Basit anlatım: LLM, çok fazla metin okuyup öğrenen ve insan gibi yazabilen/yanıt verebilen bir bilgisayar modelidir. Soruları yanıtlar, metin özetler, e-posta taslağı çıkarır, hatta kod yazmaya yardım eder.

• Günlük benzetme: Çok kitap okumuş bir asistan gibi düşünün; kalıpları ve bilgileri hatırlar, yeni cümleler kurar.
• Nerede kullanılır: Sohbet botları, müşteri destek otomasyonu, içerik üretimi, arama deneyimini geliştirme, veri analizi için açıklama üretme.
• Örnek: “Bu metni 5 maddeyle özetle”, “Türkçeden İngilizceye çevir”, “Bir teşekkür e-postası yaz”.
• Dikkat: LLM olası kelimeleri seçer; yanlış ama kulağa gerçekçi gelen bilgiler üretebilir (bkz. Halüsinasyon).

Basit anlatım: Bilgisayarların insan dilini anlaması, işlemesi ve üretmesiyle ilgilenen alandır. LLM’ler günümüzde NLP’nin en güçlü araçlarıdır.

• Kullanım: Yazım denetimi, duygu analizi, çeviri, soru-cevap, sesli asistanlar.
• Örnek: “Bu tweet pozitif mi negatif mi?” sorusunu sınıflandırmak.

Basit anlatım: Bir cümlede sıradaki kelimenin ne olacağını tahmin eden modeldir. LLM’ler bu fikrin çok gelişmiş hâlidir.

• Benzetme: “Bugün hava çok …” cümlesinde güzel kelimesinin gelme ihtimalini hesaplamak.
• Örnek: Metin tamamlama, otomatik öneriler.

Basit anlatım: Yalnızca verilenleri sınıflandırmak yerine, yeni içerik üreten model türü. Metin, resim, müzik üretebilir.

• Kullanım: Blog yazısı taslağı, görsel oluşturma, senaryo fikri üretimi.
• Örnek: “Kahve hakkında 3 başlıklı kısa bir blog taslağı yaz.”

Basit anlatım: Girdiyi belli sınıflardan birine atar (ör. spam mi değil mi). Üretmekten çok seçer/sınıflandırır.

• Örnek: E-postayı “Spam/Spam Değil” olarak etiketlemek.
• Not: LLM’ler de sınıflandırma yapabilir; ancak ayırt edici modeller genelde daha hızlı/ucuzdur.

Basit anlatım: Metni modelin anlayacağı küçük parçalara bölme işlemidir. Bu parçaya token denir.

• Neden önemli: Ücretlendirme ve hız çoğunlukla token sayısına bağlıdır.
• Örnek: “Merhaba!” metni şu tokenlara bölünebilir: Mer, haba, !.

Basit anlatım: Modelin işlediği en küçük metin parçası. Kelime, kelime parçası, hatta noktalama işareti olabilir.

• Örnek: “kitaplık” kelimesi kitap + lık olarak iki token olabilir.
• İpucu: Daha kısa istem, daha az token = daha düşük maliyet.

Basit anlatım: Kelime/cümlelerin sayılara (vektörlere) çevrilmiş hâlidir. Anlamca benzer olanlar sayısal olarak da birbirine yakın olur.

• Kullanım: Benzer içerik bulma, arama iyileştirme, öneri sistemleri.
• Örnek: “mutluluk” ile “sevinç” vektörlerinin birbirine yakın çıkması.

Basit anlatım: Metni çok boyutlu bir uzayda sayı kümeleriyle ifade etmektir. Bu sayede “yakın olan” içerikleri hızlıca buluruz.

• Örnek: Ürün açıklamaları vektörleştirilip benzer ürünler önerilir.

Basit anlatım: Model her adımda önceki kelimelere bakarak bir sonrakini üretir. Çoğu sohbet modeli böyledir.

• Örnek: Hikâye yazarken cümleyi kelime kelime tamamlaması.

Basit anlatım: Cümledeki bazı kelimeleri gizleyip (maskeyle) modelden bunları tahmin etmesini isteriz. Anlama yeteneğini geliştirir.

• Örnek: “Bugün [MASK] çok güzel.” → model “hava”yı tahmin eder.

Basit anlatım: Metnin farklı kısımlarına aynı anda bakıp hangisinin önemli olduğuna karar veren modern sinir ağı yapısıdır.

• Benzetme: Bir paragrafı okurken gözünüzün önemli kelimelere kayması gibi.
• Örnek: Çeviri, özetleme, sohbet; hepsinin kalbinde Transformer vardır.

