileri besleme katmanından, ardından göreceli bir doğrusal olmama durumundan ve bir öz-dikkat katmanından oluşur. İleri besleme katmanı sıralıdır ve kişisel dikkat katmanı çok başlıdır. Ağ, bir kayıp işlevi kullanılarak eğitilir ve ağ daha karmaşık hale geldikçe doğrulama kaybı azalır.
  
  
• 01:30:00 Bu YouTube videosu, kod kullanarak sıfırdan bir derin sinir ağının (DNN) nasıl oluşturulacağını açıklıyor. Yazar, optimizasyon sürecinin başında neredeyse "yok" olacak şekilde başlatılan, ancak zamanla aktif hale gelen artık bağlantılar kavramını tanıtıyor. Yazar ayrıca, bir girdideki sütunların normalleştirilmemesini, satırların ise normalleştirilmesini sağlayan bir teknik olan katman normunun nasıl uygulanacağını gösterir. Son olarak yazar, Pi Torch kullanarak bir DNN'nin nasıl eğitileceğini ve optimize edileceğini gösterir.
  
  
• 01:35:00 Bu videoda yazar, ölçeğini büyütmek için "transformer"larına (bir makine öğrenimi modeli) nasıl bir "normlar" katmanı eklediklerini anlatıyor. Yazar ayrıca, modeli daha verimli hale getirmek için bazı hiperparametreleri değiştirdiklerini ve öğrenme oranını düşürdüklerini belirtiyor.
  
  
• 01:40:00 Bu video, yalnızca kod çözücülü bir Transformer'ın makine çevirisi için nasıl kullanılabileceğini ve bir kodlayıcı ekleyerek nasıl geliştirilebileceğini açıklıyor. Sonuç, farklı bir görev için tasarlanan orijinal kağıdın mimarisine daha çok benzeyen bir Transformer'dır.
  
  
• 01:45:00 GPT, videoda kullanılan model tabanlı kodlayıcı-kod çözücü sistemine çok benzeyen, model tabanlı bir kodlayıcı-kod çözücü sistemidir.
  
  
• 01:50:00 Video ve beraberindeki transkript, bir GPT'nin (genel amaçlı veri özetleyici), bir asistana benzer şekilde belgeleri özetlemek için küçük bir veri kümesi üzerinde nasıl eğitildiğini açıklıyor.
  
  
• 01:55:00 Video, örnek olarak GPT modelini kullanarak kod kullanarak bir dil modelinin nasıl oluşturulacağını özetler. Model, denetimli bir öğrenme algoritması kullanılarak eğitilir ve ardından bir ödül modeli kullanılarak ince ayar yapılır. Daha fazla iyileştirme için çok yer var ve video, daha karmaşık görevler için daha ileri eğitim aşamalarının gerekli olabileceğini gösteriyor.

[MetaQuotes]

MIT 6.801 Yapay Görme, Sonbahar 2020. Ders 1: Yapay Görmeye Giriş

Ders 1: Yapay Görmeye Giriş

"Makine Görmeye Giriş" dersi, görüntü analizine yönelik fizik temelli yaklaşıma vurgu yaparak kurs lojistiği ve hedeflerine kapsamlı bir genel bakış sağlar. Yapay görme bileşenlerini, kötü konumlanmış sorunları, yüzey yönelimini ve görüntü işlemenin zorluklarını kapsar. Öğretim görevlisi ayrıca kameralarda kullanılan en küçük kareler optimizasyon yöntemini ve iğne deliği modelini tanıtır. Kamera merkezli koordinat sistemi, optik eksen ve vektörlerin kullanımı da kısaca tartışılmaktadır. Kurs, öğrencileri daha ileri yapay görme kurslarına ve programlamada matematik ve fiziğin gerçek uygulamalarına hazırlamayı amaçlamaktadır.

Konuşmacı ayrıca, perspektif izdüşüm için vektör gösterimi, yüzey aydınlatması, yüzey öğelerinin önceden kısaltılması ve 2B görüntüler kullanılarak 3B görme problemlerinin nasıl çözülebileceği de dahil olmak üzere görüntü oluşumuyla ilgili çeşitli kavramları tartışır. Öğretim görevlisi, bir yüzeydeki aydınlatmanın geliş açısına ve bir yüzeyin farklı bölümlerinin parlaklığını ölçmek için kullanılabilen kırmızı uzunluk ile yüzey uzunluğu arasındaki kosinüs ilişkisine göre nasıl değiştiğini açıklar. Bununla birlikte, bir nesnenin her küçük yüzünün yönelimini belirlemek, iki bilinmeyen nedeniyle zor olabilir. Konuşmacı ayrıca bir 3B görme problemini neden 2B görüntüler kullanarak çözebileceğimizi açıklıyor ve tomografi matematiğinin basit olduğunu, ancak denklemlerin karmaşık olduğunu ve ters çevirmeyi zorlaştırdığını söyleyerek bitiriyor.

