Yapay Zekâ Nasıl Çalışır? Veriden Cevaba Sade Bir Anlatım

Yapay zekâ, çok sayıda örnekten kalıp çıkaran ve bu kalıpları yeni bir girdiye uygulayan bir matematik modelidir. Önce verilerle eğitilir, sonra öğrendiği ayarlarla tahmin yapar. ChatGPT gibi sohbet araçları da aynı ilkeyle çalışır: yazdığınız soruya karşılık sıradaki kelime parçasının ne olacağını tekrar tekrar tahmin ederek bir cevap kurar.

Aşağıda bu süreci üç aşamada anlatıyoruz: verinin hazırlanması, modelin eğitilmesi ve eğitilmiş modelin size cevap vermesi. Teknik terimleri gerektiği kadar kullanıp her birini günlük hayattan bir benzetmeyle açıklıyoruz; benzetmelerin nerede yetersiz kaldığını da ayrıca belirtiyoruz.

Yapay zekâ nasıl çalışır kısaca?

Kısa cevap şu: model örneklere bakar, tahmin yapar, hatasını ölçer ve kendini düzeltir. Bu döngü milyonlarca kez tekrarlanınca ortaya, yeni örnekler için de makul tahmin yapabilen bir sistem çıkar. Yapay zekâ kavramı geniştir, ama bugün konuşulan araçların neredeyse tamamı bu "örnekten öğrenme" yaklaşımına, yani makine öğrenmesine dayanır.

Eski yazılımlar böyle çalışmazdı. Bir programcı "e-postada şu kelime varsa spam say" gibi kuralları tek tek yazardı. Makine öğrenmesinde ise programcı kuralı yazmaz; binlerce spam ve normal e-postayı modele gösterir, kuralı model kendi çıkarır.

Aşama	Ne olur	Günlük benzetme
Veri toplama	Metin, görsel, ses gibi örnekler toplanır ve temizlenir	Sınava hazırlanırken soru bankası toplamak
Eğitim	Model tahmin yapar, hata ölçülür, iç ayarlar düzeltilir	Deneme çözüp yanlışlara bakarak tekrar çalışmak
Değerlendirme	Model daha önce görmediği örneklerle sınanır	Hiç görmediğiniz sorularla deneme sınavı
Kullanım (çıkarım)	Eğitilmiş model yeni girdiye cevap üretir	Asıl sınavda soruyu cevaplamak

Her şey veriyle başlar: model neyi, nasıl görür?

Bir model ancak gördüğü veri kadar iyidir. Eğitim verisi eksik, tek taraflı ya da hatalıysa, model de aynı eksikleri öğrenir. Bu yüzden yapay zekâ projelerinde zamanın önemli bir kısmı veriyi toplamaya, temizlemeye ve etiketlemeye gider.

Bilgisayar kelimeleri ya da fotoğrafları bizim gibi görmez; her şeyi sayıya çevirir. Bir fotoğraf, her pikselin renk değerlerinden oluşan uzun bir sayı tablosudur. Metin ise token denen küçük parçalara bölünür ve her parçaya bir numara verilir. "Yapay zekâ nasıl çalışır" cümlesi, modele göre birkaç sayıdan oluşan bir dizidir.

Örnek olarak, sahte kart işlemlerini yakalayan bir model eğitmek isteyen bir banka düşünelim. Geçmişteki yüz binlerce işlemi alır ve her birini "normal" ya da "sahte" diye işaretler. Tutar, saat, ülke, işyeri türü gibi bilgiler sayıya çevrilir. Model bu sayılarla sahteciliğe eşlik eden örüntüleri öğrenir.

Eğitim sırasında model ne öğrenir?

Eğitim, modelin iç ayarlarını tahmin hatası en aza inecek biçimde düzenleme işidir. Bu ayarlara ağırlık ya da parametre denir. Küçük bir modelde birkaç bin parametre olabilir; büyük dil modellerinde bu sayı milyarlarla ifade edilir.

Döngü şöyle işler: model bir örneğe bakar ve tahmin yapar. Tahmin doğru cevaptan ne kadar uzaksa, hata o kadar büyük sayılır. Ardından gradyan inişi adlı yöntemle her ağırlığın hatayı azaltmak için hangi yöne ve ne kadar değişmesi gerektiği hesaplanır. Ağırlıklar çok az kaydırılır ve bir sonraki örneğe geçilir.

Bunu, karanlıkta bir vadinin en alçak noktasını bulmaya çalışan birine benzetebilirsiniz. Etrafı göremez, ama ayağının altındaki eğimi hisseder ve her adımda aşağı doğru küçük bir adım atar. Benzetmenin eksik kaldığı yer şu: gerçek modelde bu "vadi" milyarlarca boyutludur ve en dip noktaya ulaşıldığının garantisi yoktur, yeterince iyi bir noktada durulur.

