Yapay Zeka ve Büyük Dil Modelleri Kapsamlı Terimler Sözlüğü

MUHARREM GEZER
2 gün önce
17 dakikada okunur

Yapay zeka (AI), makine öğrenmesi (ML) ve büyük dil modelleri (LLM) dünyasının terimleri çoğu zaman İngilizce ve teknik. Bu sözlük, en sık karşılaşılan 100+ kavramı sade bir dille, günlük hayattan örneklerle ve kategori bazlı açıklıyor. İster yeni başlıyor olun ister teknik bir okuyucu, aradığınız terimi hızlıca bulabilirsiniz.

1. Temel Kavramlar: Yapay Zeka ve Makine Öğrenmesi

Şekil 1: Yapay zeka iç içe geçen alanlardan oluşur; LLM'ler en içteki çekirdektir.

Terim	Tanım	Açıklama	Günlük Örnek
Artificial Intelligence (AI) Yapay Zekâ	Bilgisayarların insan zekâsı gerektiren işleri (öğrenme, akıl yürütme, karar verme) yapabilmesi.	Geniş bir şemsiye terim; makine öğrenmesi, doğal dil işleme gibi alanları kapsar.	Telefonunuzun fotoğraflarınızı 'kişiler', 'yemek', 'tatil' diye kendiliğinden gruplaması yapay zekânın günlük bir örneğidir.
Machine Learning (ML) Makine Öğrenmesi	Kurallar elle yazılmak yerine, örneklerden öğrenerek tahmin yapan sistemler.	Yapay zekânın en yaygın dalıdır; sistem gördüğü veriye bakarak kendini ayarlar.	Netflix'in 'beğenebileceğiniz diziler' önerisi: izleme geçmişinizden zevkinizi öğrenir.
Deep Learning Derin Öğrenme	Çok katmanlı yapay sinir ağları kullanan makine öğrenmesi türü.	Görüntü, ses ve metin gibi karmaşık verilerde özellikleri kendisi keşfeder; LLM'lerin temelidir.	Bir fotoğraftaki yüzleri tanıyıp arkadaşınızı etiketlemeyi öneren sistem.
Supervised Learning Gözetimli Öğrenme	Doğru cevapları (etiketleri) verilmiş örneklerden öğrenme.	Modele 'bu doğru, bu yanlış' diye gösterilir; o da bu eşleşmeyi genelleştirir.	Bir çocuğa kartlar gösterip 'bu elma, bu armut' diyerek meyveleri öğretmek gibi.
Unsupervised Learning Gözetimsiz Öğrenme	Etiketsiz veride gizli grupları/yapıları kendiliğinden bulma.	Önceden doğru cevap yoktur; sistem benzerlikleri kendisi keşfeder.	Bir kutu karışık Lego'yu kimse söylemeden renk ve şekline göre ayırmak gibi.
Semi-supervised Learning Yarı Gözetimli Öğrenme	Az miktarda etiketli, çok miktarda etiketsiz veriyi birlikte kullanma.	Etiketlemek pahalı olduğunda, etiketsiz verinin yapısından da faydalanılır.	Birkaç çözülmüş soru görüp, geri kalan binlerce soruyu o mantıkla çözmeye çalışmak gibi.
Reinforcement Learning (RL) Pekiştirmeli Öğrenme	Deneme-yanılma ve ödül/ceza ile davranış öğrenme.	Sistem (ajan) bir ortamla etkileşir ve toplam ödülü artıracak eylemleri keşfeder.	Bir köpeği ödül mamasıyla eğitmek gibi: doğru davranış ödüllenir, tekrarlanır.
Self-supervised Learning Öz-gözetimli Öğrenme	Verinin kendisinden otomatik etiket üreterek öğrenme.	İnsan etiketi gerekmez; örneğin cümlenin eksik kelimesini tahmin ettirerek öğretilir. LLM eğitiminin temelidir.	Bir şarkıyı dinlerken sözlerin bir kısmı susturulsa, gerisini tahmin ederek öğrenmeniz gibi.
Algorithm Algoritma	Bir problemi çözmek için izlenen adım adım talimatlar dizisi.	Modelin nasıl öğreneceğini ve tahmin yapacağını belirleyen tariftir.	Bir yemek tarifi: malzemeleri belli sırayla işleyince sonuç çıkar.
Model Model	Verilerden öğrenilmiş bilgiyle tahmin üreten yapı.	Eğitim sonucu oluşan 'öğrenilmiş beyin'dir; girdi alır, çıktı verir.	ChatGPT veya Claude birer modeldir; soru sorarsınız, cevap üretir.
Dataset Veri Kümesi	Modeli eğitmek veya test etmek için toplanan veri topluluğu.	Genelde eğitim, doğrulama ve test parçalarına ayrılır.	Sınava çalışırken kullandığınız soru bankası gibi düşünün.
Feature Öznitelik / Özellik	Modelin girdi olarak baktığı ölçülebilir bilgi.	İyi seçilmiş özellikler doğru tahmin için anlamlı ipuçları sunar.	Ev fiyatı tahmininde 'metrekare', 'oda sayısı', 'konum' birer özelliktir.
Label Etiket	Bir örneğin doğru cevabı veya hedefi.	Modelin tahmin etmeyi öğrenmesi gereken çıktıdır.	Bir e-postanın 'spam' veya 'spam değil' olarak işaretlenmesi.
Training Eğitim	Modelin verilerden öğrenip kendini ayarlama süreci.	Hata en aza inecek şekilde model tekrar tekrar güncellenir.	Bisiklete binmeyi öğrenmek gibi: her denemede biraz daha az düşersiniz.
Inference Çıkarım	Eğitilmiş modelin yeni bir girdiye cevap üretmesi.	Eğitim 'öğrenme', çıkarım 'kullanma' aşamasıdır.	Sürüş öğrendikten sonra gerçek trafikte araba kullanmanız gibi.
Overfitting Aşırı Öğrenme	Modelin örnekleri ezberleyip yeni durumlarda başarısız olması.	Gürültüyü de öğrenir; genelleme yeteneği düşer.	Sadece eski sınav sorularını ezberleyip yeni soru gelince başarısız olan öğrenci gibi.
Underfitting Yetersiz Öğrenme	Modelin veriyi yeterince öğrenememesi, çok basit kalması.	Hem eğitimde hem testte zayıf kalır.	Konuyu hiç çalışmadan sınava giren ve her yerde takılan öğrenci gibi.
Bias-Variance Tradeoff Yanlılık-Varyans Dengesi	Modelin fazla basit (eksik öğrenme) ile fazla karmaşık (aşırı öğrenme) olması arasındaki denge.	İdeal model bu iki uç arasında bir denge noktasındadır.	Ne çok katı ne çok gevşek; tam kararında pişmiş bir yemek dengesi gibi.
Generalization Genelleme	Modelin daha önce görmediği veride de iyi çalışması.	Asıl hedef ezberlemek değil, öğreneni yeni durumlara taşımaktır.	Tek bir öğretmenden matematik öğrenip başka soruları da çözebilmeniz gibi.
Hyperparameter Hiperparametre	Eğitimden önce elle belirlenen ayar değeri.	Öğrenme hızı, katman sayısı gibi seçimler performansı doğrudan etkiler.	Fırını 180 dereceye ayarlamak gibi: yemeği değil, pişirme koşulunu siz belirlersiniz.

