H Harfi ile Başlayan Terimler
H200 (NVIDIA H200 GPU)
H200, NVIDIA'nın veri merkezi GPU ailesinde Hopper mimarisinin en üst modeli olarak 2023 yılında duyurulmuş ve 2024 yılında kullanıma sunulmuş bir yapay zeka hızlandırıcısıdır. H100'ün doğrudan halefi olan H200'ün en çarpıcı özelliği, öncülünün 80 GB HBM3 belleğinin neredeyse iki katına ulaşan 141 GB HBM3e bellek kapasitesidir. Bu artış, bellek bant genişliğini 3,35 TB/s'den 4,8 TB/s'ye çıkararak büyük dil modellerinin (LLM) çıkarım (inference) süreçlerinde önemli bir hız avantajı sağlar. Yüksek bellek kapasitesi sayesinde LLaMA-3 70B, Falcon-180B veya benzeri büyük modeller tek bir GPU üzerinde tamamen barındırılabilir; bu durum model parçalama (tensor/pipeline parallelism) ihtiyacını azaltır ve istek başına gecikmeyi düşürür. H200, Amazon Web Services (p5e.48xlarge), Microsoft Azure (ND H200 v5 Series) ve Google Cloud gibi başlıca bulut sağlayıcıları aracılığıyla kiralık olarak sunulmaktadır. NVIDIA'nın GH200 Grace Hopper Süper Çip yapılandırmasında H200 GPU, NVIDIA Grace ARM işlemciyle 900 GB/s bant genişliğine sahip NVLink-C2C bağlantısıyla entegre edilmekte; bu da CPU-GPU veri aktarım darboğazını ortadan kaldırmaktadır. H200, eğitim görevlerinde H100 ile benzer hesaplama kapasitesini korurken, bellek yoğun LLM çıkarımında üç kata kadar daha yüksek verim sağlar. Yeni nesil Blackwell mimarisine (B100, B200) geçiş yapılana dek H200, yüksek performanslı yapay zeka altyapısının standardı olmayı sürdürmektedir.
High Bandwidth Memory (Yüksek Bant Genişlikli Bellek)
High Bandwidth Memory (HBM), yapay zeka ivedileyicileri, grafik işlemciler (GPU) ve yüksek performanslı hesaplama (HPC) sistemlerinde kullanılan, sıradan DDR veya GDDR belleklerden çok daha geniş bant genişliği sunan üç boyutlu yığımlı bellek teknolojisidir. HBM'nin temel yeniliği, birden fazla DRAM çipini Through-Silicon Via (TSV) adı verilen minik dikey iletkenler aracılığıyla üst üste katmanlayarak çok sayıda veri hattını aynı anda açmasıdır. Bu yığınlar, silikon bir interposer üzerine oturarak işlemciye son derece yakın konumlandırılır; bu yolla veri yolu uzunluğu azalır, gecikme düşer ve saniyede birkaç terabayt mertebesinde veri aktarımı mümkün hale gelir. Geleneksel GDDR belleklerde bant genişliği, bellek çiplerinin PCB üzerinde yan yana dizilmesinden kaynaklanan fiziksel kablo kısıtlamalarıyla sınırlanır; oysa HBM'de 1024 ila 2048 bit genişliğindeki geniş arabirim bu sorunu köklü biçimde ortadan kaldırır. Aynı güç bütçesi içinde GDDR belleğin beş ila yirmi katı bant genişliğine ulaşılabilir; bu fark, yoğun paralel matris çarpımı operasyonlarına dayanan yapay zeka iş yüklerinde kritik bir performans avantajı anlamına gelir. HBM teknolojisinin gelişimi 2013 yılında AMD ve SK Hynix tarafından ortaklaşa başlatılmış; JEDEC standartları çerçevesinde nesil nesil ilerlemiştir. İlk nesil HBM (2015) yığın başına 128 GB/s bant genişliğiyle başlarken, HBM2 (2016) bu değeri 256 GB/s'ye taşıdı. HBM2E ile birlikte 460 GB/s eşiği aşıldı; HBM3 ise yığın başına 819 GB/s'yi geçti. 2025'te tamamlanan HBM4 standardı, yığın başına 2 TB/s eşiğini aşarak yapay zeka ivedileyicilerinin bellek darboğazını bir kez daha genişletti. Güncel yapay zeka donanımlarında HBM'nin kullanım yoğunluğu dikkat çekicidir. NVIDIA H100'de 80 GB HBM3, H200'de 141 GB HBM3e, AMD Instinct MI300X'te 192 GB HBM3 kullanılmaktadır. Büyük dil modellerini verimli biçimde çalıştırmak için gereken devasa parametre yükü, dikkat mekanizmalarının (attention) aktarım yoğunluğu ve KV önbellek gereksinimleri göz önünde bulundurulduğunda HBM, yapay zeka donanımının vazgeçilmez bir bileşeni konumuna gelmiştir. Pazar ekonomisi açısından değerlendirildiğinde 2025 itibarıyla küresel HBM pazarı 38 milyar dolara ulaşmış; SK Hynix yüzde altmış ikilik payla sektöre liderlik etmekte, onu Micron ve Samsung izlemektedir. Coğrafi yoğunlaşma ve jeopolitik gerilimler nedeniyle arz zinciri riskleri bulunmaktadır; bu durum Batılı hükümetleri alternatif üretim kapasitesi oluşturmaya yönelik teşvik politikaları geliştirmeye yöneltmiştir. HBM4 ve ötesi için yeni yığımlama ve paketleme teknolojileri araştırılmaya devam etmekte; fotoniğe dayalı yüksek hızlı veri iletimi gibi uzun vadeli alternatifler de gündemdeki yerini korumaktadır.
HPC (High Performance Computing) (Yüksek Başarımlı Hesaplama (HPC))
HPC (High Performance Computing), yani Yüksek Başarımlı Hesaplama; milyarlarca aritmetik işlemi saniyede eş zamanlı gerçekleştirebilen süper bilgisayar kümeleri, özel hızlandırıcı çipler ve yüksek hızlı ağlardan oluşan bilişim altyapılarına verilen genel addır. Geleneksel tek bir iş istasyonunun gücünü çok aşan bu sistemler; iklim modelleme, nükleer simülasyon, ilaç keşfi ve en önemlisi yapay zeka model eğitimi gibi hesaplama yoğun görevler için vazgeçilmezdir. Yapay zeka bağlamında HPC'nin önemi katlanarak artmaktadır: GPT-4 büyüklüğünde bir dil modeli, binlerce GPU'nun haftalarca paralel çalışmasını gerektirmektedir. NVIDIA'nın DGX SuperPOD kümeleri, Meta'nın RSC (Research SuperCluster) altyapısı ve Google'ın TPU Pod sistemleri, AI eğitiminde kullanılan önde gelen HPC örnekleridir. Temel HPC bileşenleri şunlardır: çok çekirdekli CPU ve GPU düğümleri, düşük gecikmeli ve yüksek bant genişliğine sahip ağ ara yüzleri (InfiniBand, NVLink), yüksek bant genişlikli depolama sistemleri (Lustre, GPFS) ve iş yükü zamanlayıcıları (SLURM, PBS Pro). Performans ölçümü FLOPS (floating-point operations per second) cinsinden yapılır; günümüzdeki öncü sistemler exaFLOPS (10^18 işlem/saniye) sınırına yaklaşmaktadır. Türkiye'de TÜBİTAK ULAKBİM bünyesindeki Truba kümesi, üniversiteler ve araştırma kurumları için HPC kapasitesi sunmaktadır. Bulut sağlayıcılar (AWS HPC, Azure HPC, Google Cloud HPC) ise on-premise yatırım gerektirmeksizin talep anında ölçeklenebilen esnek HPC ortamları sağlamaktadır.
