Yapay Zeka Terimleri
Kısaca
Yapay zeka terimleri; makine öğrenmesi, büyük dil modeli, istem (prompt), eğitim verisi ve halüsinasyon gibi kavramları kapsar. Bu terimler, yapay zeka araçlarını bilinçli kullanmayı kolaylaştırır.
Terimler
Açıklanabilir Yapay Zekâ(Explainable AI)Açıklanabilir yapay zekâ (explainable AI, XAI), bir yapay zekâ modelinin verdiği kararın ya da tahminin hangi etkenlere dayandığını insanların anlayabileceği biçimde ortaya koyan yöntem ve yaklaşımların genel adıdır.Açık Ağırlıklı Model(Open-weight Model)Açık ağırlıklı model, eğitilmiş parametreleri (ağırlıkları) herkesin indirip kendi donanımında çalıştırabileceği ve çoğu zaman uyarlayabileceği şekilde yayımlanan yapay zekâ modelidir.Aktivasyon Fonksiyonu(Activation Function)Aktivasyon fonksiyonu, yapay sinir ağındaki bir nöronun girdilerinin ağırlıklı toplamını dönüştürerek çıktısını belirleyen ve ağa doğrusal olmayan ilişkileri öğrenme yeteneği kazandıran matematiksel fonksiyondur.Algoritmik Önyargı(Algorithmic Bias)Algoritmik önyargı (algorithmic bias), bir algoritmanın ya da yapay zekâ modelinin verdiği kararların belirli kişi veya grupları sistematik ve haksız biçimde dezavantajlı duruma düşürmesidir. Çoğunlukla eğitim verisindeki dengesizliklerden kaynaklanır.Anlamsal Arama(Semantic Search)Anlamsal arama (semantic search), kelimelerin birebir eşleşmesi yerine sorgunun ve belgelerin anlamını karşılaştırarak sonuç getiren arama yöntemidir. Farklı kelimelerle sorulan aynı soruya da ilgili içerikleri bulabilir.API(Application Programming Interface)API (Application Programming Interface, uygulama programlama arayüzü), farklı yazılımların önceden tanımlanmış kurallarla birbirine istek gönderip cevap almasını sağlayan arayüzdür. Yapay zekâ modelleri de çoğu zaman API üzerinden kullanılır.Araç Çağırma(Function Calling)Araç çağırma (function calling ya da tool use), bir dil modelinin kendi başına yapamayacağı işler için tanımlı bir dış aracı, fonksiyonu ya da API'yi hangi parametrelerle çağıracağını yapılandırılmış biçimde (genellikle JSON) belirtmesidir.Aşırı Öğrenme(Overfitting)Aşırı öğrenme (overfitting), bir modelin eğitim verisindeki genel kalıplar yerine gürültü ve ayrıntıları ezberlemesi sonucu eğitimde çok başarılı, yeni verilerde ise zayıf sonuç vermesidir.Az Örnekli Öğrenme(Few-shot Learning)Az örnekli öğrenme (few-shot learning), bir modelin bir görevi yalnızca birkaç örnek görerek yapabilmesidir. Dil modellerinde genellikle prompt içine birkaç girdi-çıktı örneği eklenerek uygulanır; modelin yeniden eğitilmesi gerekmez.Bağlam Penceresi(Context Window)Bağlam penceresi (context window), bir dil modelinin tek seferde dikkate alabildiği en fazla metin miktarıdır ve token cinsinden ölçülür. Konuşma geçmişi, yüklenen belgeler ve modelin cevabı bu sınırın içine sığmak zorundadır.Batch SizeBatch size, makine öğrenmesi modelinin eğitiminde parametreler bir kez güncellenmeden önce birlikte işlenen örnek sayısıdır; bellek kullanımı, eğitim hızı ve kararlılığını doğrudan etkiler.Bilgisayarlı Görü(Computer Vision)Bilgisayarlı görü, bilgisayarların fotoğraf ve videolardan anlamlı bilgi çıkarmasını, yani nesneleri, yüzleri, yazıları ve sahneleri tanıyıp yorumlamasını sağlayan yapay zekâ alanıdır.Bilgi Damıtma(Knowledge Distillation)Bilgi