Son zamanlarda, eski iş arkadaşlarım ve arkadaşlarımla yüz yüze görüşüyorum. Yapay zeka içeriği üzerinde çalıştığımı bildikleri için hepsi çok ilgili ve sohbetlerimiz doğal olarak çoğunlukla yapay zeka etrafında dönüyor.
Ama konuştukça bir sorun fark ettim.
Doğal olarak Agent, Skill ve MCP gibi terimleri kullanıyor, herkesin bunları duyduğunu varsayıyordum. Ancak karşımdaki kişi duraksayıp soruyordu: "Agent tam olarak ne?" "Skill ne anlama geliyor?"
O anda, "bilgi laneti"ne yakalandığımı fark ettim. Bir kelimeyi çok fazla görüp kullanınca, onu ilk gördüğünüzde de kafanızın karıştığını unutuyorsunuz.
Birkaç ay önce ben de bu İngilizce kısaltmalar karşısında bunalmıştım. O dönemde "Yeni Başlayanlar İçin Günlük Yapay Zeka Temelleri" yayınlıyor, neredeyse 30 gün boyunca günde bir kelime öğreniyor, yaygın kullanılan yapay zeka kelimelerini tek tek tarıyordum.
Son zamanlarda soranların sayısı arttıkça, bunu daha da eksiksiz hale getirmeye karar verdim.
Sık kullanılan 66 yapay zeka terimini derledim ve sade bir dille açıkladım. Her kelime için size şunları anlatacağım: nedir, nerede karşınıza çıkar ve hangi gerçek hayat senaryosu onu hatırlamanızı kolaylaştırır.
Hepsini bir anda ezberlemenize gerek yok. Sadece bir kez gözden geçirin ki bir dahaki sefere LLM, RAG, Agent, MCP, API veya CLI gördüğünüzde, en azından yapay zeka dünyasında kabaca nerede durduklarını bilin.
I. Önce Yapay Zekayı ve Büyük Modelleri Anlamak
Bu grup iki soruyu yanıtlıyor: Yapay zeka nedir ve Büyük Dil Modelleri konuşurken neyi işler? Bu haritayı anladığınızda, sonraki terimler çok daha kolay olacak.
Yapay zeka, makinelerin genellikle insan anlayışı, muhakemesi, tahmini veya yaratıcılığı gerektiren görevleri yapmasını sağlamaktır. Telefonlardaki yüz tanıma, haritalardaki trafik tahmini, platformlardaki video önerileri ve soruları yanıtlayan sohbet robotlarının tümü yapay zekaya aittir. Geniş bir şemsiye terimdir; sohbet araçları sadece bir uygulama türüdür.
Algoritma, bir sorunu çözmek için net bir adımlar dizisidir, tıpkı bir yemek tarifi gibi. Bir tarif önce sebzeleri kesmeyi, sonra tavayı ısıtmayı ve en sonunda baharat eklemeyi söyler; bir algoritma bilgisayarın önce neyi okuduğunu, nasıl karşılaştırdığını ve sonunda neyi çıktı olarak verdiğini söyler. Birçok geleneksel algoritma hiç sohbet edemez; yapay zeka algoritmaları, algoritma ailesinin sadece bir parçasıdır.
NLP, bilgisayarların insan dilini işlemesini sağlayan teknik alandır. Çeviri, özetleme, arama, konuşmadan metne ve sohbet etmenin tümü bununla ilgilidir. Günlük bir soru yazdığınızda ve yapay zeka genel anlamı anlayıp yanıtladığında, doğal dil işleme yeteneklerini kullanıyor demektir.
LLM'ler, büyük miktarda metin ve hesaplama ile eğitilmiş, metin anlama ve üretmede uzmanlaşmış dil modelleridir. Yaygın modeller veya model aileleri arasında OpenAI'nin GPT'si, Anthropic'in Claude'u, Google'ın Gemini'si ile DeepSeek ve Qwen bulunur. Ürün ile modeli ayırt etmek önemlidir: ChatGPT, açıp kullandığınız üründür, GPT ise arka planda çağırabileceği model ailesidir.
SLM'ler, daha küçük boyutlu ve daha düşük hesaplama gereksinimleri olan dil modelleridir. Şu anda küresel olarak birleşik bir parametre sınırı yoktur. Yaygın örnekler arasında Microsoft'un Phi serisi ve Gemma ve Qwen gibi model ailelerinin küçük parametreli sürümleri bulunur. Bilgi aralıkları daha dar olabilir, ancak özetleme, sınıflandırma veya cihaz üzeri asistanlar gibi sabit görevler için daha hızlı, daha ucuz ve telefonlarda veya standart bilgisayarlarda çalıştırılması daha kolay olabilir.
