A B C D E F G H I J K L M N O P Q R S T U V W X Y Z menu_book Tüm terimler tek sayfada

P Harfi ile Başlayan Terimler

code_blocks

Prefix-Tuning (Önek Ayarlama (Prefix-Tuning))

Prefix-Tuning (Önek Ayarlama), büyük dil modellerini yeni bir göreve uyarlarken modelin tüm ağırlıklarını dondurup yalnızca her transformer katmanının dikkat mekanizmasına eklenen kısa, öğrenilebilir vektör dizilerini (prefix) eğiten parametre verimli ince ayar (PEFT) yöntemidir. Yöntem, 2021 yılında Stanford Üniversitesi'nden Xiang Lisa Li ve Percy Liang tarafından "Prefix-Tuning: Optimizing Continuous Prompts for Generation" başlıklı makaleyle önerildi. Temel fikir, elle yazılan istemlerin (prompt) yerine gradyan inişiyle optimize edilen sürekli vektörler kullanmaktır; bu vektörler sözlükte karşılığı olmayan "sanal token"lar gibi davranır ve modelin dikkatini görev için doğru bağlama yönlendirir. Teknik olarak prefix, her katmandaki anahtar (key) ve değer (value) matrislerinin önüne eklenen sabit uzunlukta bir gizli durum dizisidir. Eğitim sırasında yalnızca bu diziler gradyan güncellemesi alır; GPT-2 veya BART gibi temel modelin milyonlarca ya da milyarlarca parametresi olduğu gibi kalır. Li ve Liang'ın deneylerinde toplam parametrelerin yaklaşık yüzde 0,1'i eğitilerek tablodan metne üretim ve özetleme görevlerinde tam ince ayara yakın sonuçlar elde edildi; az veri bulunan senaryolarda ve eğitimde görülmemiş konulara genelleme yaparken prefix-tuning tam ince ayarı geride bıraktı. Bu yaklaşımın en somut faydası çok görevli dağıtımda görülür. Tek bir temel model bellekte tutulur, her görev için yalnızca birkaç megabaytlık prefix dosyası saklanır ve istek geldiğinde ilgili prefix yüklenir. Böylece bir kurum aynı modeli özetleme, soru üretimi ve rapor yazımı gibi farklı işler için tam kopya oluşturmadan kullanabilir. Prefix-Tuning, yalnızca giriş katmanına vektör ekleyen Prompt Tuning'den daha derin bir müdahale sunar; ağırlık matrislerine düşük rankli güncelleme ekleyen LoRA'dan ise mekanizma olarak ayrılır. Günümüzde Hugging Face PEFT kütüphanesi bu yöntemi doğrudan destekler ve P-Tuning v2 gibi türevleri aynı fikri sınıflandırma görevlerine de taşımıştır.

arrow_forward insights

Predictive Analytics (Öngörüsel Analitik)

Tahmine dayalı analitik (predictive analytics), istatistiksel modeller, makine öğrenmesi algoritmaları ve büyük veri işleme teknolojilerini bir araya getirerek gelecekteki olayları, davranışları ve eğilimleri tahmin etmeyi amaçlayan bir veri bilimi disiplinidir. Geçmiş verilerdeki örüntülerden öğrenen bu yaklaşım; lojistik regresyon, karar ağaçları, rastgele ormanlar, gradient boosting ve derin sinir ağları gibi geniş bir algoritma yelpazesini kapsar. İşletmeler, sağlık kurumları, finans sektörü ve kamu kuruluşları bu teknolojiyi stratejik kararlar, risk yönetimi ve kaynak optimizasyonu için aktif biçimde kullanmaktadır. Tahmine dayalı modellerin başarısı büyük ölçüde veri kalitesine ve özellik mühendisliğine bağlıdır. Ham verinin temizlenmesi, eksik değerlerin doldurulması ve anlamlı özellikler türetilmesi süreçleri modelin doğruluğunu doğrudan etkiler. Zaman serisi verileri için tasarlanmış ARIMA, Prophet ve LSTM modelleri tahmine dayalı analitiğin önemli bileşenleri arasında yer alır. Özellik seçimi aşamasında korelasyon analizleri, permütasyon önemi ve SHAP değerleri gibi yorumlanabilirlik araçları kullanılarak modelin hangi değişkenlere dayandığı anlaşılır kılınır. Eğitim, doğrulama ve test kümelerine kronolojik bölünme, zaman bağımlı verilerde model güvenilirliğinin temel güvencesidir. Model geliştirme tamamlandıktan sonra üretim ortamına alınan modellerin sürekli izlenmesi gerekir. Veri dağılımındaki kaymalar ve model bozunması erken tespit edilmezse tahmin kalitesi hızla düşebilir. MLOps pratikleri bu operasyonel süreci standartlaştırarak modellerin uzun vadeli güvenilirliğini korur. A/B testi ve şampiyonluk-şampiyoncu karşılaştırmaları yeni modellerin gerçek dünya performansını ölçmede başvurulan yöntemlerdir. Açıklanabilir yapay zeka yaklaşımları iş paydaşlarının model çıktılarına güvenmesini kolaylaştırır; düzenleyici uyumluluk gereksinimlerini karşılamada da kritik işlev görür. Veri gizliliği, adil modelleme ve algoritmik önyargının giderilmesi modern projeler için vazgeçilmez boyutlardır. Regresyon tabanlı yöntemlerin yanı sıra zaman serisi modelleri ve doğal dil işleme teknikleri de tahmine dayalı analitik araç kutusunun ayrılmaz parçasını oluşturmaktadır.

arrow_forward search

Perplexity (Şaşkınlık (Perplexity))

Perplexity (şaşkınlık), bir dil modelinin belirli bir test metnini ne kadar iyi tahmin edebildiğini ölçen temel bir değerlendirme metriğidir. Model metindeki her token için bir olasılık dağılımı üretir; doğru token'a yüksek olasılık atadığında perplexity düşer, belirsiz veya yanlış tahminler yaptığında yükselir. Düşük perplexity, modelin metni daha az şaşırarak tahmin ettiği anlamına gelir. Matematiksel olarak perplexity, çapraz entropinin (cross-entropy loss) üsselidir. N token içeren bir test metninde hesaplama şöyle yapılır: Her token için bir önceki bağlama dayanılarak olasılık üretilir, bu olasılıkların negatif logaritmalarının ortalaması çapraz entropiyi verir, çapraz entropinin üsseliği ise perplexity değerini verir. Sezgisel yorum şöyledir: perplexity 50 ise model her kelimede ortalama 50 eşit olasılıklı seçenek arasında kalmış gibi davranmaktadır. Mükemmel tahmin 1 değerine, tamamen rastgele tahmin ise kelime dağarcığı boyutuna (on binlerce) yaklaşır. Perplexity özellikle üç alanda standart ölçüm aracı olarak kullanılır. Niceleme (quantization) kaybı değerlendirmesinde, 4-bit veya 8-bit sıkıştırma sonrası modelin orijinaline ne kadar yakın kaldığı WikiText-2 veya C4 gibi standart kümelerde ölçülür; llama.cpp ve AutoGPTQ gibi araçlar bu değeri otomatik raporlar. İnce ayar (fine-tuning) izlemesinde, doğrulama kümesindeki perplexity düşmeyi bırakıp yükselmeye başlarsa modelin ezberlemeye (overfitting) girdiğine işaret eder. Alan uyarlaması kontrolünde ise tıp veya hukuk gibi özel alanlardaki metinlerde ölçülen perplexity, modelin o alanı tanıma düzeyinin hızlı bir göstergesidir. Temel bir kısıt: perplexity tokenizer'a bağlıdır ve farklı kelime dağarcıklı modellerin mutlak değerleri karşılaştırılamaz. Aynı koşullarda ölçülmesi gereken bu metrik, metnin doğruluğunu, faydasını veya talimata uyumunu ölçmez; sohbet kalitesi için ayrıca MMLU ve HumanEval gibi yetenek benchmark'ları kullanılır. Günümüzde büyük dil modellerinin WikiText-2 kümesindeki perplexity değerleri tek haneli rakamlara inmiş olup bu, on yıl öncesine kıyasla devasa bir ilerlemeyi yansıtır.

arrow_forward model_training

Pre-training (Ön Eğitim) (Ön Eğitim)

Pre-training (Ön Eğitim), dil modelleri ve diğer derin öğrenme sistemlerinin belirli bir göreve yönlendirilmeden önce büyük ve çeşitli ham veri kümeleri üzerinde genel dil örüntülerini, bilgi yapılarını ve dünya modelini kazandığı ilk eğitim aşamasıdır. Modern yapay zekanın temel taşı olan bu süreç, foundation model paradigmasının merkezinde yer almaktadır. Pre-training'in çalışma mantığı modelin türüne göre farklılaşır. Otoregressif dil modellerinde (GPT ailesi) model, her adımda bir önceki tokenlere bakarak sonraki tokeni tahmin eder; bu görev dil modellemesi (causal language modeling) olarak adlandırılır. Maskelemeli dil modellerinde (BERT) ise giriş cümlesindeki rastgele tokenler gizlenerek model bu maskelenmiş tokenleri bağlamdan yeniden kazanmayı öğrenir. Her iki yaklaşım da öz-denetimli öğrenme prensibine dayandığından etiketsiz büyük veri kullanılabilir; metinlerin kendisi öğrenme sinyali oluşturur. Veri ölçeği açısından modern pre-training'in devasa boyutları dikkat çekicidir: GPT-3 yaklaşık 300 milyar token, LLaMA 3 ise 15 trilyon token üzerinde eğitilmiştir. Bu veri kümeleri İnternet metinleri (Common Crawl), kitaplar, akademik makaleler, kod depoları ve çok dilli içeriklerden derlenir. Eğitim bilgi işlem maliyeti de aynı ölçekte büyüktür; GPT-4 eğitiminin yüz milyon dolar civarında olduğu tahmin edilmektedir. Pre-training tamamlandıktan sonra model çeşitli yöntemlerle belirli görevlere uyarlanır. İnce ayar (fine-tuning) ile ilgili alan verisi üzerinde model özelleştirilir. RLHF (Reinforcement Learning from Human Feedback) ile insan tercihlerine hizalanır. Komut ayarı (instruction tuning) ise modelin doğal dil talimatlarını izlemesini öğretir. PEFT yöntemleri (LoRA, QLoRA) ise tüm ağırlıklar yerine küçük adaptör katmanları eğiterek bu uyarlama maliyetini büyük ölçüde düşürür. Pre-training sırasında kazanılan genel bilgi altyapısı korunarak bunun üzerine inşa edilir; bu nedenle pre-training kalitesi ve veri çeşitliliği nihai modelin performans tavanını doğrudan belirler.

arrow_forward linear_scale

Parameters (Parametreler)

Parametreler (parameters), makine öğrenmesi ve derin öğrenme modellerinde eğitim süreci boyunca optimizasyon algoritmaları tarafından güncellenen öğrenilebilir değerlerdir. Sinir ağlarında ağırlıklar (weights) ve biaslar (biases) en temel parametre türleridir; bu değerler, modelin girdiden çıktıya olan dönüşümü nasıl gerçekleştireceğini belirler. Model parametrelerinin sayısı, bir modelin kapasitesini ve ifade gücünü doğrudan etkiler. GPT-2 yaklaşık 117 milyon, GPT-3 ise 175 milyar parametreden oluşur; bu fark, modellerin dil anlama ve üretme kapasitelerindeki büyük uçurumu açıklar. Ancak parametre sayısı tek başına performansı garanti etmez; veri kalitesi, mimari tasarım ve eğitim stratejisi de kritik rol oynar. Parametreler, hiperparametrelerden farklıdır. Hiperparametreler (öğrenme hızı, batch boyutu, katman sayısı) eğitim öncesinde tasarımcı tarafından belirlenir ve eğitim sürecinde değişmez. Parametreler ise geri yayılım (backpropagation) algoritmasıyla her eğitim adımında güncellenir. Model büyüklüğünü ölçmek için kullanılan parametre sayısı, hesaplama maliyetini ve bellek gereksinimini de doğrudan etkiler. 7 milyar parametreli bir modelin tam hassasiyetle (FP32) yüklenmesi yaklaşık 28 GB bellek gerektirir; kuantizasyon teknikleri (INT8, INT4) büyük modelleri tüketici donanımında kullanılabilir kılmak için kritik önem taşır. Aktivasyon fonksiyonları, katman normalizasyonları ve dikkat mekanizmalarının ağırlıkları da birer parametredir. Transformer mimarilerinde dikkat başlıklarının sorgu, anahtar ve değer matrislerindeki ağırlıklar, modelin hangi bağlamsal bilgilere odaklanacağını öğrenir. Fine-tuning sırasında yalnızca belirli katmanların parametrelerini güncellemek (LoRA, prefix tuning gibi PEFT yöntemleri) hesaplama maliyetini dramatik biçimde düşürebilir; bu yaklaşımda modelin geri kalan parametreleri dondurulur (frozen) ve yalnızca küçük bir adaptasyon matrisi eğitilir. Parametre paylaşımı (parameter sharing), özellikle evrişimli sinir ağlarında (CNN) hafıza kullanımını azaltmak için başvurulan bir tekniktir; aynı filtre ağırlıkları görüntünün farklı bölgelerinde uygulanır. Mixture-of-Experts (MoE) mimarilerinde toplam parametre sayısı çok büyük olsa da her çıkarım adımında yalnızca küçük bir alt küme (uzman) aktif hâle gelir; bu yaklaşım hesaplama verimliliğini artırır. Örneğin Mixtral 8x7B modeli 46 milyar toplam parametreye sahip olsa da aktif parametre sayısı yalnızca 12 milyardır.

