Anderson’un Açısı

Yapay zekâyla şiddeti önceden tahmin etmek

Martin Anderson
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
A still from Minority Report (2002), a film centered on predicting violent crimes before they occur, alongside an inset from Can We Anticipate Violence? Multimodal Learning from Pre-Incident Behavioral Cues, which investigates the same problem using AI analysis of facial appearance, audio and body motion. Minority Report image © 2002 Twentieth Century Fox and DreamWorks Pictures; reproduced for editorial commentary.
Öne çıkan noktalarŞiddeti gerçekleşmeden önce tahmin etmek, Minority Report'un distopik korkularını…
Daha fazla göster
  • Şiddeti gerçekleşmeden önce tahmin etmek, Minority Report'un distopik korkularını yansıtma riski taşır.
  • Yüz görünümünü ses ve hareket ipuçlarıyla birleştirmek, tek başına herhangi bir sinyalden daha iyi performans gösterir.
  • Https://www.youtube.com/watch?v tDSXPQcpybU IVS'ten bir şiddet tespit sistemi için (gerçek olmayan) bir test.

“Yapay zekâ bunu otomatikleştirebilir mi?” sorusu etrafındaki tipik bir araştırmanın şablonu, özelliklerini belirlemek istediğiniz bir şeyden birden fazla örneği modele sunup bu verilerle eğitilen modelin, eğitimde kullanılmamış benzer verilerde söz konusu özelliği ayırt edip edemediğini görmektir:

“Son bir umut” niteliğindeki bir yapay zekâ projesinin şeması: Etiketlenmiş örnekler eğitim ve test kümelerine ayrılır; model önce eğitim kümesinden öğrenir, ardından test kümesindeki daha önce görmediği örneklerle sınanır. Eğitim verilerini ezberlemek yerine gerçekten ilgilenilen özelliği öğrenmişse, test kümesinde de aynı örüntüyü tanıması gerekir. Kaynak - https://upload.wikimedia.org/wikipedia/commons/0/09/Supervised_machine_learning_in_a_nutshell.svg

“Son bir umut” niteliğindeki bir yapay zekâ projesinin şeması: Etiketlenmiş örnekler eğitim ve test kümelerine ayrılır; model önce eğitim kümesinden öğrenir, ardından test kümesindeki daha önce görmediği örneklerle sınanır. Eğitim verilerini ezberlemek yerine gerçekten ilgilenilen özelliği öğrenmişse, test kümesinde de aynı örüntüyü tanıması gerekir. Kaynak

Bu, bir bakıma “son bir umut” hamlesidir; çünkü bu tür deneyler, yapay zekânın veri kümesini incelemeyi sürdürmesi hâlinde söz konusu özelliğin sonunda verilerde belirginleşeceği ve ortaya çıkarılabilecek bir tür “altta yatan eğilim” bulunduğu varsayımına dayanır. Özelliği kolayca tanıyabilseydik ya yapay zekâ modeline hiç ihtiyaç duymazdık ya da onu yalnızca rutin işleri otomatikleştirmek için kullanırdık.

Araştırmaların çoğunda durum böyle değildir; bu tür girişimlerin çoğu, yalnızca insanüstü ölçüde tekrarlanan dikkat sayesinde tanınabilecek gizil örüntüleri arayan “veri avı” çalışmalarıdır.

Çoğu zaman örüntüyü bulmak zorlaşır, hatta örüntü hiç var olmayabilir; çünkü bazı olaylar ve özellikler gerçekten de tamamen rastlantısal biçimde ortaya çıkabilir. Diğer olasılık ise verilerin bir bakıma yetersiz, kötü düzenlenmiş ya da yetersiz eğitilmiş olmasıdır.

Geleceğe bakış

Bazı durumlarda elde edilecek sonuç o kadar arzu edilir (kanseri tedavi etmek, nükleer füzyonu gerçekleştirmek, termodinamik yasalarını aşmak vb.) ve “siyasi açıdan” o kadar “caziptir” ki, daha iyi verilerin veya tekniklerin belirgin bir örüntüyü ortaya çıkarıp çıkaramayacağını görmek için bilimsel yayınlar bu konuya tekrar tekrar döner.

