kompüterinizdə AI necə etmək olar

Kompüterinizdə AI necə etmək olar. Tam Bələdçi.

Yaxşı, deməli, siz “AI” yaratmaqla maraqlanırsınız. Varlığı düşündüyü Hollivud mənasında deyil, laptopunuzda işləyə biləcəyiniz, proqnozlar verən, əşyaları çeşidləyən, bəlkə də bir az söhbət edən. Kompüterinizdə süni intellekt yaratmaq haqqında bu bələdçi yoxdan yerli olaraq işləyən bir şeyə sürükləmək cəhdimdir . Qısa yolları, küt fikirləri və ara-sıra yan yolları gözləyin, çünki gəlin real olaq, tinkering heç vaxt təmiz deyil.

Bundan sonra oxumaq istədiyiniz məqalələr:

🔗 AI modeli necə hazırlanır: tam addımlar izah olunur
AI modelinin yaradılmasının başdan sona qədər aydın şəkildə bölünməsi.

🔗 Simvolik AI nədir: bilməli olduğunuz hər şey
Simvolik süni intellekt əsaslarını, tarixi və müasir tətbiqləri öyrənin.

🔗 AI üçün məlumat saxlama tələbləri: sizə lazım olanlar
Effektiv və genişlənən AI sistemləri üçün yaddaş ehtiyaclarını anlayın.

İndi niyə narahat olursunuz? 🧭

Çünki “yalnız Google miqyaslı laboratoriyalar süni intellektlə məşğul ola bilər” dövrü geridə qalıb. Bu günlərdə adi noutbuk, bəzi açıq mənbə alətləri və inadkarlıqla e-poçtları təsnif edən, mətni ümumiləşdirən və ya şəkilləri etiketləyən kiçik modellər hazırlaya bilərsiniz. Məlumat mərkəzinə ehtiyac yoxdur. Sadəcə sizə lazımdır:

  • bir plan,

  • təmiz quraşdırma,

  • və maşını pəncərədən atmaq istəmədən bitirə biləcəyiniz bir məqsəd.

Bunu izləməyə dəyər edən nədir ✅

“Kompüterinizdə süni intellekt necə hazırlanır” sualını verən insanlar adətən doktorluq dərəcəsi almaq istəmirlər. Onlar həqiqətən qaça biləcəkləri bir şey istəyirlər. Yaxşı bir plan bir neçə şeyi təmin edir:

  • Kiçikdən başlayın : “kəşfiyyatı həll etmək” deyil, hissləri təsnif edin.

  • Reproduktivlik : conda və ya venv , beləliklə sabahı çaxnaşma olmadan yenidən qura bilərsiniz.

  • Aparat dürüstlüyü : scikit-learn üçün yaxşı CPU-lar, dərin şəbəkələr üçün GPU-lar (şanslısınızsa) [2][3].

  • Təmiz məlumat : səhv etiketlənmiş zibil yoxdur; həmişə qatara/valid/testə bölün.

  • Nəyisə ifadə edən ölçülər : dəqiqlik, dəqiqlik, geri çağırma, F1. Disbalans üçün ROC-AUC/PR-AUC [1].

  • Paylaşmanın bir yolu : kiçik API, CLI və ya demo proqramı.

  • Təhlükəsizlik : kölgəli verilənlər bazası yoxdur, şəxsi məlumat sızması yoxdur, riskləri aydın şəkildə qeyd edin [4].

Bunları düzgün edin və hətta "kiçik" modeliniz realdır.

Qorxulu görünməyən yol xəritəsi 🗺️

  1. Kiçik problem + bir metrik seçin.

  2. Python və bir neçə açar kitabxana quraşdırın.

  3. Təmiz bir mühit yaradın (daha sonra özünüzə təşəkkür edəcəksiniz).

  4. Datasetinizi yükləyin, düzgün bölün.

  5. Lal, lakin dürüst bir təməl hazırlayın.

  6. Yalnız dəyər əlavə edərsə, neyron şəbəkəsini sınayın.

  7. Demo paketi.

  8. Bir az qeyd edin, gələcək - sizə təşəkkür edəcəksiniz.

Minimum dəst: həddən artıq mürəkkəbləşdirməyin 🧰

  • Python : python.org saytından götürün.

