M Harfi ile Başlayan Terimler
Meta-Learning (Meta Öğrenme (Öğrenmeyi Öğrenmek))
Meta Öğrenme (Öğrenmeyi Öğrenmek), bir yapay zeka modelinin sadece spesifik bir görevi (örn: kedi tanıma) öğrenmesi değil, geçmişte farklı problemleri çözerken elde ettiği tecrübeleri kullanarak, "yeni problemleri nasıl daha hızlı ve az veriyle öğreneceğini" kendi kendine keşfetmesi (öğrenme yeteneğini geliştirmesi) alanıdır.
Mixture of Experts (MoE) (Uzmanların Karışımı)
Mixture of Experts (MoE), büyük bir yapay sinir ağını tek bir devasa ve hantal beyin olarak çalıştırmak yerine, ağın içine belirli konularda uzmanlaşmış daha küçük "uzman ağlar" (experts) yerleştiren ve her soru geldiğinde sadece o konuyla ilgili 1 veya 2 uzmanı uyandırarak (aktif ederek) devasa enerji ve hız tasarrufu sağlayan model mimarisidir. GPT-4'ün arkasındaki ana mimaridir.
MLflow (MLflow)
MLflow, makine öğrenmesi yaşam döngüsünü uçtan uca yönetmek için tasarlanmış açık kaynaklı bir MLOps platformudur. Databricks tarafından 2018 yılında Apache 2.0 lisansıyla açık kaynak olarak piyasaya sürülen MLflow, veri bilimcilerin ve ML mühendislerinin deney takibinden model dağıtımına kadar tüm süreci tek bir araçla yönetmesine olanak tanır. MLflow dört ana bileşenden oluşur. İlk bileşen olan MLflow Tracking, makine öğrenmesi denemeleri sırasında parametreleri, metrikleri, çıktı dosyalarını ve model sürümlerini kayıt altına alır. Böylece farklı algoritma konfigürasyonlarını ve hiperparametreleri kolayca karşılaştırmak mümkün hale gelir. İkinci bileşen MLflow Projects, ML kodunu yeniden üretilebilir ve taşınabilir biçimlerde paketler; Conda veya Docker gibi ortam tanımlarını içeren MLproject dosyası sayesinde kodun farklı platformlarda tutarlı şekilde çalışması sağlanır. Üçüncü bileşen olan MLflow Models, eğitilmiş modelleri REST API, batch inference ve cloud platformlarına uygun standart bir formatta saklar. TensorFlow, PyTorch, scikit-learn, XGBoost, LightGBM ve HuggingFace Transformers dahil yirmi'den fazla ML çerçevesini destekler. Dördüncü ve son bileşen MLflow Model Registry ise modellerin versiyonlanması, etiketlenmesi ve yaşam döngüsünün yönetilmesi için merkezi bir depo sağlar; 'Staging', 'Production' ve 'Archived' gibi aşama geçişleri desteklenir. MLflow, AWS SageMaker, Azure ML, Google Cloud Vertex AI ve Databricks gibi büyük bulut platformlarıyla entegre çalışır. Kurumsal MLOps iş akışlarında deney yönetimi ve model üretim süreçleri için endüstri standardı haline gelmiştir. Açık kaynak topluluğu tarafından aktif olarak geliştirilmekte olan platform, Weights & Biases, Neptune.ai ve Comet ML gibi ticari alternatiflerin yanında popüler bir seçenek olmaya devam etmektedir.
Machine Learning (Makine Öğrenimi)
Makine Öğrenimi (Machine Learning), sistemlerin açıkça programlanmadan verilerden öğrenmesini ve deneyim kazandıkça performansını otomatik olarak iyileştirmesini sağlayan bir yapay zeka (AI) alt dalıdır. 1959 yılında Arthur Samuel tarafından ortaya atılan bu kavram, günümüzde otonom araçlardan sağlık teşhisine, finansal analizden öneri sistemlerine kadar hayatımızın her alanında kullanılmaktadır. Temel odak noktası, veriye erişebilen ve onu kendileri için öğrenmek amacıyla kullanabilen bilgisayar programlarının geliştirilmesidir.
Makine Öğrenmesi (Makine Öğrenmesi)
Makine Öğrenmesi (Machine Learning), bilgisayar sistemlerinin açık kural programlaması olmaksızın verilerden otomatik olarak öğrenmesini ve deneyimle gelişmesini sağlayan yapay zeka alt dalıdır. 1959 yılında Arthur Samuel tarafından tanımlanan bu yaklaşımda sistemler, büyük veri kümelerindeki örüntüleri tespit ederek öngörü ve karar üretme kapasitesi kazanır. Makine öğrenmesi algoritmalar üç temel paradigma üzerine kurulur. Denetimli öğrenmede model, etiketlenmiş girdi-çıktı çiftleriyle eğitilir; e-posta spam filtresi veya kredi riski tahmini bu paradigmanın yaygın örnekleridir. Denetimsiz öğrenmede ise etiket yoktur; algoritma veri içindeki gizli yapıları, kümeleri veya boyutu indirger. Piyasa segmentasyonu ve anomali tespiti bu yaklaşımla çözülür. Pekiştirmeli öğrenme paradigmasında bir ajan, çevreyle etkileşim kurarak ödül sinyallerini maksimize eden politikayı öğrenir; oyun oynayan yapay zekalar ve robot kontrolü burada öne çıkar. Algoritma ailesi zengindir: doğrusal ve lojistik regresyon, karar ağaçları, rastgele ormanlar, destek vektör makineleri, k-en yakın komşu, naif Bayes ve topluluk yöntemleri (XGBoost, AdaBoost) en yaygın kullanılan yöntemlerdir. Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağları kullanan özel bir alt dalıdır. Makine öğrenmesi sürecinde özellik mühendisliği kritik rol oynar; ham veri, modelin öğrenmesini kolaylaştıracak anlamlı giriş özniteliklerine dönüştürülür. Eğitim/doğrulama/test veri ayrımı, çapraz doğrulama ve hiperparametre ayarı performansı optimize etmenin standart yöntemleridir. Aşırı uyum ve yetersiz uyum ikilemini dengelemek, başarılı bir modelin temel kalite kriteri olarak kabul edilir.
Mixed Precision Training Nedir? FP16/BF16 ile Hızlı AI Eğitimi (Karışık Kesinlikli Eğitim)
Karışık Kesinlikli Eğitim (Mixed-Precision Training), derin öğrenme modellerinin eğitim sürecini hızlandırmak ve bellek kullanımını optimize etmek amacıyla farklı kayan nokta kesinliklerini bir arada kullanan bir tekniktir. Yöntem, ileri ve geri yayılım hesaplamaları ile matris çarpımları için düşük kesinlikli sayı formatları (FP16 veya BF16) kullanırken, model ağırlıklarının ana kopyasını ve kayıp biriktirmesini tam kesinlikte (FP32) tutar. Bu hibrit yaklaşım, sayısal kararlılığı ve model doğruluğunu korurken bellek tüketimini yaklaşık %50 azaltır ve eğitim hızını 2-3 kat artırır. Teknik, NVIDIA'nın Volta ve Turing GPU mimarilerinde Tensor Core'ların tanıtılmasıyla pratik hale gelmiştir. PyTorch ve TensorFlow gibi popüler çerçeveler, Otomatik Karışık Kesinlik (AMP) araçlarıyla geliştiricilerin bu tekniği minimal kod değişikliğiyle uygulamasını sağlar. Karışık kesinlikli eğitim, özellikle büyük dil modelleri ve transformer mimarileri için endüstri standardı haline gelmiştir. Micikevicius ve ekibi tarafından BAIDU Research ve NVIDIA işbirliğiyle geliştirilen bu yaklaşım, ICLR 2018'de sunulmuştur.