Bu alanlardan biri, kamusal alanlar ve polisin dahil olduğu durumlarla bağlantılı olarak Otomatik Video Anlama alanıdır. Örneğin bu yıl yayımlanan yeni bir çalışma, bir kişinin intihar girişiminden önceki “oyalanma” eğilimlerini belirlemek ve atlamadan önce halka açık bir tren peronunda nasıl hareket ettiğine özgü örüntüyü saptayabilecek bir tahmin sistemi oluşturmak için gerçek dünyada kaydedilmiş intihar girişimi görüntülerini kullandı:

2026 tarihli “Yapay Zekâ Destekli Video Gözetimiyle İntihar Riskinin Değerlendirilmesi: Metro İstasyonlarında Önlemeye Yönelik Açıklanabilir Bir Çerçeve” başlıklı makaleden: İki kareye dayalı tahminler; karelerden biri gerçek bir demiryolu hattında intihar girişimini, diğeri ise herhangi bir olay yaşanmayan bir durumu gösteriyor. Her karenin yanındaki ısı haritaları, kişinin tünel ağzı yakınındaki “oyalanma eğilimine” ve önceki intihar girişimlerinde gözlemlenen örüntülere dayanarak perondaki yüksek ve düşük riskli alanları gösteriyor. Kaynak - https://arxiv.org/pdf/2605.22904

2026 tarihli “Yapay Zekâ Destekli Video Gözetimiyle İntihar Riskinin Değerlendirilmesi: Metro İstasyonlarında Önlemeye Yönelik Açıklanabilir Bir Çerçeve” başlıklı makaleden: İki kareye dayalı tahminler; karelerden biri gerçek bir demiryolu hattında intihar girişimini, diğeri ise herhangi bir olay yaşanmayan bir durumu gösteriyor. Her karenin yanındaki ısı haritaları, kişinin tünel ağzı yakınındaki “oyalanma eğilimine” ve önceki intihar girişimlerinde gözlemlenen örüntülere dayanarak perondaki yüksek ve düşük riskli alanları gösteriyor. Kaynak

Bu örnekte, trenin önüne atlamayı düşünen bir kişiye özgü “oyalanma örüntülerinin” (yukarıdaki görselin en solunda ve en sağında) ayırt edici bir imza taşıdığı ve otomatik gözetim sistemlerinde örüntü tanımaya dayalı bir uyarı sistemi olarak kullanılabileceği görülüyor.

Bu araştırma alanındaki bir diğer popüler konu da şiddet algılama/tanımadır. Bu alanda, başında kimsenin bulunmadığı gözetim sistemlerinin şiddet içeren eylemleri tanıyabilmesi sağlanabilir; böylece durum hızla bir insanın dikkatine sunulabilir, ayrıca görüntüleri uzun süreli saklama amacıyla işaretlemek ve kayıt gerçekten yapılıyor mu diye kontrol etmek gibi ek işlemler de tetiklenebilir.

IVS’nin şiddet algılama sistemine yönelik (gerçek olmayan) bir testi. Kaynak 

University of Alabama’dan yeni bir araştırmaya göre, bugüne kadarki çalışmalar şiddeti, olay zaten yaşanırken tanımaya odaklandı. Yeni çalışmada araştırmacılar, yalnızca şiddet içeren bir olaydan (ya da istatistiksel dengeyi sağlamak için herhangi bir olayın yaşanmadığı durumlardan) önceki video görüntüleriyle bir modeli eğitti. Amaç, bu durumda vücut hareketleri, yüz ifadesi ve sesin bir araya gelmesiyle oluşan, şiddetli eylemler için bir tahmin sinyali sağlayabilecek ve olay gerçekleştikten sonra yalnızca tepki vermekle kalmayacak, tekrarlayan ve eğitim yoluyla öğrenilebilen “şiddet öncesi” özelliklerin bulunup bulunmadığını görmekti.