Hyperparameter Tuning (Hiperparametre Optimizasyonu)
Hiperparametre optimizasyonu (Hyperparameter Tuning), makine öğrenimi modelinin eğitim sürecine başlamadan önce araştırmacı veya mühendis tarafından belirlenen kontrol değişkenlerinin — öğrenme hızı (learning rate), ağaç derinliği, katman sayısı, düzenlileştirme katsayısı gibi — en uygun kombinasyonunun sistematik biçimde aranması işlemidir. Makine öğreniminde iki farklı parametre türü bulunur: modelin eğitim verisinden öğrendiği "parametreler" (ağırlıklar, bias değerleri) ve eğitimden önce dışarıdan belirlenen "hiperparametreler". Hiperparametreler model mimarisini ve öğrenme dinamiklerini doğrudan şekillendirir; yanlış seçilen bir hiperparametre seti, en kaliteli veriyle bile zayıf sonuçlar doğurabilir. Başlıca hiperparametre arama yöntemleri şöyle sıralanabilir: Grid Search (Izgara Arama): Belirlenen aralıklar içindeki tüm olası kombinasyonları dener; garanti sonuç verir ancak hesaplama maliyeti kombinasyon sayısıyla katlanarak artar. Az sayıda hiperparametre ve dar aralıklar için uygundur. Random Search (Rasgele Arama): Kombinasyonları rastgele örnekler; Grid Search'e kıyasla genellikle daha kısa sürede benzer kalitede sonuç üretir. Yüksek boyutlu arama uzaylarında tercih edilir. Bayesian Optimization: Önceki denemelerin sonuçlarını kullanarak sonraki adımda hangi kombinasyonu deneyeceğini olasılık modeline göre seçer. Deneme sayısını minimize ederek en iyi hiperparametrelere ulaşmayı hedefler; derin öğrenme gibi maliyetli modellerde yaygındır. Optuna, Ray Tune ve Hyperopt bu yaklaşımı uygulayan popüler kütüphanelerdir. Automated ML (AutoML): Hiperparametre aramasını tamamen otomatikleştirir. Google AutoML, H2O.ai ve Keras Tuner gibi araçlar hem model seçimi hem de parametre optimizasyonunu arka planda yürütür. Hiperparametre optimizasyonu sürecinde çapraz doğrulama (cross-validation) kritik bir rol oynar: her aday kombinasyon, verinin farklı katlarında test edilerek aşırı uyumu (overfitting) önleyecek şekilde değerlendirilir. Özellikle derin sinir ağlarında learning rate, momentum ve batch size değerlerinin doğru ayarlanması, model başarısını belirleyici ölçüde etkiler. Pratik projelerde hiperparametre arama sürecinin toplam eğitim süresinin %30–50'sini oluşturduğu görülmektedir.
Hopfield Network (Hopfield Ağı)
Hopfield ağı, Nobel ödüllü fizikçi John Hopfield tarafından 1982 yılında önerilen ve çekici dinamikler (attractor dynamics) temelinde çalışan tekrarlayan sinir ağı mimarisidir. Biyolojik bellekten ilham alan bu model, enerji minimizasyonu prensibiyle bozulmuş ya da eksik girdi kalıplarını önceden depolanmış tam kalıplardan birine yakınsatabilir. Bu özellik onu içerik adreslenebilir bellek (content-addressable memory) sistemleri için doğal ve güçlü bir hesaplama çerçevesi haline getirir. Klasik Hopfield ağında nöronlar ikili durumlu (+1 veya -1) ve tam bağlantılıdır; her nöron diğer tüm nöronlarla bağlantı kurar, ancak kendisiyle bağlantı kurmaz. Ağırlık matrisi Hebian öğrenme kuralıyla belirlenir: her depolanmak istenen kalıp için dış çarpım (outer product) ağırlık matrisine eklenir. Sistemin enerji fonksiyonu E = -½ΣΣW_ij s_i s_j formülüyle ifade edilir. Asenkron güncelleme kuralı her adımda enerjiyi azaltır ve sistem sonunda yerel bir minimuma (çekim noktasına) yakınsar. N nöronlu klasik bir Hopfield ağı yaklaşık 0.14×N kalıp depolayabilir; bu kapasite sınırı aşıldığında depolanmamış sahte anılar (spurious memories) ortaya çıkabilir ve geri çağırma performansı bozulabilir. 2016 ve 2020 yıllarında Ramsauer ve diğerleri tarafından geliştirilen Modern Hopfield Ağları, depolama kapasitesini üstel düzeye taşımıştır. Daha da çarpıcı olan bulgu şudur: modern Hopfield ağının tek adım güncelleme kuralı, Transformer mimarisindeki softmax dikkat (attention) mekanizmasıyla matematiksel olarak tam anlamıyla eşdeğerdir. Bu keşif Hopfield ağlarını teorik açıdan yeniden güncel kılmış ve derin öğrenme yorumlanabilirliği araştırmalarına yeni bir boyut katmıştır. Hopfield ağları biyolojik sinirsel süreçlerin modellenmesi, kombinatoryal optimizasyon (gezgin satıcı problemi gibi), protein işlev sınıflandırması ve immünolojik veri analizi gibi alanlarda uygulanmaktadır. John Hopfield, bu katkıları nedeniyle Geoffrey Hinton ile birlikte 2024 Nobel Fizik ödülüne layık görülmüştür.
HBM (Yüksek Bant Genişlikli Bellek) (HBM (Yüksek Bant Genişlikli Bellek))
HBM (High Bandwidth Memory — Yüksek Bant Genişlikli Bellek), birden fazla DRAM yongasını dikey olarak üst üste yığan (3D stacking) ve bunları Through-Silicon Via (TSV) bağlantılarıyla birleştiren özel bir bellek mimarisidir. GDDR6 gibi geleneksel grafik belleklerinin bant genişliği sınırlarını aşmak amacıyla geliştirilmiş olan HBM, büyük dil modeli eğitimi ve çıkarımı gibi veri yoğun AI iş yüklerinde kritik bir rol oynamaktadır. HBM'nin temel yeniliği, birden fazla DRAM yongasını bir silikon ara katman (silicon interposer) üzerinde yan yana konumlandırmak ve her yığını TSV adı verilen dikey bakır bağlantılarla birbirine bağlamaktır. Bu yapı 1024 bit veya daha geniş bellek arayüzü oluşturarak GDDR6'nın 384 bitlik sınırını çok aşar. Yüksek arayüz genişliği düşük saat hızıyla birleşince hem yüksek bant genişliği hem de düşük güç tüketimi elde edilir; GDDR6'ya kıyasla yaklaşık yüzde 65 daha az enerji harcanır. HBM mimarisi 2013'ten bu yana hızla gelişmiştir. İlk nesil HBM 128 GB/s bant genişliği sunarken 2016'da gelen HBM2 bunu 256 GB/s'ye çıkardı. NVIDIA A100'de kullanılan HBM2E 410 GB/s ile transformer modellerinin ilk yaygınlaşma döneminin referans donanımı oldu. NVIDIA H100'de kullanılan HBM3 ise 3,35 TB/s bant genişliğiyle büyük dil modellerinin bellek darboğazını büyük ölçüde çözdü. HBM3E, H200 ve GB200 GPU'larında 4,8 TB/s bant genişliğiyle uzun bağlam pencereli modellerin çıkarımını kolaylaştırmaktadır. JEDEC'in Nisan 2025'te yayımladığı HBM4 spesifikasyonu 2048 bitlik arayüz ve yığın başına 2 TB/s bant genişliği vaat etmektedir. HBM arzı, AI donanım ekosistemi için stratejik bir kırılganlık noktası oluşturmaktadır. Pazar yalnızca üç tedarikçinin kontrolündedir: SK Hynix yüzde 62, Micron yüzde 21 ve Samsung yüzde 17 paya sahiptir. CoWoS ve diğer gelişmiş paketleme teknolojileri, HBM yığınlarını GPU dieleriyle yakın fiziksel konumda bir araya getirerek gecikmeyi azaltmaktadır. Tedarik kıtlığı, H100 üretim hızının temel sınırlayıcısı olmuş ve piyasa fiyatlarını önemli ölçüde etkilemiştir.
