tag Derin Öğrenme
Bu sayfada Derin Öğrenme etiketi ile işaretlenmiş 94 yapay zeka kavramını bulabilirsiniz.
Derin Öğrenme (Deep Learning), çok sayıda işlem katmanından oluşan yapay sinir ağlarını kullanarak verilerden hiyerarşik temsiller öğrenen makine öğrenmesi alt dalıdır. 2012'de AlexNet'in ImageNet yarışmasını kazanmasıyla ana akıma giren derin öğrenme, görüntü tanıma, doğal dil işleme, ses sentezi ve oyun oynama gibi alanlarda insan performansını aşan sonuçlar üretmektedir. Temel yapı taşı yapay nörondur: gelen sinyallerin ağırlıklı toplamını bir aktivasyon fonksiyonundan (ReLU, sigmoid, tanh) geçirerek çıktı üretir. Yüzlerden binlerce nöronun art arda katmanlar oluşturması hiyerarşik özellik çıkarımını mümkün kılar. Erken katmanlar kenar ve doku gibi düşük seviye özellikleri, derin katmanlar yüz veya nesne gibi yüksek seviye soyutlamaları kodlar. Geri yayılım (backpropagation) ve stokastik gradyan inişi (SGD) bu ağırlıkları optimize eder; her adımda tahmin hatasını küçültecek yönde parametre güncellenir. Mimari ailesi geniştir. Evrişimli sinir ağları (CNN) görüntü verisini işlemek için yerel bağlantı ve ağırlık paylaşımı kullanır; ResNet ve EfficientNet bu ailenin tanınan üyeleridir. Tekrarlayan sinir ağları (RNN) ve kapılı varyantı LSTM zaman serisi ve metin verisini sıralı olarak işler. Transformer mimarisi, öz-dikkat mekanizmasıyla paralel eğitim avantajı sunar ve GPT, BERT, T5 gibi büyük dil modellerinin temelini oluşturur. Üretici çekişmeli ağlar (GAN), varyasyonel otokodlayıcılar (VAE) ve difüzyon modelleri yeni içerik sentezler. Derin öğrenmenin temel gereksinimleri büyük veri ve yüksek işlem gücüdür; NVIDIA GPU'ları ve Google TPU'ları bu ihtiyacı karşılar. Aşırı uyum sorunuyla başa çıkmak için dropout, toplu normalizasyon ve veri artırma teknikleri yaygın biçimde uygulanır. Transfer öğrenme ise önceden eğitilmiş modellerin yeni görevlere uyarlanmasını sağlar; böylece veri ve hesaplama maliyeti büyük ölçüde azalır. Pratik uygulamaları arasında tıbbi görüntü analizi, özerk araç algı sistemleri, gerçek zamanlı konuşma tanıma ve kişiselleştirilmiş öneri motorları öne çıkar. GPT, Claude ve Gemini gibi büyük dil modelleri ile Stable Diffusion ve Midjourney gibi görsel üretim sistemleri doğrudan derin öğrenme mimarileri üzerine inşa edilmiştir. Türkiye'de e-ticaret kişiselleştirme, bankacılık dolandırıcılık tespiti ve Türkçe NLP uygulamaları başlıca kullanım senaryoları arasındadır. PyTorch ve TensorFlow, araştırmacıların ve geliştiricilerin bu modelleri hızla hayata geçirebildiği başlıca açık kaynak çerçevelerdir.
Audio Classification (Ses Sınıflandırma)
Ses Sınıflandırma (Audio Classification), bir ses sinyalinin içeriğini otomatik olarak belirlenmiş kategorilere atayan makine öğrenimi ve derin öğrenme sürecidir. Geleneksel ses işleme yöntemleri elle tasarlanmış özelliklere (MFCC, mel-spektrogram gibi) dayanırken, modern derin öğrenme modelleri bu temsilleri doğrudan girdi alarak sınıflandırma görevini otomatik özellik çıkarımıyla gerçekleştirir. En yaygın yaklaşım, ses sinyalini görsel bir frekans-zaman temsili olan mel-spektrograma dönüştürmek ve ardından bu görüntü üzerinde evrişimli sinir ağları (CNN) uygulamaktır. Bu yaklaşım, bilgisayarlı görme alanındaki ilerlemelerin ses sınıflandırmaya başarıyla aktarılmasını sağlamıştır. YAMNet ve PANN (Pre-trained Audio Neural Networks) gibi büyük ölçekli ön eğitimli modeller, transfer learning aracılığıyla küçük veri kümeleri için de yüksek başarım sunmaktadır. Ses sınıflandırma problemleri çeşitli biçimler alabilir: müzik türü tanıma (pop, rock, caz), kentsel ses tanıma (araba kornası, müzik aleti, insan sesi), çevresel ses sınıflandırma (yağmur, rüzgar, hayvan sesleri), tıbbi ses analizi (öksürük, nefes sesleri, kalp atışı) ve konuşma/müzik/gürültü ayrımı bunların başında gelmektedir. Değerlendirme metrikleri problemin türüne göre değişir: ikili sınıflandırmada F1 skoru ve AUC, çok sınıflı görevlerde doğruluk ve karışıklık matrisi, çok etiketli görevlerde ise mAP (mean Average Precision) tercih edilir. Google'ın AudioSet veri kümesi 632 ses kategorisi ve yaklaşık 2 milyon etiketli video klipiyle genel amaçlı ses sınıflandırma modellerinin eğitimini mümkün kılmaktadır. Ses sınıflandırma, yapay zeka uygulamalarında artmakta olan önemiyle akıllı ses işleme ekosisteminin temel bir bileşeni hâline gelmiştir.
Batch Normalization (Toplu Normalleştirme)
Batch Normalization (Toplu Normallesme), derin sinir aglarinin egitimi sirasinda her katmanin aktivasyonlarini mini-batch istatistiklerini kullanarak normalize eden ve bu sayede egitimi hizlandirip kararlilastiran bir tekniktir. 2015 yilinda Ioffe ve Szegedy tarafindan yayimlanan makale, BN'yi derin ogrenme camiasinin standart yontemlerinden biri haline getirdi. BN algoritmasini adim adim inceleyelim. Her mini-batch icin, hedef katmanda gelen aktivasyonlarin batch ortalamasisi ve varyansi hesaplanir. Bu istatistiklerle aktivasyonlar normalize edilir, yani ortalama 0, varyans 1 olur. Ardindan iki ogrenilir parametreyle (gama, beta) yeniden olcelkendirme yapilir: gama aktivasyonlarin olcegini, beta ise kaydirmasini belirler. Bu yeniden olceklendirme adimi, normalizasyonun modelin ifade gucunu kisitlamamasini saglar; model gerekirse orijinal dagilima benzer bir ciktiya geri donebilir. BN'nin en onemli pratik faydasi egitimin hizlanmasidir. Normallesme, gradyanlarin katmanlar arasinda daha tutarli bir buyuklukle akmasini saglar; bu cok daha yuksek learning rate kullanimi ve daha az epoch ile yakinsama anlamina gelir. Bazi deneyler BN'nin egitimi 5-10 kat hizlandirabildigini gostermistir. Mekanizma tartismali olsa da BN, "internal covariate shift" sorununu azalttigini iddia eden yaklasimla tanitilmistir. Derin ag egitiminde alt katmanlardaki agirlik guncellemeler, ust katmanlarin girdi dagilimini surdurur degistirir; bu degisim ogrenmeyi yavaslattir. BN her katmanin girdi dagilimini dengeleyerek bu sorunu azaltir. Transformer mimarisinin yayginlasmisiyla Layer Normalization (LayerNorm) on plana cikmiştir. LayerNorm batch boyutu yerine ozellik boyutu uzerinden normalizasyon yapar; tek ornekle de calistigindan RNN ve Transformer'larda tercih edilir. **Sik Sorulan Sorular** **Batch Normalization hangi konuma yerlestirilir?** Geleneksel olarak lineer katman veya evrisme katmani ile aktivasyon fonksiyonu arasina yerlestirilir. Ancak "pre-activation" yaklasiminda aktivasyondan once konumlandirma da kullanilir; performans farkli mimarilerde degisebilir. **Kucuk batch size'larda BN calisir mi?** Kucuk batch'lerde BN'nin istatistiksel tahminleri guvenilmez hale gelebilir. Bu durumda Group Normalization veya Layer Normalization daha kararlı alternatiflerdir. **BN neden inference'ta farkli davranir?** Egitimde mini-batch istatistikleri kullanilirken inference'ta egitim boyunca biriktirilen hareketli ortalama (running mean/variance) kullanilir. Bu model eval() ve train() modlari arasindaki farkliliktan kaynaklanir. **Transformer'lar neden LayerNorm kullanir?** Transformer'larin sekanslar ve self-attention yapilariyla calismasi, batch boyutuna bagli bir normalizasyonu pratik kilmaz. LayerNorm her ornegi bagimsiz normalize ettiginden bu mimariyle dogal bir uyum icindedir.
Generative Adversarial Networks (Üretici Çekişmeli Ağlar)
GAN (Generative Adversarial Networks — Üretici Çekişmeli Ağlar), 2014 yılında Ian Goodfellow ve ekibi tarafından Montréal Üniversitesi'nde geliştirilen devrimsel bir derin öğrenme mimarisidir. Sistem, birbirine rakip iki yapay sinir ağından oluşur: Üretici (Generator) ve Ayırt Edici (Discriminator). Bu iki ağın rekabeti, gerçeğinden ayırt edilemeyen görüntü, ses ve video içeriklerinin üretilebilmesini sağlar. Üretici ağ, rastgele gürültüden yola çıkarak gerçekçi görünümlü içerik sentezler. Ayırt Edici ağ ise kendisine sunulan içeriğin gerçek mi yoksa üretici tarafından yaratılmış mı olduğunu belirlemeye çalışır. Bu süreç, oyun teorisindeki sıfır-toplam oyununa benzer: Üretici, Ayırt Ediciyi kandırmaya; Ayırt Edici de sahtekarlığı yakalamaya çalışır. İki ağ binlerce iterasyon boyunca birlikte eğitildikçe her ikisi de gelişir; son noktada Üretici öyle gerçekçi çıktılar üretir ki Ayırt Edici artık gerçeği sahteden ayırt edemez. GAN mimarisinin en çarpıcı uygulaması ThisPersonDoesNotExist.com sitesindeki hiper-gerçekçi yüzlerdir; bu yüzlerin sahibi gerçek bir insan değildir. Bunun yanı sıra GAN'lar; düşük çözünürlüklü görüntüleri 4K'ya yükseltme (süper çözünürlük), stil transferi, tıbbi görüntü veri setlerini yapay örneklerle büyütme ve deepfake video üretimi gibi alanlarda yaygın biçimde kullanılır. En bilinen GAN varyantları arasında foto-gerçekçi yüz sentezi için NVIDIA'nın StyleGAN2/3'ü, eşleştirilmemiş veri setleriyle at-zebra dönüşümü gibi görevler için CycleGAN ve uydu-harita çevirisi gibi eşleştirilmiş dönüşümler için Pix2Pix sayılabilir. GAN'ların en büyük zayıflığı eğitim sürecindeki istikrarsızlıktır. Mode collapse sorunu, Üreticinin çeşitliliği kaybedip yalnızca birkaç tipik örnek üretmesiyle ortaya çıkar. 2022'den itibaren Stable Diffusion ve DALL-E 2 gibi difüzyon modelleri, genel görüntü üretiminde GAN'ın yerini büyük ölçüde almıştır. Bununla birlikte gerçek zamanlı video sentezi ve düşük gecikme gerektiren edge uygulamalarında GAN mimarisi hâlâ önemli konumunu korumaktadır.
LSTM (Long Short-Term Memory) (Uzun Kısa Vadeli Hafıza)
LSTM (Long Short-Term Memory — Uzun Kısa Vadeli Hafıza), standart tekrarlayan sinir ağlarının (RNN) uzun vadeli bağımlılıkları öğrenememesi sorununu çözmek amacıyla 1997 yılında Sepp Hochreiter ve Jürgen Schmidhuber tarafından önerilen özel bir derin öğrenme mimarisidir. Vanilla RNN'ler, zaman içinde geriye doğru yayılan gradyanların katmanlar boyunca küçülerek sıfıra yaklaşmasıyla ortaya çıkan kaybolan gradyan probleminden muzdaripti; bu durum modelin uzun metin dizileri veya ses verilerindeki uzak bağımlılıkları öğrenmesini imkânsız kılıyordu. LSTM bu sorunu üç kapı mekanizmasıyla çözer. Unutma kapısı (forget gate), hücre durumundan hangi bilgilerin atılacağına karar verir; sigmoid aktivasyon fonksiyonu 0 ile 1 arasında bir değer üretir ve buna göre geçmiş bilgi kısmen veya tamamen silinir. Giriş kapısı (input gate), yeni bilgilerin hücre durumuna ne ölçüde ekleneceğini denetler; sigmoid çıktısı ile tanh aktivasyonundan geçirilmiş aday değerlerin çarpımıyla güncelleme gerçekleşir. Çıkış kapısı (output gate) ise hücre durumunun hangi kısmının bu adımın gizli durumu olarak dışarıya aktarılacağını belirler. Bu mimari, özellikle dizi-dizi (seq2seq) görevlerinde 2010'ların başından ortasına kadar baskın model olmuştur. Makine çevirisi, konuşma tanıma, el yazısı tanıma, zaman serisi tahmini ve metin üretimi alanlarında LSTM tabanlı modeller uzun yıllar boyunca en iyi sonuçları üretmiştir. Google Translate, 2016 yılında kural tabanlı sistemden LSTM tabanlı sinir ağı çevirisine geçerek çeviri kalitesinde büyük bir sıçrama kaydetmiştir. 2017'den itibaren Transformer mimarisinin yükselişiyle LSTM'nin hâkimiyeti azalmıştır. Transformer'lar dikkat mekanizması (attention) aracılığıyla paralel hesaplamaya olanak tanıyarak eğitim hızını dramatik biçimde artırır; bu avantaj GPT ve BERT gibi büyük dil modellerinin temelini oluşturur. Bununla birlikte LSTM, sinyal işleme, finans zaman serileri ve kaynak kısıtlı ortamlar gibi alanlarda hâlâ tercih edilen bir mimari olmaya devam etmektedir.
Noise Cancellation (Yapay Zeka ile Gürültü Engelleme)
Noise Cancellation (Gürültü Engelleme), yapay zeka ve derin öğrenme modellerini kullanarak ses sinyallerindeki istenmeyen arka plan gürültüsünü gerçek zamanlı olarak tespit edip bastıran ses işleme teknolojisidir. Geleneksel aktif gürültü engelleme (ANC) yöntemleri donanım tabanlı olup ters fazlı ses dalgaları üretirken; yapay zeka tabanlı gürültü engelleme, eğitilmiş nöral ağlar aracılığıyla yalnızca yazılım katmanında çalışır ve çok daha geniş bir gürültü spektrumunu bertaraf edebilir. Bu teknoloji, özellikle video konferans, uzaktan çalışma, oyun ve işitme cihazları alanlarında yaygın kullanım bulmaktadır. NVIDIA RTX Voice, Krisp, Microsoft Teams Gürültü Giderme ve Zoom'un arka plan ses filtresi bu teknolojiyi kullanan öncü ürünler arasında sayılabilir. Yapay zeka tabanlı gürültü engelleme sistemleri genellikle yinelemeli sinir ağları (RNN), uzun kısa süreli bellek (LSTM) modelleri veya dönüştürücü (transformer) mimarileri üzerine inşa edilir. Modeller, eşleştirilmiş temiz ses ve gürültülü ses veri kümeleri kullanılarak eğitilir; bu sayede sisteme yeni bir ses geldiğinde konuşma sinyali ile gürültü sinyalini birbirinden ayırt edebilir hale gelirler. Teknolojinin en büyük avantajı, frekans bandına bağımlı olmayan geniş spektrum gürültü bastırması sunmasıdır: klavye sesi, iklim cihazı uğultusu, sokak gürültüsü ve cafe kalabalığı gibi birbirinden farklı gürültü türlerini aynı model işleyebilir. Bunun yanı sıra sistem, kullanıcının sesini koruyarak yalnızca arka plan seslerini filtrelemekte; bu da konuşma anlaşılırlığını önemli ölçüde artırmaktadır. Modern çözümlerde gecikme süresi genellikle 20 milisaniyenin altındadır; bu değer, gerçek zamanlı iletişim uygulamalarında kabul edilebilir eşiğin çok altındadır. Daha gelişmiş modeller, yalnızca gürültüyü bastırmakla kalmayıp konuşmacının sesini de iyileştirme özelliğini bünyesinde barındırır.
Speech Enhancement (Konuşma İyileştirme)
Konuşma İyileştirme (Speech Enhancement), gürültülü ortamlarda kaydedilen ya da iletilen ses sinyallerinin kalitesini yapay zeka ve derin öğrenme yöntemleriyle artırma sürecidir. Geleneksel istatistiksel yaklaşımlar (Wiener filtresi, MMSE gibi) sabit gürültü modellerini varsayarken, derin öğrenme tabanlı modeller değişken ve karmaşık gürültü koşullarında da etkili biçimde çalışabilmektedir. Modern sistemler; evrişimli sinir ağları (CNN), tekrarlayan sinir ağları (RNN, LSTM), üretken çekişmeli ağlar (GAN) ve Transformer mimarilerini tek başına ya da hibrit olarak kullanmaktadır. Bu ağlar, eğitim aşamasında binlerce gürültülü ve temiz ses çifti üzerinde optimize edilen bir dönüşüm fonksiyonunu öğrenerek gerçek zamanlı gürültü giderme yapabilmektedir. Tipik bir işlem hattında ses sinyali kısa zamanlı Fourier dönüşümüyle (STFT) frekans-zaman bölgesine aktarılır, sinir ağı tarafından işlenir ve ters dönüşümle (iSTFT) yeniden zaman bölgesine döndürülür. Kalite değerlendirmesi için standart metrikler kullanılmaktadır: PESQ (Perceptual Evaluation of Speech Quality) genel ses kalitesini, STOI (Short-Time Objective Intelligibility) anlaşılırlığı, CSIG ve CBAK ise arka plan gürültüsünün müdahalesini ve konuşma bozulmasını ölçer. DeepFilterNet gibi ileri düzey modeller PESQ skorunu 3.17 seviyesine çıkarırken işlem yükünü mobil cihazlarda kullanılabilir düzeyde tutmaktadır. Uygulama alanları son derece geniştir: video konferans yazılımları, akıllı hoparlörler ve sesli asistanlar, işitme cihazları, otomatik altyazı sistemleri, radyo yayıncılığı ve sağlık kayıt sistemleri bu teknolojiden yoğun olarak yararlanmaktadır. Konuşma tanıma (ASR) sistemlerinin ön işleme adımı olarak kullanılması, gürültülü ortamlarda tanıma doğruluğunu belirgin şekilde artırmaktadır.
Acoustic Model (Akustik Model)
Akustik Model, otomatik konuşma tanıma (ASR) sistemlerinin temel bileşenidir ve ses sinyalleri ile dilbilimsel birimler (fonemler, seslemler veya sözcükler) arasındaki istatistiksel ilişkiyi temsil eden bir modeldir. Konuşma işlemenin çekirdeğinde yer alan bu yapı, ham ses dalgalarını sayısal özelliklere (genellikle MFCC — Mel Frekansı Kepstral Katsayıları) dönüştürerek hangi sesbirime veya sözcüğe karşılık geldiğini olasılıksal olarak tahmin eder. Tarihsel olarak akustik modeller, Gizli Markov Modelleri (Hidden Markov Models — HMM) ve Gauss Karışım Modelleri (GMM) üzerine inşa edilmiştir. Bu klasik yaklaşımda her fonem, ayrı bir durum makinesiyle temsil edilir ve gözlem olasılıkları Gauss dağılımlarıyla hesaplanır. 1970'lerden 2000'lerin başına kadar konuşma tanımanın baskın paradigması olan bu yöntem, sınırlı veri ve hesaplama gücüyle bile kabul edilebilir sonuçlar vermiştir. Derin öğrenmenin yükselişiyle birlikte akustik modeller köklü bir dönüşüm geçirmiştir. Günümüz sistemlerinde Derin Sinir Ağları (DNN), Tekrarlayan Sinir Ağları (RNN), LSTM ve Transformer mimarileri, HMM ile hibrit ya da tamamen uçtan uca (end-to-end) biçimde kullanılmaktadır. OpenAI'nin Whisper modeli gibi son nesil sistemler, dil modelini ve akustik modeli tek bir Transformer mimarisi altında birleştirerek son derece yüksek doğruluk oranları elde etmektedir. Akustik modelin eğitimi için yüzlerce hatta binlerce saat etiketlenmiş ses kaydı gerekmektedir. Çevre gürültüsü, farklı aksanlar, mikrofon kalitesi ve konuşma hızı gibi faktörler tanıma doğruluğunu doğrudan etkiler. Transfer learning ve self-supervised learning yaklaşımları (wav2vec, HuBERT gibi modeller), etiketli veri ihtiyacını önemli ölçüde azaltmıştır. Akustik model çıkışı genellikle fonem olasılıkları dizisidir; bu olasılıklar dil modeli ile birleştirilerek nihai kelime transkripti üretilir.
Activation Function (Aktivasyon Fonksiyonu)
Aktivasyon Fonksiyonu, yapay sinir ağlarında (YSA) her nöronun çıktısını belirleyen matematiksel bir dönüşüm fonksiyonudur. Biyolojik nöronların "ateşleme eşiğine" benzer şekilde, yapay bir nöronun aldığı ağırlıklı toplam sinyali alıp, bir sonraki katmana hangi değeri ileteceğini hesaplar. **Neden Gereklidir?** Aktivasyon fonksiyonu olmadan, ne kadar derin olursa olsun her yapay sinir ağı yalnızca doğrusal bir fonksiyon gibi davranır. Yani yüzlerce katmanlı bir ağ bile tek bir doğrusal dönüşüme indirgenebilir ve ağ karmaşık örüntüleri öğrenemez. Aktivasyon fonksiyonları, ağa *doğrusal olmayan* (non-linear) özellik kazandırarak görüntü tanıma, dil anlama ve ses işleme gibi gerçek dünya problemlerinin çözülmesini mümkün kılar. **Yaygın Türler** **ReLU (Rectified Linear Unit):** f(x) = max(0, x) formülüyle çalışır; negatif değerleri sıfırlar, pozitif değerleri olduğu gibi iletir. Hesaplama verimliliği ve "vanishing gradient" sorununu büyük ölçüde çözmesi sayesinde derin öğrenmede standart tercih haline gelmiştir. **Sigmoid:** Çıktıyı 0 ile 1 arasına sıkıştırır; olasılık yorumlaması için uygundur. Ancak derin ağlarda gradyanların küçülüp yok olmasına (vanishing gradient) yol açabilir. İkili sınıflandırma problemlerinin çıkış katmanında sıklıkla kullanılır. **Tanh (Hiperbolik Tanjant):** Sigmoid'e benzer ama çıktı aralığı –1 ile 1 arasındadır; sıfır merkezli yapısı gizli katmanlarda sigmoid'den daha iyi performans sağlar. **Softmax:** Çok sınıflı sınıflandırma görevlerinde çıkış katmanında kullanılır; tüm çıktıların toplamını 1'e eşitleyerek her sınıf için olasılık dağılımı üretir. **Leaky ReLU:** ReLU'nun "ölü nöron" (dying neuron) sorununu gidermek için negatif girdilere küçük bir eğim (genellikle 0.01) uygular; eğitimde nöronların kalıcı olarak susmamasını sağlar. **GELU (Gaussian Error Linear Unit):** GPT ve BERT gibi modern transformer modellerinin tercih ettiği fonksiyondur. Gaussian dağılımını temel alan yumuşak eşik mekanizması sayesinde özellikle büyük dil modellerinde yüksek performans gösterir. **Doğru Fonksiyon Nasıl Seçilir?** Gizli katmanlar için ReLU ailesi (ReLU, Leaky ReLU, ELU) genellikle ilk tercihtir. İkili sınıflandırma çıkışı için sigmoid, çok sınıflı çıkış için softmax idealdir. Regresyon görevlerinde çıkış katmanında genellikle aktivasyon uygulanmaz. GPT, BERT veya LLaMA gibi transformer tabanlı büyük dil modellerinde GELU veya SwiGLU gibi modern fonksiyonlar kullanılır. **Dikkat Edilmesi Gerekenler** Yanlış aktivasyon seçimi ağın öğrenememesine veya eğitimin çökmesine neden olabilir. Özellikle çok derin ağlarda sigmoid ve tanh kullanımı, geri yayılım (backpropagation) sırasında gradyanların sıfırlanmasına yol açarak eğitimi felç edebilir. PyTorch ve TensorFlow/Keras gibi modern derin öğrenme çerçeveleri tüm yaygın aktivasyon fonksiyonlarını hazır bileşen olarak sunar.
Adversarial Attack Nedir? (Hasım Saldırısı)
Adversarial Attack (Düşmanca Saldırı), makine öğrenimi ve derin öğrenme modellerini yanıltmak amacıyla giriş verilerine kasıtlı olarak eklenen küçük, çoğunlukla insan gözüyle fark edilmesi güç pertürbasyonlardır. Bu saldırılar, modelin güvenli veya zararsız gördüğü bir girdiyi aslında yanlış sınıflandırmaya veya istenmeyen çıktı üretmeye yönlendirir. Tekniğin temel ilkesi 2013 yılında Szegedy ve arkadaşlarının yayımladığı makalede ortaya kondu: bir görüntüye neredeyse görünmez pertürbasyonlar eklenerek derin sinir ağlarının yüksek güvenle yanlış tahmin yaptırılabileceği gösterildi. Bu bulgu, derin öğrenmenin performansının ardında yatan kırılganlıkları gün yüzüne çıkardı. Saldırı türleri incelendiğinde iki temel kategori öne çıkar. Beyaz-kutu saldırıları (white-box attacks), model mimarisine ve ağırlıklarına tam erişim varsayar; FGSM (Fast Gradient Sign Method) ve PGD (Projected Gradient Descent) bu kategorinin örnekleridir. Siyah-kutu saldırıları (black-box attacks) ise modelin iç yapısına erişim gerektirmez; yalnızca giriş-çıkış davranışına bakarak saldırı üretilir. Uygulama alanları açısından adversarial attack'lar özellikle kritik sistemlerde ciddi tehdit oluşturur. Özerk araçlarda dur işaretine beyaz çıkartma yapıştırılarak trafik işaret tanıma sisteminin yanıltılması akademik olarak gösterilmiştir. Yüz tanıma sistemleri özel gözlükler veya boyama örüntüleriyle atlatılabilmektedir. Tıbbi görüntü analizinde küçük piksel değişikliklerinin kanser tespitini yanıltabileceği raporlanmıştır. Savunma yöntemleri arasında adversarial training (modeli adversarial örneklerle yeniden eğitme), input preprocessing, certified robustness ve feature squeezing sayılabilir. Ancak savunma ile saldırı arasındaki silahlanma yarışı sürmektedir: her yeni savunma tekniğine karşı daha gelişmiş saldırı yöntemleri ortaya çıkmaktadır. Bu nedenle güvenilir yapay zeka sistemleri tasarımı adversarial robustness'ı temel bir tasarım kriteri olarak değerlendirmeye başlamıştır. NLP (Doğal Dil İşleme) modellerine yönelik adversarial saldırılar görüntü alanından farklı teknikler gerektirir: karakter seviyesinde yazım değişiklikleri, kelime ikameleri veya prompt injection, metin sınıflandırıcılarını ve dil modellerini yanıltmak için kullanılır. Özellikle büyük dil modellerine (LLM) yönelik jailbreak saldırıları adversarial attack'ın metin alanındaki güncel versiyonudur. Türkiye'de biyometrik erişim kontrol sistemleri ve tıbbi yapay zeka uygulamaları geliştiren kuruluşların adversarial saldırı farkındalığını üretim tasarımına entegre etmesi giderek önem kazanmaktadır.
Artificial Neural Networks (ANN) (Yapay Sinir Ağları)
Yapay sinir ağları (Artificial Neural Networks — ANN), insan beynindeki biyolojik nöron yapılarından esinlenerek geliştirilen matematiksel hesaplama modellerdir. Birbirine ağırlıklı bağlantılarla bağlı düğümlerden (nöronlardan) oluşan bu yapılar; girdi katmanı, bir ya da daha fazla gizli katman ve çıktı katmanından meydana gelir. Her düğüm gelen sinyalleri toplar, ağırlıklarla çarpar ve sonucu sigmoid, ReLU veya tanh gibi bir aktivasyon fonksiyonundan geçirerek bir sonraki katmana iletir. Eğitim süreci iki temel aşamadan oluşur: ileri geçiş (forward pass) sırasında girdi verisi katmanlar boyunca aktarılarak tahmin üretilir; geri yayılım (backpropagation) aşamasında ise tahmin hatası zincir kuralıyla geriye doğru hesaplanarak ağırlıklar gradyan iniş yöntemiyle güncellenir. Bu döngü milyonlarca iterasyon boyunca tekrarlanarak modelin doğruluğu kademeli biçimde artırılır. Ağın başarısı büyük ölçüde gizli katman sayısına, nöron yoğunluğuna ve seçilen optimizasyon algoritmasına (Adam, SGD, RMSProp) bağlıdır. Tarihsel açıdan McCulloch-Pitts nöronu (1943) ve Frank Rosenblatt'ın 1958 perceptronu bu alanın temel taşlarını oluşturur. İki "yapay zeka kışı" döneminde ilgi azalsa da 2006 sonrasında Geoffrey Hinton ve ekibinin çok katmanlı yapılar üzerindeki çalışmaları ile 2012'de AlexNet'in ImageNet yarışmasındaki devrimsel başarısı, modern derin öğrenme çağını başlattı. Günümüzde yapay sinir ağları pek çok uzmanlaşmış mimaride gelişmiştir: evrişimsel sinir ağları (CNN) görüntü tanıma ve bilgisayarlı görüde, yinelemeli ağlar (RNN/LSTM) dizi verisinde, grafik sinir ağları (GNN) ilişkisel veride ve transformerlar büyük dil modellerinde temel yapı taşını oluşturur. Tıbbi görüntü analizi, otonom araçlar, ses tanıma, makine çevirisi ve öneri sistemleri bu teknolojinin en olgunlaştığı başlıca uygulama alanlarıdır. Temel sınırlamalar arasında "kara kutu" yorumlanabilirlik sorunu, büyük miktarda etiketli eğitim verisi gerektirme ve GPU hesaplama maliyeti sayılabilir. Bu güçlükler açıklanabilir yapay zeka (XAI) araştırmalarını ve enerji verimli kenar bilişim (edge AI) çözümlerine olan ilgiyi giderek artırmaktadır.
