O Harfi ile Başlayan Terimler
Online Learning (Çevrimiçi Öğrenme)
Çevrimiçi öğrenme (online learning), makine öğrenimi modellerinin veriyi tüm veri kümesini bir anda işlemek yerine, veriler geldikçe artan biçimde güncellemesini sağlayan eğitim paradigmasıdır. Bu yaklaşımda model, her yeni gözlem veya küçük veri grubu (mini-batch) geldiğinde ağırlıklarını hemen günceller; böylece hem büyük veri kümelerini bellekte tutma zorunluluğu ortadan kalkar hem de değişen veri dağılımlarına hızlı uyum sağlanır. "Artımlı öğrenme" (incremental learning) veya "akış tabanlı öğrenme" (stream learning) olarak da adlandırılır. Geleneksel toplu öğrenme (batch learning) modeli bir kez eğitip sonuçlarını sabit tutar; yeni verilerle güncelleme için tüm model sıfırdan yeniden eğitilir. Çevrimiçi öğrenmede ise model sürekli evrilir: her gözlemde ağırlıklar küçük adımlarla güncellenir ve eski veriyi saklamaya gerek kalmaz. Bellek gereksinimi sabit kalır; veri büyüdükçe model boyutu artmaz. Temel algoritmalar arasında Stokastik Gradyan İnişi (SGD), Perceptron ve Passive-Aggressive (PA) algoritması yer alır. Derin öğrenme modellerinde SGD, çevrimiçi öğrenmenin standart motorudur. Daha karmaşık senaryolarda LSTM gibi yinelemeli sinir ağları ya da pekiştirmeli öğrenme yöntemleri de çevrimiçi modda çalışabilir. Kullanım alanları gerçek zamanlı karar alma gerektiren sistemleri kapsar: e-ticaret tavsiye sistemleri kullanıcı davranışını anında modele yansıtır; finansal piyasalarda dolandırıcılık tespiti ve fiyat tahmini sürekli güncel modeller ister; ağ güvenliği ve IoT sensör sistemlerinde anomali tespiti anlık adaptasyon gerektirir. Başlıca zorluk, gürültülü ya da aykırı gözlemlere karşı yüksek hassasiyettir; öğrenme hızı zamanlaması ve pencereli güncelleme stratejileriyle bu risk azaltılır. Kavram kayması (concept drift) ise veri dağılımının zaman içinde değişmesidir; ADWIN ve Page-Hinkley gibi algılama mekanizmaları erken uyarı sağlar. Apache Kafka ve River kütüphanesiyle entegrasyon, çevrimiçi öğrenmeyi üretim ortamlarına taşımanın standart yolunu oluşturur.
Opinion Mining (Görüş Madenciliği)
Opinion Mining (Görüş Madenciliği), metin içindeki öznel ifadeleri, tutumları ve değerlendirmeleri otomatik olarak çıkaran, yapılandıran ve analiz eden bir Doğal Dil İşleme (NLP) disiplinidir. Terim zaman zaman Duygu Analizi (Sentiment Analysis) ile birbirinin yerine kullanılsa da Opinion Mining daha geniş bir çerçevedir: yalnızca genel duygusal tonu değil, kimin neye ilişkin ne düşündüğünü, belirli bir özellik ya da boyut düzeyinde çıkarmayı hedefler. Klasik Sentiment Analysis bir cümleyi olumlu, olumsuz veya nötr olarak etiketler ve burada durur. Opinion Mining ise çok bileşenli görüş birimlerini ayrıştırır: kimin, neye yönelik, hangi özellik üzerinden, hangi polaritede görüş belirttiğini tespit eder. 'Kulaklığın ses kalitesi üst düzey, ancak mikrofon berbat ve Bluetooth bağlantısı sürekli kesiliyor' gibi bir cümlede genel ton yanıltıcı olabilir; Opinion Mining bu metni üç ayrı görüş birimine ayrıştırır. Bu granüler analiz, ürün geliştirme ekiplerinin hangi özelliğin iyileştirilmesi gerektiğini kesin biçimde belirlemesini mümkün kılar. Teknik açıdan Opinion Mining, Aspect-Based Sentiment Analysis (ABSA) alt görevlerini kapsar: Aspect Term Extraction, Opinion Term Extraction ve Aspect-Opinion Pair Extraction. Modern sistemler bu görevler için BERT, RoBERTa veya büyük dil modelleri (LLM) kullanır. Sıfır-örnekli (zero-shot) LLM yaklaşımları, etiketli eğitim verisi gerektirmeksizin örtük görüşleri bile yakalayabilmektedir. Yapısal çıktı biçimi olarak Opinion Quintuple — kanaat sahibi, hedef varlık, özellik, polarite ve zaman damgası — alanın standart gösterimi kabul görmektedir. Endüstriyel kullanım alanları geniş bir yelpazeye yayılmaktadır: e-ticaret platformları ürün özelliklerini müşteri yorumlarından otomatik değerlendirmekte, finans sektörü yatırımcı duyarlılığını haber ve forum metinlerinden ölçmekte, siyasi analistler seçmen tutumlarını sosyal medya verilerinden gerçek zamanlı izlemektedir. Türkçe dahil çok dilli destek XLM-RoBERTa gibi modeller aracılığıyla giderek güçlenmekte; bu da Opinion Mining'i küresel ölçekte uygulanabilir kılmaktadır.
Object Detection (Nesne Tespiti / Nesne Tanıma)
Nesne tespiti (object detection), bir görüntüde veya videodaki nesnelerin hem varlığını hem de konumunu otomatik olarak belirleyen bilgisayarlı görü tekniğidir. Yalnızca görüntünün genelinde ne olduğunu söyleyen görüntü sınıflandırmasının aksine nesne tespiti her nesnenin çevresine bir sınır kutusu (bounding box) çizer ve nesneyi etiketler. Nesne tespiti sistemleri iki ana kategoride incelenir. İki aşamalı detektörler (two-stage detectors), önce potansiyel nesne bölgeleri önerir (Region Proposal Network), ardından bu bölgeleri sınıflandırır. Faster R-CNN bu kategorinin öncü modelidir. Tek aşamalı detektörler (one-stage detectors), tahmin ve sınıflandırmayı tek bir geçişte gerçekleştirir; YOLO serisi ve SSD bu kategorinin en bilinen modelleridir. YOLO'nun evrimi nesne tespitinin tarihini özetler: YOLOv1 (2016), YOLOv3, YOLOv5, YOLOv8 ve YOLOv11'e uzanan her sürümde hız/doğruluk dengesi iyileştirilmiştir. Ultralytics'in YOLOv8'i, kolay kullanım ve güçlü performanıyla topluluk standardı haline gelmiştir. Transformer tabanlı DETR (Detection Transformer), bounding box tahmini ile dikkat mekanizmasını birleştirerek alanı yenilemiş; anchor-free tasarımıyla geleneksel bileşenlere olan bağımlılığı azaltmıştır. Değerlendirme metriği olarak mAP (mean Average Precision) kullanılır; bu metrik, farklı IoU (Intersection over Union) eşiklerindeki precision-recall eğrisinin altındaki alan ortalamasını ölçür. COCO veri kümesi, nesne tespiti modellerinin karşılaştırılması için endüstri standardı haline gelmiştir. Gerçek zamanlı uygulamalarda (otonom araçlar, güvenlik kameraları, drone görüntü analizi) düşük gecikme kritik olduğundan tek aşamalı detektörler ön plana çıkar. Örnek olarak YOLOv8n (nano), CPU üzerinde 60+ FPS hızında çalışabilirken YOLOv8x (extra large) COCO'da daha yüksek mAP değerleri elde eder. Model seçimi, donanım kısıtları ve doğruluk gereksinimine göre yapılmalıdır; TensorRT ve ONNX optimizasyonu üretim dağıtımında gecikmeyi önemli ölçüde düşürür; bu sayede edge cihazlarda bile gerçek zamanlı çıkarım mümkün olur. Instance segmentation (YOLOv8-seg, Mask R-CNN) ve keypoint detection gibi türev görevler, nesne tespiti altyapısını piksel düzeyi veya iskelet bazlı analizle genişletir.
