Yapay zeka, makinelerin insana özgü sanılan davranışları — öğrenme, akıl yürütme, örüntü tanıma — sergilemesini sağlayan bir disiplindir. Ama dikkat: bu bir tanım değil, bir davettir. Asıl soru şu: özgü kelimesini ne zamana kadar kullanabileceğiz?
Temel Kavramlar
Yapay Zeka Nedir — Ne Değildir?
Yapay zeka (YZ), geniş anlamda makinelerin akıllıca görünen kararlar almasını sağlayan her türlü tekniği kapsar. Dar anlamda ise bugün çoğunlukla istatistiksel örüntü eşleştirme demektir.
Bir YZ sistemi “anlamıyor”. Veriyle örüntü öğreniyor. Anlam ile örüntü arasındaki mesafe, alanın en büyük tartışmasıdır.
Popüler ayrım:
| Tür | Açıklama | Örnek |
|---|---|---|
| Dar YZ | Tek bir görevi iyi yapar | Satranç motoru, spam filtresi |
| Genel YZ (AGI) | İnsan gibi genelleşebilir | Henüz yok |
| Süper YZ | İnsanı her alanda geçer | Spekülatif |
Makine Öğrenmesi
Klasik programlamada kuralları insan yazar; makine öğrenmesinde (ML) kuralları veriden çıkarırsın.
Klasik : Veri + Kurallar → Çıktı
ML : Veri + Çıktı → Kurallar
Üç ana öğrenme paradigması:
- Gözetimli öğrenme — Etiketli veri. “Bu kedi, bu değil.” Model doğru etiketi tahmin etmeyi öğrenir.
- Gözetimsiz öğrenme — Etiketsiz veri. Model kendi başına küme ve yapı arar.
- Pekiştirmeli öğrenme — Ödül/ceza sinyali. Satranç oynayan, oyun kazanmayı öğrenen ajan bu yoldan yetişir.
Gradient Descent — Modelin Yanılgıdan Öğrenmesi
Model bir tahmin yapar, tahmin yanlışsa hata hesaplanır; hata küçültülecek şekilde model parametreleri güncellenir. Bu döngü milyonlarca kez tekrarlanır.
Görsel olarak: düz olmayan bir arazide gözleri bağlı birinin vadiye inmesi. Her adımda “hangi yöne eğim var?” sorusunu sorar, o yönde küçük bir adım atar.
kayıp = tahmin ile gerçek arasındaki fark
gradyan = bu kaybın parametrelere göre türevi
güncelleme = parametre - öğrenme_hızı × gradyan
Öğrenme hızı çok büyük olursa vadi atlanır; çok küçük olursa yüzyıllar sürer.
Overfitting — Ezbercinin Trajedisi
Model eğitim verisini çok iyi öğrenirse test verisinde berbat sonuç verir. Sınav sorularını değil, tam o soruların cevaplarını ezberleyen öğrenci gibi.
| Durum | Eğitim | Test |
|---|---|---|
| Underfitting | Kötü | Kötü |
| İyi model | İyi | İyi |
| Overfitting | Mükemmel | Kötü |
Çözümler: daha fazla veri, dropout, regularization, erken durdurma.
Sinir Ağları ve Derin Öğrenme
Sinir ağları, birden fazla katmanla hiyerarşik özellik öğrenir. İlk katmanlar kenar ve doku öğrenirken, derin katmanlar “kedi kulağı” gibi soyut kavramları öğrenir.
Derin öğrenme, çok katmanlı sinir ağlarından başka bir şey değildir — ama bu “başka bir şey değil” cümlesi, son 15 yılın bütün devrimini küçümsemek olur.
Transformer Mimarisi ve Büyük Dil Modelleri
2017’de yayımlanan “Attention Is All You Need” makalesi mimarisi değiştirdi. Transformer, metindeki her kelimenin diğer tüm kelimelerle ilişkisini paralel hesaplar — sıra takip etmez, bağlamı bir bütün olarak kavrar.
Büyük Dil Modelleri (LLM), bu mimari üstüne trilyonlarca kelimeyle eğitilir. Sonuç: “bir sonraki kelimeyi tahmin et” gibi basit bir görevden, kod yazan, şiir kuran, argüman üreten sistemler çıkar.
Bir LLM’in “anlayıp anlamadığı” sorusu hâlâ açıktır. Ama bu soruyu sormak zorunda hissettiriyorsa, o da küçük bir mucizedir.
Prompt Mühendisliği
LLM’lere verilen giriş metnine prompt denir. İyi bir prompt, modeli doğru çıktıya yönlendiren bir kaldıraçtır.
Temel teknikler:
- Zero-shot — Hiç örnek vermeden doğrudan sormak.
- Few-shot — 2–3 örnek gösterip aynı formatı istemek.
- Chain-of-thought — “Adım adım düşün” diyerek mantık zinciri kurmak.
- Role prompting — “Sen bir uzman fizikçisin” diyerek bağlam vermek.
Kısa Sözlük
| Terim | Ne demek? |
|---|---|
| Parametre | Modelin öğrendiği sayısal ağırlıklar |
| Epoch | Eğitim verisinin baştan sona bir kez işlenmesi |
| Batch | Her adımda modele gösterilen örnek grubu |
| Token | LLM’lerin işlediği temel metin birimi (kelime veya hece) |
| Embedding | Kelimelerin sayı vektörlerine dönüştürülmesi |
| Fine-tuning | Önceden eğitilmiş modeli yeni görev için ince ayar yapmak |
| Hallucination | Modelin kendinden emin ama yanlış bilgi üretmesi |
Bir Adım Geri
Yapay zeka bir araçtır — çekiç kadar tarafsız, kullanıcısı kadar niyetli. Ondan korkmak ne kadar anlamsızsa, ona körce güvenmek de o kadar tehlikelidir. En sağlıklı yaklaşım şu olabilir: nasıl çalıştığını yeterince anlamak ki ne yapamayacağını da bilesin.
Satranç tahtasında her taşın değerini bilmek oyunu kazandırmaz — ama bilmemek kesinlikle kaybettirir.
Kaynak: Bu yazı; Deep Learning (Goodfellow vd.), Attention Is All You Need (Vaswani vd., 2017) ve çeşitli birincil araştırma makalelerinden derlenerek özgün olarak yazılmıştır.
Yorumlar