E Harfi ile Başlayan Terimler
Ethical AI (Etik Yapay Zeka)
Etik yapay zeka, yapay zeka sistemlerinin adil, şeffaf, hesap verebilir ve insan değerlerine uygun biçimde tasarlanması, geliştirilmesi ve kullanılmasını kapsayan bir ilkeler ve uygulamalar bütünüdür. Kavram, algoritmik önyargıdan mahremiyet ihlaline, kara kutu karar alma mekanizmalarından otonom silah sistemlerine kadar geniş bir etik sorunsalı içerir. Adalet (fairness) etik yapay zekanın merkezindedir. Eğitim verilerindeki tarihsel önyargılar, modelin belirli demografik gruplara karşı sistematik hatalar yapmasına yol açabilir. Yüz tanıma sistemlerinin koyu tenli bireylerde daha yüksek hata oranı göstermesi, işe alım algoritmalarının geçmişteki önyargıları yeniden üretmesi bunların somut örnekleridir. Adalet ölçütleri; demografik parite, eşit fırsat ve bireysel adalet gibi matematiksel tanımlamalar içerir, ancak bu tanımların birbirini dışladığı durumlar da mevcuttur. Açıklanabilirlik (explainability) ve yorumlanabilirlik (interpretability), özellikle kredi kararları, tıbbi teşhis ve adalet sistemi gibi yüksek riskli alanlarda zorunlu hale gelmektedir. LIME, SHAP ve saliency haritaları gibi post-hoc yöntemler modelin kararını sonradan açıklarken doğal olarak açıklanabilir modeller (karar ağaçları, lineer modeller) bu gereksinimi tasarım düzeyinde karşılar. Hesap verebilirlik, bir AI sisteminin verdiği hasarlı kararın kime atfedileceği sorusunu gündeme getirir: veri bilimcisi mi, ürün müdürü mü, yoksa şirket mi? Düzenleyici çerçeveler bu boşluğu doldurmaya çalışmaktadır. Avrupa Birliği'nin Yapay Zeka Yasası (AI Act), risk tabanlı bir sınıflandırma benimseyerek yüksek riskli sistemler için zorunlu uyumluluk gereksinimleri getirmektedir. ABD'de sektöre özgü kılavuzlar ve Biden yönetiminin AI Haklar Bildirisi de bu çerçeveye katkı sunmaktadır. Mahremiyet ve veri egemenliği, yapay zeka etik tartışmasının ayrılmaz bir parçasıdır. Büyük modellerin eğitimi için kullanılan verilerin toplanma biçimi, bireylerin rızası ve verinin silinme hakkı GDPR ve benzeri düzenlemelerle şekillenmektedir. Diferansiyel mahremiyet ve federe öğrenme, bu gereksinimleri model performansıyla uzlaştırmaya yönelik teknik yaklaşımlar arasındadır.
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.