Model Monitoring (Model İzleme)
Model izleme (model monitoring), üretim ortamına alınan makine öğrenimi modellerinin performansını, davranışını ve veri kalitesini sürekli olarak takip etme ve değerlendirme sürecidir. Bir modelin eğitim aşamasındaki yüksek performansı, gerçek dünya koşullarında zamanla bozulabilir; bu bozulmayı erken tespit edip müdahale etmek için model izleme zorunludur. Temel izleme türleri şunlardır: Veri drifti (data drift) — giriş verilerinin dağılımının eğitim verisinden uzaklaşması; kavram drifti (concept drift) — hedef değişkenin özelliklerle ilişkisinin zamanla değişmesi; tahmin drifti (prediction drift) — model çıktılarının dağılımındaki kayma; veri kalitesi — eksik değerler, format bozuklukları veya beklenmeyen aykırı değerler. Model izlemenin kapsamı birkaç düzeyde ele alınır: Sistem düzeyinde gecikme süresi (latency), verim (throughput) ve hata oranı gibi altyapı metrikleri; model düzeyinde accuracy, F1 skoru, AUC gibi tahmin kalitesi metrikleri; iş düzeyinde ise dönüşüm oranı, gelir etkisi ve müşteri memnuniyeti gibi iş metrikleri izlenir. Yaygın model izleme platformları arasında Evidently AI, WhyLabs, Arize AI ve MLflow yer almaktadır. AWS SageMaker Model Monitor, Google Vertex AI ve Azure Machine Learning bu işlevi yönetilen servis olarak sunarken, açık kaynak araçlar daha fazla özelleştirme imkânı sağlar. Model izleme, MLOps yaşam döngüsünün kritik halkasıdır: Drift tespiti, uyarı üretimi, yeniden eğitim (retraining) ve yeniden dağıtım (redeployment) döngüsünü otomatikleştirir. Finans, sağlık, e-ticaret ve öneri sistemleri gibi dinamik veri ortamlarına sahip alanlarda model izleme; yasal uyum, güven ve iş sürekliliği açısından vazgeçilmezdir.
Model Zehirleme (Poisoning) Nedir? Yapay Zeka Güvenlik Saldırısı (Model Zehirleme)
Model zehirleme (model poisoning veya training data poisoning), bir saldırganın yapay zeka modelinin eğitim sürecine müdahale ederek modelin davranışını kasıtlı olarak bozmayı hedeflediği bir güvenlik saldırısıdır. Saldırı, eğitim veri setine kötü niyetli örnekler eklenerek ya da mevcut etiketler değiştirilerek gerçekleştirilir; bu yolla model belirli koşullar altında hatalı çıktılar üretecek biçimde şekillendirilir. Temel iki saldırı biçimi öne çıkar: Arka kapı saldırıları (backdoor attacks), modelin belirli bir tetikleyici varlığında yanlış çıktı verirken normal durumlarda yüksek doğrulukta çalışmasını sağlar. Etiket çevirme saldırıları (label-flip attacks) ise örneklerin gerçek etiketlerini değiştirerek sistematik yanlış sınıflandırmalara neden olur. Federe öğrenme (federated learning) sistemleri bu saldırılara özellikle savunmasızdır; zira merkezi sunucuya gönderilen yerel model güncellemeleri saldırganlar tarafından manipüle edilebilir. Gerçek dünyada otonom araç sistemleri, büyük dil modelleri ve içerik moderasyon sistemleri bu saldırıların hedefleri arasında yer almaktadır. Savunma yöntemleri arasında veri temizleme (data sanitization), eğitim seti anomali tespiti ve Byzantine-dayanıklı toplama algoritmaları (Krum, Trimmed Mean) sayılabilir. AB Yapay Zeka Yasası yüksek riskli AI sistemlerinde eğitim veri güvenliğini açıkça zorunlu kılmaktadır.
Model Auditing (Model Denetimi)
Model Denetimi (Model Auditing), yapay zeka ve makine öğrenimi modellerinin güvenilirliğini, adilliğini, şeffaflığını ve yasal uyumluluğunu sistematik olarak değerlendirme sürecidir. Bu süreç, bir modelin tasarım aşamasından üretim ortamına kadar geçen tüm yaşam döngüsünü kapsar. Model denetimi; teknik doğrulama, etik değerlendirme ve hukuki uyum kontrolü olmak üzere üç temel bileşenden oluşur. Teknik doğrulama boyutunda, modelin performans metrikleri (doğruluk, hassasiyet, F1 skoru gibi) farklı veri dilimleri üzerinde ölçülür. Özellikle yaş, cinsiyet, ırk veya coğrafi konum gibi hassas demografik gruplarda modelin tutarlı davranıp davranmadığı incelenir. Bu analizler sayesinde sistemik önyargılar (bias) ve adaletsizlikler tespit edilebilir. Etik değerlendirme boyutunda ise modelin kararlarının insan haklarına saygılı olup olmadığı, zararlı çıktılar üretip üretmediği ve hesap verebilir bir mekanizmayla denetlenip denetilemeyeceği sorgulanır. Avrupa Birliği'nin Yapay Zeka Yasası (EU AI Act), yüksek riskli AI sistemleri için kapsamlı model denetimi zorunluluğu getirmiştir. Hukuki uyum kontrolünde ise GDPR, HIPAA veya sektöre özgü düzenlemelere uygunluk değerlendirilir. Denetim süreci hem iç denetçiler hem de bağımsız üçüncü taraf denetçiler tarafından yürütülebilir. Model denetiminin somut araçları arasında IBM AI Fairness 360, Google What-If Tool ve Microsoft Responsible AI Dashboard yer almaktadır. Büyük dil modelleri (LLM) için ise kırmızı takım (red teaming) testleri ve çıktı kalite değerlendirmeleri önemli denetim yöntemleri arasında sayılır. Model denetimi, özellikle finansal kredi puanlama, tıbbi teşhis ve yargı kararlarında kullanılan yapay zeka sistemleri için kritik bir önem taşımaktadır.
Microsoft Agent Framework (Microsoft Agent Framework)
Microsoft Agent Framework (MAF), Microsoft'un ajan tabanlı yapay zeka uygulamaları geliştirmek için ortaya koyduğu açık kaynaklı SDK ve çalışma zamanı ortamıdır. 2 Nisan 2026'da 1.0 GA (Genel Erişilebilirlik) sürümüne ulaşan MAF, AutoGen ve Semantic Kernel projelerinin birleştirilmesiyle oluşturulmuştur; böylece tek bir desteklenen platform altında aynı kavramlar ve API'ler Python ve .NET için sağlanmaktadır. MAF'ın temel programlama modeli şu bileşenlerden oluşur: sohbet istemcileri (chat clients), araçlar (tools), MCP (Model Context Protocol) entegrasyonları, bağlam sağlayıcıları (context providers), ara yazılım (middleware) ve çok adımlı iş akışları. Bu mimari, geliştiricilerin ajan altyapısının teknik ayrıntılarıyla değil, ajan mantığıyla ilgilenmesini sağlar. Build 2026'da duyurulan ek özellikler arasında Agent Harness (kabuk, dosya sistemi ve mesajlaşma döngülerine kontrollü erişim), Agent Skills (alan uzmanlığını paket olarak sunmak için taşınabilir, dosya tabanlı veya kodla tanımlanan format), prosedürel bellek (procedural memory) ve Voice Live entegrasyonu yer almaktadır. Çerçeve ayrıca Foundry üzerindeki araç kutuları (Toolboxes) aracılığıyla Microsoft'un bulut altyapısıyla entegre çalışmaktadır. MAF, AutoGen'in sade ajan soyutlamalarını Semantic Kernel'in kurumsal özellikleriyle — oturum tabanlı durum yönetimi, tip güvenliği, ara yazılım, telemetri — birleştirmekte; çok ajanlı orkestrasyon için açık graf tabanlı iş akışları eklemektedir.
