E Harfi ile Başlayan Terimler
Experiment Tracking (Deney Takibi)
Experiment Tracking (Deney Takibi), makine öğrenmesi ve derin öğrenme projelerinde gerçekleştirilen her eğitim çalışmasının sistematik biçimde kaydedilmesi, yönetilmesi ve karşılaştırılması pratiğidir. Bir model geliştirirken veri bilimciler onlarca, hatta yüzlerce farklı deney çalışabilir: öğrenme hızı, batch size, katman sayısı, dropout oranı gibi hiperparametreleri değiştirerek modelin nasıl davrandığını gözlemler. Takip sistemi olmadan hangi konfigürasyonun en iyi sonucu verdiğini hatırlamak veya sonuçları tekrar üretmek (reproducibility) neredeyse imkânsız hale gelir. Deney takip araçları; her çalışma (run) için hiperparametreleri, eğitim ve doğrulama metriklerini (kayıp, doğruluk, F1 skoru vb.), model ağırlıklarını, kod sürümünü (git hash), ortam bilgilerini (Python sürümü, kütüphane versiyonları) ve veri seti sürümünü otomatik olarak kaydeder. Bu veriler merkezi bir dashboard üzerinde görselleştirilerek farklı çalışmalar kolayca karşılaştırılabilir ve en iyi konfigürasyon belirlenir. Ekip genelinde şeffaflık sağlanır; bir çalışma arkadaşının aylar önce yürüttüğü deneye kolayca ulaşılabilir. Endüstri standardı araçlar arasında açık kaynaklı MLflow (Databricks, 2018), bulut tabanlı Weights & Biases (W&B), Neptune.ai ve Comet ML öne çıkmaktadır. Bu araçlar MLOps pipeline'larıyla entegre edilerek CI/CD süreçlerinde otomatik değerlendirme, model kayıt defteri bağlantılı artifact yönetimi ve hiperparametre optimizasyonu desteği sunar. Özellikle düzenleyici uyumluluk gerektiren finans, sağlık ve kamu sektörü uygulamalarında model kararlarının izlenebilir olması için denetim izi (audit trail) sağlamak amacıyla deney takibi zorunlu hale gelmektedir. Rekabetin yoğun olduğu yapay zeka alanında tekrarlanabilir ve ölçeklenebilir deneyler yürütmek, modellerin üretim ortamına güvenle taşınmasının temel ön koşuludur.
Embedding (Gömme / Vektörleştirme)
Embedding nedir sorusunun en kısa yanıtı şudur: Embedding (Türkçede gömme ya da vektörleştirme), kelimelerin, cümlelerin, görsellerin veya herhangi bir veri tipinin, yapay zekânın işleyebileceği sayısal dizilere, yani vektörlere dönüştürülmesi işlemidir. Bu dönüşüm rastgele sayılarla yapılmaz; verinin anlamsal (semantik) değerini koruyacak şekilde, çok boyutlu matematiksel bir uzayda koordinatlara yerleştirilmesiyle gerçekleşir. Benzer anlam taşıyan içerikler bu uzayda birbirine yakın, alakasız içerikler ise uzak konumlanır. "Kedi" ile "köpek" vektörleri yan yana dururken, "kedi" ile "traktör" arasındaki mesafe çok daha büyüktür. Embedding'in önemi, bilgisayarların metni doğrudan anlayamamasından gelir: makineler yalnızca sayılarla çalışır. Anlamı sayılara çevirmenin güvenilir bir yolu olmadan ne semantik arama ne öneri sistemleri ne de büyük dil modelleri çalışabilirdi. ChatGPT gibi modeller girdiyi önce token'lara ayırır, ardından her token'ı bir embedding vektörüne çevirir; modelin "anlama" dediğimiz tüm işlemleri bu vektörler üzerinde yürür. Pratikte embedding'ler en çok üç yerde karşımıza çıkar. Birincisi semantik arama ve RAG sistemleri: kullanıcının sorusu ile belgeler aynı vektör uzayına gömülür, kosinüs benzerliği ile en alakalı içerik bulunur. İkincisi öneri sistemleri: Spotify veya Netflix, beğendiğiniz içeriğe vektör uzayında en yakın duran içerikleri önerir. Üçüncüsü çok modlu uygulamalar: CLIP gibi modeller metin ve görseli aynı uzayda temsil ederek metinle görsel arama yapılmasına imkân tanır. Üretilen vektörler genellikle Pinecone, Weaviate veya pgvector gibi vektör veritabanlarında saklanır ve milyonlarca kayıt arasından milisaniyeler içinde en yakın komşular bulunur. Kısaca embedding, modern yapay zekâ uygulamalarında anlam ile matematik arasındaki köprüdür.
