D Harfi ile Başlayan Terimler
Diffusion Models (Difüzyon Modelleri)
Difüzyon Modelleri (Diffusion Models), görüntü, video ve ses üretimi alanında devrim yaratan, Midjourney, DALL-E 3 ve Stable Diffusion gibi görsel yapay zeka araçlarının temelini oluşturan üretken (generative) yapay zeka mimarisidir. Temel çalışma prensibi; net bir görüntüyü yavaş yavaş karıncalandırarak (gürültü/noise ekleyerek) yok etmeyi öğrenmek ve daha sonra bu süreci tersine çevirerek tamamen rastgele bir kumlanmadan (noise), saf ve yeni bir görüntü (veya sanat eseri) inşa etmektir.
Data Augmentation (Veri Artırma / Çoğaltma)
Veri Artırma (Data Augmentation), makine öğreniminde mevcut eğitim veri setinin boyutunu ve çeşitliliğini, elimizdeki verilere çeşitli matematiksel veya sentetik dönüşümler uygulayarak "yapay olarak" çoğaltma işlemidir. Özellikle görüntü işlemede veri eksikliği ve overfitting (aşırı öğrenme) problemlerini çözmek için kullanılır.
Deepfake Detection (Sahte Medya Tespiti)
Deepfake Detection (Sahte Medya Tespiti), yapay zeka teknolojileri kullanılarak üretilen sahte video, görüntü ve ses içeriklerini gerçek medyadan ayırt etmeye yarayan teknikler, algoritmalar ve sistemlerin bütünüdür. Deepfake'ler; GAN (Üretici Çekişmeli Ağlar), diffusion modelleri ve otomatik kodlayıcılar aracılığıyla kişilerin yüzlerini, seslerini ve hareketlerini ikna edici biçimde taklit edebilmektedir. Bu sahte içeriklerin hızla yaygınlaşması; dezenformasyon, dolandırıcılık ve itibar kaybı gibi ciddi toplumsal tehditlere yol açmakta, bu nedenle etkili tespit sistemleri kritik önem taşımaktadır. Tespit yöntemleri birkaç temel yaklaşıma dayanır. CNN tabanlı dedektörler, eğitilmiş derin öğrenme modelleriyle piksel düzeyindeki tutarsızlıkları ve üretim artefaktlarını tanır. Frekans alanı analizi, DCT veya FFT dönüşümleri aracılığıyla GAN'ların bıraktığı yüksek frekanslı parmak izlerini tespit eder; ancak JPEG sıkıştırması bu izleri zayıflatabilir. Biyolojik sinyal yöntemi ise en yenilikçi yaklaşımlardan biridir: Intel'in FakeCatcher sistemi, rPPG (uzaktan fotopletimoğrafi) tekniğiyle yüzden kalp atışı sinyalini ölçer ve sahte videolarda bu sinyalin zayıf ya da tutarsız kalmasını tespit eder. Yüz işareti analizi, 81 kritik yüz noktasını izleyerek doğal ifade ve kırpışma düzenlerindeki sapmaları yakalar. FaceForensics++ (1.000 gerçek ve 4.000 sahte video) ve 2020'de Facebook'un 10 milyon dolarlık ödülle başlattığı DFDC (DeepFake Detection Challenge) bu alandaki en önemli kıyaslama veri setleridir. Kontrollü koşullarda modern dedektörler yüzde doksan beş ile doksan dokuz arasında doğruluk sağlayabilmekte; ancak gerçek dünya testlerinde sıkıştırma, farklı teknikler ve karşıt saldırılar karşısında bu oran önemli ölçüde düşmektedir. Tespit sistemlerinin genelleme açığı, sahte medyayla mücadelede en büyük zorluğu oluşturmaktadır.
Dijital Refah Yapay Zekası (Dijital Refah Yapay Zekası)
Dijital Refah Yapay Zekası (Digital Wellbeing AI), bireylerin dijital teknolojilerle olan ilişkisini izlemek, analiz etmek ve iyileştirmek için yapay zeka tekniklerini kullanan multidisipliner bir alandır. Bu yaklaşım; ekran süresi yönetimi, bildirim optimizasyonu, alışkanlık analizi ve zihinsel sağlık desteği bileşenlerini bir araya getirir. Temel fikir, teknolojinin hem bir tehdit hem de bir araç olabileceği paradoksundan doğar. Sosyal medya algoritmalarının bağımlılık yaratan tasarımları, dikkat ekonomisi modelleri ve sonsuz kaydırma (infinite scroll) gibi UX kalıpları kullanıcıların ekran başında daha fazla zaman geçirmesine yol açarken; dijital refah yapay zekası bu etkileri tersine çevirmeyi hedefler. Uygulamada dijital refah YZ araçları, kullanıcı davranış kalıplarını analiz ederek dijital yorgunluk belirtileri tespit eder, kişiselleştirilmiş mola önerileri sunar ve odak sürelerini optimize eder. Google'ın Android'deki Dijital Refah paneli, Apple'ın Ekran Süresi özelliği ve Woebot gibi ruh sağlığı chatbot'ları bu kategorinin öne çıkan örnekleridir. Etik boyutuyla bu alan, yapay zekanın kullanıcı çıkarlarını mı yoksa platform çıkarlarını mı ön planda tuttuğu sorusunu gündeme getirir. Bir refah aracının kendisinin kullanıcıyı daha uzun süre uygulamada tutmak için optimize edilmesi mümkündür; bu ikileme 'wellness paradoksu' adı verilir. WHO, 2026'da yapay zekanın ruh sağlığı ve refahta sorumlu kullanımı için uzman bir yol haritası yayımlamıştır.
Data Storytelling Nedir? Veri Hikayeciliği Rehberi (Veri Hikayeciliği)
Data storytelling (veri hikayeciliği), ham veri analizinden elde edilen bulguları anlatı, görselleştirme ve bağlamsal öğeleri bir araya getirerek izleyiciye iletme sanatı ve bilimidir. Etkili bir veri hikayesi üç temel bileşenden oluşur: doğru ve güvenilir veri, izleyiciyi yönlendiren açık bir anlatı ve mesajı pekiştiren ikna edici görsel tasarım. Yapay zeka ve makine öğrenimi bağlamında veri hikayeciliği, model çıktılarını, tahminleri ve anomali tespitlerini teknik bilgisi olmayan karar vericilere aktarmak için kritik bir köprü görevi görür.
Data Privacy (Veri Gizliliği)
Veri gizliliği, bireylerin kişisel verilerinin nasıl toplanacağı, kullanılacağı, paylaşılacağı ve korunacağına dair sahip olduğu hak ve kontrol gücüdür. Yapay zeka çağında büyük dil modellerini eğitirken kullanılan veriler, deepfake teknolojileri ve otomatik profilleme, veri gizliliğini dijital dönemin en kritik insan hakları meselelerinden birine dönüştürmüştür.
Data Poisoning (Veri Zehirlenmesi)
Veri Zehirlenmesi (Data Poisoning), kötü niyetli aktörlerin bir yapay zeka modelinin eğitim verilerine (dataset) kasten hatalı, manipüle edilmiş veya yanıltıcı örnekler enjekte ederek, modelin öğrenme sürecini bozduğu ve model canlıya alındığında belirli konularda sürekli yanlış (veya saldırganın istediği) kararlar vermesini sağladığı siber saldırı türüdür.