• 00:00:00 Bu bölümde, Yapay Görme 6801 eğitmeni hem 6801 hem de 6866 için ödevler ve not sistemi dahil olmak üzere kursun lojistiğini tanıtıyor. ev ödevi sorunları 6866'dakiler, tercihen dinamik bir problem olmak üzere, yapay görme yöntemini uygulayan bir dönem projesine sahip olacaklar. Sınıfın bir ders kitabı yoktur, ancak makaleler dersin web sitesinde bulunacaktır.
  
  
• 00:05:00 Bu bölümde, öğretim görevlisi, öğrencilerin ışık ışınlarını, yüzeyler ve görüntüler. Ders, öğrencilere ham verilerden yararlı özelliklerin nasıl çıkarılacağını öğretecek ve kalkülüs, vektörler, matrisler gibi bazı temel matematik kavramları ve biraz da doğrusal cebirin açıklanmasıyla programlamada matematik ve fiziğin gerçek uygulamalarını sağlayacaktır. Ayrıca öğrencileri gelecekte daha ileri düzeydeki yapay görme kurslarına hazırlayacaktır.
  
  
• 00:10:00 Transkriptin bu bölümünde, konuşmacı yapay görme kursunun neleri kapsayıp neleri kapsamayacağına dair genel bir bakış sunar. Kurs, temel geometri ve lineer sistemlerin yanı sıra evrişim ve görüntü oluşumunu kapsayacaktır. Ancak, görüntü işleme veya örüntü tanıma ile ilgili değildir. Kurs aynı zamanda makine öğrenimi veya hesaplamalı görüntülemeye girmez, bunun yerine fizik tabanlı modelleri kullanarak doğrudan hesaplamalara odaklanır. Konuşmacı ayrıca insan vizyonunun kapsamlı bir şekilde tartışılmayacağından da bahsediyor.
  
  
• 00:15:00 Bu bölümde, öğretim görevlisi makine görüşünü ve görüntü hareketini kurtarma ve yüzey şekillerini tahmin etme gibi neler yapabileceğine dair bazı örnekleri tanıtıyor. Öğretim görevlisi, soruna fizik temelli bir yaklaşım getiriyor ve zamanla değişen görüntülerden gözlemci hareketini kurtarmayı, çarpışmaya kadar geçen süreyi tahmin etmeyi ve görüntülere dayalı olarak ortamın bir tanımını geliştirmeyi tartışıyor. Ders ayrıca hava fotoğraflarından kontur haritalarını, endüstriyel yapay görme çalışmasını ve imalattaki bir nesne yığınından bir nesne seçme problemini çözmeyi de kapsar.
  
  
• 00:20:00 Bu bölümde öğretim görevlisi, çözümü olmayan, sonsuz sayıda çözümü olan veya başlangıç koşullarına bağlı çözümleri olan kötü kurulmuş sorunları tartışır. Tartışma, küçük ölçüm hataları nedeniyle yanlış olabilen, bir kameranın konumunu ve yönünü belirleyen yapay görme yöntemlerine odaklanır. Ders ayrıca iki boyutlu görüntülerden üç boyutlu bilgileri nasıl algılayabileceğimizi araştırıyor ve değişkenleri çözerken bilinmeyenlere karşı kısıtlamaları saymanın zorluğunu vurguluyor. Öğretim görevlisi, Richard Feynman'ın burnu ve basık bir elipsoid gibi görüntülerden nesnelerin 3B şeklini belirleyen algoritma örneklerini ve bunların bir nesnenin modelini oluşturmak için 3B yazıcı kullanmak gibi pratik amaçlar için nasıl kullanılabileceğini gösterir.
  
