Yapay zeka, karmaşık bir dünyadır. Bu alanda çalışan bilim insanları, genellikle yaptıkları işleri açıklamak için teknik terimlere başvururlar. Bu nedenle, yapay zeka endüstrisine dair yazılarımızda sıkça bu terimleri kullanmamız gerekti. Bu yüzden en önemli kelime ve ifadelerin tanımlarını içeren bir sözlük oluşturmanın faydalı olacağını düşündük.
Araştırmacılar, yapay zekanın sınırlarını zorlamaya devam ederken, gelişen güvenlik risklerini tanımlamak için bu sözlüğü düzenli olarak güncelleyerek yeni girdiler ekleyecektir.
Yapay genel zeka, veya AGI, belirsiz bir terimdir. Ancak genel olarak birçok, hatta çoğu görevde ortalama bir insanın yeteneklerinden daha yetenekli olan yapay zekayı ifade eder. OpenAI CEO’su Sam Altman, AGI’yi “bir iş arkadaşı olarak kiralayabileceğiniz ortalama bir insanın eşdeğeri” olarak tanımladı. Öte yandan, OpenAI’nin tüzüğü AGI’yi “çoğu ekonomik açıdan değerli çalışmada insanları aşan son derece otonom sistemler” olarak tanımlar. Google DeepMind’ın anlayışı ise bu iki tanımdan biraz farklıdır; laboratuvar AGI’yi “insanların çoğu bilişsel görevde en az insan kadar yetenekli olan yapay zeka” olarak görmektedir. Kafanız karıştı mı? Endişelenmeyin — yapay zeka araştırmalarının öncüsü olan uzmanlar da aynı şekilde hissediyor.
Yapay zeka ajanı, sizin adınıza bir dizi görevi yerine getiren, yapay zeka teknolojilerini kullanan bir araçtır — daha temel bir yapay zeka sohbet botunun yapabileceğinden daha fazlasını yapar — örneğin masraf kayıtları tutma, bilet veya restoran rezervasyonu yapma, veya kod yazma ve sürdürme gibi. Ancak, daha önce açıkladığımız gibi, bu gelişen alanda pek çok hareketli parça olduğundan, “yapay zeka ajanı” farklı insanlar için farklı şeyler ifade edebilir. Ayrıca, öngörülen yeteneklerini gerçekleştirmek için yapı da hâlâ inşa ediliyor. Ama temel kavram, bir dizi adımı yerine getirmek için birden fazla yapay zeka sistemine başvurabilen otonom bir sistemi ifade eder.
Basit bir soru verildiğinde, bir insan beyni fazla düşünmeden cevap verebilir — “bir zürafa mı daha uzun, yoksa bir kedi mi?” gibi şeyler. Ancak birçok durumda, doğru cevabı bulmak için kalem ve kağıda ihtiyacınız olabilir çünkü arada basit hesaplamalar yapılması gerekebilir. Örneğin, bir çiftçi tavuk ve ineklere sahipse ve birlikte 40 kafa ve 120 bacakları varsa, cevabı bulmak için basit bir denklem yazmanız gerekebilir (20 tavuk ve 20 inek).
Yapay zeka bağlamında, büyük dil modelleri için düşünce zinciri akıl yürütmesi, bir problemi daha küçük, ara adımlara ayırmak anlamına gelir. Bu, nihai sonucu iyileştirir. Genellikle bir cevabı almak daha uzun sürer, ancak sonuç özellikle mantık veya kodlama bağlamında doğru çıkma olasılığı daha yüksektir. Akıl yürütme modelleri, geleneksel büyük dil modellerinden geliştirilir ve pekiştirme öğrenimi sayesinde düşünce zinciri düşünmek için optimize edilmiştir.
