tag LLM
Bu sayfada LLM etiketi ile işaretlenmiş tüm yapay zeka kavramlarını inceliyorsunuz.
Anthropic Claude (Claude (Yapay Zeka))
Claude, OpenAI'ın eski kurucu üyelerinin kurduğu Anthropic şirketi tarafından geliştirilen ve ChatGPT'nin en büyük rakiplerinden biri olan yapay zeka büyük dil modelidir. Özelliği; "Constitutional AI" (Anayasal Yapay Zeka) prensibiyle insan güvenliğini ve etik kurallarını merkeze alarak eğitilmesi ve devasa veri dosyalarını (milyonlarca token) aynı anda okuyabilmesidir.
Attention Mechanism (Dikkat Mekanizması)
Dikkat Mekanizması (Attention), yapay sinir ağlarının uzun verileri (metin, görüntü, ses) işlerken, insanların yaptığına benzer şekilde verinin sadece önemli veya ilgili kısımlarına "odaklanmasını" sağlayan matematiksel bir tekniktir. Transformer mimarisinin ve günümüz büyük dil modellerinin (LLM) arkasındaki yegane sırdır.
Autonomous Agents (Otonom Ajanlar)
Otonom Ajanlar (Yapay Zeka Ajanları), bir kullanıcı tarafından verilen yüksek seviyeli bir hedefi (örn: "Rakip şirketleri analiz et ve bana bir rapor sun") gerçekleştirmek için, insan müdahalesi olmadan kendi başına alt-görevler üreten, internette araştırma yapan, karar veren ve araçlar (API, tarayıcı, kod) kullanabilen gelişmiş yapay zeka sistemleridir. AutoGPT ve Devin bu alanın öncüleridir.
Chain of Thought (CoT) (Düşünce Zinciri (Adım Adım Düşünme))
Düşünce Zinciri (Chain of Thought), büyük dil modellerinden (LLM) karmaşık matematik veya mantık sorularına anında cevap vermesi yerine, çözümü "adım adım" yazarak düşünmesini (sesli düşünmesini) isteyen bir Prompt Engineering (İstem Mühendisliği) tekniğidir. Bu basit teknik, yapay zekanın başarı oranını inanılmaz derecede artırır.
ChatGPT (ChatGPT)
ChatGPT, OpenAI tarafından geliştirilen ve Büyük Dil Modeli (LLM) mimarisi üzerine inşa edilmiş sohbet tabanlı yapay zeka asistanıdır. Metin anlama, üretme, kod yazma, analiz yapma ve çok adımlı görevleri gerçekleştirme yetenekleriyle Kasım 2022'deki lansmanından bu yana teknoloji tarihinin en hızlı büyüyen tüketici uygulaması olmuştur.
Copilot (Yapay Zeka Yardımcı Pilotu)
Copilot (Yardımcı Pilot), Microsoft tarafından popülerleştirilen ve kullanıcının çalıştığı yazılımın (IDE, Office uygulamaları, işletim sistemi) içine doğrudan entegre olarak, onun ne yaptığını anlayan ve arka planda bağlama uygun kod, metin veya analiz öneren yapay zeka asistanlarına verilen genel addır.
Deep Learning (Derin Öğrenme)
Derin Öğrenme (Deep Learning), insan beyninin çalışma prensibinden ilham alınarak geliştirilen yapay sinir ağlarını kullanarak çok katmanlı soyutlamalarla veriyi modelleyen makine öğrenmesi alt dalıdır. Geoffrey Hinton, Yann LeCun ve Yoshua Bengio gibi öncülerin çalışmalarıyla şekillenen bu alan, 2012 yılında ImageNet yarışmasında AlexNet'in gösterdiği çığır açan başarıyla ana akım haline gelmiştir. Günümüzde GPT, DALL-E, AlphaFold gibi devrim niteliğindeki modellerin temelini oluşturmaktadır.
Few-Shot Learning (Az-Atımlı Öğrenme)
Few-Shot Learning (Az-Atımlı Öğrenme), yapay zeka modellerinin, geleneksel derin öğrenmenin aksine on binlerce örnekle değil, sadece çok az sayıda (1 ile 10 arası) eğitim örneği görerek yeni bir nesneyi, konsepti veya görevi tanıyabilme/öğrenebilme yeteneğidir. İnsanların bir konsepti öğrenme biçimine çok benzer.