Model Deployment (Model Dağıtımı)
Model Dağıtımı (Model Deployment), bir makine öğrenmesi veya derin öğrenme modelinin araştırma ve geliştirme ortamından alınarak gerçek dünya kullanıcılarına hizmet verecek üretim ortamına (production) taşınma sürecidir. Bu süreç, bir yapay zeka projesinin kritik son aşamasını oluşturur; en yüksek doğruluklu model bile kullanıcılara ulaşamazsa hiçbir değer üretemez. Dağıtım süreci birkaç temel aşamayı kapsar: modelin optimize edilmesi ve paketlenmesi, servis altyapısının kurulması, API uç noktalarının yapılandırılması, gerçek zamanlı (real-time) veya toplu (batch) tahmin hizmetlerinin devreye alınması ve sürekli izleme mekanizmalarının aktif edilmesi. Model, ONNX, TensorFlow SavedModel, PyTorch TorchScript gibi taşınabilir formatlara dönüştürülerek farklı platformlarda çalışabilir hale getirilir. Dağıtım stratejileri uygulamanın gereksinimlerine göre değişir. Mavi-Yeşil (Blue-Green) dağıtımda eski ve yeni model sürümleri paralel çalışır, trafik kesintisiz aktarılır. Kanarya (Canary) dağıtımında yeni model önce küçük bir kullanıcı grubuna sunularak riskler minimize edilir. A/B testi stratejisiyle farklı model sürümlerinin performansı karşılaştırılarak en iyi model seçilir. Dağıtım ortamları bulut (cloud), uç bilişim (edge) veya yerel sunucu (on-premise) olabilir. LLM gibi büyük dil modelleri genellikle GPU kümelerinde çalıştırılırken, küçük modeller akıllı telefon ve IoT cihazları gibi uç ortamlarda çalıştırılabilir. NVIDIA Triton Inference Server, TensorFlow Serving, Seldon Core, BentoML ve MLflow gibi araçlar modern model dağıtım ekosisteminin temel taşlarıdır. Model izleme, başarılı bir dağıtımın ayrılmaz parçasıdır. Veri kayması (data drift), kavram kayması (concept drift) ve performans düşüşleri sürekli izlenerek gerektiğinde otomatik yeniden eğitim (retraining) tetiklenir. Otomasyon düzeyi arttıkça model dağıtımı MLOps disiplininin merkezine taşınmaktadır.
Multimodal AI (Çok Modlu Yapay Zeka)
Çok Modlu Yapay Zeka (Multimodal AI), yalnızca metin (text) veya yalnızca görsel (image) işleyebilen eski nesil modellerin aksine, aynı anda birden fazla veri türünü (modaliteyi) -metin, ses, görüntü, video- aynı sinir ağı içinde anlayabilen, sentezleyebilen ve üretebilen yeni nesil yapay zeka mimarisidir. GPT-4o ve Google Gemini bu teknolojinin öncüleridir.
Model Sıkıştırma (Model Sıkıştırma)
Model sıkıştırma (model compression), derin öğrenme ve makine öğrenimi modellerinin boyutunu, hesaplama maliyetini ve bellek gereksinimlerini azaltmaya yönelik tekniklerin genel adıdır. Milyarlarca parametre içeren büyük yapay zeka modelleri; eğitim sürecinde muazzam donanım kaynakları tüketir ve üretim ortamında yüksek gecikme ile enerji maliyeti yaratır. Model sıkıştırma, bu ağır modelleri orijinal doğruluk değerlerine yakın tutarken çok daha küçük, hızlı ve verimli hale getirir. Temel model sıkıştırma yöntemleri dört ana başlık altında incelenir. Birincisi budama (pruning): modeldeki önemsiz ağırlıkları veya nöronları tespit edip kaldırarak bağlantılar seyreltilir; bu yöntemle %50-90 oranında parametre azaltımı elde edilebilir. İkincisi niceleme (quantization): 32-bit kayan noktalı ağırlık değerleri 8-bit veya 4-bit tam sayılara dönüştürülür; böylece hem bellek hem de çıkarım (inference) süresi 2-8 kat iyileştirilebilir. Üçüncüsü bilgi damıtma (knowledge distillation): büyük bir öğretmen modelin yümuşak olasılık çıktıları küçük bir öğrenci modele aktarılarak kompakt ama güçlü modeller elde edilir. Dördüncüsü ise düşük ranklı ayrıştırma (low-rank factorization): büyük ağırlık matrisleri iki küçük matrisin çarpımına ayrıştırılır; LoRA ve QLoRA bu yaklaşımın modern uygulamalarıdır. Pratik ekosistemde GPTQ, AWQ, GGUF ve bitsandbytes gibi araçlar, büyük dil modellerini tüketici sınıfı GPU'larda ve hatta CPU üzerinde çalıştırılabilir hale getirmiştir. llama.cpp projesi sayesinde 70 milyar parametreli modeller sıradan dizüstü bilgisayarlarda bile çalışabilmektedir. Model sıkıştırma; akıllı telefon tabanlı konuşma tanıma, gerçek zamanlı nesne algılama, uç cihaz (edge) yapay zekası ve kaynak kısıtlı IoT sistemleri gibi alanlarda kritik önem taşımaktadır.
Model Collapse (Model Çöküşü)
Model Çöküşü (Model Collapse), internetin büyük bir kısmının yapay zeka tarafından üretilmiş (sentetik) içeriklerle dolduğu bir senaryoda; gelecekteki yeni yapay zeka modellerinin, "insanlar tarafından yazılmış orijinal veriler" yerine "eski yapay zekaların yazdığı veriler" ile eğitilmesi sonucu zamanla aptallaşması, halüsinasyonlarının artması ve dünyayı anlama yeteneğini tamamen yitirmesi fenomenidir.
Meta AI (Meta AI)
Meta AI, Meta (eski adıyla Facebook) tarafından geliştirilen ve WhatsApp, Instagram, Facebook ve Messenger gibi sosyal medya platformlarına entegre edilen yapay zeka asistanıdır. 2023 yılında duyurulan Meta AI, Meta'nın açık kaynaklı Llama dil modelleri üzerine inşa edilmiştir ve 2025 yılı itibarıyla Türkiye dahil pek çok ülkede kullanıma açılmıştır. Platform, kullanıcıların sohbet uygulamaları içinden doğal dilde soru sormasına, görsel oluşturmasına ve bilgi aramasına olanak tanır. meta.ai adresi üzerinden bağımsız web arayüzüyle de kullanılabilmektedir. Meta AI, WhatsApp'ta grup sohbetlerinde @Meta AI çağrısı veya arama çubuğundan erişim gibi pratik yöntemlerle gündelik kullanıma entegre edilmiştir. 2026 itibarıyla Meta AI, Llama 4 mimarisiyle görüntü anlama, gerçek zamanlı web araması ve ses desteği özelliklerini bünyesine katmıştır. Türkiye Rekabet Kurumu'nun WhatsApp entegrasyonuna ilişkin soruşturması, platformun ülkedeki yaygınlaşmasının ne denli hızlı olduğunu gözler önüne sermektedir.
Mixture of Experts Routing Nedir? MoE Yönlendirme Mekanizması (MoE Yönlendirme)
Mixture of Experts (MoE) routing, bir sinir ağındaki her token için hangi 'uzman' alt ağların etkinleştirileceğini belirleyen yönlendirme mekanizmasıdır. Geleneksel dense modellerde her token tüm parametrelerden geçerken, MoE mimarisinde her giriş yalnızca seçili birkaç uzmana (top-K) yönlendirilir; bu sayede toplam parametre sayısı büyük kalırken hesaplama maliyeti sabit tutulur.
