Yapay Zeka Terim Sözlüğü: 7 Temel Kavram

Yapay zeka artık pazarlama broşurlerinden tutun da tv reklamlarına, okul derslerine ve ise alim süreçlerine kadar her yerde karsimiza cikiyor. Ancak çoğu kişi kafasinda yapay zeka terimleri bulanik bir sis gibi dolasiyor: Büyük dil modeli, sinir agi, halüsinasyon, prompt, fine-tune, embedding… Bu terimlerin hepsi yapi tasinin farklı bir tasini oluşturuyor ve doğru kullanildiginda birbirinden ayirt etmek çok kolaylasir. Bu rehberde 7 temel kavram basit tanimlari, gundelik ornekleri ve birbirleriyle iliskileriyle birlikte acilacak.

Aşağıdaki sozlugu okuduktan sonra bir haberde veya urun açıklama geçen “GPT tabanli ajan” ya da “RAG mimarisi” gibi ifadeleri okurken zorlanmayacaksiniz. Ayrica kendi isinizde veya kariyer planinizda yapay zeka ile ilgili bir sonraki adima karar verirken de bu terimler isinizi kolaylastiracak.

Yapay Zeka Terim Sözlüğü: 7 Temel Kavram

Yapay zeka ile ilgili her haberde, urun açıklama veya eğitim materyalinde tekrar eden yedi temel kavram var. Bu kavram birbirinin üzerine insa edildigi için once en alt katmandan baslayip yukari doğru gitmek en sağlıklı yol. Aşağıdaki tablo, terimleri katman sirasina göre ozetliyor; hemen ardindan her birini ayrintili aciklayacagim.

Tablodaki sirayi takip ederseniz, her kavram bir usttekinin “nasıl çalıştigini” anlatir. Ornegin büyük dil modeli bir derin öğrenme modelidir, derin öğrenme makine ogrenmesinin bir alt dalidir ve makine ogrenmesi yapay zekanin en popüler alt alanlarindan biridir. Şimdi bu yedi kavrami tek tek acalim.

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Farkı

Bu uc terim birbirinin yerine kullaniliyor ancak aralarinda net bir hiyerarsi var. Yapay zeka (Ingilizce: Artıficial Intelligence) en geniş sepet; içinde mantiksal kural yazma, arama algoritmalari, uzman sistemler ve makine ogrenmesi gibi pek çok yaklasimi barindirir. 1950’lerden bu yana insan gibi dusunmeyi hedefleyen bütün bilgisayar bilimi bu kategoride degerlendirilir.

Makine ogrenmesi bu sepetteki en popüler alt alan. Temel felsefesi sudur: Bilgisayara tum kurallari tek tek yazmak yerine, onu örnek veriden oruntu cikaracak sekilde egitirsiniz. E-postalarinizda “spam” ve “spam değil” diye etiketlediginiz 1000 örnek, bir makine ogrenmesi algoritmasinin hangi kelimelerin spam isaret tasiyacagini ogrenmesi için yeterlidir. Bu kategoride karar agaclari, rastgele ormanlar, destek vektor makineleri ve daha bir suru klasik algoritma yer alır.

Derin öğrenme ise makine ogrenmesinin 2010’lardan sonra parlayan yildizi. Beyindeki noronlarin bağlantı yapisindan esinlenen çok katmanli yapay sinir aglari, özellikle görüntü, ses ve metin gibi “duzensiz” verilerde muhtesem sonuçlar verdi. Bugun yapay zekanin gundelik hayata girmesinin asil sebebi derin öğrenme modelleridir: Konuşma tanima, yüz tanima, otomatik çeviri, metin üretimi hep bu katmanda çalışır.

Büyük Dil Modeli (LLM), Prompt ve Fine-Tune

Büyük dil modeli (Large Language Model, LLM) (Large Language Model, LLM) çok büyük miktarda metin üzerinde egitilmis derin öğrenme modelidir. OpenAI’in GPT-4, Google’in Gemini, Anthropic’in Claude ve Meta’nin LLaMA’si bugun en bilinen ornekler. Bu modeller yüz milyarlarca kelimeyi isleyerek dilin gramerinden dunyadaki olgusal bilgi kadar pek çok seyi icsel olarak ogrenir.

