G Harfi ile Başlayan Terimler
Genetic Algorithm (Genetik Algoritma)
Genetik Algoritma (GA), biyolojik evrim ilkelerini — doğal seçilim, çaprazlama (crossover) ve mutasyon — bilgisayar optimizasyon problemlerine uygulayan, John Holland tarafından 1960'larda geliştirilen ve 1975 yılında "Adaptation in Natural and Artificial Systems" adlı kitabıyla sistematize edilen bir meta-sezgisel (metaheuristic) arama yöntemidir. Algoritma, her biri bir çözüm adayını temsil eden bireylerden oluşan bir popülasyonla başlar. Her birey, çözümün kodlanmış biçimi olan bir "kromozom" ile temsil edilir — geleneksel uygulamalarda bu ikili bit dizisidir, ancak modern uygulamalarda gerçel sayı vektörleri, permütasyonlar veya ağaç yapıları da kullanılır. Algoritmanın çekirdek döngüsü dört adımdan oluşur: (1) Uygunluk değerlendirmesi — her bireyin amaç fonksiyonuna göre puanlandırılması; (2) Seçim — yüksek uygunluklu bireylerin ebeveyn olarak tercih edilmesi (rulet tekerleği, turnuva veya sıralama seçimi gibi yöntemlerle); (3) Çaprazlama — iki ebeveynin kromozomlarının belirli bir noktadan birleştirilerek yavru üretilmesi; (4) Mutasyon — düşük olasılıkla rastgele gen değişikliği yapılarak yerel minimumdan kaçınma. Nesiller boyunca tekrar eden bu döngü, popülasyonu giderek daha iyi çözümlere doğru yönlendirir. Genetik Algoritmalar, gradyan tabanlı optimizasyon yöntemlerinin başarısız olduğu ayrık, çok modlu, çok boyutlu ve gürültülü problem uzaylarında güçlüdür. Geleneksel arama yöntemlerinin tıkandığı NP-zor problemlerde (gezgin satıcı problemi, çizelgeleme, ağ tasarımı) pratik çözümler üretir. Makine öğrenmesindeki uygulamaları arasında hiperparametre optimizasyonu, sinir ağı mimarisi arama (NAS — Neural Architecture Search) ve özellik seçimi öne çıkar. AutoML sistemleri, en iyi model konfigürasyonunu bulmak için evrimsel stratejileri kullanır. Bunun yanı sıra mühendislik tasarımı (aerodinamik optimizasyon, malzeme bilimi), lojistik (rota planlaması, kapasite optimizasyonu) ve biyoinformatik (protein katlama, gen ifadesi analizi) alanlarında yaygın kullanım bulur. Pratik uygulama için Python'da DEAP (Distributed Evolutionary Algorithms in Python) ve PyGAD kütüphaneleri kapsamlı API sunmaktadır. Genetik Programlama (GP), GA'nın bir uzantısı olup bireyleri sabit uzunluklu kodlar yerine program ağaçları olarak temsil eder ve sembolik regresyon gibi görevlerde kullanılır. Diferansiyel Evrim (Differential Evolution) ise sürekli uzaylar için optimize edilmiş yakın akraba bir yöntemdir.
GRPO (Grup Göreli Politika Optimizasyonu)
GRPO (Group Relative Policy Optimization / Grup Göreli Politika Optimizasyonu), büyük dil modellerini pekiştirmeli öğrenme ile ince ayarlamak için geliştirilmiş verimli bir algoritmadır. İlk olarak DeepSeek'in 2024 tarihli DeepSeekMath makalelerinde tanıtılan bu yöntem, Ocak 2025'te yayımlanan DeepSeek-R1 modeli sayesinde geniş yapay zeka camiasının dikkatini çekti. Geleneksel PPO (Proximal Policy Optimization) yönteminde, ince ayar sürecinde politika modelinin yanı sıra ayrı bir değer (critic) modeli de eğitilir. Bu değer modeli, belirli bir durum için beklenen kümülatif ödülü tahmin eder ve öğrenme sinyalini kararlı kılar. Ancak bu yaklaşım, politika modeli kadar parametre içerebilen ikinci bir modelin GPU belleğine ve hesaplama kaynaklarına sığdırılmasını gerektirir. GRPO, bu değer modelini tamamen ortadan kaldırır ve yerine grup tabanlı bir karşılaştırma mekanizması koyar. GRPO'nun çalışma mekanizması şöyledir: Eğitim sırasında her sorgu için politika modeli birden fazla (genellikle 4 ila 16) bağımsız yanıt örnekler. Her yanıt, kural tabanlı veya model tabanlı bir ödül fonksiyonu tarafından puanlanır; matematik sorularında doğru cevap kontrol edilebilir, kod sorularında birim testleri çalıştırılabilir, biçim uygunluğu değerlendirilebilir. Her yanıtın avantajı, grup içindeki ortalama ödül çıkarılarak ve grubun standart sapmasına bölünerek hesaplanır. Bu normalize edilmiş avantajlar, PPO'nun kırpılmış politika gradyanı güncelleme kuralıyla birleştirilir ve model parametreleri güncellenir. GRPO'nun başlıca avantajları şunlardır: Değer modeli eğitilmediğinden GPU belleği ve hesaplama maliyeti önemli ölçüde azalır; bu da daha büyük politika modelleriyle ya da daha dar bütçelerle çalışmayı mümkün kılar. Grup içi karşılaştırma, modelin kendi üretimlerini birbirleriyle kıyaslamasını sağlar ve daha tutarlı bir öğrenme sinyali oluşturur. Kural tabanlı ödül fonksiyonları kullanıldığında insan etiketine olan bağımlılık azalır. Buna karşın yöntemin sınırlılıkları da vardır: Grup büyüklüğü ve ödül fonksiyonu tasarımı kritik hiperparametrelerdir; hatalı ödüller hızla yayılabilir. GRPO, DeepSeek-R1'in başarısının ardından açık kaynaklı LLM eğitim ekosisteminde hızla benimsenmiş; TRL, Verl ve OpenRLHF gibi kütüphaneler GRPO desteği eklemiştir. Günümüzde bu algoritma, reasoning model eğitiminin standart araç kutusunun bir parçası haline gelmiştir.
GPTQ (İkinci Dereceden LLM Kuantizasyonu)
GPTQ (Generative Pre-trained Transformer Quantization), büyük dil modellerini INT4 veya INT8 bit genişliğine kuantize etmek için ikinci dereceden bilgi (Hessian matrisini) kullanan post-training weight quantization algoritmasıdır. Frans Frantar ve ekibi tarafından 2022'de ETH Zürich'te geliştirilen GPTQ, Optimal Brain Compression (OBC) algoritmasının büyük ölçeğe uyarlanmış ve önemli ölçüde hızlandırılmış bir versiyonudur; OBC'nin O(d³) karmaşıklığını O(d²) seviyesine indiren yenilikçi Cholesky dekompoziyon tekniği, algoritmayı 175B parametreli modellere kadar uygulanabilir kılar. Algoritma, model ağırlıklarını katman katman, küçük bloklar hâlinde (tipik olarak 128 sütun) işler. Her blok için Hessian matrisinin tersini hesaplar ve kuantizasyon hatasını sonraki sütunlara yayarak global hatayı minimize eder. Bu süreçte yalnızca 128-512 örnekten oluşan küçük bir kalibrasyon veri seti kullanılır; tam eğitim gerektirmeyen bu yaklaşım, yüz milyar parametreli modeller için bile dakikalar içinde tamamlanabilir. Pratik etki belirgindir: 70 milyar parametreli bir model FP16'da yaklaşık 140 GB GPU belleği gerektirirken, GPTQ INT4 kuantizasyonu bu gereksinimi ~35 GB'a düşürür. Böylece 70B modeller, 24 GB VRAM'li tüketici sınıfı GPU'larda (RTX 4090 gibi) çalışabilir hale gelir. LLaMA 3 70B üzerinde yapılan karşılaştırmalarda GPTQ INT4 modeli, FP16 referansına göre yalnızca %2-3 puanlık MMLU kaybıyla üretim kalitesini koruyabilmektedir. GPTQ ekosistemi hızla genişlemiştir: AutoGPTQ ve ExLlamaV2 kütüphaneleri, vLLM ve HuggingFace Transformers doğrudan GPTQ formatını destekler. HuggingFace Hub'da '*-GPTQ' etiketi taşıyan binlerce hazır model mevcuttur. EXL2 formatı, GPTQ'nun katman başına farklı bit genişliği destekleyen gelişmiş bir türevidir ve daha iyi kalite-boyut dengesi sunar. Temel rakip yöntemler AWQ (aktivasyon farkındalıklı ağırlık kuantizasyonu) ve GGUF/llama.cpp'dir; AWQ genellikle daha hızlı çıkarım hızı sağlarken GPTQ bazı görevlerde daha iyi kalite korur; GGUF ise CPU ve Apple Silicon cihazlarında tercih edilen formattır.
Gemini 3.1 (Gemini 3.1)
Gemini 3.1, Google DeepMind tarafından 2026 yılında kamuoyuna duyurulan ve frontier yapay zeka yarışındaki Google'ın konumunu pekiştiren temel dil modelidir. Nativ multimodal mimarisiyle metin, görüntü, video, ses ve kodu tek bir model içinde doğal biçimde işleyebilir; bu tasarım onu daha önceki modalite eklemeli yaklaşımlardan belirgin biçimde ayırır. Standart bağlam penceresi 1 milyon token'a ulaşır; bu kapasite uzun hukuki belgeler, tıbbi literatür derlemeleri veya geniş kod tabanları gibi içerik ağırlıklı görevlerde belirleyici bir rekabetçi avantaj ortaya koyar. Model, MMLU, MATH ve HumanEval gibi kapsamlı kıyaslama boyutlarında GPT-5 ve Claude serisiyle aynı en üst kategoride tutarlı biçimde yer almaktadır. Özellikle çok aşamalı mantık yürütme ve matematik akıl yürütme görevlerinde genişletilmiş düşünce modu (extended thinking) etkinleştirilerek test-time compute paradigmasından yararlanılabilir; bu mod, model zor problemleri adım adım ve daha fazla hesaplama süresi harcayarak çözerken yanıt kalitesini görünür biçimde artırır. Erişim kanalları bakımından Google AI Studio ücretsiz bir API deneme katmanı sunarken üretim ölçeğindeki kullanım Vertex AI platformu üzerinden yönetilir ve faturalandırılır. Vertex AI aynı zamanda yönetilen fine-tuning, model izleme ve değerlendirme araçlarını barındırır; kurumsal müşteriler IAM politikalarıyla erişim denetimini merkezi olarak yönetebilir. Tüketici tarafında ise Gemini 3.1, Google Arama'daki AI Overviews özelliğini, Workspace Duet AI yazarlık araçlarını ve Android cihazlardaki on-device AI işlevlerini doğrudan besler. Google Cloud ekosistemiyle bu derin entegrasyon, özellikle mevcut Google altyapısını kullanan kurumlar için benimseme eşiğini önemli ölçüde düşürür. Güvenlik katmanı DeepMind'ın güvenlik araştırma birimiyle ortaklaşa tasarlanmış olup yapılandırılabilir içerik filtreleme ve çok katmanlı güvenlik denetimi mekanizmaları barındırır. Geliştiriciler resmi Python ile JavaScript SDK'ları ve REST API üzerinden modele erişebilir; BigQuery ML, Vertex AI Search ve Document AI iş akışlarında Gemini 3.1 merkez bileşen olarak konumlandırılır.
Grouped-Query Attention (Gruplu Sorgu Dikkati (GQA))
Grouped-Query Attention (GQA, Gruplu Sorgu Dikkati), transformer mimarisindeki dikkat mekanizmasını hem bellek hem de hesaplama açısından daha verimli hale getiren bir varyanttır. Yöntem 2023 yılında Google Research ekibinden Joshua Ainslie ve arkadaşları tarafından "GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints" makalesiyle önerildi ve kısa sürede Llama 2 70B, Llama 3, Mistral 7B, Gemma 2 ve Qwen 2.5 gibi açık ağırlıklı modellerin ortak tercihi oldu. Klasik çok başlı dikkat (Multi-Head Attention, MHA) mimarisinde her sorgu (query) başı kendine ait bir anahtar-değer (key-value, K-V) çiftine sahiptir. Bu yapı en yüksek model kapasitesini sunar; ancak çıkarım sırasında üretilen her token için tüm K-V başlarının önbellekte tutulması gerekir ve uzun bağlamlarda GPU belleği hızla dolar. Multi-Query Attention (MQA) ise tüm sorgu başlarını tek bir K-V çiftiyle eşleştirir; bellek kullanımı çok düşer, fakat model kalitesinde ölçülebilir kayıp görülebilir ve eğitim kararsızlaşabilir. GQA bu iki uç arasında ayarlanabilir bir orta yol kurar. H adet sorgu başı G gruba bölünür ve her gruptaki başlar tek bir K-V çiftini paylaşır. KV önbelleğinin boyutu artık H ile değil G ile ölçeklenir; G = H olduğunda yapı MHA'ya, G = 1 olduğunda MQA'ya dönüşür. Llama 3 8B modeli 32 sorgu başını 8 K-V başıyla eşleştirir; bu yapılandırma MHA'ya kıyasla KV önbelleğini dört kat küçültür. 70B modelde 64 sorgu başı yine 8 K-V başını paylaşır ve tasarruf sekiz kata çıkar. Pratik sonuçları belirgindir: aynı GPU belleğiyle 128K token ve üzeri bağlam pencereleri işlenebilir, saniyede üretilen token sayısı artar ve çok kullanıcılı üretim ortamlarında daha büyük batch boyutları çalıştırılabilir. GQA, FlashAttention çekirdekleri ve RoPE konum kodlamasıyla doğrudan uyumludur; vLLM, TensorRT-LLM ve llama.cpp gibi çıkarım motorları bu yapıyı yerel olarak destekler. Ainslie ve arkadaşlarının deneyleri, MHA ile eğitilmiş bir modelin K-V başlarının ortalama havuzlama ile birleştirilip kısa bir ek eğitim (uptraining) uygulanarak, orijinal eğitim bütçesinin yaklaşık yüzde beşiyle GQA'ya dönüştürülebildiğini göstermiştir.