Echo State Network Nedir? (Yankı Durum Ağı)
Echo State Network (ESN), Reservoir Computing (Rezervuar Hesaplama) paradigmasına ait bir tekrarlayan yapay sinir ağı türüdür. 2001 yılında Herbert Jaeger tarafından Fraunhofer Enstitüsü'nde geliştirilen ESN, üç temel bileşenden oluşur: giriş katmanı, büyük ve sabit rastgele bağlantılı tekrarlayan bir rezervuar (tank) ve yalnızca bu rezervuarın çıktısının eğitildiği okuma (readout) katmanı. Geleneksel tekrarlayan sinir ağlarından (RNN) farklı olarak ESN'de giriş ve rezervuar bağlantı ağırlıkları rastgele belirlenir ve sabit tutulur; yalnızca çıkış ağırlıkları basit bir lineer regresyon yöntemiyle eğitilir. Bu yaklaşım, eğitim sürecini dramatik biçimde hızlandırır ve derin ağlarda sıkça karşılaşılan gradyan kaybolması ile gradyan patlaması sorunlarını tamamen ortadan kaldırır. ESN'nin temel prensibi olan 'Yankı Durumu Özelliği' (Echo State Property), ağın geçmiş girdi sinyallerinin etkisini zamanla unutarak mevcut girdi sinyaline bağımlı hale gelmesini sağlar. Bu özellik, ağın farklı başlangıç durumlarından başlayarak aynı girdi dizisine yakınsama yeteneğini ifade eder. Echo State Network, karmaşık zaman serisi verilerinin modellemesinde, konuşma tanımada, kaotik sistemlerin tahmininde ve robot kontrolünde başarılı sonuçlar verir. Liquid Neural Network ve Spiking Neural Network gibi biyolojik ilhamlı dinamik ağ mimarileriyle yakın benzerlik taşıyan ESN, hesaplama verimliliği ve eğitim kolaylığıyla günümüzde de araştırma alanında önemini korumaktadır.
Embedding Model (Gömme Modeli)
Embedding model (gömme modeli), metin, görüntü, ses veya kod gibi verileri anlamsal olarak benzer öğelerin vektör uzayında yakın, farklı öğelerin uzak konumlanacağı yoğun (dense) sayısal vektörlere dönüştüren yapay zeka modelidir. Örneğin "kedi maması nereden alınır" ile "evcil hayvan yemi satan mağazalar" cümleleri tek ortak kelime içermese de embedding uzayında birbirine yakın düşer; klasik anahtar kelime aramasının kaçırdığı bu anlam eşleşmesini yakalamak embedding modellerin ana işidir. Teknik olarak model, bir transformer ağının son katman çıktısını sabit boyutlu bir vektöre indirger: OpenAI text-embedding-3-small 1536, text-embedding-3-large 3072, açık kaynak BGE-M3 ise 1024 boyut üretir. İki metnin benzerliği bu vektörler arasındaki kosinüs benzerliğiyle (cosine similarity) ölçülür. Eğitimde kontrastif öğrenme kullanılır: benzer metin çiftleri vektör uzayında yakınlaştırılır, alakasız çiftler uzaklaştırılır. Embedding modeller 2024-2026 döneminde RAG (Retrieval-Augmented Generation) sistemlerinin patlamasıyla kritik altyapı hâline geldi: kurumsal belgeler parçalanıp (chunking) embedding'e çevrilir, bir vektör veritabanına (Qdrant, pgvector, Pinecone, Milvus) yazılır ve kullanıcı sorgusuna en yakın parçalar LLM'e bağlam olarak verilir. Aynı mekanizma semantik arama, öneri sistemleri, kümeleme, duplikasyon tespiti ve anomali tespitinde de çalışır. 2026 itibarıyla önde gelen seçenekler: API tarafında OpenAI text-embedding-3 serisi, Google Gemini Embedding (gemini-embedding-001, MTEB çok dilli tabloda üst sıralarda), Cohere Embed v4 ve Voyage AI (voyage-3.5); açık kaynak tarafında BAAI BGE-M3, Alibaba Qwen3-Embedding (0.6B-8B varyantları), Nomic Embed ve Jina Embeddings v3. Türkçe dahil çok dilli projelerde BGE-M3 ve Qwen3-Embedding, MTEB skorları ve ücretsiz lisanslarıyla öne çıkar. Matryoshka temsil öğrenimi (MRL) destekleyen modellerde vektör 256 boyuta kısaltılarak depolama maliyeti yüzde 75'e varan oranda düşürülebilir; kalite kaybı çoğu görevde yüzde 10'un altında kalır.
