Kitap 08 · Özet sayfa

Yapay Zekâ ve Makine Öğrenmesi

Makine öğrenmesi, büyük dil modelleri ve yapay zekâ destekli uygulamalar için temel kavramlar.

01AGIYapay Genel Zekâ: AGI (yapay genel zekâ), yalnızca dar bir alanda değil, bir insanın yapabildiği her zihinsel işi öğrenip yapabilecek varsayımsal bir yapay zekâ sistemidir.
AGI, bir insanın yapabildiği her zihinsel işi yapabilen varsayımsal bir yapay zekâdır.
LLM'ler dahil bugünün yapay zekâsı dar yapay zekâdır.
AGI için üzerinde anlaşılmış bir tanım ya da test yoktur.
02Anlamsal Arama: Anlamsal arama, sonuçları birebir anahtar kelimelere değil anlama göre, genellikle sorgu ve belge embedding'lerini karşılaştırarak bulan arama tekniğidir.
Anlamsal arama anlama göre eşleştirir; bu yüzden farklı ifadeler de doğru sonucu bulabilir.
Sorgular ve belgeler embedding olarak, genellikle kosinüs benzerliğiyle karşılaştırılır.
Sorguları ve belgeleri her zaman aynı modelle embedding'e çevirin.
03Aşırı Öğrenme: Aşırı öğrenme, bir modelin eğitim verisini gürültüsüyle birlikte fazla yakından öğrenip yeni, görülmemiş verilerde kötü performans göstermesidir.
Aşırı öğrenmiş bir model eğitim verisinde iyi, yeni verilerde kötü sonuç verir.
Performansı her zaman modelin hiç eğitilmediği ayrılmış veri üzerinde ölçün.
Daha fazla veri, daha basit modeller, düzenlileştirme ve erken durdurma aşırı öğrenmeyi azaltır.
04Attention MekanizmasıDikkat Mekanizması: Attention mekanizması, modelin her token için girdinin hangi bölümlerinin en önemli olduğuna karar verip onlara odaklanmasını sağlayan sinir ağı tekniğidir.
Attention, her token'ın diğer her token'ın kendisi için ne kadar ilgili olduğunu tartmasını sağlar.
Query, key ve value'larla çalışır; bunlar nokta çarpımı ve softmax ile birleştirilir.
Multi-head attention, birkaç attention hesaplamasını paralel çalıştırır.
05Bağlam Penceresi: Bağlam penceresi, bir LLM'nin prompt, konuşma geçmişi ve kendi yanıtı dahil aynı anda dikkate alabildiği, token cinsinden en fazla metin miktarıdır.
Bağlam penceresi, bir LLM'nin tek istekte işleyebileceği en fazla token sayısıdır.
Sistem prompt'unu, geçmişi, eklenen belgeleri ve modelin çıktısını içerir.
LLM'ler durumsuzdur (stateless); bu yüzden sohbet uygulamaları konuşmayı her mesajla yeniden gönderir.
06Bilgisayarlı Görü: Bilgisayarlı görü, bilgisayarların nesneleri tanıma, metin okuma ya da yüz algılama gibi işlerle görüntü ve videoyu yorumlamasını sağlayan yapay zekâ alanıdır.
Bilgisayarlı görü, yazılımın görüntü ve videodan anlam çıkarmasını sağlar.
Temel görevler sınıflandırma, nesne algılama, segmentasyon ve OCR'dır.
Görüntüler, CNN ve vision transformer gibi sinir ağlarının işlediği piksel değerlerinden oluşan ızgaralardır.
07Chain-of-ThoughtDüşünce Zinciri Yönlendirmesi: Chain-of-thought prompting, bir LLM'den nihai yanıttan önce ara adımlarla akıl yürütmesini isteyen ve karmaşık görevlerde doğruluğu artıran bir tekniktir.
Chain-of-thought prompting, modelden yanıt vermeden önce adım adım akıl yürütmesini ister.
Ara adımları yazmak modele hesaplama için daha fazla alan verir ve mantığı atlama olasılığını azaltır.
En çok matematik, mantık, planlama ve çok adımlı sorularda yardımcı olur.
