Türkçe Yapay Zeka Sözlüğü
Keşfetmeye Başla

AGI (Artificial General Intelligence — Yapay Genel Zeka), bir insanın yapabileceği her türlü zihinsel ve bilişsel görevi en az insan düzeyinde anlayabilen, öğrenebilen ve uygulayabilen teorik yapay zeka sistemidir. Günümüzdeki yapay zeka sistemlerinin tamamı "Dar Yapay Zeka" (Narrow AI) kategorisindedir: satrançta dünya şampiyonunu yenebilirler ya da doğal dil üretiminde büyük başarı gösterebilirler; ancak insan gibi bağlamlar arası geçiş yapamaz, yeni alanlara kendiliğinden uyum sağlayamazlar. AGI ile Narrow AI arasındaki temel fark "transfer" kapasitesidir. İnsan zekası, yeni bir durumda daha önce öğrenilmiş kavramları yeniden yapılandırabilir ve değişmeyen ilkeleri tanıyabilir; bu yeteneğe "çerçeve dışı genelleme" denir. Mevcut büyük dil modelleri (GPT-4, Gemini, Claude) bu yeteneğe kısmi yaklaşım sergilese de araştırmacılar bu durumu gerçek AGI olarak tanımlamaz. AGI'ye giden yolda öne sürülen teorik yaklaşımlar çeşitlidir. Ölçekleme hipotezi, yeterince büyük modellerin belirli bir eşiği geçtikten sonra AGI düzeyine ulaşabileceğini savunur. Alternatif olarak nörobilimden ilham alan modeller, bilişin bir bütün olarak taklit edilmesi gerektiğini öne sürmektedir. OpenAI, DeepMind ve Anthropic AGI'nin bu on yılın sonuna kadar ulaşılabilir bir hedef olduğunu değerlendirirken pek çok araştırmacı bu öngörüyü iyimser bulmaktadır. Güvenlik boyutuyla AGI araştırmaları, "hizalama problemi" olarak bilinen temel soruyu gündeme taşır: İnsan düzeyinde bir zekayı insan değerleriyle uyumlu biçimde çalışacak şekilde nasıl garantileriz? Bu soru yapay zeka güvenliği araştırmalarının merkezi sorunsalı haline gelmiştir. Türkiye'de AGI tartışmaları hem akademik camiada hem de teknoloji politikası çevrelerinde giderek daha fazla yer bulmaktadır. Otonom ajan sistemleri, çok adımlı planlama yetenekleri ve araç kullanımıyla (tool use) AGI tartışmalarına yeni bir boyut kazandırmıştır. Bu sistemlerin bir sonraki kritik eşiği aşıp aşmayacağı; epistemik bütünlük, nedensel muhakeme ve öz-farkındalık yeteneklerinin kazanılmasına bağlı olduğu düşünülmektedir. ASI (Artificial Superintelligence) ise AGI'nin ötesinde insan zekasını her alanda çok katbe geçen bir teorik sonraki adıma karşılık gelmektedir.

