K Harfi ile Başlayan Terimler
Kimi K2 (Kimi K2)
Kimi K2, Çin merkezli Moonshot AI şirketi tarafından 2025 yılında yayımlanan büyük ölçekli Mixture-of-Experts (MoE) modelidir. 1 trilyon toplam parametreye sahip olan Kimi K2, her token hesaplamasında aktif edilen yaklaşık 32 milyar parametreyle çalışır; bu mimari büyük model kapasitesini makul çıkarım maliyetiyle bir arada sunar. Özellikle ajan görevlerinde ve uzun bağlam işlemede güçlü performansıyla dikkat çeken model, MIT lisansı altında açık ağırlıklı (open-weight) olarak yayımlanmıştır. Eğitim sürecinde Moonshot AI, MoE ölçeğinde gradyan patlamasını önlemek için Muon optimizatörü ve buna özel MuonClip gradyan kırpma tekniğini tercih etmiştir. Bu yaklaşım trilyon parametre ölçeğindeki eğitimi kararlı biçimde tamamlamayı mümkün kılmıştır. Kimi K2 uzun bağlam yetenekleri için 1T MoE modelini aşamalı olarak 128K token bağlam penceresine uyarlamıştır. SWE-bench Verified yazılım mühendisliği kıyaslamasında %65,8 başarı oranına ulaşan model, bağımsız kod yazma ve hata ayıklama görevlerinde kapalı ticari modellere yakın performans sergilemiştir. BFCL (Berkeley Function Calling Leaderboard) araç kullanımı testlerinde de rekabetçi sonuçlar raporlanmıştır. Kimi K2 ekosistemi; tam ağırlıklı 1T MoE modeli, hafif yapısıyla daha erişilebilir olan Kimi K2 Mini ve uzun zincirli akıl yürütme için optimize edilmiş Kimi K2 Thinking varyantlarından oluşmaktadır. Model ağırlıklarına HuggingFace Hub üzerinden erişilebilir; API entegrasyonu için platform.moonshot.cn'un OpenAI uyumlu endpoint'i kullanılmaktadır. Kimi K2 Türkçe dahil geniş dil desteği sunmakta ve işlevsel çağrı (function calling) ile paralel araç kullanımını yerel olarak desteklemektedir. Kimi K2, DeepSeek ve Qwen gibi Çin kaynaklı açık ağırlıklı modeller arasında ajan kabiliyeti odaklı konumlanmasıyla öne çıkmaktadır. Tam 1T MoE modelini yerel ortamda çalıştırmak veri merkezi düzeyinde GPU kümesi gerektirdiğinden, bulut API erişimi pratik bir alternatif oluşturmaktadır. Model, küresel açık ağırlıklı ekosistemde rekabeti artırarak frontier LLM'lere maliyet etkin bir seçenek sunmaktadır.
Konuşmacı Tanıma (Konuşmacı Tanıma)
Konuşmacı Tanıma (Speaker Recognition), ses sinyalinden bir kişinin kimliğini belirlemeye yarayan biyometrik yapay zeka teknolojisidir. İki temel göreve ayrılır: konuşmacı doğrulama (speaker verification) — iddia edilen kimliğin doğruluğunu sınar ("Bu ses gerçekten Ali mi?") ve konuşmacı tanımlama (speaker identification) — ses örneğini kapalı ya da açık bir kümede eşleştirir. Sistem genel olarak üç aşamadan oluşur. Ön işleme aşamasında ham ses MFCC (Mel-Frequency Cepstral Coefficients), filterbanklar veya log-mel spektrogram özelliklerine dönüştürülür. Gömme (embedding) aşamasında x-vector, d-vector veya ECAPA-TDNN gibi derin sinir ağları ses özelliklerini sabit boyutlu bir vektöre sıkıştırır. Puanlama aşamasında bu vektör, kayıtlı kişi profiliyle kosinüs benzerliği veya PLDA (Probabilistic Linear Discriminant Analysis) ile karşılaştırılır; eşik değeri aşıldığında kimlik onaylanır. Modern konuşmacı tanıma sistemleri Transformer tabanlı mimarilerle güçlüdür: WavLM ve HuBERT gibi büyük öz-denetimli (self-supervised) ses modelleri sınırlı etiketli veriyle dahi yüksek doğruluk oranı elde etmektedir. End-to-end yaklaşımlar özellik mühendisliğini ortadan kaldırarak ham dalga formu (waveform) üzerinde doğrudan çalışır. Güvenlik açısından konuşmacı tanıma, sesli banka işlemleri, çağrı merkezi kimlik doğrulama ve akıllı cihaz erişim kontrolünde kullanılmaktadır. Adli bilimlerde ses kaydı analizi ile suç soruşturmalarında kimlik tespitine katkı sağlar. Teknik zorluklar arasında kanal uyumsuzluğu (mikrofondan telefona geçiş), arka plan gürültüsü, konuşmacı yaşlanması ve deepfake ses sahtekarlığı yer alır. Anti-spoofing (sahtecilik engelleme) araştırmaları, yapay seslerle gerçek insan sesini ayırt eden sistemler geliştirmeye odaklanmaktadır. Türkiye'de fintech ve e-devlet alanında biyometrik ses doğrulaması giderek yaygınlaşmaktadır.
Kayan Pencere Dikkati (Sliding Window Attention)
Kayan Pencere Dikkati (Sliding Window Attention, SWA), transformer mimarisinde her tokenın bütün diziye değil yalnızca belirli bir pencere boyutundaki komşu tokenlara dikkat ettiği verimli bir attention yöntemidir. Klasik tam dikkat (full self-attention) O(n²) bellek ve hesaplama karmaşıklığına yol açarken, kayan pencere yaklaşımı bunu O(n·w) düzeyine indirir; burada w pencere boyutunu gösterir. Tam dikkat mekanizmasında n uzunluğundaki bir dizi için n² çift dikkat hesaplamak gerekir; bu, 8.192 token uzunluğunda bile yaklaşık 67 milyon hesaplama anlamına gelir. Kayan Pencere Dikkati'nde her token yalnızca kendi konumunun w/2 soluna ve sağına dikkat eder. Pencere dizi boyunca kaydırılır ve bellek tüketimi sabit kalır. Mistral 7B bu mekanizmayı temel attention katmanlarında benimseyerek hem çıkarım hızını artırmış hem de uzun bağlam işleme kapasitesini genişletmiştir. Longformer ise yerel kayan pencereyi, belgelerin tamamını temsil eden global dikkat tokenleriyle birleştirerek soru-cevap ve özetleme görevlerinde başarılı sonuçlar elde etmiştir. BigBird modeli de benzer bir yaklaşımla yerel, global ve rastgele dikkat kombinasyonunu kullanır. Kayan Pencere Dikkati, uzak tokenlara doğrudan erişimi kısıtladığından bazı görevlerde tam dikkate kıyasla dezavantaj yaratabilir. Bu sınırlamayı aşmak için genellikle dönüşümlü katmanlar kullanılır: modelin bazı katmanları tam dikkat, bazıları ise kayan pencere dikkati uygular. Mistral bu stratejiyi benimseyerek hesaplama verimliliğini korurken uzun menzilli bağımlılıkları yönetme kapasitesini de sürdürür. Uzun bağlamlı uygulamaların giderek yaygınlaşmasıyla birlikte — hukuk belgeleri analizi, uzun kod tabanları, bilimsel makaleler — Kayan Pencere Dikkati ve benzeri verimlilik teknikleri (Flash Attention, GQA) LLM altyapısının temel bileşenleri haline gelmiştir. GPT-4 Turbo ve Claude'un 200K token desteği gibi örnekler, bu tür verimlilik mekanizmalarının önkoşulluğunu ortaya koymaktadır. Hukuk belgesi analizi, kod tabanı inceleme ve uzun bilimsel raporların özetlenmesi bu mekanizmanın doğrudan yararlı olduğu alanlardır.
