Yapay zeka (YZ), hayatımızın her alanına giderek daha fazla nüfuz ediyor. Akıllı telefonlarımızdaki asistanlardan, online alışveriş önerilerine, sürücüsüz arabalardan, tıbbi teşhis sistemlerine kadar birçok alanda YZ teknolojileriyle karşılaşıyoruz. Bu heyecan verici alanı daha iyi anlamak ve gelişmelerini takip edebilmek için temel kavramları ve terimleri bilmek büyük önem taşıyor.
Bu blog yazısında, yapay zeka dünyasında sıkça karşınıza çıkacak temel İngilizce terimlerin Türkçe karşılıklarını ve anlaşılır açıklamalarını bulacaksınız. Amacımız, bu karmaşık gibi görünen alana giriş yapmak isteyenler için bir rehber olmak ve mevcut bilgileri pekiştirmektir.
Açıklama: Belirli bir problemi çözmek veya belirli bir görevi gerçekleştirmek için adım adım izlenmesi gereken kurallar veya talimatlar dizisidir. Yapay zeka sistemlerinin temelini oluşturan mantıksal yapılardır. Örneğin, bir sıralama algoritması, bir veri setindeki elemanları belirli bir düzene göre sıralar.
Açıklama: Genellikle insan zekası gerektiren görevleri (öğrenme, problem çözme, karar verme, dil anlama vb.) yerine getirebilen bilgisayar sistemleri veya makineler geliştirme bilimi ve mühendisliğidir. Amacı, insan benzeri düşünme ve hareket etme yeteneklerine sahip sistemler yaratmaktır.
Açıklama: Özellikle Doğal Dil İşleme (DDİ) ve derin öğrenme modellerinde kullanılan bir tekniktir. Modelin, girdinin belirli bölümlerine diğerlerinden daha fazla "dikkat" etmesini sağlar. Bu sayede, özellikle uzun metinlerde veya karmaşık girdilerde önemli bilgilere odaklanarak daha doğru çıktılar üretir. Transformer mimarisinin temel taşlarından biridir.
Açıklama: Geleneksel veri işleme yöntemleriyle işlenmesi zor olan, çok büyük hacimli, yüksek hızda üretilen ve çeşitlilik gösteren veri kümeleridir. Yapay zeka modellerinin eğitimi ve geliştirilmesi için kritik bir kaynaktır. Sosyal medya verileri, sensör verileri, finansal işlem kayıtları büyük veriye örnektir.
Açıklama: Bir makine öğrenmesi modelinin, eğitim verisindeki örtük veya açık önyargıları öğrenerek sistematik olarak hatalı veya adaletsiz tahminler yapma eğilimidir. Örneğin, belirli bir demografik gruba karşı eğitilmiş bir yüz tanıma sistemi, diğer grupları tanımakta daha başarısız olabilir. Yanlılık, YZ etiğinin önemli bir konusudur.
Açıklama: Gözetimli öğrenmenin bir türüdür. Verilen girdiyi önceden tanımlanmış kategorilerden birine atama görevidir. Örneğin, bir e-postanın "spam" veya "spam değil" olarak sınıflandırılması, bir resimdeki hayvanın "kedi" veya "köpek" olarak belirlenmesi sınıflandırma problemleridir.
Açıklama: İnternet üzerinden sunucular, depolama, veritabanları, ağ iletişimi, yazılım, analitik ve zeka gibi bilgi işlem hizmetlerinin sunulmasıdır. Yapay zeka modellerinin eğitimi ve dağıtımı için gereken yüksek hesaplama gücü ve depolama alanı genellikle bulut bilişim platformları aracılığıyla sağlanır.
Açıklama: Gözetimsiz öğrenmenin bir türüdür. Veri noktalarını, etiketleri olmadan, benzerliklerine göre gruplara (kümelere) ayırma işlemidir. Amaç, aynı kümedeki veri noktalarının birbirine çok benzer, farklı kümelerdeki veri noktalarının ise birbirinden farklı olmasını sağlamaktır. Müşteri segmentasyonu, anomali tespiti gibi alanlarda kullanılır.