Basit anlatım: Decoder-only modeller metin üretmeye odaklıdır (sohbet gibi). Encoder–decoder modeller girişi anlayıp başka bir çıktıya dönüştürür (çeviri gibi).

• Örnek: Sohbet için decoder-only; İngilizce→Türkçe çeviri için encoder–decoder.

Basit anlatım: Modelin “hangi kelimelere daha çok dikkat etmesi gerektiğini” sayısal olarak öğrenmesidir.

• Örnek: “Ali topu Ayşe’ye verdi” cümlesinde “kime verdi?” sorusunda Ayşe kelimesine daha çok ağırlık vermesi.

Basit anlatım: Cümledeki kelimelerin sırasını modele hissettirme yöntemidir. Yoksa model “hangi kelime önce/sonra geldi”yi bilemez.

• Örnek: “Kedi köpeği kovaladı” ile “Köpek kediyi kovaladı” arasındaki farkı anlaması.

Basit anlatım: Konum bilgisini dikkat hesaplarına akıllıca ekleyen bir yöntemdir. Özellikle uzun metinlerde daha stabil sonuç verir.

Basit anlatım: Uzak kelimelere hafif bir ceza vererek modelin en ilgili kısımlara odaklanmasını kolaylaştırır. Uzun metinlerde faydalıdır.

Basit anlatım: Dikkat hesaplarını daha az bellekle yapmak için anahtar/değer bilgilerini paylaşma teknikleridir. Hız ve maliyeti iyileştirir.

Basit anlatım: Dikkati (attention) daha verimli hesaplayan bir yöntem ailesi. Aynı donanımda daha büyük bağlam veya daha hızlı yanıt sağlar.

Basit anlatım: Model içinde birden çok “uzman” bulunur; her girişte yalnızca bazı uzmanlar çalışır. Böylece kalite artarken maliyet sınırlı kalır.

• Örnek: Hukuk metinlerinde hukuk uzmanı, kodda programlama uzmanı daha çok devreye girer.

Basit anlatım: Modeli eğitirken kullanılan ayarlar ve yöntemlerdir (öğrenme hızı, ısınma, azalma). Doğru ayar, daha iyi sonuç ve kısa eğitim süresi demektir.

Basit anlatım: Çok büyük modeller tek bilgisayara sığmadığı için birden fazla makine/ekran kartı iş paylaşımı yapar. Bu sayede dev modeller eğitilebilir.

Basit anlatım: Genel bir modeli kendi işinize uyarlama sürecidir. Örneğin, bankacılık terimlerine alışması veya şirket üslubunu öğrenmesi için özel verilerle ayar yapılır.

• Örnek: Müşteri destek metinlerinizle eğitip markaya uygun cevaplar almanız.

Basit anlatım: Modelin sayısal hassasiyetini biraz düşürüp (ör. 16 bitten 8 bite) belleği ve maliyeti azaltma tekniğidir. Doğrulukta küçük kayıplar olabilir.

Basit anlatım: Eğitim verisinin temiz, yasal ve dengeli olması çok önemlidir. Kopya içerikler temizlenir, kişisel veriler korunur, lisanslara dikkat edilir.

• Örnek: Müşteri verilerini anonimleştirerek modele vermek; telifli içerikleri hariç tutmak.

Basit anlatım: Modele verdiğiniz talimat ve bağlamın tamamıdır. Ne istediğinizi net yazarsanız daha iyi sonuç alırsınız.

• İpucu: Rol, görev, biçim, kısıtlar ve örnek ekleyin.
• Örnek istem: “Bir müşteri özrü e-postası yaz. Kısa olsun, samimi bir üslup kullan, 3 madde halinde çözüm öner.”

Basit anlatım: Modelin cevabı seçerken izlediği yöntemdir. Ayarları değiştirerek daha yaratıcı veya daha tutarlı cevaplar alabilirsiniz.

• Örnek: top-p=0.9 ve temperature=0.8 → daha yaratıcı; temperature=0.2 → daha tutarlı.

Basit anlatım: Modelin her olası kelime için verdiği ham skorlardır. Bu skorlar sonra olasılığa çevrilir.

Basit anlatım: Rastgeleliği ayarlar. Yüksek sıcaklık = daha yaratıcı ama bazen dengesiz; düşük sıcaklık = daha öngörülebilir.

Basit anlatım: Cevap seçerken olası kelimeleri sınırlama yöntemleridir. Amaç, çok alakasız kelimeleri elemek ve kaliteyi artırmaktır.

• Örnek: top-k=40 yalnızca en olası 40 kelime içinden seçim yapar.