Fei-Fei Li ve ImageNet: veri neden önemli?

Yapay zekâ modelleri örneklerden öğrenir. Bu örneklerin nasıl toplandığı ve düzenlendiği, modelin ne öğreneceğini belirler. Fei-Fei Li, bu işin görünür örneklerinden biri olan ImageNet’in geliştiricisidir.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Fei-Fei Li’nin kim olduğunu
• ImageNet’in ne olduğunu
• Veri kümesi ile yarışma arasındaki farkı
• Verinin yapay zekâ yanıtlarına etkisini

Kim, ne zaman, nerede?

Stanford HAI sayfasına göre Fei-Fei Li, Stanford’da Bilgisayar Bilimi bölümünde Sequoia Profesörü’dür. 2009’da Stanford’a yardımcı doçent olarak katıldı. 2013-2018 arasında Stanford Yapay Zekâ Laboratuvarı’nın yöneticisiydi. Ocak 2017 ile Eylül 2018 arasındaki izinde Google Cloud’da yapay zekâ ve makine öğrenmesi baş bilimcisiydi.

Princeton Üniversitesi’nden 1999’da fizik lisansı, Caltech’ten 2005’te elektrik mühendisliği doktorası aldı. 2005-2006’da Illinois Üniversitesi’nde, 2007-2009’da Princeton’da öğretim üyesiydi. AI4ALL adlı kâr amacı gütmeyen kuruluşun kurucu ortağı ve başkanıdır. Stanford HAI’nin kurucu yöneticisi olarak tanıtılıyor; HAI’nin başka sayfaları onu ortak yönetici ya da kurucu ortak olarak da anıyor.

ImageNet nedir?

ImageNet, WordNet adlı sözcük hiyerarşisine göre düzenlenmiş bir görüntü veri kümesidir. Amacı, büyük ölçekli nesne tanıma modellerini eğitmek için görüntüler sağlamaktır. WordNet’te yüz binden fazla kavram grubu var; ImageNet bu kavramların her biri için yaklaşık bin görüntü hedefliyor. Kümenin kuruluş makalelerinden biri 2009’daki CVPR konferansında yer alan “ImageNet: A Large-Scale Hierarchical Image Database” makalesidir ve yazarları arasında Li Fei-Fei de vardır.

Stanford HAI sayfası, Li’yi ImageNet ve ImageNet Challenge’ın mucidi olarak tanıtır. ACM sayfasına göre 2012’de Hinton’un ekibinin geliştirdiği program, ImageNet yarışmasındaki diğer katılımcıları belirgin biçimde geride bıraktı.

ImageNet’in iki yüzü vardır. Biri veri kümesidir; diğeri o veri üzerinde modellerin yarıştığı ImageNet Challenge adlı yarışmadır. İkisini birbirinden ayırmak gerekir.

Bugün nerede görürsünüz?

Bu fikrin bugünkü karşılığı şudur: görüntü tanıyan sistemler örneklerden öğrenir. Veri kümesi, modele neyin “kedi”, neyin “bisiklet” olduğunu gösteren örneklerin derlemesidir.

Ters taraf da vardır: veri eksik ya da dengesiz olursa model de eksik ya da dengesiz öğrenir. Asistan bir görseli yanlış tanırsa, bunun nedeninin yalnız “zekâ” değil, eğitim verisi de olabileceğini hatırlayın.

Bir yapay zekâ aracının hangi verilerle eğitildiğini merak ediyorsanız, aracın sağlayıcısının resmî sayfasına bakın. Her şirket bu bilgiyi aynı ayrıntıda vermez; bu yüzden asistanın kendi anlatımına güvenmeyin.

Kısa sözlük

• Veri kümesi: Modeli eğitmek için derlenmiş örneklerin toplamı.
• ImageNet: WordNet hiyerarşisine göre düzenlenmiş büyük görüntü veri kümesi.
• ImageNet Challenge: Bu veri üzerinde modellerin yarıştığı etkinlik.
• WordNet: Kavramları ilişkileriyle gruplandıran sözcük hiyerarşisi.