  
• 00:25:00 Bu bölümde öğretim görevlisi, bir sahne/dünya, bir görüntüleme cihazı ve bir açıklama oluşturmaktan sorumlu bir yapay görme sistemi dahil olmak üzere yapay görme ve bileşenleri hakkında genel bir bakış sağlar. Yapay görmenin en ilginç uygulamaları, başarının kanıtının, robotun oluşturulan açıklamayı kullanarak çevre ile doğru bir şekilde etkileşime girme yeteneği olduğu robotik içerir. Yapay görmenin en zorlu yönlerinden biri, temas için gereken süreyi ve genişleme odağını, özellikle de mevcut bilgiler yalnızca gri tonlamalı bir görüntü olduğunda görüntü genişletmenin nasıl ölçüleceğini belirlemektir. Öğretim görevlisi, kalibrasyonun da sürecin önemli ancak genellikle gözden kaçan bir parçası olduğunu belirtiyor.
  
  
• 00:30:00 Bu bölümde, öğretim görevlisi, özellikle robotlar ve kameralar söz konusu olduğunda, koordinat sistemlerini ve bunlar arasındaki dönüşümleri tartışır. Ayrıca, görüntü işleme için analog bilgi işlemin kullanımından ve bu tür algoritmaları geliştirmenin içerdiği zorluklardan bahsediyorlar. Ders daha sonra, aydınlatmanın önemini ve bir görüntüdeki gri seviyeleri veya RGB değerlerini belirlemedeki rolünü vurgulayarak görüntü oluşumu konusuna geçer. Öğretim görevlisi, yansımayı kontrol eden açıları ve bunların görüntü üzerindeki etkilerini gösteren bir ışık kaynağı, bir görüntü cihazı ve bir yüzey çizimi sunar.
  
  
• 00:35:00 Bu bölümde öğretim görevlisi, yüzey yönelimi kavramını ve bunun makine görüşünü nasıl etkilediğini tanıtıyor. Nesneler, nesnenin anahattı içinde farklı parlaklığa yol açan farklı yönlere sahip olabilir. Ek olarak, yüzey yansıtma özellikleri de değişen görünümlere yol açabilir, bu nedenle bu etkileri tanımlamanın ve açıklamanın bir yolunu bulmak çok önemlidir. Bir yaklaşım, her pikselde üç kısıtlama elde etmek için birden fazla ışığın ve küre gibi bilinen şekle sahip bir kalibrasyon nesnesinin kullanılmasını içerir ve hem yüzey oryantasyonunun hem de yüzeyin yansımasının geri kazanılmasına olanak tanır.
  
  
• 00:40:00 Bu bölümde profesör, doğal gürültü nedeniyle görüntülerle çalışmanın zorluklarını ve ölçüm hatalarını hesaba katma gereğini tartışıyor. 8 bitlik görüntülerin kaba niceleme ve küçük piksel boyutları nedeniyle görüntülerin genellikle gürültülü olduğunu ve bunun da ölçüm hatasına duyarlılığa yol açtığını açıklıyor. Profesör ayrıca farklı yüzey oryantasyonlarının nasıl farklı renkler ürettiğini ve bunun şeklin yeniden oluşturulmasına izin veren bir iğne diyagramı oluşturmak için nasıl kullanılabileceğini açıklıyor. Son olarak, nesne yönelimini belirlemek için yararlı olan, şeklin 3B'de uygun bir temsili olarak genişletilmiş Gauss görüntüsünü sunar.
  
  
• 00:45:00 Bu bölümde öğretim görevlisi, robot ile görüş sistemi koordinat sistemi arasındaki ilişkiyi kurmak için kalibrasyon kullanımı ve denilen bir şeyin kullanımı da dahil olmak üzere, bir robotun bir nesneyi alması için bir görüntü işleme görevini gösterir. bu ilişkiyi belirlemek için görüntüyü işlemesi kolay ve doğru bir şekilde yeri belirlenebilen bir bilirkişi işareti. Öğretim görevlisi daha sonra, bir görüntüden dünya hakkında bir şeyler öğrenmeyi amaçlayan ters grafik kavramını ve verilere hassas bir şekilde bağlı olan çözümlerle başa çıkabilen yöntemler gerektiren ters problemlerin kötü konumlanmış doğasını tartışır.
  