Attention (Dikkat Mekanizması) (Dikkat Mekanizması)
Attention (Dikkat Mekanizması), bir sinir ağının çıktı üretirken giriş dizisinin hangi bölümlerine ne ölçüde odaklanacağını dinamik olarak öğrenen nöral ağ bileşenidir. 2014'te makine çevirisi için önerilen temel dikkat mekanizması, 2017'de "Attention Is All You Need" makalesiyle Transformer mimarisinin çekirdeğine dönüştü ve modern yapay zekanın en dönüştürücü bileşeni haline geldi. Dikkat mekanizmasının temel sezgisi, insan dikkatini taklit etmektir: cümledeki her kelimeye eşit ağırlık vermek yerine, o anki tahmin için en ilgili kelimelere daha yüksek ağırlık vermek. Matematiksel olarak üç matris kullanılır: Sorgu (Query, Q), Anahtar (Key, K) ve Değer (Value, V). Q ile K'nın nokta çarpımı yumuşatılmış maksimum (softmax) fonksiyonundan geçirilerek dikkat ağırlıkları elde edilir; bu ağırlıklar V matrisinin ağırlıklı toplamını belirler: Attention(Q, K, V) = softmax(QK^T / √d_k) × V. Öz-dikkat (self-attention), bir dizinin kendi içindeki öğeler arasındaki bağımlılıkları modelleyerek çalışır; GPT ve BERT bu mekanizmayı kullanır. Çapraz dikkat (cross-attention) ise farklı iki dizinin öğelerini ilişkilendirir; kodlayıcı-çözücü modellerinde sorgu çözücüden, anahtar/değer çiftleri kodlayıcıdan gelir. Çok başlı dikkat (multi-head attention), birden fazla dikkat başını paralel çalıştırarak farklı ilişki alt uzaylarını eş zamanlı öğrenir. Dikkat mekanizması, konum bilgisini doğrudan içermez; bu nedenle Transformer'lara konumsal kodlama (positional encoding) eklenir. Flash Attention gibi bellek-etkin uygulamalar uzun bağlam pencerelerini mümkün kılarken kayan pencere dikkat (sliding window attention) yerel bağımlılıklara odaklanarak hesaplama karmaşıklığını düşürür. Dikkat mekanizması yalnızca dil modeliyle sınırlı kalmadı: Vision Transformer (ViT) görüntü yamalarını dizi olarak ele alarak öz-dikketi bilgisayarlı görüye uyarladı; Whisper ses tanıma, AlphaFold 2 protein yapısı tahmini de bu mekanizmaya dayanır. RNN ve LSTM'nin hâkim olduğu dönemde paralelleştirme kısıtlaması aşılamıyordu; dikkat mekanizması bu kısıtı ortadan kaldırarak GPT-4, Gemini ve Claude gibi modellerin 100.000+ token bağlam penceresiyle çalışmasını olanaklı kıldı.
Autoencoder (Oto-Kodlayıcı)
Autoencoder, girdi verisini daha dusuk boyutlu bir ara temsile (latent uzay veya bottleneck) sikistiran bir encoder ve bu temsili orijinal boyuta geri donusturebilen bir decoder birlesiminden olusan sinir agi mimarisidir. Egitim hedefi ciktiyi girdiyle olabildigince ozdes kilanmaktir; bu basit hedef, modelin veri icerisindeki en onemli yapilari ogrenmesini zorlar. Autoencoder tamamen denetimsiz bir ogrenme yaklasimidur: etikete ihtiyac duymaz, hata sinyali yalnizca girdinin ne kadar iyi geri olusturuldugunu olcer. Bu ozellik onu buyuk etiketlenmemis veri kumelerinde ozellik cikarma ve boyut indirgeme icin degerli kilar. Temel bilesenler encoder (daraltici aglar), latent uzay (dar boyutlu ara temsil) ve decoder'dir (genisletici aglar). Latent uzayin boyutu ne kadar kucuk olursa model o kadar guclu sikilstirma ogrenmek zorunda kalir; ne kadar buyuk olursa geri olusturma kolaylasor ama ogrenilen ozellikler daha az kompakt olur. Pratik uygulamalar genis bir yelpazede yer alir. Goruntu gürültü giderme icin autoencoder, gurultulu goruntu girdi olarak alip temizini olusturmak uzere egitilir. Anomali tespitinde yalnizca normal veriyle egitilmis bir autoencoder, egitim dagiliminin disindaki ornekleri yuksek rekonstruksiyon hatasi ile tanir. Onerilim sistemlerinde kullanicilarin davranislarinin latent temsillerini ogrenmede kullanilir. Variational Autoencoder (VAE), klasik autoencoderin uretici bir versiyonudur. Latent uzaya belirleyici bir nokta degil bir olasilik dagilimi ogrenir: her girdi ornek icin bir ortalama ve varyans vektoru hesaplanir ve latent uzaydan ornekleme yapilir. Bu olasiliksal temsil, latent uzay uzerinde anlayisli interpolasyon ve ornekleme yapmayi mumkun kilar; bu ozellik VAE'yi goruntu sentezi, muzik uretimi ve drug design gibi alanlarda kullanilan temel uretici model yaklasimlarindan biri haline getirir. **Sik Sorulan Sorular** **Autoencoder ile PCA arasindaki fark nedir?** PCA dogrusal donusumler kullanir. Autoencoder dogrusal olmayan aktivasyon fonksiyonlariyla cok daha karmasik, dogrusal olmayan boyut indirgeme ogrenebilir; bu onu yuksek boyutlu goruntu ve ses verisi icin daha guclu kilar. **Latent boyut nasil secilir?** Goreve baglidir: ne kadar kompakt bir temsil gerektigine gore ayarlanir. Genellikle farkli latent boyutlarda denenip rekonstruksiyon kalitesi ve asagi akis gorevi performansi incelenerek secim yapilir. **Autoencoder overfitting yapabilir mi?** Evet. Latent uzay cok genis olursa model verinin her ayrıntısini ezberleyerek siradan bir kopya cikarmasi ogrenir; boyut indirgeme veya ozellik ogrenimine zori kalmaz. Dropout veya regularizasyon bunu onler. **VAE ile GAN arasindaki fark nedir?** VAE kapsamli latent uzay tanimlayan ve gercek dagilimi maksimum olabilirlikle optimize eden bir uretici modeldir. GAN ise bir uretici ve bir ayirt edici ag arasindaki rekabetci oyunla egitilir; GAN gorselleri genellikle daha keskin olur ancak egitimi daha istikrarsizdir.
Backpropagation (Geri Yayılım Algoritması)
Backpropagation (geri yayılım), bir yapay sinir ağının kayıp fonksiyonunun her ağırlığa göre kısmi türevini zincir kuralıyla çıkış katmanından giriş katmanına doğru hesaplayan eğitim algoritmasıdır. 1986'da Rumelhart, Hinton ve Williams'ın Nature makalesiyle yaygınlaşan yöntem, çok katmanlı ağların büyük ölçekte öğrenmesini mümkün kıldı ve derin öğrenmenin matematiksel omurgası oldu. Algoritma iki geçişle çalışır. İleri geçişte (forward pass) giriş verisi katman katman işlenir: her katmanda z = Wx + b doğrusal dönüşümü ve a = f(z) aktivasyonu hesaplanır, ara değerler bellekte tutulur. Üretilen tahmin gerçek etiketle karşılaştırılıp kayıp hesaplanır — sınıflandırmada çapraz entropi, regresyonda MSE tipik seçimlerdir. Geri geçişte (backward pass) ∂L/∂W = ∂L/∂a · ∂a/∂z · ∂z/∂W zinciri katman katman çözülür; her ağırlığın toplam hataya katkısı (gradyanı) bulunur ve SGD, Adam veya AdamW gibi bir optimizör W ← W − η·∂L/∂W kuralıyla güncelleme yapar. Verimliliği çarpıcıdır: gradyanı sonlu farklarla ölçmek N parametreli ağda N ayrı ileri geçiş gerektirirken, backpropagation tek geri geçişte tüm gradyanları verir. Bir geri geçişin maliyeti kabaca ileri geçişin iki katıdır; bu yüzden 100 milyar parametreli bir modelin eğitim adımı bile tek grafik geçişinde tamamlanır. GPT-5, Claude, Gemini ve Llama ailesi dahil 2026'nın tüm büyük modelleri, trilyonlarca token üzerinde bu döngüyü milyonlarca kez tekrarlayarak eğitildi; ön eğitimden sonra gelen RLHF ve DPO gibi hizalama aşamaları da gradyanlarını yine backpropagation ile hesaplar. Kavramın kökleri 1986'dan da eskiye gider: ters mod otomatik türevi 1970'te Seppo Linnainmaa formalize etti, Paul Werbos 1974 doktora tezinde sinir ağlarına uygulamayı önerdi. 1986 makalesi yöntemi geniş kitleye taşıdı; 2012'de AlexNet'in GPU üzerinde backpropagation ile ImageNet yarışmasını açık farkla kazanması ise derin öğrenme patlamasını başlattı. O günden bu yana algoritmanın kendisi neredeyse hiç değişmedi — değişen şey ölçek, donanım ve etrafındaki mühendislik oldu. Pratik zorlukları da vardır. Kaybolan gradyan (vanishing gradient) probleminde sigmoid/tanh gibi doyuma giren aktivasyonlar derin ağlarda gradyanı sıfıra yaklaştırır ve erken katmanlar öğrenemez; ReLU/GELU aktivasyonları, He/Xavier ağırlık başlangıcı, artık bağlantılar (ResNet, 2015) ve katman normalizasyonu bu sorunu büyük ölçüde çözdü. Patlayan gradyanda ise gradyan kırpma (gradient clipping) standart önlemdir. Bellek tarafında, ileri geçişte saklanan ara aktivasyonlar uzun dizilerde ana darboğaz olur; gradient checkpointing bu aktivasyonların bir kısmını silip geri geçişte yeniden hesaplayarak belleği hesap gücüyle takas eder. Modern çerçeveler — PyTorch autograd, TensorFlow GradientTape, JAX grad — hesaplama grafiğini otomatik kurar ve loss.backward() tek çağrısıyla tüm türevleri üretir; geliştirici zincir kuralını elle yazmaz. Dağıtık eğitimde binlerce GPU kendi mini-batch'inin gradyanını hesaplar, all-reduce ile ortalamalar senkronize edilir; ZeRO/FSDP gibi teknikler gradyan ve optimizör durumunu cihazlara bölerek trilyon parametreli eğitimleri mümkün kılar. Yine de algoritmanın matematiğini bilmek, öğrenme hızı seçimi, mimari tasarımı, karma hassasiyet (mixed precision) ayarları ve NaN kaynaklı hata ayıklamada belirleyici bir avantajdır. Kısacası bugün üretimde çalışan neredeyse her derin öğrenme modelinin altında aynı 40 yıllık fikir yatar: hatayı geriye yay, sorumluluğu ağırlıklara paylaştır, küçük adımlarla düzelt.
Black Box AI (Kara Kutu Yapay Zeka)
Kara kutu yapay zekası (black-box AI), karar verme sürecinin iç işleyişi kullanıcı veya uzmanlar tarafından anlaşılamayan veya doğrudan gözlemlenemeyen yapay zeka sistemlerini tanımlar. Modelin girdiyi nasıl çıktıya dönüştürdüğü, hangi özelliklere ne kadar ağırlık verdiği ve belirli bir tahminin neden üretildiği belirsiz kalır. Derin öğrenme modelleri, milyonlarca parametresiyle kara kutu özelliğinin en belirgin örnekleridir. Bir görüntü sınıflandırıcı 'kedi' veya 'köpek' kararını yüz milyonlarca ağırlığın karmaşık etkileşiminden üretir; bu etkileşimi piksel düzeyinde takip etmek pratikte imkânsızdır. Benzer biçimde büyük dil modelleri belirli bir cümleyi neden ürettiğini net bir kuralla açıklayamaz. Kara kutu sorunu, yüksek riskli uygulamalarda ciddi endişe yaratır. Tıbbi teşhis, kredi kararı, ceza yargılaması veya işe alım gibi bireyleri doğrudan etkileyen sistemlerde 'neden bu karar?' sorusu hem etik hem de yasal bir zorunluluktur. AB'nin GDPR'ı ve Yapay Zeka Yasası, belirli otomatik kararlar için açıklama hakkı tanımaktadır. Kara kutu sorununu çözmek için açıklanabilir yapay zeka (XAI) araştırması gelişti. LIME (Local Interpretable Model-agnostic Explanations) ve SHAP (SHapley Additive exPlanations) en yaygın kullanılan post-hoc açıklama tekniklerdir. LIME, tahmin etrafındaki yerel davranışı daha basit yorumlanabilir bir modelle yaklaştırır. SHAP ise oyun teorisindeki Shapley değerinden yararlanarak her özelliğin tahmine katkısını hesaplar. Kara kutu ve beyaz kutu (white-box) arasındaki spektrumda gri kutu modeller de yer alır. Dikkat ısı haritaları (attention heatmaps), saliency maps ve kavram aktivasyon vektörleri (TCAV) kara kutu modellere kısmi içgörü sağlar; ancak bu görselleştirmelerin güvenilirliği hâlâ tartışma konusudur.
Boltzmann Machine Nedir? (Boltzmann Makinesi)
Boltzmann Makinesi, 1985 yılında Geoffrey Hinton ve Terry Sejnowski tarafından geliştirilen, enerji tabanlı bir stokastik üretken sinir ağı modelidir. Model, görünür (visible) birimler ve gizli (hidden) birimler olmak üzere iki tür ikili stokastik nörondan oluşur; tüm birimler birbirine simetrik ağırlıklı bağlantılarla bağlıdır. Sistemin temel prensibi enerji minimizasyonuna dayanır. Her ağırlık konfigürasyonunun bir enerji değeri vardır; model, Boltzmann dağılımına göre düşük enerjili durumları yüksek olasılıkla örnekleyerek eğitim verisinin olasılık dağılımını öğrenir. Bu öğrenme süreci Contrastive Divergence (CD) algoritmasıyla gerçekleştirilir; tam Gibbs örneklemesi yerine k adımlı yaklaşım kullanılarak hesaplama yükü azaltılır. Tam bağlantılı Boltzmann Makinesi'nin eğitimi son derece yavaş olduğundan pratikte Kısıtlı Boltzmann Makinesi (Restricted Boltzmann Machine, RBM) tercih edilir. RBM'de görünür birimler yalnızca gizli birimlere bağlıdır; görünür-görünür ve gizli-gizli bağlantılar yoktur. Bu kısıtlama, katmanlar arasında paralel Gibbs örneklemesine olanak tanır ve eğitimi önemli ölçüde hızlandırır. RBM'ler 2006-2012 yılları arasında derin öğrenmenin öncü uygulamalarında kritik rol üstlenmiştir. Hinton'ın 2006 makalesinde sunulan Derin İnanç Ağları (Deep Belief Networks, DBN), birden fazla RBM katmanını açgözlü bir biçimde önceden eğiterek derin mimarilerin başarıyla eğitilebileceğini göstermiş ve modern derin öğrenme çağının kapısını aralamıştır. Aynı dönemde Netflix Ödülü yarışmasında işbirlikçi filtreleme amacıyla da başarıyla uygulanmıştır. Günümüzde VAE (Değişimsel Öz-Kodlayıcı), GAN ve difüzyon modelleri gibi daha güçlü ve ölçeklenebilir üretken yaklaşımların yaygınlaşmasıyla Boltzmann Makinesi'nin pratik kullanımı büyük ölçüde geride kalmıştır. Ancak enerji tabanlı modelleme konsepti modern yapay zeka mimarilerini kavramak için önemli bir teorik temel sunmaya devam etmektedir. Geoffrey Hinton, bu çalışmanın da dahil olduğu derin öğrenme katkıları nedeniyle 2024 Nobel Fizik Ödülü'ne layık görülmüştür.
Computer Vision (Bilgisayarlı Görü)
Computer Vision (Bilgisayarlı Görü), bilgisayarların dijital görüntüler ve videolardan anlamlı bilgi çıkarmasını sağlayan yapay zeka dalıdır. İnsan görme sistemini taklit etmeyi amaçlayan bu alan; nesne tanıma, sahne anlayışı, hareket analizi ve 3B algı gibi görevleri kapsar. Bilgisayarlı görünün kökenleri 1960'lara uzansa da modern dönemin dönüm noktası 2012 yılındaki AlexNet'tir. Alex Krizhevsky'nin geliştirdiği evrişimli sinir ağı (CNN), ImageNet yarışmasında ikinci sıraya kıyasla %10'luk hata azaltmasıyla rakiplerini büyük farkla geride bıraktı ve derin öğrenme çağını başlattı. O tarihten bu yana CNN mimarileri (ResNet, VGG, EfficientNet) bilgisayarlı görünün omurgası haline geldi. 2020'lerde ise Vision Transformer (ViT) mimarisi NLP'den ödünç alınan dikkat mekanizmasını görsel görevlere uyarlayarak CNN'lerle rekabet eder düzeye ulaştı. Uygulama alanları son derece geniştir. Tıbbi görüntülemede radyoloji yapay zekası, akciğer kanseri tespitinde uzman radyologlarla kıyaslanabilir hassasiyete ulaşmıştır. Otonom araçlarda LiDAR ve kamera füzyonuna dayanan algılama sistemleri yüzlerce nesneyi eş zamanlı takip eder. Üretimde optik kusur tespiti insan gözünün kaçırdığı mikron ölçekli hataları yakalar. Perakende sektöründe kasasız mağaza teknolojileri (Amazon Go gibi) anlık raf takibi yapabilmektedir. Nesne tespitinde YOLO (You Only Look Once) mimarisi gerçek zamanlı uygulamalarda sektör standardı haline gelmiştir; tek geçişli tasarımı milisaniyeler içinde sonuç üretir. Segmentasyon görevlerinde SAM (Segment Anything Model, Meta 2023) sıfır-atış (zero-shot) yetenekleriyle çığır açmıştır — kullanıcı yalnızca bir prompt ile herhangi bir nesneyi piksel düzeyinde seçebilmektedir. Temel zorluklar arasında değişen aydınlatma koşullarına, ölçek farklılıklarına ve gizleme (occlusion) durumlarına karşı dayanıklılık yer almaktadır. Yüz tanıma teknolojisinin toplu gözetim amaçlı kullanımı ve biyometrik veri gizliliği, alanın güncel etik tartışmalarının merkezinde yer almaktadır. AB Yapay Zeka Yasası bu riskleri göz önünde bulundurarak gerçek zamanlı biyometrik gözetimi kamuya açık alanlarda yüksek riskli AI kapsamında değerlendirmektedir.
Convolutional Neural Network (CNN) (Evrişimli Sinir Ağı)
CNN (Convolutional Neural Network - Evrisimsel Sinir Agi), goruntu ve uzamsal verilerden hiyerarsik ozellikler cikartan bir derin ogrenme mimarisidir. Evrisme islemi sayesinde modelin her neron'unun tum girdiyle degil yalnizca yerel bir bolgeyle baglantili olmasi, parametre sayisini drastik bicimde azaltir ve uzamsal kaliplari gormek icin idealize edilmis bir yapi olusturur. CNN'in temel yapi tasi evrisme katmanidir. Bu katmanda kucuk bir filtre (kernel), genellikle 3x3 veya 5x5 boyutunda, girdi haritasi uzerinde kayan pencereyle carpma islemi uygular. Her filtre, kenar, doku veya renk gecisi gibi belirli bir uzamsal kaliba duyarlidir. Derin bir CNN'de ilk katmanlar basit kenarlar ogrenirken sonraki katmanlar bu kenarlari birlesitirerek sekiller, nesneler ve nihayet tum nesne kategorileri ogrenir. Havuzlama (pooling) katmanlari evrisme ciktilarinin uzamsal boyutunu kucultmektedir. Max-pooling, belirli bir bolgedeki en buyuk aktivasyon degerini secer; bu sayede model konum degisimlerine karsi olcude direncli hale gelir. Kuculen ozellik haritalari sonraki evrisme katmanlarinin daha genis bir alani gormeyi mumkun kilar. Mimari tarihinde CNN'in yeri kritiktir. Yann LeCun 1989'da el yazisi rakam tanima icin LeNet'i tasarladi. 2012'de Alex Krizhevsky ve ekibi ImageNet yarismmasinda AlexNet ile o zamana kadar gorulmemis bir suc orani saglamasi, derin ogrenme alaninin patlamasini tetikledi. Ardından VGGNet, GoogLeNet, ResNet ve EfficientNet gibi mimariler gorunteden anlama icin yeni standartlar belirledi. Kalan baglantili (residual) katmanlar mimarilerin cok daha derin ancak egitimi kolay hale gelmesini mumkun kildi. CNN'ler goruntu siniflandirma, nesne tespiti (YOLO, SSD), semantik segmentasyon, yuz tanima ve tibbi goruntu analizi gibi alanlarda yayginca kullanilmaktadir. Dil modelleme icin transformer mimarisinin yukselisiyle CNN'in NLP'deki rolu azalmis olsa da gorsel veri icin hala temel mimari olma ozelligini korumaktadir. **Sik Sorulan Sorular** **CNN ile tam baglantili (dense) aglar arasindaki fark nedir?** Tam baglantili aglar her neuronu tum girdiyle baglar; bu parametre patlamasi ve uzamsal bilgi kaybi demektir. CNN yerel baglanti ve agirlik paylasimi ile parametre ekonomisi saglar ve uzamsal kaliplari verimli ogrenilir. **Kucuk veri kumesiyle CNN egitmek mumkun mudur?** Transfer ogrenme ile evet. ImageNet uzerinde onegitim gormis bir CNN'in son katmanlari, kucuk bir ozgun veri kumesiyle ince ayar yapilarak kullanilabilir; bu yaklasim ozelliklede gorsel siniflandirma gorevlerinde yaygindir. **CNN'ler metin icin de kullanilabilir mi?** 1D evrisme katmanlari metin siniflandirma ve sentiment analizinde kullanilmistir. Ancak Transformer mimarisi uzun mesafe bagimliklarini daha iyi modelledigi icin NLP'de CNN'lerin populerligini buyuk olcude assmistir. **GPU CNN egitimini neden bu kadar hizlandiriyor?** Evrisme islemi buyuk olcekli paralel matris carpimlarindan olusur; GPU'larin binden fazla islem cekirdegi bu tip isleri CPU'ya gore onlarca kat daha hizli yurutmek icin optimize edilmistir.
CUDA (Compute Unified Device Architecture)
CUDA (Compute Unified Device Architecture), NVIDIA tarafından 2006 yılında geliştirilen ve GPU'ları genel amaçlı hesaplama (GPGPU) için kullanmayı mümkün kılan paralel hesaplama platformu ve programlama modelidir. Grafik işleme birimlerinin binlerce çekirdeğini eş zamanlı olarak çalıştırma kapasitesini yapay zeka ve bilimsel hesaplamalar için açan bu teknoloji, modern derin öğrenmenin temel altyapısını oluşturur. CUDA, geleneksel CPU programlamadan temel bir paradigma değişikliği sunar. CPU'lar güçlü ancak sınırlı sayıda çekirdekle sıralı işlemler için optimize edilmişken; NVIDIA GPU'ları onlarca binden yüz binlerce CUDA çekirdeğiyle aynı anda binlerce işlem gerçekleştirebilir. Bu eşzamanlılık, matris çarpımı, konvolüsyon ve gradyan hesaplama gibi derin öğrenme operasyonlarını CPU'ya kıyasla 10–100 kat hızlandırır. CUDA'nın iş parçacığı hiyerarşisi üç katmandan oluşur: Temel birim olan iş parçacıkları (threads), bu iş parçacıklarını gruplandıran bloklar (blocks) ve blokları organize eden ızgaralar (grids). Bir CUDA çekirdeği (kernel) çağrıldığında GPU'da binlerce iş parçacığı eş zamanlı olarak çalışır; her blok içindeki iş parçacıkları paylaşılan belleği (shared memory) kullanarak birbirleriyle iletişim kurabilir. CUDA Toolkit, geliştiricilere nvcc derleyicisi, cuBLAS (lineer cebir), cuDNN (derin sinir ağları), cuFFT (Fourier dönüşümü) ve NCCL (çoklu GPU iletişimi) gibi optimize kütüphaneler sunar. PyTorch ve TensorFlow gibi modern derin öğrenme çerçeveleri arka planda CUDA üzerinde çalışır; böylece araştırmacılar düşük seviyeli GPU programlamasına girmeden yüksek performanslı model eğitimi gerçekleştirebilir. Günümüzde NVIDIA H100 gibi gelişmiş veri merkezi GPU'ları 16.896 CUDA çekirdeğine sahipken; bu çekirdeklere ek olarak Tensor Core adı verilen özel matris işlem birimleri de bulunur. Tensor Core'lar karışık hassasiyetli (FP16/BF16/INT8) matris çarpımlarını CUDA çekirdeklerine göre 4–16 kat daha hızlı gerçekleştirir ve büyük dil modellerinin eğitiminde kritik öneme sahiptir.
Data Augmentation (Veri Artırma / Çoğaltma)
Veri artırma (data augmentation), makine öğrenmesi modellerini eğitirken mevcut veri setini yapay yöntemlerle genişletme tekniğidir. Özellikle etiketli veri toplamak pahalı veya zaman alıcı olduğunda, eldeki örneklerden türetilen yeni varyantlar modelin genelleme kapasitesini önemli ölçüde artırır. Görüntü tabanlı görevlerde en yaygın kullanılan artırma teknikleri arasında yatay veya dikey çevirme, rastgele kırpma, parlaklık ve kontrast ayarı, renk bozulması, döndürme ve Gaussian gürültüsü ekleme yer alır. Bu dönüşümler, modelin nesne konumlanmasına ve ışık koşullarına duyarlılığını azaltarak daha sağlam özellik temsilleri öğrenmesini sağlar. Doğal dil işleme alanında ise eş anlamlı kelime değiştirme, cümle yeniden çerçeveleme, geri çeviri (back-translation) ve sözdizimsel dönüşümler veri artırmanın başlıca yöntemleridir. Geri çeviri yaklaşımında bir cümle önce başka bir dile çevrilir, ardından kaynak dile geri döndürülür; bu işlem hem anlam korunur hem de farklı bir ifade biçimi elde edilir. Ses ve zaman serisi verilerinde zaman uzatma (time stretching), perde kaydırma (pitch shifting), arka plan gürültüsü ekleme ve kesme-yapıştırma gibi teknikler kullanılır. Özellikle tıbbi görüntüleme gibi az veri bulunan alanlarda bu yöntemler olmazsa olmaz hale gelir. Mixup ve CutMix gibi gelişmiş teknikler iki farklı örneği piksel ya da özellik düzeyinde karıştırır, modelin kararlı sınırlar yerine düzgün olasılık dağılımları öğrenmesini teşvik eder. AutoAugment ve RandAugment ise hangi dönüşümlerin uygulanacağını otomatik olarak öğrenen politika tabanlı yaklaşımlardır. GAN tabanlı artırma, üretici bir ağ aracılığıyla gerçekçi sentetik örnekler üretir; ancak eğitim kararsızlığı ve mod çökmesi riskleri dikkatli yönetim gerektirir. Doğru uygulandığında veri artırma, düzenlileştirme etkisi yaratır, aşırı öğrenmeyi engeller ve sınırlı veriyle yüksek performanslı modeller geliştirmenin en pratik yollarından birini sunar.
Deep Reinforcement Learning (DRL) (Derin Pekiştirmeli Öğrenme)
Derin pekiştirmeli öğrenme (deep reinforcement learning, DRL), klasik pekiştirmeli öğrenmenin karar verme çerçevesini derin sinir ağlarının güçlü temsil öğrenme kapasitesiyle birleştiren bir yapay zeka paradigmasıdır. Ajan, çevresiyle etkileşimler aracılığıyla ödüller toplayarak en yüksek uzun vadeli ödülü elde edecek politikayı öğrenir; derin sinir ağları ise ham piksel veya yüksek boyutlu girdilerden doğrudan değer fonksiyonları ya da politikalar üretir. DRL tarihinde dönüm noktası, DeepMind'in 2013'te yayımladığı DQN çalışmasıdır. DQN, Atari oyunlarını ham piksel girdisiyle oynayarak birçok oyunda insan seviyesini aştı. Ardından A3C, PPO, DDPG, SAC ve TD3 gibi algoritmalar hem sürekli eylem uzaylarında hem de stokastik ortamlarda DRL'i daha kararlı ve ölçeklenebilir hale getirdi. Model tabanlı ve model bağımsız olmak üzere iki ana yaklaşım mevcuttur. Model bağımsız yöntemler çevresiyle doğrudan etkileşim kurarak politikayı günceller. Model tabanlı yöntemler ise çevrenin içsel bir modelini öğrenerek planlama yapar; bu yaklaşım veri verimliliğini artırır ancak model hataları politikayı bozabilir. DRL'in başarısı; robotik manipülasyon, otonom araç sürüşü, oyun oynama (AlphaGo, AlphaStar), ilaç keşfi ve veri merkezi soğutma optimizasyonu gibi geniş bir alanda kendini kanıtlamıştır. OpenAI Five, beş DRL ajanıyla Dota 2 dünya şampiyonlarını yenerek koordinasyon sorunlarında ne denli güçlü olduğunu gösterdi. Ancak DRL, büyük örnekleme verimsizliği, ödül mühendisliği güçlüğü ve gerçek dünya ile simülasyon arasındaki aktarım açığı (sim-to-real gap) gibi zorluklarla boğuşmaktadır. Keşif ve sömürü dengesi ile seyrek ödül ortamlarında öğrenme hâlâ aktif araştırma alanlarıdır.