Büyük Dil Modelleri (LLM — Large Language Model), insan dilini anlamak, çevirmek, özetlemek, metin üretmek ve kaynak kodu oluşturmak için trilyonlarca parametre ile devasa metin veri setleri üzerinde eğitilmiş yapay zeka sistemleridir. Temelini 2017'de Google araştırmacılarının yayımladığı "Attention Is All You Need" makalesiyle kamuoyuna tanıtılan Transformer mimarisi oluşturur. Bir LLM'in eğitim süreci üç ana aşamadan geçer. İlk aşamada ön eğitim (pre-training) olarak bilinen süreçte model, internet ve kitaplardan derlenen devasa metin korpusu üzerinde bir sonraki tokeni tahmin etme görevini öğrenir. Bu adım modelin sözdizimi, anlambilim ve olgusal bilgiyi içselleştirmesini sağlar; yüzlerce GPU/TPU'luk kümeler üzerinde haftalar sürer. İkinci aşamada denetimli ince ayar (SFT) ile model belirli görevler ve yönergelere uygun yanıtlar verecek biçimde yönlendirilir. Üçüncü aşamada İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF) aracılığıyla zararlı, yanlı veya hatalı çıktılar baskılanır ve model davranışı insan değerleriyle hizalanır. Günümüzün önde gelen LLM örnekleri arasında OpenAI GPT-4o, Anthropic Claude Sonnet 4.6, Google Gemini 2.5 Pro, Meta LLaMA 3.3 70B ve DeepSeek V3 yer alır. Bu modeller kapalı kaynaklı (yalnızca API üzerinden erişilen) ya da açık ağırlıklı (yerel olarak çalıştırılabilen) biçimde sunulur. Parametre sayısı 7 milyardan 1 trilyonun üzerine çıkabilirken bağlam penceresi 128 bin ile 2 milyon token arasında değişir. LLM'lerin yaygın kullanım alanları şunlardır: yazma asistanlığı, kaynak kod üretimi ve hata ayıklama, belge özetleme, çok dilli çeviri, soru-cevap sistemleri ve akıl yürütme gerektiren görevler. Örneğin bir hukuk firması LLM'i binlerce sayfalık sözleşmeyi dakikalar içinde tarayıp anahtar maddeleri çıkarmak için kullanabilir; bir yazılım geliştirici ise unit test üretmesini isteyebilir. Türkiye'de ise eğitim teknolojileri, müşteri hizmetleri ve içerik üretimi alanlarında LLM entegrasyonu hız kazanmaktadır. LLM performansını ölçmek için MMLU, HumanEval ve HellaSwag gibi standart kıyaslama testleri kullanılır. Türkçe için sondan eklemeli dil yapısı tokenizasyonu güçleştirdiğinden özel benchmark setleri geliştirilmektedir. Temel kısıtlamalar arasında halüsinasyon (gerçek olmayan bilgi üretme), bilgi kesim tarihi ve yüksek çıkarım maliyeti sayılabilir. Retrieval-Augmented Generation (RAG) ve araç kullanımı bu kısıtları azaltmaya yönelik yaygın çözümlerdir. 2025 itibarıyla o3, Claude ve DeepSeek R1 gibi akıl yürüten modeller zincir düşünce tekniğiyle karmaşık matematik ve kodlama görevlerinde insan uzman düzeyine yaklaşmaktadır.

Doğal Dil İşleme (NLP — Natural Language Processing), bilgisayarların insan dilini anlama, yorumlama, üretme ve anlamlı biçimde yanıt verme yeteneğini geliştiren yapay zeka dalıdır. Dilbilim, bilgisayar bilimi ve makine öğreniminin kesişim noktasında yer alan NLP, günümüzde ChatGPT gibi sohbet robotlarından Google Arama'ya, otomatik çeviriden sesli asistanlara kadar geniş bir kullanım alanına ulaşmıştır. NLP'nin temel işlem hattı birkaç katmandan oluşur: tokenizasyon (metni sözcük veya alt-sözcük parçalarına ayırma), morfolojik analiz (kelime köklerini ve eklerini çözümleme), sözdizimi çözümlemesi (cümle yapısını ağaçla modelleme) ve anlambilimsel analiz (bağlamı ve niyeti kavrama). Modern derin öğrenme yaklaşımları bu aşamaları büyük ölçüde bütünleşik sinir ağlarıyla uçtan uca öğrenir; BERT ve GPT serisi bu dönüşümün simgesi haline gelmiştir. Türkçe, sondan eklemeli (agglutinative) morfolojisi nedeniyle NLP için özellikle zorlu bir dildir. "Gidebileceklerinden" gibi tek bir sözcük onlarca anlam katmanı barındırabilir. BERTurk, Turkish GPT ve Zemberek gibi projeler Türkçe özelinde çözümler geliştirirken, Byte Pair Encoding (BPE) ve SentencePiece alt-sözcük tokenizasyonu dil modellerinin Türkçeyi verimli işlemesini mümkün kılmaktadır. 