📰 Yapay Zeka Dünyasını Anlamak İçin Önce Aynı Dili Konuşmak Gerekiyor

Yapay zeka son birkaç yıl içinde yalnızca teknoloji şirketlerinin değil, hemen her sektörün gündeminin merkezine yerleşti. Artık haberlerde, toplantılarda, yatırım sunumlarında ve sosyal medyada AGI, LLM, AI Agent, RAG veya Hallucination gibi kavramları neredeyse her gün duyuyoruz.

Ancak bu kavramların büyük bölümü İngilizce olduğu için birçok kişi ne anlama geldiğini tam olarak bilmiyor. Bazıları birbirine karıştırılıyor, bazıları ise olduğundan farklı yorumlanıyor. Bu durum yapay zekayı anlamayı zorlaştırırken, aynı zamanda yanlış bilgi yayılmasına da neden olabiliyor.

AIOffice Türkiye olarak hazırladığımız bu rehber, yapay zeka dünyasında en sık kullanılan kavramları sade, anlaşılır ve teknik doğruluğu koruyarak açıklamak amacıyla oluşturuldu. Amacımız yalnızca terimlerin sözlük anlamını vermek değil; her kavramın gerçek hayatta nasıl kullanıldığını, neden önemli olduğunu ve geleceği nasıl şekillendirdiğini de anlatmak.

Bu serinin ilk bölümünde yapay zekanın temelini oluşturan kavramlara odaklanıyoruz.

🧠 AGI — Artificial General Intelligence (Yapay Genel Zeka)

Türkçe Karşılığı: Yapay Genel Zeka

AGI, insanın yapabildiği hemen her zihinsel görevi yerine getirebilecek seviyedeki teorik yapay zekayı ifade eder. Günümüzde kullandığımız ChatGPT, Claude veya Gemini gibi sistemler oldukça gelişmiş olsalar da belirli sınırlar içinde çalışan “dar yapay zeka” modelleridir. AGI ise bu sınırların ötesine geçerek farklı alanlarda öğrenebilen, akıl yürütebilen ve yeni problemlere insan benzeri şekilde uyum sağlayabilen sistemleri tanımlar.

Bugün henüz gerçek anlamda çalışan bir AGI bulunmuyor. Buna rağmen OpenAI, Google DeepMind, Anthropic ve Meta gibi şirketler araştırmalarını büyük ölçüde bu hedef doğrultusunda sürdürüyor. Çünkü AGI’nın geliştirilmesi, bilgisayar tarihindeki en büyük teknolojik sıçramalardan biri olarak görülüyor.

Gerçek bir AGI; matematik problemi çözebilecek, hukuk metni yorumlayabilecek, müzik besteleyebilecek, robotları kontrol edebilecek ve hiç eğitim almadığı yeni alanlarda bile mantıklı kararlar verebilecek kapasitede olacak.

AGI’ın gerçekleşmesi durumunda yalnızca teknoloji sektörü değil; eğitim, sağlık, üretim, bilim ve ekonomi gibi birçok alan köklü şekilde değişebilir.

💬 LLM — Large Language Model (Büyük Dil Modeli)

Türkçe Karşılığı: Büyük Dil Modeli

LLM, bugün kullandığımız üretken yapay zeka sistemlerinin temelini oluşturan teknolojidir. Büyük Dil Modeli olarak çevrilen bu sistemler, internetten, kitaplardan, makalelerden ve diğer yazılı kaynaklardan oluşan dev veri kümeleri üzerinde eğitilir.

Bir LLM’in amacı bilgiyi ezberlemek değil, dilin yapısını öğrenmektir. Model milyarlarca kelimeyi analiz ederek hangi kelimenin hangisinden sonra gelme olasılığının yüksek olduğunu öğrenir. Böylece kullanıcıdan gelen sorulara doğal görünen cevaplar üretebilir.

ChatGPT, Claude, Gemini, Grok, Llama ve Mistral gibi günümüzde popüler olan birçok üretken AI sistemi aslında farklı Büyük Dil Modelleridir.

Önümüzdeki yıllarda LLM’ler yalnızca sohbet etmek için değil; doktor asistanı, hukuk danışmanı, yazılım geliştiricisi ve kişisel dijital yardımcı gibi çok farklı alanlarda kullanılmaya devam edecek.

🔍 Prompt (İstem)

Türkçe Karşılığı: İstem

Prompt, yapay zekaya verilen her türlü komut, soru veya yönlendirmeyi ifade eder. Bir kullanıcı “Bana bir e-posta yaz” dediğinde de prompt kullanmış olur, “Bu kodu düzelt” dediğinde de.

Yapay zekadan alınan cevabın kalitesi büyük ölçüde verilen promptun kalitesine bağlıdır. Aynı modele farklı şekilde soru sorulduğunda tamamen farklı sonuçlar alınmasının temel nedeni budur.

