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)
Dar Yapay Zeka (ANI — Artificial Narrow Intelligence), yalnızca belirli bir görev veya sınırlı bir alan için tasarlanmış ve eğitilmiş yapay zeka sistemlerini tanımlar. Bu sistemler, kendi uzmanlık alanlarında insanı aşan bir performans sergileyebilirken başka bir göreve uyarlanamazlar. Günümüzdeki tüm ticari yapay zeka ürünleri dar yapay zeka kategorisine girmektedir. Dar yapay zekanın en bilinen örnekleri arasında DeepMind'ın AlphaGo ve AlphaZero oyun sistemleri, OpenAI'nin GPT dil modelleri, Google'ın arama algoritmaları ve çeşitli öneri motorları sayılabilir. AlphaGo, Go oyununda dünya şampiyonlarını yenerek insanüstü performans gösterirken aynı sistem basit bir matematik problemini çözemez. GPT tabanlı modeller doğal dil işlemede olağanüstü başarı gösterirken görüntü sınıflandırma görevlerini doğrudan yerine getiremezler. ANI, Yapay Genel Zeka (AGI — Artificial General Intelligence) ve Yapay Süper Zeka (ASI — Artificial Super Intelligence) ile karşılaştırıldığında mevcut teknolojinin gerçekçi sınırını temsil eder. AGI, herhangi bir entelektüel görevi öğrenip uygulayabilmeli ve görevler arası bilgi aktarımı yapabilmelidir; henüz gerçekleşmemiş ve yoğun biçimde araştırılan teorik bir hedeftir. ASI ise tüm alanlarda insan zekasını aşan hipotetik bir sistemdir. Dar yapay zeka sistemleri büyük veri ve güçlü hesaplama altyapısına bağımlıdır; dağılım dışı (out-of-distribution) girdilerde başarım hızla düşer. Eğitim verisinde karşılaşılmamış yeni bir kavşak düzenini sürüş modeli yorumlayamayabilir. Transfer öğrenme ve çok görevli modeller bu kırılganlığı kısmen azaltsa da gerçek anlamda genel zeka kapasitesi henüz kazanılamamıştır. Günümüz yapay zeka araştırmalarının büyük çoğunluğu dar yapay zeka sınırları içinde kalmayı sürdürmektedir. Çok modlu (multimodal) modeller ve büyük dil modellerinin hızlı gelişimi, araştırmacıların ANI ile AGI arasındaki sınırı yeniden tartışmasına yol açmaktadır. Foundation modeller bu geçiş bölgesindeki en ilgi çekici araştırma alanını oluşturmaktadır.
Artificial Superintelligence (ASI) (Süper Yapay Zeka)
Yapay Üstü Zeka (ASI — Artificial Superintelligence), her alanda insan bilişsel yeteneklerini önemli ölçüde aşan hipotetik bir yapay zeka sistemidir. Dar yapay zeka (belirli görevlerde uzmanlaşmış) veya Yapay Genel Zeka (AGI — insan düzeyinde genel yetkinlik) kavramlarının ötesine geçen ASI; bilim, sanat, strateji ve sosyal beceriler dahil tüm alanlarda insanın çok üzerinde performans gösterir. Nick Bostrom, 2014 yılında yayımladığı "Superintelligence: Paths, Dangers, Strategies" adlı kitabında ASI kavramını akademik gündemin merkezine taşıdı. Bostrom'a göre, bir kez AGI elde edildikten sonra sistem kendi kendini iyileştirebilir; bu geri besleme döngüsü üstel hızda bir zeka patlamasına (intelligence explosion) yol açabilir. I.J. Good'un 1965 tarihli makalesinde tanımladığı bu senaryo, "teknolojik tekillik" (technological singularity) noktasına işaret eder. ASI'nin güvenliği, yapay zeka hizalama araştırmasının temel motivasyonudur. Bir ASI sistemi insan değerlerini yanlış yorumlarsa ya da amaçlarından saparsa sonuçlar geri döndürülemez olabilir; bu durum "kontrol problemi" (control problem) olarak adlandırılır. Hedef belirtimi sorunu (specification problem) bunun özel bir biçimidir: geniş bir amaç verildiğinde bir ASI'nın bunu nasıl yorumlayacağı öngörülemez. Anthropic'in Anayasal Yapay Zeka ve RLHF çalışmaları bu soruna küçük ölçekli yanıtlar üretmeye çalışmaktadır. ASI'nin ne zaman gerçekleşebileceği derin bir belirsizlik taşır. Ray Kurzweil 2045 civarını makul bir hedef olarak gösterirken Geoffrey Hinton ve Yoshua Bengio mevcut derin öğrenme paradigmasının temel sınırlamalar içerdiğini kabul eder. Yann LeCun ise büyük dil modellerinin dünya anlayışı ve fiziksel sezgiden yoksun olduğunu, ASI için tamamen farklı mimari yaklaşımların gerektiğini savunur. 2026 itibarıyla hiçbir sistem AGI düzeyine ulaşmamışken, hizalama araştırmaları ve uluslararası yapay zeka yönetişimi bu uzak ama yüksek-riskli senaryoyu güncel politika tartışmalarına taşımaktadır.