EU AI Act (AB Yapay Zeka Yasası)
AB Yapay Zeka Yasası (EU AI Act), Avrupa Birliği'nin yapay zeka sistemlerinin geliştirilmesi, piyasaya sürülmesi ve kullanımına ilişkin kapsamlı düzenleyici çerçevesidir. 12 Temmuz 2024'te AB Resmi Gazetesi'nde yayımlanan ve 1 Ağustos 2024'te yürürlüğe giren bu yasa, dünyada yapay zekayı doğrudan düzenleyen ilk kapsamlı yasal mekanizmadır. Yasa, risk temelli bir yaklaşım benimsemekte ve yapay zeka sistemlerini dört ana kategoride sınıflandırmaktadır: kabul edilemez risk (yasaklı), yüksek risk, genel amaçlı yapay zeka modelleri ve minimum ya da sınırlı risk. Kabul edilemez risk kategorisindeki sistemler —kamu kurumlarının sosyal puanlama uygulamaları, farkında olmadan bilinçaltı manipülasyon tekniklerine başvuran yapay zeka sistemleri ve kamuya açık alanlarda gerçek zamanlı biyometrik tanımlama— yasayla tamamen yasaklanmıştır. Yüksek risk grubundaki sistemler; işe alım süreçleri, kredi skorlama, sınır kontrolü ve kritik altyapı yönetimi gibi alanları kapsamakta olup üçüncü taraf uygunluk değerlendirmesine, AB veri tabanına kayda ve kapsamlı risk yönetimi sistemlerine tabi tutulmaktadır. Genel amaçlı yapay zeka modeli sağlayıcıları ise şeffaflık yükümlülükleri kapsamında telif hakkıyla korunan eğitim verilerini açıklamak zorundadır. Yasanın uygulanması kademeli bir takvime yayılmıştır: 2 Şubat 2025'ten itibaren yasaklı uygulamalar sona erdirilmiş ve yapay zeka okuryazarlığı yükümlülükleri devreye girmiştir. 2 Ağustos 2025'ten itibaren genel amaçlı yapay zeka modeli sağlayıcıları şeffaflık gerekliliklerine uymak zorundadır. Yasanın tamamı 2 Ağustos 2026'da tam anlamıyla yürürlüğe girmiştir. İhlaller ağır yaptırımlara yol açmaktadır: yasaklı uygulamaları ihlal eden kuruluşlar 35 milyon Euro veya küresel yıllık cirosunun %7'sine kadar, yüksek riskli sistem gerekliliklerini ihlal edenler ise 15 milyon Euro veya cirosunun %3'üne kadar para cezasıyla karşılaşabilir. AB Yapay Zeka Yasası yalnızca Avrupa'da faaliyet gösteren şirketleri değil, yapay zeka çıktıları AB sınırları içinde kullanılan tüm küresel kuruluşları da kapsamaktadır. Bu extraterritorial etki yasayı GDPR ile kıyaslanabilir kılmakta ve yapay zeka düzenlemesinde küresel bir referans noktasına dönüştürmektedir.
Expectation-Maximization Algorithm (Expectation-Maximization (EM) Algoritması)
Expectation-Maximization (EM) algoritması, gizli (latent) değişkenler içeren istatistiksel modellerde maksimum olabilirlik (MLE) veya maksimum sonsal (MAP) parametre tahminleri hesaplamak için kullanılan yinelemeli bir optimizasyon yöntemidir. Arthur Dempster, Nan Laird ve Donald Rubin'in 1977'de Journal of the Royal Statistical Society'de yayımladığı seminal çalışmayla sistematik olarak formüle edilmiştir. Algoritma iki temel adımdan oluşur: E-adımında (Expectation — Beklenti), mevcut parametre tahminleri kullanılarak gizli değişkenlerin koşullu beklentileri hesaplanır; Q fonksiyonu olarak adlandırılan bu beklenti, log-olabilirliğin alt sınırını oluşturur. M-adımında (Maximization — Maksimizasyon) ise Q fonksiyonunu maksimize eden yeni parametre tahminleri bulunur. Bu iki adım yakınsayana dek tekrarlanır. EM'in en kritik matematiksel özelliği, her iterasyonda gözlemlenen verinin log-olabilirliğinin azalmayacağının Jensen eşitsizliğiyle garanti edilmesidir. Bu özellik algoritmayı istikrarlı kılsa da başlangıç noktasına duyarlılık nedeniyle yerel optimumlara yakınsaması mümkündür. Bu sorunu hafifletmek için çoklu rastlantısal başlangıç (random restarts) veya k-means++ başlatma stratejisi yaygın olarak kullanılır. Makine öğrenimi tarihindeki en etkili algoritmalardan biri olan EM, Gaussian Karışım Modelleri (GMM) parametrelerini öğrenmekte, Hidden Markov Models (HMM) için Baum-Welch algoritmasının çekirdeğini oluşturmakta, Gizli Dirichlet Tahsisi (LDA) gibi konu modellerinin eğitiminde ve eksik veri senaryolarında parametre tahmininde kullanılmaktadır. K-means kümeleme algoritması, EM'in sert (hard) atama kullanan özel bir durumu olarak düşünülebilir.
Edge Computing (Uç Bilişim)
Edge Computing (Uç Bilişim), veri işleme ve hesaplama görevlerini merkezi veri merkezlerinden uzaklaştırarak veriyi üreten kaynaklara —sensörler, IoT cihazları, akıllı kameralar ve mobil aygıtlar— yakın noktalara taşıyan dağıtık bilişim paradigmasıdır. Geleneksel bulut bilişimde tüm veriler uzak sunuculara gönderilir ve işleme orada gerçekleşir; edge computing ise bu hesaplamaların büyük bölümünü ağın "ucunda" (edge), yani verinin üretildiği yere en yakın noktada gerçekleştirir. Bu yaklaşım birkaç temel avantaj sunar. İlk olarak gecikme (latency) dramatik biçimde azalır: otonom araçlar, endüstriyel robotlar ve gerçek zamanlı görüntü analiz sistemleri, kararların milisaniyeler içinde verilmesini gerektirir. Buluta gidiş-dönüş süresi bu gecikmeyi karşılayamaz; edge işlem ise kararı neredeyse anında verebilir. İkinci olarak bant genişliği kullanımı düşer: bir fabrikadaki yüzlerce kamera ham video akışını merkeze göndermek yerine sadece analiz sonuçlarını (örneğin hata tespiti uyarıları) buluta iletir. Üçüncüsü veri gizliliği ve güvenlik artar; hassas veriler yerel olarak işlenir, merkezi bir konuma aktarılmaz. Yapay zeka uygulamaları açısından edge computing, Edge AI kavramını doğurmuştur: eğitilmiş modeller doğrudan edge cihazlarda çalıştırılır. Bu amaçla NPU, ASIC ve özel işlemciler geliştirilmiş; model sıkıştırma teknikleri (quantization, pruning) kritik önem kazanmıştır. Akıllı şehirler, endüstri 4.0, sağlık teknolojileri ve otonom sistemler edge computing'in en yaygın uygulama alanlarıdır. 5G altyapısının yaygınlaşmasıyla birlikte edge computing kapasitesi ve benimsenmesi küresel ölçekte hızla artmaktadır. Robotik, sağlık izleme ve endüstriyel otomasyon gibi kritik sektörler bu dönüşümün merkezindedir.