2. Sinir Ağları ve Derin Öğrenme

Şekil 2: Bir sinir ağı; girdi, gizli ve çıktı katmanlarından oluşur.

Terim	Tanım	Açıklama	Günlük Örnek
Neural Network Yapay Sinir Ağı	Beyin nöronlarından esinlenen, katmanlı bağlı düğümlerden oluşan model.	Girdi, gizli ve çıktı katmanları vardır; karmaşık örüntüleri öğrenir.	Bir bilgi, çalışanlardan yöneticilere doğru katman katman süzülen bir ekip gibi işlenir.
Neuron / Node Nöron / Düğüm	Girdileri toplayıp bir çıktı üreten temel hesap birimi.	Her nöron gelen sinyalleri ağırlıklarıyla toplar ve iletir.	Gelen bilgileri değerlendirip 'evet/hayır' kararı veren küçük bir karar verici gibi.
Weight Ağırlık	İki nöron arasındaki bağlantının önemini belirleyen, öğrenilen sayı.	Modelin 'bilgisi' ağırlıklarda saklıdır; eğitim bunları ayarlar.	Karar verirken 'fiyat benim için çok önemli, renk az önemli' demeniz gibi öncelik katsayısı.
Bias (term) Sapma	Nöronun çıktısını kaydıran sabit ek değer.	Eşik noktasını ayarlayarak modele esneklik verir. (Adalet anlamındaki 'önyargı' ile karıştırılmaz.)	Teraziyi sıfırlamadan önce kefeye konan küçük bir denge ağırlığı gibi.
Activation Function Aktivasyon Fonksiyonu	Nöron çıktısına doğrusal olmayanlık katan fonksiyon.	Olmazsa ağ basit bir doğru çizgiye indirgenir; karmaşık ilişkileri öğrenemez.	Bir lambanın belirli bir parlaklık eşiğini geçince yanması gibi 'aç/kapa' kararı.
ReLU ReLU (Düzeltilmiş Doğrusal Birim)	Negatifleri sıfırlayan, pozitifleri olduğu gibi geçiren fonksiyon.	Basit ve hızlıdır; derin ağlarda en yaygın aktivasyondur.	Bir musluk gibi: ters basınçta hiç su geçmez, ileri yönde olduğu gibi akar.
Softmax Softmax	Sayıları toplamı 1 olan olasılıklara çeviren fonksiyon.	Çok sınıflı sınıflandırmada her seçeneğe bir olasılık atar.	'%70 kedi, %20 köpek, %10 tavşan' gibi bir oy dağılımı üretmek.
Backpropagation Geri Yayılım	Hatayı geriye yayarak her ağırlığın sorumluluğunu hesaplayan yöntem.	Sinir ağı eğitiminin temel motorudur.	Bir takım yanlış yapınca, hatanın kimden kaynaklandığını geriye doğru bulup düzeltmek gibi.
Gradient Descent Gradyan İnişi (Eğim)	Hatayı azaltmak için parametreleri eğim yönünde küçük adımlarla güncelleme.	En dik düşüş yönünü izleyerek en düşük hataya ulaşmaya çalışır.	Sisli bir dağda her adımda en dik aşağı yönü seçerek vadiye inmek gibi.
Stochastic Gradient Descent (SGD) Rastgele Örneklerle Gradyan İnişi	Tüm veri yerine küçük rastgele gruplarla yapılan gradyan inişi.	Daha hızlıdır ve büyük veriyle çalışmayı mümkün kılar.	Tüm şehri değil, rastgele birkaç mahalleyi yoklayarak hızlı karar vermek gibi.
Learning Rate Öğrenme Hızı	Her güncellemede atılan adımın büyüklüğü.	Çok büyükse hedefi aşar, çok küçükse çok yavaş ilerler.	Sıcak suyu ayarlarken musluğu yavaş yavaş mı yoksa bir anda mı çevirdiğiniz gibi.
Loss Function Kayıp Fonksiyonu	Tahmin ile gerçek arasındaki hatayı ölçen fonksiyon.	Eğitim bu sayıyı en aza indirmeye çalışır.	Okçulukta okun hedefin merkezinden ne kadar saptığını ölçen mesafe gibi.
Epoch Devir / Epok	Tüm eğitim verisinin modelden bir kez geçmesi.	Birden çok epoch ile model her turda biraz daha iyileşir.	Bir ders kitabını baştan sona bir kez okumak; çok okudukça daha iyi anlarsınız.
Batch / Mini-batch Yığın / Mini Yığın	Modelin bir adımda birlikte işlediği örnek grubu.	Veriyi gruplara bölmek hız ve kararlılık sağlar.	Çamaşırları tek tek değil, makineye dolusu (gruplar hâlinde) yıkamak gibi.
Convolutional Neural Network (CNN) Evrişimli Sinir Ağı	Görüntü gibi verilerde yerel örüntüleri yakalayan ağ türü.	Kenar, doku gibi yapıları tanıyarak görüntü işlemede çok başarılıdır.	Bir fotoğrafa büyüteçle parça parça bakıp 'burada bir göz var' demek gibi.
Recurrent Neural Network (RNN) Yinelemeli Sinir Ağı	Sıralı verileri, geçmişi hatırlayarak işleyen ağ.	Metin ve zaman serilerinde kullanılır; Transformer öncesinin temeliydi.	Bir cümleyi okurken önceki kelimeleri akılda tutarak devamını anlamak gibi.
LSTM Uzun-Kısa Süreli Bellek	Uzun bağımlılıkları daha iyi hatırlayan gelişmiş RNN.	Klasik RNN'in uzun metinlerde unutma sorununu azaltır.	Uzun bir hikâyenin başındaki ipucunu sonuna kadar hatırlayabilmek gibi.
Dropout Seyreltme	Eğitimde rastgele bazı nöronları geçici kapatma tekniği.	Ezberlemeyi azaltır, modeli daha dayanıklı kılar.	Bir takımı her antrenmanda farklı eksik oyuncuyla çalıştırıp herkesi güçlendirmek gibi.
Batch Normalization Yığın Normalizasyonu	Katman çıktılarını dengeleyip eğitimi hızlandıran teknik.	Değer dağılımlarını düzenleyerek daha kararlı öğrenme sağlar.	Bir sınıftaki notları aynı ölçeğe çekerek adil karşılaştırma yapmak gibi.
Vanishing Gradient Kaybolan Gradyan	Derin ağlarda öğrenme sinyalinin geriye giderken yok olması.	İlk katmanlar neredeyse hiç öğrenemez; ReLU ve artık bağlantılar bunu hafifletir.	Bir fısıltının kulaktan kulağa giderken son kişiye hiç ulaşmaması gibi.

