[Bahar Şenliği boyunca en güçlü AI seyahat notları] Konuşmacı raporu + BATJ standı, 360 derece sizi AAAI'yi yeniden ziyaret etmeye götürecek
Xinzhiyuan Sütunu
Yazar: Zhangxiang Wen
Düzenleme: Xiaoqi
Xin Zhiyuan Rehberi Xiamen Üniversitesi sizi bu yılki AAAI'sini hem resim hem de metinler içeren bir seyahat notuyla yeniden ziyaret etmeye götürecek: birkaç açılış konuşmacısı raporuna ayrıntılı bir giriş ve Amazon ve Alibaba gibi iş fırsatları sağlayan Job Fair ve BATJ gibi şirket stantları.
Kısa bir süre önce, Xiamen Üniversitesi, Yazılım Okulu'nda Bilgisayar Bilimi ve Teknolojisi bölümünde ikinci sınıf lisansüstü öğrencisi olan Zhang Xiangwen, AAAI-18'e katıldı ve okuyuculara resimler ve metinler şeklinde harika bir seyahat notu getirdi.
Konferans Tanıtımı
AAAI-18, 2 Şubat - 7 Şubat tarihleri arasında yapılacak. Mekan Mississippi Nehri üzerindedir. Etkinlik New Orleans Karnavalı arifesinde. Kutlamalar ve geçit törenleri çoktan başladı ve AAAI-18 logosu da giyildi. Neşeli bir palyaço şapkası.
Konferansın resmi resimleri
Büyük ekran logosu
Katılımcılar yıldan yıla değişir
Bu yıl, geçen yıla göre% 36 artışla AAAI katılımcılarının en büyük yılı oldu.
Bildiri gönderme / kabul etme eğilimleri
Gönderilen bildiri sayısı da geçen yıla göre% 47 artışla 3.808 ile en yüksek sayıya ulaştı ve kabul edilen bildiri sayısı yaklaşık% 47 artışla 938'e ulaştı.
Ülke ve bölgeye göre kağıt gönderme / kabul
Ülkeye ve bölgeye göre bölünmüş olarak, Çin'den araştırmacılar en çok makaleyi gönderirken, onu Amerika Birleşik Devletleri takip ederken, iki ülkeden yazarların aldığı makale sayısı eşit olarak bölünmüştür.
Araştırma alanı tarafından gönderilen / kabul edilen makale sayısı
Bu yıl gönderilen makale sayısına bakılırsa, en popüler araştırma alanları önce makine öğrenimi yöntemleri, ardından bilgisayarla görme ve doğal dil işlemedir.
Görme alanı hızla gelişiyor
Bunlar arasında en şaşırtıcı hızı bilgisayarla görme alanı geliştirmiş, geçen yıla göre kağıt gönderim sayısı% 257 artmıştır.
Konuşmacı raporu
-
İnsan Bilincinde Yapay Zeka
İlk davetli konuşma, aynı zamanda AAAI Derneği'nin de başkanı olan Arizona Eyalet Üniversitesi'nden Profesör Subbarao Kambhampati'nin bir raporundan geliyor. Konuşmanın konusu, insan algısı AI sistemlerinin karşılaştığı zorluklarla ilgili.
Deepmind'den AlphaGo, Li Shiduo ile rekabet ettiğinden ve ünlendiğinden beri, yapay zeka terimi giderek halk tarafından tanındı. Dikkatle, yapay zekanın artıları ve eksileri hakkında daha fazla tartışma var.Bazıları bunun gelecek ve yeni bir gelişme kaynağı olduğunu düşünürken, diğerleri bunun yükselişini insanın hayatta kalması ve gelişimi için bir tehdit olarak görüyor.
Genel halk, yapay zekanın verimlilik değişiklikleri üzerindeki etkisi ve işlerinin yapay zeka teknolojisiyle değiştirilip değiştirilmeyeceği konusunda daha fazla endişe duyuyor. Bazı alanlarda, AI kaçınılmaz olarak insanları hızla geçecek ve Rao bize AI'nın insanlarla bir arada var olma olasılığını ve zorluklarını açıkladı ve buna İnsan Bilinçli AI adını verdi.