Fine-Tuning (İnce Ayar)
Fine-Tuning (İnce Ayar), devasa bir veri setiyle genel amaçlı olarak önceden eğitilmiş (pre-trained) bir yapay zeka modelinin (örn: LLaMA veya GPT-3), daha küçük ve spesifik bir veri seti kullanılarak belirli bir göreve veya sektöre (tıp, hukuk, kodlama vb.) uyarlanması işlemidir. Modeli sıfırdan eğitmek yerine mevcut bilgilerinin üzerine özel bir uzmanlık inşa edilmesini sağlar.
Gemini (Google Gemini Yapay Zeka)
Gemini, Google DeepMind tarafından baştan aşağı "Doğuştan Çok Modlu" (Natively Multimodal) olacak şekilde inşa edilen, metin, kod, resim, ses ve videoyu aynı anda anlayıp işleyebilen, dünyanın en gelişmiş büyük dil modelleri ailesinden biridir. Google'ın yapay zeka asistanı ve GPT-4'ün en büyük rakibidir.
Generative AI (Üretken (Generatif) Yapay Zeka)
Generatif Yapay Zeka (Üretken Yapay Zeka), var olan verilerden öğrenerek yeni, özgün içerik (metin, görsel, ses, video, 3D model, kod) üretebilen yapay zeka modellerinin genel adıdır. ChatGPT, Midjourney, DALL-E, Sora ve GitHub Copilot bu alanın öncü örnekleridir.
Generative Pre-trained Transformer (Üretken Ön-eğitimli Dönüştürücü)
GPT (Generative Pre-trained Transformer), OpenAI tarafından geliştirilen ve Transformer mimarisinin Decoder (Kod Çözücü) bölümünü kullanan büyük bir dil modeli serisidir. İnternetteki devasa boyuttaki metin verileri üzerinde denetimsiz olarak "ön-eğitim" (pre-training) alır. Ardından RLHF (İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme) tekniğiyle ince ayar yapılarak sohbet, kod yazma, çeviri ve akıl yürütme gibi görevlerde olağanüstü performans sergileyecek hale getirilir. ChatGPT'nin arkasındaki temel teknolojidir.
Groq (LPU) (Dil İşleme Birimi)
Groq, büyük dil modellerinin (LLM) cevap verme hızını inanılmaz bir seviyeye çıkaran, kendisini GPU değil "LPU (Language Processing Unit - Dil İşleme Birimi)" olarak adlandıran devrimsel bir donanım mimarisi ve girişim şirketidir. ChatGPT veya LLaMA modellerini NVIDIA GPU'lardan neredeyse 10 kat daha hızlı (saniyede 800+ kelime) çalıştırabilmesiyle şok etkisi yaratmıştır.
Grounding (Temellendirme)
Grounding (Temellendirme), bir büyük dil modelinin (LLM) ürettiği cevabı tamamen kendi hayal dünyasından ve hafızasından uydurması yerine (Halüsinasyon), üreteceği metni dış dünyadaki gerçek, doğrulanabilir ve güncel bir bilgi kaynağına (internet araması, şirket veritabanı, API) "dayandırması" işlemidir. RAG sistemlerinin temel amacıdır.
Hallucination (Yapay Zeka Halüsinasyonu)
Yapay zeka bağlamında Halüsinasyon, özellikle Büyük Dil Modellerinin (LLM) uydurma, yanlış, mantıksız veya gerçeklik payı olmayan bilgileri, sanki kesin doğruymuş gibi son derece özgüvenli ve inandırıcı bir şekilde sunması durumudur. Yapay zeka sistemlerinin güvenilirliğini etkileyen ve kurumsal adaptasyonun önündeki en büyük engellerden biri olarak kabul edilir.
Hugging Face (Açık Kaynak Yapay Zeka Merkezi)
Hugging Face, makine öğrenimi topluluğunun modellerini, veri setlerini (dataset) ve uygulamalarını paylaştığı, işbirliği yaptığı ve indirdiği, açık kaynak yapay zeka ekosisteminin merkezinde yer alan devasa bir platformdur. Yazılımcılar için GitHub neyse, yapay zeka araştırmacıları için de Hugging Face odur.