(Bakınız: Büyük dil modeli)
Techcrunch etkinliği
San Francisco, CA
|
13-15 Ekim 2026
Hafif çok anlamlı bir terim olsa da, hesaplama genel olarak yapay zeka modellerinin çalışabilmesi için gerekli olan kritik hesaplama gücünü ifade eder. Bu tür işlemci gücü, yapay zeka endüstrisini besleyerek, güçlü modellerini eğitme ve dağıtma yeteneğini sağlar. Terim, genellikle hesaplama gücünü sağlayan donanım türleri için kısaca kullanılır — GPU, CPU, TPU gibi ve modern yapay zeka endüstrisinin temelini oluşturan diğer tür alt yapı unsurları.
Kendi kendini geliştiren makine öğreniminin bir alt kümesi olan derin öğrenme, yapay zeka algoritmalarının çok katmanlı, yapay sinir ağı (ANN) yapısı ile tasarlanmasıdır. Bu, onları daha basit makine öğrenimi tabanlı sistemlere kıyasla daha karmaşık korelasyonlar yapmalarına olanak tanır, örneğin lineer modeller veya karar ağaçları gibi. Derin öğrenme algoritmalarının yapısı, insan beynindeki sinirlerin birbirine bağlı yollarından ilham almaktadır.
Derin öğrenme yapay zeka modelleri, verilerdeki önemli karakteristikleri kendileri tanıyabilir; insan mühendislerin bu özellikleri tanımlamasına ihtiyaç duymadan. Bu yapı ayrıca, hatalardan öğrenebilen ve tekrar ve ayarlama süreciyle çıktıları geliştirebilen algoritmaları destekler. Ancak, derin öğrenme sistemlerinin iyi sonuçlar elde edebilmesi için çok sayıda veri noktasına (milyonlarca veya daha fazlasına) ihtiyaç vardır. Ayrıca, genellikle daha basit makine öğrenimi algoritmalarına kıyasla daha uzun süre eğitilir, bu nedenle geliştirme maliyetleri daha yüksek olma eğilimindedir.
(Bakınız: Sinir ağı)
Difüzyon, birçok sanat, müzik ve metin üreten yapay zeka modelinin kalbinde yer alan teknolojidir. Fizikten esinlenerek, difüzyon sistemleri verinin yapısını yavaşça “yok eder” — örneğin fotoğraflar, şarkılar vb. üzerinde gürültü ekleyerek. Fizikte difüzyon kendiliğinden ve geri döndürülemezdir — kahve içinde çözünmüş şekerin küp formuna geri döndürülemez. Ancak yapay zeka içindeki difüzyon sistemleri, yok edilen verileri geri kazandırmak için bir “ters difüzyon” sürecini öğrenmeyi hedefler, gürültüden veriyi kurtarma yeteneği kazanır.
Damıtma, büyük bir yapay zeka modelinden bilgi çıkarmak için kullanılan bir tekniktir ve ‘öğretmen-öğrenci’ modeli şeklindedir. Geliştiriciler bir öğretmen modeline talepler gönderir ve çıktıları kaydeder. Cevaplar bazen bir veri seti ile karşılaştırılır ve doğrulukları belirlenir. Bu çıktılar, daha sonra, öğretmenin davranışını taklit etmeye yönlendirilmiş öğrenci modelini eğitmek için kullanılır.
Damıtma, daha büyük bir modelden minimal damıtma kaybıyla daha küçük, daha verimli bir model oluşturmak için kullanılabilir. Muhtemelen OpenAI’nin daha hızlı bir versiyonu olan GPT-4 Turbo’yu geliştirmesinin yolu budur.
Tüm yapay zeka şirketleri içsel olarak damıtma kullanırken, bazı yapay zeka şirketleri bunu öncü modellere yetişmek için de kullanabilir. Bir rakipten damıtma yapmak genellikle yapay zeka API ve sohbet asistanlarının hizmet şartlarını ihlal eder.
Bu, bir yapay zeka modelinin önceki eğitimine göre belirli bir görev veya alanda performansı optimize etmek için daha fazla eğitilmesi ile ilgilidir — genellikle yeni, özel (yani görev odaklı) veri besleyerek.
