category Temel Kavramlar
Temel Kavramlar kategorisi, yapay zeka ve makine öğrenimi alanındaki 55 temel terim ve kavramı kapsar: Affective Computing, Agent Framework, Agentic AI, AGI, AI Agent, Anthropic. Her terim için tanım, örnek ve ilgili kavramları bu sayfadan keşfedebilirsiniz.
Affective Computing (Duyuşsal Bilişim (Duygu YZ))
Affektif hesaplama (affective computing), bilgisayar sistemlerinin insan duygularini algilama, yorumlama, isleme ve uygun sekilde yanit verme yeteneklerini gelistirmeyi amaclayan disiplinlerarasi bir arastirma alanidur. Bilisim bilimi, psikoloji, bilissel bilim ve noro-bilim kesisiminde yer alir. Alanin kurucu metni, Rosalind Picard'in 1997 tarihli "Affective Computing" kitabidur. Picard, insan-bilgisayar etkilesiminin duygusal boyutunun ihmal edildigini one cikardi ve duygusal zeka gelistirilmis makinelerin hem verimli hem de insancil sistemlere yol acacagini savundu. Affektif hesaplama sistemleri farkli girdi modalitelerini kullanir. Goruntu isleme ile yuz ifade analizi; Facial Action Coding System (FACS) gibi standartlara dayali olarak mutluluk, kizginlik, uzuntu, korku, saskinlik, tiksinme ve notr duygulari siniflandirir. Ses analizi; konusma tonu, ritim ve ses yuksekligindeki degisimleri duygusal durum gostergesi olarak yorumlar. Fizyolojik sinyaller; EEG, elektrodermal aktivite (deri iletkenlik), kalp atim degiskenligi ve goz izleme bilincalti duygusal durumu icin guvenilir kanallar sunar. Metin duygu analizi ise yazili dilin duygusal polaritesini degerlendiren NLP teknikleridir. Uygulama alanlari son derece genistir. Egitim teknolojisinde ogrencinin anlasma veya hayal kirikligi duzeyini gercek zamanli izleyip ders icerigi ve hizini kisisellestirebilir. Saglik alanyında depresyon veya anksiyete izleme, demans hastalarinin duygusal refah takibi ve terapi destek sistemleri araştirma asamasindadir. Surucu guvenligi sistemleri yorgunluk veya dikkat dagiticilik tespiti icin kullanilmaktadir. Etik boyut onemlidir. Duygu tanima sistemleri irk, cinsiyet ve kultur kirilimlarinda sistemli yanlilık sergileyebilir. Bir is basvurusundaki adayin veya bir siniftaki ogrencinin duygularinin otomatik olarak izlenmesi, riza ve mahremiyet sorunlarini gundeme getirir. AB Yapay Zeka Yasasi bu endiselerle calisma ortami ve egitim gibi baglaamlardaki duygu tanima kullanimini yuksek riskli sinifta kategorize etmistir. **Sik Sorulan Sorular** **Duygu tanima guvenilir midir?** Arastirmalar yuz ifadesi bazli sistemlerin kucuk, cogunlukla homojen veri kumeleri uzerinde iyi calistigini; gercek dunya uygulamalarinda ise irk, cinsiyet ve kultur kirilimlarinda onemli hata oranlari sergiledigini gostermistir. **Affektif hesaplama ile duygu analizi arasindaki fark nedir?** Duygu analizi (sentiment analysis) genellikle metinden duygusal polarite (olumlu/olumsuz) cikarir. Affektif hesaplama daha genis bir kavramdir: ses, goruntu ve fizyolojik sinyalleri de kapsayan cok modalli bir yaklasim ve insan-bilgisayar etkilesimi perspektifini icermektedir. **AB Yapay Zeka Yasasi affektif hesaplamay nasil duzenliyor?** Calisma ortami, egitim ve hukuki baglamlarda duygu tanima yuksek riskli olarak siniflandirilmistir. Bu uygulamalar siki seffaflik, insan gozetimi ve uyumluluk gereksinimleri altindadir. **Affektif hesaplamanin gelecegi nedir?** Norolojik sinyaller ve cok modalli veri fusion'u ile daha guvenilir sistemler ongorulmektedir. Bununla birlikte etigin ve yasamin netlesmesi, alanin buyume yonunu belirleyici rol oynamaktadir.
Agent Framework (Ajan Çerçevesi)
Agent Framework (Ajan Çerçevesi), LLM tabanlı ajanların döngüsel düşünme, araç kullanımı, bellek yönetimi ve diğer ajanlarla iletişim gibi temel davranışlarını standart bir şekilde uygulamak için hazır altyapı sunan yazılım çerçevelerinin genel adıdır. Tek bir API çağrısından öteye geçen, çok adımlı, araç kullanan, bellek saklayan ve gerektiğinde insan onayı bekleyen karmaşık ajan sistemleri inşa etmek için bu çerçeveler kullanılır. LangGraph, CrewAI, AutoGen, Semantic Kernel ve Amazon Bedrock Agents bu kategorinin önde gelen örnekleridir. Bir ajan çerçevesi genellikle şu bileşenleri sunar: Orchestration (ajan döngüsünü yöneten çalıştırıcı), Tool Integration (Python fonksiyonları veya API'lerin araç olarak kaydedilmesi), Memory Management (kısa/uzun vadeli bellek ve konuşma geçmişi), State Management (çok adımlı görevlerde durum takibi) ve Multi-Agent Coordination (birden fazla ajan arasında görev dağılımı ve mesajlaşma). Bazı çerçeveler bunlara ek olarak insan-döngüde (human-in-the-loop) onay kapıları, hata kurtarma mekanizmaları ve dağıtık yürütme desteği de sunar. Ajan çerçeve seçimi uygulamanın ihtiyaçlarına göre değişir. Hızlı prototip için CrewAI'ın yüksek soyutlama katmanı tercih edilebilirken, karmaşık döngüsel iş akışları için LangGraph'ın düşük seviye graf kontrolü uygundur. 2024-2025 döneminde bu alandaki rekabet yoğunlaşmış; her büyük bulut sağlayıcısı kendi ajan çerçevesini sunmaya başlamıştır. Anthropic'in Model Context Protocol (MCP) ve OpenAI'ın Agents SDK'sı, bağımsız ajan entegrasyonunu standartlaştırma hedefiyle geliştirilmektedir. MCP, ajan ile dış araçlar arasındaki arayüzü client-server protokolü olarak tanımlayarak farklı çerçeveler arasında taşınabilirlik sunmaktadır. Türkiye'de yazılım geliştirme ekipleri, müşteri hizmetleri otomasyonu ve iç süreç yönetimi için ajan çerçevelerini giderek daha sık benimsemektedir. Üretim ortamında ajan güvenilirliği, izlenebilirlik (observability) ve hata toleransı bu uygulamaların temel mühendislik zorlukları arasındadır. Özellikle e-ticaret ve fintech sektörlerinde, karmaşık iş kurallarını barındıran süreçlerin LLM ajanlara devredilmesi ciddi mühendislik disiplini gerektirmekte; dolayısıyla izleme araçları (LangSmith, Langfuse, Arize AI) bu ekosistemde kritik bir yer edinmektedir.
Agentic AI (Ajanlık Yapay Zeka)
Ajanlık Yapay Zeka (Agentic AI), yalnızca sorulara yanıt vermek yerine özerk kararlar alarak uzun vadeli, çok adımlı görevleri planlayıp yürüten yapay zeka sistemleri için kullanılan kavramdır. Geleneksel dil modellerinden farkı şudur: ajanlık bir sistem tek bir prompt-yanıt çiftinde durmuyor; algılama, planlama, araç kullanımı ve öz-değerlendirme döngüsünü insan müdahalesi olmadan tekrarlayarak karmaşık hedeflere ulaşabilir. "Agentic" terimi bir yapay zekanın ne kadar özerk hareket edebildiğini ölçer. Düşük ajanlık düzeyi tek tur sohbet anlamına gelirken yüksek ajanlık, sistemin kendi adına web araması yapması, kod yazıp çalıştırması, dosya ve veritabanlarını okuması, API'leri çağırması ve çıktıları değerlendirerek planını güncellemesi demektir. Bu özelliklerin gücü arttıkça sistem daha ajanlık bir yapıya bürünür. Ajanlık sistemlerin temel bileşenleri şunlardır: özerklik (önceden tanımlanmış kurallara bağlı kalmadan duruma göre karar alabilme), uzun ufuk planlama (hedeften geriye doğru veya ileriye dönük simülasyonla çok adımlı plan oluşturma), araç entegrasyonu (web arama, kod çalıştırma, takvim yönetimi gibi dış servislere erişim), geri bildirim döngüsü (eylemin sonucunu gözlemleyerek stratejiyi güncelleme) ve hata kurtarma (bir araç başarısız olduğunda alternatif yol geliştirme). Anthropic'in Claude Code, OpenAI'ın Operator API, Google'ın Project Astra ve Perplexity'nin Deep Research özelliği bu alanın öne çıkan ürünleridir. Çok ajanlı (multi-agent) mimarilerde birden fazla ajanlık bileşen paralel çalışarak iş akışlarını tamamlar; örneğin bir ajan araştırma yaparken diğeri kod yazar, bir üçüncüsü ise çıktıları doğrular. Güvenli ajanlık tasarımı için sandbox ortamı, yetki sınırları, maksimum adım limiti ve geri alınamaz eylemler öncesi insan onayı kapısı zorunlu kabul edilmektedir. Yanlış bir ajanlık kararı gerçek dünyada ciddi sonuçlar doğurabileceğinden kapsamlı loglama ve denetim kaydı, üretim sistemlerinin temel gereksinimi hâline gelmiştir. LangGraph, CrewAI, AutoGen ve Anthropic Agent SDK bu tür sistemler kurmak için en yaygın kullanılan geliştirme çerçeveleridir.
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 Agent (Yapay Zeka Ajanı)
Yapay zeka ajanı, belirli bir hedefe ulaşmak amacıyla çevresiyle etkileşime giren, araçlar kullanan ve otonom kararlar alabilen yapay zeka sistemidir. Geleneksel sohbet modellerinin tek tur istem-yanıt yapısının ötesine geçerek web araması, kod çalıştırma, dosya okuma ve API çağrısı gibi harici eylemler gerçekleştirebilir; bu sayede karmaşık, çok adımlı görevleri tamamlayabilir. Yapay zeka ajanlarının çalışma döngüsü şöyledir: Gözlemle (algı), düşün (akıl yürütme ve planlama), harekete geç (araç kullanımı veya çıktı üretimi) ve tekrarla. Bu ReAct (Reasoning + Acting) döngüsü, modern ajan çerçevelerinin temelini oluşturur. LangGraph, CrewAI, AutoGen ve OpenAI Agents SDK bu döngüyü uygulayan popüler çerçevelerdir. AI arama motorlarında (Perplexity AI, ChatGPT Search, Google AI Overviews) yapay zeka ajanı yapısı kritik bir role sahiptir. Bu sistemler, kullanıcı sorgusuna yanıt vermeden önce web'de arama yapar, birden fazla kaynaktan bilgi toplar, çelişkileri değerlendirir ve sentezlenmiş bir yanıt üretir — tüm bunlar tek bir soru-yanıt oturumunda gerçekleşir. Çok ajanlı sistemlerde araştırma ajanı, analiz ajanı ve raporlama ajanı gibi uzmanlaşmış ajanlar iş birliği yaparak karmaşık görevleri paralel olarak tamamlar. Bu mimariler özellikle kurumsal otomasyon, yazılım geliştirme pipeline'ları ve bilgi yönetimi alanlarında giderek yaygınlaşmaktadır. Yapay zeka ajanları büyük dil modelleri (LLM) üzerine inşa edilmektedir. Ajan; kısa ve uzun vadeli hafıza, araç erişimi, planlama yeteneği ve ortamla etkileşim gibi temel bileşenlere sahiptir. Model Context Protocol (MCP), ajanların harici sistemlere standart bir arayüzle bağlanmasını sağlar ve araç entegrasyonunu büyük ölçüde kolaylaştırır. Güvenlik açısından değerlendirildiğinde, otonom ajanların prompt injection saldırılarına karşı savunmasız olma, hatalı kararlar alma ve kontrolden çıkma gibi riskleri bulunmaktadır. Bu nedenle çoğu kurumsal dağıtımda insan denetimi (human-in-the-loop) mekanizmaları korunmaktadır.
Anthropic (Anthropic)
Anthropic, 2021 yılında Dario Amodei ve Daniela Amodei önderliğinde, büyük dil modellerinin güvenliğini ve yorumlanabilirliğini ön plana alan bir yapay zeka güvenlik şirketi olarak kurulmuş Amerikalı bir yapay zeka araştırma kuruluşudur. Şirket, OpenAI'dan ayrılan araştırmacılar tarafından San Francisco'da kurulmuş; temel felsefesi "güvenli, yararlı ve dürüst" yapay zeka sistemleri geliştirmektir. Anthropic'in amiral gemisi ürünü Claude dil modelidir. Claude, Anayasal YZ (Constitutional AI — CAI) adı verilen özgün bir eğitim yöntemiyle geliştirilmiştir; bu yöntem, modelin yardımcı, zararsız ve dürüst olmasını sağlayan ilkelere dayalı bir öz-denetim mekanizması içerir. 2023-2026 yılları arasında piyasaya sürülen Claude 3 (Haiku, Sonnet, Opus), Claude 3.5 Sonnet, Claude 3.7 Sonnet ve Claude Opus 4 serileri; karmaşık akıl yürütme, genişletilmiş düşünme (extended thinking), kod yazma ve çok adımlı görev çözme yetenekleriyle öne çıkan modellerdir. Constitutional AI yöntemi, modelin önce potansiyel olarak zararlı bir yanıt üretmesini, ardından kendi çıktısını önceden belirlenmiş anayasal ilkelere göre değerlendirip revize etmesini içerir. Bu yaklaşım, insan denetimini azaltarak daha ölçeklenebilir bir güvenlik çerçevesi oluşturur ve RLHF ile birleştirilerek RLAIF (Reinforcement Learning from AI Feedback) biçiminde uygulanabilir. Anthropic ayrıca Model Context Protocol (MCP) standartını açık kaynak olarak yayınlamıştır; bu protokol yapay zeka modellerini harici araçlara ve veri kaynaklarına standart bir arayüzle bağlar. Şirket, mekanik yorumlanabilirlik (mechanistic interpretability) araştırmalarıyla da öne çıkmakta; dikkat kafaları analizi, özellik süperpozisyon çalışmaları ve devre düzeyi yorumlama yayınlarıyla alandaki akademik tartışmayı yönlendirmektedir. Yatırım cephesinde Amazon 2023-2024 yılları arasında toplamda 4 milyar dolar, Google ise 500 milyon dolar üzerinde yatırım yapmıştır. 2025 itibarıyla şirketin değerlemesi yaklaşık 61,5 milyar dolara ulaşmıştır. Anthropic, "sorumlu ölçeklendirme politikası" (Responsible Scaling Policy — RSP) çerçevesinde her yeni model nesli için kapsamlı güvenlik değerlendirmeleri yürütmektedir.
Artificial Narrow Intelligence (ANI) (Dar (Zayıf) Yapay Zeka)
Yapay Genel Zeka (AGI — Artificial General Intelligence), insan benzeri bilişsel esnekliğe sahip, herhangi bir entelektüel görevi öğrenip uygulayabilen teorik bir yapay zeka sistemidir. Günümüzde mevcut olan dar yapay zeka sistemlerinin aksine AGI, bağlamdan bağımsız olarak yeni alanlara uyum sağlayabilir, soyut akıl yürütme yapabilir ve deneyimden öğrenme kapasitesini farklı disiplinlere aktarabilir. Mevcut yapay zeka sistemleri belirli görevlerde olağanüstü başarı gösterse de bu başarı dar bir alan içinde kalmaktadır. Satranç oynamak için tasarlanmış bir sistem tıbbi teşhis yapamaz; görüntü tanıyan bir model doğal dil anlayamaz. AGI ise bu sınırlılığı aşarak insanın bilişsel esnekliğini taklit etmeyi hedefler. AGI araştırmasında öne çıkan yaklaşımlar arasında sembolik yapay zeka, bağlantıcı modeller, hibrit sistemler ve beyin simülasyonu yer almaktadır. DeepMind'ın AlphaZero'su gibi sistemler belirli alanlarda genelleme kapasitesi gösterse de gerçek AGI tanımını karşılamamaktadır. OpenAI, Anthropic, Google DeepMind gibi önde gelen araştırma kurumları AGI'yi uzun vadeli hedef olarak benimsemiştir. AGI'nin zaman çizelgesi tartışmalı olmaya devam etmektedir. Bazı araştırmacılar 2030'ların ortasında mümkün olabileceğini öne sürerken bir kısım akademisyen bunun yüzyıllar öteye uzadığını savunmaktadır. Nick Bostrom gibi düşünürler AGI'nin kontrolsüz gelişiminin varoluşsal riskler doğurabileceğini vurgularken diğerleri bu risklerin abartıldığını düşünmektedir. AGI tartışmasının felsefi boyutu da derindir. Turing Testi, Çin Odası argümanı ve bilinç sorusu, bir makinenin gerçekten genel zekaya sahip olup olmayacağını ya da yalnızca taklit edip etmeyeceğini sorgular. Güvenli ve hizalanmış bir AGI geliştirmek, teknik ilerlemenin yanı sıra etik çerçevelerin de olgunlaşmasını gerektirmektedir.