Hebbian Learning (Hebbian Öğrenme (Hebb Kuralı))
Hebbian Learning, 1949 yılında Kanadalı nöropsikolog Donald Hebb'in "The Organization of Behavior" adlı eserinde öne sürdüğü sinaptik plastisite hipotezidir. Hebb'in önerisi, yapay sinir ağı öğrenmesinin en temel kuramsal çerçevesini oluşturur ve "birlikte ateşlenen nöronlar birbirine bağlanır" (neurons that fire together, wire together) şeklinde özetlenen ilkeye dayanır. Matematiksel formülasyonu basittir: Δw_ij = η × x_i × x_j. Bu eşitlikte Δw_ij, presinaptik nöron i ile postsinaptik nöron j arasındaki ağırlık değişimini; η öğrenme oranını; x_i presinaptik aktivasyonu ve x_j postsinaptik aktivasyonu temsil eder. İki nöron aynı anda aktif olduğunda aralarındaki sinaptik bağlantı güçlenir; biri aktif diğeri pasif olduğunda ise bağlantı zayıflar. Bu mekanizma, uzun dönemli potansiyasyon (LTP) olarak bilinen biyolojik fenomenin matematiksel soyutlamasıdır. Hebbian öğrenme, öğretmensiz (unsupervised) bir paradigmadır: dışarıdan sağlanan bir hata sinyaline ya da etiketli veriye ihtiyaç duymaz. Bu özellik onu modern geri yayılım (backpropagation) algoritmalarından köklü biçimde ayırır. Ne var ki temel Hebbian kuralının kritik bir zayıflığı vardır: ağırlıklar sınırsız büyüyebilir. Bu sorunu gidermek için çeşitli normalizasyon uzantıları geliştirilmiştir. Oja Kuralı, ağırlıkları normalize ederek ana bileşen analizi (PCA) ile eşdeğer bir öğrenmeye yönlendirir ve kararlı bir çözüme ulaşır. BCM Teorisi (Bienenstock-Cooper-Munro), görsel korteks plastisite modellemesinde kullanılan eşikli bir güncelleme kuralı sunar. STDP (Spike-Timing-Dependent Plasticity) ise nöronların ateşlenme zamanlamasına duyarlı, biyolojik gerçekliğe çok daha yakın bir Hebbian varyantıdır. Uygulama alanları arasında Hopfield ağları (çağrışımsal bellek), kısıtlı Boltzmann makineleri ve öz-örgütlenen haritalar (SOM) sayılabilir. Modern derin öğrenme mimarileri standart geri yayılımı benimsemiş olsa da Hebbian öğrenmenin ilkeleri nöromorfik çip tasarımı, yaşam boyu öğrenme (continual learning) ve biyolojik olarak mümkün yapay zeka araştırmalarında güncelliğini korumaktadır.
Homomorphic Encryption (Homomorfik Şifreleme)
Homomorfik şifreleme, şifreli veriler üzerinde şifre çözme gerekmeksizin matematiksel hesaplamalar yapılmasına olanak tanıyan ileri düzey bir kriptografi tekniğidir. Geleneksel şifreleme yöntemlerinde veri üzerinde işlem yapabilmek için önce şifrenin çözülmesi gerekirken homomorfik şifreleme bu kısıtlamayı ortadan kaldırarak bulut ortamlarında ve güvenilmeyen platformlarda bile gizli veri işlemeye imkân tanır. Bu özellik, yapay zeka modellerinin hassas veriler üzerinde çalışması gereken senaryolarda büyük bir güvenlik avantajı sunar. Temel matematiksel ilke şudur: Enc(m₁) ve Enc(m₂) şifreli değerleri üzerinde toplama yapıldığında sonuç Enc(m₁ + m₂)'ye, çarpma yapıldığında ise Enc(m₁ × m₂)'ye eşit olur. Yani şifreli alanda gerçekleştirilen işlem, ham veri üzerinde yapılacak hesaplamayla özdeş sonuç verir. Veri sahibi bu şifreli çıktıyı yalnızca kendi özel anahtarıyla çözerek nihai sonuca ulaşır; aradaki işlemi yapan sunucu ham veriyi hiçbir zaman göremez. Dört ana şifreleme türü bulunmaktadır. Kısmi Homomorfik Şifreleme (PHE) yalnızca tek tür işlemi destekler: RSA çarpma için, Paillier toplama için klasik örneklerdir. Düzey Homomorfik Şifreleme (LHE) hem toplama hem çarpmayı destekler ama işlem derinliği sınırlıdır. Tam Homomorfik Şifreleme (FHE) sınırsız işlem derinliğiyle rastgele karmaşıklıktaki algoritmaları şifreli veri üzerinde çalıştırabilir; gürültü birikimini engellemek için pahalı bootstrapping işlemi gerektirir. CKKS şeması ise ondalık sayılar üzerinde yaklaşık hesaplama yaparak sinir ağı çıkarımı için pratik bir seçenek sunar. Yapay zeka uygulamalarında homomorfik şifreleme üç kritik senaryoda öne çıkmaktadır. Sağlık AI'ında hasta kayıtları şifreli haldeyken bulut modellerine teşhis amacıyla gönderilebilir. Federe öğrenmede gradyan güncellemeleri şifreli olarak merkezi sunucuya iletilir. Finansal sistemlerde müşteri verileri şifreliyken kredi risk modelleri üzerinde işlenebilir ve GDPR/KVKK uyumu korunur. Microsoft SEAL, Google'ın HElib ve OpenFHE gibi açık kaynak kütüphaneler geliştiricilere bu teknolojiye pratik bir giriş kapısı açmaktadır. FHE'nin hesaplama maliyeti, donanım hızlanmasıyla birlikte her geçen yıl belirgin ölçüde düşmektedir.
