I Harfi ile Başlayan Terimler
Image Recognition (Görüntü Tanıma)
Bilgisayarların dijital görüntüler veya videolardaki nesneleri, yerleri, insanları ve eylemleri analiz etme ve tanımlama yeteneğidir. Derin öğrenme ve bilgisayarlı görü (computer vision) alanlarının en temel uygulamalarından biridir.
Information Extraction Nedir? Bilgi Çıkarımı ve NLP (Bilgi Çıkarımı)
Bilgi Çıkarımı (Information Extraction - IE), ham ve yapılandırılmamış metin verilerinden otomatik olarak anlamlı, yapılandırılmış bilgilerin elde edilmesi sürecidir. Doğal dil işlemenin (NLP) temel alt alanlarından biri olan IE; kişi adları, yer isimleri, tarihler ve kurumlar gibi varlıkları tanımlamak, bu varlıklar arasındaki ilişkileri ortaya çıkarmak ve metinde geçen olayları tespit etmek için çeşitli makine öğrenmesi ve dil modeli tekniklerinden yararlanır. Sonuç olarak insanların yazdığı doğal dil metni, veritabanlarında sorgulanabilir ve algoritmalar tarafından işlenebilir formata dönüşür. IE sistemi tipik olarak birkaç ardışık aşamadan oluşur: Varlık İsmi Tanıma (Named Entity Recognition - NER) ile metindeki kişi, organizasyon, konum ve tarih gibi kavramlar etiketlenir; İlişki Çıkarımı (Relation Extraction) ile iki varlık arasındaki anlam bağı saptanır; Olay Çıkarımı (Event Extraction) ile belirli bir faaliyetin ne zaman, nerede ve kimler tarafından gerçekleştiğine dair bilgiler yapılandırılır. Modern sistemler bu görevleri gerçekleştirmek için BERT, GPT ve benzeri büyük dil modellerini (LLM) ön plana çıkarmaktadır. Bilgi Çıkarımı; haber madenciliği, biyomedikal literatür analizi, finansal doküman işleme ve hukuki metin analizi gibi çok sayıda uygulama alanında kritik bir rol üstlenmektedir. Büyük hacimli metin verilerini insan müdahalesi olmadan işleyebilen IE sistemleri, hem araştırmacılara hem de işletmelere zaman ve maliyet açısından önemli kazanımlar sağlamaktadır.
Information Retrieval (IR) (Bilgi Erişimi)
Büyük veri kümeleri (örneğin metin belgeleri) içinden kullanıcı sorgusuna en uygun ve alakalı bilgiyi bulup getirme işlemidir. Google ve Bing gibi modern arama motorlarının temelini oluşturan bilgisayar bilimleri dalıdır.
Instance Segmentation (Örnek Bölütleme)
Bilgisayarlı görüde, bir görüntüdeki her bir nesnenin piksellerini tek tek tespit edip sınırlarını çizen ve aynı sınıfa ait nesneleri (örneğin yan yana duran iki arabayı) birbirinden ayrı varlıklar olarak tanıyan algoritmik yaklaşımdır.
Inverse Reinforcement Learning (IRL) (Ters Pekiştirmeli Öğrenme)
Bir uzmanın (genellikle insanın) davranışlarını gözlemleyerek, bu davranışların altında yatan asıl amacı veya ödül fonksiyonunu (reward function) matematiksel olarak tahmin etme sürecidir.
Intelligent Agent (Zeki Etmen / Akıllı Ajan)
Çevresini sensörler aracılığıyla algılayan, elde ettiği verilere dayanarak karar veren ve belirlenmiş hedeflere ulaşmak için harekete (action) geçen otonom sistemlerdir.
In-Context Learning (Bağlam İçi Öğrenme)
In-Context Learning (ICL), büyük dil modellerinin ağırlıklarını güncellemeden, yalnızca prompt içindeki birkaç örnek (few-shot) ya da tek bir açıklama (zero-shot) aracılığıyla yeni görevleri gerçekleştirebildiği bir yetenektir. Model, gradient güncellemesi yaşamadan bağlamdan öğrenir; bu öğrenme inference anında gerçekleşir ve oturum bitince sıfırlanır.
