G Harfi ile Başlayan Terimler
Grounding (Temellendirme)
Groundning (temellendirme), yapay zeka modellerinin ciktisini dogrulanabilir, gercek dunyayla uyumlu ve guvenilir bilgiye baglama surecidir. Buyuk dil modellerinin uretebilecegi yanlis, uydurma veya baskaliksiz bilgileri (halusinasyonlari) azaltmak icin uygulanan teknik ve mimarilerin genel adidir. Temel grounding yaklasımlari iki kategoride incelenir. Veri temelli grounding'da model, yanit uretirken harici bilgi kaynagina (belge, veri tabani, web araması) erisir ve yaniti bu kaynaklara dayandirır. RAG (Retrieval-Augmented Generation) bu kategorinin en yaygin ornekidir. Agis temelli grounding'da ise modele yanit olustururken kullanilacak referans belgeler veya baglam dogrudan saglanir. Yer ismi ve olgular bağlaminda grounding, adlarin gercek nesnelere veya kavramlara baglınmasıdır. Ornegin 'Paris' ifadesi, soyut bir karakter yerine gercekten Fransa'nin baskentine baglanmalidir. Bu tur grounding, entity linking ve bilgi grafigi entegrasyonu araciligiyla gerceklestirilir. Google gibi arama motorlari, Gemini modeline arama sonuçlarına erisim vererek grounding saglar. Bing Chat, sonuclari sitemize gonullu baglantılarla referans gostererek kaynak temelli dogrulama saglamaktadir. Azure AI Grounding API, kurumsal uygulamalarda modele spesifik belge kümelerine erisim saglanarak denetimli grounding gerceklestirilmesine olanak tanir. Grounding, oz-tutarlilik ile cakisir: model, birbiriyle cakisan iki yanit verdigi zaman ikisi de tutarli kabul edilemez. Grounding metrikleri arasinda RARR (Retrieval Augmented Revision and Rephrasing), QAGS ve Attribution Score gibi yontemler bulunmaktadir.
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.
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.
GitHub Copilot Nedir? AI Destekli Kod Asistanı (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 de mevcuttur.
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.
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.
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.
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 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 karşılamalıdır.
Graph Attention Network (GAT) Nedir? (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.
Generative AI (Üretken (Generatif) Yapay Zeka)
Generatif Yapay Zeka (Üretken Yapay Zeka), var olan verilerden kalıpları öğrenerek daha önce hiç görülmemiş özgün içerikler üretebilen yapay zeka sistemleri ailesinin genel adıdır. Geleneksel yapay zeka modelleri yalnızca veriyi sınıflandırır ya da tahminler üretir; buna karşın generatif modeller metin, görüntü, ses, video, 3D model ve kod gibi çok çeşitli formatlarda tamamen yeni içerik sentezleyebilir. Bu alanın iki temel mimarisi bulunur. Birincisi Transformer tabanlı büyük dil modelleridir (LLM). GPT-4o, Gemini ve Claude gibi modeller trilyonlarca metin tokenından öğrenerek insan düzeyinde metin üretir; soru yanıtlar, özetler ve kod yazar. İkincisi ise Yayılım (Diffusion) modellerdir: DALL-E 3, Midjourney ve Stable Diffusion, rastgele gürültüden başlayarak katman katman anlamlı görüntüler oluşturur. Bu süreç, gürültü ekleme adımlarını tersten işleterek gerçekleştirilir. Generatif yapay zekanın tarihsel dönüm noktaları incelendiğinde, 2014 yılında Ian Goodfellow tarafından geliştirilen Üretici Çekişmeli Ağlar (GAN) bu alanın temel taşlarından biri olarak öne çıkar. 2017'de Google'ın "Attention Is All You Need" makalesiyle duyurduğu Transformer mimarisi dil modellemedeki paradigmayı kökten dönüştürdü. 