2017'de yayımlanan Transformer mimarisi NLP'yi köklü biçimde dönüştürdü: öz-dikkat mekanizması ile modeller uzun menzilli bağımlılıkları yakalayabildi. BERT (2018), GPT-3 (2020) ve ChatGPT (2022) bu dönüşümün kilometre taşlarıdır. Günümüzde büyük dil modelleri (LLM) NLP görevlerinin büyük çoğunluğunda insan düzeyine yaklaşmış ya da aşmıştır. NLP; metin sınıflandırma, adlandırılmış varlık tanıma, makine çevirisi, duygu analizi, soru-cevap sistemleri ve özetleme başta olmak üzere onlarca kritik uygulamaya güç vermektedir. Endüstride NLP bileşenleri yaygın biçimde kullanılmaktadır: müşteri hizmetlerinde chatbot ve otomasyon, hukuk teknolojisinde belge tarama, sağlık alanında klinik not çözümleme ve ilaç literatürü analizi. Retrieval-Augmented Generation (RAG) mimarisinde NLP katmanları, kullanıcı sorgusunu vektör uzayında temsil edip ilgili belgeleri alır; böylece LLM'in güncel ve doğru yanıtlar üretmesi desteklenir. Türkiye'de e-devlet platformları, fintech uygulamaları ve yerli yapay zeka girişimleri Türkçe NLP altyapısına giderek artan yatırım yapmaktadır.

Pekiştirmeli öğrenme (Reinforcement Learning, RL), bir ajanın (agent) bir ortam (environment) içinde eylemler gerçekleştirip aldığı ödül ve ceza sinyallerinden ders çıkararak, uzun vadeli toplam ödülü maksimize eden stratejiyi deneme-yanılma yoluyla kendi kendine öğrendiği makine öğrenimi paradigmasıdır. Denetimli öğrenmeden temel farkı, sisteme "doğru cevabın" hiç gösterilmemesidir: ajan hangi hamlenin iyi olduğunu ancak sonuçlarını yaşayarak keşfeder — tıpkı bir çocuğun bisiklete binmeyi düşe kalka öğrenmesi gibi. RL problemi matematiksel olarak **Markov Karar Süreci (MDP)** ile modellenir: durumlar (state), eylemler (action), geçiş olasılıkları ve ödül fonksiyonu. Ajanın amacı, her duruma en iyi eylemi eşleyen bir **politika (policy)** bulmaktır. Bunu yaparken **keşif-sömürü ikilemi** (exploration-exploitation) ile boğuşur: bilinen iyi hamleyi mi tekrarlamalı, yoksa daha iyisini bulmak için risk mi almalı? Alanın kilometre taşları etkileyicidir. 2013'te DeepMind'ın DQN algoritması Atari oyunlarını ham piksellerden öğrendi; 2016'da AlphaGo, Go dünya şampiyonu Lee Sedol'ü 4-1 yendi; 2017'de AlphaZero yalnızca kendi kendine oynayarak (self-play) satranç, Go ve şogide insan üstü seviyeye 24 saatten kısa sürede ulaştı. 2022'den itibaren RL, büyük dil modellerinin merkezine yerleşti: ChatGPT'yi mümkün kılan **RLHF** (insan geri bildiriminden pekiştirmeli öğrenme), 2024-2026 döneminde ise akıl yürüten modelleri doğuran **RLVR** (doğrulanabilir ödüllerle RL) — OpenAI o1/o3, DeepSeek-R1 ve Claude'un genişletilmiş düşünme yetenekleri bu yaklaşımın ürünüdür. DeepSeek-R1'in GRPO algoritmasıyla, insan etiketli veri olmadan yalnızca matematik ve kod doğruluğunu ödüllendirerek akıl yürütme öğrenmesi, 2025'in en çok konuşulan RL başarılarından biriydi. Bugün RL; robotik (Boston Dynamics, Figure, Tesla Optimus), otonom sürüş (Waymo simülasyon eğitimi), veri merkezi soğutma optimizasyonu (Google'da %40'a varan enerji tasarrufu), çip tasarımı (AlphaChip), matematik olimpiyatları (AlphaProof, IMO 2024'te gümüş madalya seviyesi) ve ajanik yapay zeka sistemlerinin eğitiminde kullanılıyor. Q-learning, SARSA