Entity Resolution (Varlık Çözümleme)
Varlık çözümleme (entity resolution), farklı veri kaynaklarındaki kayıtların aynı gerçek dünya varlığına ait olup olmadığını belirleme sürecidir. Bu süreç kayıt bağlama (record linkage), varlık eşleştirme (entity matching) veya çoğaltma tespiti (deduplication) olarak da adlandırılır. Temel zorluk, aynı varlığı temsil eden kayıtların yazım hatası, kısaltma, format farklılığı ya da eksik alan nedeniyle tam eşleşmemesidir: 'Ali Demir', 'A. Demir' ve 'Ahmet Ali Demir' aynı kişiyi tanımlıyor olabilir. Geleneksel varlık çözümleme süreci üç aşamadan oluşur. Önce engelleme (blocking) aşamasında, karşılaştırma uzayını yönetilebilir boyuta indirmek amacıyla yalnızca potansiyel eşleşme adayları bir araya getirilir; phonetic blocking (Soundex, Metaphone), LSH (Locality-Sensitive Hashing) ve token tabanlı engelleme bu amaçla kullanılan başlıca tekniklerdir. Ardından benzerlik puanlama aşamasında her aday çift için Jaro-Winkler mesafesi, TF-IDF kosinüs benzerliği ve alan bazlı ağırlıklandırma gibi yöntemlerle bir eşleşme skoru hesaplanır. Son olarak karar verme aşamasında bu skor bir eşik değeriyle karşılaştırılır ya da sınıflandırıcı modelden geçirilir. Derin öğrenme yaklaşımları varlık çözümlemeyi kökten dönüştürmüştür. BERT tabanlı modeller her kaydı bağlama duyarlı bir vektörle temsil eder; Ditto (2020) gibi modeller LLM'leri fine-tune ederek kural tabanlı sistemlerin ötesinde doğruluk elde etmektedir. Grafik tabanlı yaklaşımlarda ise kayıtlar düğüm, ilişkiler kenar olarak modellenir; topluluk tespiti algoritmaları kümeler içindeki tutarsızlıkları ortaya çıkarır. Uygulama alanları son derece geniştir: müşteri verisi platformlarında çift profil tespiti, sağlık kayıtlarında hasta kimliği birleştirme, e-ticarette ürün kataloğu tekilleştirme ve mali suç tespitinde şüpheli şirket bağlantıları bunların başında gelir. Varlık çözümleme, veri kalitesi yönetiminin temel bileşenidir ve ölçek büyüdükçe hesaplama maliyeti ile recall/precision dengesi temel mühendislik kısıtlarını oluşturur. Özellikle büyük ölçekli MDM (Master Data Management) projeleri ve bilgi grafı sistemleri, varlık çözümleme olmadan tutarlı bir veri altyapısı kuramaz.
Eğitim Verisi (Eğitim Verisi)
Eğitim verisi (training data), bir makine öğrenmesi modelinin öğrenme sürecinde kullandığı, girdi-çıktı çiftlerinden ya da ham örneklerden oluşan veri kümesidir. Model, bu veri üzerinden parametrelerini ayarlar ve gerçek dünya dağılımına ilişkin örüntüleri çıkarır. Bir modelin kalitesi büyük ölçüde eğitim verisinin kalitesine, miktarına ve çeşitliliğine bağlıdır; 'çöp girer, çöp çıkar' ilkesi makine öğrenmesinde her zaman geçerlidir. Eğitim verisi türleri birkaç eksen boyunca sınıflandırılır. Etiketli veri (labeled data), insan etiketleyicilerin her örneğe doğru çıktıyı atadığı; denetimli öğrenme görevlerinin temelidir. Etiketsiz veri (unlabeled data), ham metin, görüntü veya ses olup öz-denetimli öğrenme ile büyük ön-eğitim modellerinde (GPT, BERT vb.) kullanılır. Sentetik veri, gerçek veriyi taklit eden yapay örneklerdir; nadir senaryoları temsil etmek ve gizlilik kısıtlamalarını aşmak için idealdir. Yarı otomatik etiketleme ise mevcut model çıktıları veya kural tabanlı sistemlerle üretilen etiketlerle insan emeği maliyetini önemli ölçüde düşürür ve büyük ölçekli veri kümelerinin hızla hazırlanmasını mümkün kılar. Veri hazırlama aşamaları projenin başarısını doğrudan etkiler: temizleme (duplikat, aykırı değer ve hatalı etiket kaldırma), veri artırma (görüntüde kırpma/döndürme, metinde parafraz), eğitim/doğrulama/test bölümlemesi ve dengesiz sınıfların yeniden örneklenmesi (SMOTE, undersampling). Modern ML projelerinde mühendislik zamanının büyük bölümü bu veri mühendisliği adımlarına ayrılmaktadır. Veri önyargısı (data bias) kritik bir risktir: eğitim seti belirli grupları yeterince temsil etmiyorsa model bu eksikliği öğrenir ve gerçek dünya dağıtımında adaletsiz çıktılar üretir. Transfer öğrenme ve az örnekli öğrenme teknikleri gereken etiketli veri miktarını önemli ölçüde azaltır. Veri kalitesini izlemek için DVC ve MLflow gibi sürümleme araçları ile Label Studio ve Scale AI gibi etiketleme platformları yaygın biçimde kullanılmaktadır. Veri kalitesi, model performansının belirleyici bir bileşeni olmaya devam etmektedir.
