Herkes yapay zeka kullanıyor.
Neredeyse hiç kimse gerçekte nasıl çalıştığını anlamıyor.
İnsanlar transformatörler, gömmeler, RAG, ajanlar, RLHF gibi kelimeleri ortalığa saçıyor…
…sanki herkes zaten biliyormuş gibi.
Çoğu bilmiyor.
Ve dürüst olmak gerekirse?
Zihinsel modelleri bir kez gördüğünüzde yapay zeka o kadar da karmaşık değil.
ChatGPT. Claude. Midjourney. Cursor. Kodlama ajanları.
Aşağıdaki 20 fikri anladığınızda hepsi mantıklı geliyor.
Doktora gerek yok. Jargon yok. Sadece basit açıklamalar ve görseller.
Bunu kaydedin. Tekrar kullanacaksınız.
BÖLÜM 1: YAPAY ZEKA GERÇEKTE NASIL ÇALIŞIR (Her şeyin üzerine inşa edildiği temel)
1. Sinir Ağları
Her yapay zeka modelinin beyni.
Bir sinir ağı, katmanlardan oluşan bir boru hattıdır.
→ Veri giriş katmanına girer → Gizli katmanlardan geçer → Bir tahmin olarak çıkar
Her bağlantının bir "ağırlığı" vardır — bir nöronun bir sonraki nöron üzerinde ne kadar etkiye sahip olduğunu kontrol eden küçük bir puan.
Eğitim = çıktı doğru olana kadar bu ağırlıkların milyarlarcasını ayarlamak.
Basit fikir. Ölçekte çılgınca.
GPT-4 yaklaşık 1,8 trilyon parametreye sahiptir. Claude 3 Opus'un yüz milyarlarca parametresi vardır.
Hepsi aynı temel konseptten geliyor: ayarlanabilir bağlantılara sahip katmanlı nöronlar.
2. Tokenizasyon
Yapay zeka metninizi okumadan önce, onu token adı verilen parçalara ayırır.
Her zaman tam kelimeler değil.
"playing" → "play" + "ing" "ChatGPT" → "Chat" + "G" + "PT" "dog" → "dog" (olduğu gibi kalır)
Neden sadece tam kelimeler kullanılmıyor?
Dil karmaşıktır. Yeni kelimeler. Yazım hataları. Karışık diller. Sabit bir kelime dağarcığı imkansız derecede büyük olurdu.
Tokenler yeniden kullanılabilir yapı taşlarıdır.
Model bir kelimeyi daha önce hiç görmemiş olsa bile, onu tanıdık parçalara ayırarak anlayabilir.
Kaba kural: 1 token ≈ 0,75 kelime.
1000 token ≈ 750 kelime.
3. Gömmeler (Embeddings)
Metin tokenize edildikten sonra, her bir token bir sayıya dönüşür.
Bu sayı bir gömmedir (embedding) — anlamı temsil eden bir vektör.
Bunu kelimeler için Google Haritalar olarak düşünün.
→ "Doktor" ve "Hemşire" birbirine yakın durur → "Doktor" ve "Pizza" birbirinden uzak durur → "Kral" eksi "Adam" artı "Kadın" ≈ "Kraliçe"
Model kelimeleri sizin gibi anlamaz.
Mesafeyi ve yönü anlar.
Şunlara güç veren şey budur: → Anlamsal arama → Öneriler → RAG sistemleri
"Niyeti anlayan" her şey, perde arkasında gömmeleri kullanır.
4. Dikkat (Attention)
"Elma" kelimesi farklı anlamlara gelir:
→ "Bir elma yedim" → meyve → "Elma hissesi aldım" → şirket
Tek başına gömmeler bunu çözemez.
Dikkat mekanizması çözebilir.
Dikkat, her kelimenin bir cümledeki diğer her kelimeye bakmasına ve neyin önemli olduğuna karar vermesine izin verir.
