Yapay Zeka Nedir? Nasıl Çalışır, Nerede Kullanılır

Yapay zeka, bir bilgisayarın kendi başına düşünmesi değil, büyük miktarda veriden örüntü çıkarıp bu örüntülerle tahmin ya da karar üretmesidir. Bir e-posta programının spam'i ayıklaması, telefonun sahibinin yüzünü tanıması ya da bir sohbet botunun cümle kurması aynı temele dayanır: sistem, önceden gördüğü çok sayıda örnekten istatistiksel bir örüntü öğrenir. Filmlerdeki kendi kendine düşünen makine imgesiyle gerçek yazılımın çalışma biçimi arasında ciddi bir fark var. Bu rehber o farkı netleştiriyor ve yapay zekanın günlük hayatta nasıl işlediğini adım adım anlatıyor.

Yapay Zeka Tam Olarak Ne Yapar, Bilim Kurgudan Farkı Nedir

Geleneksel bir programda geliştirici her kuralı elle yazar: müşteri 60 yaşından büyükse ve son üç ayda alışveriş yapmadıysa şu kampanyayı göster, gibi. Yapay zeka sistemlerinde bu kurallar elle yazılmaz, sistem kuralı etiketli örneklerden kendisi çıkarır. Binlerce "spam" ve "spam değil" etiketli e-posta gösterildiğinde, sistem hangi kelime kombinasyonlarının spam'e işaret ettiğini kendi başına bulur.

Bu öğrenme süreci üç parçadan oluşur: veri, model ve bir başarı ölçütü. Veri olmadan sistemin öğreneceği örnek yoktur. Model olmadan örüntüyü tutacak bir yapı yoktur. Başarı ölçütü olmadan da sistemin doğru mu yanlış mı yaptığını anlayacak bir yolu yoktur. Bu üçü bir araya geldiğinde sistem, deneme yanılmayla hatasını azaltacak yönde kendini ayarlar.

Bugünkü yapay zeka bu yüzden sinemadaki genel zekaya sahip robotlardan çok farklı bir şey. Elinizdeki asistan uygulaması müzik önerir, ama aynı anda arabanızı tamir edip vergi beyannamenizi dolduramaz. Her sistem eğitildiği dar görev alanında çalışır; bu sınırlı yeteneğe literatürde "dar yapay zeka" (narrow AI) deniyor.

İnsan zekasının esnekliğine sahip, her konuda düşünebilen "genel yapay zeka" ise bugün teknik olarak henüz var olmayan, bir araştırma hedefi olarak kalan bir kavram. Bu ayrımı bilmek önemli, çünkü haberlerdeki abartılı başlıklarla laboratuvardaki gerçek ilerlemeyi birbirinden ayırmanın tek yolu bu.

Bazı araştırmacılar genel yapay zekanın üstüne "yapay süper zeka" (ASI) adında üçüncü bir basamak daha ekliyor; bu, insan zekasını her alanda geride bırakan, tamamen varsayımsal bir aşama. Bugünün en gelişmiş sistemleri bile hâlâ dar yapay zeka kategorisinde kalıyor, sadece çok daha geniş bir görev yelpazesini tek bir modelde topluyor.

Makine Öğrenimi, Derin Öğrenme ve Üretken Yapay Zeka Arasındaki Fark Nedir

Bu üç terim haberlerde sık sık birbirinin yerine kullanılıyor ama aslında iç içe geçmiş üç farklı katman. Makine öğrenimi en geniş kategori ve verilerden öğrenen her sistemi kapsar. Derin öğrenme, makine öğreniminin insan beyni sinir hücrelerinden esinlenen katmanlı ağlarla çalışan alt dalı. Üretken yapay zeka (generative AI) ise derin öğrenmenin yeni metin, görsel veya ses üretebilen en güncel uygulama biçimi.

Bu üç katman aynı zamanda bir olgunluk sırasını da yansıtıyor. Klasik makine öğrenimi teknikleri onlarca yıldır bankacılıktan lojistiğe kadar sessizce çalışıyor. Derin öğrenme 2010'ların ortasından itibaren görüntü ve ses tanımada sıçrama yaptı. Üretken yapay zeka ise son birkaç yılın ürünü. Her katman bir öncekinin üzerine kurulduğu için, birini anlamak diğer ikisini de kolaylaştırıyor.