Keyword Spotting (Anahtar Kelime Algılama)
Keyword Spotting (Anahtar Kelime Algılama), sürekli dinleme yapan bir ses tanıma alt dalı olup belirli bir tetikleyici kelime ya da ifadeyi gerçek zamanlı olarak tespit etmek amacıyla kullanılır. "Hey Siri", "OK Google" ve "Alexa" gibi uyandırma sözcükleri (wake word) en bilinen örnekleridir; ancak uygulama alanı bunların çok ötesine geçer. Keyword Spotting sistemleri, her zaman açık (always-on) bir dinleme döngüsünde son derece düşük güç tüketerek çalışır. Bu özellik, akıllı hoparlörler, giyilebilir cihazlar, akıllı telefonlar ve mikrodenetleyiciler gibi kaynak kısıtlı platformlarda kullanılmasını mümkün kılar. Sistem, belirli bir kelime ya da ifade tespit edildiğinde büyük bir konuşma tanıma motorunu ya da başka bir süreci tetikler. Teknik açıdan bakıldığında, modern Keyword Spotting modelleri Evrişimli Sinir Ağı (CNN), Yinelemeli Sinir Ağı (RNN) veya hafif Transformer tabanlı mimariler kullanır. DS-CNN (Depthwise Separable CNN) ve TC-ResNet gibi modeller, yüksek doğruluk oranlarını küçük bellek ayak izleriyle birleştirir; bu modeller genellikle 50KB ile 1MB arasında yer kaplar. Bu sayede pil ömrü kritik olan giyilebilir cihazlarda bile sürekli çalışabilirler. Gizlilik açısından değerlendirildiğinde, cihaz üzerinde (on-device) çalışan Keyword Spotting, ses verisinin buluta gönderilmesini gerektirmediğinden kullanıcı mahremiyetini korur. Yalnızca tetikleyici kelime tanındığında daha kapsamlı bir işlem süreci başlatılabilir. Bu tasarım hem gecikmeyi minimize eder hem de bant genişliği tüketimini azaltır. Google Speech Commands, Mozilla Common Voice ve LibriSpeech gibi açık kaynak veri setleri bu alanda araştırma ve geliştirmeye büyük katkı sağlamıştır. Eğitim aşamasında Yanlış Kabul Oranı (False Accept Rate — FAR) ve Yanlış Red Oranı (False Reject Rate — FRR) arasındaki denge, sistemin kullanılabilirliği açısından kritik bir performans ölçütü olarak öne çıkar.
Kapsül Ağı (Kapsül Ağı Nedir? Uzaysal Hiyerarşiyi Koruyan Sinir Ağı Mimarisi)
Kapsul agi (capsule network), geleneksel Evrisimsel Sinir Aglarindaki (CNN) skaler aktivasyon birimlerinin yerine "kapsul" adli vektor birimleri kullanan bir derin ogrenme mimarisidir. Her kapsul, yalnizca bir ozelligi tespitini degil o ozelligi ile ilgili yonelim, boyut ve konum gibi pose bilgisi iceren bir vektor ciktisi uretir. Bu temel fark kapsul aglarini geleneksel CNN'lerden ayrilan ve uzamsal hiyerarsiyi daha eksiksiz modellemelerini saglayan bir yapi kilar. Bu fikrin mimari babasi Geoffrey Hinton'dur; kapsul aglarinin temelini yıllarca oncesinden atmış olsa da 2017 yilındaki "Dynamic Routing Between Capsules" (Sabour, Frosst, Hinton) makalesi modern kapsul agi arastirmasinin baslangic noktasi sayilmaktadir. Geleneksel CNN'lerin max pooling katmani, bir nesnenin bir bolumde olup olmadigını algılar ama nerede oldugunu veya nasil yonlendirildigini atar. Hinton bu yaklasimi insan beyninin parcalar arasindaki iliskiyi anlamadaki becerisini modelleyemedigini one surmuş; kapsullerin bu eksikligi gidereceğini savunmustur. Dynamic routing, kapsul aglarinin merkezi hesaplama mekanizmasidur. Her alt kapsul, ust kapsullar icin potansiyel katkiyi tahmin eder ve bu katkinin ust kapsulun fiili ciktisiyla ne kadar uyuştuğuna bakarak baglantiyi iteratif sekilde gunceller. Anlasma (agreement) yuksekse baglanti guclenir; dusukse zayiflar. Bu dongusal islem, max pooling'in yaptigi basit maksimum alma yerine anlamli uzamsal iliskileri kodlar. Kapsul aglarinin pratik sinirliliklari da mevcuttur. MNIST gibi kucuk ve temiz veri kumelerinde umut verici sonuclar gosterirken ImageNet gibi buyuk olcekli karmasik veri kumelerinde standart CNN'lerle rekabet etmek hem hesaplama maliyeti hem dogruluk acisindan zordir. Alanin hala aktif arastirma konu olmakla birlikte ana akım uretim sistemlerinde standart CNN ve Transformer mimarisi hakimiyetini korumaktadir. **Sik Sorulan Sorular** **Kapsul aglari neden ana akima giremedi?** Buyuk olcekli veri kumelerinde standart CNN'lerle rekabet edemez; dynamic routing hesaplama maliyeti ve olcekleme guclugu ana akım benimsenmemesinin baslica nedenidir. **Kapsul aglari Transformer'larla karsilastirılabilir mi?** Her iki mimari de uzamsal iliskiler modelleme acisindan geleneksel CNN'den farkli; ancak farkli mekanizmaları kullanmaktadır. Transformer'larin buyuk olcekli veride basarisi, kapsul aglarinin araştirma etkisini kısmen golgede birakmiştir. **Kapsul aglari goruntu disinda kullanilabilir mi?** Prensipte evet; noktabultaji ve ses gibi alanlarda denemeler yapilmistir. Ancak buyuk olcekli goruntulerle bile zorlanan mimari, diger modalitelerde az incelenmiştir. **Kapsul aglari gunumuzde kullanılıyor mu?** Arastirma laboratuvarlarinda aktif calismalar surdurulmekte; ancak uretim sistemlerinde neredeyse hi kullanimazdir. Vision Transformer (ViT) ve benzeri mimariler buyuk olcekli gorsel algida hakimiyeti ele gecirmistir.
