Yapay Zeka Nasıl Çalışır? Basit Anlatım

Bir çocuğun kedi ve köpeği ayırt etmeyi nasıl öğrendiğini düşün. Ona yüzlerce kedi fotoğrafı gösterirsin, sonra yüzlerce köpek fotoğrafı. Bir süre sonra çocuk, daha önce hiç görmediği bir hayvanın kedi mi köpek mi olduğunu söyleyebilir hâle gelir. İşte yapay zeka da tam olarak bunu yapar — ama milyonlarca örnekle ve saniyeler içinde.

Yapay zeka (İngilizce: Artificial Intelligence, AI), insanların bilişsel yeteneklerini — örüntü tanıma, dil anlama, karar verme gibi — bilgisayar programları aracılığıyla gerçekleştiren teknolojilerin şemsiye terimidir. Peki bu teknoloji gerçekte nasıl işliyor? Bir bilgisayar, metni nasıl “anlıyor”? Bir görüntüyü nasıl “tanıyor”?

Cevap şaşırtıcı derecede basit bir temele dayanıyor: matematik. Yapay zeka sistemleri, devasa miktarda veriyi işleyerek bu veriler arasındaki matematiksel kalıpları keşfeder. Sonra bu kalıpları kullanarak yeni veriler hakkında tahminlerde bulunur. Ne sihir var ne mucize — sadece çok büyük sayılarla çok hızlı yapılan hesaplamalar.

Bu yazıda sana yapay zekanın çalışma mantığını, bir mühendis gibi değil bir meraklı insan gibi anlatacağım. Teknik kavramları günlük hayattan örneklerle bağlayacağız. Eğer yapay zekaya sıfırdan başlamak istiyorsan, Yapay Zekaya Giriş: Temel Kavramlar ve Uygulamalar kursumuz da tam sana göre.

Yapay Zekanın Temel Bileşenleri

Bir yapay zeka sistemi üç ana parçadan oluşur. Bu üçlüyü bir mutfak benzetmesiyle anlayalım: veri senin malzemen, algoritma tarifen, model ise pişirdiğin yemek. Şimdi her birini tek tek inceleyelim.

Veri — Yapay Zekanın Yakıtı

Yapay zeka sistemleri veri olmadan hiçbir şey yapamaz. Nasıl ki bir öğrenci kitap okumadan sınava giremezse, bir yapay zeka modeli de veri görmeden tahmin üretemez. Veri; metin, görüntü, ses, video veya sayısal tablolar biçiminde olabilir.

Örneğin ChatGPT, internet üzerindeki milyarlarca web sayfası, kitap, makale ve forumdan toplanan metin verileriyle eğitildi. Bir görüntü tanıma sistemi ise milyonlarca etiketlenmiş fotoğrafla beslenir. Verinin kalitesi ve miktarı, yapay zekanın başarısını doğrudan belirler. Çöp veri verirsen, çöp sonuç alırsın — bu prensip sektörde “Garbage In, Garbage Out” (GIGO) olarak bilinir.

Peki ne kadar veri yeterli? Bu tamamen probleme bağlı. Basit bir spam filtresi için birkaç bin e-posta yetebilirken, bir dil modeli için terabaytlarca metin verisi gerekir. Ama her zaman geçerli olan bir kural var: veri ne kadar çeşitli ve temiz olursa, model o kadar iyi performans gösterir.

Algoritmalar — Kuralları Koyan Beyin

Algoritma, verideki kalıpları bulmak için kullanılan matematiksel yöntemdir. Onu bir tarife benzetebilirsin: aynı malzemelerle farklı tarifler farklı yemekler ortaya çıkarır. Aynı şekilde, aynı veri setiyle farklı algoritmalar farklı sonuçlar üretir.

Yapay zekada kullanılan yüzlerce algoritma var. Karar ağaçları, destek vektör makineleri, rastgele ormanlar, sinir ağları… Her birinin öne çıktığı alanlar farklı. Mesela metin sınıflandırma için Naive Bayes iyi çalışırken, görüntü tanıma için konvolüsyonel sinir ağları (CNN) tercih edilir.