Çalışmada, art arda gelen dört karede gösterilen “riskli” olay öncesi dizilere örnekler. Sistem, şiddet eylemi görünür hâle gelmeden önce tırmanan durumları ayırt edebilecek duruş, hız ve etkileşim örüntülerindeki değişiklikleri saptamak için vücut eklemlerini ve hareketi zaman içinde izliyor. Kaynak - https://arxiv.org/pdf/2609.40014

Çalışmada, “Şiddeti Önceden Öngörebilir miyiz? Olay Öncesi Davranışsal İpuçlarından Çok Modlu Öğrenme” başlıklı araştırmadan art arda gelen dört karede gösterilen “riskli” olay öncesi dizilere örnekler. Sistem, şiddet eylemi görünür hâle gelmeden önce tırmanan durumları ayırt edebilecek duruş, hız ve etkileşim örüntülerindeki değişiklikleri saptamak için vücut eklemlerini ve hareketi zaman içinde izliyor. Kaynak

Elbette, bu tür çalışmalar geliştirilir ya da uygulanırsa endişe uyandırması muhtemeldir. Daha önce de belirttiğim gibi, TV dizisi Person of Interest ve 2002 yapımı bilimkurgu aksiyon filmi Minority Report gibi kurgusal yapımlar, benzer pek çok yapımın yanı sıra, polis ya da düzenleyici makamların elindeki öngörü teknolojilerine ilişkin yaygın korkuları yansıtmıştır.

Yeni makalenin yazarlarına göre, vücut, yüz ve ses ipuçlarından (bağlam, günün saati, konum veya geçmiş suç verileri gibi etkenler yerine) şiddet içeren eylemleri öngörme konusunda şu aşamada kesin bir yargıya varmak mümkün değil; çünkü bu araştırma alanı henüz çok yeni.

Araştırmacılar testlerde yüz görünümünü, ses ve vücut hareketi ipuçlarını ayrı ayrı ve bir arada, üç farklı görsel omurga kullanarak karşılaştırdı. En iyi sonuçlar, üç sinyalin tümü birleştirildiğinde elde edildi. Bu da öngörü etkisinin tek bir ipucu türünden kaynaklanmadığını gösteriyor:

“En iyi yapılandırma olan Deit-Tiny; ses, yüz görünümü ve hareketle birlikte, ayrılmış test kümesinde %91,21 doğruluk, %88,96 dengeli doğruluk, %93,65 F1 puanı ve %96,38 ROC-AUC elde ediyor.”

“Bu sonuçlar, görünüm, ses ve kinematik ipuçlarının birbirini tamamlayarak olay öncesi risk düzeyinin yükseldiğini saptamak için yararlı kanıtlar sunduğunu gösteriyor.”

Yöntem

Çalışma için derlenen veri kümesi XD-Violence koleksiyonundan elde edildi ve üç modaliteyi birlikte işliyor: yüz görünümü, ses ve poz tahmininden çıkarılan hareket:

Çalışmanın veri işleme akışı. Her klip risk düzeyine göre etiketleniyor; risk düzeyleri “risksiz” ve “riskli” olarak iki kategoriye indirgeniyor ve ardından veriler eğitim, doğrulama ve test kümelerine ayrılıyor. En fazla dört saniyelik görüntüler üç koldan analiz ediliyor: kareler boyunca yüz görünümü, spektrograma dönüştürülen ses ve hız ile ivme gibi izlenen kilit noktalardan çıkarılan vücut hareketi. Yüz, ses ve hareket özellikleri tek bir temsilde birleştirilerek son bir sınıflandırıcıya aktarılıyor; sınıflandırıcı klibin risksiz veya riskli olma olasılığını belirliyor.

Çalışmanın veri işleme akışı. Her klip risk düzeyine göre etiketleniyor; risk düzeyleri “risksiz” ve “riskli” olarak iki kategoriye indirgeniyor ve ardından veriler eğitim, doğrulama ve test kümelerine ayrılıyor. En fazla dört saniyelik görüntüler üç koldan analiz ediliyor: kareler boyunca yüz görünümü, spektrograma dönüştürülen ses ve hız ile ivme gibi izlenen kilit noktalardan çıkarılan vücut hareketi. Yüz, ses ve hareket özellikleri tek bir temsilde birleştirilerek son bir sınıflandırıcıya aktarılıyor; sınıflandırıcı klibin risksiz veya riskli olma olasılığını belirliyor.