Açıklama: Bilgisayarların dijital görüntülerden veya videolardan insanlar gibi anlamlı bilgiler çıkarmasını ve yorumlamasını sağlayan yapay zeka alanıdır. Nesne tanıma, yüz tanıma, görüntü segmentasyonu gibi görevleri içerir. Otonom araçlar, tıbbi görüntüleme, güvenlik sistemleri gibi birçok uygulaması vardır.
Açıklama: Yapay zeka sistemlerinin öğrenmesi ve karar vermesi için kullanılan ham bilgi veya gerçeklerdir. Sayılar, metinler, resimler, sesler gibi çeşitli formatlarda olabilir. Verinin kalitesi ve miktarı, YZ modelinin performansını doğrudan etkiler.
Açıklama: Çok katmanlı yapay sinir ağlarını (derin sinir ağları) kullanarak verilerden karmaşık örüntüleri ve temsilleri öğrenen bir makine öğrenmesi alt alanıdır. Özellikle görüntü tanıma, doğal dil işleme ve ses tanıma gibi alanlarda büyük başarılar elde etmiştir.
Açıklama: Bir veri setindeki öznitelik (değişken) sayısını, önemli bilgileri mümkün olduğunca koruyarak azaltma işlemidir. Modelin karmaşıklığını azaltmak, hesaplama maliyetini düşürmek ve görselleştirmeyi kolaylaştırmak gibi amaçlarla kullanılır. Temel Bileşen Analizi (PCA) yaygın bir boyut azaltma tekniğidir.
Açıklama: Kelimeler, cümleler veya diğer kategorik veriler gibi ayrık öğeleri, sürekli ve düşük boyutlu vektörlere dönüştürme işlemidir. Bu vektörler, öğeler arasındaki anlamsal ilişkileri yakalar ve makine öğrenmesi modellerinin bu verileri daha etkili bir şekilde işlemesini sağlar. Özellikle NLP'de sıkça kullanılır.
Açıklama: Belirli bir alandaki insan uzmanının bilgi ve deneyimini taklit ederek problem çözmeye veya karar vermeye çalışan yapay zeka sistemidir. Genellikle bir bilgi tabanı ve bir çıkarım motorundan oluşur. Tıp, finans gibi alanlarda kullanılmıştır.
Açıklama: Bir veri noktasının ölçülebilir bir özelliği veya karakteristiğidir. Makine öğrenmesi modelleri, tahmin yapmak veya sınıflandırma yapmak için bu öznitelikleri kullanır. Örneğin, bir evin fiyatını tahmin etmek için kullanılan öznitelikler evin metrekaresi, oda sayısı, bulunduğu konum olabilir.
Açıklama: Metin, resim, müzik, kod gibi yeni ve özgün içerikler üretebilen yapay zeka modelleridir. Eğitim verisindeki örüntüleri öğrenerek bu veriye benzer ancak yeni çıktılar yaratırlar. ChatGPT, DALL-E gibi modeller üretken yapay zekaya örnektir.
Açıklama: Bir makine öğrenmesi modelinin öğrenme sürecini kontrol eden ve model eğitilmeden önce ayarlanan parametrelerdir. Öğrenme oranı, sinir ağındaki katman sayısı, ağaç tabanlı modellerdeki ağaç derinliği gibi değerler hiperparametrelere örnektir. Modelin performansını optimize etmek için doğru hiperparametrelerin seçilmesi önemlidir.
Açıklama: Fiziksel nesnelerin (cihazlar, araçlar, binalar vb.) sensörler, yazılımlar ve diğer teknolojilerle donatılarak internet üzerinden birbirleriyle ve sistemlerle veri alışverişi yapabilmesi konseptidir. IoT cihazlarından toplanan veriler, yapay zeka analizleri için önemli bir kaynak oluşturur.
Açıklama: Çok büyük miktarda metin verisi üzerinde eğitilmiş, milyarlarca parametreye sahip derin öğrenme modelleridir. İnsan dilini anlama, özetleme, çevirme, metin üretme gibi çok çeşitli doğal dil işleme görevlerinde üstün performans gösterirler. GPT-3, BERT, LaMDA gibi modeller LLM'lere örnektir.
