Yeniden Üretilebilir Yapay Zeka: Neden Önemlidir ve Nasıl İyileştirilir
Yeniden üretilebilirlik, araştırmacıların aynı metodolojiyi kullanarak bir deneyi veya çalışmayı tekrarlamalarını ve tutarlı sonuçlar elde etmelerini sağlayan bilimsel yöntemlerin temel bir yönüdür. Bu ilke, yapay zeka (AI) ve makine öğrenimi (ML) uygulamalarında da eşit derecede hayati önem taşır; burada sonuçların yeniden üretilebilme yeteneği, model ortamları arasında kararlı çıkarım sağlar. Ancak:
- Yaklaşık %5'lik bir AI araştırmacısı kaynak kodunu paylaşır ve bunların üçte birinden azı araştırma makalelerinde test verilerini paylaşır. 1
- Yapay zeka araştırmalarının üçte birinden azı yeniden üretilebilir, yani doğrulanabilir durumdadır. 2
Buna genellikle AI'da yeniden üretilebilirlik veya replikasyon krizi olarak atıfta bulunulur.3 Yeniden üretilebilirliğin AI için neden önemli olduğunu ve işletmelerin AI uygulamalarında yeniden üretilebilirliği nasıl iyileştirebileceğini keşfedin.
Yapay zekada yeniden üretilebilirlik nedir?
AI yeniden üretilebilirliği, aynı veri seti ve AI algoritması kullanılarak aynı ortam içinde aynı veya benzer sonuçlara ulaşma yeteneğidir.
- Veri seti, AI algoritmasının tahmin yaparken kullandığı eğitim setidir.
- AI algoritması, model türü, model parametreleri ve hiperparametreleri, özellikler ve diğer kodlardan oluşur.
- Ortam, algoritmayı çalıştırmak için kullanılan yazılım ve donanıma atıfta bulunur.
AI sistemlerinde yeniden üretilebilirliğe ulaşmak için, bu üç bileşendeki değişikliklerin izlenmesi ve kaydedilmesi gerekir.
Neden AI'da yeniden üretilebilirlik önemlidir?
Yeniden üretilebilirlik, hem AI araştırmaları hem de kurumsal AI uygulamaları için çok önemlidir çünkü:
AI / ML araştırmaları için, bilimsel ilerleme, bağımsız araştırmacıların bir çalışmanın sonuçlarını inceleyip yeniden üretebilme yeteneğine bağlıdır.4 Makine öğrenimi, temel bileşenleri yeniden üretilebilirlik için belgelenmediği sürece iyileştirilemez veya diğer alanlarda uygulanamaz. Yeniden üretilebilirliğin eksikliği, bilimsel üretim ile pazarlama arasındaki çizgiyi bulanıklaştırır.
İşletmelerde AI uygulamaları için, yeniden üretilebilirlik, daha az hata yapmaya meyilli AI sistemleri inşa edilmesini sağlayacaktır. Daha az hata, işletmelerin hangi bileşenlerin belirli sonuçlara yol açtığını anlayabilmesi nedeniyle güvenilirliği ve öngörülebilirliği artırarak işletmelere ve müşterilerine fayda sağlayacaktır. Bu, karar vericileri AI sistemlerini ölçeklendirmeye ikna etmek ve daha fazla kullanıcının bundan yararlanmasını sağlamak için gereklidir.
Yeniden üretilebilir AI ile ilgili zorluklar nelerdir?
