F Harfi ile Başlayan Terimler
Feature Engineering (Öznitelik / Özellik Mühendisliği)
Özellik mühendisliği (feature engineering), ham veriden makine öğrenmesi modellerinin daha iyi öğrenebileceği bilgilendirici özellikler türetme sürecidir. Algoritmalar veriyi olduğu gibi değil, sunulan özellikler aracılığıyla öğrenir; bu nedenle hangi özelliğin nasıl temsil edildiği model performansını doğrudan belirler. Özellik mühendisliği birçok alt görevden oluşur. Özellik oluşturma, mevcut sütunları birleştirerek veya dönüştürerek yeni değişkenler üretir: bir e-ticaret veri setinde kullanıcının gün içi sipariş yoğunluğu 'sabah', 'öğleden sonra', 'gece' gibi zaman dilimi etiketlerine dönüştürülebilir. Özellik seçimi ise gürültülü veya gereksiz değişkenleri elemek için korelasyon analizi, karşılıklı bilgi skoru veya özellik önem skorlarını kullanır. Kategorik değişkenlerin sayısal temsillere dönüştürülmesi temel mühendislik adımlarından biridir. One-hot encoding ikili sütunlar üretirken, hedef kodlama (target encoding) kategorileri hedef değişkenin ortalamasıyla temsil eder. Yüksek kardinaliteli sütunlarda embedding tabanlı yaklaşımlar bilgiyi daha kompakt biçimde saklar. Sayısal özellikler için normalizasyon (min-max ölçekleme) ve standardizasyon (z-skoru dönüşümü) kritik ön işleme adımlarıdır. Mesafe tabanlı algoritmalar (k-NN, SVM) bu ölçeklemeye duyarlıdır; ölçekleme yapılmadan büyük değer aralıklı özellikler küçük aralıklıları gölgede bırakır. Zaman serisi verisinde gecikme özellikleri (lag features), hareketli ortalama ve mevsimsel bileşenler gibi mühendislik dönüşümleri modellerin zamansal örüntüleri kavramasını sağlar. Metin verisinde TF-IDF ve n-gram özellikleri, görüntü verisinde ise histogram eşitleme ve kenar çıkarımı klasik özellik mühendisliği adımlarıdır. Derin öğrenme bu adımların bir kısmını otomasyona taşımış olsa da yapısal veri içeren birçok endüstriyel görevde manuel özellik mühendisliği performansı belirleyici kalmaktadır.
Fuzzy Logic (Bulanık Mantık)
Bulanık mantık (fuzzy logic), 1965 yılında Lotfi Zadeh tarafından geliştirilen ve klasik Aristoteles mantığının ikili (doğru/yanlış) sınıflandırmasını sürekli bir üyelik derecesine genişleten matematiksel bir çerçevedir. Klasik küme teorisinde bir eleman ya kümeye aittir ya da değildir; bulanık kümede ise 0 ile 1 arasında herhangi bir üyelik derecesi alabilir. Bulanık mantığın temel kavramı bulanık kümeler ve üyelik fonksiyonlarıdır. 'Yüksek sıcaklık' gibi dilsel bir değişken için üçgen veya trapezoid biçimli bir üyelik fonksiyonu tanımlanır; örneğin 35°C 'yüksek sıcaklık' kümesine 0.7, 'çok yüksek sıcaklık' kümesine 0.3 derecesiyle üye olabilir. Bu belirsiz sınırlar gerçek dünyanın muğlak kavramlarını daha doğal biçimde modeller. Bulanık çıkarım sistemi üç aşamadan oluşur: bulanıklaştırma (fuzzification) kesin girdileri üyelik derecelerine dönüştürür; bulanık kural tabanı dilsel kurallarla ('EĞER sıcaklık yüksek VE nem çok fazla İSE fan hızı yüksek') çıkarım yapar; berraklaştırma (defuzzification) ise bulanık çıktıyı ağırlıklı ortalama gibi yöntemlerle kesin bir sayıya dönüştürür. Bulanık mantık, özellikle kesin matematiksel model kurmanın güç olduğu kontrol sistemlerinde güçlüdür. Çamaşır makinesi, klima, kamera otofokus ve metro sistemleri bulanık mantık kontrolörü kullanan yaygın ürünlere örnek verilebilir. Makine öğrenmesi öncesinde endüstriyel otomasyon ve karar destek sistemlerinde standart bir teknolojiydi. Günümüzde bulanık mantık, nöro-bulanık sistemler (neuro-fuzzy) aracılığıyla derin öğrenmeyle birleştirilmektedir. Bu hibrit yaklaşımlar yorumlanabilirliği korurken veriden öğrenme kapasitesi kazanır ve tıbbi teşhis, finans riski ve gömülü kontrol sistemleri gibi alanlarda aktif kullanım bulmaktadır.
FastAPI (Python Web Çerçevesi)
FastAPI, Python ile modern ve yüksek performanslı web API'leri geliştirmek için kullanılan açık kaynaklı bir web çerçevesidir. Sebastián Ramírez tarafından geliştirilen ve 2018'de yayımlanan çerçeve, Starlette (ASGI web katmanı) ile Pydantic (veri doğrulama) kütüphaneleri üzerine kuruludur. Adındaki "fast" hem çalışma hızına hem de geliştirme hızına işaret eder: async/await destekli asenkron mimarisi eş zamanlı binlerce isteği verimli biçimde işler, Python type hint entegrasyonu ise kod yazılırken otomatik tamamlama, doğrulama ve dokümantasyon üretir. FastAPI'yi öne çıkaran nokta, geliştiricinin tek bir kaynaktan üç şeyi birden elde etmesidir. Endpoint fonksiyonuna tip açıklamaları eklendiğinde Pydantic gelen veriyi çalışma anında doğrular, hatalı istekler modele ulaşmadan 422 hatasıyla geri çevrilir ve Swagger UI ile ReDoc arayüzleri kod değişikliği gerekmeden interaktif API belgesi olarak yayınlanır. Bu yaklaşım hem hata oranını düşürür hem de ekiplerin API sözleşmesini güncel tutmasını kolaylaştırır. Dependency injection sistemi, veritabanı bağlantısı ve kimlik doğrulama gibi ortak bağımlılıkları endpoint'lere temiz biçimde aktarır; bu da test edilebilirliği artırır. Yapay zeka tarafında FastAPI, model servis katmanının fiili standardı konumundadır. PyTorch veya Hugging Face modellerini REST endpoint'i olarak sunmak, LLM çağrılarını Server-Sent Events ile token token istemciye aktarmak ve RAG pipeline'larını HTTP üzerinden erişilebilir kılmak için yaygın biçimde tercih edilir. Üretimde Uvicorn ile çalıştırılır, Docker ve Kubernetes ortamlarında yatay olarak ölçeklenir; Microsoft ve Uber gibi şirketlerin üretim sistemlerinde kendine yer bulur.
