P Harfi ile Başlayan Terimler
Prompt Nedir? Yapay Zeka Talimatı Rehberi (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.
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 temel 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 şekilde korumak açısından kritik öneme sahiptir. ISO 31700:2023 standardı ise tüketici ürünleri için Privacy by Design gerekliliklerini uluslararası düzeyde standartlaştırmaktadır. Sonuç olarak Privacy by Design, reaktif bir gizlilik anlayışından proaktif ve sistematik bir koruma kültürüne geçişin temel taşını oluşturmaktadır.
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.
Penetration Testing (Sızma Testi) Nedir? (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.
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.
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.
Perplexity AI (Perplexity Yapay Zeka Arama Motoru)
Perplexity AI, 2022 yılında San Francisco'da kurulan ve yapay zeka tabanlı arama motorları arasında öncü konuma gelen bir platformdur. Geleneksel arama motorlarından farklı olarak Perplexity, kullanıcının sorduğu soruya sıralanmış link listesi sunmak yerine doğrudan, kaynaklara atıf yapılmış özlü bir yanıt üretir. Platform, arka planda birden fazla büyük dil modelini (LLM) kullanır; bunlar arasında Anthropic'in Claude modelleri, OpenAI'nin GPT serisi, Meta'nın Llama modelleri ve Mistral yer almaktadır. Perplexity'nin çalışma prensibi, gerçek zamanlı web aramasını LLM yetenekleriyle birleştirmeye dayanır. Kullanıcı bir soru yazdığında sistem önce web'den ilgili sayfaları tarar, bu sayfaları analiz eder ve özlü, kaynaklı bir yanıt oluşturur. Her yanıtın altında kullanılan kaynakların bağlantıları görüntülenir; böylece kullanıcı bilginin doğruluğunu kolayca doğrulayabilir. Platform birkaç farklı 'Focus' moduna sahiptir: genel web araması, akademik yayınlar, YouTube videoları, Reddit tartışmaları ve Wolfram|Alpha hesaplamaları için özel odak modları mevcuttur. Perplexity Pro aboneliği ($20/ay) ise GPT-4o, Claude Sonnet ve diğer gelişmiş modellere erişim, sınırsız Pro arama, dosya ve görsel yükleme, Perplexity Pages (uzun biçimli makale oluşturma) ve Deep Research (derinlemesine çok adımlı araştırma) özelliklerini kapsar. Perplexity, Türkiye dahil dünya genelinde erişilebilir olup masaüstü tarayıcıların yanı sıra iOS ve Android uygulamaları üzerinden de kullanılabilir. Geliştiriciler için pplx-api aracılığıyla API erişimi sunulmaktadır. Platform; Google Arama, ChatGPT ve You.com gibi rakipleriyle doğrudan yarışırken özellikle kaynaklı yanıt yaklaşımıyla akademik araştırma ve profesyonel kullanıcılar arasında güçlü bir kullanıcı kitlesi oluşturmuştur.
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.
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. John Schulman ve ekibi tarafından OpenAI'da 2017'de yayımlanan yöntem (arXiv:1707.06347), TRPO'nun ikinci dereceden optimizasyon gerektiren güven bölgesi (trust region) yaklaşımını birinci dereceden, uygulaması kolay bir mekanizmayla değiştirir: yeni politika eski politikadan belirli bir oranın (tipik olarak ε=0.2) ötesinde saparsa güncelleme kırpılır. PPO iki alanda standart haline geldi. Klasik pekiştirmeli öğrenmede robotik simülasyon (MuJoCo, Isaac Lab), oyun ajanları (OpenAI Five'ın Dota 2 sistemi 2019'da dünya şampiyonunu PPO ile yendi) ve kontrol görevlerinde varsayılan algoritma oldu. Büyük dil modellerinde ise RLHF boru hattının üçüncü adımını oluşturdu: SFT modelinden başlayan politika, ürettiği yanıtlar için ödül modelinden puan alır; KL sapma penaltısı politikayı referans modele yakın tutar ve PPO bu toplam ödülle ağırlıkları günceller. InstructGPT (2022), ChatGPT ve Llama 2-Chat (2023) bu döngüyle hizalandı. 2024-2026 döneminde tablo değişti. Statik tercih verisiyle hizalamada DPO ve türevleri (IPO, KTO, ORPO) düşük maliyetleriyle öne çıkarken, muhakeme modellerinin doğrulanabilir ödüllerle (RLVR) eğitiminde PPO'nun basitleştirilmiş türevi GRPO yükseldi: DeepSeek, R1 modelini (Ocak 2025) değer ağını kaldırıp avantajı grup içi ödül ortalamasından hesaplayan GRPO ile eğitti; DAPO ve Dr. GRPO gibi düzeltmeler 2025-2026'da bu hattı sürdürdü. Yine de bu yöntemlerin tamamı PPO'nun kırpma mantığını miras alır; PPO, modern RL tabanlı LLM eğitiminin ortak atası ve referans noktası olmayı sürdürüyor.