Zorluk | Örnek |
|---|---|
Rastgelelik | Derin öğrenmede stokastik gradyan inişten (SGD) kaynaklanan farklı sonuçlar |
Ön İşlemede Standartlaşma Eksikliği | Model performansını etkileyen NLP'de farklı duraklama kelimesi kaldırma |
Belirsiz Donanım/Yazılım | NVIDIA GPU ile AMD GPU arasındaki sonuç farkları |
Hiperparametre Ayarlaması | XGBoost'taki öğrenme hızı farklarının performansı köklü şekilde değiştirmesi |
Dokümantasyon/Kod Paylaşımı Eksikliği | Transformer modellerinde katman normalizasyonunun detaylı uygulamasının eksik olması |
Sürümleme Sorunları | Yeniden üretilebilirliği etkileyen TensorFlow 1.x ile TensorFlow 2.x API değişiklikleri |
Veri Seti Erişilebilirliği/Değişkenliği | Klonlama için erişilemeyen özel sağlık veri setleri |
Hesaplama Kaynakları | Eğitimi klonlamak için devasa GPU kümeleri gerektiren GPT-4 gibi en son modeller |
Belirli Test Setlerine Aşırı Uyum | Sadece belirli veri seti bölümlerinde sonuç raporlama, test verilerine aşırı uyum |
Yanlılık/Sonuçları Seçici Olarak Sunma | Diğer sonuçları ifşa etmeden sadece en iyi deneysel çalışmayı raporlama |
1. Algoritmaların Rastgeleliği ve Stokastik Doğası
Birçok AI modeli, özellikle derin öğrenme algoritmaları, eğitim ve çıkarım süreçleri sırasında rastgelelik içerir. Örneğin, rastgele ağırlık başlatma, dropout katmanları ve stokastik gradyan iniş (SGD), aynı veri seti, kod tabanı ve ortam kullanıldığında bile değişkenliğe katkıda bulunur.
Bu sorun, özellikle LLM'ler (Büyük Dil Modelleri) gibi GPT-5, Gemini veya LLaMA gibi doğası gereği olasılıksal olan modellerde daha belirgindir. Aynı girdi ve yapılandırma ile istemlense bile, özellikle sıcaklık (temperature) veya top-k örnekleme parametreleri ayarlandığında farklı çıktılar üretebilirler. Bu ayarlar, çıktı üretiminin rastgeleliğini kontrol eder:
- Sıcaklık (Temperature), token örnekleme sırasında kullanılan olasılık dağılımını ayarlar. Daha yüksek bir sıcaklık (örn. 1.0) daha çeşitli, yaratıcı çıktılar üretirken, daha düşük bir sıcaklık (örn. 0.2) daha deterministik yanıtlar verir.
- Top-k veya top-p (çekirdek) örnekleme, her adımda dikkate alınan token aralığını sınırlayarak rastgeleliği daha da kontrol eder.
Bir LLM'den aynı paragrafı 0.9 sıcaklıkta iki kez özetlemesi istendiğinde, önemli ölçüde farklı özetler elde edilebilir. Bu değişkenlik, ayarlar sabitlenip açıkça belgelenmedikçe model davranışını doğrulamayı veya yeniden üretmeyi zorlaştırır.
Kurumsal uygulamalarda, sözleşme özetleme, chatbot yanıtları veya AI kodlama asistanları gibi, bu öngörülemezlik hata ayıklama, uyumluluk ve kalite güvencesi için zorluklar oluşturur. Tüm parametreler, rastgelelik tohumu (random seed) ve sıcaklık dahil, tutarlı bir şekilde günlüğe kaydedilmedikçe ekipler, hangi yapılandırmanın belirli bir çıktıya yol açtığını takip etmekte zorlanabilir.
Örneğin, Thinking Machines Lab, LLM çıkarımında büyük bir belirsizlik kaynağı olarak toplu tutarlılık başarısızlığını açıkladı. İdeal olarak, bir model, tek başına mı yoksa diğer isteklerle birlikte mi işlendiğine bakılmaksızın, verilen bir prompt'lar için aynı çıktıyı üretmelidir. Ancak, modern sunum sistemleri GPU verimliliğini artırmak için istekleri dinamik olarak toplar ve birçok GPU çekirdeği, toplu boyuta veya düzenine bağlı olarak yürütme kalıplarını değiştirir.
Kayan nokta işlemleri mükemmel şekilde birleşme özelliğine sahip olmadığından, hesaplama sırasındaki küçük değişiklikler logitleri hafifçe değiştirebilir. Kodlama sırasında, bu küçük farklar sonunda modelin farklı tokenlar seçmesine ve deterministik ayarlara rağmen (örn. sıcaklık = 0) farklı çıktılara yol açmasına neden olabilir. Etkin olarak, modelin sonucu, toplu olarak hangi diğer isteklerle paylaşıldığına bağlıdır, bu da çıkarımı belirsiz gösterir.5
2. Veri ön işlemede standartlaşma eksikliği
Veri artırma, normalizasyon ve özellik çıkarımı gibi ön işleme adımları genellikle tutarlı bir şekilde belgelenmez veya paylaşılmaz. Verinin nasıl ön işlendiğine dair küçük değişiklikler, hatta göründüğünden daha önemsiz olan yuvarlama hataları bile farklı sonuçlara yol açabilir. Bu, veri değişkenliğinin yüksek olduğu görüntü işleme veya doğal dil işleme görevleri için özellikle doğrudur.