Pek çok AI girişimi, ticari bir ürün oluşturmak için büyük dil modellerini bir başlangıç noktası olarak alıyor ancak hedef sektör veya göreve faydayı artırmak için önceki eğitim döngülerini kendi alan bilgileri ve uzmanlıklarıyla tamamlayarak geliştirmeye çalışıyor.
(Bakınız: Büyük dil modeli [LLM])
GAN veya Oluşturucu Rekabetçi Ağı, gerçekçi veri üretiminde önemli gelişmeleri destekleyen bir makine öğrenimi çerçevesidir — bunlar ( ancak yalnızca değil) derin sahtekarlık araçlarını içerir. GAN’ler, biri eğitildiği veriden çıktı üretmek için kullanılan ve diğerinin bu çıktıyı değerlendirerek geliştirilmesine yardımcı olduğu iki sinir ağı kullanır.
GAN yapısı bir yarışma şeklinde düzenlenmiştir (bu nedenle “rekabetçi”) — iki model, etkili bir şekilde birbirlerini geçmeye çalışmak üzere programlanmıştır: üretici, çıktısını ayırt edenin gözünden geçirmeye çalışırken, ayırt eden yapay olarak üretilen veriyi tespit etmeye çalışmaktadır. Bu yapılandırılmış yarışma, yapay zeka çıktılarının daha gerçekçi hale gelmesini sağlar ve ek insan müdahalesine ihtiyaç duymadan optimizasyon sağlar. Ancak GAN’ler, genel amaçlı yapay zeka yerine daha dar uygulamalar için en iyi sonucu verir (örneğin gerçekçi fotoğraflar veya videolar üretmek gibi).
Hallerin, yapay zeka endüstrisinin sahte bilgi üretimini tanımlamak için tercih ettiği bir terimdir — bu temelde yanlış bilgi oluşturmaktır. Bu, yapay zeka kalitesinin büyük bir sorunu olarak karşımıza çıkar.
Hallerin, yanıltıcı yapay zeka çıktıları üretebilir ve bunlar gerçek hayatta riskler doğurabilir — potansiyel olarak tehlikeli sonuçlara yol açabilir (örneğin, zarar verici tıbbi tavsiyelere yol açabilen bir sağlık sorgusu). Bu nedenle, çoğu yapay zeka aracının küçük yazıları, kullanıcıları yapay zeka tarafından üretilen cevapları doğrulamaları konusunda uyarır; ancak bu tür uyarılar genellikle, araçların bir tuşla sağladığı bilgiden daha az belirgin olabilir.
Yapay zekanın bilgi üretiminde sık sık yanlışlık yapma sorunuyla karşı karşıya olduğu, eğitim verilerindeki boşlukların bir sonucu olarak ortaya çıktığı düşünülmektedir. Özellikle genel amaçlı yapay zeka — bazen temel modeller olarak da bilinir — için bu sorunun çözülmesi oldukça zordur. Çünkü, sorularımızı kapsamlı bir şekilde yanıtlayacak bir yapay zeka modelinin eğitilmesi için yeterli veri yoktur. Kısaca: henüz Tanrı’yı icat etmedik.
Hallerin, bilgi boşluklarını azaltma ve yanlış bilgi risklerini küçültme amacıyla giderek daha fazla özel ve/veya dikey yapay zeka modellerinin geliştirilmesi üzerinde bir etki yapmaktadır — yani, dar bir uzmanlık gerektiren alanlara özgü yapay zeka modelleri.
Çıkarım, bir yapay zeka modelinin çalıştırılması sürecidir. Kullanıcı tarafından daha önce görülen verilere dayanarak tahminlerde bulunma veya sonuçlar çıkarma işlemini ifade eder. Belirgin olmak gerekirse, çıkarım eğitimsiz gerçekleşemez; bir model, etkili bir şekilde bu eğitim verisinden çıkarımda bulunabilmek için bir veri kümesindeki kalıpları öğrenmelidir.