HAAI'nin, arama ve kurtarma görevlerinde insanlara yardım etmek gibi asistan veya ekip çalışması rolünde insanlara yardım sağlayabileceğini umuyoruz. HAAI'nin ana akım haline gelmemesinin ana nedeni, tanıma ve muhakeme gibi görevlerde iyi olan mevcut yapay zekanın, insanlar için doğal bir şey olmasına rağmen, insan duyguları ve sosyal zekayı modellemenin hala zor olmasıdır.
Pekiştirmeli öğrenmeyi örnek olarak alırsak, çevre ile etkileşime giren bir aracı bir dizi eylem gerçekleştirir, karşılık gelen geri bildirimi alır ve ortamdaki değişiklikleri algılar ve ardından bir sonraki eyleme devam etme kararı verir. Çevreye ek olarak, insanlarla işbirliği yapan makinenin, bir sonraki eylemin seçimini etkilemek için insan geri bildirimi ve zihinsel durum değişiklikleri elde etmek için insanlarla etkileşime girmesi gerekir.
İster insan ister makine olsun, çözümleri her etkileşimde gelişmeye devam edecek. Makine tarafından düşünülen optimum çözüm, insanınkiyle aynı olmak zorunda değildir. Etkili insan-makine işbirliği, makinenin, insanın hedeflerini ve niyetlerini modellemesini gerektirir. Diğer bir deyişle, insan-makine etkileşimini azaltmak için insanın niyetlerinin belirlenmesi ve tahmin edilmesi gerekir. Bir fikir birliği hedefine ulaşmak için kendi planlarındaki farklılıklar.
Aynı zamanda, makinelerle işbirliği sürecinde kafa karıştırıcı bir seçim yapmak yerine makinenin gösterdiği davranışın anlaşılır olmasını umuyoruz.Böyle bir seçim yapılması gerektiğinde, makine insanlara cevap vermelidir. Davranış için bir açıklama yapın. Rao'nun ilgili çalışmasıyla daha fazla ayrıntı öğrenilebilir, kendisi HAAI'de bir araştırmacıdır.
-
Dili Kullanarak Dünya Hakkında Öğrenme ve Akıl Yürütme
Yejin Choi
Dili Kullanarak Dünya Hakkında Öğrenme ve Akıl Yürütme
Fox News bir keresinde "Cheeseburger Bıçaklama" başlıklı bir haber yayınladı. Sadece başlığa baktığımızda, hamburgeri birisi bıçakladı mı? Burger birini mi bıçakladı? Yoksa hamburger birbirini mi incitir? Ya da burger yüzünden biri birbirine mi zarar verdi?
Aslında bu, Hamburg'daki bir anlaşmazlık nedeniyle annesini bıçaklayan bir adamın haberi. Ancak sağduyumuzdan dolayı, ilk üç soruya hızla olumsuz yanıt vereceğiz, çünkü Hamburg'u bıçaklayan insanlar haber değildir ve Hamburg, bırakın birbirlerini incitmeyi, insanlara zarar veremez.
Bu sağduyuya dayanan sonucumuzdur ve sağduyu genellikle tam anlamıyla çıkarılamaz, çünkü tıpkı bir kişinin vücut şeklinin kalem, sandalye veya havludan daha büyük olduğunu vurgulayamadığımız gibi, insanlar bariz gerçekleri ifade etmeyeceklerdir. Büyük, buna raporlama önyargısı ("raporlama önyargısı") denir.
"Hacim" gerçeğini anlamak için görsel olarak bilgi edinebiliriz, ancak görüntülerin güç, ağırlık ve hız bilgisini aktarmada hala aşılmaz bir boşluğu vardır. Washington Üniversitesi'nden Doçent Doktor Yejin Choi, doğal dile geri dönmeyi seçti ve bu görüntülerin gösteremeyeceği bilgisini dilden hesapladı.
Bize işinin bir bölümünü gösterdi. İlki, beş boyutta fiiller ve varlık çiftleri oluşturmak için az miktarda etiketleme verisi kullanmaktı: hacim, ağırlık, güç, sertlik ve hız. Eşleştirilmiş varlıkların içerdiği göreceli fiziksel özellikler, etiketlenmemiş metinden basit fiziksel sağduyu çıkarır.