Few-Shot Learning (Az-Atımlı Öğrenme)
Az atis ogrenmesi (few-shot learning), bir modelin yalnizca birkac ornekten yeni bir gorevi ogrenip genelleyebildigi makine ogrenmesi paradigmasidir. Standart derin ogrenme modelleri binlerce hatta milyonlarca etiketli ornege ihtiyac duyarken az atis ogrenmesi bu bagimliligi kirerek insan benzeri hizli uyuma hedefler. Yaklaşım; one-shot learning (tek ornek), few-shot learning (2-10 ornek) ve zero-shot learning (hic ornek olmadan) seklinde siniflandirilir. Meta-ogrenme (meta-learning veya learning to learn), bu alanin temel paradigmasidir: model, cok sayida farkli gorev uzerinde egitilerek 'hizli uyum saglamayi ogrenmeyi' ogrenilir. MAML (Model-Agnostic Meta-Learning), bu yaklasimin oncu algoritmalarindan biridir. Prototypical Networks, her sinifin prototip temsilini hesaplayarak yeni ornekleri bu prototiplere uzakligina gore siniflandirir. Matching Networks ise dikkat mekanizmasiyla az ornekten ogrenmeyi destek kumesi uzerinden gerceklestirir. Siamese Network, iki ornegin benzerligini karsilastirarak tek atis tanimasinda kullanilir. Buyuk dil modellerinde az atis ogrenme daha farkli bir bicimde gerceklesir: GPT gibi modeller, prompt icine birkan ornek verildiginde (in-context learning) goreve adapte olabilir. Bu modeller parametrelerini guncellenmeksizin, yalnizca baglam bilgisiyle birkan atistan genelleme yapabilmektedir. Bu ozellik, LLM'lerin en carpici yeteneklerinden biri olarak kabul edilmektedir. Az atis ogrenmesi; tibbi goruntuleme (nadir hastaliklar icin az ornek mevcuttur), robotik (yeni manipulasyon gorevleri), dil isleme (az kaynakli diller) ve kisisellestirilmis yapay zeka sistemleri gibi alanlarda kritik onem tasimaktadir.
Function Calling (Fonksiyon Çağırma)
Fonksiyon cagirma (function calling), buyuk dil modellerinin (LLM) dogal dil yaniti uretmek yerine onceden tanimlanmis bir aracı veya API'yi cagirabilen yapilandırilmis bir cikti uretmesi ozelligi. Bu mekanizma, LLM'leri pasif metin ureticilerinden aktif ajanlara donusturmektedir. Fonksiyon cagirma tipik olarak su sekilde isler: gelistirici, modele hangi fonksiyonlarin mevcut oldugunu JSON Schema formatinda tanimlar. Kullanicinin istegi bu araclarin kullanimini gerektiriyorsa model dogal dil yanitı yerine arac adi ve parametrelerini JSON olarak doner. Uygulama bu JSON'u alir, ilgili fonksiyonu calistirir, sonucu modele gonderir ve model nihai yaniti uretir. OpenAI, bu ozelligi GPT-4'te function calling olarak tanitmistir; daha sonra tool use adiyla yeniden yapılandirilmistir. Anthropic Claude'un tool use ozelligi, AWS Lambda veya harici API'ler gibi araclarla entegrasyon icin ayni prensibi kullanir. Bu yapilandirma, paralel cagrilar (parallel tool use) ile birden fazla araci ayni anda cagirilabilmesini de olanaklı kilar. Fonksiyon cagirma; hava durumu sorgulama, veritabani okuma/yazma, takvim yonetimi, kod yurutme ve web arama gibi ajanlar icin temel bir bilesendir. ReAct (Reason + Act) cercevesi ve AutoGPT gibi ajan mimarileri bu ozelliği siklıkla kullanmaktadir. MCP (Model Context Protocol), Anthropic'in standartlastirdigi bir protokoldur; sunucular araclari MCP formatinda tanimlayarak herhangi bir MCP destekli modelin bu araclari kullanabilmesini saglar. Bu sayede uygulamalar, LLM saglayciyindan bagimsiz olarak yeniden kullanilabilir arac kutuphaneleri olusturabilir.
