Kitap 08 · Özet sayfa
Yapay Zekâ ve Makine Öğrenmesi
Makine öğrenmesi, büyük dil modelleri ve yapay zekâ destekli uygulamalar için temel kavramlar.
Software Dictionary · softwaredictionary.org/tr/kutuphane/ai/ozet
- 01Agent2Agent Protokolü
- Agent2Agent (A2A), farklı ekiplerin ya da şirketlerin yaptığı yapay zekâ ajanlarının birbirini bulup görev devretmesini sağlayan açık bir standarttır.
- A2A, yapay zekâ ajanlarının birbiriyle konuşmasını sağlayan açık bir protokoldür.
- Her ajan kendini bir Agent Card ile tanıtır: yetenekleri, adresi ve kimlik doğrulama yöntemi.
- İş, durumları olan görevler olarak izlenir ve sonuçlar artifact olarak döner.
- 02AGIYapay 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.
- 03Anlamsal 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.
- 04Aşırı 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.
- 05Attention 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.
- 06Bağlam 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.
- 07Bilgisayarlı 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.
- 08Chain-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.
- 09ChatbotSohbet 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.
- 10ChatGPT
- ChatGPT, OpenAI'ın GPT modelleri üzerine kurulu yapay zekâ asistanıdır: soruları yanıtlar, yazar, dosyaları analiz eder, webde arar ve görsel üretir.
- ChatGPT, OpenAI'ın GPT modelleri üzerine kurulu yapay zekâ asistanıdır.
- Yazar, soruları yanıtlar, dosyaları analiz eder, webde arar ve görsel üretir.
- GPT model ailesidir; ChatGPT ise uygulamadır.
- 11Chunking
- 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.
- 12Claude
- Claude, Anthropic'in yapay zekâ asistanı ve arkasındaki dil modeli ailesidir; sohbet uygulamaları, Claude API ve Claude Code gibi araçlarla kullanılır.
- Claude, Anthropic'in yapay zekâ asistanı ve dil modeli ailesidir.
- Modeller kademeler hâlinde gelir: Opus, Sonnet ve Haiku.
- Uygulamalar, Claude API ve bulut platformları üzerinden kullanılır.
- 13Claude Code
- Claude Code, Anthropic'in yapay zekâ kodlama ajanıdır: kodunuzu okur, dosyaları düzenler, komut çalıştırır; terminalde, IDE'de ve tarayıcıda çalışır.
- Claude Code, Anthropic'in Claude modelleriyle çalışan yapay zekâ kodlama ajanıdır.
- Kodu okur, dosyaları düzenler, komut çalıştırır, commit ve pull request oluşturur.
- Terminalde, VS Code ve JetBrains IDE'lerinde, masaüstü uygulamasında ve tarayıcıda çalışır.
- 14Context 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.
- 15Cursor
- Cursor, VS Code tabanlı bir yapay zekâ kod editörüdür: otomatik tamamlama, sohbet ve birçok dosyayı düzenleyebilen, farklı modeller kullanan ajanlar sunar.
- Cursor, Visual Studio Code tabanlı bir yapay zekâ kod editörüdür.
- Yapay zekâ otomatik tamamlaması, bir sohbet ve dosyalar arasında düzenleme yapan bir ajan sunar.
- Bulut ajanları birkaç görev üzerinde paralel çalışabilir.
- 16Çok 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.
- 17Denetimli 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.
- 18Denetimsiz 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.
- 19Derin 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.
- 20Difüzyon 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.
- 21Doğal 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.
- 22Eğitim 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.
- 23EmbeddingGömme 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.
- 24EvalsEvaluations (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.
- 25Few-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.
- 26Fine-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.
- 27Gemini CLI
- Gemini CLI, Google'ın Gemini modelleriyle çalışan açık kaynak terminal ajanıdır; bireysel kullanıcıların çoğu için Haziran 2026'da yerini Antigravity CLI aldı.
- Gemini CLI, Google'ın terminal için açık kaynak yapay zekâ ajanıdır.
- Kodu okumak, dosyaları düzenlemek ve komut çalıştırmak için Gemini modellerini kullanır.
- Bir GEMINI.md dosyası proje talimatlarını tutar, MCP de araç ekler.
- 28Geri 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.
- 29GitHub Copilot
- GitHub Copilot, GitHub'ın yapay zekâ kodlama asistanıdır: yazarken kod önerir, sohbette soruları yanıtlar ve ajan olarak issue'ları pull request'e çevirir.
- GitHub Copilot, GitHub'ın yapay zekâ kodlama asistanıdır.
- Kod tamamlama, sohbet, editörde agent mode ve GitHub'da bir kodlama ajanı sunar.
- Kodlama ajanı kendisine atanan issue üzerinde çalışır ve bir pull request açar.
- 30GPTÜretken 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.
- 31Gradyan 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.
- 32GuardrailsYapay zekâ guardrail'leri
- Guardrails, bir yapay zekâ modelinin girdisini ve çıktısını denetleyip güvensiz, konu dışı ya da bozuk biçimli istek ve cevapları engelleyen kontrollerdir.
- Guardrail'ler bir yapay zekâ modelinin çevresindeki denetimlerdir, modelin parçası değildir.
- Girdi guardrail'leri istekleri, çıktı guardrail'leri ise gösterilmeden ya da kullanılmadan önce cevapları denetler.
- En ucuzdan başlayarak kod kurallarını, güvenlik sınıflandırıcılarını ve LLM yargıçlarını birleştirirler.
- 33Halüsinasyon
- 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.
