Yapay zekâ sözlüğü
Kardelen Dergisi

  Sayı: 130 - Ekim / Aralık 2026

Tweetle

Yapay zekâyı anlamak için 15 temel teknik terim 

1. Yapay Zekâ (Artificial Intelligence – AI)

Bilgisayarların normalde insan zekâsı gerektiren işleri yapabilmesini sağlayan teknoloji alanıdır. Görüntü tanıma, konuşmayı anlama, karar verme ve metin oluşturma gibi işlemler yapay zekâya örnek verilebilir. 

2. Makine Öğrenmesi (Machine Learning – ML)

Bilgisayarın her durum için tek tek programlanmak yerine, verilerden örüntüler öğrenmesini sağlayan yöntemdir. Örneğin binlerce kedi fotoğrafını inceleyen bir sistem, daha sonra yeni bir fotoğrafta kediyi tanımayı öğrenebilir. 

3. Derin Öğrenme (Deep Learning)

Makine öğrenmesinin, çok katmanlı yapay sinir ağlarını kullanan bir dalıdır. Özellikle görüntü, ses, video ve doğal dil gibi karmaşık verilerde çok başarılıdır. 

4. Yapay Sinir Ağı (Neural Network)

İnsan beynindeki nöronların çalışma biçiminden esinlenilerek oluşturulan matematiksel modeldir. Çok sayıda küçük hesaplama biriminin birbirine bağlanmasıyla oluşur. 

5. Büyük Dil Modeli (Large Language Model – LLM)

İnsan dilini anlamak ve üretmek amacıyla çok büyük miktarda metin üzerinde eğitilen yapay zekâ modelidir. Metin yazma, özetleme, çeviri, soru cevaplama ve kod üretme gibi görevleri gerçekleştirebilir.

6. Üretken Yapay Zekâ (Generative AI)

Mevcut verileri yalnızca analiz etmekle kalmayıp yeni içerikler üretebilen yapay zekâ sistemleridir. Metin, görüntü, ses, video ve hattâ bilgisayar kodu oluşturabilir. 

7. Eğitim (Training)

Bir yapay zekâ modelinin, çok miktarda veri kullanılarak belirli görevleri öğrenme sürecidir. Model eğitim sırasında yaptığı tahminlerle gerçek sonuçları karşılaştırır ve iç yapısındaki parametreleri buna göre değiştirir. 

8. Veri Seti (Dataset)

Yapay zekânın eğitilmesi veya test edilmesi için kullanılan düzenlenmiş veri topluluğudur. Metinler, fotoğraflar, ses kayıtları, videolar veya sayısal bilgiler bir veri setinin parçası olabilir. 

9. Parametre

Yapay zekâ modelinin öğrenme sırasında ayarladığı sayısal değerlerdir. Parametre sayısı, modelin karmaşıklığı hakkında fikir verebilir. Ancak daha fazla parametre her zaman daha iyi sonuç anlamına gelmez. 

10. Prompt

Kullanıcının yapay zekâya verdiği talimat, soru veya komuttur. Örneğin “Bana yapay zekâyı 10 yaşındaki bir çocuğun anlayacağı şekilde anlat” bir prompttur. 

11. Token

Yapay zekâ modellerinin metni işlerken kullandığı temel parçalardır. Bir token bazen bir kelime, bazen kelimenin bir bölümü veya noktalama işareti olabilir. Modelin ne kadar metni işleyebileceği genellikle token sayısıyla ifade edilir. 

12. Halüsinasyon (AI Hallucination)

Yapay zekânın gerçekte doğru olmayan bir bilgiyi doğruymuş gibi üretmesidir. Örneğin hiç yayımlanmamış bir kitabı gerçekmiş gibi anlatması veya var olmayan bir kaynağa atıfta bulunması halüsinasyona örnektir. 

13. Transformer

Özellikle dil modellerinin gelişmesinde büyük rol oynayan bir yapay sinir ağı mîmârîsidir. Metindeki kelimelerin birbirleriyle olan ilişkilerini daha etkili biçimde değerlendirebilir. Günümüzde birçok gelişmiş dil modelinin temelinde transformer mîmârîsi bulunur.

14. RAG (Retrieval-Augmented Generation)

Yapay zekânın cevap üretmeden önce dış bir bilgi kaynağından ilgili bilgileri bulup kullanmasını sağlayan yöntemdir. Örneğin bir şirketin kendi belgelerini sisteme yükleyip yapay zekânın cevaplarını bu belgelerden oluşturması RAG kullanımına örnektir. 

15. Fine-Tuning (İnce Ayar)

Önceden eğitilmiş bir yapay zekâ modelinin, belirli bir alan veya görev için ek verilerle yeniden eğitilmesidir. Örneğin genel amaçlı bir dil modeli hukuk, tıp, finans veya müşteri hizmetleri gibi belirli bir alana uyarlanabilir.