KNN (K-En Yakın Komşu) (K-En Yakın Komşu Algoritması)
KNN (K-En Yakın Komşu), yeni bir veri noktasını eğitim setindeki en yakın K komşusuna bakarak sınıflandıran veya sayısal değer tahmin eden denetimli bir makine öğrenimi algoritmasıdır. 1951'de Evelyn Fix ve Joseph Hodges'ın ABD Hava Kuvvetleri için hazırladığı raporla ortaya çıkan yöntem, 75 yılı aşkın süredir hem ders kitaplarının hem de gerçek üretim sistemlerinin vazgeçilmezi olmayı sürdürüyor. Algoritmanın mantığı günlük sezgiyle örtüşür: bir şeyin ne olduğunu bilmiyorsanız, ona en çok benzeyen örneklere bakarsınız. K=5 seçildiyse, yeni noktaya en yakın 5 eğitim örneği bulunur; sınıflandırmada bu 5 komşunun çoğunluk oyu, regresyonda ise değerlerinin (isteğe bağlı mesafe ağırlıklı) ortalaması sonucu belirler. KNN "tembel öğrenme" (lazy learning) ailesindendir: eğitim aşamasında model kurmaz, veriyi olduğu gibi bellekte tutar ve tüm hesabı tahmin anına erteler. Eğitim maliyeti fiilen sıfırdır; buna karşılık her tahmin, n örnek ve d boyut için O(n·d) mesafe hesabı gerektirir. Aynı zamanda non-parametriktir: veri dağılımı hakkında hiçbir varsayım yapmaz, karar sınırının şeklini doğrudan veriden okur. Mesafe ölçümünde en yaygın tercih Öklid mesafesidir; Manhattan, Minkowski, cosine benzerliği ve kategorik veri için Hamming mesafesi de kullanılır. Özellik ölçekleri farklıysa min-max normalizasyonu veya z-skoru standartlaştırması şarttır; aksi hâlde 0–1000 aralığındaki bir özellik, 0–1 aralığındakini tamamen bastırır. K seçimi bias-variance dengesini belirler: K=1 gürültüye aşırı duyarlıdır ve overfitting üretir, çok büyük K karar sınırını körleştirir. Pratikte K, çapraz doğrulama ile tek sayılar arasından seçilir; √n kuralı iyi bir başlangıç noktasıdır. KNN'in mesafe temelli çekirdeği, 2026'nın en güncel yapay zeka mimarilerinde de yaşıyor: RAG sistemlerindeki vektör araması, özünde embedding uzayında yürütülen bir yaklaşık en yakın komşu (ANN) sorgusudur. FAISS, HNSW tabanlı indeksler ve Pinecone, Weaviate, Qdrant, Milvus gibi vektör veritabanları milyarlarca vektör üzerinde milisaniyeler içinde komşu arayarak bu klasik fikri LLM çağının bel kemiği hâline getirdi. Scikit-learn tarafında KNeighborsClassifier ve KNeighborsRegressor sınıfları algoritmayı KD-Tree ve Ball Tree hızlandırmalarıyla birlikte sunar.
K-Means Clustering (K-Ortalamalar Kümeleme)
K-Means Kümeleme (K-Ortalamalar), denetimsiz makine öğreniminin en yaygın algoritmasıdır; etiketsiz bir veri kümesini önceden belirlenen K adet gruba (kümeye), her veri noktasını en yakın merkeze (centroid) atayarak böler. Algoritma 1950'lerin sonunda Stuart Lloyd tarafından geliştirilmiş, James Mac-Queen tarafından 1967'de "K-Means" adıyla resmileştirilmiştir. Çalışma adımları dörde indirgenir. Birinci adımda K adet merkez nokta rastgele ya da K-Means++ yöntemiyle akıllıca seçilir. İkinci adımda her veri noktası, Öklidyen uzaklık hesabıyla en yakın merkeze atanır. Üçüncü adımda her kümenin merkezi, üye noktaların koordinat ortalaması alınarak güncellenir. Merkezler değişmeyene veya iterasyon limiti dolana kadar bu adımlar tekrarlanır; algoritma yerel minimumda yakınsar. K değerinin seçimi algoritmanın en kritik adımıdır. "Dirsek Yöntemi" (Elbow Method), farklı K değerleri için küme içi kareler toplamını (WCSS) hesaplar; eğrinin belirgin dirsek oluşturduğu nokta optimal K'yı işaret eder. Silüet Skoru ise her noktanın kendi kümesine ne kadar sıkı bağlı olduğunu ölçerek -1 ile +1 arasında bir kalite puanı üretir. Ayrıca Bayesian Bilgi Kriteri (BIC) ve Gap İstatistiği de sık kullanılan yöntemler arasındadır. Gerçek dünya uygulamaları geniş bir yelpazeye yayılır: e-ticarette müşteri segmentasyonu, haber platformlarında belge kümeleme, görüntü işlemede renk niceleme (pikselleri K renge indirme), biyoinformatikte gen ekspresyon analizi ve anomali tespiti bunların başında gelir. Amazon ve Netflix, kullanıcı davranışlarını analiz etmek için K-Means tabanlı segmentasyon yöntemlerinden yararlanmaktadır. Algoritmanın temel sınırlamaları şunlardır: küre dışı geometriler (hilal, iç içe geçmiş kümeler) için yetersiz kalması, aykırı değerlere duyarlılık ve K'nın önceden belirlenmesi zorunluluğu. Bu durumlar için DBSCAN (gürültü toleranslı, şekle bağımsız), GMM - Gauss Karışım Modeli (olasılıksal üyelik) veya hiyerarşik kümeleme (K gerektirmez) alternatif olarak tercih edilebilir.