Örneğin, bilinen ilişki (boyut, X > Y), X varlığının hacim olarak Y'den daha büyük olduğu anlamına gelir. Bu ilişki, daha yüksek olasılıkla A yiyen B gibi bir yapıda ortaya çıkarsa, o zaman yemek fiili bağlamda göründüğünde, örtük anlamın öznesinin hacimde olduğu anlamına gelir Üst, yüklemeden daha büyüktür.
Açıktır ki, bu yöntem çıkarılabilir bilgi aralığını sınırlı sayıda basit öznitelikle sınırlar. ICLR2018'in başka bir çalışmasında, anlatı sürecinde hikayenin ilerleyişini simüle etmek için yeni bir Sinirsel Süreç Ağları mimarisi önerdiler.
Örneğin patatesler kesilip yıkanmadan önce tam ve temiz değildir.Bu iki işlemden sonra durumları ayrı ve temiz hale gelir.Bu durum geçişinin sonucu da örtük sağduyudur. Bu model aynı zamanda temel yapı olarak fiilleri ve varlıkları da kullanır Hikaye ilerledikçe, eylemlerden etkilenen varlıkların durumundaki değişiklikleri izler ve tahmin eder, bu da eylemlerin nedenselliğini, yani eylemlere karşı varlıkları simüle ederek örtük bilgiyi çıkarmaya eşdeğerdir. Özniteliklerin neden olduğu değişiklikler.
Bu model, tamamen önceki yöntemin seyrek problemini büyük ölçüde azaltan sinir ağlarına dayanmaktadır ve öğrenilebilen bilgi artık verilen 5 özellik ile sınırlı değildir.
-
Makineler İnsanlardan En İyi Nasıl Öğrenir?
Etkileşimli ML diyagramı
İnsan katılımı olmadan arama alanı çok büyük
Etkileşimli RL şeması
Bu davet edilen rapor oldukça özeldir: Georgia Institute of Technology'den iki profesör Charles Isbell ve Brown Üniversitesi'nden Michael Littman, bir tartışma şeklinde öğrenmeyi geliştirmede yapay geri bildirimin değerini tartıştılar. Başlangıçta Charles bir soru sordu: Makine öğrenimini uygulamak için çok fazla veri kullanabildiğimizde, insanlar neden öğrenme sürecine katılmalı? Etkileşimli makine öğrenimi gerçekten etkili mi?
İnsanlar hakemdir ve nihai amacın ne olduğunu bilir
İnsanlar, makine öğrenimi etkilerinin yargıçları olarak, gerçekte neye ihtiyaç duyduklarını ve öğrencinin nihai amacının ne olduğunu anlar. İnsanlar doğrudan bir robota komutlarla ne yapacaklarını söylerse ve insanlar aslında ne yaptıklarından emin değillerse, robot bu komutların olumsuz etkilerini çözmek için daha büyük bir fiyat harcayacaktır.
Bu nedenle, insanların makinelerin öğrenme sürecine doğrudan müdahale etmelerine izin vermek yerine, etkileşimi sağlamak için gelişmiş öğrenmede insanları bir geribildirim bilgisi kaynağı olarak kullanmayı düşünüyoruz. Dünyada iki özdeş yaprak yoktur, insanlar da öyle. Farklı insanlar aynı eylem için farklı geri bildirimler verebilir, bu nedenle yapay geri bildirim doğrudan bir ödül işlevi olarak uygun değildir.
Bunun yerine, iki eylem arasındaki farkı tahmin etmek için onu avantaj işlevine girdi olarak kullanmayı seçebilirsiniz. Bu yaklaşım, geribildirim sinyalini ayırt edilebilir kılar ve aynı zamanda insanların etkili müdahalesi sayesinde strateji daha hızlı oluşturulabilir, bu da RL modelinin öğrenme sürecini hızlandırabilir.
-
Olasılıklı Makine Öğrenimi ve AI
Derin öğrenmenin sınırlamaları
Rapor, aynı zamanda Cambridge Üniversitesi'nde bilgi mühendisliği profesörü ve Uber'de baş bilim adamı olan Zoubin Ghahramani'den geliyor.
Sinir ağı = doğrusal olmayan işlev + temel istatistikler + temel optimizasyon yöntemi ve derin öğrenme yalnızca sinir ağının tanımına dayanır, mimari ve algoritmalarda yenilikler, büyük ölçekli veri ve bilgi işlem kaynakları ve göz ardı edilemeyecek medya kampanyaları ekler Tanıtım.