Az-Atışlı İstem (Az-Atışlı İstem (Few-Shot Prompting))
Az-Atışlı İstem (Few-Shot Prompting), büyük dil modellerine (LLM) görevi açıklamadan önce birkaç örnek girdi-çıktı çifti göstererek modelin istenen davranışı örneklerden çıkarsamasını sağlayan bir bağlam içi öğrenme (in-context learning) tekniğidir. GPT-3'ün 2020'deki tanıtımıyla popülerleşen bu yaklaşım, herhangi bir ağırlık güncellemesi gerektirmez; model yalnızca bağlamı (promptu) okuyarak örüntüyü genelleştirir. Zero-shot prompting'de model yalnızca talimatla yönlendirilirken, few-shot'ta 2-10 arası somut örnek sağlanır: girdi → beklenen çıktı formatında. Bu örnekler modelin ton, format ve muhakeme stilini hızla yakalamasını sağlar. Örneğin duygu analizi için "Bu yorum olumsuz: 'Berbat bir ürün' → Negatif. Bu yorum olumlu: 'Harika deneyim!' → Pozitif. Bu yorum nedir: 'İdare eder'?" şeklinde bir prompt, etiket tanımı gerektirmeden doğru sınıflandırma yapmasını mümkün kılar. Few-shot prompting özellikle etiketli eğitim verisi oluşturmanın pahalı veya yavaş olduğu alanlarda, hızlı prototipleme aşamalarında ve model ince ayarı (fine-tuning) için yeterli veri bulunmadığında güçlü bir alternatif sunar. Örnek seçimi kritik öneme sahiptir: temsili, çeşitli ve doğru etiketlenmiş örnekler modelin genelleştirme kapasitesini artırırken hatalı veya tekrarlayan örnekler performansı düşürür. Çoklu örnek formatı dışında Chain-of-Thought (CoT) few-shot tekniği, her örneğe adım adım akıl yürütme süreci eklenerek modelin karmaşık matematiksel veya mantıksal problemleri çözmesini güçlü biçimde destekler. Google DeepMind'ın araştırmaları (2022), CoT few-shot kombinasyonunun aritmetik akıl yürütmede yalnızca standart few-shot'a kıyasla iki kata varan doğruluk artışı sağladığını göstermiştir. Ancak dikkat edilmesi gereken sınırlamalar vardır: bağlam penceresinin kapasitesi sınırlıdır; çok fazla örnek pencereyi doldurarak hem maliyeti artırır hem de performansı düşürebilir. Son konumlanan örnekler recency bias nedeniyle daha fazla etki yaratır. Brown ve arkadaşlarının GPT-3 makalesi (2020), few-shot ICL'nin ölçek büyüdükçe dramatik biçimde iyileştiğini ortaya koymuş ve "ölçek yasası"nı destekleyen kanıtlar sunmuştur. Günümüzde Gemini 1.5 Pro gibi milyonlarca token bağlam penceresi sunan modeller "many-shot" öğrenmeyi mümkün kılmakta; bu, fine-tuning'e yakın performans sunarken eğitim maliyetini sıfıra indirmektedir.
BCI (Beyin-Bilgisayar Arayüzü) (Beyin-Bilgisayar Arayüzü)
Beyin-Bilgisayar Arayüzü (BCI — Brain-Computer Interface), beyindeki elektriksel sinyalleri doğrudan okuyarak bilgisayar, protez veya diğer cihazlara komut göndermek için kullanılan bir teknolojidir. Geleneksel insan-bilgisayar etkileşimi klavye, fare veya dokunmatik ekran aracılığıyla kasların kontrolüne dayanırken BCI, sinir sisteminin sinyal zincirini daha erken bir noktada keserek doğrudan nöral aktivasyonları arayüze dönüştürür. BCI sistemleri iki ana kategoride incelenir: invaziv ve non-invaziv. İnvaziv BCI'larda elektrotlar beynin korteks katmanına cerrahi müdahaleyle yerleştirilir; yüksek sinyal kalitesi sunar ancak enfeksiyon ve doku tepkimesi riskleri taşır. Non-invaziv BCI'larda ise EEG (elektroensefalografi) başlıkları kafa derisi üzerindeki elektriksel aktiviteyi ölçer; pratik ve güvenli olmakla birlikte sinyal gürültüsü daha yüksektir. Bu iki uç arasında intrakraniyal ama korteks altı yaklaşımlar olan ECoG (elektrokortikografi) da araştırılmaktadır. Sinyal işleme zinciri BCI'nın kalbidir: ham EEG verisi filtreleme, özellik çıkarma ve makine öğrenmesi sınıflandırıcısından geçerek kullanılabilir komutlara dönüştürülür. Özellik çıkarmada alfa/beta ritmi güç bantları ve olay ilişkili potansiyeller (P300 gibi) kullanılır. Derin öğrenme tabanlı CNN ve LSTM modelleri, motor imgeleme sınıflandırmasında geleneksel yöntemlerin önüne geçmiştir. Neuralink, BrainGate ve Synchron gibi şirketler invaziv BCI'yı felçli hastaların iletişim ve hareket kazanmasına yönelik kliniklere taşımaktadır. 2023 itibarıyla Neuralink'in N1 çipi insan deneklerine implante edilmiş; kullanıcılar yalnızca düşünceyle bilgisayar imlecini kontrol etmiştir. Yapay zeka, BCI'ın ham sinyal yorumlama kapasitesini önemli ölçüde artırmaktadır: transfer öğrenme kişiler arası model uyarlamasını kolaylaştırırken üretici modeller sentetik EEG verisi üreterek eğitim kümesini genişletir. Etik açıdan nöral veri gizliliği, zihinsel mahremiyetin korunması ve nöroteknolojiyle artan bilişsel eşitsizlik, BCI alanının en tartışmalı konuları arasındadır. Bu alanda düzenleyici çerçeveler henüz teknolojik gelişimin gerisinde kalmakta olup uluslararası standartlaşma çalışmaları sürmektedir.
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.