3. Büyük Dil Modelleri (LLM) Temelleri

Şekil 3: Metin önce sayılara çevrilir, sonra model sıradaki kelimeyi tahmin eder.

Terim	Tanım	Açıklama	Günlük Örnek
Large Language Model (LLM) Büyük Dil Modeli	Devasa metinle eğitilmiş, dili anlayıp üretebilen büyük model.	Milyarlarca parametre içerir, sıradaki kelimeyi tahmin ederek metin oluşturur.	ChatGPT, Claude ve Gemini birer LLM'dir; her tür yazıyı anlayıp yazabilirler.
Natural Language Processing (NLP) Doğal Dil İşleme	Bilgisayarların insan dilini anlaması ve üretmesi alanı.	Çeviri, özetleme, duygu analizi gibi işleri kapsar.	Bir yorumun olumlu mu olumsuz mu olduğunu otomatik anlayan sistem.
Generative AI Üretken Yapay Zeka	Metin, görsel, ses veya kod gibi yeni içerik üretebilen yapay zeka.	Sınıflandırmaz, yaratır; öğrendiklerinden yeni örnekler oluşturur.	Tek bir cümleden size kapak görseli veya blog yazısı üreten araçlar.
Foundation Model Temel (Büyük) Model	Geniş veriyle eğitilen, birçok işe uyarlanabilen büyük model.	Tek model, küçük ayarlarla farklı görevlere adapte olabilir.	Hem çeviri hem özet hem kod yazabilen çok yönlü tek bir 'beyin' gibi.
Parameter Parametre	Modelin eğitimle öğrendiği ve bilgiyi sakladığı sayısal değer.	Parametre sayısı genelde modelin kapasitesinin göstergesidir.	Bir reçetedeki yüzlerce ince ayar düğmesi gibi; ne kadar çoksa o kadar ince ayar.
Token Token / Jeton	Modelin işlediği metnin en küçük parçası (kelime veya kelime parçası).	Metin token'lara bölünür; ücret ve uzunluk sınırı token üzerinden hesaplanır.	Bir cümleyi lego parçalarına ayırmak gibi; model bu parçalarla çalışır.
Tokenization Tokenleştirme	Metni token'lara ayırma işlemi.	Modelin metni işleyebilmesi için ilk adımdır.	'kahvaltı' kelimesinin 'kah-val-tı' gibi hecelere bölünmesine benzer.
Vocabulary Sözcük Dağarcığı	Modelin tanıdığı tüm benzersiz token'ların kümesi.	Sözlük boyutu, modelin metni nasıl parçaladığını etkiler.	Bir kişinin bildiği tüm kelimelerin listesi gibi.
Embedding Gömme / Vektör Temsili	Bir kelimenin veya metnin anlamını temsil eden sayı dizisi.	Benzer anlamlı sözcükler bu sayı uzayında birbirine yakın durur.	Her kelimeye bir harita koordinatı vermek gibi; yakın anlamlılar yakın komşu olur.
Word Embedding Kelime Gömme	Kelimeleri anlam ilişkilerini koruyarak vektöre çevirme.	Anlamı sayısallaştırır; ilişkiler matematiğe dökülebilir.	'Kral - erkek + kadın = kraliçe' gibi anlamsal aritmetik mümkün olur.
Vector Vektör	Bir veriyi çok boyutlu uzayda temsil eden sayı dizisi.	Embedding'ler vektördür; benzerlik, vektörler arası mesafeyle ölçülür.	Bir şehrin enlem-boylamı gibi; sayılarla bir konumu işaret eder.
Context Window Bağlam Penceresi	Modelin tek seferde işleyebileceği maksimum token miktarı.	Girdi ve çıktı bu sınıra dahildir; geniş pencere uzun belgeleri okur.	Bir masaya aynı anda kaç sayfa sığdırabildiğiniz gibi; masanız ne kadar genişse o kadar çok okursunuz.
Autoregressive Model Öz bağlanımlı Model	Çıktıyı her adımda öncekilere bakarak tek tek üreten model.	Çoğu LLM metni soldan sağa, token token üretir.	Bir cümleyi kelime kelime, her seferinde 'sırada ne gelmeli' diyerek tamamlamak.
Next-token Prediction Sonraki Token Tahmini	Verilen metne bakıp en olası sonraki parçayı tahmin etme.	LLM'lerin temel eğitim hedefidir; tüm üretim buna dayanır.	Klavyenizin 'iyi ...' yazınca 'akşamlar' önermesi gibi.
Perplexity Şaşkınlık (Zihinsel Karışıklık)	Modelin metni ne kadar iyi tahmin ettiğini ölçen değer.	Düşük perpleksite, modelin metinden daha az 'şaşırdığını' gösterir.	Bir kitabı okurken ne kadar az takıldığınızın ölçüsü gibi.
Pretraining Ön Eğitim	Modeli büyük genel veriyle baştan eğitme aşaması.	Modelin dile dair genel bilgiyi kazandığı maliyetli ilk aşama.	Üniversiteye gitmeden önce genel kültür edinmek gibi geniş bir temel atma.
Corpus Derlem / Metin Veri Kümesi	Modeli eğitmek için kullanılan büyük metin topluluğu.	Kalitesi ve çeşitliliği model performansını doğrudan etkiler.	Bir kütüphanenin tüm kitapları gibi; ne kadar zenginse o kadar iyi öğrenilir.
Multimodal Model Çok Modlu Model	Metin, görüntü, ses gibi farklı veri türlerini işleyebilen model.	Farklı duyuları birleştirerek daha zengin anlama sağlar.	Bir fotoğrafa bakıp 'bu tabakta ne var?' sorusunu yanıtlayan model.
Language Modeling Dil Modelleme	Bir dildeki kelime dizilerinin ne kadar olası olduğunu öğrenme.	Hangi ifadelerin doğal/akıcı olduğunu kavramaktır.	Otomatik tamamlama önerilerinin altındaki temel mantık.
Sequence-to-sequence (Seq2Seq) Diziden Diziye	Bir girdi dizisini başka bir çıktı dizisine çeviren yapı.	Çeviri ve özetleme gibi uzunluğun değiştiği işlerde kullanılır.	İngilizce bir cümleyi Türkçeye çevirme: girdi bir dilde, çıktı başka dilde.