arrow_forward code_blocks

Pandas (Pandas — Python Veri Analizi Kütüphanesi)

Pandas, 2008 yılında Wes McKinney tarafından geliştirilen ve günümüzde NumFOCUS sponsorluğunda sürdürülen açık kaynaklı bir Python kütüphanesidir. Adını 'panel data' (panel verisi) ve 'Python Data Analysis Library' kavramlarından alan kütüphane, veri bilimi ve makine öğrenimi ekosisteminin temel taşlarından birini oluşturur. Pandas iki temel veri yapısı sunar: **Series** (tek boyutlu, etiketlenmiş dizi) ve **DataFrame** (iki boyutlu, tablo biçimli veri yapısı). DataFrame, satırları gözlem (örnek) ve sütunları özellik (feature) olarak ele alır; bu yapı veritabanı tablolarına veya Excel çalışma sayfalarına benzer. Makine öğrenimi modellerine beslenmeden önce neredeyse her veri seti bu biçime dönüştürülür. Kütüphanenin öne çıkan yetenekleri arasında şunlar yer alır: CSV, Excel, JSON, SQL, Parquet ve HTML gibi farklı kaynaklardan veri okuma; eksik değerlerin (NaN) tespiti ve doldurulması (imputation); veri gruplama (groupby), pivotlama ve birleştirme (merge/join/concat); zaman serisi endeksleme ve frekans dönüşümleri; vektörel hesaplamalar ve apply/map/lambda operasyonları. Makine öğrenimi boru hattında Pandas, modelden önce gelen veri hazırlama adımlarının büyük bölümünü üstlenir. Scikit-learn, XGBoost ve TensorFlow/Keras gibi çerçeveler Pandas DataFrame'lerini giriş olarak doğrudan kabul eder. Özellik mühendisliği sırasında yeni sütunlar türetmek, kategorik değişkenleri kodlamak ve normalizasyon uygulamak Pandas ile birkaç satır kodla gerçekleştirilir. Büyük veri ölçeğinde Pandas tek başına yetersiz kalabilir; bu durumda Dask (paralel Pandas), Polars (Rust tabanlı yüksek performanslı alternatif) veya Apache Spark'ın PySpark API'si devreye girer. 2023-2024 itibarıyla Pandas 2.0 ile birlikte dahili olarak Apache Arrow bellek biçiminin kullanılmaya başlanması performansı önemli ölçüde artırmıştır. Türkiye'deki veri bilimi eğitimlerinde Pandas, NumPy ile birlikte en temel Python kütüphaneleri arasında gösterilmektedir. İş ilanlarında 'Pandas deneyimi' düzenli olarak yer almakta; veri analistleri ve makine öğrenimi mühendisleri için sektörel bir standart haline gelmiş bulunmaktadır.

arrow_forward center_focus_strong

PCA (Principal Component Analysis) (Temel Bileşen Analizi)

Temel Bileşen Analizi (Principal Component Analysis — PCA), yüksek boyutlu veri kümelerindeki boyut sayısını azaltırken verideki varyansı (bilgiyi) mümkün olduğunca korumayı hedefleyen doğrusal bir boyut indirgeme tekniğidir. 1901'de Karl Pearson tarafından önerilen bu yöntem, makine öğrenmesi, veri görselleştirme ve özellik mühendisliğinin temel araçlarından biri haline gelmiştir. PCA'nın matematiksel temeli kovaryans matrisinin özvektörlerine dayanır. Algoritma önce verinin ortalama merkezlemesini yapar, ardından kovaryans matrisini hesaplar ve bu matrisin özvektörlerini (temel bileşenleri) bulur. Her özvektöre karşılık gelen özdeğer, o bileşenin toplam varyansın ne kadarını açıkladığını ifade eder. Veriler, en yüksek özdeğerlere sahip k özvektörden oluşan yeni bir koordinat sistemine yansıtılır ve bu projeksiyon işlemiyle boyut sayısı dramatik biçimde azalır. Pratikte PCA birkaç kritik amaca hizmet eder: boyutsallık laneti sorununu hafifletmek, görselleştirme için yüksek boyutlu veriyi 2 veya 3 boyuta indirmek, gürültülü ve tekrarlayan özellikleri elemek, model eğitim süresini kısaltmak ve aşırı öğrenme riskini azaltmak. Örneğin 1000 özelliğe sahip bir tıbbi veri kümesinin ilk 50 temel bileşeni, toplam varyansın büyük çoğunluğunu açıklayabilir ve model performansını olumsuz etkilemeden hesaplama maliyetini önemli ölçüde düşürebilir. PCA'nın sınırlamaları arasında yalnızca doğrusal ilişkileri yakalayabilmesi öne çıkar; doğrusal olmayan yapılar için Kernel PCA, t-SNE veya UMAP gibi yöntemler tercih edilir. Ayrıca elde edilen temel bileşenler orijinal özelliklerle birebir yorumlanamaz; bu durum bazı alanlarda açıklanabilirlik sorunlarına yol açabilir. Veri ölçeklendirmesi (standardizasyon) PCA öncesinde zorunlu bir ön işleme adımıdır; aksi takdirde büyük ölçekli özellikler küçük ölçeklileri baskılayarak bileşenleri çarpıtır. Görüntü sıkıştırma, yüz tanıma (eigenfaces yöntemi), genomik analiz, doğal dil işlemede gizli anlam analizi (LSA) ve finans portföy analizi PCA'nın en yaygın uygulama alanları arasında yer almaktadır. Söz konusu çok yönlülük, PCA'yı veri bilimcilerinin araç kutusunun vazgeçilmez bir parçası yapmaktadır.

arrow_forward verified

Pydantic (Pydantic)

Pydantic, Python'da veri doğrulama ve yapılandırma yönetimi için kullanılan açık kaynak bir kütüphanedir. Python tip ipuçlarını (type hints) kullanarak çalışma zamanında (runtime) otomatik veri doğrulama sağlar; hatalı veya uyumsuz veri geldiğinde net ve anlaşılır hata mesajları üretir. Samuel Colvin tarafından geliştirilen Pydantic, Python ekosisteminin en çok indirilen kütüphanelerinden biri konumuna gelmiştir. Pydantic'te veri yapıları, BaseModel sınıfı miras alınarak tanımlanır. Her alan, tip annotasyonuyla belirtilir; kütüphane bu tiplere göre otomatik doğrulama yapar. Gelen veriyi gerektiğinde dönüştürür: string'i integer'a, ISO tarih dizesini datetime nesnesine otomatik çevirebilir (coercion). Field() fonksiyonu ile minimum/maksimum değer, desen eşleştirmesi ve varsayılan değer gibi ek kısıtlamalar tanımlanabilir. Pydantic v2, Rust ile yeniden yazılmış çekirdek doğrulama motoruyla v1'e kıyasla 5–50 kat daha hızlıdır. model_validator ve field_validator dekoratörleriyle modele özgül kısıtlamalar ve çapraz alan doğrulamaları eklenebilir. Mevcut v1 projeleri pydantic-v1-compat paketi yardımıyla kademeli olarak taşınabilir. Yapay zeka ekosistemindeki önemi giderek artmaktadır. LangChain ve LlamaIndex, Pydantic modellerini yapılandırılmış çıktı için kullanır. OpenAI API'si Pydantic modelini doğrudan kabul ederek yapılandırılmış JSON doğrulama gerçekleştirir. Instructor kütüphanesi, herhangi bir LLM'den Pydantic model doğrulamasıyla yapılandırılmış çıktı almayı kolaylaştırır. FastAPI ise Pydantic'i HTTP istek ve yanıt doğrulaması için temel altyapı olarak kullanır. pydantic-settings paketi, çevre değişkenlerini ve .env dosyalarındaki yapılandırmayı Pydantic modeli olarak yönetmeyi sağlar; tip-güvenli yapılandırma yönetiminin fiili standardı hâline gelmiştir. Her Pydantic modeli, model_json_schema() metoduyla tam bir JSON Schema'ya dönüştürülebilir; bu özellik OpenAI function calling ve yapılandırılmış çıktı (structured output) desteği için kritik öneme sahiptir. Pydantic'in yaygınlığı yalnızca bireysel projelerle sınırlı değildir: Hugging Face, Azure SDK, AWS CDK ve Databricks gibi kurumsal projeler de veri katmanlarında Pydantic'ten yararlanmaktadır.

arrow_forward tune

Prompt Tuning (İstem Ayarlama (Soft Prompting))

Prompt Tuning, büyük dil modellerini (LLM) belirli bir göreve uyarlamak için model ağırlıklarını tamamen güncellemek yerine yalnızca küçük bir 'yumuşak istem' (soft prompt) vektörünü optimize eden bir Parameter-Efficient Fine-Tuning (PEFT) tekniğidir. 2021 yılında Google araştırmacıları Brian Lester, Rami Al-Rfou ve Noah Constant tarafından önerilmiş; T5-11B ölçeğindeki modellerde tam fine-tuning ile rekabet edebildiği gösterilmiştir. Geleneksel fine-tuning yöntemlerinde milyarlarca parametre yeniden eğitilirken, prompt tuning yalnızca giriş katmanına eklenen öğrenilebilir vektörleri (soft token) günceller. Bu vektörler insan tarafından okunabilen kelimeler değildir; modelin kendi embedding uzayında gradyan inişiyle optimize edilmiş sayısal temsillerdir. Model ağırlıklarının tamamı dondurulmuş halde kalır; bu sayede aynı temel model, farklı görevler için farklı soft prompt'larla verimli biçimde çalıştırılabilir. Yöntemin en önemli avantajı hesaplama verimliliğidir: tam fine-tuning'e kıyasla eğitilmesi gereken parametre sayısı dramatik biçimde azalır; daha az GPU belleği, daha kısa eğitim süresi ve her görev için yalnızca küçük bir vektörün depolanması yeterlidir. Özellikle model ağırlıklarına doğrudan erişimin mümkün olmadığı API tabanlı senaryolarda bu özellik büyük pratik değer taşır. Pratik uygulamalarda iki önemli kısıtlama göze çarpar: model boyutu küçüldükçe (10 milyarın altında parametre) tam fine-tuning'e göre performans açığı belirginleşir; giriş bağlam uzunluğunun bir kısmı soft token'lara tahsis edildiğinden kullanılabilir bağlam penceresi de daralmaktadır. Üstelik soft prompt'lar yorumlanamaz olduğundan hata ayıklaması güçleşebilir. Prompt tuning ailesi birkaç önemli varyant içerir: Prefix Tuning her transformer katmanına öğrenilebilir vektörler ekleyerek daha güçlü yönlendirme sağlar; P-Tuning doğal dil anlama görevlerine odaklanır; Multi-Task Prompt Tuning paylaşılan tek bir prompt'u birden fazla görev için eş zamanlı optimize eder. Bu varyantlar, LoRA ile birlikte günümüzde en yaygın kullanılan PEFT teknikleri arasındadır.

arrow_forward looks_4

Phi-4 (Phi-4)

Phi-4, Microsoft Research tarafından Aralık 2024'te yayımlanan 14 milyar parametreli bir küçük dil modelidir (SLM). Phi serisinin dördüncü üyesi olan bu model, "veri kalitesi veri miktarından önemlidir" ilkesini en somut biçimde kanıtlayan yapay zeka çalışmalarından biri hâline gelmiştir. Eğitim sürecinde ham internet verisi yerine büyük modeller (GPT-4) aracılığıyla sentetik olarak üretilmiş yüksek kaliteli matematik problemleri, akıl yürütme örnekleri ve kod veri setleri kullanılmıştır. Dikkatle seçilmiş ders kitabı içerikleri ve akademik metinler de eğitim kümesini güçlendirmiştir. Bu veri felsefesi, Phi-1'den başlayan trendin mantıksal devamıdır ve LIMA makalesinin "az ama öz" hipotezini milyarlarca parametre ölçeğine taşımaktadır. Kıyaslama performansı açısından Phi-4, doktora düzeyi bilim sorularını içeren GPQA Diamond testinde ve AMC/MATH rekabetçi matematik kıyaslamalarında 70 milyar parametreli pek çok modeli geride bırakmıştır. HumanEval ve MBPP kodlama kıyaslamalarında da parametre sayısıyla orantısız bir yetenek sergilemiştir. Model, 16.384 tokenlik bağlam penceresiyle çalışır. MIT lisansı altında HuggingFace'de yayımlanmıştır; hem araştırma hem de ticari kullanıma tamamen açıktır. 8 GB VRAM ile tam hassasiyette çalışırken GGUF/Q4 kuantize versiyonları çok daha mütevazı donanımlarda da çalışabilir. Ollama ve LM Studio gibi popüler araçlarla birkaç komutla kurulabilir. Microsoft, 2025 yılında Phi-4 ekosistemi üzerine yeni üyeler eklemiştir: 3,8 milyar parametreli Phi-4-Mini (mobil ve kenar cihazlar için), akıl yürütmeye odaklanan Phi-4-Reasoning ve çok modlu giriş desteği için Phi-4-Vision. Bu varyantlar, küçük model felsefesinin farklı donanım ve kullanım senaryolarına genişlediğini göstermektedir. Phi-4 özellikle eğitim ve öğretim uygulamaları, adım adım matematik yardımcısı, yerel kodlama asistanı ve kaynak kısıtlı bulut dağıtımı senaryolarında güçlü maliyet-performans dengesi sunan SLM modelleri arasında öne çıkmaktadır. Tüketici sınıfı GPU'ları hedefleyen bu model, API maliyeti olmaksızın güçlü yerel AI çözümleri geliştirmek isteyen geliştiriciler için ideal bir başlangıç noktasıdır.