gibi klasik yöntemlerden PPO, SAC, GRPO gibi derin RL algoritmalarına uzanan zengin bir araç kutusuna sahiptir. Yöntemler iki ana eksende sınıflanır. **Değer tabanlı** yaklaşımlar (Q-learning, DQN) her durum-eylem çiftinin uzun vadeli getirisini tahmin eder; **politika tabanlı** yaklaşımlar (REINFORCE, PPO) ise doğrudan eylem seçme stratejisini optimize eder. Actor-critic mimarileri ikisini birleştirir. Ayrıca ortamın bir iç modelini öğrenip planlama yapan **model tabanlı RL** (MuZero, DreamerV3), örnek verimliliğini onlarca kat artırabildiği için robotik gibi gerçek dünya uygulamalarında öne çıkar. Pratikte Gymnasium ve Isaac Lab gibi simülasyon ortamları, Stable-Baselines3 ve Hugging Face TRL gibi kütüphaneler alanın standart araçlarıdır. Alanın teorik temelini Richard Sutton ve Andrew Barto attı; ikili bu katkılarıyla 2024 Turing Ödülü'ne layık görüldü. Sutton'ın ünlü "Bitter Lesson" makalesindeki tez — el yapımı bilgi yerine hesaplama gücüyle ölçeklenen öğrenme ve aramanın her zaman kazandığı — RL'nin bugünkü yükselişinde birebir doğrulanmış durumda. Örnek verimsizliği, seyrek ödüller ve ödül hackleme (reward hacking) hâlâ açık araştırma problemleridir; ancak 2026 itibarıyla RL, sınır modellerin eğitim bütçesinde ön-eğitimle yarışan bir paya ulaşmış durumdadır. Ajanik yapay zekanın — çok adımlı araç kullanan, kod yazan, bilgisayar kullanan sistemlerin — uçtan uca RL ile eğitilmesi, alanın bir sonraki büyük sınavı olarak görülüyor.

Joint probability (ortak olasılık), iki ya da daha fazla olayın eş zamanlı gerçekleşme olasılığını ifade eden temel bir istatistik kavramıdır. P(A ∩ B) ya da P(A, B) notasyonuyla gösterilir ve olasılık teorisinin, dolayısıyla makine öğrenmesinin köşe taşlarından birini oluşturur. Matematiksel açıdan joint probability, olayların bağımsız olup olmadığına göre iki farklı şekilde hesaplanır. A ve B olayları birbirinden bağımsızsa P(A, B) = P(A) × P(B) eşitliği geçerlidir. Bağımlı olaylar söz konusu olduğunda ise koşullu olasılık devreye girer: P(A, B) = P(A | B) × P(B). Bu ayrım, gerçek dünya verilerinin modellenmesinde kritik önem taşır. Yapay zeka ve makine öğrenmesi alanında joint probability dağılımları, birden fazla rastgele değişken arasındaki ilişkileri yakalamak için kullanılır. Naive Bayes sınıflandırıcıları, değişkenler arası bağımsızlık varsayımını kullanarak joint probability hesaplamalarını basitleştirir ve metin sınıflandırmada başarılı sonuçlar verir. Bayesian ağlar ise değişkenler arasındaki bağımlılık yapısını grafsel modeller aracılığıyla temsil eder ve joint dağılımı verimli biçimde hesaplamayı mümkün kılar. Derin öğrenme modellerinde joint probability, özellikle generatif modellerde merkezi bir rol üstlenir. Variational Autoencoders (VAE) ve Generative Adversarial Networks (GAN), veri dağılımının joint probability'sini öğrenerek gerçekçi örnekler üretir. Dil modellerinde ise P(kelime1, kelime2, ..., kelimenN) biçiminde ifade edilen joint probability, bir cümlenin olasılığını hesaplamak için temel alınır ve bu değer zincir kuralı yardımıyla koşullu olasılıkların çarpımına dönüştürülür. Joint probability'nin pratik uygulamaları geniş bir yelpazeye yayılır: anomali tespiti, öneri sistemleri, doğal dil işleme ve tıbbi tanı sistemleri bunların başında gelir. Gerçek dünya problemlerinde joint dağılımın doğrudan hesaplanması boyutsallık laneti nedeniyle zorlaşır; bu nedenle Markov zincirleri, bağımsızlık varsayımları ve yaklaşık çıkarım yöntemleri (variational inference, Monte Carlo örneklemesi) yaygın olarak kullanılır.