Basit bir sınıflandırma modelinin nasıl çalıştığını görmek için scikit-learn kütüphanesiyle birkaç satır kod yeterli. Aşağıdaki örnek, çiçek ölçümlerinden türü tahmin eden klasik bir makine öğrenimi akışını gösteriyor.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = RandomForestClassifier()
model.fit(X_train, y_train)
print(model.score(X_test, y_test))

Bu kod, önceden hazırlanmış ölçüm verilerini modele gösteriyor, model kuralları kendisi çıkarıyor ve test verisi üzerinde doğruluğunu ölçüyor. Derin öğrenme de özünde aynı mantığı çalıştırır, sadece milyonlarca parametre içeren çok daha büyük ağlarla ve çok daha fazla veriyle. Aradaki fark, modelin boyutunda ve kullanılan veri miktarındadır; çalışma mantığı aynı kalır.

Büyük Dil Modelleri (LLM) Cümleyi Nasıl Kuruyor

Sohbet botlarının arkasındaki büyük dil modelleri (LLM), bir sonraki kelimeyi tahmin etme görevinde eğitiliyor. Model, "İstanbul'da hava bugün..." cümlesini gördüğünde, eğitim verisindeki milyarlarca benzer cümleden yola çıkarak en olası devam kelimesini seçiyor. Bu işlem kelime kelime tekrarlanarak koca bir paragraf ortaya çıkıyor. Model cümlenin anlamını insan gibi kavramıyor, olasılık hesabı yapıyor; ama bu hesap güncel modellerde şaşırtıcı derecede tutarlı sonuçlar veriyor.

Modelin bu kadar akıcı olmasının arkasında, eğitim sırasında görülen metin miktarının büyüklüğü var: kitaplar, makaleler, kod depoları, forumlar. Model, "sonraki kelime" tahminini milyarlarca kez tekrarlayarak dil bilgisini, üslup çeşitliliğini ve konu bağlamını dolaylı yoldan öğreniyor. Kimse ona dil bilgisi kuralı öğretmiyor. Kurallar, verinin içinde zaten gizli.

Modelin bir defada görebildiği metin miktarına bağlam penceresi deniyor. Bu pencere ne kadar genişse, model o kadar uzun bir konuşmayı veya belgeyi aynı anda değerlendirebilir. Bağlam penceresinin dışında kalan bilgi, model için sanki hiç yazılmamış gibidir.

Bu modellerle konuşmak için genelde bir sohbet arayüzü kullanılıyor, ama arka planda çoğu zaman düz bir API çağrısı çalışır. Aşağıdaki örnek, bir sohbet tamamlama uç noktasına gönderilen tipik bir istek gövdesini gösteriyor.

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_KEY" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [
      {"role": "user", "content": "Yapay zeka nedir, iki cümlede anlat"}
    ]
  }'

Modelin ürettiği metin, eğitim verisindeki kalıpların bir yeniden bileşimidir. Bu yüzden model bazen çok akıcı ama gerçek dışı bilgi üretebilir; alan yazınında buna "halüsinasyon" deniyor. Kaynağı belirsiz bir tarih, var olmayan bir kitap adı ya da yanlış bir formül, hep bu mekanizmanın sonucudur.

Yapay Zeka Günlük Hayatta ve İşte Nerede Kullanılıyor

Uygulama alanları artık laboratuvardan çok gündelik akışların içinde. Aşağıdaki liste en yaygın kullanım alanlarını somutlaştırıyor.

• Sağlık: Röntgen ve tomografi görüntülerinde şüpheli bölgeleri işaretleyip radyoloğun önceliklendirmesine yardımcı oluyor.
• Ulaşım: Navigasyon uygulamaları trafik verisini anlık işleyip rota öneriyor, sürücüsüz araç projeleri kamera ve sensör verisini birleştiriyor.
• E-ticaret: Öneri motorları geçmiş tıklama ve satın alma verisinden hareketle ürün sıralıyor.
• Müşteri hizmetleri: Sohbet botları sık sorulan soruları otomatik yanıtlayıp karmaşık talepleri insana yönlendiriyor.
• Ofis işleri: Uzun metni kısaltma, taslak yazı üretme ve e-tablo formülü önerme gibi görevlerde destek sağlıyor.
• Güvenlik: Ağ trafiğindeki anormal örüntüleri yakalayarak olası siber saldırıları erken aşamada işaretliyor.

Bu örneklerin ortak noktası, sistemin insanın yerine karar vermesi değil, insanın kararını hızlandıracak bir ön eleme yapmasıdır. Nihai onay hâlâ çoğunlukla bir insanda kalıyor, özellikle sağlık ve finans gibi riskli alanlarda. Bir bankanın kredi başvurusunu tamamen otomatik reddetmesi nadirdir; genelde model bir risk skoru üretir, kararı bir uzman verir.