Bir algoritmanın temel görevi şu: veriye bakarak bir “fonksiyon” oluşturmak. Bu fonksiyon, girdi olarak aldığı veriden çıktı üretir. Örneğin bir e-postanın metnini girdi olarak alıp “spam” veya “spam değil” çıktısı veren bir fonksiyon. Algoritma, bu fonksiyonu eğitim verilerinden öğrenir.

Model — Öğrenilmiş Bilginin Deposu

Model, algoritmanın veri üzerinde çalıştıktan sonra ortaya çıkardığı “öğrenilmiş yapı”dır. Yani model, eğitim sürecinin sonucudur. Bir nevi yapay zekanın “beyni” diyebilirsin — ama bu beyin sayılardan oluşur.

Teknik olarak bir model, milyonlarca (hatta milyarlarca) sayısal ağırlıktan (weight) oluşan bir dosyadır. Bu ağırlıklar, veriler arasındaki ilişkileri kodlar. Mesela GPT-4 modelinde 1 trilyon üzerinde parametre (ağırlık) olduğu tahmin ediliyor (OpenAI resmi rakam açıklamadı). Her bir parametre, modelin “bilgisinin” küçük bir parçasını temsil eder.

Model bir kez eğitildikten sonra, yeni verilere uygulanabilir. Sen ChatGPT’ye bir soru sorduğunda, o anda yeni bir şey öğrenmiyor. Daha önce eğitim sırasında öğrendiği kalıpları kullanarak sana cevap üretiyor. Bu yüzden modelin eğitim verilerinin kapsamı ve güncelliği çok kritik.

Eğitim Süreci — Modelin Okulda Geçirdiği Zaman

Eğitim süreci, modelin veriden öğrenme aşamasıdır. Bunu bir öğrencinin sınava hazırlanma sürecine benzetebilirsin. Öğrenci (model), ders kitaplarını (veri) okur ve sınavda (gerçek dünya) başarılı olmayı hedefler.

Eğitim şu şekilde ilerler:

1. Modele bir veri örneği gösterilir — mesela bir kedi fotoğrafı.
2. Model bir tahmin yapar — “Bu bir köpek” der (başlangıçta rastgele tahmin eder).
3. Hata hesaplanır — Doğru cevap “kedi” olduğu için model hatalı. Hata miktarı (loss) bir sayı olarak hesaplanır.
4. Ağırlıklar güncellenir — Hatayı azaltmak için modelin iç parametreleri küçük miktarlarda değiştirilir (bu işleme “backpropagation” denir).
5. Bu döngü milyonlarca kez tekrarlanır — Her tekrarda model biraz daha iyi tahmin yapar.

Eğitim süreci, büyük modeller için haftalarca hatta aylarca sürebilir ve binlerce GPU (grafik işlem birimi) gerektirir. OpenAI’ın GPT-4’ü eğitmek için harcadığı tahmini maliyet 100 milyon doların üzerinde. Bu yüzden yapay zeka geliştirmek ciddi bir altyapı yatırımı gerektiriyor.

Makine Öğrenmesi: Veriden Öğrenen Makineler

Makine öğrenmesi (Machine Learning, ML), yapay zekanın en yaygın alt dalıdır. Geleneksel programlamada sen bilgisayara kuralları elle yazarsın: “Eğer e-postada ‘bedava’ kelimesi geçiyorsa, spam olarak işaretle.” Makine öğrenmesinde ise bilgisayar bu kuralları veriden kendisi çıkarır.

Bunu şöyle düşün: geleneksel programlama bir yemek tarifine göre pişirmek gibidir. Makine öğrenmesi ise yemeği tadarak tarifini çıkarmaya çalışmak gibidir. Üç ana türü var ve her birinin çalışma mantığı farklı.

Denetimli Öğrenme (Supervised Learning)

Denetimli öğrenme, makine öğrenmesinin en yaygın ve en anlaşılır türüdür. Burada modele “etiketlenmiş” veriler verilir. Yani her girdi için doğru cevap bellidir.

Örneğin bir e-posta spam filtresi düşün. Eğitim verisinde binlerce e-posta ve her birinin “spam” veya “spam değil” etiketi var. Model bu örneklere bakarak, spam e-postaların ortak özelliklerini (belirli kelimeler, gönderici bilgileri, bağlantı yapısı gibi) keşfeder. Eğitim tamamlandığında, daha önce hiç görmediği bir e-postanın spam olup olmadığını tahmin edebilir.