Open-Weight Model (Açık Ağırlıklı Model)
Açık ağırlıklı model (open-weight model), eğitim sürecinin tamamlanmasının ardından model parametrelerinin —yani ağırlıkların— kamuya açık biçimde dağıtıldığı yapay zeka modelidir. GPT-4 veya Claude gibi tamamen kapalı modellerin aksine, açık ağırlıklı modellerde kullanıcılar parametreleri doğrudan indirebilir, kendi altyapılarında çalıştırabilir, özel veri kümeleriyle ince ayar yapabilir ve istedikleri platformda dağıtabilir. "Açık ağırlık" ile "açık kaynak" arasındaki kritik ayrıma dikkat etmek gerekir: "Açık ağırlık", yalnızca eğitilmiş model parametrelerinin paylaşıldığı anlamına gelir; eğitim kodu, veri seti ve metodoloji kapalı kalabilir. Gerçek "açık kaynak" ise —OLMo ve Pythia gibi örneklerde— eğitim sürecinin tüm bileşenlerini kapsar. Meta'nın Llama serisinde kullanılan Llama Community License, 700 milyonun üzerinde aylık aktif kullanıcıya sahip ürünlerde Meta onayını zorunlu kılar; bu nedenle Llama tam açık kaynak sayılmaz, yalnızca "açık ağırlık" olarak nitelendirilir. Öne çıkan açık ağırlıklı modeller: Meta'nın Llama ailesi (8B–405B parametre aralığı), Mistral ve Mixtral (Apache 2.0 lisansıyla kısıtlamasız ticari kullanım, Mixture of Experts mimarisiyle verimli çıkarım), Alibaba'nın Qwen 2.5 serisi, DeepSeek-R1 (MIT lisansıyla akıl yürütmede o1 ile kıyaslanabilir performans) ve Microsoft'un Phi-4'ü. Gemma 2 ise Google'ın araştırma odaklı katkısıdır. Donanım gereksinimleri model boyutuna bağlıdır: 7B parametreli Q4 kuantize model, tüketici düzeyinde 6 GB VRAM ile çalışabilir; 70B model ise en az 40 GB VRAM veya güçlü bir CPU ve RAM kombinasyonu gerektirir. Ollama, LM Studio ve llama.cpp, yerel çalıştırmayı kolaylaştıran başlıca araçlardır; ollama run llama3:8b komutuyla dakikalar içinde yerel bir LLM başlatılabilir. Açık ağırlıklı modellerin tercih edilme nedenleri arasında veri gizliliği gerektiren kurumsal senaryolar, API bağımlılığını ve maliyetini sıfırlama ihtiyacı, çevrimdışı ortamlarda çalışma zorunluluğu ve alana özgü ince ayarla performans artırma yer alır. 2025 itibarıyla Llama 3.3 70B, GPT-4o-mini düzeyinde genel dil becerisi sergilerken DeepSeek-R1 matematiksel akıl yürütmede GPT-o1 ile doğrudan rekabet etmektedir; bu gelişmeler açık modellerin kapalı modellerle gerçek anlamda rekabete girdiğini ortaya koymaktadır.
Ollama (Yerel LLM Çalıştırıcı)
Ollama, büyük dil modellerini yerel bilgisayarda tek komutla indirip çalıştırmayı sağlayan açık kaynaklı bir araçtır. Docker'ın konteyner mantığını yapay zeka modellerine uyarlayan Ollama, karmaşık Python ortamı veya GPU sürücüsü kurulumu gerektirmeksizin `ollama run llama3` gibi sade bir komutla model çıkarımını başlatır. Ollama, GGUF formatını birincil model formatı olarak benimseyerek CPU ve Apple Silicon (Metal API) üzerinde optimize çalışma sağlar. Llama 3, Mistral, Phi-3, Qwen 2.5, Gemma 2 ve DeepSeek-R1 dahil onlarca modelin resmi ve topluluk sürümleri Ollama model kütüphanesinde mevcuttur. `ollama pull` komutuyla istenen model otomatik olarak indirilir ve çalışmaya hazır hale gelir. Ollama'nın önemli özelliklerinden biri yerel OpenAI uyumlu REST API sunmasıdır. `http://localhost:11434/v1/chat/completions` adresi üzerinden OpenAI istemci kütüphaneleri, LangChain ve Open WebUI gibi araçlar doğrudan yerel modele yönlendirilebilir; bu da mevcut uygulamaların bulut AI'dan yerel AI'ya minimum kod değişikliğiyle geçişini mümkün kılar. Gizlilik açısından Ollama, verilerin hiçbir zaman dış sunuculara gönderilmediği garantisini verir. Tıbbi kayıtlar, hukuki belgeler veya şirket içi hassas verilerle çalışan kullanıcılar için bu özellik kritik bir avantajdır. Ayrıca internet bağlantısı kesildiğinde bile model çalışmaya devam eder. Modelfile sistemi ile modeller özelleştirilebilir: sistem promptu, sıcaklık ve bağlam penceresi gibi parametreler Dockerfile benzeri bir sözdizimle tanımlanır ve özel ağırlık setleriyle birleştirilerek paylaşılabilir özel modeller oluşturulur. Ollama ayrıca çok modelli çalışmayı destekler; aynı anda birden fazla model bellekte tutularak farklı görevlere yönlendirilebilir. Araç, macOS, Linux ve Windows üzerinde yerel çalışarak geniş bir kullanıcı kitlesine hitap etmektedir. MIT lisansı kapsamında geliştirilen bu proje, yerel yapay zeka çalıştırmanın demokratikleşmesinde önemli bir rol üstlenmekte; hem bireysel geliştiriciler hem de kurumsal veri gizliliği gereksinimleri olan kuruluşlar için güçlü bir tercih haline gelmektedir. Quantizasyon teknikleri (Q4, Q5, Q8) model boyutunu ve RAM gereksinimini düşürerek sınırlı donanımda bile kullanışlı sonuçlar elde edilmesini mümkün kılar.