Birçok donanım türü çıkarım yapabilir; akıllı telefon işlemcilerinden güçlü GPU’lara ve özel olarak tasarlanmış yapay zeka hızlandırıcılarına kadar uzanır. Ancak hepsi modelleri eşit derecede iyi çalıştıramaz. Çok büyük modeller, örneğin, bir dizüstü bilgisayarda tahmin yapmak için uzun zaman alabilirken, yüksek özellikli yapay zeka çiplerine sahip bir bulut sunucusunda tahmin yapmak çok daha hızlıdır.
[Bakınız: Eğitim]
Büyük dil modelleri, ChatGPT, Claude, Google’ın Gemini, Meta’nın AI Llama, Microsoft Copilot veya Mistral’ın Le Chat gibi popüler yapay zeka asistanları tarafından kullanılan yapay zeka modelleridir. Bir yapay zeka asistanı ile sohbet ettiğinizde, talebinizi doğrudan veya mevcut çeşitli araçların yardımıyla, örneğin web taraması veya kod yorumlayıcılar kullanarak işleyen bir büyük dil modeli ile etkileşimde bulunuyorsunuz.
Yapay zeka asistanları ve büyük dil modelleri farklı isimlere sahip olabilir. Örneğin, GPT, OpenAI’nin büyük dil modelidir ve ChatGPT, bu şirketin yapay zeka asistanı ürünüdür.
Büyük dil modelleri, kelimeler ve ifadeler arasındaki ilişkileri öğrenen ve dilin bir temsilini oluşturan — kelimelerin çok boyutlu bir haritasını oluşturma sürecidir. Bunlar, milyarlarca kitap, makale ve transkriptlerden elde edilen kalıpların kodlanmasıyla oluşturulmaktadır. Bir büyük dil modeline talepte bulunduğunuzda, model, talebe en uygun kalıbı oluşturur. Daha sonra, daha önce söylenenlere dayalı olarak bir sonraki en muhtemel kelimeyi değerlendirir. Bu işlem tekrarlanır.
(Bakınız: Sinir ağı)
Hafıza ön belleği, bir yapay zeka modelinin bir kullanıcı sorgusuna yanıt üretmek için çalıştığı süreçtir ve bu süreç, çıkarımı hızlandıran önemli bir etkendir. Temelde, ön bellekleme, çıkarımın daha verimli hale gelmesini sağlamak için tasarlanmış bir optimizasyon tekniğidir. Yapay zeka, yüksek enerji tüketen matematiksel hesaplamalarla çalıştığı için, bu hesaplamalar her yapıldığında daha fazla güç tüketir. Ön bellekleme, bir modelin çalıştırması gereken hesaplamaların sayısını azaltmak için belirli hesaplamaları gelecekteki kullanıcı sorguları ve işlemleri için kaydederek tasarlanmıştır. Farklı türlerde bellek ön belleği vardır; ancak daha tanınmışlarından biri KV (veya anahtar değer) ön belleği‘dir. KV ön belleği, dönüştürücü tabanlı modellerde çalışır ve kullanıcı sorularına yanıt oluşturma süresini (ve algoritmik emeği) azaltarak daha hızlı sonuçlar sağlar.
(Bakınız: Çıkarım)
Sinir ağı, derin öğrenmenin ve daha geniş anlamda büyük dil modellerinin patlama sonrası ortaya çıkan tüm jeneratif yapay zeka araçlarının temelini oluşturan çok katmanlı algoritmik yapıdır.
İnsan beyninin yoğun bir şekilde bağlı yollarından ilham alarak verileri işleme algoritmaları tasarlamak fikri 1940’lara kadar uzanmasına rağmen, bu teorinin gücünü gerçekten açan, daha yakın tarihte grafik işlemci donanımlarının (GPU’ların) yükselişidir — özellikle video oyun endüstrisi aracılığıyla. Bu çipler, daha önceki dönemlerde mümkün olandan çok daha fazla katmana sahip algoritmaları eğitmek için uygun hale geldi ve bu, sinir ağı tabanlı yapay zeka sistemlerinin birçok alanda (ses tanıma, otonom navigasyon ve ilaç keşfi gibi) çok daha iyi performans göstermesini sağladı.