Günlük hayatta denetimli öğrenme örnekleri her yerde:

• Hastalık teşhisi: Röntgen görüntülerinden akciğer hastalığı tespiti
• Kredi risk değerlendirmesi: Müşteri verilerinden geri ödeme olasılığı tahmini
• Sesli asistanlar: Ses dalgalarını metne dönüştürme (speech-to-text)
• Fiyat tahmini: Ev özelliklerinden (metrekare, konum, oda sayısı) fiyat tahmin etme
• Yüz tanıma: Telefonunun yüzünü tanıyarak kilidi açması

Denetimsiz Öğrenme (Unsupervised Learning)

Denetimsiz öğrenmede etiket yok. Modele sadece ham veri verirsin ve “buradaki kalıpları sen bul” dersin. Model, verideki gizli yapıları ve grupları kendi başına keşfetmeye çalışır.

En yaygın kullanım alanı “kümeleme”dir (clustering). Diyelim ki elinde 10.000 müşterinin alışveriş verisi var ama herhangi bir etiket yok. Denetimsiz öğrenme algoritması bu müşterileri benzer davranışlara göre gruplara ayırabilir: “sık alışveriş yapan sadık müşteriler”, “indirim dönemlerinde gelen fiyat duyarlı müşteriler”, “tek seferlik alım yapan ziyaretçiler” gibi.

Netflix’in film önerileri de kısmen bu yönteme dayanır. İzleme alışkanlıklarına göre benzer kullanıcılar gruplandırılır ve bir grubun beğendiği filmler diğer üyelere önerilir. Sen farkında bile olmadan, senin “izleme ikizlerinin” tercihlerini görüyorsun.

Pekiştirmeli Öğrenme (Reinforcement Learning)

Pekiştirmeli öğrenme, diğer iki türden tamamen farklı çalışır. Burada bir “ajan” (agent) bir ortamda (environment) hareket eder ve aldığı ödüllere veya cezalara göre davranışını düzeltir. Bir köpeği eğitmeye benzer: doğru harekette ödül (mama), yanlış harekette ceza (azarlama).

En bilinen örnek, Google DeepMind’ın AlphaGo programıdır. AlphaGo, Go oyununu oynayarak öğrendi. Milyonlarca oyun oynadı, kazandığında ödül aldı, kaybettiğinde ceza. Zamanla insanlık tarihindeki en iyi Go oyuncularını yenebilecek seviyeye ulaştı. 2016’da dünya şampiyonu Lee Sedol’u 4-1 yenerek tarihe geçti.

Pekiştirmeli öğrenme bugün robotik, otonom araçlar, oyun yapay zekaları ve hatta ChatGPT’nin ince ayarında (RLHF — Reinforcement Learning from Human Feedback) kullanılıyor. Yapay zekanın ne işe yaradığını merak ediyorsan, bu üç öğrenme türünü anlamak sana çok geniş bir perspektif kazandırır.

Derin Öğrenme ve Sinir Ağları

Derin öğrenme (Deep Learning), makine öğrenmesinin bir alt kümesidir ve yapay sinir ağları (Artificial Neural Networks) üzerine kuruludur. “Derin” kelimesi, bu ağların birçok katmandan oluşmasından gelir.

Yapay sinir ağları, insan beynindeki nöronlardan ilham alır — ama biyolojik beynin gerçek bir kopyası değildir. Matematiksel fonksiyonlardan oluşan katmanlar şeklinde organize edilirler. Her katman, gelen veriyi işleyerek bir sonraki katmana iletir.

Bir görüntü tanıma sinir ağını düşünelim:

• İlk katman: Pikselleri alır, kenarları ve basit şekilleri tanır
• Orta katmanlar: Kenarları birleştirerek daha karmaşık yapılar oluşturur (gözler, burunlar, kulaklar)
• Son katmanlar: Tüm parçaları birleştirerek “bu bir kedi yüzü” gibi üst düzey kararlar verir

Her katman, verinin daha soyut ve daha anlamlı temsillerini oluşturur. İlk katman pikseller görürken, son katman kavramlar görür. İşte “derin” öğrenme budur — katman katman derinleşen soyutlama.