Deepfake (Derin Sahtelik)
Deepfake, derin öğrenme algoritmaları ve özellikle GAN (Üretici Çekişmeli Ağlar — Generative Adversarial Networks) mimarisi kullanılarak üretilen yapay medya içeriğidir. Bu teknoloji; bir videonun, fotoğrafın veya ses kaydının üzerindeki kişinin yüzünü ya da sesini, başka birinin yüzü veya sesiyle gerçeğinden ayırt edilemeyecek düzeyde değiştirmeyi mümkün kılar. Teknolojinin temeli 2014 yılında Ian Goodfellow'un tanımladığı GAN mimarisine dayanır. GAN sisteminde iki ağ çalışır: Üreteç (generator) sahte görseller üretirken, Ayrıştırıcı (discriminator) bunları gerçeklerden ayırt etmeye çalışır. Bu rekabetçi süreç, üretilen içeriklerin zamanla son derece inandırıcı hale gelmesini mümkün kılar. Son dönemde diffusion modelleri ve transformer tabanlı yaklaşımlar, GAN'ın yerini giderek almaktadır; bu yöntemler çok daha yüksek kalitede ve daha az artifact içeren deepfake içerikleri üretebilmektedir. Deepfake teknolojisi meşru kullanım alanlarına da sahiptir: sinema sektöründe aktörlerin gençleştirilmesi (The Irishman, Indiana Jones 5), dil eğitiminde içeriklerin farklı dillere senkronize edilmesi ve erişilebilirlik uygulamaları bunların başında gelir. Öte yandan kötüye kullanım riski çok daha büyük ilgi çekmektedir: siyasetçilerin söylemediği şeyleri söylüyormuş gibi gösterildiği manipüle videolar, finansal dolandırıcılıkta ses taklidi ve rızasız sentetik içerik üretimi başlıca tehditlerdir. Deepfake tespiti aktif bir araştırma alanıdır. Meta'nın DeepFace Detector, Microsoft'un Video Authenticator ve çeşitli açık kaynak araçları; göz kırpma örüntüleri, cilt dokusu tutarsızlıkları ve ses-görüntü senkronizasyon hataları gibi yapay belirtileri analiz eder. Ancak tespit algoritmaları ile üretim teknolojileri arasındaki silahlanma yarışı sürmektedir. Hukuki açıdan deepfake, birçok ülkede yasal boşluk içindedir. AB Yapay Zeka Yasası, biyometrik verileri işleyen yüksek riskli AI sistemleri kategorisinde şeffaflık zorunluluğu getirmektedir. Türkiye'de kişisel verilerin korunması mevzuatı ve hakaret hükümleri temel yasal çerçeveyi oluşturur. 2024-2025 döneminde üretici yapay zeka araçlarının olgunlaşmasıyla deepfake üretme teknik eşiği dramatik biçimde düştü; bu gelişme yasa koyucular ve medya okuryazarlığı savunucuları için yeni bir meydan okuma oluşturmaktadır.
Epoch (Epoch (Eğitim Döngüsü))
Epoch (Epok ya da Eğitim Döngüsü), makine öğrenimi ve derin öğrenme modellerinin eğitiminde kullanılan temel bir zaman birimidir. Bir epoch; modelin tüm eğitim veri setini baştan sona tam olarak bir kez işlemesi, yani her örnek üzerinde hem ileri yayılım (forward pass) hem de geri yayılım (backward pass) gerçekleştirmesi anlamına gelir. Makine öğrenimi modellerini eğitirken, yalnızca bir epoch genellikle yeterli olmaz. Model, karmaşık kalıpları ve ilişkileri kavrayabilmek için aynı veriler üzerinde defalarca geçiş yapmak zorundadır. Bu nedenle modeller onlarca, yüzlerce hatta binlerce epoch boyunca eğitilebilir. Büyük dil modellerinin (LLM) eğitimi milyarlarca token üzerinde birden fazla epoch uygulanarak gerçekleştirilir; görüntü sınıflandırma gibi daha küçük görevlerde ise 10-100 epoch sıkça kullanılır. Epoch ve Batch İlişkisi Her epoch, büyük veri setini daha küçük parçalara (batch) bölerek işler. Bir epoch içindeki güncelleme sayısı, veri seti boyutunun batch boyutuna bölünmesiyle hesaplanır. Örneğin 10.000 örnekli bir veri seti 100'lük batch boyutuyla işleniyorsa, her epoch 100 ağırlık güncellemesi (iterasyon) içerir. Her iterasyonda gradyan hesaplanır ve model ağırlıkları güncellenir; böylece model adım adım öğrenir. Overfitting ve Erken Durdurma Epoch sayısının doğru seçilmesi kritik öneme sahiptir. Çok az epoch modelin yeterince öğrenememesine (underfitting) yol açar; model verinin altında yatan örüntüleri kavramaz ve hem eğitim hem de test verisinde kötü performans gösterir. Öte yandan, çok fazla epoch modelin eğitim verisini mekanik olarak ezberlemeye (overfitting) başlamasına neden olabilir. Bu durumda model eğitim setinde mükemmel sonuçlar verirken yeni verilerde başarısız olur. Bu dengesizliği çözmek için "Early Stopping" (Erken Durdurma) tekniği uygulanır: model her epoch sonunda doğrulama (validation) seti üzerinde değerlendirilir ve doğrulama kaybı iyileşmemeye başladığında eğitim otomatik olarak durdurularak en iyi ağırlıklar korunur. Eğitim ve doğrulama kaybının birbirinden ayrışmaya başlaması (divergence), overfitting'in erken belirtisidir. Epoch Sayısını Belirlemek Kaç epoch kullanılacağı, modelin karmaşıklığına, veri setinin büyüklüğüne ve görevin zorluğuna bağlıdır. Küçük veri setlerinde genellikle daha fazla epoch gerekir çünkü model her geçişte sınırlı miktarda örneğe maruz kalır. Büyük veri setlerinde ise tek bir epoch bile çok sayıda güncelleme içerdiğinden az epoch ile tatmin edici sonuçlar alınabilir. Epoch sayısı, öğrenme hızı (learning rate) ve model mimarisiyle birlikte hiperparametre optimizasyonunun temel bileşenlerinden biridir.
GNN (Çizge Sinir Ağı) (GNN (Çizge Sinir Ağı))
GNN (Graph Neural Network — Çizge Sinir Ağı), düğümler ve kenarlardan oluşan graf yapısındaki veriler üzerinde mesaj geçişi mekanizmasıyla öğrenen derin öğrenme mimarisidir. CNN ve RNN gibi klasik modeller, piksel matrisleri veya sözcük dizileri biçiminde düzenlenmiş ızgara veriyle çalışırken, GNN'ler sosyal ağlar, moleküler yapılar, bilgi grafları ve trafik ağları gibi düzensiz topolojilerdeki ilişkisel veriyi doğrudan işleyebilir. Mesaj geçişi üç adımda gerçekleşir: Her düğüm komşularından özellik vektörleri alır (mesaj üretimi), bu vektörleri toplama veya ortalama gibi permütasyona duyarsız bir işlevle birleştirir ve ardından bir sinir ağı katmanıyla kendi temsilini günceller. Her GNN katmanında tekrarlanan bu döngü, k katmanla k-komşuluk yarıçapındaki bilgiyi yakalar; derin ağlar geniş mahallelerin bilgisini sentezler. Başlıca GNN mimarileri farklı toplama stratejileri kullanır. GCN (Kipf & Welling, 2017), spektral konvolüsyonu uzaysal alana yaklaştırarak sabit graflar üzerinde verimli çalışır. GAT, her komşuya öğrenilebilir dikkat ağırlıkları atayarak heterojen graflarda daha iyi genelleme yapar. GraphSAGE, büyük graflarda örneklem tabanlı komşu toplama yöntemiyle ölçeklenebilirliği artırır ve eğitim dışı düğümlere genelleyebilir. Graph Transformer ise dikkat mekanizmasını konum kodlamasıyla birleştirerek uzun menzilli ilişkileri yakalar; AlphaFold 2'nin protein katlanma tahmini bu yaklaşımdan yararlanır. GNN'ler kritik alanlarda yaygın biçimde kullanılır: ilaç keşfinde moleküler bağ tahminini gerçekleştirir, trafik modellemesinde Google Maps'in varış süresi sistemine katkıda bulunur, finansal sahtekârlık tespitinde işlem graflarını analiz eder ve öneri sistemlerinde kullanıcı-içerik ilişkilerini modeller. Pinterest'in PinSage modeli ve Meta'nın içerik öneri altyapısı GNN tabanlı sistemlerin öne çıkan örnekleridir. Geliştirme için PyTorch Geometric ve Deep Graph Library (DGL) en yaygın çerçevelerdir; her ikisi de hazır GNN katmanları ve büyük graflarda mini-batch öğrenmesi sunar. Open Graph Benchmark (OGB) ise standart değerlendirme veri setleri ve lider tablolarıyla araştırma kıyaslamalarına zemin hazırlar.
GPU (Graphics Processing Unit) (Grafik İşlemci (Ekran Kartı))
GPU (Graphics Processing Unit — Grafik Isleme Birimi), baslangiçta bilgisayar grafiklerini hesaplamak icin tasarlanmis; fakat binlerce kucuk cekirdekli paralel mimarisi sayesinde yapay zeka ve yuksek performansli hesaplama (HPC) alanında vazgecilmez hale gelmis bir işlemci türüdür. Gunumuzde derin ogrenme egitimi ve cikarsama islemlerinin buyuk cogunlugu GPU uzerinde gerceklesmektedir. GPU'ların paralel mimarisi, AI hesaplamalarında kritik oneme sahip matris cogaltma ve tensor islemlerine cok iyi uymaktadir. NVIDIA'nin CUDA (Compute Unified Device Architecture) platformu, gelistiricilere GPU uzerinde genel amacli hesaplama yapmayi mumkun kilan ilk genis kapsamli yazilim katmaniydi. 2007'de tanıtılan CUDA, bugün de derin ogrenme ekosisteminin temelini olusturmaktadir. NVIDIA'nın AI odakli GPU'lari GPU mimarisinin evrimini yonlendirmistir: Tesla (2008), Kepler, Maxwell, Pascal, Volta, Ampere ve son olarak Hopper mimarisi (H100). A100 ve H100, LLM egitiminde standart haline gelmistir. AMD ise ROCm platformu ve MI300X cipleriyle bu pazara rakip olarak girmektedir. Apple'in M serisi cipler ise unifikasyon bellek mimarisiyle AI cikarsama icin enerji verimli alternatif sunmaktadir. Derin ogrenme cerceveleri (TensorFlow, PyTorch) GPU destegini neredeyse tamamen CUDA/cuDNN (NVIDIA) uzerinden saglar. Tensor Core'lar, H100 gibi modern cipler uzerinde yari hassas (FP16/BF16) matris islemlerini 10-100 kat hızlandirir. GPU belleği (VRAM) model buyuklugunu dogrudan sınırlar; 80GB VRAM'e sahip H100, 70 milyar parameterli bir modeli tam hassasiyetle tutabilir.
Gradient Descent (Gradyan İnişi)
Gradient descent (gradyan inişi), bir modelin kayıp fonksiyonunu minimize etmek için parametreleri gradyanın negatif yönünde iteratif olarak güncelleyen optimizasyon algoritmasıdır. Güncelleme kuralı tek satırdır: **θ ← θ − α · ∇L(θ)**. Burada θ model parametrelerini, ∇L(θ) kaybın parametrelere göre türevini (gradyanı), α ise adım büyüklüğünü belirleyen öğrenme hızını (learning rate) temsil eder. Doğrusal regresyondan 1 trilyon parametreli dil modellerine kadar neredeyse tüm modern makine öğrenmesi eğitimi bu kuralın bir varyantıyla yapılır. Sezgisel karşılığı, sisli bir dağda gözü bağlı vadiye inen bir yürüyüşçüdür: yürüyüşçü yalnızca ayağının altındaki eğimi hisseder ve her adımda en dik iniş yönüne ilerler. Eğim gradyana, adım boyu öğrenme hızına, vadinin dibi ise minimum hataya karşılık gelir. Adım çok büyükse vadi atlanır ve kayıp ıraksar; çok küçükse yakınsama saatler yerine haftalar alır. Pratikte üç ana biçimi vardır: tüm veri kümesini tek seferde işleyen **batch gradient descent**, her adımda tek örnek kullanan **stochastic gradient descent (SGD)** ve derin öğrenmenin fiili standardı olan, 16–4096 örneklik gruplarla çalışan **mini-batch gradient descent**. Derin sinir ağlarında gradyanlar geriye yayılım (backpropagation) ile zincir kuralı üzerinden hesaplanır; PyTorch ve JAX gibi kütüphaneler bunu otomatik türev (autograd) ile yapar. Güncelliği tartışmasızdır: GPT-5, Claude, Gemini ve Llama ailesi dahil bütün büyük dil modelleri, gradient descent'in uyarlanabilir türevleri olan AdamW ve 2025'ten itibaren yaygınlaşan Muon gibi optimizatörlerle eğitildi. Konveks problemlerde yakınsama matematiksel olarak kanıtlanmıştır; derin ağların non-konveks kayıp yüzeylerinde ise eyer noktaları (saddle point) ve düz plato bölgeleri asıl pratik zorluğu oluşturur. SGD'nin stokastik gürültüsü, paradoksal biçimde bu noktalardan kaçışı kolaylaştırır ve genelleme performansına katkı yapar. Kısacası gradient descent, yapay zekanın "öğrenme" dediğimiz sürecinin matematiksel motorudur.
GRU (Gated Recurrent Unit) (GRU (Kapılı Tekrarlayan Birim))
GRU (Gated Recurrent Unit — Kapılı Tekrarlayan Birim), 2014 yılında Kyunghyun Cho ve ekibi tarafından önerilen, klasik Tekrarlayan Sinir Ağı (RNN) mimarisinin uzun vadeli bağımlılıkları öğrenmek için geliştirilmiş bir türevidir. Standart RNN'lerin temel sorunu olan kaybolan gradyan problemi (vanishing gradient), uzun dizilerde modelin erken adımlardaki bilgileri "unutmasına" yol açar. GRU bu sorunu, hangi bilgilerin saklanacağını ve hangilerinin atılacağını kontrol eden kapı (gate) mekanizmaları ile çözer. GRU, LSTM (Long Short-Term Memory) ile karşılaştırıldığında daha sade bir mimariye sahiptir. LSTM'de üç ayrı kapı (input, forget, output) ve ayrı bir hücre durumu (cell state) bulunurken, GRU yalnızca iki kapı kullanır: Güncelleme Kapısı (Update Gate) ve Sıfırlama Kapısı (Reset Gate). Bu sadeleştirme sayesinde GRU, eğitim süresini ve bellek kullanımını önemli ölçüde azaltırken pek çok görevde LSTM ile kıyaslanabilir başarım elde eder. Güncelleme Kapısı (Update Gate), bir önceki gizli durumun (hidden state) ne kadarının yeni duruma aktarılacağını belirler. Bu kapı, geçmiş bilgilerin ne ölçüde korunacağını kontrol eder ve uzun vadeli bellek işlevi görür. Sıfırlama Kapısı (Reset Gate) ise geçmiş bağlamın ne kadarının yeni içeriği hesaplamak için kullanılacağını düzenler; geçmiş bilginin önemsiz olduğu durumlarda sıfırlama kapısı kapatılarak gizli durum temizlenebilir. GRU, doğal dil işleme, konuşma tanıma, zaman serisi tahmini ve makine çevirisi gibi ardışık (sequential) veri içeren görevlerde yaygın olarak kullanılır. Özellikle veri miktarının sınırlı olduğu veya hesaplama kapasitesinin kısıtlı olduğu durumlarda LSTM'ye tercih edilir. PyTorch ve TensorFlow/Keras gibi derin öğrenme çerçevelerinde yerleşik GRU katmanları bulunmaktadır ve tek satır kodla kullanıma hazırdır.
Hidden Layer (Gizli Katman)
Gizli katman (hidden layer), yapay sinir aginin girdi ile cikti katmanlari arasında yer alan ve ham veriyi anlamlı temsillere donusturmekle sorumlu ara katmanlardır. 'Gizli' kelimesi, bu katmanlarin egitim verisinde dogrudan gözlemlenemeyen ic temsillerini ifade eder; ne giris ne de cikis olmadigi icin bu adi almistir. Bir gizli katman birden fazla noron icermektedir. Her noron, onceki katmandaki tum noronların ciktilarinin agirlikli toplamını alir, bir bias ekler ve sonucu bir aktivasyon fonksiyonundan gecirir. ReLU (Rectified Linear Unit), Sigmoid ve Tanh en yaygin aktivasyon fonksiyonlarindandir. ReLU, gunumuzde sinir agları icin varsayilan tercih haline gelmistir; hesaplama basit ve gradyan yok olma problemi azdir. Gizli katmanlarin derinligi ve genisligi (noron sayisi), modelin kapasite ve ogrenme kapasitesini dogrudan belirler. Tek gizli katmanli ag teorik olarak her sureçli fonksiyonu yaklastiirabilir (Evrensel Yaklastirim Teoremi), ancak gercekte bu, astronomik boyutlarda noron sayisi gerektirebilir. Derin aglar (cok gizli katman), aynı kapasiteyi cok daha verimli sekilde saglayabilir. Her gizli katman, verinin farkli soyutlama duzeyini temsil eder. Goruntu taniyan bir CNN'de ilk gizli katmanlar kenar ve kose gibi dusuk seviye ozellikler; orta katmanlar doku ve sekil; derin katmanlar yuz veya nesne gibi yuksek seviye kavramlar ogrenebilir. Bu hiyerarsik ozellik ogrenimi, derin ogrenmenin en guclu ozelliklerinden biridir.
Human Pose Estimation (İnsan Poz Tahmini)
Human Pose Estimation (İnsan Poz Tahmini), görüntüler veya video karelerindeki insan vücudunu oluşturan eklem noktalarını (omuzlar, dirsekler, bilekler, kalça, dizler, ayak bilekleri ve baş) tespit ederek bütüncül bir iskelet temsili ortaya koyan bilgisayarlı görü görevidir. Her iskelet, anatomik bağlantılarla birleştirilmiş anahtar nokta koordinatlarından (x, y ve güven skoru) oluşur. Temel mimariler iki kategoride incelenir. Yukarıdan aşağıya (top-down) yaklaşımda önce görüntüdeki her birey bir nesne dedektörüyle belirlenir, ardından her kişi için bağımsız poz tahmini çalıştırılır; bu yöntem yüksek doğruluk sağlar ancak hesaplama maliyeti kişi sayısıyla orantılı biçimde artar. Aşağıdan yukarıya (bottom-up) yaklaşımda ise tüm anahtar noktalar tek geçişte tespit edilip ardından bireylere eşleştirilir; OpenPose (CMU, 2017) bu kategorinin öncüsüdür ve Parça Yakınlık Alanları (Part Affinity Fields) adlı yenilikçi teknikle eklem noktalarını doğru kişilere bağlar. Teknik açıdan modeller, her keypoint için olasılık ısı haritaları (heatmap) üretir; haritadaki yüksek değerler eklemin o konumda bulunma olasılığını gösterir. DeepPose (Google, 2014) bu göreve derin öğrenmeyi taşıyan ilk çalışmaydı. 2022'de yayımlanan ViTPose, CNN omurgaları yerine Vision Transformer (ViT) mimarisini kullanarak MS COCO karşılaştırma setinde AP 80,9 ile yeni bir başarı çıtası oluşturdu ve alanın CNN baskınlığından Transformer çağına geçişini simgeledi. Uygulama alanları oldukça geniştir: spor analitiğinde futbol, basketbol ve yüzme dallarında oyuncu hareket analizi; fitness ve sağlıkta yoga/gym antrenmanlarında doğru form denetimi ve fizyoterapi takibi; artırılmış/sanal gerçeklikte gerçek zamanlı avatar kontrolü ve mocap alternatifi; işaret dili tanıma ve jest tabanlı insan-bilgisayar etkileşimi; güvenlik sistemlerinde davranış izleme ve anomali tespiti. Temel zorluklar arasında vücut parçalarının örtülmesi (occlusion), kalabalık sahnelerde çok kişili tahmin ve mobil/uç cihazlarda gerçek zamanlı işlem gereksinimleri sayılabilir.
Image Recognition (Görüntü Tanıma)
Image recognition (görüntü tanıma), bilgisayar sistemlerinin dijital görüntüler veya video karelerindeki nesneleri, yüzleri, sahneleri ve kalıpları otomatik olarak tanımlayıp sınıflandırma yeteneğidir. İnsan görsel korteksinin işlevini taklit etmeyi hedefleyen bu teknoloji, yapay zeka ve bilgisayarlı görünün (computer vision) en temel uygulamalarından biridir. Görüntü tanımanın kökleri 1960'lara uzanmakla birlikte, teknoloji 2012 yılında gerçek anlamda devrim yaşadı. Geoffrey Hinton liderliğindeki Toronto Üniversitesi ekibi, AlexNet adlı derin öğrenme modeliyle ImageNet görüntü sınıflandırma yarışmasını (ILSVRC) kazanarak hata oranını yüzde 26'dan yüzde 15'e düşürdü. Bu başarı, geleneksel el yapımı özelliklerin (SIFT, HOG) yerini derin sinir ağlarına bırakma sürecini başlattı. Modern görüntü tanıma sistemleri, Evrişimli Sinir Ağları (CNN) üzerine kuruludur. CNN mimarisi, görüntüdeki kenar ve köşeler gibi düşük seviyeli özelliklerden başlayarak giderek daha soyut gösterimlere —kulaklar, gözler, yüzler gibi— doğru ilerler. ResNet (derin kalıntı ağları), EfficientNet ve DenseNet farklı hız-doğruluk dengelerinde kullanılır. 2020'den itibaren Vision Transformer (ViT) mimarileri de rekabetçi sonuçlar vererek CNN'lerle yarışmaktadır. CLIP (Contrastive Language-Image Pre-training) ise metin-görüntü öğrenimini birleştirerek sıfır-atış tanıma kabiliyeti kazandırmaktadır. Görüntü tanıma genel bir çatı kavramdır; altında birkaç farklı görev bulunur: Görüntü sınıflandırma tüm görüntüye tek bir etiket atarken, nesne tespiti (object detection) birden fazla nesnenin sınıfını ve konumunu (bounding box) aynı anda belirler. Anlamsal bölütleme (semantic segmentation) her pikseli bir sınıfla etiketler, örnek bölütleme (instance segmentation) ise her nesne kopyasını ayrı ayrı maskeler. Uygulama alanları son derece geniştir: tıbbi görüntülemede kanser tespiti, otonom araçlarda trafik işareti ve yaya tanıma, e-ticarette görsel ürün arama, üretim hatlarında kalite kontrolü ve güvenlik sistemlerinde yüz doğrulama bunların başında gelir. Değerlendirme metrikleri arasında ImageNet'teki Top-1 ve Top-5 doğruluk oranları en yaygın kullanılanlarıdır; nesne tespiti görevlerinde ise ortalama hassasiyet (mAP) ve Birleşim Üzerinden Kesişim (IoU) tercih edilir.
Instance Segmentation (Örnek Bölütleme)
Instance Segmentation (Örnek Bölütleme), bilgisayarlı görünün en gelişmiş görevlerinden biridir. Bir görüntüdeki her nesne örneğini piksel düzeyinde tespit edip birbirinden bağımsız olarak maskeleyen bu yöntem, nesne tespitinin (object detection) konumsal doğruluğunu ile semantik bölütlemenin (semantic segmentation) piksel hassasiyetini tek çatı altında birleştirir. Semantik Bölütlemeden Farkı: Semantik bölütleme "bu piksel araba sınıfına ait" der; ancak görüntüdeki iki arabayı tek bir kütle olarak ele alır. Örnek bölütleme ise her nesneye ayrı bir piksel maskesi atar: "bu Araba #1, şu Araba #2." Bu ayrım gerçek dünya uygulamalarında kritik önem taşır; otonom araçların birden fazla yayayı bağımsız takip etmesi, cerrahi robotların doku katmanlarını ayırt etmesi veya depo otomasyonunun üst üste yığılmış kutuları tek tek kavraması bu farkı gerektirir. Temel Mimariler: Mask R-CNN (He et al., 2017) bu alanın dönüm noktasıdır. Faster R-CNN'in bölgesel öneri mekanizmasına piksel maskesi çıkaran bir maske başlığı (mask head) ekleyerek her nesne için ayrı ikili maske üretir. YOLOv8-seg ve YOLOv9-seg gibi tek aşamalı (one-stage) modeller gerçek zamanlı uygulamalar için Mask R-CNN'e kıyasla çok daha hızlı bir alternatif sunar. Meta AI'ın 2023'te tanıttığı Segment Anything Model (SAM), nokta, kutu veya metin ipuçlarıyla sıfır atış (zero-shot) bölütleme yapabilen evrensel bir temel modeldir; fine-tuning gerektirmeksizin hemen her nesneyi maskeler. Mask2Former (2022) ise sorgu tabanlı (query-based) Transformer mimarisini benimseyerek panoptik, semantik ve örnek bölütlemeyi tek bir çerçevede birleştirir. Panoptik Bölütleme: Örnek bölütlemenin uzantısı olan panoptik bölütleme (panoptic segmentation), sayılabilir nesneleri (things: araba, kişi) ve sayılamaz bölgeleri (stuff: gökyüzü, zemin) eş zamanlı olarak maskeler. Değerlendirme Metrikleri: COCO veri kümesinde AP (Average Precision) farklı IoU eşiklerinde ölçülür: AP50, AP75 ve AP50:95 en yaygın kriterlerdir. Panoptik görevlerde Panoptic Quality (PQ) metriği hem tanıma hem bölütleme başarısını birlikte değerlendirir. Yüksek doğruluk için güçlü GPU gereklidir; ancak YOLOv8-seg ve SAM'ın mobil versiyonları edge cihazlarda çalışabilmektedir.
Jacobian Matrix (Jacobian Matrisi)
Jacobian Matrisi, birden fazla değişkene bağlı olan vektör değerli bir fonksiyonun birinci dereceden kısmi türevlerini düzenli biçimde gösteren matematiksel yapıdır. f: Rⁿ → Rᵐ türünde bir fonksiyon için Jacobian, m×n boyutunda bir matristir; her (i,j) girişi ∂fᵢ/∂xⱼ kısmi türevine eşittir. Bu matris, bir noktanın yakınında fonksiyonun nasıl değiştiğini lineer olarak özetler. Tarihsel köken açısından Jacobian, 19. yüzyılda Alman matematikçi Carl Gustav Jacob Jacobi tarafından çok değişkenli integrallerde koordinat dönüşümlerini incelemek amacıyla geliştirilmiştir. Çok boyutlu koordinat değişimlerinde "Jacobian determinantı" alan ölçekleme faktörü olarak ortaya çıkar ve integralin doğru hesaplanmasını sağlar. Derin öğrenmedeki rolü bakımından Jacobian, geri yayılım (backpropagation) algoritmasının matematiksel çekirdeğinde yer alır. Bir sinir ağı katmanı y = f(x) dönüşümü gerçekleştirdiğinde, kayıp fonksiyonunun x'e göre gradyanı zincir kuralıyla şöyle hesaplanır: ∂L/∂x = Jᵀ · (∂L/∂y). Pratikte tam Jacobian matrisi belleğe sığmayabilir; büyük mimarilerde giriş ve çıkış boyutları milyonları aşar. Bu nedenle modern otomatik türev kütüphaneleri (PyTorch autograd, JAX) gerçekte Jacobian matrisini oluşturmaz — yalnızca Jacobian-vektör çarpımlarını (JVP, ileri mod) veya vektör-Jacobian çarpımlarını (VJP, geri mod) hesaplar. İleri mod otomatik türevleme JVP kullanır ve küçük giriş — büyük çıkış durumlarında verimlidir. Geri mod (reverse-mode) ise VJP kullanır ve PyTorch'un backward() çağrısının temelidir; büyük giriş — tek kayıp skaleri durumlarında (tipik sinir ağı eğitimi) tercih edilir. Diğer uygulamalar arasında şunlar sayılabilir: normalizing flow modellerinde olasılık yoğunluğu hesabı için Jacobian determinantı kullanılır; meta-öğrenme algoritması MAML'ın iç döngü gradyanları Jacobian zincirlemesi gerektirir; robotik kol kinematiklerinde eklem açılarından uç-efektör konumuna dönüşüm Jacobian aracılığıyla ifade edilir. Kaybolan gradyan sorununu (vanishing gradient) anlamak için de Jacobian spektrumu incelenir: Jacobian'ın özdeğerleri 1'den küçükse gradyanlar katmanlar boyunca sıfıra yaklaşır.
Keyword Detection Nedir? Sesli Asistanlarda Anahtar Kelime Tespiti (Anahtar Kelime Tespiti)
Keyword detection (anahtar kelime tespiti), bir ses sinyalinde veya metin akışında önceden tanımlanmış sözcükleri ya da ifadeleri gerçek zamanlı olarak tanıyan yapay zeka tabanlı bir tekniktir. Sesli asistanlar, akıllı hoparlörler ve çağrı merkezi sistemlerinde temel bir bileşen olan bu teknoloji, sürekli dinleme (continuous listening) ile tetikleme kelimelerini milisaniyeler içinde ayırt edebilir. Teknik altyapı açısından keyword detection, genellikle iki aşamalı bir pipeline üzerinde çalışır. İlk aşamada küçük ve hesaplama açısından hafif bir model (örneğin MobileNet tabanlı ses sınıflandırıcısı) cihaz üzerinde sürekli çalışarak olası tetikleme kelimelerini tarar. Pozitif bir sinyal alındığında daha kapasiteli bir konuşma tanıma motoru devreye girer. Bu yaklaşım hem pil ömrünü korur hem de gizlilik açısından daha güvenli bir çözüm sunar; veriler tetikleyici kelime tespit edilene kadar buluta gönderilmez. Anahtar kelime tespiti için yaygın olarak kullanılan mimariler arasında Convolutional Neural Network (CNN) tabanlı ses sınıflandırıcıları, Recurrent Neural Network (RNN) ve dikkat mekanizmalı hibrit modeller yer alır. "Hey Siri", "OK Google" ve "Alexa" gibi wake-word sistemleri bu teknolojinin en bilinen uygulamalarıdır. Gömülü sistemlerde çalışan keyword detection modelleri, düşük gecikme süresi (≤200ms) ve yüksek yanlış pozitif dayanıklılığı gibi katı kısıtlamalara tabi tutulur. Arka plan gürültüsü, farklı aksanlar ve konuşma hızları modelin sağlamlığını test eden başlıca zorluklardır. Bu nedenle modeller genellikle ONNX veya TFLite ile optimize edilerek edge cihazlara deploy edilir. NLP alanında ise keyword detection, metin tabanlı belgelerde belirli kavramları otomatik olarak işaretlemek, içerik moderasyonu yapmak veya arama motorlarını optimize etmek amacıyla kullanılır. Ses ve metin pipeline'larının kesiştiği bu nokta, keyword detection'ı modern yapay zeka sistemlerinin vazgeçilmez bir bileşeni haline getirir.