Claude Code (Claude Code)
Claude Code, Anthropic tarafından geliştirilen ve doğrudan terminal üzerinden çalışan ajansal bir yapay zeka kodlama aracıdır. Geleneksel kod tamamlama araçlarının aksine Claude Code, bir görevi aldığında dosya sistemi üzerinde gezinebilir, kod yazabilir ve düzenleyebilir, testleri çalıştırabilir, hataları okuyup analiz edebilir ve ardından değişiklikleri commit edip push edebilir. Tüm bu adımlar kullanıcıdan her aşamada onay beklemeksizin bir zincir hâlinde yürütülür; bu nedenle "ajansal" olarak nitelendirilir. Aracın merkezinde Claude modeli yer alır ve kullanıcı terminalde doğal dil talimatları vererek çalışmayı yönlendirir. Claude Code, proje kök dizininde yer alan CLAUDE.md dosyasını oturum başında okur; bu dosya modele kalıcı talimatlar iletir: hangi linting kuralının uygulanacağı, hangi kütüphanelerden kaçınılacağı, test çalıştırma komutu ve mimari kısıtlamalar. Böylece her oturumda aynı bağlam bilgilerini tekrar açıklamak gerekmez ve ekip genelinde tutarlı bir geliştirme deneyimi elde edilir. Model Context Protocol (MCP) entegrasyonu sayesinde Claude Code, Supabase, GitHub, Linear ve Sentry gibi harici araçlarla standart bir protokol üzerinden etkileşime girebilir. Örneğin bir geliştirici "şu bug'ı düzelt ve ilgili Linear issue'yu kapat" diyebilir; Claude Code kodu düzeltir, testleri çalıştırır, değişiklikleri commit eder ve Linear API'si aracılığıyla issue'yu kapatır. Bu entegrasyon, yazılım geliştirme iş akışının büyük bölümünü tek bir terminal arayüzünden yönetmeye olanak tanır. Güvenlik açısından Anthropic'in insan denetimini ön planda tutan tasarım felsefesi Claude Code'a da yansımıştır. Araç, dosya silme, force push veya üretim ortamını doğrudan etkileyen komutlar öncesinde kullanıcıdan açık onay ister. İzin yapılandırması oturum düzeyinde özelleştirilebilir; tehlikeli işlemler otomatikleştirme kapsamı dışında bırakılabilir. Bu yaklaşım, otomasyon hızını korurken insan gözetimini de sürdürür. Claude Code, VS Code ve JetBrains IDE'leri için eklenti formatında da sunulmaktadır. Editör içi entegrasyon, terminale geçmeksizin mevcut IDE arayüzünden ajansal görev başlatmayı mümkün kılar. Claude Pro aboneleri veya API erişimi olan geliştiriciler araca claude.ai/code üzerinden ulaşabilir. Büyük kod tabanlarıyla çalışırken Claude Code, alakalı dosyaları arama araçlarıyla bulup bağlam penceresine alır ve kalıcı hafıza sistemi uzun projelerde oturum sürekliliğini korur.
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 vermektir; belge tamamen gerekliyse uzun pencereyi kullanmak, yalnızca belirli bilgi parçaları yeterliyse özetleme veya RAG gibi yöntemlerle pencereyi verimli işletmek daha akılcıdır. Türkçe gibi eklemeli dillerde tokenizasyon İngilizceye göre daha fazla token tüketebildiğinden, token bütçesini planlarken bu farka dikkat etmek gerekir. API kullanımında hem girdi hem çıktı tokenları ücretlendirilir; bu nedenle bağlam penceresi yalnızca teknik bir sınır değil, aynı zamanda doğrudan bir maliyet kalemidir. Context engineering (bağlam mühendisliği) adıyla anılan yeni disiplin, bu sınırlı alana hangi bilginin, hangi sırayla ve hangi formatta yerleştirileceğini sistematik biçimde tasarlamaya odaklanmaktadır.
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 çağırma (function calling), büyük dil modellerinin (LLM) doğal dil yanıtı üretmek yerine önceden tanımlanmış bir aracı veya API-yi çağırabilen yapılandırılmış bir çıktı üretmesi özelliğidir. Bu mekanizma, LLM-leri pasif metin üreticilerinden aktif ajanlara dönüştürmektedir. Fonksiyon çağırma tipik olarak şu şekilde işler: geliştirici, modele hangi fonksiyonların mevcut olduğunu JSON Schema formatında tanımlar. Kullanıcının isteği bu araçların kullanımını gerektiriyorsa model doğal dil yanıtı yerine araç adı ve parametrelerini JSON olarak döner. Uygulama bu JSON-u alır, ilgili fonksiyonu çalıştırır, sonucu modele gönderir ve model nihai yanıtı üretir. OpenAI, bu özelliği GPT-4-te function calling olarak tanıttı; daha sonra tool use adıyla yeniden yapılandırdı. Anthropic Claude-un tool use özelliği, AWS Lambda veya harici API-ler gibi araçlarla entegrasyon için aynı prensibi kullanır. Bu yapılandırma, paralel çağrılar (parallel tool use) ile birden fazla aracı aynı anda çağırmayı da olanaklı kılar. Fonksiyon çağırma; hava durumu sorgulama, veritabanı okuma ve yazma, takvim yönetimi, kod yürütme ve web arama gibi ajanlar için temel bir bileşendir. ReAct (Reason + Act) çerçevesi ve AutoGPT gibi ajan mimarileri bu özelliği sıklıkla kullanmaktadır. MCP (Model Context Protocol), Anthropic-in standartlaştırdığı bir protokoldür; sunucular araçları MCP formatında tanımlayarak herhangi bir MCP destekli modelin bu araçları kullanabilmesini mümkün kılar. Bu sayede uygulamalar, LLM sağlayıcısından bağımsız olarak yeniden kullanılabilir araç kütüphaneleri oluşturabilir. Cursor, Zed ve diğer modern IDE-ler MCP entegrasyonuyla gelişmiş yapay zeka ajan özellikleri sunmaktadır. Fonksiyon çağırma, dil modellerini gerçek dünya sistemleriyle bütünleştiren en önemli mimari yeniliklerden biri olarak değerlendirilmektedir. Yapısal olarak basit görünse de paralel çağrım, hata yönetimi ve araç güvenliği gibi konular üretim sistemlerinde dikkatle ele alınması gereken mühendislik sorunlarıdır. Güvenlik açısından fonksiyon çağırmanın dikkat gerektiren yönleri vardır: prompt enjeksiyonu, modelin meşru bir kullanıcı gibi görünen kötü amaçlı komutlar aracılığıyla beklenmedik araç çağrılarına yönlendirilmesidir. Bu nedenle araç izinleri en az yetki prensibiyle tasarlanmalı, geri alınamaz işlemler (ödeme, silme) için insan onayı mekanizmaları eklenmelidir. Structured Outputs özelliğiyle birleştirildiğinde fonksiyon çağırma, yalnızca JSON şemasına uyan yanıtlar garantilediğinden üretim ortamı güvenilirliğini artırır.
