T Harfi ile Başlayan Terimler
Text-to-Music (Metinden Müziğe)
Metin-müzik dönüştürme (text-to-music), doğal dil tanımlamalarından otomatik olarak müzik üretmeyi hedefleyen yapay zeka teknolojisidir. "Sakin bir piyano melodisi", "80'lerin disko ritmi" ya da "epik orkestral gerilim" gibi metin girdilerinden tutarlı ve dinlenebilir müzik parçaları oluşturabilen bu sistemler, ses belirteçleri, dil modelleri ve difüzyon ağlarını birleştiren karmaşık mimariler üzerine kuruludur. Teknoloji hem profesyonel müzik prodüksiyonunu hem de bireysel yaratıcı içerik üretimini kökten dönüştürme potansiyeli taşımaktadır. Bu ilerleme, müzisyenlerden içerik üreticilerine kadar geniş bir kullanıcı kitlesini etkilemektedir. Modern metin-müzik sistemleri genellikle iki aşamalı bir yapı kullanır. Metin kodlayıcı girdi metni bir gizli temsile dönüştürür; ses belirteçleyici müziği ayrık bir belirteç dizisine parçalar. Transformer dil modeli, metin temsilini koşul olarak alarak ses belirteç dizisini otoregressif biçimde üretir; bu dizi son olarak ham ses dalgasına dönüştürülür. Yüksek örnekleme hızı ve uzun vadeli müzikal yapının korunması teknik açıdan en zorlu gereksinimler arasındadır. Difüzyon tabanlı ses üretimi, bu zorlukların bir bölümünü belirteç uzayında çalışarak aşmaktadır. Alanın gelişimi hızla sürmektedir. Meta'nın AudioCraft'ı açık kaynaklı yapısıyla araştırmacılara erişim kolaylığı sunmaktadır. Google'ın MusicLM'i hiyerarşik belirteç yapısıyla uzun ve tutarlı parçalar üretmede öne çıkmaktadır. Suno ve Udio ise vokalli tam şarkı üretimiyle tüketici pazarında ilgi görmektedir. Telif hakkı meselesi hukuki ve etik açıdan tartışmalı olmayı sürdürmektedir; modellerin ticari kataloglar üzerinde eğitilmesi müzisyenler ve plak şirketleri arasında ciddi endişelere neden olmuştur. Koşullu müzik üretimi araştırmaları tempo, akor ilerlemesi ve enstrüman seçimi üzerinde hassas kontrol sunan yeni mimarilere yönelmektedir. Video oyunlarında dinamik arka plan müziği, reklam prodüksiyonunda maliyet etkin içerik ve eğitimde özelleştirilmiş müzik materyali bu teknolojinin öngörülen kullanım alanlarının başında gelmektedir.
Time Series (Zaman Serisi)
Zaman serisi (time series), belirli aralıklarla ve kronolojik sırayla toplanan veri noktalarının dizisidir. Hava durumu ölçümleri, hisse senedi fiyatları, enerji tüketimi, hasta kalp ritmi ve web sitesi trafik verileri birer zaman serisi örneğidir. Veri noktaları arasındaki zaman aralığı dakika, saat, gün veya ay olabilir; önemli olan sıranın korunması ve her gözlemin bir zaman damgasıyla eşleştirilmesidir. Her zaman serisi dört temel yapısal bileşenden oluşur: uzun vadeli yönelimi gösteren trend; belirli periyotlarda tekrarlayan mevsimsellik (seasonality); ekonomik büyüme ve daralma döngüleri gibi daha uzun vadeli dalgalanmaları kapsayan döngüsellik (cyclicality); ve hiçbir kalıpla açıklanamayan rastgele sapmaları içeren gürültü. Başarılı bir analiz bu bileşenleri ayrıştırmakla başlar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), durağanlaştırılmış serilerde kısa vadeli tahmin için standart yaklaşımdır. Mevsimsel bileşen içeren serilerde SARIMA tercih edilir; Holt-Winters üstel düzleştirme yöntemi trend ve mevsimselliği ayrı parametrelerle modeller. Çok değişkenli durumlarda ise VAR (Vector Autoregression) birden fazla serinin karşılıklı etkileşimini hesaba katar. Derin öğrenme bu alanı köklü biçimde dönüştürmüştür. LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları kapı mekanizmaları aracılığıyla uzun dönem bağımlılıklarını öğrenebilmektedir. Transformer mimarisinin zaman serilerine uyarlanmasıyla TFT (Temporal Fusion Transformer) ve N-BEATS modelleri geliştirilmiştir. 2023 sonrasında TimesFM (Google), Chronos (Amazon) ve Lag-Llama gibi foundation modeller büyük ölçekli ön eğitimle sıfır-atış (zero-shot) tahmin kapasitesi kazanmıştır. Zaman serisi analizi finans, üretim, sağlık ve enerji gibi pek çok kritik sektörde kullanılmaktadır. Anormallik (anomali) tespiti, tahminlenen değerden sapan noktaları otomatik olarak işaretleyerek operasyonel riskleri erkenden ortaya koyar. Durağanlık (stationarity) varsayımı zaman serisi analizinin merkezinde yer alır: ortalama ve varyansın zaman içinde sabit kalması, çoğu klasik modelin ön koşuludur. Mevsimsel ayrıştırma ve differencing bu koşulu sağlamak için standart ön işleme adımları arasındadır.
TinyML (TinyML)
TinyML (Tiny Machine Learning), eğitilmiş makine öğrenmesi modellerini mikrodenetleyiciler, sensörler ve gömülü sistemler gibi milivat düzeyinde güç tüketen cihazlarda çalıştırmayı mümkün kılan yazılım-donanım disiplinidir. Terim, "tiny" (küçük) ve "machine learning" (makine öğrenmesi) kelimelerinin birleşiminden oluşur; hedefi sunucu altyapısı olmadan, düzinelerce kilobayt bellek ve yüz milivat altında güçle gerçek zamanlı çıkarım yapmaktır. Geleneksel yapay zeka modelleri GPU'lu sunucularda çalışırken TinyML modelleri bir pul kadar küçük devre kartlarında — ARM Cortex-M serisi işlemciler, Arduino, ESP32, STM32 veya Nordic nRF52840 — koşar. Bu "uç çıkarım" (edge inference) yaklaşımı üç kritik avantaj sunar: gizlilik (ham veri buluta gitmez), gecikme (internet bağlantısı gerekmez, yanıt milisaniye mertebesindedir) ve enerji verimliliği (pil ömrü yıllara uzayabilir). Model küçültme teknolojisi TinyML'in bel kemiğidir. Kuantizasyon (quantization), ağırlıkları 32-bit kayan noktalı sayıdan 8-bit ya da 4-bit tamsayıya indirerek model boyutunu 4-8× küçültür ve bellek bant genişliği gereksinimini düşürür. Budama (pruning), düşük katkılı nöronları kaldırarak seyrek (sparse) ağlar oluşturur. Bilgi damıtma (knowledge distillation) ise büyük öğretmen modelinin davranışını küçük öğrenci modeline aktarır. Bu yöntemlerin bileşimi çoğu zaman yüz kilobaytın altında, doğruluğu kabul edilebilir modeller üretir. Başlıca framework'ler TensorFlow Lite Micro (TFLM), Edge Impulse ve Arduino'nun TensorFlow kütüphanesidir. TFLM, TensorFlow modellerini FlatBuffer formatına dönüştürerek C++ runtime'ı aracılığıyla doğrudan mikrodenetleyicide çalıştırır. Edge Impulse bulut tabanlı bir eğitim ve dağıtım platformu sunarak sensör verisi toplamayı, model eğitimini ve hedef cihaza aktarımı tek çatı altında birleştirir. Uygulama alanları geniştir: akıllı termostatlar konuşma komutu tanır; endüstriyel sensörler titreşim analizi yaparak arıza öngörüsü üretir; tıbbi giyilebilir cihazlar kalp ritmi anomalisi saptarken baterya şarjını haftalarca korur; tarımsal IoT düğümleri görüntü işleme ile zararlı böcekleri tespit eder. Türkiye'de akıllı tarım, enerji izleme ve sağlık sensörü projelerinde TinyML bileşenleri artan sıklıkla kullanılmaktadır. 2026 itibarıyla RISC-V tabanlı AI hızlandırıcılar ve analog hesaplama bu alanın sınırlarını genişletmektedir. Öte yandan model doğruluğu, veri setinin temsil sorunu ve karmaşık donanım ekosistemi başlıca açık araştırma sorunları olarak kalmaktadır.
Tensor Core (Tensor Çekirdeği)
Tensor Core, NVIDIA'nın 2017'de Volta mimarisiyle (V100) tanıttığı, matris çarpma-biriktirme (Matrix Multiply-Accumulate, MMA: D = A × B + C) işlemini tek saat döngüsünde gerçekleştiren özel donanım birimidir. Derin öğrenme modellerinin hem eğitimi hem çıkarımı dev matris çarpmalarından oluştuğu için bu birimler, modern yapay zekâ hesaplamasının fiili motoru konumundadır. Klasik CUDA çekirdekleri genel amaçlı skaler ve vektör işlemler için tasarlanmıştır; Tensor Core ise sabit işlevli bir matris motorudur. Bir warp (32 iş parçacığı), `wmma` API'si üzerinden 16×16 matrisleri 4×4 bloklara bölerek işler ve aynı hassasiyetteki FP32 CUDA hesabına kıyasla teorik tepe verimini kata katlar: FP16 modunda yaklaşık 8×, düşük bitli formatlarda çok daha fazlası. En kritik yetenek karma hassasiyettir (mixed precision): çarpma FP16, BF16 veya FP8 gibi kısa formatlarda yapılırken biriktirme FP32'de tutulur. Böylece bellek bant genişliği ihtiyacı yarıya iner, model doğruluğu büyük ölçüde korunur. PyTorch'ta `torch.autocast`, TensorFlow'da `tf.keras.mixed_precision` bu donanımı şeffaf biçimde devreye alır; cuBLAS, cuDNN ve TensorRT kütüphaneleri de arka planda Tensor Core kullanır. Nesil gelişimi hızlıdır: Volta FP16 ile başladı, Turing (2018) INT8/INT4 ekledi, Ampere (A100, 2020) TF32, BF16 ve 2:4 yapısal seyreklik getirdi, Hopper (H100, 2022) FP8 ve Transformer Engine ile LLM eğitiminin standardı oldu. Blackwell (B200/GB200, 2024) 5. nesil Tensor Core'larda FP4 ve FP6 formatlarını, 2. nesil Transformer Engine'i ve mikro ölçekleme (MX) veri tiplerini tanıttı; B200 tek başına FP4'te 9 PFLOPS'u aşan yoğun matris verimi sunar. 2026 itibarıyla GPT, Claude, Gemini ve Llama sınıfı modellerin eğitimi on binlerce Blackwell GPU'luk kümelerde, çıkarımı ise FP8/FP4 nicemlemeyle Tensor Core'lar üzerinde koşar; NVIDIA'nın Rubin mimarisi de 2026 yol haritasında aynı çizgiyi sürdürür.
Text-to-Speech (TTS) (Metinden Sese)
Metinden konuşmaya dönüştürme (text-to-speech, TTS), yazılı metni doğal duyulan insan sesi kalitesinde ses sinyaline dönüştüren yapay zeka teknolojisidir. Ekran okuyucudan sesli kitap üretimine, dijital asistandan multimedya içerik üretimine, eğitim platformlarından oyun sesli anlatımına ve çağrı merkezi otomasyonuna kadar geniş bir uygulama yelpazesine hitap eder. Modern TTS sistemleri iki ana paradigmaya dayanır. Boru hattı tabanlı yaklaşımda akustik model metni fonetik temsillerden mel-spektrogram gibi ara ses gösterimlerine dönüştürür; vocoder bu gösterimi ham ses dalgasına çevirir. Tacotron 2 ve FastSpeech 2 akustik model alanında; WaveNet, HiFi-GAN ve BigVGAN vocoder alanında öncü çalışmalardır. Uçtan uca modeller (VITS, YourTTS, Voicebox) ise bu iki adımı tek bir nöronal yapıda birleştirir ve üretim gecikmesini belirgin biçimde düşürür. TTS sistemlerinin kalitesi genellikle insanların 1-5 skalasında değerlendirdiği MOS (Mean Opinion Score) ölçütüyle ölçülür. Güçlü TTS sistemlerini diğerlerinden ayıran unsurlar prozodi (vurgu, ton, ritim), duygusal ifade ve zero-shot ses klonlamadır. ElevenLabs ve OpenAI TTS, yalnızca birkaç saniyelik kayıt örneğiyle hedef konuşmacının sesini taklit edebilmektedir; bu özellik hem yaratıcı medyada hem de derin sahte (deepfake) ses risklerinde yankısını bulmaktadır. SSML (Speech Synthesis Markup Language), TTS çıktısının vurgu, hız, ses yüksekliği ve duraklama gibi özelliklerini programatik olarak kontrol etmek için kullanılan XML tabanlı standarttır. <break time="500ms"/>, <prosody rate="slow"> ve <say-as interpret-as="date"> gibi etiketler geliştiricilere ince kontrol imkânı sunar. Google Cloud, Amazon Polly ve Microsoft Azure gibi bulut TTS servisleri SSML desteğiyle birlikte gelir. Erişilebilirlik açısından TTS, görme ve okuma güçlüğü yaşayan bireyler için dijital içeriğe erişimin kilit teknolojisidir. Konuşma verisi kıt diller için de TTS, ses kazandırmanın pratik yolunu sunar. Türkçe TTS kalitesi Coqui XTTS v2 ve Microsoft Azure Neural Voices ile son yıllarda ciddi bir sıçrama yaşamıştır. 2025-2026 döneminde gerçek zamanlı (streaming) TTS, sesli asistanlar ve canlı çeviri sistemleri için kritik bir bileşen haline gelmiştir. İlk token üretilir üretilmez ses akıtmaya başlayan bu modeller, algılanan gecikmeyi 300 ms'nin altına indirebilir. TTS teknolojisi düzenleyici ve etik boyutlarıyla da giderek daha fazla incelenmektedir. Ses sahteciliği (voice spoofing) ve izinsiz ses klonlamasına karşı deepfake ses tespiti araştırmaları yoğunlaşmaktadır. Ses filigranı (audio watermarking) ve konuşmacı onayı gerektiren lisanslama modelleri, sorumlu TTS kullanımını yaygınlaştırmaya yönelik endüstri girişimleridir.
