Yapay Zeka Terimleri Sözlüğü: Bilmen Gereken Kavramlar

Bir yapay zeka aracını ilk kez açtığında ya da bir haber okuduğunda karşına çıkan teknik kelimeler, çoğu kişiyi gereksiz yere ürkütüyor. Aslında bu terimlerin neredeyse tamamı, günlük hayattan tanıdık fikirlerin "şık" isimleri. Bir kavramın ne anlama geldiğini bildiğinde, hem araçları daha bilinçli kullanır hem de internette okuduklarını çok daha rahat değerlendirebilirsin. Bu yazıda kavramları alfabetik bir liste yerine, birbiriyle bağlantılı mantıklı gruplar halinde anlatıyoruz; çünkü bu terimler tek tek değil, birlikte anlam kazanıyor.

Temel Yapı Taşları: Yapay Zeka, Makine Öğrenmesi ve Model

Her şeyin başladığı üç kavramla başlayalım. Bunlar birbirinin yerine kullanılıyormuş gibi görünse de aslında iç içe geçmiş katmanlar.

• Yapay Zeka (YZ / AI): Bilgisayarların, normalde insan zekâsı gerektiren işleri (anlama, tahmin, üretme) yapabilmesi için geliştirilen geniş alanın genel adıdır. Bir şemsiye terimdir.
• Makine Öğrenmesi (Machine Learning): Yapay zekanın en yaygın yöntemi. Bilgisayara tek tek kural yazmak yerine, ona bol miktarda örnek gösterip örüntüleri kendisinin öğrenmesini sağlarsın. Spam filtresinin zamanla daha iyi ayıklama yapması buna iyi bir örnektir.
• Model: Makine öğrenmesinin sonunda ortaya çıkan "öğrenmiş beyin". Bir model, eğitim sırasında gördüğü verilerden çıkardığı örüntüleri içinde barındırır ve sen ona bir girdi verdiğinde buna göre bir çıktı üretir. ChatGPT, Gemini ya da Claude gibi araçların arkasında birer (hatta birkaç) model çalışır.

Kısacası ilişki şöyle: yapay zeka en geniş alandır, makine öğrenmesi onun popüler bir dalıdır, model ise bu dalın ürettiği somut sonuçtur. Bu üçlüyü ayırt edebilmek, çoğu haberi ve ürün açıklamasını doğru okuman için yeterli.

Üretken Yapay Zeka Dünyası: LLM, Token ve Parametre

Son yılların gözdesi üretken yapay zeka (generative AI); yani metin, görsel, ses gibi yeni içerikler üreten sistemler. Bu dünyanın en sık duyacağın kavramları şunlar:

• LLM (Büyük Dil Modeli): İngilizce "Large Language Model" ifadesinin kısaltması. Devasa miktarda metinle eğitilmiş, bir cümlede gelecek en olası kelimeyi tahmin ederek metin "üreten" modellerdir. Sohbet robotlarının kalbinde bunlar yatar.
• Token: Modelin metni işlerken kullandığı en küçük parça. Bir token çoğu zaman bir kelime değil, kelimenin bir bölümüdür. "Merhaba" tek bir token olabilirken daha uzun kelimeler birden çok token'a bölünür. Araçların ücretlendirmesi ve uzunluk sınırları genellikle token sayısına göre belirlenir.
• Parametre: Modelin eğitim sırasında ayarladığı iç "düğmeler". Bir modelin "175 milyar parametreli" olması, kabaca onun ne kadar karmaşık örüntüler öğrenebileceğine dair bir göstergedir. Daha çok parametre her zaman "daha iyi" demek değildir; verim, eğitim kalitesi ve kullanım amacı da en az onun kadar önemlidir.
• Bağlam Penceresi (Context Window): Modelin bir seferde "akılda tutabildiği" metin miktarı. Bağlam penceresi dolduğunda, sohbetin başındaki bilgileri unutmaya başlayabilir. Uzun belgelerle çalışırken bu sınırı bilmek işine yarar.

Farklı araçların bu özelliklerde nasıl ayrıştığını merak ediyorsan, popüler sohbet modellerini yan yana koyduğumuz karşılaştırma yazılarımıza göz atabilir, hangi aracın senin işine uygun olduğuna deneyerek karar verebilirsin.