Artificial Superintelligence (ASI) (Süper Yapay Zeka)
Yapay Ustu Zeka (ASI — Artificial Superintelligence), her alanda insanın bilissel yeteneklerini onemli olcude asan hipotik bir yapay zeka sistemidir. Yalnizca spesifik gorevlerde (dar yapay zeka) veya genel insan duzeqinde (AGI) degil; bilim, sanat, sosyal bec ve strateji gibi her alanda insandan cok daha ust yeteneklere sahip bir sistemdir. Nick Bostrom, 'Superintelligence: Paths, Dangers, Strategies' (2014) kitabında ASI kavramını akademik gundemin odagina tasimistir. Bostrom'a gore bir kez AGI elde edildikten sonra sistem kendi kendini geli stirebilir ve bu geri besleme dongusu ussel hizda bir zeka patlamasine (intelligence explosion) yol acabilir. Bu noktaya 'teknolojik tekillik' (technological singularity) denir. ASI'nin guvenligi, yapay zeka hizalama araştirmasinin en buyuk motivasyonudur. Bir ASI sistemi insan degerlerini yanlis yorumlarsa veya amaclarindan saparsaa sonuclarin geri dondurulemez olabilecegi arguemani 'kontrol problemi' olarak adlandirilir. Anthropic, OpenAI, DeepMind ve MIRI gibi kuruluslar bu sorunu oncelikli araştirma alani olarak benimsemistir. ASI'nin ne zaman gerceklesebilecegi veya gerceklesip gerceklesmeyecegi derin bi belirsizliktedir. Bazı arastirmacilar 21. yuzyil icerisinde mumkun gorurken bircok akademisyen mevcut derin ogrenme paradigmasinin ASI'ye ulasmak icin yeterli olmadigini savunmaktadir. Turing Odulu sahibi Yann LeCun gibi uzmanlar, mevcut LLM'lerin mantik ve dunyayi anlama boyutlarinda temel sinirlamalara sahip oldugunu belirtmektedir.
Benchmark (AI Değerlendirme)
Yapay zeka (YZ) dünyasında benchmark, bir modelin belirli görevlerdeki yeteneklerini standart ve yeniden üretilebilir biçimde ölçen değerlendirme çerçevesidir. Benchmark'lar; araştırmacıların, şirketlerin ve kullanıcıların farklı modelleri nesnel olarak karşılaştırmasına olanak tanır ve alan genelinde ilerlemenin izlenebilmesini sağlar. En etkili YZ benchmark'larından biri MMLU (Massive Multitask Language Understanding), 57 farklı konu alanını (matematik, hukuk, tıp, tarih) kapsayan 14.000'den fazla çoktan seçmeli soruyla oluşturulmuş kapsamlı bir dil anlama testidir. GPT-4, 2023'te bu testte insan uzman ortalamasını (86,4%) aşan ilk model oldu. Kod yazma yeteneğini ölçen HumanEval ise OpenAI tarafından geliştirilen 164 Python fonksiyon görevinden oluşur; model, testleri geçen işlevsel kod yazmak zorundadır. Daha da zorlu SWE-Bench, GitHub'dan derlenen 2.294 gerçek yazılım hatasını içerir ve modelin anlamlı bir patch üretip CI pipeline'ını geçmesini bekler. Günümüzde kullanılan diğer önemli benchmark'lar arasında mantıksal akıl yürütmeyi ölçen MATH, çoklu adım muhakemesini test eden BIG-Bench Hard ve doktora düzeyi STEM sorularını kapsayan GPQA Diamond sayılabilir. ARC-AGI ise makine öğrenimi modellerinin insan benzeri soyutlama yapıp yapamadığını test etmek için Francois Chollet tarafından tasarlanmıştır. İnsan tercihi esasına dayalı değerlendirme platformu Chatbot Arena ise 1 milyondan fazla kör karşılaştırma oyu üzerinden ELO puanı hesaplar; çoktan seçmeli testlerin yetersiz kaldığı yaratıcılık ve faydalılık gibi boyutları kapsar. Benchmark değerlendirmesinde önemli bir risk "contamination" (veri kirliliği) sorunudur: eğitim kümesine test sorularının karışması, model puanını yapay olarak şişirir ve gerçek yeteneği gizler. Bunun yanı sıra Goodhart Yasası gereği benchmark optimize eden modeller gerçek dünya performansında zayıf kalabilir. Bu nedenle tek bir benchmark sonucuna değil, farklı yetenekleri ölçen geniş bir test portföyüne bakmak; sürüm dönemlerini not etmek ve mümkün olduğunda özel (heldout) veri setleri üzerinde doğrulama yapmak araştırma standartlarına uygun bir yaklaşımdır.
Brain-Computer Interface (BCI) (Beyin-Bilgisayar Arayüzü)
Beyin-Bilgisayar Arayuzu (BCI — Brain-Computer Interface), beyindeki elektriksel sinyalleri dogan olarak okuyarak bilgisayar, protez veya diger cihazlara komut gondermek icin kullanılan bir teknoloji. Geleneksel insan-bilgisayar etkilesimi (klavye, fare, dokunmatik ekran) gibi sinir sisteminin kaslar uzerindeki kontrolune degil, dogrudan sinir sinyallerine dayanir. BCI sistemleri iki ana kategoride incelenir: invaziv (invasive) ve non-invaziv. Invaziv BCI'larda elektrotlar beynin korteks katmanina cerrahi olarak implante edilir; cok daha yuksek sinyal kalitesi saglar. Neuralink'in N1 cipinin 2024'te deneysel insan denemelerinde kullanilmaya baslanmasi bu kategorinin cok bilinen ornegi. Non-invaziv BCI'larda EEG (elektroensefalografi) en yaygin yontemdir: saç derisi uzerindeki elektrotlar dalgali elektriksel sinyalleri kaydeder; kolay kullanim saglarken sinyal kalitesi dusuk kalir. BCI arastirmasiın onculerinden BrainGate projesi, felcli hastalarin yalnizca dusunceleriyle bilgisayar imlecini hareket ettirebildigini gosterdi. Cochlear implantlar (kulak implantlari) ise isitmesi olmayan bireylere duyma hissi saglayan bir tur BCI olarak kabul edilir. Derin beyin stimulasyonu ise Parkinson hastalarına yardimci olmak icin kullanilmaktadir. Yapay zeka ve BCI'nin birlesimi, sinyal islemede onemli ilerlemeler saglamistir. EEG sinyallerinin derin ogrenmeyle siniflandirilmasi, mavi is komutu ve niyet cikarsama dogruluğunu belirgin bicimde artirmaktadir. Motorlu ekzoskelet kontrolu, iletisim cihazlari ve sanal gerceklik deneyimi gibi uygulamalar bu entegrasyondan en cok yararlanan alanlardır.
Claude Code (Claude Code)
Claude Code, Anthropic tarafından geliştirilen ve yazılım geliştirme süreçlerini uçtan uca otomatikleştirmeye yönelik ajansal yapay zeka kodlama asistanıdır. Terminal tabanlı bir arayüz aracılığıyla çalışan Claude Code, yalnızca tek satır kod önerisinden ibaret değildir; dosyaları okur, düzenler, komut çalıştırır, hata ayıklar ve git işlemlerini gerçekleştirir. Claude Code'un temel farkı, proje bağlamını bütüncül biçimde kavramasında yatar. Bir geliştirici bir özellik talep ettiğinde araç ilgili dosyaları tarar, mevcut mimariyi anlar, gereken değişiklikleri belirler ve bunları uygular. Bu süreçte testleri çalıştırır, başarısızlık olursa hatayı analiz ederek kodu düzeltir ve sonunda yapılan değişikliği commit eder. Claude Code, Model Context Protocol (MCP) desteği aracılığıyla Supabase, GitHub, Linear ve Slack gibi harici araçlarla entegre olabilir. Bu entegrasyon, kodun ötesinde proje yönetimi ve veri tabanı işlemleri gibi görevleri de kapsayan bir iş akışı otomasyonunu mümkün kılar. Araç, yüksek bağlam penceresi kapasitesi ve uzun vadeli hafıza özellikleriyle büyük kod tabanlarında çalışmaya elverişlidir. CLAUDE.md dosyasına yazılan proje düzeyindeki talimatlar, her oturumda modelin proje kurallarını, kod stilini ve kısıtlamaları hatırlamasını sağlar. Claude Code, Anthropic'in anayasal yapay zeka ve güvenlik öncelikli tasarım felsefesini kodlama asistan bağlamına taşır. Geri dönüşü olmayan veya potansiyel riskli işlemler öncesinde kullanıcıdan onay ister ve şeffaflığı ön planda tutar. Yazılım geliştirme döngüsünün planlama aşamasından deploy adımına kadar her bölümünde yer alabilmesi onu bireysel geliştiricilerden kurumsal ekiplere kadar geniş bir kitleye hitap eden kapsamlı bir araç haline getirir.
Claude Opus 4 (Claude Opus 4)
Claude Opus 4, Anthropic'in 2025 yılında piyasaya sürdüğü Claude 4 model ailesinin en gelişmiş üyesidir. Uzun bağlam işleme, karmaşık muhakeme görevleri ve ileri düzey kod üretimi için optimize edilen Opus 4; hem genişletilmiş bellek hem de paralel araç çağrısı yetenekleri barındırır. Anthropic'in Anayasal Yapay Zeka (CAI) ilkeleriyle eğitilmiş model, güvenlik ve yardımcı olma arasındaki dengeyi önceki versiyonlara göre daha iyi kurmaktadır. Claude Opus 4, özellikle ajanlık görevlerde güçlüdür: Claude Code, Cursor IDE ve diğer geliştirici araçlarına entegre şekilde otonom yazılım geliştirme görevlerini yürütebilir; uzun oturumlar boyunca bağlamı korur. 200K tokenlik bağlam penceresi ve genişletilmiş düşünme modu (extended thinking) ile karmaşık mühendislik ve araştırma görevlerinde rakiplerine kıyasla güçlü sonuçlar üretmektedir. Extended thinking özelliği, modelin yanıt vermeden önce görünmez düşünce zincirleri oluşturmasına olanak tanır; bu da matematik, kod hata ayıklama ve çok adımlı mantık problemlerinde doğruluğu ciddi ölçüde artırır. Fiyatlandırma ve erişim açısından Claude Opus 4, Anthropic API aracılığıyla kullanılabilir; prompt caching ile tekrarlayan bağlamlardaki maliyet önemli ölçüde düşürülebilir. Model, SWE-bench gibi yazılım mühendisliği değerlendirmelerinde ve çok adımlı ajan görev setlerinde önde gelen sonuçlar elde etmiştir. Anthropic, Opus 4 ile birlikte daha hızlı ve daha ucuz modeller olan Sonnet 4.6 ve Haiku 4.5'i de sunarak geniş bir kullanım senaryosu yelpazesini karşılamaktadır. Türkiye'de ve küresel ölçekte büyük yazılım şirketleri, hukuk firmaları ve araştırma kurumları Opus 4'ü; karmaşık doküman analizi, otomatik kod üretimi ve çok aşamalı iş akışlarını otomatikleştirmek için tercih etmektedir. Modelin çıktı kalitesi ve güvenilirliği, kritik üretim ortamları için gereken güven düzeyini sağlamaktadır. Açık kaynak alternatifleriyle karşılaştırıldığında Opus 4, kapalı kaynaklı yapısına karşın API maliyeti ve kalite dengesiyle kurumsal senaryolarda ön plana çıkmaktadır.
Claude Skills (Claude Becerileri)
Claude Skills, Anthropic'in Claude Code ajan çerçevesine özel, çalışma zamanında devreye giren modüler davranış direktifleridir. Her bir skill, Claude'un belirli bir görevi nasıl yürüteceğini, hangi araçlara başvuracağını ve hangi iş akışı kurallarını izleyeceğini tanımlayan yapılandırılmış bir talimat setidir; geleneksel monolitik sistem promptlarına kıyasla çok daha esnek ve bakımı kolay bir ajan mimarisi sunar. Skill dosyaları, projenin `.claude/skills/` dizininde Markdown formatında saklanır. Her dosya; tetikleyici koşullar (TRIGGER WHEN), kullanılacak araç listesi, adım adım iş akışı ve başarı ölçütlerini içerir. Skill'ler `/skill-adı` slash komutuyla çağrılabilir ya da sistem tarafından bağlam koşulları karşılandığında otomatik olarak tetiklenir. Paperclip platformuyla derin entegrasyon, Claude Skills'in öne çıkan kullanım senaryolarından birini oluşturur. Paperclip skill'i ajan heartbeat döngüsünü, görev checkout mekanizmasını, statü güncellemelerini ve çok ajanlı koordinasyonu kapsayan kapsamlı bir iş akışı tanımı sunar; Claude bu skill etkinleştirildiğinde her yeni konuşmada protokolü sıfırdan öğrenmek zorunda kalmadan kurumsal standartlara uygun davranır. Skills mimarisinin temel avantajı yeniden kullanılabilirliktir: bir kez tanımlanan skill, aynı şirketteki farklı ajan profilleri arasında paylaşılabilir ve Paperclip yönetim arayüzü üzerinden ajanlara atanabilir. Teknik açıdan skill zincirleme de desteklenir; karmaşık çok adımlı görevler, her biri kendi sorumluluğuna odaklanan daha küçük skill'lere ayrıştırılarak yönetilebilir hale gelir. MCP (Model Context Protocol) ile ilişkisi tamamlayıcı niteliktedir: MCP dış araç ve kaynaklara erişimi standartlaştırırken, Skills bu araçların nasıl ve hangi koşullarda kullanılacağını tanımlar. Bu iki katmanın birlikte çalışması Claude'un hem teknik yeteneklerini genişletir hem de kurumsal düzeyde tutarlı davranış sergilemesini güvence altına alır. Özel skill geliştirme, `paperclipai plugin init` komutuyla iskelet oluşturularak başlar; ardından `paperclipai plugin install <yol>` ile yerel Paperclip instansına yüklenerek test edilir. Skill başarıyla doğrulandıktan sonra şirket yöneticisi arayüzünden ilgili ajan profillerine atanır.
Context Window (Bağlam Penceresi)
Context (bağlam), bir yapay zeka dil modelinin yanıt üretirken dikkate aldığı tüm bilgi kümesidir: sistem talimatları, konuşma geçmişi, yüklenen belgeler ve o anki soru bu kümenin içinde yer alır. Bağlam penceresi (context window) ise bu bilginin tek seferde ne kadarının modele sığabileceğini belirleyen üst sınırdır ve token cinsinden ölçülür. Bir token kabaca bir kelimenin dörtte üçüne, yani 3-4 İngilizce karaktere denk gelir. Model, pencerenin dışında kalan hiçbir bilgiye erişemez; uzun bir sohbette limit aşıldığında en eski mesajlar devre dışı kalır ve model bunları unutmuş gibi davranır. Bu yüzden bağlam penceresi, bir modelin pratikte neler yapabileceğini belirleyen en kritik özelliklerden biridir: tam bir kod tabanını analiz etmek, yüzlerce sayfalık sözleşmeyi tek seferde okumak veya saatlerce süren toplantı kaydını özetlemek doğrudan pencere boyutuna bağlıdır. GPT-3.5 döneminde 4 bin token olan sınır, Claude 3 ile 200 bin tokena çıktı; Gemini 1.5 Pro gibi modeller 1 milyon token seviyesine ulaştı. Öte yandan büyük pencere bedava değildir: işlem maliyeti ve yanıt gecikmesi artar, modelin uzun bağlamın ortasındaki bilgiyi gözden kaçırdığı "lost in the middle" sorunu ortaya çıkabilir. Günlük kullanımda doğru yaklaşım, görevin gerektirdiği kadar bağlam vermek; belge tamamen gerekliyse uzun pencereyi kullanmak, yalnızca belirli bilgi parçaları yeterliyse özetleme veya RAG gibi yöntemlerle pencereyi verimli işletmektir.