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.
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.
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.
Prosodi Nedir? Konuşma Sentezinde Ton ve Ritim Kontrolü (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.
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, çözümün her ara adımını doğru/yanlış veya 0-1 arası bir skorla değerlendirir; böylece model doğru sonuca şans eseri değil, gerçekten sağlam bir düşünce zinciriyle ulaşmayı öğrenir. Kavram, OpenAI'nin 2023 tarihli "Let's Verify Step by Step" makalesiyle ana akıma girdi: MATH veri setinde adım bazlı denetimle eğitilen PRM, sonuç bazlı denetime karşı belirgin üstünlük kurdu ve bu çalışmadan 800 binden fazla adım etiketini içeren PRM800K veri seti kamuya açıldı. Bugün PRM'ler iki ana yerde çalışır: **eğitim sırasında** pekiştirmeli öğrenmeye adım bazlı ödül sinyali verir; **çıkarım sırasında** ise Best-of-N örnekleme veya MCTS (Monte Carlo Ağaç Araması) gibi test-time compute yöntemlerinde üretilen aday çözümler arasından en tutarlı zinciri seçen doğrulayıcı (verifier) rolünü üstlenir. OpenAI o1/o3, DeepSeek-R1 ve Qwen'in QwQ/Qwen3 serisi gibi muhakeme modellerinin yükselişiyle PRM araştırması hızlandı. Qwen2.5-Math-PRM-72B ve Skywork-PRM gibi açık ağırlıklı modeller, ProcessBench ve PRMBench gibi kıyaslamalarda adım hatalarını yakalama becerisiyle ölçülüyor. Öte yandan DeepSeek-R1 raporu önemli bir dengeleyici ders verdi: büyük ölçekli RL'de PRM'ler "ödül hackleme" (reward hacking) riskine açık olduğu için R1, kural tabanlı sonuç ödülünü tercih etti. Bu yüzden 2026 itibarıyla PRM, tek başına bir eğitim sinyali olmaktan çok, çıkarım anında doğrulama ve veri filtreleme katmanı olarak en güçlü etkisini gösteriyor. İnsan etiketleme maliyetini düşüren Math-Shepherd tarzı otomatik etiketleme, alanın en aktif araştırma damarı.
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 sağlar. Platformun temel değer önerisi, kullanıcıların ayrı abonelikler olmadan 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. 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 üretici ekosistemi de büyümektedir: 2026 itibarıyla platformda 1 milyonun üzerinde kullanıcı tarafından oluşturulmuş özel bot bulunmaktadır. Yaratıcılar, popüler botlarından kendi platformu üzerinden gelir elde edebilmektedir.
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.
Predictive Analytics (Öngörüsel Analitik)
Tahmine dayalı analitik (predictive analytics), istatistiksel modeller, makine öğrenmesi algoritmaları ve geçmiş verileri kullanarak gelecekteki olayları, eğilimleri veya davranışları tahmin eden veri bilimi disiplinidir. Geriye dönük tanımlayıcı analitiğin ötesine geçerek 'ne olabilir?' sorusuna olasılıksal yanıtlar üretir. Tahmine dayalı analitiğin en yaygın uygulaması müşteri davranışı tahminidir. E-ticaret platformları satın alma olasılığını tahmin ederek kişiselleştirilmiş öneriler sunar; bankalar kredi temerrüt olasılığını modelleyerek risk yönetimi yapar; sigorta şirketleri poliçe başvurusu alınmadan önce kaza olasılığını hesaplar. Bu modeller lojistik regresyon, karar ağaçları, rastgele orman veya gradient boosting gibi algoritmalar üzerine inşa edilebilir. Sağlık sektöründe tahmine dayalı analitik erken tanı için kritik değer taşır. Hasta taburculuk sonrası hastaneye yeniden kabul olasılığını, sepsis riskini veya ilaç uyumsuzluğunu öngören modeller klinik kararları destekler. IBM Watson Health ve Optum gibi platformlar bu kapasiteleri ölçeklenebilir biçimde sunmaktadır. Tedarik zinciri ve üretimde kestirimci bakım (predictive maintenance), ekipman arızasını önceden tespit ederek plansız duruş sürelerini ve bakım maliyetlerini azaltır. Sensör verileri, titreşim analizi ve sıcaklık örüntüleri makine sağlığını sürekli izlemek için kullanılır. Model geliştirme sürecinde özellik seçimi, eğitim-test bölmeleme, zaman serisi kayması (temporal leakage) ve sınıf dengesizliği gibi zorluklarla dikkatli biçimde başa çıkmak gerekir. Tahmin modeli doğruluğu kadar açıklanabilirliği ve adilliği de giderek daha fazla ön plana çıkmaktadır.