Açıklama: Bilgisayarların açıkça programlanmadan, verilerden öğrenerek performanslarını iyileştirmelerini sağlayan bir yapay zeka alt alanıdır. Algoritmalar, veri setlerindeki örüntüleri tespit eder ve bu örüntülere dayanarak tahminler veya kararlar alır.
Açıklama: Makine öğrenmesi sürecinde, eğitim verisindeki örüntüleri ve ilişkileri temsil etmek için oluşturulan matematiksel veya hesaplamalı yapıdır. Bir model, yeni ve görünmeyen verilere ilişkin tahminler yapmak veya kararlar almak için kullanılır. Örneğin, bir karar ağacı modeli veya bir sinir ağı modeli.
Açıklama: Bilgisayarların insan dilini (konuşma ve yazı) anlamasını, yorumlamasını ve üretmesini sağlayan yapay zeka ve dilbilim alanıdır. Metin çevirisi, duygu analizi, sohbet botları, metin özetleme gibi uygulamaları içerir.
Açıklama: İnsan beynindeki nöronların çalışma şeklinden esinlenerek tasarlanmış, birbirine bağlı yapay nöronlardan (düğümlerden) oluşan bir hesaplama modelidir. Verilerdeki karmaşık ilişkileri öğrenmek için kullanılır ve derin öğrenmenin temelini oluşturur.
Açıklama: Bir makine öğrenmesi modelinin, eğitim verisini "ezberleyerek" bu veriye aşırı derecede uyum sağlaması, ancak yeni ve görünmeyen veriler üzerinde genelleme yapma yeteneğini kaybetmesidir. Model, eğitim verisindeki gürültüyü veya rastgele dalgalanmaları bile öğrenir. Bu durum, test verisinde düşük performansa yol açar.
Açıklama: Özellikle üretken yapay zeka modelleriyle (özellikle LLM'ler) etkileşim kurarken, modelin belirli bir görevi yerine getirmesi veya belirli bir türde çıktı üretmesi için verilen metin tabanlı talimat veya girdidir. Prompt'un kalitesi, modelin üreteceği çıktının kalitesini doğrudan etkiler.
Açıklama: Gözetimli öğrenmenin bir türüdür. Girdi değişkenlerine dayanarak sürekli bir çıktı değerini tahmin etme görevidir. Örneğin, bir evin özelliklerine (metrekare, oda sayısı) bakarak fiyatını tahmin etmek, geçmiş verilere bakarak gelecekteki satışları tahmin etmek regresyon problemleridir.
Açıklama: Bir ajanın (agent), bir ortamda (environment) deneme yanılma yoluyla hareket ederek ve aldığı ödül/ceza sinyallerine göre davranışlarını optimize ederek en iyi stratejiyi öğrenmesini sağlayan bir makine öğrenmesi türüdür. Oyun oynama (örneğin Go, satranç), robotik kontrol, kaynak yönetimi gibi alanlarda kullanılır.
Açıklama: Robotların tasarımı, inşası, işletimi ve uygulanması ile ilgilenen mühendislik ve bilim dalıdır. Yapay zeka, robotların çevrelerini algılamaları, karar vermeleri ve otonom olarak hareket etmeleri için kritik bir bileşendir.
Açıklama: Makine öğrenmesi modelinin, etiketlenmiş (yani doğru çıktıları bilinen) bir veri seti kullanılarak eğitildiği yaklaşımdır. Model, girdi verileri ile karşılık gelen doğru çıktılar arasındaki ilişkiyi öğrenir. Sınıflandırma ve regresyon, gözetimli öğrenmenin yaygın türleridir.
Açıklama: Eğitilmiş bir makine öğrenmesi modelinin performansını, daha önce görmediği yeni veriler (test verisi) üzerinde değerlendirme işlemidir. Modelin gerçek dünya verileri üzerinde ne kadar iyi genelleme yapabildiğini ölçmek için yapılır.