arrow_forward integration_instructions

PyTorch (Açık Kaynak Derin Öğrenme Çerçevesi)

PyTorch, Meta AI Araştırma Laboratuvarı (FAIR) tarafından 2016 yılında yayımlanan, Python tabanlı açık kaynaklı bir derin öğrenme çerçevesidir. Lua tabanlı Torch kütüphanesinin modern Python uyarlaması olarak doğan proje, 2022'den bu yana Linux Foundation çatısı altındaki PyTorch Foundation tarafından yönetilir; NVIDIA, AMD, Google, Microsoft, Intel ve IBM gibi şirketler yönetim kuruluna üyedir. Sinir ağlarını tasarlamak, eğitmek ve üretim ortamına almak için tensör işlemlerinden model servisine kadar uzanan eksiksiz bir araç seti sunar. PyTorch'u rakiplerinden ayıran temel özellik, çalışma zamanında inşa edilen dinamik hesaplama graflarıdır (define-by-run). TensorFlow 1.x döneminin statik graflarının aksine, model kodu satır satır yürütülürken graf anlık olarak oluşur; araştırmacı standart Python hata ayıklayıcısını doğrudan kullanabilir, if/else ve döngü içeren değişken mimariler doğal söz dizimiyle yazılır. Autograd sistemi bu grafın üzerinden gradyanları otomatik hesaplar: requires_grad=True atanmış bir tensör üzerindeki tüm işlemler kaydedilir, .backward() çağrısıyla geri yayılım (backpropagation) elle kodlanmadan tamamlanır. Bu iki mekanizmanın birleşimi, özel kayıp fonksiyonlarından deneysel katman tasarımlarına kadar her fikrin sıradan Python koduyla ifade edilebilmesi anlamına gelir. Çerçevenin çekirdeğini dört modül oluşturur: torch.Tensor NumPy benzeri çok boyutlu dizileri CPU ve GPU belleğinde tutar; torch.nn hazır katmanları (Linear, Conv2d, Transformer) ve kayıp fonksiyonlarını barındırır; torch.optim SGD, Adam ve AdamW gibi optimizasyon algoritmalarını sunar; DataLoader ise veri setlerini çok işlemcili mini-batch akışına çevirir. Bir eğitim döngüsü tipik olarak 15-20 satır koddan ibarettir ve her adımı okunabilir Python olarak kalır. 2023'te çıkan PyTorch 2.0, bu esnekliği performansla birleştirdi. torch.compile tek satırlık bir çağrıyla modeli TorchDynamo ve TorchInductor üzerinden derleyerek tipik eğitim iş yüklerinde %30-100 arası hızlanma getirir; 2025 sonunda yayımlanan 2.9 sürümüyle proje FlexAttention, torch.export ve AOTInductor gibi derleyici tabanlı araçları olgunlaştırmıştır. GPU tarafında NVIDIA CUDA ile derin entegrasyonun yanına AMD ROCm, Apple Silicon için MPS ve Intel GPU (XPU) desteği eklenmiştir; model tek satır .to('cuda') ile hızlandırıcıya taşınır. Akademik araştırmada PyTorch 2019-2020'den itibaren TensorFlow'u geçerek fiili standart hâline geldi; Papers with Code üzerindeki yeni makale uygulamalarının %70'ten fazlası PyTorch kullanır. Llama, Whisper, Stable Diffusion ve DINOv2 gibi modellerin resmi kodları PyTorch ile yazılmıştır; Hugging Face Transformers kütüphanesi birincil backend olarak PyTorch'u benimser ve bir milyondan fazla önceden eğitilmiş modele tek API ile erişim verir. Büyük dil modeli çağının kritik altyapısı da aynı ekosistemde yaşar: OpenAI 2020'de araştırma yığınını PyTorch üzerinde standartlaştırdı; vLLM çıkarım motoru, TorchTitan dağıtık eğitim kütüphanesi ve LoRA tabanlı ince ayar araçlarının tamamı doğrudan PyTorch üzerine kuruludur. Ekosistem paketleri kullanım alanlarını genişletir: TorchVision görüntü, TorchAudio ses, PyTorch Lightning eğitim altyapısı, ExecuTorch ise mobil ve gömülü cihazlarda çıkarım için geliştirilmiştir. BSD-3-Clause lisanslı proje, GitHub'da 90 binin üzerinde yıldıza ulaşmıştır ve araştırma prototipinden milyarlarca kullanıcılı üretim sistemlerine kadar aynı kod tabanıyla ilerlemeye imkân tanır. Türkçe kaynak, üniversite müfredatı ve iş ilanları açısından da derin öğrenme kariyerine başlamak isteyenler için ilk öğrenilmesi gereken çerçeve konumundadır.

arrow_forward code_blocks

PRM (Süreç Ödül Modeli)

PRM (Process Reward Model — Süreç Ödül Modeli), bir dil modelinin akıl yürütme zincirindeki her adımı ayrı ayrı puanlayan ödül modelidir. Yalnızca nihai cevaba bakan ORM'nin (Outcome Reward Model) aksine PRM, çözüm boyunca her ara adıma bağımsız bir skor üretir; bu yapı matematiksel muhakeme, kod üretimi ve mantık problemleri gibi çok adımlı görevlerde modelin hatalı düşünce zincirlerini yakalamayı mümkün kılar. PRM'ler iki temel bağlamda devreye girer. Birincisi çıkarım anında doğrulayıcı (verifier) olarak: model aynı soruya N farklı çözüm üretir, PRM her zinciri puanlar ve en yüksek skorlu aday seçilir. Bu yaklaşım, 'Let's Verify Step by Step' makalesinde MATH kıyaslamasında çoğunluk oylamasını ve ORM'yi belirgin biçimde geride bıraktı. İkincisi RL eğitiminde yoğun ödül sinyali olarak: seyrek sonuç ödülünün yetersiz kaldığı uzun zincirlerde PRM her adıma geribildirim vererek politikayı daha hızlı iyileştirir. OpenAI'nin 2023'te yayımladığı PRM800K veri seti, alanın mihenk taşıdır: MATH problemlerindeki 800 binden fazla adım insan uzmanlar tarafından tek tek doğru/nötr/hatalı olarak etiketlendi. Math-Shepherd (2024) bu maliyetli insan emeğine alternatif sunar; bir adımdan devam eden tamamlamaların doğru sonuca ulaşma oranını Monte Carlo örneklemesiyle tahmin ederek otomatik etiket üretir. Qwen2.5-Math-PRM-72B gibi açık ağırlıklı modeller, üretim ortamında Best-of-N kurulumlarında matematik skorunu 8-10 puan artırabilmektedir. DeepSeek-R1 teknik raporu, büyük ölçekli RL eğitiminde PRM kullanmama kararını üç gerekçeyle açıkladı: genel muhakemede 'iyi adım' tanımı belirsiz, otomatik etiketleme güvenilmez ve model tabanlı ödül ödül hacklemeye kapı açıyor. R1 bunun yerine doğrulanabilir görevlerde kural tabanlı sonuç ödülüyle GRPO eğitimini benimsedi. 2026 itibarıyla yerleşik reçete şu ikili üzerine kurulu: eğitim sinyali için doğrulanabilir sonuç ödülü, çıkarım ve veri kalitesi katmanı için PRM. ProcessBench ve PRMBench gibi yeni kıyaslama setleri PRM'lerin hata tespit becerisini ince taneli hata türleriyle ölçerek araştırmanın önünü açmaktadır.

arrow_forward code_blocks

POS Tagging (Sözcük Türü Etiketleme)

POS Tagging (Part-of-Speech Tagging), bir cümledeki her kelimenin dilbilgisel rolünü — isim, fiil, sıfat, zarf, zamir, edat ve bağlaç gibi kategorilere — otomatik olarak atayan doğal dil işleme (NLP) tekniğidir. Türkçede 'sözcük türü etiketleme' olarak da bilinen bu işlem, NLP ardışık düzenlerinin (pipeline) temel ön işleme adımlarından biridir. POS etiketleme, sözcüklerin anlamını bağlama göre belirlemek için kritik bir öneme sahiptir. İngilizcede 'bank' kelimesi hem 'banka' (isim) hem de 'bir hesaba para yatırmak' (fiil) anlamına gelebilir; POS etiketi bu tür yapısal belirsizlikleri çözerek sonraki NLP görevlerinin daha doğru çalışmasını sağlar. Türkçe gibi eklemeli dillerde (agglutinative languages) tek bir kelime kökü çok sayıda ek alabildiğinden, sözcük türü etiketlemesi morfolojik analiz ile birleşik yürütülür. Teknik açıdan POS etiketleme, kural tabanlı yöntemlerden (1960'lar, ENGTWOL gibi) istatistiksel modellere (1980-2000'ler: Hidden Markov Models, CRF), ardından derin öğrenme tabanlı mimarilere (BiLSTM, 2014+; BERT, 2018+) evrilmiştir. Modern BERT tabanlı POS etiketleyiciler, İngilizce için %98'in üzerinde doğruluk oranı elde ederken Türkçe için de %97+ başarı oranına ulaşan çok dilli modeller mevcuttur. POS etiketleme, Adlandırılmış Varlık Tanıma (NER), makine çevirisi, duygu analizi, sözdizimsel ayrıştırma (dependency parsing) ve metin okuma sentezi (TTS) gibi NLP görevlerinin temelinde yer alır. Büyük dil modelleri (LLM'ler) bu bilgiyi örtük olarak öğrenmiş olsa da açık POS etiketleme; yorumlanabilirlik, az kaynaklı dil çalışmaları ve özel alan NLP sistemleri için önemini korumaktadır.

arrow_forward code_blocks

PCIe (PCI Express)

PCIe (PCI Express / Peripheral Component Interconnect Express), modern bilgisayarlarda GPU, NVMe SSD ve yüksek hızlı ağ kartları gibi bileşenleri ana karta bağlayan seri, nokta-nokta yüksek bant genişliği veri yolu standardıdır. Yapay zeka ve derin öğrenme iş yüklerinde GPU'nun CPU belleğinden eğitim verisini ve model ağırlıklarını ne kadar hızlı aktarabildiğini doğrudan belirleyen kritik bir arayüzdür. Teknik açıdan PCIe, x1, x4, x8 ve x16 olmak üzere dört temel şerit (lane) konfigürasyonunda çalışır. Yapay zeka eğitim ve çıkarım GPU'ları tipik olarak x16 tam bağlantıyla takılır. Her PCIe nesli, tek şerit teorik bant genişliğini yaklaşık iki katına çıkarır. PCIe 3.0 x16, çift yönde ~32 GB/s toplam bant genişliği sunarken PCIe 4.0 ~64 GB/s, PCIe 5.0 ~128 GB/s ve henüz piyasaya yeni giren PCIe 6.0 ~256 GB/s kapasitesine ulaşır. Gizli Kodlama (encoding) yükü bu teorik değerden yaklaşık %20 oranında düşer. Yapay zeka perspektifinden PCIe bant genişliği iki kritik yerde darboğaz oluşturur. Birincisi, CPU RAM'inden GPU VRAM'ine veri transferidir; batch yükleme süreçlerinde GPU'nun veri beklemesi "host-to-device transfer latency" olarak bilinir ve PCIe nesli ile doğrudan ilişkilidir. İkincisi, çok-GPU kurulumlarında GPU'lar arasındaki iletişimdir; NVLink veya CXL gibi doğrudan GPU-GPU köprüleri mevcut değilse, tüm GPU-GPU trafiği PCIe üzerinden CPU'ya ve oradan geri dönmek zorunda kalır. NVIDIA A100 ve H100 veri merkezi GPU'ları PCIe 4.0/5.0 x16 ile, tüketici segmentindeki RTX 4090 PCIe 4.0 x16 ile gelir. AMD Instinct MI300X, PCIe 5.0 x16 desteği sunar. Apple Silicon (M-serisi) çiplerinde CPU-GPU arasında PCIe değil, Unified Memory Architecture (UMA) kullandığından bu darboğaz kavramsal olarak ortadan kalkar. Türkiye'de üniversite araştırma grupları ve AI startup'ları GPU sunucu kurulumlarında PCIe nesil uyumluluğunu, özellikle PCIe 3.0'lı eski anakartlarda PCIe 4.0 GPU kullanımında oluşan bant genişliği kayıplarını göz önünde bulundurmaktadır.

arrow_forward code_blocks

PEFT (Parameter-Efficient Fine-Tuning) (PEFT (Parametre Verimli İnce Ayar))