Differential Privacy (Diferansiyel Gizlilik)
Diferansiyel Gizlilik (Differential Privacy), bir veri kümesi üzerinde yapılan sorguların veya istatistiksel hesaplamaların sonuçlarının, veri kümesindeki herhangi bir bireyin varlığından veya yokluğundan istatistiksel olarak ayırt edilemez hale gelmesini sağlayan matematiksel bir gizlilik çerçevesidir. 2006 yılında Cynthia Dwork tarafından formüle edilen bu yöntem, bireysel gizlilik güvencesi ile veri kullanışlılığını matematiksel olarak dengeler. Temel fikir, bir mekanizmanın çıktısına kontrollü miktarda rastgele gürültü ekleyerek bireysel veri noktalarının sorgularda iz bırakmasını önlemektir. Epsilon (ε) parametresi gizlilik bütçesini temsil eder: ε değeri küçüldükçe gizlilik artar ancak yanıtın doğruluğu azalır; ε büyüdükçe ise yanıtın doğruluğu artar ancak gizlilik zayıflar. Bu ödünleşim, uygulamanın gereksinimlerine göre dikkatle ayarlanmak zorundadır. İki ana varyant mevcuttur: Merkezi Diferansiyel Gizlilik (Central DP), güvenilir bir koordinatörün ham veriyi toplayıp gürültüyü merkezi olarak eklediği modeli kullanırken; Yerel Diferansiyel Gizlilik (Local DP) gürültünün her kullanıcının cihazında verisi sunucuya gönderilmeden önce eklendiği modeli benimser. Local DP, özellikle güvenilir bir merkezi tarafın bulunmadığı mobil ve IoT senaryolarında tercih edilir. Apple ve Google, iOS klavye ve Android telemetri verilerinde yerel diferansiyel gizliliği uygulamaktadır. ABD Nüfus Sayımı Bürosu, 2020 sayımında merkezi diferansiyel gizlilik kullandı. Yapay zeka dünyasında ise diferansiyel gizlilik, özellikle derin öğrenme modellerinin eğitiminde gizlilik koruyucu bir teknik olarak yerini sağlamlaştırmıştır; bu yaklaşım DP-SGD (Differentially Private Stochastic Gradient Descent) olarak bilinmektedir.
Derin Öğrenme (Derin Öğrenme)
Derin Öğrenme (Deep Learning), çok sayıda işlem katmanından oluşan yapay sinir ağlarını kullanarak verilerden hiyerarşik temsiller öğrenen makine öğrenmesi alt dalıdır. 2012'de AlexNet'in ImageNet yarışmasını kazanmasıyla ana akıma giren derin öğrenme, görüntü tanıma, doğal dil işleme, ses sentezi ve oyun oynama gibi alanlarda insan performansını aşan sonuçlar üretmektedir. Temel yapı taşı yapay nörondur: gelen sinyallerin ağırlıklı toplamını bir aktivasyon fonksiyonundan (ReLU, sigmoid, tanh) geçirerek çıktı üretir. Katmanlar art arda dizilerek hiyerarşik özellik çıkarımı gerçekleştirir; erken katmanlar kenar ve doku gibi düşük seviye özellikleri, derin katmanlar yüz veya nesne gibi yüksek seviye soyutlamaları kodlar. Geri yayılım ve stokastik gradyan inişi bu ağırlıkları optimize eder. Mimari ailesi geniştir. Evrişimli sinir ağları (CNN) görüntü verisini işlemek için yerel bağlantı ve ağırlık paylaşımı kullanır. Tekrarlayan sinir ağları (RNN) ve onun türevi LSTM zaman serisi ve metin verisini sıralı olarak işler. Transformer mimarisi, öz-dikkat mekanizmasıyla paralel eğitim avantajı sağlar ve büyük dil modellerinin temelini oluşturur. Üretici çekişmeli ağlar (GAN), varyasyonel otokodlayıcılar (VAE) ve difüzyon modelleri yeni içerik sentezler. Derin öğrenmenin temel gereksinimleri büyük veri ve yüksek işlem gücüdür; GPU ve TPU hızlandırıcılar bu ihtiyacı karşılar. Aşırı uyum sorunuyla başa çıkmak için dropout, toplu normalizasyon ve veri artırma teknikleri yaygın biçimde kullanılır. Transfer öğrenme ise önceden eğitilmiş modellerin yeni görevlere uyarlanmasını sağlayarak veri ve hesaplama maliyetini büyük ölçüde düşürür.
Denoising (Gürültü Giderme (Denoising))
Gürültü giderme (Denoising), bir sinyalden, görüntüden veya veri kümesinden istenmeyen rassal bozulmaları (gürültüyü) kaldırmaya yönelik işlemler bütünüdür. Yapay zeka alanında gürültü giderme hem bağımsız bir görev hem de difüzyon modellerinin, ses işlemenin ve görüntü restorasyonunun temel yapı taşıdır. Klasik gürültü giderme yöntemleri arasında ortalama filtresi, Gaussian filtresi ve median filtresi yer alır. Modern derin öğrenme tabanlı yaklaşımlar ise çok daha üstün sonuçlar verir. Konvolüsyonel sinir ağları (CNN) ve U-Net mimarileri, gürültülü girdiyi temiz çıktıya eşleştiren fonksiyonu öğrenir; DnCNN, FFDNet ve Noise2Void gibi mimariler bu kategoridedir. Difüzyon modellerinde gürültü giderme merkezi bir rol üstlenir. Model, belirli bir gürültü seviyesindeki (x_t) örnekten gürültüyü tahmin etmeyi öğrenir. Bu "gürültü tahmini" (ε-prediction) işlemi, Denoising Score Matching teorisine dayanır. Çıkarım sırasında model saf gürültüden (x_T) başlayarak adım adım gürültüyü çıkarır ve temiz veri x₀'a ulaşır. Ses işlemede gürültü giderme, konuşma netleştirme (speech enhancement) ve ses kayıt temizleme için kullanılır. Nvidia RTX Noise Cancellation, DeepFilterNet ve RNNoise bu alandaki öne çıkan araçlardır.
Deep Reinforcement Learning (DRL) (Derin Pekiştirmeli Öğrenme)
Derin Pekiştirmeli Öğrenme (DRL), Derin Öğrenmenin (Derin Sinir Ağları) karmaşık problem çözme kapasitesi ile Pekiştirmeli Öğrenmenin (Ödül-Ceza mantığıyla kendi kendine öğrenme) birleşiminden doğan, yapay zekanın video oyunlarında, robotikte ve strateji oyunlarında (AlphaGo) insanüstü başarılar elde etmesini sağlayan süper-algoritmadır.
Dropout (Düzenlileştirme Tekniği)
Dropout, derin sinir ağı eğitimi sırasında her güncelleme adımında belirli bir olasılıkla (dropout oranı, p) gizli katman nöronlarının çıkışlarını sıfırlayan ve bu sayede modelin belirli nöronlara aşırı bağımlı kalmasını engelleyen bir düzenlileştirme (regularization) yöntemidir. Srivastava, Hinton, Krizhevsky ve arkadaşları tarafından 2014 yılında yayımlanan "Dropout: A Simple Way to Prevent Neural Networks from Overfitting" başlıklı çalışmayla tanıtılan bu teknik, derin öğrenmenin standart araç kutusuna girmiştir. Tekniğin temel mantığı şöyledir: Eğitim sırasında her mini-batch için rastgele seçilen nöronlar ve onlara bağlı ağırlık bağlantıları geçici olarak kaldırılır. Geriye kalan ağ, seyrek bir alt ağ (sub-network) olarak eğitilir. Böylece her iterasyonda farklı bir mimari öğrenmeye zorlanır. Bu süreç, binlerce farklı ağı aynı anda eğitip tahminlerin ortalamasını almak gibi bir topluluk (ensemble) etkisi yaratır. Test ve çıkarım (inference) aşamasında dropout devre dışı bırakılır; tüm nöronlar aktif kalır. Ancak beklenti tutarlılığını korumak için her nöronun çıkışı (1 − p) faktörüyle çarpılır ya da eğitimde nöron çıkışları 1/(1−p) ile ölçeklenerek test aşamasında herhangi bir ölçeklendirme yapılmaz (inverted dropout). Dropout oranı, uygulamaya göre değişmekle birlikte gizli tam bağlı (fully-connected) katmanlar için 0,2–0,5 aralığı yaygın olarak kullanılır. Evrişimsel katmanlarda oranın daha düşük tutulması ya da Spatial Dropout gibi özel varyantların tercih edilmesi önerilir; tam bağlı olmayan katmanlarda standart dropout dikkat gerektiren yanlı gradyan davranışlarına yol açabilir. Dropout'un derin öğrenme pratiğindeki yeri son derece önemlidir: AlexNet, VGG, ResNet ve transformer temelli modellerin pek çok varyantında kullanılmaktadır. Bununla birlikte Batch Normalization gibi modern düzenlileştirme yöntemlerinin yaygınlaşmasıyla bazı mimarilerde rolü azalmış; hibrit kullanım ön plana çıkmıştır.