GNN (Çizge Sinir Ağı) (GNN (Çizge Sinir Ağı))
GNN (Graph Neural Network — Çizge Sinir Ağı), düğümler ve kenarlardan oluşan graf yapısındaki veriler üzerinde mesaj geçişi mekanizmasıyla öğrenen derin öğrenme mimarisidir. CNN ve RNN gibi klasik modeller, piksel matrisleri veya sözcük dizileri biçiminde düzenlenmiş ızgara veriyle çalışırken, GNN'ler sosyal ağlar, moleküler yapılar, bilgi grafları ve trafik ağları gibi düzensiz topolojilerdeki ilişkisel veriyi doğrudan işleyebilir. Mesaj geçişi üç adımda gerçekleşir: Her düğüm komşularından özellik vektörleri alır (mesaj üretimi), bu vektörleri toplama veya ortalama gibi permütasyona duyarsız bir işlevle birleştirir ve ardından bir sinir ağı katmanıyla kendi temsilini günceller. Her GNN katmanında tekrarlanan bu döngü, k katmanla k-komşuluk yarıçapındaki bilgiyi yakalar; derin ağlar geniş mahallelerin bilgisini sentezler. Başlıca GNN mimarileri farklı toplama stratejileri kullanır. GCN (Kipf & Welling, 2017), spektral konvolüsyonu uzaysal alana yaklaştırarak sabit graflar üzerinde verimli çalışır. GAT, her komşuya öğrenilebilir dikkat ağırlıkları atayarak heterojen graflarda daha iyi genelleme yapar. GraphSAGE, büyük graflarda örneklem tabanlı komşu toplama yöntemiyle ölçeklenebilirliği artırır ve eğitim dışı düğümlere genelleyebilir. Graph Transformer ise dikkat mekanizmasını konum kodlamasıyla birleştirerek uzun menzilli ilişkileri yakalar; AlphaFold 2'nin protein katlanma tahmini bu yaklaşımdan yararlanır. GNN'ler kritik alanlarda yaygın biçimde kullanılır: ilaç keşfinde moleküler bağ tahminini gerçekleştirir, trafik modellemesinde Google Maps'in varış süresi sistemine katkıda bulunur, finansal sahtekârlık tespitinde işlem graflarını analiz eder ve öneri sistemlerinde kullanıcı-içerik ilişkilerini modeller. Pinterest'in PinSage modeli ve Meta'nın içerik öneri altyapısı GNN tabanlı sistemlerin öne çıkan örnekleridir. Geliştirme için PyTorch Geometric ve Deep Graph Library (DGL) en yaygın çerçevelerdir; her ikisi de hazır GNN katmanları ve büyük graflarda mini-batch öğrenmesi sunar. Open Graph Benchmark (OGB) ise standart değerlendirme veri setleri ve lider tablolarıyla araştırma kıyaslamalarına zemin hazırlar.
Greedy Algorithm (Açgözlü Algoritma)
Açgözlü algoritma (Greedy Algorithm), bir problemi çözerken her adımda o anki duruma göre yerel olarak en iyi görünen kararı veren ve bu kararları geri almadan ilerleyen bir algoritma tasarım paradigmasıdır. "Açgözlü" adı, algoritmanın şu anın en iyi seçimini yaparken gelecekteki sonuçları göz ardı etmesinden kaynaklanmaktadır. Temel mantığı şudur: Her karar noktasında mevcut bilgilerle alınabilecek en iyi seçimi yap, bu kararı kesin kabul et ve bir sonraki adıma geç. Geri dönüş (backtracking) ya da yeniden değerlendirme yapılmaz. Bu özellik açgözlü algoritmaları genellikle çok hızlı kılar, ancak her zaman global optimum sonucu garantilemez. Açgözlü algoritmaların doğru çalışabilmesi için iki matematiksel koşulun sağlanması gerekir: Açgözlü Seçim Özelliği (Greedy Choice Property) — her adımdaki yerel optimal seçim, global optimum çözümün bir parçasıdır; ve Optimal Alt Yapı (Optimal Substructure) — problemin optimal çözümü, alt problemlerin optimal çözümlerini içerir. Bu koşullar sağlandığında açgözlü algoritmalar kusursuz çalışır: Kruskal ve Prim algoritmaları ile Minimum Yayılan Ağaç (MST) bulma, Dijkstra algoritması ile en kısa yol hesaplama, Huffman kodlaması ile kayıpsız veri sıkıştırma ve çizelgeleme problemleri bunların en bilinen örnekleridir. Yapay zeka ve makine öğrenmesinde açgözlü yaklaşım yaygındır. Karar ağaçlarında her düğüm için en bilgi kazandıran özelliği seçme, greedy decoding ile büyük dil modellerinde her adımda en yüksek olasılıklı token üretme ve nöral mimari arama süreçlerinde açgözlü stratejiler kullanılır. Özellik seçimi (feature selection) aşamasında da açgözlü ileri seçim (greedy forward selection) sık tercih edilir. Açgözlü algoritmaların dezavantajı, yerel optimuma takılıp global optimumu kaçırabilmesidir. Örneğin gezgin satıcı probleminde açgözlü yaklaşım iyi ama çoğunlukla optimal olmayan sonuçlar verir. Bu sınırlamayı aşmak için simüle tavlama (Simulated Annealing), genetik algoritmalar veya dinamik programlama tercih edilebilir. Beam search ise açgözlü decoding ile kapsamlı arama arasında bir denge kurar.
Genetic Programming (Genetik Programlama)
Genetic Programming (GP), genetik algoritmaların bir uzantısı olarak bireylerin sabit uzunluklu bit dizileri yerine yürütülebilir bilgisayar programları olduğu evrimsel bir hesaplama yöntemidir. John Koza tarafından 1992'de sistematik biçimde formüle edilen GP, doğal seleksiyonu programların yüksek seviyeli sembolleriyle çalışacak şekilde uyarlar. Her birey, tipik olarak ağaç veri yapısıyla temsil edilir: dallar aritmetik operatörler, mantıksal koşullar veya döngü yapıları gibi işlevleri, yapraklar ise sabitler ya da değişkenler (terminaller) içerir. Bir popülasyon başlatıldıktan sonra üç temel evrimsel operatör devreye girer. Seçim operatörü, bir değerlendirme fonksiyonuna göre en iyi bireyleri bir sonraki nesle taşır. Çaprazlama, iki ebeveyn ağacından rastgele seçilen alt ağaçların yer değiştirmesiyle hibrit çocuklar üretir. Mutasyon ise rastgele bir düğümü ya da alt ağacı yeniden oluşturarak keşif kapasitesini artırır. GP'nin en güçlü uygulama alanlarından biri sembolik regresyondur: gözlem verilerinden en uygun matematiksel denklemi otomatik olarak türetir. Bu yaklaşım, fizik ve mühendislik verilerinden anlamlı denklemler çıkarmak için kullanılır; örneğin PySR kütüphanesi Feynman denklemlerini otomatik olarak yeniden keşfetmiştir. Bunların yanı sıra GP; FPGA devre tasarımı, robotik hareket planlama, oyun stratejisi öğrenme ve yazılım hata onarımı gibi alanlarda da geniş kullanım bulur. Önemli bir dezavantaj bloat sorunudur: nesiller ilerledikçe programlar gereksiz kod parçalarıyla şişer ve hesaplama maliyeti artar; bunu önlemek için ağaç boyutu sınırlamaları veya parsimony pressure (boyut cezası) eklenir. Modern varyantlar arasında Grammatical Evolution (BNF gramerleriyle arama uzayını kısıtlar), Linear Genetic Programming (ağaç yerine doğrusal talimat dizileri kullanır) ve Strongly-Typed GP (tür güvenliğini zorlayan uzantı) yer alır. Derin öğrenme çağında GP, differansiyellenebilir GP ve nöral ağlarla hibrit mimarilerde yeniden ilgi görmekte; AutoML ve NAS (Neural Architecture Search) araştırmalarıyla kesişmektedir.
GraphRAG (Graf Tabanlı RAG)
GraphRAG, Microsoft Research tarafından 2024'te tanıtılan ve bilgi grafları (knowledge graph) ile desteklenen gelişmiş bir RAG (Retrieval-Augmented Generation) sistemidir. Klasik RAG'de belgeler küçük parçalara (chunk) bölünür ve vektör benzerliği ile en ilgili parçalar bulunup dil modeline verilir. Bu yaklaşım yerel, spesifik sorularda güçlü olmakla birlikte "Bu belge koleksiyonunun ana temaları nelerdir?" gibi küresel sorularda yetersiz kalır. GraphRAG bu sorunu köklü biçimde çözer. Hazırlık aşamasında belgeler LLM ile analiz edilir; varlıklar (kişi, yer, organizasyon, kavram), aralarındaki ilişkiler ve özetler çıkarılarak yapısal bir bilgi grafına aktarılır. Leiden veya Louvain algoritmasıyla graftaki düğümler topluluklara ayrılır; her topluluk için özet metinler üretilir. Sorgu aşamasında sistem iki moddan birini kullanır: lokal sorgular (belirli bir varlık hakkında) ilgili düğümleri ve komşularından bağlam çeker; küresel sorgular ise tüm topluluk özetlerini birleştirerek bütünsel bir yanıt üretir. 2024 sonunda Microsoft, Lazy GraphRAG adlı daha hafif bir varyant yayımladı. Lazy GraphRAG, hazırlık aşamasında tüm toplulukları önceden özetlemez; bunun yerine sorgu anında dinamik olarak ilgili düğümleri seçer. Bu yöntem indeksleme maliyetini önemli ölçüde düşürür ve orta büyüklükteki belge koleksiyonları için daha uygun bir seçenek sunar. Standart RAG ile karşılaştırıldığında GraphRAG'ın temel avantajı, büyük belge koleksiyonları hakkında tematik ve çapraz referans sorularını yanıtlayabilmesidir. Microsoft'un orijinal değerlendirmesinde GraphRAG, kapsamlılık ve çeşitlilik metriklerinde standart RAG'ı geçmiştir. Kurumsal belge analizi, akademik literatür keşfi ve araştırma raporlarında ilişki bağlantıları oluşturmak bu yaklaşımın öne çıktığı alanlardır. Pratik kullanım açısından Microsoft'un açık kaynak Python paketi (pip install graphrag) ve Azure AI Studio entegrasyonu hazır pipeline sunar. LlamaIndex ve LangChain da hibrit yaklaşımları destekler: yerel sorgular için vektör RAG, küresel sorgular için GraphRAG kombinasyonu. İndeksleme maliyetleri dikkat gerektirir: 1000 sayfalık bir belge koleksiyonunun GPT-4 ile işlenmesi 50–200 USD arası LLM masrafı doğurabilir. Küçük ve orta büyüklükteki projeler için önce standart RAG veya Lazy GraphRAG tercih edilmesi önerilir.
GGUF (Model Formatı)
GGUF (GPT-Generated Unified Format), büyük dil modellerini (LLM) tek bir dosyada saklamak ve dağıtmak için tasarlanmış ikili bir dosya biçimidir. Ağırlıklar, tokenizer yapılandırması, model mimarisi ve hiperparametreler gibi tüm bileşenler bu tek dosyada bir araya getirilir; bu sayede modeli farklı sistemlerde çalıştırmak için ek yapılandırma dosyasına gerek kalmaz. GGUF, Ağustos 2023'te llama.cpp projesi tarafından eski GGML formatının yerini almak üzere geliştirildi. GGML'in önemli bir dezavantajı vardı: model yapısı değiştiğinde önceki sürümlerle uyumsuzluk oluşuyor ve kullanıcılar dosyalarını yeniden indirmek zorunda kalıyordu. GGUF ise genişletilebilir meta veri yapısıyla geriye dönük uyumluluğu korur. Formatın en önemli özelliği niceleme (quantization) desteğidir. Niceleme, model ağırlıklarını 32 bitlik kayan nokta yerine daha az bit kullanan tam sayılarla temsil ederek dosya boyutunu ve bellek gereksinimini büyük ölçüde azaltır. Başlıca niceleme düzeyleri şunlardır: - **Q4_K_M**: 4 bit, orta ölçekli k-niceleme; kalite ile hız arasında iyi denge sağlar ve 7B modelleri için önerilen standarttır. - **Q5_K_M**: 5 bit, biraz daha yüksek doğruluk; disk alanı pahasına daha iyi çıktı üretir. - **Q8_0**: 8 bit; orijinal modele en yakın kaliteyi sunar, ancak dosya boyutu oldukça büyüktür. - **Q2_K**: 2 bit; bellek kısıtlı cihazlar için minimize edilmiş seçenek, ancak çıktı kalitesi belirgin düşer. GGUF dosyaları; llama.cpp, Ollama, LM Studio ve GPT4All gibi araçlarla sorunsuz çalışır. Bu araçlar, GGUF modellerini CPU ile çalıştırabilir, GPU katmanlarına kısmi yükleyebilir (GPU offloading) ya da Apple Silicon'ın Metal API'si aracılığıyla hızlandırabilir. Hugging Face Model Hub'da binlerce hazır GGUF dosyası barındırılmakta; topluluk tarafından dönüştürülmüş ve nicelenmiş modeller kolayca indirilebilmektedir. Alternatif formatlarla karşılaştırıldığında GGUF, taşınabilirlik açısından öne çıkar. GPTQ ve AWQ GPU odaklı niceleme formatları olduğundan CPU desteği sınırlıdır. Safetensors ise güvenli ve hızlı yükleme sunar ancak ayrı tokenizer dosyası gerektirir. GGUF'un tek dosya + CPU uyumluluğu yaklaşımı, lokal ve edge dağıtım senaryolarında onu özellikle avantajlı kılar.