Örneğin yalnızca “Logo tasarla” demek yerine “Minimal, siyah zemin üzerinde, premium hissi veren bir kahve markası logosu tasarla.” şeklinde yazılan bir prompt çok daha başarılı sonuç verebilir.

Bugün yapay zekayı etkili kullanabilen kişiler, çoğu zaman modeli en iyi kullananlar değil; doğru istem yazabilen kişilerdir.

🧩 Prompt Engineering (İstem Mühendisliği)

Türkçe Karşılığı: İstem Mühendisliği

Prompt Engineering, yapay zekadan en doğru ve en kaliteli çıktıyı alabilmek için istemleri stratejik şekilde hazırlama sürecidir.

İlk dönemlerde insanlar AI’a yalnızca kısa sorular soruyordu. Günümüzde ise yapay zekaya rol verme, örnek gösterme, adım adım düşündürme ve çıktı formatını belirleme gibi yöntemler kullanılıyor.

Örneğin “Bir pazarlama uzmanı gibi davran ve bana teknoloji girişimim için lansman planı hazırla.” ifadesi, basit bir sorudan çok daha kaliteli sonuç üretir.

İstem mühendisliği, özellikle içerik üretimi, yazılım geliştirme, veri analizi ve tasarım gibi alanlarda yapay zekadan maksimum verim almanın en önemli becerilerinden biri haline geldi.

🪙 Token (Belirteç)

Türkçe Karşılığı: Belirteç

Yapay zeka modelleri metinleri insanlar gibi kelime kelime okumaz. Bunun yerine metni “token” adı verilen küçük parçalara ayırarak işler.

Bir token bazen tek bir kelime olabilir, bazen ise kelimenin yalnızca bir bölümü olabilir. Model, bu token’ları analiz ederek metni anlamaya ve yeni içerik üretmeye çalışır.

Bugün birçok yapay zeka servisinde kullanım ücretleri de token üzerinden hesaplanıyor. Çünkü model için asıl işlem yükünü oluşturan unsur kelime sayısı değil, işlenen token miktarıdır.

Bu nedenle token kavramı hem teknik performans hem de maliyet açısından yapay zeka dünyasının en önemli ölçü birimlerinden biridir.

🪟 Context Window (Bağlam Penceresi)

Türkçe Karşılığı: Bağlam Penceresi

Bağlam penceresi, bir yapay zeka modelinin aynı anda hatırlayabildiği ve işleyebildiği maksimum bilgi miktarını ifade eder.

Bir sohbet sırasında modelin önceki mesajları hatırlayabilmesi, yüklenen uzun belgeleri analiz edebilmesi veya büyük kod dosyaları üzerinde çalışabilmesi doğrudan bağlam penceresinin büyüklüğüyle ilişkilidir.

Bağlam penceresi büyüdükçe model daha uzun konuşmaları takip edebilir, belgeler arasında ilişki kurabilir ve daha tutarlı cevaplar verebilir.

Bu nedenle son yıllarda yapay zeka şirketleri arasında en önemli rekabet alanlarından biri de bağlam penceresi kapasitesi oldu.

📖 AI Sözlüğü 2026 — Bölüm 2

Yapay Zekanın Çalışma Mantığını Anlatan Kavramlar

İlk bölümde yapay zekanın temel taşlarını oluşturan AGI, LLM, Prompt ve Token gibi kavramları ele aldık. Bu bölümde ise üretken yapay zekanın nasıl çalıştığını anlamamızı sağlayan teknik kavramlara odaklanıyoruz. Son yıllarda en çok duyduğumuz “halüsinasyon”, “fine-tuning” veya “RAG” gibi terimler aslında bir yapay zeka modelinin nasıl düşündüğünü değil, nasıl üretim yaptığını açıklıyor.

Bu kavramları anlamak, yalnızca ChatGPT gibi araçları daha verimli kullanmayı değil, aynı zamanda yapay zekanın sınırlarını da doğru değerlendirmeyi sağlıyor.

🤯 Hallucination (Halüsinasyon)

Türkçe Karşılığı: Halüsinasyon

Hallucination, yani halüsinasyon, yapay zekanın gerçekte var olmayan veya doğrulanamayan bilgileri tamamen doğruymuş gibi üretmesi durumudur. İnsanlardaki psikolojik halüsinasyon kavramından ilham alınarak kullanılan bu terim, bugün üretken yapay zekanın en önemli sınırlamalarından biri olarak kabul ediliyor.

Bir yapay zeka modeli bazen hiç yazılmamış bir bilimsel makaleyi kaynak gösterebilir, var olmayan bir mahkeme kararını anlatabilir veya uydurduğu bir kişiyi gerçekmiş gibi tanıtabilir. Bunu bilinçli olarak yapmaz. Çünkü model bilgi doğrulamaz; yalnızca öğrendiği dil örüntülerine göre en olası cevabı üretmeye çalışır.