TPU Mimarisi (TPU Mimarisi)
TPU Mimarisi (Tensor Processing Unit Architecture), Google tarafından matris çarpımı ve lineer cebir işlemlerini maksimum verimlilikle gerçekleştirmek için özel olarak tasarlanan donanım işlemci mimarisini ifade eder. GPU ve CPU'nun aksine genel amaçlı hesaplama için değil, özellikle derin öğrenme modellerinin eğitimi ve çıkarımı (inference) için optimize edilmiş olan TPU, ilk olarak 2016 yılında Google veri merkezlerinde kullanılmaya başlanmıştır. TPU mimarisinin temel yapı taşı sistolik dizi (systolic array) adı verilen ve binlerce çarpma-toplama (multiply-accumulate) biriminin birbirine doğrudan bağlı olduğu matris yapısıdır. Bu mimaride veri bir kez bellekten yüklenir ve dizi boyunca akarak defalarca yeniden kullanılır; böylece bellek bant genişliği talebi dramatik biçimde düşürülür. TPU v1, 700 MHz saat hızında 65.536 çarpma-toplama işlemini eş zamanlı gerçekleştirebilir ve saniyede 92 trilyon 8-bit işlem kapasitesine sahipken yalnızca 40 watt güç tüketir. Her TPU TensorCore birimi; matris çarpımı birimi (MXU), vektör birimi ve skaler birimden oluşur. TPU v4 ve v5'te MXU boyutu 256×256'ya çıkarılmış, HBM (High Bandwidth Memory) kullanımıyla bant genişliği daha da artırılmıştır. TPU v4 Pod, 4.096 çipi ICI (Inter-Chip Interconnect) ağıyla birleştirerek eksa-FLOPS ölçeğinde hesaplama kapasitesi sunar; Gemini ve PaLM gibi büyük dil modellerinin eğitimi bu altyapıda gerçekleştirilmiştir. GPU'yla karşılaştırıldığında TPU'nun belirgin avantajları ve kısıtlamaları vardır. Avantajlar: watt başına daha yüksek matris çarpımı throughput'u, bellek yeniden kullanımı verimliliği, Pod topolojisinde doğrusal ölçeklenme. Kısıtlamalar: genel amaçlı programlama esnekliğinin düşük olması, XLA (Accelerated Linear Algebra) derleyicisiyle sıkı entegrasyon gerekliliği ve bazı dinamik iş yüklerinde GPU'nun gerisinde kalması. Google Cloud üzerinden TPU VM ve TPU Pod yapılandırmaları olarak erişilebilen bu işlemciler, JAX, TensorFlow ve torch_xla aracılığıyla PyTorch ile çalışır. Yapay zeka donanımı ekosistemine göre yeni nesil TPU 8t (eğitim) ve TPU 8i (çıkarım) varyantları, farklı hesaplama gereksinimlerine özgü optimizasyon fırsatı sunar. TPU mimarisi, NVIDIA GPU'larına rakip en güçlü yapay zeka hızlandırıcı platformu konumunu korumaktadır.
Token Kabul Oranı (Token Kabul Oranı)
Token Kabul Oranı (Token Acceptance Rate), spekülatif kod çözme sistemlerinde taslak modelin önerdiği tokenlerin büyük doğrulayıcı model tarafından kabul edilme yüzdesini ölçen verim metriğidir. Bu oran, spekülatif kod çözmenin pratikte ne kadar etkin çalıştığını değerlendirmenin temel göstergesidir. Spekülatif kod çözmede taslak model γ adet aday token önerir; doğrulayıcı model bunları değerlendirerek kabul veya reddeder. Eğer γ=8 öneride 6 tanesi kabul ediliyorsa token kabul oranı %75'tir. Kabul oranı yüksek olduğunda her doğrulayıcı geçişinden daha fazla yeni token kazanılır; bu durum fiili hız çarpanını artırır. Kabul oranı düştükçe spekülatif kod çözme geleneksel otoregresif kod çözmeye kıyasla avantajını yitirir ve belirli bir eşiğin altında geleneksel kod çözme daha verimli hale gelir. Token kabul oranını etkileyen başlıca faktörler şunlardır: taslak modelin büyük modelle dağılım uyumu (kalibrasyonu), görev tipi, bağlam uzunluğu ve sıcaklık değeri. Aynı model ailesinden seçilen taslak modeller, örneğin LLaMA 3 8B ile LLaMA 3 70B kombinasyonu, dağılım uyumu yüksek olduğundan genellikle %80 üzerinde kabul oranı sağlar. Çeviri ve kod tamamlama gibi tahmin edilebilir görevler yaratıcı metin üretimine kıyasla çok daha yüksek kabul oranı verir. Token kabul oranı ile ortalama kabul uzunluğu (average accepted length, α) arasında doğrudan bir ilişki bulunmaktadır. α değeri her doğrulayıcı geçişinde kabul edilen ortalama token sayısını gösterir ve teorik hız çarpanı (1 + α) olarak hesaplanır. Örneğin α=3 olduğunda teorik hız 4× artar. Pratikte bu değer GPU bellek bant genişliği ve model boyutu gibi donanım faktörlerine bağlı olarak değişir. Üretim sistemlerinde token kabul oranı sürekli izlenmeli ve dinamik γ seçimiyle optimize edilmelidir. Anlık oranda yaşanan düşüş, taslak modelin bağlamı iyi modelleyemediğine ya da sıcaklık ayarının yeniden gözden geçirilmesi gerektiğine işaret edebilir. Medusa kafaları ve SpecDec varyantları gibi ileri teknikler kabul oranını daha da artırırken sistem karmaşıklığını yönetilebilir düzeyde tutmayı hedeflemektedir.
Transformer-XL (Transformer-XL (Uzun Bağlamlı Dönüştürücü Mimarisi))
Transformer-XL, Zihang Dai ve ekibinin 2019 yılında Google Brain ile Carnegie Mellon Üniversitesi iş birliğiyle geliştirdiği, uzun bağlamı modelleme sorununu çözmek amacıyla önerilen bir dil modeli mimarisidir. Standart Transformer modelleri metin işlerken sabit uzunluktaki bölütleri birbirinden bağımsız olarak ele alır; bu durum cümle sınırlarını aşan bağlam bağımlılıklarının yakalanamamasına ve bölüt kenarlarında anlam kırılmasına yol açar. Transformer-XL bu sorunu iki temel yenilikle aşar: bölüt özyinelemesi ve göreli konum kodlaması. Bölüt özyinelemesi mekanizmasında her katmanın gizli durum tensörleri önbelleğe alınır ve bir sonraki bölüt işlenirken dikkat mekanizmasına ek bağlam olarak sunulur; bu yapı modelin erişebildiği bağlam uzunluğunu teorik olarak sonsuz kılabilir ve uzun mesafeli bağımlılıkların yakalanmasını mümkün kılar. Göreli konum kodlaması ise mutlak konum gömülerinin farklı bölüt uzunluklarında anlam kaybına yol açma sorununu giderir; dikkat mekanizması token çiftleri arasındaki göreli mesafeyi doğrudan hesapladığından model farklı bölüt konfigürasyonlarına kolayca genellenebilir hâle gelir. WikiText-103 ve enwiki8 standart kıyaslamalarında Transformer-XL yayımlandığı dönemde yeni başarım kayıtları kırmıştır. Eğitim aşamasında bölüt özyinelemesi devre dışı bırakılabilir; çıkarım aşamasında ise önbellekte tutulan gizli durumlar çok daha uzun metinlerin verimli biçimde işlenmesini kolaylaştırır. Hesaplama maliyeti açısından değerlendirildiğinde özyineleme uzunluğunun artmasıyla bellek kullanımı doğrusal olarak artar; bu denge üretim sistemleri için dikkate alınması gereken önemli bir tasarım kararıdır. Transformer-XL mimarisinin kalıcı etkisi ardından gelen büyük dil modellerine kattığı kavramsal zemindir. XLNet, permütasyon tabanlı dil modellemesiyle Transformer-XL üzerine inşa edilmiş ve BERT tarzı çift yönlü eğitimi oto-regresif modellemeyle birleştirmiştir. T5, GPT serisi ve günümüzün uzun bağlam modellerindeki pek çok tasarım kararı bu mimarinin deneyimlerinden beslenmiştir. Transformer-XL aynı zamanda artımlı çıkarım araştırmalarını da yönlendirmiş; literatürde iki binden fazla atıf alarak modern NLP tarihine geçmiştir.
t-SNE (t-SNE (T-Dağılımlı Stokastik Komşu Gömme))
t-SNE (t-Distributed Stochastic Neighbor Embedding), yuksek boyutlu veriyi iki veya uc boyutlu bir uzaya gorselleştirme amaciyla indirgemek icin kullanilan dogrusal olmayan bir boyut indirgeme yontemidir. 2008 yilinda Laurens van der Maaten ve Geoffrey Hinton tarafindan tanitilan bu algoritma, ozellikle derin ogrenme modellerinin gizli katman temsillerini (embedding) insan gozuyle kavranabilir bicimde gorselleştirme konusunda standart arac haline gelmistir. Algoritmanin calisma prensibi iki temel asamaya dayanir. Birinci asamada yuksek boyutlu uzaydaki her nokta cifti arasindaki benzerlikler Gaussian dagilimi kullanilarak kosullu olasilik degerlerine donusturulur; yakin noktalar yuksek, uzak noktalar dusuk olasilik alir. Ikinci asamada bu dagilim dusuk boyutlu uzayda Student-t dagilimiyla yeniden modellenir. Algoritma, iki dagilim arasindaki Kullback-Leibler (KL) iraksamasini minimize ederek veriyi dusuk boyutlu uzaya gomer. Student-t dağiliminin kalin kuyrugu, uzak noktalarin dusuk boyutlu temsilde daha da ayrismasini saglar ve kalabalik problemi olarak bilinen yapisal bozulmayı buyuk olcude giderir. En kritik hiperparametre perplexity degeridir; bu parametre her nokta icin efektif komsu sayisini belirler ve tipik olarak 5 ile 50 arasinda ayarlanir. Dusuk degerler yerel yapiyi on plana cikarirken yuksek degerler kuresel yapiyi daha iyi yakalar. Cikti rastsal baslangica duyarli oldugundan tekrarlanabilirlik icin random_state parametresinin sabitlenmesi zorunludur. PCA ile karsilastirildiginda t-SNE dogrusal olmayan manifold yapilarini daha iyi ortaya cikarir; ancak eksen degerlerinin dogrudan yorumu yoktur ve yeni veri noktalari icin projeksiyon uretemez. Buyuk veri kumelerinde hesaplama maliyeti yuksek oldugunde Barnes-Hut t-SNE veya GPU hizlandirmali RAPIDS cuML gibi olceklenebilir alternatiflere basvurulur. MNIST rakam gorselleştirmesi, scRNA-seq hucre populasyonu analizi ve transformer gomu uzayi arastirmalari en yaygin uygulama alanlaridir. Scikit-learn uzerinden TSNE sinifi ile hizla uygulanabilir; buyuk ol cekler icin openTSNE veya UMAP alternatif olarak degerlendirilebilir.
TF-IDF (TF-IDF (Terim Frekansı-Ters Belge Frekansı))
TF-IDF (Term Frequency-Inverse Document Frequency — Terim Frekansı-Ters Belge Frekansı), metin madenciliği ve bilgi erişiminde bir kelimenin bir belge koleksiyonuna göre o belgede ne kadar önemli olduğunu sayısal olarak temsil eden temel bir yöntemdir. İki bileşenin çarpımından oluşur. TF (Terim Frekansı), hedef kelimenin incelenen belgede kaç kez geçtiğini gösterir. Genellikle toplam kelime sayısına bölünerek normalleştirilir; böylece uzun belgeler haksız avantaj elde etmez. IDF (Ters Belge Frekansı), kelimenin belge koleksiyonunda ne kadar nadir olduğunu ölçer. Koleksiyondaki toplam belge sayısının kelimenin geçtiği belge sayısına oranının logaritması alınarak hesaplanır. Bu sayede "ve", "ile", "bu" gibi anlam taşımayan yaygın kelimeler çok düşük ağırlık alırken belgeye özgü teknik terimler ön plana çıkar. 1972'de Karen Spärck Jones tarafından geliştirilen bu yöntem, onlarca yıldır arama motorlarında belge sıralama, metin sınıflandırma, anahtar kelime çıkarma, belge özeti ve benzerlik hesaplama gibi görevlerde kullanılmaktadır. Elasticsearch ve Apache Solr, arama skorlamasında TF-IDF türevli BM25 algoritmasına dayanır. Python ekosisteminde scikit-learn'ün TfidfVectorizer sınıfı, ham metin koleksiyonunu seyrek TF-IDF matrisine dönüştürür; bu matris makine öğrenmesi modellerine doğrudan girdi olarak verilir. Modern büyük dil modelleri (LLM) ve semantik gömme (embedding) yöntemlerinin yaygınlaşmasıyla birlikte TF-IDF'nin önemi sorgulanmış olsa da, yorumlanabilirlik, düşük bellek ayak izi ve hesaplama verimliliği bu yöntemi uygulamada hâlâ geçerli kılmaktadır. Özellikle BM25 ile hibrit arama sistemleri ve RAG (Retrieval-Augmented Generation) ardışık düzenlerinde TF-IDF temelli geri çağırma katmanı yaygın biçimde kullanılmaktadır. Türkçe doğal dil işleme çalışmalarında TF-IDF, haber sınıflandırma, ürün yorumu analizi ve arama ön işleme katmanlarında kullanılmaktadır. Türkçe'nin zengin çekimli yapısı nedeniyle zemberek veya snowball stemmer ile ön işleme yapılması önerilir. Büyük dil modelleri embedding katmanında TF-IDF'yi geçmiş olsa da, hızlı prototipleme ve küçük veri kümelerinde hâlâ tercih edilmektedir.