PEFT (Parameter-Efficient Fine-Tuning), büyük dil modelleri ve diğer temel modelleri görev odaklı verilere uyarlamak için kullanılan, model parametrelerinin yalnızca küçük bir bölümünü güncelleyen ince ayar yöntemleri ailesinin genel adıdır. Geleneksel tam ince ayarda modelin tüm ağırlıkları yeniden eğitilir; bu yaklaşım on milyarlarca parametreli modeller için son derece yüksek hesaplama ve bellek maliyeti gerektirir. PEFT yöntemleri bu maliyeti bir ila birkaç büyüklük mertebesinde azaltırken görev performansını büyük ölçüde korur. PEFT ailesinin en yaygın yöntemi LoRA'dır (Low-Rank Adaptation). LoRA, dondurulmuş ağırlık matrislerine paralel düşük boyutlu matris çiftleri ekler; asıl parametreler sabit kalırken yalnızca bu küçük adaptör ağırlıkları öğrenilir. QLoRA, LoRA'yı 4-bit niceleme ile birleştirerek tüketici GPU'larında 70B+ modellerin ince ayarını mümkün kılar. Prefix Tuning, modelin giriş dizisinin başına öğrenilebilir "önek" token vektörleri ekler; model ağırlıklarına hiç dokunmaz. Adapter Tuning, transformer katmanları arasına küçük beslemeli ağ modülleri yerleştirir. IA3 ise aktivasyon değerlerini ölçeklendiren öğrenilebilir vektörler kullanarak çok daha az parametre günceller. Bu yöntemlerin pratik avantajları önemlidir. Farklı görevler için eğitilmiş birden fazla PEFT ağırlığı, tek bir temel modelle paylaşılabilir; bu hem depolama hem de servis maliyetlerini düşürür. Hugging Face'in `peft` kütüphanesi, LoRA ve diğer yöntemleri birkaç satır kodla herhangi bir transformer modeline uygulamayı kolaylaştırır. LoRA'nın rank (r) ve alpha (α) hiperparametreleri adaptör kapasitesini kontrol eder: düşük rank daha az parametre ancak daha sınırlı ifade gücü anlamına gelir; tipik değerler 4–64 aralığındadır. Araştırma dünyasında PEFT, LLM'lerin belirli alanlara (hukuk, tıp, kod) veya dillere hızlı adaptasyonu için standart yaklaşım hâline gelmiştir. Türkçe yapay zeka uygulamaları açısından PEFT, büyük İngilizce modellerin Türkçe verilere ince ayarlanmasında tercih edilen maliyet etkin çözümdür; özellikle Llama ve Mistral gibi açık ağırlıklı modellerle birlikte kullanılmaktadır.

arrow_forward forum

Poe (Quora'nın Çoklu AI Sohbet Platformu)

Poe (poe.com), Quora şirketi tarafından 2022 yılında duyurulan ve 2023 yılı başında halka açık hale getirilen çok modelli yapay zeka sohbet platformudur. Platform, kullanıcılara Claude, ChatGPT (GPT-4o ve üstü), Google Gemini, Meta Llama ve daha fazlası dahil olmak üzere 200'den fazla farklı yapay zeka modeliyle tek bir arayüz üzerinden etkileşim imkânı sunar. Poe, yapay zeka dünyasını bir anlamda "tarayıcı gibi" soyutlar: tıpkı web tarayıcısının farklı sitelere erişimi standartlaştırması gibi Poe da farklı AI modellerine tek arayüzden erişim imkânı sunar ve her model için ayrı hesap açma ya da abonelik satın alma yükünü ortadan kaldırır. Platformun temel değer önerisi, kullanıcıların ayrı abonelikler satın almadan birden fazla önde gelen AI modeline erişebilmesidir. Serbest kullanım limitleriyle başlayan ücretsiz katman, aylık 4,99 ile 249,99 dolar arasında değişen abonelik planlarıyla genişler. Bu planlar, farklı modellere günlük veya aylık harcama puanları şeklinde hesaplanmış bütçe tahsis eder; kullanıcı hangi modeli ne kadar kullanacağını kendi belirler. Pahalı modeller (Claude Opus, GPT-5 serisi) daha fazla puan tüketirken ekonomik modeller (Claude Haiku, Gemini Flash) düşük puan harcar. Poe, 2024-2025 döneminde önemli özellikler kazanmıştır. Şubat 2025'te duyurulan Canvas Uygulamaları (Canvas Apps) özelliği, kodlama bilgisi gerektirmeden etkileşimli web uygulamaları oluşturmayı mümkün kılmıştır. Kasım 2025'te hayata geçen Grup Sohbet (Group Chat) özelliği ise 200 kullanıcıya kadar genişleyen ve 200'den fazla AI modelinin katılabildiği işbirlikçi sohbet ortamı sunar. Geliştirici API'si ve Python SDK'sı aracılığıyla büyüyen üretici ekosistemiyle 2026 itibarıyla platformda 1 milyonun üzerinde kullanıcı tarafından oluşturulmuş özel bot bulunmaktadır. Yaratıcılar, popüler botlarından gelir elde edebilmekte; bu gelir paylaşım modeli Poe'yu hem tüketici hem de geliştirici için cazip bir platform konumuna taşımaktadır.

arrow_forward cached

Prompt Caching (Prompt Önbellekleme)

Prompt önbellekleme (Prompt Caching), büyük dil modeli (LLM) API'larında aynı prompt ön ekinin birden fazla istekte tekrar tekrar kullanılması durumunda, modelin bu ön ek için önceden hesapladığı dikkat tensörlerini (KV cache) sunucu tarafında saklayarak yeniden hesaplama maliyetini ortadan kaldıran bir optimizasyon tekniğidir. Bir LLM her prompt işlediğinde her token için anahtar-değer (key-value, KV) dikkat tensörleri hesaplar. Prompt önbellekleme bu tensörleri sunucuda saklar; sonraki istek aynı ön ekle başlıyorsa model onları sıfırdan hesaplamak yerine doğrudan önbellekten yükler. Bu sayede hem hesaplama süresi hem de faturalanan giriş maliyeti önemli ölçüde düşer. Teknik özellikle uzun sistem prompt'larının, büyük belgelerin veya kapsamlı örnekler içeren şablonların yüzlerce ya da binlerce ardışık istek için tekrar gönderildiği senaryolarda kayda değer tasarruf sağlar. Ajansal döngülerde (agentic loops), RAG boru hatlarında ve çok turlu sohbet uygulamalarında girdi token maliyetleri toplam harcamanın büyük bölümünü oluşturur; prompt önbellekleme bu senaryolarda üretim AI sistemlerinin ekonomik sürdürülebilirliğini doğrudan etkiler. 2024'ten itibaren Anthropic (Claude), OpenAI (GPT-4o ve üstü), Google (Gemini) ve DeepSeek başta olmak üzere büyük LLM sağlayıcıları bu özelliği sunmaktadır. Uygulamalar arasında fark mevcuttur: Anthropic açık `cache_control` parametresiyle işaret isterken, OpenAI belirli bir token eşiğini aşan sabit ön ekleri otomatik önbellekler. Her iki yaklaşımda da önbellekteki token'lar normal girdi fiyatının %10-50'siyle faturalandırılır; bu oran giriş maliyetlerinde %50 ila %90 tasarruf anlamına gelir. Anthropic'te önbellek ömrü yaklaşık 5 dakika olup her kullanımda yenilenir. Minimum önbellekleme eşiği sağlayıcıya göre 1.024-2.048 token arasında değişir. Maliyet avantajının yanı sıra, önbellekten okunan token'lar yeniden hesaplama gerektirmediğinden ilk token gecikmesi (TTFT, time-to-first-token) de önemli ölçüde düşer; Anthropic bu iyileşmenin %85'e kadar ulaşabildiğini bildirmektedir. vLLM ve SGLang gibi açık kaynak çıkarım çerçeveleri de GPU üzerinde benzer KV önbellekleme mekanizmaları sunar.

arrow_forward code_blocks

Precision-Recall (Kesinlik-Duyarlılık)

Precision (Kesinlik) ve Recall (Duyarlılık), makine öğrenmesinde sınıflandırma modellerinin performansını değerlendirmek için kullanılan iki temel ölçüttür. Her ikisi de Confusion Matrix üzerinden türetilir ve birbirini tamamlayan iki farklı bakış açısını yansıtırken aynı zamanda uygulamanın gereksinimlerine göre farklı öncelikler taşır. Precision formülü: TP / (TP + FP). Model "Evet" dediği tahminler arasında gerçekten doğru olanların oranıdır. Örneğin spam tespitinde yüksek Precision, meşru e-postaların yanlışlıkla spam klasörüne atılmadığını güvence altına alır. Düşük Precision, sistemin fazla sayıda yanlış alarm ürettiğini gösterir ve kullanıcı deneyimini olumsuz etkiler. Recall formülü: TP / (TP + FN). Tüm gerçek pozitif örnekler arasında modelin doğru yakaladıklarının oranıdır. Tıbbi teşhiste yüksek Recall, hasta bireylerin gözden kaçırılmadığını garantiler. Düşük Recall, sistemin gerçek pozitiflerin önemli bir bölümünü atladığını ve ciddi sonuçlara yol açabileceğini gösterir. Precision-Recall Dengesi (Trade-off): İki ölçüt birbiriyle ters orantılıdır. Model eşik değeri düşürüldüğünde daha fazla pozitif tahmin yapılır, Recall yükselirken Precision düşer. Eşik yükseltildiğinde tam tersi gerçekleşir. Hangi dengenin tercih edileceği, uygulamanın kaçırma maliyetine ve yanlış alarm maliyetine bağlıdır. F1-Score ve AUC-PR: İki ölçütü tek değerde özetlemek için harmonik ortalamayı kullanan F1-Score tercih edilir: 2 × (Precision × Recall) / (Precision + Recall). Precision-Recall Eğrisi (PR Curve), farklı eşiklerdeki dengeyi görselleştirir; eğrinin altındaki alan (AUC-PR) özellikle dengesiz (imbalanced) veri kümelerinde ROC-AUC'a göre daha bilgilendirici bir genel performans göstergesidir. LLM ve RAG sistemlerinde Precision@k ile Recall@k metrikleri, geri çekilen ilk k belge arasında kaçının alaka düzeyinde olduğunu ve tüm alakalı belgelerin ne kadarının döndürüldüğünü ölçer. RAGAS ve TruLens gibi RAG değerlendirme çerçeveleri bu ölçütleri merkeze alır ve boru hattının retrieval kalitesini sistematik biçimde izler.

arrow_forward code_blocks

Pruning (Sinir Ağı Budaması)

Sinir ağı budaması (neural network pruning), büyük ve karmaşık derin öğrenme modellerini daha küçük, hızlı ve verimli hale getirmek amacıyla modeldeki gereksiz ya da önemsiz parametreleri kaldıran bir model sıkıştırma yöntemidir. Bir insan beyninin yeni bağlantılar kurarken kullanılmayan sinaptik bağlantıları budadığı bilinmektedir; benzer bir ilkeden esinlenen bu teknik, yapay sinir ağlarına da uygulanır. Budama, çoğunlukla model eğitiminin ardından gerçekleştirilir; ancak eğitim sırasında veya eğitim öncesinde de uygulanabilen yöntemler araştırılmaktadır. Temel amacı, modelin doğruluk oranını kabul edilebilir düzeyde koruyarak parametre sayısını, bellek kullanımını ve hesaplama maliyetini önemli ölçüde düşürmektir. Budama teknikleri iki ana kategoriye ayrılır. Yapılandırılmamış budama (unstructured pruning), ağırlık matrisindeki bireysel bağlantıları kaldırır; seyrek matris yapısı oluşturur ancak standart donanımda gerçek hız kazanımı için özel kütüphane veya donanım desteği gerektirir. Yapılandırılmış budama (structured pruning) ise tüm filtreler, kanallar veya katmanlar gibi bütüncül yapıları bir bütün olarak siler; standart GPU ve CPU'larda doğrudan çıkarım hızı artışı ve model küçülmesi elde edilir. En yaygın yöntem büyüklük tabanlı budamadır (magnitude-based pruning): mutlak değeri en küçük ağırlıklar, modelin öğrendiği bilgiye katkısı az kabul edilerek kaldırılır. Ardından model, performansını yeniden kazanması için ince ayar (fine-tuning) sürecinden geçirilir. Bu "eğit → buda → ince ayar" döngüsü, hedef boyut ve doğruluk değerlerine ulaşılana kadar birkaç kez tekrarlanabilir. 2018'de Frankle ve Carlin tarafından öne sürülen Piyango Bileti Hipotezi (Lottery Ticket Hypothesis), büyük sinir ağlarının başlangıçtan beri eğitilebilir nitelikte küçük alt ağlar — "kazanan biletler" — barındırdığını ileri sürer. Bu alt ağlar, tam ağın yüzde 10 ile 20'si büyüklüğünde olmasına rağmen benzer doğruluk oranlarına ulaşabilmektedir. Budama; mobil uygulamalar, IoT cihazları ve kenar bilişim (edge computing) gibi hesaplama kapasitesinin sınırlı olduğu ortamlarda dağıtımı kolaylaştırır. Günümüzde budama çoğunlukla niceleme (quantization) ve bilgi damıtma (knowledge distillation) ile bir arada uygulanarak çok daha yüksek sıkıştırma oranlarına ulaşılır.

arrow_forward vaccines

Prompt Injection (İstem Enjeksiyonu)