Knowledge Graph (Bilgi Grafiği)
Bilgi grafiği (knowledge graph), gerçek dünya varlıklarını ve bu varlıklar arasındaki ilişkileri yapılandırılmış bir ağ olarak temsil eden bir veri modelidir. Düğümler (node) varlıkları — kişiler, yerler, kavramlar, olaylar — temsil ederken kenarlar (edge) bu varlıklar arasındaki ilişkileri ifade eder. Bu yapı, verinin yalnızca depolanmasını değil, anlam bağlamıyla birlikte sorgulanmasını mümkün kılar. Bilgi grafikleri, Google'ın 2012'de duyurduğu Knowledge Graph projesiyle geniş kitleler tarafından tanınmaya başlamıştır. Google, arama sonuçlarında salt bağlantı listesi yerine varlık bilgilerini (kişi biyografileri, coğrafi veriler, ürün özellikleri) zengin bir biçimde sunmak amacıyla bu teknolojiyi kullanmaktadır. Bugün Wikidata, DBpedia, Freebase ve Yago bu alanın önde gelen açık kaynak örnekleri arasındadır. Teknik olarak bilgi grafikleri çoğunlukla RDF (Resource Description Framework) veya özellik grafikleri (property graph) formatında modellenir. SPARQL, RDF veri tabanlarını sorgulamak için kullanılan standart dil iken Neo4j gibi graf veri tabanları özellik grafikleri için Cypher dilini benimser. Ontolojiler ise bir alan içindeki kavramlar ve ilişkiler için resmî tanımlar sağlar; OWL (Web Ontology Language) bu alanda standart haline gelmiştir. Yapay zeka uygulamalarında bilgi grafikleri, büyük dil modellerinin çıktılarını doğrulamak ve zenginleştirmek amacıyla kullanılmaktadır. Retrieval-Augmented Generation (RAG) sistemlerinde bilgi grafiği entegrasyonu, modelin mantıksal ilişkiler kurmasına ve halüsinasyonları azaltmasına yardımcı olur. İlaç keşfi, dolandırıcılık tespiti, öneri sistemleri ve kurumsal bilgi yönetimi bu teknolojinin öne çıkan uygulama alanlarıdır. Bilgi grafikleri, verilerin silolara ayrılmadan bütünleşik olarak temsil edilmesine olanak tanıdığı için kurumsal veri yönetiminde giderek daha kritik bir rol üstlenmektedir. Şirketler, birden fazla sistemdeki müşteri, ürün ve işlem verilerini tek bir anlamlı ağda birleştirerek daha akıllı sorgulama ve analiz gerçekleştirebilmektedir.
Kubeflow (Kubeflow)
Kubeflow, Google'ın Kubernetes altyapısı üzerine inşa ettiği açık kaynak makine öğrenimi platform paketidir. 2018'de Google'ın kendi iç ML iş akışlarını kamuya açması sonucu ortaya çıkan Kubeflow, veri bilimcilerin ve ML mühendislerinin model deneme ve geliştirme süreçlerini Kubernetes orkestrasyon katmanında standartlaştırmasını ve üretime taşımasını hedefler. Kubeflow'un beş temel bileşeni vardır. Kubeflow Pipelines (KFP), Python SDK ile tanımlanan DAG (Yönlü Asiklik Çizge) tabanlı ML iş akışlarıdır; her adım izole Docker container içinde çalışır ve yeniden kullanılabilir komponent kütüphanesi sunar. Deney takibi (lineage), artifact yönetimi ve görsel pipeline grafiği de bu bileşene dahildir. KServe (eski adıyla KFServing), üretim ortamında model sunma (inference) platformudur; canary deployment, A/B testi, model versiyonlama ve otomatik ölçeklendirme (autoscaling) destekler; TensorFlow Serving, TorchServe ve NVIDIA Triton gibi backend'lerle entegre çalışır. Katib, Kubernetes üzerinde hiperparametre optimizasyonu (HPO) ve sinir ağı mimarisi araştırması (NAS) gerçekleştirir; Bayesian optimizasyon, CMA-ES ve Hyperband algoritmaları desteklenir. Training Operators bileşeni, PyTorchJob, TFJob ve MPI Operator aracılığıyla dağıtık model eğitimini yönetir; çok node'lu GPU kümeleri üzerinde veri paralelliğini koordine eder. Kubeflow Notebooks ise Jupyter Notebook sunucularını Kubernetes üzerinde başlatarak GPU/CPU kaynak yapılandırması ve çalışma ortamı seçimi sunar. MLOps olgunluk seviyesi yüksek ve Kubernetes altyapısı olan kuruluşlar için güçlü bir seçenek olan Kubeflow, öğrenme eğrisi yoğun bir araçtır: Kubernetes bilgisi zorunludur ve kurulum karmaşıklığı MLflow veya ZenML'e kıyasla yüksektir. Vertex AI Pipelines (Google Cloud), SageMaker Pipelines (AWS) ve Azure ML gibi yönetilen alternatifler altyapı yükünü azaltır. Türkiye'de cloud-agnostic ve on-premises MLOps altyapısı kurmak isteyen büyük şirketler ve araştırma kurumları Kubeflow'u değerlendirmektedir; Kubernetes yetkinliğinin ekipte bulunması ön koşuldur.
Korelasyon Analizi Nedir? Veri Madenciliğinde Değişken İlişkileri (Korelasyon Analizi)
Korelasyon analizi, iki ya da daha fazla değişken arasındaki ilişkinin yönünü ve şiddetini istatistiksel olarak ölçen temel bir veri madenciliği ve analitik yöntemidir. Sonuç olarak elde edilen korelasyon katsayısı, -1 ile +1 arasında bir değer alır: +1 mükemmel pozitif ilişkiyi (bir değişken artarken diğeri de artar), -1 mükemmel negatif ilişkiyi (bir değişken artarken diğeri azalır) ve 0 ise değişkenler arasında doğrusal bir bağ olmadığını gösterir. **Temel Yöntemler** - **Pearson Korelasyonu:** Sürekli, normal dağılımlı veriler için uygundur. Değişkenler arasındaki doğrusal ilişkiyi ölçer. Korelasyon katsayısının mutlak değeri 0.7'nin üzerindeyse güçlü, 0.3–0.7 arasındaysa orta, 0.3'ün altındaysa zayıf ilişki olarak yorumlanır. - **Spearman Sıra Korelasyonu:** Sıralı (ordinal) veriler veya normal dağılım varsayımlarının karşılanamadığı sürekli veriler için tercih edilir. Değişkenlerin sıralı pozisyonlarına bakarak ilişkiyi ölçer; bu sayede aykırı değerlere karşı Pearson'a göre çok daha dayanıklıdır. - **Kendall Tau:** Küçük örneklem boyutlarında ve çok sayıda sıra eşitliği olan durumlarda Spearman'a alternatif olarak kullanılır. **Makine Öğrenmesinde Kullanım Alanları** Korelasyon analizi, makine öğrenmesi pipeline'larının ön işleme aşamasında kritik bir rol oynar: 1. **Özellik Seçimi (Feature Selection):** Birbirleriyle yüksek korelasyona sahip özellikler (çoklu doğrusallık / multicollinearity) tespit edilir ve fazlalık olanlar elenerek modelin aşırı öğrenmesi (overfitting) önlenir. 2. **Keşifsel Veri Analizi (EDA):** Korelasyon matrisi görselleştirmeleri (ısı haritaları), değişkenler arasındaki karmaşık ilişki ağını hızla anlamayı kolaylaştırır. 3. **Öneri Sistemleri:** Collaborative filtering algoritmalarında kullanıcı-öğe benzerliklerini hesaplamak için korelasyon ölçütleri kullanılır. 4. **Zaman Serisi Analizi:** Farklı zaman gecikmelerindeki değişkenler arasındaki ilişkiyi ortaya koymak için otokorelasyon ve çapraz korelasyon analizleri uygulanır. **Korelasyon ≠ Nedensellik** En sık yapılan hatalardan biri, korelasyonu nedensellikle karıştırmaktır. İki değişken arasında güçlü bir korelasyon gözlemlenmesi, birinin diğerine sebep olduğunu kanıtlamaz; her ikisini de etkileyen gizli bir üçüncü değişken (confounding factor) söz konusu olabilir. Bu nedenle korelasyon analizi bulguları, her zaman nedensellik çıkarımı (causal inference) yöntemleriyle desteklenmelidir.