Machine Unlearning (Makine Unutturma)
Machine Unlearning, bir yapay zeka modelinin belirli eğitim verilerini, tüm modeli sıfırdan eğitmek zorunda kalmaksızın 'unutmasını' sağlayan yöntemler bütünüdür. Kavram, GDPR'nin 17. Maddesi olarak bilinen 'Silinme Hakkı' (Right to Erasure) ile doğrudan örtüşmektedir: bir kullanıcı verilerinin silinmesini talep ettiğinde, bu verinin model parametrelerine ne ölçüde işlendiği ve nasıl çıkarılacağı kritik bir uyum sorununa dönüşmektedir. Geleneksel yaklaşımda tek çözüm modeli baştan eğitmektir. GPT-4 veya Gemini gibi büyük dil modellerini sıfırdan eğitmek haftalar ve milyonlarca dolar gerektirdiğinden bu yol pratikte imkânsızdır. Machine Unlearning bu boşluğu kapatmaya çalışır. Teknik olarak iki ana yaklaşım mevcuttur: Exact Unlearning (Kesin Unutturma) ve Approximate Unlearning (Yaklaşık Unutturma). Exact Unlearning'in en tanınan yöntemi SISA Training'dir (Sharded, Isolated, Sliced, Aggregated). Bu teknikte eğitim verisi bağımsız parçalara bölünür; her parçanın kendi alt modeli olduğundan yalnızca ilgili parça yeniden eğitilir ve istenen veri kesin biçimde dışarıda bırakılabilir. Approximate Unlearning ise hedeflenen parametreleri gradyan güncellemeleriyle değiştirerek daha hızlı bir çözüm sunar; ancak verinin gerçekten unutulup unutulmadığının doğrulanması güçtür. 2024 yılında İtalyan Veri Koruma Kurumu, GDPR ihlalleri gerekçesiyle OpenAI'a 15 milyon Euro para cezası keserken Avrupa Veri Koruma Kurulu (EDPB) 2025'te silinme hakkına odaklanan Koordineli Uygulama Çerçevesi'ni başlattı. Bu düzenleyici baskılar Machine Unlearning'i yalnızca akademik bir araştırma konusu olmaktan çıkarıp kurumsal uyum için zorunlu bir araç hâline getirdi. 2025 yılında UC Riverside araştırmacıları, orijinal eğitim verisine gerek duymadan çalışan 'kaynak serbest unutturma' (source-free unlearning) yöntemini geliştirdi. Bu yaklaşım özellikle büyük ölçekli modeller için umut vericidir. Bununla birlikte, büyük dil modellerinde bilginin milyarlarca parametreye dağıtılmış biçimde depolanması nedeniyle tam ve doğrulanabilir unutturma sağlamak hâlâ açık bir araştırma problemi olmayı sürdürmektedir.
Model Card (Model Kartı)
Model Kartı (Model Card), makine öğrenimi ve yapay zeka modellerinin şeffaf ve sorumlu biçimde belgelenmesini sağlayan standart bir dokümantasyon çerçevesidir. 2018 yılında Google araştırmacıları Margaret Mitchell ve meslektaşları tarafından önerilen bu yaklaşım, bir modelin nasıl çalıştığını, ne için tasarlandığını ve sınırlarının nerede olduğunu kamuya açık ve anlaşılır bir formatta ortaya koyar. Bir model kartı; modelin amaçlanan kullanım alanları, eğitim verileri hakkında özet bilgiler, değerlendirme metrikleri, farklı alt gruplardaki performans sonuçları, olası önyargılar ve kapsamlı etik değerlendirmeler gibi kritik bilgileri bir arada sunar. Bu belge sayesinde geliştiriciler, kullanıcılar, denetleyiciler ve politika yapıcılar, modelin güçlü ve zayıf yönlerini kolayca anlayabilir. Model kartlarının temel amacı hesap verebilirliği artırmaktır. Özellikle cinsiyet, yaş, ırk ve coğrafi köken gibi demografik faktörler açısından modelin farklı alt gruplardaki performansını ayrıntılı biçimde raporlamak, önyargılı çıktıların üretim öncesinde tespit edilmesine büyük katkı sağlar. Google, Hugging Face, Meta ve NVIDIA gibi büyük teknoloji şirketleri, model kartlarını zorunlu bir uygulama standardı haline getirmiştir. Avrupa Birliği'nin Yapay Zeka Yasası (AI Act) çerçevesinde, 2025 yılından itibaren genel amaçlı yapay zeka (GPAI) modellerinin teknik dokümantasyon hazırlaması yasal bir zorunluluk haline gelmiştir. Bu bağlamda model kartları, hem yasal uyum hem de kurumsal şeffaflık için temel bir araç konumuna yükselmiştir. NVIDIA'nın geliştirdiği Model Card++ gibi modern çerçeveler, standart model kartının ötesine geçerek önyargı azaltma, açıklanabilirlik, gizlilik, güvenlik ve emniyet gibi ek boyutları da kapsamaktadır. Böylece model kartları, etik ve sorumlu yapay zeka geliştirmenin olmazsa olmaz temel taşlarından biri haline gelmiştir.
Model Inversion Attack (Model Tersine Mühendislik Saldırısı)
Model tersine mühendislik saldırısı (model inversion attack), bir makine öğrenimi modelinin eğitim verilerindeki hassas bilgileri, modelin tahminleri veya güven puanları aracılığıyla yeniden oluşturmayı hedefleyen bir gizlilik saldırısıdır. Saldırgan, modele sistematik sorgular göndererek elde ettiği çıktıları analiz eder ve bu çıktılardan geriye doğru çalışarak orijinal eğitim verilerini yaklaşık olarak tahmin etmeye çalışır. Bu saldırı türü, 2015 yılında Matthew Fredrikson ve ekibinin yayımladığı araştırmayla gündeme gelmiştir. Fredrikson, bir ilaç tavsiye sistemini hedef alan çalışmasında hastaların genomik profillerini yalnızca model çıktılarını gözlemleyerek kısmen yeniden oluşturabilmiştir. Aynı ekip daha sonraki çalışmalarında yüz tanıma modellerinden gerçek yüz görüntülerini geri kazanmayı başarmıştır. Saldırılar iki ana kategoride değerlendirilir. Beyaz-kutu (white-box) saldırılarında saldırgan model ağırlıklarına ve gradyanlarına doğrudan erişebilir; bu durum saldırıyı çok daha etkili kılar. Siyah-kutu (black-box) saldırılarında ise saldırgan yalnızca modele sorgu atabilir ve tahmin ile güven skoru alabilir; bu senaryo gerçek dünya koşullarını daha iyi yansıtır. Saldırının temel mekanizması gradyan bazlı optimizasyona dayanır: Saldırgan, modelin hedef sınıfa en yüksek güveni vermesini sağlayan girdiyi arayarak adım adım yaklaşık bir eğitim örneği oluşturur. Generative model inversion olarak adlandırılan gelişmiş varyantlarda ise GAN veya diffusion modeller yardımıyla daha gerçekçi gizli veriler üretilmektedir. Savunma yöntemleri arasında diferansiyel gizlilik (model çıktılarına istatistiksel gürültü ekleme), çıktı kısıtlama (yalnızca ham güven skoru yerine sınıf etiketi döndürme), bilgi damıtma ve gizlilik farkında eğitim sayılabilir. Sağlık, finans ve biyometrik kimlik doğrulama alanlarında bu saldırılara karşı sistematik savunma mekanizmaları oluşturmak kritik önem taşımaktadır.