Prompt Injection (İstem Enjeksiyonu), büyük dil modellerini (LLM) hedef alan bir siber saldırı türüdür; siber güvenlikte onlarca yıldır bilinen SQL Injection saldırısının yapay zeka dünyasındaki karşılığı olarak değerlendirilir. Saldırgan, LLM tabanlı bir uygulamaya kötü niyetli metin gönderir ve modelin önceden tanımlanmış sistem kurallarını, içerik filtrelerini ya da gizli talimatlarını aşmasını sağlar. Saldırının temel mantığı, LLM'lerin doğal dil komutlarını veri ile talimat arasında kesin bir sınır çizmeden işlemesidir. Bir uygulama sistem promptunda "Kullanıcıya yalnızca ürün bilgisi ver, başka konularda yardım etme" gibi bir kısıt tanımlamış olsa bile, saldırgan özel bir girdi aracılığıyla bu kısıtı geçersiz kılabilir veya modelin gizli talimatlarını ifşa etmesini sağlayabilir. Prompt Injection iki temel kategoride incelenir. Doğrudan (direct) saldırıda kullanıcı, model arayüzüne doğrudan kötü niyetli bir komut girer. Dolaylı (indirect) saldırıda ise model, dış kaynaklardan (web sayfaları, PDF belgeler, e-postalar) aldığı içerikte gizlenmiş kötü niyetli talimatları işler; ajan tabanlı LLM sistemleri bu saldırıya özellikle açıktır. Savunma yöntemleri arasında giriş ve çıkış doğrulama (input/output validation), talimatların veritabanı katmanında korunması, düşük ayrıcalık ilkesi (least privilege), kullanıcı girdilerini ayrı bir bağlamda ele alan çift-prompt mimarisi ve izleme/günlükleme yer alır. Bununla birlikte 2025 itibarıyla tam kapsamlı bir teknik çözüm henüz yoktur; savunma katmanlı bir strateji gerektirmektedir. OWASP, 2023 yılında yayımladığı LLM Uygulama Güvenliği Top 10 listesinde Prompt Injection'ı birinci sıraya koymuştur. Bu saldırı türü ChatGPT, Bing Chat ve çeşitli ajan sistemleri üzerinde kamuya açık demonstrasyonlarla kanıtlanmış olup LLM entegrasyon güvenliğinin tartışmasız en kritik konusu haline gelmiştir. Türkiye'de LLM tabanlı müşteri hizmetleri, hukuk ve finans uygulamalarının yaygınlaşmasıyla birlikte Prompt Injection riski giderek daha fazla önem kazanmaktadır. Kişisel veri işleyen sistemlerde başarılı bir saldırı, KVKK kapsamında veri ihlali bildirimi yükümlülüğü doğurabilir. Bu nedenle uygulamaları geliştirme aşamasında red-team testine tabi tutmak kritik bir güvenlik adımı haline gelmektedir.

arrow_forward code_blocks

Prompt (Prompt)

Prompt, bir yapay zeka dil modeline verilen yazılı talimat, soru veya girdi metninin genel adıdır. Türkçede "promt" şeklinde de yazılan bu terim, kullanıcının bir YZ sisteminden belirli bir yanıt veya çıktı alabilmek için sisteme ilettiği her türlü mesajı kapsar. Bir prompt; soru, komut, bağlam bilgisi, örnekler ve kısıtlamalar gibi unsurlar içerebilir. Yapay zeka sistemleri, girdinin kalitesine ve açıklığına göre farklı kalitede yanıtlar üretir. Bu nedenle etkili bir prompt yazmak, istenilen sonuca ulaşmak için kritik bir beceri hâline gelmiştir. Buna "prompt mühendisliği" (prompt engineering) denir. Promptlar üç temel kategoriye ayrılır: (1) Sıfır atışlı promptlar (zero-shot): Herhangi bir örnek verilmeden doğrudan soru ya da talimat içerir. (2) Az atışlı promptlar (few-shot): Modele istenen çıktı biçimini göstermek için birkaç örnek sunar. (3) Sistem promptları (system prompt): Modelin genel davranışını, tonunu ve kısıtlamalarını belirleyen arka plan talimatlarıdır. ChatGPT, Claude, Gemini gibi büyük dil modellerinde kullanıcının yazdığı her mesaj bir prompttur. Modelin sisteme gönderilen gizli talimatlar bütünü ise "sistem promptu" olarak adlandırılır. Prompt uzunluğu ve içeriği, modelin bağlam penceresini (context window) doğrudan etkiler. Prompt tasarımı; sadelik, netlik ve bağlam sağlama ilkelerine dayanır. "Bana bir makale yaz" yerine "Yapay zeka etiği üzerine, B2 düzeyinde ve 500 kelimelik bir tanıtım makalesi yaz" gibi spesifik bir prompt çok daha iyi sonuçlar üretir. Türkiye'de artan YZ kullanımıyla birlikte "prompt ne demek" ve "promt nedir" aramaları da hızla artmıştır. Etkili bir prompt genellikle şu bileşenleri içerir: görev tanımı (ne yapılacağı), bağlam (arka plan bilgisi), biçim kısıtlaması (uzunluk, dil, ton) ve varsa örnekler. Özellikle karmaşık görevlerde "chain-of-thought prompting" tekniğiyle modelden adım adım düşünmesi istenerek daha tutarlı ve doğru yanıtlar elde edilebilir. 2025 ve sonrasında yapay zeka ajanları ve çok adımlı akış mimarilerinde prompt tasarımı daha da kritik bir hâl almaktadır. ReAct, Chain-of-Thought ve Tree-of-Thoughts gibi gelişmiş teknikler, tek bir promptun ötesinde modeli adım adım düşünmeye ve araçlarla etkileşime girmeye yönlendirir.

arrow_forward developer_board

Photonic Chip (Fotonik Çip)

Fotonik Çip, geleneksel elektronik devrelerde kullanılan elektron akışı yerine foton (ışık parçacığı) akışını kullanarak hesaplama işlemlerini gerçekleştiren yeni nesil bir işlemci teknolojisidir. Yapay zeka uygulamalarında son derece kritik bir yer edinen bu teknoloji, özellikle derin öğrenme modellerinin matris çarpımı ve evrişim işlemlerinde olağanüstü hız ve enerji verimliliği sunmaktadır. Geleneksel silikon tabanlı çiplerde elektron hareketi ısı üretir ve bu ısı hem enerji kaybına hem de performans sınırlamalarına yol açar. Fotonik çipler ise ışığın optik interferans (girişim) ilkesini kullanarak aynı işlemleri çok daha az ısı ve enerji tüketerek gerçekleştirir. Araştırmalar, fotonik çiplerin geleneksel elektronik çiplere kıyasla 30 kat daha az enerji tüketirken 50 kat daha yüksek performans sergilediğini göstermektedir. Her işlem başına yalnızca 4 femtojoule enerji harcanması, bu teknolojiyi veri merkezi ölçekli yapay zeka sistemleri için son derece cazip kılmaktadır. Bu teknoloji özellikle görüntü sınıflandırma, video analizi ve gerçek zamanlı nesne tanıma gibi bilgisayarlı görme uygulamalarında büyük avantaj sağlar. Pennsylvania Üniversitesi'nden araştırmacılar, fotonik çiplerin saniyede 2 milyar görüntüyü işlediğini göstermiştir; bu, NVIDIA GPU'larının 100 katı bir hıza karşılık gelmektedir. Lightmatter (Envise platformu), Q.ANT (NPU 2 işlemcisi) ve Intel (entegre foton çipleti) bu alandaki öncü şirketler arasında yer almaktadır. Lightmatter, 4,4 milyar dolar değerlemeyle 850 milyon dolar finansman sağlamıştır. Optik işlemci pazarının 2027'deki 50 milyon dolardan 2034'e kadar 3 milyar dolara ulaşması beklenmektedir. Bununla birlikte fotonik çiplerin bazı sınırlamaları da bulunmaktadır: bellek yoğun işlemlerde GPU'ların gerisinde kalabilmekte, üretim maliyetleri hâlâ yüksektir ve programlama araçları olgunlaşma aşamasındadır. Ancak yapay zekanın enerji tüketimi giderek arttıkça fotonik çipler, sürdürülebilir AI altyapısının vazgeçilmez bir parçası hâline gelecektir.

arrow_forward adjust

Perceptron (Algılayıcı (Yapay Nöron))

Perceptron, 1957 yılında Frank Rosenblatt tarafından icat edilen ve biyolojik sinir hücresinden ilham alan en basit yapay sinir ağı birimidir. Modern derin öğrenmenin atası kabul edilir. Matematiksel açıdan perceptron; giriş değerlerini ağırlıklarla (weights) çarpıp topladıktan sonra bir aktivasyon eşiğine (threshold) göre çıktı üreten bir ikili sınıflandırıcıdır. Çalışma prensibi şu şekilde özetlenebilir: n adet giriş değeri (x₁, x₂, ..., xn) her biri bir ağırlıkla (w₁, w₂, ..., wn) çarpılır ve ağırlıklı toplamı hesaplanır. Bu toplamın bir bias terimi eklenerek aktivasyon fonksiyonundan (başlangıçta basamak fonksiyonu) geçirilmesiyle 0 veya 1 çıktısı üretilir. Öğrenme sürecinde yanlış sınıflandırılan örnekler için ağırlıklar perceptron öğrenme kuralına göre güncellenir. Perceptron öğrenme teoremi, doğrusal olarak ayrılabilir veri kümeleri için algoritmanın sonlu adımda yakınsayacağını kanıtlar. Ancak 1969'da Marvin Minsky ve Seymour Papert, perceptronun XOR gibi doğrusal olarak ayrılamayan problemleri çözemeyeceğini gösterdi. Bu kısıtlama "XOR problemi" olarak tarihe geçti ve yapay zeka araştırmalarında yaklaşık on yıl süren "Yapay Zeka Kışı"nı tetikledi. Çözüm, birden fazla perceptron katmanının birbirine bağlanmasıyla oluşturulan çok katmanlı algılayıcılarda (Multilayer Perceptron — MLP) bulundu. Her katman bir doğrusal olmayan aktivasyon fonksiyonu (ReLU, sigmoid, tanh) kullanarak önceki katmanın çıktılarını işler. Geri yayılım (backpropagation) algoritmasıyla bu ağlar eğitilebilir hale geldi ve modern derin öğrenmenin temeli atıldı. Günümüzde tek başına perceptron neredeyse hiç kullanılmaz; ancak her yapay nöron perceptronun modernize edilmiş bir versiyonudur. Transformer mimarisindeki dikkat (attention) mekanizmasından CNN'deki evrişim nöronlarına kadar tüm derin öğrenme yapıları perceptron ilkesini temel almaktadır. Bu anlamda perceptron, yapay zekanın köklerini anlamak için vazgeçilmez bir kavramdır. Donanım tarafında ise nöromorifik çipler, perceptron hesaplamasını biyolojik nörona daha yakın bir fiziksel modelle uygulamayı hedeflemektedir; bu alan yüksek enerji verimliliği gerektiren edge AI cihazları için araştırılmaya devam etmektedir.

arrow_forward code_blocks

Panoptik Bölütleme (Panoptik Bölütleme)

Panoptik bölütleme (panoptic segmentation), semantik bölütleme ile örnek bölütlemenin birleşiminden oluşan kapsamlı bir bilgisayarlı görü görevidir. Alexander Kirillov ve ekibinin 2018'de tanımladığı bu yaklaşım, bir görüntüdeki her pikseli aynı anda hem bir anlamsal sınıfa (gök, zemin, bina gibi sayılamaz "stuff" kategorileri) hem de bireysel nesne kimliğine (1. araç, 2. araç gibi sayılabilir "things" kategorileri) atar. Geleneksel bölütleme yöntemlerinin kısıtlarını anlamak panoptik yaklaşımın değerini ortaya koyar. Semantik bölütleme, her piksele sınıf etiketi verir fakat aynı sınıftaki ayrı nesneleri birbirinden ayırt etmez — tüm arabalar tek bir bölge olarak işlenir. Örnek bölütleme ise her nesne örneğini maskesiyle saptar ancak arka plan piksellerini görmezden gelir. Panoptik bölütleme bu iki yaklaşımı tek çıktıda birleştirerek hem nesne sayımını hem de sahne anlayışını mümkün kılar. Performans ölçütü olarak Panoptik Kalite (PQ) metriği kullanılır. PQ = Segmentasyon Kalitesi (SQ) × Tanıma Kalitesi (RQ) formülüyle hesaplanır; SQ tahmin ile gerçek maske örtüşmesini, RQ ise doğru saptanan nesnelerin oranını ölçer. Mimariler açısından Mask R-CNN, Panoptic FPN ve sonraki nesil transformer tabanlı yaklaşımlar (Panoptic SegFormer, Mask2Former) bu alanda öne çıkar. Mask2Former, maskelenmiş dikkat mekanizmasıyla hem semantik hem örnek bölütleme görevlerini aynı ağırlıklarla çözebilir ve COCO, ADE20K gibi kıyaslamalarda birden fazla sette üstün sonuçlar üretmektedir. Uygulama alanları özerk araçlardan (her nesne ve yüzey türünün çevre haritasına eklenmesi) tıbbi görüntülemeye (organ tespiti ve doku sınıflandırması), endüstriyel kalite kontrole (hatalı parça sayımı ve sınıflandırması) kadar uzanır. Özellikle robotik algı sistemlerinde sahnenin eksiksiz anlaşılması için panoptik bölütleme kritik işlev üstlenir.

arrow_forward code_blocks

Prosodi (Prosodi)