Araçla Konuşma Dili: Prompt, Bağlam ve İnce Ayar

Bir yapay zeka aracından iyi sonuç almanın sırrı pahalı abonelikler değil, ona ne istediğini doğru anlatmaktır. İşte bu iletişimin terimleri:

• Prompt (Komut / Yönerge): Yapay zekaya verdiğin talimattır. "Şu metni 3 maddede özetle" cümlesi bir prompt'tur. Aynı araç, kötü bir komutla vasat, iyi bir komutla şaşırtıcı sonuçlar üretebilir. Bu konuya yeni başlıyorsan Prompt (Komut) Nedir ve Nasıl Yazılır? rehberi tam senlik bir giriş olacaktır.
• Bağlam (Context): Prompt'una eklediğin arka plan bilgisi. Modele kim olduğunu, kime yazdığını ve hangi tonu istediğini söylediğinde çıktının kalitesi belirgin biçimde yükselir.
• Sıfır / Az Örnekli Yönlendirme (Zero-shot / Few-shot): Modele hiç örnek vermeden iş istemek "sıfır örnekli", birkaç örnek göstererek istediğin biçimi öğretmek ise "az örnekli" yaklaşımdır. Karmaşık görevlerde birkaç iyi örnek vermek, sonucu ciddi şekilde iyileştirir.
• İnce Ayar (Fine-tuning): Hazır bir modeli, belirli bir alana ya da üsluba uygun hâle getirmek için ek verilerle yeniden eğitmektir. Çoğu gündelik kullanıcı buna ihtiyaç duymaz; iyi yazılmış bir prompt çoğu işi görür.

Altın kural: Yapay zekaya ne kadar net bağlam ve örnek verirsen, o kadar isabetli cevap alırsın. "Kötü cevap" çoğu zaman modelin değil, eksik komutun sonucudur.

Modelin Sınırları: Halüsinasyon, Önyargı ve Eğitim Verisi

Bu kavramları bilmek, yapay zekayı güvenle kullanmanın en önemli parçasıdır. Çünkü model güçlü bir asistandır ama bir uzman ya da tarafsız bir kaynak değildir.

• Halüsinasyon: Modelin son derece ikna edici bir dille tamamen yanlış bilgi üretmesidir. Var olmayan bir kitap, kaynak, tarih veya rakam uydurabilir. Bu bir "arıza" değil, bu teknolojinin doğasında olan bir sınırdır.
• Önyargı (Bias): Model, eğitildiği verideki kalıpları öğrenir; o veride var olan toplumsal önyargıları da yansıtabilir.
• Eğitim Verisi ve Bilgi Tarihi: Bir model yalnızca eğitildiği tarihe kadarki bilgiyi taşır. İnternet bağlantısı yoksa en son gelişmeleri bilmeyebilir.
• Çok Kipli (Multimodal): Yalnızca metni değil; görsel, ses ve belgeyi birlikte anlayıp üretebilen modeller için kullanılır. Bir fotoğrafı okuyup yorumlayabilen araçlar bu gruba girer.

Bu yüzden temel ilkemiz nettir: Bu platform eğitim amaçlıdır. Yapay zeka araçları hata yapabilir ve yanlış bilgi üretebilir ("halüsinasyon"); ürettiklerini her zaman kendin doğrula. Sonuçlar kişiden kişiye değişir. Yapay zekayı bir başlangıç noktası olarak kullan, son söz olarak değil; özellikle sağlık, hukuk ve finans gibi konularda çıktıyı mutlaka güvenilir bir kaynaktan teyit et.

Hızlı Başvuru Tablosu

En sık karıştırılan terimleri tek bakışta hatırlamak için kısa bir özet:

Terim	Tek cümlelik tanım
Model	Verilerden öğrenmiş, girdiye göre çıktı üreten "beyin"
LLM	Metin üretmek için eğitilmiş büyük dil modeli
Token	Metnin modelce işlenen en küçük parçası
Prompt	Yapay zekaya verdiğin talimat / yönerge
Halüsinasyon	İkna edici ama yanlış üretilmiş bilgi
Çok kipli	Metin, görsel ve sesi birlikte işleyebilen model

Görsel ve İş Dünyasında Karşına Çıkacak Terimler

Sözlük yalnızca metinle sınırlı değil. Görsel üreten araçlarla çalışmaya başladığında difüzyon (diffusion) gibi kavramlar duyacaksın; bu, gürültülü bir görüntüden yola çıkıp adım adım net bir görsel oluşturan üretim yöntemidir. Bu araçlara sıfırdan giriş yapmak istersen Yapay Zeka ile Görsel Nasıl Oluşturulur? Başlangıç Rehberi iyi bir başlangıç; hangi aracın sana uygun olduğuna karar vermek içinse Yapay Zeka Görsel Araçları: Karşılaştırma ve Alternatifler yazısı yol gösterir.

İş hayatında ise sıkça iş akışı (workflow) otomasyonu, yapay zeka asistanı ve verimlilik kelimelerini bir arada duyarsın. Bu kavramların gündelik işlerde ne anlama geldiğini ve hangi becerilerin değer kazandığını Yapay Zeka Becerileri İş Hayatında Hangi Kapıları Açar? yazımızda ele alıyoruz.

Özetle yapay zeka terimleri, kulağa geldiği kadar karmaşık değil; her biri tanıdık bir fikrin teknik adı. Bu sözlüğü bir başvuru noktası olarak kullan, bir terimle karşılaştığında buraya dön. Asıl ustalık ise kelimeleri ezberlemekte değil, bu kavramları gerçek araçlarda deneyerek görmekte gizli. Unutma: ürettiklerini her zaman kendin doğrula ve sonuçların kişiden kişiye değişebileceğini aklında tut.