Bu nedenle özellikle hukuk, sağlık, finans ve akademik araştırmalarda AI tarafından verilen bilgilerin mutlaka güvenilir kaynaklarla doğrulanması gerekir. Yapay zekanın akıcı konuşması, her zaman doğru konuştuğu anlamına gelmez.

🎯 Fine-Tuning (İnce Ayar Eğitimi)

Türkçe Karşılığı: İnce Ayar Eğitimi

Fine-tuning, daha önce eğitilmiş bir yapay zeka modelinin belirli bir alan için yeniden eğitilmesi sürecidir. Temel model genel bilgileri bilir, ancak belirli bir sektör veya görev için özelleştirilmesi gerektiğinde fine-tuning uygulanır.

Örneğin genel amaçlı bir dil modeli tıp hakkında bilgi sahibi olabilir. Ancak yalnızca radyoloji raporlarını yorumlayacak bir sistem geliştirmek isteyen şirket, modeli binlerce radyoloji raporuyla yeniden eğiterek bu alanda çok daha başarılı hale getirebilir.

Bugün birçok kurumsal AI projesinin temelinde fine-tuning yer alıyor. Çünkü şirketler, herkese aynı cevabı veren modeller yerine kendi sektörlerini bilen özel modeller geliştirmek istiyor.

🏋️ Training (Eğitim)

Türkçe Karşılığı: Model Eğitimi

Training, yapay zeka modelinin öğrenme sürecini ifade eder. İnsanların okulda eğitim almasına benzer şekilde, AI modelleri de çok büyük veri kümeleri üzerinde aylar süren eğitimlerden geçer.

Bu süreçte modele kitaplar, internet siteleri, makaleler, kodlar, görseller veya ses kayıtları gibi milyarlarca veri örneği gösterilir. Model bu verilerden dil kurallarını, ilişkileri ve örüntüleri öğrenmeye çalışır.

Modern büyük dil modellerinin eğitimi haftalar hatta aylar sürebilir ve binlerce GPU’nun aynı anda çalışmasını gerektirir. Bu nedenle yeni nesil yapay zeka modellerinin geliştirilmesi milyarlarca dolarlık yatırımlarla mümkün olabiliyor.

⚡ Inference (Çıkarım Süreci)

Türkçe Karşılığı: Çıkarım

Training tamamlandıktan sonra model artık öğrenmeyi bırakır ve kullanıcılardan gelen sorulara cevap vermeye başlar. İşte bu çalışma aşamasına inference denir.

Kullanıcı ChatGPT’ye bir soru sorduğunda model yeniden eğitilmez. Bunun yerine daha önce öğrendiği bilgilerden yararlanarak cevap üretir. Bu üretim süreci inference olarak adlandırılır.

Inference ne kadar hızlı gerçekleşirse kullanıcı deneyimi de o kadar iyi olur. Bu nedenle son dönemde yapay zeka şirketleri yalnızca daha akıllı modeller değil, aynı zamanda daha hızlı inference sistemleri geliştirmeye odaklanıyor.

📚 RAG — Retrieval-Augmented Generation (Bilgi Destekli Üretim)

Türkçe Karşılığı: Bilgi Destekli Üretim

RAG, üretken yapay zekanın yalnızca eğitim sırasında öğrendiklerine güvenmek yerine, cevap üretmeden önce harici bilgi kaynaklarından veri almasını sağlayan bir yöntemdir.

Örneğin bir şirket kendi müşteri sözleşmelerini AI’a yüklediğinde, model cevap verirken yalnızca genel bilgisini kullanmaz. Aynı zamanda o şirketin belgelerini tarar ve cevabını bu belgelere göre oluşturur.

Bu yöntem hem halüsinasyon riskini azaltır hem de çok daha güncel bilgilerle çalışmayı mümkün hale getirir. Kurumsal yapay zeka çözümlerinin büyük bölümü bugün RAG mimarisi üzerine inşa ediliyor.

🧩 Embedding (Vektörleştirme)

Türkçe Karşılığı: Gömülü Temsil veya Vektörleştirme

İnsanlar kelimeleri anlamlarıyla ilişkilendirir. Yapay zekalar ise bunu matematiksel vektörler kullanarak yapar. Embedding adı verilen yapı, kelimeleri, cümleleri veya belgeleri sayısal koordinatlara dönüştürür.

Bu sayede model “otomobil” ile “araba” kelimelerinin birbirine yakın anlam taşıdığını anlayabilir. Benzer kavramlar vektör uzayında birbirine daha yakın konumlandırılır.