08ChatbotSohbet Botu: Chatbot, insanlarla yazılı ya da sesli sohbet edip soruları yanıtlayan veya işlere yardım eden, senaryolu kurallarla ya da dil modeliyle çalışan programdır.
Chatbot, yazılı ya da sesli bir sohbet yürütür.
1960'ların ortasından ELIZA, ilk chatbot'lardan biridir.
Eski chatbot'lar senaryo izler; yenileri yanıtları bir LLM ile üretir.
09Chunking: Chunking, uzun belgeleri embedding'e çevrilip saklanmadan önce küçük parçalara böler; böylece bir RAG sistemi yalnızca ilgili kısımları bulup modele iletebilir.
Chunking belgeleri, tek tek embedding'e çevrilip getirilen pasajlara böler.
Chunk'lar genellikle birkaç yüz token uzunluğundadır ve çoğu zaman biraz örtüşür.
Başlıklarda, paragraflarda ya da cümlelerde bölmek fikirleri bütün tutar.
10Context Engineering: Context engineering, işi güvenilir biçimde yapabilsin diye LLM'in her çağrıda ne gördüğünü (talimatlar, belgeler, araç sonuçları, geçmiş) seçme pratiğidir.
Context engineering, bir LLM'in her çağrıda ne gördüğüne karar verir: talimatlar, veri, araç sonuçları ve geçmiş.
Talimatın kendisine odaklanan prompt engineering'den daha geniştir.
Yapay zekâ ajanlarında başlıca araçları getirme, özetleme ve bellektir.
11Çok Modlu Yapay Zekâ: Çok modlu yapay zekâ, metin, görüntü, ses ve video gibi birden çok veri türünü tek bir modelde anlayabilen veya üretebilen yapay zekâdır.
Modalite, metin, görüntü, ses veya video gibi bir veri türüdür.
Çok modlu modeller farklı veri türlerini ortak bir embedding uzayına eşler.
Görüntüler hakkındaki soruları yanıtlayabilir, belgeleri okuyabilir ve konuşmayı işleyebilirler.
12Denetimli Öğrenme: Denetimli öğrenme, modelin etiketli örneklerden, yani doğru cevaplarla eşleştirilmiş girdilerden öğrenip yeni veride çıktı tahmin ettiği makine öğrenmesidir.
Denetimli öğrenme etiketli veriyle eğitilir: doğru çıktılarla eşleştirilmiş girdiler.
Sınıflandırma kategorileri, regresyon sayıları tahmin eder.
Kayıp fonksiyonu hataları ölçer ve eğitim modeli bunları azaltacak şekilde ayarlar.
13Denetimsiz Öğrenme: Denetimsiz öğrenme, bir modelin doğru cevaplar verilmeden etiketsiz verilerdeki örüntüleri, grupları veya yapıyı bulduğu makine öğrenmesidir.
Denetimsiz öğrenme, etiketi olmayan verilerdeki yapıyı bulur.
Kümeleme, boyut indirgeme ve anomali tespiti ana görevlerdir.
Karşılaştırılacak doğru bir cevap olmadığından sonuçların insan tarafından yorumlanması gerekir.
14Derin Öğrenme: Derin öğrenme, görüntü ve metin gibi ham verilerden karmaşık örüntüleri öğrenmek için çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir.
Derin öğrenme, çok sayıda gizli katmana sahip sinir ağları kullanır.
Her katman verinin daha soyut bir temsilini öğrenir.
Piksel, ses ya da metin gibi ham verilerden özellikleri otomatik öğrenir.
15Difüzyon Modeli: Difüzyon modeli, rastgele gürültüden başlayıp onu adım adım temizleyerek görüntü, ses ya da video üreten bir üretken yapay zekâ modelidir.
Difüzyon modeli, gürültüyü adım adım kaldırarak içerik üretir.
Gerçek verilere gürültü ekleyip bu gürültüyü tahmin etmeyi öğrenerek eğitilir.
Bir metin prompt'u, çıktının açıklamayla eşleşmesi için gürültü gidermeyi yönlendirir.