Explainable AI (XAI) (Açıklanabilir Yapay Zeka)
Açıklanabilir Yapay Zeka (Explainable AI — XAI), yapay zeka sistemlerinin —özellikle derin öğrenme tabanlı "kara kutu" modellerinin— aldığı kararların, tahminlerin ve sınıflandırmaların insanlar tarafından anlaşılabilir, denetlenebilir ve doğrulanabilir biçimde açıklanmasını hedefleyen araştırma alanı ve teknikler bütünüdür. "Kara kutu" metaforu, bir modelin giriş verilerini nasıl işlediğini ve çıktıya nasıl ulaştığını kullanıcı ya da denetçinin anlayamadığı durumu tanımlar. XAI'ın ortaya çıkış nedeni hem teknik hem de yasal bir zorunluluktur. AB'nin Yapay Zeka Yasası (EU AI Act Madde 13) ve GDPR'ın 22. Maddesi, yüksek riskli yapay zeka sistemlerinin —kredi değerlendirme, işe alım, tıbbi teşhis, ceza yargısı gibi— aldığı kararların etkilenen bireylere anlaşılır biçimde açıklanmasını yasal olarak zorunlu kılmaktadır. Başlıca XAI teknikleri şunlardır: LIME (Local Interpretable Model-agnostic Explanations), bir modelin herhangi bir tahmini için yerel yaklaşım oluşturarak hangi özelliklerin karar üzerinde ne ölçüde etkili olduğunu ortaya koyar. SHAP (SHapley Additive exPlanations), oyun teorisinden ödünç alınan Shapley değerleri aracılığıyla her bir özelliğin katkısını adil biçimde dağıtır ve tabular veriler için en yaygın model-agnostik açıklama yöntemidir. Grad-CAM ve Saliency Map yöntemleri görüntü sınıflandırma modellerinde hangi piksellerin karar için kritik olduğunu ısı haritasıyla görselleştirir. Attention görselleştirme ise transformer modellerinde modelin metni okurken hangi kelimeler arası ilişkiye ağırlık verdiğini gösterir. XAI yalnızca şeffaflık değil, model güvenilirliği için de kritiktir: sistematik önyargıların (bias) ve veri kalitesi sorunlarının erken tespitini mümkün kılar; güvenlik açıklarının bulunmasına yardımcı olur; insan-makine güvenini pekiştirir. Karar ağaçları, lojistik regresyon ve kural tabanlı modeller ise yapıları gereği doğasında açıklanabilir (inherently interpretable) sayılır. Tıp, finans, hukuk ve savunma gibi kritik alanlarda XAI, yapay zekanın kurumsal benimsenmesinin ön koşulu hâline gelmiştir.
Eğitim Verisi (Eğitim Verisi)
Eğitim Verisi (Training Data), bir makine öğrenmesi veya derin öğrenme modelinin öğrenme sürecinde kullandığı, modelin parametrelerini güncellemek ve genelleme kapasitesini geliştirmek amacıyla işlenen veri kümesidir. Modelin öğrenebileceği her şey eğitim verisinden gelir; bu nedenle veri kalitesi ve çeşitliliği modelin performansını doğrudan belirler. Eğitim verisi iki temel biçimde olabilir. Etiketli veri, her giriş örneğine doğru çıktı etiketinin atandığı veridir; denetimli öğrenmede bu format zorunludur. Bir görüntü sınıflandırıcısı için binlerce 'kedi/köpek' etiketli fotoğraf veya duygu analizi için cümle-duygu çiftleri etiketli veri örnekleridir. Etiketsiz veri ise önceden işareti olmayan ham verilerdir; dil modelleri milyarlarca etiketlenmemiş İnternet metni üzerinde öz-denetimli öğrenmeyle eğitilir. Eğitim verisinin kalitesi birden çok boyut içerir: doğruluk (yanlış etiketlerin az olması), temsil gücü (gerçek dünya dağılımını yansıtması), çeşitlilik (farklı senaryoları kapsaması) ve önyargısızlık (belirli grupları haksız biçimde temsil etmemesi). Veri önyargısı (data bias) modelin adaletsiz çıktılar üretmesine yol açar; İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme (RLHF) bu sorunu kısmen gidermek için kullanılan tekniklerden biridir. Veri mühendisliği uygulamaları arasında veri artırma (rotasyon, kırpma, yeniden örnekleme), sentetik veri üretimi ve veri temizleme (aykırı değerlerin, duplikatların kaldırılması) yer alır. Eğitim-doğrulama-test ayrımı standart protokoldür: model yalnızca eğitim verisiyle öğrenir, doğrulama verisiyle hiperparametreler ayarlanır, test verisi ise yalnızca nihai değerlendirme için kullanılır. Verilerin telif hakkı ve gizlilik boyutu da giderek önem kazanmaktadır. GDPR ve benzeri düzenlemeler kişisel veri kullanımını sınırlarken Creative Commons veya açık lisanslı veri kümeleri yasal belirsizlik olmadan kullanılabilir. Model kartları artık eğitim veri kaynağını şeffaf biçimde açıklamayı bir iyi pratik olarak önermektedir.