Open WebUI (Open WebUI)
Open WebUI, Ollama ve OpenAI uyumlu API'ler aracılığıyla yerel büyük dil modellerine erişmek için kendi sunucunuzda barındırabileceğiniz açık kaynaklı bir web arayüzüdür. ChatGPT benzeri bir deneyimi tamamen özel ortamda sunan Open WebUI; konuşma geçmişi, model yönetimi, RAG pipeline desteği ve çoklu kullanıcı özellikleriyle öne çıkar. Açık kaynak yapay zeka araçlarının popülerleşmesiyle birlikte kullanıcılar, verilerini üçüncü taraf bulut servislerine göndermeden güçlü dil modellerinden yararlanmak istemeye başladı. Open WebUI bu ihtiyaca yanıt veren en kapsamlı self-hosted çözümlerden biridir. Proje, 2023 yılında başlayarak kısa sürede GitHub'da on binlerce yıldız topladı ve aktif bir topluluk desteğiyle gelişmeye devam etmektedir. Teknik açıdan Open WebUI; Docker konteyneri olarak çalışır ve Ollama aracılığıyla Llama, Mistral, Gemma gibi yerel modellere; OpenAI API anahtarıyla da GPT serilerine bağlanabilir. Arayüz; sohbet geçmişini yerel veritabanında saklar, farklı modeller arasında anlık geçiş yapılmasına izin verir ve kullanıcı başına ayrı profil yönetimi sunar. Bunlara ek olarak, PDF ve web sayfalarını bilgi tabanına ekleyerek model yanıtlarını zenginleştiren bir RAG (Retrieval-Augmented Generation) motoru da yerleşik olarak gelir. Veri gizliliği açısından Open WebUI kritik bir avantaj taşır: tüm sohbet içerikleri ve belgeler kullanıcının kendi altyapısında kalır. Türkiye'deki şirketler, KVKK kapsamında kişisel veri içeren sorguları bulut tabanlı yapay zeka servislerine göndermekten kaçınmak için Open WebUI gibi yerel çözümlere yönelmektedir. Özellikle hukuk, sağlık ve finans sektöründe bu tür gizlilik gereksinimleri belirleyici olmaktadır. Kurulum açısından bakıldığında, Docker yüklü herhangi bir Linux sunucusu veya macOS makinesi üzerinde tek bir komutla çalıştırılabilmesi Open WebUI'yi erişilebilir kılar. GPU desteği isteğe bağlıdır; CPU üzerinde çalışan küçük modeller düşük donanımlı ortamlarda da kullanılabilir. Bu esneklik, bireylerin kişisel bilgisayarlarından kurumsal veri merkezlerine kadar geniş bir dağıtım yelpazesini kapsar.
OCR (OCR — Optik Karakter Tanıma)
OCR (Optical Character Recognition — Optik Karakter Tanıma), görüntü, taranmış belge veya fotoğraf içindeki basılı ya da el yazısı karakterleri analiz ederek düzenlenebilir ve aranabilir dijital metne dönüştüren teknolojidir. 1950'lerin sonunda ortaya çıkan OCR, başlangıçta basit şablon eşleştirme ve piksel karşılaştırma algoritmalarına dayanırken; günümüzde derin öğrenme mimarileri sayesinde çok daha güçlü bir yapıya kavuşmuştur. Modern bir OCR sistemi dört temel aşamadan oluşur: (1) Görüntü ön işleme — gürültü giderme, eğim düzeltme (deskew), kontrast normalizasyonu ve renk segmentasyonu. (2) Metin bölgesi tespiti — satır ve kelime kutularının belirlenmesi, paragraf sıralamasının çıkarılması. (3) Karakter veya kelime düzeyinde segmentasyon ve özellik çıkarımı. (4) Model tabanlı tanıma ve dil modeli destekli hata düzeltme. Geleneksel sistemler CNN (Evrişimsel Sinir Ağı) ve LSTM kombinasyonunu kullanırken; son nesil Transformer tabanlı modeller — TrOCR, Donut, Nougat, DeepSeek-OCR — görsel kodlayıcı ile dil çözücüsünü birleştirerek belge düzeni anlayışını yeni bir düzeye taşımaktadır. Bu modeller artık sadece karakterleri değil; tabloları, formları, matematiksel ifadeleri ve karmaşık çok sütunlu sayfa yapılarını da yapılandırılmış çıktıya dönüştürebilmektedir. OCR'nin kullanım alanları son derece geniştir: finans sektöründe fatura ve çek işleme, sağlıkta hasta kayıtlarının dijitalleştirilmesi, hukuk alanında sözleşme tarama, e-ticarette ürün katalog otomasyonu, pasaport ve kimlik doğrulama sistemleri, kütüphane arşivlerinde tarihi belgelerin dijital ortama aktarılması bunların başında gelir. Türkçe gibi özel karakterler içeren diller için ğ, ü, ş, ı, ö, ç gibi harflerin doğru tanınması ayrı bir önem taşır; bu nedenle Türkçe dil paketi veya özel eğitilmiş model kullanımı gerekebilir. 2025-2026 itibarıyla çok modelli büyük dil modelleri (GPT-4o, Claude, Gemini) doğrudan görüntüden metin ve anlam çıkartabilmekte; bu durum OCR'yi 'belge zekası' adı verilen daha geniş bir alanda yeniden konumlandırmaktadır. İyi koşullar altında modern OCR sistemleri %99'un üzerinde doğruluk oranına ulaşabilirken, düşük kaliteli görüntü ve el yazısında bu oran %85-95 aralığına düşmektedir.
Object Tracking (Nesne Takibi)
Object Tracking (Nesne Takibi), video akışlarında belirli nesnelerin hareketini kareden kareye sürekli izleyen bir bilgisayarlı görü disiplinidir. Kişiler, araçlar, hayvanlar veya endüstriyel bileşenler gibi her türlü cisim bu teknikle takip edilebilir. Nesne tespitinden (object detection) temel farkı şudur: tespit her kareye bağımsız bakarken, takip nesnelerin zaman içindeki sürekli kimliğini (ID) koruyarak hareketlerini izler. Algoritma tasarımında iki temel mimari yaklaşım öne çıkar. Algıla-ve-Takip Et (Detection-Based Tracking) yaklaşımında her karede YOLO veya Faster R-CNN gibi bağımsız bir dedektör çalışır; ardından Kalman filtresi ve Macar algoritması mevcut iz listesiyle eşleştirme yapar. 2016 yılından bu yana endüstri standardı hâline gelen SORT ve DeepSORT bu yaklaşımın öncüleridir. İkinci yaklaşım olan uçtan uca transformer tabanlı modeller ise TrackFormer ve MOTR gibi ağlarla temsil edilir; tespit ve takibi tek mimari içinde birleştirir ve el yapımı birleştirme kuralı gerektirmez. Temel performans metrikleri arasında MOTA (Multi-Object Tracking Accuracy), IDF1 (kimlik süreklilik skoru) ve HOTA yer alır. Uluslararası MOT Challenge yarışması bu metrikleri standartlaştırmış olup ByteTrack ve BoT-SORT en güncel karşılaştırma listelerinde lider konumdadır. Başlıca zorluklar şunlardır: Örtüşme (occlusion), nesne başka bir cismin arkasında geçici olarak kaybolduğunda kimlik kaybına yol açar. Hız değişimleri ve ani yön dönüşleri Kalman filtresi tahminlerini güçleştirir. Benzer görünümlü nesneler ID anahtarı (ID switch) hatasını artırır. Küçük veya uzak nesneler ise dedektörün güven eşiğinin altında kalabilir. Gerçek zamanlı sistemlerde YOLO ile ByteTrack kombinasyonu yaygın tercih olurken, piksel düzeyinde hassasiyet gerektiren uygulamalarda Meta'nın 2024 tarihli SAM 2 modeli öne çıkmaktadır. Nesne takibi; otonom araçlar, spor analizi, akıllı güvenlik kameraları ve tıbbi görüntüleme alanlarında endüstri standardı hâline gelmiştir.