LLM (Büyük Dil Modeli) jailbreak; ChatGPT, Claude, Gemini gibi yapay zeka dil modellerinin içine yerleştirilmiş güvenlik filtrelerini, içerik politikalarını ve etik kısıtlamaları devre dışı bırakarak modelin istemediği içerik üretmesini sağlayan manipülatif istem (prompt) tekniklerinin tümüne verilen addır. Kavram, yazılım güvenliğindeki "jailbreak"ten esinlenilmiş bir metafordur; bir cihazın fabrika kısıtlamalarını aşmak yerine burada modelin eğitimle kazandırılan ahlaki sınırları atlatılmaktadır. LLM'ler, RLHF (İnsan Geri Bildiriminden Pekiştirmeli Öğrenme) ve Constitutional AI gibi yöntemlerle zararlı içerik üretmemek, yanlış bilgi vermemek ve belirli eylemleri gerçekleştirmekten kaçınmak üzere özel olarak eğitilmiştir. Jailbreak girişimleri bu eğitimi aşmayı hedefler. En yaygın teknikler şunlardır: DAN (Do Anything Now): Modele kısıtlama tanımayan sanal bir alter-ego benimsemesini emreden rol oynatma yöntemi. İlk kez 2022'de ChatGPT'ye karşı popülerleşti ve binlerce türevi ortaya çıktı. Rol Oynatma (Roleplay): Modelden kurgu veya bilim kurgu senaryosu içinde tehlikeli bilgi vermesini isteme; "bir roman karakteri olarak yanıtla" gibi yönlendirmeler. Prompt Enjeksiyonu (Prompt Injection): Sistem istemini (system prompt) geçersiz kılacak özel talimatların kullanıcı girdisine gizlenmesi; özellikle LLM tabanlı ajanlar için ciddi bir saldırı vektörü. Token Kaçakçılığı (Token Smuggling): Filtreleri atlatmak için kelimeleri parçalara bölme, Base64 kodlama veya dil değiştirme gibi gizleme yöntemleri. Bağlam Manipülasyonu: Uzun konuşma geçmişi veya dikkat dağıtıcı içerik kullanarak modelin güvenlik kurallarını "unutmasını" sağlama. Savunma tarafında OpenAI, Anthropic ve Google, sistem promptlarını güçlendirme, RLHF ile zararlı çıktıları cezalandırma, kırmızı ekip (red teaming) testleri ve girdi/çıktı filtreleme yöntemlerine başvurmaktadır. Ancak bu süreç bir "kedi-fare oyunu"dur; her yeni savunmaya yeni jailbreak yöntemleri eşlik etmektedir. Etik açıdan jailbreak'lar çift yönlü bir tablo çizer: güvenlik araştırmacıları ve kırmızı ekipler modellerin zayıflıklarını keşfetmek için bu teknikleri meşru biçimde kullanırken, kötü niyetli kullanım yanlış bilgi yayma, zararlı içerik üretimi ve sosyal mühendislik saldırılarına zemin hazırlar. EU AI Act ve benzeri düzenlemeler, model geliştiricilerini güvenlik açıklarını kapatmakla yükümlü kılmaktadır.

