H Harfi ile Başlayan Terimler
HBM (Yüksek Bant Genişlikli Bellek) Nedir? (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.
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.
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.
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. Halüsinasyonların temel nedeni, LLM'lerin çalışma biçimidir: modeller bir sonraki tokeni istatistiksel olarak olası kılacak şekilde tahmin eder; doğruluğu sistematik biçimde doğrulamaz. 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 (var olmayan araştırmaların, kişilerin veya olayların icadı), kaynak uydurma (gerçek görünen ama var olmayan akademik makalelerin atıfı), mantıksal tutarsızlık (aynı yanıt içinde çelişen ifadeler) ve bağlam dışı üretim (kullanıcının sorusunu yanlış anlayarak alakasız bilgi sunma) sayılabilir. Halüsinasyonla mücadelede kullanılan başlıca teknikler şunlardır: RAG (Retrieval-Augmented Generation) harici ve doğrulanmış bilgi kaynaklarını modelin bağlamına ekleyerek yanıt kalitesini artırır; RLHF (İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme) modeli daha gerçekçi yanıtlar üretmek üzere ince ayar yapar; CoT (Chain-of-Thought) prompting ise modeli adım adım akıl yürütmeye zorlayarak hatalı atlamaları azaltır. Bunlara ek olarak temperature parametresinin düşürülmesi, yapılandırılmış çıktı (structured output) formatları ve "Bilmiyorum" yanıtını destekleyen sistem istemleri de halüsinasyon oranını 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. Halüsinasyon değerlendirmesi için TruthfulQA, HaluEval ve RAGTRUTH gibi kıyaslama veri kümeleri kullanılmaktadır.
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 3B 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 sayede 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 kablo kısıtlamalarıyla sınırlanır; oysa HBM'de 1024–2048 bit genişliğindeki geniş ara yüzü bu sorunu köklü biçimde çözer. HBM teknolojisinin gelişimi 2013 yılında AMD ve SK Hynix tarafından ortaklaşa başlatılmış, JEDEC standartlarıyla şekillenmiştir. İlk nesil HBM (2015) 128 GB/s bant genişliğiyle başlarken, 2025'te tamamlanan HBM4 standardı yığın başına 2 TB/s eşiğini aşmıştır. NVIDIA H100 ve H200 gibi veri merkezi GPU'larında 80–141 GB HBM3/HBM3e, AMD Instinct MI430X'te ise 432 GB HBM4 kullanılmaktadır. Büyük dil modellerini (LLM) verimli şekilde çalıştırabilmek için gereken devasa parametre yükü göz önüne alındığında, HBM birkaç yıl içinde yapay zeka donanımının olmazsa olmaz bileşeni konumuna gelmiştir. 2025 itibarıyla küresel HBM pazarı 38 milyar dolara ulaşmış; SK Hynix yüzde 62 pay ile sektöre liderlik etmekte, onu Micron ve Samsung izlemektedir.
HuggingChat (HuggingChat)
HuggingChat, Hugging Face tarafından geliştirilen ve 100'den fazla açık kaynaklı büyük dil modeline (LLM) tek arayüzden ücretsiz erişim sunan açık kaynak yapay zeka sohbet platformudur. Nisan 2023'te ChatGPT'ye şeffaf bir alternatif olarak yayınlandı; Eylül 2025'te ise **HuggingChat Omni** adıyla yeniden yapılandırıldı. Omni sürümünün ayırt edici özelliği, her soruyu analiz edip 115'ten fazla açık model arasından en uygununu otomatik seçen **politika tabanlı yönlendirme (policy-based routing)** sistemidir. Bu yönlendirmeyi, Katanemo'nun 1,5 milyar parametrelik Arch-Router modeli yapar: kod sorusu geldiğinde kodlamada güçlü bir modele, matematik sorusunda muhakeme modeline yönlendirir. Platformda Meta Llama, Alibaba Qwen, DeepSeek (V3 ve R1 serileri), OpenAI'nin açık ağırlıklı gpt-oss modelleri, Moonshot Kimi K2 ve Mistral dahil 15'ten fazla sağlayıcının modelleri barındırılır. Kullanıcı isterse Omni'nin otomatik seçimini kapatıp modeli elle belirleyebilir. HuggingChat'i tescilli rakiplerinden ayıran üç temel unsur vardır. Birincisi şeffaflık: platformun kaynak kodu GitHub'da `huggingface/chat-ui` deposunda herkese açıktır ve Docker ile kendi sunucunuzda barındırılabilir. İkincisi gizlilik: konuşmalar model eğitiminde kullanılmaz; hesapsız kullanımda geçmiş yalnızca tarayıcıda tutulur. Üçüncüsü maliyet: temel kullanım tamamen ücretsizdir, aylık 9 dolarlık Hugging Face Pro aboneliği yalnızca kota ve öncelikli erişim genişletir. Web araması, dosya yükleme, görüntü analizi ve topluluk tarafından oluşturulmuş binlerce özel asistan (Assistants) platformun diğer bileşenleridir. Araştırmacılar, açık modelleri ücretsiz denemek isteyen geliştiriciler ve verisinin eğitimde kullanılmasını istemeyen kurumlar için HuggingChat, 2026 itibarıyla açık kaynak ekosisteminin en erişilebilir sohbet arayüzü konumundadır. Erişim adresi huggingface.co/chat olup Türkiye dahil dünya genelinde coğrafi kısıtlama uygulanmaz.
