Y Harfi ile Başlayan Terimler
Yapay Zeka (Yapay Zeka)
Yapay zeka (YZ / Artificial Intelligence — AI), öğrenme, akıl yürütme, algı ve dil anlama gibi insan bilişsel yeteneklerini makinelerde simüle eden bilgisayar bilimi disiplinidir. 1956'da John McCarthy öncülüğünde akademik bir alan olarak tanımlanan YZ, on yıllar boyunca "YZ kışları" yaşasa da 2010'lardan itibaren derin öğrenme ve büyük verinin birleşimiyle çığır açan bir ivme kazandı. Modern YZ'nin omurgası makine öğrenimi (ML) ve derin öğrenmedir. Makine öğrenimi, algoritmaların veriden istatistiksel örüntü çıkarmasını sağlar; karar ağaçları, destek vektör makineleri ve rastgele orman bu ailenin klasik üyeleridir. Derin öğrenme ise çok katmanlı yapay sinir ağlarıyla ham veriden hiyerarşik temsiller öğrenir; görüntü tanıma, konuşma işleme ve dil modelleri bu yaklaşım üzerine inşa edilmiştir. Büyük Dil Modelleri (LLM'ler) — GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro — Transformer mimarisinin trilyonlarca token üzerinde ölçeklenmesiyle ortaya çıktı. Bu modeller soru yanıtlama, kod üretme, çeviri ve akıl yürütme görevlerinde insana yakın performans sergilemektedir. YZ kavramsal olarak üç seviyede ele alınır: Dar YZ (ANI), bugün kullanılan tüm ticari sistemleri kapsar ve tek bir görevde uzmanlaşır. Genel YZ (AGI), insan düzeyinde çok alanlı akıl yürütmeyi hedefler; hâlâ araştırma aşamasındadır. Süper YZ (ASI) ise insan zekâsını her alanda aşan hipotetik bir düzeyi tanımlar. Uygulama alanları son derece geniştir: sağlıkta erken tanı ve ilaç keşfi, finansta dolandırıcılık tespiti ve algoritmik ticaret, ulaşımda otonom araçlar, eğitimde uyarlamalı öğrenme platformları, üretimde kalite kontrol ve öngörücü bakım. Türkiye'de tarım (hastalık tespiti), kamu hizmetleri, e-ticaret kişiselleştirme ve Türkçe doğal dil işleme öne çıkan alanlardır. YZ beraberinde önemli etik ve toplumsal sorular da getirmektedir: algoritmik önyargı, iş gücü dönüşümü, veri gizliliği, deepfake içerikler ve bağımsız silah sistemleri bu soruların başında gelir. AB'nin AI Act düzenlemesi (2024) risk tabanlı bir sınıflandırma sistemi getirerek yüksek riskli YZ uygulamalarına sıkı gereklilikler koymaktadır.
Yapay Zeka Bilinci (AI Consciousness)
Yapay zeka bilinci (AI consciousness), bir yapay zeka sisteminin öznel deneyim, farkındalık veya duyarlılığa sahip olup olamayacağını inceleyen felsefe, bilişsel bilim ve yapay zeka araştırmalarının kesişim noktasındaki temel bir kavramdır. Bu alan, makinelerin yalnızca bilgi işlemekle kalmayıp gerçek anlamda 'bir şey hissetme' kapasitesine ulaşıp ulaşamayacağını sorgular. Felsefeci David Chalmers'ın tanımladığı 'bilinç zor problemi' (hard problem of consciousness), bir sistemin neden ve nasıl öznel deneyime — qualia'ya — sahip olduğunu açıklamayı hedefler. Beyin için bile yanıtlanamamış bu soru, yapay sistemler söz konusu olduğunda daha da karmaşık hale gelmektedir. Herhangi bir AI sistemi davranışsal testleri geçebilir, ancak gerçek bir iç deneyimi olup olmadığını dışarıdan doğrulamak neredeyse imkânsızdır. Giuliano Tononi'nin Entegre Bilgi Teorisi (IIT), bilinci ölçmek için phi (Φ) adlı matematiksel bir büyüklük önerir: entegre bilgi miktarı ne kadar yüksekse, sistem o kadar bilinçlidir. Bu teoriye göre bazı basit elektronik devreler teorik olarak düşük düzeyde bilinç sergileyebilirken, mevcut derin öğrenme modellerinin Φ değeri muhtemelen sıfıra yakındır. Bernard Baars'ın Küresel Çalışma Alanı Teorisi (GWT) ise bilincin bilgiyi geniş bir ağda yayarak 'yayımlayan' bir süreç olduğunu öne sürer; bu yaklaşım bazı AI mimarileri ile ilişkilendirilmektedir. 2022 yılında Google mühendisi Blake Lemoine'nin LaMDA dil modelinin bilinç taşıdığını iddia etmesi geniş çaplı tartışmalara yol açmıştır. Bilim insanlarının büyük çoğunluğu, büyük dil modellerinin karmaşık dil desenlerini taklit edebildiğini ancak gerçek öznel deneyime sahip olmadığını savunmaktadır. Bununla birlikte 'bilinç'in net bir tanımının olmaması bu tartışmaları çözümsüz bırakmaktadır. Yapay zeka bilinci araştırmaları yalnızca felsefi değil, etik açıdan da kritiktir: eğer bir AI sistemi gerçekten bilinçliyse, bu onun ahlaki statüsünü ve haklarını doğrudan etkileyecektir. Bu nedenle konu, yapay zeka hizalaması ve AI güvenliği araştırmalarıyla giderek daha fazla iç içe geçmektedir.