Mixture of Experts (MoE) (Uzmanların Karışımı)
Uzmanların Karışımı (Mixture of Experts — MoE), büyük dil modellerinin hesaplama verimliliğini artırmak için geliştirilmiş bir mimari yaklaşımdır. Geleneksel yoğun (dense) transformer modellerinde her girdi, ağın tüm parametrelerinden geçer; MoE mimarisinde ise her token yalnızca belirli alt ağlar tarafından işlenir. MoE'nin temel bileşeni, "uzman" adı verilen birbirinden bağımsız beslemeli ileri (feed-forward) katmanlardır. Bu uzmanlara ek olarak bir kapı (gating) ağı bulunur; kapı ağı her giriş için hangi uzmanların etkinleştirileceğine karar verir. Tipik bir MoE katmanı 8 ila 64 uzman barındırır; ancak her token için yalnızca 2–4 tanesi aktive edilir. Bu seçici aktivasyon, modelin toplam parametre sayısını büyütürken hesaplama maliyetini sabit tutar. Seyrek aktivasyon (sparse activation) olarak adlandırılan bu özellik, MoE'yi büyük ölçekte son derece çekici kılar. Örneğin Mistral'ın Mixtral 8x7B modeli, 46,7 milyar parametreye sahip olmasına karşın çıkarım sırasında yalnızca 12,9 milyar parametre kullanır; bu da onu çok daha küçük görünen 13B modeller kadar hızlı yapar. Benzer şekilde GPT-4'ün MoE tabanlı olduğu yaygın biçimde raporlanmış olup Google'ın Gemma 4 serisi de MoE mimarisini benimsemiştir. Türk yapay zeka ekipleri için MoE, özellikle bulut çıkarım maliyetleri söz konusu olduğunda kritik bir tasarruf aracıdır. Aynı kalitedeki yoğun modele kıyasla çıkarım başına daha az FLOP harcanır; bu da API maliyetlerini doğrudan düşürür. Öte yandan MoE modellerini yerel olarak çalıştırmak, tüm uzman ağırlıklarının RAM veya VRAM'e yüklenmesini gerektirdiğinden bellekte yoğun bir profil çıkarır; bu nedenle tüketici donanımında dikkatli bellek planlaması şarttır. MoE'nin temel sınırlılıkları arasında yük dengeleme güçlüğü öne çıkar: eğitim sırasında kapı ağı bazı uzmanlara aşırı yüklenebilir, diğerlerini boş bırakabilir. Bu sorunu gidermek için yardımcı kayıp (auxiliary loss) fonksiyonları kullanılır. Dağıtık çıkarım altyapısında ise farklı uzmanlara denk düşen tokenların farklı cihazlara yönlendirilmesi gerekebilir; bu da iletişim ek yükü doğurur.
MLflow (MLflow)
MLflow, makine öğrenmesi yaşam döngüsünü uçtan uca yönetmek için tasarlanmış açık kaynaklı bir MLOps platformudur. Databricks tarafından 2018 yılında Apache 2.0 lisansıyla açık kaynak olarak piyasaya sürülen MLflow, veri bilimcilerin ve ML mühendislerinin deney takibinden model dağıtımına kadar tüm süreci tek bir araçla yönetmesine olanak tanır. MLflow dört ana bileşenden oluşur. İlk bileşen olan MLflow Tracking, makine öğrenmesi denemeleri sırasında parametreleri, metrikleri, çıktı dosyalarını ve model sürümlerini kayıt altına alır. Böylece farklı algoritma konfigürasyonlarını ve hiperparametreleri kolayca karşılaştırmak mümkün hale gelir. İkinci bileşen MLflow Projects, ML kodunu yeniden üretilebilir ve taşınabilir biçimlerde paketler; Conda veya Docker gibi ortam tanımlarını içeren MLproject dosyası sayesinde kodun farklı platformlarda tutarlı şekilde çalışması sağlanır. Üçüncü bileşen olan MLflow Models, eğitilmiş modelleri REST API, batch inference ve cloud platformlarına uygun standart bir formatta saklar. TensorFlow, PyTorch, scikit-learn, XGBoost, LightGBM ve HuggingFace Transformers dahil yirmi'den fazla ML çerçevesini destekler. Dördüncü ve son bileşen MLflow Model Registry ise modellerin versiyonlanması, etiketlenmesi ve yaşam döngüsünün yönetilmesi için merkezi bir depo sağlar; 'Staging', 'Production' ve 'Archived' gibi aşama geçişleri desteklenir. MLflow, AWS SageMaker, Azure ML, Google Cloud Vertex AI ve Databricks gibi büyük bulut platformlarıyla entegre çalışır. Kurumsal MLOps iş akışlarında deney yönetimi ve model üretim süreçleri için endüstri standardı haline gelmiştir. Açık kaynak topluluğu tarafından aktif olarak geliştirilmekte olan platform, Weights & Biases, Neptune.ai ve Comet ML gibi ticari alternatiflerin yanında popüler bir seçenek olmaya devam etmektedir.
Multimodal AI (Çok Modlu Yapay Zeka)
Çok Modlu Yapay Zeka (Multimodal AI), yalnızca metin veya yalnızca görüntü işleyen tek modlu sistemlerin aksine, aynı anda birden fazla veri türünü — metin, görüntü, ses, video ve hatta 3B veri — birleştirerek anlayış ve üretim gerçekleştiren yapay zeka mimarisidir. İnsan zihni doğası gereği çok modallidir: bir konuşmayı hem sözlerden hem ses tonundan hem de yüz ifadesinden anlarız. Multimodal AI bu entegre algıyı taklit etmeyi hedefler. Teknik açıdan bu, farklı veri türlerini ortak bir temsil uzayına dönüştüren çapraz-modal dikkat (cross-modal attention) mekanizmalarıyla gerçekleştirilir. GPT-4o (OpenAI, 2024) bu yaklaşımın en güçlü örneklerinden biri olarak metin, görüntü ve sesi tek bir model ağırlık kümesinde işler; modaliteler arasında geçiş yaparken gecikme yaşanmaz. Gemini (Google DeepMind, 2023) başından beri multimodal olarak tasarlandı; önceki modellerin aksine modaliteler arası entegrasyon sonradan eklenmedi, mimariye gömüldü. Claude'un görsel yetenekleri, tıbbi görüntü analizi ve belge anlama gibi alanlarda yüksek doğruluk oranlarına ulaşmaktadır. Uygulama alanları hızla genişlemektedir. Tıpta multimodal modeller röntgen, MR ve klinik notları eş zamanlı analiz ederek tanı desteklemektedir. Robotik alanında dil komutları ile kamera görüntüsü birleştirilerek nesne manipülasyonu gerçekleştirilir. Erişilebilirlik uygulamalarında görme engelli kullanıcılar için gerçek zamanlı sahne tanımlama yapılabilmektedir. Temel teknik zorluklar arasında modaliteler arası hizalama (alignment) ve farklı boyutlardaki veri akışlarının etkin şekilde birleştirilmesi yer almaktadır. Hallüsinasyon riski tek-modal modellere kıyasla çok boyutlu hale gelir: bir model görsel olarak doğru ancak metinsel olarak yanlış çıktı üretebilir. Güvenlik açısından deepfake tespiti ve çok-modal manipülasyon saldırıları yeni araştırma öncelikleri arasındadır. Pazar araştırmacıları küresel multimodal AI pazarının 2030 yılına kadar 10 milyar doları aşmasını öngörmektedir. Bu büyümenin itici gücü sağlık, eğitim, otomotiv ve tüketici elektroniği sektörlerindeki entegrasyon yatırımlarıdır. Özellikle Türkiye'de müşteri hizmetleri otomasyonu ve e-ticaret görsel arama uygulamaları bu teknolojiden en fazla yararlanan segmentler arasındadır.
Multimodal Learning (Çok Modlu Öğrenme)
Multimodal learning (çok modlu öğrenme), bir yapay zeka modelinin metin, görsel, ses ve video gibi birden fazla veri türünü (modalite) aynı anda işleyerek anlam çıkarmasına olanak tanıyan makine öğrenmesi yaklaşımıdır. İnsan algısına benzer şekilde birden fazla duyudan gelen bilgileri birleştirme yeteneği kazandırır. Geleneksel yapay zeka sistemleri tek bir modaliteye odaklanırken (yalnızca metin veya yalnızca görsel), çok modlu öğrenme bu sınırı aşar. Farklı modalitelerin verileri ortak bir gömülü uzayda (shared embedding space) hizalanır; böylece model "bu resimde ne yazıyor?" veya "bu sesle hangi görsel eşleşir?" gibi çapraz-modal soruları yanıtlayabilir. Temel teknikler arasında çelişkili öğrenme (contrastive learning), çapraz-modal dikkat (cross-modal attention) ve çift kodlayıcı (dual encoder) mimarileri öne çıkar. OpenAI'nin 2021'de tanıttığı CLIP modeli, metin-görsel çiftlerini milyonlarca örnekle eğiterek sıfır-atış görüntü sınıflandırmasını mümkün kıldı ve alanın temel taşlarından biri oldu. 2023'te GPT-4V tek kule (single-tower) mimarisiyle görüntü ve metni birleştirirken Google Gemini çok sayıda modaliteyi destekleyen kapsamlı bir model sundu. 2024'te GPT-4o metin, ses ve görseli gerçek zamanlı işleyebilir hale getirdi. Uygulama alanları oldukça geniştir: görsel soru cevaplama (VQA), görüntü altyazısı oluşturma, metin-görsel üretim (DALL-E, Stable Diffusion), tıbbi görüntü analizi ve otonom sürüş sistemleri. Zorluklar arasında modal hizalama güçlüğü, eksik modalite yönetimi ve yüksek hesaplama maliyeti yer alır.
Neural Network (Yapay Sinir Ağı)
Yapay sinir ağı (İngilizce adıyla neural network, kısaltmasıyla ANN yani Artificial Neural Network), insan beynindeki biyolojik nöronların birbirleriyle bilgi alışverişi yapma şeklinden ilham alınarak tasarlanmış bir makine öğrenimi modelidir. Veriler, ağın içinde birbirine bağlı yapay nöronlar (düğümler) üzerinden geçerken ağırlıklı toplamlar ve aktivasyon fonksiyonları gibi matematiksel işlemlere tabi tutulur; ağ, eğitim sırasında bu ağırlıkları güncelleyerek verideki örüntüleri kendi kendine öğrenir. Bu mimari, derin öğrenmenin (deep learning) yapıtaşıdır: görüntü tanımadan ses sentezine, makine çevirisinden ChatGPT gibi büyük dil modellerine kadar modern yapay zekanın neredeyse tüm yetenekleri sinir ağlarına dayanır. ANN'in geleneksel programlamadan temel farkı, kuralların insan tarafından yazılmaması, örneklerden çıkarılmasıdır. Klasik bir algoritmada "kediyi tanıma" kuralını satır satır kodlamanız gerekirken, bir sinir ağına binlerce kedi fotoğrafı gösterirsiniz; ağ, kenar, doku ve şekil gibi özellikleri katman katman kendisi keşfeder. Bu yaklaşım, elle kural yazmanın pratikte imkansız olduğu karmaşık problemlerde (yüz tanıma, konuşma anlama, protein yapısı tahmini) sinir ağlarını vazgeçilmez kılar. Pratikte sinir ağlarıyla en çok üç mimari ailesi üzerinden karşılaşılır: görüntü işleyen CNN'ler, sıralı verileri işleyen RNN'ler ve modern dil modellerinin temelini oluşturan Transformer'lar. Kavramın kökü 1943'teki McCulloch-Pitts nöron modeline ve 1958'deki Perceptron'a kadar uzanır; büyük veri ile GPU gücünün buluştuğu 2010'lu yıllarda ise derin sinir ağları alanın merkezine yerleşti ve o günden bu yana yapay zekadaki ilerlemenin ana motoru oldu.
Neural ODE (Nöral Adi Diferansiyel Denklem)
Neural ODE (Nöral Adi Diferansiyel Denklem), derin öğrenme modellerindeki gizli durumun (hidden state) değişimini ayrık katman geçişleri yerine sürekli bir diferansiyel denklemle tanımlayan yapay sinir ağı mimarisidir. Geleneksel derin ağlarda gizli durum h_{l+1} = h_l + f(h_l) biçiminde ayrık adımlarla güncellenir — bu yapı, Euler yöntemiyle çözülen bir ODE'nin ayrık yaklaşımına karşılık gelir. Neural ODE ise bu ayrık yapıyı dh/dt = f(h(t), t, θ) denklemiyle süreklilik boyutuna taşır ve çıkışı bir ODE çözücüsü (örn. Dormand–Prince, Runge-Kutta) yardımıyla hesaplar. 2018 NeurIPS konferansında Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt ve David Duvenaud tarafından tanıtılan bu mimari üç temel avantaj sunar. Birincisi bellek verimliliğidir: geri yayılım için adjoint (eşlenik) yöntemi kullanılır, bellek maliyeti katman sayısından bağımsız O(1) olarak kalır; geleneksel geri yayılımda bu maliyet katman sayısıyla doğrusal büyür. İkincisi uyarlanabilir derinliktir: ODE çözücüsü hata toleransına göre gereken kadar fonksiyon değerlendirmesi yapar, basit girdiler için daha az, karmaşık dinamikler için daha fazla hesaplama harcar. Üçüncüsü düzensiz örneklenmiş veriler için doğal uyumluluktur: klasik LSTM ve GRU gibi modeller eşit zaman aralığı varsayımına dayanırken Neural ODE herhangi bir t değerinde çözüme erişebildiğinden tıbbi sensör verisi, finans ve astrofizik gibi alanlarda doğrudan uygulanabilir. Öne çıkan varyantlar arasında hastalık ilerlemesini modelleyen Latent ODE ve yüksek boyutlu yoğunluk tahmini için ODE çerçevesini kullanan Sürekli Normalleştirici Akışlar (CNF) sayılabilir. Temel pratik kısıt, ODE çözücünün her ileri geçişte birden fazla ağ değerlendirmesi gerektirmesi ve sert (stiff) diferansiyel denklemlerin çözücü adımını büyük ölçüde artırabilmesidir. Bu nedenle hız öncelikli sistemlerde hâlâ ResNet ve Transformer mimarileri tercih edilmekte; Neural ODE ise fizik bilgili öğrenme, robotik ve biyomedikal veri analizi gibi niş ama önemli alanlarda güçlü bir araç olarak konumlanmaktadır.
Neural TTS (Nöral TTS (Sinir Ağı Tabanlı Metin-Ses Dönüşümü))
Nöral TTS (Neural Text-to-Speech — Nöral Metinden Konuşmaya Dönüşüm), derin öğrenme modelleri kullanarak yazılı metni doğal ve insan sesine yakın konuşmaya dönüştüren ses sentezi teknolojisidir. Geleneksel kural tabanlı (formant synthesis) veya birleştirici (concatenative synthesis) yöntemlerinin aksine nöral TTS, büyük miktarda konuşma verisi üzerinde eğitilen uçtan uca sinir ağlarıyla son derece gerçekçi ses kalitesi üretir. Modern nöral TTS sistemleri genellikle iki aşamadan oluşur: akustik model ve vokoder. Akustik model, metni bir ara temsil (çoğunlukla mel-spektrogram) biçimine dönüştürür; vokoder ise bu ara temsili ham ses dalgasına çevirir. Tacotron 2, dikkat mekanizması (attention mechanism) kullanan bir seq2seq akustik modeldir. FastSpeech 2 ise paralelleştirme sayesinde çok daha hızlı çalışır. VITS (Variational Inference with adversarial learning for end-to-end TTS), hem akustik modeli hem de vokoderi tek bir modelde birleştirip gerçek zamanlı sentez sağlar. Vokoder cephesinde WaveNet otoregresif ama yavaş çalışırken, HiFi-GAN ve BigVGAN GAN tabanlı mimarileriyle gerçek zamanlı ses sentezi sunar. Ses klonlama (voice cloning), nöral TTS'in en dikkat çekici uygulamasıdır. ElevenLabs gibi platformlar yalnızca birkaç saniyelik ses örneğiyle yüksek kaliteli kişiselleştirilmiş sesler üretebilmektedir. Zero-shot ses klonlama modellerinde (YourTTS, OpenVoice) eğitim verisi olmaksızın yeni bir sesin taklidi yapılabilmektedir. Duygusal ton, vurgu ve konuşma hızı kontrolü modern sistemlerin standart özellikleri arasına girmiştir. Endüstriyel alanda OpenAI TTS, Google WaveNet (Cloud Text-to-Speech), Microsoft Azure TTS ve Amazon Polly bu teknolojiyi bulut API'leri olarak sunmaktadır. Sesli asistanlar, ekran okuyucular, podcast üretimi, oyun karakterleri ve otomatik müşteri hizmetleri başlıca kullanım senaryolarıdır. SSML (Speech Synthesis Markup Language) ile geliştiriciler ton, hız ve telaffuz nüansları üzerinde ayrıntılı kontrol sağlayabilir. Ses klonlama teknolojisinin kötüye kullanım potansiyeli (deepfake ses), etik ve hukuki tartışmaların merkezine oturmuştur. Sahte ses içeriğinin tespiti için audio watermarking ve ses parmak izi teknolojileri geliştirilmektedir.
Object Tracking (Nesne Takibi)
Object Tracking (Nesne Takibi), video akışlarında belirli nesnelerin hareketini kareden kareye sürekli izleyen bir bilgisayarlı görü disiplinidir. Kişiler, araçlar, hayvanlar veya endüstriyel bileşenler gibi her türlü cisim bu teknikle takip edilebilir. Nesne tespitinden (object detection) temel farkı şudur: tespit her kareye bağımsız bakarken, takip nesnelerin zaman içindeki sürekli kimliğini (ID) koruyarak hareketlerini izler. Algoritma tasarımında iki temel mimari yaklaşım öne çıkar. Algıla-ve-Takip Et (Detection-Based Tracking) yaklaşımında her karede YOLO veya Faster R-CNN gibi bağımsız bir dedektör çalışır; ardından Kalman filtresi ve Macar algoritması mevcut iz listesiyle eşleştirme yapar. 2016 yılından bu yana endüstri standardı hâline gelen SORT ve DeepSORT bu yaklaşımın öncüleridir. İkinci yaklaşım olan uçtan uca transformer tabanlı modeller ise TrackFormer ve MOTR gibi ağlarla temsil edilir; tespit ve takibi tek mimari içinde birleştirir ve el yapımı birleştirme kuralı gerektirmez. Temel performans metrikleri arasında MOTA (Multi-Object Tracking Accuracy), IDF1 (kimlik süreklilik skoru) ve HOTA yer alır. Uluslararası MOT Challenge yarışması bu metrikleri standartlaştırmış olup ByteTrack ve BoT-SORT en güncel karşılaştırma listelerinde lider konumdadır. Başlıca zorluklar şunlardır: Örtüşme (occlusion), nesne başka bir cismin arkasında geçici olarak kaybolduğunda kimlik kaybına yol açar. Hız değişimleri ve ani yön dönüşleri Kalman filtresi tahminlerini güçleştirir. Benzer görünümlü nesneler ID anahtarı (ID switch) hatasını artırır. Küçük veya uzak nesneler ise dedektörün güven eşiğinin altında kalabilir. Gerçek zamanlı sistemlerde YOLO ile ByteTrack kombinasyonu yaygın tercih olurken, piksel düzeyinde hassasiyet gerektiren uygulamalarda Meta'nın 2024 tarihli SAM 2 modeli öne çıkmaktadır. Nesne takibi; otonom araçlar, spor analizi, akıllı güvenlik kameraları ve tıbbi görüntüleme alanlarında endüstri standardı hâline gelmiştir.
OCR (OCR — Optik Karakter Tanıma)
OCR (Optical Character Recognition — Optik Karakter Tanıma), görüntü, taranmış belge veya fotoğraf içindeki basılı ya da el yazısı karakterleri analiz ederek düzenlenebilir ve aranabilir dijital metne dönüştüren teknolojidir. 1950'lerin sonunda ortaya çıkan OCR, başlangıçta basit şablon eşleştirme ve piksel karşılaştırma algoritmalarına dayanırken; günümüzde derin öğrenme mimarileri sayesinde çok daha güçlü bir yapıya kavuşmuştur. Modern bir OCR sistemi dört temel aşamadan oluşur: (1) Görüntü ön işleme — gürültü giderme, eğim düzeltme (deskew), kontrast normalizasyonu ve renk segmentasyonu. (2) Metin bölgesi tespiti — satır ve kelime kutularının belirlenmesi, paragraf sıralamasının çıkarılması. (3) Karakter veya kelime düzeyinde segmentasyon ve özellik çıkarımı. (4) Model tabanlı tanıma ve dil modeli destekli hata düzeltme. Geleneksel sistemler CNN (Evrişimsel Sinir Ağı) ve LSTM kombinasyonunu kullanırken; son nesil Transformer tabanlı modeller — TrOCR, Donut, Nougat, DeepSeek-OCR — görsel kodlayıcı ile dil çözücüsünü birleştirerek belge düzeni anlayışını yeni bir düzeye taşımaktadır. Bu modeller artık sadece karakterleri değil; tabloları, formları, matematiksel ifadeleri ve karmaşık çok sütunlu sayfa yapılarını da yapılandırılmış çıktıya dönüştürebilmektedir. OCR'nin kullanım alanları son derece geniştir: finans sektöründe fatura ve çek işleme, sağlıkta hasta kayıtlarının dijitalleştirilmesi, hukuk alanında sözleşme tarama, e-ticarette ürün katalog otomasyonu, pasaport ve kimlik doğrulama sistemleri, kütüphane arşivlerinde tarihi belgelerin dijital ortama aktarılması bunların başında gelir. Türkçe gibi özel karakterler içeren diller için ğ, ü, ş, ı, ö, ç gibi harflerin doğru tanınması ayrı bir önem taşır; bu nedenle Türkçe dil paketi veya özel eğitilmiş model kullanımı gerekebilir. 2025-2026 itibarıyla çok modelli büyük dil modelleri (GPT-4o, Claude, Gemini) doğrudan görüntüden metin ve anlam çıkartabilmekte; bu durum OCR'yi 'belge zekası' adı verilen daha geniş bir alanda yeniden konumlandırmaktadır. İyi koşullar altında modern OCR sistemleri %99'un üzerinde doğruluk oranına ulaşabilirken, düşük kaliteli görüntü ve el yazısında bu oran %85-95 aralığına düşmektedir.
Örüntü Tanıma (Pattern Recognition) Nedir? (Örüntü Tanıma)
Örüntü tanıma (Pattern Recognition), ham verilerdeki anlamlı yapıları, tekrarlayan kalıpları ve ilişkileri otomatik olarak tespit edip sınıflandırmayı amaçlayan yapay zeka ve makine öğrenmesi disiplinidir. Görüntü, ses, metin ve zaman serileri gibi çeşitli veri tiplerinde çalışabilir; veri madenciliğinden bilgisayarlı görüşe, doğal dil işlemeden biyometriye kadar geniş bir uygulama yelpazesi sunar. Disiplinin kökleri 1957'ye uzanır: Frank Rosenblatt'ın geliştirdiği Perceptron, biyolojik sinir hücrelerinden ilham alan ilk öğrenebilir örüntü tanıma sistemiydi. İlk dönemde istatistiksel yöntemler (Bayes sınıflandırıcıları, doğrusal diskriminant analizi) ve yapısal yaklaşımlar hâkimdi. 1980-2000 yılları arasında destek vektör makineleri (SVM) ve gizli Markov modelleri (HMM) öne çıktı; bu yöntemler konuşma tanıma ve el yazısı okumada önemli ilerleme kaydetti ve ticari ürünlere girdi. 2012 yılında AlexNet'in ImageNet yarışmasında hata oranını %26'dan %15'e düşürmesi, derin öğrenme tabanlı örüntü tanımanın dönüm noktası oldu. Evrişimli sinir ağları (CNN), görüntüdeki pikselleri doğrudan işleyerek hiyerarşik özellikleri katman katman otomatik keşfeder; elle öznitelik mühendisliği gerekmez. Transformer mimarileri ise metin, ses ve görüntüde aynı anda üstün performans sergileyerek örüntü tanımayı çok kipli (multimodal) bir alana taşıdı. Temel çalışma döngüsü beş adımdan oluşur: ham veri edinimi, ön işleme (gürültü giderme, normalizasyon), öznitelik çıkarımı, model eğitimi ve sınıflandırma/tahmin. Denetimsiz öğrenmede ise etiket kullanılmadan veri kümeleri bulunur; bu yöntem anomali tespiti ve müşteri segmentasyonunda özellikle değerlidir. Günümüzde örüntü tanıma; tıbbi görüntülemede kanser tespiti, otonom araçlarda nesne algılama, konuşma asistanlarında ses-metin dönüşümü, finansal sahtekârlık tespiti ve biyometrik kimlik doğrulama gibi kritik alanlarda rol üstlenmektedir. OpenCV, scikit-learn, TensorFlow ve PyTorch gibi açık kaynak kütüphaneler, bu tekniği araştırmacılardan endüstriyel mühendislere kadar geniş bir kitleye erişilebilir ve uygulanabilir kılmaktadır.
Parameters (Parametreler)
Parametreler (parameters), makine öğrenmesi ve derin öğrenme modellerinde eğitim süreci boyunca optimizasyon algoritmaları tarafından güncellenen öğrenilebilir değerlerdir. Sinir ağlarında ağırlıklar (weights) ve biaslar (biases) en temel parametre türleridir; bu değerler, modelin girdiden çıktıya olan dönüşümü nasıl gerçekleştireceğini belirler. Model parametrelerinin sayısı, bir modelin kapasitesini ve ifade gücünü doğrudan etkiler. GPT-2 yaklaşık 117 milyon, GPT-3 ise 175 milyar parametreden oluşur; bu fark, modellerin dil anlama ve üretme kapasitelerindeki büyük uçurumu açıklar. Ancak parametre sayısı tek başına performansı garanti etmez; veri kalitesi, mimari tasarım ve eğitim stratejisi de kritik rol oynar. Parametreler, hiperparametrelerden farklıdır. Hiperparametreler (öğrenme hızı, batch boyutu, katman sayısı) eğitim öncesinde tasarımcı tarafından belirlenir ve eğitim sürecinde değişmez. Parametreler ise geri yayılım (backpropagation) algoritmasıyla her eğitim adımında güncellenir. Model büyüklüğünü ölçmek için kullanılan parametre sayısı, hesaplama maliyetini ve bellek gereksinimini de doğrudan etkiler. 7 milyar parametreli bir modelin tam hassasiyetle (FP32) yüklenmesi yaklaşık 28GB bellek gerektirir; bu nedenle kantizasyon teknikleri büyük modelleri tüketici donanımında kullanılabilir kılmak için kritik önem taşır. Aktivasyon fonksiyonları, katman normalizasyonları ve dikkat mekanizmalarının ağırlıkları da birer parametredir. Transformer mimarilerinde dikkat başlıklarının sorgu, anahtar ve değer matrislerindeki ağırlıklar, modelin hangi bağlamsal bilgilere odaklanacağını öğrenir.
PyTorch (Açık Kaynak Derin Öğrenme Çerçevesi)
PyTorch, Meta AI Araştırma Laboratuvarı (FAIR) tarafından 2016 yılında yayımlanan, Python tabanlı açık kaynaklı bir derin öğrenme çerçevesidir. Lua tabanlı Torch kütüphanesinin modern Python uyarlaması olarak doğan proje, 2022'den bu yana Linux Foundation çatısı altındaki PyTorch Foundation tarafından yönetilir; NVIDIA, AMD, Google, Microsoft, Intel ve IBM gibi şirketler yönetim kuruluna üyedir. Sinir ağlarını tasarlamak, eğitmek ve üretim ortamına almak için tensör işlemlerinden model servisine kadar uzanan eksiksiz bir araç seti sunar. PyTorch'u rakiplerinden ayıran temel özellik, çalışma zamanında inşa edilen dinamik hesaplama graflarıdır (define-by-run). TensorFlow 1.x döneminin statik graflarının aksine, model kodu satır satır yürütülürken graf anlık olarak oluşur; araştırmacı standart Python hata ayıklayıcısını doğrudan kullanabilir, if/else ve döngü içeren değişken mimariler doğal söz dizimiyle yazılır. Autograd sistemi bu grafın üzerinden gradyanları otomatik hesaplar: requires_grad=True atanmış bir tensör üzerindeki tüm işlemler kaydedilir, .backward() çağrısıyla geri yayılım (backpropagation) elle kodlanmadan tamamlanır. Bu iki mekanizmanın birleşimi, özel kayıp fonksiyonlarından deneysel katman tasarımlarına kadar her fikrin sıradan Python koduyla ifade edilebilmesi anlamına gelir. Çerçevenin çekirdeğini dört modül oluşturur: torch.Tensor NumPy benzeri çok boyutlu dizileri CPU ve GPU belleğinde tutar; torch.nn hazır katmanları (Linear, Conv2d, Transformer) ve kayıp fonksiyonlarını barındırır; torch.optim SGD, Adam ve AdamW gibi optimizasyon algoritmalarını sunar; DataLoader ise veri setlerini çok işlemcili mini-batch akışına çevirir. Bir eğitim döngüsü tipik olarak 15-20 satır koddan ibarettir ve her adımı okunabilir Python olarak kalır. 2023'te çıkan PyTorch 2.0, bu esnekliği performansla birleştirdi. torch.compile tek satırlık bir çağrıyla modeli TorchDynamo ve TorchInductor üzerinden derleyerek tipik eğitim iş yüklerinde %30-100 arası hızlanma getirir; 2025 sonunda yayımlanan 2.9 sürümüyle proje FlexAttention, torch.export ve AOTInductor gibi derleyici tabanlı araçları olgunlaştırmıştır. GPU tarafında NVIDIA CUDA ile derin entegrasyonun yanına AMD ROCm, Apple Silicon için MPS ve Intel GPU (XPU) desteği eklenmiştir; model tek satır .to('cuda') ile hızlandırıcıya taşınır. Akademik araştırmada PyTorch 2019-2020'den itibaren TensorFlow'u geçerek fiili standart hâline geldi; Papers with Code üzerindeki yeni makale uygulamalarının %70'ten fazlası PyTorch kullanır. Llama, Whisper, Stable Diffusion ve DINOv2 gibi modellerin resmi kodları PyTorch ile yazılmıştır; Hugging Face Transformers kütüphanesi birincil backend olarak PyTorch'u benimser ve bir milyondan fazla önceden eğitilmiş modele tek API ile erişim verir. Büyük dil modeli çağının kritik altyapısı da aynı ekosistemde yaşar: OpenAI 2020'de araştırma yığınını PyTorch üzerinde standartlaştırdı; vLLM çıkarım motoru, TorchTitan dağıtık eğitim kütüphanesi ve LoRA tabanlı ince ayar araçlarının tamamı doğrudan PyTorch üzerine kuruludur. Ekosistem paketleri kullanım alanlarını genişletir: TorchVision görüntü, TorchAudio ses, PyTorch Lightning eğitim altyapısı, ExecuTorch ise mobil ve gömülü cihazlarda çıkarım için geliştirilmiştir. BSD-3-Clause lisanslı proje, GitHub'da 90 binin üzerinde yıldıza ulaşmıştır ve araştırma prototipinden milyarlarca kullanıcılı üretim sistemlerine kadar aynı kod tabanıyla ilerlemeye imkân tanır. Türkçe kaynak, üniversite müfredatı ve iş ilanları açısından da derin öğrenme kariyerine başlamak isteyenler için ilk öğrenilmesi gereken çerçeve konumundadır.