4. Transformer Mimarisi

Şekil 4: Dikkat mekanizması Sorgu–Anahtar–Değer üçlüsüyle çalışır.

Terim	Tanım	Açıklama	Günlük Örnek
Transformer Transformer	Dikkat mekanizmasına dayanan, modern LLM'lerin temeli olan mimari.	2017'de tanıtıldı; paralel işleme sayesinde çok büyük ölçeklere çıkabildi.	GPT, Claude ve Gemini'nin altında yatan ortak motor.
Attention Dikkat Mekanizması	Modelin girdinin önemli kısımlarına daha fazla odaklanmasını sağlayan yapı.	Her kelime üretilirken bağlamın hangi kısımları önemli, ona karar verir.	Kalabalık bir ortamda sadece adınızı duyduğunuzda dönüp bakmanız gibi seçici odak.
Self-Attention Öz-dikkat	Bir cümledeki her kelimenin diğer kelimelerle ilişkisini hesaplama.	Transformer'ın kalbidir; uzak kelimeler arası bağıntıyı bile yakalar.	'Onu bankaya koydum' derken 'banka'nın para mı oturak mı olduğunu bağlamdan anlamak.
Multi-head Attention Çok Başlı Dikkat	Birden çok dikkat mekanizmasını paralel çalıştırma.	Her 'baş' farklı tür ilişkiye odaklanır; modeli güçlendirir.	Bir metni aynı anda hem dilbilgisi hem anlam açısından okuyan birden çok uzman gibi.
Encoder Kodlayıcı	Girdiyi anlamlı bir temsile dönüştüren bileşen.	Girdiyi 'anlama' işini yapar; BERT gibi modeller sadece bunu kullanır.	Bir metni okuyup özünü kavrayan 'okuyucu' bölüm.
Decoder Kod Çözücü	Temsilden çıktı metnini adım adım üreten bileşen.	Metin üretiminden sorumludur; GPT gibi modeller sadece bunu kullanır.	Anladığını kelimelere döken 'yazar' bölüm.
Positional Encoding Konumsal Kodlama	Kelimelerin cümledeki sırasını modele bildiren sinyal.	Transformer sırayı doğal bilmediğinden konum bilgisi eklenir.	'Kedi köpeği kovaladı' ile 'köpek kediyi kovaladı' farkını anlamak için sıra bilgisi.
Query, Key, Value (Q,K,V) Sorgu, Anahtar, Değer	Dikkat hesabında kullanılan üç vektör türü.	Sorgu-anahtar benzerliği önemi belirler, değer taşınan bilgidir.	Bir arama gibi: Sorgu (ne arıyorum), Anahtar (etiketler), Değer (içeriğin kendisi).
Feed-forward Network (FFN) İleri Beslemeli Ağ	Dikkat sonrası her kelimeyi ayrı ayrı işleyen katman.	Transformer bloğunun ikinci ana parçasıdır; temsili zenginleştirir.	Dikkatten gelen bilgiyi 'sindirip' işleyen ek bir düşünme adımı.
Residual Connection Artık Bağlantı	Bir katmanın girdisini çıktısına doğrudan ekleyen kısa yol.	Derin ağlarda bilgi ve gradyan akışını kolaylaştırır.	Bir mesajı işlerken orijinalini de yanında tutarak kaybolmasını önlemek gibi.
Layer Normalization Katman Normalizasyonu	Bir katmandaki değerleri dengeleyen teknik.	Eğitimi kararlı kılar; Transformer'larda her adımda kullanılır.	Sesleri aynı ses seviyesine getirip dengeli bir mix elde etmek gibi.
KV Cache Anahtar Değer Önbelleği	Üretimde hesaplanan anahtar/değerleri saklayıp yeniden kullanma.	Uzun metin üretimini ciddi şekilde hızlandırır.	Bir hesabı her seferinde baştan yapmak yerine ara sonuçları not edip kullanmak gibi.