High Bandwidth Memory 3 (Yüksek Bant Genişlikli Bellek 3. Nesil)
HBM3 (High Bandwidth Memory 3), yüksek performanslı yapay zeka hızlandırıcıları ve grafik işlemcileri için tasarlanmış üçüncü nesil yüksek bant genişlikli bellek standardıdır. SK Hynix tarafından 2022 yılında ticarileştirilen HBM3, JEDEC tarafından standardize edilmiş olup önceki nesil HBM2e'ye kıyasla bant genişliğini yaklaşık iki katına çıkarmıştır. HBM3, yığılmış bellek dieları ile Through-Silicon Via (TSV) teknolojisini birleştirerek çok yüksek veri aktarım hızlarına ulaşır. Her bellek yığını saniyede 819 GB'a varan bant genişliği sunarken yığın başına 24 GB'a kadar kapasite sağlar. Bu özellikler, büyük dil modellerinin eğitimi ve çıkarımı gibi bellek yoğun yapay zeka iş yükleri için HBM3'ü kritik bir bileşen hâline getirir. Geleneksel GDDR bellekle kıyaslandığında HBM3, aynı güç bütçesiyle 5-10 kat daha yüksek bant genişliği ve belirgin ölçüde daha düşük gecikme süresi sunar. TSV teknolojisi sayesinde bellek yığınları işlemcinin yanına doğrudan yerleştirilir; bu da veri yolu uzunluğunu minimuma indirerek enerji verimliliğini artırır. NVIDIA H100 GPU'su, HBM3 bellekle donatılmış ilk yaygın yapay zeka hızlandırıcısıdır ve 80 GB bellek kapasitesi ile 3,35 TB/s toplam sistem bant genişliği sunar. AMD MI300X hızlandırıcısı ise birden fazla HBM3 yığınını bir araya getirerek 192 GB'a varan bellek kapasitesiyle öne çıkmaktadır. Google'ın TPU v5 serisi de HBM3 tabanlı bellek mimarisini benimsemiştir. HBM3e (HBM3 Enhanced), 2024 yılında NVIDIA H200 GPU'su ile piyasaya sürülen geliştirilmiş versiyondur. Bant genişliğini yığın başına 1,2 TB/s düzeyine yükseltirken 141 GB kapasiteyle büyük ölçekli model çıkarımını güçlendirmiştir. Yapay zeka hızlandırıcısı talebinin hızla büyümesiyle birlikte HBM üretim kapasitesi küresel tedarik zincirinde kritik bir darboğaz hâline gelmiş; SK Hynix, Samsung ve Micron bu alanda yatırımlarını hızlandırmıştır. Bir sonraki nesil HBM4'ün 2025-2026 döneminde piyasaya girmesi beklenmektedir.
Hugging Face (Açık Kaynak Yapay Zeka Merkezi)
Hugging Face, makine öğrenimi modellerinin, veri setlerinin ve yapay zeka uygulamalarının paylaşıldığı, indirildiği ve birlikte geliştirildiği açık kaynak platformdur. Yazılımcılar için GitHub neyse, yapay zeka araştırmacıları ve geliştiricileri için Hugging Face odur: 2026 itibarıyla platformda 1,7 milyondan fazla model, 400 binden fazla veri seti ve 500 bini aşkın Spaces demo uygulaması bulunur. 2016'da Clément Delangue, Julien Chaumond ve Thomas Wolf tarafından New York'ta kurulan şirket, başlangıçta gençlere yönelik bir sohbet botu üretiyordu. 2018'de yayımladığı Transformers kütüphanesiyle rotasını değiştirdi ve açık kaynak yapay zekanın fiili merkezi haline geldi. Bugün Google, Meta, Microsoft, Mistral, Alibaba (Qwen) ve DeepSeek gibi oyuncular açık ağırlıklı modellerini önce Hugging Face Hub üzerinde yayımlıyor; Llama, Qwen, Mistral, Whisper ve Stable Diffusion gibi modeller buradan milyonlarca kez indiriliyor. Platformun gücü üç katmandan gelir. Birincisi Hub: model, veri seti ve demo barındıran, Git tabanlı sürümleme kullanan merkezi depo. İkincisi açık kaynak kütüphaneler: Transformers, Diffusers, Datasets, PEFT, TRL ve safetensors; model yükleme, eğitme ve hizalama iş akışını birkaç satır Python koduna indirger. Üçüncüsü ücretli altyapı servisleri: Inference Endpoints, Spaces GPU kiralama ve kurumsal Hub aboneliği şirketin gelir modelini oluşturur. 2023'teki 235 milyon dolarlık Series D turunda 4,5 milyar dolar değerleme alan şirket, 2024-2025 döneminde robotik alanına da girdi: Pollen Robotics'i satın aldı, LeRobot kütüphanesini ve 299 dolarlık açık kaynak Reachy Mini robotunu duyurdu. Bu adım, yapay zeka platformundan somut dünyaya açılan bir köprü kurma stratejisinin parçasıdır. Hugging Face'i öğrenmek, modern yapay zeka geliştirmenin ön koşulu sayılır. from_pretrained("model-adı") tek satırı, hub'dan ağırlıkları indirir, önbelleğe alır ve modeli kullanıma hazır hale getirir. Açık modelle çalışan hemen her proje; ince ayardan (fine-tuning) üretim dağıtımına kadar bu ekosistemin en az bir parçasından geçer. Geliştiriciler için hub.huggingface.co üzerinden model keşfetmek, model kartlarını incelemek ve Spaces üzerinde canlı demo denemek tamamen ücretsizdir.
Hallucination (Yapay Zeka Halüsinasyonu)
Yapay zeka bağlamında halüsinasyon (AI hallucination), büyük dil modellerinin (LLM) tamamen uydurulmuş, yanlış veya gerçeklikte karşılığı olmayan bilgileri son derece özgüvenli ve inandırıcı bir biçimde sunması durumudur. Model, bilginin yanlış olduğunu "fark etmeden" akıcı ve tutarlı görünen cümleler üretir; bu nedenle halüsinasyonlar sıradan yazım hatalarından çok daha tehlikelidir. Halüsinasyonlar iki ana kategoride incelenir: İçsel halüsinasyon (intrinsic hallucination), modelin verilen kaynak belgeyle çelişen çıktı üretmesi durumudur. Dışsal halüsinasyon (extrinsic hallucination) ise kaynak belgeyle ne doğrulanabilen ne de çürütülebilen, tamamen modelin "uydurduğu" bilgilerdir. Bu ayrım, özellikle RAG sistemlerinde doğrulama stratejisi belirlemek açısından kritiktir. Halüsinasyonların temel nedeni, LLM'lerin çalışma biçimidir: modeller bir sonraki tokeni istatistiksel olarak olası kılacak şekilde tahmin eder; doğruluğu sistematik biçimde doğrulayan mekanizmaları yoktur. Eğitim verisinde eksik ya da çelişkili bilgi bulunduğunda veya model kendi bilgi sınırlarını aşan bir soruyla karşılaştığında, gerçek bir yanıt üretmek yerine "makul görünen" bir yanıt üretmeye devam eder. Halüsinasyon türleri arasında olgusal hata, kaynak uydurma, mantıksal tutarsızlık ve bağlam dışı üretim sayılabilir. Mücadelede kullanılan başlıca teknikler şunlardır: RAG harici ve doğrulanmış bilgi kaynaklarını bağlama ekleyerek yanıt kalitesini artırır; RLHF modeli daha gerçekçi yanıtlar üretmek üzere ince ayar yapar; CoT prompting ise modeli adım adım akıl yürütmeye zorlayarak hatalı atlamaları azaltır. Öz-tutarlılık (self-consistency) tekniği — aynı soru için birden fazla yanıt üretip çoğunluk oyuyla karar verme — halüsinasyon riskini ek maliyet karşılığında anlamlı biçimde düşürür. Türkiye'deki geliştiriciler ve şirketler için halüsinasyon riski; hukuki, tıbbi ve mali uygulamalarda en kritik endişe kaynağıdır. RAG mimarisi ve insan denetimli doğrulama katmanları bu alanlarda standart uygulama hâline gelmiştir. Değerlendirme için TruthfulQA, HaluEval ve RAGTRUTH kıyaslama veri kümeleri kullanılmaktadır.
