Haberlerde ve rehberlerde karşınıza çıkan terimler, teknik olmayan bir dille. Her terimin kendi sayfası var.
AB Yapay Zeka Yasası (AI Act), Avrupa Birliği'nde yapay zeka sistemlerini risk düzeyine göre sınıflandıran ve sağlayıcılara ile profesyonel kullanıcılara yükümlülükler getiren düzenlemedir. Resmî adı Regulation (EU) 2024/1689 olan metin 1 Ağustos 2024'te yürürlüğe girmiştir.
Açık kaynak yapay zeka, kullanılması, incelenmesi, değiştirilmesi ve paylaşılması serbest olan yapay zeka sistemidir. Open Source Initiative tanımına göre bunun için kod, model parametreleri ve eğitim verisine dair bilgiler de erişilebilir olmalıdır.
AGI, insanın yapabildiği hemen her zihinsel görevde insan düzeyine ulaşan ya da onu aşan, şimdilik varsayımsal bir yapay zeka türüdür. Yalnızca tek bir göreve odaklanan dar yapay zekanın aksine bilgiyi genelleyebilir ve alanlar arasında beceri aktarabilir.
Yapay zeka ajanı, çevresini algılayıp bir hedefe ulaşmak için kendi kararlarıyla eylem gerçekleştiren yapay zeka sistemidir. Üretken yapay zeka bağlamında genellikle bir büyük dil modeli tarafından yönlendirilir ve yazılım araçlarını kullanarak çok adımlı işleri yürütür.
Akıl yürütme modeli, cevap vermeden önce ara adımlar üreterek çok adımlı problemleri çözmek üzere eğitilmiş büyük dil modelidir. Düşünme modeli ya da büyük akıl yürütme modeli (LRM) adlarıyla da anılır.
API (uygulama programlama arayüzü), bir yazılımın başka bir yazılımdaki işlevleri kullanabilmesini sağlayan kurallar bütünüdür. Yapay zeka alanında modellere kod üzerinden erişmenin standart yoludur.
Bağlam penceresi, bir büyük dil modelinin tek seferde dikkate alabildiği en fazla token miktarıdır. Girdi, çıktı ve akıl yürütme tokenlarının toplamını sınırlayarak modelin bir yanıt üretirken ne kadar bilgiyi göz önünde tutabileceğini belirler.
Bilgisayarlı görü, bilgisayarların dijital görüntü ve videolardan anlam çıkarmasını sağlayan yapay zeka alanıdır. Nesne tanıma, yüz tanıma ve görüntü bölütleme gibi görevleri kapsar.
Büyük veri, geleneksel veri yönetim sistemlerinin işleyemeyeceği kadar hacimli, hızlı akan ve çeşitli formatlardaki veri kümelerine verilen addır. Doğru toplandığında ve analiz edildiğinde kurumlara yeni içgörüler ve daha iyi kararlar sağlayabilir.
Chatbot, kullanıcıyla metin ya da ses üzerinden diyalog kurarak soruları yanıtlayan veya bir işlemi yapan yazılımdır. Kurallara dayalı basit sürümleri olduğu gibi, büyük dil modelleriyle çalışan yapay zeka tabanlı sürümleri de vardır.
Çıkarım (inference), eğitilmiş bir yapay zeka modelinin öğrendiği örüntüleri yeni verilere uygulayarak tahmin ya da çıktı üretmesidir. Bir sohbet botunun yanıt yazması da bir spam filtresinin e-postayı sınıflandırması da çıkarımdır.
Deepfake, yapay zeka tabanlı araçlarla oluşturulan ya da düzenlenen, gerçeği taklit eden görüntü, video veya ses kaydıdır. Adı "derin öğrenme" ile "sahte" sözcüklerinin birleşiminden gelir.
Denetimli öğrenme, modelin girdilerle birlikte doğru çıktıların da verildiği etiketli verilerle eğitildiği bir makine öğrenimi yöntemidir. Amaç, modelin daha önce görmediği yeni verilerde doğru tahminler yapabilmesidir.