Token'lar, modellerin metin okurken ve yazarken kullandığı küçük parçalardır. Tam olarak bir Çince karaktere, bir İngilizce kelimeye veya bir noktalama işaretine eşit değildirler. Model, hesaplama yapmadan önce bir cümleyi birçok token'a böler. Faturalandırma ve bağlam kapasitesi de genellikle token cinsinden sayılır. Onları, yapay zekanın metin işlemek için kullandığı "yapı taşları" olarak düşünün.
Bağlam, yapay zekanın şu anda başvurabileceği tüm bilgilerdir; sorunuz, önceki diyalog, yüklenen dosyalar, sistem kuralları ve araç sonuçları dahil. Bir doktor muayenesi gibidir, "Kendimi iyi hissetmiyorum" ifadesi, yaş, semptomlar ve test raporları olup olmamasına bağlı olarak farklı yargılara yol açar. Yapay zekaya sağlanan bağlam ne kadar netse, cevabı o kadar sağlam olur.
Bağlam penceresi, bir modelin aynı anda işleyebileceği maksimum bilgi miktarıdır, genellikle token cinsinden ifade edilir. Sınırlı büyüklükte bir masa gibidir: aynı anda masaya serilebilecek belge sayısının bir sınırı vardır. İçerik bunu aştığında, sistemin kırpması, özetlemesi, gruplar halinde işlemesi veya önceki bilgilerin pencereden çıkmasına izin vermesi gerekir.
Bağlam uzunluğu genellikle iki anlama gelir: bir modelin izin verdiği maksimum token sayısı veya belirli bir istekte kullanılan gerçek token sayısı. Birincisi masanın maksimum alanı gibidir; ikincisi ise bu sefer masaya gerçekten serdiğiniz belgeler gibidir. Ürünler "ultra uzun bağlam" reklamı yaptığında, genellikle maksimum kapasiteden bahsediyorlardır.
MLLM'ler, metin dışında görüntü, ses veya video gibi bilgileri de işleyebilir. Ona bir buzdolabının fotoğrafını verirseniz, malzemeleri görebilir ve metin gereksinimlerine göre akşam yemeği önerebilir; bir toplantı kaydı yüklerseniz, dinledikten sonra ana noktaları düzenleyebilir. Buradaki "çok modlu", birden çok bilgi biçimini ifade eder.
VLM, özellikle görme ve dili birbirine bağlar, öncelikle "bir resme bakıp metinle anlama veya yanıtlama" gibi görevleri yerine getirir. Fotoğraflara altyazı yazabilir, grafik içeriğini tanımlayabilir veya ekran görüntülerine dayalı düğmeleri bulabilir. VLM, görme ve dilin koordinasyonunu vurgular ve kapsamı genellikle genel çok modlu model teriminden daha spesifiktir.
MoE, modelin içinde birden çok "uzman" kümesi düzenler ve her seferinde sadece bir kısmının hesaplamalara katılmasına izin verir. Hastane triyajı gibidir: cilt sorunları dermatolojiye, kemik yaralanmaları ortopediye gider, tüm doktorların aynı anda konsültasyon yapması gerekmez. Bu, her çalıştırmada ihtiyaç duyulan hesaplamayı kontrol ederken model yeteneğini genişletir.
Bu grubu okuduktan sonra sadece şunu ayırt etmeniz gerekiyor: LLM esas olarak dili işler, VLM görüntüleri ve dili birleştirir ve MLLM birden çok bilgi türünü işleyebilir. Token'lar metin bloklarıdır ve Bağlam, modelin bu sefer başvurabileceği malzemedir.
II. Yapay Zeka ile Sohbet Ederken En Sık Karşılaşılan Terimler
Bu grup her gün kullanılır. İstemler görev atamaktan sorumludur, bağlam malzeme sağlar ve yapay zeka bu bilgilere dayanarak yanıtlar üretir.
Bir istem, yapay zekaya verdiğiniz tüm girdidir; bir cümle, bir soru, bir belge veya bir görüntü olabilir. "Bu sözleşmeyi beş risk halinde özetle" bir istemdir. İstemlerin büyülü sözler gibi yazılması gerekmez; hedef, malzemeler, kısıtlamalar ve çıktı gereksinimleri net olduğu sürece, yapay zekanın doğru yapma olasılığı daha yüksektir.
İstem mühendisliği, istemleri tasarlama, test etme ve iyileştirme yöntemidir. Bir iş arkadaşına görev vermek gibidir: ilk sonuç yanlışsa, görevin net olup olmadığını, malzemelerin eksiksiz olup olmadığını ve biçimin belirtilip belirtilmediğini kontrol eder, ardından talimatları ayarlarsınız. Değeri, iletişim hatalarını ve yeniden çalışmayı azaltmaktır.
Sistem istemi, bir yapay zeka uygulamasında kimliği, tonu, yetenek aralığını ve güvenlik sınırlarını tanımlamak için arka planda ayarlanan yüksek öncelikli bir kural dizisidir. Bir şirketin çalışan el kitabı gibidir; kullanıcılar genellikle tamamını görmez. Talebiniz sistem kurallarıyla çelişiyorsa, model genellikle sistem istemine öncelik verir.