2022'de kamuoyuna açılan ChatGPT, teknolojinin ana akıma taşınmasını sağladı: ilk iki ayda 100 milyonu aşkın kullanıcıya ulaşarak tarihin en hızlı büyüyen tüketici uygulaması oldu. 2024-2025 döneminde alan çok modlu (multimodal) yapıya kavuştu. GPT-4o, Claude 3.7 ve Gemini 2.0 gibi modeller artık metin, görüntü, ses ve videoyu tek bir çatı altında bütünleşik biçimde işleyebilmektedir. Bu gelişme, tıbbi görüntü analizi, erişilebilirlik çözümleri ve gerçek zamanlı çeviri gibi alanlarda yeni kapılar araladı. Küçük ama güçlü modeller (SLM) de öne çıktı: Phi-4 ve Llama 3.2 gibi sistemler, bulut bağımlılığı olmadan edge cihazlarda yerel biçimde çalışabilmektedir. Generatif modellerin eğitiminde RLHF (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme) belirleyici bir rol oynar. Modelden elde edilen çıktılar insan değerlendiriciler tarafından sıralanır; bu sıralamadan öğrenen bir ödül modeli, ana modelin daha yararlı ve güvenli yanıtlar vermesi için rehberlik eder. Büyük modeller aynı zamanda ince ayar (fine-tuning) ve bağlam içi öğrenme (in-context learning) yöntemleriyle belirli görevlere uyarlanabilir. Uygulama alanları son derece geniştir: müşteri hizmetleri chatbotları, kişiselleştirilmiş eğitim, pazarlama içeriği üretimi, ilaç molekülü tasarımı, oyun içi grafik yaratma ve yazılım geliştirme asistanlığı bunların başında gelir. Hallüsinasyon (yanlış bilgi üretme), telif hakkı ihlalleri ve dezenformasyon riski ise alanın güncel başlıca tartışma konularıdır.
Grok Nedir? xAI'ın Yapay Zeka Sohbet Asistanı (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 sağlar. 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. Görsel yetenekler açısından Grok, Aurora adı verilen görüntü üretim modelini bünyesinde barındırır. Grok Imagine API ayrıca video üretim kapasitesi de sunmaktadır. 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 sağlar. 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.
Gradient Boosting Nedir? Gradyan Artırma Algoritması (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.
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.
Google Colab Nedir? (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 donanımlarına bulut üzerinden erişim sunarak kod yazma, çalıştırma ve paylaşma sürecini kolaylaştırır. Ücretsiz hesaplarda NVIDIA T4 GPU'ya günlük sınırlı sürelerle erişim sunulur. Colab Pro (aylık yaklaşık 10 dolar) ve Pro+ abonelik planları ise V100 veya A100 GPU, uzatılmış çalışma süreleri ve arka planda yürütme gibi ek özellikler içerir. Notebook'lar Google Drive'da depolandığından ekip çalışması ve paylaşım oldukça pratiktir. TensorFlow, PyTorch, Keras ve Scikit-learn gibi popüler kütüphaneler Colab ortamına önceden kurulu gelir. Öğrenciler, araştırmacılar ve Kaggle yarışmacıları; büyük dil modeli ince ayarı, görüntü sınıflandırma, doğal dil işleme ve bilgisayarla görü gibi projeleri yerel donanım gerektirmeden doğrudan çalıştırabilir. 2024 itibarıyla Colab içinde Gemini AI asistanı entegrasyonu da sunulmaya başlanmıştır. Bazı önemli kısıtlamalar da göz önünde bulundurulmalıdır: Ücretsiz planda GPU süreleri belirsizdir ve yoğun talep dönemlerinde erişim kesilebilir. Oturumlar arasında dosya sistemi sıfırlandığından büyük veri setleri için Google Drive entegrasyonu ya da harici depolama gerekir. Uzun süreli model eğitimleri için ücretli plan ya da özel bulut altyapısı daha güvenilir bir seçenek olarak öne çıkar. Colab, yapay zeka öğrenmek isteyen herkes için düşük giriş eşiğiyle öne çıkan vazgeçilmez bir araçtır; hem bireysel öğrenme hem de hızlı prototipleme için idealdir.
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.
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.