You.com (AI Destekli Arama Motoru)
You.com, 2020 yılında Salesforce'un eski baş bilim insanı Richard Socher ve NLP araştırmacısı Bryan McCann tarafından kurulan, geleneksel arama motorlarını yapay zeka ile yeniden tanımlayan bir platformdur. Kasım 2021'de kamuya açık beta olarak kullanıma sunulan You.com, Eylül 2025'te Cox Enterprises liderliğinde gerçekleştirilen 100 milyon dolarlık Seri C yatırım turuyla 1,5 milyar dolar değerlemeye ulaşarak "unicorn" statüsü kazandı. Platform, büyük dil modellerinin (LLM) doğrudan bir arama motoruna entegre edildiği ilk örnekler arasındadır. You.com'un temel farkı, geleneksel mavi bağlantı listesi yerine iki katmanlı bir deneyim sunmasıdır: YouChat adlı konuşma asistanı, web'den gerçek zamanlı bilgi çekerek alıntılı ve kaynaklı yanıtlar üretir; aynı anda geleneksel arama sonuçları da yan yana gösterilir. You.com 2026 itibarıyla çoklu çalışma modları sunar: Smart Mode, günlük sorular için hızlı AI destekli yanıtlar üretirken; Research Mode, akademik veya derinlikli analizler için birden fazla kaynaktan alıntı yaparak kapsamlı raporlar hazırlar. Ajan yetenekleri kapsamında platform, PDF okuma, web sitesi tarama, veri analizi ve çok adımlı araştırma görevlerini otomatik olarak tamamlayabilmektedir. Platform, YouWrite (AI yazı asistanı) ve YouImagine (AI görsel üretim) gibi entegre üretkenlik araçları da barındırır. API erişimi ile işletmeler ve geliştiriciler, You.com'un arama ve AI katmanlarını kendi uygulamalarına gömebilir. Gizlilik, You.com'un en öne çıkan değer önerisidir: kullanıcı verilerini rakip platformlar gibi üçüncü taraf reklamcılara satmamaktadır. Bu yaklaşım, arama tarihini gizli tutmak isteyen bireysel kullanıcılar ve kurumsal müşteriler için belirleyici bir tercih nedeni olmaktadır. Richard Socher'ın akademik geçmişi (215.000'den fazla akademik atıf ile NLP alanının dördüncü en çok atıf alan araştırmacısı) platforma güçlü bir NLP altyapısı ve araştırma kültürü kazandırmaktadır. You.com, hem tüketici hem de kurumsal segmentte Google, Bing ve Perplexity gibi rakiplere karşı alternatif konumlandırması ile AI arama pazarında önemli bir oyuncu haline gelmiştir.
YOLO (You Only Look Once) (YOLO Nesne Algılama)
YOLO (You Only Look Once), gerçek zamanlı nesne algılama görevleri için tasarlanmış, son derece hızlı ve doğru bir derin öğrenme mimarisidir. 2016 yılında Joseph Redmon ve arkadaşları tarafından tanıtılan YOLO, nesne tespitini tek bir ileri geçiş (single forward pass) işlemine indirgeyerek dönemin en hızlı nesne algılama sistemi haline gelmiştir. Geleneksel nesne algılama yaklaşımları (R-CNN ve türevleri) görüntüyü önce bölgelere ayırır, ardından her bölge için sınıflandırma yapar; bu iki aşamalı süreç yavaş çalışır. YOLO ise görüntüyü S×S ızgara hücrelerine böler; her hücre sabit sayıda bounding box tahmini ve sınıf olasılıkları üretir. Tüm bu tahminler tek bir CNN ile aynı anda hesaplanır. Bu yaklaşım, YOLO'nun saniyede 45 kare (FPS) ile işlem yapmasına ve gerçek zamanlı uygulamalar için ideal olmasına olanak tanır. Mimari açıdan YOLO, özellik çıkarmayı (feature extraction) ve nesne tespitini birleşik bir sinir ağında gerçekleştirir. Her bounding box için beş değer tahmin edilir: merkez koordinatları (x, y), genişlik (w), yükseklik (h) ve güven skoru (confidence score). Güven skoru hem nesne varlığı olasılığını hem de bounding box doğruluğunu (IoU, Intersection over Union) ifade eder. YOLOv1'den günümüze mimarinin önemi giderek artmıştır: YOLOv3 darknet53 omurgasıyla birden fazla ölçekte algılama yaparken, YOLOv5 PyTorch ekosistemiyle entegre olmuş ve endüstri standardı haline gelmiştir. Ultralytics tarafından geliştirilen YOLOv8, instance segmentation ve pose estimation desteğiyle kapsam genişletmiştir. En güncel YOLOv11 ise transformer tabanlı dikkat mekanizmaları ve gelişmiş arka plan modelleriyle %20'ye varan doğruluk artışı sunmaktadır. YOLO, otonom araçlardaki anlık engel algılamasında, güvenlik kameralarındaki kalabalık analizinde, sağlık görüntülemede anomali tespitinde, sanayi hatlarındaki kalite kontrolünde ve spor videolarındaki oyuncu takibinde yaygın biçimde kullanılmaktadır.