Kullanıcı istemi, kullanıcı tarafından girilen mevcut gereksinimdir - sohbet kutusuna gönderdiğiniz içeriktir. Sistem istemi mağazanın işletme kuralları gibidir, kullanıcı istemi ise "Bana az şekerli sıcak bir içecek verir misiniz?" gibidir. Her ikisi de sonucu etkiler, bu nedenle aynı cümlenin farklı yapay zeka ürünlerinde farklı yanıtlar vermesinin nedeni budur.
Talimat, bir istem içinde yapay zekadan yapmasını istediğiniz net bir eylemdir; örneğin özetleme, çeviri, karşılaştırma, sınıflandırma veya kontrol etme. Eksiksiz bir istem ayrıca arka plan bilgisi ve kısıtlamalar da içerebilir. Örneğin, "Aşağıdaki e-postayı oku, tarihi çıkar ve orijinal metinde olmayan bilgileri ekleme" iki talimat içerir.
Markdown, basit semboller kullanarak metin düzenleme biçimidir.
- # bir başlığı temsil edebilir,
- - bir listeyi temsil edebilir,
- \\metin\\ kalın metni temsil edebilir.
Birçok yapay zeka çıktısı, Markdown kullandıkları için net katmanlı görünür; makale, belge veya proje açıklamaları yazarken sık sık karşılaşırsınız.
JSON, programlar tarafından yaygın olarak kullanılan yapılandırılmış bir veri biçimidir, genellikle küme parantezleri, alan adları ve karşılık gelen içerikten oluşur. İnsanların okuyabildiği ve programların kolayca işleyebildiği sabit alanlara sahip elektronik bir tablo gibidir. Yapay zekadan "JSON çıktısı vermesini" istemek, genellikle başka bir yazılımın sonuçları otomatik olarak kullanması içindir.
Sohbet geçmişi, mevcut sohbette daha önce görünen mesajları ifade eder. Yapay zekanın beş dakika önceki bir konuyu devam ettirebilmesi, genellikle uygulamanın önceki sohbet kayıtlarını modele yeniden göndermesinden kaynaklanır. Bir sohbet çok uzadıktan sonra, erken içerik kesilebilir veya özetlenebilir, bu nedenle yapay zeka bazen en başta söylediğinizi unutabilir.
Halüsinasyon, yapay zekanın mantıklı görünen ancak aslında yanlış veya var olmayan içerik üretmesidir; örneğin kitap başlıkları, bağlantılar, veriler veya kişisel deneyimler uydurması. "Bilmiyorum" demeyi reddeden ve boşlukları dolduran, dili iyi olan bir kişi gibidir. Tarihler, sayılar, alıntılar ve önemli kararlar için her zaman orijinal kaynakları kontrol edin.
Bu gruptan hatırlanması gereken en önemli şeyler: İstem nasıl sorduğunuzu belirler, Bağlam yapay zekanın neye başvurabileceğini belirler ve Halüsinasyon, yanıtların hala doğrulama gerektirdiğini hatırlatır.
III. Yapay Zekanın Veri Okumasını Sağlamak: RAG ve Arama
"Yapay zekanın şirket dosyalarını okumasını sağlamak" veya "kişisel bir bilgi tabanı oluşturmak" gibi şeyler gördüğünüzde, bu gruptaki kelimelerle karşılaşmanız olasıdır. Tüm yol sadece bir cümledir: önce ilgili malzemeleri bulun, sonra modelin yanıtlamasına izin verin.
RAG, yapay zekanın yanıtlamadan önce belirtilen malzemelerden ilgili içeriği aramasını, ardından bulunan parçaları yanıtı düzenlemesi için modele vermesini sağlar. Açık kitap sınavı gibidir: öğrenci önce ders kitabını karıştırır, sonra ona göre yanıtlar. RAG, uydurmayı azaltabilir, ancak yanlış malzemeleri de arayabilir, bu nedenle alıntıların yine de insan tarafından kontrol edilmesi gerekir.
Bilgi tabanı, merkezi olarak depolanan, düzenlenen ve sistem sorguları için kullanılabilen bir malzeme koleksiyonudur. Bir şirketin ürün kılavuzları, politika belgeleri ve SSS'leri bir araya getirilerek bir müşteri hizmetleri bilgi tabanı oluşturulabilir; bir kişinin notları, makaleleri ve okuma kayıtları da bir bilgi tabanı oluşturabilir. Malzemelerin doğru ve güncel olması, yanıt kalitesini doğrudan etkiler.
Alma (Retrieval), büyük bir malzeme yığınından en alakalı içeriği bulmaktır. Bir kütüphanecinin sorunuzu dinleyip on binlerce kitaptan en uygun üçünü getirmesi, almadır. RAG'de model genellikle önce tüm veritabanını okumaz, yanıtlamak için birkaç parça alır.