damıtma (knowledge distillation), büyük ve güçlü bir 'öğretmen' modelin çıktılarını kullanarak daha küçük, hızlı ve ucuz bir 'öğrenci' modeli eğitme tekniğidir. Amaç, performansın büyük kısmını korurken maliyeti düşürmektir.Bilgi Kesim Tarihi(Knowledge Cutoff)Bilgi kesim tarihi (knowledge cutoff), bir dil modelinin eğitim verisinin kapsadığı son tarihtir. Model bu tarihten sonra yaşanan olaylar, değişen oranlar ya da yeni düzenlemeler hakkında, dış kaynağa bağlanmadıkça bilgi sahibi değildir.Büyük Dil Modeli(Large Language Model)Büyük dil modeli (LLM), çok büyük miktarda metinle eğitilen ve bir metnin devamında hangi parçanın geleceğini tahmin ederek yazı üreten yapay zekâ modelidir. Sohbet asistanları, kod yardımcıları ve özetleme araçlarının temelinde bu modeller bulunur.CFG Ölçeği(Classifier-Free Guidance Scale)CFG ölçeği (sınıflandırıcısız yönlendirme ölçeği), difüzyon modellerinde üretilen görselin prompta ne kadar sıkı bağlı kalacağını belirleyen ayardır; yükseldikçe uyum artar, aşırı değerlerde görsel bozulabilir.ControlNetControlNet, difüzyon tabanlı görsel üretim modellerine poz iskeleti, kenar çizimi veya derinlik haritası gibi ek bir yapısal girdi vererek üretilen görselin kompozisyonunu kontrol etmeyi sağlayan bir yöntemdir.CUDACUDA (Compute Unified Device Architecture), NVIDIA'nın kendi GPU'larını grafik dışındaki genel amaçlı hesaplamalar için programlamayı sağlayan paralel hesaplama platformu ve programlama modelidir. Yapay zekâ yazılımlarının büyük bölümü NVIDIA GPU'larını CUDA üzerinden kullanır.Çıkarım(Inference)Çıkarım (inference), eğitimi tamamlanmış bir yapay zekâ modelinin yeni bir girdiyi alıp tahmin, sınıflandırma veya metin gibi bir çıktı üretmesi; yani modelin fiilen kullanılması aşamasıdır.Çok Modlu Model(Multimodal Model)Çok modlu model, metin, görüntü, ses veya video gibi birden fazla veri türünü aynı anda girdi olarak alabilen ya da bu türlerde çıktı üretebilen yapay zekâ modelidir.DeepfakeDeepfake, derin öğrenme yöntemleriyle bir kişinin yüzünü, sesini ya da hareketlerini taklit ederek gerçekte yaşanmamış olayları gerçekmiş gibi gösteren sahte video, görsel veya ses içeriğidir. Dolandırıcılık ve dezenformasyon riski taşır.Denetimli Öğrenme(Supervised Learning)Denetimli öğrenme, modelin girdi ile doğru cevabın birlikte verildiği etiketli örneklerden öğrenerek yeni girdiler için doğru cevabı tahmin etmeyi öğrendiği makine öğrenmesi türüdür.Denetimsiz Öğrenme(Unsupervised Learning)Denetimsiz öğrenme, doğru cevapların verilmediği etiketsiz verilerde modelin benzerlikleri, grupları ve gizli yapıları kendi başına keşfettiği makine öğrenmesi türüdür.Derin Öğrenme(Deep Learning)Derin öğrenme, çok sayıda katmandan oluşan yapay sinir ağlarıyla veriden karmaşık kalıpları otomatik olarak öğrenen bir makine öğrenmesi yaklaşımıdır.Difüzyon Modeli(Diffusion Model)Difüzyon modeli, veriye adım adım gürültü eklenmesini tersine çevirmeyi öğrenen ve rastgele gürültüden başlayıp onu kademeli olarak temizleyerek yeni görsel, ses veya video üreten üretken yapay zekâ modelidir.Dikkat Mekanizması(Attention Mechanism)Dikkat mekanizması, bir sinir ağının girdinin her parçasını işlerken diğer parçalardan hangilerinin daha önemli olduğunu ağırlıklandırarak bilgiyi seçici biçimde birleştirmesini sağlayan