Derlenen veri kümesinde 443 olay öncesi klip bulunuyordu (bu sayıyı makalenin sonunda ele alacağız).

Makale, XD-Violence koleksiyonundan seçilen videoların, projenin hayata geçirmeyi amaçladığı insan odaklı analiz türüne uygun örnekler olarak belirlendiğini bildiriyor. Buna karşılık, benzer önceki yaklaşımların çoğu tahmin bağlamı olarak sahnenin tamamına odaklanmıştı.

Kullanılan klipler dört saniyeyi aşmıyor ve saniyede 8 kare hızında örnekleniyordu. Elde edilen 32 kare örneğini bir araya getirmek için sekiz dikkat başlığına sahip tek katmanlı bir Transformer kullanıldı; öğrenilen konumsal gömmeler ise kare sırasını korudu. Çok modlu eğitim sırasında aşırı uyumu önlemek için omurga donuk tutuldu.

Örnek aktivasyon haritaları (yüz görüntüleri dâhil), makalenin önceki bölümünde “riskli” aktivasyonlar için, aşağıda ise risksiz örnekler için gösteriliyor:

Çalışmanın yüz analizi kolundan alınan risksiz örnekler, daha önce gösterilen riskli hareket örneklerini tamamlıyor. Solda orijinal yüz kırpımı, ardından DeiT-Tiny görsel modelinin giderek daha derin katmanlarından alınan aktivasyon haritaları yer alıyor. Daha sıcak renkli alanlar, özellik tepkilerinin daha güçlü olduğunu gösteriyor; bu da görüntü ağda ilerledikçe modelin dikkatinin nasıl kaydığını ve daha soyut hâle geldiğini ortaya koyuyor.

Çalışmanın yüz analizi kolundan alınan risksiz örnekler, daha önce gösterilen riskli hareket örneklerini tamamlıyor. Solda orijinal yüz kırpımı, ardından DeiT-Tiny görsel modelinin giderek daha derin katmanlarından alınan aktivasyon haritaları yer alıyor. Daha sıcak renkli alanlar, özellik tepkilerinin daha güçlü olduğunu gösteriyor; bu da görüntü ağda ilerledikçe modelin dikkatinin nasıl kaydığını ve daha soyut hâle geldiğini ortaya koyuyor.

Kaynak klipten elde edilen ses bileşenleri 16kHz’e yeniden örneklendi; normalleştirilip karşılık gelen görsel pencereyle hizalandıktan sonra 512 noktalı kısa zamanlı Fourier dönüşümü ve 400 örnekli Hann penceresi kullanılarak standartlaştırılmış logaritmik genlik spektrogramlarına dönüştürüldü:

Olay öncesindeki normal ve riskli kliplerin ortalama ses örüntülerinin karşılaştırması. Üst sırada normal, alt sırada riskli klipler yer alıyor; özgün dalga biçimi ve spektrogramdan, ağın art arda üç derinlik düzeyinde öğrendiği özelliklere doğru ilerleniyor. Riskli kliplerde zaman içindeki değişkenlik daha fazla; buna dört saniyelik pencerenin sonuna doğru artan akustik etkinlik de dahil. Ağ, bu farklılıkları aşamalı olarak daha üst düzey özelliklere dönüştürüyor.

Olay öncesindeki normal ve riskli kliplerin ortalama ses örüntülerinin karşılaştırması. Üst sırada normal, alt sırada riskli klipler yer alıyor; özgün dalga biçimi ve spektrogramdan, ağın art arda üç derinlik düzeyinde öğrendiği özelliklere doğru ilerleniyor. Riskli kliplerde zaman içindeki değişkenlik daha fazla; buna dört saniyelik pencerenin sonuna doğru artan akustik etkinlik de dahil. Ağ, bu farklılıkları aşamalı olarak daha üst düzey özelliklere dönüştürüyor.