"Apple'da hisse satın aldı" cümlesinde: → "Apple", "hisse" ve "satın aldı" kelimelerine yüksek dikkat verir → Model şu sonuca varır: şirket, meyve değil
Dikkatten önce modeller soldan sağa okurdu. Yavaş. Sınırlı.
Dikkatten sonra modeller tüm cümleyi aynı anda görür.
Bu tek fikir modern yapay zekanın kilidini açtı.
5. Transformatörler (Transformers)
Bugün neredeyse her yapay zeka modeline güç veren mimari.
2017'de "İhtiyacınız Olan Tek Şey Dikkattir" başlıklı bir makalede tanıtıldı.
Çığır açan nokta: metni her seferinde bir kelime okumak yerine, dikkat mekanizmasını kullanarak her şeyi paralel olarak işlemek.
Nasıl çalışır: → Metin → Tokenler → Gömmeler → İstiflenmiş dikkat katmanları → Çıktı
Her katman anlayışı geliştirir: → Erken katmanlar: dilbilgisi, temel yapı → Orta katmanlar: kelime ilişkileri → Derin katmanlar: karmaşık akıl yürütme
Sonuç: büyük ölçüde hızlandırılmış eğitim ve çok daha iyi çıktılar.
GPT. Claude. Gemini. Llama. Mistral.
Hepsi transformatör.
Bu tek mimariyi anlarsanız, modern yapay zekayı anlarsınız.
BÖLÜM 2: BÜYÜK DİL MODELLERİ (BDM'LER) NASIL ÇALIŞIR (AI ile sohbet ederken gerçekte ne oluyor)
6. BDM'ler (Büyük Dil Modelleri - LLMs)
Bir BDM, devasa miktarda metin üzerinde eğitilmiş bir transformatördür.
Kitaplar. Web siteleri. Kod. Wikipedia. Reddit.
Trilyonlarca token.
Eğitim görevi, güçlü olmak için fazla basit geliyor:
→ Sonraki tokeni tahmin et.
İşte bu kadar.
Ancak bunu trilyonlarca örnek boyunca tekrarladığınızda, dikkate değer bir şey olur.
Model dilbilgisini öğrenir. Sonra akıl yürütmeyi. Sonra nasıl kod yazılacağını, dillerin nasıl çevrileceğini, matematik problemlerinin nasıl çözüleceğini.
Kimse ona bunlardan herhangi birini yapmasını söylemedi.
Ölçekte sonraki-token tahmininden ortaya çıktı.
"Büyük" = yüz milyarlarca parametre. Eğitim maliyeti = milyonlarca dolar.
ChatGPT, Claude, Gemini → hepsi BDM.
7. Bağlam Penceresi (Context Window)
Her yapay zeka modelinin bir hafıza sınırı vardır.
Buna bağlam penceresi denir.
Modelin aynı anda "görebileceği" maksimum token sayısıdır — mesajınız + yanıtı + konuşma geçmişi.
Erken GPT: ~4.000 token. GPT-4: 128.000 token. Claude 3.5: 200.000 token. Gemini 1.5 Pro: 1.000.000 token.
Daha büyük pencere = daha fazla bağlam = daha iyi cevaplar.
Ama bir püf noktası var.
Modeller her şeyi eşit şekilde okumaz.
Bağlamın başlangıcına ve sonuna odaklanırlar.
Ortası? Genellikle göz ardı edilir.
Buna "Ortada Kaybolmak" problemi denir.
Büyük bağlam penceresi ≠ mükemmel hafıza.
Bunu anlamak, AI'nın bazen açıkça belirttiğiniz bir şeyi neden "unuttuğunu" açıklar.
8. Sıcaklık (Temperature)
AI metin üretirken, her seferinde yalnızca en olası sonraki kelimeyi seçmez.
Sıcaklık adı verilen bir kadranı vardır.