Flash Attention (Flash Attention)
Flash Attention, Transformer modellerinin dikkat mekanizmasini GPU yuksek bant genisligi bellegine (HBM - High Bandwidth Memory) erisimleri en aza indirecek sekilde yeniden duzenleyen IO-bilincloi bir hesaplama yontemidir. Standart dikkat algoritmasinin O(n²) bellek karmasikligi yerine O(n) bellek kullanimi saglar; bu fark ozellekle uzun baglam pencerelerinde dramatik bir verimlilik artisi anlamina gelir. Standart dikkat hesaplamasinda Q, K, V (sorgu, anahtar, deger) matrislerinin tam NxN boyutundaki dikkat matrisi GPU HBM'e yazilir ve tekrar okunur. N token sayisi arttikca bu matris icin gereken bellek ve HBM erisim sayisi karesiyle buyur; bu hem yavas hem bellek yogun bir yaklasimdir. Flash Attention'in cozumu tiling (karo) teknigidir. Giris matrisleri kucuk bloklara (tile) ayrılan bu yaklaşimda her blok GPU'nun hizli SRAM on bellegine yuklenir ve dikkat hesaplamasi orada tamamlanir. SRAM HBM'den cok daha hizli ve daha kucuk; Flash Attention, HBM yazma/okuma sayisini agresif sekilde azaltarak hesaplamanin bellege bagli (memory-bound) darbogazini ortadan kaldirir. Yeniden hesaplama (recomputation) teknigi geri yayilim sirasindaki bellek ihtiyacini yonetir. Ileri geciste ara sonuclar kaydedilmez; geri yayilim sirasinda gerektiginde yeniden hesaplanir. Bu, bellek tasarrufunu saglarken ekstra hesaplama maliyeti getirir; ancak bu denge cok kucuk bir maliyet olarak kalmaktadir. Tri Dao ve ekibi tarafindan gelistirilmis olan FlashAttention-1 2022'de yayimlanmis; FlashAttention-2 daha iyi is bolumu ve paralellestirme ile belirgin hizlanma saglamistir. FlashAttention-3, NVIDIA Hopper mimarisinin asenkron boru hatlarini ve FP8 destegiyle daha da yuksek verimlilik sunmaktadir. PyTorch'un scaled_dot_product_attention API'si Flash Attention'i varsayilan uygulama olarak entegre etmistir; bu nedenle gunumuzde cok sayida Transformer uygulamasi Flash Attention'dan dolayı, bunu fark etmeden yararlanmaktadir. **Sik Sorulan Sorular** **Flash Attention kullanmak icin ne yapmam gerekir?** PyTorch >= 2.0'da torch.nn.functional.scaled_dot_product_attention kullanan herhangi bir model Flash Attention'dan otomatik olarak yararlanir. flash-attn paketini kurarak HuggingFace Transformers ve diger cercevedeki modellere Flash Attention 2/3 entegre edilebilir. **Flash Attention hangi GPU'larda calisir?** FlashAttention-2 NVIDIA Ampere (A100) ve Hopper (H100) GPU'larinda en iyi performansi gosterir; RTX serisi tuketici GPU'larinda da calisir. FlashAttention-3 Hopper mimarisine ozellestirilmistir. **Flash Attention ciktiyi degistirir mi?** Hayir. Flash Attention standart dikkat ile mathematiksel olarak ayni sonucu uretir; fark yalnizca hesaplama verimliligindedir. **Uzun baglam neden Flash Attention olmadan bu kadar zorlayicidir?** 128K token icin standart dikkat n²=16.4 milyar eleman boyutunda bir matris gerektirir; bu GPU bellegini tamamen asabilir. Flash Attention bu sorunu tiling ile cozerek pratik uzun baglam islemesini mumkun kilar.
Feature Store (Özellik Deposu)
Özellik Deposu (Feature Store), makine öğrenmesi projelerinde özellik mühendisliği sürecini merkezi olarak yöneten, özelliklerin hesaplanmasını, saklanmasını, paylaşılmasını ve yeniden kullanılmasını sağlayan veri yönetim platformudur. Kısaca, ML modelleri için 'tek gerçek kaynak' işlevi görür. Tipik bir makine öğrenmesi iş akışında veri bilimciler zamanlarının büyük kısmını ham veriden özellik üretmeye harcar. Aynı özellikler farklı ekipler tarafından bağımsız biçimde yeniden hesaplanır, bu da hem hesaplama kaynağını israf eder hem de tutarsızlıklara yol açar. Üstelik eğitim ortamında hesaplanan özellikler ile servis (inference) ortamında hesaplanan özellikler arasında farklar oluşabilir — buna 'training-serving skew' denir ve model performansını ciddi ölçüde düşürebilir. Özellik deposu bu sorunları tek bir merkezi platform altında çözer. Modern bir özellik deposunun temel bileşenleri şunlardır: Çevrimdışı Mağaza (Offline Store), tarihsel özellik verilerini toplu işleme ve model eğitimi için saklar; bu katman genellikle bir veri ambarına (BigQuery, Snowflake) veya veri gölüne (S3, GCS) bağlanır. Çevrimiçi Mağaza (Online Store), düşük gecikmeli servis için anlık özellik değerlerini Redis, Cassandra veya DynamoDB gibi anahtar-değer depolarında tutar. Özellik Kayıt Defteri (Feature Registry), hangi özelliklerin kim tarafından tanımlandığını, nasıl hesaplandığını ve hangi modeller tarafından kullanıldığını belgeleyen katalog katmanıdır. Özellik Boru Hattı (Feature Pipeline), ham veriden özellik değerlerine ulaşan ETL/ELT süreçlerini otomatikleştirir ve özellik güncelliğini (freshness) yönetir. Özellik deposu kullanmanın temel faydaları şunlardır: Kod tekrarını önler ve hesaplama maliyetini azaltır; training-serving skew sorununu ortadan kaldırır; model yeniden üretebilirliğini (reproducibility) artırır; özellik keşfini kolaylaştırır ve veri bilimciler arasındaki iş birliğini güçlendirir. Popüler açık kaynak seçenekler arasında Feast ve Hopsworks yer alır. Bulut sağlayıcılar da bu alana girmiştir: AWS SageMaker Feature Store, Google Vertex AI Feature Store ve Databricks Feature Engineering en yaygın kullanılan yönetilen hizmetlerdir.