Tree of Thoughts (ToT) (Düşünce Ağacı)
Tree of Thoughts (ToT), büyük dil modellerinin karmaşık muhakeme görevlerini çözmek için tasarlanmış bir akıl yürütme çerçevesidir. Princeton ve Google DeepMind araştırmacıları tarafından 2023 yılında yayımlanan "Tree of Thoughts: Deliberate Problem Solving with Large Language Models" makalesiyle tanıtılmıştır. Klasik Chain-of-Thought (CoT) prompting yönteminde model tek bir doğrusal düşünce zinciriyle ilerler; bir adımda hata yapılırsa tüm çözüm yanlış yöne sapabilir. ToT bu sınırı aşmak için ağaç tabanlı arama algoritmaları kullanır ve modelin eş zamanlı olarak birden fazla düşünce dalı üretmesine, her dalı değerlendirmesine ve gerektiğinde geri dönüp (backtracking) farklı bir yol denemesine olanak tanır. Çalışma mekanizması üç temel bileşenden oluşur: (1) Düşünce üretimi — her adımda birden fazla ara çözüm adayı (düşünce düğümü) oluşturulur. (2) Değerlendirme — LLM kendi ürettiği düşünceleri puanlar ya da oylar; umut verici görünmeyen dallar budanır (pruning). (3) Arama stratejisi — BFS (Genişlik Öncelikli Arama), DFS (Derinlik Öncelikli Arama) veya Beam Search ile ağaçta gezinilir. Beam Search her seviyede yalnızca en yüksek puanlı k düğümü koruyarak verimlilik ile doğruluk arasında denge kurar. Orijinal makalede Game of 24 bulmacasında CoT yalnızca yüzde 4 başarı sağlarken ToT yüzde 74 başarı oranı elde etmiştir. Yaratıcı yazarlık ve çok adımlı matematik problemlerinde de belirgin üstünlük gözlemlenmiştir. ToT'nin en önemli teorik katkısı, test zamanı hesaplamayı (test-time compute) artırarak daha kaliteli çıktı elde etme fikrini pekiştirmesidir. Bu yaklaşım OpenAI o1 ve DeepSeek-R1 gibi düşünen modellerin (reasoning models) eğitiminde Monte Carlo Ağaç Araması (MCTS) ile birleştirilmiş ve modern LLM'lerdeki "thinking trace" davranışının temelini oluşturmuştur. Temel sınırlaması token maliyetidir: tek bir sorgu yerine paralel LLM çağrıları yapılması özellikle bulut API kullanımında maliyeti artırabilir. LangGraph ve LangChain kütüphaneleri ToT uygulama şablonları sunar.
Triton Inference Server (Triton Çıkarım Sunucusu)
Triton Inference Server, NVIDIA tarafından 2018 yılında açık kaynak olarak yayımlanan, üretim ortamlarında yapay zeka modellerini yüksek verimlilikle sunan bir çıkarım sunucusudur. Mart 2025'te NVIDIA Dynamo platformuyla birleştirilerek NVIDIA Dynamo-Triton adını alan bu proje, PyTorch, TensorRT, ONNX Runtime, TensorFlow, OpenVINO ve vLLM gibi popüler çerçevelerden gelen modelleri tek bir süreç içinde barındırır. Temel mimarisinde Triton, her arka uç (backend) için ayrı çalışma ortamları oluşturur ve gelen istekleri paralel olarak yönlendirir. Dinamik yığınlama (dynamic batching), birden fazla isteği tek geçişte birleştirerek GPU kullanımını artırır. Ensemble Pipeline özelliği ise önişleme, model çıkarımı ve sonişleme adımlarını tek bir uçtan uca akış olarak tanımlamayı mümkün kılar. Bu yapı, karmaşık AI boru hatlarının tek bir konfigürasyon dosyasıyla yönetilmesini kolaylaştırır. Desteklediği donanım açısından Triton; NVIDIA GPU, x86 ve ARM tabanlı CPU ile AWS Inferentia üzerinde çalışabilir. Bulut, veri merkezi ve uç bilişim (edge) ortamlarına aynı yapılandırmayla dağıtım yapılabilmesi, yönetim maliyetlerini önemli ölçüde düşürür. MLOps entegrasyonu açısından Kubernetes ile ölçeklendirme, Prometheus ile izleme ve MLflow ile model kayıt akışlarına kolayca entegre edilebilir. Model Registry'den yeni sürüm yüklendiğinde Triton, hizmet kesilmesi olmadan güncelleme yapabilir. Büyük dil modellerini sunarken vLLM backend'i etkinleştirilebilir; bu bileşen sayfa dikkatini (paged attention) ve KV-cache yönetimini Triton çatısı altında gerçekleştirir. Aynı sunucuda LLM, görüntü enkoderi ve ses sınıflandırıcı gibi birden fazla model türünü paralel çalıştırmak gerektiğinde Triton vazgeçilmez bir araç hâline gelir. 2025-2026 itibarıyla Google Vertex AI, AWS SageMaker ve Azure ML gibi büyük bulut platformları Triton'ı birincil çıkarım motoru olarak benimsemiştir. Aralık 2025 sürümüyle vLLM backend'in ağırlık paylaşımı ve speculative decoding desteği de önemli ölçüde güçlendirildi. BSD-3 lisansıyla dağıtılan Triton, kurumsal ML ekiplerinin üretim ortamında güvenle tercih ettiği açık kaynak bir çözüm olmayı sürdürmektedir.
Turing Test (Turing Testi)
Turing Testi, matematikçi ve bilgisayar bilimcisi Alan Turing'in 1950 tarihli "Computing Machinery and Intelligence" makalesinde önerdiği, bir makinenin insanla ayırt edilemez düzeyde konuşma yürütüp yürütemeyeceğini ölçen davranışsal değerlendirme çerçevesidir. Turing bu testi "Taklit Oyunu" (Imitation Game) olarak adlandırdı: bir insan değerlendirici, biri insan biri makine olan iki katılımcıyla yalnızca metin yoluyla iletişim kurar; makine yeterince sık insan sanılırsa testi geçmiş sayılır. Testin önemi, zekanın iç yapısını değil davranışsal sonuçlarını ölçmesinden kaynaklanır. Bu yaklaşım, "makine düşünebilir mi?" gibi felsefi açıdan tartışmalı soruyu "makine düşünen biri gibi davranabilir mi?" biçiminde işlemselleştirir ve yapay zeka araştırmalarına somut, ölçülebilir bir hedef sunar. Eleştiriler açısından John Searle'ün 1980'de öne sürdüğü Çin Odası argümanı en güçlü karşı duruşu temsil eder: sembolleri dönüştüren bir sistem gerçek anlama olmaksızın testi geçebilir; bu da testin zekayı değil yalnızca görünümü ölçtüğünü ileri sürer. Weizenbaum'un ELIZA programı, sohbet robotu olmak üzere tasarlanmadığı hâlde kullanıcıları şaşırtan yanıtlar üreterek bu eleştiriyi erken biçimde örnekledi. Testin dil dışı yetenekleri (görsel akıl yürütme, motor beceriler, duygusal farkındalık) kapsamaması da ciddi bir sınırlılık olarak öne çıkar. Pratik açıdan 2014'te Eugene Goostman programı Turing testi geçtiğini iddia etti; ancak çoğu araştırmacı bu sonucu tasarım hilelerine bağladı: programın çocuk kimliğini benimsemesi ve İngilizce yabancı dil rolünü oynaması değerlendiricilerin beklentilerini önemli ölçüde düşürdü. GPT-4 ve Claude gibi büyük dil modelleri yazılı konuşmada insan benzeri akıcılığa ulaştı; fakat "Turing testini geçmek" ile "gerçek zeka sahibi olmak" arasındaki fark hâlâ açık bir felsefi tartışmadır. Günümüzde Turing Testi'nin yerini kısmen alan ölçütler arasında BIG-Bench, MMLU ve ARC gibi akademik değerlendirme süitleri ile belirli görevlerdeki insan-üstü performans kriterleri bulunur. Kavram, yapay zeka etiği, bilinç felsefesi ve AGI tartışmalarında referans nokta olmayı sürdürmektedir.
Technical Debt (Teknik Borç)
Teknik borç (İngilizce: Technical Debt), Ward Cunningham tarafından 1992 yılında ortaya atılan bir yazılım mühendisliği metaforudur. Kısa vadeli çözüm tercihlerinin uzun vadede ek bakım ve yeniden yazım maliyeti doğurduğunu anlatmak için borç benzetmesini kullanır: kolayca seçilen yol bir finansal kısayol gibidir ve zamanla "faiz" olarak geri döner. Kodun karmaşıklığı ve kırılganlığı arttıkça yeni özellik ekleme süresi de giderek uzar. Teknik borç dört ana türde karşımıza çıkar: bilinçli kasıtlı borç (teslimat tarihine yetişmek adına farkında olarak kabul edilen kısayollar), kasıtsız borç (bilgi eksikliğinden kaynaklanan tasarım hataları), çevresel borç (kullanılan kütüphane ve altyapıların eski sürümlerde kalması) ve test borcu (yetersiz test kapsamı nedeniyle birikmiş risk ve kırılganlık). Her borç türünün farklı bir tespiti ve geri ödeme stratejisi vardır. Makine öğrenimi sistemleri teknik borca karşı özellikle savunmasızdır. Google araştırmacılarının 2015 yılında yayımladığı "Hidden Technical Debt in Machine Learning Systems" (Sculley vd.) makalesi, bir ML sisteminde gerçek model kodunun yalnızca küçük bir bölüm oluşturduğunu; asıl borç yükünün veri hattı, özellik mağazası, model izleme, hiperparametre takibi ve sistem konfigürasyonu bağımlılıklarında biriktiğini göstermiştir. MLOps disiplini tam da bu sorunları sistematik biçimde gidermek amacıyla geliştirilmiştir. Teknik borç yönetiminde SonarQube, CodeClimate ve Pylint gibi statik analiz araçları kullanılır. Stratejik çözüm yolları arasında sprint kapasitesinin yüzde on beş-yirmisini borç azaltmaya ayırmak, düzenli kod incelemeleri düzenlemek ve mimari yeniden yapılandırma (refactoring) dönemleri planlamak öne çıkar. Borç görmezden gelindiğinde teslim süreleri uzar, hata oranları artar ve mühendis motivasyonu geriler. Bilinçli alınan teknik borç meşru bir iş kararı olabilir; ancak belgelenmesi ve geri ödeme planı yapılması zorunludur. Ödenmeden bırakılan borç ise sistemin uzun vadeli geliştirilebilirliğini ve ölçeklenebilirliğini ciddi biçimde zayıflatır.
TPU (Tensor Processing Unit) (Tensör İşlem Birimi)
TPU (Tensor Processing Unit), Google tarafından büyük ölçekli makine öğrenimi iş yüklerini, özellikle derin sinir ağı eğitimini ve çıkarsama işlemlerini hızlandırmak için tasarlanmış özel amaçlı bir entegre devre (ASIC — Application-Specific Integrated Circuit). 2016 yılında Google'ın dahili kullanım için geliştirdiği bu donanım, 2018'den itibaren Google Cloud üzerinden dış kullanıcılara da sunulmuştur. TPU'lar, matris çarpma işlemlerine (matrix multiplication) özelleşmiş yapılarından dolayı standart CPU ve GPU'dan farklılaşır. Derin öğrenme modellerindeki en hesaplama yoğun operasyon — örneğin transformer'ların dikkat hesaplaması veya konvolüsyonel katmanlar — matris çarpımı içerir. TPU'nun Systolic Array mimarisi bu operasyonu paralel ve yüksek bant genişliğiyle gerçekleştirir. Systolic Array'de matris elemanları bir dizi hesaplama birimine dalga biçiminde akar; bu yaklaşım bellekten okuma sayısını minimize ederek bellek bant genişliğini verimli kullanır. TPU sürümleri tarihsel gelişimi yansıtır: TPU v1 (2016) yalnızca çıkarsama yaparken; TPU v2 ve v3 hem eğitim hem çıkarsamayı destekler. TPU v4 ile birlikte büyük dil modellerinin (LLM) eğitimi için optimize özellikler eklendi. 2024'te duyurulan TPU v6 Trillium ise enerji verimliliği ve çip başına hesaplama yoğunluğunu daha da artırdı. Google'ın PaLM, Gemini ve AlphaFold modelleri TPU kümelerinde (pod) eğitilmiştir. Google Cloud TPU Pod'ları, binlerce TPU çekirdeğini yüksek bant genişlikli ağla birleştirir. TPU v4 Pod 4.096 çip ve 600 Gbps ağ bağlantısı içerir. Bu mimari, model paralelliği ve veri paralelliğini eş zamanlı uygulamaya olanak tanır: model çok büyükse katmanlar çiplere bölünür, veri büyükse her çip farklı mini-batch işler. Gemini Ultra bu ölçekte bir altyapıda eğitilmiştir. Yazılım açısından JAX, TensorFlow ve PyTorch XLA ile TPU'lar programlanabilir. JAX, Python kodunu XLA (Accelerated Linear Algebra) derleyicisiyle TPU üzerinde çalıştırır; jax.jit() ile fonksiyon derlenir, pmap() ile çok cihazlı paralel yürütme yapılır. Kullanıcılar Google Colab veya Cloud TPU aracılığıyla TPU'ya erişebilir. Google Research TPU programı ise araştırmacılara ücretsiz erişim imkânı tanır.