→ Sıcaklık = 0: her zaman en güvenli, en tahmin edilebilir kelimeyi seçer → Sıcaklık = 1: daha yaratıcı seçer, daha fazla çeşitlilik → Sıcaklık = 2+: çılgınlaşır, bazen tutarsız olur
Düşük sıcaklık → şunlar için kullan: kod, gerçekler, özetler Yüksek sıcaklık → şunlar için kullan: beyin fırtınası, yaratıcı yazma, varyasyonlar
Çoğu araç bunu sizin için otomatik olarak ayarlar.
Ancak bunu anlamak, AI'nın neden bazen "sıkıcı" göründüğünü ve bazen de sizi şaşırttığını açıklar.
9. Halüsinasyon (Hallucination)
AI güvenle yalan söyler.
Kasten değil. Kelimenin tam anlamıyla kendini alamaz.
İşte nedeni.
Bir BDM gerçeği aramaz.
En olası sonraki tokenin ne olduğunu tahmin eder.
Yanlış bir ifade, eğitim modellerine dayanarak "sırada gelmesi gereken" bir şeye benziyorsa, onu üretir.
Doğrulama yok. Arama yok. Saf desen eşleştirme.
Yani şunları yapacaktır: → Var olmayan bir araştırma makalesine atıfta bulunmak → Hiç oluşturulmamış bir API işlevi icat etmek → Tam bir güvenle sahte bir tarihsel "gerçeği" belirtmek
Buna halüsinasyon denir.
Çözüm: AI çıktısına gerçekler konusunda doğrulamadan asla güvenmeyin.
Gerçek verilere dayandırmak için RAG'ı (kavram 16) kullanın.
10. İstem Mühendisliği (Prompt Engineering)
Sorma şekliniz her şeyi değiştirir.
Aynı model. Aynı soru. Bunu nasıl çerçevelediğinize bağlı olarak tamamen farklı sonuçlar.
Kötü istem: → "API'leri açıkla" → Şunları alır: belirsiz, yüzeysel cevap
İyi istem: → "REST API'lerinin kimlik doğrulamayı nasıl ele aldığını açıkla. Kodla gerçek bir örnek ver. Beni kıdemli bir geliştirici olarak kabul et." → Şunları alır: spesifik, yapılandırılmış, hemen kullanışlı
İstem mühendisliği sadece net iletişimdir.
Gerçekten işe yarayan taktikler: → Bağlam ver ("X için bir SaaS kuruyorum") → Bir rol ata ("Kıdemli bir arka uç mühendisi olarak hareket et") → Örnekler göster ("İşte sevdiğim bir format: ___") → Çıktı konusunda spesifik ol ("Bana numaralı liste olarak 5 seçenek ver") → Karmaşık istekleri adımlara böl
İstem mühendisliği bir hack değil.
Modelle iletişim kurmanızın ana yoludur.
BÖLÜM 3: AI MODELLERİ NASIL GELİŞİR (Ham modeller nasıl kullanışlı ürünlere dönüşür)
11. Transfer Öğrenme (Transfer Learning)
Sıfırdan eğitim pahalıdır.
İnanılmaz miktarda veri. Büyük hesaplama gücü. Haftalarca eğitim.
Transfer öğrenme bunu çözer.
Zaten büyük bir genel görev üzerinde eğitilmiş bir modeli alır ve onu belirli bir şey için uyarlarsınız.
Sıfırdan başlamıyorsunuz. Üzerine inşa ediyorsunuz.
Bunu şöyle düşünün:
→ Zaten bisiklete binmeyi biliyorsunuz → Motosiklet öğrenmek bu nedenle çok daha hızlıdır → Zaten bildiğiniz şeyi aktarırsınız
Neredeyse tüm AI ürünleri bugün böyle çalışır:
→ OpenAI devasa temel modeli eğitir → Şirketler bunu kendi özel kullanım durumları için ince ayar yapar → Milyonlarca tasarruf sağlar ve aylarca eğitim süresinden kurtarır
Hiçbir şirket artık sıfırdan eğitim yapmıyor.
12. İnce Ayar (Fine-Tuning)
Transfer öğrenme size konsepti söyler.
