1) Yapay zekâ tam olarak ne?
Yapay zekâ (Artificial Intelligence), en basit hâliyle insan zekâsı gerektiren işleri (dil anlama, görüntü tanıma, tahmin, planlama, karar destek vb.) yazılımla yapabilme çabası. Günlük hayatta “AI” deyince çoğu kişinin kastı şu iki şeyden biri oluyor:
- Tahmin eden AI (klasik ML): “Bu müşteri churn eder mi?”, “Bu mail spam mi?”, “Bu görüntüde tümör var mı?” gibi.
- Üreten AI (Generative AI): Metin, görsel, ses, kod üreten; sohbet eden; içerik hazırlayan sistemler.
Bugünkü dalganın merkezinde “üreten” taraf var: büyük dil modelleri (LLM) ve çoklu-mod (multimodal) modeller.
2) Bugünkü üretken AI dalgasını mümkün kılan kırılma: Transformer
Modern LLM’lerin “motoru” diyebileceğimiz yaklaşım, Transformer mimarisiyle iyice hız kazandı. Transformer, metin gibi sıralı verilerde “bağlamı” çok daha iyi yakalayıp paralel çalışmaya uygun olduğu için ölçeklenebilirliği ciddi artırdı.
Bunun üzerine BERT gibi modeller, dil temsilini (anlamı) daha iyi öğrenen “ön-eğitim + ince ayar” yaklaşımını ana akım yaptı.
Özetle:
- Transformer → güncel LLM mimarisinin omurgası
- BERT ve devamı → “önce büyük veride öğren, sonra göreve uyarla” paradigması
3) LLM’ler nasıl çalışıyor (insan diliyle)?
LLM’lerin en temel hedefi şu: Bir metinde sıradaki token’ı tahmin etmek. (Token = kelime değil; çoğu zaman kelime parçaları.) GPT-4 teknik raporu da bu “next-token prediction” temeline açıkça değinir.
Çok basitleştirerek süreç:
- Ön eğitim (pretraining): İnternetten/kitaplardan/toplu metinlerden dilin istatistiğini öğrenir (kalıp, yapı, bilgi kırıntıları…).
- İnce ayar / hizalama (alignment): Modelin “kullanıcı niyeti”ne daha uygun cevap vermesi için ek eğitim yapılır (aşağıda RLHF).
- Çıktı üretimi: Verdiğin prompt’a göre olası devamı üretir.
Bu yüzden LLM bazen müthiş, bazen de “çok emin sallayan” gibi davranır: Çünkü temelde kesin doğruluk makinesi değil, “en olası metin devamı” makinesidir.
4) “Hallucination” (uydurma) neden olur?
LLM’ler bazen olmayan kaynak uydurur, yanlış tarih verir, hatalı teknik detay söyler. Bunun kök nedeni genelde şunlar:
- Eğitim verisi eksik/çelişkili olabilir.
- Model “bilmediğini söyleme” yerine “dili akıcı devam ettirme” eğiliminde olabilir.
- Sorunun cevabı güncel bilgi gerektiriyorsa (haber, fiyat, sürüm vb.) model parametrelerinde yoktur.
Bu yüzden ürünleştirmede kritik yaklaşım: Modeli dış bilgiyle beslemek ve doğrulatmak. Buradan RAG’a geliyoruz.
5) RLHF: Modeli “daha insan gibi yardımcı” yapan ince ayar
Sadece büyütmek yetmiyor; modelin “yararlı, zararsız, niyete uygun” davranması için hizalama teknikleri devreye giriyor.
Bu alandaki en bilinen adımlardan biri, insan geri bildirimiyle pekiştirmeli öğrenme (RLHF) yaklaşımı: “İyi cevap–kötü cevap” tercihleriyle modelin davranışı düzeltiliyor. InstructGPT çalışması, insan değerlendirmesinde daha küçük bir modelin bile (1.3B) büyük bir modeli (175B) tercih edilir şekilde geçebildiğini gösteriyor.
Pratik çıkarım:
Kalite = sadece parametre sayısı değil; hizalama, veri ve değerlendirme işi.
6) Multimodal: Sadece metin değil, görsel + metin beraber
Güncel modellerin bir kısmı artık hem metin hem görsel girdisi alabiliyor. GPT-4 raporu, görsel ve metin girdisi kabul edebilen (multimodal) bir modelden bahseder.
Bu ne sağlıyor?