Aşağıdaki tabloda makine öğrenmesi ile derin öğrenmenin farkları net bir şekilde görebilirsin:

Gördüğün gibi derin öğrenme, makine öğrenmesinin “gelişmiş versiyonu” değil; farklı problemlere farklı araçlar sunan bir yaklaşım. Basit bir müşteri segmentasyonu için derin öğrenme kullanmak, bir çivi çakmak için balyoz almak gibidir.

Büyük Dil Modelleri (LLM) Nasıl Çalışır?

Büyük Dil Modelleri (Large Language Models, LLM), 2020’lerden itibaren yapay zekayı günlük hayata taşıyan teknoloji oldu. ChatGPT, Claude, Gemini, LLaMA gibi modeller bu kategoriye girer. Peki milyarlarca parametreye sahip bu devasa modeller bir soruya nasıl cevap verebiliyor?

Temel prensip şaşırtıcı derecede basit: bir sonraki kelimeyi tahmin etmek. Evet, bu kadar. ChatGPT sana uzun ve mantıklı cevaplar verirken yaptığı tek şey, her adımda “bir sonraki en olası kelime (aslında token) ne olabilir?” sorusuna cevap vermek. Ama bunu trilyonlarca parametre ve terabaytlarca veri ile yaptığında, ortaya insanı şaşırtan sonuçlar çıkıyor.

Transformer Mimarisi

Bugünkü dil modellerinin temelinde 2017’de Google araştırmacılarının yayımladığı “Attention Is All You Need” makalesiyle tanıtılan Transformer mimarisi yatıyor. Bu mimari, dil modellerinde bir devrim yarattı.

Transformer’dan önce kullanılan RNN (Recurrent Neural Network) modelleri, metni soldan sağa sıralı olarak işliyordu. Bir cümledeki 10. kelimeyi anlamak için önce 1’den 9’a kadar tüm kelimeleri sırayla işlemesi gerekiyordu. Bu hem yavaştı hem de uzun metinlerde başlangıçtaki bilgiyi “unutma” sorunu yaşanıyordu.

Transformer mimarisi bu sorunu çözdü. Bir cümledeki tüm kelimeleri aynı anda, paralel olarak işleyebilir. Bu sayede hem çok daha hızlı hem de uzun metinlerdeki bağlamı kaybetmeden çalışır. GPU’ların paralel işlem gücünden tam olarak yararlanır, bu da eğitim süresini dramatik şekilde kısaltır.

Tokenizasyon

Bir dil modeli doğrudan kelimeleri işlemez. Önce metni “token” adı verilen daha küçük parçalara böler. Bu işleme tokenizasyon denir.

Token, bir kelime olabilir ama her zaman değil. Sık kullanılan kısa kelimeler genelde tek tokendir (“the”, “bir”, “ve”). Daha nadir veya uzun kelimeler ise birden fazla tokena bölünür. Mesela “tokenizasyon” kelimesi muhtemelen “token”, “iz”, “asyon” gibi parçalara ayrılır.

Neden kelime yerine token kullanılıyor? Çünkü dillerde yüz binlerce farklı kelime var ve sürekli yeni kelimeler ekleniyor. Token tabanlı bir sistem, sınırlı sayıda alt parçayla (genelde 30.000-100.000 token) hemen hemen her kelimeyi temsil edebilir. Bu, modelin sözlüğünü yönetilebilir boyutta tutar.

İlginç bir detay: Türkçe gibi eklemeli diller, İngilizce’ye kıyasla daha fazla token tüketir. “Yapamayacaklarımızdan” gibi tek bir kelime, birçok tokena bölünür. Bu durum, Türkçe içerik üretiminde modellerin biraz daha fazla “enerji” harcamasına neden olur.

Attention Mekanizması

Attention (dikkat) mekanizması, Transformer’ın kalbidir ve LLM’lerin bu kadar başarılı olmasının ana sebebidir. Peki ne yapıyor?

Şunu düşün: “Ali bankaya gitti. Orada hesap açtırdı.” cümlesinde “orada” kelimesinin ne anlama geldiğini anlamak için “bankaya” kelimesine bakmamız gerekir. Attention mekanizması tam olarak bunu yapar — her token için, cümledeki diğer tüm tokenlara “ne kadar dikkat etmem gerekiyor?” diye sorar.