Pydantic (Pydantic)
Pydantic, Python'da veri dogrulama ve ayari yonetimi icin kullanilan acik kaynak bir kutuphanedir. Python tip ipuclarini (type hints) kullanarak runtime'da otomatik veri dogrulama saglar; hatali veya uyumsuz veri geldiginde net ve anlasilir hata mesajlari uretir. Samuel Colvin tarafindan gelistirilmis; Python ekosisteminin en cok indirilen kutuphanelerinden biri konumuna gelmistir. Pydantic'te veri yapilari BaseModel sinifi miras alınarak tanimlanir. Her alan, tip annotasyonuyla belirtilir; Pydantic bu tiplere gore otomatik dogrulama yapar. String'i integer'a, ISO tarih dizesini datetime nesnesine otomatik donusturebilir (coercion). Field() fonksiyonu ile minimum/maksimum deger, desen eslestirmesi, varsayilan deger gibi ek kisitlamalar eklenebilir. Pydantic v2, Rust ile yeniden yazilmis cekirdek dogrulama motoruyla v1'e gore cok daha hizlidir. Bu surum, hem performansi iyilestirmis hem API'yi daha tutarli hale getirmistir. model_validator ve field_validator decorator'larıyla modele ozgul kisitlamalar ve capraz alan dogrulamalari eklenebilir. Yapay zeka uygulamalarinda Pydantic ozellikle one cikmiştir. LangChain ve LlamaIndex Pydantic modellerini yapilandirılmıs cikti icin kullanir. OpenAI API'si dogrudan Pydantic modeli kabul ederek yapilandirılmıs JSON dogrulama gerceklestirir. Instructor kutuphanesi, herhangi bir LLM'den Pydantic model dogrulamasi ile yapilandirilmıs cikti almayı kolaylastirir. FastAPI ise Pydantic'i HTTP istek ve yanıt dogrulamasi icin temel olarak kullanir.
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.
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.
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. 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.
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 haline gelmiştir. Türkiye'de hem web hem iOS/Android uygulaması üzerinden ücretsiz erişilebilmekte; ücretli Pro planı ise sınırsız model seçimi ve gelişmiş araştırma özellikleri sunmaktadır.
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.
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 merkezindedir. 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 tahmin etmeyi öğrenir. Öz-denetimli öğrenme prensibine dayandığından etiket gerekmez; metinlerin kendisi öğrenme sinyali sağlar. 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 deposu 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 verisiyle model özelleştirilir. RLHF ile insan tercihlerine hizalanır. Komut ayarı (instruction tuning) ise modelin doğal dil talimatlarını izlemesini öğretir. Bu uyarlama aşamaları pre-training sırasında kazanılan genel bilgi altyapısını koruyarak üzerine inşa eder.
Precision-Recall Nedir? Kesinlik ve Duyarlılık Ölçütleri (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 perspektifi yansıtır. 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 atılmadığı anlamına gelir. Recall formülü: TP / (TP + FN). Tüm gerçek pozitif örnekler arasında modelin doğru yakaladıklarının oranıdır. Tıbbi teşhiste yüksek Recall, hasta bireylerin gözden kaçırılmadığını garantiler. 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 göre belirlenir. 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.
