Madde #319Görü & Multimodal/sozluk/multimodal-ai
Multimodal AI
Multimodal Artificial Intelligence
Türkçe: Çok Modlu Yapay Zekâ
Ayrıntılı Tanım
Yalnızca tek bir veri türüyle (örneğin sadece metin veya sadece görüntü) sınırlı kalmayıp; metin, görüntü, ses, video ve sensör verisi gibi birden fazla farklı duyu ve formatı aynı anda anlayabilen, sentezleyebilen ve üretebilen yapay zekâ sistemleridir.
Ne İşe Yarar / Çözülen Problem
Yapay zekâyı metin kutusuna hapsolmuş kör bir sistem olmaktan çıkarıp, tıpkı bir insan gibi dünyayı görerek, duyarak ve okuyarak bütüncül bir zekâya kavuşturur.
Nasıl Çalışır? (Teknik & Mekanizma)
Farklı modaliteler (görsel yamaları, ses spektrogramları, metin tokenları) bağımsız kodlayıcılarla aynı ortak vektör uzayına projekte edilir ve devasa bir çok modlu Transformer gövdesinde harmanlanır.
Örnek Senaryo & Pratik Uygulama
Bir doktor asistanı robot: Hastanın şikayetini dinler (ses), röntgen filmine bakar (görüntü) ve tıbbi raporu okur (metin); üçünü birleştirip tek bir teşhis koyar.
Benzer Terimlerden Farkı
Unimodal (tek modlu) modeller sadece kendi dünyasını bilir; Çok modlu AI ise duyular arası çapraz analoji kurar.
İlişkili Terimler (3)
Bilgisayarlı Görü, Çok Modlu ve Üretken Yapay Zekâ
CNN, Vision Transformers (ViT), Diffusion, GAN, VAE ve Multimodal modeller.
Toplam Terim:53 Madde
Bu Kategorideki Tüm Terimleri Gör →Önceki Terim (#318)Flow Matching
Sonraki Terim (#320)Contrastive Language-Image Pre-training (CLIP)