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 biçimde 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. Mimarisi bakımından Gemma 3, yerel ve küresel dikkat katmanlarını dönüşümlü kullanan bir Transformer yapısına dayanır; bu tasarım uzun bağlam penceresini KV önbellek maliyetini aşırı büyütmeden destekler. 4B ve üzeri modeller, SigLIP tabanlı görüntü kodlayıcısı aracılığıyla görsel soru cevaplama, ekran görüntüsü analizi ve belge okuma gibi çok modlu görevleri yerine getirir. Google ayrıca düşük VRAM'li donanımlar için nicemlemeye duyarlı eğitilmiş QAT sürümleri yayımlamıştır; bu sürümler kalite kaybını küçük tutarak bellek gereksinimini ciddi ölçüde azaltır. 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 (LLM) tek bir dosyada saklamak ve dağıtmak için tasarlanmış ikili bir dosya biçimidir. Ağırlıklar, tokenizer yapılandırması, model mimarisi ve hiperparametreler gibi tüm bileşenler bu tek dosyada bir araya getirilir; bu sayede modeli farklı sistemlerde çalıştırmak için ek yapılandırma dosyasına gerek kalmaz. GGUF, Ağustos 2023'te llama.cpp projesi tarafından eski GGML formatının yerini almak üzere geliştirildi. GGML'in önemli bir dezavantajı vardı: model yapısı değiştiğinde önceki sürümlerle uyumsuzluk oluşuyor ve kullanıcılar dosyalarını yeniden indirmek zorunda kalıyordu. GGUF ise genişletilebilir meta veri yapısıyla geriye dönük uyumluluğu korur. Formatın en önemli özelliği niceleme (quantization) desteğidir. Niceleme, model ağırlıklarını 32 bitlik kayan nokta yerine daha az bit kullanan tam sayılarla temsil ederek dosya boyutunu ve bellek gereksinimini büyük ölçüde azaltır. Başlıca niceleme düzeyleri şunlardır: - **Q4_K_M**: 4 bit, orta ölçekli k-niceleme; kalite ile hız arasında iyi denge sağlar ve 7B modelleri için önerilen standarttır. - **Q5_K_M**: 5 bit, biraz daha yüksek doğruluk; disk alanı pahasına daha iyi çıktı üretir. - **Q8_0**: 8 bit; orijinal modele en yakın kaliteyi sunar, ancak dosya boyutu oldukça büyüktür. - **Q2_K**: 2 bit; bellek kısıtlı cihazlar için minimize edilmiş seçenek, ancak çıktı kalitesi belirgin düşer. GGUF dosyaları; llama.cpp, Ollama, LM Studio ve GPT4All gibi araçlarla sorunsuz çalışır. Bu araçlar, GGUF modellerini CPU ile çalıştırabilir, GPU katmanlarına kısmi yükleyebilir (GPU offloading) ya da Apple Silicon'ın Metal API'si aracılığıyla hızlandırabilir. Hugging Face Model Hub'da binlerce hazır GGUF dosyası barındırılmakta; topluluk tarafından dönüştürülmüş ve nicelenmiş modeller kolayca indirilebilmektedir. Alternatif formatlarla karşılaştırıldığında GGUF, taşınabilirlik açısından öne çıkar. GPTQ ve AWQ GPU odaklı niceleme formatları olduğundan CPU desteği sınırlıdır. Safetensors ise güvenli ve hızlı yükleme sunar ancak ayrı tokenizer dosyası gerektirir. GGUF'un tek dosya + CPU uyumluluğu yaklaşımı, lokal ve edge dağıtım senaryolarında onu özellikle avantajlı kılar.
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, türlerini ve kısıtlamalarını tanımlayan bir spesifikasyon standardıdır. Bir JSON belgesinin nasıl görüneceğini önceden tanımlamaya, veriyi doğrulamaya (validation) ve otomatik olarak belgelemeye olanak tanır. JSON Schema, JSON verisinin "blueprint"i (şablonu) olarak düşünülebilir. Bir JSON Schema belgesi, hangi alanların zorunlu olduğunu, her alanın türünü (string, number, boolean, array, object) ve geçerli değer aralığını tanımlar. Örneğin bir kullanıcı nesnesi için "name" alanı string ve zorunlu, "age" 0 ile 150 arasında integer, "email" regex ile doğrulanmış string olarak tanımlanabilir. Tip denetiminin yanı sıra minimum, maximum, minLength, maxLength, pattern ve enum anahtar kelimeleriyle çok katmanlı kısıtlamalar ifade edilebilir. JSON Schema, API dokümantasyonu ve doğrulamasında kritik bir rol oynamaktadır. OpenAPI Specification (Swagger), REST API'lerini tanımlarken JSON Schema'yı temel alır. Bu sayede API tanımlamasından otomatik olarak istemci SDK'ları, sunucu stub'ları ve dokümantasyon sayfaları üretilmesi mümkün olmaktadır. Kod üreteci araçlar ise OpenAPI tanımlamasından TypeScript tiplemeleri, Python Pydantic modelleri veya Java DTO sınıfları üretebilir; bu yaklaşım API'yi tek kaynak of truth olarak konumlandırır. Yapay zeka uygulamalarında JSON Schema, büyük dil modellerinin (LLM) yapılandırılmış çıktı üretmesi için zorunlu hale gelmiştir. OpenAI ve Anthropic'in function calling/tool use özelliklerinde her araç, parametrelerini JSON Schema ile tanımlar. Claude ve GPT-4'ün "structured outputs" modu da tamamen JSON Schema üzerine kuruludur; model yalnızca şemada tanımlanan alanlara sahip yanıtlar döndürür. Pydantic (Python) ve Zod (TypeScript) gibi kütüphaneler, JSON Schema doğrulamasını uygulama düzeyinde kolaylaştıran popüler araçlar arasındadır. TypeScript ekosisteminde Zod kütüphanesi, tip güvenli şema tanımını çalışma zamanı doğrulamasıyla birleştirir ve .toJSONSchema() yöntemiyle doğrudan JSON Schema çıktısı üretir. @sinclair/typebox ise TypeScript tiplerini JSON Schema olarak ifade ederek derleme ve çalışma zamanı arasındaki uyumu garantiler. Node.js tarafında AJV (Another JSON Schema Validator), JIT derleme kullanarak nanosaniye düzeyinde doğrulama performansı sunar. Sürüm tarihi açısından JSON Schema 2009'da taslak olarak başlamış; bugün Draft 2020-12 en kararlı sürüm konumundadır. Tekrar kullanılabilir alt şema tanımları ($defs), diğer şema referansları ($ref) ve şema birleşimi (allOf, anyOf, oneOf) bu standardın ileri özellikleri arasında yer alır.