Anahtar kelime araması, esas olarak belirli kelimelerin doğrudan görünüp görünmediğine bakar. "İade son tarihi" için arama yaparsanız, "iade" ve "son tarih" içeren içeriği önceliklendirir. Bu yöntem hızlıdır ve ürün numaralarını, adlarını ve sabit terimleri kontrol etmek için iyidir; soru sorma tarzı ve orijinal ifade önemli ölçüde farklıysa yanıtları kaçırabilir.
Anlamsal arama, iki pasajın anlamının yakın olup olmadığına daha çok odaklanır. "Bunu artık istemiyorum, nasıl iade ederim" diye ararsanız, "İade Politikası" başlıklı bir belgeyi de bulabilir. Doğal dil soruları için uygundur, ancak anlama sapabilir, bu nedenle önemli senaryolar genellikle onu anahtar kelime aramasıyla birleştirir.
Hibrit arama, anahtar kelime aramasını ve anlamsal aramayı birlikte kullanır. Kimlik numaraları ve sözleşme numaraları tam eşleme için uygundur; "nasıl geri ödeme başvurusu yapılır" anlamın anlaşılmasını gerektirir. Her ikisinden de sonuçlar birleştirilir ve sıralanır, hem gerçek eşleşmeyi hem de benzer anlamı hesaba katar; birçok RAG sisteminin benimsediği bir yöntemdir.
IV. Agent, Araçlar ve MCP
Bu, son zamanlarda en popüler ve genellikle en kafa karıştırıcı kelime grubudur. Arkadaşlarımla sohbet ederken en çok bahsettiğim Agent, Skill ve MCP'nin tümü bu bölümde.
İlk olarak, en kısa yola bakalım:
1Bir hedef önerirsiniz2→ Agent bir sonraki adıma karar verir3→ Veri okumak veya eylemleri yürütmek için araçları çağırır4→ Sonuçlara göre işlemeye devam eder5→ İnsan kilit adımları kontrol eder
Bir sohbet robotu, öncelikle diyalog yoluyla soruları yanıtlayan bir yazılımdır. Erken sohbet robotları yalnızca sabit anahtar kelimelere dayalı olarak yanıt verebilirken, günümüzde birçok sohbet robotu daha doğal yanıtlar için büyük modellere bağlanır. Odak noktası hala "siz sorar, o yanıtlar" ve genellikle bağımsız olarak uzun bir dizi harici işlemi tamamlamaz.
Bir Yapay Zeka Asistanı veya Copilot, insanların görevleri tamamlamasına yardımcı olan bir yapay zeka ürünüdür; örneğin yazma, toplantı düzenleme, elektronik tablo oluşturma veya programlamaya yardımcı olma. "Copilot" metaforunu hatırlamak kolaydır: gözlemleyebilir, hatırlatabilir ve yardım edebilir, ancak direksiyon hala insanın elindedir ve nihai sonucun insan tarafından kontrol edilmesi gerekir.
Bir iş akışı, önceden düzenlenmiş sabit adımlar dizisidir. Bir fatura alındıktan sonra önce tutarı belirleme, sonra bir tabloya yazma ve son olarak finansı bilgilendirme bir iş akışıdır. Her adım genellikle önceden belirlenir, bu da onu istikrarlı ve kontrol edilmesi kolay hale getirir; bir Agent gibi planlanmamış durumlarla karşılaştığında esnek bir şekilde bir sonraki adıma karar vermez.
Bir Yapay Zeka Ajanı (Agent), bir hedef etrafında bir sonraki adıma karar verebilen, araçları çağırabilen, sonuçları gözlemleyebilen ve eylemeye devam edebilen bir sistemdir. Normal bir sohbet size nasıl bilet alınacağını söyler; bir Agent, yetki verilen sınırlar içinde bir rezervasyon hizmeti açabilir, uçuşları sorgulayabilir ve bilgileri doldurabilir. Eyleme geçebilir, bu nedenle izinler, hatalar ve insan onayı çok önemlidir.
Ajan temelli yapay zeka (Agentic AI), yapay zekanın sürekli planlama, araç kullanma ve çok adımlı görevleri yürütme yeteneğini vurgulayan bir sistem veya tasarım yaklaşımı sınıfını ifade eder. Bu terimin kapsamı geniştir ve farklı şirketler farklı isimler kullanır. "Ajan temelli" etiketli bir ürün gördüğünüzde, üç şeyi sormaya devam edebilirsiniz: hangi araçları kullanabilir, kaç adımı kendi başına atabilir ve nerede bir insanın onaylaması gerekir?
Özerklik (Autonomy), bir sistemin adım adım insan yönlendirmesi olmadan kendi başına karar verme ve eyleme geçme derecesini ifade eder. Bir dosyanın bir kopyasını otomatik olarak düzenlemek düşük özerkliğe ve riske sahiptir; e-postaları otomatik olarak göndermek, ödemeler yapmak veya verileri silmek riski önemli ölçüde artırır. Görev ne kadar önemliyse, izinler o kadar daraltılmalı ve onay noktaları eklenmelidir.