Data Drift (Veri Kayması (Bozulması))
Veri Kayması (Data Drift), bir yapay zeka modelinin canlı (prodüksiyon) ortamına alındıktan sonra tahminlerinin zamanla kötüleşmesi ve yanlış sonuçlar üretmeye başlaması durumudur. Bunun sebebi modelin kodunun bozulması değil; dünyadaki insanların, trendlerin, ekonominin veya modelin beslendiği gerçek verilerin karakteristik olarak değişmesidir (Eski eğitim verisinin bayatlaması).
DDPM (Gürültü Giderme Difüzyon Olasılık Modeli)
DDPM (Denoising Diffusion Probabilistic Models), Jonathan Ho ve arkadaşları tarafından 2020 yılında yayımlanan, modern difüzyon modellerinin temelini atan çığır açıcı bir üretici yapay zeka modelidir. "Denoising Diffusion Probabilistic Models" (NeurIPS 2020) makalesiyle tanıtılan DDPM, GAN ile kıyaslanabilir görüntü kalitesi sunarken çok daha kararlı bir eğitim sürecine sahip olduğunu kanıtlamıştır. DDPM iki süreçten oluşur. İleri süreçte (forward process, q) temiz veri x₀'a kademeli olarak T adım boyunca Gaussian gürültü eklenir. Her adımda gürültü miktarı, β_t olarak adlandırılan küçük sabit bir değerle kontrol edilir. T adım sonunda (genellikle T=1.000) veri tamamen bir Gaussian dağılımına (saf gürültüye) dönüşür. Ters süreçte (reverse process, p_θ) model, gürültülü bir örnekten başlayarak gerçek veri dağılımını adım adım kurtarmayı öğrenir. Her adımda bir sinir ağı (genellikle U-Net), o adımdaki gürültüyü tahmin eder. Kayıp fonksiyonu sadeleştirilerek "gürültüyü tahmin etmek"e (epsilon prediction) indirgenir. DDPM, sonraki tüm büyük gelişmelerin (DDIM, LDM, Stable Diffusion, DALL-E 2/3) çıkış noktası olmuştur.
Data Lake (Veri Gölü)
Data Lake, yapılandırılmış, yarı yapılandırılmamış ve yapılandırılmamış verilerin orijinal ham formatlarında depolandığı merkezi, ölçeklenebilir bir büyük veri deposudur. Geleneksel veri ambarlarının aksine, Data Lake veriye önceden bir şema uygulamaz; veriler ham hâlde saklanır ve sorgu anında şema belirlenir (schema-on-read yaklaşımı). Bu esneklik sayesinde log dosyaları, görüntüler, videolar, sensör verileri ve JSON/CSV gibi farklı formatlardaki veriler aynı depoda bir arada tutulabilir. "Data Lake" kavramı ilk olarak 2010 yılında Pentaho'nun CTO'su James Dixon tarafından kavramsallaştırılmıştır. Dixon, veri ambarlarını sunum için hazır su şişeleriyle kıyaslarken Data Lake'i kendi doğal ve safiyetini koruyan bir göle benzetti: tüm su kaynakları (veriler) doğal hâlde bu göle akar ve kullanıcılar ihtiyaçlarına göre bu gölden istedikleri miktarda ve formatta su alır. Bir Data Lake mimarisi genellikle birkaç katmandan oluşur. Ham veri bölgesi (Raw/Landing Zone), kaynak sistemlerden gelen verilerin doğrudan aktarıldığı, hiçbir dönüşüm yapılmadan saklandığı alandır. Rafine veri bölgesi (Curated Zone), temizleme, dönüştürme ve kalite kontrolünden geçirilmiş verileri barındırır. Tüketim bölgesi (Consumption Zone) ise iş analistleri, veri bilimciler ve makine öğrenmesi uygulamaları tarafından kullanıma hazır hâle getirilmiş verileri içerir. Data Lake'in başlıca avantajları arasında yüksek ölçeklenebilirlik, düşük birim depolama maliyeti ve veri formatı esnekliği sayılabilir. Ancak yeterli yönetim ve kataloglama araçları olmadığında "Data Swamp" (veri bataklığı) hâline gelebilir: verinin nereden geldiği, ne anlama geldiği ve nasıl kullanılacağı belirsizleşir. Bu sorunu çözmek için veri kataloğu (data catalog), veri soyu takibi (data lineage) ve meta veri yönetimi araçları kullanılır. Günümüzde AWS S3 + Glue, Azure Data Lake Storage Gen2, Google Cloud Storage ve Apache Hadoop HDFS popüler Data Lake altyapılarıdır. Modern Delta Lake, Apache Iceberg ve Apache Hudi açık tablo formatları ise ACID işlem desteği ve şema evrimi ekleyerek Data Lake ile Data Warehouse özelliklerini "Lakehouse" mimarisinde birleştirir; bu sayede hem ham veri depolama hem de güvenilir sorgu kapasitesi aynı platformda sağlanır.
Data Lineage Nedir? Veri Kökeni ve Takip Yolu (Veri Kökeni (Data Lineage))
Data lineage (veri kökeni), bir verinin yaşam döngüsü boyunca kaynaktan hedefe nasıl aktığını, hangi dönüşüm adımlarından geçtiğini ve hangi sistemleri etkilediğini belgeleyen veri yönetimi pratiğidir. Makine öğrenmesinde eğitim verisi provenansını takip etmek, model kararlarını denetlemek ve GDPR gibi düzenlemelere uyumluluk sağlamak için kritik öneme sahiptir.
Decision Trees (Karar Ağaçları)
Karar Ağaçları (Decision Trees), tıpkı insan beyninin bir problemi çözerken "Evet/Hayır" soruları sorarak ilerlemesi mantığıyla çalışan, görsel olarak ters çevrilmiş bir ağaca benzeyen ve hem sınıflandırma hem de tahmin (regresyon) yapabilen çok popüler bir makine öğrenimi algoritmasıdır.
Digital Twin Nedir? Yapay Zeka ile Dijital İkiz (Dijital İkiz)
Digital twin (dijital ikiz), bir fiziksel varlığın, sistemin veya sürecin dijital ortamda birebir kopyasını oluşturan bir teknolojidir. Sensörlerden, IoT cihazlardan ve veri kaynaklarından beslenen bu sanal model, gerçek zamanlı olarak güncellenerek fiziksel varlığın davranışını ve performansını yansıtır. Yapay zeka ile güçlendirilen dijital ikizler, arıza tahmini, senaryo simülasyonu ve karar optimizasyonunda kullanılarak sanayiden sağlığa pek çok alanda dönüşüm sağlamaktadır.