Arama motorları, öneri sistemleri ve RAG altyapıları embedding teknolojisi sayesinde yalnızca anahtar kelimeye değil, anlam benzerliğine göre de sonuç üretebilir.

🔄 Transformer (Dönüştürücü Mimari)

Türkçe Karşılığı: Dönüştürücü Model Mimarisi

Bugün ChatGPT, Claude, Gemini ve benzeri modellerin neredeyse tamamı Transformer adı verilen mimari üzerine kuruludur.

2017 yılında Google araştırmacıları tarafından geliştirilen bu mimari, yapay zekanın uzun metinlerde hangi kelimelerin birbiriyle ilişkili olduğunu çok daha başarılı şekilde öğrenmesini sağladı.

Transformer mimarisi sayesinde modeller yalnızca tek tek kelimeleri değil, cümlelerin tamamını ve metnin genel bağlamını değerlendirebiliyor. Modern üretken yapay zeka devriminin başlamasında bu mimarinin payı oldukça büyük.

📏 Parameters (Parametreler)

Türkçe Karşılığı: Parametreler

Parametreler, bir yapay zeka modelinin eğitim sırasında öğrendiği matematiksel ağırlıklardır. Bir modelin ne kadar büyük olduğu çoğu zaman sahip olduğu parametre sayısıyla ifade edilir.

Milyarlarca parametreye sahip modeller, daha karmaşık ilişkileri öğrenebilir ve daha kaliteli sonuçlar üretebilir. Ancak parametre sayısının tek başına başarı göstergesi olmadığını da unutmamak gerekir.

Son yıllarda daha küçük ama daha verimli çalışan modeller geliştirilmeye başlanması, sektörün yalnızca büyüklüğe değil verimliliğe de önem vermeye başladığını gösteriyor.

📖 AI Sözlüğü 2026 — Bölüm 3

Günümüz Yapay Zeka Sistemlerini Güçlendiren Teknolojiler

Yapay zeka yalnızca sohbet eden sistemlerden ibaret değil. Bugün kullandığımız üretken AI araçlarının arkasında onlarca farklı teknoloji birlikte çalışıyor. Görsel oluşturma, ses üretme, video hazırlama veya robot kontrolü gibi görevlerin her biri farklı yapay zeka disiplinleri tarafından destekleniyor.

Bu bölümde, son yıllarda teknoloji dünyasının en çok konuştuğu ve önümüzdeki dönemde çok daha fazla karşımıza çıkacak kavramları ele alıyoruz.

🤖 AI Agent (Yapay Zeka Ajanı)

Türkçe Karşılığı: Yapay Zeka Ajanı

AI Agent, yalnızca verilen komutları yerine getiren bir sohbet botundan çok daha fazlasıdır. Yapay zeka ajanları belirli bir hedef doğrultusunda plan yapabilen, araç kullanabilen, aldığı sonuçları değerlendirebilen ve gerektiğinde yeni kararlar alabilen sistemlerdir.

Örneğin bir AI Agent’a “Bana üç günlük İstanbul seyahati planla.” dediğinizde yalnızca öneri sunmaz. Uçuşları araştırabilir, otelleri karşılaştırabilir, hava durumunu inceleyebilir, restoran önerileri oluşturabilir ve tüm bunları tek bir görev zinciri içinde yönetebilir.

2026 itibarıyla teknoloji şirketlerinin en büyük yatırımlarından biri AI Agent ekosistemleri. Çünkü gelecekte kullanıcıların tek tek uygulama kullanması yerine, görevleri kendi adına yöneten dijital ajanlarla çalışması bekleniyor.

🎨 Multimodal AI (Çok Modlu Yapay Zeka)

Türkçe Karşılığı: Çok Modlu Yapay Zeka

İlk nesil yapay zekalar yalnızca metin anlayabiliyordu. Günümüzde ise modeller aynı anda metin, görsel, ses ve videoyu birlikte analiz edebiliyor.

Bu yetenek Multimodal AI olarak adlandırılıyor.

Örneğin bir kullanıcı fotoğraf yükleyip “Bu makinedeki arıza nedir?” diye sorabiliyor. Aynı sistem görüntüyü analiz ediyor, metni anlıyor ve sesli cevap verebiliyor.

GPT-5.5, Gemini, Claude ve diğer yeni nesil modellerin tamamı multimodal yaklaşım üzerine geliştiriliyor. Bu sayede yapay zekalar insanlarla çok daha doğal iletişim kurabiliyor.

👁️ Computer Vision (Bilgisayarlı Görü)

Türkçe Karşılığı: Bilgisayarlı Görü

Computer Vision, bilgisayarların görüntüleri ve videoları analiz ederek anlamlandırmasını sağlayan yapay zeka alanıdır.