(Bakınız: Büyük dil modeli [LLM])
RAMageddon, teknoloji endüstrisini etkileyen eğlenceli bir terimdir: günlük yaşamımızda kullandığımız hemen hemen tüm teknoloji ürünlerini güçlendiren rastgele erişimli bellek (RAM) yongalarının giderek artan bir şekilde azalması. Yapay zeka endüstrisi büyüdükçe, en güçlü ve verimli yapay zekaya sahip olma yolunda en büyük teknoloji firmaları ve yapay zeka laboratuvarları, veri merkezlerini güçlendirmek için oldukça fazla RAM satın alıyor; bu da geriye kalanını daha az bulmamıza neden oluyor. Bu arz darboğazı, geriye kalan yongaların giderek pahalılaşmasına yol açıyor.
Oyun endüstrisi (büyük şirketlerin konsol fiyatlarını artırmak zorunda kaldığı çünkü cihazları için bellek yongası bulmak zorlaşmış durumda), tüketici elektroniği (hafıza yetersizliği, akıllı telefon sevkiyatlarında daha on yıl boyunca en büyük düşüşe neden olabilir) ve genel kurumsal bilgi işleme (şirketler, veri merkezlerine yetecek kadar RAM bulamadığı için) gibi endüstrileri etkiliyor. Fiyat artışlarının sona ermesi bekleniyor; ancak şu an için bunun ne zaman olacağına dair pek bir işareti yok.
Makine öğrenimi yapay zekalarının geliştirilmesi, eğitim olarak bilinen bir süreci içerir. Basit bir tanımla, bu, modelin desenleri öğrenmesi ve yararlı çıktılar oluşturması için verilerin sağlanması anlamına gelir.
Bu noktada yapay zeka yığını üzerinde biraz felsefi bir tartışma ortaya çıkabilir — çünkü eğitimsiz, bir öğrenme sistemi geliştirmeyi başlamak için kullanılan matematiksel yapı, temel olarak katmanlar ve rastgele sayılardan ibarettir. Eğitim sürecinin sonucunda yapay zeka modeli gerçekten şekil almaya başlar. Özünde, bu, sistemin verelerdeki özelliklere yanıt vermesiyle, belirli bir hedefe yönelik çıktıları uyumlu hale getirmesi sürecidir — bu, kedileri tanımlamak veya talep üzerine bir haiku üretmek gibi olabilir.
Her yapay zekanın eğitim gerektirmediğini belirtmek önemlidir. Manuel olarak önceden tanımlanmış talimatları takip etmek üzere programlanmış kurallara dayalı yapay zekalar — örneğin, lineer sohbet botları — eğitime ihtiyaç duymazlar. Ancak, bu tür yapay zeka sistemleri, iyi eğitilmiş kendi kendine öğrenen sistemlere kıyasla daha sınırlı olma eğilimindedir.
Yine de, eğitim pahalı olabilir çünkü büyük miktarda girdi gerektirir — ve tipik olarak, bu tür modeller için gereken girdi miktarları giderek artmaktadır.
Hibrid yaklaşımlar, bazen model geliştirmeyi hızlandırmak ve maliyetleri yönetmeye yardımcı olmak amacıyla kullanılabilir. Örneğin, kurallara dayalı bir yapay zekanın veri odaklı ince ayarını yapmak — bu, geliştiricinin sıfırdan başlamasına kıyasla daha az veri, hesaplama, enerji ve algoritmik karmaşıklık gerektirdiği anlamına gelir.
[Bakınız: Çıkarım]
İnsan ile makine iletişiminde bazı belirgin zorluklar vardır. İnsanlar, insan dilini kullanarak iletişim kurarken, yapay zeka programları karmaşık algoritmik süreçler aracılığıyla veri ileten görevleri yerine getirir. En basit tanımıyla, simgeler, insan ve yapay zeka iletişiminin temel yapı taşlarını temsil eder; çünkü bunlar, bir büyük dil modeli tarafından işlenmiş veya üretilmiş verinin ayrı bölümleridir.