Data Wrangling (Veri Düzenleme)
Data wrangling (veri düzenleme ya da veri mücadelesi olarak da bilinir), ham ve dağınık veri kümelerini analiz ve makine öğrenimi modellerine uygun biçimde kullanılabilir hale getirmek amacıyla uygulanan temizleme, dönüştürme ve birleştirme sürecini ifade eder. Gerçek dünya verilerinin büyük çoğunluğu eksik değerler, yanlış biçimler, tutarsız kodlamalar ve aykırı gözlemler içerdiğinden bu süreç, başarılı bir veri bilimi projesinin temel taşını oluşturur. Data wrangling süreci tipik olarak birkaç kritik adımı kapsar. İlk adımda veriler farklı kaynaklardan (CSV dosyaları, API yanıtları, veritabanı sorguları, web scraping çıktıları) bir araya getirilir. Keşif aşamasında verinin genel yapısı, sütun türleri ve özet istatistikler incelenir; sorunlu alanlar tespit edilir. Temizleme adımında eksik değerler imputation yöntemleriyle doldurulur ya da ilgili satırlar çıkarılır, yinelenen kayıtlar kaldırılır, hatalı biçimler düzeltilir ve uç değerler ayıklanır. Dönüştürme aşamasında tarih-saat formatları standartlaştırılır, kategorik değişkenler one-hot encoding veya label encoding ile sayısallaştırılır ve sayısal sütunlar normalizasyon ya da standardizasyon ile ölçeklenir. Son olarak birden fazla tablo ya da kaynak JOIN/merge işlemleriyle birleştirilerek nihai analiz veri kümesi oluşturulur. Araştırmalar, veri bilimcilerin zamanının yaklaşık yüzde altmış ile seksen arasını modelleme ve görselleştirme yerine veri hazırlama adımlarına harcadığını ortaya koymaktadır. Python ekosisteminde Pandas ve Polars en yaygın kullanılan kütüphanelerdir. Büyük ölçekli projelerde Apache Spark veya dbt gibi araçlar tercih edilirken düşük kod araçları (OpenRefine, Alteryx, Trifacta) teknik geçmişi olmayan kullanıcılara da wrangling imkânı sunar. Makine öğrenimi bağlamında data wrangling, özellik mühendisliği (feature engineering) ile birlikte anılır; ancak ikisi farklı kavramlardır: wrangling ham veriyi temizleyip yapılandırır, feature engineering ise bu temiz veriden yeni anlamlı öznitelikler türetir. Temiz ve iyi yapılandırılmış veri olmadan hiçbir model istenen performansa ulaşamaz; bu nedenle data wrangling hem pratikte hem teoride yapay zeka projelerinin en kritik adımlarından biri olarak kabul edilir.
DevOps AI Nedir? Yapay Zeka Destekli Yazılım Geliştirme (Yapay Zeka Destekli DevOps)
DevOps AI, yazılım geliştirme (Development) ve BT operasyonları (Operations) süreçlerini birleştiren DevOps kültürüne yapay zeka ve makine öğrenimi tekniklerini entegre eden modern bir yazılım mühendisliği disiplinidir. Geleneksel DevOps pratiklerinin ötesine geçerek akıllı otomasyon, tahmine dayalı analitik ve kendini iyileştiren sistemler oluşturur. DevOps AI'ın temel özelliklerinden ilki AIOps (Artificial Intelligence for IT Operations) yaklaşımıdır. AIOps, BT altyapısından toplanan büyük veri akışlarını makine öğrenimi algoritmaları aracılığıyla analiz eder, anomalileri gerçek zamanlı tespit eder ve potansiyel arızaları henüz oluşmadan önce tahmin eder. Bu sayede ekipler reaktif sorun giderme yerine proaktif önlem almaya odaklanabilir. CI/CD (Sürekli Entegrasyon/Sürekli Dağıtım) süreçleri DevOps AI ile daha akıllı hale gelir. Yapay zeka modelleri, geçmiş hata örüntülerini öğrenerek hangi kod değişikliklerinin dağıtım sorunlarına yol açabileceğini önceden tahmin eder. Deployment risk scoring olarak bilinen bu teknik, ekiplerin yüksek riskli dağıtımları erkenden fark etmesini sağlar. Otomatik test üretimi de DevOps AI'ın kritik bir bileşenidir. LLM tabanlı kod analiz araçları mevcut kodu inceleyerek eksik test senaryolarını otomatik oluşturur ve kod kapsamını artırır. Benzer şekilde kod kalite analizi, yapay zeka ile zenginleştirilmiş kod incelemelerine dönüşür. Gözlemlenebilirlik (Observability) alanında DevOps AI; metrik, log ve izleme (trace) verilerini birleştirerek kök neden analizini hızlandırır. Geleneksel eşik tabanlı uyarılar yerine anormallik tespiti algoritmaları dinamik baseline oluşturur ve gerçek sorunları gürültüden ayırt eder. Otomatik olay yanıtı (auto-remediation) ise tekrarlayan sorunları insan müdahalesi olmadan çözebilir. Kaynak optimizasyonu konusunda makine öğrenimi modelleri iş yükü örüntülerini öğrenerek altyapı maliyetlerini minimize eden akıllı otomatik ölçekleme (auto-scaling) kararları verir. Bu özellikle bulut ortamlarında önemli maliyet tasarrufu sağlar. DevOps AI'ı başarıyla uygulayan ekipler daha hızlı dağıtım döngüleri, daha az üretim kesintisi ve geliştirici deneyiminde belirgin iyileşme rapor etmektedir. Ancak bu yaklaşımın benimsenmesi kültürel değişim, kaliteli eğitim verisi ve araç entegrasyonu gerektirmektedir.
Docker Nedir? AI Geliştirmede Konteyner Teknolojisi (Konteyner Teknolojisi)
Docker, 2013 yılında Solomon Hykes tarafından geliştirilen ve Linux çekirdeğinin konteyner teknolojisini kullanıcı dostu bir API ile erişilebilir kılan açık kaynaklı bir konteynerizasyon platformudur. Temel amacı "bende çalışıyor ama sende çalışmıyor" sorununu ortadan kaldırmaktır: Uygulama kodu, çalışma zamanı, kütüphaneler ve tüm sistem bağımlılıkları bir araya getirilerek "image" adı verilen taşınabilir bir paket oluşturulur; bu paketten çalıştırılan "container", bulut sunucusundan yerel makineye kadar her ortamda aynı davranışı sergiler. Sanal makinelerden (VM) farkı kritik öneme sahiptir. VM'ler tam bir işletim sistemi çalıştırırken Docker container'ları ana sistemin çekirdeğini paylaşır. Bu sayede container'lar saniyeler içinde başlar, megabayt mertebesinde yer kaplar ve çok daha az RAM tüketir. Container'lar sanallaştırma yerine işletim sistemi düzeyinde izolasyon sunar. AI ve makine öğrenimi ekosisteminde Docker birkaç kritik sorunu çözer. Araştırmacılar, farklı Python sürümleri, CUDA versiyonları veya kütüphane kombinasyonları gerektiren deneyleri Dockerfile aracılığıyla yeniden üretilebilir ortamlar olarak tanımlayabilir. Model deployment sürecinde eğitilmiş modeller API sunucularıyla birlikte konteynerize edilerek Kubernetes gibi orkestrasyon araçlarıyla büyük ölçekte dağıtılabilir. MLflow, Kubeflow ve Airflow gibi MLOps araçlarının büyük çoğunluğu Docker'ı temel alır. Temel bileşenler şunlardır: Dockerfile (image'ı tanımlayan yapılandırma dosyası), image (çalıştırılabilir paket), container (çalışan image örneği), registry (Docker Hub gibi image deposu) ve docker-compose (çoklu container uygulamalarını yönetme aracı). docker pull, docker run ve docker build komutları günlük kullanımın temelini oluşturur.
DPO (Doğrudan Tercih Optimizasyonu)
DPO (Direct Preference Optimization), Türkçesiyle Doğrudan Tercih Optimizasyonu, büyük dil modellerini insan tercihlerine göre hizalamak için kullanılan ve RLHF'nin çok aşamalı sürecini tek bir denetimli öğrenme adımına indirgeyen bir ince ayar (fine-tuning) yöntemidir. Rafailov ve arkadaşlarının 2023'te Stanford'da yayımladığı "Your Language Model is Secretly a Reward Model" makalesiyle önerildi. Yöntemin çözdüğü sorun şudur: RLHF'de önce insan tercihlerinden ayrı bir ödül modeli eğitilir, ardından bu ödülü maksimize etmek için PPO gibi pekiştirmeli öğrenme algoritmaları çalıştırılır; bu süreç karmaşık, maliyetli ve kararsızdır. DPO ise ödül fonksiyonunun kapalı formda doğrudan politika üzerinden ifade edilebildiğini matematiksel olarak gösterir. Böylece aynı hizalama hedefi, kazanan-kaybeden yanıt çiftlerinden oluşan tercih verisiyle tek aşamada optimize edilir. Kayıp fonksiyonu, modelin tercih edilen yanıta verdiği olasılığı artırırken reddedilen yanıtınkini düşürür ve KL cezasıyla referans modelden aşırı sapmayı engeller. Bu sadeleşme pratikte büyük fark yaratır: ayrı ödül modeli eğitimi, örnekleme döngüleri ve PPO'nun hiperparametre hassasiyeti ortadan kalkar; eğitim daha kararlı, daha ucuz ve tekrarlanabilir hâle gelir. Zephyr, Tülu 2 ve Meta'nın Llama 3 ailesi gibi modellerin hizalama aşamasında DPO kullanıldı. Hugging Face TRL kütüphanesindeki DPOTrainer sınıfı, LoRA veya QLoRA ile birleştiğinde yöntemi tek GPU'lu ortamlarda bile erişilebilir kılar. Bugün DPO, açık kaynak LLM hizalamasının fiili standartlarından biri kabul edilir; IPO, KTO, SimPO ve ORPO gibi varyantlar da bu çerçeveden türetilmiştir. Hangi yöntemin seçileceği veri altyapısına, hesaplama bütçesine ve hedef görevin hassasiyetine bağlıdır.