Market Basket Analysis (Pazar Sepeti Analizi)
Pazar Sepeti Analizi (Market Basket Analysis), bir veri kümesindeki işlemler içinde birlikte ortaya çıkan nesne veya öğe gruplarını keşfetmek amacıyla kullanılan temel bir veri madenciliği tekniğidir. Adını, müşterilerin alışveriş sepetlerinde hangi ürünleri birlikte satın aldığını analiz eden perakende uygulamasından alır; ancak günümüzde e-ticaret öneri sistemlerinden sağlık bilişimine kadar geniş bir kullanım alanına kavuşmuştur. Teknik, birliktelik kuralı madenciliği üzerine kurulmuştur ve üç temel metriği baz alır: destek (support), güven (confidence) ve kaldıraç (lift). Destek, bir öğe kümesinin tüm işlemler içindeki görülme sıklığını ölçer. Güven, iki öğe birlikte göründüğünde öngörülen ilişkinin doğruluğunu ifade eder. Kaldıraç ise bu birlikteliğin rastlantısal mı yoksa gerçek bir bağıntıya mı dayandığını belirler; Lift > 1 değeri, söz konusu ilişkinin bağımsız oluşumdan daha kuvvetli olduğunu gösterir. Pazar Sepeti Analizi, e-ticaret platformlarında "Bu ürünü alanlar bunu da satın aldı" türündeki öneri sistemlerinin temelini oluşturur. Streaming platformlarında içerik önerisi, sağlık sektöründe ilaç etkileşim analizi, bankacılıkta dolandırıcılık tespiti ve web analizi gibi alanlarda da etkin biçimde kullanılmaktadır. Analiz sürecinde en yaygın kullanılan algoritmalar Apriori ve FP-Growth'tur. Apriori algoritması, sık geçen öğe kümelerini adım adım iteratif biçimde bulurken; FP-Growth, veriyi daha az bellekte tutan sıkıştırılmış bir ağaç yapısı (FP-Tree) üzerinde çalışır ve büyük veri setlerinde çok daha verimlidir. Sonuç olarak Pazar Sepeti Analizi, ham işlem verilerinden eyleme dönüştürülebilir içgörüler çıkarmak isteyen veri bilimciler ve analistler için temel araçlardan biridir. Makine öğrenimi ve derin öğrenme sistemleriyle entegre edildiğinde, dinamik ve kişiselleştirilmiş öneri motorlarının bel kemiğini oluşturur.
Machine Translation (Makine Çevirisi)
Makine Çevirisi (MT), bilgisayar yazılımlarının insan müdahalesi olmadan metni veya konuşmayı bir dilden (kaynak dil) diğerine (hedef dil) çevirme işlemidir. 1950'lerdeki sözlük tabanlı sistemlerden, 2010'lardaki İstatistiksel Modellere ve günümüzdeki nöral (Neural Machine Translation - NMT) ve Transformer tabanlı büyük dil modellerine doğru büyük bir evrim geçirmiştir.
ML Pipeline (ML Pipeline)
ML Pipeline (Makine Öğrenimi İş Hattı), ham verinin toplanmasından modelin üretime alınmasına kadar geçen tüm adımları otomatize eden, tekrarlanabilir ve izlenebilir bir iş akışıdır. Veri alma, ön işleme, özellik mühendisliği, model eğitimi, değerlendirme ve dağıtım aşamalarını kapsar.
Masked Language Modeling (Maskeli Dil Modelleme (MLM))
Masked Language Modeling (MLM), BERT ve türevlerinin ön eğitiminde kullanılan bir öğrenme görevidir. Modele verilen cümledeki token'ların rastgele bir bölümü [MASK] sembolüyle örtülür (maskelenir) ve model, bağlamı kullanarak bu gizlenen token'ları tahmin etmeye çalışır. Orijinal BERT makalesinde (Devlin ve ark., 2018) kullanılan yöntemde girdi dizisindeki token'ların %15'i seçilir. Bu seçilen token'ların %80'i [MASK] sembolüyle değiştirilirken %10'u rastgele başka bir token ile yer değiştirir, kalan %10 ise orijinal halinde bırakılır. Bu çeşitlendirme, modelin sadece [MASK] simgesini değil gerçek token dağılımını da öğrenmesini sağlar. MLM'nin en kritik özelliği modele çift yönlü (bidirectional) bağlam kavrama yeteneği kazandırmasıdır. GPT gibi öz-regresif modeller sola bakarken, BERT MLM sayesinde hem solundaki hem sağındaki token'lardan yararlanarak tahmin üretir. Bu, özellikle cümle sınıflandırma, soru cevaplama ve adlandırılmış varlık tanıma (NER) gibi anlama görevlerinde büyük avantaj sağlar. MLM, nesil yapay zeka modelleri (GPT gibi causal LM) karşısında anlama odaklı modellerin (BERT, RoBERTa, ALBERT, DistilBERT, XLM-RoBERTa) tercih ettiği ön eğitim stratejisi olmaya devam etmektedir. BERT'in genel NLP benchmark'larında devrim niteliğindeki başarısı, büyük ölçüde MLM ön eğitimine dayanmaktaydı.
Mistral (Fransız LLM Ailesi)
Mistral, 2023 yılında Paris'te kurulan Mistral AI şirketinin geliştirdiği ve kamuoyuyla paylaştığı büyük dil modelleri ailesidir. Şirket, kuruluşunun üzerinden yalnızca birkaç ay geçmişken Mistral 7B modelini yayımlayarak kapalı model alternatifleri kadar güçlü ve açık kaynaklı bir model sunabileceğini kanıtlamış, kısa sürede sektörün önemli oyuncuları arasına girmiştir. Mistral modelleri, Mixture-of-Experts (MoE) mimarisini başarıyla kullanan öncü çalışmalar arasında yer alır. Mixtral 8x7B ve Mixtral 8x22B gibi modellerde her çıkarım için toplam parametrelerin yalnızca küçük bir kısmı aktive edilir; bu yaklaşım hem kapasite hem de hesaplama verimliliği kazandırır. Modeller Apache 2.0 lisansıyla dağıtılarak ticari kullanıma açık tutulur. 2026 itibarıyla Mistral AI'ın portföyü Mistral Large 3 (675B toplam, 41B aktif parametre), çok modlu Mistral Small 4, Mistral Medium 3.5, konuşma sentezi için Voxtral TTS ve uç cihazlara yönelik kompakt Ministral 3 ailesini kapsar. Şirket aynı zamanda kendi sohbet asistanı Le Chat'ı da işletmektedir. Mistral modelleri, Amazon Bedrock, Google Cloud Vertex AI ve Azure AI Studio üzerinden API olarak erişilebilmektedir. Avrupa merkezli bir yapay zeka şirketi olarak Mistral AI, veri egemenliği ve AB yapay zeka düzenlemelerine uyumluluk konularında kurumsal müşterilere avantaj sunar.
Moral Machine: MIT'in Otonom Araç Etiği Deneyi (Ahlak Makinesi)
Moral Machine, MIT Media Lab tarafından 2016 yılında başlatılan çevrimiçi bir deney platformudur. Platform, otonom araçların kaçınılmaz kaza senaryolarında nasıl ahlaki kararlar alması gerektiğini araştırır. Frenleri arızalanan bir aracın iki seçenekten birini seçmek zorunda kaldığı senaryolar üzerinden 233 ülkeden 40 milyon karar toplayan bu deney, 2018'de Nature dergisinde yayımlandı (Awad ve ark.). Deneyin en çarpıcı bulgusu, ahlaki tercihlerin kültüre göre anlamlı farklılıklar gösterdiğini ortaya koymasıdır: insanlar, hayvanlar, genç-yaşlı, az-çok gibi değişkenler üzerinden küresel ölçekte tercihler haritalandırılmış, ancak evrensel bir etik algoritmanın mümkün olmadığı kanıtlanmıştır.