yöntemdir.Doğal Dil İşleme(Natural Language Processing)Doğal dil işleme (NLP), bilgisayarların insan dilini yazılı ya da sözlü olarak anlamasını, işlemesini ve üretmesini sağlayan yapay zekâ ve dilbilim alanıdır.Duygu Analizi(Sentiment Analysis)Duygu analizi (sentiment analysis), bir metinde ifade edilen tutumun olumlu, olumsuz ya da nötr olduğunu, bazen de öfke veya memnuniyet gibi duyguları doğal dil işleme yöntemleriyle otomatik olarak belirleme işlemidir.Düşünce Zinciri(Chain of Thought)Düşünce zinciri (chain of thought), bir dil modelinin karmaşık bir soruyu cevaplamadan önce ara akıl yürütme adımlarını sırayla üretmesidir. Özellikle matematik, mantık ve çok adımlı problemlerde doğruluğu artırabilen bir yöntemdir.Eğitim Verisi(Training Data)Eğitim verisi, bir makine öğrenmesi modelinin kalıpları öğrenmek için kullandığı örneklerin bütünüdür; modelin ne bildiğini, ne kadar doğru olduğunu ve hangi önyargıları taşıdığını büyük ölçüde belirler.Eksik Öğrenme(Underfitting)Eksik öğrenme (underfitting), bir modelin verideki temel kalıpları yakalayamayacak kadar basit kalması ya da yetersiz eğitilmesi nedeniyle hem eğitim hem de yeni verilerde düşük başarı göstermesidir.EmbeddingEmbedding, bir kelimenin, cümlenin, belgenin ya da görselin anlamını sayılardan oluşan bir vektörle temsil etme yöntemidir. Anlamca birbirine yakın içeriklerin vektörleri de birbirine yakın olduğu için anlamsal arama ve RAG sistemlerinin temelini oluşturur.EpochEpoch, bir makine öğrenmesi modelinin eğitim veri kümesinin tamamını bir kez baştan sona görüp işlemesine verilen addır; eğitim genellikle birden fazla epoch boyunca sürer.Evrişimli Sinir Ağı(Convolutional Neural Network)Evrişimli sinir ağı (CNN), görüntü gibi ızgara yapılı verilerde küçük filtreleri veri üzerinde kaydırarak kenar, doku ve şekil gibi özellikleri katman katman öğrenen bir derin öğrenme mimarisidir.GAN(Generative Adversarial Network)GAN (çekişmeli üretici ağ), sahte örnekler üreten bir üretici ağ ile bu örnekleri gerçeklerinden ayırmaya çalışan bir ayırt edici ağın birbirine karşı eğitildiği üretken yapay zekâ yöntemidir.Gecikme Süresi(Latency)Gecikme süresi (latency), bir sisteme istek gönderilmesiyle cevabın alınmaya başlanması ya da tamamlanması arasında geçen süredir. Yapay zekâda kullanıcı deneyimini, sesli asistanları ve gerçek zamanlı uygulamaları doğrudan etkiler.Geri Yayılım(Backpropagation)Geri yayılım, bir sinir ağının çıktısındaki hatanın, zincir kuralı kullanılarak katmanlar boyunca geriye doğru dağıtılması ve her ağırlığın hataya katkısının (gradyanının) verimli biçimde hesaplanması yöntemidir.GGUFGGUF, büyük dil modellerinin ağırlıklarını, tokenizer bilgisini ve diğer meta verilerini tek bir dosyada saklayan model dosya formatıdır. llama.cpp projesi tarafından 2023'te eski GGML formatının yerine geliştirilmiştir ve yerel model çalıştırmada yaygındır.Gizil Uzay(Latent Space)Gizil uzay, bir yapay zekâ modelinin veriyi daha az boyutlu, sıkıştırılmış sayısal temsillere dönüştürdüğü ve benzer içeriklerin birbirine yakın konumlandığı soyut temsil alanıdır.Görüntü Büyütme(Image Upscaling)Görüntü büyütme (upscaling), bir görselin çözünürlüğünü artırma işlemidir; yapay zekâ tabanlı yöntemler, büyütme sırasında eksik ayrıntıları tahmin ederek klasik yöntemlere göre daha net sonuç üretir.