5. Eğitim, İnce Ayar ve Optimizasyon

Şekil 5: Eğitim genelden özele ilerler: ön eğitim → ince ayar → hizalama.

Terim	Tanım	Açıklama	Günlük Örnek
Fine-tuning İnce Ayar	Hazır bir modeli belirli bir görev/veriye göre ek eğitime tabi tutma.	Genel modeli özel alana uyarlar; sıfırdan eğitmekten çok ucuzdur.	Genel bir aşçıya sadece İtalyan mutfağı kursu aldırıp uzmanlaştırmak gibi.
Transfer Learning Aktarım Öğrenmesi	Bir işte öğrenileni başka bir işe taşıma.	Önceden öğrenilmiş bilgi yeni göreve başlangıç noktası olur.	Gitar çalmayı bilen birinin ukuleleyi çok daha hızlı öğrenmesi gibi.
RLHF İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme	İnsan tercihlerinden ödül öğrenip modeli buna göre hizalama.	Modeli, insanların beğendiği şekilde yanıt verecek biçimde ayarlar.	İki yanıttan hangisini beğendiğinizi söyleyince modelin o yöne ayarlanması.
Instruction Tuning Talimatlara Göre İnce Ayar	Modeli talimat-yanıt çiftleriyle eğiterek komut izlemeyi öğretme.	Modelin 'şunu yap' tarzı doğal komutları anlamasını sağlar.	'Bu metni özetle' dediğinizde gerçekten özetleyebilmesini sağlayan eğitim.
LoRA Az Sayıda Parametre ile Uyarlama	Modelin tamamı yerine küçük ek parçaları eğiterek verimli ince ayar.	Çok az bellek ve hesapla uyarlama imkânı verir.	Bir takıma tüm kadroyu değiştirmeden birkaç yeni oyuncu katarak performansı artırmak gibi.
PEFT Parametre-Verimli İnce Ayar	Parametrelerin sadece küçük kısmını güncelleyen verimli ince ayar yöntemleri.	LoRA gibi teknikleri kapsar; maliyet ve depolamayı düşürür.	Koca bir binayı yıkmadan sadece birkaç odayı yenilemek gibi.
Quantization Niceleme / Düşük Bit Hassasiyetine Dönüştürme	Model ağırlıklarını daha az hassas sayılarla temsil ederek küçültme.	Hız ve bellek kazandırır, kayıp genelde küçüktür.	Yüksek çözünürlüklü bir fotoğrafı, görünüş bozulmadan daha küçük dosyaya sıkıştırmak gibi.
Knowledge Distillation Bilgi Damıtma	Büyük 'öğretmen' modelin bilgisini küçük 'öğrenci' modele aktarma.	Küçük model, büyüğü taklit ederek benzer kaliteyi daha ucuza yakalar.	Deneyimli bir ustanın bilgisini bir çırağa aktarması gibi.
Pruning Budama	Modeldeki önemsiz bağlantıları kaldırarak hafifletme.	Performansı çok bozmadan modeli hızlandırır ve küçültür.	Bir ağacın kuru dallarını budayıp daha sağlıklı ve hafif hâle getirmek gibi.
Checkpoint Kontrol Noktası	Eğitimin belirli anındaki model durumunun kaydı.	Eğitime kaldığı yerden devam etmeyi veya en iyi sürümü seçmeyi sağlar.	Bir oyunda ilerlemenizi kaydedip gerekirse oradan devam etmeniz gibi.
Reward Model Ödül Modeli	Bir yanıtın insan tercihine ne kadar uyduğunu puanlayan yardımcı model.	RLHF'in çekirdeğidir; ana modeli hangi yöne iteceğini belirler.	İki yemekten hangisinin daha lezzetli olduğunu puanlayan bir jüri gibi.
Direct Preference Optimization (DPO) Doğrudan Tercih Optimizasyonu	Ayrı ödül modeli olmadan tercih verisiyle doğrudan optimize etme.	RLHF'e daha basit ve kararlı bir alternatiftir.	Jüriye gerek kalmadan, beğenilen/beğenilmeyen örneklerle doğrudan ders çıkarmak gibi.
Catastrophic Forgetting Yıkıcı Unutma	Yeni bir şey öğrenirken eski bilgilerin kaybedilmesi.	Ardışık ince ayarlarda risktir; çeşitli tekniklerle hafifletilir.	Yeni bir dil öğrenirken eski öğrendiğiniz dili unutmaya başlamanız gibi.
Few-shot Learning Az Örnekli Öğrenme	Komut içinde verilen birkaç örnekle bir görevi yapma.	Ek eğitim olmadan, sadece birkaç örnekle yönlendirme.	Birine 2-3 örnek gösterip 'işte böyle, sen de devam et' demek gibi.
Zero-shot Learning Sıfır Örnekli Öğrenme	Hiç örnek vermeden, sadece talimatla görevi yapma.	Modelin genel bilgisine dayanır; örnek gerektirmez.	Hiç örnek vermeden 'şu yorumu olumlu/olumsuz diye etiketle' demeniz.
In-context Learning Bağlam İçi Öğrenme	Model ağırlıkları değişmeden, sadece komuttaki bağlamdan görevi kavraması.	Few-shot ve zero-shot bunun türleridir; öğrenme anlık ve geçicidir.	Bir oyunun kurallarını oynarken kapıda okuyup hemen uygulamaya başlamak gibi.
Synthetic Data Sentetik Veri	Gerçek verinin yerine yapay olarak üretilen eğitim verisi.	Veri azlığı veya gizlilik durumlarında kullanılır.	Gerçek müşteri verisi yerine, benzer ama uydurma örnek müşteriler üretmek gibi.

