Deneyim yoluyla örtük bilgi öğrenimi, bir yapay zeka (YZ) sisteminin, doğrudan çevresiyle etkileşime girerek veya yapılandırılmamış verileri işleyerek, genellikle formalize edilmesi veya sözlü olarak ifade edilmesi zor olan bilgileri edinmesi sürecini ifade eder. Açık öğrenmeden farklı olarak, önceden tanımlanmış kurallar veya etiketlere dayanmaz; sistem, tekrar eden gözlem ve deneme-yanılma yoluyla kalıpları, düzenlilikleri veya davranışları genellikle doğrudan denetim olmadan çıkarır. Bu yaklaşım, birçok becerinin resmi öğretim olmadan pratik ve deneyim yoluyla içselleştirildiği insan öğrenmesini taklit eder.
Kullanım örnekleri ve uygulama alanları
Kullanıcı tercihleri açıkça bilinmeden içerik öneren öneri sistemleri bu öğrenmenin bir örneğidir. Robotikte, robotlar dinamik ortamlara uyum sağlarken yeni nesneleri manipüle etme becerisini örtük olarak öğrenir. Doğal dil işleme modelleri, açıkça kodlanmamış dilsel incelikleri veya bağlamsal ilişkileri kavrayabilir. Dolandırıcılık tespit sistemleri, büyük işlem hacminde ince anormallikleri belirlemek için bu yaklaşımı kullanır.
Başlıca yazılım araçları, kütüphaneler ve framework'ler
TensorFlow, PyTorch ve JAX gibi derin öğrenme framework'leri, derin sinir ağları, pekiştirmeli öğrenme mimarileri veya kendi kendine denetimli modeller aracılığıyla örtük bilgi öğrenimini uygulamak için yaygın olarak kullanılır. OpenAI Gym, Stable Baselines3 veya Ray RLlib gibi özel kütüphaneler, deneyime dayalı eğitimi simüle edilmiş ortamlarda kolaylaştırır.
Son gelişmeler ve eğilimler
Güncel araştırmalar, özellikle kendi kendine denetimli ve derin pekiştirmeli öğrenme yoluyla, örtük öğrenen modellerin genelleme ve sağlamlık yeteneklerini artırmaya odaklanmaktadır. Görevler ve alanlar arasında örtük bilgi aktarabilen temel modellerin (foundation models) ortaya çıkışı yeni olanaklar sunuyor. Çok modlu sinyallerin (metin, görsel, eylem) entegrasyonu ve gerçek ortamlarda sürekli adaptasyon, giderek daha özerk ve akıllı uygulamaların önünü açıyor.