Kod Kokusu (Code Smell) (Kod Kokusu)
Kod kokusu (code smell), kaynak kodunda var olan ve genellikle daha derin bir tasarım ya da mimari sorununun işaretçisi olan yüzeysel göstergelerdir. Bu kavram, yazılım mühendisi Martin Fowler ve Kent Beck tarafından 1999 yılında yayımlanan 'Refactoring: Improving the Design of Existing Code' adlı kitapla popülerleşmiştir. Kod kokusu bir hata değildir; kodun çalışmasını doğrudan engellemez. Ancak bakımını, anlaşılmasını ve genişletilmesini zorlaştıran yapısal zayıflıklara işaret eder. En yaygın kod kokusu türleri arasında uzun metotlar, büyük sınıflar, tekrar eden kod blokları (duplicate code), fazla parametre alan fonksiyonlar, ölü kod (dead code) ve sihirli sayılar (magic numbers) sayılabilir. Bu sorunlar tespit edildiğinde yapılması gereken eylem, kodun dışarıdan gözlemlenen davranışını değiştirmeden iç yapısını iyileştirmek olan yeniden yapılandırmadır (refactoring). Yapay zeka ve makine öğrenmesi projelerinde ise bunlara ek olarak ML'ye özgü kokular da bulunmaktadır. Bunların başında eğitim verisinin test setine sızması (data leakage), hiperparametrelerin sabit değer olarak kodun içine gömülmesi, servis ortamı ile eğitim ortamının birbirinden farklı olması (training-serving skew) ve Jupyter Not Defteri tabanlı anti-pattern'ler gelmektedir. Bu ML özgü kokular; modelin üretim ortamında eğitim sırasındakinden farklı davranmasına yol açabilecek kritik sorunlardır. Günümüzde yapay zeka destekli statik analiz araçları kod kokularını otomatik olarak tespit edebilmektedir. SonarQube AI, DeepCode (Snyk Code), Amazon CodeGuru ve GitHub Copilot bu alanda öncü araçlar arasında yer almaktadır. Bu sistemler büyük açık kaynak kod tabanlarından öğrendikleri örüntülerle geleneksel kural tabanlı linter'ların fark edemediği ince sorunları yakalayabilmektedir. Düzenli kod incelemeleri ve otomatik analiz araçlarıyla desteklenen sürekli teknik borç (technical debt) yönetimi, uzun vadeli yazılım sağlığı açısından kritik önem taşır.
Karınca Kolonisi Optimizasyonu (ACO) (Karınca Kolonisi Optimizasyonu)
Karınca Kolonisi Optimizasyonu (ACO), Marco Dorigo tarafından 1992 yılındaki doktora tezinde geliştirilen, karıncaların feromon izi bırakarak yiyecek kaynağına en kısa yolu bulma davranışını matematiksel olarak modelleyen meta-sezgisel bir optimizasyon algoritmasıdır. Biyolojik karıncalar, kısa güzergahlarda daha sık geçiş yaptığından bu yollarda feromon birikimi artar; uzun yollardaki feromon ise zamanla buharlaşarak solar. Bu olasılıksal mekanizma, koloniyi zamanla global optimuma yakınsatır. Algoritmada her iterasyonda bir grup sanal "yapay karınca" çözüm uzayını keşfeder. Her karınca, mevcut feromon yoğunluğunu ve sezgisel bilgiyi (örn. kenar uzunluğunu) birleştiren stokastik bir kuralla hareket kararları verir. İterasyon tamamlandığında iyi çözümler bulan karıncalar feromonlarını biriktirir; tüm güzergahlardaki feromonlar ρ (rho) buharlaşma katsayısıyla kısmi olarak azalır. Birikim ve buharlaşma dengesi, hem umut verici bölgeleri yoğun araştırmayı hem de yeni alanları keşfetmeyi olanaklı kılar. Temel varyantlar arasında Ant Colony System (ACS, 1997) yerel feromon güncellemesi ve yalnızca küresel en iyi yolun güncellenmesiyle daha hızlı yakınsama sunar; MAX-MIN Ant System (MMAS) feromon değerlerini belirlenen alt ve üst sınırlar arasında tutarak erken yakınsamayı engeller; Rank-Based AS (ASrank) ise yalnızca sıralı en iyi karıncaların feromon bırakmasına izin verir. ACO, Gezgin Satıcı Problemi (TSP), Araç Rota Planlama (VRP), makine çizelgeleme, internet paketi yönlendirme (AntNet protokolü) ve protein katlama gibi kombinatoryal optimizasyon görevlerinde yaygın olarak kullanılır. Hibrit ACO-Derin Öğrenme modelleri büyük ölçekli lojistik ve enerji şebekesi optimizasyonunda aktif araştırma konusudur. Marco Dorigo, ACO ve sürü zekası alanındaki katkılarıyla 2022 IEEE Frank Rosenblatt Ödülü'nü almıştır. Güçlü yanları arasında dinamik ve çok modlu arama uzaylarında etkinliği, paralel uygulamaya uygunluğu ve yerel optimum tuzaklarından çıkma kapasitesi yer alır. Sınırlılıkları ise sürekli fonksiyon optimizasyonuna kısıtlı uyumu ve α, β, ρ hiperparametrelerinin problem bazında hassas ayar gerektirmesidir.