İnsan gözü bir fotoğrafa baktığında nesneleri, yüzleri veya yazıları kolayca ayırt edebilir. Bilgisayarlı görü sistemleri de benzer şekilde görüntüleri analiz ederek içindeki nesneleri tanımaya çalışır.

Bugün yüz tanıma sistemleri, otonom araçlar, fabrika kalite kontrol sistemleri, sağlık görüntüleme cihazları ve güvenlik kameralarının büyük bölümü Computer Vision teknolojisi kullanıyor.

Son yıllarda üretken yapay zekanın gelişmesiyle birlikte görüntü anlayabilen modeller çok daha başarılı hale geldi.

🎙️ Speech Recognition (Konuşma Tanıma)

Türkçe Karşılığı: Konuşma Tanıma

Speech Recognition, insan sesini yazıya dönüştüren yapay zeka teknolojisidir.

Bugün telefonlarımızdaki sesli asistanlardan toplantı kayıtlarının otomatik yazıya aktarılmasına kadar birçok sistem bu teknolojiyle çalışıyor.

Modern konuşma tanıma modelleri yalnızca söylenen kelimeleri değil; konuşmacının aksanını, duraksamalarını ve bağlamı da analiz ederek daha doğru sonuçlar üretebiliyor.

Özellikle çok dilli modeller sayesinde farklı diller arasında gerçek zamanlı çeviri yapılabilmesi de mümkün hale geliyor.

🔊 Text-to-Speech (Metinden Konuşmaya)

Türkçe Karşılığı: Metinden Konuşmaya

Text-to-Speech teknolojisi yazılı metinleri doğal insan sesiyle okuyabilen yapay zeka sistemlerini ifade eder.

Eskiden bilgisayar sesleri mekanik ve robotik duyulurken, günümüzde AI destekli ses modelleri duygu, vurgu ve tonlamaları da başarıyla taklit edebiliyor.

Bu teknoloji sesli kitaplardan navigasyon sistemlerine, çağrı merkezlerinden eğitim platformlarına kadar çok geniş kullanım alanına sahip.

Son yıllarda gerçek insan sesinden ayırt edilmesi oldukça zor olan yapay sesler üretilebiliyor.

🎤 Voice Cloning (Ses Klonlama)

Türkçe Karşılığı: Ses Klonlama

Voice Cloning, kısa bir ses kaydından yararlanarak bir kişinin sesini dijital olarak yeniden oluşturabilen yapay zeka teknolojisidir.

Artık birkaç dakikalık kayıt bile bir kişinin ses tonunu, konuşma hızını ve vurgu biçimini taklit etmek için yeterli olabiliyor.

Bu teknoloji film dublajı, oyun sektörü ve erişilebilirlik çözümleri açısından önemli fırsatlar sunarken; aynı zamanda dolandırıcılık ve kimlik sahteciliği gibi yeni güvenlik risklerini de beraberinde getiriyor.

Bu nedenle birçok ülke ses klonlama teknolojileriyle ilgili yeni düzenlemeler hazırlıyor.

🖼️ Image Generation (Görsel Üretimi)

Türkçe Karşılığı: Görsel Üretimi

Image Generation, yazılı komutlardan yeni görseller oluşturabilen üretken yapay zeka sistemlerini ifade eder.

Bugün bir kullanıcı “Sisli bir ormanda yürüyen astronot” yazdığında, model daha önce var olmayan tamamen yeni bir görsel oluşturabiliyor.

Reklamcılık, grafik tasarım, moda, mimarlık ve oyun geliştirme gibi sektörlerde bu teknoloji üretim süreçlerini önemli ölçüde hızlandırmaya başladı.

Ancak telif hakları ve içerik doğruluğu gibi konular hâlâ sektörün en büyük tartışma başlıkları arasında yer alıyor.

🎥 Video Generation (Video Üretimi)

Türkçe Karşılığı: Video Üretimi

Video üretimi, yapay zekanın metin veya görsellerden hareketli videolar oluşturmasını sağlayan teknolojidir.

Son yıllarda geliştirilen modeller sayesinde birkaç satırlık açıklamadan sinematik sahneler üretmek mümkün hale geldi.

Bu teknoloji reklam sektöründen eğitim videolarına, animasyondan sosyal medya içeriklerine kadar birçok alanda kullanılmaya başlandı.

Önümüzdeki yıllarda video üretiminin içerik sektöründe en büyük dönüşümlerden birini yaratması bekleniyor.

🌫️ Diffusion Model (Difüzyon Modeli)

Türkçe Karşılığı: Difüzyon Modeli

Diffusion modelleri, günümüzdeki birçok görsel üretim sisteminin temelini oluşturuyor.

Bu modeller önce görüntüyü tamamen gürültülü hale getiriyor, ardından bu gürültüyü adım adım temizleyerek yeni görüntüyü oluşturuyor.