o3 (OpenAI Muhakeme Modeli)
o3, OpenAI'ın Nisan 2025'te tam sürümünü yayımladığı ve 'test zamanı hesaplama' (test-time compute) paradigmasını zirveye taşıyan akıl yürütme (reasoning) modelidir. Standart otoregresif üretimin ötesine geçerek her soru için değişken uzunlukta gizli bir düşünce zinciri (chain-of-thought) yürütür; matematik, bilim, kodlama ve mantık bulmacalarında yayımlandığı dönemde tarihi kıyaslama puanları elde etmiştir. Aralık 2024'teki ilk duyurusunda ARC-AGI yarı özel setinde düşük hesaplama modunda %75,7, yüksek hesaplama modunda %87,5 puan alarak bu kıyaslamada insan eşiğini (%85 civarı) aşan ilk model olmuştur. o3, o1 mimarisinin üzerine inşa edilmiştir; temel fark muhakeme derinliği, pekiştirmeli öğrenmeyle ölçeklenen eğitim ve araç kullanımıdır. o3, ChatGPT içinde web araması, Python çalıştırma, dosya analizi ve görsel üzerinde akıl yürütme (görüntüyü kırpıp yakınlaştırarak düşünme) gibi araçları muhakeme zincirinin içinde otonom kullanan ilk OpenAI modelidir. API tarafında `reasoning_effort` parametresi (low/medium/high) düşünme bütçesini ayarlar: yüksek bütçe daha isabetli ama daha yavaş ve pahalı yanıt üretir. Maliyet tarafında dramatik bir seyir yaşanmıştır: Haziran 2025'te OpenAI, o3'ün API fiyatını %80 indirerek milyon giriş tokeni başına 2 dolar, çıkış tokeni başına 8 dolara çekmiştir. Aynı ay daha da derin düşünen o3-pro yayımlanmış; Ocak 2025'te çıkan o3-mini ve Nisan 2025'teki o4-mini ise maliyet duyarlı senaryoları kapatmıştır. Ağustos 2025'te GPT-5'in gelmesiyle o3 serisi ChatGPT arayüzünden kademeli olarak çekilmiş, muhakeme yetenekleri GPT-5'in 'thinking' modlarına entegre edilmiştir. Buna rağmen o3, 2026'da hâlâ API üzerinden erişilebilen ve inference scaling dönemini başlatan model olarak referans noktası kabul edilir. DeepSeek-R1, Qwen QwQ ve Kimi gibi açık ağırlıklı muhakeme modellerinin yükselişi de bu paradigmanın ekosisteme ne kadar hızlı yayıldığını gösterir. Kısacası o3'ü anlamak, günümüz frontier modellerinin neden 'düşünme bütçesi' kavramıyla tasarlandığını anlamanın en kestirme yoludur.
Optical Flow (Optik Akış)
Optical flow (optik akış), art arda gelen video karelerindeki piksel parlaklık örüntüsünün görünür hareketini hesaplayan temel bir bilgisayarlı görü tekniğidir. Her piksel ya da seçili özellik noktası için, bir kareden diğerine geçişte oluşan (u, v) hareket vektörü belirlenir; bu vektörlerin tümü bir "flow map" (akış haritası) oluşturur ve sahnenin dinamik yapısını sayısal olarak temsil eder. Teknik, parlaklık sabitliği (brightness constancy) hipotezine dayanır: I(x, y, t) = I(x+u, y+v, t+1). Yani kısa zaman aralıklarında bir pikselin görüntü üzerindeki parlaklığının değişmediği kabul edilir. Bu tek denklem iki bilinmeyen (u, v) içerdiğinden doğrudan çözülemez; "aperture problemi" olarak bilinen bu belirsizlik, ek uzamsal kısıtlamalar eklenerek giderilir. Klasik algoritmalar iki ana yaklaşımda gruplanır. Lucas-Kanade (1981), küçük bir piksel penceresindeki tüm noktaların aynı harekete sahip olduğunu varsayarak seçili köşe noktalarında seyrek (sparse) akış üretir; hız ve sağlamlığıyla günümüz nesne takip uygulamalarında hâlâ kullanılır. Horn-Schunck (1981) ise pürüzlülük (smoothness) kısıtlaması uygulayarak tüm piksel uzayında yoğun (dense) bir akış alanı bulur; gürültüye daha duyarlıdır ancak teorik temeli güçlüdür. 2010'ların ortasında derin öğrenme bu alanı dönüştürdü. FlowNet (2015) ve FlowNet2 (2017), sentetik verilerle eğitilmiş CNN mimarileriyle klasik yöntemlerin çok ötesinde doğruluk sundu. RAFT (Recurrent All-Pairs Field Transforms, 2020) ise GRU tabanlı yinelemeli mimarisiyle Sintel ve KITTI benchmark'larında rekor kırarak günümüz akademik standardı hâline geldi. Optical flow; otonom araç navigasyonu, video stabilizasyonu, eylem tanıma, gözetim sistemleri ve tıbbi görüntüleme (ekokardiyografi kalp hareketi analizi) gibi geniş bir yelpazeye uygulanır. Stable Video Diffusion ve benzeri jeneratif video modelleri de zamansal tutarlılık için optik akış rehberliğinden yararlanmaktadır. OpenCV, `calcOpticalFlowFarneback` ve `calcOpticalFlowPyrLK` fonksiyonlarıyla hem yoğun hem seyrek akış hesaplamayı pratikte erişilebilir kılar.