Derin öğrenme, birden fazla gizli katmana sahip yapay sinir ağlarıyla verideki örüntüleri öğrenen bir makine öğrenmesi yaklaşımıdır. Görüntü tanıma, ses tanıma ve üretken yapay zeka gibi alanların temelinde yer alır.
Difüzyon modeli, veriye adım adım rastgele gürültü ekleyip bu işlemi tersine çevirmeyi öğrenen bir üretken yapay zeka model türüdür. Eğitim sonrasında saf gürültüden yeni görsel gibi veriler üretebilir.
Doğal dil işleme (NLP), bilgisayarların insan dilini anlamasını, çözümlemesini ve üretmesini amaçlayan yapay zeka ve dilbilim alanıdır. Çeviri, soru-cevap, metin özetleme ve konuşma tanıma gibi uygulamaların temelini oluşturur.
Eğitim verisi, bir makine öğrenmesi modeline tahmin yapmayı, örüntü tanımayı ya da içerik üretmeyi öğretmek için kullanılan örnekler bütünüdür. Model bu örnekler üzerinden kendi parametrelerini ayarlar.
Embedding, bir kelimenin, cümlenin veya belgenin anlamını gerçek sayılardan oluşan bir vektör olarak kodlayan temsildir. Anlamca benzer içerikler bu vektör uzayında birbirine yakın konumlanır.
Fine-tuning, daha önce bir görev için eğitilmiş bir modelin, ek eğitimle daha özel bir göreve uyarlanmasıdır. Bir tür aktarmalı öğrenme (transfer learning) sayılır, çünkü modelin önceki eğitimde edindiği bilgiyi yeniden kullanır.
Üretken yapay zeka, eğitim verisindeki örüntüleri öğrenip metin, görsel, ses, video veya kod gibi yeni içerik üretebilen yapay zeka alanıdır. Çıktı genellikle doğal dilde yazılan bir istemle (prompt) tetiklenir.
GEO, içeriğin ChatGPT veya Google'ın yapay zeka özetleri gibi üretken yapay zeka sistemlerinin verdiği yanıtlarda daha görünür olması için yapılan çalışmadır. Üretken motor optimizasyonu olarak da bilinir ve büyük dil modellerinin bilgiyi nasıl bulup özetleyip sunduğunu etkilemeyi hedefler.
GPU (grafik işlem birimi), çok sayıda hesaplamayı aynı anda yapabilen, başta grafik üretimi olmak üzere yapay zeka modellerinin eğitimi ve çalıştırılması için de kullanılan bir işlemcidir. Paralel yapısı sayesinde bu tür yoğun işlerde CPU'dan daha etkin çalışır.
Yapay zeka sisteminin yanlış ya da yanıltıcı bilgiyi doğruymuş gibi sunan çıktısıdır. Dil modellerinde en sık uydurma alıntı, kaynak ve olgu biçiminde görülür.
Kuantizasyon, bir yapay zeka modelinin ağırlıklarını ve bazen ara değerlerini daha az bit kullanan sayı türleriyle saklama tekniğidir. Amaç, doğruluğu mümkün olduğunca koruyarak bellek ve işlem yükünü azaltmaktır.
Büyük dil modeli (LLM), çok büyük miktarda metinle eğitilmiş ve metin üretme, özetleme, çevirme, analiz etme gibi dil görevlerini yapabilen bir yapay zeka modelidir. Çoğunlukla transformer mimarisine dayanan bir sinir ağı olarak çalışır.
Makine öğrenmesi, bilgisayarların açık talimat verilmeden, veriden örüntüleri öğrenip daha önce görmediği verilerde de görev yapabilmesini sağlayan yapay zeka alanıdır. Amacı, geçmiş örneklerden genelleme yaparak sınıflandırma ve tahmin üretmektir.
MCP, yapay zeka uygulamalarının dosyalar, veritabanları ve araçlar gibi dış sistemlere ortak bir yöntemle bağlanmasını sağlayan açık bir standarttır. Anthropic tarafından Kasım 2024'te duyurulmuştur.