Hareket bileşeni için vücut hareketleri, bir YOLO poz tahminleyicisinin saptadığı COCO-17 kilit noktalarından türetilen sayısal tanımlayıcılarla ifade edildi.

Ortalama hız ve azami hız, ivme ve sarsıntı, hız değişkenliği, bilek ve ayak bileği hızları ve toplam hareket enerjisi dahil 12 ölçüm hesaplandı. Daha iri kişilerin otomatik olarak daha fazla hareket ediyormuş gibi değerlendirilmemesi için bu değerler vücut büyüklüğüne göre normalleştirildi. Ayrıca, aynı klipteki birden fazla kişiye ait ölçümler birleştirildi.

Eğitim verilerine göre standartlaştırılan hareket özellikleri, 64 boyutlu bir gösterime genişletilerek zamansal bir Transformer’dan geçirildi. Böylece klip boyunca hareketlerdeki değişiklikler, birbirinden bağımsız kareler olarak değil, bir dizi halinde değerlendirilebildi.

Ardından üç akış tek bir gösterimde birleştirildi; en büyük ağırlık yüz görünümüne, ardından sese ve harekete verildi. Normalleştirme ve dropout işlemlerinden sonra son sınıflandırıcı, birleştirilmiş gösterimi ‘normal’ ve ‘riskli’ sınıflarına ait olasılıklara dönüştürdü ve eşik değerini 0,5 olarak kullandı.

Yüz görünümü akışında, ImageNet üzerinde önceden eğitilmiş üç omurga kullanıldı: Swin-Tiny; ViT-Tiny; ve DeiT-Tiny.

Testler

Test için klipler; görünür davranış, hareket ve ses temel alınarak dört etiketten biriyle elle işaretlendi: Risk Yok, Düşük Risk, Orta Risk veya Yüksek Risk. Son ikili sınıflandırma görevinde üç risk kategorisi ‘riskli’ olarak bir araya getirilirken, Risk Yok kategorisi ‘normal’ olarak etiketlendi. Eğitim ve değerlendirme verileri arasındaki sızıntıyı azaltmak için aynı kaynak videodan alınan klipler aynı veri kümesi bölümünde tutuldu.

Modelin değerlendirmesi için şiddet olayı, riskli kliplerin tümünden çıkarıldı; böylece yalnızca olay öncesindeki davranış bırakıldı:

Test kümesi sonuçları; yüz görünümü, ses ve hareketin üç görsel omurgada ayrı ayrı veya birlikte kullanılmasının performansı nasıl değiştirdiğini gösteriyor. Ablasyon düzeni, her bir girdi akışının katkısını ayrı ayrı ortaya koyuyor. Yüksek puanlar daha iyi performans anlamına geliyor; kalın yazılan değerler ise her ölçütteki en iyi sonucu gösteriyor.

Test kümesi sonuçları; yüz görünümü, ses ve hareketin üç görsel omurgada ayrı ayrı veya birlikte kullanılmasının performansı nasıl değiştirdiğini gösteriyor. Ablasyon düzeni, her bir girdi akışının katkısını ayrı ayrı ortaya koyuyor. Yüksek puanlar daha iyi performans anlamına geliyor; kalın yazılan değerler ise her ölçütteki en iyi sonucu gösteriyor.

Daha önce belirtildiği gibi, en iyi genel sonuç üç modalitenin tümünü bir araya getiren DeiT-Tiny ile elde edildi. Ablasyonlar, her akışın katkısını daha açık biçimde ortaya koyuyor: yüz görünümü tek başına da güçlü bir öngörücüydü; hareket orta düzeyde performans gösterirken ses tek başına kullanıldığında çok daha zayıf kaldı.

En iyi sonuçlar yüz, ses ve hareket bilgilerinin bir arada kullanılmasıyla elde edildi. Bu, daha zayıf akışların da görsel sinyale yararlı ve tamamlayıcı bilgiler kattığını gösteriyor.