Outlier Detection (Aykırı Değer Tespiti)
Aykırı değer tespiti (outlier detection ya da anomaly detection), bir veri seti içinde normal davranıştan anormal biçimde sapan gözlemleri otomatik olarak tanımlayan makine öğrenmesi ve istatistik tekniklerinin bütünüdür. Aykırı değerler üç kaynaktan doğabilir: veri toplama ya da ölçüm hataları; nadir ama gerçek olaylar (dolandırıcılık işlemi, hastalık belirtisi); veya ilginç uç noktalar (pazar fırsatı, keşif). Kaynağı doğru saptamak uygulanacak yöntemi belirler. İstatistiksel yöntemler en basit ve yorumlanabilir yaklaşımlardır. IQR (Interquartile Range) yöntemi, birinci ve üçüncü çeyrekler arasındaki aralığın 1.5 katının dışında kalan değerleri aykırı sayar; tek değişkenli ve normal dağılıma yakın verilerde çalışır. Z-skoru, bir gözlemin ortalamastan standart sapma cinsinden uzaklığını ölçer; |z| > 3 eşiği sıkça kullanılır. Bu yöntemler çok boyutlu veri ve doğrusal olmayan dağılımlarda yetersiz kalır. Yoğunluk tabanlı yöntemler yerel komşuluk ilişkilerini kullanır. LOF (Local Outlier Factor, 2000), bir noktanın yerel yoğunluğunu komşularının yoğunluğuyla karşılaştırır; çevresine kıyasla boşlukta kalan noktalar yüksek LOF skoru alır. DBSCAN (Density-Based Spatial Clustering), minimum komşu sayısını karşılayamayan noktaları "gürültü" yani aykırı değer olarak etiketler; küme şeklini önceden belirtme zorunluluğu yoktur. Makine öğrenmesi tabanlı yöntemler yüksek boyutlu veride öne çıkar. Isolation Forest (Liu ve ark., 2008), rastgele özellik ve bölüm noktaları seçerek veriyi yinelemeli böler; az örnekli aykırı değerler ortalamadan çok daha kısa yolda izole edildiğinden ağaç derinliği kısa olur. Bu basit sezgi ölçeklenebilir ve paralel hesaplamaya uygundur. One-Class SVM, yalnızca normal sınıfın verisinden sıkı bir karar sınırı öğrenir; bu sınırın dışına düşen noktaları anormal kabul eder. Autoencoder tabanlı yöntemler ise giriş verisini düşük boyutlu gizli uzayda yeniden oluşturur; yeniden yapılandırma hatası (reconstruction error) yüksek olan örnekler modelin öğrendiği "normal" desenden uzaklaşmıştır. Uygulama alanları son derece geniştir: bankacılıkta kredi kartı dolandırıcılığı tespiti, endüstriyel IoT'da makine arıza öngörüsü (predictive maintenance), ağ güvenliğinde siber saldırı tespiti, sağlıkta nadir hastalık tanısı ve perakendede envanter sahtekarlığı bu alanların öne çıkanlarıdır. Denetlenmemiş (unsupervised) senaryolarda etiketli veri gerektirmeyen Isolation Forest ve LOF tercih edilirken, az sayıda bilinen anormallik örneği varsa yarı-denetimli (semi-supervised) yaklaşımlar değer katar.
One-Hot Encoding (Tek-Sıcak Kodlama)
One-hot encoding (tek-sıcak kodlama), kategorik verileri makine öğrenmesi modellerinin işleyebileceği sayısal biçime çeviren temel bir veri ön işleme tekniğidir. Makine öğrenmesi algoritmaları matematiksel işlemler yaptığından, 'kırmızı', 'mavi' veya 'İstanbul' gibi metin tabanlı kategorik değerleri doğrudan kullanamaz. One-hot encoding bu sorunu çözmek için her kategoriye özgü bir ikili (binary) vektör oluşturur. Yöntemin çalışma mantığı şöyledir: N farklı kategoriden oluşan bir değişken için N boyutlu bir vektör uzayı tanımlanır. Her kategori, yalnızca kendi konumundaki bitin '1', diğer tüm bitlerin '0' olduğu benzersiz bir vektörle temsil edilir. Örneğin üç renkten oluşan bir 'renk' değişkeni için: kırmızı → [1, 0, 0], mavi → [0, 1, 0], yeşil → [0, 0, 1]. Bu kodlama biçimi, modelin kategoriler arasında yanlış bir sıralama veya büyüklük ilişkisi kurmasını engeller. Label encoding gibi alternatif yöntemler kategorilere 0, 1, 2... gibi tam sayılar atar; ancak bu yaklaşım modelin 'mavi > kırmızı' gibi anlamsız sıralama çıkarımları yapmasına yol açabilir. One-hot encoding, kategoriler arasında herhangi bir sıralama olmadığını garantiler; çünkü her vektör Öklid uzayında diğerlerine eşit uzaklıktadır. Temel dezavantajı, yüksek kardinaliteli (çok sayıda benzersiz değer içeren) değişkenlerde boyut patlamasına (curse of dimensionality / boyut laneti) yol açmasıdır. Binlerce şehir veya ürün kategorisi içeren bir değişken, binlerce yeni sütun oluşturur. Bu durum hem bellek tüketimini hem de eğitim süresini önemli ölçüde artırır. Bu tür senaryolarda hedef kodlama (target encoding), frekans kodlama veya öğrenilebilir gömme (embedding) katmanları daha uygun alternatifler sunar. One-hot encoding; lojistik regresyon, destek vektör makineleri ve yapay sinir ağları gibi modellerde kategorik özellikleri işlemek için yaygın biçimde kullanılır. scikit-learn'ün OneHotEncoder sınıfı ve pandas'ın get_dummies() fonksiyonu bu dönüşümü birkaç satır kodla gerçekleştirmeyi mümkün kılar. Düşük kardinaliteli, nominal (sırasız) kategorik değişkenlerde tercih edilen bu yöntem, veri ön işleme pipeline'larının vazgeçilmez bir parçasıdır.
Overfitting (Aşırı Öğrenme / Ezberleme)
Overfitting (aşırı öğrenme ya da ezberleme), bir makine öğrenimi modelinin eğitim verilerine çok fazla odaklanarak o verilerdeki istisnaları, gürültüleri ve hataları ezberlemesi; bu yüzden daha önce hiç görmediği yeni verilerle karşılaştığında genelleme yapamayıp başarısız olması durumudur. Bir öğrencinin sınav sorularının mantığını kavramak yerine cevap şıklarını ezberleyip farklı sorularda sıfır almasına benzer: model, eğitim setinde neredeyse kusursuz sonuçlar verirken gerçek dünya verisinde ciddi biçimde yanılır. Sorunun özü, modelin verideki gerçek örüntü ile rastlantısal gürültüyü ayırt edememesidir. Model gereğinden karmaşıksa (çok fazla parametre içeriyorsa), eğitim verisi azsa veya eğitim gereğinden uzun sürmüşse, model sinyal yerine gürültüyü öğrenmeye başlar. Bu durum istatistikteki bias-variance dengesinin varyans tarafına savrulmak demektir: eğitim hatası düşer, doğrulama hatası yükselir ve iki eğri arasındaki makas açılır. Eğitim kaybı ile doğrulama kaybı arasındaki bu makasın erken fark edilmesi, üretim ortamına gönderilmeden önce modeli düzeltmek için kritik önem taşır. Overfitting'in pratikte önemi büyüktür, çünkü bir modelin gerçek değeri eğitim setindeki skoru değil, görülmemiş veri üzerindeki performansıdır. Kredi riski tahmininden tıbbi teşhise, spam filtresinden öneri sistemlerine kadar her uygulamada ezberlemiş bir model, laboratuvarda parlak görünüp sahada güvenilmez sonuçlar üretir. Bu yüzden makine öğrenimi pratiğinin önemli bir bölümü overfitting'i tespit etmeye ve önlemeye ayrılır. Önleme yöntemleri arasında L1/L2 regularizasyon, dropout, erken durdurma (early stopping), veri artırma (data augmentation) ve daha fazla çeşitli veri toplamak öne çıkar. Tersine durum olan underfitting (eksik öğrenme), modelin veriyi kavrayamayacak kadar basit kalmasıdır; başarılı bir model bu iki uç arasındaki dengeyi tutturur. K-fold cross-validation, overfitting riskini ölçmenin en güvenilir yollarından biridir: katlardaki performans varyansı yüksekse model ezberleme eğilimindedir ve mimari veya regularizasyon ayarları gözden geçirilmelidir.