Yapay zeka bağlamında halüsinasyon (AI hallucination), büyük dil modellerinin (LLM) tamamen uydurulmuş, yanlış veya gerçeklikte karşılığı olmayan bilgileri son derece özgüvenli ve inandırıcı bir biçimde sunması durumudur. Model, bilginin yanlış olduğunu "fark etmeden" akıcı ve tutarlı görünen cümleler üretir; bu nedenle halüsinasyonlar sıradan yazım hatalarından çok daha tehlikelidir. Halüsinasyonların temel nedeni, LLM'lerin çalışma biçimidir: modeller bir sonraki tokeni istatistiksel olarak olası kılacak şekilde tahmin eder; doğruluğu sistematik biçimde doğrulamaz. Eğitim verisinde eksik ya da çelişkili bilgi bulunduğunda veya model kendi bilgi sınırlarını aşan bir soruyla karşılaştığında, gerçek bir yanıt üretmek yerine "makul görünen" bir yanıt üretmeye devam eder. Halüsinasyon türleri arasında olgusal hata (var olmayan araştırmaların, kişilerin veya olayların icadı), kaynak uydurma (gerçek görünen ama var olmayan akademik makalelerin atıfı), mantıksal tutarsızlık (aynı yanıt içinde çelişen ifadeler) ve bağlam dışı üretim (kullanıcının sorusunu yanlış anlayarak alakasız bilgi sunma) sayılabilir. Halüsinasyonla mücadelede kullanılan başlıca teknikler şunlardır: RAG (Retrieval-Augmented Generation) harici ve doğrulanmış bilgi kaynaklarını modelin bağlamına ekleyerek yanıt kalitesini artırır; RLHF (İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme) modeli daha gerçekçi yanıtlar üretmek üzere ince ayar yapar; CoT (Chain-of-Thought) prompting ise modeli adım adım akıl yürütmeye zorlayarak hatalı atlamaları azaltır. Bunlara ek olarak temperature parametresinin düşürülmesi, yapılandırılmış çıktı (structured output) formatları ve "Bilmiyorum" yanıtını destekleyen sistem istemleri de halüsinasyon oranını düşürür. Türkiye'deki geliştiriciler ve şirketler için halüsinasyon riski; hukuki, tıbbi ve mali uygulamalarda en kritik endişe kaynağıdır. RAG mimarisi ve insan denetimli doğrulama katmanları bu alanlarda standart uygulama hâline gelmiştir. Halüsinasyon değerlendirmesi için TruthfulQA, HaluEval ve RAGTRUTH gibi kıyaslama veri kümeleri kullanılmaktadır.

Konuşmacı Ayrıştırma (Speaker Diarization), bir ses kaydındaki farklı konuşmacıları otomatik olarak tanıyıp birbirinden ayıran ve her konuşmacının konuştuğu zaman dilimlerini etiketleyen yapay zeka teknolojisidir. Latince'de 'günlük' anlamına gelen 'diarize' kelimesinden türeyen bu terim, çok kişili ses kayıtlarını 'Kim ne zaman konuştu?' sorusunu yanıtlayacak biçimde bölümlere ayırmayı amaçlar. Bir ses kaydında birden fazla kişi konuştuğunda sistematik analiz yapmak güçleşir. Toplantı transkriptleri, çağrı merkezi kayıtları, röportajlar ve podcast'ler gibi içeriklerde hangi cümlenin hangi kişiye ait olduğunu bulmak emek yoğun bir süreçtir. Speaker diarization, bu süreci otomatikleştirir. Teknik olarak sistem; önce ses etkinlik tespiti (VAD) ile sessizlik ve konuşma bölgelerini ayırır, ardından konuşmacı gömme vektörü (speaker embedding) çıkarımı ile her bölümün konuşmacı parmak izini hesaplar ve son olarak kümeleme algoritmaları ile aynı kişiye ait bölümleri bir araya getirir. x-vector, d-vector ve ECAPA-TDNN gibi nöral gömme modelleri modern sistemlerin omurgasını oluşturmaktadır. Whisper gibi ASR modellerine ve NLP pipeline'larına entegre edilen speaker diarization, transkripsiyon çıktılarını yapılandırılmış, konuşmacı etiketli belgelere dönüştürür. pyannote.audio, NVIDIA NeMo ve AssemblyAI bu alanda öne çıkan açık kaynaklı ve ticari araçlardır. Hata metrikleri olarak DER (Diarization Error Rate) ve JER (Jaccard Error Rate) kullanılmakta; sektörde %5-15 DER aralığı iyi performans olarak kabul edilmektedir.