16Doğal Dil İşleme: Doğal dil işleme, bilgisayarlara insan dilini metin ya da konuşma biçiminde okumayı, anlamayı ve üretmeyi öğreten yapay zekâ alanıdır.
NLP, insan dilini anlamaya ve üretmeye odaklanan yapay zekâ alanıdır.
Yaygın görevler arasında çeviri, duygu analizi, özetleme ve konuşma tanıma bulunur.
Modern NLP token'lara, embedding'lere ve transformer modellerine dayanır.
17Eğitim Verisi: Eğitim verisi, bir makine öğrenmesi modelinin öğrendiği örnekler kümesidir; kalitesi, boyutu ve kapsamı modelin ne kadar iyi çalışacağını büyük ölçüde belirler.
Eğitim verisi, bir modelin örüntüleri öğrendiği örnekler kümesidir.
Veri kümeleri genellikle eğitim, doğrulama ve test kümelerine ayrılır.
Verideki hatalar, boşluklar ve yanlılıklar modelin davranışına aktarılır.
18EmbeddingGömme Vektörü: Embedding, metin, görüntü ya da başka verilerin anlamını vektör denen bir sayı listesiyle temsil eden ve benzer öğeleri birbirine yakın konumlandıran yapıdır.
Embedding, anlamı yakalayan bir sayı vektörüdür.
Anlamı benzer öğelerin vektörleri birbirine yakındır.
Kosinüs benzerliği, iki embedding'i karşılaştırmanın yaygın bir yoludur.
19EvalsEvaluations (değerlendirmeler): Evals, yapay zekâ testleridir: beklenen sonucu ya da puanlama kuralı olan girdilerle her değişiklikten sonra bir modelin ya da prompt'un başarısını ölçer.
Bir eval, bir yapay zekâ sistemini bilinen iyi cevapları ya da kuralları olan sabit bir örnek kümesiyle puanlar.
Denetimler kesin eşleşmelerden ve kod denetimlerinden LLM-as-a-judge ve insan incelemesine kadar uzanır.
Gerilemeleri yakalamak için her model, prompt ya da getirme değişikliğinden sonra koşulur.
20Few-Shot LearningAz Örnekle Öğrenme: Few-shot learning, bir yapay zekâ modelinin yalnızca birkaç örnekle, çoğunlukla prompt'a birkaç örnek girdi ve çıktı koyarak bir görevi yapmasını sağlamaktır.
Few-shot learning, modele ne yapacağını göstermek için bir avuç örnek kullanır.
LLM'lerde örnekler prompt'a konur ve modelin ağırlıkları değişmez.
Zero-shot örnek kullanmaz, one-shot bir, few-shot ise birkaç örnek kullanır.
21Fine-tuningİnce Ayar: Fine-tuning, önceden eğitilmiş bir makine öğrenmesi modelini tek bir göreve uyarlamak için daha küçük ve özel bir veri kümesiyle ek olarak eğitme sürecidir.
Fine-tuning, önceden eğitilmiş bir modelin eğitimini daha küçük, göreve özel bir veri kümesiyle sürdürür.
Modelin ağırlıklarını değiştirir; bu yüzden yeni davranış ek prompt gerekmeden kalıcı olur.
LoRA gibi parametre açısından verimli yöntemler yalnızca küçük bir ek ağırlık kümesini eğitir.
22Geri Yayılım: Geri yayılım (backpropagation), her ağırlığın hataya katkısını ölçüp her ağırlığı hatayı azaltan yönde biraz ayarlayarak sinir ağlarını eğiten algoritmadır.
Geri yayılım, her ağırlığın hataya ne kadar katkıda bulunduğunu hesaplar.
Hatayı zincir kuralıyla katman katman geriye iletir.
Tek bir geri geçiş, bütün ağırlıkların gradyanlarını birden verir.
23GPTÜretken Ön Eğitimli Transformer: GPT (Generative Pre-trained Transformer), bir sonraki token'ı tahmin ederek metin üreten, OpenAI'a ait bir büyük dil modeli ailesidir.
GPT, Generative Pre-trained Transformer'ın kısaltmasıdır.