GDPR (Genel Veri Koruma Tüzüğü)
GDPR (General Data Protection Regulation — Genel Veri Koruma Tüzüğü), 25 Mayıs 2018'de yürürlüğe giren Avrupa Birliği veri koruma yasasıdır. AB'de yerleşik bireylerden veri toplayan ya da onlarla ilgili kararlar veren her kuruluşu — coğrafi konum fark etmeksizin — kapsamaktadır. 1995 tarihli AB Veri Koruma Direktifi'nin yerini alan GDPR, on yıllarda biriken teknolojik dönüşümü ve kişisel veri ekonomisinin ölçeğini yansıtan çok daha kapsamlı ve dişli bir hukuki çerçeve sunmaktadır. Yapay zeka sistemleri için özel bir bölüm içermemekle birlikte GDPR, kişisel veri işleyen her AI uygulamasını doğrudan etkiler. Madde 22, bireyleri yalnızca otomatik işleme dayanan ve önemli sonuçlar doğuran kararlardan korur; kredi skorlama, iş başvurusu değerlendirmesi, sigorta fiyatlandırması veya ceza tahmini yapan AI sistemlerinin insan denetimine açık olmasını zorunlu kılar. Bunun yanı sıra kişisel veriyle eğitilen modeller, veri sahiplerinin erişim ve silme taleplerine yanıt verebilecek biçimde tasarlanmak durumundadır. GDPR yedi temel ilkeyi zorunlu kılar: hukuka uygunluk ve şeffaflık, amaç sınırlılığı, veri minimizasyonu, doğruluk, depolama sınırlılığı, bütünlük ve gizlilik, hesap verebilirlik. Bu ilkeler, veri işleme faaliyetlerinin hukuki dayanağını (açık rıza, meşru menfaat, sözleşme gereği vb.) ve verinin toplanmasından silinmesine kadar her aşamadaki güvenlik yükümlülüklerini belirler. Veri ihlali durumunda kuruluşlar 72 saat içinde yetkili veri koruma otoritesini bilgilendirmekle yükümlüdür. İhlaller için azami para cezası yıllık küresel ciron yüzde dördüne veya 20 milyon Euro'ya — hangisi yüksekse — kadar çıkmaktadır. Meta, Amazon ve Google gibi teknoloji devleri bu kapsamda milyarlarca Euro ceza almıştır. Türkiye'nin 2016'da çıkardığı KVKK (6698 sayılı Kişisel Verilerin Korunması Kanunu) GDPR'a yapısal olarak paralel bir tasarıma sahipken, AB'ye veri aktarımı için AB Standart Sözleşme Maddeleri (SCCs) ya da Avrupa Komisyonu'nun yeterlilik kararı gereklidir.
Görsel Dil Modeli
Görsel Dil Modeli (Vision Language Model — VLM), görüntü ve metin gibi farklı modaliteleri tek bir sinir ağı içinde birleştirerek hem görsel hem dilsel bilgiyi anlayıp üretebilen çok modlu (multimodal) yapay zeka modelidir. Geleneksel dil modelleri yalnızca metni işlerken VLM'ler bir fotoğraftaki nesneyi tanımlayabilir, grafik ve tabloları yorumlayabilir, belge görsellerinden bilgi çıkarabilir ya da görsel içeriklere dayalı sorulara yanıt verebilir. VLM mimarisinin temel bileşenleri üç katmandan oluşur. Görsel kodlayıcı (visual encoder): ViT (Vision Transformer) gibi bir model, ham piksel verisini yüksek boyutlu gömme vektörlerine dönüştürür. Bağlantı katmanı (connector/projector): CLIP, LLaVA tarzı MLP veya Q-Former gibi yapılar görsel gömmeleri dil modelinin token uzayına projeksiyonlar. Dil modeli omurgası: Görsel ve metin token'larını birlikte işleyen büyük bir Transformer, bağlamsal anlam oluşturur ve metin çıktısı üretir. Bu üç adımlı yapı, modelin bir resme bakarak ayrıntılı yanıtlar üretmesini mümkün kılar. Öne çıkan VLM'ler arasında GPT-4 Vision (OpenAI), Claude 3 ve 4 serileri (Anthropic), Gemini Pro Vision (Google) ve açık kaynak alternatifleri LLaVA, Idefics, MiniGPT-4 ve Qwen-VL sayılabilir. Bu modeller görüntü açıklama (image captioning), görsel soru yanıtlama (VQA), belge anlama (document understanding), grafik yorumlama ve tıbbi görüntü analizi gibi görevlerde kullanılmaktadır. Değerlendirme kıyaslamaları arasında VQAv2, MMBench (çok modlu dil anlama), MMMU (üniversite düzeyi görsel anlama) ve TextVQA yer almaktadır. VLM'lerin bilinen sınırları arasında halüsinasyon (modelin görüntüde olmayan şeyleri 'görmesi'), mekansal ilişkileri yorumlamadaki güçlükler ve yüksek çözünürlüklü görüntülerde artan hesaplama maliyeti sayılabilir. 2025–2026 döneminde VLM araştırmaları video anlama, gerçek zamanlı akış işleme ve çok adımlı görsel akıl yürütme üzerine yoğunlaşmaktadır. Türk sağlık, eğitim ve e-ticaret sektörleri için Türkçe metin içeren belgeleri işleyebilen VLM uygulamaları giderek önem kazanmaktadır. Gizlilik gerektiren kullanım senaryolarında bulut tabanlı API'ler yerine yerel dağıtım yapılabilecek açık kaynak VLM'ler tercih edilmektedir.
Google Antigravity (Google Antigravity)
Google Antigravity, Google'ın Kasım 2025'te duyurduğu, yapay zeka ajanlarının kod tabanında özerk ve paralel çalıştığı ajan odaklı geliştirme ortamıdır (agentic IDE). VS Code'un bir fork'u üzerine kurulu olan Antigravity, klasik "satır satır kod yazma" modelini terk eder: geliştirici doğal dille görev tanımlar, ajanlar planı çıkarır, kodu yazar, testleri koşar ve sonucu doğrular. Doğal dil burada birincil programlama arayüzü olarak konumlanır; geliştiricinin rolü kod yazarlığından ajan koordinatörlüğüne kayar. Platform, Kasım 2025'teki ilk sürümünde Gemini 3 Pro ile birlikte çıktı ve tek bir editörden ibaretti. Google I/O 2026'daki (Mayıs 2026) 2.0 güncellemesiyle beş yüzeyli bir platforma genişledi: masaüstü uygulaması, CLI, SDK, Managed Agents API ve Enterprise Agent Platform. Bu yapı, aynı ajan altyapısının hem bireysel geliştiricinin editöründe hem CI/CD hattında hem de kurumsal iş akışlarında kullanılmasına imkân verir. Antigravity'yi rakiplerinden ayıran en somut özellik, yerleşik tarayıcı otomasyon döngüsüdür. IDE gerçek bir Chrome örneği başlatır; ajan, geliştirdiği uygulamayı bir kullanıcı gibi kullanır — düğmelere tıklar, formları doldurur, ekran görüntüsü alır — ve bulduğu hataları kaynak koda dönüp kendisi düzeltir. Ajanlar ayrıca yaptıkları işi "Artifact" adı verilen doğrulanabilir çıktılarla (görev planı, ekran kaydı, test raporu) belgeler; geliştirici her satır diff'i okumak yerine bu kanıtları denetler. 2.0 sürümünün öne çıkan diğer yetenekleri paralel dinamik alt ajanlar, arka plan görev zamanlaması ve sesli komut desteğidir. Model tarafında platform Gemini 3 Pro ve Gemini 3 Flash ile derin entegre çalışır; Anthropic'in Claude modelleri gibi üçüncü taraf seçenekler de desteklenir. Erişim, Mayıs 2026 itibarıyla ücretsiz kamu önizlemesi olarak sunulur; Google AI Pro ve Ultra aboneliklerinde model kotaları belirgin biçimde yükselir. Pazar konumu açısından Antigravity, Cursor, Claude Code ve Windsurf ile rekabet eden ajan IDE segmentinde Google'ın stratejik hamlesidir. Windsurf'ün kurucu ekibinin 2025 ortasında Google'a katılması, ürünün arkasındaki mühendislik mirasını da açıklar: Antigravity, Windsurf deneyiminin Gemini altyapısıyla yeniden yazılmış hâli olarak değerlendirilir. Aylık on binlerce arama alan "google antigravity" sorgusunun da gösterdiği gibi araç, 2026'da ajan tabanlı yazılım geliştirmenin en çok merak edilen platformlarından biridir.
Gemma 3 (Gemma 3)
Gemma, Latince "değerli taş" anlamına gelen ve Google DeepMind'ın açık ağırlıklı yapay zeka modeli ailesine verdiği isimdir; Gemma 3 ise bu ailenin 2025 yılında yayımlanan, çok modlu (multimodal) üçüncü nesil sürümüdür. 1B, 4B, 12B ve 27B parametre boyutlarında sunulan Gemma 3, metin ve görüntü anlama yeteneklerini tek mimaride birleştirir. Önceki Gemma 2'ye kıyasla uzun bağlam desteği (128K token), işlev çağırma (function calling) ve çok dilli performans belirgin biçimde iyileştirilmiştir. Gemma 3, Google'ın Gemini modellerinin eğitim altyapısından ve araştırma birikiminden yararlanan, ama bağımsız bir ağırlık setine sahip model ailesidir. Ticari kullanıma açık Gemma lisansı altında yayımlanan bu modeller HuggingFace Transformers, Ollama ve LM Studio gibi platformlarda kolayca çalıştırılabilir. 27B parametreli versiyon, tek tüketici GPU'suna sığabilen en güçlü açık modellerden biridir; instruction-tuned (IT) varyantları sohbet ve görev yönlendirme için optimize edilmiştir. Gemma'nın önemi, güçlü bir modelin ağırlıklarını indirip kendi donanımınızda çalıştırabilmenizde yatar: Veri gizliliği gerektiren kurumsal senaryolarda, internet bağlantısız edge cihazlarda veya API maliyetinden kaçınmak istediğiniz projelerde yerel bir alternatif sunar. Performans açısından Gemma 3 27B, birçok kıyaslamada 70B ölçekli modellere yakın sonuçlar üretir; özellikle çok dilli anlama, kod üretimi ve görüntü açıklama görevlerinde güçlüdür. Türkçe dahil 140'tan fazla dili destekler. Mimarisi bakımından Gemma 3, yerel ve küresel dikkat katmanlarını dönüşümlü kullanan bir Transformer yapısına dayanır; bu tasarım uzun bağlam penceresini KV önbellek maliyetini aşırı büyütmeden destekler. 4B ve üzeri modeller, SigLIP tabanlı görüntü kodlayıcısı aracılığıyla görsel soru cevaplama, ekran görüntüsü analizi ve belge okuma gibi çok modlu görevleri yerine getirir. Google ayrıca düşük VRAM'li donanımlar için nicemlemeye duyarlı eğitilmiş QAT sürümleri yayımlamıştır; bu sürümler kalite kaybını küçük tutarak bellek gereksinimini ciddi ölçüde azaltır. Pratikte `ollama run gemma3:4b` komutuyla dakikalar içinde denenebilir; kurumsal tarafta ise Google AI Studio ve Vertex AI üzerinden yönetilen API erişimi de mevcuttur.
Gradient Descent (Gradyan İnişi)
Gradient descent (gradyan inişi), bir modelin kayıp fonksiyonunu minimize etmek için parametreleri gradyanın negatif yönünde iteratif olarak güncelleyen optimizasyon algoritmasıdır. Güncelleme kuralı tek satırdır: **θ ← θ − α · ∇L(θ)**. Burada θ model parametrelerini, ∇L(θ) kaybın parametrelere göre türevini (gradyanı), α ise adım büyüklüğünü belirleyen öğrenme hızını (learning rate) temsil eder. Doğrusal regresyondan 1 trilyon parametreli dil modellerine kadar neredeyse tüm modern makine öğrenmesi eğitimi bu kuralın bir varyantıyla yapılır. Sezgisel karşılığı, sisli bir dağda gözü bağlı vadiye inen bir yürüyüşçüdür: yürüyüşçü yalnızca ayağının altındaki eğimi hisseder ve her adımda en dik iniş yönüne ilerler. Eğim gradyana, adım boyu öğrenme hızına, vadinin dibi ise minimum hataya karşılık gelir. Adım çok büyükse vadi atlanır ve kayıp ıraksar; çok küçükse yakınsama saatler yerine haftalar alır. Pratikte üç ana biçimi vardır: tüm veri kümesini tek seferde işleyen **batch gradient descent**, her adımda tek örnek kullanan **stochastic gradient descent (SGD)** ve derin öğrenmenin fiili standardı olan, 16–4096 örneklik gruplarla çalışan **mini-batch gradient descent**. Derin sinir ağlarında gradyanlar geriye yayılım (backpropagation) ile zincir kuralı üzerinden hesaplanır; PyTorch ve JAX gibi kütüphaneler bunu otomatik türev (autograd) ile yapar. Güncelliği tartışmasızdır: GPT-5, Claude, Gemini ve Llama ailesi dahil bütün büyük dil modelleri, gradient descent'in uyarlanabilir türevleri olan AdamW ve 2025'ten itibaren yaygınlaşan Muon gibi optimizatörlerle eğitildi. Konveks problemlerde yakınsama matematiksel olarak kanıtlanmıştır; derin ağların non-konveks kayıp yüzeylerinde ise eyer noktaları (saddle point) ve düz plato bölgeleri asıl pratik zorluğu oluşturur. SGD'nin stokastik gürültüsü, paradoksal biçimde bu noktalardan kaçışı kolaylaştırır ve genelleme performansına katkı yapar. Kısacası gradient descent, yapay zekanın "öğrenme" dediğimiz sürecinin matematiksel motorudur.
Generative Adversarial Networks (Üretici Çekişmeli Ağlar)
GAN (Generative Adversarial Networks — Üretici Çekişmeli Ağlar), 2014 yılında Ian Goodfellow ve ekibi tarafından Montréal Üniversitesi'nde geliştirilen devrimsel bir derin öğrenme mimarisidir. Sistem, birbirine rakip iki yapay sinir ağından oluşur: Üretici (Generator) ve Ayırt Edici (Discriminator). Bu iki ağın rekabeti, gerçeğinden ayırt edilemeyen görüntü, ses ve video içeriklerinin üretilebilmesini sağlar. Üretici ağ, rastgele gürültüden yola çıkarak gerçekçi görünümlü içerik sentezler. Ayırt Edici ağ ise kendisine sunulan içeriğin gerçek mi yoksa üretici tarafından yaratılmış mı olduğunu belirlemeye çalışır. Bu süreç, oyun teorisindeki sıfır-toplam oyununa benzer: Üretici, Ayırt Ediciyi kandırmaya; Ayırt Edici de sahtekarlığı yakalamaya çalışır. İki ağ binlerce iterasyon boyunca birlikte eğitildikçe her ikisi de gelişir; son noktada Üretici öyle gerçekçi çıktılar üretir ki Ayırt Edici artık gerçeği sahteden ayırt edemez. GAN mimarisinin en çarpıcı uygulaması ThisPersonDoesNotExist.com sitesindeki hiper-gerçekçi yüzlerdir; bu yüzlerin sahibi gerçek bir insan değildir. Bunun yanı sıra GAN'lar; düşük çözünürlüklü görüntüleri 4K'ya yükseltme (süper çözünürlük), stil transferi, tıbbi görüntü veri setlerini yapay örneklerle büyütme ve deepfake video üretimi gibi alanlarda yaygın biçimde kullanılır. En bilinen GAN varyantları arasında foto-gerçekçi yüz sentezi için NVIDIA'nın StyleGAN2/3'ü, eşleştirilmemiş veri setleriyle at-zebra dönüşümü gibi görevler için CycleGAN ve uydu-harita çevirisi gibi eşleştirilmiş dönüşümler için Pix2Pix sayılabilir. GAN'ların en büyük zayıflığı eğitim sürecindeki istikrarsızlıktır. Mode collapse sorunu, Üreticinin çeşitliliği kaybedip yalnızca birkaç tipik örnek üretmesiyle ortaya çıkar. 2022'den itibaren Stable Diffusion ve DALL-E 2 gibi difüzyon modelleri, genel görüntü üretiminde GAN'ın yerini büyük ölçüde almıştır. Bununla birlikte gerçek zamanlı video sentezi ve düşük gecikme gerektiren edge uygulamalarında GAN mimarisi hâlâ önemli konumunu korumaktadır.