Model yalnızca ‘normal’ ve ‘riskli’ klipleri ayırt edecek şekilde eğitilmiş olsa da çıktıları, özgün dört düzeyli etiketlerle de karşılaştırıldı: Risk Yok, Düşük Risk, Orta Risk ve Yüksek Risk. Aşağıda görüldüğü üzere, eğitim, doğrulama ve test kümelerinde tahmin edilen risk düzeyi genel olarak bu kategorilerle birlikte yükseliyor:

Özgün dört risk kategorisi için tahmin edilen risk puanları. Model yalnızca normal ve riskli klipleri ayırt edecek şekilde eğitilmiş olsa da eğitim, doğrulama ve test kümelerinde puanlar Risk Yok kategorisinden Yüksek Risk kategorisine doğru genel olarak yükseliyor. Kesikli çizgi, 0,50 karar eşiğini gösteriyor.

Dört özgün risk kategorisi boyunca tahmin edilen risk puanları. Model yalnızca normal ve riskli klipleri birbirinden ayıracak şekilde eğitilmiş olsa da puanlar, eğitim, doğrulama ve test kümelerinde Risksiz kategorisinden Yüksek Risk kategorisine doğru genel olarak artıyor. Kesikli çizgi, 0,50 karar eşiğini gösteriyor.

Yazarlar şöyle yorumluyor:

“Bu sonuç önemli; çünkü model, Düşük, Orta ve Yüksek Risk kategorilerini birbirinden ayırmak üzere hiçbir zaman açıkça eğitilmiyor. Buna rağmen tahminleri, özgün risk düzeylerinin sıralamasını izliyor.

“Bu, modelin Normal ve Riskli arasında yalnızca basit bir sınır öğrenmek yerine, olay öncesi davranışlardaki anlamlı değişimleri yakaladığını düşündürüyor. Sonuç ayrıca, etiketlenmiş olay başlamadan önce de yararlı davranışsal ipuçlarının ortaya çıkabileceğine dair kanıt sunuyor.”

Şu sonuca varıyorlar:

“Bu bulgular, bir olaydan önceki dönemde yararlı ayırt edici bilgilerin bulunabileceğini gösteriyor ve şiddet analizini olayın gerçekleştiği sıradaki tespitin ötesine taşıyarak riskin daha erken tanınmasına yönelmenin potansiyelini ortaya koyuyor.”

Sonuç

Araştırmacılar gerçekten de “şiddet öncesi” bir özellik bileşimi mi buldu? Deneylerde yalnızca 443 klip kullanıldığından, aşırı uyum kayda değer bir risk; çok modlu modeller ve önceden eğitilmiş görsel omurgalar da buna özellikle yatkın. Çalışmada bu risk, görsel omurganın ağırlıkları dondurularak, kaynak videolar eğitim/doğrulama/test kümelerine ayrılarak ve birden fazla kip bileşimi sınanarak kısmen azaltılıyor.

Küçük bir veri kümesinde elde edilen güçlü performans, altta yatan örüntünün açıkça görüldüğünü, hatta gerçekten var olduğunu kanıtlamaz; çünkü bu performans veri kümesine özgü ipuçlarından, etiketleme yanlılığından, veri bölünmesinin ortaya çıkaramadığı kaynak sızıntısından ya da alışılmadık ölçüde kolay bir test kümesinden de kaynaklanabilir.

Ancak mevcut hâliyle sonuç, veri kümesinin çok küçük olması nedeniyle ve aşırı öğrenmeye karşı yeterli önlemler alınmış gibi göründüğü için tam da ilgi çekici. Bununla birlikte, öğrenilen örüntünün ‘sağlam’ kabul edilebilmesi için bulguların daha büyük bir veri kümesinde tekrarlanması gerekir.

 

İlk kez 1 Ekim 2026 Perşembe günü yayımlandı

Makine öğrenimi üzerine yazar, insan görüntüsü sentezi alanında uzman. Metaphysic.ai'nin DNEG'e ait Brahma.ai bünyesine katılmasına kadar araştırma içeriğinden sorumlu yönetici olarak görev yaptı.
Web Sitesi: martinanderson.ai
İletişim: martin@martinanderson.ai