Human Pose Estimation (İnsan Poz Tahmini)
Human Pose Estimation (İnsan Poz Tahmini), görüntüler veya video karelerindeki insan vücudunu oluşturan eklem noktalarını (omuzlar, dirsekler, bilekler, kalça, dizler, ayak bilekleri ve baş) tespit ederek bütüncül bir iskelet temsili ortaya koyan bilgisayarlı görü görevidir. Her iskelet, anatomik bağlantılarla birleştirilmiş anahtar nokta koordinatlarından (x, y ve güven skoru) oluşur. Temel mimariler iki kategoride incelenir. Yukarıdan aşağıya (top-down) yaklaşımda önce görüntüdeki her birey bir nesne dedektörüyle belirlenir, ardından her kişi için bağımsız poz tahmini çalıştırılır; bu yöntem yüksek doğruluk sağlar ancak hesaplama maliyeti kişi sayısıyla orantılı biçimde artar. Aşağıdan yukarıya (bottom-up) yaklaşımda ise tüm anahtar noktalar tek geçişte tespit edilip ardından bireylere eşleştirilir; OpenPose (CMU, 2017) bu kategorinin öncüsüdür ve Parça Yakınlık Alanları (Part Affinity Fields) adlı yenilikçi teknikle eklem noktalarını doğru kişilere bağlar. Teknik açıdan modeller, her keypoint için olasılık ısı haritaları (heatmap) üretir; haritadaki yüksek değerler eklemin o konumda bulunma olasılığını gösterir. DeepPose (Google, 2014) bu göreve derin öğrenmeyi taşıyan ilk çalışmaydı. 2022'de yayımlanan ViTPose, CNN omurgaları yerine Vision Transformer (ViT) mimarisini kullanarak MS COCO karşılaştırma setinde AP 80,9 ile yeni bir başarı çıtası oluşturdu ve alanın CNN baskınlığından Transformer çağına geçişini simgeledi. Uygulama alanları oldukça geniştir: spor analitiğinde futbol, basketbol ve yüzme dallarında oyuncu hareket analizi; fitness ve sağlıkta yoga/gym antrenmanlarında doğru form denetimi ve fizyoterapi takibi; artırılmış/sanal gerçeklikte gerçek zamanlı avatar kontrolü ve mocap alternatifi; işaret dili tanıma ve jest tabanlı insan-bilgisayar etkileşimi; güvenlik sistemlerinde davranış izleme ve anomali tespiti. Temel zorluklar arasında vücut parçalarının örtülmesi (occlusion), kalabalık sahnelerde çok kişili tahmin ve mobil/uç cihazlarda gerçek zamanlı işlem gereksinimleri sayılabilir.
Hidden Markov Model (Gizli Markov Modeli)
Hidden Markov Model (Gizli Markov Modeli — HMM), gözlemlenemeyen (gizli) durumlar arasındaki olasılıksal geçişleri ve bu durumların ürettiği gözlemleri modelleyen bir olasılıksal grafik modelidir. "Markov" özelliği, bir sonraki durumun yalnızca mevcut duruma bağlı olduğunu; geçmiş tüm durumlardan bağımsız olduğunu ifade eder. "Gizli" sözcüğü ise gerçek sistem durumlarının doğrudan gözlemlenemeyip yalnızca bu durumların ürettiği semboller ya da sinyaller aracılığıyla çıkarsanabileceğini belirtir. Matematiksel olarak HMM beş bileşenden oluşur: gizli durum kümesi S, gözlem sembol kümesi O, durum geçiş olasılıkları matrisi A (A[i][j] = i durumundan j durumuna geçiş olasılığı), yayılım (emission) olasılıkları matrisi B (B[j][k] = j durumundayken k sembolünü yayma olasılığı) ve başlangıç durum dağılımı π. HMM'e yönelik üç temel hesaplama problemi vardır. İlki değerlendirme (evaluation): verili gözlem dizisi için modelin bu diziyi üretme olasılığını hesaplamak; İleri Algoritma (Forward Algorithm) bu problemin verimli çözümüdür. İkincisi çözümleme (decoding): verili gözlem dizisine en olası gizli durum dizisini bulmak; Viterbi Algoritması dinamik programlama ile bu görevi O(N²T) süre karmaşıklığıyla çözer. Üçüncüsü öğrenme (learning): gözlem verilerinden A, B ve π parametrelerini tahmin etmek; Baum-Welch Algoritması, Beklenti-Maksimizasyon (EM) çerçevesinde bu görevi yerine getirir. Tarihsel olarak HMM, 1970'lerde otomatik konuşma tanıma (ASR) sistemlerinin temel taşı oldu: akustik model olarak her fonem bir HMM durumuna karşılık gelirken Viterbi algoritması en olası fonem dizisini çözümler. Ayrıca POS (part-of-speech) etiketleme, biyoinformatik (gen dizisi analizi), jest ve el yazısı tanıma ile finansal zaman serisi modellemesinde yaygın biçimde kullanılmıştır. Derin öğrenme çağında RNN ve Transformer mimarileri büyük ölçüde HMM'nin yerini almıştır; ancak HMM yorumlanabilirliği, gizli durum ayrımı ve küçük veri senaryolarındaki avantajlarını korumaktadır. Modern ASR sistemlerinde CTC-HMM hibrit mimarileri hâlâ üretimde kullanılmakta; kaldi ve ESPnet gibi araç setleri bu yaklaşımı desteklemektedir. Türkçe konuşma tanıma araştırmalarında HMM tabanlı akustik modeller akademik çalışmalarda referans noktası olma özelliğini sürdürmektedir.
Heterogeneous Computing (Heterojen Hesaplama)
Heterojen hesaplama (heterogeneous computing), bir sistem içinde birden fazla farklı işlemci türünü — CPU, GPU, NPU, FPGA, DSP gibi — bir arada kullanan hesaplama mimarisidir. Bu yaklaşımın temel felsefesi, her iş yükünün doğası gereği farklı donanım özellikleri gerektirdiğidir: CPU'lar karmaşık kontrol akışları ve seri işlemler için idealken, GPU'lar binlerce çekirdeğiyle paralel matris işlemlerinde üstündür; NPU'lar ise sinir ağı çıkarımını düşük güç tüketimiyle gerçekleştirir. Yapay zeka uygulamalarında heterojen hesaplama son derece kritik hale gelmiştir. Büyük dil modellerinin (LLM) eğitimi GPU kümelerinde yapılırken, mobil cihazlarda çıkarım NPU'ların devreye girdiği hafif motor çözümleri sayesinde gerçek zamanlı ilerler. Apple M-serisi çipleri bu yaklaşımın somut örneğidir: aynı pakette yüksek performanslı CPU çekirdekleri, entegre GPU ve 16 çekirdekli Neural Engine birlikte çalışır; tüm bu birimler birleşik bellek mimarisi üzerinden veri alışverişi yapar ve kopyalama gecikmelerini minimize eder. Qualcomm Snapdragon platformu da benzer bir yapıya sahiptir: Kryo CPU çekirdekleri, Adreno GPU ve Hexagon DSP/Tensor Accelerator aynı SoC içinde yer alır. Veri merkezi tarafında ise NVIDIA Grace Hopper, 72 çekirdekli Arm CPU'yu H100 GPU ile yüksek bant genişlikli NVLink üzerinden birleştirerek LLM servis iş yüklerinde saniyede milyonlarca token işlem kapasitesi sunar. Heterojen hesaplamanın temel zorlukları programlama karmaşıklığı, bellek yönetimi ve veri taşıma yüküdür. Farklı işlemcilerin iş birliği yapabilmesi için OpenCL, SYCL, CUDA, HIP veya Intel oneAPI gibi programlama modelleri kullanılır. PCIe Gen 5 aracılığıyla CPU ile ayrık GPU arasında yaklaşık 32 GB/sn bant genişliği sağlanırken, NVIDIA NVLink bu değeri 900 GB/sn'ye taşır; ancak her iki durumda da bellek aktarım gecikmesi bir performans darboğazı oluşturabilir. Günümüzde heterojen hesaplama; akıllı telefon SoC'lerinden bulut sunucu kümelerine, otonom araç bilgisayarlarından endüstriyel IoT kenar (edge) cihazlarına kadar geniş bir yelpazede uygulanmaktadır. Yapay zekanın her alana yayılmasıyla birlikte bu mimari yaklaşım, güç verimliliği ve hesaplama performansı arasındaki dengeyi kuran temel tasarım paradigması haline gelmiştir.