Echo State Network (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) ve LSTM'lerden 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 garantiler. Bu özelliğin matematiksel güvencesi, rezervuarın spektral yarıçapının (en büyük özdeğerin mutlak değerinin) 1'den küçük tutulmasıdır. Bu koşul sağlandığında, farklı başlangıç durumlarından başlayan iki ESN, aynı girdi dizisi verildiğinde zamanla aynı rezervuar durumuna yakınsar. Pratik bir ESN, tipik olarak 100 ile 5000 arasında değişen nörondan oluşan bir rezervuar barındırır. Rezervuarın bağlantı yoğunluğu ve giriş ölçekleme (input scaling) gibi hiperparametreler görev tipine göre manuel olarak ayarlanırken yalnızca çıkış ağırlıkları fit edilir. Bu asimetrik eğitim stratejisi büyük ölçekli geri yayılım hesaplamalarını tamamen devre dışı bırakır. 2024-2025 döneminde katmanlı rezervuar mimarileri (Deep-ESN) hem bellek kapasitesini hem de hesaplama verimliliğini önemli ölçüde artırmıştır. Fotonik ESN deneyleri enerji tüketimi açısından yazılım tabanlı RNN'lere kıyasla büyük avantaj sunarken ReservoirPy gibi Python kütüphaneleri scikit-learn uyumlu iş akışlarına kolay entegrasyon imkânı tanımaktadır. Echo State Network, zaman serisi tahmininde, konuşma tanımada, kaotik sistemlerin modellemesinde ve robotik kontrolde tercih edilen bir mimaridir. Liquid Neural Network ve Spiking Neural Network gibi biyolojik ilhamlı yaklaşımlarla birlikte dinamik hesaplama araştırmalarının önemli bir parçasını oluşturmaktadır.
Emergent Ability (Ortaya Çıkan Yetenek)
Ortaya Çıkan Yetenek (Emergent Ability), büyük dil modellerinin belirli bir parametre eşiğini aşınca beklenmedik biçimde ortaya koyduğu yeteneklerdir. Küçük modellerde hiç gözlemlenmeyen bu yetenekler, model ölçeği kritik bir noktaya ulaştığında aniden ve keskin biçimde belirginleşir. Termi 2022 yılında Jason Wei ve ekibinin "Emergent Abilities of Large Language Models" makalesiyle popülerleştirdi. Makale, yüzlerce görevi analiz ederek GPT-3 ve PaLM gibi modellerde ani sıçramaların gerçekleştiğini ortaya koydu. Örneğin üç basamaklı toplama işleminde 6 milyar parametreli bir model yüzde 1 doğruluk gösterirken, 175 milyar parametreli GPT-3 yüzde 80'e fırladı. Ortaya çıkan yeteneklere tipik örnekler şunlardır: az örnekle öğrenme (few-shot learning), adım adım akıl yürütme (chain-of-thought), aritmetik muhakeme, kod üretimi ve talimat takibi. Bu yetenekler doğrusal değil, eşiksel bir davranış sergiler; bu da onları tahmin etmeyi ve güvenli biçimde yönetmeyi güçleştirir. Bilimsel tartışma sürmektedir. 2023'te Schaeffer ve ekibi bu sıçramaların kısmen ölçüm metriği seçiminden kaynaklandığını öne sürdü; doğrusal metrik kullanıldığında keskin geçişlerin yumuşadığı gözlemlendi. 2025-2026 araştırmaları ise bu yeteneklerin faz geçişi olmaktan çok rastgele tohumlar boyunca bimodal bir dağılım olduğunu gösterdi. Yapay zeka güvenliği açısından ortaya çıkan yetenekler kritik bir risk unsurudur: Daha büyük modeller eğitilirken beklenmedik yetenekler —potansiyel olarak zararlılar da dahil— kendiliğinden gelişebilir. Bu durum, güçlü izleme ve değerlendirme protokollerine olan ihtiyacı pekiştirmektedir.