OpenAI'ın büyük dil modeli ailesidir; 2018'de GPT-1 ile başlar.
GPT modelleri bir sonraki token'ı tahmin eden decoder-only transformer'lardır.
24Gradyan İnişi: Gradyan inişi, makine öğrenmesi modellerinin parametrelerini hatayı azaltan yönde tekrar tekrar hafifçe iterek modelleri eğiten bir optimizasyon algoritmasıdır.
Gradyan inişi, bir modelin parametrelerini adım adım ayarlayarak kayıp fonksiyonunu minimize eder.
Her adım parametreleri, hatanın en hızlı arttığı yön olan gradyanın tersine hareket ettirir.
Öğrenme oranı adım boyutunu belirler ve eğitimin başarılı olup olmayacağını güçlü biçimde etkiler.
25Halüsinasyon: Halüsinasyon, bir LLM gibi yapay zekâ modelinin kendinden emin bir şekilde kulağa makul gelen ama yanlış, uydurma ya da kaynaksız bilgi üretmesidir.
Halüsinasyon, yapay zekânın kendinden emin ama yanlış ya da uydurma çıktısıdır.
LLM'ler gerçekleri doğrulamak yerine makul metni tahmin ettiği için ortaya çıkar.
Uydurma atıflar, API'ler ve paket adları yaygın örneklerdir.
26InferenceÇıkarım: Inference, eğitilmiş bir makine öğrenmesi modelinin, öğrendiklerini değiştirmeden yeni verilerden tahmin ya da çıktı üretmek için kullanıldığı aşamadır.
Inference, eğitilmiş bir modeli yeni veriler üzerinde tahmin yapmak için kullanmak demektir.
Modelin ağırlıkları inference sırasında değişmez.
Eğitim seyrek yapılır ve pahalıdır; inference her istekte gerçekleşir.
27Kosinüs Benzerliği: Kosinüs benzerliği, iki vektörün benzerliğini aralarındaki açıyla, -1 ile 1 arasında ölçer; semantik aramada embedding'leri karşılaştırmanın olağan yoludur.
Kosinüs benzerliği, iki vektör arasındaki açının kosinüsüdür; -1 ile 1 arasındadır.
Yönü karşılaştırır, uzunluğu görmezden gelir.
Semantik aramada ve RAG'de embedding'leri karşılaştırmanın standart yoludur.
28LLMBüyük Dil Modeli: LLM, çok büyük metin yığınlarıyla eğitilmiş ve bir sonraki en olası metin parçasını tekrar tekrar tahmin ederek dil üreten bir makine öğrenmesi modelidir.
Bir LLM, sonraki token'ı tekrar tekrar tahmin ederek metin üretir.
Devasa metin veri kümeleriyle eğitilir ve milyarlarca parametreye sahiptir.
Yerleşik bilgisi bir eğitim kesim tarihinde donmuştur.
29LoRALow-Rank Adaptation (düşük ranklı uyarlama): LoRA, büyük modellere ucuzca ince ayar yapma yöntemidir: ağırlıklar dondurulur, yalnızca eklenen küçük matrisler eğitilir; yeni beceri birkaç megabayta sığar.
LoRA, özgün ağırlıklar donmuş kalırken eklenen küçük matrisleri eğiterek bir modele ince ayar yapar.
Tam ince ayardan çok daha az bellek ister ve küçük bir adaptör dosyası üretir.
Adaptörler, paylaşılan tek bir temel modelin üzerinde değiştirilebilir.
30Makine Öğrenmesi: Makine öğrenmesi, bilgisayarların elle yazılmış kurallar yerine verilerdeki örüntüleri öğrenerek tahmin yaptığı bir yapay zekâ dalıdır.
Modeller, elle yazılmış kurallar yerine örnek verilerden örüntüleri öğrenir.
Eğitim modelin parametrelerini ayarlar; çıkarım (inference) eğitilmiş modeli tahmin yapmak için kullanır.
Ana yaklaşımlar denetimli, denetimsiz ve pekiştirmeli öğrenmedir.