Simgeler, “simgelere ayırma” olarak bilinen bir işlem aracılığıyla oluşturulur; bu işlem, ham verileri daha okunabilir, ayrık birimler haline getirerek bir büyük dil modelinin işlemeye uygun hale gelmesini sağlar. İnsan dilinin bir yazılım derleyicisi tarafından bir bilgisayarın anlayabileceği ikili koda çevrilmesi gibi, simgelere ayırma, kullanıcı sorgularıyla birlikte yapay zeka programları için insan dilini yorumlar ve bir yanıt hazırlamasını sağlar.
Birçok farklı tür simge vardır — girdi simgeleri (bir insan kullanıcısının sorgusuna yanıt olarak üretilmesi gereken tür) ve çıktı simgeleri (büyük bir dil modeli, bir insanın talebine yanıt verdikçe üretilen tür) gibi. Bunun yanı sıra, daha uzun ve daha yoğun görevlerle ilgili akıl yürütme simgeleri de bulunmaktadır.
Kurumsal yapay zeka ile simge kullanımı da maliyetleri belirler. Simgeler, bir model tarafından işlenen veri miktarını ifade ettiğinden, yapay zeka endüstrisi hizmetlerini paraya dönüştürmek için bir araç olarak da kullanılmaktadır. Çoğu yapay zeka şirketi, büyük dil modeli kullanımını simge başına ücretlendirir. Bu nedenle, bir işletme, bir yapay zeka programını (örneğin ChatGPT) kullanırken ne kadar çok simge harcarsa, yapay zeka hizmet sağlayıcısına (OpenAI) o kadar fazla para ödemesi gerekir.
Önceden eğitilmiş bir yapay zeka modelinin, yeni bir model geliştirmeye temel olarak alındığı bir teknik — genellikle bir ilgili görev için yenilik sağlar ve önceki eğitim döngülerden elde edilen bilgilerin yeniden kullanılmasını sağlar.
Transfer öğrenimi, model geliştirmeyi hızlandırmanın yanı sıra, modelin geliştirileceği görevde sınırlı veriler olduğunda da yararlıdır. Ancak bu yaklaşımın sınırlamaları olduğunu unutmayın. Transfer öğrenimiyle genelleştirilmiş yetenekler kazanan modellerin, kendi odak alanlarında iyi performans göstermeleri için ek verilere ihtiyaç duyması muhtemeldir.
(Bakınız: İnce ayar)
Ağırlıklar, yapay zeka eğitiminde temel faktörlerdir; çünkü bu ağırlıklar, sistemin eğitilmesi için kullanılan verideki özelliklere (veya girdi değişkenlerine) ne kadar önem verildiğini belirler — böylece yapay zeka modelinin çıktısını şekillendirir.
Başka bir deyişle, ağırlıklar, belirli bir eğitim görevi için bir veri kümesinde en belirgin olan unsurları tanımlayan sayısal parametrelerdir. Onların işlevlerini yerine getirebilmeleri için girişlere çarpma uygulamaktadırlar. Model eğitimi genellikle rastgele atanan ağırlıklarla başlar, ancak süreç ilerledikçe model, hedefe daha yakın bir çıktıya ulaşmaya çalıştıkça ağırlıklar ayarlar.
Örneğin, belirli bir konum için tarihsel gayrimenkul verileriyle eğitilmiş bir ev fiyatı tahmin eden yapay zeka modelinin, yatak odası ve banyo sayısı, mülkün tekil veya yarı-tekil olup olmadığı gibi, park yeri, garaj gibi özellikleri için ağırlıkları içerebilir.
Sonuç olarak, modelin her bir girdiye attığı ağırlıklar, bu girişlerin bir özelliğin değerine etkisini yansıtır; bu değer ise verilen veri kümesine dayanmaktadır.
Bu makale, yeni bilgilerle düzenli olarak güncellenmektedir.