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 artar; 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 kritik bir gereksinim hâline gelmiştir. GDPR ve HIPAA gibi çerçeveler, model kararlarının gerekçelendirilebilir ve yeniden üretilebilir olmasını zorunlu kılar. Hiperparametre optimizasyonu süreçlerinde W&B Sweeps, Optuna ve Ray Tune gibi araçlar deney takibiyle doğrudan entegre çalışarak grid search, random search veya Bayesian optimizasyon sonuçlarını otomatik olarak kayıt altına alır. Her kombinasyon ayrı bir run olarak izlenir, böylece en iyi model konfigürasyonu tutarlı biçimde belirlenir ve yeniden kullanılabilir.
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 yalnızca analiz sonuçlarını 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. Mimari olarak edge computing üç katmanda incelenir: cihaz katmanı (sensörler, kameralar), edge katmanı (yerel gateway ve mikro veri merkezleri) ve bulut katmanı (uzun vadeli depolama ve toplu analiz). Bu hiyerarşi, hesaplamayı iş yükünün gerektirdiği yere yönlendiren esnek bir altyapı sunar. Bu mimari dönüşüm, gerçek zamanlı yapay zeka uygulamalarının temel altyapısını oluşturmaktadır.
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. Pratik uygulamada XAI, model geliştirme sürecinin ayrılmaz bir parçasıdır. Model değerlendirme aşamasında SHAP global önem haritaları, modelin hangi özelliğe ne kadar ağırlık verdiğini ortaya koyar; böylece veri önyargıları tespit edilebilir. Örneğin bir işe alım modelinde 'cinsiyet' veya 'kurum adı' özelliğinin yüksek SHAP değerine sahip olması ayrımcı önyargının işareti olabilir. Bu nedenle büyük fintech şirketleri ve hastaneler, model geliştirme süreçlerine SHAP panoları ve LIME raporlarını standart çıktı olarak entegre etmektedir. Araştırmacılar açıklanabilirliği modelin tasarımına baştan dahil etmeyi (by-design XAI) amaçlayan EBM (Explainable Boosting Machine) ve RuleFit gibi yeni nesil yaklaşımlar üzerinde çalışmaktadır.
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.
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 veriye dayanmayan 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. Artımlı çıkarma (CDC — Change Data Capture) yalnızca değişen kayıtları çekerek bant genişliğini ve işlem süresini önemli ölçüde azaltır. 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 işlenmiş veri; veri ambarı, veri gölü veya analitik veritabanına tam veya artımlı biçimde 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. Reverse ETL ise bu akışı tersine çevirerek ambar verilerini operasyonel sistemlere (CRM, pazarlama araçları) geri göndermek için kullanılır. 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. Veri kalitesi izleme, veri soyağacı (data lineage) takibi ve şema yönetimi modern ETL boru hatlarının ayrılmaz parçaları haline gelmiştir. Great Expectations ve dbt tests gibi araçlar ETL sürecine otomatik veri doğrulama katıyor; böylece hatalı verinin aşağı akış sistemlerine sızması engelleniyor. Doğru tasarlanmış bir ETL mimarisi, veri güvenilirliğini ve tekrarlanabilirliğini doğrudan belirleyen altyapısal temel taştır; kurumsal ölçekte analitik olgunluğun en önemli göstergelerinden biri olarak kabul edilmektedir.
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.