Yapay sinir ağı burada ne işe yarar?

Bugünkü güçlü modellerin çoğu yapay sinir ağı yapısını kullanır. Ağ, katmanlar hâlinde dizilmiş çok sayıda basit hesap biriminden oluşur. Her birim, gelen sayıları ağırlıklarla çarpıp toplar ve sonucu bir sonraki katmana iletir.

İlk katmanlar basit özellikleri yakalar, sonraki katmanlar bunları birleştirir. Bir yüz tanıma modelinde ilk katmanlar kenar ve köşe gibi şeyleri, ortadaki katmanlar göz ya da burun gibi parçaları, son katmanlar bütün yüzü ayırt edebilir. Bu ayrım modele elle öğretilmez; eğitim sırasında kendiliğinden oluşur. Matematiğin ayrıntısını merak ediyorsanız yapay zekânın matematiksel temelleri yazısına bakabilirsiniz.

ChatGPT nasıl çalışıyor?

ChatGPT, bir büyük dil modeli üzerine kurulu bir sohbet uygulamasıdır. Modelin temel görevi şaşırtıcı derecede basittir: verilen metnin devamında hangi token'ın gelmesinin en olası olduğunu tahmin etmek. Cevap, bu tahminin art arda yüzlerce kez yapılmasıyla oluşur.

Süreç üç adımda ilerler. İlk adımda model, internetten, kitaplardan ve başka kaynaklardan derlenmiş çok büyük bir metin arşiviyle eğitilir ve dilin istatistiksel yapısını öğrenir. İkinci adımda, insanların yazdığı örnek soru-cevaplarla ince ayar yapılır. Üçüncü adımda RLHF gibi yöntemlerle, insanların "bu cevap daha iyi" diye seçtiği örneklerden yararlanılarak model daha faydalı ve güvenli cevaplara yönlendirilir.

Bu modellerin çoğu Transformer mimarisini kullanır. Bu mimarinin güçlü yanı, bir kelimenin anlamını cümledeki diğer kelimelerle ilişkisine bakarak belirleyebilmesidir. "Banka" kelimesinin para kurumu mu yoksa oturma bankı mı olduğunu çevresindeki kelimelerden çıkarır.

Bir cevap adım adım nasıl oluşur?

Somut bir örnekle bakalım. "Türkiye'nin başkenti" diye yazdığınızı varsayın. Model bu metni token'lara çevirir ve sıradaki parça için binlerce aday arasında olasılık dağıtır. Varsayımsal rakamlarla "Ankara" yüzde 90, "neresidir" yüzde 6, diğer seçenekler kalan yüzde 4 olsun.

Model genellikle yüksek olasılıklı bir seçeneği alır, cümleye ekler ve aynı işi yeni metin için tekrarlar. Her seferinde en yüksek olasılık seçilmez; bir miktar rastgelelik bırakılır. Aynı soruyu iki kez sorduğunuzda farklı cümlelerle cevap almanızın nedeni budur.

Model gerçekten anlıyor mu, yoksa tahmin mi ediyor?

Kısa cevap: sizin anladığınız anlamda anlamaz. Model bir şey bilmez; öğrendiği örüntülerden en olası devamı hesaplar. Bu hesap o kadar iyi yapılır ki sonuç çoğu zaman anlamış gibi görünür. Ama arkada bir bilgi bankasına bakıp doğruluğu kontrol eden bir mekanizma yoktur, en azından temel modelde yoktur.

Bu durumun pratik bir sonucu var: halüsinasyon. Model, kulağa ikna edici gelen ama yanlış bir bilgi, var olmayan bir kaynak ya da uydurma bir tarih üretebilir. Özellikle nadir konularda, sayılarda ve güncel olaylarda bu risk artar. Konuyu ayrıntılı ele aldığımız yapay zekânın verdiği bilgiler doğru mu yazısında doğrulama yollarını bulabilirsiniz.

Bazı sohbet araçları bu zayıflığı azaltmak için cevap vermeden önce internette arama yapar ya da yüklediğiniz belgeye bakar. Bu, modelin tahminini gerçek bir kaynağa dayandırır. Yine de kaynak gösterilmesi, cevabın doğru olduğu anlamına gelmez; gösterilen bağlantıyı açıp kendiniz okumanız gerekir.

Eğitim ile kullanım arasındaki fark ne?

Eğitim pahalı ve seyrek, kullanım ucuz ve süreklidir. Büyük bir modelin eğitimi binlerce güçlü işlemciyle haftalar ya da aylar sürebilir. Model bir kez eğitildikten sonra ağırlıkları dondurulur ve her soru için yalnız tahmin yapılır; buna çıkarım denir.