Prompt modele verdiğiniz girdi metnidir. “Istanbul’da gezilecek 5 yer oner, 3 günlük planla” cumlesi bir prompt’tur. Etkili bir prompt yazma sanatina prompt muhendisligi denir. İyi bir prompt: görevi acik sekilde tanimlar, örnek verir, kisitlamalari belirtir ve istenen formatta cikti ister. Bu nedenle LLM’lerle çalışmayı öğrenmek isteyen herkesin prompt kavramini iyi bilmesi gerekir.

Fine-tune ise hazir bir büyük dil modelini kendi özel verilerinizle yeniden egitmektir. Ornegin bir hukuk bürosu, GPT-4’u kendi sozlesmeleriyle ince ayar yap “sözleşme risk analizi yap” bir uzmana donusturebilir. Bu işlem yeni bir model egittiginiz anlam gelmez; var olan modelin agirliklarini sizin verilerinize göre küçük adimlarla gunceller. Fine-tune özellikle güvenlik, sağlık ve finans gibi özellikli terminoloji iceren alanlarda yaygın kullanilir.

# Örnek: OpenAI Python SDK ile fine-tune başlatma
import openai
openai.api_key = "sk-..."

# Eğitim verisi: JSONL formatinda soru-cevap ciftleri
training_file = openai.File.create(
    file=open("sozlesme_verisi.jsonl", "rb"),
    purpose="fine-tune"
)

# Modeli fine-tune et
job = openai.FineTuningJob.create(
    training_file=training_file.id,
    model="gpt-4o-mini-2024-07-18",
    hyperparameters={"n_epochs": 3}
)
print("Fine-tune job:", job.id)

Bu kod ornegi bir hukuk bürosunun kendi sozlesmeleriyle model egitmesini gösterir. Eğitim tamamlandiginda model, “sözleşme riski tasiyan maddeleri bul ve açıkla” gibi turkce istekleri artık sizin jargonunuzla yanıtlar.

Hallusinasyon, Embedding ve RAG Mimarisini Anlamak

Hallusinasyon, büyük dil modellerinin en çok yanlış anlasilan terimlerinden biridir. Model “uydurdugu” zaman ortaya cikar: Olmayan bir kitap, yanlış bir tarih, var olmayan bir kimse. Teknik acidan bakildiginda model bunu “uydurmak” için yapmaz; istatistiksel olarak en olasi kelime dizisini üretmeye çalışır ve bazen gerçek disi sonuçlar üretir. Bu nedenle kurumsal kullanımda model ciktisi mutlaka insan gozuyle kontrol edilir.

Embedding ise metin, görüntü veya ses gibi verilerin sayisal vektor haline getirilmesidir. Boylelikle bilgisayar “kedi” ile “kedicik” arasindaki anlamsal yakinligi sayisal olarak olcebilir. Embedding’ler arama motorlari, oner sistemleri ve RAG (Retrieval Augmented Generation) mimarisinin temel tasidir.

RAG (Alma Destekli Üretim) özellikle kurumsal yapay zeka uygulamalarinda sıkça karsimiza cikar. Bu mimaride model, soruyu yanitlamadan once kurum icindeki dokumanlardan (PDF, Word, veritabani) ilgili parçalar bulur ve bu parçalar “baglam” olarak modele verir. Boylece halüsinasyon riski azalir, cevaplar güncel ve kuruma ozgu olur.

Bu Terim Ogrenirseniz Ne Kazanirsiniz?