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 kadar tekrarlanır ve her yineleme modeli veriye biraz daha iyi uyacak şekilde günceller. EM'in en kritik matematiksel özelliği, her iterasyonda gözlemlenen verinin log-olabilirliğinin azalmayacağının Jensen eşitsizliğiyle garanti edilmesidir. Bu özellik algoritmayı istikrarlı kılar ve kesinlikle bir sabit noktaya ya da yerel optimuma yakınsayacağını güvence altına alır; ancak başlangıç noktasına duyarlılık nedeniyle bu noktanın global optimum olması garanti değildir. Bu sorunu hafifletmek için çoklu rastlantısal başlatma (random restarts) veya k-means++ başlatma stratejisi yaygın olarak kullanılır. Makine öğrenimi tarihindeki en etkili algoritmalardan biri olan EM, Gaussian Karışım Modelleri (GMM), Hidden Markov Models (HMM) için Baum-Welch algoritması, Gizli Dirichlet Tahsisi (LDA) gibi konu modelleri ve eksik veri senaryolarında parametre tahmininde yaygın biçimde kullanılmaktadır. K-means kümeleme algoritması, EM'in sert (hard) atama kullanan özel bir durumu olarak formüle edilebilir; GMM ise bu çerçevenin daha esnek ve olasılıksal genellemesidir. Derin öğrenme çağında da EM canlılığını korumaktadır. Yarı gözetimli öğrenmede, Varyasyonel Otokodlayıcıların (VAE) eğitiminde ve Beklenti Yayılımı (Expectation Propagation) gibi Bayesçi çıkarım yöntemlerinde EM'in olasılıksal çerçevesi temel taş olmaya devam etmektedir.
EU AI Act (AB Yapay Zeka Yasası)
AB Yapay Zeka Yasası (Regulation EU 2024/1689), 1 Ağustos 2024'te yürürlüğe giren ve dünyada kapsamlı yapay zeka düzenlemesi olma özelliğini taşıyan Avrupa Birliği mevzuatıdır. Yasa, bir risk piramidi kurarak yapay zeka sistemlerini kabul edilemez riskli, yüksek riskli, sınırlı riskli ve minimal riskli olmak üzere dört kategoriye ayırır. Kabul edilemez risk grubunda demokratik değerlere ya da temel haklara ciddi zarar veren uygulamalar yer alır ve bunlar yasaklanmıştır: kamusal alanda gerçek zamanlı biyometrik kimlik tespiti, sosyal puanlama sistemleri, gizli manipülasyon, savunmasız grupları istismar eden sistemler, bireylerin siyasi ve dini inançlarını çıkarsayan profilleme ile işyeri ve okullarda duygu tanıma. Bu yasaklar 2 Şubat 2025'ten itibaren uygulanmaktadır. Yüksek riskli uygulamalar —kritik altyapı, istihdam kararları, eğitim erişimi, ceza yargılaması, biyometrik kategorilendirme ve sağlık— zorunlu teknik belgeleme, insan denetimi, konformite değerlendirmesi ve AB veri tabanına kayıt yükümlülüklerine tabidir. Sınırlı riskli uygulamalar (chatbot, deepfake içerik) şeffaflık zorunluluğuna; minimal riskli uygulamalar ise gönüllü davranış kurallarına tabi tutulmuştur. Genel Amaçlı Yapay Zeka Modelleri (GPAI) için ayrı bir çerçeve oluşturulmuştur. Eğitim hesabı 10²⁵ FLOP'u aşan modeller sistemik risk kapsamına girer; GPT-4, Gemini ve Claude bu eşiği karşılamaktadır. GPAI sağlayıcıları teknik dokümantasyon sunmak, telif hakkı uyumunu sağlamak ve AB Yapay Zeka Ofisi ile iş birliği yapmak zorundadır. Yaptırımlar ağırdır: yasak ihlalleri için 35 milyon Euro veya küresel cironun yüzde yedisi, yüksek riskli ihlaller için 15 milyon Euro veya yüzde üçü, yetkili makamlara yanlış bilgi sunmak için ise 7,5 milyon Euro veya yüzde birbuçuğu öngörülmüştür. KOBİ'lere orantılı eşikler uygulanmaktadır. Türkiye'de faaliyet gösteren ve Avrupa pazarına ürün veya hizmet sunan işletmeler bu yasa kapsamındadır. KVKK uyumluluğunun yanı sıra AB Yapay Zeka Yasası gereklilikleri de Avrupa pazarına erişimin zorunlu koşulu hâline gelmektedir. Hukuk uzmanları, AB üyelik sürecini göz önünde bulundurarak bu düzenlemenin orta vadede Türk iç mevzuatına yansımasını beklemektedir.