Prosodi (İngilizce: prosody), konuşmadaki ton yüksekliği (pitch/F0), fonem süresi, ses enerjisi, vurgu ve duraklamalar gibi dil-üstü (suprasegmental) özelliklerin bütünüdür. Fonemler "ne söylendiğini" taşırken prosodi "nasıl söylendiğini" taşır: aynı cümle, pitch konturu değiştirildiğinde soru, ironi veya öfke anlamı kazanabilir. Yapay zeka tabanlı konuşma sentezinde (TTS) prosodi modellemesi, üretilen sesin insan konuşmasına yakınlığını belirleyen en kritik bileşendir; prosodi zayıfsa ses tek düze ve robotik duyulur. Teknik olarak prosodi dört ölçülebilir akustik parametreye dayanır: temel frekans (F0) konturu, fonem/hece süreleri, enerji (loudness) dağılımı ve sessizlik yerleşimi. Erken dönem birleştirmeli (concatenative) TTS sistemleri bu parametreleri elle yazılmış kurallarla üretirken, Tacotron 2 (2017) ve FastSpeech 2 (2020) gibi nöral modeller pitch, süre ve enerjiyi doğrudan veriden öğrenen açık öngörücüler (variance adaptors) kullandı. VITS ve StyleTTS 2 uçtan uca olasılıksal modellemeyle bu çizgiyi ileri taşıdı. 2024-2026 dalgasında ise ağırlık büyük dil modeli tabanlı ses üretimine kaydı: OpenAI'nin gpt-4o tabanlı Realtime sesi, ElevenLabs v3, Google'ın Gemini 2.5 native-audio çıkışı ve açık kaynak tarafında CosyVoice 2, F5-TTS ve Kokoro gibi modeller, metnin anlamsal ve duygusal bağlamından prosodi kararlarını örtük biçimde üretir; kullanıcı "fısıldayarak söyle" veya "[excited]" gibi doğal dil ve etiket yönergeleriyle tonlamayı yönlendirebilir. Prosodi yalnızca sentezin değil, konuşma tanımanın (ASR) ve konuşma-LLM etkileşiminin de konusudur: Whisper gibi modeller noktalama ve cümle sınırı kararlarında prosodik ipuçlarından örtük olarak yararlanır; sesli asistanlarda konuşma sırası (turn-taking) tespiti büyük ölçüde prosodiye dayanır. Türkçe gibi sondan eklemeli ve soru ekiyle (-mı/-mi) çalışan dillerde, dile özgü vurgu ve tonlama örüntülerinin modellenmesi sentez doğallığını belirgin biçimde artırır; akademik çalışmalar dile özgü prosodi kurallarının algılanan doğallıkta ölçülebilir iyileşme getirdiğini gösterir.

arrow_forward code_blocks

p-value (p Değeri)

p değeri (İng. p-value), istatistiksel hipotez testlerinin temel ölçütüdür. Sıfır hipotezinin (H₀) gerçek olduğu varsayımı altında, yapılan deneyde elde edilen sonucun ya da daha aykırı bir sonucun gözlemlenme olasılığını ifade eder. 0 ile 1 arasında değer alır; küçük bir p değeri, elde edilen bulguların sıfır hipoteziyle zayıf biçimde örtüştüğünü ve bu hipotezi reddetmek için güçlü istatistiksel kanıt bulunduğunu gösterir. Geleneksel istatistik araştırmalarında en yaygın anlamlılık eşiği α = 0,05'tir. p değeri bu eşiğin altına düştüğünde sonuç "istatistiksel olarak anlamlı" kabul edilir ve sıfır hipotezi reddedilir. Tıp ve ilaç araştırmalarında α = 0,01 ya da α = 0,001 gibi çok daha katı eşikler benimsenmektedir. Parçacık fiziğinde ise 5 sigma kriteri (p < 3×10⁻⁷) standart kabul görmektedir. Bu eşikler evrensel doğa yasaları değil, alanın risk toleransına göre uzlaşıyla belirlenmiş değerlerdir. Veri biliminde p değeri; A/B testlerinde grup farklılığının rastlantısal olup olmadığının sınanmasında, regresyon modellerinde bağımsız değişken katsayılarının anlamlılığının değerlendirilmesinde ve özellik seçiminde (feature selection) sıklıkla kullanılır. p değerinin doğru anlaşılması için kritik bir noktayı vurgulamak gerekmektedir: p değeri, sıfır hipotezinin doğru olma olasılığı değildir. Yalnızca mevcut verilerin sıfır hipoteziyle ne ölçüde uyumsuz olduğunu gösterir ve alternatif hipotezin kesinliği hakkında doğrudan bir yargı sunmaz. p değeri tek başına yeterli bir ölçüt değildir; büyük örneklemlerde pratik açıdan önemsiz küçük farklar bile anlamlılık eşiğini kolaylıkla aşabilir. Modern veri bilimi pratiğinde Cohen's d gibi etki büyüklüğü ölçütleri, güven aralıkları ve Bayes faktörü gibi tamamlayıcı araçlarla birlikte yorumlanması önerilmektedir. 2016'da Amerikan İstatistik Derneği (ASA), p değerinin yanlış ve tek başına kullanımına dair resmi bir uyarı yayımlamış; çoklu test sorunlarında Bonferroni düzeltmesi ve FDR (False Discovery Rate) kontrolü gibi yöntemlerin benimsenmesini tavsiye etmiştir.

arrow_forward code_blocks

Penetration Testing (Sızma Testi) (Sızma Testi)

Penetration testing (sızma testi veya pentest), bir organizasyonun ağ, uygulama, sistem veya insan güvenlik kontrollerindeki zafiyetleri gerçek saldırgan taktiklerini taklit ederek proaktif biçimde tespit eden yetkilendirilmiş güvenlik testidir. Güvenlik açıklarını saldırgan bunları kötüye kullanmadan önce bulmak ve yamalamak amacıyla siber güvenlik uzmanları (pentest uzmanları / ethical hacker) tarafından gerçekleştirilir. Pentest, üç temel kapsam türünde yürütülür. Black box (kara kutu) testinde sızma uzmanı hedef sistem hakkında hiçbir ön bilgiye sahip değildir; dışarıdan gelen gerçek bir saldırganı simüle eder. White box (beyaz kutu) testinde kaynak kod, mimari diyagramlar ve kimlik bilgileri gibi tam sistem bilgisi sağlanır; kapsamlı kod denetimi ve iç tehdit senaryolarına odaklanır. Gray box (gri kutu), en yaygın kullanılan yaklaşımdır; kısmi kimlik bilgisi ve sınırlı sistem bilgisiyle gerçekçi iç tehdit modelini yansıtır. Standar pentest metodolojileri şunlardır: PTES (Penetration Testing Execution Standard), yedi aşamalı çerçevesiyle keşif, tehdit modelleme, zafiyat analizi, sömürü, sömürü sonrası ve raporlamayı kapsar. OWASP Testing Guide web uygulaması güvenliğinin referans belgesidir. NIST SP 800-115 ise federal kurumlar için teknik güvenlik testi rehberi niteliğindedir. Yapay zekanın alana girişiyle pentest araçları dönüştü. Nuclei ve Semgrep gibi araçlar LLM tabanlı yük (payload) önerisiyle zenginleştirildi. Metasploit'un AI modülleri exploit seçimini otomatikleştiriyor. ReconBuddy ve benzeri GPT destekli ajanlar OSINT toplama sürecini hızlandırıyor. Tersine yönde ise AI sistemleri pentest hedefi haline geldi: model inversion, prompt injection ve LLM güven zinciri saldırıları günümüz pentest kapsamına girdi. Türkiye'de BDDK ve BTK, bankacılık ve kritik altyapı sektörlerinde yıllık penetration testing zorunluluğu getirmiştir. KVKK denetimleri kapsamında kişisel veri işleyen sistemlerin düzenli sızma testine tabi tutulması beklenmektedir. Türkiye'deki ISO 27001 sertifikalı kurumların büyük çoğunluğu bu zorunlulukları karşılamak için yurt içi siber güvenlik firmalarıyla sözleşme yapmaktadır.

arrow_forward code_blocks

Prescriptive Analytics (Prescriptif Analitik)

Prescriptif analitik, veri analitiğinin en gelişmiş basamağını temsil eder. Tanımlayıcı analitik 'ne oldu?' sorusunu yanıtlarken, teşhis analitik 'neden oldu?' sorusunu, öngörüsel analitik 'ne olacak?' sorusunu ve prescriptif analitik ise 'ne yapmalıyız?' sorusunu yanıtlar. Bu son basamak, yalnızca geleceği tahmin etmekle kalmaz; aynı zamanda belirlenen hedeflere ulaşmak için optimal eylem planları önerir ve bu önerileri ölçülebilir iş çıktılarına doğrudan bağlar. Prescriptif analitiğin temel mekanizması, optimizasyon algoritmalarını tahmine dayalı modellerle birleştirmektir. Doğrusal programlama ve tamsayılı programlama gibi operasyon araştırması teknikleri, kısıt koşulları altında en iyi çözümü bulmak için kullanılır. Monte Carlo simülasyonu ise olası senaryoları binlerce kez çalıştırarak belirsizlik altında karar almayı destekler. Modern prescriptif sistemler bu klasik yöntemleri pekiştirmeli öğrenme ve büyük dil modelleriyle güçlendirerek dinamik ortamlarda gerçek zamanlı kararlar üretebilmektedir. Prescriptif analitiğin uygulama alanları son derece geniştir. Tedarik zinciri yönetiminde perakende devleri envanter optimizasyonu için prescriptif modellerden yararlanmaktadır. Sağlık sektöründe hastane kaynak planlaması ve ilaç dozaj optimizasyonu bu yaklaşımla yönetilir. Enerji sektöründe yenilenebilir kaynak dağıtımı ve şebeke dengeleme prescriptif modellerle optimize edilir. Finansta portföy optimizasyonu ve risk yönetimi bu tekniğin klasik uygulama alanlarıdır. Prescriptif analitik uygulamalarının başarısı büyük ölçüde veri kalitesine ve kısıt tanımlarının doğruluğuna bağlıdır. Açıklanabilir yapay zeka teknikleri, karar alıcıların güvenini kazanmak için prescriptif sistemlerle giderek daha sık entegre edilmektedir. AB Yapay Zeka Yasası kapsamında yüksek riskli sektörlerdeki otomatik karar sistemleri insan denetimi gerektirmekte olup bu durum prescriptif analitik tasarımını doğrudan etkilemektedir. Kötü tanımlanmış kısıt fonksiyonları veya yetersiz veri, modelin pratikte uygulanamaz öneriler üretmesine yol açabileceğinden pilot projelerle başlamak ve iteratif iyileştirme döngüsü kurmak kritik başarı faktörlerinin başında gelir.

arrow_forward code_blocks

Parçacık Sürü Optimizasyonu (PSO)

Parçacık sürü optimizasyonu (İng. Particle Swarm Optimization, PSO), James Kennedy ve Russell Eberhart tarafından 1995 yılında IEEE Uluslararası Sinir Ağları Konferansı'nda önerilen, sürü zekasına dayalı bir meta-sezgisel optimizasyon algoritmasıdır. Algoritmanın temel esin kaynağı, merkezi bir yönlendirme olmaksızın koordineli davranan kuş sürüleri ve balık okullarının kolektif davranışıdır. PSO, bir "sürü" oluşturan aday çözümler kümesiyle çalışır; her aday çözüme "parçacık" adı verilir. Her parçacık, arama uzayında bir konum (X) ve bir hız vektörüyle (V) temsil edilir. Optimizasyon sürecinde her parçacık iki bilgiden yararlanır: kendi geçmişte ulaştığı en iyi konum (kişisel en iyi, pBest) ve sürünün tümünün şimdiye kadar bulduğu en iyi konum (küresel en iyi, gBest). Hız güncelleme formülü şu şekildedir: V(t) = w·V(t-1) + c₁·r₁·(pBest - X) + c₂·r₂·(gBest - X). Burada w atalet ağırlığı, c₁ bilişsel katsayı, c₂ sosyal katsayı; r₁ ve r₂ ise [0,1] aralığındaki rastgele sayılardır. Shi ve Eberhart (1998), w değerini yinelemeler boyunca 0,9'dan 0,4'e doğrusal olarak azaltmanın küresel keşif ile yerel sömürü arasındaki dengeyi iyileştirdiğini göstermiştir. Makine öğrenmesinde PSO; yapay sinir ağlarında hiper-parametre optimizasyonu (katman sayısı, öğrenme hızı, batch boyutu), sinir mimarisi araması (NAS) ve özellik seçimi için yaygın biçimde kullanılır. Araştırmalar, 20-50 parçacıktan oluşan küçük bir sürünün bile etkili sonuçlar ürettiğini göstermektedir. Başlıca varyantları arasında Uyarlanabilir PSO (APSO, Zhan vd. 2009), zaman değişkenli ivme katsayılı PSO (PSO-TVAC) ve kombinatoryal problemler için Ayrık PSO sayılabilir. Genetik algoritmalarla karşılaştırıldığında PSO, çaprazlama ve mutasyon operatörlerine gerek duymadan daha az parametreyle çalışır; bu durum özellikle sürekli değerli optimizasyon problemlerinde daha hızlı yakınsama sağlar. Başlıca sınırlılığı erken yakınsamadır: parçacıklar küresel en iyiye hızla yöneldiğinde sürü çeşitliliği azalır ve algoritma yerel bir optimumda takılı kalabilir.

arrow_forward loop

PPO (Proximal Policy Optimization)