31Mixture of ExpertsMoE: Mixture of experts (MoE), her girdiyi çok sayıda küçük uzman ağdan yalnızca birkaçına gönderen sinir ağı tasarımıdır; devasa bir model çok daha ucuza çalışır.
MoE katmanları çok sayıda uzman ağ ve her token için birkaçını seçen bir yönlendirici içerir.
Yalnızca seçilen uzmanlar çalışır; böylece token başına hesaplama küçük kalır.
Toplam parametre sayısı çok büyük olabilirken aktif parametreler mütevazı kalır.
32Model Context Protocol: Model Context Protocol, yapay zekâ uygulamalarının dış araçlara, veri kaynaklarına ve prompt'lara ortak bir arayüzle bağlanmasını tanımlayan açık standarttır.
MCP, yapay zekâ uygulamalarını araçlara ve verilere bağlamak için açık bir standarttır.
Sunucular araçları, kaynakları ve prompt'ları sunar; ana uygulamalar istemciler aracılığıyla bağlanır.
Mesajlar, yerel standart girdi ve çıktı ya da uzak HTTP üzerinden JSON-RPC 2.0 kullanır.
33Model Parametreleri: Model parametreleri, bir makine öğrenmesi modelinin eğitimde öğrendiği ve girdileri çıktılara dönüştürmek için kullandığı ağırlık ve sapma gibi iç sayılardır.
Parametreler, bir modelin içindeki öğrenilmiş sayılardır; başlıca ağırlıklar ve sapmalar.
Eğitim onları ayarlar; inference onları değiştirmeden kullanır.
7B ya da 70B gibi parametre sayısı, model boyutunun kaba bir ölçüsüdür.
34Pekiştirmeli Öğrenme: Pekiştirmeli öğrenme, bir ajanın iyi eylemler için ödül kazanarak deneme yanılmayla karar vermeyi öğrendiği bir makine öğrenmesi türüdür.
Bir RL ajanı, ödül ve cezalardan deneme yanılmayla öğrenir.
Temel döngü durum, eylem, ödül ve sonraki durumdur.
Ajanlar yeni eylemleri keşfetmekle bilinen iyi eylemleri sömürmek arasında denge kurmalıdır.
35Prompt: Prompt, bir LLM gibi bir yapay zekâ modeline hangi görevi yapmasını ve nasıl bir yanıt istediğinizi söylemek için verdiğiniz girdi metni ya da yönergelerdir.
Prompt, bir yapay zekâ modeline ne yapacağını söyleyen girdidir.
Sistem prompt'ları kuralları belirler; kullanıcı prompt'ları belirli isteği taşır.
Açık yönergeler, bağlam ve örnekler daha iyi yanıtlar sağlar.
36Prompt Mühendisliği: Prompt mühendisliği, yapay zekâ modelinin doğru, tutarlı ve kullanışlı çıktı üretmesi için verilen yönergeleri tasarlama, test etme ve iyileştirme pratiğidir.
Prompt mühendisliği, yalnızca bir prompt yazmak değil, prompt'ları tasarlama ve test etme sürecidir.
Açık hedefler, bağlam, kısıtlar ve çıktı biçimleri sonuçları daha güvenilir kılar.
Few-shot örnekler ve chain-of-thought akıl yürütme yaygın tekniklerdir.
37QuantizationNicemleme: Quantization, parametreleri 16 yerine 8 ya da 4 gibi daha az bitle saklayarak bir yapay zekâ modelini küçülten, inference'ı hızlandırıp ucuzlatan tekniktir.
Quantization, model parametrelerini 8 ya da 4 gibi daha az bitle saklar.
Bellek kullanımını keskin biçimde azaltır ve çoğu zaman inference'ı hızlandırır.
Bir ölçek çarpanı, orijinal değerleri küçük bir tamsayı aralığına ve geri eşler.
38RAGRetrieval-Augmented Generation (Getirmeyle Zenginleştirilmiş Üretim): RAG, bir LLM'in soru anında getirilen ilgili belgelere dayanarak yanıt vermesini sağlayan ve yanıtları güncel, özel verilere dayandıran bir tekniktir.