Hopper Architecture (Hopper Mimarisi)
Hopper Mimarisi, NVIDIA tarafından Mart 2022'de GTC (GPU Technology Conference) etkinliğinde tanıtılan ve büyük ölçekli yapay zeka modelleri ile yüksek performanslı hesaplama (HPC) iş yükleri için tasarlanmış yedinci nesil GPU mikro-mimarisidir. Bilgisayar biliminin öncüsü, ilk derleyici kavramının geliştiricisi ve COBOL standartlaşmasının mimarlarından biri olan Grace Hopper'ın anısına adlandırılan bu mimari, önceki nesil Ampere mimarisini (A100) veri merkezi segmentinde devralmıştır. Mimarinin en önemli yeniliği Transformer Engine adı verilen özel hesaplama birimidir. Bu birim, derin öğrenme modellerinin eğitimi sırasında FP8 ve FP16 sayısal hassasiyetleri arasında her işlem için otomatik ve dinamik geçiş yaparak hem hesaplama hızını hem de enerji verimliliğini önemli ölçüde artırır. FP8 hassasiyetindeki yeni Tensor Core'lar E4M3 (4 üs, 3 mantis biti) ve E5M2 (5 üs, 2 mantis biti) olmak üzere iki veri türünü destekler; bu sayede büyük dil modellerinin eğitim süresi, A100'e kıyasla FP8 düzeyinde 6 kata kadar kısaltılabilmektedir. Hopper GPU'ları TSMC 4N (4nm sınıfı) üretim süreciyle üretilmekte olup 80 milyar transistör içermektedir. HBM3 bellek teknolojisiyle 3 TB/s'ye ulaşan bellek bant genişliği, büyük model matrislerinin GPU'ya aktarımında darboğaz oluşmasını engeller. Dördüncü nesil NVLink bağlantısı (NVLink 4.0) ise çoklu GPU kümelerinde GPU'lar arası veri aktarım hızını önceki nesle göre iki katına çıkararak model paralelliğini kolaylaştırır. Multi-Instance GPU (MIG) teknolojisiyle tek bir H100 GPU'su, birbirinden yalıtılmış en fazla 7 bağımsız GPU örneğine bölünebilir. Bu özellik bulut servis sağlayıcıları için kaynak paylaşımı ve maliyet optimizasyonu açısından kritik önem taşır. Ek olarak Confidential Computing desteği, farklı kiracılara ait iş yüklerinin donanım düzeyinde şifrelenerek birbirinden korunmasına olanak tanır. PCIe Gen5 desteği de CPU ile GPU arasındaki veri transferini hızlandırmaktadır. Hopper mimarisinin veri merkezindeki öne çıkan ürünleri H100 ve H200 GPU'larıdır. Bu GPU'lar, GPT-4, LLaMA, Gemini ve benzeri büyük dil modellerinin eğitiminde dünya genelindeki veri merkezlerinde yaygın biçimde kullanılmaktadır. Hopper'ın ardından NVIDIA, 2024 yılında Blackwell mimarisini (B100, B200) duyurmuştur.
Hypernetwork (Hiper Ağ)
Hypernetwork, başka bir sinir ağının (ana ağın) ağırlıklarını dinamik olarak üreten küçük bir yardımcı sinir ağıdır. 2016 yılında David Ha, Andrew Dai ve Quoc Le tarafından önerilen ve ICLR 2017 konferansında yayımlanan bu mimari, geleneksel derin öğrenmede sabit tutulan model parametrelerini koşullamaya duyarlı biçimde üretmeyi mümkün kılar. Klasik derin öğrenmede her katmanın ağırlıkları geri yayılım (backpropagation) ile öğrenilir ve eğitim tamamlandığında değişmez hale gelir. Hypernetwork yaklaşımında iki bileşenli bir yapı kullanılır: küçük hiper ağ, bir koşullama girdisi (görev kimliği, stil vektörü, gizli durum vb.) alarak ana ağın belirli katmanlarına ait ağırlık matrislerini hesaplar. Ana ağ bu ağırlıkları doğrudan kullanır; farklı koşullamalar için farklı parametre setleri anında elde edilir. Eğitim sırasında her iki ağ da aynı anda optimize edilir ve gradyanlar hem ana ağın kayıp fonksiyonundan hem de hiper ağ çıktısından hesaplanır. Bu mimari, çok sayıda görevi tek bir model çatısı altında toplamaya imkân tanır. Hiper ağ farklı koşullamalar için parametreler ürettiğinden milyonlarca parametreyi ayrı ayrı ezberlemek yerine üretme yolu tercih edilir; bu da parametre verimliliğini önemli ölçüde artırır. Modern derin öğrenmede hypernetwork kavramı, LoRA (Low-Rank Adaptation) gibi parametre etkin ince ayar teknikleriyle kavramsal açıdan yakın ilişkidedir. LoRA'nın delta ağırlıklarını düşük ranklı çarpanlara ayırması, bir hypernetwork'ün kompakt bir gizli vektörden ağırlık üretmesiyle örtüşen bir yaklaşımdır. Nöral mimari arama (NAS) uygulamalarında hiper ağ, farklı mimari konfigürasyonların ağırlıklarını paylaşarak büyük arama uzaylarını hızla değerlendirmeye yarar. 2023 yılından itibaren çok modlu (multimodal) sistemlerde de kullanım alanı genişleyen hypernetwork mimarisi, görüntü koşullamasıyla metin üreticinin parametre davranışının anlık olarak değiştirilebildiği modellerin temelini oluşturmaktadır. Bu yapı; meta-öğrenme, federe öğrenme ve sürekli öğrenme alanlarında güçlü sonuçlar vermektedir. Özellikle birden fazla görevi tek bir model mimarisinde yönetmek, hızlı adaptasyon ve görevler arası bilgi paylaşımı gerektiren uygulamalarda hypernetwork yaklaşımı araştırmacılar tarafından değerli bir araç olarak görülmektedir.
Hypothesis Testing (Hipotez Testi)
Hipotez testi, istatistik ve veri biliminin temel yöntemlerinden biri olup belirli bir iddianın mevcut verilerle desteklenip desteklenmediğini nesnel biçimde sınamak için kullanılır. Her hipotez testinde araştırmacı iki rekabet eden önerme tanımlar: çürütülene kadar doğru kabul edilen sıfır hipotezi (H₀) ve ispatlanmaya çalışılan alternatif hipotez (H₁). Test süreci dört temel adımdan oluşur: hipotezlerin kurulması, uygun test istatistiğinin seçilmesi, p-değerinin hesaplanması ve anlamlılık eşiğiyle (α) karşılaştırılması. p-değeri, H₀ doğru olsaydı gözlemlenen ya da daha uç bir sonucun elde edilme olasılığını temsil eder. p < α (genellikle 0,05) koşulunda H₀ reddedilir ve sonuç istatistiksel olarak anlamlı kabul edilir. Tek kuyruklu (yönlü) ve çift kuyruklu (yönsüz) testler ise alternatif hipotezin yönüne bağlı olarak seçilir; yön belirtiliyorsa tek kuyruklu test daha güçlüdür. Veri biliminde yaygın kullanılan testler şunlardır: t-testi (iki grubun ortalamalarını karşılaştırmak için), ki-kare testi (kategorik değişkenler için), ANOVA (ikiden fazla grup arasında) ve Mann-Whitney U (parametrik olmayan koşullarda). A/B testi gibi çevrimiçi deneyler de hipotez testinin doğrudan uygulamasıdır: kontrol ve deney grupları arasındaki farkın şansa mı yoksa gerçek bir etkiye mi bağlı olduğu belirlenir. İki kritik hata türü mevcuttur: H₀ gerçekte doğruyken reddedilen Tip I hata (yanlış pozitif, α) ve H₀ gerçekte yanlışken reddedilemeyen Tip II hata (yanlış negatif, β). Testin gücü (1 − β) yeterli örneklem büyüklüğüyle artırılır. Makine öğrenmesinde hipotez testi model karşılaştırma, özellik seçimi ve A/B testi alanlarında kritik rol oynar. 2025-2026 döneminde p-değerinin tek başına yetersiz kaldığı eleştirileri yaygınlaşmıştır; etki büyüklüğü (Cohen's d, eta²) ve permütasyon tabanlı testler standart raporlamaya eklenmiştir. Çoklu karşılaştırma durumunda Bonferroni düzeltmesi veya Benjamini-Hochberg FDR yöntemi yanlış keşif oranını kontrol altına alır.