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 hâline 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-hizalama iş akışını üç 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. Hugging Face'i öğrenmek, modern yapay zeka geliştirmenin ön koşulu sayılır; açık modelle çalışan hemen her proje — ince ayardan (fine-tuning) üretim dağıtımına — bu ekosistemin en az bir parçasından geçer.
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) 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 işlem bir ağaç diyagramında, yani dendrogramda görselleştirilir. Bölücü (divisive) yöntemde ise tüm veri kümesi tek bir grup olarak başlar ve tekrarlı bölümlerle alt kümelere ayrılır. Pratikte agglomeratif yöntem çok daha yaygın kullanılır. Kümeler arasındaki mesafeyi ölçmek için bağlantı kriteri (linkage criterion) seçilir. Tek bağlantı (single linkage) iki kümenin birbirine en yakın noktaları arasındaki mesafeyi; tam bağlantı (complete linkage) en uzak noktaları; ortalama bağlantı tüm nokta çiftlerinin ortalama mesafesini kullanır. Ward bağlantısı ise birleştirme sonrası küme içi varyans artışını minimize eder ve genellikle dengeli kompakt kümeler ürettiği için tercih edilir. Dendrogram üzerinde yatay bir eşik çizgisi belirleyerek istenilen küme sayısına ulaşılır; bu özellik algoritmayı keşifsel veri analizinde değerli kılar. Hesaplama karmaşıklığı naif uygulamada O(n³), bellek kullanımı O(n²) düzeyindedir; bu durum algoritmanın büyük veri kümelerinde ölçeklenmesini zorlaştırır. Biyoinformatik (gen ifadesi analizi, protein sınıflandırması), belge kümeleme, müşteri segmentasyonu ve anomali tespiti başlıca uygulama alanları arasındadır. Python'da scipy.cluster.hierarchy ve sklearn.cluster.AgglomerativeClustering kütüphaneleriyle kolayca uygulanabilir.
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.
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.
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. 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. 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. Düşük güç tüketimi, kompakt fiziksel boyutlar ve yüksek erişim hızlarının kombinasyonu, HBM3 ve HBM3e'yi günümüz yapay zeka çağının temel bellek teknolojisi olarak konumlandırmaktadır.