PPO (Proximal Policy Optimization), politika güncellemelerini kırpılmış vekil kayıp (clipped surrogate loss) fonksiyonuyla sınırlı tutarak kararlı ve verimli öğrenme sunan, politika gradyanı tabanlı bir pekiştirmeli öğrenme algoritmasıdır. 2017 yılında OpenAI tarafından TRPO'nun hesaplama karmaşıklığını basitleştirmek amacıyla geliştirilmiş ve hızla pekiştirmeli öğrenmenin fiili standardı haline gelmiştir. PPO'nun temel yeniliği kırpma mekanizmasıdır: yeni politika ile eski politika arasındaki olasılık oranı r_t = π_θ(a|s) / π_θ_old(a|s) formülüyle hesaplanır ve bu oran avantaj tahmini A_t ile çarpılır. Ancak oran [1-ε, 1+ε] aralığına kırpılır: L_CLIP = E[min(r_t·A_t, clip(r_t, 1-ε, 1+ε)·A_t)]. ε genellikle 0.2 olarak seçilir. Bu yapı güncellemenin politikayı çok uzağa sürüklememesini garantiler; TRPO'nun ikinci dereceden optimizasyon yükü olmadan benzer kararlılık elde eder. PPO; pekiştirmeli öğrenmeden insan geri bildirimi (RLHF) boru hatlarında kilit bir rol oynamaktadır. InstructGPT, GPT-4, Claude ve benzer modellerin tercih hizalaması aşamasında PPO, ödül modeli çıktısını optimize etmek için kullanılmıştır. RLHF'de dört aşama yürütülür: SFT modelini başlangıç politikası olarak kopyalama, ödül modeli eğitimi, PPO ile RL güncellemesi ve KL sapma cezasıyla aşırı optimizasyonu engelleme. 2025-2026 döneminde GRPO (Group Relative Policy Optimization) gibi PPO türevleri ortaya çıkmış; değer ağı gerektirmeden grup içi ödül normalizasyonu yaparak hesaplama maliyetini önemli ölçüde düşürmüştür. DeepSeek-R1 ve benzeri muhakeme modelleri GRPO ile eğitilmiştir. Bununla birlikte PPO, karmaşık ortamlarda değer tahminiyle doğruluk avantajını korumaktadır. Pratik uygulamalarda Stable Baselines3, CleanRL ve TRL (Transformer Reinforcement Learning) kütüphaneleri aracılığıyla PPO kolayca kullanılabilir. Hiperparametre ayarı kritik önem taşır: öğrenme hızı (genellikle 3×10⁻⁴), mini-batch sayısı, epoch sayısı ve kırpma parametresi ε dikkatli seçilmelidir. PPO, robotik kontrolden dil modeli hizalamasına uzanan geniş bir uygulama yelpazesiyle modern yapay zekanın temel algoritmalarından biri olmayı sürdürmektedir.

arrow_forward engineering

Prompt Engineering (Prompt Mühendisliği)

Prompt mühendisliği (Prompt Engineering), büyük dil modellerinden (LLM) istenen çıktıyı elde etmek için girdi talimatlarını sistematik biçimde tasarlama ve optimize etme disiplinidir. Modelin parametrelerini değiştirmeden, yalnızca metin girdisini biçimlendirerek model davranışını yönlendirmek bu disiplinin özünü oluşturur. Etkili bir prompt; görevin net tanımını, bağlamı, format yönergelerini ve gerekiyorsa örnek girdi-çıktı çiftlerini içerir. "Bana bir e-posta yaz" ile "Müşteriye sipariş gecikmesini özür dileyerek açıklayan, profesyonel, 3 paragraftan oluşan bir e-posta yaz" arasındaki fark, bu disiplinin temel mantığını yansıtır. Temel teknikler şunlardır: Zero-shot prompting modelden önceki örnek göstermeksizin görev yapmasını ister. Few-shot prompting 2-5 örnek göstererek modeli yönlendirir ve çıktı formatını öğretir. Chain-of-Thought (CoT), "adım adım düşün" talimatıyla modelin akıl yürütme zincirini görünür kılar; karmaşık matematik ve mantık problemlerinde başarıyı önemli ölçüde artırır. Tree-of-Thoughts ise birden fazla akıl yürütme yolunu paralel değerlendirir. Sistem promptu, modelin rol ve davranış çerçevesini belirleyen kalıcı bir talimat katmanıdır; kullanıcı girdisinden önce işlenir. Güvenlik açısından kritik olan prompt injection saldırıları, kötü niyetli kullanıcı girdilerinin sistem promptunu geçersiz kılmaya çalıştığı bir tehdit vektörüdür. Koruma için girdi sanitizasyonu ve güvenilir içerik etiketleme uygulanır. Araçlar ekosistemi hızla genişlemektedir: LangChain ve LlamaIndex RAG pipeline'larında prompt yönetimi sunarken, PromptLayer prompt sürümleme imkânı tanır. DSPy (Stanford) ise promptları insanlar yerine algoritmaların optimize ettiği otomatik prompt optimizasyonu yaklaşımıdır. Türkiye'de prompt mühendisliği becerisi; müşteri hizmetleri otomasyonu, hukuki metin analizi ve yazılım geliştirme iş akışlarında giderek daha fazla aranmaktadır. Türkçe promptlarda dil yapısına özgü dikkat noktaları (SOV söz dizimi, eylem çekimi, soru ekleri) model çıktı kalitesini doğrudan etkiler; teknik terimlerin İngilizce karşılığını parantez içinde eklemek belirsizliği azaltır. GPT-4o ve Claude gibi güçlü modellerde Türkçe few-shot örnekler çıktı kalitesini belirgin biçimde artırır.

arrow_forward security

Privacy by Design (Tasarımla Gizlilik)

Privacy by Design (Tasarımla Gizlilik), gizlilik ilkelerinin bir sistemin, ürünün veya sürecin tasarım aşamasına başından itibaren entegre edilmesi gerektiğini savunan proaktif bir veri koruma yaklaşımıdır. Bu kavram, 1990'lı yıllarda Ontario Gizlilik Komiseri Ann Cavoukian tarafından geliştirilmiş ve 2010 yılında Uluslararası Veri Koruma ve Gizlilik Komiserleri Konferansı tarafından uluslararası bir standart olarak tanınmıştır. 2018'de yürürlüğe giren AB Genel Veri Koruma Yönetmeliği (GDPR), Privacy by Design ilkelerini Madde 25 kapsamında 'Tasarım ve Varsayılan Ayarlarla Veri Koruma' adıyla yasal bir zorunluluk haline getirmiştir. Bu yaklaşımın temelinde yedi ilke bulunmaktadır: proaktif ve önleyici tasarım, gizliliğin varsayılan ayar olması, gizliliğin sistemin mimarisine gömülmesi, işlevsellik ile gizliliğin birlikte var olabilmesi (pozitif toplam), uçtan uca güvenlik ve tam yaşam döngüsü koruması, şeffaflık ve görünürlük, son olarak da kullanıcı merkezli yaklaşım. Yapay zeka sistemleri bağlamında Privacy by Design; veri minimizasyonu, eğitim verilerinin anonimleştirilmesi, diferansiyel gizlilik tekniklerinin ML pipeline'larına entegrasyonu, federe öğrenme ve Veri Koruma Etki Değerlendirmesi (DPIA) gibi uygulamalarla hayata geçirilir. Büyük dil modelleri, görüntü işleme sistemleri ve öneri motorlarında bu ilkelerin benimsenmesi hem GDPR ve KVKK gibi yasal yükümlülükleri karşılamak hem de kullanıcı güvenini sürdürülebilir biçimde korumak açısından kritik öneme sahiptir. ISO 31700:2023 standardı ise tüketici ürünleri için Privacy by Design gerekliliklerini uluslararası düzeyde standartlaştırmaktadır. Privacy by Design, reaktif bir gizlilik anlayışından proaktif ve sistematik bir koruma kültürüne geçişin temel taşını oluşturmaktadır. Gizlilik ihlalleri meydana geldikten sonra yama uygulamak yerine, bu ihlalleri tasarım kararlarıyla baştan önlemek hem maliyeti düşürür hem de kullanıcı güvenini kalıcı kılar. Bu anlayış, günümüz yapay zeka geliştirme ekipleri için teknik bir zorunluluk olduğu kadar etik bir sorumluluk da haline gelmiştir.

arrow_forward code_blocks

Pooling (Havuzlama Katmanı)

Havuzlama (Pooling) katmanı, evrişimli sinir ağlarının (CNN) temel bileşenlerinden biridir; özellik haritalarının uzamsal boyutlarını sistematik biçimde küçülterek en önemli bilgilerin yoğunlaştırılmasını sağlar. Evrişim katmanlarından elde edilen yüksek boyutlu aktivasyon haritaları, belirli bir pencere (kernel) içindeki değerleri tek bir değere özetleyerek daha küçük bir temsile dönüştürülür. En yaygın kullanılan türü maksimum havuzlama (max pooling) dur. Bu yöntemde belirlenen pencere (genellikle 2×2) içindeki en yüksek değer alınır ve özellik haritasının boyutu küçültülür. Max pooling, keskin ve belirgin özellikleri ön plana çıkarır; nesne tanıma ve sınıflandırma görevlerinde uygulamaların yaklaşık yüzde 80-90 ında bu yöntem tercih edilir. Ortalama havuzlama (average pooling) ise penceredeki tüm değerlerin ortalamasını alarak daha yumuşak bir temsil oluşturur. Gürültüye karşı daha dirençli olmakla birlikte bazen belirgin özellikleri zayıflatabilir. Küresel ortalama havuzlama (Global Average Pooling, GAP), tüm özellik haritasını tek bir değere indirgeyen modern bir yaklaşımdır. Tam bağlantılı katmanların yerini alabilmesi, parametre sayısını dramatik biçimde azaltır. VGG mimarisinin 138 milyon parametresi ResNet te 25 milyona inmiş olup bu farkın büyük bölümü GAP kullanımından kaynaklanmaktadır. MobileNet ve EfficientNet gibi hafif mimarilerde GAP artık standart bir seçenek hâline gelmiştir. Havuzlama katmanları öğrenilemeyen işlemlerdir; hiçbir ağırlık içermez. Geri yayılım sırasında max pooling yalnızca maksimum değerin bulunduğu konuma gradyanı iletirken diğer konumlara sıfır aktarır (switch mekanizması). Average pooling ise gradyanı penceredeki tüm konumlara eşit biçimde dağıtır. Havuzlamanın kritik bir katkısı translasyon değişmezliği (translation invariance) dir: bir nesne görüntüde birkaç piksel kaymış olsa bile max pooling, bölgenin en güçlü aktivasyonunu yakaladığından benzer sonuçlar üretebilir. Tarihsel olarak AlexNet (2012) ve VGG (2014) gibi öncü mimariler havuzlamaya yoğun biçimde başvurmuştur. Günümüzde adımlı evrişim (strided convolution) ve dilate evrişim gibi öğrenilebilir alternatifler önem kazanmış; Vision Transformer (ViT) gibi dikkat tabanlı modeller ise uzamsal alt örnekleme için dikkat mekanizmalarını tercih etmiştir. Buna karşın, evrişimli tabanlı ve gömülü sistem uygulamalarında havuzlama vazgeçilmez bir bileşen olmayı sürdürmektedir.

arrow_forward code_blocks

Perplexity AI (Perplexity AI)

Perplexity AI, 2022 yılında Aravind Srinivas öncülüğünde San Francisco'da kurulan ve "cevap motoru" (answer engine) olarak adlandırılan yapay zeka destekli bir araştırma asistanı ve arama platformudur. Geleneksel arama motorları yalnızca bağlantı listeleri sunarken Perplexity, kullanıcı sorularını gerçek zamanlı web taramasıyla büyük dil modellerini (LLM) birleştirerek kaynaklı, doğrudan ve bütüncül yanıtlar üretir. Sistemin temel mimarisi şu adımlarla çalışır: Kullanıcı bir soru gönderdiğinde platform web'i gerçek zamanlı tarar, ilgili kaynakları sıralar ve seçilen büyük dil modeli bu kaynakları işleyerek tutarlı bir yanıt sentezler. Her iddianın yanında görünen kaynak numaraları, bilginin doğruluğunu anında kontrol etmeye olanak tanır; bu özellik LLM halüsinasyonu riskini belirgin biçimde azaltır. Perplexity, sohbet asistanlarından farklı olarak bilgi kesme tarihi sorununu ortadan kaldırır: Yanıtlar her zaman canlı web verilerine dayanır. Pro planında kullanıcılar tercih ettikleri modeli—GPT-5, Claude 4, Gemini veya Perplexity'nin kendi Sonar modeli—seçebilir. 2026'da tanıtılan Model Council özelliği birden fazla modelin aynı soruya verdiği yanıtları karşılaştırmalı göstererek kritik araştırmalarda güvenilirliği artırır. 2026 başı itibarıyla Perplexity yaklaşık 45 milyon aktif kullanıcıya ve 200 milyon dolarlık yıllık yinelenen gelire (ARR) ulaşmıştır; şirket değeri 20 milyar doların üzerindedir. Platform, öğrenciler ve araştırmacılar arasında güncel kaynaklara hızlı erişim için popüler bir araç hâline gelmiştir. Türkiye'de hem web hem iOS/Android uygulaması üzerinden ücretsiz erişilebilmekte; ücretli Pro planı ise sınırsız model seçimi ve gelişmiş araştırma özellikleri sunmaktadır. Rakipleri arasında ChatGPT Search, Google Gemini ve Microsoft Copilot gibi köklü platformlar yer alsa da Perplexity'yi ayırt eden en kritik özellik şeffaf kaynak atıfları ve çok model desteğinin tek arayüzde birleştirilmesidir. Akademik çevrelerde özellikle literatür tarama, haber takibi ve piyasa araştırması amacıyla tercih edilmekte; yönlendirme ve kayıpsız kaynak izleme konusundaki performansıyla dikkat çekmektedir.

arrow_forward auto_fix_high

Program Sentezi (Program Sentezi)