Groq LPU (Groq LPU (Dil İşlem Birimi))
Groq LPU (Language Processing Unit — Dil İşlem Birimi), Google'in TPU ekibinin eski mühendisi Jonathan Ross tarafından 2016 yılında kurulan Groq şirketinin geliştirdiği, büyük dil modeli çıkarımı için tasarlanmış özel amaçlı bir çip mimarisidir. Geleneksel GPU'ların paralel matris hesaplamalarına göre optimize edilmiş mimarisi yerine LPU, otoregresif token üretiminin doğrusal ve belirleyici yapısına özel olarak tasarlanmıştır. LPU mimarisinin temel bileşeni TSP'dir (Tensor Streaming Processor). TSP, bellek bant genişliği darboğazını ortadan kaldırmak için hesaplama ile belleği tek bir fiziksel katmana entegre eder; bu sayede her hesap döngüsünde veri yükü ve boşaltımı için bekleme süresi minimuma iner. GPU tabanlı çıkarımda en büyük gecikme kaynağı olan DRAM erişim gecikmesi, LPU mimarisinde büyük ölçüde elimine edilir. Performans açısından Groq GroqCloud platformu, Llama 3.1 70B modeli için saniyede 800 tokenın üzerinde, Mixtral 8x7B için ise saniyede 500 tokenın üzerinde işleme hızına ulaşmaktadır. Bu rakamlar, aynı modelleri çalıştıran NVIDIA H100 GPU kümelerinin tipik 50-120 t/s performansının çok üzerindedir. Groq bu avantajı "deterministic compute" ilkesine dayandırır: GPU'larda çekirdek zamanlaması dinamik olduğundan gecikme değişkendir; LPU'da ise tüm işlemler sabit bir zaman çizelgesinde yürütülür, bu da hem gecikmeyi hem de değişkenliği azaltır. GroqCloud, geliştiricilere OpenAI API ile uyumlu bir REST arayüzü sunar; bu sayede mevcut uygulamalar minimum kod değişikliğiyle Groq altyapısına geçebilir. Desteklenen modeller arasında Meta Llama 3 serisi, Mistral, Gemma ve Whisper yer almaktadır. Ücretsiz kademede dakika başına belirli token limiti ile kullanım mümkündür; kurumsal planlar daha yüksek kota ve SLA güvenceleri sunar. Rekabet ortamı açısından Groq, Cerebras WSE-3 (wafer-scale engine) ve özelleştirilmiş çıkarım hızlandırıcıları üreten SambaNova, Tenstorrent gibi şirketlerle yarışmaktadır. Veri merkezi ölçeğinde NVIDIA yeni çıkarım odaklı ürünler geliştirmektedir. Groq'un en önemli avantajı hazır API erişimi ve son derece düşük gecikme süresidir; bu, gerçek zamanlı konuşma asistanları, kod tamamlama ve anlık arama uygulamaları için tercih edilen platform haline gelmesini sağlar.
Graph Mining Nedir? Grafik Veri Madenciliği (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.
Graph Neural Networks (Çizge Sinir Ağları)
Çizge sinir ağları (GNN), düğümler ve kenarlardan oluşan grafik yapılar üzerinde derin öğrenme işlemleri gerçekleştiren yapay sinir ağı mimarileridir. Geleneksel derin öğrenme modelleri ızgara benzeri verilerde (görüntüler için CNN, diziler için RNN) mükemmel sonuçlar verirken, sosyal ağlar, moleküler yapılar, bilgi grafikleri ve ulaşım ağları gibi düzensiz grafik yapılarında yetersiz kalıyordu. GNN'ler bu boşluğu doldurmak için geliştirilmiştir. GNN'nin temel çalışma prensibi mesaj geçişidir (message passing): her düğüm, komşu düğümlerden bilgi (mesaj) toplayarak kendi temsilini günceller. Bu süreç birden fazla katmanda tekrarlanarak düğümlerin daha geniş komşuluklarındaki bilgiyi yakalamasına olanak tanır. Graf Evrişimsel Ağlar (GCN), Graf Dikkat Ağları (GAT), GraphSAGE ve Graph Isomorphism Networks (GIN) gibi popüler GNN varyantları farklı mesaj geçiş stratejileri kullanır. GCN, spektral grafik teorisini kullanarak evrişim işlemini grafiklere genelleştirirken, GAT dikkat mekanizmaları ile farklı komşulara farklı ağırlıklar atar. GNN'lerin uygulama alanları son derece çeşitlidir. İlaç keşfinde moleküler özellik tahmini, sosyal ağ analizinde topluluk tespiti, öneri sistemlerinde kullanıcı-ürün etkileşim modelleme, kod analizi ve hata tespiti, trafik ve rota optimizasyonu bu alanların başında gelir. Özellikle AlphaFold'un protein yapısı tahmini büyük ölçüde GNN mimarilerine dayanmaktadır. Bu modeller, grafik verilerinin doğal yapısını koruyarak güçlü temsiller öğrenmesi sayesinde modern yapay zeka araştırmalarının merkezine yerleşmiştir. GNN'ler ayrıca heterojen grafiklerde (farklı türde düğüm ve kenarlar içeren) ve dinamik grafiklerde (zamanla değişen) de çalışacak şekilde genişletilebilir, bu da onları gerçek dünya problemlerine oldukça uygun kılar.
