Sürü Zekası

Sürü Zekası (SI), genellikle doğal veya yapay olan, merkezi olmayan, kendi kendini organize eden sistemlerin kolektif davranışını tanımlar. Bu kavram, karınca kolonileri, kuş sürüler, balık sürüler ve bakteri büyümesi gibi doğada bulunan biyolojik sistemlerden büyük ölçüde ilham almaktadır. Yapay zeka (AI) bağlamında, sürü zeka sistemleri, birbirleriyle ve çevreleriyle yerel olarak etkileşime giren basit ajanlardan oluşan bir popülasyondan oluşur. Bireysel ajanların nasıl davranması gerektiğini belirleyen merkezi bir kontrol yapısı olmamasına rağmen, bu tür ajanlar arasındaki yerel etkileşimler, "sürü zekası" olarak adlandırılan zeka sistemleri, birbirleriyle ve çevreleriyle yerel olarak etkileşime giren basit ajanlardan oluşan bir popülasyondan oluşur. Bireysel ajanların nasıl davranması gerektiğini belirleyen merkezi bir kontrol yapısı olmamasına rağmen, bu tür ajanlar arasındaki yerel etkileşimler, tek bir bireyin yeteneklerinin ötesinde olan karmaşık görevleri çözebilen "akıllı" küresel davranışların ortaya çıkmasına yol açar. .

Temel Mekanizmalar ve Algoritmalar

Sürü zekasının gücü, işbirliği yoluyla doğrusal olmayan problemleri çözme yeteneğinde yatmaktadır. Bu sistemlerdeki ajanlar genellikle "ayrılık", "uyum" ve "uyum" olarak tanımlanan basit kurallara uyarlar ve bu da grubun dinamik ortamlarda yolunu bulmasını sağlar. Bu yaklaşım, arama alanının geniş ve karmaşık olduğu optimizasyon algoritmalarında özellikle etkilidir.

En öne çıkan iki algoritmik uygulama şunlardır:

• Parçacık Sürü Optimizasyonu (PSO): Kuş sürülerinin sosyal davranışlarından esinlenen PSO, belirli bir kalite ölçütü açısından aday çözümü yinelemeli olarak iyileştirmeye çalışarak bir sorunu optimize eder. Sinir ağı eğitimi ve optimum hiperparametrelerin bulunmasında yaygın olarak kullanılır. Parçacık Sürü Optimizasyonunun mekanizması hakkında daha fazla bilgi edinebilir ve matematiksel temellerini anlayabilirsiniz.
• Karınca Kolonisi Optimizasyonu (ACO): Karıncaların besin arama davranışına, özellikle feromon izlerini kullanarak kolonileri ile besin kaynağı arasındaki en kısa yolu bulma davranışına dayanır. ACO, telekomünikasyon ve lojistik operasyonlarındaki rota belirleme sorunlarına sıklıkla uygulanır.

Bilgisayar Görmesinde Sürü Zekası

Bilgisayar görme (CV) alanında, sürü zekası makinelerin dünyayı algılama ve yorumlama biçiminde devrim yaratmaktadır. Tek bir monolitik modele dayanmak yerine, sürü tabanlı yaklaşımlar, verileri toplamak ve işbirliği içinde çıkarımda bulunmak için genellikle uç bilgi işlem cihazlarındakonuşlandırılan çok sayıda hafif ajan kullanır.

Gerçek Dünya Uygulamaları

1. Otonom Drone Arama ve Kurtarma:Afet senaryolarında, tek bir dronun pil ömrü ve görüş alanı sınırlıdır. Ancak, otonom dronlardan oluşan bir sürü geniş alanları verimli bir şekilde kapsayabilir. YOLO26 gibi nesne algılama modelleriyle donatılmış bu dronlar, algılama koordinatlarını birbirlerine iletir. Bir drone yaşam belirtisi algılarsa, diğerlerine bir araya gelip doğrulama yapmaları için sinyal gönderebilir ve insan pilotun sürekli talimatına ihtiyaç duymadan arama yolunu gerçek zamanlı olarak optimize edebilir.

2. Akıllı Şehir Trafik Yönetimi:Modern şehir planlaması, akıllı şehirlerde trafik sıkışıklığını azaltmak için yapay zekayı kullanır. Bir sürü gibi çalışan trafik kameraları, şehirdeki kavşakları izleyebilir. Gecikmeye neden olan merkezi işleme yerine, bu dağıtılmış ajanlar, yerel akış ve komşu verilere göre trafik ışığı zamanlamalarını dinamik olarak ayarlamak için uç yapay zeka kullanır. Bu merkezi olmayan yaklaşım, tüm trafik ağının kendi kendini optimize etmesini sağlayarak bekleme sürelerini ve emisyonları azaltır.

Vizyon Ajanlarının Uygulanması

Bir sürü dağıtmak için, her ajan genellikle düşük güçlü donanımlarda çalışabilen hızlı ve verimli bir modele ihtiyaç duyar. Aşağıdaki örnek, hafif bir modeli nasıl başlatacağınızı gösterir. YOLO26n modeli kullanarak ultralytics paket, bir sürüdeki tek bir ajanın görme yeteneğini temsil eder.

from ultralytics import YOLO

# Load a lightweight YOLO26 nano model optimized for edge agents
# This simulates one agent in a swarm initializing its vision system
model = YOLO("yolo26n.pt")

# Perform inference on a local image (what the agent 'sees')
# The agent would then transmit these results to neighbors
results = model.predict("path/to/image.jpg")

# Print the number of objects detected by this agent
print(f"Agent detected {len(results[0].boxes)} objects.")

Sürü Zekasını Ayırt Etmek

Sürü zekasını ilgili yapay zeka kavramlarından ayırmak önemlidir:

• vs. Ensemble Learning: Her ikisi de birden fazla bileşeni içerse de, ensemble learning genellikle doğruluğu artırmak için farklı statik modellerin (Random Forests gibi) tahminlerini birleştirir. Swarm intelligence ise, çözüm alanı veya fiziksel ortamda hareket eden, etkileşime giren ve zaman içinde davranışlarını değiştiren aktif ajanları içerir.
• Evrimsel Algoritmalar ile Karşılaştırma: Evrimsel algoritmalar, nesiller boyunca bir popülasyonu geliştirmek için mutasyon ve çaprazlama gibi mekanizmalar kullanır. SI de bir popülasyon kullanır, ancak sürüdeki bireyler genellikle ölmez veya üremez; akran bilgilerine dayanarak konumlarını öğrenir ve uyarlarlar. Bu süreç stigmerji olarak bilinir.

İşbirliğine Dayalı Yapay Zekanın Geleceği

Donanımlar küçülürken ve Nesnelerin İnterneti (IoT) genişlemeye devam ederken, sürü zekası merkezi olmayan otomasyonda önemli bir rol oynayacaktır. Ultralytics gibi araçlar, ekiplerin veri kümelerini yönetmesine ve cihaz filolarına kolayca dağıtılabilen modelleri eğitmesine olanak tanıyarak, gelişmiş sürü robotik ve otonom araçlar için gerekli olan senkronize "kovan zekası"nı sağlayarak bu geleceği kolaylaştırmaktadır.