In-Context Learning (Bağlam İçi Öğrenme)
In-Context Learning (ICL), büyük dil modellerinin ağırlıklarını güncellemeden, yalnızca prompt içindeki birkaç örnek (few-shot) ya da tek bir açıklama (zero-shot) aracılığıyla yeni görevleri gerçekleştirebildiği bir yetenektir. Model, gradient güncellemesi yaşamadan bağlamdan öğrenir; bu öğrenme inference anında gerçekleşir ve oturum bitince sıfırlanır.
Jailbreak (LLM) (Model Kısıtlamalarını Aşma)
Kötü niyetli kullanıcıların veya araştırmacıların, Büyük Dil Modellerinin (ChatGPT, Claude vb.) içine yerleştirilmiş güvenlik ve etik kurallarını atlatmak için tasarladıkları manipülatif ve karmaşık istem (prompt) mühendisliği taktiğidir.
LangChain (LLM Uygulama Çerçevesi)
LangChain, büyük dil modelleri (LLM) etrafında karmaşık ve zincirleme uygulamalar (chatbotlar, RAG sistemleri, ajanlar) oluşturmayı kolaylaştıran popüler bir açık kaynaklı yazılım geliştirme kütüphanesidir (Framework). Bir dil modelini sadece prompt yazarak kullanmak yerine, onu veritabanlarına, arama motorlarına ve dış yazılımlara bağlamanın standartlaştırılmış kod mimarisini sunar.
Large Language Model (Büyük Dil Modeli)
Büyük Dil Modelleri (LLM), insan dilini anlamak, çevirmek, özetlemek, metin üretmek ve kod yazmak için milyarlarca (hatta trilyonlarca) parametre ve devasa veri setleriyle eğitilmiş gelişmiş yapay zeka sistemleridir. Genellikle Transformer mimarisi üzerine kuruludurlar. ChatGPT, Google Gemini, Anthropic Claude ve Meta LLaMA günümüzün en popüler Büyük Dil Modeli örnekleridir.
LLaMA (Meta LLaMA Modelleri)
LLaMA (Large Language Model Meta AI), Meta (eski adıyla Facebook) tarafından geliştirilen ve dünyanın en güçlü Açık Kaynak / Açık Ağırlıklı (Open Weights) büyük dil modeli serisidir. OpenAI gibi modellerini parayla API üzerinden satmak yerine, kodlarını ve ağırlıklarını tüm geliştiricilere ücretsiz açarak açık kaynak yapay zeka ekosisteminde (Hugging Face) devrim yaratmıştır.
LoRA (Low-Rank Adaptation) (Düşük Dereceli Adaptasyon)
LoRA (Low-Rank Adaptation), devasa büyük dil modellerini (LLM) veya görsel difüzyon modellerini ince ayar (Fine-Tuning) yapmak için kullanılan, parametre açısından son derece verimli bir (PEFT) tekniktir. Milyarlarca parametresi olan bir modeli baştan eğitmek yerine, modelin içine küçük matematiksel matrisler enjekte ederek eğitimin inanılmaz derecede ucuz, hızlı ve düşük hafızayla (tek bir ev GPU'sunda) yapılabilmesini sağlar.
Machine Translation (Makine Çevirisi)
Makine Çevirisi (MT), bilgisayar yazılımlarının insan müdahalesi olmadan metni veya konuşmayı bir dilden (kaynak dil) diğerine (hedef dil) çevirme işlemidir. 1950'lerdeki sözlük tabanlı sistemlerden, 2010'lardaki İstatistiksel Modellere ve günümüzdeki nöral (Neural Machine Translation - NMT) ve Transformer tabanlı büyük dil modellerine doğru büyük bir evrim geçirmiştir.
Mixture of Experts (MoE) (Uzmanların Karışımı)
Mixture of Experts (MoE), büyük bir yapay sinir ağını tek bir devasa ve hantal beyin olarak çalıştırmak yerine, ağın içine belirli konularda uzmanlaşmış daha küçük "uzman ağlar" (experts) yerleştiren ve her soru geldiğinde sadece o konuyla ilgili 1 veya 2 uzmanı uyandırarak (aktif ederek) devasa enerji ve hız tasarrufu sağlayan model mimarisidir. GPT-4'ün arkasındaki ana mimaridir.
