Başvuru kaynağı
Yapay zekâ modellerini, araçlarını ve haberlerini anlamak için gereken temel kavramların açık Türkçe açıklamaları.
Bu sözlük; teknik terimleri yalnız çevirmekle kalmaz, kavramın nasıl çalıştığını, neden önemli olduğunu ve günlük kullanımda nerede karşınıza çıkacağını da açıklar. Terimler alfabetik sıralanmıştır.
A
Açıklanabilir Yapay Zekâ (XAI)
Bir modelin belirli bir sonuca neden ulaştığını insanların anlayabileceği kanıtlar veya açıklamalarla göstermeyi amaçlayan yöntemlerdir. Özellik önemi, kaynak gösterimi ve karar ağacı benzeri sadeleştirmeler XAI araçlarına örnektir. Açıklama, modelin gerçekten nasıl düşündüğünün birebir kaydı olmayabilir; bazen sonradan üretilen yaklaşık bir yorumdur.
Neden önemli? Sağlık, finans, işe alım ve kamu hizmetleri gibi yüksek etkili alanlarda kararların denetlenebilmesi ve hataların fark edilmesi için gereklidir.
Ajan (AI Agent)
Bir hedefi tamamlamak için plan yapan, araç çağıran, ara sonuçları değerlendiren ve birden fazla adımı takip edebilen yapay zekâ sistemidir. Bir sohbet botundan farkı yalnız yanıt üretmek yerine takvim, dosya, tarayıcı veya kod çalıştırma aracı gibi dış sistemlerle işlem yapabilmesidir.
Pratik not: Ajanlara yalnız ihtiyaç duydukları araç ve veriler verilmelidir. Onay kapıları, işlem günlükleri ve geri alma mekanizmaları güvenli kullanımın temelidir.
Algoritma
Bir problemi çözmek veya bir görevi tamamlamak için izlenen açık işlem dizisidir. Makine öğrenmesinde algoritma, veriden örüntü öğrenme yöntemini belirler; model ise bu öğrenme sonunda oluşan parametreli yapıdır.
API (Uygulama Programlama Arayüzü)
Bir uygulamanın başka bir hizmetle tanımlı kurallar üzerinden iletişim kurmasını sağlayan arayüzdür. AI API’leri genellikle modele metin, görsel veya ses gönderip yanıt alınmasını sağlar. Kimlik doğrulama anahtarı, hız sınırı, veri saklama politikası ve kullanım maliyeti birlikte değerlendirilmelidir.
B
Bağlam Penceresi (Context Window)
Bir dil modelinin tek istekte birlikte dikkate alabildiği metin ve diğer girdilerin toplam sınırıdır. Sistem talimatı, sohbet geçmişi, yüklenen belgeler ve üretilecek yanıt aynı bütçeyi paylaşabilir. Büyük bağlam penceresi uzun belgeleri işlemeyi kolaylaştırır ancak modelin her ayrıntıyı eşit güvenilirlikle kullanacağını garanti etmez.
Benchmark (Karşılaştırma Testi)
Modelleri belirli görevlerde ortak veri ve ölçütlerle karşılaştıran testtir. Matematik, kodlama, muhakeme veya görsel anlama benchmark’ları bulunur. Sonuçlar veri sızıntısı, test ezberleme ve gerçek hayat görevlerinden farklılık nedeniyle tek başına model seçimi için yeterli değildir.
Büyük Dil Modeli (LLM)
Çok büyük metin koleksiyonlarından dil örüntülerini öğrenen ve sıradaki tokenı tahmin ederek metin üreten model sınıfıdır. Yazma, özetleme, çeviri, kodlama ve soru yanıtlama gibi birçok görev tek model üzerinden yapılabilir.
C
CoT / Düşünce Zinciri (Chain of Thought)
Bir problemin ara adımlara ayrılarak çözülmesini anlatan yaklaşımdır. Kullanıcıya sunulan kısa gerekçe, kontrol edilebilir hesap veya kaynak zinciri yararlı olabilir; ancak modelin gizli iç muhakemesinin eksiksiz dökümü güvenilirlik için gerekli değildir. Önemli olan doğrulanabilir sonuç ve kanıttır.
D
Derin Öğrenme
Birden çok katmanlı yapay sinir ağlarıyla karmaşık örüntüleri öğrenen makine öğrenmesi yaklaşımıdır. Görüntü tanıma, konuşma işleme ve büyük dil modellerindeki ilerlemelerin önemli bölümü derin öğrenmeye dayanır.