Planlama, bir hedefi sırayla yürütülebilecek adımlara bölmektir. Bir seyahate hazırlanmak gibi: önce tarihleri onaylayın, sonra ulaşımı kontrol edin, konaklama ayırtın ve bir bavul listesi yapın. Ajanlar da karmaşık görevlerle karşılaştıklarında plan yapar; güzel bir plan başarılı yürütmeyi garanti etmez ve tamamlanan her adım, gerçek sonuçların kontrol edilmesini gerektirir.
Bir araç, yapay zekanın çağırabileceği harici bir yetenektir; örneğin web arama, hesap makinesi, veritabanı, takvim ve e-posta. Modelin kendisi daha çok muhakemeden sorumlu beyin gibidir; araçlar ona eller ve gözler verir. Araçlar olmadan model yalnızca mevcut bağlama dayalı olarak yanıt verebilir; araçlara bağlandıktan sonra sorgulama ve eyleme geçme şansına sahiptir.
Araç çağırma (Tool calling), modelin belirtilen biçimlere göre bir araç seçmesi ve gerekli parametreleri doldurması, ardından programın bunu yürütmesi ve sonucu modele döndürmesidir. Bir yöneticinin bir çalışan için bir iş emri doldurmasına benzer. Model "neyi çağıracağına" karar vermekten sorumludur ve belirli kod, sorgulama, hesaplama veya yazma işlemini tamamlamaktan sorumludur.
Bir eklenti (Plugin), işlevsellik eklemek için bir yazılıma yüklenen bir uzantı paketidir. Bir tarayıcı, bir çeviri eklentisi yükledikten sonra web sayfalarını çevirebilir; bir yapay zeka uygulaması, bir eklenti yükledikten sonra dosyalara, takvimlere veya üçüncü taraf hizmetlere bağlanabilir. Eklentiler genellikle belirli ürünlere bağlıdır ve yapabilecekleri, ürün tarafından sağlanan arayüzlere ve izinlere bağlıdır.
Bir beceri (Skill), bir Ajan'a belirli bir tür görevi istikrarlı bir şekilde tamamlamayı öğreten, yeniden kullanılabilir bir talimatlar, betikler ve kaynaklar kümesidir. Bir çalışan için standart bir işletim kılavuzu gibidir: önce hangi malzemelerin okunacağı, hangi adımların izleneceği ve sonuçların nasıl kontrol edileceği açıkça yazılıdır. Bir istem genellikle tek seferlik bir görevi çözerken, bir beceri aynı tür işi tekrar tekrar yürütmek için daha uygundur.
MCP, yapay zeka uygulamalarının harici verilere ve araçlara bağlanmasına izin veren açık bir protokoldür. En iyi metafor yapay zeka dünyasının USB-C'sidir: geçmişte her aracın ayrı ayrı uyarlanması gerekirdi; şimdi aynı bağlantı standardına göre yetenekler sağlayabilirler. "Nasıl bağlanılacağını" çözer, ancak Agent için görev hedeflerine karar vermez.
Bir MCP Host, kullanıcının gerçekte kullandığı yapay zeka uygulamasıdır; örneğin bir masaüstü asistanı, kod düzenleyici veya Ajan platformu. Kullanıcıları, modelleri, güvenlik izinlerini ve birden çok bağlantıyı yönetmekten sorumludur. Host'u bir bilgisayar olarak düşünün: tüm kullanım ortamıdır ve MCP İstemcisinin bulunduğu yerdir.
MCP İstemcisi (MCP Client), Host'un içinde bulunur ve belirli bir MCP Sunucusu ile iletişim kurmaktan ve sürdürmekten sorumludur. Sunucunun hangi araçları ve malzemeleri sağladığını keşfeder ve çağrı istekleri gönderir. Bir bilgisayarın bir yazıcıya bağlanması gibi, bu bağlantıyı yönetmek için dahili olarak özel bir iletişim kanalı gerekir.
Bir MCP Sunucusu (MCP Server), MCP spesifikasyonlarına göre yapay zeka uygulamalarına araçlar, malzemeler veya istem şablonları sağlayan bir programdır. Adında "Sunucu" olması, uzakta olması gerektiği anlamına gelmez; bilgisayarınızda da çalışabilir. Örneğin, yerel bir dosya Sunucusu, yapay zekanın yetkili dizinlerdeki dosyaları okumasına izin verebilir.
Bir MCP Aracı (MCP Tool), Sunucunun yapay zekanın yürütmesini istemesi için sağladığı belirli bir eylemdir; örneğin hava durumunu sorgulama, takvim oluşturma, veritabanı okuma veya mesaj gönderme. Her Araç, hangi parametrelere ihtiyaç duyduğunu belirtir. Sorgulama eylemleri daha düşük riske sahiptir; gönderme, silme veya ödeme yapma gibi eylemlerin net izinleri ve onayı olmalıdır.