Entity Resolution (Varlık Çözümleme)
Varlık çözümleme (Entity Resolution), farklı veri kaynaklarında yer alan kayıtların aynı gerçek-dünya nesnesine ait olup olmadığını tespit eden ve bu kayıtları birleştiren veri entegrasyon sürecidir. "Record linkage" (kayıt bağlama), "entity matching" (varlık eşleştirme) veya "deduplication" (tekilleştirme) olarak da bilinen bu disiplin, büyük veri yönetimi ile bilgi grafiklerinin temel taşlarından birini oluşturur. Farklı sistemlerden gelen "Ali Veli", "A. Veli" ve "ali.veli@firma.com" gibi kayıtların aynı kişiyi temsil ettiğini, ya da iki ayrı ürün kataloğundaki "iPhone 15 Pro 256GB" ile "Apple iPhone 15Pro" girişlerinin aynı ürünü ifade ettiğini otomatik olarak anlamak, varlık çözümlemenin en yaygın kullanım senaryolarıdır. Süreç üç temel adımda ilerler. İlk adım olan "blocking" (engelleme) aşamasında, tüm olası çift kombinasyonlarını karşılaştırmak yerine yalnızca büyük olasılıkla eşleşecek kayıtlar bir araya getirilir; bu, hesaplama maliyetini dramatik biçimde düşürür. İkinci adımda, seçilen kayıt çiftleri arasındaki benzerlik ölçülür. Bu amaçla Jaccard benzerliği, Levenshtein mesafesi (düzenleme mesafesi) veya makine öğrenimi modelleri kullanılır. Son adımda sınıflandırma yapılarak iki kaydın aynı varlığa mı yoksa farklı varlıklara mı ait olduğu karara bağlanır. Derin öğrenme çağıyla birlikte BERT tabanlı modeller, anlamsal benzerliği değerlendirip yazım hataları, kısaltmalar ve farklı biçimlendirmeler gibi zorluklara karşı çok daha dayanıklı sonuçlar üretmektedir. DeepMatcher, Ditto ve Unicorn bu alanda öne çıkan açık kaynak araçlar arasındadır. Uygulama alanları oldukça geniştir: müşteri veri yönetimi (MDM), sağlık sektöründe hasta kaydı birleştirme, finansal işlemlerde dolandırıcılık tespiti, e-ticarette ürün kataloğu normalizasyonu ve Wikidata gibi bilgi grafiklerinin zenginleştirilmesi bu kapsamda değerlendirilebilir.
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.
Epoch (Epoch (Eğitim Döngüsü))
Epoch (Epok ya da Eğitim Döngüsü), makine öğrenimi ve derin öğrenme modellerinin eğitiminde kullanılan temel bir zaman birimidir. Bir epoch; modelin tüm eğitim veri setini baştan sona tam olarak bir kez işlemesi, yani her örnek üzerinde hem ileri yayılım (forward pass) hem de geri yayılım (backward pass) gerçekleştirmesi anlamına gelir. Makine öğrenimi modellerini eğitirken, yalnızca bir epoch genellikle yeterli olmaz. Model, karmaşık kalıpları ve ilişkileri kavrayabilmek için aynı veriler üzerinde defalarca geçiş yapmak zorundadır. Bu nedenle modeller onlarca, yüzlerce hatta binlerce epoch boyunca eğitilebilir. Büyük dil modellerinin (LLM) eğitimi milyarlarca token üzerinde birden fazla epoch uygulanarak gerçekleştirilir; görüntü sınıflandırma gibi daha küçük görevlerde ise 10-100 epoch sıkça kullanılır. Epoch ve Batch İlişkisi Her epoch, büyük veri setini daha küçük parçalara (batch) bölerek işler. Bir epoch içindeki güncelleme sayısı, veri seti boyutunun batch boyutuna bölünmesiyle hesaplanır. Örneğin 10.000 örnekli bir veri seti 100'lük batch boyutuyla işleniyorsa, her epoch 100 ağırlık güncellemesi (iterasyon) içerir. Her iterasyonda gradyan hesaplanır ve model ağırlıkları güncellenir; böylece model adım adım öğrenir. Overfitting ve Erken Durdurma Epoch sayısının doğru seçilmesi kritik öneme sahiptir. Çok az epoch modelin yeterince öğrenememesine (underfitting) yol açar; model verinin altında yatan örüntüleri kavramaz ve hem eğitim hem de test verisinde kötü performans gösterir. Öte yandan, çok fazla epoch modelin eğitim verisini mekanik olarak ezberlemeye (overfitting) başlamasına neden olabilir. Bu durumda model eğitim setinde mükemmel sonuçlar verirken yeni verilerde başarısız olur. Bu dengesizliği çözmek için "Early Stopping" (Erken Durdurma) tekniği uygulanır: model her epoch sonunda doğrulama (validation) seti üzerinde değerlendirilir ve doğrulama kaybı iyileşmemeye başladığında eğitim otomatik olarak durdurularak en iyi ağırlıklar korunur. Eğitim ve doğrulama kaybının birbirinden ayrışmaya başlaması (divergence), overfitting'in erken belirtisidir. Epoch Sayısını Belirlemek Kaç epoch kullanılacağı, modelin karmaşıklığına, veri setinin büyüklüğüne ve görevin zorluğuna bağlıdır. Küçük veri setlerinde genellikle daha fazla epoch gerekir çünkü model her geçişte sınırlı miktarda örneğe maruz kalır. Büyük veri setlerinde ise tek bir epoch bile çok sayıda güncelleme içerdiğinden az epoch ile tatmin edici sonuçlar alınabilir. Epoch sayısı, öğrenme hızı (learning rate) ve model mimarisiyle birlikte hiperparametre optimizasyonunun temel bileşenlerinden biridir.