Model Collapse (Model Çöküşü)
Model Çöküşü (Model Collapse), internetin büyük bir kısmının yapay zeka tarafından üretilmiş (sentetik) içeriklerle dolduğu bir senaryoda; gelecekteki yeni yapay zeka modellerinin, "insanlar tarafından yazılmış orijinal veriler" yerine "eski yapay zekaların yazdığı veriler" ile eğitilmesi sonucu zamanla aptallaşması, halüsinasyonlarının artması ve dünyayı anlama yeteneğini tamamen yitirmesi fenomenidir.
Model Watermarking (Model Filigranı)
Model Filigranı, yapay zeka modellerine veya ürettikleri içeriklere (metin, görüntü, ses) gizli bir işaret yerleştirme tekniğidir. Bu teknik; modelin kimliğini doğrulamak, fikri mülkiyet haklarını korumak ve izinsiz kullanımı tespit etmek amacıyla kullanılır. Tıpkı banknotlardaki basılı filigranlara benzer biçimde, yapay zeka filigranları olağan kullanımda fark edilmeden özel algoritmalarla tespit edilebilecek şekilde tasarlanır. Model filigranlamanın iki ana katmanı vardır. Birincisi, modelin ağırlıklarına ya da eğitim sürecine gömülen model ağırlık filigranıdır; bu yöntemle modelin kopyalandığı veya çalındığı durumlar tespit edilebilir. İkincisi ise modelin ürettiği çıktılara yerleştirilen çıktı filigranıdır; bu sayede hangi içeriğin hangi model tarafından üretildiği izlenebilir. Büyük dil modellerinde (LLM) metin filigranı genellikle token seçim olasılıklarına müdahale edilerek uygulanır. Stanford ve Maryland Üniversitesi araştırmacılarının geliştirdiği 'kırmızı-yeşil liste' yaklaşımında her token için rastgele sınıflandırma yapılır ve model yeşil listedeki tokenleri istatistiksel olarak daha sık seçer; bu eğilim sonraki analizde filigranı ortaya çıkarır. Görüntü modellerinde ise frekans alanına (DCT/DWT dönüşümleri) ya da gizli uzaya (latent space) bilgi gömme yaygındır. Stable Diffusion benzeri modellerde 'Stable Signature' ve 'Tree-Ring Watermark' gibi yöntemler oluşturulmuştur. Regülatuar açıdan model filigranı giderek daha kritik bir hal almaktadır. Avrupa Birliği Yapay Zeka Yasası (AI Act), yüksek riskli yapay zeka sistemleri için içerik kökeninin işaretlenmesini zorunlu kılmaktadır. ABD'nin 2023 Yürütme Kararı da yapay zeka şirketlerini su işareti standartları geliştirmeye yönelik çalışmalar yapmaya teşvik etmektedir. Bu gelişmeler, model filigranını araştırmadan endüstriyel zorunluluğa dönüştürmektedir.
Multi-Agent Systems (Çoklu Ajan Sistemleri)
Çoklu Ajan Sistemleri (Multi-Agent Systems), tek bir süper yapay zekanın tüm işi yapması yerine, her biri belirli bir görevde uzmanlaşmış (örn: biri kod yazan, biri kodu test eden, biri araştırma yapan) birden fazla Otonom Ajanın (Agent) kendi aralarında sohbet ederek, tartışarak ve işbirliği yaparak karmaşık bir projeyi baştan sona tamamladıkları yapılardır.
Natural Language Generation (NLG) (Doğal Dil Üretimi)
Doğal Dil Üretimi (NLG), bilgisayarın elindeki verilerden, sayılardan veya analizlerden yola çıkarak insanlar tarafından anlaşılabilir, anlamlı ve akıcı metinler veya konuşmalar üretme sürecidir. NLU (Anlama) okumak ise, NLG konuşmak veya yazmaktır.
Natural Language Processing (Doğal Dil İşleme)
Doğal Dil İşleme (NLP — Natural Language Processing), bilgisayarların insan dilini anlama, yorumlama, üretme ve anlamlı şekilde 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 sahiptir.
Natural Language Understanding (NLU) (Doğal Dil Anlama)
Doğal Dil Anlama (NLU), NLP'nin (Doğal Dil İşleme) alt dalı olan ve bilgisayarların sadece kelimeleri okumasını değil, o kelimelerin arkasındaki insan niyetini (intent), duyguyu, bağlamı ve belirsizlikleri kavramasını sağlayan yapay zeka alanıdır. Yazı yazmak veya üretmekle değil, tamamen 'okuduğunu anlamakla' ilgilenir.
