G\u00fcn\u00fcm\u00fczde b\u00fcy\u00fck lisan modellerinin (LLM) e\u011fitimi i\u00e7in devasa \u00f6l\u00e7\u00fcde bilgiye muhta\u00e7l\u0131k duyuluyor. Lakin bu bilgiler \u00e7o\u011funlukla internetten topland\u0131\u011f\u0131 i\u00e7in, kullan\u0131c\u0131lar\u0131n ferd\u00ee bilgileri de fark\u0131nda olmadan e\u011fitim verisine dahil olabiliyor. Bu da yapay zeka modellerinin hassas bilgileri “ezberleyerek” daha sonra \u00e7\u0131kt\u0131lar\u0131nda istem d\u0131\u015f\u0131 halde kullanmas\u0131na neden olabiliyor.<\/p>\n
‘FARKLILA\u015eTIRILMI\u015e G\u0130ZL\u0130L\u0130K’<\/b><\/p>\n
VaultGemma, bu riski azaltmak i\u00e7in yapay zeka d\u00fcnyas\u0131nda uzun m\u00fcddettir bilinen lakin bu \u00f6l\u00e7ekte birinci sefer kapsaml\u0131 halde uygulanan “Farkl\u0131la\u015ft\u0131r\u0131lm\u0131\u015f Gizlilik” (Differential Privacy – DP) tekni\u011fini temel al\u0131yor. Bu yol sayesinde model e\u011fitimine dijital g\u00fcr\u00fclt\u00fc ekleniyor; b\u00f6ylelikle model, bilgileri ezberleyip motamot tekrar edemiyor.<\/p>\n
Modelin dikkat \u00e7eken bir di\u011fer \u00f6zelli\u011fi, token dizisi d\u00fczeyinde sakl\u0131l\u0131\u011f\u0131 garanti etmesi. \u00d6rne\u011fin bir bilgi yaln\u0131zca bir c\u00fcmlede yer al\u0131yorsa, model o bilgiyi hi\u00e7 g\u00f6rmemi\u015f \u00fczere davran\u0131yor ve yan\u0131tlar\u0131nda bunu yans\u0131tm\u0131yor. Google, bu sayede VaultGemma’n\u0131n, istatistiksel olarak \u201cbilgiye sahip olmayan\u201d bir model \u00fczere davrand\u0131\u011f\u0131n\u0131 vurguluyor.<\/p>\n
DEZAVANTAJI DA VAR<\/b><\/p>\n
Bu kapal\u0131l\u0131k odakl\u0131 yakla\u015f\u0131m\u0131n do\u011fal bir dezavantaj\u0131 da var: G\u00fcr\u00fclt\u00fc \u00f6l\u00e7\u00fcs\u00fc artt\u0131k\u00e7a modelin do\u011frulu\u011fu d\u00fc\u015f\u00fcyor. Lakin Google bu sorunu dengelemek i\u00e7in \u201cdifferential privacy \u00f6l\u00e7ekleme yasalar\u0131\u201d ismini verdi\u011fi yeni bir matematiksel \u00e7er\u00e7eve geli\u015ftirdi. Bu \u00e7er\u00e7eve; s\u00fcre\u00e7 g\u00fcc\u00fc (FLOPs), data \u00f6l\u00e7\u00fcs\u00fc (token say\u0131s\u0131) ve sakl\u0131l\u0131k d\u00fczeyi ortas\u0131ndaki dengeyi optimize etmeye yard\u0131mc\u0131 oluyor.<\/p>\n
1 milyar parametreye sahip VaultGemma, g\u00f6rece k\u00fc\u00e7\u00fck bir model olsa da emsal boyuttaki modellere k\u0131yasla daha y\u00fcksek s\u00fcre\u00e7 g\u00fcc\u00fcyle e\u011fitildi. Bu sayede eklenen g\u00fcr\u00fclt\u00fcye kar\u015f\u0131n modelin performans\u0131nda bariz bir d\u00fc\u015f\u00fc\u015f ya\u015fanmad\u0131. Uzmanlar, VaultGemma\u2019n\u0131n kabaca OpenAI\u2019\u0131n GPT-2 modeliyle emsal seviyede oldu\u011funu belirtiyor.<\/p>\n
Google\u2019\u0131n Gemma 2 model ailesine dayanan VaultGemma, a\u00e7\u0131k y\u00fckl\u00fc (open-weight) olarak sunuldu. Bu, geli\u015ftiricilerin modelin e\u011fitilmi\u015f y\u00fcklerini (yani \u00f6\u011frendi\u011fi say\u0131sal de\u011ferler) indirip \u00e7al\u0131\u015ft\u0131rabilmesi, hatta kendi bilgileriyle yine e\u011fitebilmesi manas\u0131na geliyor. Modelin y\u00fckleri Hugging Face ve Kaggle \u00fczerinden eri\u015fime a\u00e7\u0131k durumda.<\/p>\n
Google, VaultGemma\u2019n\u0131n yapay zeka geli\u015ftirme s\u00fcrecinde data kapal\u0131l\u0131\u011f\u0131 ile model kalitesi ortas\u0131ndaki hassas dengeyi kurmaya y\u00f6nelik de\u011ferli bir ad\u0131m oldu\u011funu belirtiyor. \u015eirket, bu \u00e7al\u0131\u015fmayla yapay zeka toplulu\u011funa sistematik bir yol haritas\u0131 sundu\u011funu s\u00f6z ediyor. Uzmanlara nazaran bu prosed\u00fcr, bilhassa hassas datalar\u0131n i\u015flendi\u011fi kesimlerde gelecekte standart haline gelebilir.<\/p>\n","protected":false},"excerpt":{"rendered":"
Google, yapay zeka alan\u0131ndaki en b\u00fcy\u00fck meselelerden biri olan bilgi kapal\u0131l\u0131\u011f\u0131 sorununa tahlil getirmek hedefiyle geli\u015ftirdi\u011fi yeni modeli VaultGemma\u2019y\u0131 tan\u0131tt\u0131. Bu model, \u015firketin \u015fimdiye kadar geli\u015ftirdi\u011fi en kapal\u0131l\u0131k odakl\u0131 yapay zeka sistemi olarak \u00f6ne \u00e7\u0131k\u0131yor.<\/p>\n","protected":false},"author":1,"featured_media":81145,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[31],"tags":[644,1521,1001],"class_list":["post-81144","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-teknoloji","tag-bilgi","tag-model","tag-veri"],"_links":{"self":[{"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/posts\/81144","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/comments?post=81144"}],"version-history":[{"count":1,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/posts\/81144\/revisions"}],"predecessor-version":[{"id":81146,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/posts\/81144\/revisions\/81146"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/media\/81145"}],"wp:attachment":[{"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/media?parent=81144"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/categories?post=81144"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ikimisli.tr\/index.php\/wp-json\/wp\/v2\/tags?post=81144"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}