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 mekanizmasiyla 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 tanimlayicisi 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 yapilandirilmis veriyi (structured data) JSON-LD formatinda beklemekte 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 formati anlayabilir. Verinin anlamsal web (Semantic Web) standartlariyla uyumlu olmasi sayesinde birden fazla kaynaktan gelen veri otomatik olarak birlestirilebilir ve sorgulanabilir. RDF (Resource Description Framework) ile JSON-LD arasindaki iliski onemlidir: JSON-LD, RDF'i JSON sozdizimi ile ifade etmenin modern ve pratik yoludur. JSON-LD Playground araci, herhangi bir JSON-LD belgesini RDF triple formatina donusturmeyi ve SPARQL sorgusu yazmayi destekler. Ayrica JSON-LD 1.1 surumu ile eklenen @graph, @nest ve scoped context gibi ileri ozellikler karmasik ontoloji tasarimlarini kolaylastirmaktadir. Yapay zeka ve Buyuk Dil Modelleri (LLM) alaninda JSON-LD, entity resolution ve semantik arama uygulamalarinin temel yapi taslarindan biri konumundadir. RAG (Retrieval-Augmented Generation) mimarilerinde belgelere eklenen JSON-LD metadatasi, vektör arama sonuclarini baglamsal bilgiyle zenginlestirir. Google Arama'nin AI Overviews ozelligi de yapilandirilmis veri isaretlerini degerlendirmeye almaktadir. Siteye JSON-LD eklemek, hem SEO hem de yapay zeka tabanli arama sistemlerinde gorunurlugu artiran iki yon kazanmli bir yaklasimdir.
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 tarafından geliştirilen ve yapay zeka modellerini harici araçlar, veri kaynakları ve sistemlerle standart bir biçimde birbirine bağlayan açık bir iletişim protokolüdür. 2024 yılı sonunda duyurulan bu protokol, her entegrasyon için ayrı bağdaştırıcı yazmak zorunda kalan geliştiricilerin sorununu kökten çözmek üzere tasarlanmıştır. MCP, istemci-sunucu mimarisi üzerine inşa edilmiştir. Bir MCP sunucusu, dosya sistemi, veritabanı, web API veya başka bir uygulama gibi belirli bir kaynağı temsil eder ve bu kaynağa standart bir araç seti üzerinden erişim sunar. MCP istemcisi ise yapay zeka modelini barındıran ve kullanıcı isteklerini çözümleyerek hangi sunucuya bağlanacağına karar veren bileşendir. Aralarındaki iletişim JSON-RPC 2.0 tabanlı mesajlaşmayla gerçekleşir. Protokolün sunduğu üç temel bileşen vardır: araçlar (tools), kaynaklar (resources) ve istemler (prompts). Araçlar, modelin çağırabileceği işlevleri tanımlar; örneğin bir dosyayı okumak, veritabanında sorgu çalıştırmak ya da bir API'ye istek göndermek. Kaynaklar, modelin erişebileceği veri nesnelerini yapılandırılmış biçimde açıklar. İstemler ise yeniden kullanılabilir şablon komutlarının sunucu tarafından tanımlanmasına olanak tanır. MCP'nin en kritik avantajı taşınabilirliktir: bir kez yazılan MCP sunucusu, Claude, GPT ve açık kaynak modellerle çalışan her MCP istemcisine entegre edilebilir. Bu, araç ekosisteminin belirli bir sağlayıcıya kilitli kalmamasını sağlar. Popüler MCP sunucuları arasında dosya sistemi erişimi, GitHub, PostgreSQL, Brave Search ve Puppeteer gibi bileşenler yer almaktadır. Güvenlik modeli, sunucuların yalnızca tanımlı araç şemaları üzerinden erişilebildiği bir izolasyon katmanı içerir. İzin yönetimi ve kullanıcı onay akışları protokol standardının ayrılmaz parçasıdır. Her araç çağrısı öncesinde kullanıcıdan açık onay alınması, istenmeyen yan etkilerin önüne geçer. MCP, ajan tabanlı yapay zeka sistemlerinin üretim ortamına taşınmasında giderek baskın altyapı standardı haline gelmektedir. Çoklu ajan sistemlerinde farklı ajanların ortak MCP sunucularını kullanması, koordinasyonu kolaylaştırır ve kod tekrarını azaltır. Uzun vadede MCP'nin HTTP kadar evrensel bir AI entegrasyon altyapısı haline gelmesi beklenmektedir.
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 verir. 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. Ollama ayrıca çok modelli çalışmayı destekler; aynı anda birden fazla model bellekte tutularak farklı görevlere yönlendirilebilir. Araç, macOS, Linux ve Windows üzerinde yerel çalışarak geniş bir kullanıcı kitlesine hitap etmektedir. MIT lisansı kapsamında geliştirilen bu proje, yerel yapay zeka çalıştırmanın demokratikleşmesinde önemli bir rol üstlenmekte; hem bireysel geliştiriciler hem de kurumsal veri gizliliği gereksinimleri olan kuruluşlar için güçlü bir tercih haline gelmektedir. Quantizasyon teknikleri (Q4, Q5, Q8) model boyutunu ve RAM gereksinimini düşürerek sınırlı donanımda bile kullanışlı sonuçlar elde edilmesini mümkün kılar.