Parameters (Parametreler)
Parametreler, bir yapay sinir ağının eğitim süreci boyunca verilerden öğrendiği, hafızasına kaydettiği ve kararlarını verirken kullandığı iç değişkenlerdir (ağırlıklar ve sapmalar). Bir modelin "büyüklüğü" genellikle parametre sayısı ile ölçülür. Örneğin GPT-3'ün 175 milyar parametresi vardır.
Prompt Engineering (İstem Mühendisliği)
Prompt Engineering (İstem Mühendisliği), Büyük Dil Modelleri (LLM) veya görsel üretim yapay zekalarıyla (Midjourney, DALL-E) etkileşime girerken, istenen çıktıyı en verimli ve doğru şekilde elde etmek için verilen komutları (prompt) tasarlama, optimize etme ve rafine etme sürecidir. Sadece bir metin yazmak değil, yapay zekanın "mantığını" yönlendirerek sıfır hata (zero hallucination) hedefine ulaşmak için kullanılan kritik bir yeni nesil beceridir.
Prompt Engineering (Prompt Mühendisliği)
Prompt Mühendisliği (İstem Mühendisliği), bir yapay zeka dil modelinden (ChatGPT, Claude, Gemini) istenen kalitede, doğrulukta ve formattaki çıktıyı elde etmek amacıyla girdi metnini (prompt'u) yapılandırma, optimize etme ve sistematik biçimde test etme bilimidir.
Prompt Injection (İstem Enjeksiyonu)
Prompt Injection (İstem Enjeksiyonu), siber güvenlikte "SQL Injection"ın yapay zeka dünyasındaki karşılığıdır. Kötü niyetli kullanıcıların, büyük dil modeline (LLM) özel ve gizli komutlar göndererek, modelin yaratıcıları tarafından konulan kuralları (sistem promptlarını) aşması, sistemi manipüle etmesi veya gizli verileri sızdırmasını sağlayan bir siber saldırı türüdür.
Prompt Tuning (İstem Ayarlama (Soft Prompting))
Prompt Tuning (veya Soft Prompting), devasa dil modellerini eğitmek (Fine-tuning) için milyarlarca parametreyi güncellemek yerine, modele verilecek olan "komutun/promtpun" matematiksel vektörlerini makine öğrenimi yoluyla optimize eden bir Parameter-Efficient Fine-Tuning (PEFT) tekniğidir.
Quantization (Kuantizasyon (Model Küçültme))
Kuantizasyon, devasa boyutlardaki yapay zeka modellerinin (Örn: LLaMA, GPT) matematiksel doğruluğundan çok az taviz vererek, dosya boyutlarını ve kullandıkları belleği (RAM/VRAM) dramatik şekilde küçültme işlemidir. Bu teknik sayesinde 100 GB RAM isteyen bir model, evimizdeki bir telefona veya akıllı saate sığabilir hale gelir.
RAFT (Retrieval-Augmented Fine-Tuning) (Geri Getirim Destekli İnce Ayar)
RAFT (Retrieval-Augmented Fine-Tuning), bir LLM'i şirket verisiyle uzmanlaştırmak için kullanılan iki dev rakip teknolojinin; yani "RAG (Veritabanından belge okuma)" ile "Fine-Tuning (Modelin beynini yeniden eğitme)" süreçlerinin en güçlü yönlerini birleştiren en güncel (2024) ve hibrit yapay zeka eğitim yöntemidir.
RAG (Geri Getirim Artırılmış Üretim)
RAG (Retrieval-Augmented Generation), büyük dil modellerinin (LLM) dış veri kaynaklarından veya şirket içi özel belgelerden gerçek zamanlı olarak bilgi çekmesini (retrieval) ve bu bilgileri kullanarak daha doğru, güncel ve halüsinasyonsuz yanıtlar üretmesini (generation) sağlayan yapay zeka mimarisidir. Temelde yapay zekaya, cevap vermeden önce okuyup referans alabileceği kapalı bir "kütüphane" verme işlemidir.
Reasoning Model (Akıl Yürüten Model)
Reasoning model, cevap vermeden önce gizli bir düşünce zinciri ("thinking trace") üretip bunu değerlendiren büyük dil modeli ailesidir. Klasik LLM'ler bir sonraki tokeni doğrudan tahmin ederken, reasoning model bu adımları içselleştirerek problem üzerinde iteratif biçimde çalışır. OpenAI o1/o3, DeepSeek-R1 ve Claude Extended Thinking bu ailenin en bilinen örnekleridir.