Top-P (Nucleus Sampling) (Top-P Örneklemesi)
Top-P, ya da çekirdek örneklemesi (nucleus sampling), büyük dil modellerinin bir sonraki tokenı seçerken kullandığı olasılık temelli filtreleme yöntemidir. Standart örneklemede model, sözlükteki her tokena bir olasılık atar ve bu dağılımdan rastgele çeker; bu durum düşük olasılıklı tokenların da zaman zaman seçilmesine yol açabilir. Top-P bu sorunu gidermek için en olası tokenları büyükten küçüğe sıralar, olasılıkları soldan toplamaya başlar ve toplam P eşiğini aştığı anda listeyi keser. Kalan her token o adımda tamamen elenir ve seçim yalnızca bu çekirdek (nucleus) kümesinden yapılır. Yöntemin en önemli özelliği dinamizmidir. Sabit sayıda aday kullanan Top-K'nın aksine, Top-P'nin aday sayısı her adımda değişir: model bir sonraki tokendan eminden olduğunda (tek bir tokena 0,95 olasılık verdiğinde) liste neredeyse tek elemana iner; model kararsız kaldığında olasılıklar yayılır ve çekirdek onlarca adayı içerebilir. Aday havuzunun genişliği doğrudan modelin kendi güvenini yansıtır. Yöntem, Holtzman ve arkadaşlarının 2019 tarihli 'The Curious Case of Neural Text Degeneration' çalışmasıyla yaygınlaştı. Araştırmacılar, standart örneklemenin uzun metinlerde tekrarlı ve anlamsız diziler ürettiğini gösterdi; çekirdek örneklemesi bu kalıpları belirgin şekilde azalttı. O günden bu yana OpenAI, Anthropic, Cohere ve yerel çalıştırma araçlarının tamamı (Ollama, vLLM, Hugging Face) parametreyi destekler hale geldi. Pratik ayar rehberi: top_p=0,1–0,3 araç çağırma, sınıflandırma ve yapılandırılmış çıktı üretimi gibi kesin cevap gerektiren işler için uygundur; çekirdek daraltılarak hata olasılığı düşürülür. top_p=0,9–1,0 yaratıcı yazı, reklam metni ve beyin fırtınasında kelime çeşitliliğini artırır. Kod üretimi için 0,5–0,8 dengeli bir başlangıç noktasıdır. Temperature ile aynı anda değiştirmek iki boyutu birden etkiler ve davranışı öngörülemez hale getirir; genel öneri yalnızca birini ayarlayıp diğerini varsayılan değerde bırakmaktır. top_p=0 yazmak çoğu kütüphanede tek en olası tokenu seçer ama bu davranış her ortamda garanti edilmez; deterministik çıktı için temperature=0 tercih edilmeli, gerekirse seed de sabitlenmelidir.
Tool Use (Araç Kullanımı (LLM))
Araç kullanımı (tool use ya da function calling), büyük dil modellerinin (LLM) yalnızca metin üretmekle kalmayıp harici araçları — veritabanı, API, kod yürütme ortamı veya arama motoru — çağırabilen aktif ajanlar olarak davranmasını sağlayan bir mimari ve yetenek kümesidir. "Function calling" ve "tool calling" terimleriyle eş anlamlı kullanılmakta; OpenAI, Anthropic ve Google farklı terminoloji benimsemiş olsa da temel mekanizma aynıdır. Teknik açıdan araç kullanımı üç aşamalı bir döngü üzerine kurulur. Birinci aşamada geliştirici, modele JSON şemasıyla araç tanımları iletir: araç adı, açıklaması ve her parametrenin veri tipi. İkinci aşamada model, kullanıcı isteğini analiz ederek hangi aracı hangi parametrelerle çağırması gerektiğine karar verir ve yapılandırılmış bir araç çağrısı bloğu üretir. Üçüncü aşamada uygulama katmanı bu çağrıyı yürütür, sonucu modele döndürür ve model nihai yanıtı oluşturur. Paralel araç çağırma, tek bir yanıt döngüsünde birden fazla araç çağrısını eş zamanlı tetikleme yeteneğidir. "Paris ve Tokyo hava durumunu karşılaştır" isteğinde model iki ayrı hava durumu API çağrısını paralel başlatır; sıralı çağrıya kıyasla gecikmeyi önemli ölçüde kısaltır. MCP (Model Context Protocol), Anthropic'in 2024'te açık kaynak olarak sunduğu standarttır. MCP sunucuları araçları, kaynak şemalarını ve hızlı şablon tanımlarını standart biçimde yayınlar; herhangi bir MCP istemcisi model bağımsız olarak bu araçları kullanabilir. Cursor, Zed ve Claude Desktop giderek genişleyen MCP ekosistemini benimseyen uygulamalara örnek oluşturmaktadır. ReAct (Reasoning + Acting) çerçevesi, araç kullanımını adım adım mantık zincirleriyle birleştirir: model düşünme adımını metin olarak üretir, ardından araç çağrısı yapar, sonucu değerlendirir ve gerekirse tekrar düşünüp yeni araç çağrısı başlatır. Bu döngü karmaşık çok adımlı görevlerde doğruluk ve güvenilirliği artırır; hatalı araç çağrılarını takip adımında düzeltme olanağı tanır. Güvenlik açısından araç kullanımı, prompt injection saldırılarına karşı dikkat gerektirir; kötü niyetli içerik araç parametrelerine sızabilir. Üretim sistemlerinde araçların izin denetimi, sandbox yürütme ortamı ve kullanıcı onay adımlarıyla sarmalanması önerilir. Bilgisayar kontrolü ve dosya sistemi erişimi gibi yüksek riskli araçlarda insan gözetimi (human-in-the-loop) kritik önem taşır.
TensorFlow (TensorFlow)
TensorFlow, Google Brain ekibinin 2015 yılında Apache 2.0 lisansıyla açık kaynak olarak yayımladığı, makine öğrenimi ve derin öğrenme modellerini geliştirmek, eğitmek ve üretime almak için kullanılan uçtan uca bir kütüphanedir. GitHub'da 190 binden fazla yıldıza ulaşan proje, hem araştırma prototiplerini hem de milyarlarca kullanıcıya hizmet veren üretim sistemlerini aynı altyapı üzerinde çalıştırır. İsim, iki kavramın birleşiminden gelir: **tensor**, çok boyutlu sayı dizilerini (skaler, vektör, matris ve daha yüksek boyutlar) temsil eden temel veri yapısıdır; **flow** ise bu tensörlerin bir hesaplama grafiği üzerindeki akışını anlatır. Grafikteki her düğüm bir matematiksel işlemdir; otomatik türev (autodiff) mekanizması bu grafik üzerinden gradyanları hesaplayarak geri yayılımı (backpropagation) otomatikleştirir. TensorFlow 1.x'in statik graf ve `session` yapısı öğrenmeyi zorlaştırıyordu. 2019'daki TensorFlow 2.0, eager execution'ı varsayılan yaptı ve Keras'ı resmi yüksek seviyeli API olarak benimsedi; böylece bir görüntü sınıflandırma modeli 10 satırın altında kodla tanımlanabilir hale geldi. `tf.function` dekoratörü ise aynı kodu XLA derleyicisiyle optimize edilmiş grafa çevirerek Python esnekliği ile graf performansını birleştirir. Donanım desteği kütüphanenin en güçlü yanlarından biridir: CPU, NVIDIA GPU (CUDA), Apple Silicon (Metal) ve Google'ın kendi tasarladığı TPU'larda aynı kod çalışır. TPU v5e ve sonrası pod'larda binlerce çipe ölçeklenen dağıtık eğitim, `tf.distribute` API'siyle birkaç satırlık değişiklikle kurulur. 2026 itibarıyla güncel kararlı sürüm TensorFlow 2.21 serisidir; NumPy 2.x uyumluluğu ve uç cihazlar için int2/int4 kuantizasyon desteği bu dönemde eklendi. Mobil tarafta TensorFlow Lite, Google AI Edge çatısı altında LiteRT adıyla bağımsız bir projeye dönüştü ve artık TensorFlow'un yanı sıra PyTorch ile JAX modellerini de çalıştırıyor. Keras 3 ise çoklu-backend mimarisiyle aynı model kodunun TensorFlow, JAX veya PyTorch üzerinde koşmasına imkân tanıyor; Google'ın araştırma tarafında JAX'e yönelmesine karşın TensorFlow üretim dağıtımı, TF Serving ve TFX boru hatlarıyla kurumsal tarafta konumunu koruyor. Kütüphaneyi tek başına bir araçtan çok bir ekosistem olarak düşünmek gerekir. Model geliştirme Keras ile, eğitim izleme TensorBoard ile, veri boru hatları `tf.data` API'siyle, üretim servisleme TF Serving ile, uçtan uca MLOps süreçleri ise TFX ile yönetilir. Tarayıcıda çalışan TensorFlow.js, sunucuya veri göndermeden gizlilik dostu çıkarım yapar; TensorFlow Hub ve Kaggle Models üzerindeki binlerce önceden eğitilmiş model, transfer öğrenmeyle özel bir görevi birkaç saatlik eğitimle çözmeye yeter. Bu bütünlük, tek bir prototipin veri hazırlığından mobil uygulamadaki çıkarıma kadar aynı araç zincirinde ilerlemesini mümkün kılar. Google Arama, YouTube öneri motoru, Google Translate, Airbnb, Uber, Twitter/X ve Spotify gibi sistemlerde üretimde kullanılan TensorFlow; bilgisayarlı görü, doğal dil işleme, öneri sistemleri, zaman serisi tahmini ve konuşma tanıma alanlarında sektör standardı araç zincirleri sunar. Python birincil dil olmakla birlikte C++, JavaScript (TensorFlow.js) ve Java/Kotlin (LiteRT) ile de model çalıştırılabilir. Yeni başlayanlar için resmi tensorflow.org eğitimleri, ücretsiz GPU sunan Google Colab not defterleri ve Coursera'daki TensorFlow Developer sertifika programları en yaygın öğrenme yollarıdır; temel Python ve lise düzeyi lineer cebir bilgisi ilk çalışan modeli eğitmek için çoğu durumda fazlasıyla yeterlidir.
Temperature Scaling (Sıcaklık Ölçekleme (Temperature Scaling))
Sıcaklık ölçekleme (temperature scaling), bir sınıflandırma modelinin softmax çıktı olasılıklarını T (sıcaklık) parametresiyle düzenleyen bir kalibrasyon ve kontrol tekniğidir. Softmax fonksiyonunun girdileri (logitler) T'ye bölünür: T > 1 dağılımı düzleştirir (daha belirsiz, daha yumuşak); 0 < T < 1 ise zirveli ve keskin dağılım üretir. T → 0 limitinde model en yüksek logitli sınıfı kesinlikle seçer (greedy); T → ∞ limitinde tüm sınıflar eşit olasılık alır. Sıcaklık ölçeklemenin iki temel kullanım alanı vardır. Birincisi model kalibrasyonu: derin sinir ağları genellikle aşırı güvenli (overconfident) tahminler üretir — gerçekte %70 doğru olan durumlarda %95 olasılık söyleyebilirler. Guo et al. (2017) bu sorunu kapsamlı biçimde belgeledi; eğitim sonrası ayrılmış bir doğrulama kümesinde T optimize edilerek modelin güveni gerçek doğrulukla hizalanır. İkincisi bilgi damıtma: öğretmen modelin yumuşak etiketleri yüksek T değerleriyle düzleştirilir; bu sayede sınıflar arası benzerlik bilgisini barındıran zengin eğitim sinyalleri öğrenci modele aktarılır. LLM metin üretiminde sıcaklık farklı bir bağlamda kullanılır: bir sonraki token seçimindeki rastgeleliği kontrol eder. Yüksek sıcaklık (T ≈ 0.8–1.0) daha yaratıcı ve çeşitli metinler; düşük sıcaklık (T ≈ 0.1–0.3) daha deterministik ve öngörülebilir çıktılar üretir. Bu ayar, API çağrılarında `temperature` parametresiyle doğrudan kontrol edilebilir. Tıbbi AI, hukuk asistanları ve finansal karar destek sistemleri gibi güven kritik uygulamalarda doğru kalibrasyon hayati önem taşır. Platt scaling ve histogram binning gibi alternatif yöntemlere kıyasla temperature scaling yalnızca tek bir parametre optimize ettiğinden aşırı uyuma (overfitting) karşı özellikle dayanıklıdır. Büyük dil modellerinde bile küçük bir doğrulama kümesiyle güvenilir biçimde uygulanabilmesi, bu tekniği endüstriyel AI sistemlerinin önemli bir kalibrasyon adımı haline getirmektedir. Geniş ölçekli üretim ortamlarında minimal hesaplama maliyetiyle uygulanabilirliğini korur.
Taslak Model (Taslak Model)
Taslak Model (Draft Model), spekülatif kod çözme (speculative decoding) yönteminde büyük doğrulayıcı modele aday token dizileri öneren küçük ve hızlı dil modelidir. Spekülatif kod çözmenin temel iddiası şudur: büyük modelin her token üretimi için yaptığı hesaplamanın büyük bölümünü küçük bir model ucuza gerçekleştirebilir; büyük model yalnızca bu önerileri toplu biçimde doğrulama veya reddetme rolünü üstlenir. Spekülatif kod çözme sürecinde taslak model γ (genellikle 4–8) adet token sırayla üretir. Ardından büyük doğrulayıcı model bu γ tokeni tek bir ileri geçişte (forward pass) paralel olarak değerlendirir. Kabul veya ret kararı her token için bağımsız olasılık karşılaştırmasıyla verilir; büyük modelin dağılımından belirgin biçimde sapan tokenler reddedilir. Reddedilen ilk token noktasından büyük model sıralı kod çözmeye geri döner. Bu mekanizma modelin çıktı dağılımını değiştirmez; yalnızca gecikme süresini azaltır. Taslak modelin seçimi kritiktir. Büyük modelle aynı model ailesinden gelen küçük bir versiyon (örneğin Llama 3 70B ile doğrulama yapılırken Llama 3 8B taslak olarak kullanılması) yüksek token kabul oranı (token acceptance rate) sağlar; taslak modelin dil dağılımı doğrulayıcıya yakın olduğunda daha az token reddedilir. Farklı mimari veya eğitim verisinden gelen bir model düşük kabul oranına yol açar ve spekülatif kod çözmenin avantajını ortadan kaldırır. Taslak modelin bellek varlığı düşük olduğundan spekülatif kod çözme GPU bellek tüketimini artırsa da net verim kazancı önemlidir: iyi ayarlanmış senaryolarda büyük modelin tek başına çalışmasına kıyasla 2–3 kat hız artışı gözlemlenir. Bu hız artışı, üretim altyapısında kullanıcı bekleme süresini ve token başına düşen maliyet (cost per token) değerini doğrudan etkiler. Farklı taslak model yaklaşımları da mevcuttur. Google'ın Medusa çerçevesi, ayrı bir taslak model yerine doğrulayıcı modelin üstüne ek kafa (head) katmanları ekleyerek aday tokenler üretir; böylece ek bir model yükleme yüküne gerek kalmaz. EAGLE (Extrapolation Algorithm for Greater Language-model Efficiency) ise özellik katmanını doğrudan yeniden kullanan hibrit bir yaklaşım sunar. Her iki yöntem de tek bir modelin içinde spekülatif üretimi mümkün kılar. Üretim ortamlarında (vLLM, TensorRT-LLM, Hugging Face TGI) spekülatif kod çözme eklentiler ya da yerleşik parametreler aracılığıyla etkinleştirilebilir hâle gelmiştir.