Generative AI (Üretken (Generatif) Yapay Zeka)
Generatif yapay zeka (Generative AI), metin, görüntü, ses, video veya kod gibi orijinal içerik üretebilen yapay zeka sistemlerini tanımlar. Geleneksel yapay zeka sınıflandırma veya tahmin yaparken, generatif modeller eğitim verilerindeki örüntülerden yola çıkarak yeni ve özgün çıktılar oluşturur. Temel mimari aileler şunlardır: **Büyük Dil Modelleri (LLM)**, Transformer mimarisine dayanan ve metin üretiminde baskın olan modellerdir; ChatGPT, Claude ve Gemini bu kategoridedir. **Difüzyon modelleri**, gürültülü bir başlangıç noktasından başlayarak iteratif gürültü giderme işlemiyle yüksek kaliteli görüntü üretir; Stable Diffusion, DALL-E 3 ve Midjourney bu teknolojiyi kullanır. **GAN (Üretici Çekişmeli Ağ)**, bir üretici ve bir ayrıştırıcı ağın rekabetine dayanan eski nesil mimaridir; özellikle yüz sentezi ve stil transferinde kullanılmıştır. **VAE (Değişken Otoenkoder)**, latent uzayda yoğunluk tahmini yaparak yeni veri noktaları üretir. Uygulama alanları son derece geniştir: içerik üretimi (makale, pazarlama metni, kod), görsel üretim ve düzenleme, ses ve müzik sentezi, video üretimi, ilaç molekülü tasarımı, oyun varlık üretimi ve veri artırma. GitHub Copilot ve Cursor gibi araçlar generatif yapay zekayla yazılım geliştirmeyi dönüştürmektedir. Etik kaygılar da bu alanın ayrılmaz parçasıdır: telif hakkı ihlalleri (eğitim verilerinde izinsiz kullanılan içerikler), deepfake ve dezenformasyon üretimi, sanatçı ve içerik üreticilerinin geçim kaynakları üzerindeki baskı. AB AI Act kapsamında yüksek riskli olarak değerlendirilen bazı generatif AI uygulamaları düzenleyici denetim altına girmektedir. Piyasa ekosistemi hızla olgunlaşmaktadır: OpenAI (GPT-4o, DALL-E, Sora), Anthropic (Claude), Google (Gemini, Imagen), Meta (Llama, Make-A-Video), Stability AI ve Midjourney gibi oyuncular hem kapalı hem açık kaynak modeller sunmaktadır. 2024-2026 döneminde çok modlu (metin + görüntü + ses + video) modeller ön plana çıkmış; küçük ama güçlü modeller (SLM) sınırlı kaynaklarda yerel çalıştırma imkânı sunmaktadır.
GitHub Copilot (GitHub Copilot)
GitHub Copilot, GitHub ve OpenAI iş birliğiyle geliştirilen, yazılım geliştiricilere gerçek zamanlı kod önerileri sunan yapay zeka destekli bir kod asistanıdır. 2021 yılında teknik önizleme olarak piyasaya çıkan Copilot, başlangıçta OpenAI'nin Codex modeline dayanıyordu; sonraki sürümlerde GPT-4 ve daha gelişmiş büyük dil modelleri kullanılmaya başlandı. Copilot, VS Code, JetBrains IDE'leri, Neovim ve GitHub.com üzerinde çalışır. Geliştirici yazmaya başladığında, açık olan dosya içeriğini, komşu sekmeleri, projenin bağlamını ve yazdığı yorumları analiz ederek satır tamamlama, fonksiyon oluşturma, birim testi yazma ve dokümantasyon üretme gibi görevlerde otomatik öneriler sunar. GitHub Copilot'un en güçlü yanlarından biri bağlam farkındalığıdır: Bir fonksiyon imzası veya açıklayıcı bir yorum yazdığınızda, model olası uygulamayı tamamlar; bazen on satırı aşan blokları tek seferde üretir. Python, JavaScript, TypeScript, Go, Ruby, C++ ve Java dahil 40'tan fazla programlama dilini destekleyen Copilot, doğal dil yorumlarından kod üretme (comment-to-code) özelliğiyle geliştiricilerin kodu sıfırdan yazmak yerine niyetlerini açıklamasına ve asistanın uygulamayı önermesine olanak tanır. 2023'te tanıtılan Copilot Chat özelliği, IDE içinde doğal dil konuşması yoluyla kod açıklama, hata ayıklama ve yeniden yapılandırma (refactoring) desteği sağlar. 2024'te sunulan Copilot Workspace ise bir issue veya görev tanımından başlayarak bütünsel plan, kod ve test üretimini uçtan uca otomatikleştirir. GitHub'ın yayımladığı araştırmalar, Copilot kullanan geliştiricilerin tekrar eden görevleri yüzde kırktan yüzde elli beşe varan oranda daha hızlı tamamladığını göstermektedir. Araç, bireysel geliştiriciler için aylık 10 dolar, kurumsal kullanıcılar için aylık 19 dolar (Copilot Business) veya 39 dolar (Copilot Enterprise) fiyatlandırmasıyla sunulmakta; öğrenciler ve açık kaynak katkıcıları için ücretsiz erişim seçenekleri mevcuttur. Copilot'un 2025 itibarıyla 15 milyonu aşan aktif kullanıcısıyla yazılım geliştirme iş akışlarını köklü biçimde değiştirdiği görülmektedir.
Graph Attention Network (GAT) (Dikkat Mekanizmalı Çizge Sinir Ağı)
Graph Attention Network (GAT), çizge (graf) yapılı verilere dikkat mekanizması uygulayan bir yapay sinir ağı mimarisidir. Velickovic ve ekibi tarafından 2018'de ICLR konferansında önerilen GAT, bir düğümün temsilini güncellerken komşu düğümlere sabit ağırlık atamak yerine, her komşu için ayrı dikkat puanları hesaplayarak hangi komşuların daha önemli olduğunu veri odaklı biçimde öğrenir. GAT, bir düğüm ile her komşusu arasında dikkat katsayısı (attention coefficient) hesaplar. Bu katsayılar Leaky ReLU aktivasyonlu küçük bir sinir ağıyla üretilir ve softmax ile normalize edilir. Son düğüm temsili, komşu özelliklerinin bu ağırlıklı toplamından oluşur. Kararlılık ve farklı ilişki örüntülerini yakalamak için çok başlıklı dikkat (multi-head attention) kullanılır; ara katmanlarda başlık çıktıları birleştirilir, çıkış katmanında ortalaması alınır. Çizge Evrişimsel Ağ (GCN), tüm komşulara eşit ağırlık atarken GAT her komşunun önem derecesini veri odaklı biçimde öğrenir. Bu esneklik, değişken büyüklükteki komşuluk yapılarında ve karmaşık ilişkilerde GAT'a belirgin üstünlük sağlar. GNN (Graph Neural Network) ise bu tür tüm çizge sinir ağlarını kapsayan üst terimdir; GCN ve GAT, GNN'nin özel türleridir. GAT başlıca düğüm sınıflandırma, bağlantı tahmini ve çizge sınıflandırma görevlerinde kullanılır. Pratik uygulamalar arasında sosyal ağ analizi, ilaç-protein etkileşim tahmini, moleküler biyoloji, bilgi grafiği tamamlama ve içerik tabanlı öneri sistemleri yer alır. Dikkat katsayıları komşular arasında paralel hesaplandığı için GAT verimlidir ve farklı büyüklükteki komşuluklara doğal uyum sağlar. Üretilen dikkat ağırlıkları yorumlanabilir olduğundan hangi komşuların belirleyici olduğu analiz edilebilir. Türkiye'de ilaç keşfi ve biyoinformatik alanında çalışan araştırma grupları GAT mimarisini aktif olarak kullanmaktadır. GAT'ın 2021'de önerilen GATv2 varyantı, orijinal mimarideki statik dikkat hesabı sorununu gidererek her adımda tam dinamik dikkat üretir. PyTorch Geometric'in GATConv ve GATv2Conv katmanları, araştırmacılara hazır ve optimize edilmiş implementasyonlar sunar. Büyük çizgelerde ölçeklenebilirlik sorunu için mini-batch örnekleme ve Sparse GAT yaklaşımları yaygınlaşmaktadır; bu varyantlar yalnızca seyrek kenar kümeleriyle çalışarak bellek tüketimini önemli ölçüde azaltır.
Gradio (Gradio)
Gradio, Python'da makine ogrenimi modellerini, veri islem hatlarini veya herhangi bir Python fonksiyonunu kullanici dostu interaktif web arayuzlerine donusturmeyi saglayan acik kaynak bir kutuphanedir. Birkaç satirla yazilan kod, tarayici uzerinden test edilebilir, paylasılabilir ve gorusel olarak zengin bir demo olusturur. 2019 yilinda Stanford doktora ogrencisi Abubakar Abid ve arkadaslari tarafindan kurulan Gradio, veri bilimcilerin ve ML muhendislerinin modellerini paydaslara, musterilere veya topluluga hizla gostermesi ihtiyacina yanit verir. Bir model demosu hazirlamak icin onceden web gelistirme bilgisi gerekirken Gradio bu esigi ortadan kaldirdi. 2021 yilinda Hugging Face tarafindan satin alindiktan sonra Hugging Face Spaces platformu ile ust duzey entegrasyon saglanmis; Spaces'da milyonlarca Gradio uygulamasi ucretsiz barindirila gelismeye baslamistir. Teknik olarak Gradio, bir Python fonksiyonunun girdi ve cikti turlerine bagli olarak uygun UI bilesenlerini otomatik secebilir. Goruntu siniflandirici ise goruntu yukleme birleseni ve sinif olasilik grafigi; ses duygu tanima ise mikrofon bileseni ve etiket cigtisi gibi. Ozellestirilmis duzenlemeler ve temalar da desteklenmektedir. Arka planda bir Flask sunucusu calistiran Gradio, WebSocket baglantilariyla gercek zamanli girdi-cikti akisini yonetir. Gradio arayuzleri yerel olarak calistirabilir veya herkese acik bir URL ile paylasilabilir. `gr.Interface.launch(share=True)` komutu, gecici bir Gradio-hosted link olusturur. Kalici barindirma icin Hugging Face Spaces, GitHub Actions ile CI/CD entegrasyonunu da destekleyen en populer secenektir. Gradio'nun Blocks API'si, tek Interface taniminin otesinde cok adimli, sartli ve dinamik arayuzler tasarlamaya olanak tanir. Girdi degistiginde yalnizca belirli bilesenler guncellenecek sekilde olay dinleyicileri tanimlanabilir. Bu ileri seviye API, prototipten production demosu arasindaki siniri bulaniklastirir. **Sik Sorulan Sorular** **Gradio ile Streamlit arasindaki fark nedir?** Gradio ML model demosu icin optimize edilmis; girdi/cikti bilesenlerini ML gorev turlerine gore otomatik secebilir. Streamlit daha genel amacli veri uygulamalari icin idealdir ve daha genis durum yonetimi imkani sunar. **Gradio uygulamalari production icin uygun mudur?** Hafif kullanim icin uygundur. Yuksek trafikli production senaryolari icin Gradio onunde bir yukleyici dengeleyici ve guvenlik katmani gerekir; alternatif olarak FastAPI gibi ozel servislere donusturmek tercih edilebilir. **Gradio ucretsiz midir?** Kutuphanenin kendisi ucretsiz ve acik kaynaktir. Hugging Face Spaces ucretsiz katman sunar; GPU gerektiren veya ozel uygulamalar icin ucretli katmanlar mevcuttur. **Gradio hangi ML cercevelerini destekler?** TensorFlow, PyTorch, scikit-learn, Hugging Face Transformers ve diger Python tabanli cerceveler desteklenir; Gradio herhangi bir Python fonksiyonunu sarabilir.
Gradient Checkpointing (Gradyan Kontrol Noktası)
Gradient checkpointing (Türkçe: gradyan kontrol noktası, aynı zamanda activation checkpointing olarak da bilinir), derin öğrenme modellerini sınırlı GPU belleğiyle eğitmeyi mümkün kılan kritik bir bellek optimizasyon tekniğidir. Geleneksel geri yayılım (backpropagation) algoritmasında, sinir ağının ileri geçişi (forward pass) sırasında her katmanda üretilen ara aktivasyonların tamamı bellekte saklanır. Bunun nedeni, geri yayılım aşamasında gradyanları hesaplamak için bu değerlere ihtiyaç duyulmasıdır. Ne var ki GPU belleği (VRAM) sınırlıdır; büyük ve derin modellerde bu durum bellek yetersizliğine (out-of-memory hatası) yol açar. Gradient checkpointing bu sorunu şu şekilde çözer: İleri geçiş sırasında yalnızca belirli katmanlar kontrol noktası olarak işaretlenir ve yalnızca bu katmanların aktivasyonları saklanır. İki kontrol noktası arasındaki aktivasyonlar bellekte tutulmaz. Geri yayılım sırasında, gerektiğinde bu ara değerler kontrol noktasından başlayarak yeniden hesaplanır. Bellek karmaşıklığı açısından bakıldığında, n katmanlı bir ağda geleneksel yaklaşım O(n) bellek kullanırken gradient checkpointing bunu O(√n)'ye indirebilir; ağın karekökü kadar katmanı kontrol noktası olarak seçmek bu bellek-hesaplama dengesini sağlar. Bedeli ise hesaplama süresinin yaklaşık yüzde yirmi ile otuz üç arasında artmasıdır, çünkü bazı aktivasyonlar iki kez hesaplanır. PyTorch'ta torch.utils.checkpoint.checkpoint() fonksiyonu ve Hugging Face Transformers kütüphanesindeki model.gradient_checkpointing_enable() yöntemi bu tekniği kolayca etkinleştirmeye olanak tanır. LoRA ve QLoRA gibi parametre-verimli ince ayar yöntemleriyle birlikte kullanıldığında, büyük dil modellerini tüketici sınıfı GPU'larda eğitmek ve ince ayar yapmak mümkün hale gelir. Bu kombinasyon, 2023 sonrası açık kaynak LLM ince ayar çalışmalarının neredeyse standart altyapısını oluşturmaktadır.