Observability (AI) (AI Gözlemlenebilirliği)
AI Observability (Yapay Zeka Gözlemlenebilirliği), üretim ortamında çalışan makine öğrenmesi modelleri ve büyük dil modellerinin (LLM) içsel durumunu dışsal çıktılarından anlama pratiğidir. Geleneksel yazılım gözlemlenebilirliğinin üç sütununu — loglar, metrikler ve izler (traces) — yapay zeka sistemlerine uygular; buna ek olarak prompt kalitesi, yanıt doğruluğu, token maliyeti ve halüsinasyon oranı gibi AI'ya özgü metrikleri de kapsar. Üretim ML modellerinde iki kritik sorun gözlemlenebilirliği zorunlu kılar. Veri drifti, gelen verinin dağılımının eğitim verisinden zamanla uzaklaşması durumudur; bu değişimi tespit etmek için özellik dağılımı istatistikleri (PSI, KS testi) sürekli izlenir. Model drifti ise modelin tahmin doğruluğunun veya davranışının zamanla bozulmasıdır; gelir kaybı veya operasyonel sorunlara dönüşmeden önce tespit edilmesi kritiktir. LLM Observability, geleneksel MLOps gözlemlenebilirliğini aşan yeni bir alt alan oluşturmuştur. Prompt mühendisliği hatalarını yakalamak, ajan iş akışlarındaki zincir adımlarını izlemek (tracing), yanıt kalitesini değerlendirmek (LLM-as-a-judge) ve maliyet optimizasyonu için token kullanımını takip etmek bu alanın temel görevleridir. Arize AI, LangSmith, Langfuse, Weights & Biases ve MLflow Tracking bu alan için kullanılan öncü araçlardır. Türkiye'de bankacılık ve e-ticaret sektörlerinde üretim ML sistemleri kullanan şirketler, model davranışı izlemesini Sanayi 4.0 ve veri kalitesi süreçlerine entegre etmektedir. KVKK kapsamında hassas veri işleyen LLM sistemlerin gözlemlenmesi, hem veri gizliliği uyumu hem de hizmet kalitesi açısından kritik önem taşımaktadır. Maliyet yönetimi, LLM Observability'nin önemli bir boyutunu oluşturur. Her API çağrısının token maliyeti, yanıt süresi (latency) ve başarı oranı takip edilerek model seçimi ve prompt optimizasyonu kararları veri odaklı biçimde alınabilmektedir. Otomatik uyarı (alerting) sistemleri, performans metrikleri önceden belirlenen eşikleri geçtiğinde mühendis ekiplerini anında haberdar ederek olası operasyonel kayıpları en aza indirir.
ONNX Runtime (ONNX Runtime)
ONNX Runtime, Microsoft tarafından geliştirilen açık kaynaklı çapraz platform yüksek performanslı makine öğrenmesi çıkarım motorudur. ONNX (Open Neural Network Exchange) formatındaki modelleri CPU, GPU, NPU ve özel hızlandırıcılar dahil çeşitli donanımlar üzerinde optimize biçimde çalıştırır. MIT lisansıyla dağıtılan bu motor, modern yapay zeka üretim altyapısının temel bileşenlerinden biri haline gelmiş olup Microsoft Azure, Hugging Face ve diğer büyük AI platformlarının çıkarım katmanında kullanılmaktadır. ONNX Runtime'ın temel değeri eğitim çerçevesi bağımsızlığıdır. PyTorch, TensorFlow, Keras veya Scikit-learn ile eğitilen modeller ONNX formatına dışa aktarıldıktan sonra ONNX Runtime üzerinde çalıştırılabilir; bu sayede eğitim ve dağıtım çerçeveleri birbirinden ayrışır. Dağıtım ortamı PyTorch veya TensorFlow yüklemek yerine çok daha hafif olan ONNX Runtime kütüphanesini kullanır; bu durum konteyner imaj boyutlarını ve başlangıç gecikmelerini önemli ölçüde azaltır. Performans optimizasyonu için ONNX Runtime çeşitli yürütme sağlayıcıları (execution providers) destekler: CUDA (NVIDIA GPU), TensorRT (NVIDIA ileri hızlandırması), DirectML (Windows GPU), ROCm (AMD GPU), OpenVINO (Intel donanımları) ve CoreML (Apple Silicon). Hangi sağlayıcının kullanılacağı çalışma zamanında otomatik seçilebilir ya da elle belirtilebilir; desteklenmeyen işlemler CPU'ya otomatik devredilir. ONNX Runtime Web bileşeni, JavaScript/TypeScript ortamında modeli WebAssembly veya WebGPU arka ucuyla tarayıcıda çalıştırır. Transformers.js gibi istemci tarafı yapay zeka kütüphanelerinin altyapısını oluşturur; BERT tabanlı metin gömme veya Whisper tabanlı konuşma tanıma tarayıcıda saniyeler içinde ve kullanıcı verisi sunucuya gitmeden gerçekleştirilir. Model optimizasyon araçları grafik birleştirme (graph fusion), sabit katlama (constant folding) ve kuantizasyon (INT8, FP16) teknikleriyle çıkarım hızını artırırken bellek kullanımını azaltır. Bu özellikler uç cihaz ve mobil dağıtım senaryolarında kritik önem taşır; ONNX Runtime Mobile, Android ve iOS için optimize edilmiş hafif bir yapı ile sınırlı donanım koşullarında bile güvenilir çıkarım sağlar.