Midjourney, Stable Diffusion ve benzeri birçok üretken görsel sistemi bu yaklaşımı kullanıyor.

Bu yöntem sayesinde son derece gerçekçi ve yüksek kaliteli görseller üretilebiliyor.

💻 GPU (Grafik İşlem Birimi)

Türkçe Karşılığı: Grafik İşlem Birimi

GPU’lar başlangıçta bilgisayar oyunları için geliştirilmiş olsa da bugün yapay zeka devriminin en kritik donanımlarından biri haline geldi.

Yapay zeka modelleri aynı anda milyarlarca matematiksel işlem gerçekleştirdiği için klasik işlemciler yerine binlerce işlemi paralel yürütebilen GPU’lara ihtiyaç duyuyor.

Bu nedenle NVIDIA gibi şirketler bugün yalnızca ekran kartı üreticisi değil, yapay zeka altyapısının temel sağlayıcıları olarak görülüyor.

Birçok yeni AI modeli binlerce GPU kullanılarak eğitiliyor.

🔓 Open Source Model (Açık Kaynak Model)

Türkçe Karşılığı: Açık Kaynak Model

Açık kaynak yapay zeka modelleri, geliştiricilerin indirip inceleyebildiği ve kendi ihtiyaçlarına göre değiştirebildiği sistemlerdir.

Bu yaklaşım araştırmaların hızlanmasını, daha fazla geliştiricinin katkı sağlamasını ve yapay zekanın demokratikleşmesini destekliyor.

Meta’nın Llama ailesi, Mistral ve birçok yeni model açık kaynak yaklaşımını benimseyen örnekler arasında yer alıyor.

Ancak açık kaynak modellerin kötü niyetli kullanım riskleri de sıkça tartışılıyor.

🔒 Closed Model (Kapalı Kaynak Model)

Türkçe Karşılığı: Kapalı Kaynak Model

Kapalı kaynak modeller, geliştirici şirket tarafından kontrol edilen ve iç yapısı kamuoyuyla paylaşılmayan yapay zeka sistemleridir.

Bu modeller genellikle API veya uygulamalar üzerinden kullanılabilir.

OpenAI, Anthropic ve Google’ın birçok ticari modeli bu kategoriye giriyor.

Kapalı modeller daha sık güvenlik denetiminden geçirilse de şeffaflık konusunda zaman zaman eleştiriliyor.

📖 AI Sözlüğü 2026 — Bölüm 4

Geleceğin Yapay Zekasını Şekillendiren Kavramlar

Yapay zeka yalnızca daha hızlı çalışan modeller geliştirmekten ibaret değil. Sektör artık güvenlik, etik, karar verme, doğruluk ve insanla iş birliği gibi çok daha karmaşık konulara odaklanıyor. Bugün teknoloji şirketlerinin milyarlarca dolar yatırım yaptığı alanlar, yalnızca daha büyük modeller üretmek değil; daha güvenilir, daha kontrollü ve daha faydalı yapay zekalar geliştirmek.

Bu bölümde, önümüzdeki yıllarda yapay zeka dünyasının yönünü belirleyecek en önemli kavramları ele alıyoruz.

🏆 Benchmark (Performans Testi)

Türkçe Karşılığı: Performans Ölçütü veya Kıyaslama Testi

Benchmark, bir yapay zeka modelinin başarısını ölçmek için kullanılan standart testlerin genel adıdır.

Bir modelin matematikte, kod yazmada, mantık yürütmede veya dil anlama konusunda ne kadar başarılı olduğu bu testlerle ölçülür. MMLU, HumanEval, SWE-Bench ve GPQA gibi testler günümüzde en yaygın benchmark örnekleri arasında yer alıyor.

Ancak benchmark sonuçları tek başına bir modelin gerçek hayattaki başarısını göstermez. Çünkü bir model testlerde çok yüksek puan alırken, günlük kullanımda aynı performansı göstermeyebilir.

Bu nedenle son dönemde şirketler yalnızca benchmark skorlarını değil, gerçek kullanıcı deneyimini de ön plana çıkarmaya başladı.

📊 Synthetic Data (Sentetik Veri)

Türkçe Karşılığı: Sentetik Veri

Sentetik veri, insanlar tarafından toplanmamış; yapay zeka veya bilgisayar sistemleri tarafından üretilmiş veri anlamına gelir.

Gerçek veriye ulaşmanın zor olduğu alanlarda sentetik veri büyük avantaj sağlar. Örneğin otonom araçlar için milyonlarca trafik senaryosu oluşturulabilir veya sağlık sektöründe gerçek hasta bilgileri yerine sentetik hasta kayıtları kullanılabilir.

Son yıllarda internet üzerindeki kaliteli verilerin azalması nedeniyle birçok şirket yeni modellerini sentetik verilerle eğitmeye başladı.