Deep Learning (Derin Öğrenme)
Derin Öğrenme (Deep Learning), insan beyninin çalışma prensibinden ilham alınarak geliştirilen yapay sinir ağlarını kullanarak çok katmanlı soyutlamalarla veriyi modelleyen makine öğrenmesi alt dalıdır. Geoffrey Hinton, Yann LeCun ve Yoshua Bengio gibi öncülerin çalışmalarıyla şekillenen bu alan, 2012 yılında ImageNet yarışmasında AlexNet'in gösterdiği çığır açan başarıyla ana akım haline gelmiştir. Günümüzde GPT, DALL-E, AlphaFold gibi devrim niteliğindeki modellerin temelini oluşturmaktadır.
Data Warehouse (Veri Ambarı)
Veri Ambarı (Data Warehouse), farklı kaynaklardan toplanan büyük miktarda yapılandırılmış verinin analitik sorgular ve iş zekası (BI) uygulamaları için optimize edilmiş şekilde depolandığı merkezi bir veritabanı sistemidir. Günlük işlem (OLTP) veritabanlarından farklı olarak veri ambarları, tarihsel veriyi korumak, karmaşık analizler yapmak ve karar destek sistemlerine veri sağlamak amacıyla tasarlanmıştır. Bill Inmon, 1990'da veri ambarını dört temel özellikle tanımladı: (1) Konu odaklı — müşteri, ürün veya satış gibi belirli iş konuları etrafında organize edilir; (2) Entegre — farklı kaynaklardan gelen veriler tutarlı bir formatta birleştirilir; (3) Değişmez — bir kez yüklenen veriler güncellenmez, yalnızca yeni kayıtlar eklenir; (4) Zaman serili — veriler belirli dönemlere ait etiketlerle saklanır ve tarihsel analiz mümkün kılınır. Veri ambarına veri yüklemek için ETL (Extract, Transform, Load) süreci kullanılır: kaynak sistemlerden veri çekilir, temizlenip dönüştürülür ve ambar tablolarına yüklenir. Modern yaklaşımlarda ELT (ham veri önce yüklenir, sonra dönüştürülür) yöntemi de yaygınlaşmıştır. Boyutsal modelleme (dimensional modeling) tekniğiyle oluşturulan yıldız (star) ve kar tanesi (snowflake) şema tasarımları, sorgu performansını artırır. Bulut çağında Amazon Redshift, Google BigQuery, Snowflake ve Microsoft Azure Synapse Analytics gibi MPP (Massively Parallel Processing) mimarili çözümler petabayt ölçeğinde veri işlemeyi mümkün kılmaktadır. Data Lakehouse mimarisi ise veri ambarı ile Data Lake'in avantajlarını tek platformda birleştirmektedir. Veri ambarları; finans raporlaması, müşteri segmentasyonu, tedarik zinciri optimizasyonu ve makine öğrenimi feature store'ları için kritik altyapıdır.
Data Breach (Veri İhlali)
Veri ihlali (data breach), yetkisiz kişilerin şirketlere, kurumlara veya bireylere ait hassas, korumalı ya da gizli verilere erişim sağladığı ya da bu verileri dışarıya sızdırdığı bir güvenlik olayıdır. Açığa çıkan veriler kişisel kimlik bilgileri, finansal kayıtlar, sağlık verileri, oturum açma kimlik bilgileri veya fikri mülkiyet olabilir. IBM'in 2025 raporuna göre bir veri ihlalinin küresel ortalama maliyeti 4,4 milyon dolar seviyesindedir; dünyada ise her gün ortalama 443 veri ihlali yaşanmaktadır.
Deepfake (Derin Sahtelik)
Deepfake, derin öğrenme (deep learning) ve özellikle GAN (Üretici Çekişmeli Ağlar) teknolojileri kullanılarak var olan bir video, fotoğraf veya ses kaydının üzerindeki kişinin yüzünün veya sesinin, başka birinin yüzü ve sesiyle gerçeğinden ayırt edilemeyecek şekilde değiştirilmesi işlemidir.
Data Quality (Veri Kalitesi)
Veri kalitesi (Data Quality), bir veri kümesinin belirli bir kullanım amacı için ne derece uygun olduğunu ifade eden çok boyutlu bir kavramdır. Yapay zeka, makine öğrenimi ve veri madenciliği projelerinde, veri kalitesi modelin ne kadar doğru ve güvenilir sonuç üreteceğini belirleyen temel etkendir. Veri kalitesi altı standart boyutla ölçülür. Doğruluk (accuracy), veri değerlerinin gerçek dünyadaki durumu yansıtıp yansıtmadığını ölçer. Tamlık (completeness), gerekli alanların eksiksiz biçimde dolu olup olmadığını denetler. Tutarlılık (consistency), aynı verinin farklı sistemler veya tablolar arasında çelişip çelişmediğini kontrol eder. Zamansallık (timeliness), verinin analiz amacına yetecek kadar güncel olup olmadığını sorgular. Geçerlilik (validity), verilerin tanımlanmış iş kurallarına ve formatlara uygunluğunu belirler. Benzersizlik (uniqueness) ise yinelenen kayıtları tespit eder. Sektörde yerleşik olan 'Çöp içeri, çöp dışarı' (Garbage In, Garbage Out) ilkesi, veri kalitesinin modeller üzerindeki doğrudan etkisini özetler. Hatalı veya eksik verilerle eğitilen bir yapay zeka modeli, gerçek dünya koşullarında güvenilmez tahminler üretir. Araştırmalar, veri bilimcilerinin zamanının yüzde altmış ila seksenini veri temizleme ve kalite iyileştirmeye ayırdığını ortaya koymaktadır. Veri kalitesini ölçmek ve artırmak için kullanılan başlıca araçlar arasında Great Expectations, dbt testleri, Apache Soda ve Pandas Profiling yer almaktadır. Bu araçlar veri boru hatlarına (pipeline) entegre edilerek kalite sorunlarını anlık raporlar ve anomalileri uyarı sistemlerine bildirir. Üretim ortamlarında sürekli veri kalitesi izleme (data quality monitoring), sapmalar gerçekleşir gerçekleşmez mühendis ekipleri uyarır. Regülasyon boyutunda AB Yapay Zeka Yasası (AI Act) Madde 10, yüksek riskli yapay zeka sistemlerinde veri yönetim uygulamalarını ve kalite metriklerini belgelemeyi yasal yükümlülük haline getirmiştir. ISO/IEC 25012 standardı da veri kalitesi özelliklerini sistematik biçimde tanımlar. Bu nedenle veri kalitesi artık yalnızca teknik bir uygulama değil, kurumsal yönetişim ve uyum çerçevelerinin ayrılmaz bir parçasıdır.
