Yapay Zeka Sözlüğü

Bir hedefe ulaşmak için araçları (web, kod, dosya) kendi başına kullanan LLM tabanlı sistem. Cascade, Claude Code gibi.

İnsan seviyesinde her alanda öğrenebilen yapay zeka. Henüz teorik bir hedef.

Belirli bir sorunu çözmek için tanımlı adım dizisi. ML modellerinin temel yapı taşı.

AI modelinin insan değerleri ve niyetiyle uyumlu çalışmasını sağlama disiplini.

Veri setindeki olağandışı örüntüleri tespit etme. Fraud, izinsiz erişim, hatalı sensör verisi.

Transformer'ın çekirdeği. Modelin girdideki en alakalı tokenlere "odaklanmasını" sağlar.

Sinir ağlarının ağırlıklarını öğrenmek için hatayı geriye yayma algoritması.

Eğitim verisindeki dengesizliklerin model çıktılarına yansıması. Etik AI'ın merkezi sorunu.

Underfitting (yüksek bias) ile overfitting (yüksek variance) arasındaki denge.

İç işleyişi açıklanamayan model. Derin sinir ağları çoğu zaman black box'tır.

Makine çevirisi kalitesini ölçen otomatik metrik. 0-1 arası; 0.5+ profesyonel kalite.

LLM'ye adım adım düşünmesini söyleyerek karmaşık problemlerde performansı artıran prompt tekniği.

Doğal dilde konuşabilen yazılım. ChatGPT, Claude gibi modern LLM tabanlı; kural tabanlı eski türleri de var.

Girdiyi önceden tanımlı kategorilere atayan ML görevi (spam/ham, kedi/köpek).

Etiketsiz verileri benzerliklerine göre gruplama. K-means, DBSCAN yaygın algoritmalar.

Görsel verileri (fotoğraf, video) anlama disiplini. CNN tabanlı modeller standart.

Bir LLM'in tek seferde işleyebildiği token sayısı. GPT-4o: 128K, Claude Sonnet 4.5: 200K.

Görsel veri için tasarlanmış, yerel örüntüleri yakalayan sinir ağı türü.

Modelin öğrendiği veri kümesi. Eğitim, doğrulama ve test bölümlerine ayrılır.

Çok katmanlı sinir ağlarına dayanan ML alt-dalı. Görsel, ses ve dil işlemenin temeli.

Stable Diffusion, DALL-E gibi görsel üretim modellerinin temel mimarisi. Gürültüden adım adım görüntü üretir.

Büyük "öğretmen" modelden küçük "öğrenci" modele bilgi aktarma. Mobile/edge için kritik.

Eğitim sırasında nöronların rastgele "kapatılması". Overfitting'i azaltır.

Kelime, cümle veya görsel anlamını sayısal vektör olarak temsil etme. Semantik arama ve RAG'ın temeli.

Eğitim verisinin tüm modelden bir kez geçmesi. Eğitim genelde onlarca epoch sürer.

Modelin başarımını ölçme süreci. Accuracy, precision, recall, F1 gibi metrikler kullanılır.

Önceden eğitilmiş modeli özel bir görev için ek veriyle eğitme. LoRA gibi parametre verimli yöntemler popüler.

Geniş veriyle eğitilmiş, birçok görevde kullanılabilen genel amaçlı model. GPT-4, Claude, Gemini.

LLM'in dış araçları (API, kod, hesap makinesi) çağırma yeteneği. Modern agent'ların çekirdeği.

Üretici + ayırt edici iki ağın yarışmasıyla gerçekçi görsel üreten mimari.

Yeni içerik (metin, görsel, kod, müzik) üreten AI sistemleri.

OpenAI'nin transformer tabanlı LLM ailesi. GPT-3, 4, 4o sürümleri.

Modelin ağırlıklarını hata gradyanı yönünde güncelleyen optimizasyon algoritması.

LLM çıktısını gerçek kaynaklara (RAG, web, doküman) bağlama. Halüsinasyonu azaltır.

LLM'in olmayan bilgileri kendinden emin şekilde üretmesi. RAG ve grounding ile azaltılır.

Modelin kendisinin öğrenmediği, manuel ayarlanan parametreler (learning rate, batch size).

Metin promptundan görsel üretme. DALL-E, Midjourney, Stable Diffusion liderler.

Eğitilmiş bir modelin yeni veriyle tahmin yapması. Üretimdeki "kullanım" aşaması.

Modelin "talimat takip etme" davranışını geliştirme. RLHF'in ön adımı.