Cosine Similarity (Kosinüs Benzerliği)
Kosinüs benzerliği (Cosine Similarity), iki vektör arasındaki açının kosinüsünü ölçen ve vektörlerin yönleri arasındaki benzerliği sayısal olarak ifade eden matematiksel bir metriktir. Değeri [-1, 1] aralığında değişir: 1 tam benzer (aynı yön), 0 ortogonal (ilgisiz) ve -1 zıt anlamlıdır. Formülü: cos(θ) = (A·B)/(‖A‖×‖B‖), yani iki vektörün iç çarpımını her birinin uzunluklarının çarpımına böler. Yapay zeka ve doğal dil işleme alanlarında kosinüs benzerliği, çok boyutlu embedding vektörleri arasındaki anlamsal yakınlığı ölçmek için tercih edilir. Vektörlerin büyüklüğünden bağımsız olarak yalnızca yönü dikkate alması, belge uzunluğuna duyarsız bir ölçüm sağlar; bu nedenle tf-idf ve embedding vektörlerinde öklid mesafesine kıyasla daha güvenilir sonuçlar verir. Örneğin kısa bir tweet ile uzun bir makale, aynı konuyu ele alıyorsa benzer kosinüs skoru alırken öklid mesafesi büyük fark gösterir. Vektör veritabanlarında (Pinecone, Weaviate, Qdrant, ChromaDB, pgvector) ve semantik arama motorlarında sorgular önce bir embedding modeline gönderilir; elde edilen vektörle veritabanındaki tüm vektörler arasındaki kosinüs benzerliği hesaplanır ve en yakın k komşu (k-NN) döndürülür. Modern vektör veritabanları HNSW (Hierarchical Navigable Small World) veya IVF (Inverted File Index) gibi yaklaşık en yakın komşu (ANN) algoritmaları sayesinde milyonlarca vektörde bu aramaları milisaniyeler içinde tamamlar. RAG (Retrieval-Augmented Generation) sistemlerinde kosinüs benzerliği kritik bir role sahiptir: kullanıcı sorgusu embedding vektörüne dönüştürülür; bu vektörle belge parçaları (chunk) arasındaki kosinüs benzerliği hesaplanır; en yüksek skoru alan parçalar bağlam olarak LLM'e iletilir. Yaygın kullanılan pratik eşik değeri 0.70–0.85 arasında seçilir. L2-normalize vektörlerde kosinüs benzerliği, nokta çarpımına (dot product) eşdeğer olduğundan GPU matris çarpım işlemleri önemli ölçüde hızlanır. Python'da sklearn.metrics.pairwise.cosine_similarity, torch.nn.functional.cosine_similarity veya NumPy ile np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)) şeklinde hesaplanabilir. Öneri sistemlerinde kullanıcı profilleri ve içerik özellikleri vektör uzayına yansıtılarak kosinüs benzerliğiyle eşleştirme yapılır. Kümeleme ve sınıflandırma görevlerinde de benzerlik matrisi olarak yaygın biçimde kullanılmaktadır. Sıfır vektörlerle tanımsız olduğu ve izotropik olmayan dağılım üreten modellerde MIPS (Maximum Inner Product Search) daha uygun olabilir.
Cursor IDE (Cursor IDE)
Cursor, VS Code mimarisi uzerine insaa edilmis ve buyuk dil modellerini dogrudan kod yazma deneyimine entegre eden AI-first bir kod editorudur. Anysphere tarafindan gelistirilmis olan Cursor, 2023-2024 doneminde yapay zeka destekli gelistirici arac pazarinin en dikkat cekici oyuncularindan biri haline gelmistir. Cursor'un VS Code kodunu catal yapmasinin pratik anlami, mevcut VS Code eklentilerinin ve keyboard shortcut'larinin calismasini surdurmesidir; bu gecis maliyetini dusurur. Uzerine eklenen AI katmani uc ana ozellikten olusur. Tab tamamlama, GitHub Copilot'a benzer sekilde satir icinde veya cok satirli tamamlamalar onerir; ancak Cursor'un bu ozelligi kod tabaninin daha genis baglamindan yararlandigi iddia edilmektedir. Chat paneli, kullanicinin kod tabanindaki herhangi bir dosya, fonksiyon veya hata hakkinda soru sormasini saglar; @dosyaadi veya @sembol soz dizimi ile baglam dogrudan belirtilir. Composer ozelligi en guclu farklilastiricidir: kullanici tek bir dogal dil istegi ile birden fazla dosyada degisiklik yapilmasini emredebilir, Cursor ise ilgili dosyalari okuysup gunceller ve dif onerisi sunar. Model esnekligi Cursor'un tercih edilme nedenlerinden biridir: kullanici GPT-4o, Claude Sonnet, Claude Opus veya Cursor'un kendi optimize ettigi cursor-small modeli arasinda gecis yapabilir. Bu durum hem maliyet hem de belirli gorevler icin model optimize etmeyi mumkun kilar. Cursor ayrıca .cursorrules dosyasi araciligiyla proje ozelinde talimatlar tanimlamaya izin verir; bu sayede linting, stil ve alan bilgisi hakkinda baglamsal yonergeler her yeni sohbete otomatik olarak dahil edilir. **Sik Sorulan Sorular** **Cursor ile GitHub Copilot arasindaki temel fark nedir?** GitHub Copilot VS Code eklentisi olarak calisirken Cursor bagimsiz bir editor olup daha derin kod tabanı entegrasyonu, chat paneli ve Composer ozelligi sunar. Copilot Workspace ile yeni ozellikler eklense de Cursor's Composer hali hazirda cok dosyali duzenlemede daha olgun bir deneyim sunmaktadir. **Cursor ucretsiz mi?** Sinirli kullanim icin ucretsiz bir katman mevcuttur. Pro katmani aylik ucret karsiliginda GPT-4o ve Claude Opus'a sinırsiz erisim saglar. **Cursor hangi programlama dillerini destekler?** VS Code eklentisi ekosistemini destekledigi icin Python, JavaScript/TypeScript, Rust, Go, Java ve daha pek cok dil desteklenir. Dil sunucusu (LSP) entegrasyonu eklentiler araciligiyla saglanir. **Cursor kod tabanimi nasil anlıyor?** Codebase indexing ozelligi proje dosyalarini bir vektor veritabanina yukler; sorgu geldiginde ilgili dosyalar ve semboller anlam benzerligiyle cekilerek LLM'e baglam olarak sunulur.
DeepSeek-R1 (DeepSeek-R1)
DeepSeek-R1, Çin merkezli DeepSeek şirketi tarafından Ocak 2025'te yayımlanan ve zincirleme düşünme (chain-of-thought reasoning) konusunda OpenAI o1 ile rekabet eden açık ağırlıklı (open-weight) büyük dil modelidir. 671 milyar parametreli Mixture-of-Experts (MoE) mimarisi üzerine kuruludur; her çıkarımda toplam parametrelerin yalnızca küçük bir kısmı aktive edilir, bu da hesaplama verimliliğini artırır. Modelin eğitim yaklaşımı sektörde yankı uyandırdı. Geleneksel ince ayar yerine neredeyse tamamen pekiştirmeli öğrenme (RL) ile geliştirilmiş olan DeepSeek-R1, GRPO (Group Relative Policy Optimization) adlı yeni bir optimizasyon algoritması kullanır. Bu yaklaşım, modelin yanıt üretmeden önce uzun iç monologlar (düşünme zincirleri) oluşturmasını teşvik eder; matematiksel ispat, kod yazma ve mantık problemlerinde belirgin iyileşme sağlar. Maliyet boyutu yapay zeka gündemini değiştirdi. DeepSeek, OpenAI'ın GPT-4 düzeyindeki modellere ayrılan milyarlarca dolarlık bütçenin çok küçük bir kesimiyle benzer kıyaslama puanlarına ulaştığını açıkladı. Bu iddia, büyük ölçek ve yüksek maliyet olmadan da sınır zorlayan model geliştirmenin mümkün olabileceğini gösterdi. Erişim açısından model MIT lisansıyla yayımlanmıştır; tüm ağırlıklar Hugging Face üzerinden indirilebilir. 1.5B, 7B, 8B, 14B, 32B ve 70B parametre ölçeğinde bilgi damıtma (distillation) versiyonları da mevcuttur. Bu damıtılmış modeller Llama ve Qwen temel modellerine uygulanan ince ayarla elde edilmiş olup küçük donanımda bile güçlü akıl yürütme kapasitesi sunar. Yerel çalıştırma için Ollama veya llama.cpp ile 7B/8B versiyonları tüketici GPU'larında (16 GB VRAM) sorunsuz çalışır; 70B versiyonu için en az iki yüksek bellekli GPU gereklidir. DeepSeek API üzerinden bulut erişimi de ücretli olarak sunulmaktadır. Platform, akıl yürütme odaklı görevlerde GPT-4o ve Claude Sonnet ile rekabetçi konumdadır. Model, yanıt vermeden önce <think>...</think> blokları içinde adım adım iç muhakeme üretir; bu şeffaf düşünme süreci kullanıcıların modelin çıkarım mantığını doğrudan izlemesine olanak tanır ve hata ayıklama süreçlerinde ciddi avantaj sunar.
Edge AI (Uç Yapay Zeka)
Edge AI (Uç Yapay Zeka), makine öğrenimi modellerinin bulut sunucuları yerine veriyi üreten cihazın kendisinde — akıllı telefonlar, endüstriyel sensörler, güvenlik kameraları, araç içi sistemler — çalıştırıldığı dağıtık çıkarım (inference) paradigmasıdır. Bu yaklaşım ağ gecikmesini ortadan kaldırır, bant genişliği tüketimini azaltır ve hassas verinin cihazdan ayrılmamasını mümkün kılar. Geleneksel bulut AI mimarisinde ham veri ağ üzerinden merkezi bir veri merkezine gönderilir, model orada çalıştırılır ve sonuç geri iletilir. Bu döngü 50-300 ms gecikme yaratabilirken edge AI'da aynı işlem çip üzerinde 5-20 ms içinde tamamlanabilir. Özerk araçlarda nesne tanıma veya cerrahi robotlarda hassas kontrol gibi milisaniye düzeyinde karar gerektiren uygulamalarda bu fark hayat kurtarıcıdır. Donanım tarafında NVIDIA Jetson, Qualcomm AI Engine ve Google Coral gibi NPU (Nöral İşleme Birimi) içeren SoC'lar yaygınlaşmaktadır. Yazılım tarafında ise model sıkıştırma teknikleri öne çıkar: budama (pruning) gereksiz parametreleri kaldırır, niceleme (quantization) ağırlıkları FP32'den INT8'e indirerek bellek ve enerji tasarrufu sağlar, bilgi damıtma (knowledge distillation) ise büyük modelin davranışını küçük bir öğrenci modele aktarır. TinyML hareketi, yalnızca birkaç kilobayt RAM'e sahip mikrodenetleyiciler üzerinde çalışabilen modeller geliştirmeyi amaçlamaktadır. Arduino veya STM32 gibi gömülü platformlarda TensorFlow Lite ve ONNX Runtime çerçeveleriyle akustik anomali tespiti veya uyku kalitesi analizi gibi görevler uygulanan çalışmalar mevcuttur. Türkiye'de Edge AI; akıllı tarım sensörleri, sanayi 4.0 kalite kontrol sistemleri ve şehir güvenlik altyapılarında giderek yaygınlaşmaktadır. Gömülü sistemler alanında faaliyet gösteren Türk şirketleri ve üniversite araştırma grupları bu alanda prototip geliştirme çalışmalarını hızlandırmıştır. Enerji verimliliği Edge AI'nın en kritik tasarım kısıtlarından biridir. Pil ile çalışan IoT cihazlarında bir çıkarım işleminin yalnızca birkaç millijoul tüketmesi gerekebilir. Bu nedenle model mimarisi seçimi, donanım seçimi ve sıkıştırma stratejisi uygulama gereksinimlerine göre birlikte optimize edilmektedir.
Foundation Model (Temel Model)
Foundation model (temel model), trilyonlarca token metin, görüntü, ses ve kod verisi üzerinde öz denetimli öğrenme (self-supervised learning) ile önceden eğitilen ve prompt mühendisliği, ince ayar (fine-tuning) veya RAG ile çok sayıda farklı göreve uyarlanabilen büyük ölçekli yapay zeka modelidir. Terimi 2021'de Stanford HAI (Institute for Human-Centered AI) ortaya attı; bugün GPT-5, Claude Opus 4.5, Gemini 3, Llama 4 ve DeepSeek-R1 gibi modeller bu kategorinin güncel örnekleridir. Foundation model yaklaşımından önce her görev için ayrı model eğitilirdi: çeviri için ayrı, duygu analizi için ayrı, görüntü sınıflandırma için ayrı. Temel model bu parçalı yapıyı tersine çevirdi. Tek bir model, devasa ve çeşitli veriyle bir kez eğitilir; ardından tıp, hukuk, yazılım geliştirme veya müşteri hizmetleri gibi alanlara birkaç örnekle (few-shot) ya da küçük bir ek eğitimle uyarlanır. "Bir kez eğit, binlerce göreve uyarla" ilkesi, modern üretken yapay zekanın ekonomik temelini oluşturur. Ölçek bu tanımın merkezindedir. Güncel sınır modelleri yüz milyarlarca ile trilyonlarca parametre taşır; eğitim maliyeti tek model için 100 milyon doları aşabilir (Epoch AI, Gemini Ultra eğitimini ~190M USD hesaplama maliyetiyle tahmin eder). Ölçek büyüdükçe çok adımlı akıl yürütme, kod üretimi ve az örnekle öğrenme gibi "emergent" yetenekler gözlenir — kimi araştırmacılar bunun ölçüm metriğine bağlı bir görünüm olduğunu savunsa da pratik etkisi tartışmasızdır. Kavram LLM ile eş anlamlı değildir: her büyük dil modeli bir foundation model'dir, ancak CLIP (görüntü-metin), Whisper (ses), AlphaFold 3 (protein yapısı) ve SAM 2 (görüntü segmentasyonu) gibi dil dışı temel modeller de vardır. 2026 itibarıyla sınır, metin-görüntü-ses-videoyu tek modelde işleyen natively multimodal mimarilere kaydı; Gemini 3 ve GPT-5 bu sınıfın örnekleridir. Düzenleyici çerçeve de bu kavram üzerine kuruludur: AB Yapay Zeka Yasası, foundation model'leri "genel amaçlı yapay zeka modeli" (GPAI) olarak tanımlar ve Ağustos 2025'ten itibaren eğitim verisi özeti, telif uyumu ve 10^25 FLOP üzeri modeller için sistemik risk yükümlülükleri getirir. Kurumsal tarafta seçim genellikle kapalı API (GPT-5, Claude, Gemini) ile kendi sunucunda çalıştırılabilen açık ağırlıklı model (Llama 4, Qwen3, Mistral, DeepSeek) arasında maliyet, gizlilik ve KVKK/GDPR uyumu ekseninde yapılır.
Function Calling (Fonksiyon Çağırma)
Fonksiyon cagirma (function calling), buyuk dil modellerinin (LLM) dogal dil yaniti uretmek yerine onceden tanimlanmis bir aracı veya API'yi cagirabilen yapilandırilmis bir cikti uretmesi ozelligi. Bu mekanizma, LLM'leri pasif metin ureticilerinden aktif ajanlara donusturmektedir. Fonksiyon cagirma tipik olarak su sekilde isler: gelistirici, modele hangi fonksiyonlarin mevcut oldugunu JSON Schema formatinda tanimlar. Kullanicinin istegi bu araclarin kullanimini gerektiriyorsa model dogal dil yanitı yerine arac adi ve parametrelerini JSON olarak doner. Uygulama bu JSON'u alir, ilgili fonksiyonu calistirir, sonucu modele gonderir ve model nihai yaniti uretir. OpenAI, bu ozelligi GPT-4'te function calling olarak tanitmistir; daha sonra tool use adiyla yeniden yapılandirilmistir. Anthropic Claude'un tool use ozelligi, AWS Lambda veya harici API'ler gibi araclarla entegrasyon icin ayni prensibi kullanir. Bu yapilandirma, paralel cagrilar (parallel tool use) ile birden fazla araci ayni anda cagirilabilmesini de olanaklı kilar. Fonksiyon cagirma; hava durumu sorgulama, veritabani okuma/yazma, takvim yonetimi, kod yurutme ve web arama gibi ajanlar icin temel bir bilesendir. ReAct (Reason + Act) cercevesi ve AutoGPT gibi ajan mimarileri bu ozelliği siklıkla kullanmaktadir. MCP (Model Context Protocol), Anthropic'in standartlastirdigi bir protokoldur; sunucular araclari MCP formatinda tanimlayarak herhangi bir MCP destekli modelin bu araclari kullanabilmesini saglar. Bu sayede uygulamalar, LLM saglayciyindan bagimsiz olarak yeniden kullanilabilir arac kutuphaneleri olusturabilir.
