Yapay zekâyı takip etmek artık yalnızca modelleri ve algoritmaları anlamayı değil, aynı zamanda hızla değişen ve yeni teknik kısaltmalarla kavramlar içeren bir sözlüğü çözmeyi de gerektiriyor. Bu rehber, geliştiricilerin, ürün ekiplerinin ve teknik okurların akıllı asistanların ve üretken modellerin arka planında neler olduğunu anlamak için ihtiyaç duyduğu başlıca terimleri derliyor.
Bu kavramlar eğitim, çıkarım ve ağırlıklar gibi temel konulardan, yapay zekâ ajanları ve Model Context Protocol gibi daha yeni uygulamalarla ilişkili kavramlara kadar uzanıyor. Rehber ayrıca modellerin verimliliği ve izlenebilirliği üzerine güncel tartışmalarda ortaya çıkan “opak çıkarım” (Opaque recurrence) gibi terimleri de ele alıyor.
Modeli oluşturan ve çalıştıran kavramlar
Büyük dil modeli (LLM), kelimeler ve ifadeler arasındaki ilişkileri çok büyük miktarda kitap, makale ve metinden öğrenen derin bir sinir ağı modelidir. Bir istem aldığında model, bu istemle uyumlu olma olasılığı en yüksek örüntüyü üretir. Bu modeller ChatGPT, Claude, Google Gemini, Meta AI Llama, Microsoft Copilot ve Mistral Le Chat’te kullanılır.
Eğitim, modelin verilerden örüntüleri öğrendiği süreçtir; çıkarım ise öğrendiklerine dayanarak bir tahmin veya yanıt üretmek üzere modelin çalıştırılmasını ifade eder. Telefon işlemcilerinden GPU birimlerine ve yapay zekâ hızlandırıcılarına kadar çıkarımda kullanılan donanım, modelin çalışma hızını ve büyük modellerle başa çıkma kapasitesini etkiler.
Ağırlıklar, model içindeki farklı özelliklerin önemini belirler ve çıktıların istenen hedefe yaklaşması için eğitim sırasında değişir. Doğrulama kaybı (Validation loss), modelin doğrulama verileri üzerindeki öğrenme kalitesini ölçer; genellikle düşük olması daha iyidir, ancak modelin genellenebilir örüntüleri öğrenmek yerine eğitim verilerini ezberlediği aşırı uyumu saptamaya da yardımcı olur.
Derin öğrenme, çok katmanlı sinir ağları kullanan modelleri ifade ederken sinir ağı, bu modellerin dayandığı daha geniş hesaplama yapısını tanımlar. Bu sistemler genellikle daha basit algoritmalara kıyasla büyük miktarda veriye ve daha uzun eğitim süresine ihtiyaç duyar; bu da geliştirme maliyetini artırır.
Modeller nasıl uzmanlaşır ve daha verimli hâle gelir?
İnce ayar (Fine-tuning), mevcut bir modelin belirli bir görev veya sektör için uzmanlaştırılmış veriler kullanılarak eğitilmeye devam edilmesini sağlar. Transfer öğrenimi (Transfer learning) ise önceden eğitilmiş bir modeli başka bir görev için başlangıç noktası olarak kullanır. Bu, yeni göreve ait verilerin sınırlı olduğu durumlarda geliştirme süresini azaltabilir; ancak alana uygun ek verilere duyulan ihtiyacı ortadan kaldırmaz.
Damıtma (Distillation) sürecinde büyük bir model “öğretmen” olarak görev yapar ve çıktıları, davranışını taklit etmeye çalışan daha küçük bir modeli eğitmek için kullanılır. Bunun olası sonucu, performansın bir kısmından feragat edilerek daha küçük ve verimli bir model elde edilmesidir. Kaynak, rakip bir modelin çıktılarının damıtılmasının API’lerin veya asistanların kullanım koşullarını ihlal edebileceğine işaret ediyor.
Uzmanlar karışımı mimarisi (Mixture of Experts), ağı bir uzmanlaşmış birimlere ayırır ve her istek için bunların yalnızca bir bölümünü etkinleştirir. Bu, her işlem için gereken hesaplama miktarını azaltarak büyük modeller oluşturulmasını sağlar. Mistral AI’ın Mixtral’ı bilinen bir örnektir; daha yeni GPT modellerinin ise OpenAI tarafından resmî bir doğrulama yapılmamış olsa da yaygın biçimde bu mimarinin bir biçimini kullandığı düşünülür.
Difüzyon (Diffusion) modelleri görüntü, müzik ve metin üretiminde kullanılır. Bu modeller veriye kademeli olarak gürültü ekler, ardından gürültüden veriyi yeniden elde etmek için süreci tersine çevirmeyi öğrenir. GAN ise çıktı üreten bir ağ ile bu çıktıları değerlendiren başka bir ağı bir araya getirir ve özellikle deepfake araçları gibi daha dar kapsamlı uygulamalarda gerçekçi görüntü ve videolar üretmek için kullanılmıştır.