Uzmanlara göre gelecekte yapay zekalar yalnızca insanlardan öğrenmeyecek; birbirlerinin ürettiği verilerden de öğrenmeye başlayacak.

🗄️ Vector Database (Vektör Veritabanı)

Türkçe Karşılığı: Vektör Veritabanı

Geleneksel veritabanları bilgileri kelime veya sayı olarak saklar. Vektör veritabanları ise bilgileri matematiksel anlam ilişkilerine göre depolar.

Bu sayede kullanıcı tam olarak aynı kelimeyi yazmasa bile sistem benzer anlamdaki içerikleri bulabilir.

Örneğin “otomobil” yazıldığında “araba” veya “elektrikli araç” ile ilgili içerikler de bulunabilir.

Bugün kurumsal AI sistemlerinin büyük bölümü RAG mimarisiyle birlikte vektör veritabanları kullanıyor.

🎯 Reinforcement Learning (Pekiştirmeli Öğrenme)

Türkçe Karşılığı: Pekiştirmeli Öğrenme

Reinforcement Learning, yapay zekanın ödül ve ceza mekanizmasıyla öğrenmesini sağlayan eğitim yöntemidir.

Bir çocuk bisiklet sürmeyi öğrenirken yaptığı doğru hareketlerde başarılı olur, yanlış yaptığında ise dengesini kaybeder. Yapay zekalar da benzer şekilde doğru kararlar aldıklarında ödüllendirilir, yanlış kararlar verdiklerinde ise sistem kendini düzeltmeye çalışır.

Robot teknolojileri, oyun oynayan yapay zekalar ve otonom sistemlerde bu yöntem yoğun şekilde kullanılıyor.

👥 RLHF — Reinforcement Learning from Human Feedback (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme)

Türkçe Karşılığı: İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme

Bugünkü ChatGPT benzeri sistemlerin başarısının arkasındaki en önemli teknolojilerden biri RLHF’dir.

Bu yöntemde insanlar modelin ürettiği cevapları değerlendirir. Daha kaliteli cevaplar ödüllendirilir, zayıf cevaplar ise geri planda bırakılır.

Model zamanla insanların hangi cevapları tercih ettiğini öğrenerek daha doğal, daha güvenli ve daha faydalı yanıtlar üretmeye başlar.

RLHF sayesinde üretken yapay zekalar yalnızca doğru bilgi üretmeyi değil, aynı zamanda insan beklentilerine uygun iletişim kurmayı da öğreniyor.

⚖️ AI Alignment (Yapay Zeka Hizalaması)

Türkçe Karşılığı: Yapay Zeka Hizalaması

Alignment, yapay zekanın hedeflerinin insan değerleriyle uyumlu hale getirilmesini ifade eder.

Bir yapay zeka teknik olarak doğru karar verebilir. Ancak bu karar insanların etik anlayışıyla uyuşmayabilir.

Bu nedenle araştırmacılar, yapay zekaların yalnızca görevlerini yerine getirmesini değil, bunu güvenli ve insan odaklı şekilde yapmasını sağlamaya çalışıyor.

AGI araştırmalarında en kritik çalışma alanlarından biri bugün Alignment olarak kabul ediliyor.

🛡️ AI Safety (Yapay Zeka Güvenliği)

Türkçe Karşılığı: Yapay Zeka Güvenliği

AI Safety, yapay zekanın insanlar ve toplum için güvenli şekilde geliştirilmesini amaçlayan araştırma alanıdır.

Burada amaç yalnızca siber güvenlik değildir. Aynı zamanda yanlış bilgi üretimi, ayrımcılık, manipülasyon, kontrol kaybı ve kötüye kullanım gibi riskler de değerlendirilir.

Bugün OpenAI, Anthropic, Google DeepMind ve diğer büyük laboratuvarların önemli araştırma ekipleri doğrudan AI Safety üzerine çalışıyor.

Yapay zeka ne kadar güçlü hale gelirse, güvenlik konusu da o kadar kritik hale geliyor.

🚧 Guardrails (Güvenlik Bariyerleri)

Türkçe Karşılığı: Güvenlik Bariyerleri

Guardrails, yapay zekanın belirlenen sınırların dışına çıkmasını engelleyen güvenlik mekanizmalarıdır.

Bir model zararlı yazılım üretmemeli, kişisel verileri paylaşmamalı veya yasa dışı faaliyetleri desteklememelidir.

Bu tür kurallar, modelin cevap üretme sürecine yerleştirilen güvenlik katmanları sayesinde uygulanır.

Ancak güvenlik bariyerleri ile ifade özgürlüğü arasında doğru dengeyi kurmak hâlâ sektörün en önemli tartışmalarından biri.