Hidden Layer (Gizli Katman)
Gizli katman (hidden layer), yapay sinir aginin girdi ile cikti katmanlari arasında yer alan ve ham veriyi anlamlı temsillere donusturmekle sorumlu ara katmanlardır. "Gizli" kelimesi, bu katmanlarin egitim verisinde dogrudan gözlemlenemeyen ic temsillerini ifade eder; ne giris ne de cikis olmadigi icin bu adi almistir. Bir gizli katman birden fazla noron icermektedir. Her noron, onceki katmandaki tum noronların ciktilarinin agirlikli toplamını alir, bir bias ekler ve sonucu bir aktivasyon fonksiyonundan gecirir. ReLU (Rectified Linear Unit), Sigmoid ve Tanh en yaygin aktivasyon fonksiyonlarindandir. ReLU, gunumuzde sinir agları icin varsayilan tercih haline gelmistir; hesaplama basit ve gradyan yok olma problemi azdir. Gizli katmanlarin derinligi ve genisligi (noron sayisi), modelin kapasite ve ogrenme kapasitesini dogrudan belirler. Tek gizli katmanli ag teorik olarak her sureçli fonksiyonu yaklastiirabilir (Evrensel Yaklastirim Teoremi), ancak gercekte bu, astronomik boyutlarda noron sayisi gerektirebilir. Derin aglar (cok gizli katman), aynı kapasiteyi cok daha verimli sekilde saglayabilir. Her gizli katman, verinin farkli soyutlama duzeyini temsil eder. Goruntu taniyan bir CNN'de ilk gizli katmanlar kenar ve kose gibi dusuk seviye ozellikler; orta katmanlar doku ve sekil; derin katmanlar yuz veya nesne gibi yuksek seviye kavramlar ogrenebilir. Bu hiyerarsik ozellik ogrenimi, derin ogrenmenin en guclu ozelliklerinden biridir. Gizli katmanların sayısı ve boyutu model mimarisinin en kritik hiperparametreleri arasındadır. Az katman sığ temsil kapasitesi anlamına gelirken, fazla katman aşırı öğrenme (overfitting) riskini artırır. Modern derin öğrenme frameworkleri olan PyTorch ve TensorFlow, bu katmanları nn.Linear veya Dense sınıflarıyla kolayca tanımlamayı ve geri yayılım ile otomatik gradyan hesaplamasını destekler. Büyük dil modellerinde (GPT, BERT) gizli katmanlar milyarlarca parametre barındırarak dilin karmaşık yapısını kodlar.
Hiperparametre (Hiperparametre)
Hiperparametre, bir makine öğrenimi modelinin eğitim sürecini dışarıdan yöneten ve eğitim başlamadan önce belirlenmesi gereken yapılandırma değişkenidir. Öğrenme hızı (learning rate), katman sayısı, gizli birim sayısı, batch boyutu, dropout oranı ve regularizasyon katsayısı bunun başlıca örnekleridir. Model parametrelerinden temel farkı şudur: parametreler (ağırlıklar, bias değerleri) eğitim sırasında gradyan inişiyle otomatik olarak güncellenir; hiperparametreler ise öğrenme algoritmasının dışındadır ve araştırmacı ya da otomatik bir arama süreci tarafından belirlenir. Yanlış ayarlanmış bir hiperparametre, model ne kadar güçlü olursa olsun yetersiz öğrenmeye (underfitting) veya eğitim verisini ezberlemeye (overfitting) yol açar. Öğrenme hızı çok yüksek ayarlandığında model ıraksar; çok düşük olduğunda ise eğitim aşırı yavaşlar ve yerel minimumlara takılır. Bu nedenle hiperparametre optimizasyonu (HPO), başarılı bir ML projesinin ayrılmaz parçasıdır. Günümüzde Optuna, Ray Tune ve Weights & Biases Sweeps gibi kütüphaneler bu süreci otomatikleştirir. Büyük dil modeli eğitimlerinde hiperparametre seçimi milyarlarca dolarlık hesaplama bütçelerini doğrudan etkiler; bu yüzden küçük proxy modeller üzerinde yapılan HPO denemeleri, maliyeti kısıtlamak için kritik bir strateji haline gelmiştir. Transformer mimarisinde hiperparametre uzayı geleneksel derin öğrenme modellerine kıyasla çok daha geniştir: dikkat başlığı sayısı (num_attention_heads), gömme boyutu (d_model), ileri besleme katmanı genişliği (d_ff) ve bağlam penceresi uzunluğu (context length) birbirine bağlı değerlerdir. Araştırmalar d_model ile num_attention_heads arasındaki 64:1 oranının çoğu görevde iyi bir başlangıç noktası olduğunu göstermektedir. Bu nedenle yalnızca öğrenme hızını optimize etmek yetmez; mimariye özgü değerler de sistematik biçimde keşfedilmelidir. Hiperparametre duyarlılık analizi, hangi değişkenlerin modeli en çok etkilediğini belirlemeye yarar; önemsiz boyutları sabitleyip kritik olanlara odaklanmak arama süresini önemli ölçüde kısaltır. Bütçe kısıtlı projelerde deneyimli pratisyenlerin kullandığı başlangıç değerleri bunun tipik örnekleridir: öğrenme hızı için 3e-4 (yaygın olarak Karpathy sabiti adıyla anılır), weight decay için 0.1, dropout oranı için 0.1. Bu değerlerden başlayıp küçük kapsamlı bir arama ile kendi veri setine göre rafine etmek mühendislik maliyetini minimize eder.