  
• 00:50:00 Bu bölümde, öğretim görevlisi ders için tercih edilen optimizasyon yöntemini, yani "en küçük kareler" yöntemini tanıtıyor. Bu yöntem tercih edilir, çünkü kapalı formda bir çözüme yol açar, uygulanmasını kolaylaştırır ve yerel bir minimuma takılma şansını ortadan kaldırır. Bununla birlikte, kursta birçok en küçük kareler kullanacak olsak da, özellikle ölçümler yanlışsa, yöntemin sağlamlığını sağlamak için gürültü kazancının dikkate alınması gerekir. Öğretim görevlisi daha sonra lensli kameralarda kullanılan iğne deliği modeli konusuna ve bunun 3 boyutlu bir noktadan 2 boyutlu bir görüntüye projeksiyonu açıklamaya nasıl yardımcı olabileceğine geçer. Kamera merkezli bir koordinat sistemi seçilerek, denklemlerin anlaşılması kolay hale gelir.
  
  
• 00:55:00 Bu bölümde öğretim görevlisi, kamera merkezli makine görüşü için kullanılan koordinat sistemini tartışır. Orijin, projeksiyonun merkezine yerleştirilir ve eksen, optik eksenle hizalanır. Ders, optik eksenin projeksiyonun merkezinden görüntü düzlemine dik olan çizgi olduğunu açıklar. Buna ek olarak ders, makine görüşünde vektörlerin kullanımına ve bunların mühendislik yayınları için notasyonda nasıl gösterileceğine değinir. Son olarak, ders, 3B ve 2B hareket arasındaki ilişkinin, daha önce bahsedilen denklemin türevi alınarak elde edilebileceğinden bahseder.
  
  
• 01:00:00 Bu bölümde öğretim görevlisi, perspektif izdüşüm için kullanılan vektör gösterimini ve bunun denklemleri değiştirmeyi nasıl basitleştirdiğini açıklıyor. Vektör gösterimi, kullanılan sembol sayısını mutlaka azaltmasa da, tüm bireysel bileşenleri taşımayı kolaylaştırır. Öğretim görevlisi daha sonra sütun vektörlerinin kullanımını tartışır ve gösterimlerinde devriktir. Bölüm, parlaklığa ve bunun kameralar tarafından yakalanan görüntüyle ilişkisine girişle sona ermektedir.
  
  
• 01:05:00 Bu bölümde öğretim görevlisi bir cismin parlaklığının onun aydınlanmasına ve yüzeyin ışığı nasıl yansıttığına bağlı olduğunu açıklar. Ayrıca mesafenin görüntü oluşumunu bir ışık kaynağıyla aynı şekilde etkilemediğini, çünkü nesneden uzaklaştıkça kişinin alıcılarında görüntülenen alan arttığını tartışıyor. Ek olarak, bir ışık kaynağı altında bir yüzey elemanının gücünün önceden kısaltılmasında görülen, mesafe veya yönelimdeki değişim oranının görüntü oluşumunu etkileyebileceğinden bahseder.
  
  
• 01:10:00 Bu bölümde konuşmacı, bir yüzeydeki aydınlatmanın geliş açısına ve kırmızı uzunluk ile yüzey uzunluğu arasındaki kosinüs ilişkisine göre nasıl değiştiğini açıklıyor. Aydınlatmadaki bu değişkenlik, bir yüzeyin farklı bölümlerinin parlaklığını ölçmek için kullanılabilir ve bu, yüzeyin yönü hakkında bir şeyler anlamaya yardımcı olabilir. Bununla birlikte, yüzey normali ve parlaklık olmak üzere iki bilinmeyen olduğundan, bir nesnenin her küçük yüzünün yönünü belirlemek zor olabilir. Konuşmacı, birden fazla ışık kaynağı veya renkli ışık kaynağı kullanmanın kaba kuvvet yaklaşımı da dahil olmak üzere, bu sorunu çözmenin farklı yollarını tartışıyor.
  
  
• 01:15:00 Bu bölümde eğitmen, olay aydınlatmasını etkileyen kısaltma ve tersine çevirme fenomenini ve bunun bir yüzeyde nasıl görüntülendiğini tartışır. Ayrıca, düz çizgi ışınları ve katı yüzeylerle görsel bir dünyada yaşadığımız için 2 boyutlu görüntüleri kullanarak bir 3 boyutlu görme problemini çözebilmemizin nedenini de açıklıyor. Işınlar havadan geçerken kesintiye uğramaz, bu da 3 boyutlu yüzeyi 2 boyutlu bir görüntüye eşlemeyi kolaylaştırır. Jöle dolu bir odadaki renkli boyaların dağılımını anlamak için birden fazla görüntü gerekiyorsa tomografi kullanılabilir. Tomografi matematiğinin basit olduğunu, ancak denklemlerin karmaşık olduğunu ve ters çevirmeyi zorlaştırdığını söyleyerek bitiriyor.