Açıklama: Doğal Dil İşleme'de, bir metin parçasının (örneğin bir cümle veya paragraf) işlenmeden önce bölündüğü en küçük anlamlı birimlerdir. Bu birimler kelimeler, kelime parçaları (alt kelimeler) veya noktalama işaretleri olabilir. LLM'ler metni token'lara ayırarak işler.
Açıklama: Bir makine öğrenmesi modelinin, belirli bir veri setini kullanarak örüntüleri öğrenmesi ve parametrelerini ayarlaması sürecidir. Amaç, modelin verilen görevde (örneğin sınıflandırma veya tahmin) iyi performans göstermesini sağlamaktır.
Açıklama: Özellikle Doğal Dil İşleme görevleri için geliştirilmiş, "dikkat mekanizması"na dayalı bir derin öğrenme mimarisidir. Paralel işlemeye izin vermesi ve uzun mesafeli bağımlılıkları etkili bir şekilde yakalayabilmesi sayesinde LLM'lerin geliştirilmesinde devrim yaratmıştır.
Açıklama: Alan Turing tarafından 1950'de önerilen bir testtir. Bir makinenin, insan benzeri zeki davranışlar sergileyip sergileyemediğini ölçmeyi amaçlar. Testte, bir insan sorgulayıcı, biri insan diğeri makine olan iki katılımcıyla yazılı olarak iletişim kurar. Sorgulayıcı, hangisinin makine olduğunu ayırt edemezse, makinenin testi geçtiği kabul edilir.
Açıklama: Bir makine öğrenmesi modelinin, eğitim verisindeki temel örüntüleri bile yeterince öğrenememesi durumudur. Model, hem eğitim verisinde hem de test verisinde kötü performans gösterir. Genellikle modelin çok basit olmasından veya yetersiz eğitimden kaynaklanır.
Açıklama: Makine öğrenmesi modelinin, etiketsiz (yani doğru çıktıları bilinmeyen) bir veri seti kullanılarak eğitildiği yaklaşımdır. Model, verinin kendi içindeki yapıları, örüntüleri veya ilişkileri keşfetmeye çalışır. Kümeleme ve boyut azaltma, gözetimsiz öğrenmenin yaygın türleridir.
Açıklama: Model eğitimi sırasında, modelin hiperparametrelerini ayarlamak ve farklı modelleri karşılaştırmak için kullanılan, eğitim verisinden ayrılmış bir veri setidir (doğrulama verisi). Modelin eğitim verisine aşırı uyum sağlayıp sağlamadığını (overfitting) kontrol etmeye yardımcı olur.
Açıklama: Bir makine öğrenmesi modelinin, eğitim verisindeki küçük değişikliklere ne kadar duyarlı olduğunun bir ölçüsüdür. Yüksek varyanslı bir model, farklı eğitim setleriyle eğitildiğinde çok farklı sonuçlar verebilir ve genellikle aşırı öğrenmeye (overfitting) eğilimlidir.
Açıklama: Yapay zeka sistemlerinin tasarımı, geliştirilmesi ve uygulanmasıyla ilgili ahlaki ilkeler ve değerler bütünüdür. Yanlılık, adalet, şeffaflık, hesap verebilirlik, gizlilik ve güvenlik gibi konuları ele alır. Amacı, YZ teknolojilerinin sorumlu ve insanlığa faydalı bir şekilde kullanılmasını sağlamaktır.
Yapay zeka, sürekli gelişen ve dönüşen dinamik bir alan. Bu sözlükte yer alan terimler, bu alandaki temel yapı taşlarını anlamanıza yardımcı olacaktır. Elbette, YZ dünyası bu terimlerle sınırlı değil, ancak burada sunulanlar sağlam bir başlangıç noktası sunmaktadır.
Bu terimleri öğrenmek, YZ ile ilgili makaleleri, haberleri ve tartışmaları daha iyi anlamanızı, bu alandaki projelerde daha bilinçli yer almanızı ve teknolojinin geleceği hakkındaki konuşmalara daha etkin katılmanızı sağlayacaktır. Unutmayın, öğrenme bir yolculuktur ve yapay zeka gibi heyecan verici bir alanda keşfedilecek her zaman yeni şeyler vardır.