Hate Speech Detection (Nefret Söylemi Tespiti)
Nefret söylemi tespiti (Hate Speech Detection), doğal dil işleme ve makine öğrenmesi yöntemlerini kullanarak metin, yorum, gönderi veya konuşma içeriklerindeki nefret ifadelerini, ırkçılığı, cinsiyetçiliği, etnik ayrımcılığı ve şiddete teşvik eden dili otomatik olarak sınıflandırmayı amaçlayan yapay zeka alanıdır. Sosyal medya platformları, haber siteleri ve çevrimiçi topluluklar için içerik moderasyonunun bel kemiğini oluşturur. Temel teknik yaklaşım metin sınıflandırmasıdır. Önceki nesil sistemler TF-IDF ağırlıklı özellikler ve destek vektör makineleri (SVM) veya lojistik regresyon kullanırken, günümüz sistemleri BERT, RoBERTa ve özelleştirilmiş dil modelleri üzerine kuruludur. Fine-tuning yapılmış transformer modelleri, bağlamdan bağımsız anahtar kelime listelerine kıyasla belirgin biçimde üstün performans sergilemektedir: "kesmek" fiili mutfak bağlamında masum iken siyasi söylemde tehdit içerebilir. Teknik zorluğun büyük kısmı veri etiketleme sorunlarından kaynaklanmaktadır. İnsan etiketçiler arasında uyum oranı genellikle %60–70 civarında kalmakta; ironi, argo, mizah ve kültürel bağlam doğru etiketlemeyi güçleştirmektedir. Sınıf dengesizliği de kritik bir sorundur: üretilen içeriklerin çok küçük fraksiyonu gerçek nefret söylemi içerdiğinden, naif modeller sınıfı tamamen yok sayarak yüksek doğruluk iddiasında bulunabilir. Türkçe bağlamında nefret söylemi tespiti ek zorluklar barındırır. Türkçe'nin sondan eklemeli yapısı, argo ve kod-karıştırma (Türkçe-İngilizce karma kullanım) modelleme sürecini karmaşıklaştırır. BERTurk, ConvBERTurk ve çok-dilli modeller bu görev için ince ayar yapılmaktadır. Türkiye'de BTK ve sosyal medya platformlarının içerik moderasyon politikaları nedeniyle Türkçe veri setlerinin geliştirilmesi araştırma gündeminde önemli bir yer tutmaktadır. Etik boyutlar tartışmayı sürekli canlı tutar. Aşırı engelleme (over-blocking), azınlık topluluklarının meşru ifade özgürlüğünü bastırma riskini taşır; az engelleme (under-blocking) ise zararlı içeriklerin yayılmasına zemin hazırlar. Otomatik sistemler insan denetimini tamamlamalı, onun yerini almamalıdır. AB Dijital Hizmetler Yasası (DSA) ve Türkiye'deki sosyal medya düzenlemeleri, bu sistemlerin şeffaflık ve hesap verebilirlik gerekliliklerini yasal zemine taşımaktadır. 2026 itibarıyla çok-modlu nefret söylemi tespiti araştırma gündeminin ön sıralarına yerleşmiştir.
Hierarchical Clustering (Hiyerarşik Kümeleme)
Hiyerarşik kümeleme (hierarchical clustering), veri noktaları arasındaki benzerlik ilişkilerini kullanarak hiyerarşik bir yapı oluşturan denetimsiz öğrenme algoritmasıdır. K-means gibi yöntemlerin aksine, küme sayısını önceden belirlemeyi gerektirmez; bunun yerine tüm veri seti tek bir kümeden başlanarak alt gruplara bölünür ya da bireysel noktalardan başlanarak büyük kümelere birleştirilir. İki temel yaklaşım bulunur. Agglomeratif (birleştirici, aşağıdan yukarı) yöntemde her veri noktası başlangıçta ayrı bir küme kabul edilir; algoritma adım adım en yakın çiftleri birleştirir ve sonunda tek bir büyük kümeye ulaşır. Bu süreç bir ağaç diyagramında — dendrogramda — görselleştirilir. Bölücü (divisive, yukarıdan aşağı) yöntemde ise tüm veri kümesi tek bir gruptan başlar ve tekrarlı bölümlerle alt kümelere ayrılır. Pratikte agglomeratif yöntem çok daha yaygın kullanılmaktadır. Kümeler arasındaki mesafeyi ölçmek için bağlantı kriteri (linkage criterion) seçilir. Tek bağlantı (single linkage) iki kümenin birbirine en yakın noktaları arasındaki mesafeyi kullanır; zincir etkisine (chaining) yatkındır. Tam bağlantı (complete linkage) en uzak noktaları; ortalama bağlantı (average linkage) tüm nokta çiftlerinin ortalama mesafesini kullanır. Ward bağlantısı ise birleştirme sonrası küme içi toplam karesel sapma artışını minimize eder ve genel amaçlı kullanımda dengeli, kompakt kümeler ürettiği için en sık tercih edilen kriterdir. Dendrogramda belirli bir yükseklikte yatay bir kesim çizgisi çekerek istenilen küme sayısına ulaşılır; bu özellik algoritmayı keşifsel veri analizinde değerli kılar. Algoritmanın hesaplama karmaşıklığı naif uygulamada O(n³), bellek kullanımı O(n²) düzeyindedir; bu durum büyük veri kümelerinde ölçeklenebilirliği kısıtlar. Yaklaşık yöntemler ve BIRCH gibi özel algoritmalar bu sorunu kısmen gidermektedir. Biyoinformatik (gen ifadesi analizi, protein sekans sınıflandırması), belge kümeleme, müşteri segmentasyonu, piyasa sepet analizi ve anomali tespiti başlıca uygulama alanları arasındadır. Python'da scipy.cluster.hierarchy ve sklearn.cluster.AgglomerativeClustering modülleriyle kolayca uygulanır; dendrogramlar matplotlib ile görselleştirilebilir. Sonuçlar, kümeleme kalitesini ölçmek için Silhouette skoru veya Cophenetic korelasyon katsayısıyla değerlendirilir.
HuggingChat (HuggingChat)
HuggingChat, Hugging Face tarafından geliştirilen ve 100'den fazla açık kaynaklı büyük dil modeline ücretsiz erişim sunan bir yapay zeka sohbet platformudur. ChatGPT gibi kapalı kaynak ticari sistemlerin aksine HuggingChat, Llama 4, Qwen3, Mistral, DeepSeek ve Falcon gibi topluluk destekli modelleri doğrudan tarayıcıdan kullanılabilir hâle getirir. Platform, Hugging Face'in Inference Providers altyapısı üzerinde çalışır; bu altyapı modellerin bulut üzerinde anlık olarak çalıştırılmasını ve kullanıcıya düşük gecikmeyle yanıt iletilmesini mümkün kılar. HuggingChat'in en dikkat çekici özelliklerinden biri Omni Model yönlendirme sistemidir: bu sistem gelen isteğin karmaşıklığını, uzunluğunu ve içeriğini değerlendirerek en uygun modeli otomatik olarak seçer; böylece kullanıcının her görev için hangi modeli kullanacağını bilmesine gerek kalmaz. Web arama entegrasyonu sayesinde HuggingChat güncel haberlere ve internetteki bilgilere gerçek zamanlı olarak erişebilir; bu özellik onu salt bir dil modelinden öte, araştırma odaklı bir asistana dönüştürür. Bunun yanı sıra platform doküman yükleme ve analiz etme, kod yazma ve hata ayıklama, çoklu dil desteği ile görsel içerik üretimi gibi işlevler de barındırır. Gizlilik bilincine sahip kullanıcılar için konuşma geçmişini depolamayan anonim oturum modu mevcuttur. HuggingChat'in açık kaynak doğası araştırmacılara ve geliştiricilere model davranışlarını karşılaştırma, çıktıları denetleme ve toplulukla bulgularını paylaşma olanağı tanır. Platform API erişimi ve özel asistan oluşturma gibi gelişmiş özellikler için Hugging Face hesabı gerektirmekle birlikte temel sohbet işlevleri herhangi bir kayıt olmadan kullanılabilir. 2024 yılından itibaren model çeşitliliği ve altyapı kapasitesi hızla genişlemiş; platform açık kaynak yapay zeka ekosisteminin en erişilebilir vitrinlerinden biri konumuna gelmiştir. Türkçe dil desteği sunan Qwen3 ve Llama 4 serisi modeller aracılığıyla Türkçe metin anlama ve üretme görevlerinde de güçlü sonuçlar elde edilmektedir.