Bir MCP Kaynağı (MCP Resource), yapay zekanın okuması için MCP aracılığıyla sağlanan içeriktir; örneğin dosyalar, veritabanı kayıtları, proje yapıları veya uygulama durumları. Bir masaya konulan malzemelere daha çok benzerken, bir Araç daha çok basılabilen bir düğmeye benzer. Bir kaynağın okunup okunamayacağı yine de Host ve Sunucu tarafından belirlenen erişim izinlerine bağlıdır.
Bir MCP İstemi (MCP Prompt), Sunucu tarafından sağlanan, kullanıcıların görevleri sabit bir şekilde başlatmasına yardımcı olan yeniden kullanılabilir bir istem şablonudur. Önceden yüklenmiş bir tablo şablonu gibidir, doldurulacak alanları ve görev yapısını düzenler. Eylemleri otomatik olarak yürütmez; yine de kullanıcı tarafından seçilmesi ve model tarafından işlenmesi gerekir.
Bellek (Memory), sistemin kaydettiği ve daha sonra yeniden kullandığı bilgidir; mevcut sohbet özetlerini, kullanıcı tercihlerini, geçmiş görevleri ve uzun vadeli verileri içerebilir. Bir yapay zeka "sizi hatırladığında", bu genellikle bu bilgilerin depolandığı ve sonraki diyaloglarda modele tekrar sağlandığı anlamına gelir. Bellek deneyimi etkiler ve ayrıca gizlilik ve silme yöntemlerine dikkat edilmesini gerektirir.
İnsan denetimi (Human in the loop), kilit adımların bir kişi tarafından kontrol edilmesi, seçilmesi veya onaylanması gerektiği anlamına gelir. Yapay zeka bir iade listesi düzenleyebilir ve taslaklar doldurabilir, ancak gerçek para transferi finans tarafından onaylanır. Bu, yapay zekanın hızından yararlanırken, eksik bilgi veya yanlış muhakemenin neden olduğu onarılamaz sonuçlardan kaçınır.
Çoklu ajan (Multi-agent), birden çok Ajan'ın işbirliği yapmasına izin vermektir; örneğin biri veri alır, biri makale taslağı hazırlar ve biri alıntıları kontrol eder. Bir proje ekibi gibidir; iş bölümü makul olduğunda, karmaşık görevleri paralel olarak ele alabilir. Bununla birlikte, daha fazla üye aynı zamanda iletişimi, gereksiz işi ve hata yayılımını artırır, bu nedenle daha fazla Ajan her zaman daha iyi değildir.
A2A (Agent-to-Agent), Ajanların görev, durum ve sonuç alışverişinde bulunma yöntemini ifade eder. MCP daha çok Ajanların araçlara ve verilere nasıl bağlandığına odaklanırken, A2A daha çok bir Ajanın bir görevi diğerine nasıl devrettiğine odaklanır. İlkinde "cihazları bağlama", ikincisinde "iş arkadaşları arasında iş devretme" olarak düşünün.
Bilgisayar Kullanımı (Computer Use), yapay zekanın ekranı gözlemleyerek, fareyi hareket ettirerek, tıklayarak ve yazarak yazılımı çalıştırmasına izin vermektir. Özel API'ler olmadan web ve masaüstü uygulamalarını kullanabilen uzaktan bir operatör gibidir. Arayüz değişiklikleri, yanlış yere tıklamasına neden olabilir; ödemeler, silmeler ve giden mesajlar için insan onayı zorunludur.
Korumalı alan (Sandbox), bir programın etkinlik aralığını sınırlayan izole bir ortamdır. Bir çocuğun oynaması için çitle çevrili bir kum havuzu gibidir; bir şeyler deneyebilirler ve bir şey ters giderse, önemli dosyalara veya sisteme dokunmaz. Bir Ajan'ın kod çalıştırmasına, dosya indirmesine veya projeleri değiştirmesine izin verirken, korumalı alan etki aralığını azaltır ancak tüm güvenlik kontrollerinin yerini alamaz.
Bu bölüm için sadece bir cümleyi hatırlayın: Agent karar vermekten ve eylemekten sorumludur, Araç belirli yetenekler sağlar, Beceri ona nasıl yapılacağını öğretir ve MCP, yapay zekayı harici yeteneklerle bağlamaktan sorumludur.
V. Yapay Zeka Eğitimlerinde Karşılaşacağınız Bilgisayar Terimleri
Bu kelimelerin tümü yapay zeka alanı tarafından icat edilmedi, ancak Ajanlar, otomasyon ve yerel modeller hakkında bilgi edinirken sıklıkla ortaya çıkarlar. Bunları anlayabilirseniz, birçok eğitim yabancı bir dil gibi gelmeyecektir.