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.GPU(Graphics Processing Unit)GPU (Graphics Processing Unit, grafik işlem birimi), çok sayıda basit hesabı aynı anda yapabilen işlemcidir. Başlangıçta oyun ve grafik için geliştirilmiş, paralel hesaplama gücü sayesinde yapay zekâ eğitimi ve çıkarımının temel donanımı olmuştur.Gradyan İnişi(Gradient Descent)Gradyan inişi, bir modelin kayıp fonksiyonunu en aza indirmek için parametreleri, kaybın en hızlı azaldığı yönde (gradyanın tersine) küçük adımlarla tekrar tekrar güncelleyen optimizasyon yöntemidir.Halüsinasyon(Hallucination)Yapay zekâ halüsinasyonu, bir dil modelinin gerçekte var olmayan ya da yanlış bir bilgiyi akıcı ve kendinden emin bir dille doğruymuş gibi sunmasıdır. Uydurma kaynaklar, hatalı rakamlar ve var olmayan özellikler en sık görülen örneklerdir.Hiperparametre(Hyperparameter)Hiperparametre, model eğitimi başlamadan önce insan tarafından belirlenen ve öğrenme sürecini yöneten ayarlardır; öğrenme oranı, batch size ve epoch sayısı en bilinen örnekleridir.InpaintingInpainting, bir görselin maske ile seçilen bölümünü yapay zekâ ile silme, onarma veya yeni içerikle doldurma işlemidir; görselin geri kalanı korunurken yalnızca işaretli alan yeniden üretilir.İnce Ayar(Fine-tuning)İnce ayar (fine-tuning), önceden eğitilmiş bir yapay zekâ modelini daha küçük ve göreve özel bir veri kümesiyle yeniden eğiterek belirli bir işe, üsluba veya alana uyarlama işlemidir.JailbreakYapay zekâda jailbreak, bir dil modelinin güvenlik kurallarını ve kullanım politikalarını aşarak normalde reddedeceği zararlı ya da yasak içerikleri üretmesini sağlamaya yönelik girişimlerin genel adıdır.Kayıp Fonksiyonu(Loss Function)Kayıp fonksiyonu, bir modelin tahmini ile gerçek değer arasındaki farkı tek bir sayıyla ölçen fonksiyondur; eğitimin amacı bu kayıp değerini olabildiğince küçültmektir.Kod Asistanı(Coding Assistant)Kod asistanı (coding assistant), büyük dil modellerini kullanarak kod tamamlama, yeni kod yazma, hata bulma, kod açıklama ve test üretme gibi yazılım geliştirme görevlerinde yardım eden yapay zekâ aracıdır.Konuşma Tanıma(Speech Recognition)Konuşma tanıma, insan konuşmasını içeren ses kaydını yapay zekâ ile analiz ederek yazılı metne dönüştüren teknolojidir; sesli asistanların ve otomatik altyazının temelidir.Kümeleme(Clustering)Kümeleme (clustering), önceden etiketlenmemiş verileri ortak özelliklerine göre birbirine benzeyen gruplara (kümelere) ayıran bir denetimsiz öğrenme yöntemidir. Müşteri segmentasyonu ve anormallik tespiti tipik kullanım alanlarıdır.LoRA(Low-Rank Adaptation)LoRA (Low-Rank Adaptation), büyük bir yapay zekâ modelinin ağırlıklarını değiştirmeden, üzerine eklenen küçük bir dosyayla modele yeni bir tarz, karakter ya da görev öğretme yöntemidir. Tam eğitime göre çok daha az bellek ve süre gerektirir.LSTM(Long Short-Term Memory)LSTM (uzun kısa süreli bellek), tekrarlayan sinir ağlarının uzun dizilerde bilgiyi unutma sorununu, neyin saklanıp neyin unutulacağına karar veren kapılar ve ayrı bir hücre durumu ile hafifleten sinir ağı yapısıdır.Makine Öğrenmesi(Machine Learning)Makine öğrenmesi, bilgisayarların açıkça programlanmadan, örnek verilerdeki kalıpları öğrenerek tahmin veya karar üretmesini sağlayan yapay