Die Stacking Nedir? 3D Çip Entegrasyonu Rehberi (Die Yığma)
Die stacking (die yığma veya 3B entegre devre), birden fazla yarı iletken çip katmanının (die) dikey olarak üst üste istiflendiği ve Through-Silicon Via (TSV) ya da hibrit bağlama yöntemiyle birbirine bağlandığı ileri bir paketleme teknolojisidir. Bu teknik sayesinde çipler arasındaki iletişim mesafesi dramatik biçimde kısalır; sinyal gecikmeleri azalır, bant genişliği artar ve bit başına enerji tüketimi düşer. Die stacking'in en yaygın örneği HBM (High Bandwidth Memory) bellektir. HBM'de 4-12 DRAM katmanı dikey olarak üst üste istiflenip bir interposer üzerinde GPU veya AI işlemcisiyle yan yana konumlandırılır. NVIDIA H100'deki HBM3 bellekler 3,35 TB/s'ye varan bant genişliği sunarak yapay zeka modellerinin eğitimindeki bellek darboğazını büyük ölçüde ortadan kaldırır. AMD 3D V-Cache teknolojisi, TSMC'nin SoIC (System-on-Integrated-Chip) hibrit bağlama prosesiyle SRAM katmanlarını doğrudan CPU üzerine istifler. 9 µm pitch ile gerçekleştirilen bu bağlantı, geleneksel yöntemlere göre 15 kat daha yoğun bir ara yüz sunar ve L3 önbellek kapasitesini 2-3 katına çıkarır. Intel'in Foveros teknolojisi ise farklı süreç düğümlerinde üretilmiş katmanları—örneğin 7 nm hesap die'ı ile 22 nm G/Ç die'ını—tek paket içinde birleştirerek heterojen entegrasyona olanak tanır. TSMC SoIC ve Intel Foveros Direct gibi modern çözümler, yapay zeka hızlandırıcı tasarımının temel bileşeni hâline gelmektedir.
Data Masking Nedir? Veri Maskeleme Teknikleri ve Kullanım Alanları (Veri Maskeleme)
Veri maskeleme (data masking ya da veri gizleme), hassas ya da kişisel nitelikteki gerçek verilerin yerine işlevsel ama tanımlanamaz sahte veriler koyma tekniğidir. Amaç, veri setinin yapısal, istatistiksel ve biçimsel özelliklerini korurken bireysel kayıtların gerçek kişi ya da kurumlarla ilişkilendirilmesini olanaksız kılmaktır. Test ve geliştirme ekipleri, verinin gerçekliğini korumak zorunda kalmadan üretim ortamına yakın bir veri kümesiyle çalışabilir; böylece gizlilik sızıntısı riski büyük ölçüde azalır. GDPR ve Türkiye KVKK gibi veri koruma mevzuatları, kişisel verinin üçüncü taraflarla paylaşılmasını ya da farklı amaçlarla işlenmesini kısıtlar. Veri maskeleme, bu yasal gerekliliklerin karşılanmasında teknik bir araç olarak öne çıkar: düzgün maskelenmiş veri, artık kişisel veri sayılmayabileceğinden GDPR kapsamındaki koruyucu yükümlülükler hafifler. Nitekim AB Veri Koruma Kurulları, veri maskelemeyi anonimleştirme veya takma adlandırma (pseudonymisation) tekniklerinden biri olarak değerlendirir. Yapay zeka ve makine öğrenmesi alanında veri maskeleme, model eğitim süreçlerinde kritik bir rol üstlenir. Sağlık, finans ve perakende sektörlerinde gerçek müşteri ya da hasta verisinin üçüncü taraf araştırmacılara veya ML mühendislerine açılması yasal olarak mümkün olmayabilir. Bu durumda maskeli veri setleri, modellerin gerçekçi desenleri öğrenmesini sağlarken gizlilik riskini ortadan kaldırır. Büyük dil modellerinin fine-tuning süreçlerinde de hassas kurumsal veriler maskelenerek model, kurumun yazım stili veya domain bilgisini öğrenir; ancak gerçek PII (kişiyi tanımlayan bilgi) asla modele dahil edilmez.
Dizi Madenciliği (Sequence Mining) (Dizi Madenciliği)
Sequence mining (dizi madenciliği veya sıralı örüntü madenciliği), zaman içinde veya belirli bir sıraya göre gerçekleşen olaylardan oluşan veri kümelerinde sık tekrar eden alt dizileri keşfetmeye yarayan veri madenciliği tekniğidir. 1995 yılında Agrawal ve Srikant tarafından önerilen bu yaklaşım, Apriori ilkesini sıralı verilere uygular. Web tıklama akışlarından genomik veri analizine, e-ticaret sepet sıralarından telekomünikasyon çağrı örüntülerine kadar pek çok alanda kullanılır.
Data Sovereignty (Veri Egemenliği)
[{"title": "Tan\u0131m", "content": "Data Sovereignty (Veri Egemenli\u011fi), verilerin topland\u0131\u011f\u0131, depoland\u0131\u011f\u0131 veya i\u015flendi\u011fi co\u011frafi b\u00f6lgenin yasal yetki alan\u0131na tabi olmas\u0131n\u0131 ifade eder. Bu kavram; hangi \u00fclkenin yasalar\u0131n\u0131n veriye uyguland\u0131\u011f\u0131n\u0131, kimin bu veriye eri\u015febilece\u011fini ve verilerin nas\u0131l i\u015flenebilece\u011fini belirler. Yaln\u0131zca fiziksel depolama konumunu kapsayan veri yerle\u015fikli\u011fi (data residency) kavram\u0131ndan farkl\u0131 olarak, veri egemenli\u011fi hukuki denetim boyutunu da i\u00e7erir."}, {"title": "Neden \u00d6nemlidir?", "content": "Yapay zeka modelleri milyarlarca veri noktas\u0131na dayand\u0131\u011f\u0131ndan, bu verilerin nerede bar\u0131nd\u0131r\u0131ld\u0131\u011f\u0131 kritik \u00f6nem ta\u015f\u0131r. Bir \u015firket ya da devlet verilerini yabanc\u0131 bir sunucuda depoluyorsa, o sunucunun bulundu\u011fu \u00fclkenin yasal eri\u015fim haklar\u0131 devreye girebilir. Bu durum ulusal g\u00fcvenlik, ticari s\u0131r ve bireysel mahremiyet a\u00e7\u0131s\u0131ndan ciddi riskler do\u011furabilir. \u00d6zellikle ABD merkezli b\u00fcy\u00fck bulut sa\u011flay\u0131c\u0131lar\u0131n\u0131n k\u00fcresel egemenli\u011fi, pek \u00e7ok h\u00fck\u00fcmetin ve kurumun yerel altyap\u0131 kurma \u00e7abalar\u0131n\u0131n temel motivasyonunu olu\u015fturmaktad\u0131r."}, {"title": "Sovereign AI ile \u0130li\u015fkisi", "content": "Veri egemenli\u011fi kavram\u0131, \u00fclkelerin yapay zeka altyap\u0131s\u0131n\u0131 yerel olarak in\u015fa etme \u00e7abas\u0131 olan Sovereign AI hareketi ile do\u011frudan ili\u015fkilidir. T\u00fcrkiye, Avrupa Birli\u011fi, Japonya ve di\u011fer pek \u00e7ok \u00fclke; kritik verilerin s\u0131n\u0131r d\u0131\u015f\u0131na \u00e7\u0131kmamas\u0131 i\u00e7in yerel veri merkezleri kurmakta, \u00f6zel yapay zeka altyap\u0131lar\u0131 geli\u015ftirmekte ve bulut sa\u011flay\u0131c\u0131lar\u0131na y\u00f6nelik d\u00fczenlemeler olu\u015fturmaktad\u0131r. Bu yakla\u015f\u0131m; ekonomik, stratejik ve k\u00fclt\u00fcrel ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131n temel ta\u015flar\u0131ndan biri olarak de\u011ferlendirilmektedir."}, {"title": "Yasal \u00c7er\u00e7eve", "content": "Avrupa'da GDPR (Genel Veri Koruma Y\u00f6netmeli\u011fi), veri egemenli\u011finin yasal temelini olu\u015fturmaktad\u0131r. T\u00fcrkiye'de ise KVKK (Ki\u015fisel Verilerin Korunmas\u0131 Kanunu) bu alanda yol g\u00f6sterici rol oynamaktad\u0131r. AB Yapay Zeka Yasas\u0131 (EU AI Act) kapsam\u0131nda, yapay zeka sistemlerine ili\u015fkin veri i\u015fleme gereksinimleri de veri egemenli\u011fi ilkeleriyle uyumlu hale getirilmektedir. K\u00fcresel \u00f6l\u00e7ekte her \u00fclke farkl\u0131 d\u00fczenleyici yakla\u015f\u0131mlar benimsemekte; bu da veri ak\u0131\u015flar\u0131n\u0131 karma\u015f\u0131k bir hukuki a\u011fa d\u00f6n\u00fc\u015ft\u00fcrmektedir."}, {"title": "Teknik \u00c7\u00f6z\u00fcmler", "content": "Federated Learning (Federe \u00d6\u011frenme), veri egemenli\u011fini korurken makine \u00f6\u011frenimi modellerini e\u011fitmek i\u00e7in kullan\u0131lan ba\u015fl\u0131ca tekniktir. Bu y\u00f6ntemde veriler merkezi bir sunucuya g\u00f6nderilmez; model g\u00fcncellemeleri cihaz d\u00fczeyinde hesaplan\u0131r ve yaln\u0131zca gradyanlar payla\u015f\u0131l\u0131r. Homomorphic Encryption ise \u015fifreli veriler \u00fczerinde hesaplama yap\u0131lmas\u0131na olanak tan\u0131yarak ham verinin hi\u00e7bir zaman a\u00e7\u0131k halde i\u015flenmesini engeller. Bu teknikler bir arada kullan\u0131larak hem analitik de\u011fer hem de veri egemenli\u011fi korunabilir."}]
DALL-E (OpenAI Görsel Yapay Zeka)
DALL-E (isim kökeni Salvador Dalí ve WALL-E robotundan gelir), OpenAI tarafından geliştirilen, doğal insan dilindeki metin komutlarını (prompt) anlayarak bu kelimelere karşılık gelen orijinal ve gerçekçi dijital görseller üretebilen bir yapay zeka modelidir. GPT modellerinin görüntü üreten "kardeşidir".