Gemma 3 (Gemma 3)
Gemma, Latince "değerli taş" anlamına gelen ve Google DeepMind'ın açık ağırlıklı yapay zeka modeli ailesine verdiği isimdir; Gemma 3 ise bu ailenin 2025 yılında yayımlanan, çok modlu (multimodal) üçüncü nesil sürümüdür. 1B, 4B, 12B ve 27B parametre boyutlarında sunulan Gemma 3, metin ve görüntü anlama yeteneklerini tek mimaride birleştirir. Önceki Gemma 2'ye kıyasla uzun bağlam desteği (128K token), işlev çağırma (function calling) ve çok dilli performans belirgin şekilde iyileştirilmiştir. Gemma 3, Google'ın Gemini modellerinin eğitim altyapısından ve araştırma birikiminden yararlanan ama bağımsız bir ağırlık setine sahip model ailesidir. Ticari kullanıma açık Gemma lisansı altında yayımlanan bu modeller HuggingFace Transformers, Ollama ve LM Studio gibi platformlarda kolayca çalıştırılabilir. 27B parametreli versiyon, tek tüketici GPU'suna sığabilen en güçlü açık modellerden biridir; instruction-tuned (IT) varyantları sohbet ve görev yönlendirme için optimize edilmiştir. Gemma'nın önemi, güçlü bir modelin ağırlıklarını indirip kendi donanımınızda çalıştırabilmenizde yatar: Veri gizliliği gerektiren kurumsal senaryolarda, internet bağlantısız edge cihazlarda veya API maliyetinden kaçınmak istediğiniz projelerde yerel bir alternatif sunar. Performans açısından Gemma 3 27B, birçok kıyaslamada 70B ölçekli modellere yakın sonuçlar üretir; özellikle çok dilli anlama, kod üretimi ve görüntü açıklama görevlerinde güçlüdür. Türkçe dahil 140'tan fazla dili destekler. Pratikte `ollama run gemma3:4b` komutuyla dakikalar içinde denenebilir; kurumsal tarafta ise Google AI Studio ve Vertex AI üzerinden yönetilen API erişimi de mevcuttur.
GGUF (Model Formatı)
GGUF (GPT-Generated Unified Format), büyük dil modellerini tek bir dosyada verimli biçimde depolayan ve CPU üzerinde çalıştırmaya optimize edilmiş bir model formatıdır. llama.cpp kütüphanesi tarafından 2023 yılında GGML formatının yerini almak üzere geliştirilmiştir. GGUF'un temel özelliği, model ağırlıklarını, tokenizer bilgisini, hiperparametreleri ve meta verileri tek bir dosyada birleştirmesidir. Bu tasarım, kullanıcıların ek yapılandırma dosyaları veya bağımlılıklar olmadan modeli tek adımda yüklemesine olanak tanır. Önceki GGML formatında bu bilgiler dağınık biçimde saklanıyordu ve uyumsuzluk sorunları sıkça yaşanıyordu. Kantizasyon (quantization), GGUF'un belleği küçültme ve CPU hızını artırma yöntemidir. 32-bit kayan noktalı ağırlıkları 4-bit veya 8-bit tamsayıya dönüştürerek model boyutunu üçte birine kadar küçültür. Q4_K_M, Q5_K_M ve Q8_0 gibi farklı kantizasyon seviyeleri, model kalitesi ile bellek kullanımı arasındaki dengeyi ayarlar. Llama 3, Mistral, Phi ve Qwen gibi popüler açık kaynaklı modellerin GGUF sürümleri Hugging Face üzerinde yaygın olarak paylaşılmaktadır. Ollama ve LM Studio gibi yerel çalıştırma araçları da GGUF'u birincil format olarak benimsemiştir. GGUF, GPU olmayan tüketici donanımında yerel yapay zeka kullanımını demokratize etmiş ve bulut bağımlılığını azaltma yolunda önemli bir araç haline gelmiştir. 7 milyar parametreli modeller, 8GB RAM ile sorunsuz çalışabilmekte ve giderek daha geniş bir kullanıcı kitlesine ulaşmaktadır.
Inference Scaling (Çıkarım Zamanı Ölçeklendirme)
Inference Scaling (Çıkarım Zamanı Ölçeklendirme veya Test Zamanı Hesaplama Ölçeklendirme), bir modelin eğitim sonrası çıkarım aşamasında daha fazla hesaplama harcayarak performansı artırma yaklaşımıdır. Scaling laws geleneğindeki eğitim zamanı ölçeklendirmesinin aksine bu yöntem, sabit model ağırlıklarıyla çalışır ve yanıt üretim sürecinde ek hesaplama kullanır. Inference scaling'in temel biçimleri şunlardır: Chain-of-Thought (CoT) ve uzun düşünce zincirleri, Best-of-N örnekleme (birden fazla yanıt üretip en iyisini seçme), Beam search genişletme, araç kullanımı döngüleri ve self-reflection (öz değlendirme). OpenAI'ın o1/o3 modelleri ve DeepSeek-R1, bu yaklaşımı sistematik hâle getiren örneklerdir: model yanıt vermeden önce dahili düşünme adımları oluşturmak için önemli miktarda hesaplama harcar. Kalite kontrolünde Süreç Ödül Modeli (PRM) ve Sonuç Ödül Modeli (ORM) kritik rol üstlenir. PRM her ara adımı değerlendirirken ORM yalnızca nihai cevabı derecelendirir. Araştırmalar, Best-of-N=16 yapılandırmasında matematik kıyaslamalarında tek örneklemeye kıyasla %30–50 doğruluk artışı elde edildiğini göstermektedir. Monte Carlo Ağaç Araması (MCTS) ise çözüm uzayını ağaç biçiminde keşfederek kodlama ve matematik problemlerinde üstün sonuçlar vermektedir. Google DeepMind'ın 2024'te yayımladığı araştırmalar, küçük modellerin çıkarım zamanı hesaplama artışıyla çok daha büyük modellere yakın kalite elde edebildiğini ortaya koymuştur. Bu bulgu, AI geliştirme paradigmasını "daha büyük model = daha iyi performans" anlayışından "akıllı çıkarım stratejisi = daha iyi performans" anlayışına kaydırmaktadır. Yöntemin başlıca sınırlamaları artan gecikme (latency), yüksek token maliyeti ve bazı görevlerde azalan kazanım (diminishing returns) olarak sıralanır. Görev yönlendirme (task routing) mimarileri bu tradeoff'u yönetmek için geliştirilmiştir: basit sorgular için hızlı ve ucuz model, karmaşık problemler için inference-scaled model devreye girer. OpenAI o3 "high" modu ve Anthropic Extended Thinking bu yaklaşımın ticari ürün yansımalarıdır.
Intelligent Agent (Zeki Etmen / Akıllı Ajan)
Akıllı ajan (intelligent agent), çevresini algılayarak bu algıya dayanarak karar veren ve belirlenmiş hedeflere ulaşmak için eyleme geçen özerk bir yapay zeka sistemidir. Yapay zeka araştırmalarının temel yapı taşlarından biri olan bu kavram, 1994'te Stuart Russell ve Peter Norvig'in "Artificial Intelligence: A Modern Approach" kitabında sistematik olarak tanımlanmış ve alanın standart referansı haline gelmiştir. Klasik mimaride bir akıllı ajan üç ana bileşenden oluşur: sensörler (çevreden veri alan girdi katmanı), karar mekanizması (kurala dayalı, model tabanlı ya da öğrenen bir akıl yürütme birimi) ve aktüatörler (kararı fiziksel veya dijital eyleme dönüştüren çıktı katmanı). Bu döngüsel algı–akıl yürütme–eylem mimarisi; otonom araçlardan endüstriyel robotlara, satranç motorlarından diyalog sistemlerine kadar geniş bir uygulama yelpazesini kapsar. Büyük dil modellerinin (LLM) yükselişiyle birlikte akıllı ajan kavramı köklü bir dönüşüm geçirmiştir. Artık doğal dil talimatlarla yönlendirilebilen, web araması, kod çalıştırma ve dosya yönetimi gibi araçları kullanan LLM tabanlı ajanlar, karmaşık çok adımlı görevleri otonom biçimde tamamlayabilmektedir. Bu sistemler çoğunlukla ReAct (Reason + Act) döngüsü, RAG tabanlı bellek ve araç çağrısı (tool calling) mekanizmalarını bir arada kullanır. Akıllı ajanlar yeteneklerine göre dörde ayrılır: yalnızca mevcut duruma tepki veren basit refleks ajanları; dünyanın iç modelini tutan model tabanlı ajanlar; belirli hedeflere yönelik hareket eden hedef tabanlı ajanlar ve pekiştirmeli öğrenme yoluyla davranışlarını geliştiren öğrenen ajanlar. Çoklu ajan sistemlerinde (multi-agent systems) birden fazla akıllı ajan birbirleriyle iletişim kurarak koordinasyon sağlar; bu yapı büyük ölçekli otomasyon senaryolarında giderek yaygınlaşmaktadır. Güvenilir ajan tasarımı; döngü koruması, halüsinasyon yönetimi, yüksek riskli eylemlerde insan denetimi (human-in-the-loop) ve kapsamlı gözlemlenebilirlik altyapısını zorunlu kılar. AutoGPT, LangChain ve Microsoft AutoGen gibi açık kaynak çerçeveler, LLM tabanlı akıllı ajan geliştirmenin standart araçları haline gelmiştir.
JSON (JavaScript Object Notation)
JSON (JavaScript Object Notation), insan tarafından okunabilir ve makineler arası veri değişimine uygun hafif bir metin tabanlı veri biçimidir. Douglas Crockford tarafından 2001 yılında tanımlanmış, RFC 8259 standardıyla resmileşmiş; günümüzde REST API'leri, yapılandırma dosyaları ve yapay zeka sistemleri arasında de facto veri alışveriş standardı konumundadır. JSON altı temel değer türü destekler: string (çift tırnak içinde metin), number (tam veya ondalıklı sayı), boolean (true/false), null (değersizlik) ile iki koleksiyon türü olan object (anahtar-değer çiftleri) ve array (değerler listesi). Sözdizimi minimal olduğundan tüm modern programlama dillerinde yerel destek mevcuttur. XML aksine şema gerektirmez; YAML kıyasla katı sözdizimi ayrıştırma tutarsızlıklarını önler. Yapay zeka ve LLM sistemlerinde JSON kritik öneme sahiptir. OpenAI, Anthropic ve Google gibi sağlayıcıların API'leri sohbet turlarını, araç tanımlarını (tool/function calling) ve model yanıtlarını JSON formatında iletir. Yapılandırılmış Çıktılar (Structured Outputs) özelliği, modelin JSON Schema'ya tam uyumlu yanıt üretmesini garanti ederek ayrıştırma hatalarını ortadan kaldırır. Pydantic ve Zod kütüphaneleri, JSON'ı Python ve TypeScript veri modellerine dönüştürmek için yaygın kullanılır. JSON Schema, bir JSON belgesinin yapısını, zorunlu alanlarını ve değer kısıtlamalarını tanımlayan bağımsız bir standarttır; LLM araç tanımlarının ve yapılandırılmış çıktı doğrulamasının temelini oluşturur. JSON Lines (.jsonl), her satırın bağımsız bir JSON nesnesi olduğu varyant olup LLM eğitim veri setlerinde ve büyük veri işleme boru hatlarında yaygın tercih görür. Hugging Face model hub'ında config.json ile tokenizer_config.json dosyaları model mimarisini ve tokenizer parametrelerini bu formatta tanımlar. Güvenilmez kaynaklardan gelen JSON verisi işlenirken şema doğrulaması uygulanmalıdır. LLM çıktısından JSON elde edilmesinde Markdown kod bloğu içindeki JSON'ı regex ile işlemek yerine JSON modu veya yapılandırılmış çıktı API'si tercih edilmesi çok daha güvenilir sonuç verir.
JSON Schema (JSON Şema)
JSON Schema, JSON verilerinin yapısını, turlerini ve kisitlamalarini tanimlayan bir spesifikasyon standartidir. Bir JSON belgesinin nasil goruncegini onceden tanimlamaya, veriyi dogrulamaya (validation) ve otomatik olarak belgelemeye olanak tanir. JSON Schema, JSON verisinin 'blueprint'i (sablonu) olarak dusunulebilir. Bir JSON Schema dokumani, hangi alanlarin zorunlu oldugunu, her alanin turunu (string, number, boolean, array, object) ve gecerli deger araligını tanimlar. Ornegin bir kullanici nesnesi icin 'name' alani string ve zorunlu, 'age' 0 ile 150 arasinda integer, 'email' regex ile dogrulanmis string olarak tanimlanabilir. JSON Schema, API dokumantasyonu ve dogrulamasinda kritik bir rol oynamaktadir. OpenAPI Specification (Swagger), REST API'lerini tanimlarken JSON Schema'yi temel alir. Bu sayede API tanimlamasindan otomatik olarak istemci SDK'lari, sunucu stubları ve dokumantasyon sayfaları uretilmesi mumkun olmaktadir. Yapay zeka uygulamalarinda JSON Schema, LLM'lerin yapilandirılmıs cikti uretmesi icin zorunlu hale gelmistir. OpenAI ve Anthropic'in function calling/tool use ozelliklerinde her arac, parametrelerini JSON Schema ile tanimlar. Pydantic (Python) ve Zod (TypeScript) gibi kutuphaneler, JSON Schema dogrulamasini uygulama duzeqinde kolaylastiran populer araclardir. JSON Schema'nın mevcut kararlı surumu Draft 2020-12'dir. Tekrar kullanilanilabilir alt sema tanimlari ($defs), diger sema referanslari ($ref) ve sema birlesimi (allOf, anyOf, oneOf) bu standartin ileri ozelliklerinden bazılarıdir.
JSON-LD (JSON-LD)
JSON-LD (JSON for Linking Data), Web'de baglantili veri (linked data) olusturmak icin tasarlanmis W3C standartli bir JSON tabanli formatidir. Mevcut JSON verilerine '@context' adli bir baglam mekanizmasıyla anlam ekleyerek makinelerin verilerin ne anlama geldigini anlayabilmesi saglanir. JSON-LD'nin temel ozellikleri sunlardir: '@context' anahtari, veri icerisindeki terimleri URI'lere esleyen bir sema haritasi saglar; '@type' nesnerin turunu (ornegin schema.org/Person) belirtir; '@id' benzersiz kaynak tanımlayıcısı olarak hareket eder. Bu yaklasim, veriyi hem mevcut JSON isleyicilerle hem de linked data araclariyla uyumlu kilar. Schema.org ve JSON-LD birlikte web gelistirme dunyasinda buyuk onem tasimaktadir. Google arama motoru, web sayfalarindaki yapılandirılmis veriyi (structured data) JSON-LD formatinda beklenmekte ve bu veriler arama sonuclarinda Zengin Sonuc (Rich Result) olarak gosterilebilmektedir. Etkinlik, urun, tarif, makale, restorant gibi kategoriler icin JSON-LD sablonlari schema.org uzerinde belgelenmistir. JSON-LD, bilgi grafikleri (knowledge graph) ile de derin entegrasyona sahiptir. Wikidata, DBpedia ve Google Knowledge Graph bu formatla cikis yapabilir veya bu formatı anlayabilir. Verinin anlamsal web (Semantic Web) standartlarıyla uyumlu olmasi sayesinde birden fazla kaynaktan gelen veri otomatik olarak birlestirilebilir ve sorgulanabilir. RDF (Resource Description Framework) ile JSON-LD arasinki ilişki onemlidir: JSON-LD, RDF'i JSON sozdizimi ile ifade etmenin modern ve pratik yoludur.
Kimi K2 (Kimi K2)
Kimi K2, Çin merkezli Moonshot AI şirketi tarafından 2025 yılında yayımlanan büyük ölçekli Mixture-of-Experts (MoE) modelidir. 1 trilyon toplam parametreye sahip olan Kimi K2, her token hesaplamasında aktif edilen yaklaşık 32 milyar parametreyle çalışır; bu mimari büyük model kapasitesini makul çıkarım maliyetiyle bir arada sunar. Özellikle ajan görevlerinde ve uzun bağlam işlemede güçlü performansıyla dikkat çeken model, MIT lisansı altında açık ağırlıklı (open-weight) olarak yayımlanmıştır. Eğitim sürecinde Moonshot AI, MoE ölçeğinde gradyan patlamasını önlemek için Muon optimizatörü ve buna özel MuonClip gradyan kırpma tekniğini tercih etmiştir. Bu yaklaşım trilyon parametre ölçeğindeki eğitimi kararlı biçimde tamamlamayı mümkün kılmıştır. Kimi K2 uzun bağlam yetenekleri için 1T MoE modelini aşamalı olarak 128K token bağlam penceresine uyarlamıştır. SWE-bench Verified yazılım mühendisliği kıyaslamasında %65,8 başarı oranına ulaşan model, bağımsız kod yazma ve hata ayıklama görevlerinde kapalı ticari modellere yakın performans sergilemiştir. BFCL (Berkeley Function Calling Leaderboard) araç kullanımı testlerinde de rekabetçi sonuçlar raporlanmıştır. Kimi K2 ekosistemi; tam ağırlıklı 1T MoE modeli, hafif yapısıyla daha erişilebilir olan Kimi K2 Mini ve uzun zincirli akıl yürütme için optimize edilmiş Kimi K2 Thinking varyantlarından oluşmaktadır. Model ağırlıklarına HuggingFace Hub üzerinden erişilebilir; API entegrasyonu için platform.moonshot.cn'un OpenAI uyumlu endpoint'i kullanılmaktadır. Kimi K2 Türkçe dahil geniş dil desteği sunmakta ve işlevsel çağrı (function calling) ile paralel araç kullanımını yerel olarak desteklemektedir. Kimi K2, DeepSeek ve Qwen gibi Çin kaynaklı açık ağırlıklı modeller arasında ajan kabiliyeti odaklı konumlanmasıyla öne çıkmaktadır. Tam 1T MoE modelini yerel ortamda çalıştırmak veri merkezi düzeyinde GPU kümesi gerektirdiğinden, bulut API erişimi pratik bir alternatif oluşturmaktadır. Model, küresel açık ağırlıklı ekosistemde rekabeti artırarak frontier LLM'lere maliyet etkin bir seçenek sunmaktadır.