Yapay zeka terimlerini bilmek teknik bir ayricalik olmaktan cikti, temel okuryazarlik haline geldi. Aşağıda bu terimleri bilmenin günlük hayatinizda ve kariyerinizdeki 5 somut faydasi var:

• İş ilanlarini doğru degerlendirirsiniz: “Fine-tune yapabilen LLM muhendisi” cumlesi size ne istendigini acikca anlatir.
• Araç seçimi kolaylasir: Hangi görev için RAG, hangisinde fine-tune, hangisinde salt prompt yeterlidir bilirsiniz.
• Yapay zeka üreticileriyle ayni dili konusursunuz: Tedarikci toplantilarinda ne istediginizi net ifade edebilirsiniz.
• Halüsinasyonlari erken fark edersiniz: Bir modelin ciktisini okurken “bu rakam nerden geldi” diye sorabilirsiniz.
• Yeni terimleri hızla ogrenirsiniz: Bugun “agent”, “multimodal”, “vector database” diye başlayan terimler yarin “agentic workflow”, “MCP”, “world model” olacak; temeli bilen sürekli yenisiyle basa cikar.

Bu faydalar soyut da gelse, pratikte hemen ortaya cikar. Ornegin bir pazarlama muduruysaniz “LLM tabanli bir chatbot” ile “kural tabanli bir chatbot” arasindaki farkı anladiginizda, tedarikci toplantisinda doğru soruları sorup gereksiz lisans masraflarindan kurtulabilirsiniz. Bir yazilimciysaniz fine-tune ile RAG arasindaki seçimi bilmek, projenin butcesini ve teslim süresini doğrudan etkiler. Bir egitmen veya ogretmenseniz bu terimleri ogrenciye aktarirken “teknoloji bizi gecmise aliyor” demek yerine, “teknoloji bizimle birlikte öğreniyor” demek mümkün olur. Özellikle 2024’ten sonra isverenler adaylarda yapay zeka okuryazarligi aramaya başladı; LinkedIn’in yıllık raporuna göre ABD’de yapay zeka becerisi is ilanlarinda 2023’e göre yüzde 21 artti. Bu, “bilmek” ile “bilmemek” arasindaki farkin kariyer açısından da somut bir getiriye donustugunu gösteriyor.

Bununla birlikte, yalnızca terim bilmek yetmez; terimlerin arkalarindaki mantigi kavramak önemli. Mesela “LLM” bilmek basit, ama “LLM neden halüsinasyon yapar” sorusunu yanitlayabilmek derinlik gösterir. Bu nedenle her terimi ogrenirken “neden boyle” sorusunu sormayi aliskanlik haline getirin. Bir sonraki adim için tek bir uygulama önerisi: Bugun kullandiginiz bir araç (orn. ChatGPT, Gemini, Copilot) için 5 farklı prompt yazin ve sonuçları karşılaştırin. Ayni terimleri kullanip farklı ciktilar aldiginizi görmek, sizi hem terimlerin pratik anlam hem de modelin çalışma prensibini daha iyi kavramaya goturur.

İlgili rehberler için Yapay Zeka Nedir, Yapay Zeka Araçları ve AI Agent kavramı yazılarımıza göz atabilirsiniz.

Sonuç: Yapay Zeka Terim Artık Sizin Diliniz

Bu rehberde yapay zeka terimleri sozlugunu 7 temel kavram üzerinden actik: Yapay zeka, makine ogrenmesi, derin öğrenme, büyük dil modeli, prompt, fine-tune ve hallusinasyon. Sonrasinda embedding ve RAG gibi ileri duzey kavram da ekledik. Artık bir haber, urun açıklaması veya kariyer sayfasi okurken bu terimler sizin için anlamsiz ses değil; arkalarindaki mantigi biliyorsunuz.

Bir sonraki adim için onerim su: Bu rehberdeki 7 kavramin her birini gerçek bir ornekle pekistirin. Mesela kendi isinizdeki bir rapor için ChatGPT’e prompt yazıp sonra fine-tune’a gerek olup olmadigini tartısin. Ya da sirketinizin iç dokumanlarini kullanarak basit bir RAG prototipi kurun. Öğrendikleriniz kagitta kalmadiginda kalici olur.