Origin Trial (Browser)
Origin Trial, web tarayicilarinin deneysel veya yeni web API'lerini sinirli sayida kullaniciya gercek web sitelerinde test etmesine olanak tanıyan bir mekanizmadir. Bu sistem, Chrome (Google), Edge (Microsoft) ve bircok Chromium tabanli tarayicida uygulanmaktadir; W3C standartlastirma sureci ile uretim dagitimi arasindaki kopruyu olusturur. Bir origin trial surecinde gelistirici, belirli bir site domaini ve belirli bir deneysel ozellik icin kayit olur. Google Chrome Labs uzerinden yapilan basit bir kayit sonrasinda ozele tanimli bir jeton (token) alinir. Bu jeton, web sayfasina meta name='origin-trial' etiketi veya Origin-Trial HTTP basligiyla eklenir. Token gecerliligi var iken o sitede o ozellik aktif hale gelir. Origin Trial mekanizmasinin temel amaci; bir ozelligi tumunluyle stable kanalda sunmadan once gercek kullanim verisi toplamak, gelistiricilerden geri bildirim almak ve API tasarimini iyilestirmektir. Bir API, origin trial sureci tamamlandiktan sonra ya stabilize edilip kalici hale gelir ya da yeterince benimsenmezse veya sorunlu kabul edilirse kaldirilir. Yapay zeka ve modern web yetenekleri ile ilgili origin trial'lar giderek onem kazanmaktadir. Chrome'da Prompt API (tarayicida yerel LLM erisimi), Summarizer API, Writer ve Rewriter API gibi yapay zeka ozellikleri Chrome Built-in AI girisiminin parcasidir. Bu API'ler, origin trial araciligiyla deneysel sekilde web gelistiricilere acilmaktadir. Origin trial'lar farkli alanlarda yaygin benimseme gormektedir. WebGPU ve WebAssembly SIMD gibi performans API'leri, Web USB ve Web Bluetooth gibi donanim arayuzleri ve Privacy Sandbox girisimleri kapsamindaki Attribution Reporting API bu mekanizma ile test edilmistir. Bir ozellik yeterli gelistirici benimsemesi ve olumlu geri bildirim alirsa tarayici motoru ekibi onu varsayilan acik hale getirerek stable release'e dahil eder; bu surecin on izleyicisi role origin trial sistemidir.
ONNX (Açık Sinir Ağı Değişim Formatı)
ONNX (Open Neural Network Exchange — Açık Sinir Ağı Değişim Formatı), PyTorch, TensorFlow ve JAX gibi farklı derin öğrenme çerçeveleri arasında model taşınabilirliğini sağlayan açık bir endüstri standardıdır. 2017'de Microsoft ve Meta (Facebook) tarafından ortaklaşa geliştirilen format, "bir kez eğit, her yerde çalıştır" felsefesiyle AI model dağıtımının karmaşıklığını ortadan kaldırmayı hedefler. Teknik olarak ONNX, hesaplama grafiğini (computational graph) Protocol Buffers formatında saklar. Model ağırlıkları, katman mimarisi ve tüm operasyonlar platform bağımsız bir .onnx uzantılı dosyada kodlanır. Bu dosya; CPU, GPU, NPU, FPGA veya WebAssembly gibi birbirinden farklı donanım hedeflerinde ONNX Runtime tarafından çalıştırılabilir hale gelir. Opset (operator set) versiyonlama mekanizması, geriye dönük uyumluluğu koruyarak ekosistemi istikrarlı kılar. ONNX Runtime, Microsoft tarafından geliştirilen açık kaynaklı yüksek performanslı çıkarım motorudur. CUDA (NVIDIA GPU), DirectML (Windows AI platformu), CoreML (Apple Silicon), TensorRT ve OpenVINO gibi Execution Provider'lar aracılığıyla aynı model farklı donanım mimarilerinde otomatik optimize edilir. Karşılaştırmalı testler, PyTorch eager mode'a kıyasla ortalama 1,5–3× hızlanma, transformer modellerinde operatör birleştirme (operator fusion) ile daha yüksek kazanım bildirmektedir. Ekosistem açısından PyTorch'tan torch.onnx.export(), TensorFlow'dan tf2onnx veya keras2onnx ile dönüşüm yapılır. Netron aracı model grafiğini görselleştirir; onnxsim gereksiz düğümleri temizler; INT8 ve FP16 nicemleme model boyutunu dörtte bire kadar indirir. Transformers.js ve ONNX Runtime Web, ONNX modellerini doğrudan tarayıcıda WebAssembly ve WebGL aracılığıyla çalıştırır. Phi-3, LLaMA ve Mistral gibi büyük dil modellerinin ONNX sürümleri Hugging Face'te yayınlanmakta; Windows Copilot+ PC'lerde NPU üzerinde, iOS ve Android'de ise internet bağlantısı gerekmeden yerel çıkarım için kullanılmaktadır. AWS SageMaker, Azure ML ve Google Vertex AI gibi büyük bulut platformları ONNX formatını doğrudan desteklemekte, model kayıt defterlerine sorunsuz entegrasyon imkânı sunmaktadır.
Otoregresif Kod Çözme (Otoregresif Kod Çözme)
Otoregresif Kod Çözme (Autoregressive Decoding), bir dil modelinin metin üretirken her yeni tokeni yalnızca önceki tokenlerden türeterek sırayla ürettiği standart çıkarım yöntemidir. Modelin çıktı dizisi soldan sağa doğru inşa edilir; her adımda tüm önceki bağlam koşullu olasılık dağılımını belirler ve buradan bir sonraki token örneklenir ya da seçilir. Matematikte otoregresif süreç, bir serinin her terimini kendinden önceki terimlere bağlı bir fonksiyon olarak ifade eder. Dil modellerinde bu P(x_t | x_1, ..., x_{t-1}) biçiminde yazılır: t. tokenin olasılığı, 1'den t-1'e kadar tüm önceki tokenlere koşulludur. GPT ailesi başta olmak üzere tüm kausal dil modelleri bu paradigmayı kullanır. Kod çözme stratejisi, üretilen metnin kalitesini ve çeşitliliğini doğrudan etkiler. Açgözlü kod çözme (greedy decoding), her adımda en yüksek olasılıklı tokeni seçer; hızlıdır ancak tekrarlayan çıktılar üretebilir. Işın araması (beam search), K olası diziyi paralel takip ederek toplam puan açısından en iyi tam diziyi arar; çeviri gibi görevlerde kaliteyi artırır. Sıcaklık örneklemesi (temperature sampling), olasılık dağılımını keskinleştirerek veya yumuşatarak çıktı çeşitliliğini ayarlar. Top-p (nucleus) ve top-k örnekleme ise düşük olasılıklı tokenleri keserek anlamsız çıktı riskini azaltır. Otoregresif kod çözmenin temel performans sorunu, her tokenin sırayla üretilmesidir; bu durum gecikmeyi (latency) artırır ve GPU paralelizmini kısıtlar. KV önbelleği (KV cache), önceki adımlarda hesaplanan anahtar-değer matrislerini saklayarak yeniden hesaplanmalarını önler ve çıkarımı önemli ölçüde hızlandırır. Spekülatif kod çözme (speculative decoding) ise küçük bir taslak model kullanarak büyük modelin doğrulamasını paralel yürütür; böylece birden fazla token tek geçişte onaylanabilir. Flash Attention ve sürekli toplu işleme (continuous batching) gibi teknikler de üretim sistemlerindeki verimliliği artıran önemli optimizasyonlar arasında yer alır. Bu yöntemler, yüksek trafikli LLM hizmeti senaryolarında gecikmeyi düşürmek ve GPU kullanımını artırmak amacıyla birlikte uygulanmaktadır.