Tacotron (Tacotron)
Tacotron, Google tarafından 2017 yılında geliştirilen ve metni doğal insan sesine dönüştüren uçtan uca bir derin öğrenme modelidir. Jonathan Shen ve ekibinin "Towards End-to-End Speech Synthesis" makalesiyle tanıtılan bu mimari, geleneksel metin-konuşma (TTS) sistemlerinin karmaşık çok aşamalı boru hatlarını tek bir sinir ağıyla değiştirmiştir. Modelin temelinde, dikkat mekanizmasıyla güçlendirilmiş bir kodlayıcı-çözücü (encoder-decoder) yapısı bulunur. Kodlayıcı, ham metin karakterlerini veya fonem dizilerini gömülü temsillere (embedding) dönüştürür; ardından CBHG (1-D Convolutional Bank + Highway Network + Bidirectional GRU) bloğu bu temsilleri bağlamsal özniteliklere zenginleştirir. Dikkat (attention) modülü, çözücünün her adımda kodlayıcı çıktısının hangi kısmına odaklanacağını öğrenir ve böylece hizalama sorunu otomatik olarak çözülür. Çözücü tarafı, önceki adımdan gelen mel-frekans spektrogramı çerçevesini girdi alarak bir sonraki çerçeveyi tahmin eden bir GRU tabanlı otoregresif yapıya sahiptir. Model çıktısı olarak mel-spektrogramı üretir; bu spektrogram daha sonra Griffin-Lim algoritması veya WaveNet gibi bir vokoderle ham ses dalgasına dönüştürülür. 2018'de yayımlanan Tacotron 2, orijinal mimariye WaveNet vokoderini entegre ederek ses kalitesini ortalama değerlendirme puanı (MOS) açısından insan sesine yakın seviyelere taşımıştır. Tacotron ailesinin ardından gelen FastSpeech, VITS ve Tortoise-TTS gibi modeller, hız-kalite dengesini daha da optimize etmiş olsa da Tacotron, uçtan uca konuşma sentezinin mimarisi üzerindeki köklü etkisiyle alana standart bir başlangıç noktası olma özelliğini korumaktadır. ## Mimari Bileşenler Tacotron'un üç temel bloğu mevcuttur: **Kodlayıcı**, girdi karakter dizisini bağlamsal temsillere dönüştürür ve CBHG modülüyle zenginleştirilir. **Dikkat tabanlı çözücü**, mel-spektrogramı otoregresif adımlarla üretir ve her adımda kodlayıcı çıktısına hizalanır. **Son işleme ağı (CBHG)**, ham mel-spektrogramı lineer-ölçek spektrograma dönüştürerek ses kalitesini artırır. ## Eğitim Süreci Model, giriş metin-ses çiftlerinden oluşan büyük veri kümeleri üzerinde denetimli öğrenme ile eğitilir. Kayıp fonksiyonu, tahmin edilen mel ve lineer spektrogramları hedef değerlerle karşılaştıran L1 kaybından oluşur. LJ Speech ve LibriTTS gibi yüksek kaliteli ses veri kümeleri model kalitesini doğrudan etkiler. ## Pratikte Kullanım Tacotron ve türevleri; sesli asistanlar, erişilebilirlik araçları (görme engelli kullanıcılar için ekran okuyucular), dil öğrenme uygulamaları ve içerik üretim sistemlerinde yaygın biçimde kullanılmaktadır. Özellikle Tacotron 2 + WaveGlow kombinasyonu birçok açık kaynak TTS projesinin referans noktası olmuştur. ## Sık Sorulan Sorular **Tacotron ile WaveNet arasındaki fark nedir?** Tacotron metni mel-spektrograma dönüştüren bir akustik model iken WaveNet, spektrogramdan ham ses örneklerini üreten bir vokoderdir. İkisi birlikte kullanıldığında tam bir TTS sistemi oluşturur. **Tacotron 1 ve Tacotron 2 arasındaki temel fark nedir?** Tacotron 2, Griffin-Lim yerine nöral WaveNet vokoderini kullanır ve attention mekanizmasını iyileştirir; bu sayede ses kalitesi MOS ölçeğinde yaklaşık 4.5'e yükselir. **Tacotron çoklu konuşmacıyı destekler mi?** Temel mimari tek konuşmacı için tasarlanmıştır. Çoklu konuşmacı desteği için konuşmacı gömme (speaker embedding) vektörleri eklenmesi gerekir; Multi-Speaker Tacotron bu uzantının yaygın biçimidir. **Kaç saatlik veriyle iyi sonuç alınır?** Tek konuşmacı için genellikle 20-30 saatlik temiz ses verisi yeterli kalitede sentez üretmek için yeterlidir. Daha az veriyle de eğitim mümkündür ancak artefaktlar artar. **Tacotron açık kaynak mı?** Google orijinal uygulamayı yayımlamamış olsa da Keithito ve Rayhane-Mama gibi geliştiricilerin açık kaynak TensorFlow ve PyTorch implementasyonları topluluk tarafından geniş çapta kullanılmaktadır.
Tokenization (Tokenizasyon (Parçalara Ayırma))
Tokenizasyon, metin verisini büyük dil modelleri (LLM) ve doğal dil işleme (NLP) sistemlerinin işleyebileceği temel birimlere —"token"lara— dönüştürme sürecidir. Yapay zeka modelleri metni insan gibi harf harf değil, token kimlik numaraları (ID) cinsinden işler; tokenizasyon bu dönüşümün ilk ve belirleyici adımıdır. Bir token; tam kelime, kelime kökü, hece veya bayt grubu olabilir. Modern LLM'lerin büyük çoğunluğu Byte Pair Encoding (BPE) ya da SentencePiece gibi alt-kelime (subword) algoritmalarını tercih eder. Bu yöntemler yaygın kelimeleri tek token'a sıkıştırırken nadir kelimeleri birden fazla parçaya böler; böylece sözlük boyutu sınırlı tutulurken bilinmeyen kelime (OOV) sorunu ortadan kalkar. WordPiece (BERT), Tiktoken (GPT-4) ve SentencePiece (LLaMA, T5) gibi tokenizer'lar aynı metni farklı parça sayısına bölebilir. Tokenizasyon hem modelin tahmin kalitesini hem de kullanıcının API maliyetini doğrudan etkiler. OpenAI, Anthropic ve Google gibi sağlayıcılar ücretlendirmeyi kelime değil token başına yapar; bu nedenle token sayısını önceden tahmin etmek maliyet yönetiminin temelidir. Tiktoken kütüphanesi veya Hugging Face tokenizers ile prompt'lar göndermeden önce sayılabilir. Türkçe'nin eklemeli (agglutinative) yapısı tokenizasyon açısından ciddi bir dezavantaj yaratır: aynı içeriğin Türkçe versiyonu İngilizce'ye kıyasla genellikle 1,5–2 kat daha fazla token tüketir. Bu durum hem API maliyetini artırır hem de bağlam penceresi (context window) kapasitesini daha hızlı doldurur. Gemma, Qwen ve DeepSeek gibi çok dilli modeller Türkçe içerli eğitim verileriyle bu açığı kısmen kapatmıştır. Son olarak, tokenizasyon modelin bazı basit sorulardaki başarısızlığını da açıklar. Bir LLM'e "Strawberry kelimesinde kaç R var?" diye sorulduğunda alınan yanlış yanıt, modelin harfleri değil token ID'lerini gördüğünden kaynaklanır. Bu temel kısıt, LLM ile çalışan geliştiricilerin anlaması gereken en kritik altyapı konseptlerinden biridir.
Tabu Arama (Tabu Arama)
Tabu Arama (Tabu Search), Fred Glover tarafından 1986 yılında geliştirilen ve 1989'da ORSA Journal on Computing'de yayımlanan meta-sezgisel bir optimizasyon algoritmasıdır. Kombinatoryal optimizasyon problemlerinde yerel aramayı bir üst düzeye taşıyan bu yaklaşım, gezgin satıcı problemi (TSP), iş çizelgeleme ve araç rotalama gibi NP-zor problemlerde kaliteli çözümler üretmektedir. Algoritmanın çekirdeğinde tabu listesi mekanizması yatar. Her adımda mevcut çözümün komşuları değerlendirilir ve tabu listesinde yer almayan en iyi komşuya geçilir. Bu adım anlık çözüm kalitesini geçici olarak düşürebilir; ancak döngüsel arama tuzağının önüne geçer. Tabu listesinin uzunluğu (tabu tenure, genellikle 5–20 adım) kritik bir hiperparametredir: kısa liste çevik fakat döngüye açık, uzun liste ise aşırı kısıtlayıcı olabilir. Reaktif Tabu Arama varyantı bu dengeyi otomatik yöneterek döngü saptandığında tenure'ü uzatır, çeşitlilik arttığında kısaltır. Algoritma iki tür bellek yapısıyla çalışır. Kısa vadeli bellek (tabu listesi) son k hareketi yasaklayarak döngüyü engeller. Uzun vadeli bellek ise iki strateji barındırır: diversifikasyon az keşfedilen bölgelere yönlendirir; yoğunlaştırma umut vaat eden bölgeleri derinlemesine tarar. Bu bellek hiyerarşisi, simüle tavlama gibi tek bellekli yöntemlere kıyasla daha tutarlı sonuçlar ortaya koyar ve büyük arama uzaylarında bile etkin bir tarama gerçekleştirmeyi olanaklı kılar. Aspirasyon kriteri tabu listesinin katılığını yumuşatır: bir hareket tabu statüsünde olsa bile o ana kadar bulunan global en iyi çözümü geçiyorsa kabul edilir. Bu kural aşırı kısıtlamadan kaynaklanan fırsatçı kayıpları engeller ve algoritmanın yüksek kaliteli bölgelere erişimini korur. Tabu Arama, paralel uygulama ve derin öğrenme hibridleriyle de kullanılmaktadır. Paralel Tabu Arama birden fazla başlangıç noktasından eş zamanlı arama yaparak çözüm çeşitliliğini artırır. Günümüzde hiperparametre araması ve sinir mimarisi optimizasyonunda (NAS) Tabu Arama bileşenleri, gradyan tabanlı olmayan etkili bir alternatif olarak değer görmektedir.
Text Mining (Metin Madenciliği)
Text mining (metin madenciliği), büyük ve yapılandırılmamış metin veri kümelerinden örüntüler, ilişkiler ve anlamlı içgörüler çıkarmayı amaçlayan multidisipliner bir veri analizi alanıdır. Doğal dil işleme (NLP), istatistik ve makine öğrenimi yöntemlerini bir araya getiren text mining, günümüzde üretilen verinin tahminen yüzde seksenini oluşturan yapılandırılmamış metni işlenebilir bilgiye dönüştürür. KDD (Knowledge Discovery in Databases) sürecinin metin odaklı uzantısı olarak tanımlanan bu alan, 1990'larda üniversite araştırma laboratuvarlarında filizlenmiş ve sosyal medyanın patlamasıyla birlikte endüstriyel ölçeğe ulaşmıştır. Text mining pipeline'ı dört temel aşamadan oluşur: (1) Ön işleme — tokenizasyon, durak sözcük temizleme ve lemmatizasyon; (2) Özellik çıkarımı — TF-IDF, n-gram veya BERT gibi bağlam duyarlı vektörler; (3) Model uygulama — sınıflandırma, kümeleme, konu modelleme veya bilgi çıkarımı; (4) Yorumlama — çıktıların iş kararlarına veya araştırma bulgularına aktarılması. Bu dört adımlı süreç, ham bir tweet koleksiyonundan yöneticilere sunulacak marka algısı raporuna uzanan tüm iş akışlarını kapsar. Tarihsel olarak text mining, 1990'larda Naive Bayes ve TF-IDF tabanlı yöntemlerle gelişti; 2000'lerin ortasında SVM ile güçlendi. 2018'de Google'ın BERT modelini yayımlaması alanda köklü bir dönüşüm başlattı: bağlamı dikkate alan transformer mimarileri, belirsizlik giderme ve çok anlamlılık çözümlemesinde geleneksel yöntemleri geride bıraktı. Günümüzde GPT-4o gibi büyük dil modelleri sıfır atışlı metin sınıflandırması için kullanılırken, üretim iş yüklerinde ince ayarlı küçük modeller genellikle tercih edilmektedir. Türkçe gibi eklemeli dillerde tokenizasyon özellikle güçtür; tek bir köke eklenen onlarca ek aynı kelimenin onlarca farklı biçim almasına yol açar. BERTurk ve XLM-R, Türkçe metin madenciliği projelerinde önerilen temel modellerdir. Uygulama alanları son derece geniştir: sağlıkta elektronik kayıtlardan tanı ipuçları çıkarılması, finansta haber duyarlılığı sinyali üretilmesi, hukukta sözleşme analizi ve akademik literatürde bibliyometrik eğilim tespiti bunların başında gelir.