LLM Agent (LLM Ajanı)
LLM Agent (LLM Ajanı), büyük bir dil modelinin (LLM) merkezi 'beyin' rolünü üstlendiği ve otonom biçimde görev planlama, araç çağrısı, bellek yönetimi ve ortamla etkileşim yürüttüğü yapay zeka sistemidir. Sohbet botlarından farklı olarak LLM ajanı yalnızca yanıt üretmez; çok adımlı planlar yapar, çeşitli araçları (web arama, kod çalıştırma, API çağrısı, dosya yönetimi) kullanır ve her adımın çıktısını bir sonraki adımı planlamak için değerlendirir. LLM ajanlarının temel bileşenleri dört grupta ele alınır: Planlama (ReAct, CoT veya tree-of-thought ile görev ayrıştırma), Araç Kullanımı (function calling, MCP araçları, harici API'ler), Bellek (kısa vadeli konuşma geçmişi ve uzun vadeli vektör veritabanı) ve Yürütme (araç sonuçlarını gözlemleyip bir sonraki eyleme geçme döngüsü). Bu döngü, görev tamamlanana ya da bir engelle karşılaşılana kadar sürer. Pratikte LLM ajanları; yazılım geliştirme (Claude Code, Devin), araştırma otomasyonu, e-ticaret işlemleri ve bilgi yönetimi gibi alanlarda aktif olarak kullanılmaktadır. Anthropic'in Model Context Protocol (MCP) standardı, ajanların farklı araçlara standart bir arayüzle bağlanmasına olanak tanır. Bu yaklaşım, ajan geliştirme maliyetini önemli ölçüde azaltır. Güvenilirlik, hata yönetimi ve uzun görevlerde bağlam kaybı bu alanın önde gelen araştırma sorunları olmaya devam etmektedir. Üretim ortamında çalışan ajan sistemleri için bütçe limiti, araç izin kısıtları ve insan denetimi (human-in-the-loop) kritik güvenlik önlemleri olarak öne çıkar. Geri alınamaz eylemler (dosya silme, ödeme tetikleme) için her zaman bir onay adımı tasarlanmalıdır. LangGraph, CrewAI, AutoGen ve Amazon Bedrock Agents gibi ajan çerçeveleri bu sistemlerin üretim ortamında konuşlandırılmasını kolaylaştırmaktadır. Çok-ajan mimarileri (multi-agent systems), özelleşmiş alt ajanlar aracılığıyla paralel iş akışlarını mümkün kılar ve tek bir ajanın bağlam kapasitesi sınırını aşan görevleri yönetebilir.
LLM Eval (LLM Değerlendirme)
LLM Eval (LLM Evaluation — LLM Değerlendirme), büyük dil modellerinin performansını sistematik biçimde ölçmek için kullanılan metodoloji, kıyaslama ve araçların bütünüdür. Model değerlendirme; hangi modelin belirli bir göreve uygun olduğunu, hangi hata türlerini ürettiğini ve zamana göre nasıl geliştiğini anlamayı mümkün kılar. LLM değerlendirmesi iki temel eksende ele alınır. İnsan değerlendirmesi, kişilerin model çıktılarını doğrudan puanladığı veya tercih ettiği yöntemi temsil eder; pahalı ama altın standart olarak kabul edilir. Otomatik değerlendirme ise ölçüm sürecini kıyaslama verileri veya başka bir LLM kullanarak otomatikleştirir. Bu ikincisine "LLM-as-a-Judge" denilir ve özellikle GPT-4 ya da Claude gibi güçlü modellerin hakem olarak kullanıldığı yapılar giderek yaygınlaşmaktadır. Yaygın kıyaslama ölçütleri arasında bilgi ve akıl yürütme testi için MMLU (Massive Multitask Language Understanding), kod üretimi için HumanEval ve MBPP, çoklu adım akıl yürütme için GSM8K ve MATH, dil anlama için HellaSwag, WinoGrande ve ARC yer alır. RAG sistemleri için RAGAS ve TREC, çok dilli yetenekler için MGSM ve okuma anlama için SQuAD da sıkça kullanılan setler arasındadır. Bununla birlikte kıyaslamalar tek başına yeterli değildir. Ezberleme (benchmark contamination) sorunu, modelin test verilerini eğitim sırasında görmüş olabileceğine işaret eder; bu nedenle hem gizli tutulmuş hem de dinamik olarak güncellenen veri setleri önem kazanır. Gerçek dünya senaryoları için üretim ortamında izleme, A/B testi ve kullanıcı geri bildirimi toplama da değerlendirmenin ayrılmaz parçalarıdır. Uygulama özelinde değerlendirmede ise üç boyut öne çıkar: doğruluk (factual accuracy ve groundedness), zararsızlık (safety, jailbreak dayanıklılığı) ve fayda (task completion, coherence, kullanıcı memnuniyeti). Hellaswag-türü genel benchmark iyi skoru, bir müşteri hizmetleri botunun gerçek konuşmalarda başarılı olacağını garanti etmez; bu yüzden görev odaklı metrikler zorunludur.
Makine Öğrenmesi (Makine Öğrenmesi)
Makine öğrenmesi (Machine Learning, ML), bilgisayar sistemlerinin açıkça programlanmadan verilerden öğrenmesini ve deneyimle performansını artırmasını mümkün kılan yapay zeka alt dalıdır. Terimi 1959'da IBM araştırmacısı Arthur Samuel, dama oynayan programı üzerinde ortaya attı; Tom Mitchell'in 1997 tarihli klasik tanımı ise hâlâ ders kitaplarının standardıdır: bir program, T görevindeki performansı P ölçütüne göre E deneyimiyle artıyorsa öğreniyor demektir. Geleneksel yazılımda kuralları insan yazar: "fiyat 100 TL'nin üzerindeyse indirim uygula" gibi. Makine öğrenmesinde bu ilişki tersine döner; sisteme binlerce girdi-çıktı örneği verilir, kuralları (model parametrelerini) algoritmanın kendisi çıkarır. Bir spam filtresi, milyonlarca etiketli e-postadan hangi kelime ve gönderici kalıplarının spam işareti olduğunu kendi başına öğrenir; hiçbir mühendis "bedava kelimesi geçiyorsa engelle" kuralı yazmaz. Öğrenme üç ana paradigmada gerçekleşir. Denetimli öğrenmede model, etiketli girdi-çıktı çiftleriyle eğitilir; kredi riski skorlama, ev fiyatı tahmini ve tıbbi görüntüde tümör sınıflandırma tipik görevlerdir. Denetimsiz öğrenme etiketsiz verideki gizli yapıyı keşfeder; müşteri segmentasyonu ve anomali tespiti bu sınıfa girer. Pekiştirmeli öğrenmede bir ajan, çevreyle deneme-yanılma yoluyla etkileşerek ödülü maksimize eden politikayı bulur; DeepMind'ın AlphaGo'su (2016) ve modern robotik kontrol sistemleri bu yaklaşımın vitrinidir. Bunlara ek olarak, ChatGPT ve Claude gibi büyük dil modellerinin ön eğitiminde kullanılan öz-denetimli öğrenme, etiketi verinin kendisinden üretir: model, metindeki bir sonraki kelimeyi tahmin ederek trilyonlarca token'dan öğrenir. Algoritma yelpazesi geniştir: doğrusal ve lojistik regresyon, karar ağaçları, rastgele orman, destek vektör makineleri (SVM), k-en yakın komşu, naif Bayes ve XGBoost ile LightGBM gibi gradyan artırma toplulukları klasik ML'in iş yükünü taşır. Derin öğrenme ise çok katmanlı yapay sinir ağlarına dayanan özel bir alt daldır; görüntü, ses ve doğal dil gibi yapılandırılmamış verilerde klasik yöntemleri geride bırakır, ancak tablo verilerinde XGBoost hâlâ birçok Kaggle yarışmasının kazananıdır. Başarılı bir ML projesi model seçiminden fazlasını gerektirir: veri toplama ve temizleme (projelerde zamanın yüzde 60-80'i), özellik mühendisliği, eğitim/doğrulama/test ayrımı (tipik olarak 70/15/15), hiperparametre optimizasyonu ve aşırı uyum (overfitting) ile yetersiz uyum (underfitting) dengesinin kurulması. Model performansı göreve göre farklı metriklerle ölçülür: sınıflandırmada doğruluk, kesinlik, duyarlılık ve F1 skoru; regresyonda ortalama karesel hata (MSE) ve R² öne çıkar. Dengesiz veri setlerinde tek başına doğruluk yanıltıcıdır; dolandırıcılık işlemlerinin yüzde 1'in altında olduğu bir sette her işleme "temiz" diyen model yüzde 99 doğruluk alır ama hiçbir dolandırıcılığı yakalayamaz. Üretime alınan modellerin izlenmesi, veri kayması (data drift) tespiti ve yeniden eğitimi MLOps disiplinini doğurdu; MLflow ve Kubeflow bu alandaki yaygın açık kaynak araçlardır. 2026 itibarıyla scikit-learn, PyTorch ve TensorFlow açık kaynak ekosistemin bel kemiği; Netflix'in öneri motorundan bankaların dolandırıcılık tespitine, Google Çeviri'den otonom araçlara kadar günlük hayatın görünmez altyapısı büyük ölçüde makine öğrenmesiyle çalışır. Fortune 500 şirketlerinin çoğu en az bir ML modelini üretimde kullanıyor; Türkiye'de de e-ticaret, bankacılık ve telekom sektörleri en yoğun uygulayıcılar arasında. Alanın etik boyutu da giderek önem kazanıyor: eğitim verisindeki önyargıların modele taşınması, kararların açıklanabilirliği ve KVKK ile AB Yapay Zeka Yasası gibi düzenlemelere uyum, artık teknik başarı kadar belirleyici kriterler.
Model Context Protocol (Model Bağlam Protokolü)
Model Context Protocol (MCP), Anthropic tarafindan gelistirilen ve yapay zeka modellerini harici araclar, veri kaynaklari ve sistemlerle standart bir sekilde birbirine baglayan acik bir iletisim protokolüdür. MCP, gelistiricilerin farkli AI saglayicilariyla calisan yeniden kullanilabilir arac entegrasyonlari olusturmasını saglar. MCP mimarisinin temel bilesenler sunlardir: MCP sunucusu (arac saglaycisi — dosya sistemi, veritabanı veya API gibi harici sistemlere erisim saglayan servis), MCP istemcisi (model veya AI uygulaması — sunucuyla baglantı kuran bileşen) ve taşima katmanı (stdio veya HTTP/SSE araciligiyla iletisim). Bir MCP sunucusu araclari, kaynakları veya islemleri standart JSON-RPC formatiyla tanimlar. MCP'nin sagladigi en buyuk deger vendor lock-in'i azaltmasidir. Onceden her AI uygulamasi farkli araclara ozel entegrasyon yazmak zorundaydi; MCP ile bir arac bir kez MCP formatinda yazildiginda herhangi bir MCP destekli model veya istemci bu araci kullanbilir. Bu, arac ekosistemini demokratiklestirir ve yeniden kullanilebilirlik saglar. Popüler MCP sunuculari arasinda dosya sistemi (read/write/search), GitHub (depo okuma, PR yonetimi), PostgreSQL (sorgu), Supabase, Slack (mesaj gonderme/okuma), web arama ve tarayici otomasyonu bulunmaktadir. Claude Desktop, Claude.ai, Cursor, Zed ve bircok IDE artik MCP istemcileri olarak bu sunuculara baglanabilmektedir. MCP, ajansal yapay zeka sistemleri icin kritik bir bilesendir. Bir AI ajanı MCP sunucularini kesfedebilir, araclari cagirabilir ve cok adimli is akislarini gerceklestirebilir. Bu yaklasim, yapay zekanin icinde yaşadigi 'bağlam penceresinin' cok otesinde dunyayla etkilesimini mumkun kilar.
Neuromorphic Computing (Nöromorfik Bilişim)
Nöromorif hesaplama (neuromorphic computing), biyolojik sinir sistemlerinin yapısını ve çalışma prensiplerini donanım düzeyinde taklit eden bir hesaplama paradigmasıdır. Geleneksel von Neumann mimarisi işlemci ve belleği fiziksel olarak ayırırken, nöromorif çipler nöronları ve sinaptik bağlantıları donanımda doğrudan gerçekleştirerek bu uçurumu kapatır. Nöromorif hesaplamanın temel çalışma birimi ateşleyen nöron (spiking neuron) modelidir. Biyolojik nöronlar gibi bilgiyi sürekli analog değerler yerine zamansal olaylar (spikes) biçiminde iletir; nöron ancak belirli bir eşik aşıldığında ateşler. Bu olay-güdümlü (event-driven) yapı, klasik işlemcilerin sabit saat döngüsü yerine yalnızca aktivite olduğunda enerji harcamasını sağlar; bu da dramatik güç tasarrufu anlamına gelir. Intel'in Loihi ve Loihi 2 çipleri, IBM'in TrueNorth mimarisi ile BrainScaleS ve SpiNNaker akademik platformları bu alanın öncü örnekleridir. Loihi 2, 128 nöromorf çekirdekte 1 milyon nöronu simüle edebilir ve adaptif öğrenme kurallarını destekler. Intel Labs'ın raporlarına göre belirli çıkarım görevlerinde geleneksel GPU'ya kıyasla yüzlerce kat enerji verimliliği sağlanmıştır. Nöromorif hesaplama, düşük güç tüketimi kritik olan kenar (edge) uygulamalarında, duyusal işlemede ve robotik kontrolde güçlüdür. İşitme cihazı, otonom araç sensörleri ve giyilebilir sağlık monitörü gibi pille çalışan cihazlar potansiyel uygulama alanlarını oluşturmaktadır. Bununla birlikte nöromorif hesaplama, programlama güçlüğü, donanım-yazılım araç zinciri olgunlaşmamışlığı ve büyük ölçekli yapay sinir ağlarıyla entegrasyon sınırlamaları gibi zorluklarla boğuşmaktadır. Ancak enerji kısıtlı AI uygulamalarının artan önemi bu alandaki araştırma yatırımını hızla artırmaktadır.
o3 (OpenAI Muhakeme Modeli)
o3, OpenAI'ın Nisan 2025'te tam sürümünü yayımladığı ve 'test zamanı hesaplama' (test-time compute) paradigmasını zirveye taşıyan akıl yürütme (reasoning) modelidir. Standart otoregresif üretimin ötesine geçerek her soru için değişken uzunlukta gizli bir düşünce zinciri (chain-of-thought) yürütür; matematik, bilim, kodlama ve mantık bulmacalarında yayımlandığı dönemde tarihi kıyaslama puanları elde etmiştir. Aralık 2024'teki ilk duyurusunda ARC-AGI yarı özel setinde düşük hesaplama modunda %75,7, yüksek hesaplama modunda %87,5 puan alarak bu kıyaslamada insan eşiğini (%85 civarı) aşan ilk model olmuştur. o3, o1 mimarisinin üzerine inşa edilmiştir; temel fark muhakeme derinliği, pekiştirmeli öğrenmeyle ölçeklenen eğitim ve araç kullanımıdır. o3, ChatGPT içinde web araması, Python çalıştırma, dosya analizi ve görsel üzerinde akıl yürütme (görüntüyü kırpıp yakınlaştırarak düşünme) gibi araçları muhakeme zincirinin içinde otonom kullanan ilk OpenAI modelidir. API tarafında `reasoning_effort` parametresi (low/medium/high) düşünme bütçesini ayarlar: yüksek bütçe daha isabetli ama daha yavaş ve pahalı yanıt üretir. Maliyet tarafında dramatik bir seyir yaşanmıştır: Haziran 2025'te OpenAI, o3'ün API fiyatını %80 indirerek milyon giriş tokeni başına 2 dolar, çıkış tokeni başına 8 dolara çekmiştir. Aynı ay daha da derin düşünen o3-pro yayımlanmış; Ocak 2025'te çıkan o3-mini ve Nisan 2025'teki o4-mini ise maliyet duyarlı senaryoları kapatmıştır. Ağustos 2025'te GPT-5'in gelmesiyle o3 serisi ChatGPT arayüzünden kademeli olarak çekilmiş, muhakeme yetenekleri GPT-5'in 'thinking' modlarına entegre edilmiştir. Buna rağmen o3, 2026'da hâlâ API üzerinden erişilebilen ve inference scaling dönemini başlatan model olarak referans noktası kabul edilir. DeepSeek-R1, Qwen QwQ ve Kimi gibi açık ağırlıklı muhakeme modellerinin yükselişi de bu paradigmanın ekosisteme ne kadar hızlı yayıldığını gösterir. Kısacası o3'ü anlamak, günümüz frontier modellerinin neden 'düşünme bütçesi' kavramıyla tasarlandığını anlamanın en kestirme yoludur.