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 şekilde 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. Pratikte `ollama run gemma3:4b` komutuyla dakikalar içinde denenebilir; kurumsal tarafta ise Google AI Studio ve Vertex AI üzerinden yönetilen API erişimi de mevcuttur.
Gemini 3.1 (Gemini 3.1)
Gemini 3.1, Google DeepMind tarafından 2026 yılında yayımlanan ve Gemini ailesinin en yeni amiral sürümüdür. Baştan multimodal olarak tasarlanan Gemini mimarisi; metin, görüntü, ses, video ve kod tokenlerini aynı temel modelde işler. 3.1 sürümünde DeepMind, akıl yürütme kalitesini artıran "Deep Think" modu, uzun video anlayışı ve Google ekosistemi ile genişleyen araç kullanımı üzerinde önemli iyileştirmeler yaptığını duyurmuştur. Model, Google AI Studio ve Vertex AI üzerinden geliştiricilere; Gemini uygulaması, Google Workspace ve Android cihazlardaki yardımcı deneyimler üzerinden ise son kullanıcılara sunulur. Vertex AI tarafında kurumsal müşteriler bölge seçimi, VPC Service Controls, müşteri yönetimli anahtarlar ve ayrıntılı denetim günlükleri gibi özelliklere erişebilir. Bu konum, Google Cloud üzerinde çalışan ekipler için Gemini'yi düşük sürtünmeli bir seçim hâline getirir. Gemini 3.1'in güçlü yönlerinden biri çok büyük bağlam pencereleridir; bir milyon token sınırına ulaşan sürümler, tüm bir kod tabanını, uzun video transkriptlerini ve geniş bilgi tabanlarını tek istek içinde analiz edebilir. Görsel sorgulama, çoklu görüntü mantığı ve canlı kamera akışına dayalı yanıtlar gibi görevlerde başarılı sonuç verir. Diğer 2026 amiral modelleri olan Claude Opus 4.8 ve GPT-5 ile sıkça karşılaştırılır. Genellikle multimodal görevlerde, video temelli iş akışlarında ve Google'ın arama-bilgi entegrasyonunu kullanan senaryolarda öne çıkar; saf metin akıl yürütme ve kurumsal yazılım entegrasyonu tercihleri ise diğer modellere kaymış olabilir. Seçim kriterleri arasında bağlam uzunluğu, bölge seçimi, gizlilik politikası ve milyon token başına ücretlendirme bulunur.
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.
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.
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 modelde 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 sayede hem günlük sohbet hem de matematiksel kanıt, kod yazma ve veri analizi gibi zor görevler tek bir API çağrısıyla yönetilebilir. Genişletilmiş bağlam penceresi, uzun PDF'leri, monorepo'ları ve çok adımlı plan zincirlerini kaybetmeden işlemeyi mümkün kılar. OpenAI'nin tool use, fonksiyon çağırma, file_search ve Code Interpreter gibi yetenekleri GPT-5 üzerinde standart olarak çalışır. ChatGPT Enterprise ve Team planlarında veri kullanım politikası eğitime kapalı tutulurken, Plus ve ücretsiz katmanlarda farklı kullanım limitleri uygulanır. Geliştiriciler aynı modele Microsoft Azure OpenAI servisi üzerinden bölgesel olarak da ulaşabilir; bu, kurumsal uyumluluk gerektiren ekipler için yaygın bir tercihtir. GPT-5; Anthropic Claude Opus 4.8 ve Google Gemini 3.1 ile birlikte 2026'nın amiral büyük dil modelleri arasında değerlendirilir. Türkçe içerik üretimi, kod yazımı ve araştırma görevlerinde karşılaştırmalı testlerde rekabetçi sonuçlar verir. Hangisinin tercih edileceği genellikle bağlam uzunluğu, multimodal ihtiyaç, gizlilik politikası, ekosistem entegrasyonu ve milyon token başına maliyet karşılaştırmasıyla belirlenir.