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 kullaniciya gercek web sitelerinde test etmesine olanak tanıyan bir mekanizmadir. Bu sistem, Chrome (Google), Edge (Microsoft) ve bircok Chromium tabanli tarayicida uygulanmaktadir; W3C standartlastirma sureci ile uretim dagitimi arasindaki 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 gecerliligi var iken o sitede 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 tasarimini 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 ve Rewriter API gibi yapay zeka ozellikleri Chrome Built-in AI girisiminin parcasidir. Bu API'ler, origin trial araciligiyla deneysel sekilde web gelistiricilere acilmaktadir. Origin trial'lar farkli alanlarda yaygin benimseme gormektedir. WebGPU ve WebAssembly SIMD gibi performans API'leri, Web USB ve Web Bluetooth gibi donanim arayuzleri ve Privacy Sandbox girisimleri kapsamindaki Attribution Reporting API bu mekanizma ile test edilmistir. Bir ozellik yeterli gelistirici benimsemesi ve olumlu geri bildirim alirsa tarayici motoru ekibi onu varsayilan acik hale getirerek stable release'e dahil eder; bu surecin on izleyicisi role origin trial sistemidir.
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 (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. 2025 ve sonrasında yapay zeka ajanları ve çok adımlı akış mimarilerinde prompt tasarımı daha da kritik bir hâl almaktadır. ReAct, Chain-of-Thought ve Tree-of-Thoughts gibi gelişmiş teknikler, tek bir promptun ötesinde modeli adım adım düşünmeye ve araçlarla etkileşime girmeye yönlendirir.
Pydantic (Pydantic)
Pydantic, Python'da veri doğrulama ve yapılandırma yönetimi için kullanılan açık kaynak bir kütüphanedir. Python tip ipuçlarını (type hints) kullanarak çalışma zamanında (runtime) otomatik veri doğrulama sağlar; hatalı veya uyumsuz veri geldiğinde net ve anlaşılır hata mesajları üretir. Samuel Colvin tarafından geliştirilen Pydantic, Python ekosisteminin en çok indirilen kütüphanelerinden biri konumuna gelmiştir. Pydantic'te veri yapıları, BaseModel sınıfı miras alınarak tanımlanır. Her alan, tip annotasyonuyla belirtilir; kütüphane bu tiplere göre otomatik doğrulama yapar. Gelen veriyi gerektiğinde dönüştürür: string'i integer'a, ISO tarih dizesini datetime nesnesine otomatik çevirebilir (coercion). Field() fonksiyonu ile minimum/maksimum değer, desen eşleştirmesi ve varsayılan değer gibi ek kısıtlamalar tanımlanabilir. Pydantic v2, Rust ile yeniden yazılmış çekirdek doğrulama motoruyla v1'e kıyasla 5–50 kat daha hızlıdır. model_validator ve field_validator dekoratörleriyle modele özgül kısıtlamalar ve çapraz alan doğrulamaları eklenebilir. Mevcut v1 projeleri pydantic-v1-compat paketi yardımıyla kademeli olarak taşınabilir. Yapay zeka ekosistemindeki önemi giderek artmaktadır. LangChain ve LlamaIndex, Pydantic modellerini yapılandırılmış çıktı için kullanır. OpenAI API'si Pydantic modelini doğrudan kabul ederek yapılandırılmış JSON doğrulama gerçekleştirir. Instructor kütüphanesi, herhangi bir LLM'den Pydantic model doğrulamasıyla yapılandırılmış çıktı almayı kolaylaştırır. FastAPI ise Pydantic'i HTTP istek ve yanıt doğrulaması için temel altyapı olarak kullanır. pydantic-settings paketi, çevre değişkenlerini ve .env dosyalarındaki yapılandırmayı Pydantic modeli olarak yönetmeyi sağlar; tip-güvenli yapılandırma yönetiminin fiili standardı hâline gelmiştir. Her Pydantic modeli, model_json_schema() metoduyla tam bir JSON Schema'ya dönüştürülebilir; bu özellik OpenAI function calling ve yapılandırılmış çıktı (structured output) desteği için kritik öneme sahiptir. Pydantic'in yaygınlığı yalnızca bireysel projelerle sınırlı değildir: Hugging Face, Azure SDK, AWS CDK ve Databricks gibi kurumsal projeler de veri katmanlarında Pydantic'ten yararlanmaktadır.
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 (Technological Singularity), yapay zekanın insan zekâsını tüm boyutlarda aştığı ve kendi kendini iyileştirebildiği varsayımsal noktadır. Bu eşikten sonra teknolojik gelişim o denli hızlanır ki insanlığın sistemi anlayıp yönlendirmesi imkânsız hâle gelir; bu nedenle "olay ufku" (event horizon) metaforu sıklıkla kullanılır. Kavramı yaygınlaştıran matematikçi ve bilim kurgu yazarı Vernor Vinge, 1993 tarihli makalesinde tekilliği "insan çağının sonu" olarak tanımladı. Fütürist Ray Kurzweil ise 2005'te yayımladığı "The Singularity Is Near" kitabında 2045'i tekillik tarihi olarak öngördü; bu tahmin, yapay zeka araştırmacıları arasında tartışmalı olmaya devam etmektedir. Tekilliğin öncülü olarak değerlendirilen AGI (Genel Yapay Zeka), henüz gerçekleşmemiştir; ancak bazı araştırmacılar GPT-4o ve Claude gibi büyük dil modellerinin bazı akıl yürütme boyutlarında insan düzeyine yaklaştığını öne sürmektedir. ASI (Süper Yapay Zeka) ise AGI'nin ötesinde, insanlığın toplu bilgi ve becerisini her alanda geride bırakan hipotetik bir sistem olarak tanımlanmaktadır. Tekillik tartışmaları üç kampa ayrılır: **İyimserler** (Kurzweil, Musk'un erken dönemi), sonsuz yaşam ve bolluk vaat eden bir gelecek öngörür. **Kötümserler** (Nick Bostrom'un "Superintelligence" kitabı), hizalama sorunu çözülmezse ASI'nin insanlığı tehdit edebileceğini savunur. **Şüpheciler** ise tekilliği gerçekçi olmayan bir ekstrapolasyon olarak değerlendirir; mevcut yapay zekanın derin sınırlılıklarını (beden yokluğu, gerçek anlayış eksikliği) öne çıkarır. Akademik yapay zeka araştırmacılarının büyük çoğunluğu tekilliği spekülatif bulmaktadır; buna karşın yapay zeka güvenliği (AI safety) ve değer hizalaması (value alignment) araştırmaları, tekillik sonrası sistemlerin denetim altında tutulması fikrinden doğrudan beslenmektedir. Tekillik tartışması somut politika gündemine de yansımaktadır: AB AI Act, OpenAI'nin uluslararası yapay zeka güvenlik kurulu önerisi ve Bletchley Park Zirvesi (2023) gibi girişimler, uzun vadeli egzistansiyel riskleri kabul eden belgeler üretmiştir. Bu süreç, tekillik fikrini tamamen spekülatif bir fütürizm söyleminden kurumsal politika zeminine taşıdığını göstermektedir.