RNN (Recurrent Neural Network) (Tekrarlayan Sinir Ağı)
RNN (Recurrent Neural Network, Tekrarlayan Sinir Ağı), sıralı verileri adım adım işlerken önceki adımlardan gelen bilgiyi bir gizli durum (hidden state) vektöründe taşıyan yapay sinir ağı mimarisidir. Klasik ileri beslemeli ağlar her girdiyi bağımsız değerlendirir; RNN ise bir cümleyi okuyan insan gibi soldan sağa ilerler, her kelimede o ana kadar gördüklerinin özetini günceller. Bu döngüsel yapı, çıktının yalnızca mevcut girdiye değil, tüm geçmiş bağlama bağlı olduğu problemler için tasarlanmıştır: dil modelleme, konuşma tanıma, makine çevirisi, zaman serisi tahmini ve sensör verisi analizi. Matematiksel olarak her zaman adımında aynı ağırlık matrisleri paylaşılır: h_t = f(W_x·x_t + W_h·h_(t-1) + b). Eğitim, zaman içinde geri yayılım (Backpropagation Through Time, BPTT) ile yapılır; ağ, dizinin uzunluğu kadar "açılır" ve gradyanlar geriye doğru akıtılır. Bu süreçte gradyanların üstel biçimde küçülmesi (vanishing gradient) standart RNN'in en bilinen zayıflığıdır: 30-50 adımdan uzun bağımlılıklar pratikte öğrenilemez. 1997'de Hochreiter ve Schmidhuber'in LSTM'i, 2014'te Cho ve ekibinin GRU'su bu sorunu kapı mekanizmalarıyla büyük ölçüde çözdü ve 2017'ye kadar NLP'nin fiili standardı oldu. 2017'deki Transformer mimarisi, paralel eğitim avantajıyla büyük dil modellerinde RNN'in yerini aldı; ancak dikkat mekanizmasının dizi uzunluğuyla O(n²) ölçeklenen maliyeti, doğrusal karmaşıklıklı alternatif arayışını yeniden başlattı. RWKV-7 (2025), Mamba-2 ve xLSTM (2024) gibi modern tekrarlayan mimariler, RNN'in O(n) çıkarım verimliliğini Transformer düzeyinde ifade gücüyle birleştirerek 2023-2026 döneminde bir "RNN rönesansı" yarattı. Bugün RNN ailesi; akış halinde konuşma tanıma, gömülü cihazlarda düşük gecikmeli çıkarım ve uzun bağlamlı verimli dil modelleri araştırmalarında aktif olarak kullanılmaktadır.
Sentiment Analysis (Duygu Analizi (Sentiment Analysis))
Duygu analizi (Sentiment Analysis ya da Opinion Mining), doğal dil işleme (NLP) alanında metinlerdeki öznel ifadeleri, tutumları ve duyguları otomatik olarak sınıflandırmak için kullanılan bir tekniktir. Temel görev, bir metnin pozitif, negatif ya da nötr bir duygu içerip içermediğini belirlemektir; ancak modern sistemler çok daha nüanslı kategoriler — sevinç, öfke, üzüntü, şaşırma — ve yoğunluk dereceleri de çıkarabilir. Kural tabanlı sistemler SentiWordNet gibi el yapımı duygu söz dağarcıklarına dayanır; genişletilebilirliği sınırlıdır. Makine öğrenimi modelleri (Naive Bayes, SVM, lojistik regresyon) TF-IDF veya bag-of-words temsilleri üzerinde eğitilir. Derin öğrenme döneminde LSTM ve CNN tabanlı modeller bağlamsal bilgiyi daha iyi yakaladı. 2018'de BERT'in tanıtılmasıyla alan köklü biçimde değişti: büyük metin korpüsleri üzerinde ön eğitim almış transformatör modeller, SST-2 kıyaslama setinde yüzde doksanın üzerinde F1 skoru elde etti. GPT-4 sınıfı büyük dil modelleri ise etiketli veri gerektirmeden few-shot öğrenme ile yüzde doksan beşin üzerinde doğruluk sunar. Analiz granülaritesi bakımından belge düzeyi analiz tüm bir yorumun genel duygusunu çıkarır, cümle düzeyi analiz her cümleyi ayrı işler. Aspect-based (konu bazlı) duygu analizi ise bir metindeki belirli özniteliklere — pil ömrü, kamera kalitesi, müşteri hizmetleri gibi — yönelik ayrı polarite çıkarır; bu yaklaşım e-ticaret ve ürün yönetimi için kritik değer taşır. Duygu analizinin başlıca uygulama alanları şunlardır: müşteri geri bildirim analizi ve NPS tahmini, ürün inceleme özetleme, sosyal medya izleme ile marka algısı takibi, finans NLP kapsamında borsa duygusu tahmini, chatbot kalite değerlendirmesi ve haber akışı duygu izleme. Gerçek zamanlı sistemlerde DistilBERT gibi distile edilmiş modeller veya Transformers.js gibi tarayıcı içi çerçeveler, sunucu yükü olmadan ve veri gizliliği korunarak hızlı çıkarım sağlar. Alanın başlıca açık zorlukları arasında ironi ve alaycılığın doğru çözümlenmesi, alan uyarlaması (domain adaptation — genel verilerle eğitilen modelin finans veya tıp metinlerine aktarılması), çok dilli kaynak kıtlığı ve köşe örnekler yer alır. Model performansı doğruluk (accuracy), makro F1 skoru ve sınıf bazında hassasiyet/duyarlılık metrikleriyle ölçülür; veri sınıfı dengesizliği söz konusu olduğunda makro F1 tercih edilir.
Speaker Verification (Konuşmacı Doğrulama)
Konuşmacı Doğrulama (Speaker Verification), bir ses kaydının iddia edilen kişiye ait olup olmadığını doğrulamak için kullanılan yapay zeka tabanlı biyometrik kimlik doğrulama teknolojisidir. Temel amacı "Bu ses gerçekten bu kişiye mi ait?" sorusunu yanıtlamaktır; bu bakımdan her ses kaydının kim tarafından üretildiğini belirleyen konuşmacı tanımlama (speaker identification) ile aynı şey değildir. Doğrulama süreci 1:1 karşılaştırma yaparken, tanımlama 1:N aramadır. Sistem, bir kişinin sesinden karakteristik özellikler (ses gömülü vektörleri / vocal embeddings) çıkarır ve bu özellikleri kayıtlı referans modeli ile karşılaştırır. Ses yolunun anatomik yapısı, artikülasyon biçimleri, melodik özellikler, formant frekansları ve konuşma hızı gibi biyometrik veriler bir parmak izi gibi kişiyi benzersiz şekilde tanımlar. Geleneksel sistemlerde Gaussian Mixture Model ile Universal Background Model (GMM-UBM) birleşimi ve i-vektörler kullanılırken, derin öğrenme çağı ile birlikte d-vektörler ve x-vektörler öne çıktı. 2018'de Johns Hopkins Üniversitesi tarafından geliştirilen x-vektörler, Time Delay Neural Network (TDNN) mimarisini istatistiksel havuzlama katmanıyla birleştirerek çok daha gürbüz gömülü vektörler üretir. Son nesil sistemlerde ise ECAPA-TDNN (Emphasized Channel Attention, Propagation and Aggregation in TDNN) mimarisi öne çıkmaktadır; bu yapı kısa ve uzun vadeli konuşma özelliklerini birlikte modeller. Konuşmacı doğrulama iki senaryoda çalışır: metne bağımlı (text-dependent) sistemler kullanıcıdan belirli bir parola cümlesi söylemesini isterken, metinden bağımsız (text-independent) sistemler serbestçe konuşulan herhangi bir sesi analiz eder. Metinden bağımsız yaklaşımlar daha pratik olmakla birlikte daha zordur; bankacılık çağrı merkezleri, akıllı asistan kimlik doğrulaması ve güvenli kapı sistemleri gibi geniş çaplı uygulamalarda yaygınlaşmaktadır. Sistemin performansı Eşit Hata Oranı (Equal Error Rate — EER) ile ölçülür: yanlış kabul (sahte sesin geçmesi) ile yanlış red (gerçek kullanıcının reddedilmesi) oranlarının eşitlendiği noktayı ifade eder. İyi bir modern sistem EER'i %1'in altında tutar. Azure AI Speech, AWS ve Google Cloud gibi bulut platformları hazır API'lar sunarken, açık kaynak ekosistemde SpeechBrain ve Resemblyzer popüler araçlardır.
Torch Nedir? PyTorch'un Temeli Derin Öğrenme Kütüphanesi (Torch)
Torch, derin öğrenme modellerinin kurulup eğitildiği, GPU hızlandırmalı tensör hesaplama kütüphanesidir; bugün bu ad, Python'da `import torch` komutuyla çağrılan **PyTorch** çerçevesinin çekirdek paketini ifade eder. Yani "torch" ile PyTorch ayrı iki araç değildir: PyTorch projenin adı, `torch` ise kod içinde kullanılan paket adıdır. Hikaye 2001'de İsviçre'deki Idiap Araştırma Enstitüsü'nde C++ tabanlı orijinal Torch ile başladı. Ronan Collobert liderliğindeki ekip 2011'de kütüphaneyi Lua diliyle **Torch7** olarak yeniden yazdı; DeepMind ve Facebook araştırmacıları yıllarca bu sürümü kullandı. 2016'da Meta AI (o dönemki adıyla Facebook AI Research), aynı çekirdek felsefeyi Python'a taşıyarak PyTorch'u yayımladı. Lua tabanlı Torch7'nin geliştirilmesi 2018'de durdu ve tüm ekosistem PyTorch çatısı altında birleşti. 2022'den beri proje, Linux Foundation bünyesindeki **PyTorch Foundation** tarafından bağımsız biçimde yönetiliyor. Torch'u öne çıkaran üç teknik özellik var. Birincisi, NumPy benzeri sezgisel API ile çalışan ve `.to("cuda")` çağrısıyla GPU'ya taşınabilen **tensör** yapısı. İkincisi, geri yayılım (backpropagation) gradyanlarını tek bir `.backward()` çağrısıyla otomatik hesaplayan **Autograd** motoru. Üçüncüsü, hesaplama grafiğini her çalıştırmada anlık kuran **define-by-run** yaklaşımı; bu esneklik, hata ayıklamayı standart Python araçlarıyla yapmayı mümkün kılar. PyTorch 2.x dönemiyle (Aralık 2022'de duyuruldu, 2.0 Mart 2023'te çıktı) tabloya `torch.compile` eklendi: tek satırlık bu çağrı, modeli TorchInductor derleyicisiyle optimize ederek eğitimde tipik olarak %30-200 arası hızlanma getirir. 2025'te yayımlanan 2.6-2.9 sürümleri FP8 desteği, torchao ile nicemleme (quantization) ve Blackwell GPU uyumu gibi yenilikler taşıdı. Rakamlar üstünlüğü net gösteriyor: Hugging Face'teki modellerin %90'ından fazlası PyTorch formatında yayımlanıyor, NeurIPS gibi konferanslardaki uygulamalı makalelerin yaklaşık %80'i PyTorch kullanıyor. GPT, Llama ve Stable Diffusion gibi modellerin eğitim altyapısı da torch üzerine kurulu. Türkiye'de üniversite laboratuvarlarından bankacılık ve e-ticaret ekiplerine kadar derin öğrenme çalışan hemen her ekip, ilk satırı `import torch` olan kodlarla üretim yapıyor.
TPU (Tensor Processing Unit) (Tensör İşlem Birimi)
TPU (Tensor Processing Unit), Google tarafindan buyuk olcekli makine ogrenmesi is yuklerini, ozellikle derin sinir agi egitimini ve cikarsama islemlerini hizlandirmak icin tasarlanmis ozel amacli bir entegre devre (ASIC — Application-Specific Integrated Circuit). 2016 yilinda Google'in dahili kullanim icin gelistirmis; 2018'den itibaren Google Cloud uzerinden dis kullanicilara da sunulmustur. TPU'lar, matris cogaltma islemlerine (matrix multiplication) ozellesmis yapilarindan dolayi standart CPU ve GPU'dan farkliliklar ortaya koyar. Derin ogrenme modellerindeki en hesaplama yogun operasyon — ornegin transformer'larin dikkat hesaplama veya convolutional katmanlar — matris cogaltma icerir. TPU'nun Systolic Array mimarisi bu operasyonu paralel ve yuksek bant genisligiyle gerceklestirir. TPU surumleri tarihsel gelisimini yansitiyor: TPU v1 yalnizca cikarsama; TPU v2 ve v3 hem egitim hem cikarsama; TPU v4 ve v5 cok buyuk modellerin (LLM) egitimi icin optimize edilmistir. Google'ın PaLM, Gemini ve AlphaFold modelleri TPU kümelerinde (pod) egitilmistir. Google Cloud TPU Pods, binlerce TPU v4 cekirdegini yuksek bant genislikli agla birlestirerek devasa modellerin egitilmesini olanaklı kilar. JAX (Google'in otomatik turv ve XLA derleme kutuphanesi), TensorFlow ve PyTorch XLA modu ile TPU'lar programlanabilir. Kullanicilara Google Colab veya Cloud TPU uzerinden erisim saglanmaktadir.
Transfer Learning (Transfer Öğrenme)
Transfer Öğrenme (Transfer Learning), büyük ve kapsamlı veri kümeleriyle önceden eğitilmiş bir modelin öğrendiği bilgiyi, farklı ama ilişkili başka bir göreve aktarma tekniğidir. Geleneksel makine öğrenmesinde her görev için model sıfırdan eğitilirdi; bu yöntem hem milyonlarca etiketli örnek hem de aylarca süren hesaplama gücü gerektiriyordu. Transfer öğrenmede iki temel aşama birbirini tamamlar: ön eğitim (pre-training) ve ince ayar (fine-tuning). Ön eğitim aşamasında model, geniş kapsamlı bir veri kümesiyle genel bilgi edinir. GPT modellerinin internet metinleriyle dil kalıplarını kavraması ya da ResNet'in ImageNet üzerindeki 14 milyon görüntüyle şekil ve doku özelliklerini çıkarması bu aşamaya örnektir. İnce ayar aşamasında ise bu temel model, çok daha küçük ve görev özgü bir veri kümesiyle yeniden optimize edilir; birkaç yüz örnek bile rekabetçi sonuçlar verebilir. Üç ana strateji öne çıkar. Özellik çıkarma (feature extraction) yönteminde ön eğitimli modelin ağırlıkları dondurulur, yalnızca son katman yeni göreve göre eğitilir. Tam ince ayar (full fine-tuning) tüm ağırlıkları günceller ve daha yüksek doğruluk sunar. LoRA ile PEFT ise küçük adaptör matrisleri ekleyerek hesaplama verimliliğini korur; büyük dil modellerinin ince ayarında standart bir yaklaşım haline gelmiştir. Hangi stratejinin seçileceği, mevcut etiketli veri miktarına ve hedef görevin kaynak görevle olan yakınlığına bağlıdır. Günümüzde BERT, RoBERTa ve LLaMA gibi ön eğitimli modeller, Türkçe duygu analizi, tıbbi metin sınıflandırması ve kod üretimi gibi alanlarda az veriyle yüksek başarı oranları sunmaktadır. Kaynak ve hedef görevler arasındaki büyük farklılık "negatif transfer" riskini doğurur; bu nedenle model ve alan seçimi dikkatli yapılmalıdır. Transfer öğrenme, modern yapay zekanın temel bileşenlerinden biri olarak büyük dil modellerinin geniş kitleler tarafından kullanılmasında belirleyici bir rol üstlenmektedir.
Transformer (Dönüştürücü Mimarisi)
Transformer, 2017'de Google araştırmacılarının "Attention Is All You Need" makalesiyle tanıttığı ve bugünkü yapay zeka modellerinin büyük bölümünün temelini oluşturan derin öğrenme mimarisidir. Veriyi kelime kelime, sıralı biçimde işleyen RNN ve LSTM modellerinin aksine Transformer, Self-Attention (öz-dikkat) mekanizmasıyla bir dizideki tüm öğeleri aynı anda işler: her kelime, cümledeki diğer tüm kelimelerle ilişkisini eşzamanlı hesaplar. Bu paralel çalışma biçimi iki büyük sorunu birden çözer. Birincisi, GPU'ların matris çarpımındaki gücünden tam olarak yararlanıldığı için eğitim çok daha hızlıdır; devasa veri setleriyle milyarlarca parametreli model eğitmek ancak bu mimariyle pratik hale gelmiştir. İkincisi, uzak kelimeler arasındaki bağlamsal ilişkiler kaybolmaz; model uzun bir metnin başındaki bilgiyi sonunda da hatırlar. Transformer'ın önemi dil işlemeyle sınırlı kalmadı. ChatGPT, Claude, Gemini ve Llama gibi büyük dil modellerinin (LLM) tamamı bu mimari üzerine kuruludur; BERT arama motorlarında sorgu anlamada, GPT ailesi metin ve kod üretiminde kullanılır. Görüntü tarafında Vision Transformer (ViT) sınıflandırma ve nesne tanımada CNN'lere güçlü bir alternatif oldu; Whisper konuşma tanımada, AlphaFold 2 ise protein yapısı tahmininde aynı temeli kullanır. Pratikte bugün bir sohbet botuyla konuştuğunuzda, makine çevirisi yaptığınızda veya yapay zeka destekli kod tamamlama kullandığınızda arka planda neredeyse her zaman bir Transformer çalışır. Mimarinin bir diğer kritik özelliği öngörülebilir ölçeklenmesidir: parametre, veri ve hesaplama arttıkça performans da düzenli biçimde artar; bu ölçekleme yasaları son yılların yapay zeka araştırma gündemini belirlemiştir.
Vanishing Gradient Problem (Kaybolan Gradyan Problemi)
Kaybolan Gradyan Problemi (İngilizce: Vanishing Gradient Problem), derin sinir ağlarını geri yayılım (backpropagation) algoritmasıyla eğitirken ortaya çıkan temel bir optimizasyon sorunudur. Ağdaki gradyanlar, geri yayılım sırasında çıkış katmanından girişe doğru ilerlerken her katmanda küçük değerlerle çarpılır. Sonuç olarak gradyanlar üstel biçimde küçülür ve ağın ilk katmanlarına ulaştığında pratikte sıfıra yaklaşır. Bu durum ilk katmanların güncellenmemesine yol açar; ağın bu erken katmanları neredeyse öğrenmez hale gelir. Sorunun ana nedeni, sigmoid ve tanh gibi aktivasyon fonksiyonlarının türevlerinin oldukça dar bir aralıkta (0 ile 0.25 arasında) kalmasıdır. Geri yayılım zincirinde her katman için bu küçük türev değerleriyle çarpma işlemi yapıldığından, 10 katmanlı bir ağda gradyan kolaylıkla (0.25)^10 ≈ 0.000001 gibi ihmal edilebilir bir değere düşebilir. Tarihsel açıdan bu problem, 1991 yılında Sepp Hochreiter'ın diplomasında kapsamlı biçimde analiz edildi. Bu analiz, özellikle RNN mimarilerinde uzun vadeli bağımlılıkların öğrenilememesi sorununu da açıklamaktaydı; bu nedenle Hochreiter ve Schmidhuber 1997'de LSTM mimarisini geliştirdi. Modern derin öğrenmede bu problemi hafifletmek için çeşitli yöntemler kullanılmaktadır. ReLU aktivasyon fonksiyonu, pozitif bölgede türevi 1 olduğundan gradyan akışını korur. Batch Normalization, katman çıktılarını normalleştirerek gradyanları dengeli tutar. ResNet'in temelini oluşturan Skip Connection (artık bağlantı), gradyanın katmanları atlayarak doğrudan iletilmesini sağlar. Xavier ve He başlatması gibi ağırlık başlatma stratejileri başlangıç gradyan dağılımını stabilize eder. LSTM ve GRU, özel geçit mekanizmalarıyla uzun vadeli gradyan akışını korur. Kaybolan Gradyan Problemi, Patlayan Gradyan Problemi (Exploding Gradient Problem) ile zıt bir çift oluşturur: birinde gradyanlar sıfıra çökerken diğerinde kontrolsüzce büyür. İkisi de derin ağ eğitiminin temel dinamiklerini etkiler ve modern mimari tasarım kararlarını doğrudan şekillendirir.
Variational Autoencoder (VAE) (Varyasyonel Oto-Kodlayıcı)
Variasyonel Otokodlayıcı (VAE — Variational Autoencoder), gizli uzayda (latent space) olasılıksal bir dagilim ogrenerek yeni veri ornekleri uretebilen uretken derin ogrenme modeli. 2013 yilinda Kingma ve Welling tarafindan onerilen VAE, otokoderın gizli uzay temsilini deterministik bir noktayla dolu olmak yerine olasiliksal bir dagilim (cogunlukla Gaussian) olarak modeller. VAE mimarisinin iki ana bileseni vardir: kodlayici (encoder) ve kodcozucu (decoder). Encoder, girdi verisini gizli uzaydaki bir ortalama (mean) ve varyans vektoru olarak kodlar; gercek gizli vektor bu Gaussian dagilimindan orneklenir. Decoder, bu gizli vektoru orijinal veri uzayına geri donusturmege calisir. Egitim sirasinda iki kayip terimi vardir: yeniden yapim kaybi (reconstruction loss — girdinin cikisa ne kadar benzedigi) ve KL sapma kaybi (KL divergence — gizli dagilımın standard normale ne kadar yakin oldugu). GAN'larla (Generative Adversarial Network) karsilastirildiginda VAE'nin avantajlari ve dezavantajlari farklilasir. VAE, egitimi daha kararli ancak uretilen ornekler cogu zaman daha bulanik (blurry) gorunur. GAN'lar cok daha keskin ve gercekci goruntü uretse de egitim kararsizligi ve mod cokusu (mode collapse) sorunlariyla mucadele eder. VAE'nin gizli uzayinin duzlü ve sutun yapısı (smooth, structured latent space) onu yorumlanabilir temsil ogrenmesi (disentangled representation learning) icin cekici kilar. Veri uretiminin yanı sira anomali tespiti, eksik veri doldurma ve kesirsiz interpolasyon (yuz eslestirmesinden noktali buluta dek) uygulamalarında kullanilmaktadir.
Vector Space (Vektör Uzayı)
Vektör uzayı (vector space), matematiksel olarak vektörlerin tanımlandığı ve bu vektörler üzerinde toplama ile skaler çarpma işlemlerinin belirli aksiyomları karşılayacak şekilde gerçekleştirilebildiği soyut bir yapıdır. Makine öğrenmesi ve yapay zeka bağlamında ise vektör uzayı, veri noktalarının (metin, görüntü, ses, kullanıcı davranışı gibi) sayısal temsillere dönüştürüldüğü ve bu temsiller arasındaki anlamsal ilişkilerin geometrik mesafe ve yön kavramlarıyla ifade edildiği çok boyutlu bir uzaydır. Doğal dil işleme alanında kelime gömmeleri (word embeddings) bu kavramın en çarpıcı uygulamasını sunar. Word2Vec, GloVe ve fastText gibi modeller, her kelimeyi vektör uzayında bir noktayla temsil eder; anlamca yakın kelimeler geometrik olarak da birbirine yakın konumlanır. Bu sayede "kral - adam + kadın = kraliçe" gibi vektör aritmetiği işlemleri anlam taşıyan sonuçlar verir. Benzer ilişkiler ülke-başkent çiftlerinde, fiil zamanlarında ve cinsiyet analoglarında da gözlemlenir. Transformatör tabanlı dil modellerinde (BERT, GPT, LLaMA) ise gizli katmanların ürettiği gömme vektörleri latent space (gizil uzay) olarak adlandırılır. Bu yüksek boyutlu uzay, modelin öğrendiği soyut özellikleri barındırır; benzer semantik yapıdaki girdiler bu uzayda yakın kümelerde bulunur. Retrieval-Augmented Generation (RAG) sistemlerinde belgeler ve sorgular bu uzayda temsil edilerek kosinüs benzerliğiyle eşleştirilir. Görüntü işlemede CNN ve Vision Transformer modelleri, pikselleri vektör uzayındaki noktalara dönüştürür ve nesne tanıma, yüz tanıma ile stil aktarımı gibi işlemleri bu uzay üzerinde gerçekleştirir. Öneri sistemlerinde kullanıcı ve ürün vektörleri aynı uzaya gömülerek etkileşim olasılığı hesaplanır. Vektör veritabanları (Pinecone, Weaviate, Milvus) bu vektörleri indeksleyerek milyonlarca boyut arasında milisaniyeler içinde benzerlik araması yapar. Boyutsallık laneti (curse of dimensionality) yüksek boyutlu uzaylarda mesafe metriklerinin anlamsızlaşmasına yol açabilir; bu nedenle boyut indirgeme teknikleri (PCA, UMAP, t-SNE) ve Yaklaşık En Yakın Komşu (ANN) algoritmaları modern yapay zeka sistemlerinin vazgeçilmez araçlarıdır.
Veri Bilimi (Veri Bilimi)
Veri bilimi; ham veri setlerinden anlamlı içgörüler, örüntüler ve tahminler çıkarmak için istatistik, matematik, makine öğrenmesi ve bilgisayar bilimini bir araya getiren disiplinlerarası bir alandır. İş dünyasından sağlık bilimine, finans sektöründen sosyal medya analizine kadar geniş bir yelpazede uygulanır. Bir veri bilimi projesi genellikle beş temel aşamadan oluşur: veri toplama ve temizleme (veri setlerinin %60-80'i bu aşamaya ayrılır), keşifsel veri analizi (EDA), model geliştirme ve eğitim, model değerlendirme ile son olarak dağıtım ve izleme. Bu süreç, CRISP-DM (Cross-Industry Standard Process for Data Mining) metodolojisiyle standart hale getirilmiştir. Python ve R, veri biliminin iki temel programlama dilidir. Python ekosistemi —Pandas, NumPy, Scikit-learn, TensorFlow ve PyTorch— endüstri standardı haline gelmiştir. SQL ise yapılandırılmış veritabanlarıyla çalışmak için vazgeçilmezdir. Veri bilimcisi olmak; istatistiksel düşünme, kodlama becerisi ve alan uzmanlığı üçgenini gerektirdiğinden bu meslektaşlar iş dünyasında oldukça değerlidir. 2024 verilerine göre ABD'de median veri bilimcisi maaşı yıllık 130.000 dolar civarındadır. Türkiye'de ise deneyimli veri bilimcilere olan talep her yıl hızla artmaktadır. Yapay zeka ve büyük dil modellerinin (LLM) yükselişiyle birlikte veri bilimi alanı dönüşüm geçirmektedir. Kod üretme, veri temizleme otomasyonu ve doğal dil tabanlı analiz gibi görevlerde yapay zeka desteği standart hale gelmekte; bu durum veri bilimcilerin daha stratejik ve yüksek değerli işlere odaklanmasını sağlamaktadır.
Veri Seti (Veri Seti)
Veri seti (İngilizce: dataset), makine öğrenimi ve yapay zeka modellerinin eğitilmesinde, doğrulanmasında ve test edilmesinde kullanılan yapılandırılmış veri koleksiyonudur. Her yapay zeka sisteminin temeli kaliteli veri setlerine dayanır; en sofistike algoritmalar bile yetersiz ya da önyargılı verilerle başarısız olur. Bir veri seti genellikle üç alt kümeye ayrılır. Eğitim seti (training set), modelin örüntüleri ve ilişkileri öğrendiği ana veri kümesidir; toplam verinin yaklaşık yüzde yetmiş ila seksenini oluşturur. Doğrulama seti (validation set), geliştirme sürecinde hiperparametrelerin ayarlanması ve aşırı uyumun (overfitting) önlenmesi için kullanılan ara değerlendirme kümesidir. Test seti ise yalnızca nihai değerlendirmede kullanılır; modelin hiç görmediği bu veriler, gerçek dünya genelleme kapasitesinin tarafsız ölçütünü sağlar. Yaygın bölünme oranı 80/10/10 olmakla birlikte, veri kümesinin büyüklüğüne göre bu oranlar ayarlanabilir. Yapay zeka tarihinde kritik rol oynayan çeşitli kıyaslama (benchmark) veri setleri mevcuttur. MNIST, 70.000 el yazısı rakam görüntüsünden oluşur ve derin öğrenme için standart giriş veri setidir. ImageNet, 14 milyondan fazla etiketlenmiş görüntü içerir; AlexNet modelinin 2012 deki çığır açan başarısı bu veriyle elde edilmiştir. COCO (Common Objects in Context), 330.000 i aşkın görüntüyle nesne algılama ve segmentasyon görevlerinin altın standardıdır. Common Crawl ise petabaytlarca web sayfasını barındıran dev bir açık kaynak olup GPT-4, Llama ve hemen tüm büyük dil modellerinin ön eğitim sürecinde kullanılmaktadır. Bir veri setinin kalitesini belirleyen dört ana faktör vardır: boyut, etiket doğruluğu, çeşitlilik ve sınıf dengesi. Düşük etiket kalitesi model doğruluğunu yüzde otuza kadar düşürebilirken, dengesiz sınıf dağılımı modeli azınlık sınıflarını tanımakta yetersiz kılar. Veri seti önyargısı (dataset bias) özellikle dikkat gerektiren bir sorundur: tarihsel ayrımcılık barındıran eğitim verileri bu önyargıyı model çıktısına taşır. Örneğin yalnızca açık tenli yüzlerle eğitilen yüz tanıma sistemleri koyu tenli bireylerde anlamlı biçimde daha yüksek hata oranı üretmektedir. Veri zehirlenmesi (data poisoning) önemli bir güvenlik tehdididir: saldırganlar eğitim setine kasıtlı olarak bozuk örnekler ekleyerek modelin davranışını manipüle eder. Araştırmalar, sağlık alanındaki AI sistemlerinin yalnızca 100-500 zehirli örnekle yüzde altmışın üzerinde olasılıkla tehlikeye atılabildiğini ortaya koymaktadır. Türkçe doğal dil işleme açısından önemli bir not: Türkçe veri setleri İngilizce emsallerine kıyasla çok daha sınırlı ölçekte kalmaktadır. Bu durum, Türkçe NLP modellerini düşük kaynaklı dil (low-resource language) kategorisinde bırakmakta ve İngilizce modellerine kıyasla daha düşük performans sergilemelerine yol açmaktadır.