Hopfield Network (Hopfield Ağı)
Hopfield Ağı, 1982 yılında fizikçi John Hopfield tarafından geliştirilen ve biyolojik bellek mekanizmalarından ilham alan tekrarlayan bir yapay sinir ağı mimarisidir. Bu ağın temel özelliği, belirli örüntüleri kalıcı durum olarak saklayabilmesi ve gürültülü ya da eksik bir girdi aldığında bu örüntüleri doğru biçimde geri çağırabilmesidir. Ağ, birbirine tamamen bağlı nöronlardan oluşur ve bağlantı ağırlıkları simetriktir. Bu yapısal özellik, ağın davranışını bir Lyapunov enerji fonksiyonuyla tanımlamayı mümkün kılar. Sistemin her durumu bu enerji yüzeyindeki bir noktaya karşılık gelir; nöronların adım adım güncellenmesi süreci enerjiyi monoton biçimde azaltır. Sonunda ağ, enerji yüzeyinin yerel bir minimumuna, yani bir çekim noktasına (attractor) ulaşarak kararlı bir durumda durur. Depolanan her örüntü böyle bir çekim noktasına karşılık gelir. Klasik Hopfield Ağı'nda nöronlar ikili değerler (±1) alır ve Hebbian öğrenme kuralıyla eğitilir. Depolama kapasitesi nöron sayısının (N) yaklaşık 0,14 katıyla sınırlıdır; bu da büyük ölçekli uygulamalarda ciddi bir kısıtlamadır. Kapasite aşıldığında aralarındaki örüntülerin karışımı olan sahte çekim noktaları (spurious attractors) ortaya çıkar. 2020 yılında Ramsauer ve ekibinin yayımladığı "Hopfield Networks is All You Need" makalesi modern Hopfield Ağları kavramını gündeme taşıdı. Modern versiyonda enerji fonksiyonu yeniden tasarlanarak güncelleme kuralı softmax fonksiyonuna dönüştürülmüş; bu sayede depolama kapasitesi üstel biçimde artırılmıştır. Dahası, modern Hopfield güncelleme kuralının Transformer mimarisindeki öz-dikkat (self-attention) mekanizmasıyla matematiksel olarak eşdeğer olduğu kanıtlanmıştır. Bu bağlantı, dikkat mekanizmalarına bellek tabanlı bir yorum getirerek derin öğrenme teorisine önemli katkılar sağlar. 2024 yılında John Hopfield, bu çalışmalar nedeniyle Geoffrey Hinton ile birlikte Nobel Fizik Ödülü'nü kazanmıştır; ödül, yapay sinir ağlarına ilişkin fizik temelli temel keşiflerin resmi kabulüdür.
Hypernetwork Nedir? Ağırlık Üreten Sinir Ağı (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.
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 veriler üzerinde işlem yapabilmek için önce şifrenin çözülmesi gerekir; bu durum şifrelenmiş verinin güvenliğini tehlikeye atar. Homomorfik şifreleme ise bu sorunu ortadan kaldırarak verilerin şifreli haldeyken işlenebilmesini sağlar ve işlem sonuçları, şifre çözüldüğünde ham veri üzerinde yapılmış hesaplamalarla birebir örtüşür. Yapay zeka alanında homomorfik şifreleme, özellikle hassas verilerin üçüncü taraf sistemlere gönderilmesi gerektiğinde kritik bir güvenlik katmanı sunar. Örneğin, bir hastanenin hasta verilerini bulut tabanlı bir yapay zeka modeline göndermesi gerektiğinde, homomorfik şifreleme sayesinde model asıl veriyi hiçbir zaman görmeden çıkarım yapabilir. Bu yaklaşım sağlık, finans ve hukuk gibi hassas sektörlerde yapay zekanın etik ve yasal uyumlu şekilde kullanılmasını mümkün kılar. Üç ana homomorfik şifreleme türü vardır: Kısmi Homomorfik Şifreleme (PHE) yalnızca belirli işlem tiplerini (toplama veya çarpma) destekler; Düzey Homomorfik Şifreleme (LHE) sınırlı sayıda karmaşık işlem yapabilir; Tam Homomorfik Şifreleme (FHE) ise teorik olarak sınırsız sayıda işlemi şifreli veri üzerinde gerçekleştirebilir. İlk pratik FHE şeması 2009 yılında Craig Gentry tarafından Stanford'da geliştirilmiştir. Makine öğrenimi için en yaygın kullanılan şema CKKS (Cheon-Kim-Kim-Song) yaklaşık aritmetiğidir; özellikle sinir ağı çıkarımı ve gradyan hesaplaması için uygundur. Microsoft SEAL, OpenFHE, Zama'nın Concrete kütüphanesi ve IBM HElib yaygın açık kaynak uygulamalardır. Ana dezavantaj, homomorfik şifrelemenin geleneksel hesaplamaya kıyasla binlerce ila yüz binlerce kat daha yavaş olmasıdır; ancak donanım hızlandırma ve optimizasyon araştırmaları bu boşluğu hızla kapatmaktadır. Güvenliği, kuantum bilgisayarlara karşı dirençli kabul edilen LWE (Learning With Errors) problemine dayanır.