Ethical AI (Etik Yapay Zeka)
Etik yapay zeka (ethical AI), yapay zeka sistemlerinin adil, seffaf, hesap verebilir ve insan degerlerine uygun sekilde tasarlanmasi, gelistirilmesi ve kullanilmasini kapsayan bir ilkeler ve uygulamalar butunudur. Yapay zekanin hizla yayilmasiyla birlikte bu sistemlerin toplumlarda yarattigi etkinin sorumlulukla yonetilmesi bir zorunluluk haline gelmistir. Etik yapay zekanin temel boyutlari sunlardir: adalet (fairness) — sistemin farkli demografik gruplara esit sekilde davranmasi; aciklanabilirlik (explainability) — kararların neden verildiginin anlasilabilmesi; seffaflik (transparency) — sistemin nasıl calistigini paydaslara acikca sunmak; hesap verebilirlik (accountability) — kotu sonuclar icin sorumluluk belirlemek; gizlilik (privacy) — kisielerin verisine yetkisiz erisimi onlemek; guvenlik (safety) — sistemin kasitsiz zarar verme riskini minimize etmek. Yapay zeka yanliligı (AI bias), etik yapay zekanin en cok incelenen sorunlarindan biridir. Yanlik egitim verisi; cinsiyet, irk veya yas bazında ayrimci sonuclar uretebilir. 2016'da ProPublica tarafindan tespit edilen COMPAS adalet algoritmasi, siyahi bireylere daha yuksek yeniden suc riski atamis ve ayrimcilik tartismalarina neden olmustur. Bu tur vakalar, yapay zeka sistemlerinin sosyal etkilerini sistematik sekilde degerlendirme ihtiyacini gundeme getirmistir. AB Yapay Zeka Yonetmeligi (EU AI Act, 2024) etik yapay zekayı hukuki bir cercevede yakindan ilgilendiren ilk kapsamli yasal duzenleme olarak yururluge girmistir. Yuksek riskli uygulamalar (biyometrik tanima, kredi skorlama, ise alim) sıkı seffaflik ve insan denetimi zorunlulukları gerektirmektedir. Turk hukukunda KVKK, otomasyona dayali kararlar konusunda benzer bir cerceve sunmaktadir.
ETL (Extract, Transform, Load)
ETL (Extract, Transform, Load — Çıkar, Dönüştür, Yükle), farklı kaynak sistemlerden ham verinin toplanıp temizlenerek analitik bir hedefe aktarılmasını sağlayan veri entegrasyon sürecidir. Her veri mühendisliği ve veri ambarı projesinin omurgasını oluşturur; kaliteli veriyi olmayan hiçbir makine öğrenimi modeli ya da iş zekası raporu başarılı olamaz. Extract (Çıkarma) aşamasında veri; ilişkisel veritabanları, REST API'ları, dosya sistemleri (CSV, JSON, XML, Parquet), akış platformları (Kafka, Kinesis) veya SaaS uygulamalarından ham biçimde çekilir. Transform (Dönüştürme) aşamasında bu ham veri; temizlenir (eksik ve tutarsız değerler giderilir), normalize edilir (farklı kaynaklardaki kodlamalar birleştirilir), zenginleştirilir (dış referans tablolarıyla birleştirilir) ve hedef şemaya dönüştürülür. Load (Yükleme) aşamasında ise işlenmiş veri; veri ambarı, veri gölü veya analitik veritabanına yazılır. Modern mimarilerde ETL'nin yerini giderek ELT (Extract, Load, Transform) alıyor: ham veri önce bulut veri ambarına yükleniyor (Amazon Redshift, Google BigQuery, Snowflake), ardından dönüşümler SQL veya dbt (data build tool) aracılığıyla doğrudan hedefteki güçlü işlem kapasitesiyle gerçekleştiriliyor. Bu yaklaşım hem maliyet hem de sürdürülebilirlik açısından avantajlıdır. Makine öğrenimi hattında ETL, feature store'ları besleyen ve model eğitimi için veri setleri hazırlayan kritik bileşendir. Yaygın ETL araçları arasında Apache Airflow, dbt, Apache Spark, Fivetran, Talend ve AWS Glue sayılabilir. Büyük ölçekli sistemlerde mikro-toplu (micro-batch) ve akış (streaming) ETL da standart pratikler arasındadır.