İnce ayar, bunu nasıl yapacağınızdır.
Önceden eğitilmiş bir model alır ve onu daha küçük, odaklanmış bir veri kümesi üzerinde eğitmeye devam edersiniz.
Model zaten "dili" konuşuyor.
Şimdi ona kendi spesifik alanınızı öğretiyorsunuz.
Örnekler: → Klinik notlar üzerinde ince ayar yapılmış tıp modeli → Sözleşmeler üzerinde ince ayar yapılmış hukuk modeli → GitHub üzerinde ince ayar yapılmış kodlama modeli
Sonuç: kullanım durumunuz için mükemmel yanıt veren bir model.
Maliyet: milyarlarca parametreyi güncellemeniz gerekiyor.
Bu ciddi hesaplama gücü gerektirir — birden çok GPU, ciddi altyapı.
(Bu nedenle bir sonraki konsept olan LoRA çok önemlidir.)
13. RLHF (İnsan Geri Bildiriminden Pekiştirmeli Öğrenme)
İnce ayar modelleri uzmanlaştırır.
RLHF, onları yardımsever ve güvenli hissettiren şeydir.
O olmadan: model sadece metin tahmin eder. Akıcı ama uyumlu değil.
Onunla: model insanların gerçekte neyi tercih ettiğini öğrenir.
İşte nasıl çalışır:
→ Modele bir istem göster → Model birden çok yanıt oluşturur → İnsanlar yanıtları sıralar → Model, insanların tercih ettiğini tercih etmeyi öğrenir
Binlerce kez tekrarlayın.
Model bir "iyi cevap" duygusu geliştirir: → Açık → Yardımsever → Dürüst → Güvenli
Bu nedenle ChatGPT ve Claude asistan gibi hissettirir — rastgele metin üreteçleri değil.
RLHF olmadan, yine de etkileyici olurlardı. Ancak çok daha az kullanışlı, daha az güvenilir ve kontrol edilmesi çok daha zor olurdu.
14. LoRA (Düşük Mertebeli Uyarlama)
İnce ayar güçlüdür ancak pahalıdır.
Milyarlarca parametreyi güncellemek birden çok GPU ve ciddi altyapı gerektirir.
LoRA bunu çözer.
Tüm modeli değiştirmek yerine, LoRA:
→ Orijinal modeli dondurur → Üstüne küçük eğitilebilir katmanlar ekler → Bu katmanlar tam model boyutunun çok küçük bir kısmıdır
İçgörü: çoğu ince ayar değişikliği küçüktür.
Tüm modeli yeniden yazmanıza gerek yok.
Sadece küçük, hedefli ayarlamalara ihtiyacınız var.
Sonuçlar: → Tek bir tüketici GPU'sunda ince ayar: mümkün → Bir temel modeli depola + farklı LoRA adaptörlerini değiştir: pratik → Büyük depolama olmadan birden çok özelleştirilmiş model: yapıldı
LoRA, açık kaynak yapay zekanın patlamasının nedenidir.
Birdenbire herkes bir dizüstü bilgisayarda güçlü modellere ince ayar yapabilir hale geldi.
15. Niceleme (Quantization)
Modeller büyüyor.
Bunları çalıştırmak ciddi miktarda bellek ve hesaplama gücü gerektiriyor.
Niceleme, onları daha küçük ve çalıştırması daha ucuz hale getirir.
Nasıl: her bir ağırlığın hassasiyetini azaltın.
Tam hassasiyette saklanan bir ağırlık 32 bit kullanır.
4 bit'e nicelenmiş → 8 kat daha küçük.
Çılgın olan şey: kalite düşüşü genellikle şaşırtıcı derecede küçüktür.
Bu nedenle artık şunları yapabilirsiniz: → LLaMA'yı bir MacBook'ta çalıştırmak → Mistral'ı bir tüketici GPU'sunda yerel olarak çalıştırmak → Bir telefonda güçlü modeller kullanmak
Niceleme olmadan, büyük modeller veri merkezlerinde kilitli kalırdı.