Fonem (Phoneme)
Fonem (İng. phoneme), bir dilde anlam ayırt etme işlevi gören en küçük soyut ses birimidir. 'Bal' ve 'kal' sözcüklerini birbirinden ayıran /b/ ve /k/ birer fonemdir: bu seslerden birinin değişmesi doğrudan anlam değişikliği yaratır. Fonem soyut bir kavramdır; fiziksel olarak üretilen somut sesler ise **allofon** adını alır. Türkçedeki /l/ fonemi 'lale' sözcüğünde ön damakta, 'al' sözcüğünde arka damakta üretilir, ancak bu fark anlam ayırt etmediği için ikisi de aynı fonemin allofonu sayılır. Bir dilin fonem envanteri, o dildeki tüm anlam ayırt edici seslerin kümesidir. Türkçede bu küme yaklaşık 29 fonemden oluşur (8 ünlü + 21 ünsüz); İngilizcede aksana göre ~44, Hawaii dilinde 13, Güney Afrika'daki !Xũ dilinde ise 141 fonem vardır. Fonemleri evrensel biçimde yazıya dökmek için 1888'den beri kullanılan Uluslararası Fonetik Alfabe (IPA) standarttır: Türkçe 'şeker' sözcüğü IPA ile /ˈʃe.ceɾ/ olarak gösterilir. Yapay zeka açısından fonem, konuşma teknolojilerinin ortak paydasıdır. Otomatik konuşma tanıma (ASR) sistemleri ham ses dalgasını önce mel spektrogram gibi akustik özelliklere, ardından fonem dizilerine, son adımda sözcüklere dönüştürür. Metin-ses (TTS) sistemleri ters yönde çalışır: metin, grafem-fonem (G2P) dönüşümüyle fonem dizisine, oradan akustik özelliklere ve ses dalgasına çevrilir. VITS, FastSpeech 2 ve StyleTTS 2 gibi modern sinirsel TTS modelleri girdilerini fonem dizisi olarak alır; bu yaklaşım homograf belirsizliklerini büyük ölçüde ortadan kaldırır. Whisper large-v3 veya Seamless gibi uçtan uca modeller açık bir fonem katmanı üretmese de, fonemik ayrımları gizli temsillerinde örtük olarak öğrendikleri sonda (probing) çalışmalarıyla gösterilmiştir. Türkçe gibi eklemeli dillerde tek bir kök yüzlerce farklı kelime formu üretebildiğinden, sözcük tabanlı modeller sözlük patlaması yaşar. Sabit ve küçük bir küme olan fonemler (~29 birim) üzerinden modelleme, Türkçe ASR ve TTS sistemlerinde bu yüzden özellikle verimlidir. Mozilla Common Voice'un Türkçe alt kümesi ve OpenSLR veri setleri, fonemik hizalamadan geçirilerek akustik model eğitiminde kullanılır.
Federated Learning (Birleştirilmiş Öğrenme)
Federated learning (federe öğrenme), makine öğrenmesi modellerinin ham verileri merkezi bir sunucuya göndermek yerine, verilerin bulunduğu cihazlar üzerinde doğrudan eğitilmesini mümkün kılan gizlilik odaklı bir dağıtık öğrenme paradigmasıdır. Google tarafından 2017'de tanıtılan bu yaklaşım, her istemci cihazın kendi yerel verisiyle bir model güncellemesi (gradient veya model ağırlığı değişikliği) hesaplamasını ve yalnızca bu güncellemeyi merkezi bir koordinatöre göndermesini esas alır. Geleneksel makine öğrenmesinde tüm eğitim verisi tek bir merkezi sunucuda toplanır; bu durum hem gizlilik hem de veri sızıntısı riskleri doğurur. Federated learning ise bu problemi yapısal olarak çözer: ham veri hiçbir zaman cihazı terk etmez. Koordinatör sunucu yalnızca anonim gradyanları veya model parametrelerini alır, bunları FedAvg (Federated Averaging) gibi bir toplama algoritmasıyla birleştirir ve güncellenmiş global modeli tüm istemcilere dağıtır. Federated learning'in iki temel çeşidi vardır: yatay federated learning (aynı özellik uzayı, farklı veri örnekleri — örneğin farklı hastanelerden gelen aynı formattaki hasta kayıtları) ve dikey federated learning (farklı özellik uzayları, aynı kullanıcılar — örneğin bir bankanın işlem geçmişi ile bir e-ticaret sitesinin satın alma geçmişinin birleştirilmesi). Bu yapı, GDPR ve HIPAA gibi veri koruma düzenlemelerine uyumu kolaylaştırır. Pratik uygulamalar arasında Google'ın Android klavye tahmini (Gboard), Apple'ın Siri ses tanıma kalitesi iyileştirmesi ve hastane ağlarında tıbbi görüntü analizi öne çıkar. İletişim verimliliği, heterojenik cihaz kapasiteleri (sistem heterojenliği) ve model zehirleme (model poisoning) saldırılarına karşı dayanıklılık, alanın aktif araştırma konularıdır. Diferansiyel gizlilik ve güvenli çok taraflı hesaplama teknikleri ile federated learning'in gizlilik garantisi daha da güçlendirilebilir. Bu kombinasyon, hassas sektörlerde (finans, sağlık, savunma) veri paylaşımı gerektirmeden yüksek kaliteli ortak modeller geliştirmeyi olanaklı kılmakta ve merkezileşme olmaksızın ölçeklenebilir yapay zeka ekosistemlerinin temelini atmaktadır.