Genetic Algorithms (Genetik Algoritmalar)
Genetik Algoritmalar (GA), biyolojik evrimin temel mekanizmalarından — doğal seçilim, çaprazlama (crossover) ve mutasyon — ilham alarak tasarlanmış sezgisel arama ve optimizasyon algoritmalarıdır. 1975 yılında John Holland tarafından Michigan Üniversitesi'nde teorik temelleri atılan bu yaklaşım, özellikle gradyan tabanlı yöntemlerin yetersiz kaldığı karmaşık, çok boyutlu ve türevlenemeyen arama uzaylarında güçlü bir alternatif sunar. GA'nın çalışma prensibi beş temel adımdan oluşur: (1) Başlangıç popülasyonu — olası çözümleri temsil eden bireylerden (kromozomlardan) oluşan rastgele bir popülasyon oluşturulur; her birey genellikle binary bit dizisi, gerçek sayı vektörü veya permütasyon olarak kodlanır. (2) Uygunluk değerlendirmesi — her bireyin kalitesi, probleme özgü bir uygunluk (fitness) fonksiyonuyla ölçülür. (3) Seçilim — daha yüksek uygunluk değerine sahip bireyler ebeveyn olarak seçilme şansını artırır; rulet tekerleği, turnuva ve sıra-tabanlı seçim en yaygın stratejilerdir. (4) Çaprazlama — iki ebeveynin genetik materyali birleştirilerek yeni çocuk bireyler üretilir; tek nokta, iki nokta ve üniform çaprazlama popüler yöntemlerdir. (5) Mutasyon — küçük rastgele değişiklikler eklenerek genetik çeşitlilik korunur ve yerel optimumlara takılma riski azaltılır. Bu döngü, belirlenen nesil sayısına ulaşılana ya da uygunluk eşiği sağlanana dek tekrarlanır. Her nesilde popülasyon ortalama kalitesi artar; en iyi birey "elit seçim" stratejisiyle bir sonraki nesile doğrudan aktarılabilir (elitizm). Genetik Algoritmalar; makine öğrenmesinde hiperparametre optimizasyonu, lojistik rota planlaması (Gezgin Satıcı Problemi), elektronik devre tasarımı, protein katlama, oyun yapay zekası ve NAS (Neural Architecture Search) gibi geniş bir uygulama yelpazesine sahiptir. Simulated Annealing ve Parçacık Sürü Optimizasyonu (PSO) ile sıklıkla karşılaştırılır; GA'nın temel avantajı, paralel popülasyon keşfiyle çok-modlu fonksiyonlarda yerel optimumlardan kaçabilmesidir. Hesaplama maliyetinin yüksek olabileceği ve sonuçların deterministik olmadığı başlıca kısıtlamalar arasındadır.
Google AI Studio (Google AI Studio)
Google AI Studio, Google'ın Gemini büyük dil modellerini tarayıcı üzerinden denemek için sunduğu ücretsiz, web tabanlı bir geliştirici ortamıdır. aistudio.google.com adresinden erişilebilen platform, herhangi bir kurulum veya altyapı gerektirmeden yalnızca bir Google hesabıyla kullanılmaya başlanabilmektedir. Temel yetenekleri arasında prompt playground, tek tıkla Gemini API anahtarı oluşturma, sistem talimatları, güvenlik ayarları ve çok modlu (multimodal) girdi desteği yer almaktadır. Kullanıcılar sıcaklık (temperature) ve Top-P parametrelerini ayarlayarak model çıktıları üzerinde hassas kontrol kurabilmektedir. Ücretsiz katmanda Gemini Flash ve Flash-Lite modelleri dakikada 5-15 istek, günde en fazla 1.000 istek hakkıyla kullanılabilmektedir. Nisan 2026 itibarıyla Pro ve Omni modelleri ücretli API katmanına taşınmıştır. Ücretsiz katmanda girilen veriler, Google'ın ürün geliştirme süreçlerinde kullanılabilmektedir. Platform, üç katmanlı bir ekosistemin parçasıdır: Google AI Studio hızlı prototipleme için tasarlanmış hafif bir ortamken, Gemini API uygulamalara programatik entegrasyon için kullanılmaktadır. Vertex AI ise Google Cloud altyapısında çalışan, kurumsal MLOps ve üretime hazır yapay zeka çözümleri için kapsamlı bir platformdur. Haziran 2026'da tanıtılan Gemini 3.5 Live Translate ile 70'ten fazla dilde gerçek zamanlı konuşma çevirisi, Ağustos 2026'da piyasaya sürülen Gemini Omni Flash modeli ile metin, görsel ve ses girdilerinden video üretimi desteklenmeye başlanmıştır. Türkiye dahil küresel olarak erişilebilen platform, Türkçe dil desteğiyle birlikte gelir. Google AI Studio'nun Code Interpreter özelliği, Python kodunu doğrudan tarayıcı içinde yürüterek veri analizi ve görselleştirme yapmaya olanak tanır. Canvas modu ise modelin ürettiği içeriği doküman biçiminde düzenleme ve dışa aktarma imkânı sunar. Bu özellikler platformu sade bir API test aracının ötesine taşıyarak entegre bir yapay zeka geliştirme ortamına dönüştürmektedir. Platforma entegre Token Sayacı ve maliyet tahmini araçları, geliştiricilerin API kullanımını ve bütçesini anlık olarak takip etmesini kolaylaştırır.
Güvenlik Testi (AI) (Güvenlik Testi (AI))
Güvenlik Testi (AI), makine öğrenmesi modelleri, büyük dil modelleri (LLM) ve yapay zeka ajanları gibi sistemlerin güvenlik açıklarını keşfetmeye yönelik yapılandırılmış bir test disiplinidir. Geleneksel yazılım güvenlik testinin aksine, AI güvenlik testi yalnızca ağ ve uygulama katmanlarını değil; eğitim verisini, çıkarım süreçlerini, model davranışını ve istem (prompt) yönetimini de kapsar. Bu alan iki temel bileşenden oluşur: güvenlik testi, yani AI sisteminin kötü niyetli saldırılara karşı korunması; ve emniyet testi, yani AI sisteminin istemeden zarar vermesinin önlenmesi. Her iki boyut da modern AI dağıtımları için zorunlu hâle gelmiştir. Temel test yöntemleri arasında prompt injection (modelin talimatlarını ele geçirme), veri zehirlenmesi (eğitim setini manipüle etme), model çıkarma (ağırlıkları kopyalama girişimi), tersine mühendislik ve üye çıkarımı saldırıları yer alır. Kırmızı takım tatbikatları (red teaming), bu saldırı senaryolarını düşmansal bir perspektiften sistematik biçimde test eder ve genellikle insan uzmanlarla otomatik araçların birlikte kullanıldığı karma yaklaşımlarla yürütülür. Endüstri standartları açısından MITRE ATLAS çerçevesi AI'ye özgü saldırı tekniklerini kataloglarken, OWASP LLM Top 10 (2025) büyük dil modelleri için kritik riskleri önceliklendirir. NIST AI 100-2e2025 belgesi ise standartlaştırılmış saldırı taksonomisi sunar. Bu çerçeveler, güvenlik ekiplerine test planlaması, risk önceliklendirmesi ve uyumluluk belgelerinin hazırlanmasında sistematik bir rehber sunar. Düzenleyici baskılar da bu alanı hızlandırmaktadır: AB Yapay Zeka Yasası, yüksek riskli AI sistemleri için düzenli güvenlik değerlendirmesini zorunlu kılar. Bu durum, güvenlik testini teknik bir uygulama olmanın ötesinde yasal bir gereklilik hâline getirmektedir. AI güvenlik testi pazarı 2025'te 2,74 milyar dolar değerindeydi ve 2033'e kadar 6 milyar doları aşması beklenmektedir. RAG sistemleri, çok modlu modeller ve otonom yapay zeka ajanlarının yaygınlaşmasıyla saldırı yüzeyi her geçen yıl genişlemektedir; bu nedenle güvenlik testini sürekli bir süreç olarak konumlandırmak kritik önem taşımaktadır.
GPU (Graphics Processing Unit) (Grafik İşlemci (Ekran Kartı))
GPU (Graphics Processing Unit — Grafik İşleme Birimi), başlangıçta bilgisayar grafiklerini hesaplamak için tasarlanmış; fakat binlerce küçük çekirdekli paralel mimarisi ile yapay zeka ve yüksek performanslı hesaplama (HPC) alanında vazgeçilmez hale gelmiş bir işlemci türüdür. Günümüzde derin öğrenme eğitimi ve çıkarsama işlemlerinin büyük çoğunluğu GPU üzerinde gerçekleşmektedir. GPU'ların paralel mimarisi, AI hesaplamalarında kritik öneme sahip matris çarpma ve tensor işlemlerine çok iyi uymaktadır. NVIDIA'nın CUDA (Compute Unified Device Architecture) platformu, geliştiricilere GPU üzerinde genel amaçlı hesaplama yapmayı mümkün kılan ilk geniş kapsamlı yazılım katmanıydı. 2007'de tanıtılan CUDA, bugün de derin öğrenme ekosisteminin temelini oluşturmaktadır. NVIDIA'nın AI odaklı GPU'ları GPU mimarisinin evrimini yönlendirmiştir: Tesla (2008), Kepler, Maxwell, Pascal, Volta, Ampere ve son olarak Hopper mimarisi (H100). A100 ve H100, LLM eğitiminde standart haline gelmiştir. AMD ise ROCm platformu ve MI300X çipleriyle bu pazara rakip olarak girmektedir. Apple'ın M serisi çipler ise birleşik bellek mimarisiyle AI çıkarsama için enerji verimli alternatif sunmaktadır. Derin öğrenme çerçeveleri (TensorFlow, PyTorch) GPU desteğini neredeyse tamamen CUDA/cuDNN (NVIDIA) üzerinden sağlar. Tensor Core'lar, H100 gibi modern çipler üzerinde yarı hassas (FP16/BF16) matris işlemlerini 10-100 kat hızlandırır. GPU belleği (VRAM) model büyüklüğünü doğrudan sınırlar; 80GB VRAM'e sahip H100, 70 milyar parametreli bir modeli tam hassasiyetle tutabilir. Bulut GPU hizmetleri (AWS EC2 P4d, Google Cloud A100, Azure NDv4) on-premises donanım yatırımı yapmadan büyük ölçekli model eğitimi olanağı tanır. Multi-GPU konfigürasyonlarında NVLink ve InfiniBand bant genişliği, eğitim süresini doğrusal ölçekte kısaltmaktadır. GPU kapasitesi, modern yapay zeka sistemlerinin ölçeğini doğrudan belirleyen temel mühendislik kısıtlarından biri olmaya devam etmektedir. Enerji tüketimi ve soğutma maliyetleri de GPU seçimini etkileyen önemli faktörler arasındadır; H100 çipinin maksimum güç tüketimi 700W düzeyindedir.
Gradient Boosting (Gradyan Artırma)
Gradient Boosting (Gradyan Artırma), makine öğreniminde zayıf öğrenicileri art arda sıralı biçimde ekleyerek güçlü ve yüksek doğruluklu bir tahmin modeli oluşturan bir topluluk öğrenme algoritmasıdır. Random Forest gibi diğer topluluk yöntemlerinin ağaçları paralel olarak eğitmesinin aksine, Gradient Boosting her yeni ağacı bir önceki modelin kalan hatasını (artık değer, residual) azaltacak şekilde sıralı olarak inşa eder. Algoritmanın çalışma mantığı şu adımlarla özetlenebilir: İlk adımda verilen hedef değer için basit bir temel tahmin yapılır; bu genellikle ortalama değerdir. Sonraki adımda mevcut tahmin ile gerçek değer arasındaki farklar (artık değerler) hesaplanır. Bir sonraki karar ağacı bu artık değerleri tahmin etmek üzere eğitilir. Yeni ağacın katkısı, aşırı öğrenmeyi önlemek için öğrenme hızı (learning rate) parametresiyle ölçeklendirilerek mevcut modele eklenir. Bu döngü, belirlenen ağaç sayısına ulaşılana kadar tekrar eder; her yinelemede model bir öncekinin en zayıf noktasına odaklanır. Gradient Boosting'in matematiksel temeli gradyan iniş (gradient descent) optimizasyonuna dayanır. Ağaçlar, seçilen kayıp fonksiyonunu minimize edecek şekilde gradyan yönünde oluşturulur; bu yapı, algoritmanın regresyon, sınıflandırma ve sıralama gibi farklı problem tiplerine kolayca uyarlanmasını sağlar. Algoritmanın en belirgin avantajı, tablolar halindeki yapısal veriyle (structured/tabular data) olağanüstü yüksek doğruluk sağlamasıdır. Kaggle yarışmalarında yıllardır zirvede yer alan bu aile, XGBoost, LightGBM ve CatBoost gibi modern kütüphanelerle bellek ve hız açısından da optimize edilmiştir. XGBoost level-wise (satır bazlı) ağaç büyümesiyle daha kararlı sonuçlar üretirken LightGBM ise leaf-wise (yaprak bazlı) büyüme ve histogram tabanlı bölme ile büyük veri setlerinde çok daha hızlı çalışır. Dezavantajları arasında aşırı öğrenmeye (overfitting) yatkınlık, hiperparametre ayarının (n_estimators, learning_rate, max_depth, min_samples_split) hassasiyeti ve büyük veri setlerinde paralel eğitimin zorluğu sayılabilir. Öğrenme hızı düşük ve ağaç sayısı yüksek tutulduğunda daha genelleştirilebilir modeller elde edilir; ancak bu dengenin bulunması kapsamlı çapraz doğrulama (cross-validation) gerektirir.