6. Prompt (Komut) ve Etkileşim

Terim	Tanım	Açıklama	Günlük Örnek
Prompt Komut / İstem	Modele verilen girdi veya talimat.	Modelin yanıtını şekillendirir; kalitesi çıktıyı doğrudan etkiler.	Bir asistana 'bana 5 maddelik tatil planı çıkar' demeniz gibi.
Prompt Engineering Komut Mühendisliği	İstemleri en iyi sonucu alacak şekilde tasarlama pratiği.	Açık talimat, örnek ve yapı kullanarak çıktıyı iyileştirmektir.	Bir soruyu net, örnekli ve adım adım sorduğunuzda çok daha iyi cevap almanız gibi.
System Prompt Sistem İstemi	Modelin genel davranışını ve kurallarını belirleyen üst talimat.	Kullanıcı mesajlarının üstünde modelin rolünü ve sınırlarını tanımlar.	'Sen kibar bir müşteri hizmetleri temsilcisisin' diye baştan rol vermek gibi.
Chain-of-Thought (CoT) Düşünce Zinciri	Modeli adım adım akıl yürütmeye yönlendiren teknik.	Ara adımları açıkça üretmek, mantık ve matematik işlerinde doğruluğu artırır.	'Adım adım düşün' demeniz; tıpkı bir problemi kâğıda dökerek çözmek gibi.
Temperature Sıcaklık / rastlantısallık	Çıktının ne kadar rastgele/yaratıcı olacağını ayarlayan değer.	Düşük değer kesin ve tutarlı, yüksek değer çeşitli ve yaratıcı çıktı verir.	Müzikte 'doğaçlama serbestliği' düğmesi gibi: kısık = kurallı, açık = özgür.
Top-p (Nucleus Sampling) Çekirdek Örnekleme	Olasılığın belirli bir oranını kapsayan kelimeler arasından seçim.	Sadece toplam olasılığı p'yi geçen en olası kelimeler dikkate alınır.	Bir menüde sadece en popüler %90'lık yemekler arasından seçim yapmak gibi.
Top-k Sampling Top-k Örnekleme (en olası k seçenek)	Sadece en olası k kelime arasından seçim.	Alakasız, çok düşük olasılıklı seçenekleri eler.	Sadece en yakın 5 restorandan birini seçmek gibi.
Sampling Örnekleme	Modelin olasılıklardan bir sonraki kelimeyi seçme süreci.	Kesin veya rastgele stratejilerle yapılabilir; çeşitliliği belirler.	Aynı soruya her sorduğunuzda biraz farklı cevap almanızın sebebi.
Stop Sequence Durdurma Dizisi	Görülünce modelin üretimi durdurduğu işaret.	Çıktının istenmeyen yerde uzamasını engeller.	Bir metronun 'son durak' anonsu gibi: o noktada işlem biter.
Max Tokens Maksimum Token	Bir yanıtta üretilebilecek en fazla token sayısı.	Çıktı uzunluğunu ve maliyeti sınırlar.	Bir tweet'in karakter sınırı gibi: belli bir uzunluğu geçemezsiniz.
Role (system/user/assistant) Rol	Sohbet mesajlarının kime ait olduğunu belirten etiket.	Konuşmayı yapılandırır: sistem kuralları, kullanıcı sorar, asistan yanıtlar.	Bir tiyatro senaryosunda kimin hangi repliği söylediğini belirten isimler gibi.
Function Calling / Tool Use Fonksiyon Çağırma / Araç Kullanımı	Modelin dış araçları/fonksiyonları kullanarak iş yapması.	Hava durumu, hesap makinesi gibi araçlarla yeteneklerini genişletir.	'Yarın hava nasıl?' sorusunda modelin gerçek bir hava durumu servisine bakması.
ReAct ReAct (Akıl Yürüt-Eyleme Geçme)	Akıl yürütme ile eylemi birleştiren ajan çerçevesi.	Model düşünür, araç kullanır, sonucu gözlemler ve döngüyü sürdürür.	Bir dedektifin düşün-araştır-bulguya göre tekrar düşün döngüsü gibi.

7. Bilgi Getirme ve RAG Sistemleri

Şekil 6: RAG; model yanıt vermeden önce ilgili belgeyi getirir.

Terim	Tanım	Açıklama	Günlük Örnek
Retrieval-Augmented Generation (RAG) Getirimle Zenginleştirilmiş Üretim	Modele dış kaynaklardan ilgili bilgiyi getirip yanıt üretiminde kullandırma.	Güncel/özel bilgiye erişim sağlar ve uydurmayı azaltır.	Bir soruya cevap verirken önce ilgili belgeyi açıp ona bakarak konuşmak gibi.
Vector Database Vektör Veritabanı	Anlam vektörlerini saklayan ve benzerlik aramasına uygun veritabanı.	Anlamsal aramanın ve RAG'in altyapısıdır; en yakın vektörleri hızla bulur.	Kitapları konularına göre yan yana dizen akıllı bir kütüphane rafı gibi.
Semantic Search Anlamsal Arama	Anahtar kelime yerine anlam benzerliğine dayalı arama.	Farklı kelimelerle ifade edilse de aynı anlamı bulur.	'araba tamiri' arayınca 'otomobil bakımı' yazısının da çıkması.
Chunking Parçalama	Uzun belgeleri işlenebilir küçük parçalara bölme.	Belgeler, getirme ve bağlam penceresine sığması için bölünür.	Kalın bir kitabı, aranabilir kısa bölümlere ayırmak gibi.
Knowledge Base Bilgi Tabanı	Sistemin başvurduğu bilgi deposu.	RAG sistemleri yanıtlarını bu kaynağa dayandırır.	Bir destek ekibinin başvurduğu SSS ve doküman arşivi gibi.
Cosine Similarity Kosinüs Benzerliği / Yön Benzerliği	İki vektör arasındaki açıyla benzerliği ölçen yöntem.	Yönlerin ne kadar hizalı olduğunu ölçer; anlamsal aramada standarttır.	İki kişinin zevklerinin ne kadar 'aynı yöne baktığını' ölçmek gibi.
Re-ranking Yeniden Sıralama	Getirilen sonuçları daha hassas bir modelle yeniden sıralama.	Hızlı aramayı, alakayı iyileştiren ikinci bir aşamayla rafine eder.	Önce kabaca eleyip, kalan adayları tek tek dikkatlice değerlendirmek gibi.