“Ali bankaya gitti” cümlesinde “gitti” tokeni, “Ali” tokenine yüksek dikkat puanı verir (çünkü giden kişi Ali) ve “bankaya” tokenine de yüksek dikkat puanı verir (çünkü gidilen yer banka). Ama “bir” veya “da” gibi tokenlara düşük dikkat verir.

Bu mekanizma sayesinde model, kelimeler arasındaki ilişkileri — zamiri, özneyi, nesneyi, bağlamı — etiket olmadan, sadece metni okuyarak öğrenebiliyor. Binlerce sayfa kitap okuyan ve her cümledeki bağlantıları otomatik olarak kavrayan bir okuyucu gibi düşün. Eğer bu konulara merakın varsa ve yapay zeka ile ne yapabileceğini keşfetmek istiyorsan, yapay zeka ile geleceğe hazır mısın? yazımıza göz at.

Yapay Zeka Eğitim Süreci — Adım Adım

Bir yapay zeka modelinin sıfırdan eğitilip kullanıma sunulmasına kadar geçen süreci adım adım inceleyelim. Bu süreci anlamak, yapay zekanın nasıl çalıştığını kavramak için çok faydalı.

Adım 1: Problem Tanımlama

Her şey bir soruyla başlar: “Ne yapmak istiyoruz?” Spam filtresi mi? Hastalık teşhisi mi? Metin üretimi mi? Problem net tanımlanmadan doğru veri toplanamaz, doğru algoritma seçilemez.

Adım 2: Veri Toplama ve Hazırlama

Probleme uygun veriler toplanır. Bu aşama genellikle tüm sürecin %60-80’ini kaplar. Veriler temizlenir (eksik değerler doldurulur, hatalar düzeltilir), düzenlenir ve modelin anlayabileceği formata dönüştürülür. Veri bilimcileri zamanlarının büyük bölümünü burada harcar — parlak model mimarileri değil, kirli veri gerçeği.

Adım 3: Veri Bölme

Toplanan veri genelde üçe bölünür:

• Eğitim seti (%70-80): Model bundan öğrenir
• Doğrulama seti (%10-15): Eğitim sırasında modelin performansı burada test edilir
• Test seti (%10-15): Eğitim bittikten sonra modelin gerçek performansını ölçer

Neden bölüyoruz? Çünkü model, eğitim verisini ezberleyebilir ama yeni veriler karşısında başarısız olabilir. Buna “overfitting” (aşırı öğrenme) denir. Doğrulama ve test setleri, modelin gerçekten öğrenip öğrenmediğini anlamak içindir.

Adım 4: Model Seçimi ve Eğitim

Probleme uygun algoritma seçilir ve eğitim başlar. Eğitim sırasında model, verideki kalıpları keşfeder ve parametrelerini sürekli günceller. Bu süreçte “hiperparametre ayarlama” yapılır — öğrenme hızı, katman sayısı, batch boyutu gibi değerler deneme yanılma ile belirlenir.

Adım 5: Değerlendirme

Eğitilen model, test seti üzerinde değerlendirilir. Doğruluk oranı, kesinlik (precision), duyarlılık (recall), F1 skoru gibi metrikler hesaplanır. Sonuçlar tatmin edici değilse 2., 3. veya 4. adıma geri dönülür.

Adım 6: Dağıtım (Deployment)

Başarılı bulunan model, gerçek dünyada kullanıma sunulur. Bir API üzerinden erişilebilir hâle getirilir, bir uygulamaya entegre edilir veya bir web sitesinde çalıştırılır.

Adım 7: İzleme ve Güncelleme

Model canlıya alındıktan sonra performansı sürekli izlenir. Dünya değişir, veri dağılımı değişir (buna “data drift” denir) ve modelin performansı zamanla düşebilir. Bu yüzden modeller periyodik olarak yeni verilerle güncellenir veya baştan eğitilir.

Yapay zekanın nasıl öğrenilir diye merak ediyorsan, bu adımları bilmek sana ciddi bir avantaj sağlar. Pratik uygulamalar için Yapay Zeka ile İçerik Üretimi kursumuza da göz atabilirsin.