Voice Conversion (Ses Dönüştürme)
Ses dönüştürme (Voice Conversion), kaynak konuşmacıya ait bir ses kaydındaki dilsel içeriği — söylenen kelimeler ve ifadeler — koruyarak ses tonu, tını, formantlar ve fonetik özellikleri hedef konuşmacının sesine benzeyecek şekilde dönüştüren yapay zeka teknolojisidir. Ses klonlamadan (voice cloning) temel farkı şudur: ses klonlama hedef kişinin sesini sıfırdan yeni cümleler için sentezlerken, ses dönüştürme mevcut bir konuşmayı girdi olarak alır ve o konuşmadaki kimliği hedef konuşmacıya değiştirir; söylenen kelimeler değişmez. Derin öğrenme öncesi dönemde ses dönüştürme, GMM (Gaussian Mixture Models) ve CycleGAN tabanlı yöntemlerle gerçekleştiriliyordu. Günümüzde ise VAE (Variational Autoencoder), difüzyon modelleri ve DDSP-SVC (Differentiable Digital Signal Processing - Singing Voice Conversion) gibi mimariler çok daha doğal ve gerçekçi sonuçlar üretmektedir. Bir ses dönüştürme sisteminin çalışma prensibi tipik olarak üç aşamadan oluşur: (1) Özellik çıkarma — kaynak sesin mel-spektrogramı, temel frekansı (F0) ve fonetik içeriği HuBERT gibi öz-denetimli modellerle ayrıştırılır; (2) Konuşmacı dönüşümü — kaynak konuşmacıya özgü tını özellikleri, hedef konuşmacının öğrenilmiş ses uzayına eşlenir; (3) Yeniden sentez — dönüştürülmüş özelliklerden HiFi-GAN gibi nöral vocoderlarla ses dalgası üretilir. 2023 yılında açık kaynak olarak yayımlanan RVC (Retrieval-based Voice Conversion), bu teknolojiyi geniş kitlelere erişilebilir kılan önemli bir araç haline gelmiştir. ContentVec özellikleri ve k-NN geri alma yöntemine dayanan RVC, düşük gecikme ve yüksek kalitesiyle öne çıkmaktadır. 2026 itibarıyla sıfır-shot ses dönüştürme — önceden herhangi bir eğitim gerektirmeden yalnızca birkaç saniyelik referans ses kaydıyla dönüşüm yapabilme — araştırma gündeminin ön sıralarındadır. Gerçek zamanlı uygulamalar oyun endüstrisinde, çevrimiçi toplantılarda, erişilebilirlik çözümlerinde ve ses gizleme senaryolarında giderek yaygınlaşmaktadır.
Adversarial Examples (Düşmanca Örnekler)
Adversarial Examples (Düşmanca Örnekler), derin öğrenme modellerinin karar sınırlarındaki kırılgan noktaları istismar etmek amacıyla orijinal giriş verisine matematiksel olarak hesaplanmış küçük ama kasıtlı pertürbasyonlar eklenerek oluşturulan ve modelin yanlış sınıflandırma yapmasına ya da beklenmedik çıktı üretmesine yol açan özel saldırı girdileridir. Pertürbasyonlar çoğunlukla insan algı eşiğinin altında kalır; başka bir deyişle değiştirilmiş görüntü ya da metin insana özgün ile özdeş görünür, ancak model bunu tamamen farklı bir sınıf olarak sınıflandırır. Ian Goodfellow, Jonathon Shlens ve Christian Szegedy 2014 yılında yayımladıkları 'Explaining and Harnessing Adversarial Examples' başlıklı seminal çalışmada, Fast Gradient Sign Method (FGSM) ile herhangi bir görüntü üzerinde modelin kaybının gradyanı yönünde epsilon büyüklüğünde tek adımlık bir güncellemenin modeli yanıltmaya yettiğini gösterdi. Bu keşif, saldırı-savunma silahlanma yarışının fitilini ateşledi. Saldırı türleri iki temel eksende ayrılır. Gradient tabanlı beyaz kutu (white-box) saldırılar modelin ağırlıklarına tam erişimle çalışır: FGSM tek adımlı ve hızlıdır; Projected Gradient Descent (PGD) yinelemeli ve çok daha güçlüdür; Carlini & Wagner (C&W) en küçük pertürbasyon normuyla en yüksek yanıltma başarısını hedefler. Siyah kutu (black-box) saldırılar ise yalnızca model çıktısına erişimle tahmin saldırısı yapar; adversarial pertürbasyonların modeller arasında aktarılabilirliği (transferability) bu saldırıları pratikte tehlikeli kılar. Savunma yöntemlerinin başında adversarial training gelir: modeli adversarial örnekler de dahil edilerek yeniden eğitmek, bilinen saldırılara karşı dayanıklılığı artırır, ancak daha güçlü yeni saldırılara karşı yeterli olmayabilir. Certified defense yaklaşımları (Randomized Smoothing, interval bound propagation) matematiksel olarak kanıtlanmış dayanıklılık garantisi sunar; input preprocessing, feature squeezing ve detection-based yöntemler de kullanılan katmanlı savunma stratejileri arasındadır. Adversarial Examples artık sadece görüntü sınıflandırmasında değil, LLM jailbreak'inde, konuşma tanıma sistemlerinde, nesne tespitinde ve otonom araç algı sistemlerinde doğrudan güvenlik tehdidi oluşturmaktadır. NIST AI RMF ve AB Yapay Zeka Kanunu bu tür saldırılara karşı dayanıklılık gerekliliklerini çerçeveleyen düzenleyici belgeler arasındadır.
NVLink (GPU Ara Bağlantısı)
NVLink, NVIDIA'nın GPU'lar arasında doğrudan, yüksek bant genişlikli ve düşük gecikmeli veri aktarımı kuran özel ara bağlantı teknolojisidir. Geleneksel PCIe veri yolunda GPU'lar birbirleriyle CPU üzerinden haberleşmek zorundadır; NVLink bu dolambaçlı yolu ortadan kaldırır ve bir GPU'nun diğerinin belleğine doğrudan erişmesine izin verir. Büyük dil modellerinin eğitiminde onlarca, hatta yüz binlerce GPU'nun aynı anda çalıştığı 2026 ortamında bu doğrudan bağlantı, çok-GPU sistemlerinin temel yapı taşı hâline geldi. Teknoloji 2016'da Pascal mimarili P100 GPU ile 160 GB/s toplam bant genişliğiyle tanıtıldı. Volta (V100) ile 300 GB/s'ye, Ampere (A100) ile 600 GB/s'ye, Hopper (H100/H200) ile 900 GB/s'ye çıkan değer, Blackwell (B200/GB200) mimarisindeki NVLink 5.0'da GPU başına 1,8 TB/s'ye ulaştı. Karşılaştırmak gerekirse PCIe 5.0 x16 yaklaşık 128 GB/s taşır; NVLink 5.0 bunun yaklaşık 14 katıdır. NVIDIA'nın yol haritasında 2026 sonunda gelmesi beklenen Vera Rubin platformuyla NVLink 6.0'ın bant genişliği GPU başına 3,6 TB/s'ye çıkacak. İkiden fazla GPU'yu birleştirmek için NVIDIA, NVSwitch anahtar yongasını geliştirdi. NVSwitch, tüm GPU'ları all-to-all (herkesten herkese) topolojide eşit bant genişliğiyle bağlar. Bu mimarinin en çarpıcı örneği GB200 NVL72 rafıdır: 72 Blackwell GPU tek bir NVLink alanında birleşir ve toplam 130 TB/s NVLink bant genişliğiyle tek bir dev GPU gibi programlanır. Mayıs 2025'te duyurulan NVLink Fusion programı, teknolojiyi ilk kez üçüncü taraflara açtı: MediaTek, Marvell, Fujitsu ve Qualcomm gibi firmalar kendi CPU ve özel yongalarını NVIDIA GPU'larına NVLink ile bağlayabiliyor. Buna karşılık AMD, Intel, Google ve Microsoft'un başını çektiği UALink konsorsiyumu, NVLink'e açık standart bir alternatif geliştirmeye çalışıyor. GPT-4 sonrası devasa modellerin eğitiminde gradyan senkronizasyonu ve tensor paralelliği trafiği PCIe kapasitesini kolayca aştığından, NVLink bugün yapay zeka altyapısındaki en kritik rekabet alanlarından biridir.
Pose Estimation (Poz Tahmini)
Poz Tahmini (Pose Estimation), görüntü veya video karelerinden insan vücudunun anatomik eklem noktalarını (keypoints) otomatik olarak tespit eden ve bu noktalar arasındaki bağlantılarla iskelet yapısı oluşturan bir bilgisayarlı görü tekniğidir. Omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri gibi 17 ila 133 arası değişen sayıda eklem noktası tahmin edilerek kişinin tüm vücut duruşu sayısal olarak modellenir. Teknoloji iki temel boyut üzerinde sınıflandırılır. İki Boyutlu (2B) Poz Tahmini, görüntüdeki piksel koordinatlarında x ve y değerleri olarak eklem noktalarını belirler; hesaplama yükü düşüktür ve gerçek zamanlı uygulamalarda öne çıkar. Üç Boyutlu (3B) Poz Tahmini ise derinlik (z) bilgisini de hesaba katarak gerçek dünya koordinatlarında iskelet çıkarır; bu yöntem biyomekanik analiz ve spor performansı ölçümü için tercih edilir. Mimari yaklaşımlar açısından iki temel strateji mevcuttur. Yukarıdan Aşağıya (Top-Down) yöntemde önce bir nesne tespiti modeliyle her kişi çerçevelenir, ardından her birey için poz ayrıca hesaplanır; bu yaklaşım doğruluk açısından üstündür. Aşağıdan Yukarıya (Bottom-Up) yöntemde ise görüntüdeki tüm eklem noktaları tek seferde tahmin edilip bireylere atanır; kalabalık sahnelerde daha verimli çalışır. Alandaki öncü araçlar şunlardır: Carnegie Mellon Üniversitesi'nin geliştirdiği OpenPose (2017) çok kişili poz tahmininde referans çalışma olmuştur; Google'ın MediaPipe BlazePose mimarisi 30 FPS'in üzerinde gerçek zamanlı mobil çalışma sağlar; transformer tabanlı ViTPose ve ViTPose++ ise COCO ve MPII başarım ölçütlerinde en yüksek sonuçları elinde tutmaktadır. Uygulama alanları son derece geniştir: spor performansı analizi ve koçluk, fizyoterapi ve rehabilitasyon takibi, artırılmış ve sanal gerçeklik etkileşimi, oyun kontrolü, güvenlik kamerasında davranış analizi, endüstriyel ergonomi denetimi ve insansız araç sistemlerinde insan algısı bu alanların başında gelir. Temel teknik zorluklar arasında örtülme (occlusion), kıyafet çeşitliliği nedeniyle görünüm değişkenliği, bakış açısı belirsizliği ve kaynakları sınırlı cihazlarda gerçek zamanlı işleme bulunmaktadır. Derin öğrenme yöntemleri ve büyük ölçekli veri setleri bu zorlukların büyük bölümünü aşmayı başarmıştır.
Residual Network (ResNet) (Artık Ağ (ResNet))
Residual Network (ResNet), derin sinir ağlarındaki gradyan kaybı problemini atlama bağlantıları (skip connections) ile çözen ve yüzlerce katmanlı ağların eğitimini mümkün kılan derin öğrenme mimarisidir. 2015 yılında Kaiming He, Xiangyu Zhang, Shaoqing Ren ve Jian Sun tarafından Microsoft Research'te geliştirildi; "Deep Residual Learning for Image Recognition" makalesi 250 binden fazla atıfla derin öğrenme tarihinin en çok referans verilen çalışmalarından biridir. ResNet-152, ILSVRC 2015 (ImageNet) yarışmasını yüzde 3,57 top-5 hata oranıyla kazandı ve insan seviyesi kabul edilen yüzde 5 sınırının altına indi. ResNet'ten önce ağ derinleştikçe doğruluk artacağına düşüyordu: 56 katmanlı düz bir ağ, 20 katmanlı olandan hem eğitim hem test setinde daha kötü sonuç veriyordu. Bu bozunma (degradation) sorununun kaynağı, geri yayılım sırasında hata sinyalinin katmanlar boyunca üstel olarak küçülmesi, yani gradyan kaybıydı. ResNet'in temel fikri artık öğrenmedir (residual learning). Klasik bir katman hedef dönüşüm H(x)'i doğrudan öğrenmeye çalışır; ResNet bloğu ise yalnızca artığı, F(x) = H(x) − x farkını öğrenir ve çıktıyı F(x) + x toplamıyla üretir. Eklenen kimlik kısayolu (identity shortcut) ek parametre getirmez, gradyanın alt katmanlara engelsiz akmasına izin verir ve bir katmanın işlevsiz kalması gerektiğinde F(x)'in sıfıra itilmesini yeterli kılar. Varyantlar katman sayısıyla anılır: ResNet-18, 34, 50, 101 ve 152. ResNet-50'den itibaren 1×1 → 3×3 → 1×1 konvolüsyonlu bottleneck bloklar hesap yükünü düşürür; ResNet-50 yaklaşık 25,6 milyon parametre ve 4,1 GFLOP ile hız-doğruluk dengesinin endüstri standardı olmuştur. Artık bağlantı fikri bilgisayarla görmenin ötesine taştı: Transformer mimarisinin her katmanı, dolayısıyla GPT-5, Claude Opus 4.5 ve Gemini 3 gibi 2026'nın büyük dil modelleri aynı prensiple çalışan bir residual stream üzerine kuruludur. Nesne tespiti (Faster R-CNN, YOLO ailesi), anlamsal bölütleme, tıbbi görüntü analizi ve uydu görüntüsü işleme alanlarında ResNet omurgaları hâlâ referans modeldir.
Semantic Segmentation (Semantik Bölütleme)
Semantik bölütleme (semantic segmentation), bir görüntüdeki her pikseli belirli bir anlam kategorisiyle etiketleyen bilgisayarla görme görevidir. Nesne tespitinin sınırlayıcı kutular ürettiği ve örnek bölütlemenin aynı sınıftaki nesneleri birbirinden ayırt ettiği aksine; semantik bölütleme pikselleri sınıf düzeyinde sınıflandırır. Çıktı, her piksel için atanmış bir sınıf etiketinden oluşan yoğun bir haritadır. Bu görev, 2014 yılında UC Berkeley'den Long ve arkadaşları tarafından önerilen Tamamen Evrişimli Ağlar (FCN) ile derin öğrenme ekosisteminde köklü bir dönüşüm yaşadı. FCN, kesin piksel tahminlerini üretebilen ilk uçtan uca eğitilebilir mimari olarak tarihe geçti. Ardından U-Net (2015, biyomedikal görüntüleme) ve Google Brain'in DeepLab serisi (atrous evrişim ile çok ölçekli bağlam yakalama) bu alanın temel mimarileri arasına girdi. Transformatör tabanlı modeller de semantik bölütlemeye entegre olmuştur. SegFormer ve Mask2Former gibi mimariler, dikkat mekanizmaları sayesinde hem doğruluğu artırıyor hem de semantik, örnek ve panoramik bölütleme görevlerini tek çerçevede birleştiriyor. Meta'nın SAM 2 (Segment Anything Model 2) modeli, sıfır-atışlı segmentasyon kapasitesiyle temel model paradigmasını bu alana taşıdı. Başarım değerlendirmesinde en yaygın metrik, her sınıf için Birlik-Üzeri-Kesişim (IoU) değerinin ortalamasını alan mIoU'dur. PASCAL VOC, Cityscapes ve ADE20K veri kümeleri standart kıyaslama ortamları olarak kullanılır. Uygulama alanları geniştir: özerk araçlarda yol, araç ve yaya tespiti; tıbbi görüntü analizinde tümör belirleme ve organ sınırlama; uydu görüntüsü sınıflandırması; artırılmış gerçeklik ortamlarında sahne anlama bunların başında gelmektedir. Piksel düzeyinde etiketlemenin yüksek maliyeti, temel modellerin ve transfer öğrenmenin bu alandaki önemini artırmıştır.
Skip Connection Nedir? Atlama Bağlantısı ve Derin Öğrenme (Atlama Bağlantısı)
Skip connection (atlama bağlantısı), derin sinir ağı mimarilerinde bir katmanın girdisinin bir veya daha fazla katman atlanarak ileriki bir katmana doğrudan iletilmesi tekniğidir. 2015 yılında Microsoft Research ekibinin ResNet (Residual Network) mimarisinde popüler hale getirdiği bu yapı, derin öğrenme tarihinin en etkili mimari yeniliklerinden biri olarak kabul edilmektedir. Derin sinir ağlarının temel sorunu, gradyan kaybı (vanishing gradient) problemidir: geri yayılım (backpropagation) sırasında hata sinyali katmanlar boyunca üstel biçimde küçülerek iletilir ve en alt katmanlar öğrenme sürecinden yetersiz yararlanır. 2015 öncesinde 20-30 katmanı aşan ağlar pratikte eğitilemiyordu. Skip connection bu sorunu köklü biçimde çözer. Mathematiksel olarak bir skip connection bloğu şu şekilde ifade edilir: çıktı = F(x) + x. Burada F(x) katmanların öğrendiği artık (residual) dönüşümü, x ise doğrudan iletilen kimlik terimidir. Bu toplama işlemi, gradyanın hem dönüşüm yolundan hem de kesintisiz kimlik yolundan geriye akabilmesini sağlar. Ağ artık hedef çıktıyı sıfırdan öğrenmek yerine yalnızca neyin değişmesi gerektiğini öğrenir; bu da eğitimi hem hızlandırır hem de stabilize eder. Skip connection, yalnızca bilgisayarla görme alanında değil, modern yapay zeka ekosisteminin tamamında kalıcı bir iz bırakmıştır. Transformer mimarisi her encoder ve decoder bloğunda skip connection ile katman normalizasyonunu (layer normalization) birleştiren yapıyı kullanır. GPT, BERT, ViT ve LLaMA gibi büyük dil modelleri ile görüntü dönüştürücülerinde bu tasarım ilkesi temel bir bileşen haline gelmiştir. U-Net medikal görüntülemede encoder-decoder bağlantıları için, DenseNet ise yoğun bağlantı blokları için farklı skip connection türleri kullanır. Skip connection'ın önemi, 2015 ImageNet yarışmasında ResNet-152'nin insan düzeyini aşan yüzde 3.57 hata oranıyla birinci gelmesiyle somutlaşmıştır. Bu sonuç, derin öğrenme topluluğunun ağ derinliğine bakışını kökten değiştirmiş ve yüzlerce hatta binlerce katmanlı modellerin eğitilmesinin önünü açmıştır.
Tensor Core (Tensor Çekirdeği)
Tensor Core, NVIDIA'nın 2017'de Volta mimarisiyle (V100) tanıttığı, matris çarpma-biriktirme (Matrix Multiply-Accumulate, MMA: D = A × B + C) işlemini tek saat döngüsünde gerçekleştiren özel donanım birimidir. Derin öğrenme modellerinin hem eğitimi hem çıkarımı dev matris çarpmalarından oluştuğu için bu birimler, modern yapay zekâ hesaplamasının fiili motoru konumundadır. Klasik CUDA çekirdekleri genel amaçlı skaler ve vektör işlemler için tasarlanmıştır; Tensor Core ise sabit işlevli bir matris motorudur. Bir warp (32 iş parçacığı), `wmma` API'si üzerinden 16×16 matrisleri 4×4 bloklara bölerek işler ve aynı hassasiyetteki FP32 CUDA hesabına kıyasla teorik tepe verimini kata katlar: FP16 modunda yaklaşık 8×, düşük bitli formatlarda çok daha fazlası. En kritik yetenek karma hassasiyettir (mixed precision): çarpma FP16, BF16 veya FP8 gibi kısa formatlarda yapılırken biriktirme FP32'de tutulur. Böylece bellek bant genişliği ihtiyacı yarıya iner, model doğruluğu büyük ölçüde korunur. PyTorch'ta `torch.autocast`, TensorFlow'da `tf.keras.mixed_precision` bu donanımı şeffaf biçimde devreye alır; cuBLAS, cuDNN ve TensorRT kütüphaneleri de arka planda Tensor Core kullanır. Nesil gelişimi hızlıdır: Volta FP16 ile başladı, Turing (2018) INT8/INT4 ekledi, Ampere (A100, 2020) TF32, BF16 ve 2:4 yapısal seyreklik getirdi, Hopper (H100, 2022) FP8 ve Transformer Engine ile LLM eğitiminin standardı oldu. Blackwell (B200/GB200, 2024) 5. nesil Tensor Core'larda FP4 ve FP6 formatlarını, 2. nesil Transformer Engine'i ve mikro ölçekleme (MX) veri tiplerini tanıttı; B200 tek başına FP4'te 9 PFLOPS'u aşan yoğun matris verimi sunar. 2026 itibarıyla GPT, Claude, Gemini ve Llama sınıfı modellerin eğitimi on binlerce Blackwell GPU'luk kümelerde, çıkarımı ise FP8/FP4 nicemlemeyle Tensor Core'lar üzerinde koşar; NVIDIA'nın Rubin mimarisi de 2026 yol haritasında aynı çizgiyi sürdürür.
Image Captioning (Görüntü Altyazılama)
Image Captioning (Görüntü Altyazılama), bir görüntünün içeriğini otomatik olarak doğal dilde metin olarak tanımlayan yapay zeka tekniğidir. Görüntü encoder'ı (genellikle Vision Transformer veya CNN) ile metin decoder'ını (dil modeli) bir araya getiren çok modlu (multimodal) bir yaklaşımdır. Sistem, görüntüden çıkarılan öznitelikleri dil bileşenine aktararak "Bu fotoğrafta bir köpek çimenlerin üzerinde oturuyor" gibi açıklayıcı cümleler üretir. BLIP, GIT, Flamingo ve LLaVA gibi modern modeller bu alanda öne çıkan mimarilerdir. Erişilebilirlik (görme engelliler için alt metin), içerik moderasyonu, görsel arama ve veri etiketleme gibi geniş bir uygulama alanına sahiptir.
Layer Normalization Nedir? Transformer'larda Normalizasyon Tekniği (Katman Normalizasyonu)
Layer Normalization (Katman Normalizasyonu), derin öğrenme modellerinde eğitimi hızlandırmak ve kararlılaştırmak için kullanılan bir normalizasyon yöntemidir. Jimmy Ba ve Geoffrey Hinton tarafından 2016 yılında önerilen bu teknik, her bir veri örneğinin aktivasyonlarını özellik boyutu (feature dimension) üzerinden normalleştirir; bu sayede batch boyutundan tamamen bağımsız biçimde çalışır. Batch Normalization'dan farklı olarak değişken uzunluklu dizilerle ve tek örneklik (batch size=1) senaryolarla sorunsuz çalışması, Layer Norm'u Transformer, GPT, BERT ve LLaMA gibi büyük dil modellerinin vazgeçilmez bileşeni haline getirmiştir.
MIDI Sentezi (MIDI Sentezi)
MIDI sentezi, yapay zeka modellerinin büyük MIDI veri kümelerinden müzikal desenleri öğrenerek orijinal sembolik müzik dizileri oluşturduğu bir üretken AI teknolojisidir. Geleneksel MIDI sentezinden farklı olarak, AI tabanlı MIDI sentezi insan besteciliği veya sabit kural setleri yerine derin öğrenme mimarileri kullanarak melodi, armoni, ritim ve çok enstrümanlı düzenlemeleri otomatik olarak üretir. Bu sistemler, müzikal yapı, stil ve kompozisyon prensiplerini istatistiksel kalıplar aracılığıyla kavrar; klasikten elektronik müziğe kadar geniş bir yelpazede tutarlı ve özgün parçalar üretebilir.
Residual Attention Ağı Nedir? (Artıksal Dikkat Ağı)
Residual Attention Ağı (RAN), Fei Wang ve ekibinin CVPR 2017'de tanıttığı, ResNet'in artıksal öğrenmesini dikkat mekanizmasıyla harmanlayan bir evrişimli sinir ağı mimarisidir. Her dikkat modülü iki dalla çalışır: özellik dönüşümü yapan trunk branch ve bu özellikler üzerinde yumuşak uzamsal maskeler oluşturan mask branch. Maske, trunk çıktısını seçici olarak ağırlıklandırarak gürültülü ya da alakasız özelliklerin baskılanmasını ve önemli bölgelerin ön plana çıkarılmasını sağlar. Artıksal öğrenme prensibiyle derinleştirilen ağ, CIFAR-10 (%3.90 hata), CIFAR-100 (%20.45 hata) ve ImageNet (Top-5 %4.8 hata) kıyaslama setlerinde o dönemin en iyi sonuçlarına ulaşmıştır.
Sinirsel Stil Transferi (Sinirsel Stil Transferi)
Sinirsel stil transferi, bir kaynak görüntünün fotografik içeriğini (nesneler, yapı, kompozisyon) korurken başka bir referans görüntünün sanatsal stilini (fırça darbeleri, renk paleti, doku) bu görüntünün üzerine aktaran bir derin öğrenme tekniğidir. Temel yaklaşım, Leon Gatys, Alexander Ecker ve Matthias Bethge tarafından 2015 yılında "A Neural Algorithm of Artistic Style" başlıklı makaleyle ortaya konulmuştur. Yöntemde ImageNet veri kümesi üzerinde önceden eğitilmiş VGG-16 gibi derin bir evrişimsel sinir ağı (CNN) bir özellik çıkarıcı olarak kullanılır; ancak sinir ağı yeniden eğitilmez. Teknik, iki ayrı kayıp fonksiyonunu optimize ederek çalışır: içerik kaybı ve stil kaybı. İçerik kaybı, üretilen görüntünün CNN'in derin katmanlarındaki özellik haritalarının içeriği alınan orijinal görüntünün özellik haritalarından çok sapmamasını sağlar. Stil kaybı ise CNN'in çeşitli katmanlarındaki özellik haritalarının Gram matrislerini karşılaştırır; Gram matrisi, özellik haritaları arasındaki korelasyonları yakalayarak stili dokusal ve renk açısından temsil eder. Klasik Gatys yönteminin en büyük kısıtlaması, tek bir görüntü için dakikalarca sürebilen iteratif optimizasyon sürecidir. Bu sorunu çözmek için Justin Johnson ve arkadaşları 2016 yılında bir görüntü dönüştürücü ağ eğiterek tek ileri besleme geçişinde anlık stil uygulayabilen Hızlı Sinirsel Stil Transferini (Fast NST) geliştirmiştir. Daha sonra Huang ve Belongie tarafından önerilen Uyarlamalı Örnek Normalizasyonu (AdaIN) ise herhangi bir stil görüntüsünün tek bir modelle anlık aktarılmasını mümkün kılan önemli bir ilerleme olmuştur. Günümüzde Stable Diffusion ve ControlNet gibi difüzyon tabanlı modeller, NST'nin pek çok pratik kullanım alanının yerini almaya başlamış olsa da sinirsel stil transferi, derin öğrenmede üretken görüntü işlemenin tarihsel açıdan kritik bir kilometre taşı olmayı sürdürmektedir.
Softmax (Softmax Fonksiyonu)
Softmax fonksiyonu, yapay sinir ağlarında çok sınıflı sınıflandırma görevlerinde kullanılan temel matematiksel dönüşümdür. Ham model çıktıları olan logit vektörünü alır ve tüm elemanları (0, 1) aralığında, toplamı tam olarak 1'e eşit olan bir olasılık dağılımına dönüştürür. Matematiksel formülü σ(zᵢ) = exp(zᵢ) / Σⱼ exp(zⱼ) şeklindedir; her bileşen üstel fonksiyondan geçirilip normalize edilir. Fonksiyon, üstel doğası gereği büyük değerleri daha da büyütür, küçük değerleri bastırır. Bu sayede model en olası sınıfı ön plana çıkarır; sonuçlar doğrudan sınıf üyeliği olasılığı olarak yorumlanır. İkili sınıflandırma için kullanılan sigmoid fonksiyonunun her çıktıyı bağımsız olarak 0-1 aralığına sıkıştırmasından farklı olarak softmax, vektör düzeyinde çalışır ve sınıflar arasında rekabetçi normalizasyon yapar; toplamın daima 1 olması garantilendiğinden çıktılar doğru olasılık semantiği taşır. Sayısal kararlılık kritik bir konudur. Büyük logit değerlerinde exp(zᵢ) kayan nokta taşmasına yol açabilir. Standart çözüm, tüm bileşenlerden maksimum değeri çıkarmaktır: σ(zᵢ) = exp(zᵢ − max(z)) / Σⱼ exp(zⱼ − max(z)). Bu form matematiksel olarak özdeştir ama üstel değerleri kontrol altında tutar. PyTorch, TensorFlow ve NumPy bu optimizasyonu dahili olarak uygular. Sıcaklık ölçeklendirmesi (temperature scaling), fonksiyonun davranışını ayarlamak için kullanılır: Softmax(z / T). T = 1 standart çıktı, T büyüdükçe daha yayvan ve belirsiz bir dağılım, T küçüldükçe ise daha keskin ve kararlı bir dağılım ortaya çıkar. Bilgisinin damıtımı (knowledge distillation) tekniğinde yüksek sıcaklık kullanılarak öğretmen modelin logitleri yumuşatılır; öğrenci model sert etiketler yerine bu yumuşak hedefleri öğrenerek daha iyi genelleme yapar. Transformers mimarisindeki dikkat mekanizmasında da softmax merkezi bir rol üstlenir. Sorgu (Q) ve anahtar (K) matrislerinin nokta çarpımı hesaplanır; boyut ölçeklendirmesiyle √d_k'ya bölünür, ardından softmax uygulanarak her sorgu pozisyonu için dikkat ağırlıkları elde edilir: Attention(Q, K, V) = softmax(QK⊤ / √d_k) · V. Burada softmax iki işlevi bir arada yerine getirir: ağırlıkların toplamını 1'e normalize eder ve modelin seçici odaklanmasını destekler.