Derin öğrenme modelleri güçlü performansa sahiptir, ancak veri ölçeği için yüksek gereksinimleri vardır. Hem eğitim hem de dağıtım hesaplama açısından yoğundur ve önceki bilgileri entegre etmek kolay değildir. Model optimizasyon algoritmaları için gereksinimler de çok katıdır ve en çok eleştirilen modeldir. Kara kutu özelliklerinden dolayı modelin muhakeme süreci şeffaf değildir ve sonuçların güvenilir olup olmadığını kişilerin belirlemesi zordur.
Model daha önce görülmemiş bir alana aktarıldığında, modelin "ne zaman bilmediklerini bilmesini" umuyoruz, bu da modelin alan dışındaki örneklere belirsizlik göstermesi gerektiği ve derin öğrenmenin bir başka dezavantajıdır. Belirsizliği ifade etme yeteneği zayıftır, bu nedenle alan dışındaki örneklere iyi uyum sağlayamaz ve rakip örneklerden gelen saldırılara karşı savunmasızdır (araştırmalar, belirsizlikler içeren modellerin rakip örneklere daha dirençli olduğunu göstermiştir).
Yapay zeka için olasılık önemlidir
Makine öğrenimi ve olasılıklı modelleme birbirinden ayrılamaz.Makine öğrenimi algoritmaları olasılıklı modelleme süreci olarak kabul edilebilir.P (D | \ theta) \ theta parametresinin olasılığıdır, P (\ theta) parametrenin önceki olasılığı, P ( \ theta | D), veriler verildiğinde parametrelerin son olasılığıdır.Bu üç bölüm makine öğreniminde öğrenme, tahmin ve model seçim problemlerini tanımlamak için Bayes formülü ile birleştirilebilir.
Olasılıklı modelleme, öğrenme sistemine ön bilgileri katabilir, makul kararlar alma becerisine sahip bir sistem oluşturabilir ve algoritmanın hem küçük hem de büyük ölçekli veriler üzerinde etkili olmasını sağlayabilir.
Uber'de olasılık modelleme
Uber'de olasılıksal modelleme, arz ve talep tahmini, kentsel trafik simülasyonu, ETA (Tahmini Varış Süresi) tahmini, fiyatlandırma, finansal tahmin, otonom sürüş ve diğer senaryolara uygulanır.
GPDNN, Gauss süreci ve derin sinir ağı hibrit modeli
GPDNN, Gauss sürecinin DNN'nin en üst katmanına etki ettiği Gauss süreci ve DNN'nin bir karışım modelidir.GPDNN, GP ve DNN'nin avantajlarını aynı anda entegre edebilir.Sadece belirsizliği ifade etmekle kalmaz, aynı zamanda mükemmel model performansına sahiptir. Esneklik de daha iyidir.
Eğitimli GPDNN, etki alanı dışındaki rakip örnekleri ve örnekleri tahmin ettiğinde, çıktı olasılığı dağılımı yüksek bir entropiye sahiptir, bu da modelin bu örnekleri sıradan DNN modelleri gibi aşırı güven ile tahmin etmediğini kanıtlar.
Olasılıklı programlama
Olasılıklı modelin geliştirme süreci, DNN'den daha fazla zaman alır ve hataya açıktır. Neyse ki, olasılıksal modellemeyi destekleyen birçok programlama dili veya işlev kitaplığı uzantısı zaten var.
Zoubin
Olasılıksal modelleme, belirsizliği ortaya çıkarabilen ve verilerden öğrenebilen ve rasyonel bir karar verme sisteminin temelini oluşturmak için karar verme teorisini birleştiren AI modelleri oluşturmak için bir çerçeve sağlar.
İş fuarı
AAAI-18'de iş fırsatları sunan şirketler arasında Adobe, Alibaba, Amazon, Baidu, Didi Chuxing, IBM, JD, Microsoft, Nissan, Samsung, Tencent vb.
Kurumsal Stand
AAAI-18 katılımcıları arasında Çin'den Ali, Tencent, Baidu, Didi, JD ve Xiaoi Robots'un yanı sıra Amazon, Uber, Lyft, IBM, Sony ve Microsoft gibi şirketler de vardı. Fotoğraflar teknik seans sırasında çekildi, bu nedenle fotoğraflarda yer alan çeşitli firmaların stantları önündeki insan akışı nispeten nadirdir.