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 zamanı hesaplama (test-time compute veya inference-time compute), bir yapay zeka modelinin çıkarsama (inference) aşamasında daha fazla hesaplama kaynağı kullanarak doğruluğunu artırma yaklaşımıdır. Eğitim sırasında sabitlenen parametreler sonrasında modele daha fazla "düşünme" süresi veya daha fazla hesaplama bütçesi ayrılarak daha iyi sonuçlar üretmesi hedeflenir. Bu kavram, OpenAI'nin o1 modeliyle geniş kitlelerce bilinir hale gelmiştir. o1, kullanıcının göremediği dahili bir "düşünce zinciri" (chain of thought) aracılığıyla zor problemler üzerinde daha uzun hesaplama yapar. Matematiksel kanıt, karmaşık kod yazımı veya çok adımlı mantık görevi gibi senaryolarda o1'in ekstra çıkarsama süresi doğruluğu belirgin şekilde artırır. Test zamanı hesaplamanın ana yöntemleri şunlardır: zincir düşünce (chain-of-thought) gerçekleştirme — modelin yanıt vermeden önce ara akıl yürütme adımlarını yazmasını sağlamak; arama (search) — Monte Carlo Tree Search veya beam search ile çok sayıda olası yanıt yolunu keşfetmek; oylama (voting / majority voting) — birden fazla yanıt üretip çoğunluk oylamasıyla en uygun şekilde seçmek; revizyon — modelin kendi yanıtını daha sonra gözden geçirip geri bildirim vermesi. Test zamanı hesaplama, "ölçekleme yasalarının" (scaling laws) yeni bir boyutudur. Geleneksel ölçekleme yasaları eğitim veri büyüklüğü ve model parametresi sayısıyla ilgilenirken test zamanı ölçekleme çıkarsama bütçesiyle ilgilenmektedir. Bu yaklaşım, daha ucuz ve küçük modellerin daha güçlü modellere kıyasla uzun çıkarsama bütçesiyle rekabetçi sonuçlar üretebileceğini göstermiştir. Pratikte test zamanı hesaplama, adım adım muhakeme gerektiren görevlerde en belirgin faydayı sunar. Matematik olimpiyat soruları, çok adımlı programlama problemleri ve bilimsel çıkarsama görevlerinde test zamanı bütçesi artırıldıkça doğruluk eğrisi belirgin biçimde yükselir. Buna karşın, tek adımlı bilgi soruları veya yaratıcı yazarlık gibi görevlerde ek hesaplama her zaman orantılı bir iyileşme getirmez. Bu nedenle görev tipine ve maliyet kısıtına göre compute-optimal çıkarsama bütçesi belirlenmesi, production sistemlerinde kritik bir tasarım kararı haline gelmiştir. DeepMind'in AlphaCode 2 ve Google'ın Gemini modellerinde uygulanan verifier-guided search yaklaşımı, bir doğrulayıcı modelin aday yanıtları puanlamasına ve en yüksek puanlı yanıtın seçilmesine dayanır. Bu mimari, yalnızca tek yanıt üreten standart çıkarsama stratejisine kıyasla özellikle kodlama ve matematiksel ispat görevlerinde kayda değer doğruluk artışı sağlar.
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, matematikçi ve bilgisayar bilimcisi Alan Turing'in 1950 tarihli "Computing Machinery and Intelligence" makalesinde önerdiği, bir makinenin insanla ayırt edilemez düzeyde konuşma yürütüp yürütemeyeceğini ölçen davranışsal değerlendirme çerçevesidir. Turing bu testi "Taklit Oyunu" (Imitation Game) olarak adlandırdı: bir insan değerlendirici, biri insan biri makine olan iki katılımcıyla yalnızca metin yoluyla iletişim kurar; makine yeterince sık insan sanılırsa testi geçmiş sayılır. Testin önemi, zekanın iç yapısını değil davranışsal sonuçlarını ölçmesinden kaynaklanır. Bu yaklaşım, "makine düşünebilir mi?" gibi felsefi açıdan tartışmalı soruyu "makine düşünen biri gibi davranabilir mi?" biçiminde işlemselleştirir ve yapay zeka araştırmalarına somut, ölçülebilir bir hedef sunar. Eleştiriler açısından John Searle'ün 1980'de öne sürdüğü Çin Odası argümanı en güçlü karşı duruşu temsil eder: sembolleri dönüştüren bir sistem gerçek anlama olmaksızın testi geçebilir; bu da testin zekayı değil yalnızca görünümü ölçtüğünü ileri sürer. Weizenbaum'un ELIZA programı, sohbet robotu olmak üzere tasarlanmadığı hâlde kullanıcıları şaşırtan yanıtlar üreterek bu eleştiriyi erken biçimde örnekledi. Testin dil dışı yetenekleri (görsel akıl yürütme, motor beceriler, duygusal farkındalık) kapsamaması da ciddi bir sınırlılık olarak öne çıkar. Pratik açıdan 2014'te Eugene Goostman programı Turing testi geçtiğini iddia etti; ancak çoğu araştırmacı bu sonucu tasarım hilelerine bağladı: programın çocuk kimliğini benimsemesi ve İngilizce yabancı dil rolünü oynaması değerlendiricilerin beklentilerini önemli ölçüde düşürdü. GPT-4 ve Claude gibi büyük dil modelleri yazılı konuşmada insan benzeri akıcılığa ulaştı; fakat "Turing testini geçmek" ile "gerçek zeka sahibi olmak" arasındaki fark hâlâ açık bir felsefi tartışmadır. Günümüzde Turing Testi'nin yerini kısmen alan ölçütler arasında BIG-Bench, MMLU ve ARC gibi akademik değerlendirme süitleri ile belirli görevlerdeki insan-üstü performans kriterleri bulunur. Kavram, yapay zeka etiği, bilinç felsefesi ve AGI tartışmalarında referans nokta olmayı sürdürmektedir.