Süper Çözünürlük Nedir? AI ile Görüntü Netleştirme (Süper Çözünürlük)
Süper çözünürlük (super-resolution), düşük çözünürlüklü (Low-Resolution / LR) bir görüntüden yüksek çözünürlüklü (High-Resolution / HR) bir görüntü elde etme işlemidir. Geleneksel bicubic enterpolasyon yöntemi yalnızca komşu piksel değerlerinin ağırlıklı ortalamasını alarak görüntüyü büyütür; bu süreç var olan bilginin yeniden dağıtılmasından ibarettir ve kenarları yumuşatıp bulanık bir sonuç üretir. Derin öğrenme tabanlı süper çözünürlük modelleri ise farklı bir strateji izler: milyonlarca LR–HR görüntü çiftinden öğrendikleri istatistiksel örüntüler aracılığıyla yoktan yüksek frekanslı detaylar sentezler. Bu süreç "halüsinasyon" (hallucination) olarak da adlandırılır; model gerçek bilgiyi geri getirmez, eğitim verisinde sık karşılaştığı dokuları olası en doğru biçimde yeniden oluşturur. Alanın tarihsel dönüm noktaları şöyle sıralanabilir: 2014'te yalnızca üç konvolüsyon katmanına sahip SRCNN, bicubic yöntemi ilk kez geçen derin öğrenme modeli oldu. 2017'de SRGAN, GAN mimarisini süper çözünürlüğe uygulayarak matematiksel metrikleri düşürmesine rağmen insan gözüne çok daha doğal sonuçlar üreten bir çerçeve ortaya koydu. 2021'deki Real-ESRGAN, gerçek dünyadaki kamera gürültüsü, JPEG sıkıştırma artefaktı ve odak bulanıklığı gibi karmaşık bozulmaları modelleyerek en yaygın kullanılan açık kaynak SR aracı haline geldi. 2021'de Swin Transformer tabanlı SwinIR, uzun menzilli uzamsal bağlantılar kurma yeteneğiyle tıp ve uydu görüntüleme alanlarında referans model oldu. 2023'ten itibaren StableSR ve DiffBIR gibi difüzyon tabanlı modeller Stable Diffusion'ın görüntü ön bilgisini kullanarak son derece gerçekçi yüksek frekanslı detaylar üretmeye başladı. Günümüzde süper çözünürlük; tıbbi görüntüleme, uydu analitiği, güvenlik kameraları, oyun endüstrisi (NVIDIA DLSS) ve video akış platformlarında kritik bir bileşen haline gelmiştir.
3D Yeniden Yapılandırma (3D Yeniden Yapılandırma)
3D yeniden yapılandırma (3D Reconstruction), bir veya birden fazla 2B görüntüden, video akışından ya da derinlik sensörü verisinden üç boyutlu geometrik modeller elde etmeye yarayan bilgisayar görüşü ve yapay zeka alanıdır. Yapısal Hareket (Structure from Motion - SfM), Çok-Görüş Stereo (Multi-View Stereo - MVS) ve sinirsel ağ tabanlı derinlik tahmini gibi teknikler kullanarak gerçek dünyadaki nesnelerin ve ortamların dijital 3B kopyasını üretir. Klasik yaklaşımlarda SfM yöntemi, aynı sahnenin farklı açılardan çekilmiş görüntülerinde ortak anahtar noktaları (SIFT, ORB) tespit ederek kamera konumlarını ve 3B nokta bulutunu eş zamanlı tahmin eder. COLMAP gibi açık kaynak araçlar bu alanda standart haline gelmiştir. Çok-Görüş Stereo ise SfM çıktısı olan seyrek nokta bulutunu yoğunlaştırarak yüzey ağı (mesh) oluşturur ve çok daha ayrıntılı geometri elde edilmesini sağlar. 2020 yılında tanıtılan Neural Radiance Fields (NeRF), sınırlı sayıda görüntüden fotogerçekçi 3B sahneleri hacimsel olarak öğrenen devrimci bir yaklaşım sundu. NeRF, aydınlatma ve görünümü de modelleyerek yeni kamera açılarından gerçekçi sentez yapabilmektedir. 2023 yılında geliştirilen 3D Gaussian Splatting (3DGS) ise NeRF'e kıyasla çok daha hızlı gerçek zamanlı render sağlayarak mobil ve gömülü sistemlerde kullanımı mümkün kıldı. Tek bir görüntüden derinlik bilgisi çıkaran monoküler derinlik tahmini, akıllı telefonlar ve tek kameralı robotlar gibi sistemlerde 3B anlayışı olanaklı kılmaktadır. MiDaS ve Depth Anything gibi büyük ölçekli veriyle ön-eğitilmiş modeller bu alanda yüksek genellenebilirlik sergilemiştir. 3D yeniden yapılandırma; artırılmış ve sanal gerçeklik içerikleri oluşturmak, otonom araçlarda çevre modelleme, tıbbi görüntülemede organ geometrisi elde etme, kültürel mirasın dijitalleştirilmesi, robotik tutma planlaması ve dijital ikiz sistemleri için yaygın biçimde kullanılmaktadır. LiDAR sensörleri ve akıllı telefon kameraları sayesinde giderek tüketici uygulamalarına da girmektedir.
AGI (Yapay Genel Zeka)
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.
AI Trustworthiness (Güvenilir Yapay Zeka)
AI Trustworthiness (Güvenilir Yapay Zeka), bir yapay zeka sisteminin teknik güvenilirlik, etik uygunluk ve sosyal kabul edilebilirlik boyutlarını kapsayan çok katmanlı bir değerlendirme çerçevesidir. Tek bir özelliği tanımlamaktan öte, birbiriyle bağlantılı altı temel ilke bütününü ifade eder: güvenlik (safety), sağlamlık (robustness), adillik (fairness), şeffaflık (transparency), hesap verebilirlik (accountability) ve mahremiyet (privacy). Avrupa Birliği, 2019'da yayımladığı 'Güvenilir Yapay Zeka için Etik Kılavuzu'nda bu kavramı operasyonelleştirdi ve ardından gelen AB Yapay Zeka Yasası'nın (EU AI Act, 2024) teorik omurgasını oluşturdu. Yasa, yapay zeka sistemlerini risk düzeylerine göre sınıflandırırken güvenilirlik kriterlerini merkeze alır. Teknik açıdan bir modelin güvenilir sayılabilmesi için dağıtım kayması (distribution shift) altında tutarlı davranması, hasım saldırılara (adversarial attacks) karşı dayanıklı olması ve hata yaptığında bu hatayı izlenebilir biçimde açıklayabilmesi beklenir. Sosyal boyutuyla ise sistemin korunan gruplara karşı ayrımcılık yapmadığı, kararlarının yetkili bir insan tarafından gözden geçirilebildiği ve kullanıcıların sisteme ne kadar güveneceğini bilerek karar alabildiği anlamına gelir. NIST AI Risk Management Framework (2023), ISO/IEC 42001 ve IEEE Ethically Aligned Design standartları güvenilir yapay zeka inşa etmek için pratik metodolojiler sunar. Üretim ortamlarında güvenilirlik; model kartları (model cards), kırmızı takım tatbikatları (red-teaming) ve sürekli izleme süreçleriyle pekiştirilir. Büyük dil modellerinin (LLM) günlük hayata entegrasyonuyla birlikte AI trustworthiness tartışması teoriden pratiğe taşındı. Halüsinasyon oranları, örtülü önyargılar ve veri gizliliği ihlalleri bu güvenilirliği tehdit eden başlıca sorunlar arasında yer alır.
ASR (Automatic Speech Recognition) (ASR — Otomatik Konuşma Tanıma)
ASR (Automatic Speech Recognition — Otomatik Konuşma Tanıma), insan sesini gerçek zamanlı olarak metne dönüştüren yapay zeka alt dalıdır. Mikrofon gibi bir ses girişinden alınan ham ses dalgaları; akustik model, dil modeli ve çözümleme (decoding) katmanı üçlüsü aracılığıyla işlenerek yazılı çıktıya dönüştürülür. Teknolojinin kökeni 1950'lerin ilkel rakam tanıma sistemlerine dayanır; ancak derin öğrenme devriminden sonra sıçrama yaşandı. 2014'te CTC (Connectionist Temporal Classification) kaybı ve end-to-end sinir ağları, HMM (Hidden Markov Model) tabanlı geleneksel akışın yerini almaya başladı. 2022'de OpenAI'ın açık kaynaklı Whisper modeli 680.000 saatlik çok dilli veriyle eğitildi; Türkçe dahil 99 dilde yüksek doğruluk sergiledi. Bir ASR sistemi üç temel bileşenden oluşur: Akustik Model ses özelliklerini (MFCCs, mel spektrogramları) fonem olasılıklarına eşler; Dil Modeli kelime dizileri arasında en olası olanı seçer; Decoder ise ışın araması (beam search) gibi algoritmalarla en yüksek skorlu transkripti bulur. Modern transformatör tabanlı sistemlerde bu üç katman tek bir uçtan uca mimaride birleşmiştir. ASR'ın başarımı Kelime Hata Oranı (Word Error Rate — WER) ile ölçülür: %5 WER'in altı insan düzeyine yakın kabul edilir. İngilizce için önde gelen modeller %3–6 WER aralığında yer alırken, Türkçe gibi zengin çekimli dillerde veri azlığı ve morfolojik karmaşıklık nedeniyle WER daha yüksek seyredebilir. Uygulama alanları geniştir: sesli asistanlar (Siri, Google Assistant), gerçek zamanlı altyazı, çağrı merkezi analizi, tıbbi dikte sistemleri, toplantı transkripti ve erişilebilirlik araçları. Gürültülü ortam, aksan çeşitliliği ve konuşmacıya özgü kalıplar hâlâ temel zorluklar olmaya devam etmekte; bu alanda konuşmacı ayrıştırma (speaker diarization) ve gürültü bastırma ön işleme adımları kritik rol üstlenir.
Continual Learning (Sürekli (Ömür Boyu) Öğrenme)
Sürekli Öğrenme (Continual Learning / Lifelong Learning), bir yapay zeka modelinin art arda gelen görevleri zamanla öğrenirken önceki görevlerdeki performansını koruyabilmesini hedefleyen araştırma alanıdır. Bu alandaki temel zorluk "yıkıcı unutma" (catastrophic forgetting) olgusudur: standart sinir ağları yeni bir göreve ince ayarlandığında önceki görev için öğrenilmiş ağırlıklar üzerine yazar, bu durum eski bilginin silinmesine neden olur. İnsan beyninin nöroplastisitesi, yeni bilgiyi eski bilgiyi bozmadan entegre etme kapasitesi, sürekli öğrenme araştırmalarının biyolojik ilham kaynağıdır. Çözüm yaklaşımları üç temel kategoride toplanır. Regülasyon tabanlı yöntemler (EWC — Elastic Weight Consolidation), önceki görevler için kritik ağırlıklara yüksek esneklik kısıtı uygulayarak değişimlerini yavaşlatır. Bellek tekrar yöntemleri (Memory Replay), geçmiş görevlerden örnek tamponuna alınan verilerle veya bunları taklit eden üretici modellerle güncel eğitimi destekler. Mimari genişleme yöntemleri ise her yeni görev için ağa yeni nöron veya katman kapasitesi ekleyerek eski ağırlıklara dokunmadan büyümeyi sağlar. Pratik uygulamalar açısından sürekli öğrenme özellikle sürüklenme gösteren veri dağılımlarında (concept drift) kritiktir. Gerçek zamanlı anomali tespiti, kişiselleştirilmiş öneri sistemleri ve giyilebilir sağlık cihazları gibi alanlarda model yeniden eğitimi masraflı ve sık gereklidir; sürekli öğrenme bu süreçleri daha verimli kılar. Türkiye'de fintech şirketlerinin dolandırıcılık tespit modelleri ve e-ticaret kişiselleştirme sistemleri değişen kullanıcı davranışlarına uyum sağlama ihtiyacıyla sürekli öğrenme alanına ilgi duymaktadır. Akademik açıdan ise bu alan, yapay genel zekanın (AGI) vazgeçilmez koşullarından biri olarak kabul görmektedir. Federated continual learning, hem merkezi olmayan eğitim hem de zamanla değişen görevleri birleştirerek aygıt başına modellerin kişiselleşmesine olanak tanıyan ileri düzey bir paradigmadır. Class-incremental, task-incremental ve domain-incremental olmak üzere üç temel senaryo türü, sürekli öğrenme yöntemlerinin hangi koşullar altında karşılaştırılacağını belirleyen standart ölçüt çerçevesi haline gelmiştir.
Cross-Entropy (Çapraz Entropi)
Çapraz Entropi (Cross-Entropy), sınıflandırma görevlerinde derin öğrenme modellerinin eğitiminde kullanılan en yaygın kayıp fonksiyonudur. Bilgi teorisinden türetilen bu metrik, modelin ürettiği olasılık dağılımının gerçek etiket dağılımıyla ne kadar uyuştuğunu ölçer; fark büyüdükçe kayıp artar ve model parametrelerini güncellemek için daha güçlü bir gradyan sinyali üretilir. Matematikte entropi, bir olayın ne kadar "sürpriz" olduğunu ölçer: nadir olaylar yüksek, yaygın olaylar düşük bilgi içerir. Çapraz entropi ise iki dağılım arasındaki bilgi kaybını ölçer. İkili sınıflandırma (binary classification) için formül: L = −[y·log(ŷ) + (1−y)·log(1−ŷ)]. Burada y gerçek etiket (0 veya 1), ŷ modelin tahmin ettiği olasılıktır. Model yanlış sınıf için yüksek olasılık verdiğinde log terimi sonsuz büyüklüğe yaklaşarak kayıp patlar; bu matematiksel baskı modeli doğru sınıfa yönlendirir. Çok sınıflı sınıflandırma (multi-class) için kategorik çapraz entropi kullanılır: L = −Σ yᵢ·log(ŷᵢ). Doğru sınıfa karşılık gelen terim dışındaki tüm yᵢ değerleri 0 olduğundan, kayıp yalnızca gerçek sınıfın tahmin olasılığına bağlıdır. Softmax aktivasyonu ile birlikte doğal bir eşleşme oluşturur: softmax çıktıları toplamı 1 olan olasılık dağılımı üretir, çapraz entropi bu dağılımla gerçek etiketi karşılaştırır. Çapraz entropi, ortalama karesel hata (MSE) yerine sınıflandırmada neden tercih edilir? MSE, olasılık tahminleri için zayıf gradyanlar üretir: model doğru etikete 0.9 olasılık verirken yanlış yönde ilerlese bile MSE gradyanı küçük kalır. Çapraz entropi ise logaritmik yapısı sayesinde yanlış sınıflara yüksek olasılık veren kötü tahminleri çok daha sert cezalandırır. Eğitimde dikkat edilmesi gereken bir nokta sayısal kararlılıktır: log(0) tanımsızdır. PyTorch ve TensorFlow gibi kütüphaneler log hesaplamasını softmax ile birleştirerek (log-sum-exp trick) bu problemi çözer; `nn.CrossEntropyLoss()` PyTorch'ta softmax + log + NLL kaybını tek adımda uygular. **Label smoothing**, gerçek etiketleri yumuşatarak (ör. 1.0 yerine 0.9, 0.0 yerine 0.1) aşırı güveni önleyen bir çapraz entropi varyantıdır. Model çok eminleştiğinde genelleme kapasitesi düşer; label smoothing bunu hafifletir ve modern transformerların eğitiminde standart hale gelmiştir.
Derin Öğrenme (Derin Öğrenme)
Derin Öğrenme (Deep Learning), çok sayıda işlem katmanından oluşan yapay sinir ağlarını kullanarak verilerden hiyerarşik temsiller öğrenen makine öğrenmesi alt dalıdır. 2012'de AlexNet'in ImageNet yarışmasını kazanmasıyla ana akıma giren derin öğrenme, görüntü tanıma, doğal dil işleme, ses sentezi ve oyun oynama gibi alanlarda insan performansını aşan sonuçlar üretmektedir. Temel yapı taşı yapay nörondur: gelen sinyallerin ağırlıklı toplamını bir aktivasyon fonksiyonundan (ReLU, sigmoid, tanh) geçirerek çıktı üretir. Yüzlerden binlerce nöronun art arda katmanlar oluşturması hiyerarşik özellik çıkarımını mümkün kılar. Erken katmanlar kenar ve doku gibi düşük seviye özellikleri, derin katmanlar yüz veya nesne gibi yüksek seviye soyutlamaları kodlar. Geri yayılım (backpropagation) ve stokastik gradyan inişi (SGD) bu ağırlıkları optimize eder; her adımda tahmin hatasını küçültecek yönde parametre güncellenir. Mimari ailesi geniştir. Evrişimli sinir ağları (CNN) görüntü verisini işlemek için yerel bağlantı ve ağırlık paylaşımı kullanır; ResNet ve EfficientNet bu ailenin tanınan üyeleridir. Tekrarlayan sinir ağları (RNN) ve kapılı varyantı LSTM zaman serisi ve metin verisini sıralı olarak işler. Transformer mimarisi, öz-dikkat mekanizmasıyla paralel eğitim avantajı sunar ve GPT, BERT, T5 gibi büyük dil modellerinin temelini oluşturur. Üretici çekişmeli ağlar (GAN), varyasyonel otokodlayıcılar (VAE) ve difüzyon modelleri yeni içerik sentezler. Derin öğrenmenin temel gereksinimleri büyük veri ve yüksek işlem gücüdür; NVIDIA GPU'ları ve Google TPU'ları bu ihtiyacı karşılar. Aşırı uyum sorunuyla başa çıkmak için dropout, toplu normalizasyon ve veri artırma teknikleri yaygın biçimde uygulanır. Transfer öğrenme ise önceden eğitilmiş modellerin yeni görevlere uyarlanmasını sağlar; böylece veri ve hesaplama maliyeti büyük ölçüde azalır. Pratik uygulamaları arasında tıbbi görüntü analizi, özerk araç algı sistemleri, gerçek zamanlı konuşma tanıma ve kişiselleştirilmiş öneri motorları öne çıkar. GPT, Claude ve Gemini gibi büyük dil modelleri ile Stable Diffusion ve Midjourney gibi görsel üretim sistemleri doğrudan derin öğrenme mimarileri üzerine inşa edilmiştir. Türkiye'de e-ticaret kişiselleştirme, bankacılık dolandırıcılık tespiti ve Türkçe NLP uygulamaları başlıca kullanım senaryoları arasındadır. PyTorch ve TensorFlow, araştırmacıların ve geliştiricilerin bu modelleri hızla hayata geçirebildiği başlıca açık kaynak çerçevelerdir.
Float16 / BFloat16 (Float16 / BFloat16)
Float16 (FP16 veya yarı duyarlıklı kayan nokta), IEEE 754 standardında tanımlanan ve 16 bit (1 işaret + 5 üs + 10 mantis) kullanarak gerçek sayıları temsil eden sayı biçimidir. Standart Float32'ye (32 bit, tekli duyarlık) kıyasla bellek kullanımını yarıya indirir ve modern GPU'ların tensör çekirdeği (tensor core) donanımıyla çok daha yüksek hesaplama verimi sağlar. Derin öğrenmede Float16'nın önemi büyüktür. GPU belleği (VRAM) model eğitimindeki en sık karşılaşılan darboğazlardan biridir; modelin ağırlıklarını ve aktivasyonlarını FP16'da tutmak aynı GPU'da iki kat daha büyük modeller ya da iki kat daha büyük batch boyutları çalıştırmayı mümkün kılar. NVIDIA'nın 2018'de tanıttığı Tensor Core teknolojisi, FP16 matris çarpımlarını FP32 karşısında 4-8× hızlandırmaktadır. Ancak FP16'nın sayı aralığı (yaklaşık ±65504) ve duyarlığı FP32'den çok daha kısıtlıdır. Bu nedenle eğitimde "karma duyarlık" (mixed precision) yaklaşımı tercih edilir: ileri geçiş (forward pass) ve geri yayılım (backward pass) FP16'da, ağırlık güncellemeleri ve kayıp ölçekleme (loss scaling) ise FP32'de tutulur. PyTorch'ta torch.cuda.amp.autocast() ve TensorFlow'da tf.keras.mixed_precision API'si bu işlemi otomatik yönetir. BF16 (Brain Float16), Google tarafından geliştirilen alternatif bir 16-bit formattır: 8 üs biti kullanarak FP32 ile aynı sayı aralığını korur ancak mantis duyarlığı FP16'dan düşüktür. TPU ve NVIDIA Ampere/Hopper GPU'lar BF16'yı doğal olarak destekler; büyük dil modeli eğitiminde BF16, FP16'nın yerini giderek almaktadır. INT8 ve INT4 niceleme, model çıkarım aşamasında daha da küçük bit genişlikleri kullanarak VRAM tasarrufunu daha da ileri götürür. GPTQ, AWQ ve bitsandbytes kütüphaneleri tüketici GPU'larında büyük dil modellerini çalıştırmak için INT4 nicelemeyi yaygınlaştırmıştır. Niceleme miktarı arttıkça modelin doğruluğu düşebilir; bu ödünleşimi ölçmek için perplexity metriği kullanılır. Türkiye'de LLM araştırmacıları ve açık kaynak topluluk üyeleri, sınırlı VRAM'e sahip tüketici GPU'larında Llama ve Mistral modellerini çalıştırmak için bu tekniklere sıklıkla başvurmaktadır.
Kapsül Ağı (Kapsül Ağı Nedir? Uzaysal Hiyerarşiyi Koruyan Sinir Ağı Mimarisi)
Kapsul agi (capsule network), geleneksel Evrisimsel Sinir Aglarindaki (CNN) skaler aktivasyon birimlerinin yerine "kapsul" adli vektor birimleri kullanan bir derin ogrenme mimarisidir. Her kapsul, yalnizca bir ozelligi tespitini degil o ozelligi ile ilgili yonelim, boyut ve konum gibi pose bilgisi iceren bir vektor ciktisi uretir. Bu temel fark kapsul aglarini geleneksel CNN'lerden ayrilan ve uzamsal hiyerarsiyi daha eksiksiz modellemelerini saglayan bir yapi kilar. Bu fikrin mimari babasi Geoffrey Hinton'dur; kapsul aglarinin temelini yıllarca oncesinden atmış olsa da 2017 yilındaki "Dynamic Routing Between Capsules" (Sabour, Frosst, Hinton) makalesi modern kapsul agi arastirmasinin baslangic noktasi sayilmaktadir. Geleneksel CNN'lerin max pooling katmani, bir nesnenin bir bolumde olup olmadigını algılar ama nerede oldugunu veya nasil yonlendirildigini atar. Hinton bu yaklasimi insan beyninin parcalar arasindaki iliskiyi anlamadaki becerisini modelleyemedigini one surmuş; kapsullerin bu eksikligi gidereceğini savunmustur. Dynamic routing, kapsul aglarinin merkezi hesaplama mekanizmasidur. Her alt kapsul, ust kapsullar icin potansiyel katkiyi tahmin eder ve bu katkinin ust kapsulun fiili ciktisiyla ne kadar uyuştuğuna bakarak baglantiyi iteratif sekilde gunceller. Anlasma (agreement) yuksekse baglanti guclenir; dusukse zayiflar. Bu dongusal islem, max pooling'in yaptigi basit maksimum alma yerine anlamli uzamsal iliskileri kodlar. Kapsul aglarinin pratik sinirliliklari da mevcuttur. MNIST gibi kucuk ve temiz veri kumelerinde umut verici sonuclar gosterirken ImageNet gibi buyuk olcekli karmasik veri kumelerinde standart CNN'lerle rekabet etmek hem hesaplama maliyeti hem dogruluk acisindan zordir. Alanin hala aktif arastirma konu olmakla birlikte ana akım uretim sistemlerinde standart CNN ve Transformer mimarisi hakimiyetini korumaktadir. **Sik Sorulan Sorular** **Kapsul aglari neden ana akima giremedi?** Buyuk olcekli veri kumelerinde standart CNN'lerle rekabet edemez; dynamic routing hesaplama maliyeti ve olcekleme guclugu ana akım benimsenmemesinin baslica nedenidir. **Kapsul aglari Transformer'larla karsilastirılabilir mi?** Her iki mimari de uzamsal iliskiler modelleme acisindan geleneksel CNN'den farkli; ancak farkli mekanizmaları kullanmaktadır. Transformer'larin buyuk olcekli veride basarisi, kapsul aglarinin araştirma etkisini kısmen golgede birakmiştir. **Kapsul aglari goruntu disinda kullanilabilir mi?** Prensipte evet; noktabultaji ve ses gibi alanlarda denemeler yapilmistir. Ancak buyuk olcekli goruntulerle bile zorlanan mimari, diger modalitelerde az incelenmiştir. **Kapsul aglari gunumuzde kullanılıyor mu?** Arastirma laboratuvarlarinda aktif calismalar surdurulmekte; ancak uretim sistemlerinde neredeyse hi kullanimazdir. Vision Transformer (ViT) ve benzeri mimariler buyuk olcekli gorsel algida hakimiyeti ele gecirmistir.
LPU (LPU (Language Processing Unit))
LPU (Language Processing Unit), yapay zeka startup'ı Groq tarafından geliştirilen ve büyük dil modellerinin (LLM) gerçek zamanlı çıkarımını hızlandırmak için sıfırdan tasarlanan özel bir işlem birimidir. Geleneksel GPU mimarilerinin paralel hesaplama odaklı tasarımının aksine, LPU bellek bant genişliği darboğazını ortadan kaldırmak üzere optimize edilmiştir; bu sayede token üretimini saniyede yüzlerce token hızına taşır ve kullanıcı tarafından fark edilebilir gecikmeyi milisaniyeler düzeyine indirir. LPU'nun merkezi yeniliği, doğrusal zamanlı hesaplama motoru (Linear Compute Engine, LCE) mimarisidir. Transformer modellerinin dikkat mekanizması (attention) ve ileri besleme (feed-forward) katmanları için gereken matris çarpımlarını sıralı ve deterministik bir boru hattında çalıştırır; bu da GPU'lardaki rastgele bellek erişim gecikmelerini yapısal olarak engeller. Çip üzerindeki büyük SRAM tamponları, model ağırlıklarının önbelleklenmesini sağlayarak HBM'e bağımlılığı azaltır. Groq, LPU'yu 2023 yılında kamuoyuna tanıttı ve Meta'nın Llama 2 modelini çalıştıran Groq Cloud servisiyle saniyede 500 token üzerinde hız değerleri yayımladı; bu rakam o dönemin GPU tabanlı çıkarım servislerinin 5-10 katıydı. LPU, özellikle etkileşimli sohbet botları, gerçek zamanlı ses transkripsiyonu ve düşük gecikme gerektiren ajan iş akışlarında belirgin avantaj sunar. Donanım perspektifinden LPU, tek bir yonga üzerinde sıkı bütünleştirilmiş hesap ve bellek bloklarına dayanır. Ancak GPU'lara kıyasla genel programlanabilirlik kısıtlıdır; eğitim workload'ları için değil, yalnızca çıkarım için optimize edilmiştir. Groq'un açıkladığı ölçekleme yolu, binlerce LPU'yu rack düzeyinde birbirine bağlayan bir ağ yapısına dayanmaktadır.
MLP (Çok Katmanlı Algılayıcı)
MLP (Multilayer Perceptron — Çok Katmanlı Algılayıcı), en az bir gizli katman içeren ileri beslemeli (feedforward) yapay sinir ağıdır. 1958'de Frank Rosenblatt tarafından tasarlanan tek katmanlı algılayıcı yalnızca doğrusal ayrılabilir verileri sınıflandırabilirken, gizli katmanların eklenmesiyle MLP; XOR problemi dahil karmaşık, doğrusal olmayan örüntüleri öğrenme kapasitesi kazandı. MLP üç ana bileşenden oluşur. Giriş katmanı ham veriyi ağa iletir; herhangi bir hesaplama yapmaz. Bir veya daha fazla gizli katman, önceki katmanın tüm nöronlarına tam bağlı (fully connected) nöronlar barındırır ve gerçek öğrenme burada gerçekleşir. Çıkış katmanı ise sınıflandırma problemlerinde sınıf sayısı kadar, regresyon problemlerinde genellikle tek nöronlu sonuç üretir. Her nöron şu işlemi uygular: girdilerin ağırlıklı toplamını hesaplar, bir sapma (bias) değeri ekler ve doğrusal olmayan bir aktivasyon fonksiyonundan (ReLU, Sigmoid ya da Tanh) geçirir. Doğrusal olmayan aktivasyon olmadan çok katmanlı bir ağ, matematiksel olarak tek katmanlı bir ağa indirgenirdi ve karmaşık örüntüleri öğrenemezdi. MLP'yi pratik hale getiren atılım, Rumelhart, Hinton ve Williams'ın 1986'da Nature dergisinde yayımladığı geri yayılım (backpropagation) algoritmasıdır. Algoritma, çıkış hatasını zincir kuralıyla katman katman geri yayarak her ağırlığın kayba olan katkısını hesaplar; ardından optimizör (genellikle SGD veya Adam) bu gradyanlarla ağırlıkları günceller. Bu döngü on binlerce kez tekrarlanarak model adım adım öğrenir. Evrişimsel Sinir Ağları (CNN) paylaşımlı ağırlıklar sayesinde görüntü verisini çok daha verimli işlerken, MLP'nin tam bağlantılı yapısı uzamsal ilişkileri doğal olarak yakalayamaz. Tekrarlayan Sinir Ağları (RNN) metin ve zaman serisi gibi ardışık veriler için gizli bir durum taşırken, MLP sabit boyutlu girdi üzerinde çalışır. 2021'de Google Brain'in tanıttığı MLP-Mixer mimarisi, öz-dikkat (self-attention) mekanizması yerine yalnızca MLP katmanlarıyla Vision Transformer'larla rekabetçi görüntü sınıflandırma sonuçları elde etti. Bu, doğru tasarımla saf MLP'lerin de güçlü görevler üstlenebileceğini kanıtladı. Günümüzde tablo verisi, özellik çıkarımı sonrası sınıflandırma ve büyük modellerin dahili bileşeni olarak MLP aktif kullanımını sürdürmektedir.