Ollama (Yerel LLM Çalıştırıcı)
Ollama, büyük dil modellerini yerel bilgisayarda tek komutla indirip çalıştırmayı sağlayan açık kaynaklı bir araçtır. Docker'ın konteyner mantığını yapay zeka modellerine uyarlayan Ollama, karmaşık Python ortamı veya GPU sürücüsü kurulumu gerektirmeksizin `ollama run llama3` gibi sade bir komutla model çıkarımını başlatır. Ollama, GGUF formatını birincil model formatı olarak benimseyerek CPU ve Apple Silicon (Metal API) üzerinde optimize çalışma sağlar. Llama 3, Mistral, Phi-3, Qwen 2.5, Gemma 2 ve DeepSeek-R1 dahil onlarca modelin resmi ve topluluk sürümleri Ollama model kütüphanesinde mevcuttur. `ollama pull` komutuyla istenen model otomatik olarak indirilir ve çalışmaya hazır hale gelir. Ollama'nın önemli özelliklerinden biri yerel OpenAI uyumlu REST API sunmasıdır. `http://localhost:11434/v1/chat/completions` adresi üzerinden OpenAI istemci kütüphaneleri, LangChain ve Open WebUI gibi araçlar doğrudan yerel modele yönlendirilebilir; bu da mevcut uygulamaların bulut AI'dan yerel AI'ya minimum kod değişikliğiyle geçişini mümkün kılar. Gizlilik açısından Ollama, verilerin hiçbir zaman dış sunuculara gönderilmediği garantisini sağlar. Tıbbi kayıtlar, hukuki belgeler veya şirket içi hassas verilerle çalışan kullanıcılar için bu özellik kritik bir avantajdır. Ayrıca internet bağlantısı kesildiğinde bile model çalışmaya devam eder. Modelfile sistemi ile modeller özelleştirilebilir: sistem promptu, sıcaklık ve bağlam penceresi gibi parametreler Dockerfile benzeri bir sözdizimle tanımlanır ve özel ağırlık setleriyle birleştirilerek paylaşılabilir özel modeller oluşturulur.
Open WebUI (Open WebUI)
Open WebUI, Ollama ve OpenAI uyumlu API'ler aracılığıyla yerel büyük dil modellerine erişmek için kendi sunucunuzda barındırabileceğiniz açık kaynaklı bir web arayüzüdür. ChatGPT benzeri bir deneyimi tamamen özel ortamda sunan Open WebUI; konuşma geçmişi, model yönetimi, RAG pipeline desteği ve çoklu kullanıcı özellikleriyle öne çıkar. Açık kaynak yapay zeka araçlarının popülerleşmesiyle birlikte kullanıcılar, verilerini üçüncü taraf bulut servislerine göndermeden güçlü dil modellerinden yararlanmak istemeye başladı. Open WebUI bu ihtiyaca yanıt veren en kapsamlı self-hosted çözümlerden biridir. Proje, 2023 yılında başlayarak kısa sürede GitHub'da on binlerce yıldız topladı ve aktif bir topluluk desteğiyle gelişmeye devam etmektedir. Teknik açıdan Open WebUI; Docker konteyneri olarak çalışır ve Ollama aracılığıyla Llama, Mistral, Gemma gibi yerel modellere; OpenAI API anahtarıyla da GPT serilerine bağlanabilir. Arayüz; sohbet geçmişini yerel veritabanında saklar, farklı modeller arasında anlık geçiş yapılmasına izin verir ve kullanıcı başına ayrı profil yönetimi sunar. Bunlara ek olarak, PDF ve web sayfalarını bilgi tabanına ekleyerek model yanıtlarını zenginleştiren bir RAG (Retrieval-Augmented Generation) motoru da yerleşik olarak gelir. Veri gizliliği açısından Open WebUI kritik bir avantaj taşır: tüm sohbet içerikleri ve belgeler kullanıcının kendi altyapısında kalır. Türkiye'deki şirketler, KVKK kapsamında kişisel veri içeren sorguları bulut tabanlı yapay zeka servislerine göndermekten kaçınmak için Open WebUI gibi yerel çözümlere yönelmektedir. Özellikle hukuk, sağlık ve finans sektöründe bu tür gizlilik gereksinimleri belirleyici olmaktadır. Kurulum açısından bakıldığında, Docker yüklü herhangi bir Linux sunucusu veya macOS makinesi üzerinde tek bir komutla çalıştırılabilmesi Open WebUI'yi erişilebilir kılar. GPU desteği isteğe bağlıdır; CPU üzerinde çalışan küçük modeller düşük donanımlı ortamlarda da kullanılabilir. Bu esneklik, bireylerin kişisel bilgisayarlarından kurumsal veri merkezlerine kadar geniş bir dağıtım yelpazesini kapsar.
Open-Weight Model (Açık Ağırlıklı Model)
Açık ağırlıklı model (open-weight model), eğitim sürecinin tamamlanmasının ardından model parametrelerinin —yani ağırlıkların— kamuya açık biçimde dağıtıldığı yapay zeka modelidir. GPT-4 veya Claude gibi tamamen kapalı modellerin aksine, açık ağırlıklı modellerde kullanıcılar parametreleri doğrudan indirebilir, kendi altyapılarında çalıştırabilir, özel veri kümeleriyle ince ayar yapabilir ve istedikleri platformda dağıtabilir. "Açık ağırlık" ile "açık kaynak" arasındaki kritik ayrıma dikkat etmek gerekir: "Açık ağırlık", yalnızca eğitilmiş model parametrelerinin paylaşıldığı anlamına gelir; eğitim kodu, veri seti ve metodoloji kapalı kalabilir. Gerçek "açık kaynak" ise —OLMo ve Pythia gibi örneklerde— eğitim sürecinin tüm bileşenlerini kapsar. Meta'nın Llama serisinde kullanılan Llama Community License, 700 milyonun üzerinde aylık aktif kullanıcıya sahip ürünlerde Meta onayını zorunlu kılar; bu nedenle Llama tam açık kaynak sayılmaz, yalnızca "açık ağırlık" olarak nitelendirilir. Öne çıkan açık ağırlıklı modeller: Meta'nın Llama ailesi (8B–405B parametre aralığı), Mistral ve Mixtral (Apache 2.0 lisansıyla kısıtlamasız ticari kullanım, Mixture of Experts mimarisiyle verimli çıkarım), Alibaba'nın Qwen 2.5 serisi, DeepSeek-R1 (MIT lisansıyla akıl yürütmede o1 ile kıyaslanabilir performans) ve Microsoft'un Phi-4'ü. Gemma 2 ise Google'ın araştırma odaklı katkısıdır. Donanım gereksinimleri model boyutuna bağlıdır: 7B parametreli Q4 kuantize model, tüketici düzeyinde 6 GB VRAM ile çalışabilir; 70B model ise en az 40 GB VRAM veya güçlü bir CPU ve RAM kombinasyonu gerektirir. Ollama, LM Studio ve llama.cpp, yerel çalıştırmayı kolaylaştıran başlıca araçlardır; ollama run llama3:8b komutuyla dakikalar içinde yerel bir LLM başlatılabilir. Açık ağırlıklı modellerin tercih edilme nedenleri arasında veri gizliliği gerektiren kurumsal senaryolar, API bağımlılığını ve maliyetini sıfırlama ihtiyacı, çevrimdışı ortamlarda çalışma zorunluluğu ve alana özgü ince ayarla performans artırma yer alır. 2025 itibarıyla Llama 3.3 70B, GPT-4o-mini düzeyinde genel dil becerisi sergilerken DeepSeek-R1 matematiksel akıl yürütmede GPT-o1 ile doğrudan rekabet etmektedir; bu gelişmeler açık modellerin kapalı modellerle gerçek anlamda rekabete girdiğini ortaya koymaktadır.
Origin Trial (Browser)
Origin Trial, web tarayicilarinin deneysel veya yeni web API'lerini sinirli sayida kullanicıya gercek web sitelerinde test etmesine olanak tanıyan bir mekanizmadır. Bu sistem, Chrome (Google), Edge (Microsoft) ve bircok Chromium tabanli tarayicida uygulanmaktadir; W3C standartlastirma sureci ile uretim dağıtımı arasındaki kopruyu olusturur. Bir origin trial surecinde gelistirici, belirli bir site domaini ve belirli bir deneysel ozellik icin kayit olur. Google Chrome Labs uzerinden yapilan basit bir kayit sonrasinda ozele tanimli bir jeton (token) alinir. Bu jeton, web sayfasina <meta name='origin-trial'> etiketi veya Origin-Trial HTTP basligiyla eklenir. Token'in gecerliligi var iken o site'da o ozellik aktif hale gelir. Origin Trial mekanizmasinin temel amaci; bir ozelligi tumunluyle stable kanalda sunmadan once gercek kullanim verisi toplamak, gelistiricilerden geri bildirim almak ve API tasarımini iyilestirmektir. Bir API, origin trial sureci tamamlandiktan sonra ya stabilize edilip kalici hale gelir ya da yeterince benimsenmezse veya sorunlu kabul edilirse kaldirilir. Yapay zeka ve modern web yetenekleri ile ilgili origin trial'lar giderek onem kazanmaktadir. Chrome'da Prompt API (tarayicida yerel LLM erisimi), Summarizer API, Writer/Rewriter API gibi yapay zeka ozellikleri Chrome Built-in AI adinı alan girisimin parcasıdır. Bu API'ler, origin trial araciligiyla deneysel sekilde web gelistiricilere acilmaktadir.
Phi-4 (Phi-4)
Phi-4, Microsoft Research tarafından Aralık 2024'te yayımlanan 14 milyar parametreli bir küçük dil modelidir (SLM). Phi serisinin dördüncü üyesi olan bu model, "veri kalitesi veri miktarından önemlidir" ilkesini en somut biçimde kanıtlayan yapay zeka çalışmalarından biri hâline gelmiştir. Eğitim sürecinde ham internet verisi yerine büyük modeller (GPT-4) aracılığıyla sentetik olarak üretilmiş yüksek kaliteli matematik problemleri, akıl yürütme örnekleri ve kod veri setleri kullanılmıştır. Dikkatle seçilmiş ders kitabı içerikleri ve akademik metinler de eğitim kümesini güçlendirmiştir. Bu veri felsefesi, Phi-1'den başlayan trendin mantıksal devamıdır ve LIMA makalesinin "az ama öz" hipotezini milyarlarca parametre ölçeğine taşımaktadır. Kıyaslama performansı açısından Phi-4, doktora düzeyi bilim sorularını içeren GPQA Diamond testinde ve AMC/MATH rekabetçi matematik kıyaslamalarında 70 milyar parametreli pek çok modeli geride bırakmıştır. HumanEval ve MBPP kodlama kıyaslamalarında da parametre sayısıyla orantısız bir yetenek sergilemiştir. Model, 16.384 tokenlik bağlam penceresiyle çalışır. MIT lisansı altında HuggingFace'de yayımlanmıştır; hem araştırma hem de ticari kullanıma tamamen açıktır. 8 GB VRAM ile tam hassasiyette çalışırken GGUF/Q4 kuantize versiyonları çok daha mütevazı donanımlarda da çalışabilir. Ollama ve LM Studio gibi popüler araçlarla birkaç komutla kurulabilir. Microsoft, 2025 yılında Phi-4 ekosistemi üzerine yeni üyeler eklemiştir: 3,8 milyar parametreli Phi-4-Mini (mobil ve kenar cihazlar için), akıl yürütmeye odaklanan Phi-4-Reasoning ve çok modlu giriş desteği için Phi-4-Vision. Bu varyantlar, küçük model felsefesinin farklı donanım ve kullanım senaryolarına genişlediğini göstermektedir. Phi-4 özellikle eğitim ve öğretim uygulamaları, adım adım matematik yardımcısı, yerel kodlama asistanı ve kaynak kısıtlı bulut dağıtımı senaryolarında güçlü maliyet-performans dengesi sunan SLM modelleri arasında öne çıkmaktadır. Tüketici sınıfı GPU'ları hedefleyen bu model, API maliyeti olmaksızın güçlü yerel AI çözümleri geliştirmek isteyen geliştiriciler için ideal bir başlangıç noktasıdır.
Prompt Nedir? Yapay Zeka Talimatı Rehberi (Prompt)
Prompt, bir yapay zeka dil modeline verilen yazılı talimat, soru veya girdi metninin genel adıdır. Türkçede "promt" şeklinde de yazılan bu terim, kullanıcının bir YZ sisteminden belirli bir yanıt veya çıktı alabilmek için sisteme ilettiği her türlü mesajı kapsar. Bir prompt; soru, komut, bağlam bilgisi, örnekler ve kısıtlamalar gibi unsurlar içerebilir. Yapay zeka sistemleri, girdinin kalitesine ve açıklığına göre farklı kalitede yanıtlar üretir. Bu nedenle etkili bir prompt yazmak, istenilen sonuca ulaşmak için kritik bir beceri hâline gelmiştir. Buna "prompt mühendisliği" (prompt engineering) denir. Promptlar üç temel kategoriye ayrılır: (1) Sıfır atışlı promptlar (zero-shot): Herhangi bir örnek verilmeden doğrudan soru ya da talimat içerir. (2) Az atışlı promptlar (few-shot): Modele istenen çıktı biçimini göstermek için birkaç örnek sunar. (3) Sistem promptları (system prompt): Modelin genel davranışını, tonunu ve kısıtlamalarını belirleyen arka plan talimatlarıdır. ChatGPT, Claude, Gemini gibi büyük dil modellerinde kullanıcının yazdığı her mesaj bir prompttur. Modelin sisteme gönderilen gizli talimatlar bütünü ise "sistem promptu" olarak adlandırılır. Prompt uzunluğu ve içeriği, modelin bağlam penceresini (context window) doğrudan etkiler. Prompt tasarımı; sadelik, netlik ve bağlam sağlama ilkelerine dayanır. "Bana bir makale yaz" yerine "Yapay zeka etiği üzerine, B2 düzeyinde ve 500 kelimelik bir tanıtım makalesi yaz" gibi spesifik bir prompt çok daha iyi sonuçlar üretir. Türkiye'de artan YZ kullanımıyla birlikte "prompt ne demek" ve "promt nedir" aramaları da hızla artmıştır. Etkili bir prompt genellikle şu bileşenleri içerir: görev tanımı (ne yapılacağı), bağlam (arka plan bilgisi), biçim kısıtlaması (uzunluk, dil, ton) ve varsa örnekler. Özellikle karmaşık görevlerde "chain-of-thought prompting" tekniğiyle modelden adım adım düşünmesi istenerek daha tutarlı ve doğru yanıtlar elde edilebilir.
Pydantic (Pydantic)
Pydantic, Python'da veri dogrulama ve ayari yonetimi icin kullanilan acik kaynak bir kutuphanedir. Python tip ipuclarini (type hints) kullanarak runtime'da otomatik veri dogrulama saglar; hatali veya uyumsuz veri geldiginde net ve anlasilir hata mesajlari uretir. Samuel Colvin tarafindan gelistirilmis; Python ekosisteminin en cok indirilen kutuphanelerinden biri konumuna gelmistir. Pydantic'te veri yapilari BaseModel sinifi miras alınarak tanimlanir. Her alan, tip annotasyonuyla belirtilir; Pydantic bu tiplere gore otomatik dogrulama yapar. String'i integer'a, ISO tarih dizesini datetime nesnesine otomatik donusturebilir (coercion). Field() fonksiyonu ile minimum/maksimum deger, desen eslestirmesi, varsayilan deger gibi ek kisitlamalar eklenebilir. Pydantic v2, Rust ile yeniden yazilmis cekirdek dogrulama motoruyla v1'e gore cok daha hizlidir. Bu surum, hem performansi iyilestirmis hem API'yi daha tutarli hale getirmistir. model_validator ve field_validator decorator'larıyla modele ozgul kisitlamalar ve capraz alan dogrulamalari eklenebilir. Yapay zeka uygulamalarinda Pydantic ozellikle one cikmiştir. LangChain ve LlamaIndex Pydantic modellerini yapilandirılmıs cikti icin kullanir. OpenAI API'si dogrudan Pydantic modeli kabul ederek yapilandirılmıs JSON dogrulama gerceklestirir. Instructor kutuphanesi, herhangi bir LLM'den Pydantic model dogrulamasi ile yapilandirilmıs cikti almayı kolaylastirir. FastAPI ise Pydantic'i HTTP istek ve yanıt dogrulamasi icin temel olarak kullanir.