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. Eğitim senaryolarında VRAM ihtiyacı çıkarımın çok üzerine çıkar; geri yayılım aktivasyonları ve Adam optimizer durum tensörleri parametrelerin 3-4 katı ek bellek tüketir. LoRA ve QLoRA gibi parametre verimli ince ayar yöntemleri bu kısıtlamayı önemli ölçüde hafifletir. Gradyan kontrol noktası alma (gradient checkpointing) tekniği ise bellek-hesaplama takasıyla daha büyük batch boyutlarına izin verir. 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. Model seçiminden donanım alımına kadar her kararda VRAM kapasitesi belirleyici etkendir.
W3C (World Wide Web Consortium)
W3C (World Wide Web Consortium), Tim Berners-Lee tarafından 1994 yılında Massachusetts Teknoloji Enstitüsü (MIT) bünyesinde kurulan uluslararası bir standartlar kuruluşudur. 400'ü aşkın üye organizasyonuyla HTML, CSS, SVG, WebAssembly, WebRTC ve ARIA gibi teknolojilerin teknik özelliklerini (specification) açık, tarafsız ve fikir birliğine dayalı bir süreçle oluşturur. W3C standartlarının onay süreci dört aşamadan oluşur: önce Taslak (Working Draft) yayımlanır; ardından Aday Öneri (Candidate Recommendation) statüsüyle uygulamaların test edilmesi beklenir; sonrasında Önerilen Öneri (Proposed Recommendation) olarak kamuoyuna açılır; en son Öneri (Recommendation) statüsü kazanılır. Bu süreç yıllarca sürebilir; ancak en geniş paydaş uzlaşısını ve uzun vadeli kararlılığı güvence altına alır. Yapay zeka ve modern web teknolojilerinin kesişim noktasında W3C'nin rolü giderek büyümektedir. WebGPU standardı, tarayıcı içinde GPU hesaplama kapasitesi sunarak TensorFlow.js ve ONNX Runtime Web gibi kütüphanelerin donanım hızlandırmasından yararlanmasının önünü açar. Web Neural Network API (WebNN), sinir ağı işlemlerini platform bağımsız biçimde CPU, GPU veya NPU üzerinde çalıştırabilmek için standart bir arayüz tanımlar. Web Speech API ise tarayıcı düzeyinde ses tanıma ve metin-ses dönüşümünü standartlaştırarak yapay zeka destekli sesli arayüzlerin geliştirilmesini kolaylaştırmaktadır. Erişilebilirlik alanında WAI (Web Accessibility Initiative) bünyesinde geliştirilen WCAG (Web Content Accessibility Guidelines), içeriklerin algılanabilir, çalıştırılabilir, anlaşılabilir ve sağlam (POUR ilkeleri) olmasını gerektirir. Yapay zekayla üretilen içeriklerin alternatif metin, yeterli renk kontrastı ve klavye erişilebilirliği kriterlerini karşılaması artık AB'nin Erişilebilirlik Direktifi kapsamında yasal yükümlülük haline gelmektedir. Tescilli ve kapalı standartların hâkim olduğu bir web, belirli şirketlerin platform tekelini pekiştirerek kullanıcıları kilitli sistemlere mahkûm eder. W3C'nin açık lisanslı standartları, tarayıcı, işletim sistemi veya cihaz fark etmeksizin birlikte çalışabilirliği korur ve web'i küresel, tarafsız bir açık altyapı olarak sürdürür. Bu vizyon, yapay zekanın web platformuyla entegrasyonunda da belirleyici 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 ile Firefox'ta kararlı desteğe kavuşan WebGPU, eski WebGL API'sinin yerini alarak 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. Hugging Face'in Transformers.js kütüphanesi BERT, Whisper ve küçük dil modellerini WebGPU ile doğrudan tarayıcıda çalıştırmakta ve kullanıcı verileri cihazdan hiç ayrılmadan işlenmektedir. 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 hesaplama (compute) shader yazımını birleştirip güçlendirir. Compute shader desteği WebGL'de sınırlıyken WebGPU bunu birinci sınıf özellik olarak sunar; bu da matris çarpımı, paralel sıralama ve nöral ağ çıkarımı gibi görevlerin verimli biçimde GPU üzerinde gerçekleştirilmesini mümkün kılar. WebGPU'nun programlama modeli Vulkan, Metal ve D3D12 gibi yerel grafik API'lerine bir soyutlama katmanıyla bağlanır; bu tasarım Windows, macOS ve Linux platformlarında tutarlı ve öngörülebilir bir davranış garantisi verir. Güvenlik, WebGPU tasarımının merkezindedir. Bellek izolasyonu, kaynak sınırlandırması ve tarayıcı güvenlik katmanları, GPU'ya doğrudan donanım erişiminin getirebileceği riskleri çok katmanlı önlemlerle yönetir. WebGPU, yerel yapay zeka çalıştırma vizyonunun web tarafındaki temel taşını oluşturmakta ve tarayıcıyı giderek daha güçlü bir yapay zeka çalışma ortamına dönüştürmektedir.