Image Captioning (Görüntü Altyazılama)
Image Captioning (Görüntü Altyazılama), bir görüntünün içeriğini otomatik olarak doğal dilde metin olarak tanımlayan yapay zeka tekniğidir. Görüntü encoder'ı (genellikle Vision Transformer veya CNN) ile metin decoder'ını (dil modeli) bir araya getiren çok modlu (multimodal) bir yaklaşımdır. Sistem, görüntüden çıkarılan öznitelikleri dil bileşenine aktararak "Bu fotoğrafta bir köpek çimenlerin üzerinde oturuyor" gibi açıklayıcı cümleler üretir. BLIP, GIT, Flamingo ve LLaVA gibi modern modeller bu alanda öne çıkan mimarilerdir. Erişilebilirlik (görme engelliler için alt metin), içerik moderasyonu, görsel arama ve veri etiketleme gibi geniş bir uygulama alanına sahiptir.
InfiniBand (Yüksek Hızlı AI Ağ Protokolü)
InfiniBand, sunucular, GPU kümeleri ve depolama sistemleri arasında yüksek bant genişliği ve son derece düşük gecikme süresi sağlayan bir ağ iletişim standardı ve protokolüdür. 1999 yılında geliştirilmiş olan InfiniBand, özellikle yüksek performanslı bilişim (HPC) ve büyük ölçekli yapay zeka eğitim altyapılarında kritik bir bileşen olarak kullanılmaktadır. NVIDIA'nın satın aldığı Mellanox tarafından geliştirilen bu teknoloji, günümüzdeki en büyük AI süperbilgisayarlarının temel ağ altyapısını oluşturmaktadır.
Inference (Çıkarım (Model Çıkarımı))
Çıkarım (Inference), eğitilmiş bir yapay zeka modelinin yeni girdilere yanıt üretmek için kullanıldığı süreçtir. Eğitim aşamasının aksine, çıkarım sırasında model ağırlıkları güncellenmez; model yalnızca ileri besleme (forward pass) yapar. Büyük dil modellerinde çıkarım, prefill ve decode olmak üzere iki aşamadan oluşur. Prefill aşamasında giriş tokenlerinin tamamı paralel olarak işlenir ve KV önbelleği (KV cache) doldurulur; bu aşama GPU paralelizminden yüksek oranda yararlanır. Decode aşamasında ise model her seferinde bir token üretir ve KV önbelleğini günceller; bu aşama bellek bant genişliğiyle sınırlıdır (memory-bound). Çıkarım optimizasyonu, üretim sistemlerinde kritik öneme sahiptir. Temel metrikler: gecikme (latency — ilk token süresi ve token başına süre), verim (throughput — saniyede üretilen token sayısı), bellek kullanımı. Başlıca optimizasyon teknikleri şunlardır: Niceleme (Quantization): FP16/BF16, INT8, INT4 ile model boyutunu küçültme. KV Cache Yönetimi: PagedAttention ve prefix caching ile bellek verimliliği. Batch Processing: Birden fazla isteği birleştiren continuous batching. Flash Attention: Bellek verimli dikkat hesaplama. Spekülatif Kod Çözme: Küçük taslak modelle büyük modeli hızlandırma. Çıkarım altyapısı için vLLM, TGI (Text Generation Inference), TensorRT-LLM ve Ollama gibi özelleşmiş araçlar geliştirilmiştir. Bulut sağlayıcılar (OpenAI API, Anthropic API, AWS Bedrock) çıkarım altyapısını hizmet olarak sunar.
Inference Scaling (Çıkarım Zamanı Ölçeklendirme)
Inference Scaling (Çıkarım Zamanı Ölçeklendirme veya Test Zamanı Hesaplama Ölçeklendirme), bir modelin eğitim sonrası çıkarım aşamasında daha fazla hesaplama harcayarak performansı artırma yaklaşımıdır. Scaling laws geleneğindeki eğitim zamanı ölçeklendirmesinin aksine bu yöntem, sabit model ağırlıklarıyla çalışır ve yanıt üretim sürecinde ek hesaplama kullanır. Inference scaling'in temel biçimleri şunlardır: Chain-of-Thought (CoT) ve uzun düşünce zincirleri, Best-of-N örnekleme (birden fazla yanıt üretip en iyisini seçme), Beam search genişletme, araç kullanımı döngüleri ve self-reflection (öz değerlendirme). OpenAI'ın o1/o3 modelleri ve DeepSeek-R1, bu yaklaşımı sistematik hâle getiren örneklerdir: model yanıt vermeden önce dahili düşünme adımları oluşturmak için önemli miktarda hesaplama harcar. Google DeepMind'ın 2024'te yayımladığı çalışmalar, küçük modellerin çıkarım zamanı hesaplama artışıyla çok daha büyük modellere yakın kalite elde edebildiğini göstermiştir. Bu bulgu, AI geliştirme paradigmasını 'daha büyük model = daha iyi performans' anlayışından 'akıllı çıkarım stratejisi = daha iyi performans' anlayışına kaydırmaktadır. Yöntemin sınırlamaları: artan gecikme (latency), yüksek token maliyeti ve bazı görevlerde azalan kazanım (diminishing returns).