API, yazılımın bir anlaşmaya göre iletişim kurması için bir giriş noktasıdır. Bir restoranda mutfağa girmek zorunda değilsiniz; sadece bir garson aracılığıyla sipariş verirsiniz. API, yazılım dünyasının garsonu gibidir, talebinizi arka uca götürür ve sonucu geri getirir. Hava durumu uygulamaları, ödeme hizmetleri ve büyük modellerin tümü, diğer programlar tarafından API'ler aracılığıyla çağrılabilir.
API Anahtarı (API Key), bir program bir hizmete erişirken kullanılan gizli bir kimlik bilgisidir; kimin aradığını tanımlamak için kullanılır ve genellikle kullanım limitleri ve faturalandırmaya bağlıdır. Bir banka kartı PIN'i gibidir; onu alan herkes kotanızı tüketebilir. Tam Anahtarları herkese açık kod, ekran görüntüsü, eğitim veya grup sohbetlerine koymayın.
SDK, bir platform için uygulama geliştirirken yaygın olarak kullanılan bir kod, talimat, örnek ve araç koleksiyonudur. API size "nasıl sipariş verileceğini" söylerken, SDK menüyü, mutfak eşyalarını ve demo yemekleri hazırlar ve geliştiricileri çok sayıda temel kod yazmaktan kurtarır. Farklı programlama dillerinin genellikle kendi SDK'ları vardır.
CLI, metin komutları yazarak bir bilgisayarı çalıştırmak için bir arayüzdür. Grafik arayüz "Yeni Klasör"e tıklamanıza izin verirken, CLI aynı şeyi yapmak için bir satır komut yazmanıza izin verir. Siyah bir pencere gibi görünür, ancak aslında sadece başka bir çalıştırma yoludur; yapay zeka açık kaynak araçlarının kurulumu ve çalıştırılması genellikle CLI kullanır.
Bir terminal, komutların görüntülendiği ve girildiği penceredir; Mac'te "Terminal" veya Windows Terminal gibi. Bunu, sizinle bilgisayar arasında bir sohbet penceresi olarak düşünün; CLI komutları da bilgisayara gönderilen mesajlardır. Terminal penceredir, CLI ise metin aracılığıyla çalıştırmanın yöntemidir; ikisi sıklıkla birlikte görülür.
Bir depo (repository), genellikle Repo olarak kısaltılır, proje dosyalarının ve değişiklik geçmişinin merkezi olarak kaydedildiği yerdir. Sürüm kayıtları olan bir proje klasörü gibidir; kod, talimat, görsel ve yapılandırmaların hepsi buraya konulabilir. Birisi "Repo'yu klonla" dediğinde, genellikle bu projeyi ve geçmişini kendi bilgisayarına kopyalamayı kasteder.
Git, dosya sürümlerindeki değişiklikleri kaydetmek için kullanılan bir araçtır. Hangi içeriğin kim tarafından değiştirildiğini söyleyebilir ve farklı aşamalardaki sürümleri tutabilir. Bir makale yazarken her düzeltmeyi kaydetmek gibidir, ancak daha sistemlidir. Git yerel olarak çalışır ve her zaman çevrimiçi olması gerekmez; GitHub ile aynı şey değildir.
GitHub, Git depolarını barındırmak ve çok kişili işbirliğini desteklemek için bir web sitesidir. Geliştiriciler burada kod yayınlar, talimatlar yazar, sorunları bildirir ve projeleri ortaklaşa değiştirir. Git sürüm yönetim aracıdır, GitHub ise çevrimiçi barındırma ve işbirliği sağlayan platformdur; AI açık kaynak araçlarını öğrenirken genellikle bir GitHub bağlantısıyla başlarsınız.
CLI'yi ilk gördüğünüzde gergin olmayın. Bir komutu kopyalamadan önce, bir şey okuyup okumayacağını, değiştirip değiştirmeyeceğini, silip silmeyeceğini veya yükleyip yüklemeyeceğini kontrol edin ve önemli dosyalar söz konusu olduğunda bir kopya üzerinde deneme yapın.
VI. Yerel Modeller ve Donanım için Yaygın Terimler
Bu kelime grubuna yalnızca modelleri kendi bilgisayarınızda çalıştırmaya hazır olduğunuzda yakından bakmanız gerekir. Genellikle çevrimiçi AI ürünleri kullanıyorsanız, genel anlamını bilmek yeterlidir.
Yerel dağıtım, bir modeli veya programı kendi bilgisayarınızda, telefonunuzda veya şirket makinenizde çalıştırmaktır. Veriler daha az harici hizmetten geçer ve çevrimdışı kullanılabilir; ancak kurulum, güncellemeler, performans ve güvenlik sizin tarafınızdan halledilmelidir. Veri kontrolüne değer veren veya sabit bir ortama ihtiyaç duyanlar için uygundur, ancak doğal olarak kesinlikle güvenli olduğu anlamına gelmez.