Gaussian Splatting (Gaussian Splatting)
3D Gaussian Splatting (3DGS), SIGGRAPH 2023'te Inria araştırmacılarının (Kerbl vd.) sunduğu, üç boyutlu sahneleri milyonlarca elipsoidal Gauss primitifi aracılığıyla gerçek zamanlı olarak işleyen ve bilgisayarlı görü tarihinde NeRF dönemini kapatan çığır açıcı bir teknolojidir. Nöral ağ tabanlı implicit temsil yerine açık (explicit) ve düzenlenebilir bir geometrik temsil kullanır. Her Gauss birimi beş temel özellikle tanımlanır: 3D konumu (μ), şekil ve yönelimi belirleyen kovaryans matrisi (Σ), opaklık değeri (α) ve görüş açısına bağlı rengi kodlayan Küresel Harmonik (Spherical Harmonics, SH) katsayıları. Tipik bir sahnede 3 ila 6 milyon Gaussian kullanılır. Bu parametreler SSIM ile L1 kayıp fonksiyonlarının birleşimi kullanılarak gradient inişiyle optimize edilir. Eğitim süreci, COLMAP (Structure-from-Motion) ile elde edilen seyrek nokta bulutundan başlar. Adaptive Density Control mekanizması eğitim boyunca Gaussianları yoğun bölgelerde ikiye böler veya klonlar, seyrek bölgelerde ise budanmış olanları kaldırır; bu sayede temsil kalitesi aşamalı olarak artar. 30 ila 45 dakikada tamamlanan eğitim süresi, NeRF'e kıyasla onlarca kat daha hızlıdır. Render aşamasında GPU üzerinde döşeme tabanlı (tile-based) rasterizer devreye girer: tüm Gaussianlar derinlik sırasına göre sıralanır ve alfa-karışım (alpha-blending) ile ekrana yansıtılır. Sonuç: 1080p çözünürlükte saniyede 100+ kare işleme hızı ve 25-33 dB PSNR görsel kalitesi. NeRF'in yalnızca 5-10 FPS sunabildiği düşünüldüğünde bu 20 kata varan hızlanma gerçek zamanlı uygulamalar için devrimsel bir atılımdır. Bununla birlikte 3DGS'in bazı kısıtlamaları da mevcuttur: sahne başına depolama boyutu 100-700 MB arasında değişebilir; dinamik nesneler ve hareketli sahneler orijinal formatta sınırlı kalmaktadır; ayrıca kamera kapsamı dışına çıkıldığında görsel eserler (artifact) belirginleşebilir. Uygulama alanları arasında oyun motorlarına sahne entegrasyonu, AR/VR içerik üretimi, film VFX, dijital ikiz oluşturma ve robotik algı sistemleri yer alır. Dinamik 3DGS video sahnelerini, GaussianAvatars insan vücudu modellemesini, LangSplat ise dil özelliklerinin 3D sahnelere entegrasyonunu destekler. 2024 itibarıyla 3DGS ve türevleri, sahne temsil araştırmalarının fiili başlangıç noktası haline gelmiştir.
Grounding (Temellendirme)
Grounding (temellendirme), yapay zeka modellerinin çıktısını doğrulanabilir, gerçek dünyayla uyumlu ve güvenilir bilgiye bağlama sürecidir. Büyük dil modellerinin üretebileceği yanlış, uydurma veya bağlamsız bilgileri (halüsinasyonları) azaltmak için uygulanan teknik ve mimarilerin genel adıdır. Temel grounding yaklaşımları iki ana kategoride incelenir. Veri temelli grounding'da model, yanıt üretirken harici bilgi kaynağına (belge, veri tabanı, web araması) erişir ve yanıtı bu kaynaklara dayandırır. RAG (Retrieval-Augmented Generation) bu kategorinin en yaygın örneğidir; ilgili belgeler vektör benzerlik aramasıyla getirilir, ardından model yalnızca bu bağlama dayanarak yanıt üretir. Bağlam temelli grounding'da ise referans belgeler sistem istemi içinde doğrudan modele verilir; model harici bir arama yapmadan bu bilgilere dayanır. Yer isimleri ve olgular bağlamında grounding, adların gerçek nesnelere veya kavramlara bağlanması anlamına gelir. "Paris" ifadesi, soyut bir karakter yerine gerçekten Fransa'nın başkentine bağlanmalıdır. Bu tür grounding, varlık bağlantılama (entity linking) ve bilgi grafiği entegrasyonu aracılığıyla gerçekleştirilir. Google Gemini, arama motoru entegrasyonuyla gerçek zamanlı web sonuçlarına erişim sunarak yanıt kalitesini artırır. Microsoft Copilot sonuçları kaynak referanslarıyla destekler; böylece kullanıcılar doğrudan kaynak doğrulaması yapabilir. Azure AI Grounding API, kurumsal uygulamalarda modele belirli belge kümelerine erişim sağlayarak denetimli grounding gerçekleştirilmesine olanak tanır. Grounding, halüsinasyonla mücadelenin yanı sıra öz-tutarlılık için de kritiktir: model birbiriyle çelişen yanıtlar verdiğinde hiçbiri güvenilir kabul edilemez. Grounding kalitesini ölçmek için RARR, QAGS ve Attribution Score gibi metrikler kullanılır. Bu metrikler, modelin ürettiği her iddia için kaynak belgede destekleyici kanıt bulunup bulunmadığını değerlendirir. Kurumsal RAG sistemlerinde context faithfulness (bağlam sadakati) skoru, modelin sağlanan belgeye ne ölçüde bağlı kaldığını değerlendirir. Groundedness skoru ise yanıttaki her ifadenin kaynak belgeden türetilebilir olup olmadığını test eder. Bu ölçümler, üretim ortamındaki grounding kalitesini izlemek ve iyileştirmek için temel göstergeler olarak kullanılır.
Gemma (Google Açık Ağırlıklı Model Ailesi)
Gemma, Google DeepMind tarafından 2024 yılında duyurulan ve Apache 2.0 lisansı altında yayımlanan açık ağırlıklı büyük dil modelleri (LLM) ailesidir. Gemma modelleri, Google'ın kapalı kaynaklı Gemini modeliyle aynı araştırma altyapısı ve eğitim teknikleri kullanılarak geliştirilmiş; ancak model ağırlıkları toplulukla paylaşılmıştır. 2026 yılında yayımlanan Gemma 4 serisi (2 Nisan 2026), 1B, 4B, 12B ve 27B yoğun (dense) ile 26B Mixture-of-Experts (MoE) varyantlarını içermektedir. Tüm Gemma 4 modelleri 128.000 token bağlam penceresini (context window) destekler. En büyük varyant olan 31B Dense modeli, Arena AI sıralamalarında üçüncü sıraya yükselmiş; matematik, kodlama ve akıl yürütme görevlerinde Meta'nın Llama 4 Maverick modelini geride bırakmıştır. Gemma 4, tüm varyantlarında yerel olarak çok modlu (natively multimodal) bir mimari kullanır: metin, görüntü ve videoyu tek bir model içinde işleyebilir; küçük modeller ise ses girdisini de desteklemektedir. Bu yapı, Gemma'nın önceki sürümlerine kıyasla büyük bir sıçramayı temsil eder; 1B ve 4B gibi hafif modeller bile görüntü anlama kapasitesiyle donanmıştır. Google, Gemma ekosistemini genişletmek amacıyla özel amaçlı türevler de yayımlamıştır: CodeGemma kod üretmeye, ShieldGemma içerik güvenliğine, PaliGemma görsel-dil görevlerine odaklanmaktadır. Bu türevler, araştırmacıların belirli uygulama alanlarında düşük hesaplama maliyetiyle güçlü sonuçlar elde etmesine imkân tanır. Model ailesi ince ayar (fine-tuning) ve özelleştirme süreçlerinde yaygın tercih edilen modellerden biridir. Hugging Face, Google Cloud Vertex AI, Kaggle ve Google AI Studio üzerinden erişilebilmekte; Google'ın AI Edge çerçevesiyle mobil ve gömülü cihazlarda da barındırılabilmektedir. Gemma 4'ün 1B modeli, modern akıllı telefonlarda bile gerçek zamanlı çıkarım yapabilecek kapasitededir. Türkiye'deki geliştiriciler ve KOBİ'ler için Gemma; açık ağırlıklı yapısı, ticari kullanıma uygun lisansı ve yerel barındırma olanağı ile öne çıkmaktadır. Veri gizliliği hassasiyeti yüksek sektörlerde (sağlık, hukuk, finans) tamamen çevrimiçi API'lere bağlı kalmadan yapay zeka tabanlı uygulamalar geliştirmek için uygun bir başlangıç noktası sunar. Gemma'nın LoRA ve QLoRA destekli ince ayar süreçleri, Hugging Face PEFT kütüphanesi aracılığıyla 8 GB VRAM'li tüketici sınıfı GPU'larda bile alan-spesifik modeller üretmek için kullanılabilir. Bu esneklik, araştırma ekiplerine büyük bulut bütçelerine gerek kalmadan Gemma'yı hukuk, tıp veya finans gibi özelleştirilmiş alanlara uyarlamak için pratik bir yol açar. Temmuz 2026 güncellemesiyle FlashAttention 4 desteği geldi: NVIDIA Hopper GPU'larında prefill %25-70 hızlandı, araç çağrısı (tool calling) güvenilirliği arttı. Haziran 2026'da tanıtılan Gemma 4 12B, metin, görüntü, ses ve videoyu ayrı kodlayıcı gerektirmeden işleyen ilk orta ölçekli açık model oldu; Multi-Token Prediction (MTP) desteğiyle llama.cpp'de çıkarım üç katına kadar hızlanıyor. Ağustos 2026 itibarıyla Gemma ailesi 900 milyon indirme eşiğini geçti.
Graph Neural Networks (Çizge Sinir Ağları)
Çizge Sinir Ağları (Graph Neural Networks, GNN), düğüm ve kenarlardan oluşan grafik yapılardaki ilişkileri ve örüntüleri öğrenmek için tasarlanmış derin öğrenme mimarilerinin genel adıdır. Geleneksel sinir ağları ızgara biçimindeki verilerde (görüntü, ses) güçlüdür; GNN'ler ise sosyal ağlar, moleküler yapılar, bilgi grafikleri ve öneri sistemleri gibi düzensiz, bağlantı merkezli verilerde çalışır. GNN'lerin temel işlemi **mesaj geçişidir (message passing)**: her düğüm, komşu düğümlerden bilgi toplayarak kendi temsilini (embedding'ini) günceller. Bu süreç birden fazla katmanda tekrarlanarak her düğümün giderek daha geniş bir komşuluk bölgesinden bilgi edinmesi sağlanır. Matematiksel olarak, bir düğümün yeni temsili; komşu düğümlerin önceki katman temsillerinin bir toplama (aggregation) fonksiyonundan geçirilmesiyle elde edilir. Yaygın GNN mimarileri farklı toplama stratejileri kullanır. **GCN (Graph Convolutional Network, Kipf & Welling 2017)**, spektral evrişimi basitleştirerek normalize edilmiş komşuluk toplamı kullanır. **GAT (Graph Attention Network)**, komşu düğümlere dikkat mekanizmasıyla farklı ağırlıklar atar. **GraphSAGE**, büyük grafikler için sürükleyici örnekleme tekniğiyle ölçeklenebilirlik sunar. **GIN (Graph Isomorphism Network)**, iki farklı grafiği ayırt etme gücünde Weisfeiler-Leman testine eşdeğer teorik güce ulaşır. GNN'lerin en çarpıcı uygulaması, DeepMind'ın **AlphaFold 2** modelidir; protein yapısı tahmininde aminoasitler arası mesafe ve açı ilişkilerini grafik olarak modelleyerek 50 yıllık biyolojik bir problemi çözdü. İlaç tasarımında moleküler grafik temsillerinden yeni ilaç adayları keşfedilmekte; sosyal ağlarda spam ve sahte hesap tespiti yapılmakta; e-ticarette kullanıcı-ürün grafikleri üzerinden kişiselleştirilmiş öneri sistemleri kurulmaktadır. Trafik tahmininde ise yol ağları grafik olarak modellenerek ulaşım akışı öngörülmektedir. GNN'lerin sınırları da mevcuttur: çok derin ağlarda aşırı yumuşama (over-smoothing) sorunu tüm düğüm temsillerini birbirine benzetebilir. Milyarlarca düğümden oluşan grafiklerde ölçeklenebilirlik hâlâ aktif araştırma alanıdır. Bunun yanı sıra bağlantı örüntüsüne dayalı önyargılar, sosyal ağ uygulamalarında etik kaygılara yol açabilir.
GPT-5 (GPT-5)
GPT-5, OpenAI tarafından 2026 yılında yayımlanan ve GPT serisinin beşinci nesil amiral sürümüdür. Çok modlu (multimodal) bir mimari üzerine inşa edilen GPT-5; metin, görüntü, ses ve sınırlı düzeyde video girdisini tek bir model içinde işler. Eskiden ayrı modeller olarak sunulan akıl yürütme ve hızlı yanıt kapasiteleri GPT-5 ile birleştirilmiş, ChatGPT ve API üzerinde varsayılan deneyim olarak konumlanmıştır. GPT-5 mimarisinin en belirgin yeniliği "router" katmanıdır: gelen istemin karmaşıklığına göre model, hızlı bir yanıt yolu ile derin akıl yürütme yolu arasında otomatik geçiş yapar. Bu tasarım hem günlük sohbet hem de matematiksel kanıt, kod yazma ve veri analizi gibi karmaşık görevleri tek bir API çağrısıyla yönetmeyi mümkün kılar. Genişletilmiş bağlam penceresi, uzun PDF belgelerini, büyük kod tabanlarını ve çok adımlı plan zincirlerini tutarlı biçimde işler. Tool use, fonksiyon çağırma, file_search ve Code Interpreter yetenekleri GPT-5 üzerinde standart olarak çalışır. ChatGPT Enterprise ve Team planlarında kullanıcı verilerinin eğitim sürecine kapalı tutulması kurumsal gizlilik gereksinimlerini karşılar. Geliştiriciler modele doğrudan OpenAI API'si ya da Microsoft Azure OpenAI servisi aracılığıyla ulaşabilir; ikinci seçenek veri yerleşimi (data residency) gerektiren ekipler arasında yaygın bir tercihtir. Eğitim altyapısı açısından GPT-5, anayasal yönlendirme (constitutional AI) ile zenginleştirilmiş tercih optimizasyonu tekniklerini bir araya getirir. Bu yaklaşım modelin yanlı, zararlı ya da yanıltıcı çıktı üretme olasılığını azaltmaya yönelik sistematik bir denetim katmanı oluşturur. MMLU, GPQA Diamond ve HumanEval gibi temel kıyaslamalarda önceki GPT kuşaklarına göre kayda değer ilerleme kaydedildiği açıklanmıştır. GPT-5; Anthropic Claude Opus 4.8 ve Google Gemini 3.1 ile birlikte 2026 yılının amiral büyük dil modelleri arasında yer alır. Türkçe içerik üretimi, yazılım geliştirme, araştırma özetleme ve agentic görevlerde rekabetçi performans sergiler. Model tercihini belirleyen etkenler genellikle bağlam uzunluğu, multimodal ihtiyaç, gizlilik politikası, ekosistem entegrasyonu ve milyon token başına maliyet kıyaslamasıdır.