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.
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; her birey problemi temsil eden bir kodlamadır (bit dizisi, gerçek sayı vektörü veya program ağacı). Uygunluk değerlendirmesi (fitness evaluation) aşamasında her bireyin problemi ne kadar iyi çözdüğü sayısal olarak ölçülür. Seçilim operatörü, daha yüksek uygunluğa sahip bireyleri üremeye tercih ederek bilginin bir nesilden diğerine aktarılmasını sağlar. Son olarak çaprazlama ve mutasyon operatörleri yeni bireyler üretir; mutasyon arama uzayında çeşitliliği koruyarak erken yakınsamayı engeller. Döngü, belirlenen durdurma kriteri karşılanana kadar sürer. Evrimsel algoritmalar, gradyan tabanlı yöntemlerin yetersiz kaldığı senaryolarda güçlü alternatifler sunar: türev hesaplanamayan, ayrık veya çok-modlu amaç fonksiyonları, simülasyon tabanlı kara-kutu optimizasyonu ve NP-zor kombinatoryal problemler bu senaryoların başında gelir. Birden fazla bireyi paralel değerlendirme kapasitesi, çok çekirdekli ve dağıtık hesaplama ortamlarında önemli hız avantajı sağlar. Başlıca türler arasında Genetik Algoritmalar (GA), Kovaryans Matris Adaptasyonu (CMA-ES), Diferansiyel Evrim (DE), Genetik Programlama (GP) ve NEAT sayılabilir. 2006 yılında NASA'nın ST5 uydusunun anteni bu yöntemle tasarlanmış; geleneksel mühendislik yaklaşımlarını aşan, sezgisel-olmayan bir geometriye ulaşılmıştır. Yapay zeka alanında CMA-ES ve OpenAI ES, pekiştirmeli öğrenme politika aramasında gradyan iniş yöntemleriyle rekabet edebilecek düzeyde etkisini kanıtlamıştır. Hibrit yaklaşımlarda ise evrimsel algoritmalar genel bir arama yaparak iyi başlangıç noktaları belirler, ardından gradyan iniş yerel ince ayarı tamamlar.
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.
Encoder-Decoder (Kodlayıcı-Çözücü)
Encoder-decoder (kodlayıcı-çözücü), bir girdi dizisini veya veriyi sıkıştırılmış bir ara temsile dönüştüren (kodlama) ve ardından bu temsilden hedef çıktıyı yeniden üreten (çözme) iki bileşenli bir sinir ağı mimarisidir. Dizi-diziye (seq2seq) dönüşüm gerektiren görevlerde temel yapı taşı olan bu mimari, makine çevirisi, metin özetleme, konuşma tanıma ve görüntü açıklama gibi alanlarda geniş uygulama bulur. Encoder bileşeni, girdi dizisinin her öğesini işleyerek sabit boyutlu bir bağlam vektörü (context vector) veya dikkat ağırlıklı gizli durum kümesi üretir. RNN tabanlı encoder'larda bu çıktı son gizli durumdur; Transformer tabanlı mimarilerde ise her girdi tokenına karşılık gelen gizli durum vektörlerinin tamamı decoder'a aktarılır. Encoder, girdiyi sıkıştırırken semantik bilgiyi korumayı ve ilgisiz gürültüyü bastırmayı öğrenir. Decoder bileşeni, encoder çıktısını alarak hedef dizinin her adımını otoregresif biçimde üretir: bir önceki adımda üretilen token, sonraki token olasılığını hesaplamak için tekrar girdi olarak kullanılır. Eğitim sırasında "teacher forcing" yöntemiyle gerçek hedef tokenlar girdi olarak verilir; çıkarım (inference) aşamasında ise modelin kendi ürettiği tokenlar beslenir. Bu fark, "exposure bias" olarak adlandırılan ve beam search ile scheduled sampling yöntemleriyle azaltılmaya çalışılan bir eğitim-çıkarım uyumsuzluğuna yol açar. Dikkat mekanizması (attention mechanism) bu mimarinin kritik bir uzantısıdır. 