  • Ətraf mühit : konda və ya venv ilə pip.

  • Noutbuklar : Oyun üçün Jupyter.

  • Redaktor : VS Kodu, dost və güclü.

  • Əsas kitablar

    • pandas + NumPy (məlumat mübahisəsi)

    • scikit-learn (klassik ML)

    • PyTorch və ya TensorFlow (dərin öyrənmə, GPU maddə qurur) [2][3]

    • Hugging Face Transformers, spaCy, OpenCV (NLP + vision)

  • Sürətləndirmə (isteğe bağlı)

    • NVIDIA → CUDA qurur [2]

    • AMD → ROCm qurur [2]

    • Apple → Metal arxa uçlu PyTorch (MPS) [2]

quraşdırmanız üçün dəqiq verməyə icazə versəniz, əksər "quraşdırma ağrısı" yox olur Kopyalayın, yapışdırın, tamamlandı [2][3].

Əsas qayda: əvvəlcə CPU-da sürün, sonra GPU ilə sprint edin.

Yığmanızı seçmək: parlaq şeylərə müqavimət göstərin 🧪

  • Cədvəl məlumatları → scikit-learn. Logistik reqressiya, təsadüfi meşələr, gradient gücləndirilməsi.

  • Mətn və ya şəkillər → PyTorch və ya TensorFlow. Mətn üçün kiçik Transformatoru incə tənzimləmək böyük bir qələbədir.

  • Chatbot-ish → llama.cpp noutbuklarda kiçik LLM-ləri işlədə bilər. Sehr gözləməyin, lakin qeydlər və xülasələr üçün işləyir [5].

Təmiz mühitin qurulması 🧼

# Conda way conda create -n localai python=3.11 conda activate localai # OR venv python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate

Sonra əsasları quraşdırın:

pip install numpy pandas scikit-learn jupyter pip quraşdırma məşəl torchvision torchaudio # və ya tensorflow pip quraşdırma transformator verilənlər bazası

(GPU qurmaq üçün, ciddi şəkildə, sadəcə rəsmi selektordan [2][3] istifadə edin.)

İlk işləyən model: balaca saxlayın 🏁

Əvvəlcə baza. CSV → xüsusiyyətlər + etiketlər → logistik reqressiya.

sklearn.linear_model import LogisticRegression ... çap ("Dəqiqlik:", dəqiqlik_skoru(y_test, qabaqcadan)) çap (təsnifat_hesabatı(y_test, qabaqcadan))

Bu təsadüfi performansı üstələyirsə, qeyd edirsiniz. Qəhvə və ya peçenye, sizin zəng ☕.
Balanssız siniflər üçün xam dəqiqlik əvəzinə dəqiqlik/xatırlatma + ROC/PR əyrilərinə baxın [1].

Neyron şəbəkələri (yalnız kömək edərsə) 🧠

Mətn var və hisslərin təsnifatını istəyirsiniz? Əvvəlcədən hazırlanmış kiçik Transformatoru dəqiqləşdirin. Tez, səliqəli, maşınınızı qızartmır.

transformatorlardan AutoModelForSequenceClassification idxalı ... trainer.train() print(trainer.evaluate())

İpucu: kiçik nümunələrlə başlayın. Datanın 1%-də sazlama saatlara qənaət edir.

Data: keçə bilməyəcəyiniz əsaslar 📦

  • İctimai məlumat dəstləri: Kaggle, Hugging Face, akademik reposlar (lisenziyaları yoxlayın).

  • Etika: şəxsi məlumatları silmək, hüquqlara hörmət etmək.

  • Bölmələr: qatar, doğrulama, sınaq. Heç vaxt baxma.