Damıtma (Distillation)
Büyük ve güçlü bir “öğretmen” modelin davranışlarından daha küçük bir “öğrenci” model eğitme yöntemidir. Amaç daha düşük maliyet ve gecikmeyle benzer performans elde etmektir. Küçük model bazı zor görevlerde öğretmenin gerisinde kalabilir.
E
Eğitim (Training)
Model parametrelerinin örnek verilerden hata azaltacak biçimde ayarlandığı süreçtir. Ön eğitim genel örüntüleri, sonradan eğitim ise talimat izleme, güvenlik veya belirli görev davranışlarını kazandırır.
Embedding (Vektör Temsili)
Metin, görsel veya başka bir veriyi anlam benzerliklerini koruyan sayı dizisine dönüştüren temsildir. Benzer anlamlı içerikler vektör uzayında birbirine yakın konumlanır. Anlamsal arama, öneri sistemleri ve RAG uygulamalarında kullanılır.
Epoch
Eğitim veri kümesinin tamamının model tarafından bir kez işlenmesidir. Fazla epoch aşırı öğrenmeye, az epoch ise yetersiz öğrenmeye yol açabilir.
F
Fine-tuning (İnce Ayar)
Önceden eğitilmiş bir modelin daha küçük ve hedefe yönelik veriyle belirli bir görev, alan veya üsluba uyarlanmasıdır. İnce ayar güncel bilgi eklemekten çok davranışı düzenlemek için uygundur; sık değişen bilgi için RAG daha elverişli olabilir.
Few-shot Öğrenme
Modele görev talimatıyla birlikte birkaç doğru girdi-çıktı örneği vererek beklenen biçimi göstermektir. Model ağırlıkları değişmez; örnekler yalnız o isteğin bağlamında kullanılır.
Foundation Model (Temel Model)
Geniş veri üzerinde eğitilip çok farklı görevlere uyarlanabilen genel amaçlı büyük modeldir. Dil, görüntü, ses veya çok modlu temel modeller uygulamaların altında ortak bir katman görevi görür.
G
Guardrail (Koruyucu Kural)
Model girdilerini, çıktılarını veya araç kullanımını güvenlik ve politika açısından sınırlayan denetim katmanıdır. İçerik filtresi, izin listesi, hassas veri maskeleme ve insan onayı guardrail örnekleridir. Tek bir filtre bütün riskleri ortadan kaldırmaz; katmanlı koruma gerekir.
H
Halüsinasyon
Modelin akıcı ve ikna edici görünmesine rağmen yanlış, uydurma veya kaynağı olmayan bilgi üretmesidir. Model belirsizlik yaşadığında da yanıt üretmeye devam edebilir. Kaynak kontrolü, birincil belge doğrulaması, RAG ve “bilmiyorum” davranışı riski azaltır fakat tamamen yok etmez.
Hiperparametre
Modelin eğitim veya üretim davranışını yöneten, öğrenme sırasında doğrudan öğrenilmeyen ayardır. Öğrenme oranı, batch boyutu, temperature ve maksimum çıktı uzunluğu örnek verilebilir.
İ
İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)
İnsanların yanıt tercihlerini kullanarak model davranışını yararlılık ve güvenlik yönünde geliştiren sonradan eğitim yöntemidir. Tercihler kültürel veya değerlendirici yanlılığı taşıyabileceği için veri çeşitliliği ve bağımsız ölçüm önemlidir.
Inference (Çıkarım)
Eğitilmiş modelin yeni bir girdiyi işleyip çıktı üretmesi aşamasıdır. Kullanıcı bir sohbet mesajı gönderdiğinde gerçekleşen işlem çıkarımdır. Gecikme, token miktarı, donanım ve model boyutu çıkarım maliyetini etkiler.
K
Kayıp Fonksiyonu (Loss Function)
Model tahmini ile doğru sonuç arasındaki farkı sayısal olarak ölçer. Eğitim algoritması bu değeri azaltacak yönde parametreleri günceller.
Knowledge Distillation
Bkz. Damıtma.
Kuantizasyon (Quantization)
Model ağırlıklarını daha düşük sayısal hassasiyetle saklayıp çalıştırarak bellek ve işlem gereksinimini azaltma yöntemidir. Modelin telefonda veya kişisel bilgisayarda çalışmasını kolaylaştırabilir; aşırı sıkıştırma doğruluk kaybına yol açabilir.