2015 yılında Bahdanau ve ark. tarafından önerilen dikkat, decoder'ın her adımda encoder'ın farklı konumlarına farklı ağırlıklar atayarak odaklanmasını sağlar; bu sayede uzun dizilerdeki bilgi darboğazı önemli ölçüde azalır. Modern Transformer mimarisindeki çok başlı dikkat (multi-head attention), bu fikrin paralel ve güçlendirilmiş halidir; farklı temsil alt uzaylarında eş zamanlı dikkat hesaplanır. Günümüz büyük dil modellerinde BERT saf encoder, GPT ailesi saf decoder, T5 ve BART ise encoder-decoder modellerine örnektir. Görüntü işlemede U-Net, encoder-decoder prensibini piksel düzeyinde segmentasyon için atlama bağlantıları (skip connections) ile kullanır. Whisper (OpenAI) ise ses encoder ve metin decoder birleştirerek konuşma tanıma görevini büyük ölçekli eğitimle çözer.
Embedding Model (Gömme Modeli)
Gömme modeli (Embedding Model), metin, görsel, ses ya da diğer modalitelerdeki ham verileri yoğun sayısal vektörlere dönüştüren sinir ağı mimarisidir. Bu vektörler anlamsal benzerliği geometrik yakınlığa çevirir: birbirine anlamca yakın ifadeler yüksek boyutlu vektör uzayında da birbirine yakın konumlanır. Gömme modelleri bir büyük dil modelinin encoder bileşeni olabileceği gibi bağımsız bir arama ve eşleştirme modülü olarak da kullanılabilir; iki kullanım biçiminin mimari gereksinimleri farklılık gösterir. Temel çalışma prensibi şu şekildedir: giriş metni tokenize edilerek Transformer encoder katmanlarından geçirilir; [CLS] token çıktısı veya tüm token çıktılarının ağırlıklı ortalaması (mean pooling) sabit boyutlu bir temsil vektörü üretmek için kullanılır. Eğitim aşamasında kontrast öğrenme (contrastive learning) yöntemi uygulanır: pozitif çiftler birbirine yakınlaştırılırken negatif çiftler uzaklaştırılır. Matryoshka Representation Learning (MRL) tekniği ise tek bir modelden farklı boyutlarda vektör üretmeye olanak tanır; bu özellik depolama maliyeti ile çıkarım gecikmesi arasında kullanışlı bir esneklik sunar. Başlıca kullanım alanları şunlardır: anlamsal arama (semantic search), Geri Çağırma Destekli Üretim (Retrieval-Augmented Generation, RAG), belge kümeleme, tavsiye sistemleri, çift metin sınıflandırma ve çapraz dil eşleştirme. Popüler modeller arasında OpenAI text-embedding-3-large (3072 boyutlu), Cohere Embed v3, Google text-embedding-004 ve açık kaynak alanda BGE-M3, E5-Mistral ile Nomic Embed sayılabilir. Modeller arasındaki sistematik karşılaştırma için MTEB (Massive Text Embedding Benchmark) standart referans noktası haline gelmiştir; bu kıyaslama çerçevesi sekiz farklı görev kategorisi ve elli den fazla veri setini kapsamaktadır. Üretim sistemlerinde yaygın mimari: bi-encoder ile hızlı ilk geri çağırma (top-k), ardından cross-encoder ile yeniden sıralama (reranking) adımının birleştirilmesidir. Pinecone, pgvector ve Qdrant gibi vektör veritabanları bu gömmeler için ölçeklenebilir depolama ve arama altyapısı sunar.