Kod Üretimi Nedir? Yapay Zeka ile Otomatik Kod Yazma (Kod Üretimi)
Kod uretimi (code generation), buyuk dil modellerinin dogal dil talimatlarindan, ornek girdilerden veya mevcut koddan yeni ve islevsel kaynak kod uretebildigi yapay zeka yetenektir. Gelistiricilerin is akisini koken itibariyle degistiren bu yetenek, rutin ve tekrarlayan kod yazimini otomatiklestirirken daha karmasik tasarim kararlarini insan yargisindan birakir. Bu alandaki ilk buyuk atilim 2021 yilinda OpenAI'nin Codex modelini yayimlamasiyla yasandı. GitHub'in kod deposu uzerinde egitilen Codex, Python baslangicinda daha sonra diger programlama dillerinde yuksek basari orani gostererek GitHub Copilot urunune temel olusturdu. Guncel durum itibariyla GPT-4o, Claude Sonnet/Opus, Gemini ve acik kaynak CodeLlama veya DeepSeek Coder gibi modeller kod uretiminde rekabetci sonuclar vermektedir. Kod uretiminin pratik kullanim senaryolari genis bir yelpazede yer alir. Otomatik tamamlama (autocomplete), gelistiricinin yazmakta oldugu fonksiyon veya degiskeni tahmin ederek birkaç tuslamayla tamamlar. Test kodu uretimi, bir fonksiyon verildiginde birim testleri veya entegrasyon testleri olusturur. SQL sorgu uretimi, dogal dil sorusunu sorgulara donusturur. Kod aciklamasi (code explanation) karmasik veya belgesiz bir kod parcasinin ne yaptigini anlasılır bicimde ozetler. Dil-arasi kod donusumu Python kodunu JavaScript'e veya Rust'a cevrilmesini, verimlilik kazanimlari saglar. HumanEval, 164 Python programlama gorevi uzerinden kod uretim modellerini karsilastiran en yaygın kullanilan karsilastirma referansidir. 2024 itibarıyla en iyi modeller bu test uzerinde yuzde doksanin uzerinde cozme orani gostermektedir. Kod uretiminin riskleri de goz ardi edilmemelidir. Halusinasyon, modelin gercekte var olmayan bir API, fonksiyon veya kutuphaneden kod uretmesidir. Guvenlik acıkları; SQL injection, buffer overflow veya guvenli olmayan random sayı uretimi gibi zafiyetli kod uretilmesi anlamına gelebilir. Bu nedenlerle uretilen kodun insan tarafından incelenmesi bir iyi uygulama degil zorunluluktur. **Sik Sorulan Sorular** **AI urettigi kodu anlar misiniz?** Evet ve bu kritik onemlidir. AI uretilmis kodu anlamadan commit etmek, guvenlik aciği veya mantik hatasini fark etmeden production'a gondermek anlamina gelebilir. Code review her zaman zorunludur. **Hangi programlama dilleri en iyi desteklenior?** Python, JavaScript/TypeScript, Java ve C# en guclu desteklenen dillerdir; bunların buyuk miktarda acik kaynak egitim verisi mevcuttur. Daha az yaygin diller (Zig, Ada gibi) daha zayif performans gosterebilir. **Kod uretimi gecici mi yoksa kalici mi?** Gelistirici verimliligini artiran bir araç olarak gorulmektedir; programlama meslegi ortadan kalkacak degil degisecektir. Tasarim, mimari karar ve test dogrulamasi gibi beceriler daha oneme kavusmaktadir. **Lisans uyumlulugu nasil yonetilir?** GitHub Copilot, egitim verisindeki lisansli kodu yeniden uretme riskini azaltmak icin filtreler uygulasa da bu risk tamamen ortadan kalkmamistir. Kritik projeler icin lisans tarama araclari kullanilmasi onerilen pratiktir.
K-Means Kümeleme (K-Ortalama Kümeleme)
K-Means, makine öğreniminde en yaygın kullanılan gözetimsiz kümeleme algoritmalarından biridir. Temel amacı, etiketlenmemiş veri noktalarını K adet anlamlı gruba (kümeye) bölmektir; küme içindeki noktalar birbirine benzerken farklı kümeler arasındaki benzerlik minimum tutulur. Algoritma, yinelemeli (iteratif) dört adımla çalışır. Başlatma aşamasında K adet merkez noktası (centroid) rastgele ya da K-Means++ yöntemiyle seçilir. K-Means++ merkezleri birbirinden olabildiğince uzağa yerleştirerek daha kararlı başlangıç sağlar ve yakınsama hızını artırır. Atama adımında her veri noktası, Öklid uzaklığı (veya seçilen mesafe ölçütü) ile en yakın merkeze atanır. Güncelleme adımında her küme için noktaların koordinat ortalaması hesaplanarak yeni centroid belirlenir. Bu atama ve güncelleme döngüsü, hiçbir centroid yer değiştirmeyene kadar tekrarlanır. Algoritmanın en kritik parametresi K değeridir — kaç küme istediğimizi önceden belirtmemiz gerekir. K'yı belirlemek için en yaygın yöntem 'Dirsek Yöntemi' (Elbow Method): farklı K değerleri için Küme İçi Kareler Toplamı (WCSS - Within-Cluster Sum of Squares) grafiğe dökülerek eğrinin dirsek yaptığı nokta optimal K olarak seçilir. Silhouette Skoru gibi istatistiksel ölçütler de K seçiminde kullanılabilir. K-Means'ın temel avantajları sadelik ve ölçeklenebilirliktir; büyük veri kümelerinde hızlı çalışır. Sınırlılıkları arasında K'nın önceden belirlenmesi zorunluluğu, yalnızca küresel şekilli kümelerde başarılı çalışması ve aykırı değerlere duyarlılık sayılabilir. K-Means++, Mini-Batch K-Means ve Bisecting K-Means gibi varyantlar bu zayıflıkları gidermeye yönelik geliştirilmiştir. Gerçek dünyada müşteri segmentasyonu, belge kümeleme, görüntü sıkıştırma, pazar analizi ve anomali tespiti gibi geniş bir uygulama alanına sahiptir.
Knowledge Distillation (Bilgi Damıtma)
Knowledge Distillation (Bilgi Damıtma), büyük ve güçlü bir öğretmen modelin bilgisini daha küçük ve verimli bir öğrenci modele aktarma sürecidir. Öğrenci model, doğrudan ham etiketlerden değil; öğretmenin yumuşak olasılık çıktılarından (soft labels) öğrenerek eğitim veri kümesindeki sinyallerin ötesine geçen genelleme yeteneği kazanır. Tekniğin temeli 2015 yılında Geoffrey Hinton, Oriol Vinyals ve Jeff Dean'in yayımladığı "Distilling the Knowledge in a Neural Network" başlıklı makaledir. Hinton, öğretmenin softmax çıktılarının ham etiketlere kıyasla çok daha zengin bir öğrenme sinyali taşıdığını ortaya koydu: bir görüntü sınıflandırıcısının "kedi" olasılığı %90 iken "köpek" olasılığının %7 olması, modelin sınıflar arasındaki benzerlik yapısını kodladığını gösterir ve öğrenci bu yapıyı devralır. Teknik açıdan distilasyon iki kayıp teriminin ağırlıklı toplamını minimize eder: öğrencinin öğretmen çıktılarına ne kadar yaklaştığını ölçen KL Divergence tabanlı distilasyon kaybı ve standart çapraz entropi kaybı. Sıcaklık (temperature) parametresi softmax dağılımını yumuşatarak sınıflar arası ilişkileri belirginleştirir; tipik değerler 2-5 arasındadır. Pratik uygulamalarda distilasyon, üretim ortamları için belirleyici bir teknik haline gelmiştir. DistilBERT orijinal BERT modelinin %97 performansını %40 daha küçük ve %60 daha hızlı biçimde yeniden üretir. TinyBERT hem öğretmen çıktısından hem de ara katman temsil bilgisinden öğrenir; MobileBERT ise mobil cihaz kısıtları gözetilerek tasarlanmıştır. Distilasyon çeşitleri arasında self-distillation (modelin kendisinden öğrenmesi), multi-teacher distillation (birden fazla öğretmenden bilgi sentezi) ve cross-modal distillation (görüntü modelinin bilgisinin metin modeline aktarılması) sayılabilir. LLM çağında bu teknik, 70B+ büyük modellerin bilgisini 7B veya daha küçük görev-odaklı modellere aktarmak için kritik bir role bürünmüştür. Açık ağırlıklı büyük modeller öğretmen, küçük görev-odaklı modeller öğrenci rolü üstlenir; bu yaklaşım model sıkıştırma, budama (pruning) ve kuantizasyon ile birlikte kullanılarak donanım sınırlı ortamlarda yüksek performans elde etmeye olanak tanır.