Fine-Tuning (İnce Ayar)
Fine-tuning (Türkçesiyle ince ayar), devasa bir veri setiyle genel amaçlı olarak önceden eğitilmiş (pre-trained) bir yapay zeka modelinin, daha küçük ve göreve özel bir veri seti kullanılarak belirli bir işe, sektöre veya üsluba (tıp, hukuk, kodlama, müşteri hizmetleri vb.) uyarlanması işlemidir. İngilizce "fine-tune" fiili, bir cihazın ayarını hassas biçimde düzeltmek anlamına gelir; yapay zekada da mantık aynıdır: model sıfırdan eğitilmez, mevcut bilgisinin üzerine ek eğitimle özel bir uzmanlık inşa edilir. Örneğin LLaMA veya GPT gibi bir temel model, birkaç bin kaliteli soru-cevap çiftiyle yeniden eğitilerek bir bankanın müşteri temsilcisi gibi konuşan ya da tıbbi raporları belirli bir formatta özetleyen bir modele dönüştürülebilir. Bu yaklaşımın önemi maliyet ve erişilebilirlikte yatar. Bir dil modelini sıfırdan eğitmek milyonlarca dolarlık hesaplama gücü ister; fine-tuning ise aynı modelin ağırlıklarını yeni veriye göre hafifçe güncelleyerek çok daha küçük bir bütçeyle özelleştirme yapmayı mümkün kılar. LoRA ve QLoRA gibi parametre-verimli (PEFT) yöntemlerle bu iş tek bir tüketici GPU'sunda bile yapılabilir hale gelmiştir. Pratikte fine-tuning; kurumsal sohbet botlarında marka diline uyum, hukuk ve sağlık gibi alanlarda terminoloji hâkimiyeti, yapılandırılmış çıktı (örneğin JSON) üretimi ve şirket içi verilerle çalışan özel asistanlar için kullanılır. Modele davranış ve üslup kazandırmak hedefleniyorsa fine-tuning, güncel veya sık değişen bilgiye erişim gerekiyorsa RAG tercih edilir; kurumsal sistemlerde ikisi çoğu zaman birlikte çalışır.
FPGA (Yeniden Programlanabilir Kapı Dizisi)
FPGA (Field-Programmable Gate Array — Yeniden Programlanabilir Kapı Dizisi), üretim sonrasında yeniden yapılandırılabilen entegre devrelerdir. Yapay zeka uygulamalarında FPGA'lar; CPU'ların genel amaçlı esnekliği, GPU'ların yüksek paralel hesap gücü ve özel ASIC çiplerin maksimum verimliliği arasında benzersiz bir denge noktası oluşturur. Donanımın yazılım gibi değiştirilebildiği bu yapı, belirli sinir ağı modellerine veya makine öğrenimi iş yüklerine göre özelleştirilmiş devreler tasarlamayı mümkün kılar. Yapay zeka çıkarım görevlerinde FPGA'lar birçok avantaj sunar: GPU'lara kıyasla belirgin biçimde daha düşük enerji tüketimi, mikrosaniye düzeyinde gecikme süreleri ve batch processing yerine gerçek zamanlı tek örnek çıkarımda üstün performans. Intel Agilex ve AMD Xilinx Versal gibi modern FPGA platformları, AI motoru bloklarını donanım düzeyinde entegre ederek nöral ağ hesaplamalarını doğrudan silikon üzerinde gerçekleştirir. Microsoft'un Project Catapult projesi, Bing arama altyapısında FPGA'ları kullanarak hem gecikmeyi düşürmüş hem de enerji verimliliğini artırmıştır. Kenar bilişim (edge AI) alanında ise FPGA'lar; güç bütçesinin kritik olduğu otonom araçlar, sanayi robotları ve medikal görüntüleme cihazları gibi gömülü sistemlerde tercih edilen donanım hızlandırıcısı konumundadır. FPGA programlaması geleneksel olarak VHDL veya Verilog gibi donanım tanımlama dilleriyle (HDL) yapılırken, günümüzde Intel OneAPI ve Xilinx Vitis AI gibi Yüksek Seviyeli Sentez (HLS) araçları PyTorch ve TensorFlow modellerini doğrudan FPGA bitstream formatına dönüştürmektedir. INT8 veya INT4 gibi düşük hassasiyetli sayısal formatlar kullanılarak sinir ağı çıkarımı optimize edilebilir; bu sayede hem bellek bant genişliği hem de toplam güç tüketimi önemli ölçüde azalır.
Feature Selection (Özellik Seçimi)
Ozellik secimi (feature selection), bir makine ogrenimi modelinin egitiminde kullanilacak en bilgilendirici ve gercek anlam tasiyan ozellik alt kumesini belirlemek amaciyla gereksiz, tekrarli veya alakasiz ozelliklerin elenme surecidir. Cok sayida ozellik her zaman daha iyi model anlamina gelmez; aksine fazla ozellik overfitting riskini arttirir, egitim suresini uzatir ve modelin yorumlanmasini guclestirir. Ozellik secimi uc ana kategoride incelenir. Filter yontemleri, model egitiminden bagimsiz olarak ozellikleri istatistiksel kriterlerle puanlar ve siralar. Chi-squared test, mutual information ve Pearson korelasyon katsayisi bu kategorinin temsil ornekleridir. Uygulamasi hizlidir ve overfitting riski tasimaz; ancak ozellikler arasindaki etkilesimi dikkate almaz. Wrapper yontemleri, secilen ozellik alt kumesini dogrudan bir model uzerinde dener ve performansa gore degerlendirme yapar. Recursive Feature Elimination (RFE), ozellik sayisini katlanarak azaltip her adimda modeli yeniden egiterek en kotu ozelligi eler; bu surec hedef ozellik sayisina ulasana kadar devam eder. Wrapper yontemleri genellikle filter yontemlerine kiyasla daha iyi ozellik alt kumesi bulur ancak hesaplama maliyeti cok yuksektir. Embedded yontemler ozellik secimini model egitim surecininin icine gommus sistemlerdir. LASSO (L1 duzenlemesi) bazi ozellik agirliklarini sifira indirerek otomatik secim saglar. Random Forest ve XGBoost gibi agac tabanli modeller egitim sirasinda her ozelligin onemi hesaplar; bu skorlar dusuk onemli ozellikleri elemede kullanilir. Boyutsallak laneti (curse of dimensionality), yuksek ozellikli uzaylarda orneklerin birbirinden uzaklasip mesafe bazli algoritmalarin anlamsizlasmasi olgusunu ifade eder. Ozellik secimi bu problemi dogrudan adreste. Ek olarak secimlerin yorumlanabilirligi saglar: hangi ozelliklerin modeli surdurup surdurmediginin anlasilmasi, hem ayiklama hem de alan uzmanlarindan geri bildirim alma acisindan kritik oneme sahiptir. **Sik Sorulan Sorular** **Ozellik secimi ile boyut indirgeme (PCA gibi) arasindaki fark nedir?** Ozellik secimi mevcut ozelliklerin bir alt kumesini tutar; orijinal ozellikler yorumlanabilirligini korur. PCA gibi boyut indirgeme yontemleri yeni, yapay ozellikler olusturur; yorumlanabilirlik kaybolur ama bazen daha iyi genelleme saglar. **Kac ozellik yeterlidir?** Genel kural yoktur; veri boyutuna, ornek sayisina ve modele bagimlidir. Cross-validation ile farkli ozellik sayilari denenerek elbow noktasi belirlenir. **Ozellik secimi her zaman gerekli midir?** Sinirli ornek sayisi veya yuksek boyutlu veri durumunda buyuk fayda saglar. Derin ogrenme modelleri ozellik muhendisligini buyuk olcude otomatiklestirebilir; bu durumda acik ozellik secimi daha az kritik olabilir. **Kategorik ozellikler icin hangi yontem kullanilir?** Chi-squared test veya mutual information filter yontemleri kategorik ozellikler icin uygundur. Tree-based modellerin onem skorlari ise kategorik ve sayisal ozelliklerin karisik oldugu veri kumelerinde pratik bir embedded yontemdir.