L
Latency (Gecikme)
Bir istek gönderildikten sonra yanıtın başlaması veya tamamlanması için geçen süredir. İlk token süresi ile toplam yanıt süresi farklı ölçümlerdir. Gerçek zamanlı ses ve erişilebilirlik uygulamalarında düşük gecikme kritik olabilir.
LoRA (Low-Rank Adaptation)
Büyük modelin tüm ağırlıklarını değiştirmek yerine küçük ek matrisler eğiterek verimli ince ayar yapan tekniktir. Daha az donanım ve depolamayla farklı uzmanlaşmış uyarlamalar üretilebilir.
M
Makine Öğrenmesi
Bilgisayarların her kuralı tek tek programlanmadan veriden örüntü öğrenmesini sağlayan yöntemler bütünüdür. Denetimli, denetimsiz ve pekiştirmeli öğrenme yaygın alt alanlardır.
Model
Eğitim verisinden öğrenilmiş parametreler ve bunları işleyen mimariden oluşan sistemdir. “GPT”, “Gemini” veya “Claude” gibi adlar bir model ailesini; alt sürümler farklı kapasite, hız ve maliyet seçeneklerini ifade edebilir.
MoE (Mixture of Experts / Uzmanlar Karışımı)
Model içinde farklı uzman ağların bulunduğu ve her token için bunların yalnız bir bölümünün etkinleştirildiği mimaridir. Toplam parametre sayısı yüksekken işlem maliyetini sınırlamayı amaçlar.
Multimodal / Çok Modlu Model
Metin, görüntü, ses veya video gibi birden fazla veri türünü anlayabilen ya da üretebilen modeldir. Örneğin bir ekran görüntüsünü açıklayıp aynı konuşmada sesli yanıt verebilir.
N
Nöral Ağ / Yapay Sinir Ağı
Girdileri ağırlıklı bağlantılar ve katmanlar boyunca işleyerek örüntü öğrenen matematiksel model yapısıdır. “Nöron” biyolojik benzetmedir; gerçek beyin hücresinin eksiksiz kopyası değildir.
O
Overfitting (Aşırı Öğrenme)
Modelin eğitim örneklerini ve gürültüyü fazla ezberleyip yeni veride başarısının düşmesidir. Ayrı doğrulama verisi, düzenlileştirme ve veri çeşitliliğiyle azaltılabilir.
Open Weight (Açık Ağırlık)
Bir modelin eğitilmiş ağırlıklarının indirilebilir olmasıdır. Bu terim “açık kaynak” ile aynı değildir; eğitim verisi, kod, lisans veya ticari kullanım hakları kapalı olabilir. Her modelin lisansı ayrı okunmalıdır.
P
Parametre
Modelin eğitim sırasında öğrendiği sayısal ağırlıktır. Parametre sayısı kapasite hakkında fikir verebilir ancak veri kalitesi, mimari ve eğitim yöntemi nedeniyle tek başına başarı ölçütü değildir.
Pekiştirmeli Öğrenme
Bir ajanın ortamda eylem yapıp ödül veya ceza sinyaline göre strateji öğrendiği yöntemdir. Oyun, robotik, öneri sistemleri ve model sonradan eğitiminde kullanılır.
Prompt
Modele verilen talimat, soru, bağlam ve örneklerin bütünüdür. İyi bir prompt hedefi, girdiyi, sınırları ve beklenen çıktı biçimini açıklar. Prompt iyileştirme yararlıdır fakat yanlış bilgi sorununu tek başına çözmez.
Prompt Injection
Bir saldırganın belge, web sayfası veya kullanıcı girdisine modelin asıl talimatlarını geçersiz kılmaya çalışan komutlar yerleştirmesidir. Güvenilmeyen içerik talimat değil veri olarak ele alınmalı; araç izinleri model yanıtından bağımsız uygulanmalıdır.
R
RAG (Retrieval-Augmented Generation)
Model yanıt üretmeden önce ilgili belgeleri arayıp bulunan parçaları bağlama ekleyen yöntemdir. Kurumsal bilgi tabanları ve güncel belgeler için kullanılır. Arama yanlış belge getirirse yanıt da yanlış olabilir; kaynak bağlantısı ve erişim denetimi önemlidir.
Red Teaming
Bir AI sistemini kötüye kullanım, güvenlik açığı, yanlılık ve beklenmeyen davranışlar açısından kasıtlı olarak zorlayan yapılandırılmış test sürecidir. Bulguların düzeltilmesi ve yeniden test edilmesi sürecin parçasıdır.