8. Değerlendirme ve Metrikler

Terim	Tanım	Açıklama	Günlük Örnek
Benchmark Karşılaştırma Ölçütü	Modelleri standart testlerle kıyaslamak için kullanılan ölçüt seti.	Farklı modellerin yeteneklerini adil biçimde karşılaştırır.	Otomobillerin aynı pistte yarışıp karşılaştırılması gibi.
Accuracy Doğruluk	Doğru tahminlerin toplam tahminlere oranı.	Basit ve yaygındır ama dengesiz veride yanıltabilir.	100 sorudan 92'sini doğru yapan öğrencinin %92 başarısı gibi.
Precision / Recall Kesinlik / Duyarlılık	Kesinlik: işaretlediklerinin doğruluğu; Duyarlılık: gerçeklerin yakalanma oranı.	Yanlış alarm ile kaçırma arasındaki dengeyi gösterir.	Bir balıkçı ağı: sadece balık mı tuttu (kesinlik), tüm balıkları mı topladı (duyarlılık)?
F1 Score F1 Skoru	Kesinlik ve duyarlılığın dengeli ortalaması.	İki metriği tek bir sayıda birleştirir; dengesiz durumlarda yararlıdır.	Hem isabet hem kapsama açısından tek bir 'genel not' vermek gibi.
BLEU / ROUGE BLEU / ROUGE	Üretilen metni referansla karşılaştıran otomatik değerlendirme ölçütleri.	BLEU çeviride, ROUGE özetlemede kelime örtüşmesini ölçer.	Bir öğrencinin cevabını cevap anahtarıyla otomatik karşılaştırmak gibi.
Evaluation (Eval) Değerlendirme	Modelin belirli işlerdeki performansını ölçme süreci.	Geliştirmenin kritik parçasıdır; otomatik veya insan eliyle yapılır.	Yeni bir model sürümünü zorlu örneklerle 'sınava sokmak' gibi.
Ground Truth Doğru Referans	Bir görev için kabul edilen gerçek/doğru cevap.	Model çıktıları bu gerçeğe göre değerlendirilir.	Bir sınavın resmi cevap anahtarı gibi: doğruyu o belirler.

9. Güvenlik, Hizalama ve Etik

Terim	Tanım	Açıklama	Günlük Örnek
Alignment Hizalama	Yapay zekânın insani değer ve niyetlerle uyumlu davranmasını sağlama.	Modelin yararlı, dürüst ve zararsız olmasını hedefler; AI güvenliğinin merkezindedir.	Bir asistanın sadece istediğinizi değil, gerçekten yararınıza olanı yapması gibi.
Hallucination Halüsinasyon / Uydurma	Modelin gerçek dışı bilgiyi güvenle üretmesi.	LLM'lerin bilinen zayıflığıdır; doğrulama ve RAG ile azaltılır.	Modelin var olmayan bir kitabı gerçek bir kaynakmış gibi göstermesi.
Bias (fairness) Önyargı / Yanlılık	Modelin belirli gruplara karşı sistematik ve adaletsiz eğilim göstermesi.	Eğitim verisindeki toplumsal önyargıları yansıtabilir; adalet açısından kritiktir.	Bir işe alım modelinin belirli grupları haksızca elemesi.
Guardrails Koruma Bariyerleri	Zararlı/istenmeyen çıktıyı engelleyen koruma mekanizmaları.	Girdi-çıktı filtreleri ve kurallarla güvenli kullanımı sağlar.	Bir yolun kenarındaki güvenlik bariyerleri gibi: sizi tehlikeli alandan uzak tutar.
Red Teaming Kırmızı Takım Testi	Modelin zayıflıklarını kasıtlı saldırılarla test etme.	Güvenlik açıklarını yayın öncesi bulmak için modeli zorlar.	Bir bankanın kasasını, soyguncu gibi düşünen uzmanlara test ettirmesi gibi.
Jailbreak Kısıtlama Aşma	Modelin güvenlik kurallarını aşmaya yönelik manipülatif komut.	Rol yapma veya dolaylı ifadelerle modeli kandırmaya çalışmaktır.	'Sadece bir hikâye için' diyerek yasak bilgiyi almaya çalışmak gibi.
Prompt Injection Komut Enjeksiyonu	Kötü niyetli talimatları veriye gizleyerek modelin davranışını ele geçirme.	Özellikle araç kullanan ajanlar için ciddi güvenlik riskidir.	Bir web sayfasına gizlenmiş 'tüm verileri dışarı gönder' tuzağı gibi.
Toxicity Zararlı İçerik	Modelin saldırgan veya nefret içeren dil üretmesi.	Filtreleme ve hizalama teknikleriyle azaltılır.	Bir sohbet botunun hakaret içeren yanıt vermesini engellemek.
Constitutional AI Anayasal Yapay Zeka	Modeli, açık ilkelere göre kendi çıktısını eleştirip düzeltmeye yönlendiren hizalama yöntemi.	Anthropic'in geliştirdiği, insan etiketine daha az bağımlı bir yaklaşımdır.	Modele bir 'değerler anayasası' verip, yanıtlarını ona göre kendi kendine düzeltmesini istemek.
Explainability (XAI) Açıklanabilirlik	Modelin neden o kararı verdiğini anlaşılır kılma.	Güven, denetim ve hata ayıklama için önemlidir.	Bir kredi başvurusunun neden reddedildiğini gerekçeleriyle göstermek gibi.
Responsible AI / AI Governance Sorumlu Yapay Zeka / Yönetişim	Yapay zekânın etik, güvenli ve hesap verebilir biçimde yönetilmesi.	İlkeler, politikalar ve denetimi kapsar; düzenlemelerle (örn. AB AI Act) iç içedir.	Bir kurumun yapay zeka kullanımı için etik kurallar ve denetim komitesi kurması.