3. Belirsiz donanım ve yazılım
AI algoritmalarının yürütülmesi, farklı donanımlarda (CPU'lar, GPU'lar, TPUs) ve hatta kütüphanelerdeki temel belirsiz süreçler nedeniyle aynı donanımda bile değişebilir. Bu kütüphanelerin sürümlerindeki farklar, kod ve veri aynı olsa bile daha fazla değişkenlik yaratabilir.
Örneğin, PyTorch 2.10, modern ML iş akışlarında determinizm ve sayısal sorunların hata ayıklanmasına odaklanan birkaç iyileştirme getirdi.
Distributed pekiştirmeli öğrenme ve büyük ölçekli sonrasal eğitim boru hatları daha yaygın hale geldikçe, yeniden üretilebilir yürütmenin sağlanması ve ince sayısal sapmaların teşhisi giderek daha önemli hale gelmiştir. Bunu ele almak için, sürüm, yürütme sırasında sayısal kararsızlık kaynaklarını belirlemeye yardımcı olan ve dağıtılan çağrıları izleyen DebugMode gibi yeni hata ayıklama yetenekleri ekledi.6
4. Hiperparametre ayarlaması
Birçok AI modeli, öğrenme hızı, toplu boyut veya düzenleştirme gücü gibi hiperparametrelere güvenir ve bunların ince ayarının yapılması gerekir. Genellikle bunlar yeterince detaylı paylaşılmaz veya seçimleri titizlikle açıklanmaz, bu da sonuçların yeniden üretilmesini zorlaştırır. Ayrıca, hiperparametrelerdeki küçük değişiklikler çok farklı performans sonuçlarına yol açabilir.
5. Detaylı dokümantasyon ve kod paylaşımı eksikliği
Araştırma makaleleri kod sağlasa bile, bu kod eksik olabilir veya yayımlanan sonuçlarla tam olarak uyumlu olmayabilir. Belirli kütüphaneler, model ağırlıkları veya veri boru hatları gibi bazı kritik unsurlar ifşa edilmeyebilir ve tam yeniden üretimi engelleyebilir.
6. Sürümleme sorunları
AI yazılım ekosistemlerinin dinamik doğası, kütüphanelerin ve çerçevelerin sürekli olarak geliştiği anlamına gelir. Bir kütüphanenin belirli bir sürümü kullanılarak eğitilen bir model, kod değişmeden kalsa bile daha sonraki bir sürümde çalıştırıldığında aynı performansı göstermeyebilir. Tüm bağımlılıklar için sürümleri takip etmek zor olabilir ve sürümleme genellikle kötü belgelenmiştir.
7. Veri seti erişilebilirliği ve değişkenliği
AI araştırmalarında kullanılan bazı veri setleri özeldir veya halka açık değildir, bu da çalışmaların klonlanmasını imkansız kılar. Veri setleri mevcut olsa bile, örnekleme, güncellemeler veya araştırma sırasında uygulanan farklı ön işleme teknikleri nedeniyle varyasyonlar olabilir.
8. Hesaplama kaynakları
En son AI modellerini yeniden üretmek genellikle GPU'lar veya TPUs gibi özel donanımlar dahil önemli hesaplama kaynakları gerektirir. Aynı düzeyde kaynaklara erişimi olmayan araştırmacılar veya uygulayıcılar, sonuçları klonlamayı zor bulabilir.
9. Belirli test setlerine aşırı uyum
Bazı durumlarda, modeller yanlışlıkla belirli test setlerine veya benchmark'lara aşırı uyum sağlar. Bu modeller farklı ortamlarda veya hafifçe değiştirilmiş veri setlerinde test edildiğinde, sonuçlar genelleştirilemeyebilir ve yeniden üretilebilirliği zorlaştırabilir.