Multimodal, bir yapay zeka modelinin metin, görsel, ses ve video gibi farklı veri türlerini birlikte işleyebilmesi demektir. Model bu türleri ayrı ayrı değil, birbiriyle ilişkilendirerek anlar ve gerektiğinde bunlardan çıktı üretir.
Overfitting, bir makine öğrenmesi modelinin eğitim verisini gürültüsüne kadar ezberlemesi ve bu yüzden yeni verilerde zayıf tahmin yapmasıdır. Model eğitim verisinde çok başarılı görünür, ancak gerçek kullanımda hata oranı yükselir.
Prompt, bir yapay zeka modeline yapması gereken işi doğal dille anlatan girdi metnidir. Soru, komut ya da bağlam, talimat ve konuşma geçmişini içeren daha uzun bir metin olabilir.
Prompt mühendisliği, üretken yapay zeka modelinden istenen çıktıyı alabilmek için girdi metinlerini (prompt) tasarlama ve adım adım iyileştirme işidir. Net talimat, bağlam, örnek ve çıktı biçimi gibi unsurları içerir.
RAG, bir dil modelinin cevap üretmeden önce belirlenen belgelerden ilgili bilgiyi bulup isteme eklemesi yöntemidir. Böylece model, eğitim verisinde olmayan güncel ya da kuruma özel bilgilerle yanıt verebilir.
RLHF, bir yapay zeka modelini insanların tercihlerine göre eğitmek için kullanılan yöntemdir. İnsanların verdiği sıralamalarla bir ödül modeli eğitilir, model de bu ödüle göre pekiştirmeli öğrenmeyle iyileştirilir.
Sentetik veri, gerçek dünya olaylarından toplanmayıp algoritmalar, istatistiksel yöntemler ya da yapay zeka teknikleriyle üretilen yapay veridir. Gerçek verinin istatistiksel özelliklerini taklit ettiği için özellikle makine öğrenmesi modellerini eğitmek ve sistemleri test etmek amacıyla kullanılır.
Token, dil modelinin metni sayılara çevirirken kullandığı birimdir; bir kelime, kelime parçası ya da noktalama işareti olabilir. Modelin girdisi ve çıktısı bu birimler üzerinden işlenir.
Transformer, metni, görüntüyü ya da sesi token adı verilen sayısal parçalara çevirip bunlar arasındaki ilişkileri çoklu dikkat (multi-head attention) mekanizmasıyla hesaplayan bir yapay sinir ağı mimarisi ailesidir. 2017'de Google araştırmacıları tarafından önerildi ve bugünkü büyük dil modellerinin temelini oluşturuyor.
Vektör veritabanı, metin, görsel ve ses gibi verilerin sayısal temsillerini (gömme vektörlerini) saklayan ve birbirine anlamca en yakın kayıtları bulan veritabanıdır. Kayıtları birebir eşleşmeyle değil, benzerlik üzerinden arar.
Yapay sinir ağı, insan beynindeki sinir hücrelerinin çalışma biçiminden esinlenen, katmanlar halinde bağlanmış basit işlem birimlerinden oluşan bir makine öğrenmesi modelidir. Örnek verilerden bağlantı ağırlıklarını öğrenerek girdileri çıktılara dönüştürür.
Yapay zeka, bilgisayarların ve makinelerin öğrenme, anlama, problem çözme ve karar verme gibi genellikle insan zekasıyla ilişkilendirilen işleri yapabilmesini sağlayan teknolojidir. Günümüzde en çok üretken yapay zeka, makine öğrenmesi ve derin öğrenme ile birlikte anılır.
Yapay zeka etiği, yapay zeka sistemlerinin yararını artırırken risklerini ve olumsuz sonuçlarını azaltmayı amaçlayan çok disiplinli bir alandır. Önyargı, adalet, şeffaflık, gizlilik ve hesap verebilirlik gibi konuları kapsar.