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.
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.
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 sayesinde GRU, eğitim süresini ve bellek kullanımını önemli ölçüde azaltırken pek çok görevde LSTM ile kıyaslanabilir başarım elde eder. 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 sıfırlama kapısı kapatılarak gizli durum temizlenebilir. GRU, doğal dil işleme, konuşma tanıma, zaman serisi tahmini ve makine çevirisi gibi ardışık (sequential) veri içeren görevlerde yaygın olarak kullanılır. Özellikle veri miktarının sınırlı olduğu veya hesaplama kapasitesinin kısıtlı olduğu durumlarda LSTM'ye tercih edilir. PyTorch ve TensorFlow/Keras gibi derin öğrenme çerçevelerinde yerleşik GRU katmanları bulunmaktadır ve tek satır kodla kullanıma hazırdır.
Gemini (Google Gemini Yapay Zeka)
Gemini, Google DeepMind tarafindan gelistirilen multimodal yapay zeka modelidir. 2023 yilinda duyurulan Gemini, metin, goruntu, ses, video ve kod gibi farkli modaliteleri yerel olarak anlayip isleyebilen guclu bir dil modeli ailesidir. OpenAI'nin GPT modelleri ve Anthropic'in Claude'u ile rekabet eden Gemini, Google'ın yapay zeka stratejisinin merkezine yerlestirilmistir. Gemini modellerinin bircok boyutu vardir. Gemini Ultra, en buyuk ve en guclu model olup AGI yolundaki en gelismis surumudur. Gemini Pro, genis caplı uygulamalar icin dengeli guç ve verimlilik sunar. Gemini Nano ise mobil cihazlarda yerel olarak calistirilebilen, kaynak verimli surumudur. Bu hiyerarsik yapi, uygulamalarin gereksinimlerine gore dogru model buyuklugunu secmelerine olanak tanır. Gemini 1.5 Pro, genisletilmis baglam penceresi (1 milyon token'a kadar) ile one cikti. Bu ozellik, cok uzun belgeleri, saatlik video veya tum kod tabanlarini tek bir istem cercevesine sigdirmay mumkun kilar. 2024'te tanitilan Gemini 2.0 Flash ise daha hizli ve verimli bir yapida sunulmustur. Gemini, Google'in urun ekosistemiyle derin entegrasyona sahiptir. Google Search'te cevap uretimi (AI Overviews), Gmail'de yazma onerileri, Google Docs'ta icerik olusturma ve Android asistanı (Bard'dan Gemini adina gecis) bu entegrasyonlarin oncu ornekleridir. API erisimi Google AI Studio ve Vertex AI uzerinden saglanmaktadir.
