Yapay Zeka Terimleri: Hangisi Ne Anlatıyor, Hangisi Fazlasını Vaat Ediyor

Yapay zeka sözlükleri terimleri tek tek tanımlar ve okuru o adın doğru seçilmiş olduğuna ikna eder. Oysa bu alandaki adların bir kısmı işleyişi anlatmak yerine gizler, bir kısmı da doğrudan pazarlama dilinden gelir. Bir sözlük bu yüzden tanımla yetinmemeli, terime ne kadar güvenileceğini de söylemeli.

Temel kavramlar

Bu grup görece sağlam. Adları uzun süredir kullanılıyor, anlamları da büyük ölçüde oturmuş durumda.

• Algoritma: Belirli bir sonuca ulaşmak için izlenen adımlar. Yapay zekaya özgü bir kavram değil, sıralama yapan bir kod parçası da algoritmadır.
• Makine öğrenimi: Kuralları elle yazmak yerine, veriden çıkarılan örüntülerle karar üreten yöntemler.
• Sinir ağı: Katmanlar hâlinde dizilmiş matematiksel bir model. "İnsan beyninden ilham alındı" cümlesi her tanıtımda geçer ama benzerlik gerçek beyinle oldukça yüzeyseldir; ağırlıkların çarpılıp toplanmasından ibarettir.
• Derin öğrenme: Çok katmanlı sinir ağlarıyla çalışan makine öğrenimi. "Derin" burada nitelik değil, katman sayısı anlamına gelir.
• Eğitim verisi: Modelin öğrendiği veri. Bir modelin davranışını açıklayan en güçlü tek etken çoğu zaman mimarisi değil, bu veridir.
• Parametre: Eğitim sırasında ayarlanan sayısal ağırlıklar. Parametre sayısı bir kalite ölçüsü gibi sunulur, oysa iyi eğitilmiş küçük bir model, kötü eğitilmiş büyüğünü rahatça geçer.

Dil modelleriyle gelen terimler

Asıl bulanıklık burada başlıyor. Terimlerin çoğu üç dört yıl içinde, ürün duyurularının diliyle birlikte yayıldı.

• Büyük dil modeli (LLM): Geniş metin yığınıyla eğitilmiş, bir sonraki parçayı tahmin ederek metin üreten model. Anlama değil, tahmin.
• Küçük dil modeli (SLM): Aynı işi daha az parametreyle, çoğu zaman cihaz üstünde yapan model. Sınırı belirleyen kesin bir eşik yok, ad görecelidir.
• Token: Modelin metni bölerek işlediği en küçük birim. Faturalandırma ve bağlam sınırı kelimeyle değil bununla ölçülür ve Türkçe bu konuda dezavantajlıdır: sözcük dağarcıkları ağırlıklı olarak İngilizce metinle oluşturulduğu için Türkçe ekler ayrı parçalara bölünür, aynı içerik daha fazla token tutar. Maliyet hesabı yapıyorsanız İngilizce örneklerden çıkan rakamı olduğu gibi almayın.
• Sıfır, tek ve az örnekli yönlendirme: Modele hiç örnek vermeden, tek örnekle ya da birkaç örnekle yön vermek. Yaygın kullanımda "çoklu örnekleme" diye geçen şey aslında few-shot, yani az sayıda örnek demek; sayısı arttıkça bağlam penceresi dolar ve maliyet büyür.
• RAG (getirmeyle desteklenmiş üretim): Modele soruyla birlikte, dışarıdan alınmış ilgili belge parçalarını da vermek. Kurumsal projelerde en çok karşılık veren yaklaşım genelde budur, çünkü yanıtın kaynağı gösterilebilir hâle gelir.
• Hallüsinasyon: Modelin gerçeğe aykırı ama ikna edici yanıt üretmesi. Ad, sanki modelde ara ara bozulan bir arıza varmış gibi düşündürüyor; oysa doğru cevabı üreten mekanizmayla yanlışı üreten mekanizma aynı, model ikisini kendi içinde ayırmıyor. Bu yüzden çözüm modeli "düzeltmek" değil, çıktıyı doğrulanabilir bir kaynağa bağlamak oluyor (terimin kendisini yanıltıcı buluyorum).

Ölçme ve sınırlar

• Aşırı öğrenme: Modelin eğitim verisine fazla uyup yeni veride bozulması. Test verisi eğitim verisine sızdığında fark edilmesi zorlaşır, bu da raporlanan başarı oranlarının neden gerçek kullanımda tutmadığının sık görülen açıklamasıdır.
• İnce ayar: Hazır bir modeli kendi verinizle kısmen yeniden eğitmek. Çoğu ihtiyaç için iyi bir istem ve düzgün bir getirme katmanı yeterlidir; ince ayara veri ve bakım maliyetini üstlenecekseniz girin.
• Sentetik veri: Gerçekten toplanmamış, üretilmiş eğitim verisi. Etiketleme maliyetini düşürür, ama üretildiği modelin körlüklerini de taşır.
• Turing testi: Bir makinenin insanı yanıltıp yanıltamadığını ölçen tarihsel bir düşünce deneyi. Bugünün modelleri için bir yetkinlik ölçütü sayılmaz; akıcı konuşmak, doğru bilgi vermekle aynı şey değil.
• Yapay genel zeka (AGI): İnsan düzeyinde geniş yetkinliğe sahip varsayımsal sistem. Üzerinde uzlaşılmış bir tanımı ve kabul edilmiş bir ölçütü olmadığı için, tartışmalarda çoğunlukla teknik bir kavram gibi değil, beklenti kurmak için kullanılıyor.

Bu sözlüğü nerede kullanacaksınız

Terimleri bilmenin pratik faydası bir toplantıda değil, bir kapsam belgesinde ortaya çıkar. "Projeye yapay zeka ekleyelim" cümlesi hiçbir şey söylemez. "Destek taleplerini gelen metne göre altı kategoriye ayıralım, doğruluğu elle etiketlenmiş iki yüz talep üzerinde ölçelim" cümlesi ise hem yapılabilir bir iştir hem de sonunda başarılı olup olmadığı söylenebilir. Aradaki fark, hangi terimi bildiğiniz değil, hangisinin ölçülebilir bir iddiaya karşılık geldiğini görmenizdir.