10. Raporlamada yanlılık ve sonuçları seçici olarak sunma
Araştırmacılar, çoklu çalışmalardan sonra modelin en iyi performans gösteren sürümünü, çalışmalardaki değişkenliği belirtmeden veya yürütülen toplam deney sayısını ifşa etmeden raporlayabilir. Bu seçici raporlama, sonuçların algılanan yeniden üretilebilirliğini çarpıtır.
Yeniden üretilebilirliği ele almada AI araştırmacılarının rolü
AI araştırmacıları son teknoloji modeller geliştirir, ancak çalışmalarının doğrulanabilir ve güvenilir olmasını sağlama sorumluluğunu da taşır. Şeffaflık çağrılarına rağmen, birçok araştırma çıktısı uygulamada yetersiz kalır:
- NeurIPS (Sinir Bilgi İşleme Sistemleri Konferansı) makalelerinin bir analizi, sadece %42'sinin kod içerdiğini ve sadece %23'ünün veri setlerine bağlantı sağladığını buldu.
- Çoğu AI çalışması, hiperparametreler, eğitim koşulları ve değerlendirme protokollerinin yetersiz belgelenmesi nedeniyle bağımsız olarak yeniden üretilebilecek kadar detaydan yoksundur.
- Yaklaşık %70'lik bir AI araştırmacısı, aynı alt dal içinde bile başkasının sonuçlarını yeniden üretmekte zorlandıklarını itiraf etti.
Bu sorunları aşmak için AI araştırma topluluğu şunları yapmalıdır:
- Açık bilim uygulamalarını benimsemek: Kod, veri ve detaylı deney günlüklerini paylaşmak, akran doğrulamasını ve bilimsel bütünlüğü sağlar.
- Raporlamayı standartlaştırmak: Makine Öğrenimi Yeniden Üretilebilirlik Kontrol Listesi gibi yapılandırılmış formatları takip etmek, temel detayların belgelenmesini sağlar.
- Kurumlar arası doğrulamayı teşvik etmek: Diğer araştırma ekiplerinin bağımsız klonlamasını teşvik etmek, genelleştirilebilirliği ve güvenilirliği belirlemeye yardımcı olur.
AI'da yeniden üretilebilirlik nasıl iyileştirilir?
Kurumsal alanda AI yeniden üretilebilirliğine ulaşmanın en iyi yolu, MLOps en iyi uygulamalarından yararlanmaktır. MLOps, bir organizasyon içinde otomasyon ve birleşik bir çerçeve ile yapay zeka ve makine öğrenimi yaşam döngüsünü basitleştirmeyi içerir.
Yeniden üretilebilirliği kolaylaştıran bazı MLOps araçları ve teknikleri şunlardır:
- Deneysel takip: Deneysel takip araçları, bu deneyler hakkında önemli bilgileri yapılandırılmış bir şekilde takip etmeye yardımcı olur.
- Veri soy kökeni (lineage): Veri soy kökeni, verinin nereden kaynaklandığını, onunla ne olduğunu ve veri yaşam döngüsü boyunca nereye gittiğini kayıtlar ve görselleştirmelerle takip eder.
- Model sürümleme: Benzer şekilde, veri sürümleme araçları, farklı model türleri, parametreler, hiperparametreler vb. ile AI modellerinin farklı sürümlerini takip etmeye ve şirketlerin bunları karşılaştırmasına olanak tanır.
- Model kayıt defteri: Model kayıt defteri, tüm modeller ve onların meta verileri için merkezi bir depodur. Bu, veri bilimcilerin farklı zamanlarda farklı modellere ve özelliklerine erişmelerine yardımcı olur.
Araçların yanı sıra, MLOps aynı zamanda veri bilimciler, BT personeli, konu uzmanları ve operasyon profesyonelleri arasındaki iletişimi kolaylaştırarak işletmelerin yeniden üretilebilirliği iyileştirmesine yardımcı olur.
Tercih edilen kaynak olarak ekleGüvenilir AI ne anlama gelir ve yeniden üretilebilir AI ile nasıl ilişkilidir?
Güvenilir AI, çeşitli koşullar altında tutarlı ve doğru çalışan sistemlere atıfta bulunur. Bu, farklı ortamlar ve veri girdileri arasında doğru, adil ve güvenli çıktılar üretmeyi içerir. Güvenilirliğin temel bir sütunu, sistem yeni bağlamlarda dağıtıldığında veya farklı ekipler tarafından kullanıldığında bile aynı girdiler ve yöntemler kullanılarak aynı sonuçları yeniden oluşturma yeteneği olan yeniden üretilebilirliktir.