Program Sentezi (İng. Program Synthesis), belirli bir amaca yönelik yazılımın, insan programcı müdahalesi olmaksızın ya da minimum düzeyde müdahaleyle otomatik olarak üretildiği yapay zeka ve bilgisayar bilimi alanıdır. Bu süreçte sistem; doğal dil açıklamaları, girdi-çıktı örnekleri veya biçimsel mantık ifadeleri biçimindeki belirtimlerden (specification) hareketle çalışan ve doğru bir program üretir. Program sentezi sistemleri üç temel bileşen üzerinde çalışır: belirtim, arama uzayı ve değerlendirme mekanizması. Belirtim, sistemin ne yapması gerektiğini tanımlar. Arama uzayı, genellikle bir alan özgü dil (DSL) ile kısıtlanan olası programlar kümesidir. Değerlendirme mekanizması ise aday programların belirtimi ne ölçüde karşıladığını ölçer ve en uygun çözümü döndürür. Geleneksel yaklaşımlar bu aramayı sembolik yöntemlerle (SAT/SMT çözücüler, tümevarımsal mantık programlama) yürütürken modern yaklaşımlar sinir ağlarının olasılıksal yönlendirmesiyle aramayı hızlandırır. Nöro-sembolik sistemler her iki katmanı birleştirerek hem hız hem doğruluk avantajını bir arada sunmayı hedefler. Örnek tabanlı sentez (Programming by Example, PBE), kullanıcının birkaç girdi-çıktı çifti sağlamasıyla sistemin bu örnekleri genelleştiren programı bulduğu yaklaşımdır. Microsoft Excel'in FlashFill özelliği, milyonlarca kullanıcının program yazmadan veri dönüştürmesini mümkün kılmıştır. Nöral program sentezinde ise büyük kod veri kümeleri üzerinde eğitilmiş dil modelleri (GPT-4, Code Llama, AlphaCode) doğal dil ya da kısmi kod ipuçlarından tam program üretir. GitHub Copilot bu yaklaşımın en geniş kitleye ulaşan uygulamasıdır. Uygulama alanları arasında e-tablolarda veri temizleme, doğal dil sorgularından SQL üretme (Text-to-SQL), yazılım testlerinin otomatik oluşturulması ve biyoinformatik veri işleme öne çıkar. Alanın temel sınırlılığı, arama uzayı büyüdükçe hesaplama maliyetinin katlanarak artması ve büyük karmaşık programlarda doğruluğun güvence altına alınmasının güçleşmesidir. Bununla birlikte alan, yapay zekanın yazılım geliştirme üzerindeki dönüştürücü etkisinin en heyecan verici cephelerinden biri olmayı sürdürmektedir.

arrow_forward account_tree

Pipeline (Boru Hattı)

Makine öğrenimi bağlamında pipeline (boru hattı), ham veriden nihai tahmine ya da çıktıya uzanan işlem adımlarının zincirlendiği sistemdir. Her adım bir öncekinin çıktısını girdi olarak alır; veri ön işleme, özellik mühendisliği, model çıkarımı ve son işleme adımları tek bir tutarlı birim olarak kapsüllenir. Bu yapı hem tekrar kullanımı hem de dağıtım tutarlılığını artırır: geliştirme ortamında çalışan pipeline, üretimde de birebir aynı davranışı sergiler. Pipeline'ın en belirgin avantajı, karmaşık iş akışlarını yönetilebilir, test edilebilir ve bağımsız olarak güncellenebilir birimlere bölmesidir. Veri kayması (data drift) veya model bozulması durumunda sorunlu adım izole edilerek hızla müdahale edilebilir. Yeniden üretilebilirlik (reproducibility) açısından pipeline, veri ve model sürümlemesiyle birlikte MLOps'un temel taşını oluşturur. Hugging Face Transformers kütüphanesi, NLP ve bilgisayarlı görü görevleri için yüksek seviyeli pipeline arayüzleri sunar. `pipeline('sentiment-analysis')` gibi tek satırlık çağrılarla tokenizasyon, model çalıştırma ve sonuç son işleme otomatik olarak gerçekleşir. Transformers.js, aynı pipeline API'sini JavaScript'e taşıyarak tarayıcı ve Node.js ortamlarında çalıştırabilir hale getirir. MLOps platformlarında pipeline kavramı daha geniş bir anlam taşır: veri toplama, eğitim, değerlendirme, dağıtım ve izleme adımlarını kapsayan uçtan uca ML yaşam döngüsü iş akışını ifade eder. Kubeflow Pipelines, MLflow ve Apache Airflow bu tür pipeline'ları orkestre etmek için kullanılan platformlardır. CI/CD analojisiyle düşünüldüğünde ML pipeline, yazılım pipeline'ının veri ve model boyutundaki karşılığıdır. Büyük dil modeli (LLM) odaklı pipeline'lar klasik ML pipeline'larından ayrışır. Eğitim aşaması büyük ölçüde yerini RAG (Retrieval-Augmented Generation) entegrasyonuna, araç çağrısına (tool calling) ve prompt mühendisliğine bırakır. Tipik bir üretim RAG pipeline'ı şu adımları sırayla yürütür: belge parçalama → gömme oluşturma → vektör indeksleme → kullanıcı sorgusunu alma → benzerlik araması → bağlam oluşturma → LLM çıkarımı. LangChain ve LlamaIndex bu bileşenleri modüler biçimde sunar.

arrow_forward code_blocks

Positional Encoding (Konum Kodlama (Positional Encoding))

Konum Kodlama (Positional Encoding), Transformer mimarisinin temel bileşenlerinden biridir. Geleneksel Tekrarlayan Sinir Ağları (RNN) ve LSTM modelleri token'ları sırayla işleyerek doğal olarak konum bilgisini korur; Transformer modelleri ise tüm token'ları aynı anda paralel biçimde işler. Bu yaklaşım hesapsal açıdan büyük bir avantaj sunarken, modelin dizideki sıra bilgisini doğrudan elde edememesi anlamına gelir. Konum kodlama bu sorunu çözer: her token'ın öğrenilmiş embedding vektörüne, o token'ın dizideki konumunu temsil eden sayısal bir vektör eklenir. Örneğin "Kedi fareyi kovaladı" cümlesinde "kedi" kelimesi 1. konumda, "fareyi" 2. konumda yer alır; bu iki konumun farklı konum vektörleri sayesinde model sözcüklerin sıralamasını anlayabilir. Sinüzoidal Konum Kodlama, orijinal "Attention Is All You Need" makalesinde (Vaswani ve diğerleri, 2017) kullanılmış yöntemdir. Bu yaklaşımda her konum için sinüs ve kosinüs fonksiyonları hesaplanır: PE(pos, 2i) = sin(pos / 10000^(2i/d)) ve PE(pos, 2i+1) = cos(pos / 10000^(2i/d)). Farklı frekanstaki dalgalar sayesinde her konum benzersiz bir imzaya sahip olur; bu vektörler öğrenilmez, eğitim sırasında sabit kalır. BERT ve GPT-2 gibi modeller, konum bilgisini eğitim sırasında veri üzerinden öğrenir. Bu öğrenilmiş konum gömmeleri daha esnek bir yapı sunmakla birlikte eğitimde görülmemiş dizi uzunluklarına genelleme yapmakta zorlanabilir. RoPE (Rotary Position Embedding), LLaMA, Mistral, Gemma ve Qwen ailesi gibi modern dil modellerinin büyük çoğunluğunun tercih ettiği bir yöntemdir. RoPE, konum bilgisini döndürme matrisleri aracılığıyla dikkat mekanizmasına doğrudan entegre eder. Hem mutlak hem göreli konum bilgisini etkin biçimde kodlar; uzun bağlam uzunluklarına genelleme konusunda önceki yöntemlere kıyasla belirgin üstünlük gösterir. ALiBi (Attention with Linear Biases) ise dikkat puanlarına konum farkına dayalı doğrusal bir ceza ekler. Bu tasarım, modeli eğitimde hiç görmediği dizi uzunluklarına genellemeye yardımcı olur ve bellek açısından verimli bir çözüm sunar. Konum kodlamasının seçimi modelin bağlam penceresi boyutunu, çok dilli performansını ve hesapsal verimini doğrudan etkiler. Bu nedenle büyük dil modeli araştırmalarında, özellikle uzun bağlam penceresi geliştirme çalışmalarında, aktif olarak araştırılan bir alan olmayı sürdürmektedir.

arrow_forward code_blocks

Privacy-Preserving Machine Learning (Gizliliği Koruyan Makine Öğrenimi)

Privacy-Preserving Machine Learning (PPML), makine öğrenimi modellerini eğitirken ve çalıştırırken bireylerin ile kurumların gizlilik haklarını korumayı amaçlayan yöntemler, teknikler ve algoritmalar bütünüdür. Geleneksel makine öğrenimi süreçlerinde ham veriler merkezi sunucularda toplanır; bu durum veri ihlali, yetkisiz erişim ve hassas bilgilerin ifşası gibi ciddi gizlilik risklerini beraberinde getirir. PPML, bu riskleri minimize ederken model doğruluğunu ve kullanılabilirliğini korumayı hedefler. Temel PPML teknikleri arasında Federated Learning (Federatif Öğrenme), Differential Privacy (Diferansiyel Gizlilik), Homomorphic Encryption (Homomorfik Şifreleme) ve Secure Multi-Party Computation (Güvenli Çok Taraflı Hesaplama) yer alır. Federated Learning'de ham veri merkezi bir sunucuya gönderilmez; model yerel cihazlarda eğitilir ve yalnızca model ağırlıkları paylaşılır. Google, bu tekniği Gboard klavye uygulamasında kullanıcı yazım öğrenimini kişisel veriyi sunucuya yüklemeden gerçekleştirmek için benimsemiştir. Diferansiyel Gizlilik, model güncellemelerine kalibreli matematiksel gürültü ekleyerek bireysel veri noktalarının modelden tersine mühendislikle çıkarılmasını zorlaştırır. Epsilon (ε) parametresi, gizlilik ve doğruluk arasındaki dengeyi matematiksel olarak kontrol eder; düşük ε daha güçlü gizlilik koruma anlamına gelirken model performansından taviz verilir. Apple ve Meta bu tekniği gerçek dünya ürünlerinde kullanmaktadır. Homomorfik Şifreleme, veriler şifreli haldeyken üzerinde hesaplama yapmaya olanak tanıyan ileri kriptografik bir yöntemdir. Bu sayede bulut servis sağlayıcısı ham veriyi hiç görmeden anlamlı analiz üretebilir; ancak hesaplama maliyeti geleneksel yöntemlere kıyasla yüzlerce kat daha yüksektir. PPML'nin savunduğu başlıca tehditler arasında model inversion saldırısı, membership inference saldırısı ve gradient leakage yer alır. Model inversion saldırısında saldırgan, modelin çıktılarını kullanarak eğitim verisini yeniden oluşturmaya çalışır. Membership inference saldırısında belirli bir veri kaydının eğitim setinde bulunup bulunmadığı tahmin edilmeye çalışılır. Gradient leakage ise federated learning ortamında bireysel güncelleme vektörlerinden hassas veri sızdırma girişimidir. PPML; sağlık görüntüleme, finansal kredi skorlaması, IoT analizi ve kullanıcı davranış analizi gibi alanlarda giderek artan bir öneme sahiptir. GDPR, HIPAA ve CCPA gibi veri koruma düzenlemeleri, kuruluşları bu teknikleri benimsemeye yönlendirmektedir. Gizlilik korumalı makine öğrenimi artık yalnızca teknik bir tercih değil; etik ve yasal bir gereklilik olarak konumlanmaktadır.

arrow_forward accessibility_new

Pose Estimation (Poz Tahmini)

Poz Tahmini (Pose Estimation), görüntü veya video karelerinden insan vücudunun anatomik eklem noktalarını (keypoints) otomatik olarak tespit eden ve bu noktalar arasındaki bağlantılarla iskelet yapısı oluşturan bir bilgisayarlı görü tekniğidir. Omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri gibi 17 ila 133 arası değişen sayıda eklem noktası tahmin edilerek kişinin tüm vücut duruşu sayısal olarak modellenir. Teknoloji iki temel boyut üzerinde sınıflandırılır. İki Boyutlu (2B) Poz Tahmini, görüntüdeki piksel koordinatlarında x ve y değerleri olarak eklem noktalarını belirler; hesaplama yükü düşüktür ve gerçek zamanlı uygulamalarda öne çıkar. Üç Boyutlu (3B) Poz Tahmini ise derinlik (z) bilgisini de hesaba katarak gerçek dünya koordinatlarında iskelet çıkarır; bu yöntem biyomekanik analiz ve spor performansı ölçümü için tercih edilir. Mimari yaklaşımlar açısından iki temel strateji mevcuttur. Yukarıdan Aşağıya (Top-Down) yöntemde önce bir nesne tespiti modeliyle her kişi çerçevelenir, ardından her birey için poz ayrıca hesaplanır; bu yaklaşım doğruluk açısından üstündür. Aşağıdan Yukarıya (Bottom-Up) yöntemde ise görüntüdeki tüm eklem noktaları tek seferde tahmin edilip bireylere atanır; kalabalık sahnelerde daha verimli çalışır. Alandaki öncü araçlar şunlardır: Carnegie Mellon Üniversitesi'nin geliştirdiği OpenPose (2017) çok kişili poz tahmininde referans çalışma olmuştur; Google'ın MediaPipe BlazePose mimarisi 30 FPS'in üzerinde gerçek zamanlı mobil çalışma sağlar; transformer tabanlı ViTPose ve ViTPose++ ise COCO ve MPII başarım ölçütlerinde en yüksek sonuçları elinde tutmaktadır. Uygulama alanları son derece geniştir: spor performansı analizi ve koçluk, fizyoterapi ve rehabilitasyon takibi, artırılmış ve sanal gerçeklik etkileşimi, oyun kontrolü, güvenlik kamerasında davranış analizi, endüstriyel ergonomi denetimi ve insansız araç sistemlerinde insan algısı bu alanların başında gelir. Temel teknik zorluklar arasında örtülme (occlusion), kıyafet çeşitliliği nedeniyle görünüm değişkenliği, bakış açısı belirsizliği ve kaynakları sınırlı cihazlarda gerçek zamanlı işleme bulunmaktadır. Derin öğrenme yöntemleri ve büyük ölçekli veri setleri bu zorlukların büyük bölümünü aşmayı başarmıştır.

arrow_forward