Bu ayrım, sık sorulan bir soruyu da cevaplar: sohbet sırasında söylediğiniz şeyler modeli anında değiştirmez. Model, aynı sohbetin içinde önceki mesajları bağlam olarak görür ve onlara göre cevap verir. Ama sohbet kapandığında bu bilgi modelin ağırlıklarına işlenmiş olmaz. Bazı uygulamalar ayrı bir "hafıza" özelliğiyle sizinle ilgili notlar tutabilir; bu, modelin yeniden eğitilmesi değil, sonraki sohbetlere eklenen bir not listesidir.

Bir başka sonuç, modelin bilgisinin belli bir tarihte kesilmesidir. Eğitim verisi belli bir tarihe kadar toplandığı için model sonrasını bilmez. Arama özelliği olmayan bir araca son haftanın haberini sorarsanız ya bilmediğini söyler ya da eski bilgiyle tahmin yürütür.

Neden bazen çok iyi, bazen çok kötü sonuç veriyor?

Model, eğitim verisinde çok örneğini gördüğü işlerde güçlü, az gördüğü işlerde zayıftır. Yaygın bir İngilizce metni düzeltmek kolaydır, çünkü milyonlarca benzer örnek görmüştür. Küçük bir ilçenin yerel tarihini ya da yeni çıkmış bir yönetmeliği sorduğunuzda ise dayanacağı örnek azdır.

Bir diğer etken, sorunun biçimidir. Belirsiz bir soru, belirsiz bir cevap getirir. "Bana bir plan yap" yerine "aylık 30.000 TL geliri olan, kirası 12.000 TL olan biri için kalemleri ayrı ayrı gösteren bir bütçe planı yap" yazmak, modelin olasılık hesabını daraltır ve daha işe yarar bir sonuç verir. Rakamlar burada yalnız örnek amaçlıdır.

Matematik ve uzun mantık zincirleri de geleneksel olarak zayıf noktalardır. Model hesap yapmaz, hesabın neye benzediğini tahmin eder. Yeni nesil bazı modeller cevap vermeden önce ara adımlar üreterek bu sorunu azaltmaya çalışır, ama kritik bir hesabı yine de bir hesap makinesi ya da tabloyla kontrol etmek en güvenli yoldur.

Farklı yapay zekâ türleri aynı şekilde mi çalışır?

Hepsi örnekten öğrenir, ama öğrenme biçimleri farklıdır. Etiketli örneklerle öğrenen modeller vardır: "bu e-posta spam, bu değil" gibi. Etiket olmadan veride grup arayan modeller vardır: müşterileri alışveriş alışkanlığına göre kümelere ayırmak gibi. Deneme yanılma ile ödül toplayarak öğrenen modeller de vardır: bir oyunu kazanmayı öğrenen sistemler gibi.

Görsel üreten araçlar ise farklı bir yol izler. Çoğu, gürültülü bir görüntüden adım adım anlamlı bir resim çıkarmayı öğrenmiş modellerdir. Yazdığınız tarif bu temizleme sürecini yönlendirir. Bu ayrımların daha ayrıntılı hâlini yapay zekâ türleri ve yapay zekâ ve makine öğrenmesi yazılarında bulabilirsiniz.

Model türü	Neyle öğrenir	Tipik kullanım
Sınıflandırma modeli	Etiketli örnekler	Spam filtresi, sahte işlem tespiti
Öneri sistemi	Kullanıcı davranışı	Dizi, ürün ve müzik önerileri
Büyük dil modeli	Çok büyük metin arşivi	Sohbet, özetleme, çeviri, yazı
Görsel üretim modeli	Görsel ve açıklama çiftleri	Tariften resim oluşturma

Bu bilgiyi kullanmak için ilk adım

Yapay zekânın bir olasılık makinesi olduğunu bilmek, onu daha iyi kullanmanızı sağlar. Bu hafta bir sohbet aracına aynı soruyu üç farklı biçimde sorun: önce kısa ve belirsiz, sonra bağlam ekleyerek, en son da istediğiniz çıktının biçimini tarif ederek. Cevaplar arasındaki farkı not edin.

Ardından aracın verdiği bir bilgiyi, bir rakamı ya da bir tarihi bağımsız bir kaynaktan kontrol edin. Bu küçük alıştırma, modelin hangi işlerde güvenilir, hangi işlerde dikkat isteyen bir yardımcı olduğunu kendi kullanımınız üzerinden görmenizi sağlar. Hangi aracı seçeceğinize karar vermek isterseniz yapay zekâ modelleri karşılaştırması iyi bir başlangıç noktasıdır.