Guardrails (AI Koruyucuları)
Guardrails (AI Koruyucuları), bir yapay zeka sisteminin çıktısını denetleyerek zararlı, yanıltıcı, önyargılı veya hizmet politikasıyla çelişen içerikleri engellemeye ya da yönlendirmeye yarayan teknik ve süreçsel kontrol mekanizmalarıdır. Büyük dil modellerinin giderek daha geniş kullanıcı kitlesine ulaşmasıyla birlikte bu mekanizmalar yapay zeka güvenliğinin temel yapı taşı haline gelmiştir. Guardrails, uygulama katmanına göre farklı biçimler alır. Giriş guardrails (input guardrails), kullanıcının gönderdiği prompt'u modele iletilmeden önce denetler; nefret söylemi, kişisel veri sızıntısı veya prompt injection girişimlerini erken aşamada filtreler. Çıkış guardrails (output guardrails), modelin ürettiği metni kullanıcıya gösterilmeden önce inceler ve politika ihlalleri için yanıtı engeller, değiştirir ya da uyarıyla işaretler. Teknik uygulamada guardrails farklı yöntemlerle hayata geçirilir. Kural tabanlı filtreler, yasak kelime listeleri ve düzenli ifade kalıpları aracılığıyla çalışır; hızlı ve deterministiktir ancak bağlam duyarsızdır. Model tabanlı guardrails ise bir sınıflandırıcı veya başka bir dil modeli kullanarak içeriği değerlendirir; bağlamı dikkate alır fakat ek gecikme ve maliyet getirir. OpenAI'nin Moderation API'si ve Meta'nın Llama Guard modeli bu kategorinin önde gelen örnekleridir. Açık kaynak çerçeveler de bu alanda öne çıkmaktadır. NVIDIA NeMo Guardrails ve Guardrails AI (RAIL spesifikasyonu) konu kontrolü, dil şablonu ve olgusallık doğrulama gibi gelişmiş politika katmanları ekler. Amazon Bedrock ve Azure OpenAI gibi kurumsal platformlar ise guardrails özelliklerini yönetilen hizmet olarak sunar. Guardrails yalnızca içerik politikasıyla sınırlı değildir. Kurumsal uygulamalarda kapsam dışı konular (topic filtering), telif hakkı koruması, kişisel verilerin maskelenmesi (PII masking) ve çıktı formatının doğrulanması (structured output validation) da guardrails kapsamında ele alınır. Doğru bir guardrails mimarisi, kullanıcı deneyimini bozmadan model güvenliğini ve uyum gerekliliklerini karşılamalı; sürekli red takımı egzersizleri ve gerçek kullanım verisiyle kalibre edilmelidir.
Graph Mining (Grafik Veri Madenciliği)
Graph Mining (Grafik Veri Madenciliği), düğümler (varlıklar) ve kenarlar (ilişkiler) ile temsil edilen graf yapısındaki gizli desenleri, toplulukları ve bilgileri keşfeden bir veri madenciliği alt dalıdır. Sosyal ağlar, biyolojik moleküler ağlar, bilgi grafları ve dolandırıcılık tespit sistemleri gibi birbirine bağlı veri kümelerinde yaygın biçimde uygulanır. Matematiksel temeli G = (V, E) formülüyle ifade edilir: V düğümler kümesi (kişiler, proteinler, web sayfaları), E ise bu varlıklar arasındaki ilişkiler kümesidir. Graflarda kenarlar yönlü (tek yönlü atıf, takip) veya yönsüz (karşılıklı arkadaşlık), ağırlıklı (etkileşim sıklığı) ya da ikili (var/yok) olabilir. Temel teknikler arasında sık geçen alt-graf madenciliği öne çıkar. gSpan (2002) algoritması, DFS kodlamasıyla sık tekrar eden yapıları verimli biçimde bulur ve kimyasal bileşik veri tabanlarında geniş uygulama alanı bulur. Topluluk tespitinde Louvain algoritması, modülarite değerini optimize ederek milyarlarca düğümlü ağlarda bile O(n log n) hızıyla çalışır. Bağlantı tahmini, mevcut graftan yeni olası kenarları öngörür; bu teknik öneri sistemleri ve ilaç-hedef etkileşim keşfinde kritik rol oynar. Modern Graph Mining, Graf Sinir Ağları (GNN) ile köklü bir dönüşüm geçirdi. GraphSAGE, Graph Attention Network (GAT) ve Graph Convolutional Network (GCN) gibi mimariler, komşu düğümlerden mesaj geçişi yoluyla bağlam-duyarlı gömmeler üretir. Bu yöntemler geleneksel istatistiksel yaklaşımları geride bırakarak siber güvenlik anomali tespiti, sahte haber yayılım modellemesi ve bilgi grafı tamamlama görevlerinde yeni performans standartları belirlemiştir. Uygulama alanları son derece geniştir: Facebook ve LinkedIn'de topluluk analizi, Google Knowledge Graph'ta varlık ilişki sorgulama, biyoinformatikte protein-protein etkileşim ağı analizi ve bankacılıkta işlem ağı tabanlı dolandırıcılık tespiti öne çıkan örneklerdir. Türkiye'de Kredi Kayıt Bürosu ve bankalar, olağandışı ödeme zincirlerini tespit etmek için graf tabanlı analiz yöntemlerinden yararlanmaktadır.
Görüntü Segmentasyonu (Görüntü Segmentasyonu)
Görüntü segmentasyonu, bir dijital görseli anlamlı bölgelere veya nesnelere ayıran, yapay zeka ve bilgisayarlı görü alanının temel işlemlerinden biridir. Ham piksel verisi üzerinde çalışan bu işlem, her pikseli belirli bir sınıfa ya da nesne örneğine atar; böylece bir görüntü içindeki farklı nesne ve yüzeylerin sınırları hassas biçimde belirlenir. Segmentasyon, yalnızca nesne tespitinin (object detection) ötesine geçer: sınırlayıcı kutu (bounding box) yerine nesnenin tam piksel maskesini üretir. Üç ana segmentasyon türü mevcuttur. Semantik segmentasyon, her pikseli bir sınıf etiketiyle işaretler; aynı sınıftaki tüm nesneler tek bir bölge olarak ele alınır. Örneğin bir sokak sahnesinde tüm arabalar tek renk, tüm yayalar başka bir renk ile gösterilir. Instance segmentasyon ise bu yaklaşımı bir adım ileri taşır: aynı sınıftan her nesneyi ayrı bir örnek olarak ayırt eder. İki araba yan yana dursa bile her biri kendi maskesine sahip olur. Panoptik segmentasyon ise semantik ve instance segmentasyonu birleştirerek hem sayılabilen nesnelere (araba, insan) hem de arka plan bölgelerine (yol, gökyüzü) piksel düzeyinde etiket atar. Modern segmentasyon mimarileri derin öğrenmeye dayanır. FCN (Fully Convolutional Network) ile başlayan süreç, U-Net ve SegNet gibi encoder-decoder mimarileriyle olgunlaşmıştır. Transformer tabanlı SegFormer ve Mask2Former, dikkat mekanizmalarını kullanarak küresel bağlamı daha iyi modelleyerek önceki CNN yaklaşımlarını geride bırakmıştır. Meta tarafından geliştirilen SAM (Segment Anything Model) ise herhangi bir nesneyi sıfır görüntüyle (zero-shot) segmente edebilen evrensel bir model olarak alanda çığır açmıştır. Görüntü segmentasyonu; tıbbi görüntülemede tümör ve organ sınırlarının tespiti, otonom araçlarda yol ve engel ayrımı, uydu görüntülerinde arazi örtüsü sınıflandırması, artırılmış gerçeklikte arka plan kaldırma ve endüstriyel kalite kontrolünde kusur tespiti gibi kritik uygulamalarda kullanılmaktadır. Performans ölçütü olarak mIoU (mean Intersection over Union) ve Dice katsayısı yaygın şekilde benimsenmektedir.
Gemini (Google Gemini Yapay Zeka)
Gemini, Google DeepMind tarafından geliştirilen çok modlu (multimodal) yapay zeka model ailesidir. Aralık 2023'te duyurulan ve sürekli güncellenen Gemini; metin, görüntü, ses, video ve kod gibi farklı veri türlerini yerel olarak anlayıp işleyebilir. OpenAI'nın GPT serisi ve Anthropic'in Claude ailesiyle doğrudan rekabet eden Gemini, Google'ın yapay zeka stratejisinin merkezindeki platformdur. Model ailesi performans katmanlarına göre yapılandırılmıştır. Gemini 2.5 Pro, Mart 2025'te tanıtılan günümüzün amiral gemisi modelidir; karmaşık akıl yürütme, yazılım mühendisliği (SWE-bench'te yüzde 78 tamamlama oranı) ve çok adımlı görevlerde üst düzey performans gösterir. Gemini 2.0 Flash, genel amaçlı ve hızlı çıkarım için optimize edilmiş dengeli seçenektir. Gemini Nano ise düşük güç gereksinimiyle Pixel gibi Android cihazlarda internet bağlantısı olmadan yerel olarak çalışır. Bu katmanlı yapı, uygulama geliştirme ekiplerinin maliyet, hız ve doğruluk dengelerine göre en uygun modeli seçmesine imkân tanır. Teknik açıdan Gemini'nin en belirleyici özelliği yerel multimodal eğitimidir. GPT-4V'dan farklı olarak Gemini, başından itibaren metin, görüntü, ses ve video verisiyle birlikte eğitilmiştir. Bu tasarım tercihi, özellikle ses ve video anlama görevlerinde modele yapısal bir avantaj kazandırır. Bağlam penceresi kapasitesi de Gemini'yi öne çıkaran özellikler arasındadır. Gemini 1.5 Pro ile başlayan ve 2.5 Pro'da da korunan 1 milyon token kapasitesi; saatlik video, 700.000 kelimelik belgeler ya da büyük kod tabanlarının tek bir istemde işlenmesine imkân tanır. Standart GPT-4'ün 128K token limitiyle karşılaştırıldığında bu fark yaklaşık sekiz kata ulaşır. Google ürün ekosistemiyle derin entegrasyon Gemini'yi rakiplerinden ayıran kritik bir etkendir. Google Search'teki AI Overviews, Gmail'deki akıllı yazma önerileri, Google Workspace araçlarındaki içerik üretim özellikleri ve Android asistanı bu entegrasyonun öncü örneklerini oluşturur. API erişimi, ücretsiz katmanıyla Google AI Studio ve kurumsal düzeyde Vertex AI üzerinden sunulmaktadır.
Google Colab (Google Colaboratory)
Google Colaboratory (kısaca Colab), Google tarafından geliştirilen, tarayıcı üzerinden erişilebilen ücretsiz bir bulut Jupyter Notebook platformudur. Herhangi bir yerel kurulum gerektirmeksizin Python tabanlı makine öğrenimi ve yapay zeka projeleri geliştirmeye imkân tanır; NVIDIA GPU ve Google TPU kaynaklarına ücretsiz planda sınırlı, ücretli planlarda ise öncelikli biçimde erişim sunar. Colab'ın teknik temeli Jupyter Notebook protokolüne dayanır; kod hücreleri ve zengin metin hücreleri karma bir belgede bir arada bulunabilir. Notebook'lar otomatik olarak Google Drive'a .ipynb formatında kaydedilir. Gerçek zamanlı ortak düzenleme, paylaşım bağlantısı ve GitHub entegrasyonu ile Colab, hem eğitim hem araştırma süreçlerinde işbirliğini kolaylaştırır. TensorFlow, PyTorch, Keras, NumPy, pandas ve Matplotlib gibi makine öğrenimi kütüphaneleri önceden yüklü olarak gelir. Ücretsiz planda erişilebilen NVIDIA T4 GPU, temel derin öğrenme deneyleri için yeterli kapasiteyi sunar; ancak oturum süresi yaklaşık 12 saatle sınırlıdır ve bağlantı kesildiğinde çalışma ortamı sıfırlanır. Colab Pro (~10 $/ay) planı V100 ve A100 GPU'lara öncelikli erişim, uzun oturum süreleri ve 100 GB Drive depolama alanı sunar. Colab Pro+ (~50 $/ay) planı arka planda çalıştırma (background execution), 2 TB Drive depolama ve terminal erişimi gibi gelişmiş özellikler içerir. Platformun en yaygın kullanım alanları arasında öğrencilerin derin öğrenme modellerini eğitmesi, Kaggle yarışmacılarının veri analizi ve model geliştirme süreci, büyük dil modellerinin ince ayarı (fine-tuning), Stable Diffusion ile görüntü üretimi ve ses işleme projeleri yer almaktadır. Google'ın kendi araştırma demoları çoğunlukla Colab notebook'ları olarak yayımlanır; bu durum platformu yapay zeka topluluğunun fiilen kullandığı bir referans ortama dönüştürmektedir. Temel kısıtlamalar şunlardır: GPU kotasının yoğun kullanımda dolması, internet bağlantısı zorunluluğu, büyük veri kümeleriyle çalışmada Drive depolama sınırlamaları ve uzun eğitim süreçlerinde oturum zaman aşımı riski. Bu kısıtlamaları aşmak isteyen kullanıcılar genellikle ücretli planları veya alternatif bulut platformlarını tercih etmektedir.