🧩 Reasoning Model (Akıl Yürütebilen Model)

Türkçe Karşılığı: Akıl Yürütebilen Model

Reasoning modelleri, yalnızca hızlı cevap üretmek yerine adım adım düşünerek problem çözmeye odaklanan yapay zeka sistemleridir.

Bu modeller özellikle matematik, bilim, yazılım geliştirme ve karmaşık planlama gibi alanlarda daha başarılı sonuçlar verebiliyor.

Son yıllarda OpenAI, Anthropic, Google ve diğer şirketler akıl yürütme yeteneklerini geliştiren yeni model ailelerine yatırım yapıyor.

Uzmanlara göre önümüzdeki dönemde yapay zekanın gelişiminde en önemli rekabet alanlarından biri de reasoning yetenekleri olacak.

🌐 API (Application Programming Interface)

Türkçe Karşılığı: Uygulama Programlama Arayüzü

API, farklı yazılımların birbiriyle iletişim kurmasını sağlayan standart arayüzdür.

Yapay zeka şirketleri modellerini yalnızca kendi uygulamalarında sunmaz. Aynı zamanda geliştiricilerin bu modellere erişebilmesi için API hizmeti sağlar.

Örneğin bir e-ticaret sitesi ürün açıklamalarını otomatik yazdırmak veya bir çağrı merkezi müşteri mesajlarını analiz etmek istediğinde doğrudan AI API’larını kullanabilir.

Bugün üretken yapay zekanın hızla yayılmasının en önemli nedenlerinden biri güçlü API ekosistemidir.

☁️ AI Infrastructure (Yapay Zeka Altyapısı)

Türkçe Karşılığı: Yapay Zeka Altyapısı

AI Infrastructure; veri merkezleri, GPU kümeleri, ağ sistemleri, depolama çözümleri ve bulut servislerinin tamamını kapsayan altyapıyı ifade eder.

Bir yapay zeka modeli ne kadar başarılı olursa olsun, onu çalıştıracak güçlü altyapı olmadan milyonlarca kullanıcıya hizmet vermesi mümkün değildir.

Son yıllarda NVIDIA, AMD, Microsoft, Amazon, Google ve Oracle gibi şirketlerin milyarlarca dolarlık veri merkezi yatırımlarının temel nedeni de budur.

Yapay zeka çağının görünmeyen kahramanı, aslında bu altyapıdır.

🌍 AI Office Yorumu

Son dört bölüm boyunca onlarca farklı yapay zeka kavramını ele aldık. İlk bakışta bunların yalnızca mühendisleri ilgilendiren teknik terimler olduğu düşünülebilir. Oysa gerçek çok farklı.

Bugün pazarlamadan hukuka, sağlıktan eğitime, üretimden finans sektörüne kadar hemen her alanda bu kavramlar günlük iş hayatının parçası haline geliyor. Birkaç yıl önce yalnızca araştırma laboratuvarlarında konuşulan teknolojiler artık şirket toplantılarında, yatırım sunumlarında ve kariyer planlarında yer alıyor.

Yapay zeka çağında avantaj sağlayacak olanlar yalnızca en iyi modeli geliştirenler olmayacak. Bu teknolojiyi doğru anlayan, sınırlarını bilen ve hangi problemi nasıl çözebileceğini görebilen bireyler ve kurumlar öne çıkacak.

Önümüzdeki dönemde “AI kullanabiliyor musun?” sorusunun yerini “AI’ı ne kadar bilinçli kullanabiliyorsun?” sorusu alacak. Çünkü üretken yapay zekanın gerçek gücü yalnızca cevap üretmesinde değil, doğru sorular sorabilen insanların elinde değer üretmesinde yatıyor.

AIOffice Türkiye olarak inanıyoruz ki yapay zeka okuryazarlığı, önümüzdeki yılların en önemli dijital becerilerinden biri olacak. Bu nedenle bu sözlük yalnızca kavramları açıklayan bir kaynak değil; aynı zamanda hızla değişen teknoloji dünyasında ortak bir dil oluşturmayı amaçlayan bir rehber niteliği taşıyor.

Yapay zeka her gün gelişmeye devam ediyor. Yeni modeller, yeni kavramlar ve yeni teknolojiler hayatımıza girmeyi sürdürecek. Ancak temel prensip değişmeyecek: Teknolojiyi gerçekten anlayanlar, onu yalnızca kullananlardan her zaman bir adım önde olacak.

🔗 Referans

Bu rehber hazırlanırken yapay zeka alanındaki güncel teknik literatür ve TechCrunch’ın “Artificial Intelligence Definition: Glossary, Hallucinations and Guide to Common AI Terms” başlıklı kapsamlı çalışması başta olmak üzere sektörün önde gelen kaynaklarından yararlanılmıştır. İçerik, AIOffice Türkiye editörleri tarafından özgün anlatımla yeniden hazırlanmış ve genişletilmiştir.