zekâ dalıdır.Metinden Görsele(Text to Image)Metinden görsele (text to image), kullanıcının yazdığı bir metin açıklamasını (prompt) yorumlayarak yapay zekâ ile sıfırdan resim, illüstrasyon ya da fotoğraf benzeri görsel üreten teknolojidir. Çoğu güncel sistem difüzyon modellerine dayanır.Metinden Sese(Text to Speech)Metinden sese (TTS), yazılı metni yapay zekâ ile insan konuşmasına benzeyen sesli çıktıya dönüştüren teknolojidir; sesli asistanlarda, sesli kitaplarda ve erişilebilirlik araçlarında kullanılır.Metinden Videoya(Text to Video)Metinden videoya (text to video), yazılı bir açıklamadan (prompt) yola çıkarak yapay zekâ ile hareketli görüntü, yani video klip üreten teknolojidir. Görsel üretimine zaman boyutunu ekler ve kareler arası tutarlılık gerektirir.Metin Parçalama(Chunking)Metin parçalama (chunking), uzun belgeleri arama ve yapay zekâ sistemlerinde işlenebilmesi için anlamlı, küçük parçalara bölme işlemidir. Özellikle RAG sistemlerinde doğru bilginin bulunup modele verilmesinde kritik rol oynar.Model Context ProtocolModel Context Protocol (MCP), yapay zekâ uygulamalarının dış araçlara, veri kaynaklarına ve hizmetlere ortak bir yöntemle bağlanmasını sağlayan açık bir standarttır. Anthropic tarafından 2024 sonunda tanıtılmış, sonra Linux Foundation çatısına devredilmiştir.
Yapay zeka terimleri herkes için
Yapay zeka araçları günlük hayata ve iş dünyasına hızla girerken, bu alana ait terimler de yaygınlaşıyor. Makine öğrenmesi, derin öğrenme, büyük dil modeli, istem (prompt), token, eğitim verisi ve halüsinasyon gibi kavramlar artık yalnızca uzmanların değil, bu araçları kullanan herkesin karşısına çıkıyor.
Bu kategoride yapay zeka terimlerini teknik geçmişi olmayan okurların da anlayabileceği bir dille açıklıyoruz. Amacımız, kavramların ne anlama geldiğini ve araçları kullanırken neden önemli olduklarını göstermek.
Hangi terimleri bulacaksınız?
- Yapay zekanın temel kavramları ve alt alanları
- Dil modelleri ve üretken yapay zeka terimleri
- Araçları kullanırken karşılaşılan kavramlar
- Yapay zekanın sınırları ve riskleriyle ilgili terimler
Araçları bilinçli kullanmak için
Terimleri bilmek, yapay zeka araçlarının neyi yapıp neyi yapamayacağını daha iyi anlamanızı sağlar. Örneğin bir dil modelinin nasıl çalıştığını bilen biri, aldığı cevapları neden doğrulaması gerektiğini de daha kolay kavrar. Bu bilgi, araçlardan daha verimli ve güvenli şekilde yararlanmanın temelidir.
Yapay zeka hızla gelişen bir alan olduğu için terimlerin kullanımı zamanla değişebilir. Maddeleri bu değişimleri izleyerek güncellemeye çalışıyoruz.
Sıkça Sorulan Sorular
Yapay zeka ile makine öğrenmesi aynı şey mi?
Hayır. Yapay zeka, insan zekası gerektiren görevleri yerine getirebilen sistemleri kapsayan geniş bir alandır. Makine öğrenmesi ise bu alanın, sistemlerin verilerden öğrenmesini sağlayan bir alt dalıdır.
Yapay zekada halüsinasyon ne demek?
Halüsinasyon, bir yapay zeka modelinin gerçekte doğru olmayan ya da var olmayan bilgileri kendinden emin bir şekilde üretmesidir. Bu nedenle yapay zekadan alınan bilgilerin doğrulanması önemlidir.
Bu terimleri anlamak için teknik bilgi gerekir mi?
Hayır. Açıklamaları teknik geçmişi olmayan okurları düşünerek hazırlıyoruz. Gerektiğinde kavramları günlük hayattan örneklerle anlatıyoruz.