10. Uygulama, Altyapı ve Güncel Trendler

Terim	Tanım	Açıklama	Günlük Örnek
API Uygulama Programlama Arayüzü	Uygulamaların bir modelle programatik konuşmasını sağlayan arayüz.	Geliştiriciler model yeteneklerini kendi yazılımlarına API ile bağlar.	Bir restoranın mutfağına doğrudan girmeden sipariş veren garson gibi: API aracılık eder.
AI Agent Yapay Zeka Ajanı	Hedefe ulaşmak için planlayan, araç kullanan ve adım atan otonom sistem.	Tek bir yanıt yerine çok adımlı görevleri kendi başına yürütebilir.	Sizin için uçuş arayıp karşılaştıran ve rezervasyon taslağı hazırlayan dijital asistan.
Inference Endpoint Çıkarım Uç Noktası	Modelin istekleri alıp yanıt döndürdüğü erişim noktası.	Modeli üretim ortamında erişilebilir kılan altyapıdır.	Modelin 'kapı zili': oraya istek bırakır, yanıt alırsınız.
Latency Gecikme	İstek ile yanıt arasındaki bekleme süresi.	Kullanıcı deneyimini doğrudan etkiler; gerçek zamanlı işlerde kritiktir.	Bir mesaj gönderdikten sonra 'yazıyor...' yazısının ne kadar sürdüğü gibi.
Throughput İş Hacmi / Verim	Birim zamanda işlenebilen istek veya token miktarı.	Sistemin ölçeklenebilirliğini gösterir.	Bir kasanın saatte kaç müşteriye hizmet verebildiği gibi.
GPU / TPU GPU / TPU (Hızlandırıcı)	Yapay zeka hesaplamalarını paralel hızlandıran özel işlemciler.	Derin öğrenmenin temel donanımıdır.	Tek bir işçi yerine, aynı anda çalışan yüzlerce işçi gibi paralel güç.
Mixture of Experts (MoE) Uzmanlar Karışımı	Her girdi için sadece bazı uzman alt-ağları çalıştıran mimari.	Devasa modeli, hesap maliyetini düşük tutarak kullanmayı sağlar.	Her soruyu tüm kuruluşa değil, sadece ilgili uzmana yönlendiren bir danışma hattı gibi.
Scaling Laws Ölçekleme Yasaları	Model, veri ve hesap arttıkça performansın nasıl iyileştiğini gösteren kurallar.	Daha büyük model ve verinin öngörülebilir kazanç getirdiğini ortaya koyar.	Daha çok antrenman ve daha iyi ekipmanın performansı düzenli artırması gibi.
Emergent Abilities Ortaya Çıkan Yetenekler	Sadece yeterince büyük modellerde aniden beliren yetenekler.	Küçük modelde olmayan beceriler, ölçek bir eşiği geçince ortaya çıkar.	Su belli bir sıcaklığa gelince aniden kaynaması gibi; eşik aşılınca yeni davranış belirir.
Long Context Uzun Bağlam	Modelin çok uzun girdileri tek seferde işleyebilme kapasitesi.	Tüm kitapları veya uzun konuşmaları bir bütün olarak işlemeyi mümkün kılar.	Koca bir raporu özetlemeden, tamamını tek seferde okutabilmek gibi.
Open-source vs Closed Model Açık Kaynak vs Kapalı Model	Ağırlıkları herkese açık modeller ile sadece API'den erişilen kapalı modeller ayrımı.	Açık modeller özelleştirme ve şeffaflık, kapalı modeller genelde üst performans ve kolaylık sunar.	Tarifi açık paylaşılan bir yemek ile sadece o restoranda yenebilen gizli tarif farkı gibi.
Artificial General Intelligence (AGI) Yapay Genel Zeka	İnsan düzeyinde geniş, genel zekâya sahip varsayımsal yapay zeka.	Bugünkü dar sistemlerin aksine, çoğu işte insan gibi öğrenip uyum sağlayabilecek sistem hedefidir.	Henüz var olmayan; her alanda insan kadar yetkin tek bir 'evrensel zekâ'.
Diffusion Model Difüzyon Modeli	Gürültüden başlayıp kademeli temizleyerek içerik üreten üretken model.	Özellikle yüksek kaliteli görüntü üretiminde başarılıdır.	Bulanık bir TV ekranının yavaş yavaş netleşip bir resme dönüşmesi gibi.

Aşağıdaki senaryo terimlerinizi anlamada yardımcı olacaktır.

EDT CENTER OLARAK NELER YAPIYORUZ?

Dijital Dönüşüm Olgunluk Seviyesi Ölçümü
Yapay Zeka Olgunluk Seviyesi Ölçümü
Ana Veri Yönetimi
İş Yazılım Analiz, Değerlendirme, Araştırma, Sözleşme Yönetimi ve Uygun Tedarikçi Seçimi
İş Yazılım Denetim
Strateji Belgesi Oluşturma
Şirket İçi Özel Eğitim Programları (Yapay Zeka, Veri Okuryazarlığı, Liderlik)
Proje Yönetimi