LLM'in güvenlik filtrelerini aşmaya yönelik prompt manipülasyonu. AI safety'nin temel başlıklarından.

LLM'in eğitim verisindeki bilgi son tarihi. Bu tarihten sonraki olayları bilmez.

Varlıklar ve ilişkilerden oluşan yapılandırılmış bilgi ağı. Google Knowledge Graph, semantic web temeli.

Milyarlarca parametreli, geniş metin verisiyle eğitilmiş dil modeli. GPT, Claude, Gemini.

Büyük modeli verimli fine-tune etme yöntemi. Tüm ağırlıkları değil, küçük adaptör matrisleri eğitir.

Açıkça programlanmadan veriden örüntü öğrenen sistemler. AI'ın en yaygın alt dalı.

Bir AI modelinin amacı, kapasitesi, sınırları ve riskleri belgeleyen dokümantasyon.

Birden fazla veri türünü (metin, görsel, ses, video) işleyebilen model. GPT-4o, Gemini 1.5.

Beyin nöronlarından esinlenen, ağırlıklı bağlantılarla bilgi işleyen hesaplama modeli.

Doğal dili anlama, üretme ve analiz etme alanı. Çeviri, özet, sınıflandırma uygulamaları.

Modelin eğitim verisini ezberleyip yeni verilerde başarısız olması. Düzenleme (regularization) ile çözülür.

Modelin eğitilen ağırlıkları. GPT-4 1.7T+, Llama 3 70B parametre.

Modelin geniş etiketsiz veriyle ilk eğitim aşaması. Foundation model temeli.

LLM'e verilen girdi metni. Kalite çıktıyı doğrudan belirler.

En iyi sonucu almak için prompt tasarlama disiplini. Zero-shot, few-shot, CoT teknikleri.

Kötü niyetli prompt ile LLM'in normal davranışını ele geçirme saldırısı. AI security'nin başlıca riski.

LLM'e dış bilgi kaynağından (vektör DB, doküman) ilgili parçaları çekip prompta ekleme. Halüsinasyonu azaltır.

Sıralı veri için sinir ağı türü. Transformer'lar büyük ölçüde RNN'leri tahtından indirdi.

Ödül-ceza ile davranış öğrenme yöntemi. Oyun (AlphaGo), robotik, RLHF temeli.

İnsan tercihleriyle modeli hizalama. ChatGPT'nin yardımcı tonunu sağlayan teknik.

Transformer'ın temel mekanizması. Cümledeki her token diğer tokenlerle ilişkisini hesaplar.

Anahtar kelime değil, anlam bazlı arama. Embedding'lerle yapılır.

Metnin duygusal tonunu (pozitif/negatif/nötr) belirleme. Marka monitoring'de yaygın.

Bkz. Neural Network. Birbirine bağlı yapay nöron katmanlarından oluşur.

Open-source görsel üretim modeli. Custom modeller (LoRA, ControlNet) ekosisteminin temeli.

Etiketli veri ile öğrenme. Sınıflandırma ve regresyon görevleri için standart.

LLM çıktısının yaratıcılık düzeyi. 0 = deterministic, 1+ = yaratıcı/rastgele.

Çok boyutlu matris. Modern derin öğrenme tüm hesaplamaları tensor üzerinde yapar.

LLM'in metni böldüğü temel birim. Kelime, alt-kelime veya karakter olabilir. ~4 karakter = 1 token.

Metni tokenlere parçalama süreci. BPE, WordPiece yaygın yöntemler.

Bir görevde öğrenilen bilgiyi başka göreve aktarma. Fine-tuning bunun bir formu.

Modern LLM'lerin temel mimarisi. 2017 "Attention Is All You Need" makalesi ile tanıtıldı.

Modelin eğitim verisini bile öğrenememesi. Genelde model çok basit veya yetersiz veri.

Etiketsiz veriden örüntü çıkarma. Clustering, dimensionality reduction örnekler.

Embedding'leri saklayıp benzerlik aramak için optimize DB. Pinecone, Weaviate, pgvector.

AI ile sezgisel, denemeyle ilerleyen yazılım geliştirme yaklaşımı. Cursor, Cascade gibi araçlarla yaygınlaştı.

Az etiketli + çok etiketsiz veriyle eğitim. Etiketleme maliyetli görevlerde tercih edilir.

Modelin daha önce hiç görmediği görevi sadece talimatla yapması. LLM'lerin temel becerisi.

Örnek vermeden, sadece talimat ile LLM'den cevap isteme.