Groq (LPU) (Dil İşleme Birimi)
Groq, 2016 yılında Google TPU tasarımcısı Jonathan Ross tarafından kurulan ve büyük dil modellerinin (LLM) çıkarım (inference) hızını köklü biçimde artıran bir yapay zeka donanım şirketidir. Şirket, NVIDIA GPU'larından farklı bir tasarım felsefesiyle geliştirdiği LPU (Language Processing Unit — Dil İşleme Birimi) adını verdiği özel çiple tanınmaktadır. GPU'lar, matris çarpımlarındaki paralel işlem kapasiteleri nedeniyle model eğitiminde son derece etkilidirler; ancak otoregressif metin üretiminde belirgin bir darboğazla karşılaşırlar. Her yeni token üretilirken model ağırlıklarının tamamı yüksek bant genişlikli bellekten (HBM) okunmak zorundadır ve bu tekrarlayan döngü GPU mimarisini verimsiz kılar. Groq'un LPU mimarisi bu sorunu kökten ele alır: sabit bir hesaplama grafiği üzerinde çalışan tek çekirdekli deterministik akış tasarımıyla bellek bant genişliği darboğazını ortadan kaldırır. Bu mimari tercihin pratik sonuçları somuttur. LPU, Llama 3 70B gibi büyük açık kaynaklı modelleri saniyede 800'ün üzerinde token hızıyla çalıştırabilir; bu değer NVIDIA H100 kümesine kıyasla 5-10 kat daha yüksektir. Düşük gecikme ve yüksek verim, gerçek zamanlı ses çevirisi, konuşma asistanları ve yüksek trafikli sohbet uygulamaları gibi gecikme kritik senaryolarda belirgin avantaj oluşturmaktadır. Groq, donanımını GroqCloud adlı bulut API'si üzerinden geliştirici erişimine açmaktadır. Bu API, OpenAI istemcisiyle tam uyumlu olduğundan mevcut kodlarda yalnızca model adını değiştirmek yeterlidir. Desteklenen modeller arasında Llama 3 ailesi, Mixtral, Gemma ve Whisper yer almaktadır. Whisper entegrasyonu, düşük gecikmeli ses-metin dönüştürme iş akışlarında özellikle dikkat çekicidir. Rekabet ortamında Groq; AWS Inferentia, Cerebras CS-3 ve NVIDIA'nın Blackwell serisi sistemleriyle yarışmaktadır. Şirketin mevcut odak noktası tamamen çıkarım iş yüklerine yöneliktir; model eğitimi hizmetleri şu an kapsam dışındadır. GroqCloud'un ücretsiz katmanı, prototip geliştiricilerin dakika başına token kotasıyla sistemi denemesine olanak tanımaktadır; ücretli katmanlarda maliyet 1 milyon token başına 0.05-0.27 dolar arasında değişmektedir.
Grok (Grok)
Grok, xAI tarafından 2023 yılında geliştirilen ve X (eski adıyla Twitter) platformuyla derin entegrasyon sunan büyük dil modeli tabanlı yapay zeka sohbet asistanıdır. xAI, Elon Musk önderliğinde kurulmuş olup Grok'u OpenAI'ın GPT serisi ve Google'ın Gemini'siyle doğrudan rekabet eden bir alternatif olarak konumlandırmaktadır. Grok'un en belirgin özelliği, X platformundaki gerçek zamanlı veri akışına erişimidir. Bu entegrasyon, Grok'a diğer büyük dil modellerinin çoğunun sunamadığı güncel haber ve trend bilgisi sunar. DeepSearch özelliği, karmaşık soruları yanıtlamak için web'i ve X'i tarayarak kaynakları sentezler. Thinking Mode ise adım adım muhakeme yürüterek matematiksel ve analitik problemlerde daha derin çözümler üretir. 2026 itibarıyla Grok serisinin en gelişmiş modeli Grok 4'tür. Grok 4, 2 milyon token bağlam penceresi ve ileri düzey matematiksel akıl yürütme kapasitesiyle öne çıkar. Grok 4 Heavy ise çoklu ajan mimarisi kullanarak karmaşık çok adımlı görevlerde performansı artırır. Haziran 2026'da SpaceX ve Tesla çalışanlarıyla özel beta sürecine giren Grok 4.5, V9 mimarisi ve yaklaşık 1,5 trilyon parametreyle bir sonraki neslin habercisidir. Ağustos 2026 itibarıyla xAI, Grok API'yi üçüncü taraf geliştiricilere açarak ekosistemi genişletmiş; kurumsal kullanım planları da portföye eklenmiştir. Görsel yetenekler açısından Grok, Aurora adı verilen görüntü üretim modelini bünyesinde barındırır. Grok Imagine API ayrıca video üretim kapasitesi de sunar. Bu çok modlu yapı Grok'u yalnızca metin tabanlı bir asistan olmaktan çıkarır. Erişim modeli katmanlı bir yapıya sahiptir: X hesabıyla ücretsiz ve sınırlı kullanım mümkünken; X Premium+ veya SuperGrok aboneliği tam kapasite erişim sunar. Grok'un diğer asistanlardan ayrılan kişilik özellikleri arasında Otostopçunun Galaksi Rehberi'nden ilham alan alaycı ve doğrudan üslubu sayılabilir. Bu kişilik tasarımı, modeli rakiplerinin daha ihtiyatlı tutumundan kasıtlı olarak ayırt etmek amacıyla benimsenmiştir. xAI'ın uzun vadeli hedefi, Grok'u yalnızca bir sohbet arayüzü olarak değil; karmaşık bilimsel ve mühendislik problemlerini çözebilen bir akıl yürütme motoru olarak konumlandırmaktır. Şirket bu doğrultuda güvenlik ve hizalama araştırmalarını da sürdürmektedir.
Green AI (Yeşil Yapay Zeka)
Green AI (Yeşil Yapay Zeka), yapay zeka sistemlerinin geliştirilmesi ve işletilmesi sırasında enerji tüketimini, karbon emisyonunu ve çevresel etkiyi minimize etmeyi hedefleyen bir yaklaşım ve araştırma alanıdır. Büyük dil modelleri ve derin öğrenme sistemleri, eğitim aşamasında devasa hesaplama kaynakları tüketmektedir; GPT-3'ün tek eğitim sürecinin yaklaşık 1.287 MWh elektrik ve 552 ton CO₂ eşdeğeri emisyon ürettiği tahmin edilmektedir. Green AI, bu çevresel maliyeti azaltmak için birbirini tamamlayan birkaç strateji izler. İlk strateji verimli model tasarımıdır: daha az parametre ve işlem gerektiren mimariler (örneğin bilgi damıtma, yapısal budama) benzer doğruluk oranlarına çok daha düşük enerji harcamasıyla ulaşır. İkinci strateji hesaplama verimliliğidir: Flash Attention, niceleme ve spekülatif çözümleme gibi teknikler çıkarım aşamasındaki elektrik tüketimini dramatik biçimde kısaltır. Donanım ve veri merkezi optimizasyonu da kritik bir boyut oluşturmaktadır. Yenilenebilir enerji kaynaklarıyla beslenen veri merkezleri, AI iş yüklerinin düşük karbon yoğunluklu bölgelerde çalıştırılması ve atık ısı geri kazanımı gibi uygulamalar, altyapı düzeyindeki karbon ayak izini önemli ölçüde azaltmaktadır. Ölçüm ve raporlama şeffaflığı da Green AI'nın temel bileşenlerinden biridir: "Model Kartları" ve "Hesaplama Kartları" gibi belgeler, araştırmacıların ve kullanıcıların bir modelin çevresel maliyetini değerlendirmesini mümkün kılar. Green AI aynı zamanda "Red AI" kavramıyla karşılaştırılır: Red AI yalnızca performansa odaklanarak hesaplama bütçesini göz ardı eden yaklaşımı simgelerken, Green AI başarıyı hem doğruluk hem de verimlilik eksenleri üzerinden tanımlar. Araştırmacılar, yayınlarda CO₂ eşdeğeri ve kWh tüketimini raporlamayı standart hale getirmeye çalışmaktadır. Pratik açıdan bakıldığında küçük ve orta ölçekli işletmeler için Green AI, bulut AI hizmetlerini kullanırken bölge seçimi, batch işleme ve spot instance kullanımı gibi yöntemlerle hem maliyet hem karbon tasarrufu anlamına gelebilir. 2026 itibarıyla Avrupa AI Yasası ve çeşitli kurumsal ESG raporlama standartları, AI sistemlerinin çevresel etkisini açıklamayı giderek zorunlu kılmaktadır.
Generative Pre-trained Transformer (Üretken Ön-eğitimli Dönüştürücü)
GPT (Generative Pre-trained Transformer), OpenAI tarafından geliştirilen ve Transformer mimarisinin yalnızca decoder (kod çözücü) bloğunu kullanan büyük dil modeli ailesidir. Adındaki üç sözcük mimariyi tam olarak tanımlar: "Generative" (üretici), modelin yeni metin ürettiğini; "Pre-trained" (önceden eğitilmiş), devasa bir metin korpusu üzerinde denetimsiz öğrenimle hazırlandığını; "Transformer", kullanılan sinir ağı mimarisini ifade eder. GPT modelleri, bir sonraki kelimeyi tahmin etme (next-token prediction) görevi üzerinden eğitilir. Model, milyarlarca metin örneğini gördükten sonra dil bilgisi, mantık yürütme, kod yazma ve yaratıcı üretim gibi yetenekleri örtük biçimde edinir; bu sürece "emergent capability" (beliren yetenek) denir. GPT serisi 2018'de GPT-1 ile başlamıştır: 117 milyon parametreli bu model, dil modellemesinde büyük bir sıçrama olmakla birlikte dönemin BERT modeliyle kıyaslandığında sınırlı kaldı. 2019'da yayımlanan GPT-2 (1,5 milyar parametre), o kadar güçlü bir metin üretimi sergiledi ki OpenAI modeli başlangıçta tam sürümüyle kamuya açmaktan kaçındı. GPT-3 (2020, 175 milyar parametre) az örnekli öğrenme (few-shot learning) alanında çığır açtı: Model, yalnızca birkaç örnek gördükten sonra görev genellemesi yapabiliyor, ince ayar (fine-tuning) gerekmiyordu. GPT-3.5 ve ardından 2023'te duyurulan GPT-4, çok modlu (multimodal) girişi ve güçlendirilmiş mantık yeteneklerini bünyesine kattı. GPT-4o ise metin, ses ve görüntüyü tek bir modelde birleştirerek gerçek zamanlı çok modlu diyaloğu mümkün kıldı. GPT modellerinin eğitimi iki ana aşamadan oluşur. İlk aşamada denetimsiz ön eğitim (unsupervised pre-training) ile model internet metinleri, kitaplar ve kod içeren geniş bir veri kümesi üzerinde eğitilir. İkinci aşamada ise RLHF (Reinforcement Learning from Human Feedback — İnsan Geri Bildiriminden Pekiştirmeli Öğrenme) kullanılarak model insan tercihlerine hizalanır; bu süreç güvenli, yararlı ve dürüst yanıtlar üretmeyi hedefler. GPT'nin temel gücü, bağlamsal dil anlama ve üretmedeki esnekliğidir. Farklı sektörlerde müşteri hizmetleri, kod tamamlama, tıbbi yazışma özeti, hukuki belge analizi ve eğitim içeriği üretimi gibi kullanım alanları mevcuttur. ChatGPT, GPT modellerinin bir chat arayüzüyle sunulan versiyonudur ve GPT'nin kendisi ile aynı şey değildir; ChatGPT bir ürün, GPT ise altta yatan model ailesidir.
GRU (Gated Recurrent Unit) (GRU (Kapılı Tekrarlayan Birim))
GRU (Gated Recurrent Unit — Kapılı Tekrarlayan Birim), 2014 yılında Kyunghyun Cho ve ekibi tarafından önerilen, klasik Tekrarlayan Sinir Ağı (RNN) mimarisinin uzun vadeli bağımlılıkları öğrenmek için geliştirilmiş bir türevidir. Standart RNN'lerin temel sorunu olan kaybolan gradyan problemi (vanishing gradient), uzun dizilerde modelin erken adımlardaki bilgileri "unutmasına" yol açar. GRU bu sorunu, hangi bilgilerin saklanacağını ve hangilerinin atılacağını kontrol eden kapı (gate) mekanizmaları ile çözer. GRU, LSTM (Long Short-Term Memory) ile karşılaştırıldığında daha sade bir mimariye sahiptir. LSTM'de üç ayrı kapı (input, forget, output) ve ayrı bir hücre durumu (cell state) bulunurken, GRU yalnızca iki kapı kullanır: Güncelleme Kapısı (Update Gate) ve Sıfırlama Kapısı (Reset Gate). Bu sadeleştirme eğitim süresini ve bellek kullanımını önemli ölçüde azaltırken pek çok görevde LSTM ile kıyaslanabilir başarım elde edilmesini mümkün kılar. Güncelleme Kapısı (Update Gate), bir önceki gizli durumun (hidden state) ne kadarının yeni duruma aktarılacağını belirler. Bu kapı, geçmiş bilgilerin ne ölçüde korunacağını kontrol eder ve uzun vadeli bellek işlevi görür. Sıfırlama Kapısı (Reset Gate) ise geçmiş bağlamın ne kadarının yeni içeriği hesaplamak için kullanılacağını düzenler; geçmiş bilginin önemsiz olduğu durumlarda bu kapı kapatılarak gizli durum temizlenebilir. GRU, doğal dil işleme, konuşma tanıma, zaman serisi tahmini ve makine çevirisi gibi ardışık veri içeren görevlerde yaygın olarak kullanılır. Özellikle veri miktarının sınırlı olduğu veya hesaplama kapasitesinin kısıtlı olduğu durumlarda LSTM'ye kıyasla tercih edilir. Çift yönlü GRU (Bidirectional GRU) dizi bağlamını hem ileri hem geri yönde yakalayarak duygu analizi ve adlandırılmış varlık tanıma gibi görevlerde üstünlük sağlar. PyTorch'ta torch.nn.GRU, TensorFlow/Keras'ta ise tf.keras.layers.GRU sınıfıyla tek satır kodla kullanıma hazırdır. Hibrit Transformer-GRU mimarileri de araştırma literatüründe giderek daha fazla yer bulmaktadır.