Yapay Zekanın Sınırları ve Yanlış Anlaşılmaları

Yapay zeka hakkında çok fazla abartılı iddia dolaşıyor. Hollywood filmleri ve medya, yapay zekayı ya kurtarıcı ya da yok edici olarak gösteriyor. Gerçek bunların hiçbiri değil. İşte en yaygın yanlış anlaşılmalar ve gerçekler:

“Yapay zeka düşünüyor.” Hayır, düşünmüyor. Yapay zeka sistemleri istatistiksel kalıp eşleştirmesi yapar. ChatGPT sana mantıklı bir cevap verdiğinde, “düşünmüş” değildir — eğitim verilerindeki milyarlarca metin örüntüsünden en olası devamı hesaplamıştır. Bilinç, anlayış veya niyet yoktur.

“Yapay zeka her şeyi yapabilir.” Günümüz yapay zekası “dar yapay zeka” (Narrow AI) kategorisindedir. Her model, belirli bir görevi yapmak üzere eğitilir. Görüntü tanıyan bir model metin üretemez; metin üreten bir model görüntü analiz edemez (çok modlu modeller hariç, onlar bile her görevde eşit derecede başarılı değildir). İnsan gibi her konuda düşünebilen “genel yapay zeka” (AGI) henüz mevcut değil.

“Yapay zeka her zaman doğru söyler.” Kesinlikle hayır. Dil modelleri “halüsinasyon” yapar — yani gerçek olmayan bilgileri oldukça ikna edici bir şekilde uydurabilir. Bir akademik makale referansı istediğinde, gerçekte var olmayan bir makaleyi detaylı şekilde uydurabilir. Bu yüzden yapay zeka çıktılarını her zaman doğrulamak gerekir.

“Yapay zeka insanların işini tamamen alacak.” Daha doğru ifade şudur: yapay zeka, bazı görevleri otomatikleştirirken yeni görevler ve yeni iş kolları da yaratır. Tarihte ATM makineleri banka memurlarının işini alacak diye korkulduydu — oysa bankacılık sektöründe istihdam arttı, çünkü memurlara yeni roller verildi. Yapay zeka da benzer bir dönüşüme yol açıyor.

“Daha büyük model her zaman daha iyidir.” Parametre sayısı arttıkça modelin kapasitesi artar, evet. Ama bu doğrusal bir ilişki değil. Küçük, iyi eğitilmiş bir model, kötü eğitilmiş büyük bir modelden daha iyi performans gösterebilir. Ayrıca büyük modellerin çalıştırma maliyeti de çok yüksektir. Her problem için en büyük modele ihtiyacın yok.

Yapay zekanın gerçek sınırları neler?

• Nedensellik anlayışı yok: Yapay zeka korelasyon bulur ama nedensellik çıkaramaz. “Dondurma satışları arttığında boğulma vakaları da artıyor” korelasyonundan “dondurma boğulmaya neden olur” sonucunu çıkarabilir.
• Sağduyu eksikliği: “Bir bardağı ters çevirirsen içindeki su ne olur?” gibi basit fiziksel sağduyu soruları bile modelleri zorlayabilir.
• Etik ve önyargı sorunları: Eğitim verilerindeki toplumsal önyargıları modeller de öğrenir ve yeniden üretir. Önyargılı veri = önyargılı yapay zeka.
• Enerji tüketimi: Büyük modellerin eğitimi ve çalıştırılması ciddi enerji gerektirir. GPT-3’ün eğitiminde harcanan enerji, 120 Amerikan hanesinin yıllık tüketimine eşdeğer.
• Güncellik sorunu: Modeller eğitim verilerinin kesim tarihine kadar olan bilgileri içerir. Dünkü haberleri bilmezler (internet erişimi olan araçlar hariç).

Bu sınırları bilmek, yapay zekayı daha bilinçli ve verimli kullanmanı sağlar. Yapay zekayı bir araç olarak gör — harika bir araç ama yine de bir araç. Yapay zekayla neler yapabileceğini ve nasıl para kazanabileceğini merak ediyorsan, yapay zeka ile para kazanma rehberimize mutlaka göz at.

Sıkça Sorulan Sorular

Yapay zeka yolculuğuna devam etmek istiyorsan, prompt mühendisliği rehberimizi oku ve yapay zekadan maksimum verim almayı öğren. Ayrıca yapay zekayı iş fikirlerine dönüştürmek istersen yapay zeka iş fikirleri yazımız da seni bekliyor.