- Görselden metin çıkarma değil sadece (OCR gibi düşünme), görsel bağlamı yorumlama
- Ürün fotoğrafı → açıklama, kategorileme
- Arayüz ekran görüntüsü → hata analizi / UX önerisi
- Doküman görseli → özet + aksiyon maddeleri (doğrulama şart)
7) RAG: “Uydurma”yı azaltmanın en pratik yolu
RAG (Retrieval-Augmented Generation), modelin cevabı üretmeden önce harici bir bilgi kaynağından (doküman, KB, veritabanı, wiki, ürün kataloğu) ilgili parçaları çekip, cevabı o parçalara “dayandırması” fikri. RAG’in bilgi-yoğun görevlerde daha doğru ve spesifik çıktılar üretebildiği yaklaşımı literatürde net biçimde tartışılır.
Basit bir RAG akışı:
- İçerikleri “parçalara” böl (chunk)
- Bu parçaları embedding ile vektöre çevir
- Vektör veritabanına yaz (arama için)
- Kullanıcı sorusunu embedding yap → en yakın parçaları bul
- Bulduklarını prompt’a ekle → LLM cevaplasın
- Mümkünse: “Kaynak göster / alıntı yap” kuralı koy
Ürün tavsiyesi: “Fine-tuning mi RAG mi?” sorusunda çoğu web projesi için ilk tercih genelde RAG olur (daha hızlı güncellenir, kaynak gösterebilirsin, bakım maliyeti düşük).
8) Ürünleştirme: “Demo”dan “gerçek sistem”e geçiş checklist’i
AI’yi blog yazısı yazdırmanın ötesinde bir ürüne gömmek istiyorsan, şunlar hayat kurtarıyor:
A) Problem tanımı
- Model tam olarak ne karar verecek/üretecek?
- Başarı kriterin ne? (Doğruluk, hız, maliyet, kullanıcı memnuniyeti)
B) Veri stratejisi
- Kaynaklar: dokümanlar, FAQ, destek kayıtları, ürün DB
- Güncellik: veri güncellenince indeks de güncelleniyor mu?
C) Değerlendirme
- “Güzel görünüyor” yetmez. Küçük bir test seti yap.
- Yanlış cevapların tiplerini etiketle: uydurma mı, eksik mi, yanlış kaynak mı?
D) Güvenlik ve kontrol
- Prompt injection (dokümandaki kötü niyetli metinler)
- PII/sırlar (API key, müşteri verisi)
- Rate limit + log + izleme
9) Risk, etik ve regülasyon: Kimse bu kısmı sevmiyor ama şart
AI ile ilgili risk yönetimi artık “PR metni” değil, ciddi bir mühendislik disiplini.
- NIST AI RMF 1.0, AI sistemlerinin risklerini yaşam döngüsü boyunca yönetmek için pratik bir çerçeve sunuyor (yönetişim, ölçme, yönetme vb.).
- OECD AI Principles ise insan hakları, demokratik değerler ve güvenilir AI yaklaşımını prensip seviyesinde çerçeveliyor.
Avrupa tarafı özellikle önemli: AB AI Act, risk-temelli bir yaklaşım getiriyor ve bazı uygulamaları yasaklıyor. Resmî sayfada; yasak uygulamaların Şubat 2025’te yürürlüğe girdiği, AI Act’in 1 Ağustos 2024’te yürürlüğe girdiği ve bazı yükümlülüklerin aşamalı devreye alındığı timeline açıkça veriliyor.
Eğer ileride AB pazarına açılma ihtimalin varsa, şimdiden şu refleksleri kazanmak çok işine yarar:
- “Bu AI ne kadar riskli sınıfa giriyor?” diye düşünmek
- Kullanıcıyı bilgilendirmek (şeffaflık)
- Loglama + izlenebilirlik
- Model kaynaklarını ve veri kullanımını belgelemek
10) 2026 ve sonrası: Trend nereye gidiyor?
Benim gördüğüm ana eksenler:
- Daha küçük ama daha uzman modeller (maliyet ve hız avantajı)
- Kurumsal RAG + agent birleşimi (model → araç çağırıyor, iş akışı tamamlıyor)
- Değerlendirme/observability ürünlerinin önem kazanması (AI testleri CI/CD gibi)
- Regülasyon uyumunun “sonradan ekleme” değil, tasarım girdisi olması
Yapay zekâ “tek bir şey” değil: mimari (Transformer), eğitim yaklaşımı (ön eğitim + hizalama), ürün deseni (RAG), yönetişim (risk yönetimi + regülasyon) birleşimi. İyi haber şu: Doğru kurguyla AI, özellikle içerik üretimi, müşteri destek otomasyonu, arama/keşif, veri temizleme ve geliştirici verimliliğinde çok net fayda veriyor.