Float16 / BFloat16 (Float16 / BFloat16)
Float16 (FP16 veya yarı duyarlıklı kayan nokta), IEEE 754 standardında tanımlanan ve 16 bit (1 işaret + 5 üs + 10 mantis) kullanarak gerçek sayıları temsil eden sayı biçimidir. Standart Float32'ye (32 bit, tekli duyarlık) kıyasla bellek kullanımını yarıya indirir ve modern GPU'ların tensör çekirdeği (tensor core) donanımıyla çok daha yüksek hesaplama verimi sağlar. Derin öğrenmede Float16'nın önemi büyüktür. GPU belleği (VRAM) model eğitimindeki en sık karşılaşılan darboğazlardan biridir; modelin ağırlıklarını ve aktivasyonlarını FP16'da tutmak aynı GPU'da iki kat daha büyük modeller ya da iki kat daha büyük batch boyutları çalıştırmayı mümkün kılar. NVIDIA'nın 2018'de tanıttığı Tensor Core teknolojisi, FP16 matris çarpımlarını FP32 karşısında 4-8× hızlandırmaktadır. Ancak FP16'nın sayı aralığı (yaklaşık ±65504) ve duyarlığı FP32'den çok daha kısıtlıdır. Bu nedenle eğitimde "karma duyarlık" (mixed precision) yaklaşımı tercih edilir: ileri geçiş (forward pass) ve geri yayılım (backward pass) FP16'da, ağırlık güncellemeleri ve kayıp ölçekleme (loss scaling) ise FP32'de tutulur. PyTorch'ta torch.cuda.amp.autocast() ve TensorFlow'da tf.keras.mixed_precision API'si bu işlemi otomatik yönetir. BF16 (Brain Float16), Google tarafından geliştirilen alternatif bir 16-bit formattır: 8 üs biti kullanarak FP32 ile aynı sayı aralığını korur ancak mantis duyarlığı FP16'dan düşüktür. TPU ve NVIDIA Ampere/Hopper GPU'lar BF16'yı doğal olarak destekler; büyük dil modeli eğitiminde BF16, FP16'nın yerini giderek almaktadır. INT8 ve INT4 niceleme, model çıkarım aşamasında daha da küçük bit genişlikleri kullanarak VRAM tasarrufunu daha da ileri götürür. GPTQ, AWQ ve bitsandbytes kütüphaneleri tüketici GPU'larında büyük dil modellerini çalıştırmak için INT4 nicelemeyi yaygınlaştırmıştır. Niceleme miktarı arttıkça modelin doğruluğu düşebilir; bu ödünleşimi ölçmek için perplexity metriği kullanılır. Türkiye'de LLM araştırmacıları ve açık kaynak topluluk üyeleri, sınırlı VRAM'e sahip tüketici GPU'larında Llama ve Mistral modellerini çalıştırmak için bu tekniklere sıklıkla başvurmaktadır.
Feature Importance (Özellik Önemi)
Feature importance (özellik önemi), makine öğrenmesi modellerinde her bir girdi özelliğinin tahmin çıktısı üzerindeki etkisini ölçen yorumlanabilirlik tekniğidir. On farklı değişken kullanan bir modelde, hangi değişkenlerin tahmini en çok şekillendirdiğini sayısal olarak ortaya koyar. Bu analiz üç temel yöntemle gerçekleştirilir. Gini/MDI (Mean Decrease Impurity) yöntemi, karar ağacı tabanlı modellerde her özelliğin düğümlerdeki safsızlık azalmasına katkısını hesaplar; hızlı ve yerleşik bir yaklaşım olmakla birlikte yüksek kardinaliteli özelliklere karşı önyargılı olabilir. Permutation Importance yöntemi, bir özelliğin değerlerini test verisi üzerinde rastgele karıştırır ve modelin doğruluğundaki düşüşü ölçer; herhangi bir modelde çalışan bağımsız bir tekniktir. SHAP (SHapley Additive exPlanations) değerleri ise kooperatif oyun teorisinden türetilmiş matematiksel bir çerçevedir; her tahmin için her özelliğin bireysel katkısını tutarlı ve adil biçimde hesaplar ve günümüzde endüstri standardı kabul edilmektedir. Feature importance analizinin pratik yararları şunlardır: gereksiz özellikleri eleme yoluyla boyut azaltma, modelin iç paydaşlara anlaşılır biçimde açıklanması, veri toplama maliyetlerinin düşürülmesi ve modeldeki olası önyargı kaynaklarının tespiti. Özellikle finans sektöründe kredi kararları, sağlık alanında tanı modelleri ve hukuki süreçlerde yapay zeka kararlarını açıklamak zorunlu hale gelmiştir; bu nedenle feature importance, açıklanabilir yapay zeka (XAI) ekosisteminin temel taşlarından birini oluşturmaktadır. Araç desteği açısından Scikit-learn, XGBoost ve LightGBM gibi kütüphaneler yerleşik importance hesapları sunarken, SHAP ve LIME kütüphaneleri herhangi bir kara kutu model için yorumlanabilir açıklamalar üretir. Random forest ve gradient boosting gibi topluluk yöntemleri, özellik önemini ortalama doğruluk kaybı üzerinden doğal biçimde hesaplar.