  • Etiketlər: ardıcıllıq dəbli modellərdən daha vacibdir.

Həqiqət bombası: Nəticələrin 60%-i memarlıq sehrbazlığı deyil, təmiz etiketlərdəndir.

Sizi dürüst saxlayan ölçülər 🎯

  • Təsnifat → dəqiqlik, dəqiqlik, geri çağırma, F1.

  • Balanssız dəstlər → ROC-AUC, PR-AUC daha çox əhəmiyyət kəsb edir.

  • Reqressiya → MAE, RMSE, R².

  • Reallıq yoxlanışı → göz almasının bir neçə çıxışı; rəqəmlər yalan danışa bilər.

Faydalı istinad: scikit-öyrənmə metrikləri bələdçisi [1].

Sürətləndirmək üçün məsləhətlər 🚀

  • NVIDIA → PyTorch CUDA quruluşu [2]

  • AMD → ROCm [2]

  • Apple → MPS backend [2]

  • TensorFlow → rəsmi GPU quraşdırmasını izləyin + doğrulayın [3]

Lakin bazanız işləməmişdən əvvəl optimallaşdırmayın. Bu, avtomobilin təkərləri olmadan təkərləri cilalamaq kimidir.

Yerli generativ modellər: körpə əjdahalar 🐉

  • Dil → llama.cpp [5] vasitəsilə kvantlaşdırılmış LLM-lər. Dərin söhbət üçün deyil, qeydlər və ya kod göstərişləri üçün yaxşıdır.

  • Şəkillər → Stabil Diffuziya variantları mövcuddur; lisenziyaları diqqətlə oxuyun.

Bəzən tapşırıq üçün xüsusi incə tənzimlənmiş Transformator kiçik aparatda şişmiş LLM-ni döyür.

Qablaşdırma demoları: insanlar klikləsinlər 🖥️

  • Gradio → ən asan UI.

  • FastAPI → təmiz API.

  • Flask → sürətli skriptlər.

gr clf = boru kəməri("sentiment-analysis") ... demo.launch() kimi idxal gradio

Brauzeriniz onu göstərəndə sehrli hiss olunur.

Sağlamlığı xilas edən vərdişlər 🧠

  • Versiyaya nəzarət üçün Git.

  • Təcrübələri izləmək üçün MLflow və ya noutbuklar.

  • DVC və ya hash ilə verilənlərin versiyalaşdırılması.

  • Əgər başqaları sizin əşyalarınızı idarə etməlidirsə, Docker.

  • Pindən asılılıqlar ( tələblər.txt ).

Mənə inanın, gələcək - minnətdar olacaqsınız.

Problemlərin həlli: ümumi "uf" anları 🧯

  • Quraşdırma xətaları? Sadəcə mühiti silin və yenidən qurun.

  • GPU aşkarlanmadı? Sürücü uyğunsuzluğu, versiyaları yoxlayın [2][3].

  • Model öyrənmir? Öyrənmə dərəcəsini aşağı salın, etiketləri sadələşdirin və ya təmizləyin.

  • Həddindən artıq uyğunlaşmaq? Normallaşdırın, buraxın və ya daha çox məlumat.

  • Çox yaxşı göstəricilər? Test dəstini sızdırdınız (bu, düşündüyünüzdən daha çox olur).

Təhlükəsizlik + məsuliyyət 🛡️

  • PII zolağı.

  • Lisenziyalara hörmət edin.

  • Yerli-ilk = məxfilik + nəzarət, lakin hesablama məhdudiyyətləri ilə.

  • Sənəd riskləri (ədalətlilik, təhlükəsizlik, davamlılıq və s.) [4].