RAG önce ilgili veriyi getirir, sonra LLM'den bu veriyi kullanarak yanıt vermesini ister.
İlgili metin parçalarını bulmak için genellikle embedding'lere ve bir vektör indeksine dayanır.
Modeli yeniden eğitmeden yanıtları güncel tutar.
39Reasoning ModelAkıl Yürüten Model: Reasoning model, yanıt vermeden önce problemi adım adım çözmek üzere eğitilmiş, zor işlerde daha iyi sonuç için ek hesaplama harcayan bir dil modelidir.
Reasoning model'ler yanıt vermeden önce adım adım düşünür.
Kontrol edilebilir problemler üzerinde pekiştirmeli öğrenmeyle eğitilirler.
OpenAI'ın 2024'teki o1'i ve 2025'teki DeepSeek-R1 onları yaygınlaştırdı.
40RLHFİnsan Geri Bildirimiyle Pekiştirmeli Öğrenme: RLHF (insan geri bildirimiyle pekiştirmeli öğrenme), dil modelini insanların yanıtlara dair yargılarıyla daha yardımcı ve güvenli kılan eğitim yöntemidir.
RLHF, modeli hangi yanıtların daha iyi olduğuna dair insan yargılarıyla eğitir.
Adımlar: örneklerle ince ayar, sıralamalarla ödül modeli eğitimi, ardından RL ile optimizasyon.
ChatGPT gibi asistanların talimat izlemesini ve zararlı istekleri reddetmesini sağladı.
41System PromptSistem İstemi: System prompt, uygulamanın sohbet başlamadan önce dil modeline verdiği talimatlardır; modelin rolünü, kurallarını, üslubunu ve kullanacağı bilgileri belirler.
System prompt, sohbetten önce modelin rolünü, kurallarını ve bağlamını belirler.
Geliştirici tarafından yazılır ve genellikle kullanıcıdan gizlidir.
Modeller ona sıradan kullanıcı mesajlarından daha fazla ağırlık verir.
42TemperatureSıcaklık Parametresi: Temperature, bir LLM'nin çıktısının ne kadar rastgele olacağını belirleyen ayardır: düşükken odaklı ve öngörülebilir, yüksekken daha çeşitli ve yaratıcıdır.
Temperature, bir token örneklenmeden önce modelin token olasılıklarını ölçekler.
Düşük değerler (yaklaşık 0 ile 0,3) odaklı ve tutarlı çıktı verir.
Yüksek değerler (yaklaşık 0,8 ve üstü) daha çeşitli, yaratıcı ve hataya yatkın çıktı verir.
43Token: Token, bir LLM'nin okuduğu ve ürettiği temel metin birimidir; genellikle bir sözcük, sözcük parçası ya da noktalama işaretidir ve sayısal bir kimliğe eşlenir.
Token bir metin parçasıdır: sözcük, sözcük parçası ya da sembol.
Tokenizer metni token'lara böler ve her birini sayısal bir kimliğe eşler.
İngilizcede bir token kabaca dört karakter ya da bir sözcüğün dörtte üçüdür.
44Tool CallingAraç Çağırma: Tool calling, modelin uygulamadan yapılandırılmış argümanlarla belirli bir fonksiyonu çalıştırmasını istediği ve sonucu yanıtında kullandığı LLM özelliğidir.
Tool calling, bir modelin yapılandırılmış argümanlarla bir fonksiyon çağrısı istemesini sağlar.
Araçlar bir ad, bir açıklama ve bir parametre şemasıyla tanımlanır.
Aracı model değil uygulama çalıştırır ve sonucu geri döndürür.
45Transformer: Transformer, bir dizideki her token'ın diğerleriyle ilişkisini attention ile tartan ve çoğu modern LLM'e güç veren bir sinir ağı mimarisidir.
Transformer, self-attention etrafında kurulmuş bir sinir ağı mimarisidir.
Attention, her token'ın girdideki diğer her token'ın ilgisini tartmasını sağlar.
Transformer'lar girdi token'larını paralel işler; bu da büyük ölçekli eğitimi mümkün kılar.