OpenAI (Yapay Zeka Şirketi)
OpenAI, GPT serisi büyük dil modelleri ile ChatGPT'yi geliştiren, Aralık 2015'te San Francisco'da kurulan yapay zeka araştırma ve teknoloji şirketidir. Sam Altman, Elon Musk, Greg Brockman, Ilya Sutskever, Wojciech Zaremba ve John Schulman'ın aralarında bulunduğu kurucu ekip, şirketi "insanlığın tamamına fayda sağlayacak yapay genel zekayı (AGI) güvenli biçimde geliştirmek" misyonuyla kâr amacı gütmeyen bir araştırma kuruluşu olarak başlattı. 2019'da "sınırlı kârlı" (capped-profit) yapıya geçen OpenAI, Ekim 2025'te tamamlanan yeniden yapılanmayla kâr amacı gütmeyen OpenAI Foundation'ın kontrolündeki bir kamu yararı şirketine (Public Benefit Corporation) dönüştü; Microsoft bu yapıda yaklaşık %27 hisse aldı. Şirketin en bilinen ürünü, 30 Kasım 2022'de yayımlanan ChatGPT'dir. Yalnızca iki ayda 100 milyon kullanıcıya ulaşarak tarihin en hızlı büyüyen tüketici uygulaması unvanını alan ChatGPT, 2025 sonunda 800 milyon haftalık aktif kullanıcıyı aştı. Modellerin omurgasını oluşturan GPT (Generative Pre-trained Transformer) serisi her nesilde belirgin sıçrama yaptı: GPT-1 (2018), GPT-2 (2019), 175 milyar parametreli GPT-3 (2020), çok modlu GPT-4 (Mart 2023), gerçek zamanlı ses ve görüntü işleyen GPT-4o (2024) ve akıl yürütme yeteneklerini tek çatıda birleştiren GPT-5 (Ağustos 2025). Kasım 2025'te yayımlanan GPT-5.1 ise hız-derinlik dengesini otomatik ayarlayan güncel amiral gemisi oldu. OpenAI'nin ürün yelpazesi metinle sınırlı değildir. DALL·E ve GPT-4o görsel üretimi, Sora ile Ekim 2025'te sosyal uygulamaya dönüşen Sora 2 metin-video üretimini, açık kaynak Whisper konuşma tanımayı, Codex ise ajan tabanlı kod yazımını kapsar. 2024'te o1 ile açılan "akıl yürütme modelleri" (reasoning models) kategorisi, 2025'te o3 ve o4-mini ile derinleşti; bu modeller yanıt vermeden önce düşünme zinciri (chain-of-thought) üreterek matematik, bilim ve kodlama görevlerinde uzman düzeyine yaklaştı. Finansal tarafta Microsoft'un 2019'dan itibaren kademeli olarak yaptığı ve 2023'te 10 milyar dolara ulaşan yatırım, modellerin Azure ve GitHub Copilot'a taşınmasının önünü açtı. Ocak 2025'te duyurulan Stargate projesi, SoftBank ve Oracle ortaklığıyla ABD'de 500 milyar dolarlık yapay zeka veri merkezi altyapısını hedefliyor. Ekim 2025'teki hisse satışında şirket 500 milyar dolar değerlemeye ulaşarak dünyanın en değerli özel şirketi konumuna geldi. Araştırma tarafında OpenAI, alanın yöntemsel altyapısını da şekillendirdi. İnsan geri bildirimiyle pekiştirmeli öğrenme (RLHF), ChatGPT'nin hizalanmasında kullanılan ve sektörde standartlaşan tekniktir; ölçekleme yasaları (scaling laws) üzerine 2020 tarihli çalışması, "daha büyük model + daha çok veri + daha çok hesaplama" stratejisinin bilimsel gerekçesini ortaya koydu. Pekiştirmeli öğrenme platformu OpenAI Gym (2016) ve Dota 2 şampiyonlarını yenen OpenAI Five (2019) gibi erken projeler, şirketin dil modelleri öncesi dönemde de araştırma topluluğuna yön verdiğini gösterir. 2025'te yayımlanan gpt-oss açık ağırlıklı modeller ise "kapalı kutu" eleştirilerine verilmiş somut bir yanıttır. OpenAI aynı zamanda tartışmaların da merkezindedir: Sam Altman'ın Kasım 2023'te görevden alınıp beş gün içinde geri dönmesi, superalignment ekibinin 2024'te dağılması, The New York Times'ın telif davası ve Elon Musk'ın şirketi misyonundan sapmakla suçlayan hukuki süreci bunların başında gelir. Tüm bu gerilimlere rağmen OpenAI, 2026 itibarıyla üretken yapay zeka pazarının en görünür oyuncusu olmayı sürdürüyor; Google DeepMind, Anthropic ve xAI ile rekabet, model yeteneklerinin gelişim hızını belirleyen ana dinamik durumunda.
Observability (Gözlemlenebilirlik)
Observability (gözlemlenebilirlik), bir sistemin iç durumunu yalnızca dış çıktılarına bakarak anlama ve keşfetme kapasitesini ifade eder. Rudolf Kalman'ın 1960'lardaki kontrol teorisi çalışmalarından yazılım mühendisliğine uyarlanan bu kavram, günümüzde makine öğrenmesi ve büyük dil modeli altyapılarının vazgeçilmez bir bileşenidir. Geleneksel yazılım observability'si üç temel sütun üzerine kurulur: loglar (zaman damgalı olaylar), metrikler (sayısal ölçümler) ve izler (dağıtık sistemlerde istek yolları). Monitoring ile sıkça karıştırılmakla birlikte, aralarında kritik bir fark bulunur. Monitoring önceden tanımlanmış eşikleri ve bilinen soruları izler; observability ise henüz sormadığımız soruları sormamıza imkân tanır. Başka bir deyişle, bilinmeyen sorunları keşfetme kapasitesi kazandırır. Yapay zeka ve LLM sistemlerinde observability geleneksel üç sütunun çok ötesine geçer. Model çıktısı kalitesi, veri kayması, tahmin dağılımı değişiklikleri ve LLM'e özgü parametreler bu kapsama dahildir. LLMOps bağlamında kritik observability bileşenleri şunlardır: her istekteki token kullanımı ve gecikme metrikleri, prompt sürüm yönetimi, halüsinasyon oranı takibi, kullanıcı geri bildirim korelasyonu ve uçtan uca iz kaydı. Bu veriler olmadan LLM tabanlı ürünleri güvenilir biçimde operasyonel tutmak mümkün değildir. Öncü araçlar arasında Langfuse (açık kaynak LLM izleme), Arize Phoenix (ML gözlemlenebilirlik platformu), Weights & Biases Weave (LLM tracing), MLflow (deney yönetimi) ve OpenTelemetry (platform bağımsız telemetri standardı) yer almaktadır. Bu araçlar modelin kara kutu olmaktan çıkıp denetlenebilir bir sisteme dönüşmesini mümkün kılar. Kurumsal ortamlarda LLM observability, GDPR ve AB Yapay Zeka Yasası kapsamındaki denetim yükümlülükleri için de kritik öneme sahiptir. Hangi prompta ne yanıtın üretildiğini izleyebilmek, hukuki hesap verebilirlik ve güvenlik açısından giderek zorunlu hale gelmektedir. Güçlü bir observability altyapısı, model gerileme tespitini, A/B deneyi karşılaştırmasını ve kullanıcı deneyimi iyileştirme döngüsünü hızlandırır.