-
Alibaba
Ali, 5 Şubat akşamı, yurtiçi ve yurtdışından araştırmacılara değişim ve işbirliği fırsatı sağlayan bir resepsiyona ev sahipliği yaptı. Ali'nin teknoloji ekolojisi, iş platformlarının yanı sıra alt düzey makine öğrenimi / ses / NLP / bilgisayar görüşü / grafikler, arama motorları, reklam motorları, bilgi işlem platformları, veri platformları, algoritma platformları ve diğer parçalardan oluşur.
Ali'de AI teknolojisinin uygulama senaryoları ET beynini, Tmall sihirbazını, akıllı e-ticaret'i, Alimebot'u, risk kontrolünü ve savunmayı vb. Kapsar. ET beyni kentsel beyin, endüstriyel beyin ve tıbbi beyin olmak üzere ikiye ayrılır. ET City Brain'in amacı, bir şehir merkezi haline gelmek, tüm şehrin tüm kaynaklarının ve altyapısının küresel analizini ve dinamik yaramazlığını gerçekleştirmek ve şehir yönetimi için akıllı bir platform haline gelmektir.
Şehir beyni, Hangzhou'daki trafik sıkışıklığını hafifletmek için etkili bir şekilde kullanıldı. ET Industrial Brain'in amacı, endüstriyel üretimde ürün kalitesini ve çıktısını iyileştirmek ve AI teknolojisini mevcut üretim hatlarına entegre etmektir. ET Medical Brain'in amacı, büyük tıbbi verileri analiz ederek ve öğrenerek çeşitli alanların araştırma ve geliştirmesine doktor asistanı olarak katılmaktır.
-
Baidu
Baidu standındaki personel, gerçek zamanlı sesli çeviriyi gerçekleştirmek için yerleşik WiFi aracılığıyla bir çeviri arayüzü talep eden akıllı bir çevirmen getirdi. Baidu, Google Translate'den daha önce çevrimiçi olarak nöral makine çevirisini başlatan ilk şirkettir, ancak Baidu hala hem istatistiksel makine çevirisi hem de nöral makine çevirisi teknolojisine dayanmaktadır.
Bunun nedeni, ikincisinin performans darboğazına sahip olmasıdır. Çeviri arayüzü taleplerinin miktarı yüksek olduğunda, talebin düşürülmesi gerekir ve hizmet sağlamak için istatistiksel çeviri kullanılır. Bu, performans ve yanıt hızı arasında bir değiş tokuştur.
Baidu Bilgi Grafiği, yüz milyonlarca varlığı ve yüz milyarlarca gerçeği kapsayan, şu anda İnternet'in tamamından çıkarılan en büyük Çin bilgi grafiğidir. Baidu Bilgi Grafiği, otomatik soru ve cevaba uygulanır ve kullanıcının sorgusuna karşılık gelen cevap, doğrudan arama sonucu sayfasının en üstünde sunulabilir. Ek olarak, anahtar kelimelere dayalı ansiklopedi girişleri oluşturmak için kullanılan, bilgi grafiklerine dayalı içerik önerisi ve içerik oluşturma gibi uygulama senaryoları vardır.
-
Tencent
Tencent iş grubu sistemi, işi teknik mühendislik iş grubu (TEG), WeChat iş grubu (WXG), sosyal ağ iş grubu (SNG), mobil İnternet iş grubu (MIG) ve kurumsal geliştirme iş grubu ( CDG), Interactive Entertainment Group (IEG) ve Online Media Group (OMG). Her işletme grubu, makine öğrenimi ve veri analizinde staj ve iş pozisyonları sağlar.
-
Jingdong
JD.com ayrıca birçok iş talebini de dile getirdi.Maalesef, JD mühendisleri bulunmadığından, yapay zekayı içeren iş yönünün ayrıntılarını anlama fırsatımız olmadı. JD'nin işe aldığı araştırma yönergeleri arasında makine öğrenimi, doğal dil işleme, bilgisayarla görme, bilgi alma, konuşma tanıma, veri madenciliği ve öneri sistemleri yer alıyor.