Data Mining (Veri Madenciliği)
Veri Madenciliği (Data Mining), istatistik, veritabanı sistemleri ve makine öğrenimi (AI) tekniklerini kullanarak, devasa büyüklükteki veri yığınlarının (Big Data) içindeki gizli kalıpları (paternler), kuralları ve ilişkileri insan müdahalesi olmadan otomatik olarak "kazıp" çıkarma işlemidir. Amaç, ham veriyi ticari veya bilimsel bilgiye dönüştürmektir.
Diffusion Model (Yayılım Modeli (Diffusion Modeli))
Diffusion modeli, veriye kademeli olarak gürültü ekleyen (ileri süreç) ve ardından bu gürültüden orijinal veriyi adım adım yeniden oluşturmayı öğrenen (ters süreç) bir üretici yapay zeka mimarisidir. Stable Diffusion, DALL-E 3, Midjourney ve Imagen gibi günümüzün en güçlü görüntü üretim sistemleri difüzyon modeline dayanmaktadır. İleri süreçte (forward process) modele verilen temiz görüntüye T adım boyunca Gaussian gürültü eklenir; sonunda görüntü tamamen gürültüye dönüşür. Bu süreç deterministik ve önceden tanımlanmıştır — öğrenme gerektirmez. Ters süreçte (reverse process) model, tamamen gürültülü bir görüntüden başlayarak her adımda biraz daha temizleyerek orijinale yakın bir görüntü üretir. Model bu ters süreci veriden öğrenir. Eğitim sırasında model, belirli bir gürültü seviyesindeki görüntüden hangi gürültünün çıkarılması gerektiğini tahmin etmeyi öğrenir. Çıkarım sırasında tamamen rastgele gürültüden başlanır ve model bu tahmin sürecini T adım boyunca tekrarlayarak yeni, gerçekçi bir görüntü üretir. Metin koşullandırması (text conditioning) ise CLIP gibi bir metin kodlayıcısından gelen vektörün dikkat mekanizmasına (cross-attention) enjekte edilmesiyle sağlanır.
DeepSeek-R1 (DeepSeek-R1)
DeepSeek-R1, Çin merkezli DeepSeek şirketi tarafından 2025'in başında 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 ve pekiştirmeli öğrenme (RL) ile güçlendirilmiş akıl yürütme sürecini geliştirmiştir; model yanıt üretmeden önce uzun iç monologlar (düşünme adımları) oluşturur. DeepSeek-R1'in en dikkat çekici özelliği eğitim maliyetidir: OpenAI modelleriyle kıyaslandığında çok daha düşük bir bütçeyle benzer matematik, kod ve akıl yürütme kıyaslaması puanları elde etmesi yapay zeka topluluğunda büyük yankı uyandırdı. Model MIT lisansıyla HuggingFace üzerinden serbestçe indirilebilir; 1.5B'den 671B'ye kadar damıtma versiyonları mevcuttur. Bu damıtılmış modeller (distill), küçük ölçekte bile güçlü muhakeme yeteneklerini miras alır. DeepSeek-R1'in yayımlanması, akıl yürütme odaklı modellerin salt ölçek artışı değil, eğitim algoritması yeniliğiyle geliştirilebileceğini kanıtlamıştır. GRPO (Group Relative Policy Optimization) gibi yeni RL optimizasyon teknikleriyle küçük modellerin de büyük modellere yakın muhakeme kapasitesi kazanabileceği gösterilmiştir.
Data Versioning Nedir? Makine Öğrenmesinde Veri Versiyonlama (Veri Versiyonlama)
Data versioning (veri versiyonlama), makine öğrenmesi ve veri bilimi projelerinde kullanılan veri kümelerini, modelleri ve deneyleri Git'e benzer şekilde izleyen bir sürüm kontrol yöntemidir. Geleneksel yazılım geliştirmede kod değişiklikleri Git ile takip edilirken makine öğrenmesi projelerinde veri kümelerinin de aynı titizlikle yönetilmesi kritik önem taşır. Bir model eğitiminde hangi veri setinin kullanıldığını bilmeden deneyler tekrarlanamaz, performans regresyonlarının kaynağı tespit edilemez ve model denetim (audit) süreçleri güvenilir biçimde yürütülemez. 'Aynı kod, aynı veri sürümü, aynı sonuç' prensibi olarak da tanımlanan tam yeniden üretilebilirlik (full reproducibility), MLOps olgunluk modelinin temel gereksinimlerinden biridir. Bu alandaki en yaygın araç DVC (Data Version Control) olup açık kaynaklı bir proje olarak Git ile entegre çalışır: büyük veri dosyalarını Amazon S3, Google Cloud Storage veya Azure Blob gibi uzak depolara yükler, Git reposunda ise yalnızca küçük birer meta-dosya (pointer) tutar. Kasım 2025'te lakeFS tarafından satın alınan DVC, veri göllerinde Git tarzı dallanma, commit ve merge işlemlerine olanak tanıyan lakeFS mimarisiyle birleşmeye başlamıştır. Versiyon yönetimi yalnızca ham veri ile sınırlı kalmaz; dönüştürülmüş veri kümeleri, model ağırlıkları ve deney konfigürasyonları (hiperparametreler, rastgele tohum değerleri) de kapsama dahil edilir. Delta Lake ve Apache Iceberg ise veri gölü ve veri ambarı ortamlarında tablo düzeyinde ACID uyumlu versiyonlama, anlık görüntü (snapshot) alımı ve zaman yolculuğu sorguları (time travel query) sunarak data versioning'i kurumsal ölçekte uygulanabilir kılar. MLOps boru hatlarında data versioning şu görevleri üstlenir: her model eğitim koşusu için kullanılan veri sürümünü otomatik olarak kaydeder, model kayıt defteri (model registry) ile veri sürümü arasında birebir ilişki kurar, regresyon testlerinde referans veri setlerini sabitler ve AB testi koşullarını izole eder. Bu nedenle data versioning, üretime alınan yapay zeka sistemlerinde hem güvenilirlik hem de uyumluluk (compliance) gereksinimlerini karşılamak için vazgeçilmez bir bileşen haline gelmiştir.