Entity Extraction (Varlık Çıkarımı (Entity Extraction))
Varlık çıkarımı (Entity Extraction), doğal dil işleme (NLP) alanında yapılandırılmamış metinlerden adlandırılmış varlıkları — kişi adları, kurum adları, coğrafi konumlar, tarihler, ürün adları gibi — otomatik olarak tespit etme ve sınıflandırma sürecidir. İsimli Varlık Tanıma (Named Entity Recognition — NER) olarak da bilinir. Teknik açıdan NER, her tokeni BIO (Beginning-Inside-Outside) veya BIOES şemasıyla etiketleyen bir dizi etiketleme problemidir. Geleneksel yöntemler kural tabanlı düzenli ifadeler ve istatistiksel Koşullu Rastsal Alanlar (CRF) üzerine kuruluydu. BiLSTM-CRF mimarisi, bağlamsal özellik öğrenmeyi CRF etiket tutarlılığıyla birleştirerek 2010'ların NER standardı oldu. 2019'dan itibaren BERT tabanlı token sınıflandırması bu mimarinin büyük bölümünün yerini aldı; alan-özgü varlık türleri (tıbbi terminoloji, hukuki belgeler) için ince ayarlı BERT modelleri güçlü seçenek olmaya devam etmektedir. Modern LLM tabanlı yaklaşımlarda süreç kökten basitleşmiştir: GPT-4 veya Claude'a few-shot örnekler vererek ya da structured output (JSON mod) kullanarak sıfır veya az örnekten yüksek kaliteli NER sonuçları elde etmek mümkündür. Bu yaklaşım özellikle özel ontoloji ve az kaynaklı dillerde esneklik sağlar. Varlık çıkarımı doğrudan metinsel bağlamdan bilgi grafiği oluşturma sürecinin temelidir. GraphRAG akışında belge parçalarından varlık çiftleri çıkarılır, ilişkileri belirlenir ve bunlar bir bilgi grafiğine dönüştürülür. Topluluk tespiti ve özetleme aşamalarının girdisini bu varlık-ilişki üçlüleri oluşturur. Türkçe NER'da eklemeli dil yapısı ek bir zorluk katmanı ekler: token sınırları belirsizleşebilir ve özel isimler büyük harf kuralını her zaman izlemeyebilir. BERTurk tabanlı ince ayar veya LLM'in JSON çıktı moduyla birkaç örnekten öğrenme en pratik seçeneklerdir. Değerlendirme span bazlı F1 skoru ile yapılır; kesinlik (precision) ve geri çağırma (recall) her varlık tipi için ayrı raporlanır. CoNLL-2003 ve OntoNotes bu alanın standart kıyaslama veri kümeleridir.
Evrimsel Algoritma (Evrimsel Algoritma)
Evrimsel algoritmalar, doğal seçilim, kalıtım ve genetik dönüşüm ilkelerinden ilham alan popülasyon tabanlı metasezgisel optimizasyon yöntemlerinin genel adıdır. Bu algoritmalar, bir dizi aday çözümden oluşan başlangıç popülasyonuyla çalışmaya başlar ve her nesilde bu popülasyonu değerleyerek, seçerek ve dönüştürerek daha iyi çözümlere doğru iteratif biçimde ilerler. Temel işleyiş döngüsü dört ana adımdan oluşur: Başlatma aşamasında rastgele ya da sezgisel yöntemle aday bireyler oluşturulur. Uygunluk değerlendirmesi (fitness evaluation) aşamasında her bireyin problemi ne kadar iyi çözdüğü ölçülür. Seçilim operatörü, doğal seçilimi taklit ederek yüksek uygunluğa sahip bireyleri üreme için tercih eder. Son olarak çaprazlama (crossover) ve mutasyon operatörleri yeni bireyler üretir ve çeşitlilik korur. Evrimsel algoritmalar birçok alt aileden oluşur: Genetik algoritmalar (GA) binary ya da tam sayısal kodlama kullanır; evrim stratejileri (ES) ve kovaryans matris uyarlaması (CMA-ES) sürekli uzayda parametre optimizasyonuna uygundur; genetik programlama (GP) program ağaçlarını evrimleştirir; diferansiyel evrim (DE) ise özellikle çok boyutlu sayısal optimizasyonda güçlüdür. Gradyan tabanlı yöntemlerin yetersiz kaldığı durumlarda evrimsel algoritmalar öne çıkar: türev hesabı gerektirmez, çok-modlu (multimodal) uzaylarda global optimum arayışı yapabilir ve doğası gereği paralelleştirilebilir. Bu özellikler sayesinde hiperparametre optimizasyonu, sinir ağı mimarisi araması (NAS), pekiştirmeli öğrenme politika araması, kombinatoryal optimizasyon ve robotik tasarım gibi çok sayıda uygulamada kullanılmaktadır. Tarihin önemli örnekleri arasında NASA'nın evrimsel algoritmayla tasarlattığı yüksek verimli anten, NEAT algoritmasının evrimleştirdiği oyun oynayan sinir ağları ve modern hiperparametre arama çerçeveleri olan Optuna ve DEAP yer alır.