Flux (Flux (Görüntü Üretim Modeli))
Flux, Black Forest Labs tarafından 2024 yılında geliştirilen ve metin tabanlı görüntü üretiminde endüstri standardını yeniden belirleyen açık ağırlıklı bir yapay zeka modelidir. Stable Diffusion'ın kurucu ekibi tarafından kurulan Black Forest Labs, Flux ile özellikle prompt uyumu, fotorealistik portre kalitesi ve metin render doğruluğu alanlarında önceki nesil modellerin önüne geçti. Flux ailesi üç temel sürümden oluşur: Flux.1 Schnell (MIT lisansı, hızlı üretim, ticari kullanıma açık), Flux.1 Dev (açık ağırlıklar, ticari olmayan araştırma), Flux.1 Pro (kapalı API, en yüksek kalite). 2025 sonunda tanıtılan FLUX 2 Pro, 32 milyar parametreyle 4 megapiksel çözünürlüğe kadar görüntü üretebilmekte; karakter tutarlılığı ve renk eşleştirme özellikleriyle öne çıkmaktadır. Flux'un temel teknik farkı Flow Matching mimarisinden kaynaklanır. Diffusion modellerin Gaussian noise ekleme/giderme döngüsü yerine, Flow Matching gürültü alanını görüntü alanına daha verimli bir eğri üzerinden eşler; bu sayede daha az adımda yüksek kaliteli görüntü üretilir. Flux.1 Schnell yalnızca 4 inference adımıyla ticari düzeyde görseller üretebilir — bu hız Stable Diffusion XL'in 50 adımına kıyasla dramatik bir verimlilik farkıdır. Yapay Analiz kıyaslama sıralamalarında Flux 1.1 Pro, Midjourney 6.1, Ideogram v2 ve DALL-E 3'ün önünde yer almaktadır. İnsan anatomisi tutarlılığı, el detayları ve metin render konusundaki zayıflıkları yıllar içinde büyük ölçüde giderildi. Flux.1 Schnell; Replicate, Hugging Face Spaces, Fal.ai ve ComfyUI aracılığıyla yerel ve bulut ortamlarında erişilebilir. ControlNet, IP-Adapter ve LoRA fine-tuning gibi ekosistem araçları Flux mimarisine uyarlanmıştır; bu sayede stil transferi, karakter tutarlılığı ve referans görsel tabanlı üretim mümkün hâle gelmiştir.
Facial Recognition (Yüz Tanıma Teknolojisi)
Yüz tanıma (Facial Recognition), dijital fotoğraf veya video karelerindeki insan yüzlerini otomatik olarak algılayan, analiz eden ve kimliklerini doğrulayan bir biyometrik yapay zeka teknolojisidir. 2012 sonrasında derin öğrenmenin yaygınlaşmasıyla birlikte bu teknoloji, önceki yöntemlere kıyasla çok daha yüksek doğruluk oranlarına ulaşmış ve gündelik hayatın birçok alanına girmiştir. Teknik süreç genellikle beş adımdan oluşur: (1) Yüz Algılama — görüntüde insan yüzü içeren bölge tespit edilir; (2) Hizalama — gözler, burun ve ağız gibi referans noktaları kullanılarak yüz standart bir konuma getirilir; (3) Özellik Çıkarma — derin evrişimli sinir ağları (CNN) veya Vision Transformer mimarileri yüzü 128–512 boyutlu yoğun bir vektöre, yani "yüz izine" (faceprint) dönüştürür; (4) Eşleştirme — bu vektör veritabanındaki kayıtlarla öklid veya kosinüs mesafesi kullanılarak karşılaştırılır; (5) Karar — belirlenen bir eşik değeri aşılırsa kimlik onaylanır. ArcFace, FaceNet ve DeepFace gibi mimariler bu alanda referans kabul edilmektedir. Kullanım senaryoları iki kategoriye ayrılır: 1:1 doğrulama (ör. akıllı telefon kilidi açma, pasaport kontrolü) ve 1:N tanıma (ör. kalabalık içinde kayıp kişi arama, konser bilet doğrulama). Bankacılık KYC süreçleri, mağaza güvenlik sistemleri ve sınır kapıları bu teknolojinin en yaygın ticari uygulama alanlarıdır. Ancak yüz tanıma ciddi etik ve hukuki sorunları da beraberinde getirmektedir. NIST'in FRVT raporları, birçok sistemin Siyah ve Kadın bireylerde hata oranının beyaz erkeklere göre 10–100 kat daha yüksek olduğunu göstermektedir. AB Yapay Zeka Yasası (2024), kamuya açık alanlarda gerçek zamanlı biyometrik tanımayı yüksek riskli yapay zeka sistemleri kapsamına almış ve çok sıkı istisnalar dışında yasaklamıştır. GDPR ise yüz verisini "özel kategori kişisel veri" olarak tanımlamaktadır. Deepfake ve GAN tabanlı sahte yüzlere karşı anti-spoofing katmanları sistemlerin vazgeçilmez bir bileşeni hâline gelmiştir.