Sık Sorulan Sorular

Yapay zeka ile makine ogrenmesi arasindaki fark tam olarak nedir?

Yapay zeka geniş bir alan; makine ogrenmesi onun altindaki en popüler yontem. Yapay zeka kural tabanli uzman sistemleri de icerir ama makine ogrenmesi tamamen veriye dayali oruntu cikarir. Bu nedenle “bütün makine ogrenmesi yapay zekadir ama bütün yapay zeka makine ogrenmesi değildir” demek en acik ifadedir.

Büyük dil modeli (LLM) ile sohbet botu (chatbot) ayni sey mi?

Hayir. Sohbet botu bir kullanıcı arayuzudur, büyük dil modeli ise arka planda çalışan beyin gibidir. Bir chatbot basit kural tabanli da olabilir, LLM tabanli da olabilir. Günümüzde “yapay zeka chatbotu” denince çoğunlukla LLM ile çalışan sohbet arayuzleri kastedilir.

Fine-tune ile RAG arasindaki fark nedir, hangisini kullanmaliyim?

Fine-tune modeli özel bir göreve veya jargona “aliskanlikla” egitir; RAG ise modele her sorguda güncel ve kuruma ozgu dokumanlari “verir”. Eger bilgi sık degisiyorsa ve güncel kalmasi gerekiyorsa RAG daha uygun; davranis ve ton onemliyse fine-tune daha iyi sonuç verir. Ileri duzey uygulamalarda ikisi birlikte kullanilir.

Hallusinasyon neden olur ve nasıl azaltilir?

Büyük dil modelleri kelime kelime “en olasi” cumleyi üretir, dolayisiyla az bilinen konularda uydurma egilimi artar. Azaltmak için: (1) daha kisa ve net prompt yazin, (2) modelden “bilmiyorsan bilmiyorum de” isteyin, (3) RAG ile guvenilir kaynaklara baglayin, (4) insan kontrol (human-in-the-loop) ekleyin. Yüzde yüz garanti vermek mümkün değildir.

Embedding vektori ne ise yarar, neden önemlidir?

Embedding metin, görüntü veya ses gibi verileri sayisal bir uzayda temsil eder. Boylelikle “kedi” ile “kedicik” arasindaki anlamsal yakinlik sayisal olarak olculur. Arama motorlari, urun önerisi, dolandircilik tespiti ve RAG sistemlerinin tamami embedding’i temel alır. Yapay zeka uygulamasi geliştirmek isteyenler için embedding kavrami en önemli temel taslardan biridir.

Bu terimleri öğrenmek için nereden baslamaliyim?

Tavsiye edilen siralama: Once “yapay zeka nedir” ve “makine ogrenmesi nedir” gibi giriş makalelerini okuyun, ardindan “büyük dil modeli nasıl çalışır” gibi bir adim daha derine inen içerik gecip prompt yazma pratiği yapin. Son olarak fine-tune ve RAG konularini ogrenirseniz, kurumsal yapay zeka projelerini anlayacak duzeye gelirsiniz. Bu rehber tam da bu yolculugun başlangıç noktasi olarak tasarlandi.

Siz de yapay zeka terimlerini öğrenme yolculugunuzda kendi notlarinizi paylasin: Bu rehberdeki 7 kavramdan hangisi sizin isinizde en çok karsiniza cikyor? Yorumlarda deneyiminizi ve yeni terim onerilerinizi bekliyoruz.

İlgili yazılar:

• Yapay Zeka Etiği Nedir? Kullanıcılar Nelere Dikkat Etmeli?
• Yapay Zeka İşleri Nasıl Değiştiriyor? 7 Somut Etki
• Yapay Zeka Halüsinasyonu Nedir? Nasıl Önlenir?
• Yapay Zeka Güvenli mi? 5 Risk ve 7 Önlem

Yapay Zekâ Rehber Serisi

• Yapay Zekâ Öğrenme Yol Haritası — serinin ana rehberi — 4 seviyelik öğrenme sırası