ElevenLabs (ElevenLabs Yapay Zeka Ses Platformu)
ElevenLabs, 2022 yılında New York'ta kurulan ve yapay zeka tabanlı ses sentezi, ses klonlama ve AI seslendirme alanlarında sektörün önde gelen platformlarından biri haline gelen bir teknoloji şirketidir. Platform; gerçekçi metin-konuşma (TTS) üretimi, birkaç saniyelik ses örneğiyle kişisel ses kopyalama ve farklı dillere otomatik dublaj gibi özellikler sunmaktadır. ElevenLabs'ın çekirdek teknolojisi, derin sinir ağlarına dayalı büyük ses modellerini (LSM) kullanır. Bu modeller tonlarca saatlik ses verisiyle eğitilerek son derece doğal tonlama, duygusal ifade ve konuşma ritmi üretebilir hale gelmiştir. Platform, 29'dan fazla dili ve çok sayıda aksanı destekler; Türkçe de bu diller arasındadır. Farklı ihtiyaçlara yönelik Instant Voice Cloning, Professional Voice Clone ve Voice Design seçenekleri kullanıcıların hizmetindedir. Ses klonlama özelliği sayesinde kullanıcılar yalnızca 1 dakikalık ses kaydıyla kendi seslerinin yüksek doğrulukta bir kopyasını oluşturabilir. Bu kopyalanan ses daha sonra herhangi bir metni okumak için kullanılabilir. Profesyonel Voice Cloning ise daha uzun ve temiz kayıtlarla çok daha yüksek kalitede klonlar üretir. Platform içerik üreticilerinden oyun geliştiricilere, e-öğrenme şirketlerinden podcast yapımcılarına kadar geniş bir kullanıcı kitlesine hitap eder. API erişimi sayesinde geliştiriciler ElevenLabs'ı kendi uygulamalarına kolayca entegre edebilir. Ücretsiz kademeden kurumsal aboneliğe kadar uzanan esnek fiyatlandırma planları mevcuttur. ElevenLabs, yüksek kaliteli TTS alanında OpenAI TTS ve Google Cloud TTS ile doğrudan rekabet etmektedir.
Ensemble Learning (Topluluk Öğrenmesi)
Ensemble learning (topluluk ogrenme), birden fazla makine ogrenimi modelinin tahminlerini akilli bir yontemle birlestirerek tek bir modelden daha yuksek dogruluk, dayaniklilik ve genelleme kapasitesi elde etme stratejisidir. Temel fikir klasik bir bilgeliktir: farkli bakis acilarina sahip cok sayida uzmanin degerlendirmesi, tek bir uzmanin kararindan genellikle daha guvenilirdir. Ensemble yontemleri uc ana kategoride incelenir. Bagging (Bootstrap Aggregating), egitim verisinin rastgele alt kumelerinde ayni model turunu bagimsiz olarak egitir; tahminleri ortalama (regresyon) veya cogluk oylama (siniflandirma) ile birlestirir. Random Forest, karar agaclari uzerinde bagging uygulayan en bilinen ornektir: hem veri ornekleme hem de ozellik ornekleme randomizasyonu, agaclari birbirinden bagimsiz kildigi icin ciktilarinin ortalamasini guclu bir model olusturur. Boosting, zayif ogrenecileri sirali bir sekilde birlestirerek guclendirme yontemidir. Her yeni model, onceki modelin yanlis siniflandirdigi orneklere daha buyuk agirlik vererek egitilir; bu seri yapı giderek iyilesen bir sistem olusturur. XGBoost, LightGBM ve CatBoost bu yaklasimin en guclu implementasyonlaridir ve onlarca veri bilimi yarismmasinin galibi olarak tarihe gecmistir. Stacking (istiflemme), farkli turdeki modellerin (Random Forest, SVM, derin aglar) tahminlerini bir ust duzey meta-model ile birlestiren bir yaklasimdur. Meta-model, her temel modelin ne zaman haklı ne zaman yanlis oldugunu ogrenip en uygun agirliklandirmayi bulur. Varyans ve yas duzenlemesi arasindaki denge ensemble'in gucunu aciklar. Yuksek varyansli tek bir model (derin karar agaci) overfitting egilimindeyken cok sayida bu tur modelin ortalamasi, bireysel hatalar birbirini iptal ettiginden cok daha guvenilirdir. **Sik Sorulan Sorular** **Bagging mi yoksa boosting mi secmeli?** Overfitting sorunu varsa bagging (Random Forest) tercih edilir; az dogruluk yasaniyorsa boosting (XGBoost) genellikle daha iyi sonu verir. Derin ogrenme projelerinde ise dropout ve model averaging yaygindır. **Ensemble ne kadar hesaplama maliyeti getirir?** N model egitmek ve N tahmin yapmak maliyeti yaklasik N kat arttirir. Bununla birlikte tahminler paralellestirilmis calistirabilir ve bircok durumda maliyet-performans dengesi kabul edilebilirdir. **Stacking ne zaman mantiklidur?** Bircok farkli algoritma kullanildiginda ve birinin guclu oldugu yer digerinin zayif oldugu durumlarda stacking ek kazanim saglar. Kucuk veri kumelerinde meta-model overfitting yaparsa daha sade ensemble yeterli olabilir. **Kaggle'da neden ensemble bu kadar sik kullanilir?** Yarismmalarda performansin son yuzde biri kritik olur; ensemble sistematik olarak o yuzdeyi saglar. Gercek dunyada ise yorumlanabilirlik veya bakım kolayligi tercih edildiginde tek model secimi daha pratik olabilir.