Foundation Model (Temel Model)
Foundation model (temel model), trilyonlarca token metin, görüntü, ses ve kod verisi üzerinde öz denetimli öğrenme (self-supervised learning) ile önceden eğitilen ve prompt mühendisliği, ince ayar (fine-tuning) veya RAG ile çok sayıda farklı göreve uyarlanabilen büyük ölçekli yapay zeka modelidir. Terimi 2021'de Stanford HAI (Institute for Human-Centered AI) ortaya attı; bugün GPT-5, Claude Opus 4.5, Gemini 3, Llama 4 ve DeepSeek-R1 gibi modeller bu kategorinin güncel örnekleridir. Foundation model yaklaşımından önce her görev için ayrı model eğitilirdi: çeviri için ayrı, duygu analizi için ayrı, görüntü sınıflandırma için ayrı. Temel model bu parçalı yapıyı tersine çevirdi. Tek bir model, devasa ve çeşitli veriyle bir kez eğitilir; ardından tıp, hukuk, yazılım geliştirme veya müşteri hizmetleri gibi alanlara birkaç örnekle (few-shot) ya da küçük bir ek eğitimle uyarlanır. "Bir kez eğit, binlerce göreve uyarla" ilkesi, modern üretken yapay zekanın ekonomik temelini oluşturur. Ölçek bu tanımın merkezindedir. Güncel sınır modelleri yüz milyarlarca ile trilyonlarca parametre taşır; eğitim maliyeti tek model için 100 milyon doları aşabilir (Epoch AI, Gemini Ultra eğitimini ~190M USD hesaplama maliyetiyle tahmin eder). Ölçek büyüdükçe çok adımlı akıl yürütme, kod üretimi ve az örnekle öğrenme gibi "emergent" yetenekler gözlenir — kimi araştırmacılar bunun ölçüm metriğine bağlı bir görünüm olduğunu savunsa da pratik etkisi tartışmasızdır. Kavram LLM ile eş anlamlı değildir: her büyük dil modeli bir foundation model'dir, ancak CLIP (görüntü-metin), Whisper (ses), AlphaFold 3 (protein yapısı) ve SAM 2 (görüntü segmentasyonu) gibi dil dışı temel modeller de vardır. 2026 itibarıyla sınır, metin-görüntü-ses-videoyu tek modelde işleyen natively multimodal mimarilere kaydı; Gemini 3 ve GPT-5 bu sınıfın örnekleridir. Düzenleyici çerçeve de bu kavram üzerine kuruludur: AB Yapay Zeka Yasası, foundation model'leri "genel amaçlı yapay zeka modeli" (GPAI) olarak tanımlar ve Ağustos 2025'ten itibaren eğitim verisi özeti, telif uyumu ve 10^25 FLOP üzeri modeller için sistemik risk yükümlülükleri getirir. Kurumsal tarafta seçim genellikle kapalı API (GPT-5, Claude, Gemini) ile kendi sunucunda çalıştırılabilen açık ağırlıklı model (Llama 4, Qwen3, Mistral, DeepSeek) arasında maliyet, gizlilik ve KVKK/GDPR uyumu ekseninde yapılır.
Frequent Pattern Mining (Sık Kalıp Madenciliği)
Sık Kalıp Madenciliği (Frequent Pattern Mining), büyük veri kümelerinde birlikte sıklıkla ortaya çıkan öğe gruplarını, dizisel kalıpları veya yapısal örüntüleri belirlemeyi hedefleyen temel bir veri madenciliği tekniğidir. "Sık" (frequent) kavramı, bir kalıbın belirli bir minimum destek eşiğini (minimum support threshold) aşması anlamına gelir; yani o kalıbın, tüm işlemlerin (transaction) en az belirlenen yüzdesinde bulunması gerekir. En yaygın kullanım senaryosu birliktelik kuralı madenciliğidir (association rule mining). Süpermarket sepet analizinde "ekmek alan müşteri yüzde seksen olasılıkla tereyağı da alır" türünden kurallar bu yöntemle keşfedilir. Amazon ve Netflix'in öneri sistemleri, kredi kartı dolandırıcılık tespiti ve ağ güvenliği anomali analizi de sık kalıp madenciliğini yoğun biçimde kullanır. Alandaki ilk ve en yaygın algoritma, 1994'te Agrawal ve Srikant tarafından önerilen Apriori'dir. Aday öğe seti üretimi ve budama (candidate generation and pruning) prensibiyle çalışır; her adımda veritabanını yeniden tarar. Bu tarama maliyeti büyük veri setlerinde belirgin bir darboğaz oluşturduğundan, 2000 yılında Jiawei Han ve arkadaşları FP-Growth (Frequent Pattern Growth) algoritmasını geliştirdi. FP-Growth, veriyi kompakt bir FP-Tree yapısına sıkıştırır ve tekrarlı veritabanı taramasını ortadan kaldırarak genellikle Apriori'den 10 ila 100 kat daha hızlı çalışır. Günümüzde sık kalıp madenciliği yalnızca kural keşfiyle sınırlı değildir; özellik mühendisliğinde anlamlı özellik kombinasyonlarını bulmak için denetimsiz ön analiz adımı olarak da kullanılır. Python'da mlxtend kütüphanesi apriori() ve fpgrowth() fonksiyonlarıyla, Apache Spark'ta ise MLlib'in FPGrowth modülüyle ölçeklenebilir uygulamalar hayata geçirilebilir. Minimum destek ve minimum güven (confidence) eşiklerinin veri setine özgü biçimde ayarlanması, anlamlı ve uygulanabilir kurallar elde etmenin anahtarıdır.