Depth Estimation (Derinlik Tahmini)
Depth estimation (derinlik tahmini), bir yapay zeka modelinin tek veya iki kameralı 2D görüntülerden sahnedeki her noktanın kameraya olan uzaklığını otomatik olarak tahmin etmesidir. Çıktı olarak her pikselin mesafeye karşılık geldiği bir "derinlik haritası" (depth map) üretilir: yakın nesneler genellikle sıcak ya da parlak tonlarla, uzak nesneler ise koyu ya da soğuk tonlarla gösterilir. İki temel yaklaşım öne çıkar. Monoküler derinlik tahmini, yalnızca tek bir görüntüden perspektif ipuçları, gölgeler ve nesne boyutlarını kullanarak derinliği çıkarır. MiDaS, DPT (Dense Prediction Transformer) ve Meta'nın Depth Anything V2 modeli günümüzün en başarılı monoküler sistemleri arasında yer alır; bu modeller çok sayıda farklı veri kümesi üzerinde eğitilerek sahne bağımsız genelleme kapasitesi kazanır. Stereo derinlik tahmini ise yatay eksende belirli bir uzaklıkta yerleştirilmiş iki kameradan elde edilen görüntüler arasındaki piksel kaymasını (disparity) analiz eder; insan görme sistemindeki çift göz prensibini taklit eden bu yaklaşım daha kesin metrik mesafe bilgisi sunar. Uygulama yelpazesi oldukça geniştir. Otonom araçlar çevrelerini anlamlandırmak için derinlik haritalarına ihtiyaç duyar; artırılmış gerçeklik sistemleri sanal nesneleri fiziksel ortama gerçekçi biçimde yerleştirirken derinlik bilgisini kullanır; endüstriyel robotlar kavrama hassasiyeti için sahne geometrisini derinlik tahminiyle öğrenir. Buna ek olarak 3D nokta bulutu üretimi, sahne yeniden yapılandırma ve LiDAR sensör füzyonu gibi ileri düzey uygulamalarda da temel altyapı görevi görür. Mimari açıdan modern modeller encoder-decoder yapısını benimser: CNN veya Vision Transformer tabanlı encoder görüntüden özellikler çıkarır, decoder bu özellikleri yüksek çözünürlüklü derinlik haritasına dönüştürür. Araştırmanın güncel odakları arasında sıfır çekim (zero-shot) monoküler tahmin, videoda tutarlı derinlik ve mutlak metrik mesafe tahmini bulunmaktadır.
Data Residency (Veri İkameti)
Veri ikameti (Data Residency), verilerin belirli bir ülke veya bölge sınırları içinde fiziksel olarak depolanmasını ve işlenmesini zorunlu kılan yasal ve düzenleyici bir gerekliliktir. Bu kavram, bulut bilişim altyapıları yaygınlaşırken özellikle önem kazanmış; hükümetler ve kuruluşlar, vatandaşlarına ait verilerin ulusal sınırları terk etmemesini talep etmeye başlamıştır. Veri ikameti gereklilikleri; GDPR'ın AB dışına veri aktarımını kısıtlayan 44-49. maddeleri, Türkiye'nin KVKK'sı, Rusya'nın yerelleştirme yasası ve Çin'in siber güvenlik düzenlemeleri gibi çeşitli yasal çerçevelerden kaynaklanmaktadır. Yapay zeka sistemleri bağlamında veri ikameti, model eğitiminde kullanılacak verilerin işleneceği fiziksel sunucuların konumunu doğrudan belirlemekte; bu da AI altyapısının kurulum kararlarını şekillendirmektedir.
Dijital Kişilik (Dijital Kişilik)
Dijital kişilik (İng. digital personhood), bir bireyin ya da yapay zeka sisteminin dijital ortamdaki kimlik, haklar ve sorumluluklar bağlamında nasıl tanımlandığını inceleyen hukuki ve felsefi kavramdır. İnternetin ve yapay zekanın gündelik yaşamı dönüştürdüğü bu dönemde, fiziksel dünyaya ait "kişilik" kavramı dijital uzama taşınmakta ve yeni sorular doğurmaktadır. Dijital kişilik iki temel boyutu kapsar. Birincisi, gerçek insanların dijital temsilleri — kullanıcı profilleri, çevrimiçi kimlikler, dijital ayak izi ve sosyal medya hesapları aracılığıyla oluşan "dijital benlik." Bu boyut; ölüm sonrası dijital miras (digital legacy), veri sahipliği ve kişisel verilerin silinme hakkı gibi pratik meseleleri de içerir. İkincisi, yapay zeka ajanları, sanal asistanlar ve otonom dijital varlıkların hukuki statüsü — "elektronik kişilik" (electronic personhood) olarak da bilinen bu alan, yapay zeka sistemlerinin haklara, sorumluluklara ya da hukuki statüye sahip olup olamayacağını sorgular. Avrupa Parlamentosu 2017 yılında robotlar ve yapay zeka sistemleri için "elektronik kişilik" statüsü önerisinde bulunarak bu tartışmayı hukuk arenasına taşıdı. Suudi Arabistan aynı yıl Sophia adlı robota vatandaşlık vererek konuyu uluslararası gündemin önüne çıkardı. Avrupa Birliği Yapay Zeka Yasası (EU AI Act) henüz yapay zekaya kişilik tanımasa da yüksek riskli sistemler için sorumluluk çerçevesi öngörerek dijital kişilik tartışmasına yasal zemin hazırlamaktadır. Dijital kişilik kavramı; algoritmik hesap verebilirlik, veri gizliliği, yapay zeka güvenliği ve etik tasarım gibi alanlarla doğrudan kesişmektedir. Önümüzdeki on yıllarda, yapay zekanın özerk karar alma kapasitesinin artmasıyla birlikte, dijital kişilik kavramının hukuki ve ahlaki anlamda somutlaşması beklenmektedir.
Data Loss Prevention (DLP) (Veri Kaybı Önleme)
Data Loss Prevention (DLP), bir kuruluşun hassas, gizli veya kritik verilerinin yetkisiz kişilerce ele geçirilmesini, dışarıya sızdırılmasını veya yanlışlıkla ifşa edilmesini engelleyen güvenlik teknolojileri ve süreçleri bütünüdür. DLP sistemleri, kişisel tanımlayıcı bilgiler (PII), finansal kayıtlar, ticari sırlar ve sağlık verileri gibi korunan verileri gerçek zamanlı olarak tespit eder, izler ve gerektiğinde bloke eder. Bir DLP çözümü tipik olarak üç katmanda çalışır: Ağ DLP (network DLP), e-posta ve web trafiği gibi veri akışlarını uçta denetler. Uç nokta DLP (endpoint DLP), kullanıcının bilgisayar, dizüstü bilgisayar veya mobil cihazındaki veri hareketlerini takip eder. Bulut DLP ise SaaS uygulamaları ve bulut depolama ortamlarındaki veriyi korur. Modern DLP çözümleri makine öğrenimi ve doğal dil işleme teknolojilerini entegre ederek içerik analizi doğruluğunu önemli ölçüde artırmıştır. Geleneksel kural tabanlı yaklaşımlar yalnızca belirli kalıpları (kredi kartı numarası gibi) tanırken, yapay zeka destekli DLP sistemleri bağlamı anlayarak bağlamsal anomalileri, içeriden tehdit belirtilerini ve gizlenmiş veri sızdırma girişimlerini de tespit edebilmektedir. DLP kullanım amacına göre üç ana kategoriye ayrılır: Uyumluluk odaklı DLP (GDPR, HIPAA, PCI-DSS, SOX gibi yasal zorunlulukları karşılamak için), fikri mülkiyet koruma odaklı DLP (kaynak kod, tasarım dosyaları ve Ar-Ge belgelerini korumak için) ve içeriden tehdit yönetimi odaklı DLP (kazara veya kasıtlı çalışan kaynaklı sızdırmaları engellemek için). DLP politikaları genellikle veri sınıflandırması (data classification) ile birlikte çalışır: veriler hassasiyet düzeyine göre etiketlenir (gizli, kısıtlı, kamuya açık), DLP motor bu etiketlere ve içerik kurallarına göre izin ver / uyar / engelle kararı verir. Yapay zeka destekli DLP çözümleri, kullanıcı davranışı analitiği (UBA/UEBA) ile entegre edilerek normal sapma örüntülerini de tespit edebilmektedir.