Self-Supervised Learning (Öz-Denetimli Öğrenme)
Öz-Denetimli Öğrenme (SSL), makine öğreniminde insanların verileri manuel etiketlemesine gerek kalmadan (Denetimsiz), modelin verinin bir kısmını saklayıp kendi kendine "Saklı olanı tahmin et" (Denetimli) oyunu oynayarak devasa miktarda bilgiyi öğrendiği, modern büyük dil modellerinin (LLM) temel eğitim yöntemidir.
Soft Prompting (Yumuşak İstem)
Soft Prompting, yapay zeka modellerini yönlendirmek için İngilizce/Türkçe gibi doğal insan dillerinde kelimeler yazmak (Hard Prompt) yerine, modelin eğitim sürecinde kendi kendine keşfettiği, insanların anlayamayacağı sayılardan (vektörlerden) oluşan sanal/matematiksel komutlar (Soft Prompt) kullanma sanatıdır.
Tokenization (Tokenizasyon (Parçalara Ayırma))
Tokenizasyon, doğal dil işleme (NLP) ve Büyük Dil Modellerinde (LLM), insan dilindeki metinlerin bilgisayarın işleyebileceği matematiksel birimlere (token) bölünmesi işlemidir. Yapay zeka kelimeleri bizim gibi okumaz; onları hecelere, harflere veya kelime köklerine parçalayarak (token) her birine benzersiz bir kimlik numarası (ID) atar. Bir cümlenin yapay zekaya yedirilmeden önceki ilk çiğneme adımıdır.
Transformer (Dönüştürücü Mimarisi)
Transformer, 2017 yılında Google araştırmacıları tarafından "Attention Is All You Need" makalesiyle tanıtılan, derin öğrenmede çığır açan bir yapay sinir ağı mimarisidir. Veriyi sıralı (sequential) olarak işleyen eski RNN ve LSTM modellerinin aksine, Transformer modeli "Self-Attention" (Öz-Dikkat) mekanizması sayesinde tüm girdileri eşzamanlı (paralel) olarak işler. Bu mimari, günümüzdeki ChatGPT, BERT ve Gemini gibi devasa Büyük Dil Modellerinin (LLM) temelini oluşturur.
Tree of Thoughts (ToT) (Düşünce Ağacı)
Düşünce Ağacı (Tree of Thoughts), Düşünce Zinciri (CoT) yönteminin evrimleşmiş, çok daha karmaşık problemler için kullanılan bir karar alma mimarisidir. Yapay zekanın sadece tek bir düz mantık yoluyla değil, aynı anda birden fazla alternatifi ve hipotezi düşünmesini, dallanmasını ve çıkmaz sokakları fark ettiğinde geri dönüp farklı bir hipotezi (ağaç dalını) denemesini sağlar.
Vector Space (Vektör Uzayı)
Vektör Uzayı (Vector Space), yapay zekanın (özellikle LLM'lerin) kelimeleri, resimleri ve kavramları depoladığı ve birbiriyle ilişkilendirdiği; bizim algılayabildiğimiz 3 boyutlu dünyanın aksine, binlerce hatta on binlerce matematiksel boyuttan oluşan soyut ve çok boyutlu uzaydır.
Zero-Shot Learning (Sıfır-Atımlı Öğrenme)
Zero-Shot Learning (ZSL), bir yapay zeka modelinin eğitim aşamasında daha önce hiç görmediği ve etiketli verisine sahip olmadığı bir nesneyi, kavramı veya görevi başarılı bir şekilde tanıyabilmesi veya yerine getirebilmesi yeteneğidir. Özellikle ChatGPT gibi büyük dil modellerinde yaygın olarak kullanılan bir kavramdır.
Zero-Trust AI (Sıfır Güven Yapay Zeka)
Sıfır Güven Yapay Zeka (Zero-Trust AI), siber güvenlikteki "Hiçbir şeye güvenme, daima doğrula" (Zero Trust) felsefesinin yapay zeka modelleri ve veri hatları için uyarlanmış halidir. Bir AI sisteminin, kullandığı verilere, aldığı komutlara ve hatta kendi ürettiği cevaplara bile şüpheyle yaklaşmasını ve her adımda güvenlik/etik doğrulaması yapmasını öngören mimari yaklaşımdır.