Embedding (Gömme / Vektörleştirme)
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 gerçekleştirilmez; verinin anlamsal (semantik) değerini koruyacak şekilde, çok boyutlu matematiksel bir uzayda koordinatlara yerleştirilmesiyle yapılır. 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. Tarihsel gelişim açısından Word2Vec (Google, 2013), ilk pratik ve geniş çaplı benimsenen kelime gömme yöntemini sundu. CBOW ve Skip-gram mimarileriyle her kelimeye bağlamından bağımsız sabit bir vektör atayan bu yaklaşımın sınırlılığını BERT aştı: BERT her kelimeyi cümle bağlamına göre farklı vektörle temsil eder, böylece çok anlamlı kelimelerdeki anlam belirsizliği çözüme kavuşur. Günümüzde OpenAI'nin text-embedding-3 serisi, Cohere'in embed modelleri ve açık kaynaklı E5, BGE gibi çok dilli modeller bu alanın standartlarını belirlemektedir. Pratikte embedding'ler üç temel kullanım senaryosunda öne çıkar. Semantik arama ve RAG (Retrieval-Augmented Generation) sistemlerinde kullanıcının sorusu ile belgeler aynı vektör uzayına yerleştirilir, kosinüs benzerliğiyle en alakalı içerik bulunur. Öneri sistemlerinde Spotify veya Netflix, kullanıcı ve içerik vektörlerini karşılaştırarak kişiselleştirilmiş öneriler oluşturur. CLIP gibi çok modlu modeller ise metin ve görseli aynı uzayda temsil ederek metinle görsel arama yapılmasına imkân tanır. Üretilen vektörler genellikle Pinecone, Weaviate, Qdrant veya PostgreSQL'in pgvector eklentisi gibi vektör veritabanlarında saklanır; HNSW gibi yaklaşık en yakın komşu algoritmaları milyonlarca kayıt arasından milisaniyeler içinde sonuç döndürür. Embedding kalitesi downstream görevleri doğrudan etkiler ve model seçiminde MTEB (Massive Text Embedding Benchmark) gibi standart karşılaştırma çerçeveleri rehber niteliğindedir.
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 (Large Speech Model) 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. Mekanizma üç aşamadan oluşur: önce metin fonemik analiz ile dilin ses birimlerine ayrıştırılır, ardından model seçilen ses profili ve dil parametrelerine göre spektral özellikler üretir, son adımda bu özellikler gerçekçi ses dalgalarına dönüştürülür. Ses klonlama özelliğinde kullanıcılar yalnızca 1 dakikalık ses kaydıyla kendi seslerinin yüksek doğrulukta bir kopyasını oluşturabilir. Profesyonel Voice Cloning ise daha uzun ve temiz kayıtlarla çok daha yüksek kalitede klonlar üretir. Farklı ihtiyaçlara yönelik Instant Voice Cloning, Professional Voice Clone ve Voice Design seçenekleri kullanıcıların hizmetindedir. Voice Design özelliği yaş, cinsiyet ve aksan parametrelerini metin tanımıyla belirleyerek sıfırdan yeni yapay sesler tasarlamayı mümkün kılar. Platform içerik üreticilerinden oyun geliştiricilerine, e-öğrenme şirketlerinden podcast yapımcılarına kadar geniş bir kullanıcı kitlesine hitap eder. API erişimi ve resmi Python/JavaScript SDK'ları geliştiricilerin ElevenLabs'ı kendi uygulamalarına entegre etmesini kolaylaştırır. 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. Ses klonlamanın kötüye kullanımını önlemek için platform, başkasının sesini izinsiz klonlamayı yasaklayan katı bir kullanım politikası uygulamaktadır.