46Üretken Yapay Zekâ: Üretken yapay zekâ, mevcut verilerden öğrenilen örüntülere dayanarak metin, görüntü, kod ya da ses gibi yeni içerik oluşturan yapay zekâdır.
Üretken yapay zekâ, bir prompt'tan yeni metin, görüntü, kod, ses ya da video oluşturur.
LLM'ler metni token token üretir; birçok görüntü modeli difüzyon kullanır.
Çıktılar doğrulanmış gerçeklere değil, öğrenilmiş örüntülere dayanır; bu yüzden halüsinasyon olur.
47Vektör Veritabanı: Vektör veritabanı, embedding'leri saklayıp bir sorguya en benzer vektörleri hızla bulmak için tasarlanmış, anlamsal arama ve RAG'in dayandığı veritabanıdır.
Vektör veritabanı embedding'leri saklar ve bir sorguya en benzer olanları bulur.
Benzerliği kosinüs benzerliği ya da Öklid uzaklığı gibi ölçütlerle hesaplar.
Yaklaşık en yakın komşu indeksleri milyonlarca vektör arasında aramayı hızlı yapar.
48Vibe Coding: Vibe coding, istediğinizi bir yapay zekâya anlatıp yazdığı kodu kabul ederek ve sonucu çoğunlukla çalışıyor görünmesine göre değerlendirerek yazılım yapmaktır.
Vibe coding, istediğinizi bir yapay zekâya anlatıp kodunu çok az incelemeyle kabul etmektir.
Prototipler için hızlıdır ve programcı olmayanların çalışan yazılım yapmasını sağlar.
Okunmamış kod hataları ve güvenlik açıklarını gizler; bu da onu kalıcı olması gereken yazılım için riskli kılar.
49Yapay Sinir Ağı: Yapay sinir ağı, bağlantılı yapay nöron katmanlarından oluşan ve sayısal ağırlıkları ayarlayarak verilerden örüntü öğrenen bir makine öğrenmesi modelidir.
Sinir ağı, bağlantılı nöronlardan oluşan katmanlardan (girdi, gizli ve çıktı) kurulur.
Her bağlantının bir ağırlığı vardır ve öğrenmek bu ağırlıkları ayarlamak demektir.
Eğitim, tahmin hatalarını azaltmak için bir kayıp fonksiyonu ve geri yayılım kullanır.
50Yapay ZekâAI: Yapay zekâ (AI), normalde insan zekâsı gerektiren işleri yapabilen sistemler kuran bilgisayar bilimi alanıdır.
Yapay zekâ, normalde insan zekâsı gerektiren işleri yapan sistemler kurar.
Terim 1955'ten gelir; Dartmouth'ta 1956'da yapılan bir çalıştay içindir.
İlk yapay zekâ elle yazılmış kurallar kullanıyordu; bugünkü çoğunlukla veriden öğrenir.
51Yapay Zekâ Ajanı: Yapay zekâ ajanı, hangi araçları çağıracağına karar verip sonuçları gözlemleyerek çok adımlı görevleri planlayan ve yürüten, LLM kullanan bir sistemdir.
Yapay zekâ ajanı, bir eylem dizisine karar vermek ve onu yürütmek için LLM kullanır.
Bir döngüde çalışır: eylem seç, araç çağır, sonucu gözlemle, tekrarla.
Araçlar ajana arama yapma, kod çalıştırma ya da API çağırma gibi yetenekler kazandırır.
52Yapay Zekâ Hizalaması: Yapay zekâ hizalaması, yapay zekânın tasarımcılarının amaçladığı hedef ve değerlere uyup yardımsever, dürüst ve güvenli davranmasını sağlama alanıdır.
Yapay zekâ hizalaması, sistemlerin tasarımcılarının gerçekten amaçladığı hedefleri gözetmesini amaçlar.
Yaygın teknikler arasında fine-tuning, RLHF, ilke tabanlı eğitim ve red teaming bulunur.
Reward hacking ve sycophancy, yanlış hizalanmış davranışa örneklerdir.

Kitaba dönİpucu: Bir kopyasını saklamak için yazdırma penceresinde “PDF olarak kaydet”i seçin.