Topic Modeling (Konu Modelleme)
Konu modelleme (topic modeling), büyük metin koleksiyonlarındaki gizli tematik yapıları otomatik olarak keşfeden bir doğal dil işleme tekniğidir. Etiketlenmemiş belgelerin içinde hangi konuların ne yoğunlukta geçtiği istatistiksel yöntemlerle çıkarılır; böylece binlerce hatta milyonlarca belgeyi elle incelemeye gerek kalmadan anlamsal gruplamalar elde etmek mümkün olur. Alanın en klasik algoritması Latent Dirichlet Allocation (LDA)'dır. LDA, her belgenin birden fazla konunun karışımından oluştuğunu ve her konunun belirli kelimelerin olasılıklı dağılımı olduğunu varsayar. Model bu dağılımları yinelemeli Bayes çıkarımı (Gibbs örneklemesi veya değişimsel çıkarım) yoluyla öğrenir. Çıktı olarak her konu için en olasılıklı kelimeler listesi elde edilir; araştırmacı bu listeye bakarak konuya anlamsal bir etiket atar. LDA'nın bag-of-words temsili sözcük sırası ve bağlamı yok sayar. BERTopic bu sorunu kökten çözer: cümleler önce BERT gibi bir dönüştürücü modelle bağlam duyarlı vektörlere dönüştürülür, ardından UMAP ile boyut azaltma ve HDBSCAN ile kümeleme uygulanır; son adımda c-TF-IDF ile temsil kelimeleri seçilir. Bu yaklaşım Türkçe gibi morfolojik açıdan zengin dillerde de yüksek kaliteli konular üretir. Pratik kullanım alanları son derece geniştir: müşteri destek ekipleri yüzlerce günlük şikayet e-postasını otomatik kategorilere ayırır; akademisyenler on yıllar içinde yayımlanan binlerce makaleyi tarayarak araştırma trendlerini tespit eder; hukuk firmaları e-keşif süreçlerinde milyonlarca belgeyi konulara göre gruplandırır. Konu sayısının (K hiperparametresi) doğru belirlenmesi kritiktir; coherence score metrikleri (C_v, UMass) K optimizasyonu için kullanılabilir. Durma kelimelerinin ve nadir kelimelerin ön işleme aşamasında temizlenmesi model kalitesini doğrudan etkiler. Türkçe metinler için Zemberek veya TurkishNLP tabanlı lemmatizasyon zorunlu bir adımdır. Ayrıca dinamik konu modelleme (DTM) ve zaman serisi tabanlı yaklaşımlar, konuların zaman içinde nasıl değiştiğini izlemek için kullanılmaktadır.
Technical Debt (AI) (Teknik Borç)
Yapay zeka bağlamındaki teknik borç (Technical Debt in AI), geleneksel yazılım teknik borcunun tüm biçimlerini kapsarken makine öğrenmesi projelerine özgü ek borç kategorilerini de içermektedir. Ward Cunningham tarafından 1992 yılında ortaya atılan bu metafor, hızlı alınan ancak özenle tasarlanmamış kararların gelecekte ek bakım ve düzeltme maliyeti doğurduğunu ifade eder. D. Sculley ve ekibinin Google bünyesinde yürüttüğü etkili araştırma, ML sistemlerindeki gizli teknik borç kavramını sistematik biçimde tanımlamış; model kodunun genellikle tüm kod tabanının yalnızca küçük bir kesimini oluşturduğunu, asıl karmaşıklığın veri boru hatları, özellik mühendisliği, izleme altyapısı ve servis entegrasyonunda biriktiğini ortaya koymuştur. Veri bilimine yatırım yapan organizasyonlar çoğunlukla bu borçla yüzleşmekte gecikmekte ve sonunda ciddi operasyonel sorunlarla karşılaşmaktadır. ML'ye özgü başlıca teknik borç kategorileri şunlardır: veri sızıntısı (eğitim ve test kümelerinin yanlışlıkla örtüşmesi), özellik dolanıklığı (feature entanglement), gizli geri bildirim döngüleri, kayıtsız bağımlılıklar (undeclared consumers), korelasyon tabanlı özellikler ve dağıtım kaymasından (distribution shift) kaynaklanan sessiz model çöküşleri. CACE prensibi (Changing Anything Changes Everything) bu dolanıklık sorununu çarpıcı biçimde özetler: herhangi bir özelliğin değiştirilmesi modelin tüm davranışını beklenmedik şekillerde dönüştürebilir. Bu nedenle kapsamlı regresyon testleri ve özellik atıf analizleri vazgeçilmez hale gelmektedir. MLOps pratiklerinin olgunlaşmasıyla birlikte teknik borç yönetimi için çeşitli çerçeveler ve araçlar geliştirilmiştir. Düzenli model kartı güncellemeleri, özellik deposu (feature store) kullanımı, veri sözleşmeleri (data contracts) ve kapsamlı model izleme panoları bu yaklaşımların başında gelmektedir. MLflow, DVC ve Weights & Biases gibi araçlar deney takibini kolaylaştırarak bilgi borcunu önemli ölçüde azaltmaktadır. Her çeyreğe bir yeniden yapılandırma sprinti dahil etmek, teknik borcun kontrolden çıkmasını önleyen pratik ve etkili bir organizasyonel stratejidir. Uzun vadede bu borcu yönetmek; sistem güvenilirliği, bakım kolaylığı ve ekip verimliliği açısından doğrudan kazanım yaratır.
Transfer Learning (Transfer Öğrenme)
Transfer Öğrenme (Transfer Learning), büyük ve kapsamlı veri kümeleriyle önceden eğitilmiş bir modelin öğrendiği bilgiyi, farklı ama ilişkili başka bir göreve aktarma tekniğidir. Geleneksel makine öğrenmesinde her görev için model sıfırdan eğitilirdi; bu yöntem hem milyonlarca etiketli örnek hem de aylarca süren hesaplama gücü gerektiriyordu. Transfer öğrenmede iki temel aşama birbirini tamamlar: ön eğitim (pre-training) ve ince ayar (fine-tuning). Ön eğitim aşamasında model, geniş kapsamlı bir veri kümesiyle genel bilgi edinir. GPT modellerinin internet metinleriyle dil kalıplarını kavraması ya da ResNet'in ImageNet üzerindeki 14 milyon görüntüyle şekil ve doku özelliklerini çıkarması bu aşamaya örnektir. İnce ayar aşamasında ise bu temel model, çok daha küçük ve görev özgü bir veri kümesiyle yeniden optimize edilir; birkaç yüz örnek bile rekabetçi sonuçlar verebilir. Üç ana strateji öne çıkar. Özellik çıkarma (feature extraction) yönteminde ön eğitimli modelin ağırlıkları dondurulur, yalnızca son katman yeni göreve göre eğitilir. Tam ince ayar (full fine-tuning) tüm ağırlıkları günceller ve daha yüksek doğruluk sunar. LoRA ile PEFT ise küçük adaptör matrisleri ekleyerek hesaplama verimliliğini korur; büyük dil modellerinin ince ayarında standart bir yaklaşım haline gelmiştir. Hangi stratejinin seçileceği, mevcut etiketli veri miktarına ve hedef görevin kaynak görevle olan yakınlığına bağlıdır. Günümüzde BERT, RoBERTa ve LLaMA gibi ön eğitimli modeller, Türkçe duygu analizi, tıbbi metin sınıflandırması ve kod üretimi gibi alanlarda az veriyle yüksek başarı oranları sunmaktadır. Kaynak ve hedef görevler arasındaki büyük farklılık "negatif transfer" riskini doğurur; bu nedenle model ve alan seçimi dikkatli yapılmalıdır. Transfer öğrenme, modern yapay zekanın temel bileşenlerinden biri olarak büyük dil modellerinin geniş kitleler tarafından kullanılmasında belirleyici bir rol üstlenmektedir.
Tehdit Modellemesi (Tehdit Modellemesi)
Tehdit modellemesi (threat modeling), bir sistemin güvenliğini tehdit edebilecek potansiyel saldırı vektörlerini, açıklarını ve risk senaryolarını tasarım aşamasında proaktif biçimde haritalandıran yapılandırılmış bir güvenlik metodolojisidir. Güvenlik mühendisliğinin "önce düşman gibi düşün" ilkesine dayanır: korunulacak varlıkları (data, model, API), olası saldırganları (dış aktörler, içeriden tehditler) ve saldırı yollarını sistematik biçimde listeler. Microsoft'ta Loren Kohnfelder ve Praerit Garg tarafından 1999'da geliştirilen STRIDE çerçevesi, tehdit modellemesinin temel metodolojik taşını oluşturur. STRIDE kısaltması şu altı tehdit türünü ifade eder: Spoofing (kimlik sahteciliği), Tampering (veri bütünlüğünün bozulması), Repudiation (inkâr edilemezlik ihlali), Information Disclosure (gizli bilginin sızdırılması), Denial of Service (hizmet engelleme) ve Elevation of Privilege (ayrıcalık yükseltme). Her sistem bileşeni bu altı eksen boyunca değerlendirilir. Yapay zeka sistemlerinin yaygınlaşmasıyla alan, AI'ya özgü çerçevelerle genişledi. MITRE ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems), AI sistemlerine yönelik gerçek saldırı vakalarını taksonomi hâlinde derler; v5.4.0 sürümü 16 taktik, 84 teknik ve 42 vaka çalışması içermektedir. OWASP LLM Top 10 ise büyük dil modellerine özgü riskleri, başta prompt injection ve eğitim verisi zehirlenmesi olmak üzere, öncelikli sırayla listeler. AI sistemlerine özgü başlıca tehdit kategorileri şunlardır: veri zehirlenmesi (training data poisoning) eğitim setine kötü niyetli örnekler enjekte ederek model davranışını manipüle eder; model çalma (model extraction), siyah-kutu sorgularla modelin işlevsel kopyasını çıkarma girişimidir; düşmanca örnekler (adversarial examples), insan gözüne normal görünen ama modeli yanıltan girdilerdir; prompt injection ise LLM uygulamalarında sistem yönergelerini devre dışı bırakmayı ya da gizli verilere erişimi hedefler. Tehdit modelleme süreci tipik olarak beş adımda yürütülür: kapsam ve varlıkların tanımlanması, veri akış diyagramlarının (DFD) oluşturulması, tehditlerin belirlenmesi (STRIDE veya başka çerçeveyle), risk değerlendirmesi (etki × olasılık matrisi) ve azaltma önlemlerinin planlanması. Türkiye'de BDDK, BTK ve KVKK kapsamındaki düzenlemeler finansal ve kişisel veri işleyen AI uygulamalarında tehdit modelleme belgesi talep etmektedir.
Teacher Model (Öğretmen Model (Teacher Model))
Öğretmen model (teacher model), bilgi damıtma (knowledge distillation) sürecinde büyük, güçlü ve pahalı sinir ağını ifade eder; bu ağın öğrendiği bilgi daha küçük bir öğrenci modele aktarılır. Geoffrey Hinton, Oriol Vinyals ve Jeff Dean'in 2015 tarihli "Distilling the Knowledge in a Neural Network" makalesi bu kavramı sistematik biçimde tanımlamış; öğretmen modelinin softmax çıktılarının sıcaklık (T) parametresiyle yumuşatılarak öğrenciye aktarılması gerektiğini ortaya koymuştur. Öğretmen modelin temel işlevi, eğitim sırasında öğrenciye rehberlik etmektir. Sert etiketler (ground truth) yerine olasılık dağılımları (yumuşak etiketler) üreterek öğrenciye daha zengin bilgi sinyalleri iletir. T = 1 iken standart softmax çıktısı elde edilir; T > 1 değerleri (tipik olarak T = 2–5) dağılımı yumuşatır ve düşük olasılıklı sınıfların bilgisini ön plana çıkarır. Bir nesne sınıflandırıcısında öğretmenin köpek için 0,85, kedi için 0,12 vermesi; öğrencinin köpek-kedi benzerliğini de öğrenmesini sağlar. Bilgi aktarımı üç farklı düzeyde gerçekleştirilebilir: yanıt tabanlı damıtma öğretmenin nihai softmax çıktılarını aktarır; özellik tabanlı damıtma (FitNets, ICLR 2015) öğretmenin ara katman aktivasyonlarını transfer eder; ilişki tabanlı damıtma ise veri örnekleri arasındaki yapısal ilişkiyi öğrenciye öğretir. Bu üç yaklaşım tek başına veya birlikte uygulanabilir; kombinasyon genellikle en yüksek öğrenci başarımını üretir. Modern LLM ekosisteminde öğretmen modeller iki farklı biçimde kullanılır: gerçek zamanlı damıtmada öğrenci eğitim sırasında öğretmenden canlı yumuşak etiket alır; veri damıtmasında ise öğretmen eğitimden önce büyük miktarda yüksek kaliteli sentetik veri üretir. DeepSeek-R1'in tam modeli, DeepSeek-R1-Distill-Llama-70B ve Qwen-7B/14B öğrencilerinin öğretmeni olmuş; bu öğrenciler matematik ve kodlama kıyaslamalarında çok büyük modellere yakın skorlar elde etmiştir. Phi-4 ve Orca serisinin başarısı da aynı veri damıtma stratejisine dayanmaktadır.
Test-Time Compute (Test Anı Hesaplama)
Test zamanı hesaplama (test-time compute veya inference-time compute), bir yapay zeka modelinin çıkarsama (inference) aşamasında daha fazla hesaplama kaynağı kullanarak doğruluğunu artırma yaklaşımıdır. Eğitim sırasında sabitlenen parametreler sonrasında modele daha fazla "düşünme" süresi veya daha fazla hesaplama bütçesi ayrılarak daha iyi sonuçlar üretmesi hedeflenir. Bu kavram, OpenAI'nin o1 modeliyle geniş kitlelerce bilinir hale gelmiştir. o1, kullanıcının göremediği dahili bir "düşünce zinciri" (chain of thought) aracılığıyla zor problemler üzerinde daha uzun hesaplama yapar. Matematiksel kanıt, karmaşık kod yazımı veya çok adımlı mantık görevi gibi senaryolarda o1'in ekstra çıkarsama süresi doğruluğu belirgin şekilde artırır. Test zamanı hesaplamanın ana yöntemleri şunlardır: zincir düşünce (chain-of-thought) gerçekleştirme — modelin yanıt vermeden önce ara akıl yürütme adımlarını yazmasını sağlamak; arama (search) — Monte Carlo Tree Search veya beam search ile çok sayıda olası yanıt yolunu keşfetmek; oylama (voting / majority voting) — birden fazla yanıt üretip çoğunluk oylamasıyla en uygun şekilde seçmek; revizyon — modelin kendi yanıtını daha sonra gözden geçirip geri bildirim vermesi. Test zamanı hesaplama, "ölçekleme yasalarının" (scaling laws) yeni bir boyutudur. Geleneksel ölçekleme yasaları eğitim veri büyüklüğü ve model parametresi sayısıyla ilgilenirken test zamanı ölçekleme çıkarsama bütçesiyle ilgilenmektedir. Bu yaklaşım, daha ucuz ve küçük modellerin daha güçlü modellere kıyasla uzun çıkarsama bütçesiyle rekabetçi sonuçlar üretebileceğini göstermiştir. Pratikte test zamanı hesaplama, adım adım muhakeme gerektiren görevlerde en belirgin faydayı sunar. Matematik olimpiyat soruları, çok adımlı programlama problemleri ve bilimsel çıkarsama görevlerinde test zamanı bütçesi artırıldıkça doğruluk eğrisi belirgin biçimde yükselir. Buna karşın, tek adımlı bilgi soruları veya yaratıcı yazarlık gibi görevlerde ek hesaplama her zaman orantılı bir iyileşme getirmez. Bu nedenle görev tipine ve maliyet kısıtına göre compute-optimal çıkarsama bütçesi belirlenmesi, production sistemlerinde kritik bir tasarım kararı haline gelmiştir. DeepMind'in AlphaCode 2 ve Google'ın Gemini modellerinde uygulanan verifier-guided search yaklaşımı, bir doğrulayıcı modelin aday yanıtları puanlamasına ve en yüksek puanlı yanıtın seçilmesine dayanır. Bu mimari, yalnızca tek yanıt üreten standart çıkarsama stratejisine kıyasla özellikle kodlama ve matematiksel ispat görevlerinde kayda değer doğruluk artışı sağlar.