S
Sentetik Veri
Gerçek dünyadan doğrudan toplanmak yerine bir model, simülasyon veya kuralla üretilen veridir. Gizlilik ve nadir örnek üretimi için yararlı olabilir; üretici modelin hatalarını ve yanlılıklarını çoğaltabilir.
Sistem Promptu
Bir AI uygulamasının rolünü, kurallarını, araç sınırlarını ve yanıt biçimini belirleyen üst düzey talimattır. Kullanıcı promptundan daha yüksek öncelikli olsa da tek başına güvenlik sınırı değildir.
SLM (Küçük Dil Modeli)
Daha az parametre ve kaynakla çalışan dil modelidir. Belirli görevlerde hızlı, ucuz ve cihaz üzerinde çalışabilir; çok karmaşık veya geniş bilgi gerektiren görevlerde büyük modellerden zayıf olabilir.
T
Temperature (Sıcaklık)
Üretimde sonraki token seçiminin ne kadar çeşitli olacağını etkileyen ayardır. Düşük değerler daha tutarlı, yüksek değerler daha çeşitli sonuçlar verir. Yüksek temperature doğruluğu artırmaz; bilgi görevlerinde hatayı büyütebilir.
Token
Modelin metni işlerken kullandığı küçük birimdir. Bir token tam kelime, kelime parçası, noktalama veya boşluk olabilir. API maliyeti ve bağlam sınırı genellikle token üzerinden hesaplanır; Türkçedeki eklemeli yapı token sayısını etkileyebilir.
Transformer
Attention mekanizmasıyla dizideki öğeler arasındaki ilişkileri işleyen sinir ağı mimarisidir. Modern büyük dil modellerinin çoğunun temelini oluşturur ve paralel eğitim avantajı sağlar.
Turing Testi
Bir makinenin yazılı konuşmada insandan ayırt edilip edilemediğini sorgulayan düşünce deneyidir. Akıcı konuşma zekânın, doğruluğun veya bilincin kesin kanıtı değildir.
U
Underfitting (Yetersiz Öğrenme)
Modelin veri içindeki temel örüntüleri bile öğrenemeyecek kadar basit kalması veya yeterince eğitilmemesidir. Hem eğitim hem test performansı düşüktür.
V
Vektör Veritabanı
Embedding’leri saklayıp benzerlik araması yapmaya göre optimize edilmiş veri sistemidir. RAG uygulamalarında soruya anlamca yakın belge parçalarını bulmak için kullanılır.
Veri Sızıntısı (Data Leakage)
Model eğitimi veya değerlendirmesi sırasında erişmemesi gereken hedef, test veya geleceğe ait bilginin girdilere karışmasıdır. Sonuçların gerçekte olduğundan iyi görünmesine neden olur.
Y
Yapay Genel Zekâ (AGI)
İnsanların yapabildiği çok çeşitli bilişsel görevleri yeni durumlara uyarlanarak gerçekleştirebilen varsayımsal genel zekâ düzeyidir. AGI için kabul edilmiş tek bir teknik tanım veya herkesçe onaylanmış ölçüm yoktur; şirket açıklamaları bu belirsizlikle okunmalıdır.
Yapay Zekâ
Algılama, tahmin, dil kullanımı, planlama veya karar desteği gibi insan zekâsıyla ilişkilendirilen görevleri bilgisayar sistemleriyle gerçekleştirmeyi amaçlayan geniş alandır. Her yapay zekâ sistemi öğrenen model değildir; kural tabanlı sistemler de bu kapsamda değerlendirilebilir.
Yanlılık (Bias)
Veri, tasarım veya kullanım bağlamı nedeniyle belirli gruplar için sistematik olarak farklı ya da adaletsiz sonuç oluşmasıdır. Teknik doğruluk yüksek olsa bile alt gruplar ayrı ölçülmezse zarar görünmeyebilir.
Z
Zero-shot Öğrenme
Modele görev için örnek vermeden yalnız talimatla yeni bir işi yaptırma yaklaşımıdır. Sonuç, modelin ön eğitimde öğrendiği genel örüntülere ve talimatın açıklığına bağlıdır.
Son güncelleme: 29 Temmuz 2026. AI alanındaki kullanım değiştikçe yeni kavramlar eklenir ve mevcut tanımlar güncellenir.