Yapay zeka dünyayı değiştirirken, bunu anlatmak için tamamen yeni bir terminoloji de oluşturuyor. Beş dakikalık bir okuma sırasında LLM, RAG, RLHF gibi terimlerle karşılaşacaksınız; bu da teknoloji dünyasındaki en zeki kişileri bile başarısız hissettirebilir. İşte bu sözlüğe, bu kavramları netleştirmek için bir adım atıyoruz. Alan ilerledikçe bu belgeyi düzenli olarak güncelleyeceğiz; yani onu, tanımladığı AI sistemleri gibi yaşayan bir doküman olarak düşünün.
AGI
Artificial General Intelligence (AGI), bulanık bir kavramdır; genellikle çoğu ya da tüm görevlerde ortalama bir insanı aşan yapay zekayı ifade eder. OpenAI CEO’su Sam Altman, AGI’yı “bir çalışan olarak işe alabileceğiniz ortalama bir insan” olarak tanımlamış, OpenAI tüzüğü ise “çoğu ekonomik açıdan değerli işi insanlardan daha iyi yapan yüksek özerklikli sistemler” olarak tanımlar. Google DeepMind ise AGI’yı “çoğu bilişsel görevde insanla aynı ya da daha yetkin olan AI” olarak tanımlar. Karmaşık mı? Endişelenmeyin; AI araştırmalarının öncüsü uzmanlar bile zaman zaman karışıklık yaşar.
AI agent
AI agent, temel bir chatbot’un ötesinde, sizin adınıza bir dizi görevi (masraf bildirimi, bilet rezervasyonu, kod yazma ve bakım gibi) yerine getiren bir araçtır. Bu alanda hâlâ birçok farklı tanım ve altyapı çalışması bulunduğundan “AI agent” ifadesi farklı kişiler için değişik anlamlar taşıyabilir. Temelde, birden çok AI sistemini birleştirerek çok adımlı görevleri tamamlayabilen otonom bir sistemden bahsediyoruz.
API endpointleri
API endpointlerini, bir yazılımın arkasında diğer programların basabileceği “düğmeler” olarak düşünebilirsiniz. Geliştiriciler bu arayüzleri, bir uygulamanın başka bir uygulamadan veri çekmesini ya da bir AI agent’in üçüncü‑taraf hizmetleri insan müdahalesi olmadan kontrol etmesini sağlamak için kullanır. Akıllı ev cihazları ve bulut platformları bu gizli düğmelere sahiptir; AI agentler bu endpointleri keşfettikçe otomasyon olanakları hem güçlenir hem de beklenmedik şekillerde genişler.
Chain of thought (Düşünce zinciri)
Basit bir soruyu bir insan çok hızlı cevaplayabilir (“Zürafa mı, kedi mi daha uzun?” gibi). Ancak bazı problemler ara adımlara ihtiyaç duyar; örneğin bir çiftçi tavuk ve inek sayısını, toplam baş ve ayak sayısından bulmak için bir denklem kurar. AI bağlamında, “düşünce zinciri” büyük dil modellerinin problemi daha küçük ara adımlara bölerek çözmesi anlamına gelir. Sonuç daha doğru olur, özellikle mantık ya da kodlama gerektiren sorularda. Bu yaklaşım, geleneksel LLM’lerden zincir‑mantığına uygun şekilde yeniden eğitim almış modellerle sağlanır.
Coding agent
Bir AI agent’in yazılım geliştirme üzerine özelleştirilmiş hâlidir. Sadece kod önerisi sunmak yerine, kodu kendisi yazar, test eder, hataları ayıklar ve düzeltir; tüm bunları bir insanın gün boyunca yaptığı tekrarlı deneme‑yanılma sürecini otomatikleştirir. Büyük kod tabanlarını tarar, hataları bulur, test çalıştırır ve düzeltmeleri minimum insan gözetimiyle uygular. Bunu, hiç uyumayan ve daima odaklanmış bir stajyeri işe almış gibi düşünebilirsiniz; yine de nihai kod insan tarafından kontrol edilmelidir.
Compute
Compute terimi, AI modellerinin çalışmasını sağlayan kritik işlem gücünü ifade eder. Bu, GPU, CPU, TPU gibi donanımlar ve altyapı bileşenlerinin bütünüdür; AI’nin eğitilip dağıtılabilmesi için temel bir kaynaktır.
Deep learning
Self‑improving machine learning’in bir dalı olan deep learning, çok katmanlı yapay sinir ağları (ANN) kullanır. Bu yapılar, insan beynindeki nöron ağlarını taklit ederek karmaşık korelasyonlar kurar. Geleneksel lineer modeller ya da karar ağaçlarından farklı olarak, deep learning modelleri verideki önemli özellikleri kendileri keşfeder, hatalardan öğrenir ve tekrarlarla performansını artırır. Ancak yüksek doğruluk için milyonlarca veri örneği gerekir ve eğitim süresi daha uzun olduğundan maliyetler de artar.
Diffusion
Diffusion, sanat, müzik ve metin üreten birçok AI modelinin çekirdeğini oluşturur. Fizikten ilham alarak, veri (fotoğraf, şarkı vb.) üzerine gürültü ekleyerek yapıyı yavaşça yok eder. Fizikte bu süreç geri döndürülemez; AI’da ise model, bu gürültülü veriyi “ters diffusion” yoluyla orijinal hâline geri getirmeyi öğrenir. Böylece gürültüden gerçek veri üretme yeteneği kazanılır.
Distillation
Distilasyon, büyük bir AI modelinin bilgisini daha küçük bir modele (öğretmen‑öğrenci yöntemi) aktarmak için kullanılan bir tekniktir. Öğretmen modelden alınan tahminler, öğrenci modelin eğitilmesinde kullanılır; amaç daha az kaynakla benzer performans elde etmektir. OpenAI’nin GPT‑4 Turbo’su bu yöntemle oluşturulmuş olabilir. Rakip bir modelden distilasyon yapılması ise genellikle API hizmetlerinin kullanım şartlarını ihlal eder.
Fine‑tuning
Fine‑tuning, bir modelin önceki genel eğitimine ek olarak, belirli bir görev ya da sektöre yönelik özel veriyle yeniden eğitilmesidir. Birçok startup, büyük dil modellerini temel alıp, kendi alan bilgileriyle ince ayar yaparak ticari ürünler geliştirir.
GAN
Generative Adversarial Network (GAN), gerçekçi veri üretiminde (deepfake gibi) kullanılan bir machine learning çerçevesidir. İki sinir ağı – bir üreteç (generator) ve bir ayırt edici (discriminator) – birbirine karşı rekabet eder; üreteç gerçek veriye benzer çıktılar üretirken, ayırt edici bunları değerlendirir. Bu rekabet, zamanla yüksek kalitede sentezlenmiş veriler ortaya çıkarır.
Yorum Yap