Küçük işletmeler için de bu araçlar artık erişilebilir durumda. Ücretsiz katmanlı sohbet araçları, temel görsel düzenleme ya da e-tablo otomasyonu gibi işler için ayrı bir ekip kurmaya gerek bırakmıyor.

Yapay Zekanın Sınırları, Hatası ve Önyargı Riski Nedir

Bir model yalnızca eğitildiği veri kadar iyi olabilir. Eğitim verisinde belirli bir grup az temsil ediliyorsa, model o grup için daha zayıf tahminler üretir; işe alım filtrelemesinde veya kredi skorlamasında bu tür önyargı gerçek zararlara yol açabilir. IBM'in yapay zeka etiği kaynaklarında ve Google'ın ilgili sayfalarında bu risk ayrıntılı biçimde ele alınıyor.

Halüsinasyon problemi de kalıcı bir sınırlama. Model emin olmadığı bir konuda bile kendinden emin bir üslupla yanlış cevap verebilir. Bu yüzden üretilen her sayı, tarih veya alıntı ayrıca doğrulanmalıdır. Bir başka sorun da veri gizliliği: kurumsal belgeleri veya kişisel verileri genel bir sohbet arayüzüne yapıştırmak, o verinin nasıl saklanacağını bilmeden risk almak demektir.

Modelin kararının nasıl oluştuğunu açıklamak da her zaman kolay değildir. Özellikle derin öğrenme modellerinde binlerce parametre etkileşime giriyor, tek bir çıktının hangi girdiden geldiğini net biçimde izlemek zordur. Bu şeffaflık eksikliği, yapay zekanın adli, tıbbi veya finansal kararlarda tek başına kullanılmaması gerektiğinin başlıca nedenidir.

Enerji tüketimi de az konuşulan ama gerçek bir maliyettir. Büyük modellerin eğitimi ve çalıştırılması önemli miktarda hesaplama gücü, dolayısıyla elektrik gerektiriyor. Bu da sağlayıcıların veri merkezi verimliliği üzerine ayrıca çalışmasını gerektiriyor.

Yapay Zeka Araçlarını Sorumlu Biçimde Nasıl Kullanmaya Başlanır

İlk yapılması gereken, aracı bir asistan gibi değil bir stajyer gibi görmektir: hızlı taslak çıkarır ama her çıktısı gözden geçirilmelidir. Model çıktısını olduğu gibi kopyalamak yerine, iddia edilen her rakamı, tarihi ve ismi geçen kaynağı ayrıca kontrol etmek gerekir.

Bundan sonraki adım, isteği (prompt) net yazmaktır. Belirsiz bir soru belirsiz bir cevap getirir; bağlam, format ve sınır belirten istekler çok daha kullanılabilir sonuç verir.

Rol: Kıdemli bir Python geliştiricisi gibi davran.
Görev: Aşağıdaki fonksiyonu gözden geçir ve olası hataları listele.
Kısıt: Yanıtı madde işaretleriyle, en fazla 5 madde olarak ver.

Üçüncü nokta, hassas veriyi genel araçlara yapıştırmamaktır. Şirket içi belgeler, müşteri bilgisi veya kişisel kimlik verisi için kurumun onayladığı, veri saklama politikası net olan bir araç tercih edilmelidir. Anthropic'in ve OpenAI'ın dokümantasyon sayfalarında kurumsal kullanım ve veri işleme koşulları ayrıntılı biçimde açıklanıyor.

Son adım, aracı belirli görevlerde denemektir. Uzun bir metni kısaltmak, bir e-tablo formülü yazmak veya bir kod parçasını açıklatmak gibi dar, denetlenebilir görevlerden başlamak, aracın gerçek gücünü ve sınırını hızlıca ortaya koyar.

Yapay zeka okuryazarlığının özü aslında basit: aracın ne yapabildiğini bilmek kadar ne yapamadığını bilmek de değerlidir. Bir modelin ürettiği metni, internetten okunan rastgele bir yazı gibi kaynağını sorgulayarak okumak, bu teknolojiyle sağlıklı bir ilişki kurmanın en pratik yoludur.

Yazan Celil Uyanikoglu

Bilgisayar mühendisiyim; 25 yılı aşkın süredir bilgi işlem sektörünün içindeyim. Bu blogu 2020'de, işimde her gün karşılaştığım sorunların çözümlerini bir yere yazmak için açtım: Linux, güvenlik, tarayıcılar, yapay zeka araçları. Yazdığım her rehberi önce kendi bilgisayarımda ya da sunucumda deniyorum; çalıştığını görmediğim adımı yayınlamam. Hatalı ya da eskimiş bir şey görürsen iletişim sayfasından yaz — düzeltirim.