Token (Dil Modeli Birimi)
Token, büyük dil modelleri (LLM) ve doğal dil işleme (NLP) sistemlerinde metnin işlenebilir en küçük birimidir. LLM'ler ham metni doğrudan okuyamaz; önce metni token adı verilen parçacıklara böler, ardından her tokena sayısal bir kimlik (token ID) atar ve bu sayısal diziler üzerinde matematiksel işlemler gerçekleştirir. Bir token; tam bir kelime, kelimenin bir parçası (alt-kelime/subword), tek bir karakter ya da noktalama işareti olabilir. Bu dönüşüm sürecine tokenizasyon (tokenization) denir. GPT serisi modellerde kullanılan BPE (Byte Pair Encoding), eğitim verisi üzerinde en sık birlikte geçen karakter çiftlerini yinelemeli olarak birleştirerek bir vocabulary oluşturur. Google'ın geliştirdiği WordPiece de benzer bir mantıkla çalışırken seçim kriterinde maksimum olasılığı kullanır. SentencePiece ise dil bağımsız çalışan ve doğrudan ham karakterlerden token üreten bir yöntemdir. Token kavramı üç kritik boyutu doğrudan etkiler. Birinci boyut bağlam penceresidir (context window): bir modelin aynı anda işleyebildiği maksimum token sayısı o modelin 'hafıza kapasitesini' tanımlar. GPT-4o 128.000 token, Claude 3.5 Sonnet 200.000 token, Gemini 1.5 Pro ise 1.000.000 token bağlam kapasitesiyle öne çıkar. Bu limit aşıldığında model eski bağlamı unutur. İkinci boyut API maliyetidir: OpenAI, Anthropic ve Google gibi sağlayıcılar hizmetlerini giriş (input) ve çıkış (output) token sayısına göre faturalandırır. GPT-4o için 1 milyon giriş tokenu yaklaşık 5 USD, 1 milyon çıkış tokenu ise 15 USD'dir. Aynı görevi daha az tokenla çözen prompt tasarımı maliyeti kayda değer ölçüde azaltır; bu nedenle token ekonomisi LLM uygulama mühendisliğinin temel konularından biri haline gelmiştir. Üçüncü boyut dikkat hesaplamasıdır: Transformer mimarisinde her token diğer tüm tokenlarla dikkat skoru hesaplar. Bu O(n²) karmaşıklık nedeniyle bağlam uzadıkça hesaplama maliyeti hızla büyür; Flash Attention ve diğer verimlilik teknikleri bu soruna çözüm arayışından doğmuştur. Türkçe gibi eklemeli dillerde token kullanımı İngilizce'ye kıyasla daha yüksektir. 'Gidebileceklerinden' gibi tek bir Türkçe kelime birden fazla tokena bölünebilirken, aynı anlam İngilizce'de daha az token harcar. Bu durum Türkçe içerikli API çağrılarında maliyeti ve bağlam penceresi verimliliğini olumsuz etkileyebilir.
Transformer (Dönüştürücü Mimarisi)
Transformer, 2017'de Google araştırmacılarının 'Attention Is All You Need' makalesiyle tanıttığı ve bugünkü yapay zeka modellerinin büyük bölümünün temelini oluşturan derin öğrenme mimarisidir. Veriyi kelime kelime, sıralı biçimde işleyen RNN ve LSTM modellerinin aksine Transformer, Self-Attention (öz-dikkat) mekanizmasıyla bir dizideki tüm öğeleri aynı anda işler: her kelime, cümledeki diğer tüm kelimelerle ilişkisini eşzamanlı hesaplar. Bu paralel çalışma biçimi iki büyük sorunu birden çözer. Birincisi, GPU'ların matris çarpımındaki gücünden tam olarak yararlanıldığı için eğitim çok daha hızlıdır; devasa veri setleriyle milyarlarca parametreli model eğitmek ancak bu mimariyle pratik hale gelmiştir. İkincisi, uzak kelimeler arasındaki bağlamsal ilişkiler kaybolmaz; model uzun bir metnin başındaki bilgiyi sonunda da hatırlar. Her token için Query, Key ve Value vektörleri hesaplanır; bu üç vektörün matematiksel etkileşimi, cümledeki her kelimenin hangi diğer kelimelere ne ölçüde 'dikkat edeceğini' belirler. Transformer'ın önemi dil işlemeyle sınırlı kalmadı. ChatGPT, Claude, Gemini ve Llama gibi büyük dil modellerinin (LLM) tamamı bu mimari üzerine kuruludur. Görüntü tarafında Vision Transformer (ViT) sınıflandırma ve nesne tanımada CNN'lere güçlü bir alternatif oldu; Whisper konuşma tanımada, AlphaFold 2 ise protein yapısı tahmininde aynı temeli kullanır. Mimarinin kritik bir özelliği öngörülebilir ölçeklenmesidir: parametre, veri ve hesaplama arttıkça performans da düzenli biçimde artar. Bu ölçekleme yasaları son yılların yapay zeka araştırma gündemini belirlemiş; GPT-2'den itibaren her nesil modelde gözlemlenen tutarlı performans artışı, araştırmacıları modelleri büyütmeye yöneltmiştir. Standart dikkat mekanizmasının karesel hesaplama maliyeti nedeniyle FlashAttention ve kayan pencere dikkati gibi verimlilik teknikleri aktif bir araştırma alanı olmayı sürdürmektedir. Çok modlu Transformer'lar metin, görüntü, ses ve video gibi farklı veri türlerini tek bir model içinde işleyerek yapay zekanın uygulama sınırlarını daha da genişletmektedir.
Text-to-Video (Metinden Videoya)
Text-to-Video, kullanıcının yazdığı bir metin talimatından (prompt) sıfırdan hareketli video klipleri üreten üretken yapay zeka teknolojisidir. Bir fotoğraf üretmek için yeterli olan statik piksel tahmininin ötesinde, video üretimi yapay zekanın zamansal tutarlılık (temporal coherence) sorununu çözmesini gerektirir: her karedeki nesnelerin, ışıkların ve hareketlerin saniyeden saniyeye mantıklı ve fizik yasalarına uygun biçimde akması şarttır. Bu nedenle text-to-video modelleri, text-to-image sistemlerine kıyasla çok daha büyük hesaplama gücü ve karmaşık eğitim süreçleri gerektirir. Modern text-to-video sistemlerinin büyük çoğunluğu Diffusion Transformer (DiT) mimarisine dayanır. Bu yaklaşımda model, metin açıklamasını CLIP veya T5 gibi büyük dil modeliyle gömülü bir vektöre dönüştürür; ardından tamamen gürültüden oluşan bir başlangıç noktasından adım adım piksel bilgisini "geriye çekerek" tutarlı video karelerini oluşturur. OpenAI'ın Sora modeli, "spacetime patch" adını verdiği yenilikçi bir yöntemle uzamsal (piksel) ve zamansal (hareket) boyutları tek bir transformer dikkat mekanizmasına entegre etmiş, bu sayede 60 saniyeye kadar sinematik kalitede video üretebilmiştir. 2024-2025 yıllarında text-to-video ekosistemi hızla olgunlaştı: Sora (OpenAI), uzun süreli fizik gerçekliğine yakın videolar üretirken Runway Gen-3, inpainting ve Image-to-Video özellikleriyle ticari kullanıcılara hitap eder. Pika Labs, 3D animasyon ve anime stillerinde güçlü bir performans gösterirken Kling (Kuaishou) 1080p 120 saniyelik klip üretimi sunmaktadır. Google DeepMind'ın Veo 2 modeli ise gerçekçi insan hareketi ve kamera açıları konusunda endüstri standardını belirlemektedir. Pazarlama, film prodüksiyonu, eğitim ve oyun geliştirme gibi alanlarda içerik üretimi maliyetlerini dramatik biçimde düşüren bu teknoloji, aynı zamanda deepfake üretimini kolaylaştırması nedeniyle ciddi etik ve yasal sorulara yol açmaktadır. Coalition for Content Provenance and Authenticity (C2PA) standardı, yapay zeka kaynaklı videoları tespit etmek için endüstri genelinde benimsenen watermarking ve meta veri protokolünü tanımlamakta; yapay zeka şirketleri ve medya kuruluşları bu standardı aktif biçimde uygulamaya koymaktadır.
Text Summarization (Metin Özetleme)
Metin özetleme (text summarization), doğal dil işleme (NLP) alanının temel görevlerinden biri olup uzun belgelerin, makalelerin veya konuşmaların yapay zeka tarafından otomatik biçimde kısaltılmasını sağlar. Amaç, kaynak metnin ana fikirlerini ve kritik bilgilerini koruyarak okurun zamanını verimli kullanmasına yardımcı olmaktır. Bu görev iki ana yaklaşımla gerçekleştirilir: çıkarımlı (extractive) ve soyut (abstractive) özetleme. Çıkarımlı yöntemde model, kaynak metinden en önemli cümleleri birebir seçerek bir özet oluşturur; bu yöntem tutarlı ve halüsinasyon riskinin düşük olduğu sonuçlar üretir. Soyut özetlemede ise model, metni anlayarak tamamen yeni cümleler üretir; daha akıcı ve insan yazısına yakın özetler ortaya çıkar ancak yanlış bilgi oluşturma riski de beraberinde gelir. Transformer mimarisinin yükselişiyle birlikte, özellikle BERT ve GPT ailesinin baskın olduğu 2018 sonrası dönemde, soyut özetleme kalitesi dramatik biçimde artmıştır. BART, T5 ve Pegasus gibi modeller bu alanda öne çıkan mimarilerdir. Günümüzde GPT-4, Claude ve Gemini gibi büyük dil modelleri (LLM), binlerce sayfalık belgeleri saniyeler içinde özetleyebilmekte; hukuk, gazetecilik, akademi ve kurumsal iş süreçlerinde yaygın kullanım alanı bulmaktadır. Değerlendirme amaçlı en yaygın metrik olan ROUGE (Recall-Oriented Understudy for Gisting Evaluation), üretilen özet ile referans özet arasındaki n-gram örtüşmesini ölçer. Uzun bağlam pencereleri (128K token ve üzeri) ile donatılmış büyük dil modellerinin yaygınlaşması, metin özetlemeyi yapay zeka asistanlarının en çok kullanılan yeteneklerinden biri haline getirmiştir. Bugün her büyük belge yönetim platformu, haber toplayıcı ve kurumsal yazılım bu teknolojiyi aktif olarak kullanmaktadır.
Trojan Saldırısı (Trojan Saldırısı)
Trojan saldırısı (Backdoor Attack), makine öğrenmesi modelinin eğitim sürecini hedef alan ve modele temiz girdilerde tamamen fark edilmez bir davranış değişikliği yerleştiren gelişmiş bir adversarial saldırı türüdür. Geleneksel siber saldırıların büyük çoğunluğu çalışma zamanında — yani model dağıtıma alındıktan sonra — gerçekleşirken, trojan saldırıları modelin ağırlıklarına eğitim aşamasında gömülmektedir. Bu nedenle model, değerlendirme (evaluation) süreçlerini ve kıyaslama testlerini tamamen normal biçimde geçebilmekte; ancak gerçek ortamda belirli bir tetikleyici (trigger) devreye girince saldırganın belirlediği çıktıyı üretmektedir. Tetikleyici, erken çalışmalarda görsel bir piksel yama parçasından ibaret olsa da günümüzde çok daha sofistike biçimler almaktadır: yalnızca Fourier dönüşümüyle fark edilebilen frekans alanı bozulmaları, metin modellerinde nadir bir token kombinasyonu ya da ses modellerinde belirli bir frekans bandındaki sessiz sinyal tetikleyici olarak kullanılabilmektedir. Trojan saldırıları özellikle yapay zeka tedarik zincirinin genişlemesiyle birlikte kritik bir güvenlik tehdidine dönüşmüştür. Model hub'larından (HuggingFace, GitHub) indirilen önceden eğitilmiş ağırlıklar, veri hazırlama ve etiketleme süreçlerindeki üçüncü taraf servisler ya da transfer learning zincirinin herhangi bir halkası potansiyel bir trojan giriş noktasıdır. Saldırıya karşı geliştirilen savunma yöntemleri birkaç farklı yaklaşım izlemektedir. Neural Cleanse, her çıktı sınıfı için minimum pertürbasyon hesaplayarak anormal küçük pertürbasyon büyüklüğünü trojan işareti olarak değerlendirmektedir. STRIP yöntemi, zehirlenmiş girdilerin güçlü gürültü altında bile tutarlı (düşük entropi) çıktı ürettiğini gözlemlemektedir. Activation Clustering ise gizli katman aktivasyonlarının kümelenmesinde zehirli örneklerin temiz örneklerden belirgin biçimde ayrıştığını tespit etmektedir. NIST destekli TrojAI yarışması ve Adversarial Robustness Toolbox (ART) gibi açık araçlar, modelleri trojan saldırısına karşı sistematik biçimde değerlendirme imkânı sunmaktadır. NIST AI RMF (2023), yüksek riskli modeller için backdoor güvenlik testini zorunlu kılmakta; bu da trojan savunmasını teknik bir tercih olmaktan çıkarıp kurumsal bir zorunluluk haline getirmektedir.