Əlverişli müqayisə cədvəli 📊

Alət Üçün ən yaxşısı Niyə istifadə edin
öyrənin Cədvəl məlumatları Tez qalibiyyət, təmiz API 🙂
PyTorch Xüsusi dərin şəbəkələr Çevik, böyük icma
TensorFlow İstehsal boru kəmərləri Ekosistem + xidmət seçimləri
Transformatorlar Mətn tapşırıqları Əvvəlcədən hazırlanmış modellər hesablamaları saxlayır
spaCy NLP boru kəmərləri Sənaye gücü, praqmatik
Gradio Demolar/UI 1 fayl → UI
FastAPI API-lər Sürət + avtomatik sənədlər
ONNX İş vaxtı Çərçivələrarası istifadə Portativ + səmərəli
lama.cpp Kiçik yerli LLM-lər CPU dostu kvantlaşdırma [5]
Doker Paylaşımlar “Hər yerdə işləyir”

Üç daha dərin dalış (əslində istifadə edəcəksiniz) 🏊

  1. Cədvəllər üçün xüsusiyyət mühəndisliyi → normallaşdırın, bir-isti, ağac modellərini sınayın, çarpaz təsdiq edin [1].

  2. Mətn üçün öyrənməni köçürün → kiçik Transformatorları incə tənzimləyin, ardıcıllıq uzunluğunu sadə saxlayın, nadir siniflər üçün F1 [1].

  3. Yerli nəticə üçün optimallaşdırma → kvantlama, ixrac ONNX, keş tokenizers.

Klassik tələlər 🪤

  • Bina çox böyük, çox erkən.

  • Məlumatın keyfiyyətinə məhəl qoymamaq.

  • Test bölgüsü atlanır.

  • Kor surətdə yapışdırıb kodlaşdırma.

  • Heç bir şeyi sənədləşdirməyin.

Hətta README bir neçə saat sonra saxlayır.

Vaxt sərf etməyə dəyər öyrənmə resursları 📚

  • Rəsmi sənədlər (PyTorch, TensorFlow, scikit-learn, Transformers).

  • Google ML Crash Kursu, DeepLearning.AI.

  • Görmə əsasları üçün OpenCV sənədləri.

  • NLP boru kəmərləri üçün spaCy istifadə təlimatı.

Kiçik life-hack: GPU quraşdırma əmrinizi yaradan rəsmi quraşdırıcılar xilasedicilərdir [2][3].

Hamısını birləşdirir 🧩

  1. Məqsəd → dəstək biletlərini 3 növə təsnif edin.

  2. Data → CSV ixracı, anonimləşdirilmiş, bölünmüş.

  3. Baseline → scikit-learn TF-IDF + logistik reqressiya.

  4. Təkmilləşdirin → Transformatoru incə tənzimləyin.

  5. Demo → Gradio mətn qutusu proqramı.

  6. Göndər → Docker + README.

  7. Təkrar et → səhvləri düzəldin, yenidən etiketləyin, təkrarlayın.

  8. Qorunma → sənəd riskləri [4].

Darıxdırıcı təsirlidir.

TL;DR 🎂

Kompüterinizdə süni intellekt yaratmağı öyrənmək = kiçik bir problem seçin, əsas xətt qurun, yalnız bu kömək etdikdə yüksəldin və quraşdırmanızı təkrarlana bilən saxlayın. Bunu iki dəfə edin və özünüzü bacarıqlı hiss edəcəksiniz. Bunu beş dəfə edin və insanlar sizdən kömək istəməyə başlayacaqlar, bu da gizli şəkildə əyləncəli hissədir.

Bəli, bəzən tosterə şeir yazmağı öyrətmək kimi hiss olunur. Bu yaxşıdır. İşə davam edin. 🔌📝

İstinadlar

[1] scikit-learn — Metriklər və modellərin qiymətləndirilməsi: keçid
[2] PyTorch — Yerli quraşdırma selektoru (CUDA/ROCm/Mac MPS): keçid
[3] TensorFlow — Quraşdırma + GPU yoxlanışı: link
[4] NIST — AI Risk İdarəetmə Çərçivəsi: keçid
[5] llama.cpp — Yerli LLM keçidi

Rəsmi AI köməkçisi mağazasında ən son AI-ni tapın

Haqqımızda

Bloqa qayıt