KL Divergence (KL Iraksaması (Kullback-Leibler Divergence))
KL Iraksaması (Kullback-Leibler Divergence — KL Sapması), iki olasılık dağılımı arasındaki farkı ölçen bir bilgi-teorik metriktir. P olasılık dağılımını Q ile yaklaşık olarak ifade etmenin "maliyetini" — bilgi kaybını — ölçer. Formülü: KL(P‖Q) = Σ P(x) log(P(x)/Q(x)). Değerin sıfır olması iki dağılımın özdeş olduğu anlamına gelir; sıfırdan büyük değerler ise iki dağılımın ne kadar farklılaştığını gösterir. Solomon Kullback ve Richard Leibler metriği 1951'de "On Information and Sufficiency" başlıklı çalışmalarında bilgi teorisi çerçevesinde türettiler. Shannon entropisinin bir uzantısıdır: H(P,Q) = H(P) + KL(P‖Q); yani çapraz entropi, özsel entropinin ve KL ıraksama teriminin toplamıdır. KL iraksaması simetrik değildir: KL(P‖Q) ≠ KL(Q‖P). Bu asimetri farklı kullanım senaryolarını doğurur. "Forward KL" (P‖Q) modelin gerçek dağılımı P'yi küçümsememesini zorlar; kütle kaplayan (mean-seeking) bir yaklaşım üretir ve tüm modları kapsayan geniş bir tahmin tercih edilir. "Reverse KL" (Q‖P) ise belirli modlara konsantre olma eğilimindedir ve mod-arayan (mode-seeking) davranış sergiler; değişkence Bayes ve ELBO optimizasyonu bu yönü kullanır. Makine öğrenmesinde KL iraksamasının kritik kullanım alanları şunlardır: Bilgi damıtmada öğretmen ve öğrenci modelin olasılık dağılımları arasındaki KL kaybı, ham etiket bilgisinden çok daha zengin bir eğitim sinyali sunar. Değişkence otokodlayıcılarda (VAE) posterior dağılım q(z|x) ile prior p(z) arasındaki KL terimi, ELBO'nun düzenlileştirici bileşeni olarak gizli uzayı düzenli tutar. RLHF ve PPO'da politika modelinin referans modelden çok uzaklaşmamasını sağlayan KL ceza terimi β çarpanıyla ödül korsanlığını önler. Dağılım kayması tespitinde ise üretim verisinin eğitim dağılımından sapmasını izlemek için başvurulan temel metrik haline gelmiştir. KL her zaman negatif olmayan bir değer üretir — Gibbs eşitsizliği bunu garantiler. Simetri gerektiğinde Jensen-Shannon (JS) iraksaması tercih edilir: JSD(P,Q) = ½ KL(P‖M) + ½ KL(Q‖M), M = (P+Q)/2. JS her zaman sonlu bir değer verir ve [0,1] aralığıyla kısıtlıdır. Pratikte PyTorch'ta torch.nn.KLDivLoss, JAX'ta optax.kl_divergence ve NumPy/SciPy'da scipy.special.rel_entr fonksiyonları ile hesaplanır.
KV Cache (Anahtar-Değer Önbelleği)
KV Cache (Key-Value Cache — Anahtar-Değer Önbelleği), transformer tabanlı büyük dil modellerinin otomatik regresif çıkarımında hesaplama verimliliğini artıran temel bir bellek optimizasyon mekanizmasıdır. Token üretiminde her adımda tüm geçmiş tokenların dikkat hesaplamalarını yeniden yapmak yerine, daha önce hesaplanan anahtar (Key) ve değer (Value) matrislerini bellekte saklayarak bu maliyeti ortadan kaldırır. Böylece naif O(n²) karmaşıklık O(n)'e indirilir ve model, uzun bağlamlarda bile tutarlı bir hızda yanıt üretebilir. Transformer mimarisindeki çok-başlı dikkat (multi-head attention) katmanında, her token için K ve V vektörleri hesaplanır. Otoregresif üretimde n token zaten üretilmişse, n+1. token için önceki n tokenın K ve V değerleri önbellekten okunabilir; yalnızca yeni tokena ait hesaplama yapılır ve sonuç önbelleğe eklenir. Bu süreç her üretim adımında yalnızca artımlı bir işlem gerektirir ve toplam çıkarım hızını dramatik biçimde artırır. Bellek tüketimi KV Cache'in en kritik tasarım kısıtıdır. Hesaplama formülü şudur: 2 × katman_sayısı × kafa_sayısı × kafa_boyutu × dizi_uzunluğu × bit_genişliği. 7 milyar parametreli bir modelde 4096 token bağlam için FP16 ile yaklaşık 500 MB gerekir; 128K token bağlamda bu değer 10–15 GB'a ulaşabilir. Toplu çıkarımda farklı uzunluktaki isteklerin KV Cache'leri VRAM'i model ağırlıklarıyla rekabet eder biçimde tüketir ve bu durum maksimum batch boyutunu sınırlandırır. Bu baskıyı hafifletmek için sektörde birkaç kritik yöntem geliştirilmiştir. Grouped Query Attention (GQA) ve Multi-Query Attention (MQA), birden fazla sorgu kafasına tek bir K-V matrisi atayarak önbellek boyutunu önemli ölçüde küçültür; Llama 3, Gemma ve Mistral bu tekniği standart olarak kullanır. KV cache kuantizasyonu (INT8/FP8) bellek tüketimini 2–4 kat azaltırken kalite kaybını sınırlı tutar. vLLM'in Paged Attention yöntemi, cache'i sabit boyutlu sayfalar hâlinde yönetir ve bellek parçalanması sorununu ortadan kaldırır. API düzeyinde Prompt Caching ise tekrar eden sistem promptlarının K-V hesaplamalarını sunucu tarafında saklayarak hem gecikmeyi hem de maliyeti düşürür; Anthropic Claude, OpenAI ve Google bu özelliği prefix caching adıyla sunar. DeepSeek'in Multi-head Latent Attention (MLA) mimarisi, K-V vektörlerini sıkıştırılmış bir gizli uzaya projekte ederek önbellek boyutunu dramatik biçimde küçültür ve uzun bağlam işlemeyi yeniden tanımlar.