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 özetler: "Generative" çıktı ürettiğini, "Pre-trained" geniş metin korpusunda önceden eğitildiğini, "Transformer" ise temel mimariyi belirtir. GPT'nin çalışma mantığı özünde otoregresif token tahminidir: model, aldığı bağlama bakarak bir sonraki en olası tokenı tahmin eder; bu tahmin bağlama eklenerek süreç tekrarlanır. Bu basit hedefle milyarlarca web sayfası, kitap ve kod üzerinde eğitilen model, dil bilgisi, dünya bilgisi ve akıl yürütme kapasitesini istatistiksel olarak özümser. Eğitim iki aşamalıdır. İlk aşamada devasa metin verisinde denetimsiz ön eğitim yapılır; model "tahmin" oynanarak dili öğrenir. İkinci aşamada RLHF (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme) ile ince ayar uygulanır: insan değerlendiricilerin tercihlerine göre modelin faydalı, zararsız ve dürüst yanıtlar vermesi öğretilir. GPT serisi her sürümle çarpıcı biçimde büyüdü: GPT-1 (2018) 117M, GPT-2 (2019) 1.5B, GPT-3 (2020) 175B parametreyle yayınlandı. GPT-3'ün few-shot öğrenme yeteneği — yani birkaç örnekle yeni görevlere anında uyum sağlaması — yapay zeka araştırmalarında paradigma değişikliği yarattı. ChatGPT'nin 2022'deki lansmanı ise GPT'yi 100 milyon kullanıcıya en hızlı ulaşan tüketici ürünü haline getirdi. GPT-4 (2023) ile model çok modlu hale geldi: hem metin hem görüntü anlayabiliyor, bar sınavını %90 persentilde geçiyor ve 128K token bağlam penceresini destekliyor. GPT-4o ses, görüntü ve metni tek modelde birleştirirken GPT-5 entegre akıl yürütme yetenekleriyle serinin en gelişmiş halkasını oluşturuyor.
GPU (Graphics Processing Unit) (Grafik İşlemci (Ekran Kartı))
GPU (Graphics Processing Unit — Grafik Isleme Birimi), baslangiçta bilgisayar grafiklerini hesaplamak icin tasarlanmis; fakat binlerce kucuk cekirdekli paralel mimarisi sayesinde yapay zeka ve yuksek performansli hesaplama (HPC) alanında vazgecilmez hale gelmis bir işlemci türüdür. Gunumuzde derin ogrenme egitimi ve cikarsama islemlerinin buyuk cogunlugu GPU uzerinde gerceklesmektedir. GPU'ların paralel mimarisi, AI hesaplamalarında kritik oneme sahip matris cogaltma ve tensor islemlerine cok iyi uymaktadir. NVIDIA'nin CUDA (Compute Unified Device Architecture) platformu, gelistiricilere GPU uzerinde genel amacli hesaplama yapmayi mumkun kilan ilk genis kapsamli yazilim katmaniydi. 2007'de tanıtılan CUDA, bugün de derin ogrenme ekosisteminin temelini olusturmaktadir. NVIDIA'nın AI odakli GPU'lari GPU mimarisinin evrimini yonlendirmistir: Tesla (2008), Kepler, Maxwell, Pascal, Volta, Ampere ve son olarak Hopper mimarisi (H100). A100 ve H100, LLM egitiminde standart haline gelmistir. AMD ise ROCm platformu ve MI300X cipleriyle bu pazara rakip olarak girmektedir. Apple'in M serisi cipler ise unifikasyon bellek mimarisiyle AI cikarsama icin enerji verimli alternatif sunmaktadir. Derin ogrenme cerceveleri (TensorFlow, PyTorch) GPU destegini neredeyse tamamen CUDA/cuDNN (NVIDIA) uzerinden saglar. Tensor Core'lar, H100 gibi modern cipler uzerinde yari hassas (FP16/BF16) matris islemlerini 10-100 kat hızlandirir. GPU belleği (VRAM) model buyuklugunu dogrudan sınırlar; 80GB VRAM'e sahip H100, 70 milyar parameterli bir modeli tam hassasiyetle tutabilir.
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.
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.