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.
Qwen3 (Qwen3)
Qwen3, Alibaba Cloud'un Qwen model ailesi kapsamında Nisan 2025'te yayımladığı en gelişmiş nesil açık ağırlıklı dil modelidir. 0.6B'den 235B'ye kadar uzanan geniş parametre yelpazesiyle sunulan Qwen3; yoğun (dense) ve Mixture-of-Experts (MoE) mimarilerini bir arada sunar. 235B parametreli MoE versiyonu (Qwen3-235B-A22B), her token işleminde yalnızca 22B aktif parametre kullanarak çalışır; bu tasarım yüksek kapasiteyi verimli hesaplama maliyetiyle buluşturur. Modelin kıyaslama puanları MMLU, AGIEval ve çok dilli değerlendirmelerde Llama 4 ve Mistral Large gibi rakip açık modellerle rekabetçi seyir izlemektedir. Qwen3'ü rakiplerinden ayıran temel yenilik hibrit düşünme modudur (hybrid thinking). Thinking modunda model, o1/o3 benzeri uzun iç akıl yürütme zinciri oluşturur; non-thinking modunda ise bu adım atlanarak anlık yanıt verilir. Kullanıcılar ve geliştiriciler, görevin karmaşıklığına göre hesaplama bütçesini dinamik biçimde ayarlayabilir. Bu esneklik Qwen3'ü hem hızlı gündelik sohbet hem de derin matematik ve kodlama görevleri için uygun kılar. Model ailesi iki ana dalda şekillenir: 0.6B, 1.7B, 4B, 8B, 14B ve 32B parametreli yoğun modeller ile 30B-A3B ve 235B-A22B MoE modeller. Küçük modeller tüketici GPU'larında ve Apple Silicon'da çalışırken, büyük MoE versiyonları veri merkezi çıkarımı için tasarlanmıştır. Apache 2.0 lisansıyla HuggingFace ve ModelScope üzerinden erişilebilen modeller; Ollama, LM Studio ve vLLM gibi popüler platformlarla entegre çalışır. Çok dilli destek açısından Qwen3, Türkçe dahil 119 dil ve lehçeyi kapsar. AIME matematik yarışması, LiveCodeBench kodlama ve BFCL araç kullanımı kıyaslamalarında frontier modellerle rekabetçi sonuçlar elde etmiştir. Agentic görevler için araç çağrısı (function calling), çok adımlı problem çözme ve LangChain/LlamaIndex ekosistemiyle yerel ajan oluşturma desteği de sunar. Qwen3, 2025 itibarıyla GPT-4o ve Claude Sonnet gibi tescilli modellere karşı açık model dünyasının en güçlü alternatifleri arasında yer almaktadır.
Singularity (Teknolojik Tekillik)
Teknolojik Tekillik (Singularity), yapay zekanın insan zekasını kalıcı olarak geride bıraktığı ve kendi kendini daha zeki hale getirebildiği varsayımsal eşik anıdır. Bu eşik geçildiğinde teknolojik ilerleme öylesine hızlı ve öngörülemez bir hal alır ki mevcut kavramsal çerçeveler yeterli kalmaz; tarih bilinen biçimiyle işlemez hale gelir. Terimi akademik bağlamda ilk kullanan Vernor Vinge, 1993 tarihli makalesinde insan-üstü zekanın ortaya çıkışıyla tarihin temelden değişeceğini öngördü. Ray Kurzweil ise 2005 tarihli kitabı The Singularity Is Near'da üstel büyüme eğrilerini ve biyoloji-teknoloji yakınsamasını analiz ederek 2045 yılını öngörü olarak ortaya koydu. Kurzweil'e göre bu noktada nano-tıp hastalıkları ortadan kaldıracak, beyin-bilgisayar arayüzleri bilişsel sınırları aşacak ve insan zekasıyla yapay zeka birbirinden ayrışmaz hale gelecek. Kavramın merkezinde I.J. Good'un 1965'te tanımladığı istihbarat patlaması (intelligence explosion) hipotezi yatar: insan seviyesine ulaşan bir yapay zeka, bilgisayar bilimine olan üstünlüğünü kullanarak kendi kodunu iyileştirir; bu süreç çığ gibi büyüyerek kısa sürede çok daha üstün sürümler ortaya çıkarır. Her döngü bir öncekinden katlanarak daha güçlü bir sistemle sonuçlanır. Tekilliğin gerçekleşip gerçekleşmeyeceği tartışmalıdır. Nick Bostrom, hizalanmamış bir süper-zekanın insanlığa varoluşsal tehdit oluşturabileceğini savunur; bu kaygı OpenAI, Anthropic ve DeepMind gibi kuruluşların hizalama araştırmalarına milyarlarca dolar yatırmasının temel motivasyonudur. Öte yandan Yann LeCun ve Gary Marcus gibi araştırmacılar mevcut mimarilerin gerçek anlama kapasitesinden yoksun olduğunu ve üstel büyüme iddialarının empirik temelden yoksun kaldığını öne sürer. 2024-2025'te o3, Claude 3.7 ve Gemini 2.5 gibi akıl yürüten modellerin ortaya çıkışı tekillik tartışmasına yeni bir boyut kazandırdı. Günümüz politika gündeminde tekillik kaygısı AB Yapay Zeka Yasası ve ABD yönetişim girişimlerini doğrudan şekillendirmektedir. Varoluşsal risk araştırması, kademeli dönüşümü öngören yumuşak tekillik senaryolarıyla birlikte tartışmanın ekseninde yer almaya devam etmektedir.
Small Language Model (Küçük Dil Modeli)
Small Language Model (SLM — Küçük Dil Modeli), genellikle 1B ila 14B parametre aralığında, edge cihazlarda veya sınırlı hesaplama kaynaklarında çalışabilmek üzere tasarlanmış ve optimize edilmiş dil modeli sınıfıdır. GPT-4 veya Claude gibi yüz milyar parametreli dev modellerin aksine SLM'ler; yerel cihazda çalışabilme, düşük gecikme, veri gizliliği ve maliyet etkinliği gibi pratik avantajlar sunar. Bu özellikler, SLM'leri bulut bağlantısı gerektirmeyen veya veri egemenliğinin kritik olduğu senaryolarda öne çıkarmaktadır. Sınırlı kaynaklarla bile yüksek kaliteli sonuçlar üretme yeteneği, SLM'leri yapay zekanın demokratikleşmesinde kilit bir rol üstlenir kılmaktadır. SLM'lerin yükselişini mümkün kılan iki temel yaklaşım bulunmaktadır: Veri kalitesi odaklı eğitim (Phi-4 gibi yüksek kaliteli sentetik veri ile parametre sınırını zorlama) ve model damıtma (distillation — büyük bir öğretmen modelden küçük öğrenci modele bilgi aktarımı). Quantization (INT4/INT8), pruning ve grouped query attention gibi ek teknikler de bellek ayak izini ve çıkarım süresini önemli ölçüde azaltmaktadır. Bu kombinasyonlar sayesinde küçük modeller parametre sayısıyla orantısız biçimde yüksek performans sergileyebilmektedir. Popüler SLM örnekleri arasında Microsoft Phi-4 (14B), Google Gemma 3 (1B-27B), Meta Llama 3.2 (1B, 3B), Mistral 7B ve Alibaba Qwen2.5 serisi sayılabilir. Uygulama alanları: akıllı telefon asistanları, IoT cihazları, gizlilik öncelikli kurumsal uygulamalar, düşük bant genişliği ortamları ve gerçek zamanlı yanıt gerektiren sistemler. Donanım desteği açısından Apple Silicon (M1-M4 serisi), Qualcomm Hexagon NPU ve NVIDIA Jetson gibi nöral işlem birimleri SLM çıkarımını hem hızlandırmakta hem de güç tüketimini düşürmektedir. Ollama, llama.cpp ve ONNX Runtime gibi açık kaynaklı framework'ler SLM'leri tüketici donanımında dakikalar içinde çalıştırmayı mümkün kılmaktadır. SLM, özellikle sağlık, finans ve hukuk gibi veri gizliliğinin kritik olduğu sektörlerde şirket içi AI çözümlerinin temel bileşeni hâline gelmektedir.
Swarm AI (Sürü Yapay Zeka)
Sürü Yapay Zeka (Swarm AI), doğadaki karıncaların, arıların veya kuş sürülerinin sergilediği merkezi olmayan, kolektif akıldan ilham alan bir yapay zeka paradigmasıdır. Geleneksel yapay zeka sistemleri tek ve güçlü bir merkezi karar vericiye dayanırken, sürü zekası yüzlerce veya binlerce basit otonom etmenin (agent) yerel etkileşimleri aracılığıyla küresel düzeyde akıllı davranış sergilemesini sağlar. Temel prensipler üç sütun üzerine kuruludur. İlk olarak öz-örgütlenme: sistem herhangi bir dış yönlendirme olmaksızın koordineli davranış geliştirir; kuş sürülerinin şahin saldırısına anında tepki vermesi bunun en güzel örneğidir. İkinci olarak stigmerji: karınca kolonilerinde olduğu gibi etmenler feromon benzeri dolaylı işaretlerle iletişim kurar; kimin ne yapacağını merkezi bir otorite değil, yerel bilgi ve çevre geri bildirimi belirler. Üçüncüsü hata toleransı: bireysel etmenin arızalanması sistemin bütününü bozmaz, zira hiçbir etmen kritik bir merkezi rol üstlenmez. Bu özellik özellikle askeri drone filolarını ve dağıtık sensör ağlarını değerli kılar. Başlıca algoritmalar arasında Karınca Kolonisi Optimizasyonu (ACO), Parçacık Sürü Optimizasyonu (PSO) ve Yapay Arı Kolonisi (ABC) öne çıkar. ACO, feromon birikimi ve buharlaşma mekanizmasıyla kombinatoryal optimizasyon problemlerinde güçlü sonuçlar verirken, PSO sürekli arama uzaylarında sinir ağı hiperparametre ayarlaması ve nöral mimari arama (NAS) alanlarında kullanılır. Craig Reynolds'ın 1986'da geliştirdiği Boids simülasyonu ise yalnızca üç kuralla (hizalanma, birleşme, ayrılma) kuş sürüsü ve balık okulu davranışlarını modellemekte; robotik koordinasyon alanının temel taşını oluşturmaktadır. Günümüzde sürü yapay zekası farklı alanlarda etkin biçimde kullanılmaktadır: Amazon Kiva lojistik robotları depo operasyonlarını merkezi komuta gerek duymadan yönetir; askeri drone sürüleri radar savunmalarını aşacak şekilde programlanır; tarımda koordineli ilaçlama drone'ları maliyet ve çevre etkisini azaltır; finans sektöründe çok-etmenli piyasa simülasyonları trader davranışını modeller. 2020'lerden itibaren büyük dil modellerinin yaygınlaşmasıyla sürü zekası çok-etmenli LLM çerçevelerinde (CrewAI, AutoGPT, LangGraph) yeni bir anlam kazanmıştır. Bu sistemlerde her LLM ajanı karmaşık bir görevin alt bölümünü üstlenerek merkezi bir orkestratörün müdahalesi olmadan sonuca ulaşır. Temel zorluklar hâlâ geçerliliğini korur: iletişim gecikmesi ile koordinasyon kalitesi dengesi, yerel optimuma takılma riski ve bir etmenin ele geçirilmesiyle tüm sistemin manipüle edilmesi tehlikesi.
SWE-Bench (SWE-Bench)
SWE-bench, büyük dil modellerinin gerçek dünya yazılım mühendisliği görevlerini ne kadar başarılı biçimde gerçekleştirebileceğini ölçen kapsamlı bir değerlendirme çerçevesidir. 2023 yılında Princeton Üniversitesi araştırmacıları tarafından geliştirilen bu benchmark, popüler Python projelerinin GitHub depolarından toplanan gerçek issue'lar ve karşılık gelen pull request'lerden oluşur. Değerlendirme akışı şu şekilde işler: Modele bir Python deposunun belirli bir sürümü ve o sürümde açık olan bir GitHub issue verilir. Modelin görevi, bu issue'u gidermek için gereken kod değişikliklerini (patch) üretmektir. Üretilen yama, orijinal PR'ın test takımıyla otomatik olarak doğrulanır; geçen test oranı başarı metriği olarak kullanılır. SWE-bench Verified alt kümesi, yazılım mühendisleri tarafından gözden geçirilmiş 500 adet iyi kalibre edilmiş problemden oluşur. Belirsiz tanımlı issue'lar ve çözümsüz görevler bu alt kümeden elendi; sektör karşılaştırmaları çoğunlukla Verified üzerinden raporlanır. 2024 itibarıyla en iyi sistemler bu kümede yaklaşık %50–70 çözme oranına ulaşmaktadır. Maliyet açısından daha erişilebilir bir alternatif olan SWE-bench Lite ise 300 seçilmiş problemden oluşur ve hızlı prototipleme çalışmalarında tercih edilir. Liderlik tablosunda Claude 3.7 Sonnet (Anthropic), GPT-4o (OpenAI), Devin (Cognition) ve SWE-agent (Stanford) gibi model ve ajanlar yer almaktadır. Tam otonom kategorilerde başarı, asistli modlara göre belirgin şekilde düşüktür; bu durum, karmaşık yazılım görevlerinde insan rehberliğinin hâlâ kritik olduğunu ortaya koymaktadır. SWE-bench'in temel önemi, modellerin salt kod yazma becerilerinin ötesinde çok dosyalı, büyük gerçek projelerde bağımsız çalışıp çalışamadığını sınamasıdır. Başarılı bir ajan; ilgili dosyaları bulma, test anlambilimini kavrama ve depo genelinde tutarlı değişiklikler üretme gibi birleşik yetenekleri entegre etmelidir. Bu nedenle SWE-bench, AI destekli yazılım geliştirme, self-healing kod ve otonom ajan sistemleri araştırmalarında merkezi bir referans hâline gelmiştir. Dil çeşitliliği için SWE-bench Java ve çok dilli uzantılar da geliştirilmektedir.
Test-Time Compute (Test Anı Hesaplama)
Test zamani hesaplama (test-time compute veya inference-time compute), bir yapay zeka modelinin cikarsama (inference) asamasinda daha fazla hesaplama kaynagi kullanarak dogrulugunu artirma yaklasimidır. Egitim sirasında sabitlenen parametreler sonrasinda modelin daha fazla 'dusunme' suresi veya daha fazla hesaplama butcesi ayrılarak daha iyi sonuclar uretmesi hedefler. Bu kavram, OpenAI'nin o1 modeliyle genis kitlelerce bilinir hale gelmistir. o1, kullanicinin gorunmez bir 'dusunce zinciri' (chain of thought) araciligiyla zor problemler uzerinde daha uzun hesaplama yapar. Matematiksel kanit, karmasik kod yazimi veya cok adimli mantik gorevi gibi senaryolarda o1'in ekstra cikarsama suresi dogruluğu belirgin sekilde arttirir. Test zamani hesaplamanin ana yontemleri sunlardir: zincir dusunce (chain-of-thought) gerceklestirme — modelin yanit vermeden once ara akil yurutme adimlarini yazmasini saglamak; arama (search) — Monte Carlo Tree Search veya beam search ile cok sayida olasi yanit yolunu kesfetmek; oylama (voting / majority voting) — birden fazla yanit uretip cogunluk oylamasiyla en uygun sekilde secmek; revizy on — modelin kendi yanıtini daha sonra gozden gecirip geri bildirim vermesi. Test zamani hesaplama, 'olcekleme yasalarinin' (scaling laws) yeni bir boyutudur. Geleneksel olcekleme yasalari egitim veri buyuklugu ve model parametresi sayısıyla ilgilenirken test zamani olcekleme cikarsama butcesiyle ilgilenmektedir. Bu yaklasim, daha ucuz ve kucuk modellerin daha guclu modellere kıyasla uzun cikarsama butcesiyle rekabetci sonuclar uretebilecegini gostermistir.
