2025'te Bilmeniz Gereken Yapay Zeka Terimleri: Kapsamlı Sözlük

Yapay Zeka Sözlüğüne Giriş

Yapay zeka (AI) sadece teknolojiyi değil, aynı zamanda dilimizi de yeniden şekillendiriyor. Toplantılarda, sunumlarda veya panellerde LLM, RAG, RLHF gibi terimler havada uçuşuyor. Bu sözlük, en sık karşılaşılan AI terimlerini anlaşılır bir dille açıklamayı amaçlıyor. İster bu alanda ürün geliştirin, ister yatırım yapın, ister sadece gündemi takip edin, bu rehber size yardımcı olacak. Saha geliştikçe sözlüğü düzenli olarak güncelliyoruz.

Temel Kavramlar: AGI ve AI Ajanları

Yapay Genel Zeka (AGI), ortalama bir insandan birçok görevde daha yetenekli olan yapay zekayı ifade eder. OpenAI CEO'su Sam Altman, AGI'yi "iş arkadaşı olarak kiralayabileceğiniz ortalama bir insanın eşdeğeri" olarak tanımlarken, Google DeepMind ise "çoğu bilişsel görevde insan kadar yetenekli AI" olarak görüyor. AI ajanı (AI agent) ise sizin adınıza görevleri yerine getiren araçlardır; giderleri dosyalamak, bilet rezervasyonu yapmak veya kod yazmak gibi. API uç noktaları (API endpoints), yazılımların birbirleriyle iletişim kurmasını sağlayan "düğmeler" gibidir ve AI ajanları bu uç noktaları kullanarak otomasyonu genişletir.

Düşünme ve Kodlama: Zincirleme Düşünce ve Kodlama Ajanları

Zincirleme düşünce (chain-of-thought), büyük dil modellerinin (LLM) bir problemi daha küçük adımlara bölerek çözmesini sağlar. Bu, özellikle mantık ve kodlama gerektiren durumlarda doğruluğu artırır. Kodlama ajanı (coding agent), yazılım geliştirmeye odaklanmış bir AI ajanıdır; kod yazmak, test etmek ve hata ayıklamak gibi işleri otonom olarak yapar. Tıpkı hızlı ve hiç uyumayan bir stajyer gibi düşünülebilir, ancak insan denetimi hala gereklidir.

Altyapı ve Eğitim: Hesaplama, Derin Öğrenme ve Difüzyon

Hesaplama (compute), AI modellerini çalıştırmak için gereken işlem gücüdür; GPU, CPU ve TPU gibi donanımları kapsar. Derin öğrenme (deep learning), çok katmanlı yapay sinir ağları (ANN) kullanarak karmaşık ilişkileri öğrenen bir makine öğrenmesi alt dalıdır. Difüzyon (diffusion), görüntü, müzik ve metin üreten modellerin temelini oluşturur; veriye gürültü ekleyip sonra tersine çevirerek öğrenir. Damıtma (distillation), büyük bir modelden daha küçük ve verimli bir model oluşturma tekniğidir; örneğin OpenAI'nin GPT-4 Turbo'su bu şekilde geliştirilmiştir.

İnce Ayar ve Üretken Modeller: İnce Ayar, GAN ve Halüsinasyon

İnce ayar (fine-tuning), bir AI modelini belirli bir görev için daha da eğitmek anlamına gelir. GAN (Generative Adversarial Network), iki sinir ağının birbirini geçmeye çalıştığı bir yapıdır; gerçekçi veri üretmek için kullanılır. Halüsinasyon (hallucination), AI modellerinin yanlış bilgi üretmesidir; bu, eğitim verisindeki boşluklardan kaynaklanır ve özellikle sağlık gibi kritik alanlarda risk oluşturur.

Çıkarım ve Modeller: Çıkarım, LLM ve Uzman Karışımı

Çıkarım (inference), eğitilmiş bir modelin tahmin yapması sürecidir. Büyük dil modelleri (LLM), ChatGPT gibi asistanların arkasındaki modellerdir; milyarlarca parametreyle dilin temsillerini öğrenirler. Uzman Karışımı (Mixture of Experts - MoE), bir sinir ağını uzmanlaşmış alt ağlara böler ve sadece ilgili olanları aktifleştirir; bu sayede büyük modeller daha hızlı ve ucuz çalışır.

Standartlar ve Bellek: MCP ve Bellek Önbelleği

Model Bağlam Protokolü (MCP), AI modellerinin harici araçlara ve verilere bağlanmasını sağlayan açık bir standarttır; Anthropic tarafından tanıtılmış ve OpenAI, Google, Microsoft tarafından benimsenmiştir. Bellek önbelleği (memory cache), çıkarımı hızlandırmak için hesaplamaları kaydeden bir optimizasyon tekniğidir; KV önbellekleme yaygın bir örnektir.

Açık Kaynak ve Paralelleştirme

Açık kaynak (open source), kodun herkese açık olduğu yazılım veya modellerdir; Meta'nın Llama ailesi buna örnektir. Paralelleştirme (parallelization), işlemleri aynı anda yapma yeteneğidir; GPU'lar bu sayede binlerce hesaplamayı eşzamanlı gerçekleştirir.

RAM Kıtlığı ve Kendini Geliştirme

RAMageddon, AI endüstrisinin RAM çipleri üzerindeki baskısı nedeniyle oluşan kıtlık ve fiyat artışını tanımlar. Özyinelemeli kendini geliştirme (recursive self-improvement - RSI), AI modellerinin insan müdahalesi olmadan kendini geliştirmesi durumudur; bu, tekillik (singularity) olarak da adlandırılır.

Pekiştirmeli Öğrenme ve Token'lar

Pekiştirmeli öğrenme (reinforcement learning - RL), modelin deneme-yanılma yoluyla ödüller alarak öğrenmesidir. Token'lar, insan-AI iletişiminin temel yapı taşlarıdır; metni parçalara ayırarak modelin işlemesini sağlar ve kurumsal ortamlarda maliyeti belirler. Token verimi (token throughput), bir sistemin birim zamanda işleyebileceği token miktarıdır.

Eğitim ve Ağırlıklar

Eğitim (training), modelin verilerden öğrenme sürecidir. Transfer öğrenme (transfer learning), önceden eğitilmiş bir modelin yeni bir görev için başlangıç noktası olarak kullanılmasıdır. Doğrulama kaybı (validation loss), modelin ne kadar iyi öğrendiğini gösteren bir metriktir; düşük olması iyidir. Ağırlıklar (weights), modelin hangi özelliklere ne kadar önem vereceğini belirleyen sayısal parametrelerdir.

Neden Onemli?

Bu sözlük, Türkiye'deki yapay zeka ekosistemi için kritik bir kaynak. Yerli girişimler, akademisyenler ve teknoloji meraklıları, bu terimleri anlayarak küresel AI gelişmelerini daha iyi takip edebilir ve kendi projelerinde doğru stratejiler geliştirebilir. Özellikle LLM, ince ayar ve çıkarım gibi kavramlar, Türkçe doğal dil işleme çalışmalarında da merkezi rol oynuyor. Bu sözlük sayesinde, AI alanındaki hızlı değişime ayak uydurmak ve bilinçli kararlar almak mümkün.