- Çalışmalar arasında tutarlılık: Yeniden üretilebilir AI, aynı koşullar altında tekrarlanan eğitim veya çıkarımın aynı sonuçları vermesini sağlar; bu, güvenilirliği doğrulamak için kritiktir.
- Hata ayıklama ve denetim: Güvenilir sistemler şeffaf ve hesap verebilir olmalıdır. Yeniden üretilebilirlik, paydaşların bir kararın nasıl verildiğini izlemesine ve bunu bağımsız olarak doğrulamasına olanak tanır.
- Güçlü test: Güvenilirliği sağlamak için AI, birden fazla koşul altında test edilmelidir. Yeniden üretilebilirlik, performans iddialarını doğrulamak için standartlaştırılmış test prosedürlerini mümkün kılar.
- Güven oluşturma: Sonuçlar tutarlı bir şekilde yeniden üretilebildiğinde, kullanıcılar ve düzenleyiciler AI'nın güvenilirliğine ve güvenliğine daha fazla güvenme eğilimindedir.
- Bilimsel bütünlük: AI araştırmalarında, yeniden üretilebilirlik akran incelemesi ve ilerleme için esastır. Güvenilir sistemler, teorik sağlamlığın pratik güvene dönüştüğünü sağlamak için bu temele bağlıdır.
Güvenilir AI örnekleri
Jamba2
Jamba2, AI21 tarafından yayımlanan, kurumsal uygulamalar için güvenilirlik, yönlendirilebilirlik ve verimliliği önceliklendiren açık kaynaklı bir dil modeli ailesidir. Modeller, güçlü performans elde ederken hafıza verimli kalmak için durum uzayı (Mamba tarzı) katmanlarını Transformer katmanlarıyla birleştiren AI21'in hibrit SSM-Transformer mimarisi üzerine inşa edilmiştir.
AI21, Jamba2'yi, ağır hesaplama maliyetine sahip akıl yürütme tokenları olmadan, hassas soru-cevap, temellendirilmiş yanıtlar ve talimat takibi üzerine odaklanan büyük akıl yürütme modellerine yönelik kurumsal bir alternatif olarak konumlandırır.
Kompakt ayak izi, geliştiricilerin modelleri yerel olarak (hatta telefonlar veya dizüstü bilgisayarlar gibi tüketici cihazlarında) çalıştırmalarına izin verirken, RAG boru hatları ve teknik belge işleme gibi üretim iş yüklerini desteklemeye devam eder.7
IBM
IBM, işletmelerin ve hükümetlerin veri, operasyon ve yönetişim üzerinde tam kontrol ile AI ortamları dağıtmasını sağlayan "tasarım itibarıyla egemen, AI'ya hazır" bir yazılım platformu olan Egemen Çekirdek'i (Sovereign Core) tanıttı.8
Mistral AI
Mistral AI, hassas veri ve teknoloji üzerinde ulusal kontrolü korumak için Fransa altyapısında barındırma şartı koşan sözleşme ile jeneratif AI modelleri tedarik etmek için büyük bir Fransız savunma çerçeve anlaşması sağladı.9
Harici Bağlantılar
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Yeniden Üretilebilir Yapay Zeka: Neden Önemlidir ve Nasıl İyileştirilir}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/reproducible-ai}},
note = {AIMultiple. Erişim tarihi: 23 Haziran 2026}
}Referans Linkleri
Yorumlar 2
Düşüncelerinizi Paylaşın
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.