- 34InferenceÇıkarım
- 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.
- 35Kosinüs 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.
- 36Küçük Dil Modeli
- Küçük dil modeli (SLM), en büyük LLM'lerden çok daha az parametreli, tek bir GPU'da, dizüstünde ya da telefonda çalışacak kadar ucuz ve hızlı dil modelidir.
- Küçük dil modeli bir LLM gibi çalışır ama çok daha az parametreye sahiptir: kabaca 10 ya da 15 milyara kadar.
- Resmî bir boyut sınırı yoktur; neyin küçük sayıldığı da sürekli değişir.
- Ekipler SLM'leri daha düşük maliyet, daha düşük gecikme, gizlilik ve cihaz üzerinde çevrimdışı kullanım için seçer.
- 37LLMBüyük 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.
- 38LLM Değerlendirmesi
- LLM değerlendirmesi (evals), bir dil modelinin ya da yapay zekâ özelliğinin sabit test vakalarında ne kadar iyi çalıştığını ölçüp sürümleri karşılaştırmaktır.
- Değerlendirmeler bir yapay zekâ modelini ya da özelliğini sabit bir test vakası kümesinde ölçer.
- Herkese açık benchmark'lar modelleri karşılaştırır; kendi değerlendirmeleriniz özelliğinizi ölçer.
- Cevaplar birebir kontrollerle, kodla, bir LLM hakemle ya da insanlarla puanlanır.
- 39LoRALow-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.
- 40Makine 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.
- 41Mixture 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.
- 42Model 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.
- 43Model 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.
- 44OpenAI Codex
- OpenAI Codex, OpenAI'ın yapay zekâ kodlama ajanıdır: komut satırından, IDE'den ya da ChatGPT'den, yerelde veya bulutta kod yazar, düzenler ve inceler.
- Codex, OpenAI'ın yapay zekâ kodlama ajanıdır.
- Terminalde (Codex CLI), IDE eklentilerinde, ChatGPT uygulamalarında ve bulutta çalışır.
- Codex CLI açık kaynaktır ve kendi bilgisayarınızda çalışır.
- 45Pekiştirmeli 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.
- 46Prompt
- 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.
- 47Prompt 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.
- 48QuantizationNicemleme
- 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.
- 49RAGRetrieval-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.
- 50Reasoning 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.
- 51Regresyon
- Regresyon, modelin verilen girdiden bir fiyat, sıcaklık ya da teslimat süresi gibi bir sayıyı tahmin ettiği denetimli öğrenme türüdür.
- Regresyon bir sayı, sınıflandırma bir kategori tahmin eder.
- Doğrusal regresyon en küçük karelerle düz bir çizgi uydurur ve klasik başlangıç noktasıdır.
- Hatalar MAE, RMSE ya da R² ile ölçülür.
- 52RLHFİnsan 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.
- 53Sınıflandırma
- Sınıflandırma, modelin her girdi için bir kategori tahmin ettiği denetimli öğrenme türüdür: bir e-postanın spam olup olmadığı ya da fotoğraftaki rakam gibi.
- Sınıflandırma her girdi için sınıf denen bir kategori tahmin eder.
- Denetimlidir: model doğru sınıfla etiketlenmiş örneklerden öğrenir.
- İkili, çok sınıflı ve çok etiketli sınıflandırma üç yaygın kurulumdur.
- 54System 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.
- 55TemperatureSıcaklık 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.
- 56Token
- 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.
- 57Tool 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.
- 58TPUTensör İşlem Birimi
- TPU (Tensör İşlem Birimi), Google'ın sinir ağlarının matris hesapları için yaptığı çiptir; yapay zekâ modellerini çoğunlukla Google Cloud'da eğitip çalıştırır.
- TPU, Google'ın özellikle sinir ağlarındaki matris hesapları için tasarladığı bir çiptir.
- Sistolik dizisi her değeri defalarca kullanarak yavaş bellek okumalarından tasarruf eder.
- TPU'lar Google Cloud üzerinden kiralanır ve Google'ın kendi modellerine güç verir.
- 59Transformer
- 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.
- 60Üretken 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.
- 61Vektör 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.
- 62Vibe 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.
- 63Yapay 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.
- 64Yapay 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.
- 65Yapay 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.
- 66Yapay 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.
- 67Yapay Zekâ Kodlama Ajanı
- Yapay zekâ kodlama ajanı, bir programlama görevini alıp kodu inceleyen, dosyaları düzenleyen ve iş bitene kadar komut çalıştıran bir yapay zekâ sistemidir.
- Kodlama ajanı yalnızca kod önermez; bir görevi bitirmek için dosyaları düzenler ve komut çalıştırır.
- Bir döngü içinde çalışır: oku, değiştir, çalıştır, kontrol et ve tekrarla.
- Ajanlar kendi bilgisayarınızda ya da yalıtılmış bulut ortamlarında çalışır.
- 68Yetersiz Öğrenme
- Yetersiz öğrenme, bir modelin gerçek örüntüyü öğrenemeyecek kadar basit olması ya da kısa eğitilmesi yüzünden eğitim verisinde bile kötü sonuç vermesidir.
- Yetersiz öğrenmiş bir model hem eğitim verisinde hem yeni veride kötü sonuç verir.
- Fazla basit bir model, zayıf öznitelikler, ağır düzenlileştirme ya da az eğitim buna yol açar.
- Daha fazla kapasite, daha iyi öznitelikler ve daha uzun eğitim sorunu çözer; aynı türden daha fazla veri nadiren çözer.