Mel Spectrogram (Mel Spektrogramı)
Mel Spektrogramı, sesin zaman-frekans temsilini insan işitme algısını taklit eden mel ölçeğinde sunan bir ses özellik çıkarma yöntemidir. 'Mel' adı, 1937 yılında Stevens, Volkmann ve Newman tarafından geliştirilen ve insan kulağının farklı frekanslara nasıl tepki verdiğini modelleyen mel ölçeğinden (mel scale) gelir. İnsan kulağı düşük frekanslarda ince ayrımlar yaparken yüksek frekanslarda daha az hassastır; mel ölçeği bu perceptual özelliği matematiksel olarak yaklaşık olarak ifade eder. Mel spektrogramı üretmek için önce ses sinyali kısa pencereler (genellikle 25 ms) hâlinde Kısa Süreli Fourier Dönüşümü (STFT) ile spektrograma çevrilir. Ardından bu spektrogram, mel filtre bankasından geçirilerek doğrusal frekans ekseni mel ölçeğine dönüştürülür. Son adımda logaritmik ölçekleme (log-mel) uygulanarak insan işitme duyarlılığına benzer bir dinamik aralık elde edilir. Mel spektrogramları modern ses işleme ve konuşma tanıma sistemlerinde temel girdi formatı olarak kabul görür. OpenAI Whisper, 80 adet mel filtresi kullanan 25 ms pencerelere sahip log-mel spektrogramlarını ASR (Automatic Speech Recognition) için standart girdi biçimi olarak benimser. TTS (Text-to-Speech) sistemleri de mel spektrogramlarını ara temsil olarak kullanarak ses sentezi yapar; önce metnden mel spektrogramı tahmin edilir, ardından bir vocoder bu spektrogramu ham ses dalgasına çevirir. Ses sınıflandırma, duygu tanıma, müzik türü tespiti ve konuşmacı kimlik doğrulama gibi görevlerde CNN, LSTM ve Transformer modelleri mel spektrogramlarını görsel girdi gibi işler. Bu yaklaşım, raw waveform işlemeye kıyasla daha az hesaplama gerektirirken yüksek doğruluk sağlar. Günümüzde mel spektrogramı, ses yapay zekasının temel taşlarından biri kabul edilmektedir.
Monte Carlo Tree Search (MCTS) Nedir? (Monte Carlo Ağaç Araması)
Monte Carlo Tree Search (MCTS), olasılıksal simülasyonlar kullanarak geniş karar ağaçlarında en iyi hamleyi bulan buluşsal bir arama algoritmasıdır. Klasik minimax aramasından farklı olarak tüm dalları değerlendirmek yerine yüzlerce rastgele simülasyon (rollout) çalıştırır ve kaynakları en umut verici bölgelere yoğunlaştırır. Dört aşamalı bir döngü üzerine kuruludur: Seçim aşamasında mevcut ağaçta UCT (Upper Confidence bounds applied to Trees) formülüyle en iyi düğüm seçilir; Genişleme aşamasında seçilen düğüme yeni çocuk düğümler eklenir; Simülasyon (Rollout) aşamasında rasgele ya da ağırlıklı politika oynamasıyla bir sonuca gidilir; Geri Yayılım aşamasında simülasyon sonucu ağaçtan köke kadar taşınarak istatistikler güncellenir. Verilen süre ya da iterasyon sayısı dolana dek bu döngü tekrar eder; en çok ziyaret edilen kök çocuğu nihai hamle olarak seçilir. Algoritma 2006 yılında Rémi Coulom tarafından bilgisayarlı Go için önerilmiş, Kocsis ve Szepesvári'nin UCT formülüyle güçlendirilmiştir. 2016'da DeepMind'ın AlphaGo programı MCTS'i derin sinir ağlarıyla birleştirerek dünya Go şampiyonu Lee Sedol'ü 4-1 yenerek tarihin en dikkat çekici yapay zeka başarılarından birini gerçekleştirmiştir. 2017'de AlphaZero, satranç, shogi ve Go'da yalnızca öz-oyun ve MCTS kullanarak insan yazılmış bilgiye ihtiyaç duymaksızın tablo kıran performanslar elde etmiştir. MCTS, değerlendirme fonksiyonu tasarlamak güç olmakla birlikte simülasyonların hızlı olduğu board oyunlarından robot planlamasına, ilaç keşfine ve operasyon araştırmasına kadar pek çok alanda tercih edilen güçlü bir karar verme aracıdır.
Midjourney (Görsel Yapay Zeka)
Midjourney, bağımsız bir araştırma laboratuvarı tarafından geliştirilen, kullanıcıların yazdığı metin tabanlı komutları (prompt) kullanarak son derece hiper-gerçekçi, sanatsal ve ödüllü görseller üretebilen bir üretken (generative) yapay zeka programıdır. Discord platformu üzerinden komut alarak çalışır.
Model Context Protocol (Model Bağlam Protokolü)
Model Context Protocol (MCP), Anthropic tarafından geliştirilen ve yapay zeka modellerinin harici araçlara, veri kaynaklarına ve servislere standart bir arayüz üzerinden bağlanmasını sağlayan açık protokoldür. MCP sunucuları, LLM'lerin dosya sistemine, veritabanlarına, API'lere ve özel araçlara güvenli ve tutarlı biçimde erişmesine olanak tanır.
Markov Decision Process (MDP) (Markov Karar Süreci)
Markov Karar Süreci (MDP), Pekiştirmeli Öğrenmenin (Reinforcement Learning) ve otonom ajanların belkemiğini oluşturan, durumların (State), eylemlerin (Action), ödüllerin (Reward) ve rastgeleliğin bulunduğu ortamlarda yapay zekanın "geleceği planlayarak en mantıklı kararı" almasını sağlayan matematiksel bir modeldir.
MLOps (Machine Learning Operations) (Makine Öğrenimi Operasyonları)
MLOps, yazılım mühendisliğindeki DevOps kültürünün makine öğrenimi (AI/ML) dünyasına uyarlanmış halidir. Bir veri bilimcinin bilgisayarında mükemmel çalışan bir yapay zeka modelinin, milyonlarca kullanıcısı olan canlı bir sunucuya sorunsuz şekilde taşınmasını, sürekli güncellenmesini, performansının izlenmesini ve otomatik olarak yeniden eğitilmesini sağlayan mühendislik süreçleri bütünüdür.
Model Watermarking (Model Filigranı)
Model Filigranı, yapay zeka modellerine veya ürettikleri içeriklere (metin, görüntü, ses) gizli bir işaret yerleştirme tekniğidir. Bu teknik; modelin kimliğini doğrulamak, fikri mülkiyet haklarını korumak ve izinsiz kullanımı tespit etmek amacıyla kullanılır. Tıpkı banknotlardaki basılı filigranlara benzer biçimde, yapay zeka filigranları olağan kullanımda fark edilmeden özel algoritmalarla tespit edilebilecek şekilde tasarlanır. Model filigranlamanın iki ana katmanı vardır. Birincisi, modelin ağırlıklarına ya da eğitim sürecine gömülen model ağırlık filigranıdır; bu yöntemle modelin kopyalandığı veya çalındığı durumlar tespit edilebilir. İkincisi ise modelin ürettiği çıktılara yerleştirilen çıktı filigranıdır; bu sayede hangi içeriğin hangi model tarafından üretildiği izlenebilir. Büyük dil modellerinde (LLM) metin filigranı genellikle token seçim olasılıklarına müdahale edilerek uygulanır. Stanford ve Maryland Üniversitesi araştırmacılarının geliştirdiği 'kırmızı-yeşil liste' yaklaşımında her token için rastgele sınıflandırma yapılır ve model yeşil listedeki tokenleri istatistiksel olarak daha sık seçer; bu eğilim sonraki analizde filigranı ortaya çıkarır. Görüntü modellerinde ise frekans alanına (DCT/DWT dönüşümleri) ya da gizli uzaya (latent space) bilgi gömme yaygındır. Stable Diffusion benzeri modellerde 'Stable Signature' ve 'Tree-Ring Watermark' gibi yöntemler oluşturulmuştur. Regülatuar açıdan model filigranı giderek daha kritik bir hal almaktadır. Avrupa Birliği Yapay Zeka Yasası (AI Act), yüksek riskli yapay zeka sistemleri için içerik kökeninin işaretlenmesini zorunlu kılmaktadır. ABD'nin 2023 Yürütme Kararı da yapay zeka şirketlerini su işareti standartları geliştirmeye yönelik çalışmalar yapmaya teşvik etmektedir. Bu gelişmeler, model filigranını araştırmadan endüstriyel zorunluluğa dönüştürmektedir.