Niceleme ile kendi makinenizde çalışırlar.
BÖLÜM 4: GERÇEK AI SİSTEMLERİ NASIL İNŞA EDİLİR (Gerçekte kullandığınız ürünlerin arkasında ne var)
16. RAG (Alma-Arttırılmış Üretim)
BDM'ler hafızadan cevap verdikleri için halüsinasyon görürler.
RAG, önce bir şeylere bakmalarına izin vererek bunu düzeltir.
Nasıl çalışır:
- Kullanıcı bir soru sorar
- Sistem, ilgili belgeler için bir bilgi tabanını arar
- Bu belgeler bağlam olarak modele iletilir
- Model gerçek bilgileri kullanarak cevap verir — tahminler değil
Bunu şöyle düşünün:
→ Kapalı kitap sınavı (RAG yok): hafızadan cevaplar, genellikle yanlış → Açık kitap sınavı (RAG var): kaynağı kontrol eder, çok daha doğru
Neden güçlü: → Verileriniz değiştiğinde yeniden eğitim gerekmez — sadece belgeleri güncelleyin → Model her zaman güncel, doğru bilgilerle çalışır → Halüsinasyonu önemli ölçüde azaltır
Her ciddi AI ürünü RAG kullanır.
Müşteri destek botları. Hukuk araçları. Tıbbi asistanlar. Dahili bilgi tabanları.
17. Vektör Veritabanları
RAG'ın doğru belgeleri hızlı bir şekilde bulması gerekir.
Ancak milyonlarca belgeyi anlam bazında nasıl ararsınız — sadece anahtar kelimelerle değil?
Vektör veritabanları.
İşte nasıl çalışırlar:
- Her belge bir gömmeye (bir sayı vektörü) dönüştürülür
- Bu vektörler veritabanında saklanır
- Bir kullanıcı soru sorduğunda, soru da bir vektöre dönüşür
- Veritabanı, soru vektörüne en yakın vektörleri bulur
- Anlamsal olarak en benzer belgeleri döndürür
Bu neden anahtar kelime aramasından daha iyidir:
→ "kalp hastalığı tedavisi", "kalp bakım protokolleri" hakkındaki belgeleri bulur → Tam kelimeler eşleşmese bile anlam eşleşir
Araçlar: Pinecone, Qdrant, Weaviate, pgvector
Vektör veritabanları, AI sistemlerinin dizeleri eşleştirmek yerine "anlamasını" sağlayan şeydir.
18. AI Ajanları
Bir BDM mesajlara yanıt verir.
Bir AI ajanı gerçekten bir şeyler yapar.
Fark:
→ BDM: sorarsın, cevaplar, biter → Ajan: bir hedef verirsin, planlar, harekete geçer, sonuçları kontrol eder, ayarlar, tekrarlar
Ajan döngüsü:
Düşün → Harekete Geç → Gözlemle → Tekrarla
Örnek: bir hatayı düzelten kodlama ajanı → Sorunu okur → Kod tabanını keşfeder → Sorunu tanımlar → Bir düzeltme yazar → Testleri çalıştırır → Nevin başarısız olduğunu görür → Düzeltmeyi ayarlar → Bitene kadar tekrarlar
Model beyindir. Araçlar ellerdir.
Ajanlar hangi araçları kullanabilir? → Web araması → Kod yürütme → Dosya sistemi → API'ler → E-posta / takvim → Veritabanları
Ajanlar, AI'yı bir sohbet botundan bir iş arkadaşına dönüştüren şeydir.
19. Düşünce Zinciri (Chain of Thought - CoT)
Bazen AI, aptal olduğu için değil, cevaba çok hızlı atladığı için yanlış cevap alır.
Düşünce zinciri bunu düzeltir.
Doğrudan nihai cevabı sormak yerine:
→ "Çöz: Bir tren 2,5 saatte 60 mil/saat hızla giderse, ne kadar yol alır?"