Kubernetes (Kubernetes (K8s))
Kubernetes (K8s), konteynerleştirilmiş uygulamaların dağıtımını, ölçeklenmesini ve yönetimini otomatikleştiren açık kaynaklı bir konteyner orkestrasyon platformudur. İlk olarak Google'ın iç altyapı projesi Borg'dan ilham alınarak 2014 yılında geliştirilen Kubernetes, aynı yıl açık kaynak olarak duyurulmuş ve 2016'da Cloud Native Computing Foundation'a (CNCF) bağışlanmıştır. "K8s" kısaltması, K ile s arasındaki 8 harften türetilmiştir. Yapay zeka ve makine öğrenmesi iş yüklerinde Kubernetes kritik bir altyapı katmanı işlevi görür. Model eğitim pipeline'ları, inference sunucuları ve veri işleme bileşenleri Kubernetes üzerinde GPU node'ları arasında verimli biçimde dağıtılabilir. Horizontal Pod Autoscaler (HPA) mekanizması, gelen istek yüküne göre inference pod sayısını dinamik olarak artırıp azaltır; bu da hem maliyet kontrolü hem de yüksek erişilebilirlik açısından önemlidir. Kubernetes mimarisi iki ana katmandan oluşur: Control Plane ve Worker Node'lar. Control Plane; küme durumunu depolayan etcd veritabanını, API isteklerini işleyen API Server'ı, pod yerleşim kararlarını veren Scheduler'ı ve mevcut durumu istenen durumla eşitleyen Controller Manager'ı barındırır. Worker Node'lar ise pod'ları çalıştıran Kubelet servisi, ağ kurallarını yöneten Kube-proxy ve gerçek konteyner çalışma ortamını (containerd veya CRI-O) içerir. ML ekipleri için Kubeflow, KServe, Seldon Core ve BentoML gibi platformlar, Kubernetes üzerinde çalışan ML spesifik orkestrasyon çözümleri sunar. kubectl komut satırı aracı ile YAML tabanlı manifest dosyaları, Kubernetes kaynaklarını bildirimsel (declarative) biçimde yönetmeyi kolaylaştırır. Helm chart'ları ise karmaşık ML altyapısının paketlenip tekrarlanabilir biçimde kurulmasına olanak tanır.
Keyword Detection Nedir? Sesli Asistanlarda Anahtar Kelime Tespiti (Anahtar Kelime Tespiti)
Keyword detection (anahtar kelime tespiti), bir ses sinyalinde veya metin akışında önceden tanımlanmış sözcükleri ya da ifadeleri gerçek zamanlı olarak tanıyan yapay zeka tabanlı bir tekniktir. Sesli asistanlar, akıllı hoparlörler ve çağrı merkezi sistemlerinde temel bir bileşen olan bu teknoloji, sürekli dinleme (continuous listening) ile tetikleme kelimelerini milisaniyeler içinde ayırt edebilir. Teknik altyapı açısından keyword detection, genellikle iki aşamalı bir pipeline üzerinde çalışır. İlk aşamada küçük ve hesaplama açısından hafif bir model (örneğin MobileNet tabanlı ses sınıflandırıcısı) cihaz üzerinde sürekli çalışarak olası tetikleme kelimelerini tarar. Pozitif bir sinyal alındığında daha kapasiteli bir konuşma tanıma motoru devreye girer. Bu yaklaşım hem pil ömrünü korur hem de gizlilik açısından daha güvenli bir çözüm sunar; veriler tetikleyici kelime tespit edilene kadar buluta gönderilmez. Anahtar kelime tespiti için yaygın olarak kullanılan mimariler arasında Convolutional Neural Network (CNN) tabanlı ses sınıflandırıcıları, Recurrent Neural Network (RNN) ve dikkat mekanizmalı hibrit modeller yer alır. "Hey Siri", "OK Google" ve "Alexa" gibi wake-word sistemleri bu teknolojinin en bilinen uygulamalarıdır. Gömülü sistemlerde çalışan keyword detection modelleri, düşük gecikme süresi (≤200ms) ve yüksek yanlış pozitif dayanıklılığı gibi katı kısıtlamalara tabi tutulur. Arka plan gürültüsü, farklı aksanlar ve konuşma hızları modelin sağlamlığını test eden başlıca zorluklardır. Bu nedenle modeller genellikle ONNX veya TFLite ile optimize edilerek edge cihazlara deploy edilir. NLP alanında ise keyword detection, metin tabanlı belgelerde belirli kavramları otomatik olarak işaretlemek, içerik moderasyonu yapmak veya arama motorlarını optimize etmek amacıyla kullanılır. Ses ve metin pipeline'larının kesiştiği bu nokta, keyword detection'ı modern yapay zeka sistemlerinin vazgeçilmez bir bileşeni haline getirir.
Keşifsel Veri Analizi (EDA) (EDA)
Keşifsel Veri Analizi (Exploratory Data Analysis, EDA), ham veriden anlam çıkarmanın ilk ve en kritik adımıdır. John Tukey'in 1977'de kaleme aldığı aynı adlı eseriyle sistematik bir disiplin hâline gelen EDA, veri bilimcilerin bir veri kümesini modellemeden veya hipotez testine sokmadan önce derinlemesine incelediği keşifsel süreçtir. EDA'nın temel amacı şu soruları yanıtlamaktır: Veri nasıl dağılmış? Hangi değişkenler birbiriyle ilişkili? Aykırı değerler (outlier) var mı ve bunlar gerçek mi yoksa veri giriş hatası mı? Eksik değerler (missing values) hangi örüntüde oluşmuş? Hangi özellikler hedef değişkeni en çok etkiliyor? Bu soruları yanıtlamak için EDA iki temel yöntem sınıfına başvurur. Nicel yöntemler arasında merkezi eğilim ölçüleri (ortalama, medyan, mod), yayılım ölçüleri (standart sapma, varyans, çeyrekler arası aralık), çarpıklık ve basıklık katsayıları yer alır. Nitel/görsel yöntemler ise histogram, kutu grafiği (box plot), yoğunluk grafiği, dağılım matrisi (pair plot) ve korelasyon ısı haritası gibi araçlarla veriyi sezgisel biçimde anlaşılır kılar. Modern veri bilimi ekosisteminde EDA, Python'da Pandas, NumPy, Matplotlib, Seaborn ve Plotly kütüphaneleriyle; R'de ggplot2 ve dplyr ile yürütülür. Pandas Profiling ve ydata-profiling gibi otomatik EDA araçları tek bir komutla kapsamlı raporlar üretir. AutoEDA yaklaşımları büyük veri kümelerinde zaman tasarrufu sağlasa da deneyimli bir veri bilimcinin yorumunun yerini alamaz. EDA, özellik mühendisliği (feature engineering), veri temizleme ve model seçimi kararları üzerinde doğrudan etkilidir. Kötü anlaşılmış veriyle kurulan modeller ne kadar sofistike olursa olsun güvenilmez sonuçlar üretir; bu nedenle EDA 'çöp girer, çöp çıkar' ilkesinin pratikte uygulandığı kalkan katmanıdır.