Bir bulut API'si, modelin bir hizmet sağlayıcının uzak sunucusunda çalışmasıdır; kullanıcılar ağ üzerinden istek gönderir ve sonuçları alır. Bir restorana gidip sipariş vermek gibidir; ocağı ve malzemeleri kendiniz satın almanız gerekmez, başlaması kolaydır; aynı zamanda ağ, fiyat, çağrı limitleri, platform kuralları ve veri politikalarından etkilenir.
Açık kaynak genellikle kaynak kodunun belirli bir lisans altında herkese açık olduğu ve başkalarının lisansın izin verdiği ölçüde görüntülemesine, değiştirmesine ve dağıtmasına izin verildiği anlamına gelir. Herkese açık indirme, ticari olarak serbestçe kullanılabileceği anlamına gelmez; farklı lisansların çok farklı gereksinimleri vardır. "Açık Kaynak AI" gördüğünüzde, kodun, verilerin ve ağırlıkların hangi kısımlarının gerçekten açık olduğunu görmeniz gerekir.
Açık ağırlıklar, model eğitiminden sonraki parametrelerin indirilebileceği anlamına gelir ve kullanıcılara bunları kendi cihazlarında çalıştırma veya daha fazla ayarlama şansı verir. Eğitim verileri, tam eğitim kodu ve ticari haklar mutlaka aynı anda açık değildir. Bu nedenle, açık ağırlıklar ve tam açık kaynak iki farklı şeydir; özel olarak nasıl kullanılabilecekleri model lisansına bağlıdır.
GPU'lar aslen grafikleri işlemede iyidir ve aynı anda büyük miktarlarda benzer hesaplamaları tamamlamak için de çok uygundur, bu nedenle AI modellerini eğitmek ve çalıştırmak için yaygın olarak kullanılırlar. Paralel olarak problem çözebilen büyük bir grup insan gibidir. Yerel modelleri çalıştırmak için bir bilgisayar satın alırken, GPU modeli ve video belleği boyutu genellikle normal ofis senaryolarından daha önemlidir.
VRAM, GPU'nun kendisi tarafından kullanılan yüksek hızlı bellektir; model ağırlıklarının ve ara verilerin çalışma sırasında buraya yerleştirilmesi gerekir. Model büyük bir yapı taşı seti gibidir ve VRAM masa üstü gibidir; masa üstü çok küçükse, bloklar sığmaz ve model yüklenemeyebilir veya daha yavaş, daha az yer kaplayan yöntemler gerektirebilir.
Model adlarındaki 7B veya 70B genellikle yaklaşık 7 milyar veya 70 milyar parametreyi temsil eder. Parametreler, modelin eğitimden sonra öğrendiği çok sayıda dahili sayı olarak anlaşılabilir. Daha büyük sayılar genellikle daha fazla bellek ve hesaplama kaynağı anlamına gelir; doğrudan daha güçlü yetenek anlamına gelmez, çünkü eğitim kalitesi ve belirli görevler de aynı derecede önemlidir.
VII. Yalnızca 10 Kelimeyi Hatırlarsanız
66 kelimeyi ezberlemenize gerek yok. İlk kez okuduktan sonra, önce şu 10'u hatırlayın:
- AI: Anlama, yargılama, tahmin etme veya yaratma gerektiren görevleri makinelerin yapmasını sağlamak.
- LLM: Dili anlama ve üretmeden sorumlu büyük modeller.
- Token: Modellerin metin okurken ve yazarken kullandığı küçük parçalar.
- Context: Modelin bu sefer başvurabileceği bilgi.
- Prompt: AI'ya verdiğiniz gereksinimler ve materyaller.
- Hallucination: AI'nın yanlış içeriği çok gerçekçi bir şekilde sunması.
- RAG: Önce belirtilen materyallerden getirip, ardından cevabı düzenlemek.
- Agent: Bir hedef etrafında sürekli karar verebilen ve hareket edebilen bir sistem.
- MCP: AI'yı harici veri ve araçlarla bağlayan açık bir protokol.
- CLI: Bir bilgisayarı metin komutlarıyla çalıştırmak için bir arayüz.
Birkaç ay önce, ben de günde bir kelimeyi anlayarak başladım. Bugün 66 kelimenin tamamını hatırlamanıza gerek yok; bir dahaki sefere Agent, Skill veya MCP gördüğünüzde zihninizde genel bir resim belirdiği sürece, bu sözlük amacına ulaşmıştır.
Gelecekte, alışılmadık bir kısaltmayla karşılaştığınızda, önce hangi kategoriye ait olduğunu sorabilirsiniz: Model, Diyalog, Veri, Ajan, Arayüz veya Donanım? Kelimeyi bu altı çekmeceye geri koyabilirseniz, çoğu AI makalesini okumak çok daha kolay olacaktır.
Yazar Hakkında