Instruction Tuning (Komut Ayarı)
Instruction Tuning (Komut Ayarı veya Talimat İnce Ayarı), önceden eğitilmiş dil modellerini insan yazılı talimat-yanıt çiftleriyle ince ayar yaparak modelin çeşitli görevleri takip etme becerisini geliştiren bir eğitim yöntemidir. 2021'de Google'ın FLAN modeli ve Stanford'un Alpaca çalışmasıyla popülerleşen bu teknik, bugün neredeyse tüm kullanıcıya dönük LLM'lerin eğitim süreçlerinin ayrılmaz parçasıdır. Instruction tuning'den önce dil modelleri yalnızca sonraki tokeni tahmin etmek üzere eğitilirdi; bu modeller doğrudan kullanıcı talimatlarını takip etmekte yetersiz kalırdı. Instruction tuning, çok sayıda ve çeşitli görevleri kapsayan veri setiyle modeli fine-tune eder: özetleme, soru yanıtlama, çeviri, sınıflandırma, kod yazma. Böylece model yeni, görülmemiş görevleri sıfır-atış (zero-shot) veya az-atış (few-shot) biçiminde takip edebilir hâle gelir. Kaliteli instruction tuning için veri kalitesi, çeşitliliği ve talimat-yanıt uyumluluğu kritiktir. LIMA çalışması, 1000 yüksek kaliteli örnek bile yeterince çeşitliyse güçlü instruction following sağlayabileceğini göstermiştir. Günümüzde büyük ölçekli modeller için hem insan yazılı hem de LLM ile sentetik olarak üretilmiş instruction veri setleri kullanılmaktadır. Instruction tuning sonrası RLHF veya DPO ile pekiştirme, modeli daha da kullanıcı dostu hâle getirir.
In-Memory Computing Nedir? Bellek-İçi AI Hesaplama (Bellek-İçi Hesaplama)
In-Memory Computing (Bellek-İçi Hesaplama), verilerin geleneksel disk tabanlı depolama yerine doğrudan RAM veya yüksek bant genişlikli bellek (HBM) üzerinde işlenmesi paradigmasıdır. Geleneksel mimaride CPU veya GPU, hesaplama yaparken model ağırlıklarını ve aktivasyonları bellekten defalarca okumak zorundadır; bu veri transferi, özellikle büyük dil modellerinin (LLM) çıkarım aşamasında ciddi bir darboğaz oluşturur. İşlemcinin bekleyerek geçirdiği bu süre, toplam çıkarım gecikmesinin büyük bölümünü oluşturur. Processing-in-Memory (PIM) ya da Near-Memory Computing olarak da bilinen bu yaklaşımda, hesaplama mantığı doğrudan bellek çipleri içine entegre edilir. Böylece veri işlemciye taşınmak yerine, işlemci verinin bulunduğu yerde çalışır. Bir LPDDR5 DRAM çipinin harici G/Ç bant genişliği yaklaşık 51,2 GB/s ile sınırlıyken, dahili all-bank bant genişliği 409,6 GB/s'ye ulaşabilir; bu yaklaşık 8 katlık artış, verinin yanında hesaplama yapmanın sağladığı temel avantajdır. Samsung (AxDIMM/HBM-PIM), SK Hynix (AiM — Accelerator-in-Memory) ve UPmem gibi şirketler, AI iş yüklerine özgü ticari PIM çözümleri geliştirmektedir. GPU+HBM-PIM entegrasyonu, yalnızca GPU mimarisine kıyasla LLM çıkarımında 3,24 kat hızlanma ve yüzde 60 enerji tasarrufu sağlayabilmektedir. Transformer mimarilerindeki matris-vektör çarpımı (GEMV) ve dikkat mekanizmaları, hesaplama kapasitesinden çok bellek bant genişliğine duyarlıdır; bu nedenle bellek-içi hesaplama bir sonraki nesil AI donanımının temel bileşeni olmaya adaydır. Edge AI cihazlarında ise RISC-V tabanlı PIM modülleri, nöral ağ çıkarımını düşük güç bütçesiyle gerçekleştirmeyi mümkün kılar.