Ona adım adım düşünmesini söylersiniz:
→ "Adım adım çöz: Hız = 60 mil/saat. Süre = 2,5 saat. Mesafe = Hız × Süre = ?"
Model akıl yürütme boyunca yürür: → Adım 1: Formülü tanımla → Adım 2: Sayıları yerine koy → Adım 3: Hesapla
Matematik, mantık, çok adımlı problemler için çok daha güvenilir.
İçgörü: modele sadece tepki vermek için değil, düşünmek için de alan verin.
Bu nedenle "adım adım düşün" veya "bunu dikkatlice akıl yürüt" gibi istemler gerçekten işe yarar.
20. Difüzyon Modelleri
Şimdiye kadarki her şey metinle ilgiliydi.
Difüzyon modelleri, AI'nın görüntüleri nasıl oluşturduğunu açıklar.
Süreç sezgisel değildir.
Model çizmeyi öğrenmez.
Görüntüleri yok etmeyi öğrenir.
Eğitim: → Gerçek bir görüntüyle başla → Saf statik olana kadar adım adım gürültü ekle → Modeli bunu tersine çevirmek için eğit — adım adım gürültüyü kaldır
Üretim: → Saf gürültüyle başla → Model adım adım gürültüyü kaldırır → Metin isteminiz tarafından yönlendirilir → Rastgelelikten görüntü ortaya çıkar
İsim fizikten gelir — parçacıkların bir ortamda rastgele yayılması, mürekkebin suda yayılması gibi.
Burada model bu difüzyonu tersine çevirmeyi öğrenir.
Artık sadece görüntüler değil: → Video (Sora, Runway) → Ses → 3D içerik → İlaç molekülleri
Difüzyon modelleri, AI'nın görsel olan her şeyi nasıl oluşturduğudur.
İşte 20'si de.
Özet geçeyim:
AI Nasıl Çalışır:
→ 1. Sinir Ağları — katmanlı desen öğrenimi
→ 2. Tokenizasyon — metni parçalara ayırma
→ 3. Gömmeler — anlam olarak sayılar
→ 4. Dikkat — bağlam anlamı değiştirir
→ 5. Transformatörler — her şeyin arkasındaki mimari
BDM'ler Nasıl Çalışır:
→ 6. BDM'ler — büyük ölçekte sonraki token tahmini
→ 7. Bağlam Penceresi — hafıza sınırları ve orta problemi
→ 8. Sıcaklık — yaratıcılık kadranı
→ 9. Halüsinasyon — kendinden emin ve yanlış
→ 10. İstem Mühendisliği — nasıl iletişim kurduğunuz
Modeller Nasıl Gelişir:
→ 11. Transfer Öğrenme — var olanın üzerine inşa et
→ 12. İnce Ayar — bir modeli uzmanlaştır
→ 13. RLHF — ona yardımsever olmayı öğret
→ 14. LoRA — maliyetsiz ince ayar
→ 15. Niceleme — büyük modelleri küçük makinelerde çalıştır
Gerçek Sistemler Nasıl İnşa Edilir:
→ 16. RAG — önce ara, sonra cevapla
→ 17. Vektör Veritabanları — anlamla ara
→ 18. AI Ajanları — cevaplamaktan yapmaya
→ 19. Düşünce Zinciri — düşünmesi için alan ver
→ 20. Difüzyon Modelleri — gürültüden görüntüye
Artık AI'nın gerçekte nasıl çalıştığını anlıyorsunuz.
Her gün AI kullanan çoğu kişi anlamıyor.
Bu boşluk sizin avantajınız.
Bu faydalıysa:
→ Ağınızla paylaşmak için tekrar paylaşın → Bunun gibi daha fazla içerik için @sairahul1'i takip edin → Referans için bunu yer imlerine ekleyin
AI, ürün oluşturma ve siz uyurken çalışan sistemler hakkında yazıyorum.