Model Serving (Model Servis (Çıkarım Sunumu))
Model Serving, eğitilmiş bir makine öğrenimi modelini üretim ortamında gerçek kullanıcılara veya sistemlere sunmak için kullanılan altyapı, araçlar ve süreçlerin bütününü ifade eder. Bir model ne kadar iyi eğitilmiş olursa olsun, bir servis arayüzü olmadan son kullanıcılara değer üretemez; model serving bu kritik boşluğu kapatır. Model serving süreci birkaç temel bileşenden oluşur: çıkarım sunucusu (inference server), model deposu (model registry), yük dengeleyici (load balancer) ve izleme sistemi (monitoring). Bunların bir araya gelmesiyle oluşan sistem, gelen tahmin isteklerini milisaniyeler içinde yanıtlayabilir. Sektörde yaygın olarak kullanılan servis çerçeveleri arasında TorchServe (PyTorch ekosistemi), NVIDIA Triton Inference Server (çok modelli, GPU-optimize), TensorFlow Serving, FastAPI ve BentoML yer alır. Her biri farklı performans, ölçeklenebilirlik ve model formatı gereksinimlerine göre seçilir. Servis modelleri açısından üç ana yaklaşım bulunur: çevrimiçi servis (online serving), gerçek zamanlı ve düşük gecikme süresi gerektiren tahmin isteklerinde kullanılır; toplu iş servisi (batch serving), büyük veri setleri üzerinde toplu tahmin çalıştırılmasına olanak tanır ve gerçek zamanlılık gerekmez; akış servisi (stream serving) ise Kafka veya Pub/Sub gibi mesaj kuyrukları üzerinden sürekli veri akışını işler. Çıkarım hızını artırmak için quantization (kuantizasyon), pruning (budama), ONNX formatına dönüştürme ve TensorRT optimizasyonu gibi teknikler yaygın olarak uygulanır. Kubernetes üzerinde çalışan model serving sistemi, gelen istek yüküne göre yatay olarak ölçeklendirilebilir. Otoscaling, maliyet optimizasyonu açısından kritik öneme sahiptir ve kullanım artışlarında otomatik olarak yeni sunucu instance'ları devreye girer.
Multi-Agent Systems (Çoklu Ajan Sistemleri)
Çoklu Ajan Sistemleri (Multi-Agent Systems), tek bir süper yapay zekanın tüm işi yapması yerine, her biri belirli bir görevde uzmanlaşmış (örn: biri kod yazan, biri kodu test eden, biri araştırma yapan) birden fazla Otonom Ajanın (Agent) kendi aralarında sohbet ederek, tartışarak ve işbirliği yaparak karmaşık bir projeyi baştan sona tamamladıkları yapılardır.
Model Registry (Model Kayıt Defteri)
Model Kayıt Defteri (Model Registry), makine öğrenimi (ML) operasyonlarının (MLOps) temel altyapı bileşenlerinden biridir. Yazılım geliştirmede kullanılan Git sürüm kontrol sistemi veya PyPI paket yöneticisi gibi araçların ML modelleri için tasarlanmış işlevsel eşdeğeridir; eğitilmiş modellerin merkezi bir depoda saklanmasını, sürümlenmesini ve yaşam döngüsünün yönetilmesini sağlar. Bir ML modeli her yeniden eğitildiğinde, oluşturulan model dosyaları ve meta veriler kayıt defterine yüklenerek numaralı bir sürüm elde eder. Bu sürüme; kullanılan veri kümesinin sürümü, hiperparametre değerleri, doğruluk metrikleri, F1 skoru, eğitim kodu commit hash'i ve sorumlu ekip üyesi bilgisi gibi veriler otomatik olarak iliştirilebilir. Bu sayede herhangi bir modeli tek komutla yeniden oluşturmak ya da geçmiş sürümüne rollback yapmak mümkün olur. Model kayıt defterleri genellikle üç temel aşama kavramını destekler: Staging (üretim öncesi nihai test ortamı), Production (canlı trafiğe hizmet veren onaylı model) ve Archived (artık kullanılmayan ama tarihsel kayıt için saklanan model). Ekipler veya otomatik kalite kapıları, modeli bu aşamalar arasında terfi ettirme (promote) ya da geri çekme (rollback) yetkisine sahiptir. Bu yapının başlıca faydaları şöyle sıralanabilir: Yeniden üretilebilirlik — bir yıl önceki üretim modelini tam bağlamıyla geri almak mümkün olur; Denetlenebilirlik — hangi modelin ne zaman, kim tarafından devreye alındığı otomatik kayıt altına alınır; İş birliği — farklı ekiplerin aynı model üzerinde bağımsız çalışabilmesi sağlanır; Uyumluluk — GDPR ve HIPAA gibi yasal düzenlemeler için gereken denetim izi otomatik oluşturulur. Sektörde en yaygın araçlar arasında açık kaynaklı MLflow Model Registry (Databricks ekosistemi), Amazon SageMaker Model Registry, Google Vertex AI Model Registry ve Azure Machine Learning Model Registry sayılabilir. Büyük organizasyonlarda model kayıt defteri, Feature Store ve CI/CD pipeline'larıyla birlikte kurgulanan bütünleşik bir MLOps platformunun ayrılmaz parçası haline gelmiştir.
Model Weights (Model Ağırlıkları)
Model ağırlıkları (model weights), bir yapay sinir ağının eğitim süreci boyunca öğrendiği sayısal parametrelerdir. Her nöron bağlantısına atanan bu ağırlık değerleri, modelin girdi verilerini işleyip çıktı üretmesini sağlayan temel yapı taşlarıdır. Milyonlarca ya da milyarlarca ağırlık içeren büyük dil modellerinde (LLM) bu değerler, dildeki örüntüleri, bağlamı ve anlam ilişkilerini kodlar. Model ağırlıkları, geri yayılım (backpropagation) algoritması ve gradyan inişi (gradient descent) yöntemiyle güncellenir. Eğitim tamamlandığında ağırlıklar dondurulur ve çıkarım (inference) aşamasında sabit kalır. GPT-4, Llama 3 veya Mistral gibi modeller için ağırlık dosyaları genellikle PyTorch (.pt, .bin) veya SafeTensors formatında dağıtılır. Nicemleme (quantization) teknikleri, ağırlıkların temsil hassasiyetini azaltarak (FP32 → FP16 → INT8 → INT4) model boyutunu ve bellek kullanımını düşürür. Örneğin GGUF formatı, Llama.cpp ile yerel çalıştırma için 4-bit nicemleme uygular; bu sayede 70 milyar parametreli bir model, tüketici GPU'larında çalışabilir hale gelir. Model ağırlıklarının boyutu model kapasitesiyle doğrudan ilişkilidir: 7 milyar parametreli bir model FP16 formatında yaklaşık 14 GB, INT4 kuantizasyonla ise yaklaşık 4 GB disk alanı kaplar. Bu nedenle nicemleme, modelleri tüketici donanımında çalıştırmak için kritik bir teknik haline gelmiştir. Açık ağırlıklı modeller (LLaMA, Mistral, Qwen, Gemma) Hugging Face Model Hub üzerinden indirilerek yerel sunucularda veya kişisel bilgisayarlarda çalıştırılabilir. Kapalı modeller (GPT-4, Claude) ise yalnızca API üzerinden erişilebilir. LoRA gibi parametre etkin ince ayar yöntemleri, temel ağırlıkları dondurarak yalnızca küçük adaptör matrislerini eğitir; bu yaklaşım hesaplama maliyetini dramatik biçimde azaltırken yüksek kaliteli özelleştirme sağlar. Ağırlıkların güvenliği de kritik bir konudur: Pickle formatındaki PyTorch dosyaları zararlı kod içerebileceğinden SafeTensors formatı tercih edilmelidir. Hugging Face Hub'ın doğrulama mekanizmaları ve model kartları, ağırlıkların güvenilirliğini ve lisans koşullarını açık biçimde sunar.