GGUF (Model Formatı)
GGUF (GPT-Generated Unified Format), büyük dil modellerini tek bir dosyada verimli biçimde depolayan ve CPU üzerinde çalıştırmaya optimize edilmiş bir model formatıdır. llama.cpp kütüphanesi tarafından 2023 yılında GGML formatının yerini almak üzere geliştirilmiştir. GGUF'un temel özelliği, model ağırlıklarını, tokenizer bilgisini, hiperparametreleri ve meta verileri tek bir dosyada birleştirmesidir. Bu tasarım, kullanıcıların ek yapılandırma dosyaları veya bağımlılıklar olmadan modeli tek adımda yüklemesine olanak tanır. Önceki GGML formatında bu bilgiler dağınık biçimde saklanıyordu ve uyumsuzluk sorunları sıkça yaşanıyordu. Kantizasyon (quantization), GGUF'un belleği küçültme ve CPU hızını artırma yöntemidir. 32-bit kayan noktalı ağırlıkları 4-bit veya 8-bit tamsayıya dönüştürerek model boyutunu üçte birine kadar küçültür. Q4_K_M, Q5_K_M ve Q8_0 gibi farklı kantizasyon seviyeleri, model kalitesi ile bellek kullanımı arasındaki dengeyi ayarlar. Llama 3, Mistral, Phi ve Qwen gibi popüler açık kaynaklı modellerin GGUF sürümleri Hugging Face üzerinde yaygın olarak paylaşılmaktadır. Ollama ve LM Studio gibi yerel çalıştırma araçları da GGUF'u birincil format olarak benimsemiştir. GGUF, GPU olmayan tüketici donanımında yerel yapay zeka kullanımını demokratize etmiş ve bulut bağımlılığını azaltma yolunda önemli bir araç haline gelmiştir. 7 milyar parametreli modeller, 8GB RAM ile sorunsuz çalışabilmekte ve giderek daha geniş bir kullanıcı kitlesine ulaşmaktadır.
Gaussian Splatting Nedir? Gerçek Zamanlı 3D Sahne Sentezi (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.
Güvenlik Testi (AI) Nedir? Yapay Zeka Sistemlerinde Saldırı Testi (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 üyeye ait çıkarım saldırıları yer alır. Kırmızı takım tatbikatları (red teaming), bu saldırı senaryolarını düşmansal bir perspektiften sistematik biçimde test eder. 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. 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.
Görüntü Segmentasyonu (Görüntü Segmentasyonu)
Görüntü segmentasyonu (Image Segmentation), bir görüntüdeki her pikseli anlamlı kategorilere veya nesne sınıflarına atayarak görüntüyü bölgelere ayıran derin öğrenme tekniğidir. Nesne tespitinin yalnızca sınırlayıcı dikdörtgen üretmesinin aksine, segmentasyon piksel düzeyinde hassasiyet sağlar ve sahnenin ayrıntılı bir haritasını çıkarır. Üç temel alt görev öne çıkar: Semantik Segmentasyon, her pikseli bir sınıfa atar — örneğin "yol", "araç", "yaya" — ancak aynı sınıftaki birden fazla nesne birbirinden ayrılmaz. FCN (Fully Convolutional Network, 2015) ve DeepLab ailesi bu yaklaşımın öncülerindendir. İnstans Segmentasyon ise aynı sınıftaki farklı nesne örneklerini ayrı maskelerle işaretler; Mask R-CNN (He et al., 2017) her nesne için sınırlayıcı kutu ve piksel maskesi üretir ve bu alanın de facto standardı olmuştur. Panoptik Segmentasyon, semantik ve instans segmentasyonunu tek bir çıktıda birleştirerek hem sayılamayan arka plan bölgelerini hem de sayılabilir nesneleri kapsar. 2023'te Meta AI'ın tanıttığı SAM (Segment Anything Model), 1 milyardan fazla maskeyle ön eğitilmiş bir temel modeldir. Kullanıcı nokta, sınırlayıcı kutu ya da metin ipuçlarıyla herhangi bir bölgeyi sıfır-atış segmentasyonla ayırabilir; bu da onu son derece çok yönlü bir araç haline getirir. Uygulama alanları geniştir: tıbbi görüntülemede tümör sınırlarının piksel hassasiyetiyle belirlenmesi, otonom araçlarda yol ve engel ayrımı, uydu fotoğraflarında arazi örtüsü sınıflandırması, endüstriyel üretimde yüzey kusuru tespiti ve artırılmış gerçeklik uygulamalarında arka plan değiştirme bunların başında gelir.
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. Ayrıca FPGA devre tasarımı, robotik hareket planlama, oyun stratejisi öğrenme ve yazılım hata onarımı gibi alanlarda 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 boyut cezası eklenir. Modern varyantlar arasında Grammatical Evolution, Linear Genetic Programming ve Strongly-Typed GP yer alır. Derin öğrenme çağında GP, differentiable GP ve nöral ağlarla hibrit mimarilerde yeniden ilgi görmektedir.