Program Sentezi Nedir? (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. Sistem, kullanıcının sağladığı belirtimlerden —doğal dil açıklamaları, girdi/çıktı örnekleri veya biçimsel kısıtlamalar— yola çıkarak bu belirtimi karşılayan bir program oluşturur. Alanın temel yaklaşımları şöyle sıralanabilir: (1) Örnek Tabanlı Sentez (Inductive Program Synthesis - IPS), kullanıcıdan alınan giriş-çıkış çiftlerinden genelleştirme yaparak programı öğrenir; Microsoft'un FlashFill özelliği bu yaklaşımın en bilinen uygulamasıdır. (2) Kısıt Tabanlı (Deduktif) Sentez, biçimsel mantık ve doğrulama yöntemleri kullanarak programın doğruluğunu ispatlanabilir biçimde güvence altına alır. (3) Nöral Program Sentezi, derin öğrenme ve büyük dil modellerini (LLM) kullanarak kod üretir; DeepMind'ın AlphaCode modeli ve GitHub Copilot bu kategorinin önemli örnekleridir. (4) Nöro-sembolik yaklaşımlar ise sembolik arama yöntemleriyle sinir ağlarını birleştirerek her iki paradigmanın avantajlarından yararlanır; MIT'in DreamCoder sistemi bu alanda öne çıkmaktadır. Önemli araç ve çerçeveler arasında Microsoft'un PROSE (Program Synthesis using Examples) çatısı sayılabilir; PROSE, geliştiricilerin belirli alanlara özgü sentezleyiciler kurmasını sağlar ve Excel'in FlashFill'inden PowerPoint tablo düzenleyicisine kadar pek çok üründe kullanılmaktadır. DreamCoder, 'uyku-uyanıklık' öğrenme döngüsüyle kütüphane kavramlarını öğrenerek metin düzenleme görevlerinde FlashFill'i geçen bir performans sergilemiştir. AlphaCode ise 2022'de yayımlanan modeliyle rekabetçi programlama yarışmalarında insan programcıların medyan düzeyine yakın sonuçlar elde etmiştir. Uygulama alanları arasında e-tablolarda veri dönüştürme, doğal dil sorgularından veritabanı sorgusu (SQL) üretme, test senaryolarının otomatik oluşturulması, robotik görev planlaması ve biyoinformatik sayılabilir. Bununla birlikte alan; hesaplama maliyeti, üretilen kodun yorumlanabilirliği ve büyük ölçekli programlara genelleme güçlüğü gibi açık zorluklarla karşı karşıyadır.
Prompt Engineering (Prompt Mühendisliği)
Prompt mühendisliği (İngilizce: prompt engineering), yapay zeka dil modellerinden (ChatGPT, Claude, Gemini, LLaMA vb.) istenen kalitede, doğrulukta ve belirli bir formatta yanıt almak amacıyla girdi metnini yapılandırma, optimize etme ve sistematik biçimde test etme bilimidir. 2020'lerden itibaren büyük dil modellerinin (LLM) yaygınlaşmasıyla birlikte önem kazanan bu alan, kullanıcının sorusunu veya talebini yapay zekanın en iyi anlayacağı biçime dönüştürmekle ilgilenir. Aynı yapay zeka modelini kullanan iki kişi çok farklı sonuçlar alabilir; bu farkın temel nedeni prompt kalitesidir. İyi tasarlanmış bir prompt, model ağırlıklarında herhangi bir değişiklik yapmadan performansı yüzde otuz ila iki yüz arasında iyileştirebilir. Etkili bir prompt dört temel bileşen içerir: Görev (ne yapılması gerektiğinin net tanımı), Bağlam (modele arka plan bilgisi sağlamak), Veri (işlenecek girdi) ve Format (çıktının nasıl sunulması gerektiği). Bu bileşenler bir araya geldiğinde model, kullanıcının gerçek amacını çok daha iyi kavrar. Başlıca teknikler şunlardır: Sıfır atış (zero-shot) prompting, hiçbir örnek vermeden doğrudan soru sormaktır. Az atış (few-shot) prompting, iki ile beş arası örnek göstererek istenen çıktı formatını modele öğretir. Zincir düşünce (chain-of-thought) prompting, modeli adım adım akıl yürütmeye yönlendirir; özellikle matematik ve mantık problemlerinde doğruluğu ciddi ölçüde artırır. Rol prompting ise modele belirli bir kimlik veya uzman rolü atayarak yanıt tonunu ve derinliğini şekillendirir. İleri teknikler arasında öz-tutarlılık (self-consistency) — aynı promptu birden fazla kez çalıştırıp en sık sonucu seçme —, düşünce ağacı (tree of thoughts) ve otomatik prompt optimizasyonu (APO) yer almaktadır. Sistem promptları ve kullanıcı promptlarının ayrımı, özellikle API entegrasyonlarında kritik bir tasarım kararıdır. 2024 itibarıyla büyük teknoloji şirketleri yıllık 175.000–335.000 USD aralığında Prompt Mühendisi pozisyonları açmaktadır. Yazılım geliştirme, içerik üretimi, hukuk, finans ve eğitim gibi pek çok sektörde prompt optimizasyonu rekabet avantajı haline gelmiştir. Türkiye'de de YZ danışmanlık firmaları ve kurumsal dijital dönüşüm projeleri kapsamında prompt mühendisliği talebi artmaktadır. Önemli yazım notu: "Promt" yaygın bir hatadır; doğrusu "prompt"tur. Türkçe karşılığı "istem" veya "komut" olarak önerilse de sektörde İngilizce haliyle kullanılmaktadır.
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.
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.
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.