Ajanlar ve araçlarla iletişim
Yapay zekâ ajanı, kullanıcı adına bilet ayırtmak, kodu güncellemek veya harici bir hizmetle etkileşime geçmek gibi bir dizi adımı gerçekleştirebildiği varsayıldığı için temel bir sohbet robotundan farklıdır. Ancak terimin ortak bir tanımı yoktur ve bu yetenekleri sunmak için gereken mimari hâlâ geliştirilmektedir.
Kodlama ajanları, yalnızca bir kod parçası önermekle yetinmek yerine kod yazma, test etme, hatalarını ayıklama ve bütün depolar üzerinde çalışma konusunda uzmanlaşır. Bununla birlikte, metne göre insan denetimi önemini korur; çünkü ajan sınırlı bir gözetimle kapsamlı işler gerçekleştirebilir.
API uç noktaları, bir programın başka bir programdan hizmet istemesini sağlayan arka plandaki düğmelere benzer. Ajanların kapasitesi arttıkça bu uç noktaları keşfedip otomatik işlemler gerçekleştirmek için kullanabilmeleri mümkün hâle gelir. Bu durum pratik olanaklar yaratırken beklenmedik davranışlara da yol açabilir. Model Context Protocol (MCP) ise modellerin her bağlantı için özel bir bağlayıcı oluşturulmasına gerek kalmadan dosyalara, veri tabanlarına ve uygulamalara bağlanmasını sağlayan açık bir standarttır. Anthropic protokolü 2024’te sundu, ardından Linux Foundation’a devretti; OpenAI, Google ve Microsoft da daha sonra protokolü benimsedi.
Bu terimlerde pratik olarak önemli olan nedir?
Bu kavramlar, bir yapay zekâ sisteminin performansının yalnızca modele bağlı olmadığını gösteriyor. Paralellik, binlerce işlemin GPU birimleri üzerinde aynı anda gerçekleştirilmesini sağlarken belirteç işleme hızı (Token throughput), sistemin belirli bir sürede tamamlayabildiği iş miktarını ölçer. Bu, hizmet verilebilecek kullanıcı sayısını ve yanıt hızını etkileyen bir faktördür.
Belirteç (Token), bir kelimenin parçası olabilen küçük bir metin birimidir ve dilin girdiye alınması, işlenmesi ve model hizmetlerinin fiyatlandırılmasında kullanılır. Özellikle KV caching olmak üzere bellek önbellekleme, çıkarım sırasında tekrarlanan hesaplamaları azaltmaya ve yanıtları hızlandırmaya yardımcı olur.
Buna karşılık halüsinasyon en büyük kalite sorunlarından biri olmaya devam ediyor: Model, sağlıkla ilgili tehlikeli olabilecek yanıtlar da dâhil olmak üzere yanlış bilgiler veya yanıltıcı tavsiyeler üretebilir. Kaynak, bu riskin eğitim verilerindeki boşluklarla ilişkili olduğunu ve daha uzmanlaşmış, alana özgü modeller geliştirilmesinin nedenlerinden birini oluşturduğunu belirtiyor.
Özel olarak takip edilmeyi hak eden terimlerden biri opak çıkarımdır. Bu terim, isteğin anlaşılır bir dille sıralı düşünme adımları gösterilmeden model katmanlarından defalarca geçirilmesini ifade eder. Bu yöntem daha verimli olabilir ve daha küçük modellerin daha az hesaplamayla daha güçlü performans göstermesine olanak tanıyabilir; ancak okunabilir izlerin azalmasına yol açarak araştırmacıların istenmeyen davranışları tespit etmesini zorlaştırır. Bununla ilişkili tekrarlayan derinlik (Recurrent depth) terimi de yaklaşık olarak aynı mühendislik yöntemini tanımlar.
“Neuralese” ise modelin anlaşılabilir bir insan dili yerine tamamen kendi iç dijital temsilleriyle düşündüğü varsayımsal bir senaryodur. Kaynak, piyasaya sunulmuş herhangi bir modelin bu duruma ulaşmadığını ve OpenAI’ın Eylül 2026’da piyasaya sürdüğü Astra modelinin düşünce zincirinin okunabilirliğini koruduğunu söylediğini aktarıyor; buna rağmen güvenlik araştırmacıları modelin opak çıkarım için kullanılmasından endişe ediyor.
Bu sözlüğün değeri, kamuoyu tartışmalarında sıklıkla birbirine karıştırılan kavramlar arasında ayrım yapmasında yatar: eğitim çıkarım değildir, ajan yalnızca bir sohbet robotu değildir ve «açık kaynak» mutlaka modelin tüm bileşenlerinin aynı şekilde erişilebilir olduğu anlamına gelmez. Ayrıca, özellikle özerklik ve şeffaflıkla bağlantılı daha yeni terimler, hâlâ farklı tanımlar ve denetim ile güvenliğin sınırlarına ilişkin açık sorular barındırmaktadır.