Mixture of Agents (Ajanların Karışımı)
Mixture of Agents (MoA — Ajan Karışımı), birden fazla büyük dil modelinin aynı sorunu bağımsız olarak yanıtladığı, ardından bir 'aggregator' modelin bu yanıtları sentezleyerek tek bir rafine çıktı ürettiği AI mimarisidir. Together AI tarafından önerilmiş olan MoA, tekil model yerine model topluluğu kullanarak AlpacaEval kıyaslamalarında GPT-4 Turbo'yu geride bırakan sonuçlar elde etmiştir.
Microservices Nedir? Mikro Hizmet Mimarisi Rehberi (Mikro Hizmet Mimarisi)
Microservices (mikro hizmet mimarisi), büyük ve monolitik bir yazılım uygulamasını, her biri kendi sorumluluğuna sahip küçük, bağımsız ve birbirleriyle iletişim kuran servisler topluluğuna bölen bir yazılım mimarisi yaklaşımıdır. Her mikro hizmet, belirli bir iş işlevini yerine getirir; kendi veritabanını yönetebilir, bağımsız olarak geliştirilip test edilebilir ve diğer servislerden bağımsız biçimde dağıtılabilir. Mikro hizmet mimarisi, geleneksel monolitik yapıların karmaşıklığını çözmek amacıyla 2010'lu yılların başında Netflix, Amazon ve Uber gibi büyük teknoloji şirketleri tarafından benimsendi. Monolitik bir uygulamada tüm bileşenler tek bir kod tabanında birbirine sıkıca bağlıdır; bu durum, küçük bir değişikliğin tüm uygulamanın yeniden derlenmesini ve dağıtılmasını gerektirmesi anlamına gelir. Mikro hizmetlerde ise her servis kendi yaşam döngüsüne sahiptir. Yapay zeka ve makine öğrenimi ekosisteminde mikro hizmetler kritik bir rol oynar. Bir AI ürününü bileşenlerine ayırmak, farklı ekiplerin bağımsız çalışmasına ve farklı dillerin ya da çerçevelerin kullanılmasına olanak tanır: örneğin veri önişleme servisi Python ile yazılırken API katmanı Go ile yazılabilir. Model serving, özellikle ayrı bir mikro hizmet olarak tasarlandığında ölçeklendirme kolaylaşır; yoğun talep dönemlerinde yalnızca bu servis ölçeklendirilir, tüm uygulama değil. Mikro hizmetler HTTP/REST, gRPC veya mesaj kuyrukları (Kafka, RabbitMQ) aracılığıyla birbirleriyle iletişim kurar. Her servisin kendi veri deposu olabilir; bu sayede hizmetler arası bağımlılık azalır ve geliştirme hızı artar. Ancak dağıtık sistemlerin getirdiği ağ gecikmesi, servis keşfi, veri tutarlılığı ve izlenebilirlik gibi yeni zorluklar da beraberinde gelir. Docker ve Kubernetes gibi konteyner teknolojileri, mikro hizmetlerin dağıtımını standartlaştırmış ve operasyonel yükü önemli ölçüde azaltmıştır. CI/CD pipeline'ları sayesinde her servis bağımsız olarak test edilip production'a alınabilir.
Membership Inference Attack (Üyelik Çıkarım Saldırısı)
Üyelik Çıkarım Saldırısı (Membership Inference Attack), bir saldırganın belirli bir veri noktasının makine öğrenimi modelinin eğitim kümesine dahil edilip edilmediğini tahmin etmeye çalıştığı gizlilik saldırısı türüdür. Bu saldırı yöntemi, ilk kez 2017 yılında Shokri ve arkadaşları tarafından IEEE Güvenlik ve Gizlilik sempozyumunda kapsamlı biçimde incelenmiş ve makine öğrenimi gizlilik araştırmalarının temel taşlarından biri haline gelmiştir. Saldırının temel çalışma prensibi, eğitim kümesine ait örneklerin modelin çıktılarında görülmemiş örneklerden farklı davranış sergilemesine dayanır. Aşırı öğrenme (overfitting) eğilimindeki modeller, eğitimde gördükleri verilere karşı çok daha yüksek güven skorları üretirken görmedikleri verilere karşı daha düşük ve dağınık olasılıklar verir. Saldırgan bu davranış farkını kullanarak bir 'gölge model' (shadow model) eğitir; bu model, hedef modeli taklit edecek şekilde halka açık verilerle oluşturulur ve ardından eğitim/test verilerini ayırt eden ikili bir sınıflandırıcı (üye/üye değil) eğitilir. Saldırının başarı oranı, hedef modelin aşırı öğrenme derecesiyle doğru orantılıdır. İyi düzenleştirilmiş (regularized) modellerde saldırı başarısı rastgele tahminin (%50) üzerine zar zor çıkarken, aşırı öğrenmiş modellerde %90'a ulaşabilir. Üyelik çıkarım saldırıları özellikle hassas kişisel verilerin eğitimde kullanıldığı senaryolarda kritik gizlilik tehditleri oluşturur. Tıbbi kayıtlar, finansal veriler veya kişisel iletişim verileriyle eğitilen modeller saldırıya maruz kaldığında bireysel sağlık bilgileri veya mali geçmiş deşifre olabilir. GDPR ve Türkiye'nin KVKK düzenlemeleri kapsamında bu tür gizlilik ihlalleri ciddi yasal yaptırımlarla sonuçlanabilir. Savunma yöntemleri arasında en güçlüsü diferansiyel gizlilik (differential privacy) tekniğidir; bu yöntem, model çıktılarına kontrollü gürültü ekleyerek bireysel veri noktalarını gizler. Bunun yanı sıra erken durdurma, L2 düzenlileştirme, etiket yumuşatma ve bilgi damıtma yöntemleri de model belleğini azaltarak saldırı yüzeyini önemli ölçüde daraltır. Bu saldırı türü, yapay zeka sistemlerinin uyumluluk denetiminde de önemli bir araç olarak kullanılmaktadır: denetçiler, sistemin eğitim verilerini ne kadar 'hatırladığını' ölçmek için üyelik çıkarım testleri uygulayarak hem model performansını hem de kişisel veri güvenliğini eş zamanlı olarak değerlendirebilir.
MIDI Sentezi (MIDI Sentezi)
MIDI sentezi, yapay zeka modellerinin büyük MIDI veri kümelerinden müzikal desenleri öğrenerek orijinal sembolik müzik dizileri oluşturduğu bir üretken AI teknolojisidir. Geleneksel MIDI sentezinden farklı olarak, AI tabanlı MIDI sentezi insan besteciliği veya sabit kural setleri yerine derin öğrenme mimarileri kullanarak melodi, armoni, ritim ve çok enstrümanlı düzenlemeleri otomatik olarak üretir. Bu sistemler, müzikal yapı, stil ve kompozisyon prensiplerini istatistiksel kalıplar aracılığıyla kavrar; klasikten elektronik müziğe kadar geniş bir yelpazede tutarlı ve özgün parçalar üretebilir.
Müzik Üretimi (AI) (Müzik Üretimi)
Müzik üretimi (AI), yapay zeka modellerinin metin açıklamaları, melodi parçaları veya tarz referanslarından özgün müzik eserleri oluşturmasını sağlayan teknolojidir. Büyük miktarda müzik verisi üzerinde eğitilen bu modeller, ses dalgaları, nota dizileri veya MIDI çıktısı üretebilir. Derin öğrenme tabanlı sistemler —özellikle Transformer, Diffusion ve GAN mimarileri— artık insanla ayırt edilmesi güç düzeyde besteler üretebilmektedir. Google MusicLM, Meta MusicGen ve Suno gibi modeller, metinden müziğe dönüşümü ana akım kullanıma taşımıştır.