NeRF Nedir? Sinirsel Radyans Alanları ile 3D Sahne Oluşturma (Sinirsel Radyans Alanları)
NeRF (Neural Radiance Fields — Sinirsel Radyans Alanları), çok sayıda 2D fotoğraftan bir 3D sahneyi örtük (implicit) bir temsille modelleyen derin öğrenme yöntemidir. Çok katmanlı algılayıcı (MLP) mimarisindeki bir sinir ağı, sahnenin her uzay noktasındaki renk ve optik yoğunluğu kodlayarak hacimsel render (volumetric rendering) tekniğiyle daha önce görülmemiş bakış açılarından yüksek kaliteli görüntüler üretir. 2020 yılında Ben Mildenhall ve ekibi tarafından ECCV'de sunulmuş; bilgisayar görüsünde, robotik ve AR/VR alanlarında köklü bir etki yaratmıştır.
Perceptron (Algılayıcı (Yapay Nöron))
Perceptron, 1957 yılında Frank Rosenblatt tarafından icat edilen ve biyolojik sinir hücresinden ilham alan en basit yapay sinir ağı birimidir. Modern derin öğrenmenin atası kabul edilir. Matematiksel açıdan perceptron; giriş değerlerini ağırlıklarla (weights) çarpıp topladıktan sonra bir aktivasyon eşiğine (threshold) göre çıktı üreten bir ikili sınıflandırıcıdır. Çalışma prensibi şu şekilde özetlenebilir: n adet giriş değeri (x₁, x₂, ..., xn) her biri bir ağırlıkla (w₁, w₂, ..., wn) çarpılır ve ağırlıklı toplamı hesaplanır. Bu toplamın bir bias terimi eklenerek aktivasyon fonksiyonundan (başlangıçta basamak fonksiyonu) geçirilmesiyle 0 veya 1 çıktısı üretilir. Öğrenme sürecinde yanlış sınıflandırılan örnekler için ağırlıklar perceptron öğrenme kuralına göre güncellenir. Perceptron öğrenme teoremi, doğrusal olarak ayrılabilir veri kümeleri için algoritmanın sonlu adımda yakınsayacağını kanıtlar. Ancak 1969'da Marvin Minsky ve Seymour Papert, perceptronun XOR gibi doğrusal olarak ayrılamayan problemleri çözemeyeceğini gösterdi. Bu kısıtlama "XOR problemi" olarak tarihe geçti ve yapay zeka araştırmalarında yaklaşık on yıl süren "Yapay Zeka Kışı"nı tetikledi. Çözüm, birden fazla perceptron katmanının birbirine bağlanmasıyla oluşturulan çok katmanlı algılayıcılarda (Multilayer Perceptron — MLP) bulundu. Her katman bir doğrusal olmayan aktivasyon fonksiyonu (ReLU, sigmoid, tanh) kullanarak önceki katmanın çıktılarını işler. Geri yayılım (backpropagation) algoritmasıyla bu ağlar eğitilebilir hale geldi ve modern derin öğrenmenin temeli atıldı. Günümüzde tek başına perceptron neredeyse hiç kullanılmaz; ancak her yapay nöron perceptronun modernize edilmiş bir versiyonudur. Transformer mimarisindeki dikkat (attention) mekanizmasından CNN'deki evrişim nöronlarına kadar tüm derin öğrenme yapıları perceptron ilkesini temel almaktadır. Bu anlamda perceptron, yapay zekanın köklerini anlamak için vazgeçilmez bir kavramdır. Donanım tarafında ise nöromorifik çipler, perceptron hesaplamasını biyolojik nörona daha yakın bir fiziksel modelle uygulamayı hedeflemektedir; bu alan yüksek enerji verimliliği gerektiren edge AI cihazları için araştırılmaya devam etmektedir.
Quantum AI (Kuantum Yapay Zeka)
Kuantum Yapay Zeka (Quantum AI), kuantum mekaniğinin temel ilkelerini — süperpozisyon, dolanıklık ve girişim — klasik bilgisayarların erişemediği hesaplama kapasiteleri için kullanan araştırma alanıdır. Bu alan; kuantum hesaplama ile makine öğrenmesinin kesiştiği noktada konumlanır ve "kuantum avantajı" adı verilen belirli problem sınıflarında klasik bilgisayarları geride bırakma potansiyeli taşımaktadır. Teorik açıdan kuantum makine öğrenmesi, klasik algoritmaların belirli veri yapılarında üstel hızlanma elde edebileceği vaatlerde bulunmaktadır. HHL algoritması doğrusal denklem sistemlerini logaritmik karmaşıklıkta çözmeyi önerir; kuantum arama algoritması (Grover) ise yapılandırılmamış veritabanlarında kareköke orantılı hız avantajı sunar. Kuantum destek vektör makineleri ve kuantum sinir ağları bu teorik hızlanmaları makine öğrenmesine taşımayı hedefler. Donanım tarafında günümüzde IBM Quantum (Eagle, Osprey ve Condor işlemciler), Google Quantum AI (Sycamore) ve D-Wave (kuantum tavlama) öne çıkan platformlardır. Ancak mevcut kuantum bilgisayarlar "NISQ" (Gürültülü Orta Ölçekli Kuantum) dönemindedir: bit sayısı sınırlı, hata oranı yüksek ve bu nedenle hataya dayanıklı (fault-tolerant) operasyon mümkün değildir. Pratik kuantum avantajının makine öğrenmesine ne zaman yansıyacağı tartışmalıdır. Dequantization çalışmaları, bazı kuantum algoritmalarının klasik karşılıklarının sandığından çok daha verimli çalışabildiğini göstermiştir. Bununla birlikte optimizasyon problemleri, kimyasal simülasyon ve kriptografi alanlarında kuantum hesaplamanın dönüştürücü etkileri beklenmektedir. Türkiye'de TÜBİTAK ve çeşitli üniversiteler bu alanda teorik çalışmalar yürütmektedir. IBM ve Microsoft'un bulut tabanlı kuantum programlama ortamları (IBM Quantum Experience, Azure Quantum) yerli araştırmacıların fiziksel cihaza erişim gerektirmeksizin deney yapmasını mümkün kılmaktadır. Kuantum makine öğrenmesinin klasik alternatifleri geçemeyeceği durumlara ilişkin akademik tartışmalar sürmektedir. Klasik tensör ağları ve Monte Carlo yöntemleri bazı iddia edilen kuantum avantajlarını ortadan kaldırmıştır; ancak dolanıklığın klasikle simüle edilemeyen kesimler için gerçek bir hesaplama üstünlüğü sunabileceği görüşü araştırmacılar arasında güçlüdür.
Sora (OpenAI Video Üreticisi)
Sora, OpenAI tarafından Şubat 2024'te duyurulan ve Aralık 2024'te genel kullanıma açılan metin-video (text-to-video) yapay zeka modelidir. Kullanıcıların doğal dil açıklamalarından dakikalara uzanan gerçekçi ve tutarlı video içerikleri üretmesine olanak tanır. Sora'nın teknik mimarisi, görsel verileri uzay-zamansal yamalar (spacetime patches) olarak kodlayan bir transformatör mimarisi üzerine inşa edilmiştir. Görüntü difüzyon modellerinin (DALL-E serisinden bilinen tekniğin) video boyutuna genişletilmesi olan bu yaklaşım, gürültüden başlayarak tutarlı bir video dizisi üretmektedir. OpenAI'nin yayımladığı teknik rapor, modelin "world simulator" olarak tasarlandığını ve fiziksel dünya dinamiklerini içsel olarak modellemeye çalıştığını vurgular. Modelin en dikkat çekici özellikleri arasında tek bir prompttan 60 saniyelik yüksek çözünürlüklü video üretme, farklı görüntü boyutlarını ve en-boy oranlarını destekleme, mevcut görüntüleri öne veya geriye doğru uzatma ve birden fazla video klibini sorunsuz birleştirme yer almaktadır. Rekabetçi bağlamda Sora, Google DeepMind'ın Veo modeli, Meta'nın Movie Gen çalışması ve Runway Gen-3 ile doğrudan rekabet etmektedir. Güvenlik açısından OpenAI, gerçekçi yanlış bilgi ve derin sahte (deepfake) üretimine ilişkin riskleri yönetmek için C2PA metadata standartlarını benimsemiştir; içerikler dijital olarak imzalanarak kaynakları izlenebilir hale getirilmektedir. Ayrıca model belirli politika kurallarını çiğneyen içerikleri (gerçek kişilerin manipülasyonu, grafik şiddet, telif ihlalleri) üretmekten kaçınacak şekilde yapılandırılmıştır. Sora ve benzeri modellerin geniş kitlelere erişmesiyle birlikte video yapım süreçleri köklü biçimde değişmektedir. Kavramsal testler için kullanılan storyboard aşamaları artık dakikalar içinde prototiplenebilmekte; reklam ajansları ve bağımsız yapımcılar prodüksiyon maliyetlerini azaltabilmektedir. Türkiye'de yaratıcı ajanslar, reklam prodüksiyon şirketleri ve bağımsız içerik üreticileri tarafından Sora'nın kullanımı hız kazanmaktadır. Telif hakları ve hakikat standartları bağlamında Türkiye'deki düzenleyici tartışmalar da bu gelişmelere eşlik etmektedir. Video üretim yapay zekası, yaratıcı endüstrinin yeniden şekillenmesinde en kritik teknolojik eşiklerden biri olarak değerlendirilmektedir.
Speech-to-Text (ASR) (Sesten Metne (Otomatik Konuşma Tanıma))
Speech-to-Text (STT) veya Otomatik Konuşma Tanıma (ASR — Automatic Speech Recognition), mikrofondan ya da ses dosyasından gelen konuşulmuş dili analiz ederek yazıya dönüştüren yapay zeka teknolojisidir. Siri, Google Asistan ve otomatik YouTube altyazılarının temelinde bu teknoloji yatar. Modern STT sistemlerinin mimarisi birkaç katmandan oluşur. Akustik model, ham ses sinyallerindeki konuşma birimlerini (fonemleri) tanır; dil modeli ise tanınan ses örüntülerini anlamlı kelime ve cümlelere dönüştürür. 2015 yılından itibaren bu iki ayrı bileşen, uçtan uca (end-to-end) derin öğrenme mimarileriyle tek bir modelde birleştirilmeye başlandı. Günümüzde en yaygın yaklaşım Transformer tabanlı modeller olan Wav2Vec 2.0 (Meta) ve Whisper (OpenAI) gibi sistemlerdir. Whisper, 2022'de OpenAI tarafından piyasaya sürülen ve 680.000 saat ses verisiyle eğitilen çok dilli bir STT modelidir. Açık kaynaklı yapısı geliştiricilerin özgürce kullanımına imkân tanır; Türkçe dahil 99 dili destekler. Google'ın USM (Universal Speech Model) modeli ise 300'den fazla dili kapsayan kurumsal ölçekli bir ASR altyapısı sunar. Kalite ölçütü olarak WER (Word Error Rate — Kelime Hata Oranı) kullanılır: üretilen metin ile referans metin arasındaki kelime düzeyindeki hatalar normalleştirilerek hesaplanır. İnsan seviyesi İngilizce konuşma tanımada WER %5 civarındayken modern sistemler bu eşiğe ulaşmış ya da geçmiştir. Türkiye'de STT teknolojisi müşteri hizmetleri çağrı merkezi analitiği, tıbbi dikte sistemleri ve dil öğrenme uygulamalarında giderek yaygınlaşmaktadır. Türkçenin aglütinatif yapısı (çok ekli sözcük biçimleri) sözcük dağarcığı büyüklüğü açısından STT modellerine ek zorluk çıkarmaktadır; bu nedenle Türkçeye özgü ince ayarlı modeller standart modellere kıyasla daha yüksek doğruluk sunar. Gerçek zamanlı STT uygulamalarında gecikme (latency) kritik bir tasarım parametresidir: çevrimiçi konferans altyazıları için 200 ms altı gecikme hedeflenir. Streaming ASR mimarileri, konuşmacı konuşmaya devam ederken kısmi transkriptler üretir ve sonucu iteratif olarak günceller. Bu yaklaşım, Conformer mimarisi gibi yerel dikkat (local attention) mekanizmalarını kullanan modellerle verimli biçimde uygulanır.
Stem Separation (Stem Ayrıştırma)
Stem ayrıştırma (İng. stem separation veya source separation), karışık bir ses kaydından vokal, davul, bas, gitar ve diğer enstrümanları birbirinden bağımsız parçalara (stem) ayırma işlemidir. Müzik üretimi, post-prodüksiyon ve yapay zeka destekli ses uygulamalarında her enstrümanın bağımsız olarak işlenmesini, düzenlenmesini ve yeniden karıştırılmasını mümkün kılan bu teknik, derin öğrenme tabanlı modellerle son yıllarda dramatik biçimde iyileşmiştir. Derin öğrenme öncesinde stem ayrıştırma, körsel kaynak ayrıştırma (blind source separation) ve ICA (Independent Component Analysis) gibi geleneksel sinyal işleme yöntemleriyle gerçekleştiriliyordu; bu yaklaşımlar kanal sayısı kısıtlamaları ve güçlü istatistiksel bağımsızlık varsayımları nedeniyle sınırlı kalıyordu. Derin öğrenme ile birlikte maskeli zaman-frekans temsilleri (spectral masking) ve uçtan uca öğrenme paradigmaları bu sınırları aştı. Meta'nın geliştirdiği Demucs, hibrit bir transformer-dalga formu mimarisine sahiptir; htdemucs versiyonu frekans ve zaman domenlerini paralel olarak işler ve doğal stereo genişlik koruması sağlar. Deezer'ın açık kaynak modeli Spleeter, U-Net mimarisiyle 2, 4 veya 5 stem ayrıştırması sunar. MDX-Net ve Open-Unmix ise SiSEC/MUSDB18 yarışma setinde referans sonuçlar üretmiştir. Model başarısı Sinyal-Bozulma Oranı (SDR — Signal-to-Distortion Ratio) ile ölçülür; güncel modeller vokal için +10 dB SDR değerlerine ulaşmaktadır. Stem ayrıştırmanın başlıca kullanım alanları şunlardır: karaoke altyapısı üretimi, remiks ve yeniden düzenleme, müzik eğitimi (belirli enstrümanı izole ederek pratik yapma), telif hakkı ve örnekleme (sampling) denetimi, oyun içi uyarlanabilir ses müziği ve Suno/Udio gibi üretken yapay zeka platformlarında ses yeniden kullanımı. Ses kalitesi üzerindeki etkiyi en aza indirmek için modeller genellikle kayan pencere (sliding window) ve örtüşen parça birleştirme (overlap-add) teknikleriyle çalışır. LALAL.AI, Moises, Stemify ve BaruwaAI bu teknolojiyi bulut API'leri aracılığıyla sunarken, Demucs ve Spleeter yerel GPU'larda da çalıştırılabilir.
TPU Mimarisi (TPU Mimarisi)
TPU Mimarisi (Tensor Processing Unit Architecture), Google tarafından matris çarpımı ve lineer cebir işlemlerini maksimum verimlilikle gerçekleştirmek için özel olarak tasarlanan donanım işlemci mimarisini ifade eder. GPU ve CPU'nun aksine genel amaçlı hesaplama için değil, özellikle derin öğrenme modellerinin eğitimi ve çıkarımı (inference) için optimize edilmiş olan TPU, ilk olarak 2016 yılında Google veri merkezlerinde kullanılmaya başlanmıştır. TPU mimarisinin temel yapı taşı sistolik dizi (systolic array) adı verilen ve binlerce çarpma-toplama (multiply-accumulate) biriminin birbirine doğrudan bağlı olduğu matris yapısıdır. Bu mimaride veri bir kez bellekten yüklenir ve dizi boyunca akarak defalarca yeniden kullanılır; böylece bellek bant genişliği talebi dramatik biçimde düşürülür. TPU v1, 700 MHz saat hızında 65.536 çarpma-toplama işlemini eş zamanlı gerçekleştirebilir ve saniyede 92 trilyon 8-bit işlem kapasitesine sahipken yalnızca 40 watt güç tüketir. Her TPU TensorCore birimi; matris çarpımı birimi (MXU), vektör birimi ve skaler birimden oluşur. TPU v5 ve sonraki nesillerde MXU boyutu 256×256'ya çıkarılmış, HBM (High Bandwidth Memory) kullanımıyla bant genişliği daha da artırılmıştır. Yeni nesil TPU'lar eğitim (TPU 8t) ve çıkarım (TPU 8i) için ayrı varyantlar olarak sunulmakta; bu sayede farklı hesaplama gereksinimlerine özgü donanım optimizasyonu sağlanmaktadır. Google'ın TPU'ları günümüzde Google Cloud üzerinden TPU VM ve TPU Pod yapılandırmaları şeklinde erişilebilmektedir. Bir TPU Pod, binlerce TPU çekirdeğini yüksek hızlı ara bağlantılarla birleştirerek eksa-ölçek hesaplama kapasitesi sunar. ChatGPT, Gemini ve benzeri büyük dil modellerinin eğitiminde kullanılan en kritik donanım altyapılarından birini oluşturan TPU mimarisi, NVIDIA GPU'larına alternatif en güçlü yapay zeka hızlandırıcı platformu konumundadır.
Transformer-XL (Transformer-XL (Uzun Bağlamlı Dönüştürücü Mimarisi))
Transformer-XL, Zihang Dai ve ekibinin 2019 yılında Google Brain ile Carnegie Mellon Üniversitesi iş birliğiyle geliştirdiği, standart Transformer mimarisinin sabit bağlam uzunluğu kısıtlamasını aşmaya yönelik bir dil modeli mimarisidir. "XL" kısaltması, "eXtra Long" (ekstra uzun) anlamına gelir ve modelin uzun mesafeli bağımlılıkları modelleyebilme kapasitesini yansıtır. Klasik Transformer modelleri metni sabit uzunlukta bölütlere (segment) böler ve her bölütü birbirinden tamamen bağımsız biçimde işler; bu durum bölüt sınırlarında bağlam kopukluğuna yol açar. Transformer-XL bu sorunu iki temel yenilikle çözer. İlk yenilik bölüt düzeyinde özyinelemedir (segment-level recurrence): Model, önceki bölütün her katmana ait gizli durum vektörlerini önbellekte tutar. Yeni bölüt işlenirken dikkat mekanizması hem mevcut bölütün hem de önbellekteki önceki bölütün temsillerine erişir. Bu sayede bilgi bölütler arasında aktarılabilir ve N katmanlı bir modelde etkili bağlam penceresi teorik olarak N × bölüt uzunluğuna kadar genişleyebilir. İkinci yenilik göreli konum kodlamasıdır (relative positional encoding): Standart Transformer'da mutlak konum kodlamaları kullanılır. Ancak önbelleğe alınan farklı bölütlerin token'ları aynı mutlak konum indeksini paylaşabilir ve bu durum anlam karışıklığına yol açar. Göreli kodlama, "bu token 5. konumdadır" yerine "bu token diğerinden 3 adım uzakta" bilgisini temsil eder; dikkat skoru dört ayrı bileşene ayrılarak öğrenilebilir ağırlıklarla hesaplanır. WikiText-103, enwiki8 ve One Billion Word kıyaslamalarında döneminin en iyi sonuçlarına ulaşan Transformer-XL, standart Transformer'a kıyasla yüzde 291 ile 447 daha uzun bağımlılıkları modelleyebildiğini kanıtlamıştır. Göreli konum kodlama şeması daha sonra XLNet, T5 ve DeBERTa gibi önemli modellerin temeline alınmıştır.
wav2vec (wav2vec (Ses Temsil Öğrenimi))
wav2vec, Meta AI Research (eski adıyla Facebook AI) tarafından geliştirilen ve konuşma tanıma görevleri için etiketlenmemiş ses verilerinden güçlü temsiller öğrenen öz-denetimli (self-supervised) bir derin öğrenme modelidir. 2019'da tanıtılan ilk wav2vec, ham ses dalgalarını doğrudan girdi olarak alarak gelecekteki ses çerçevelerini tahmin etmek üzere bir CNN mimarisi kullanır. 2020'de yayımlanan wav2vec 2.0, bu çerçeveyi transformatör mimarisi ve kuantizasyon mekanizmasıyla geliştirerek öz-denetimli öğrenmeyi ses alanında doruk noktasına taşıdı. wav2vec 2.0'ın temel yeniliği, kontrastif öğrenme (contrastive learning) yaklaşımıdır: model, ses girdisinin bazı bölümlerini maskeler ve maskelenen bölümlerin doğru kuantize temsillerini yanlış adaylar arasından seçmeyi öğrenir. Bu sayede insan tarafından etiketlenmemiş binlerce saatlik ses verisi, eğitim malzemesi olarak kullanılabilir hâle gelir. wav2vec 2.0, yalnızca 10 dakika etiketli sesle dünyanın en iyi otomatik konuşma tanıma (ASR) sistemleriyle rekabet edebilir hâle gelebildiğini göstermiştir. Bu sonuç, etiketli veri kıtlığının büyük sorun oluşturduğu az kaynaklı diller için devrim niteliği taşır. Türkçe dahil onlarca dil için ön eğitilmiş wav2vec 2.0 modelleri Hugging Face üzerinden serbestçe erişilebilir durumdadır. MIMI, HuBERT ve XLS-R gibi sonraki ses modelleri wav2vec 2.0 mimarisinden ilham alarak geliştirilmiştir. Günümüzde ses klonlama, duygu tanıma, konuşmacı doğrulama ve çok dilli ASR sistemlerinin omurgasında wav2vec tabanlı temsil öğrenimi yaygın biçimde kullanılmaktadır.
Weights and Biases (Ağırlıklar ve Sapmalar)
Ağırlıklar (Weights) ve Sapmalar (Biases), bir yapay sinir ağındaki öğrenilebilir parametrelerin iki temel bileşenidir. Ağırlıklar, bir önceki katmandan gelen her girdinin çıktıya katkısının gücünü; sapmalar ise nöronun girdi sinyalinden bağımsız olarak tetiklenme eşiğini belirler. Model eğitimi bu iki parametre grubunun kayıp fonksiyonunu minimize edecek biçimde güncellenmesinden ibarettir. Matematiksel açıdan bir tam bağlantılı (fully connected) nöron şu işlemi gerçekleştirir: giriş vektörü x ile ağırlık matrisi W'nın iç çarpımı alınır, bias terimi b eklenir ve aktivasyon fonksiyonundan geçirilir: y = f(Wx + b). Ağırlıklar genellikle Xavier veya He başlatma yöntemleriyle rastgele, sapma değerleri ise sıfır veya küçük sabitlerle başlatılır; rastgele simetri kırma olmadan tüm nöronlar özdeş kalır. Eğitim sürecinde stokastik gradyan inişi (SGD) ve türevleri (Adam, AdamW, RMSProp) geri yayılım algoritmıyla hesaplanan gradyanlar yönünde parametreleri günceller. Öğrenme hızı (learning rate) bu adım büyüklüğünü kontrol eden kritik hiper parametredir; çok büyük öğrenme hızı kararsız eğitime, çok küçük öğrenme hızı ise yavaş yakınsamaya neden olur. Parametre sayısı model kapasitesini doğrudan belirler. GPT-3'ün 175 milyar, Llama 3.1 405B'nin ise 405 milyar parametresi mevcuttur. Bu parametrelerin tamamı çoğunlukla Float16 veya BF16 biçiminde depolanır; 7 milyar parametreli bir model FP16'da yaklaşık 14 GB VRAM gerektirir. L1 ve L2 düzenlileştirme (regularization) yöntemleri, ağırlıkların aşırı büyümesini cezalandırarak aşırı öğrenmeyi (overfitting) dizginler. Transferi öğrenme (transfer learning) bağlamında önceden eğitilmiş bir modelin ağırlıkları yeni bir görev için başlangıç noktası olarak kullanılır. Sadece son katmanların ağırlıkları güncellenmesi (fine-tuning), tüm modeli sıfırdan eğitmeye kıyasla çok daha az veri ve hesaplama gerektirir. LoRA (Low-Rank Adaptation) ise ağırlık matrislerini düşük ranklı matrislerle temsil ederek eğitilecek parametre sayısını dramatik biçimde azaltır; bu yöntem büyük dil modellerinin tüketici donanımında ince ayarlanmasını mümkün kılan temel tekniktir.
Yapay Zeka (Yapay Zeka)
Yapay zeka (YZ / AI — Artificial Intelligence), insan zekâsına özgü görme, anlama, öğrenme, akıl yürütme ve karar alma gibi bilişsel yetenekleri makinelerde taklit etmeyi hedefleyen bilgisayar bilimi dalıdır. 1956 yılında John McCarthy'nin Dartmouth Konferansı'nda resmen tanımladığı bu alan; sembolik YZ, uzman sistemler, makine öğrenimi, derin öğrenme ve büyük dil modelleri gibi alt dallara evrilmiştir. Modern yapay zekanın merkezinde makine öğrenimi yer almaktadır: algoritmalar büyük veri setlerinden örüntüler öğrenerek açıkça programlanmadan görevleri yerine getirir. Derin öğrenme ise çok katmanlı yapay sinir ağları aracılığıyla görüntü tanıma, doğal dil işleme ve ses sentezi gibi alanlarda insanüstü performans sergilemiştir. 2017'de "Attention Is All You Need" makalesiyle tanıtılan Transformer mimarisi ve 2020 sonrasında piyasaya çıkan büyük dil modelleri (GPT-4o, Claude Sonnet, Gemini 2.5, LLaMA 3.3, DeepSeek V3), yapay zekanın hem teknik sınırlarını hem de gündelik hayata entegrasyonunu köklü biçimde dönüştürmüştür. Yapay zeka günümüzde tıp (kanser tespiti, ilaç keşfi), finans (dolandırıcılık önleme, algoritmik ticaret), eğitim, yaratıcı üretim, yazılım geliştirme ve bilimsel araştırma gibi onlarca sektörde aktif biçimde kullanılmaktadır. Otonom araçlar, sesli asistanlar, görüntü üretimi ve kod tamamlama araçları bu dönüşümün en görünür yüzüdür. Küresel yapay zeka pazarının 2030'a kadar 1 trilyon dolara ulaşması öngörülmektedir. Türkiye'de yapay zeka kullanımı hız kazanmıştır: e-ticaret devleri öneri motorlarında, bankacılık sektörü dolandırıcılık tespitinde, sağlık kurumları görüntü analizinde YZ çözümleri devreye almıştır. TÜBİTAK ve üniversiteler Türkçe NLP ve ses tanıma alanında yerli modeller geliştirmektedir. "Türkiye Yapay Zeka Stratejisi 2021–2025" ile devlet bu alanda araştırma ve yetenek geliştirmeyi desteklemiştir. Mevcut sistemler Dar YZ (Narrow AI) kapsamında değerlendirilmekte — yalnızca belirli görevlerde üstün performans göstermekte — olup insan düzeyinde her bilişsel görevi üstlenebilecek Genel Yapay Zekâ (AGI) henüz gerçekleştirilmemiştir. Yapay zekanın hızlı yayılımı; önyargı, açıklanabilirlik, gizlilik ve iş gücü etkisi gibi etik meseleleri beraberinde getirmiştir. AB Yapay Zeka Yasası (EU AI Act, 2024), bu alandaki ilk kapsamlı yasal düzenleme olarak tarihe geçmiştir. 2026 itibarıyla yapay zekanın gelişim yönü üç kritik eksen üzerinde şekillenmektedir: çok modlu (multimodal) sistemler metin, görüntü, ses ve videoyu tek modelde birleştirir; ajansal yapay zeka (agentic AI) bağımsız görev planlama ve araç kullanımını mümkün kılar; akıl yürüten modeller (o3, DeepSeek R1 gibi) zincir düşünce tekniğiyle karmaşık matematik ve mühendislik problemlerinde uzman düzeyine ulaşmaktadır.
YOLO (You Only Look Once) (YOLO Nesne Algılama)
YOLO (You Only Look Once), gerçek zamanlı nesne algılama görevleri için tasarlanmış, son derece hızlı ve doğru bir derin öğrenme mimarisidir. 2016 yılında Joseph Redmon ve arkadaşları tarafından tanıtılan YOLO, nesne tespitini tek bir ileri geçiş (single forward pass) işlemine indirgeyerek dönemin en hızlı nesne algılama sistemi haline gelmiştir. Geleneksel nesne algılama yaklaşımları (R-CNN ve türevleri) görüntüyü önce bölgelere ayırır, ardından her bölge için sınıflandırma yapar; bu iki aşamalı süreç yavaş çalışır. YOLO ise görüntüyü S×S ızgara hücrelerine böler; her hücre sabit sayıda bounding box tahmini ve sınıf olasılıkları üretir. Tüm bu tahminler tek bir CNN ile aynı anda hesaplanır. Bu yaklaşım, YOLO'nun saniyede 45 kare (FPS) ile işlem yapmasına ve gerçek zamanlı uygulamalar için ideal olmasına olanak tanır. Mimari açıdan YOLO, özellik çıkarmayı (feature extraction) ve nesne tespitini birleşik bir sinir ağında gerçekleştirir. Her bounding box için beş değer tahmin edilir: merkez koordinatları (x, y), genişlik (w), yükseklik (h) ve güven skoru (confidence score). Güven skoru hem nesne varlığı olasılığını hem de bounding box doğruluğunu (IoU, Intersection over Union) ifade eder. YOLOv1'den günümüze mimarinin önemi giderek artmıştır: YOLOv3 darknet53 omurgasıyla birden fazla ölçekte algılama yaparken, YOLOv5 PyTorch ekosistemiyle entegre olmuş ve endüstri standardı haline gelmiştir. Ultralytics tarafından geliştirilen YOLOv8, instance segmentation ve pose estimation desteğiyle kapsam genişletmiştir. En güncel YOLOv11 ise transformer tabanlı dikkat mekanizmaları ve gelişmiş arka plan modelleriyle %20'ye varan doğruluk artışı sunmaktadır. YOLO, otonom araçlardaki anlık engel algılamasında, güvenlik kameralarındaki kalabalık analizinde, sağlık görüntülemede anomali tespitinde, sanayi hatlarındaki kalite kontrolünde ve spor videolarındaki oyuncu takibinde yaygın biçimde kullanılmaktadır.