Transformers.js (Transformers.js)
Transformers.js, Hugging Face'in Python ekosistemindeki transformers kütüphanesinin tarayıcı ve Node.js ortamlarına taşınmış resmi JavaScript portudur. Kütüphanenin temeli ONNX Runtime Web'e dayanır: Hugging Face Hub'da yayımlanan transformer modelleri ONNX formatına dönüştürülüp WebAssembly veya WebGPU üzerinde çalıştırılır; bu sayede bir arka uç servisi veya API çağrısı olmaksızın makine öğrenimi çıkarımı (inferans) gerçekleştirilebilir. Geleneksel mimaride bir web uygulaması makine öğrenimi tahmini için Python tabanlı bir sunucuya istek atmak zorundadır. Transformers.js bu paradigmayı tersine çevirir: model tarayıcıya bir kez indirilir, sonraki tahminler tamamen istemci tarafında yapılır. Ağ gecikmesi ortadan kalkar, kullanıcı verisi hiçbir zaman sunucuya ulaşmaz ve uygulama çevrimdışı da çalışabilir. Kütüphane pipeline() arayüzüyle Python versiyonuna yakın bir sözdizimi sunar: pipeline('sentiment-analysis'), pipeline('text-generation'), pipeline('automatic-speech-recognition') gibi çağrılar tarayıcıda da aynı şekilde çalışır. Desteklenen görev kategorileri şunlardır: doğal dil işleme (duygu analizi, metin sınıflandırma, adlandırılmış varlık tanıma, özetleme, çeviri, metin üretimi, soru yanıtlama), ses (Whisper ile konuşma tanıma, ses sınıflandırma) ve görüntü (nesne tespiti, görüntü sınıflandırma, OCR, derinlik tahmini, segmentasyon). CLIP tabanlı çok modlu modeller de desteklenir. WebGPU desteği, kütüphanenin 2023'ten itibaren geçirdiği önemli bir dönüşümü temsil eder. Chrome 113+ ile kullanılan WebGPU, CPU'ya kıyasla 5–10 kat hız kazanımı sağlar; kuantize Phi-3 Mini (3,8 milyar parametre) gibi görece büyük modeller bile tarayıcıda çalıştırılabilir hale gelmiştir. Pratik sınırlar şunlardır: tarayıcıda önerilen model boyutu üst sınırı yaklaşık 500 MB'dir; DistilBERT (67 MB) ve DistilWhisper (100 MB) optimize seçeneklerdir. ONNX dönüşümü gerektirdiği için Hub'daki her model doğrudan kullanılamaz; ancak popüler modellerin büyük çoğunluğu onnx alt klasörüyle zaten yayımlanmaktadır. Türkçe desteği de mevcuttur: XLM-R ve çok dilli Whisper modelleriyle Türkçe NLP ve konuşma tanıma tarayıcıda sorunsuz çalıştırılabilmektedir.
TDD (Test Driven Development) (Test Güdümlü Geliştirme)
Test Güdümlü Geliştirme (TDD), yazılım geliştirme sürecinde kodun üretilmesinden önce test senaryolarının yazıldığı bir metodolojidir. Kent Beck tarafından 1990'larda Aşırı Programlama (Extreme Programming/XP) çerçevesinde formalize edilen bu yaklaşım, günümüzde modern yazılım mühendisliğinin temel pratiklerinden biri olarak kabul görmektedir. TDD üç aşamalı bir döngüyle işler: Kırmızı (Red) aşamasında önce başarısız olacak bir test yazılır; bu test, uygulanmak istenen işlevselliği tanımlar ve sistemin henüz o davranışa sahip olmadığını gösterir. Yeşil (Green) aşamasında yazılan testi geçmek için minimum düzeyde kod üretilir; amaç testi en kısa yoldan geçirmek ve gereksiz karmaşıklıktan kaçınmaktır. Yeniden Yapılandır (Refactor) aşamasında çalışır hâle gelen kod temizlenir, okunabilirlik ve sürdürülebilirlik açısından optimize edilir; tüm testlerin hâlâ geçtiği doğrulanır. Yapay zeka ve makine öğrenimi projelerinde TDD, klasik yazılımdan farklı katmanlarda uygulanır. Veri boru hattı testleri, gelen verinin beklenen şema ve dağılıma uyduğunu garantiler; bu aşamada Great Expectations ve Deepchecks gibi araçlar verinin güvenilirliğini doğrular. Özellik mühendisliği testleri, dönüşüm mantığını birim düzeyinde sabitleyerek veri kayması (data drift) riskini erken aşamada tespit edilebilir kılar. Model davranış testleri ise bilinen örnekler için beklenen çıktıları önceden tanımlayarak regresyonları anında ortaya çıkarır. Performans eşik testleri, Accuracy, F1 veya AUC gibi metriklerin minimum kabul değerlerini kodun içine yerleştirir. TDD'nin ML yaşam döngüsüne katkısı yalnızca hata tespitinin ötesindedir. Testler, sistemin beklenen davranışını belgeleyerek reproduktibiliteyi güvence altına alır; bu araştırma ve üretim süreçlerinde kritik bir gereksinimdir. Model mimarisi veya pipeline değişikliklerinde test suitesi, geri dönüşleri anında yakalayan bir ağ işlevi görür. Python ekosisteminde pytest, Hypothesis ve Deepchecks gibi araçlar TDD'nin ML projelerindeki uygulanmasını kolaylaştırır. Yapay zeka destekli kod üretiminin (GitHub Copilot, Cursor, Devin) yaygınlaşmasıyla birlikte test yazma süresinin kısalması, bu metodolojinin benimsenmesini her zamankinden daha erişilebilir kılmaktadır.
Time Series Forecasting (Zaman Serisi Tahmini)
Zaman serisi tahmini (time series forecasting), kronolojik sırada düzenlenmiş geçmiş veri noktalarını kullanarak gelecekteki değerleri tahmin etme sürecidir. Finans, enerji, sağlık, perakende ve meteoroloji gibi pek çok alanda kararları yönlendiren temel analitik tekniklerden biridir. Zaman serileri dört ana bileşenin üst üste eklenmesinden oluşur: trend (uzun vadeli yöneliş), mevsimsellik (tekrarlayan dönemsel desen), çevrimsellik (ekonomik dalga gibi düzensiz dalgalanmalar) ve gürültü (rastlantısal varyasyon). Bu bileşenler ayrıştırıldıktan sonra her biri ayrı modellenerek tahmin birleştirilir. Klasik istatistiksel yöntemler arasında ARIMA (AutoRegressive Integrated Moving Average), SARIMA (mevsimsel uzantısı) ve Holt-Winters Exponential Smoothing ön sıraya çıkar. Bu modeller doğrusal ilişkilerde çok iyi çalışır; ancak karmaşık doğrusal olmayan dinamikler için yetersiz kalabilir. Makine öğrenimi yaklaşımları, özelliklerin elle tasarlanması (feature engineering) üzerine kuruludur: gecikme değerleri (lag features), hareketli ortalamalar ve mevsimsel göstergeler kullanılır. XGBoost ve LightGBM zaman serisi tahmininde popüler tercih olmuştur. Derin öğrenme yöntemlerinde LSTM ve GRU, sırasal bağımlılıkları yakalamak için tasarlanmıştır; Transformer tabanlı modeller ise uzun dönem bağımlılık ilişkilerini daha etkin biçimde ele alabilmektedir. Facebook (Meta) tarafından geliştirilen Prophet, iş günü, tatil ve mevsimsellik etkilerini kolayca modellemeye izin veren açık kaynak bir kütüphanedir. Amazon Chronos, Google TimesFM ve Nixtla'nın TimeGPT'si ise büyük ölçekte ön eğitilmiş zaman serisi temel modelleri (foundation model) olup sıfır atış veya az atış öğrenme ile kullanılabilmektedir. Hata metrikleri seçimi kritiktir: MAE (Mean Absolute Error) aykırı değerlere dayanıklıdır; RMSE büyük hataları cezalandırır; MAPE yüzdeli yorum sunar ancak sıfıra yakın gerçek değerlerde sorun çıkarır. Probabilistik tahmin yöntemleri, güven aralıkları üreterek belirsizliği sayısal olarak ifade eder ve karar alma süreçlerini zenginleştirir. Çapraz doğrulama için zaman damgasına saygılı walk-forward validation kullanmak zorunludur; standart k-fold yöntemi veri sızıntısına yol açar.
Torch (Torch)
Torch, derin öğrenme modellerinin kurulup eğitildiği, GPU hızlandırmalı tensör hesaplama kütüphanesidir; bugün bu ad, Python'da `import torch` komutuyla çağrılan **PyTorch** çerçevesinin çekirdek paketini ifade eder. Yani "torch" ile PyTorch ayrı iki araç değildir: PyTorch projenin adı, `torch` ise kod içinde kullanılan paket adıdır. Hikaye 2001'de İsviçre'deki Idiap Araştırma Enstitüsü'nde C++ tabanlı orijinal Torch ile başladı. Ronan Collobert liderliğindeki ekip 2011'de kütüphaneyi Lua diliyle **Torch7** olarak yeniden yazdı; DeepMind ve Facebook araştırmacıları yıllarca bu sürümü kullandı. 2016'da Meta AI (o dönemki adıyla Facebook AI Research), aynı çekirdek felsefeyi Python'a taşıyarak PyTorch'u yayımladı. Lua tabanlı Torch7'nin geliştirilmesi 2018'de durdu ve tüm ekosistem PyTorch çatısı altında birleşti. 2022'den beri proje, Linux Foundation bünyesindeki **PyTorch Foundation** tarafından bağımsız biçimde yönetiliyor. Torch'u öne çıkaran üç teknik özellik var. Birincisi, NumPy benzeri sezgisel API ile çalışan ve `.to("cuda")` çağrısıyla GPU'ya taşınabilen **tensör** yapısı. İkincisi, geri yayılım (backpropagation) gradyanlarını tek bir `.backward()` çağrısıyla otomatik hesaplayan **Autograd** motoru. Üçüncüsü, hesaplama grafiğini her çalıştırmada anlık kuran **define-by-run** yaklaşımı; bu esneklik, hata ayıklamayı standart Python araçlarıyla yapmayı mümkün kılar. PyTorch 2.x dönemiyle (Aralık 2022'de duyuruldu, 2.0 Mart 2023'te çıktı) tabloya `torch.compile` eklendi: tek satırlık bu çağrı, modeli TorchInductor derleyicisiyle optimize ederek eğitimde tipik olarak %30-200 arası hızlanma getirir. 2025'te yayımlanan 2.6-2.9 sürümleri FP8 desteği, torchao ile nicemleme (quantization) ve Blackwell GPU uyumu gibi yenilikler taşıdı. Rakamlar üstünlüğü net gösteriyor: Hugging Face'teki modellerin %90'ından fazlası PyTorch formatında yayımlanıyor, NeurIPS gibi konferanslardaki uygulamalı makalelerin yaklaşık %80'i PyTorch kullanıyor. GPT, Llama ve Stable Diffusion gibi modellerin eğitim altyapısı da torch üzerine kurulu. Türkiye'de üniversite laboratuvarlarından bankacılık ve e-ticaret ekiplerine kadar derin öğrenme çalışan hemen her ekip, ilk satırı `import torch` olan kodlarla üretim yapıyor.
Text Classification (Metin Sınıflandırma)
Text classification (metin sınıflandırma), bir metin parçasının önceden tanımlanmış kategorilerden birine veya birkaçına otomatik olarak atanması görevidir. Doğal Dil İşleme'nin (NLP) temel taşlarından biri olan bu teknik; e-posta spam filtrelerinden duygu analizine, haber kategorizasyonundan müşteri hizmetleri otomasyonuna kadar geniş bir uygulama yelpazesine sahiptir. Makine öğrenimi tabanlı yaklaşımlarda metin önce sayısal temsillere dönüştürülür: TF-IDF vektörleri, Word2Vec embeddingler veya BERT gibi transformer tabanlı temsiller. Bu vektörler ardından Naive Bayes, Destek Vektör Makineleri (SVM) veya derin sinir ağları gibi sınıflandırıcılara beslenir. Modern uygulamalarda BERT, RoBERTa ve GPT gibi büyük dil modelleri ince ayar yapılarak (fine-tuning) olağanüstü doğruluk oranları elde edilmektedir. Üç temel türü vardır: ikili sınıflandırma (binary: spam/değil), çok sınıflı sınıflandırma (multi-class: spor/siyaset/ekonomi haber kategorizasyonu) ve çok etiketli sınıflandırma (multi-label: tek metne birden fazla kategori atama). Değerlendirme için salt doğruluk (accuracy) yetersiz kalabilir; sınıf dengesizliği durumlarında precision, recall ve F1 skoru daha güvenilir metriklerdir. Eşik bağımsız ölçüm için ROC-AUC kullanılır; kalibrasyon testi ise model güvenirliğini doğrular. Gerçek dünya uygulamalarının en yaygın zorluğu veri dengesizliğidir: örneğin yüzde bir spam, yüzde doksan dokuz normal e-posta dağılımı. Bu sorun SMOTE örnekleme, class-weight ayarlaması veya threshold kalibrasyonu ile giderilir. Sağlık alanında klinik not kategorizasyonu, hukuk sektöründe belge sınıflandırması ve içerik moderasyonunda zararlı içerik tespiti kritik kullanım alanlarıdır. SetFit gibi few-shot öğrenme çerçeveleri, contrastive learning ile yalnızca 8–64 etiketli örnek kullanarak tam ince ayar düzeyinde performans elde eder. Zero-shot sınıflandırmada GPT-4o veya Claude gibi büyük dil modelleri ek eğitim verisi olmaksızın kategori açıklamalarıyla doğru etiket ataması yapabilir. Türkçe için BERTurk, bert-base-turkish-cased ve XLM-R modelleri güçlü kıyaslama noktaları oluşturmaktadır.