I have been working on this and have achieved it with on CPU. Repeatable determinism or reproducibility is a key stone of dependable systems and when applied in convolutional network can have higher accuracy. These are some of the academically peer-reviewed publications made in the IEEE. • [1] R. Rudd-Orthner and L. Mihaylova, “Non-Random weight initialisation in deep learning networks for repeatable determinism,” in Peer Reviewed Proc. of the 10th IEEE International Conference Dependable Systems Services and Technologies (DESSERT-19), Leeds, UK, 2019. o This conference paper proved that an alternative to the random initialisation was possible and provided an almost equal performance but with reproducibility. Presented at the UK Ukraine and Northen Island IEEE branches conference in Leeds. • [2] R. Rudd-Orthner and L. Milhaylova, “Repeatable determinism using non-random weight initialisations in smart city applications of deep learning,” Journal of Reliable Intelligent Environments in a Smart Cities special edition, vol. 6, no. 1, pp. 31-49, 2020. o This Journal paper enhanced the performance to an equivalent performance by using the limits from He and Xavier and made the previous reproducibility a more general case for general use, although it was limited to Dense layers. • [3] R. Rudd-Orthner and L. Milhaylova, “Non-random weight initialisation in deep convolutional networks applied to safety critical artificial intelligence,” in Peer Reviewed Proc. of the 13th International Conference on Developments in eSystems Engineering (DeSe), Liverpool, UK, 2020. o This conference paper proved an approach to Convolutional layers that as alternative to the random initialisation and provided a higher performance with reproducibility. Presented at the UK and UAE IEEE branches conference in Liverpool held virtually. • [4] R. Rudd-Orthner and L. Milhaylova, “Deep convnet: non-random weight initialization for repeatable determinism with FSGM,” Sensors, vol. 21, no. 14, p. 4772, 2021. o This Journal paper extended the work into colour images proofs and used the cyber FSGM attack as a method for measuring effect in transferred learning. • [5] R. Rudd-Orthner and L. Milhaylova, “Multi-type aircraft of remote sensing images: MTARSI2,” Zenodo, 30 June 2021. [Online]. Available: https://zenodo.org/record/5044950#.YcWalmDP2Ul. [Accessed 30 June 2021]. o This was the colour dataset used. • [6] R. Rudd-Orthner, “Artificial Intelligence Methods for Security and Cyber Security Systems,” University of Sheffield, Sheffield, UK, 2022. o This is the final full write up in the context and with other approaches.
I have been working on this and have achieved it with on CPU. Repeatable determinism or reproducibility is a key stone of dependable systems and when applied in convolutional network can have higher accuracy. These are some of the academically peer-reviewed publications made in the IEEE etc about Safety Critical AI. • [1] R. Rudd-Orthner and L. Mihaylova, “Non-Random weight initialisation in deep learning networks for repeatable determinism,” in Peer Reviewed Proc. of the 10th IEEE International Conference Dependable Systems Services and Technologies (DESSERT-19), Leeds, UK, 2019. o This conference paper proved that an alternative to the random initialisation was possible and provided an almost equal performance but with reproducibility. Presented at the UK Ukraine and Northen Island IEEE branches conference in Leeds. • [2] R. Rudd-Orthner and L. Milhaylova, “Repeatable determinism using non-random weight initialisations in smart city applications of deep learning,” Journal of Reliable Intelligent Environments in a Smart Cities special edition, vol. 6, no. 1, pp. 31-49, 2020. o This Journal paper enhanced the performance to an equivalent performance by using the limits from He and Xavier and made the previous reproducibility a more general case for general use, although it was limited to Dense layers. • [3] R. Rudd-Orthner and L. Milhaylova, “Non-random weight initialisation in deep convolutional networks applied to safety critical artificial intelligence,” in Peer Reviewed Proc. of the 13th International Conference on Developments in eSystems Engineering (DeSe), Liverpool, UK, 2020. o This conference paper proved an approach to Convolutional layers that as alternative to the random initialisation and provided a higher performance with reproducibility. Presented at the UK and UAE IEEE branches conference in Liverpool held virtually. • [4] R. Rudd-Orthner and L. Milhaylova, “Deep convnet: non-random weight initialization for repeatable determinism with FSGM,” Sensors, vol. 21, no. 14, p. 4772, 2021. o This Journal paper extended the work into colour images proofs and used the cyber FSGM attack as a method for measuring effect in transferred learning. • [5] R. Rudd-Orthner and L. Milhaylova, “Multi-type aircraft of remote sensing images: MTARSI2,” Zenodo, 30 June 2021. [Online]. Available: https://zenodo.org/record/5044950#.YcWalmDP2Ul. [Accessed 30 June 2021]. o This was the colour dataset used. • [6] R. Rudd-Orthner, “Artificial Intelligence Methods for Security and Cyber Security Systems,” University of Sheffield, Sheffield, UK, 2022. o This is the final full write up in the context and with other approaches.