Token (Dil Modeli Birimi)
Token, büyük dil modelleri (LLM) ve doğal dil işleme (NLP) sistemlerinde metnin işlenebilir en küçük birimidir. LLM'ler ham metni doğrudan okuyamaz; önce metni token adı verilen parçacıklara böler, ardından her tokena sayısal bir kimlik (token ID) atar ve bu sayısal diziler üzerinde matematiksel işlemler gerçekleştirir. Bir token; tam bir kelime, kelimenin bir parçası (alt-kelime/subword), tek bir karakter ya da noktalama işareti olabilir. Bu dönüşüm sürecine tokenizasyon (tokenization) denir. GPT serisi modellerde kullanılan BPE (Byte Pair Encoding), eğitim verisi üzerinde en sık birlikte geçen karakter çiftlerini yinelemeli olarak birleştirerek bir vocabulary oluşturur. Google'ın geliştirdiği WordPiece de benzer bir mantıkla çalışırken seçim kriterinde maksimum olasılığı kullanır. SentencePiece ise dil bağımsız çalışan ve doğrudan ham karakterlerden token üreten bir yöntemdir. Token kavramı üç kritik boyutu doğrudan etkiler. Birinci boyut bağlam penceresidir (context window): bir modelin aynı anda işleyebildiği maksimum token sayısı o modelin 'hafıza kapasitesini' tanımlar. GPT-4o 128.000 token, Claude 3.5 Sonnet 200.000 token, Gemini 1.5 Pro ise 1.000.000 token bağlam kapasitesiyle öne çıkar. Bu limit aşıldığında model eski bağlamı unutur. İkinci boyut API maliyetidir: OpenAI, Anthropic ve Google gibi sağlayıcılar hizmetlerini giriş (input) ve çıkış (output) token sayısına göre faturalandırır. GPT-4o için 1 milyon giriş tokenu yaklaşık 5 USD, 1 milyon çıkış tokenu ise 15 USD'dir. Aynı görevi daha az tokenla çözen prompt tasarımı maliyeti kayda değer ölçüde azaltır; bu nedenle token ekonomisi LLM uygulama mühendisliğinin temel konularından biri haline gelmiştir. Üçüncü boyut dikkat hesaplamasıdır: Transformer mimarisinde her token diğer tüm tokenlarla dikkat skoru hesaplar. Bu O(n²) karmaşıklık nedeniyle bağlam uzadıkça hesaplama maliyeti hızla büyür; Flash Attention ve diğer verimlilik teknikleri bu soruna çözüm arayışından doğmuştur. Türkçe gibi eklemeli dillerde token kullanımı İngilizce'ye kıyasla daha yüksektir. 'Gidebileceklerinden' gibi tek bir Türkçe kelime birden fazla tokena bölünebilirken, aynı anlam İngilizce'de daha az token harcar. Bu durum Türkçe içerikli API çağrılarında maliyeti ve bağlam penceresi verimliliğini olumsuz etkileyebilir.
Tool Use (Araç Kullanımı (LLM))
Araç kullanımı (tool use ya da function calling), büyük dil modellerinin (LLM) yalnızca metin üretmekle kalmayıp harici araçları — veritabanı, API, kod yürütme ortamı veya arama motoru — çağırabilen aktif ajanlar olarak davranmasını sağlayan bir mimari ve yetenek kümesidir. "Function calling" ve "tool calling" terimleriyle eş anlamlı kullanılmakta; OpenAI, Anthropic ve Google farklı terminoloji benimsemiş olsa da temel mekanizma aynıdır. Teknik açıdan araç kullanımı üç aşamalı bir döngü üzerine kurulur. Birinci aşamada geliştirici, modele JSON şemasıyla araç tanımları iletir: araç adı, açıklaması ve her parametrenin veri tipi. İkinci aşamada model, kullanıcı isteğini analiz ederek hangi aracı hangi parametrelerle çağırması gerektiğine karar verir ve yapılandırılmış bir araç çağrısı bloğu üretir. Üçüncü aşamada uygulama katmanı bu çağrıyı yürütür, sonucu modele döndürür ve model nihai yanıtı oluşturur. Paralel araç çağırma, tek bir yanıt döngüsünde birden fazla araç çağrısını eş zamanlı tetikleme yeteneğidir. "Paris ve Tokyo hava durumunu karşılaştır" isteğinde model iki ayrı hava durumu API çağrısını paralel başlatır; sıralı çağrıya kıyasla gecikmeyi önemli ölçüde kısaltır. MCP (Model Context Protocol), Anthropic'in 2024'te açık kaynak olarak sunduğu standarttır. MCP sunucuları araçları, kaynak şemalarını ve hızlı şablon tanımlarını standart biçimde yayınlar; herhangi bir MCP istemcisi model bağımsız olarak bu araçları kullanabilir. Cursor, Zed ve Claude Desktop giderek genişleyen MCP ekosistemini benimseyen uygulamalara örnek oluşturmaktadır. ReAct (Reasoning + Acting) çerçevesi, araç kullanımını adım adım mantık zincirleriyle birleştirir: model düşünme adımını metin olarak üretir, ardından araç çağrısı yapar, sonucu değerlendirir ve gerekirse tekrar düşünüp yeni araç çağrısı başlatır. Bu döngü karmaşık çok adımlı görevlerde doğruluk ve güvenilirliği artırır; hatalı araç çağrılarını takip adımında düzeltme olanağı tanır. Güvenlik açısından araç kullanımı, prompt injection saldırılarına karşı dikkat gerektirir; kötü niyetli içerik araç parametrelerine sızabilir. Üretim sistemlerinde araçların izin denetimi, sandbox yürütme ortamı ve kullanıcı onay adımlarıyla sarmalanması önerilir. Bilgisayar kontrolü ve dosya sistemi erişimi gibi yüksek riskli araçlarda insan gözetimi (human-in-the-loop) kritik önem taşır.
Turing Test (Turing Testi)
Turing Testi, İngiliz matematikçi Alan Turing tarafından 1950 yılında yayımladığı "Computing Machinery and Intelligence" makalesinde "İmitasyon Oyunu" (Imitation Game) adıyla önerilen, makinelerin insan benzeri zekâ sergileyip sergileyemediğini değerlendiren bir ölçüt olarak tanımlanmıştır. Testin temel düzeneğinde bir insan sorgulayıcı, yalnızca yazışma kanalıyla hem bir insanla hem de bir makineyle eş zamanlı iletişime geçer; makine bu etkileşimde insandan ayırt edilemiyorsa zekâ testini geçmiş sayılır. Turing, makalesinde "Makineler düşünebilir mi?" sorusunu doğrudan yanıtlamak yerine bu soruyu daha ölçülebilir bir biçime dönüştürdü. İmitasyon Oyunu başlangıçta bir erkeğin ve bir kadının hakem tarafından cinsiyete göre ayırt edilmesiyle ilgiliydi; Turing bunu daha sonra insanla makine arasındaki ayrım sorununa uyarladı. Bu yaklaşım, zihin felsefesindeki davranışçı geleneğin bir yansımasıdır: içsel durumlardan bağımsız olarak yalnızca dışsal davranış gözlemlenebilirdir ve bu gözlem zekânın varlığına kanıt oluşturabilir. Testin tarihsel etkisi derin olmuştur. 1966'da Joseph Weizenbaum'un ELIZA programı, bazı kullanıcıların gerçek bir terapistle konuştuklarını sanmalarına yol açarak insan-makine etkileşiminin karmaşıklığını gözler önüne serdi. 1980'de John Searle'ün önerdiği Çin Odası (Chinese Room) düşünce deneyi ise testin en sert felsefi eleştirisini oluşturdu: Searle, dilsel sembolleri işleyen bir sistemin dili anlamak zorunda olmadığını savunarak sözdizimsel yeterliliğin (syntax) anlambilimsel kavrayış (semantics) anlamına gelmediğini gösterdi. Yıllık Loebner Ödülü yarışmaları (1991'den bu yana), değerlendiricileri en çok yanıltan chatbot'lara verilen bronz madalyayla pratikte testin en somut sınavı olmuştur. GPT-4 ve Claude gibi büyük dil modelleri, genel yazışmalarda çoğu kullanıcı tarafından insandan ayırt edilemez düzeye ulaşmış olsa da bu durum gerçek anlayışın kanıtı olarak değil, istatistiksel örüntü eşleştirmesinin bir ürünü olarak yorumlanmaktadır. Bu nedenle araştırmacılar ARC, MMLU ve BIG-Bench gibi nesnel kıyaslama setlerini zekâ ölçümünün önüne geçirmektedir.
vLLM (vLLM)
vLLM, UC Berkeley'de geliştirilen ve büyük dil modellerinin (LLM) üretim ortamında hızlı ve verimli biçimde sunulmasını sağlayan açık kaynaklı bir çıkarım (inference) kütüphanesidir. Temel yeniliği olan PagedAttention mekanizması, KV önbelleğini işletim sistemlerindeki sanal bellek yönetiminden ilham alarak sayfalara böler ve dinamik olarak tahsis eder. Bu yaklaşım bellek parçalanmasını minimuma indirerek GPU belleğinin çok daha verimli kullanılmasına olanak tanır. Continuous batching özelliğiyle birleşince vLLM, standart HuggingFace Transformers pipeline'larına kıyasla 24 kata kadar daha yüksek throughput elde edebilir. vLLM, 2023 yılında SOSP konferansında yayımlanan akademik makaleyle tanıtıldı ve kısa sürede yapay zeka topluluğunun en çok kullandığı LLM servis altyapısı haline geldi. Proje GitHub'da 40K'ı aşan yıldızla aktif bir geliştirici kitlesine sahip olmaya devam etmektedir. OpenAI uyumlu REST API sunan vLLM, mevcut sistemlere minimal değişiklikle entegre edilebilmektedir. Teknik açıdan vLLM; Llama, Mistral, Qwen, Gemma ve diğer popüler modelleri destekler. Tensor parallelism ve pipeline parallelism ile modeli birden fazla GPU'ya dağıtabilir, quantization (AWQ, GPTQ, bitsandbytes) ile bellek gereksinimini düşürür. LoRA adaptörlerini çalışma zamanında dinamik olarak yükleyip kaldırabilmesi birden fazla görev için tek bir model örneğini paylaşmaya imkân tanır. Türkiye'de yapay zeka tabanlı ürün geliştiren şirketler ve araştırma kurumları, vLLM'i özellikle maliyet optimizasyonu amacıyla tercih etmektedir. Aynı GPU kümesinde standart kütüphanelere kıyasla çok daha yüksek istek kapasitesi sunulabilmesi, bulut maliyetlerini önemli ölçüde düşürür. Yerli yapay zeka altyapılarında veri egemenliğini korurken yüksek performans elde etmek isteyen kurumlar için kritik bir araçtır. vLLM, OpenAI uyumlu API sunduğundan mevcut entegrasyonlar minimum değişiklikle kendi altyapısına taşınabilir; bu da geçiş sürecini hızlandıran önemli bir avantajdır. Akademik temelli olmasına karşın hızla olgunlaşan proje, kurumsal destek almak isteyen ekipler için de güvenilir bir tercih olmayı sürdürmektedir.
VRAM (GPU Belleği)
VRAM (Video RAM), GPU'nun (grafik işlemci birimi) üzerinde bulunan ve model ağırlıkları, aktivasyonlar ile ara hesaplama verilerini tutan yüksek bant genişlikli bellektir. Sistem RAM'i CPU'ya hizmet ederken VRAM doğrudan GPU çekirdeklerine bağlıdır ve GDDR7 ile 1 TB/s'nin üzerinde, HBM3e ile 8 TB/s'ye varan veri aktarım hızına ulaşır. Bu hız farkı, binlerce çekirdeğin aynı anda veri beklediği paralel hesaplamada belirleyicidir. Yapay zeka tarafında VRAM, çalıştırılabilecek modelin üst sınırını çizen ana donanım kısıtıdır. Bir büyük dil modelinin (LLM) tüm ağırlıkları çıkarım sırasında VRAM'e yüklenir: 7B parametreli bir model FP16 hassasiyetle yaklaşık 14 GB, 4-bit kuantizasyonla 4-5 GB yer kaplar; 70B sınıfı bir model ise FP16'da 140 GB isteyip INT4 ile 35-40 GB'a iner. Ağırlıkların üzerine, bağlam uzunluğuyla büyüyen KV cache ve batch verisi eklenir; 128K token bağlam tek başına gigabaytlarca ek VRAM tüketebilir. Kapasite aşıldığında model ya hiç yüklenmez ya da sistem RAM'ine taşarak (CPU offload) on kata varan yavaşlamayla çalışır. 2026 itibarıyla kapasite yelpazesi geniştir: tüketici tarafında RTX 5090 32 GB GDDR7, RTX 4090 24 GB sunar; veri merkezinde H100 80 GB, H200 141 GB, Blackwell B200 ise 192 GB HBM3e taşır. Apple Silicon farklı bir yol izler: M3 Ultra'da 512 GB'a çıkan birleşik bellek (unified memory), CPU ve GPU tarafından ortak kullanılır ve ayrı VRAM kavramını ortadan kaldırır. Yerel LLM çalıştırma, Stable Diffusion/Flux ile görüntü üretme veya LoRA ince ayarı planlayan herkes için ilk sorulacak soru işlemci hızı değil, kaç GB VRAM olduğudur.
W3C (World Wide Web Consortium)
W3C (World Wide Web Consortium), Tim Berners-Lee tarafından 1994 yılında kurulan ve World Wide Web'in temel standartlarını geliştiren uluslararası bir standartlar kuruluşudur. Günümüzde 400'ü aşkın üye organizasyonu barındıran W3C, HTML, CSS, SVG, WebAssembly ve WebRTC gibi teknolojilerin teknik özelliklerini (specification) açık ve tarafsız bir süreçle oluşturur. W3C standartlarının yapay zeka ve modern web ile kesişimi giderek derinleşmektedir. WebGPU standardı, tarayıcı içinde GPU hesaplama kapasitesi sunarak makine öğrenmesi modellerinin web uygulamalarında doğrudan çalıştırılmasının önünü açar. Web Speech API ses tanıma ve sentezi standartlaştırırken, WebNN (Web Neural Network API) sinir ağı işlemlerini donanım hızlandırmasıyla tarayıcıda gerçekleştirmeye olanak tanır. Erişilebilirlik, W3C'nin öncelikli çalışma alanlarından birini oluşturur. WAI (Web Accessibility Initiative) kapsamında geliştirilen WCAG (Web Content Accessibility Guidelines), web içeriğinin görme, işitme veya motor yetersizliği olan kullanıcılar için de erişilebilir olmasını sağlayan kriterleri belirler. Yapay zeka içerik oluşturma araçlarının bu kılavuzlarla uyumu giderek daha kritik hale gelmektedir. W3C standartları, Recommendation (Öneri) statüsüne ulaşmadan önce Working Draft (Taslak), Candidate Recommendation (Aday Öneri) ve Proposed Recommendation (Önerilen Öneri) aşamalarından geçer. Bu süreç zaman alıcı olsa da geniş paydaş katılımı ve açık yorum dönemleri standartların uzun vadeli kararlılığını garanti eder. W3C'nin görevi yalnızca standart yazmak değil, World Wide Web'i herkes için açık, erişilebilir ve birlikte çalışabilir tutmaktır. Bu vizyon, yapay zekanın web platformuyla entegrasyonunda da temel çerçeveyi çizmektedir.
WebGPU (WebGPU)
WebGPU, modern web tarayıcılarına düşük seviyeli GPU programlama kapasitesi sunan yeni nesil bir web standardıdır. W3C tarafından geliştirilen ve 2023 yılında Chrome ve Firefox'ta kararlı desteğe kavuşan WebGPU, eski WebGL API'sinin yerine geçerek grafik ve genel amaçlı GPU hesaplama (GPGPU) yeteneklerini tarayıcıya taşır. WebGPU'nun yapay zeka açısından önemi büyüktür: GPU'nun paralel hesaplama gücü artık tarayıcı içindeki makine öğrenmesi modellerine doğrudan erişilebilir hale gelmiştir. TensorFlow.js ve ONNX Runtime Web, WebGPU arka ucu aracılığıyla görüntü sınıflandırma, doğal dil işleme ve ses tanıma gibi modelleri tarayıcıda saniyeler içinde çalıştırabilmektedir; bu işlemler için hiçbir bulut sunucusu gerekmez. WebGL ile kıyaslandığında WebGPU çok daha modern ve esnek bir programlama modeli sunar. WGSL (WebGPU Shading Language) adlı yeni bir gölgelendirici dili, hem grafik hem de compute shader yazımını birleştirip güçlendirir. Compute shader desteği WebGL'de sınırlıyken WebGPU bunu birinci sınıf özellik olarak sunar; bu da GPU üzerinde matris çarpımı, paralel sıralama ve nöral ağ çıkarımı gibi görevlerin verimli biçimde gerçekleştirilmesini mümkün kılar. Güvenlik, WebGPU tasarımının merkezindedir. Bellek izolasyonu, kaynak sınırlandırması ve tarayıcı güvenlik katmanları, GPU'ya doğrudan donanım erişiminin getireceği riskleri yönetir. Vulkan, Metal ve D3D12 gibi platform yerel grafik API'lerine uyarlanan bir soyutlama katmanı sayesinde Windows, macOS ve Linux üzerinde tutarlı bir davranış elde edilir. WebGPU, yerel AI çalıştırma vizyonunun web tarafındaki temel taşını oluşturur ve tarayıcıyı giderek daha güçlü bir AI çalışma ortamına dönüştürmektedir.