-
Sony
Sony'nin katılımının temel amacı, açık kaynak projeleri nnabla'yı tanıtmaktır. nnabla, Sony tarafından geliştirilen açık kaynaklı bir yazılım çerçevesi olan Neural Network Libraries'i içerir. Ana kod C ++ ile uygulanır ve Windows, Linux, MacOS, HPC kümeleri ve gömülü cihazlarda çalışabilir. Yerleşik yaygın olarak kullanılan işlevler, sözdizimi nispeten kısadır, TensorFlow ve PyTorch'un gölgesini görebilirsiniz. Çerçeve, farklı veri yapılarına dayalı sinir ağı modellerinin verimli bir şekilde oluşturulmasını kolaylaştırmak için hem statik hem de dinamik hesaplama grafiklerini destekler.
Ek olarak, en büyük vurgu, Sinir Ağı Kitaplıkları için özelleştirilmiş Sinir Ağı Konsoludur. NN konsolu, görsel işlemler aracılığıyla sinir ağı modellerini oluşturmak, eğitmek ve değerlendirmek için NeuralNetwork Kitaplıklarını temel olarak kullanan bir GUI programıdır.
Her bileşen bir girdi birimini, bir işlev dönüşümünü veya özel bir işlevi ve bir çıktı birimini temsil eder Hata denemek ve yapmak için bileşenleri sürükleyip bırakabilir ve olası hataları anında model tasarımına yansıtabilirsiniz. Eğitim aşaması sırasında, NN konsolu eğitim ilerlemesini görüntüleyebilir ve herhangi bir zamanda model etkilerini değerlendirebilir.
NN konsolu şu anda Windows ve Bulut sürümlerini desteklemektedir. Windows sürümü modelleri yerel olarak tasarlayabilir ve eğitebilir. Bulut sürümü şu anda 10 saate kadar deneme süresi sağlar. Genel olarak konuşursak, çok kullanıcı dostudur, ancak diğer mevcut çerçevelerle karşılaştırıldığında, şimdilik belirgin bir avantaj bulunamamıştır. İlgilenen arkadaşlar deneyebilir.
[2018 Xinzhiyuan AI Teknoloji Zirvesi görkemli bir şekilde açıldı ve 599 yuan erken kayıt bileti kapıda!
Yapay zeka alanındaki en etkili endüstriyel hizmet platformu olan Xinzhiyuan, 2017 yılında "Xinzhiyuan Açık Kaynak Ekolojik Teknoloji Zirvesi" ve "2017AIWORLD Dünya Yapay Zeka Konferansı" nı başarıyla gerçekleştirdi. Yüksek popülaritesi ve sektör etkisi ile 2017 etkinlik sıralamasında "Yılın En Etkili Organizatörü" ödülünü kazandı.
Bunların arasında "2017 AI WORLD World Artificial Intelligence Conference", yapay zeka alanında 5.000'den fazla katılımcıyla bir emsal oluşturdu; Tencent'in talep üzerine video hacminin açılış videosu 1 milyonu aştı; Xinhuanet'in canlı grafik ve metin yayını 12 milyonu aştı.
29 Mart 2018'de Xinzhiyuan, endüstriyel geçiş için bir yol inşa etmek için yapay zekanın gücünü yeniden birleştirdi. 2018 Çin AI Yeni Yıl Töreni'ni Pekin'de gerçekleştirdi 2018 Xinzhiyuan AI Teknoloji Zirvesi "Industry · Leap Forward" temasıyla bu zirve, Nobel Ödülü jürisi ve Alman Yapay Zeka Araştırma Merkezi'nin kurucusu ve CEO'su Wolfgang Wahlster'i Google, Microsoft, Amazon, BAT, iFlytek, JD ve Huawei ile tanışmak üzere siteyi bizzat ziyaret etmeye davet etti. Ve teknolojik değişiklikleri tartışmak ve alanın entegrasyonunu ve gelişimini teşvik etmek için işletmelerden gelen diğer ağır konuklar.
Xinzhiyuan, yapay zeka endüstrisinin gelişiminden endişe duyan hayatın her kesiminden insanları bu alanlar arası düşünce çarpışmasına katılmak üzere 29 Mart'taki zirveye gelmeye içtenlikle davet ediyor.
Konferans hakkında daha fazla bilgi için lütfen Xinzhiyuan WeChat resmi hesabını takip edin veya etkinlik sayfasını ziyaret edin (orijinal metni okumak için tıklayın):
