F Harfi ile Başlayan Terimler
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.
Float16 / BFloat16 (Float16 / BFloat16)
Float16 (FP16) ve BFloat16 (BF16), derin öğrenme modellerinde ağırlıkları ve aktivasyonları depolamak için kullanılan 16-bit kayan noktalı sayı formatlarıdır. 32-bit (FP32) formata kıyasla bellek tüketimini ve hesaplama süresini yarıya indirirken makul doğruluk sağlar.
Few-Shot Learning (Az-Atımlı Öğrenme)
Few-Shot Learning (Az-Atımlı Öğrenme), yapay zeka modellerinin, geleneksel derin öğrenmenin aksine on binlerce örnekle değil, sadece çok az sayıda (1 ile 10 arası) eğitim örneği görerek yeni bir nesneyi, konsepti veya görevi tanıyabilme/öğrenebilme yeteneğidir. İnsanların bir konsepti öğrenme biçimine çok benzer.
Feature Engineering (Öznitelik / Özellik Mühendisliği)
Özellik Mühendisliği (Feature Engineering), ham veriyi alıp, makine öğrenimi algoritmalarının veri içindeki gizli kalıpları (paternleri) daha kolay ve yüksek doğrulukla öğrenebilmesi için anlamlı, dönüştürülmüş ve yeni matematiksel girdilere (features) çevirme sanatı ve sürecidir. Veri biliminde başarının %80'i sayılır.
Fonem (Phoneme)
Fonem (İng. Phoneme), bir dilde anlam ayırt etme işlevi gören en küçük ses birimidir. Dilbilimde soyut bir kavram olarak tanımlanan fonem, fiziksel olarak üretilen somut seslerden (allofon) ayrılır: örneğin Türkçede /t/ fonemi, 'top' ve 'at' sözcüklerinde farklı biçimlerde telaffuz edilse de aynı fonemi temsil eder. Bir dilin fonem envanteri, o dildeki tüm anlam ayırt edici seslerin kümesidir; Türkçede bu küme yaklaşık 29 fonemden oluşur (8 ünlü, 21 ünsüz). Yapay zeka ve doğal dil işleme (NLP) bağlamında fonem kavramı kritik bir öneme sahiptir. Otomatik konuşma tanıma (ASR) sistemleri, ham ses sinyalini önce akustik özellik vektörlerine (MFCC, mel spektrogram gibi), ardından fonem dizilerine dönüştürür ve son olarak bu diziyi sözcüklere eşler. Metin-ses dönüştürme (TTS) sistemleri ise ters yönde çalışır: metni önce fonemik transkripsiyon aracılığıyla fonem dizisine, ardından akustik özelliklere ve son olarak da duyulabilir ses dalgasına çevirir. Fonemik analiz için Uluslararası Fonetik Alfabe (IPA) kullanılır. IPA, dünyadaki tüm dillerin seslerini standart sembollerle temsil edebilir; örneğin Türkçe 'şeker' sözcüğü IPA ile /'ʃe.ker/ şeklinde yazılır. Modern sinir ağı tabanlı TTS modellerinde (örn. Tacotron 2, FastSpeech 2, VITS) metin doğrudan fonem dizisine dönüştürülerek sentezleyiciye beslenir; bu yaklaşım homograf belirsizliklerini (aynı yazılışlı farklı telaffuzlu sözcükler) azaltır. Fonem sayısı diller arasında büyük farklılıklar gösterir: Hawaii dili yalnızca 13 fonemle en az foneme sahip dillerden biri iken, Güney Afrika'daki !Xũ dili 141 fonemiyle kayıtların en fazlasına sahiptir. Türkçe, morfolojik açıdan zengin bir dil olduğu için ASR modelleri İngilizceye kıyasla çok daha geniş bir kelime formları uzayını öğrenmek durumundadır; bu nedenle fonem tabanlı yaklaşımlar Türkçe konuşma sistemlerinde özellikle tercih edilmektedir. Türkçe konuşma veri setleri (Mozilla Common Voice, OpenSLR) fonemik etiketlemeden geçirilerek akustik model eğitiminde kullanılır.
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 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.
Fuzzy Logic (Bulanık Mantık)
Bulanık Mantık (Fuzzy Logic), klasik bilgisayarların "0 veya 1" (Siyah veya Beyaz / Doğru veya Yanlış) şeklindeki katı, ikili mantığına karşı çıkan; hayattaki "Biraz, Çok, Kısmen" gibi ara değerleri ve grilikleri bilgisayarın anlamasını sağlayan matematiksel bir yaklaşımdır.
Federated Learning (Birleştirilmiş Öğrenme)
Birleştirilmiş Öğrenme (Federated Learning), yapay zeka modellerini, kullanıcıların özel verilerini (fotoğraflar, mesajlar, tıp kayıtları) merkezi bir bulut sunucusuna göndermeden, doğrudan kullanıcının kendi cihazı (telefon, hastane bilgisayarı) üzerinde, veri gizliliğini %100 koruyarak eğitmeyi sağlayan devrimsel bir makine öğrenimi tekniğidir.
Facial Recognition (Yüz Tanıma Teknolojisi)
Yüz Tanıma (Facial Recognition), yapay zekanın ve biyometrik yazılımların, dijital bir fotoğraf veya video karesindeki insan yüzünü algılayıp, yüzün matematiksel haritasını çıkartarak veritabanındaki diğer yüzlerle eşleştirmesi (kimlik doğrulaması) teknolojisidir.
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.
Flash Attention (Flash Attention)
Flash Attention, Tri Dao ve ekibi tarafından geliştirilen ve standart dikkat (attention) hesaplamasının bellek erişim verimliliğini dramatik biçimde artıran bir algoritma ailesidir. Orijinal dikkat mekanizması O(n²) bellek kullanımıyla GPU HBM'e (yüksek bant genişlikli bellek) çok sayıda yazma/okuma yapar. Flash Attention, dikkat matrisini blok blok hesaplayarak bu hesaplamayı GPU'nun hızlı SRAM'inde tamamlar; HBM erişimini 5-20× azaltır. Sonuç olarak aynı hesaplama doğruluğunda belirgin hız artışı ve daha uzun bağlam penceresi desteği sağlanır.
Function Calling (Fonksiyon Çağırma)
Function Calling (Fonksiyon Çağırma), büyük dil modelinin kullanıcı tanımlı fonksiyonları ne zaman ve hangi argümanlarla çağıracağına karar verip JSON yapısında bir çağrı nesnesi döndürdüğü mekanizmadır. OpenAI tarafından 2023'te tanıtılan bu özellik, LLM'lerin dış sistemlerle yapılandırılmış biçimde entegre olmasını sağlar.
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.
Foundation Model (Temel Model)
Foundation Model (Temel Model), milyarlarca metin, görüntü ve kod verisi üzerinde öz denetimli öğrenme (self-supervised learning) ile eğitilen ve ince ayar (fine-tuning) ya da prompt mühendisliğiyle çok sayıda farklı göreve uyarlanabilen dev yapay zeka modelidir. GPT-4, Claude, Llama ve Gemini bu kategorinin en bilinen örnekleridir.
Feature Selection (Özellik Seçimi)
Özellik seçimi (feature selection), makine öğrenmesi modelini eğitmek için kullanılacak en alakalı ve bilgilendirici özelliklerin (değişkenlerin) ham veri kümesinden belirlenmesi ve seçilmesi sürecidir. Gereksiz, gürültülü veya birbirleriyle yüksek korelasyonlu özelliklerin elenmesiyle model doğruluğu artırılır, eğitim süresi kısalır ve aşırı öğrenme (overfitting) riski azaltılır.