Bu bilgiyi nasıl kontrol edersiniz?

Bir kişi hakkındaki bilgiyi şu sırayla kontrol edin. Önce kişinin kendi kurumunun ya da ödülü veren kurumun sayfasına bakın. Sonra ansiklopedik bir kaynağa geçin. En sonda o bilgiyi aktaran haber ve blog yazılarına göz atın. Asistanın verdiği her tarihi bu sırayla sınayın. İki kaynak birbirini tutmuyorsa birincil kaynağa yakın olanı seçin ve yazarken belirsizliği tek cümleyle belirtin.

Li için birinci kaynak Stanford HAI sayfasıdır. ImageNet’in kendi sitesi veri kümesini tarif eder. Yarışmanın yılları için ACM sayfasındaki 2012 bilgisine bakın. “ImageNet bir yarışmadır” gibi eksik özetleri veri kümesi tanımıyla düzeltin.

Bir portreyi gerçekten öğrenmenin yolu, onu kendi sözcüklerinizle yeniden anlatmaktır. Aşağıdaki adımlar bunun için hazırlandı. Önce komutu kullanın, sonra yanıtı bu dersle karşılaştırın. Tutmayan her cümleyi silin ya da kaynağıyla birlikte düzeltin. Asistan size yanlış bir bilgi verirse bunu bir ders sayın. Amaç ezber değil, bilgiyi kontrol etmeyi öğrenmektir. Bu dizide her portrede aynı sırayı izliyoruz: önce kimin ne zaman ne yaptığına, sonra bugünkü araçlarla bağına, en sonda da nerede yanılabileceğinize bakıyoruz. Yeni bir isimle karşılaştığınızda bu sıra size yol gösterir.

1. Aşağıdaki güçlü komutu kopyalayın ve bir yapay zekâ asistanına yapıştırın.
2. Asistanın “ImageNet” sözcüğünü hangi anlamda kullandığına bakın.
3. Veri kümesi ile yarışma karışmışsa düzeltin.
4. Bir fotoğrafı yükleyip asistanın yanlış tanıdığı bir örnek bulmaya çalışın.

Kontrol listesi

• Yanıttaki her tarihi ve her adı bu dersle karşılaştırdım
• ImageNet’i veri kümesi ve yarışma diye ayırdım
• Asistanın kaynak göstermediği cümleleri ayrıca işaretledim
• Bilmediğim bir iddiayı kesin bilgi gibi başkasına aktarmadım

Sık yapılan hatalar

Portre derslerinde en sık görülen sorun, tarih, ad ve unvanların karışmasıdır. Aşağıdaki maddeler, bu kişiyle ilgili kaynaklarda açıkça görülen olgulara dayanır. Bir asistan bunlardan birini ters söylerse, yanıtın geri kalanına da şüpheyle bakın.

• ImageNet’i yalnız bir yarışma sanmak
• ImageNet’i tek kişinin işi saymak: yayınlarda başka yazarlar da var
• ImageNet’in yalnız 2009 tarihli makaleden ibaret olduğunu sanmak: kümeye ilişkin başka yayınlar da var
• Li’nin Stanford ve Google’daki görev yıllarını karıştırmak

Kendinizi deneyin

Aşağıdaki üç soru dersin ana fikirlerini sınar. Yanlış yanıt verirseniz açıklamayı okuyun ve ilgili bölüme dönün.

Kaynaklar

• Fei-Fei Li (Stanford HAI) (İngilizce)
• ImageNet hakkında (image-net.org) (İngilizce)
• Geoffrey Hinton, ACM A.M. Turing Ödülü sayfası (İngilizce)

Son kontrol: 8 Kasım 2026

Kaynak: yzdersleri.com/ders/fei-fei-li-imagenet-ve-veri-kumeleri/ · Yapay Zeka Dersleri