bugünün notları ✎

Teknoloji Notlarım

bölüm

Yapay Zekâ Terimleri

1126 terim

Bletchley Park ZirvesiAI Safety Summit, Bletchley Park (2023)1–2 Kasım 2023'te İngiltere'deki Bletchley Park'ta düzenlenen ilk küresel Yapay Zekâ Güvenliği Zirvesi; ABD, Çin ve Türkiye dahil 28 ülke ile Avrupa Birliği, sınır yapay zekâ modellerinin risklerine dair Bletchley Bildirgesi'ni onayladı. Seri Seul (Mayıs 2024), Paris (Şubat 2025) ve Yeni Delhi'de (Şubat 2026) sürdü; sonraki zirve Haziran 2027'de Cenevre'de planlandı.ChatGPT'nin ÇıkışıChatGPT Launch (2022)OpenAI'nin 30 Kasım 2022'de ChatGPT'yi ücretsiz bir araştırma önizlemesi olarak yayımlaması; UBS analistlerinin Similarweb verilerine dayanan tahminine göre Ocak 2023'te aylık 100 milyon aktif kullanıcıya ulaşarak üretken yapay zekâyı kitlelere taşıdı ve sektörde büyük bir yarışı başlattı.LaMDA Bilinç İddiasıLaMDA Sentience Claim (2022)Google mühendisi Blake Lemoine'in Haziran 2022'de şirketin sohbet modeli LaMDA'nın bilinç sahibi olduğunu kamuoyuna açıklaması; Google iddiaları asılsız buldu ve Lemoine'i Temmuz 2022'de istihdam ve veri güvenliği politikalarını ihlal ettiği gerekçesiyle işten çıkardı. Pek çok bilim insanı iddiayı reddetti; olay ELIZA etkisinin modern bir örneği olarak yorumlandı.AlphaGo - Lee Sedol MaçıLee Sedol Maçı – AlphaGo vs. Lee Sedol (2016)DeepMind'ın AlphaGo programının Mart 2016'da Seul'de dünyanın en iyi Go oyuncularından Lee Sedol'u beş oyunluk maçta 4-1 yendiği olay; ikinci oyundaki beklenmedik '37. hamle' makinenin yaratıcı sayılabilecek kararının simgesi oldu.Attention Is All You NeedAttention Is All You Need (2017)Ashish Vaswani ve yedi arkadaşının Google Brain ve Google Research'te yürüttüğü çalışmayla 2017'de yayımlanan ve Transformer mimarisini tanıtan makale; bugünkü büyük dil modellerinin büyük çoğunluğu bu mimariye dayanır.Deep Blue - Kasparov MaçıKasparov Maçı – Deep Blue vs. Kasparov (1997)IBM'in satranç bilgisayarı Deep Blue'nun Mayıs 1997'de New York'ta dünya şampiyonu Garri Kasparov'u altı oyunluk maçta 3,5-2,5 yendiği olay; bir bilgisayar ilk kez standart turnuva zaman kontrollerinde oynanan bir maçta görevdeki dünya şampiyonunu yendi. Gücü makine öğrenmesinden değil, saniyede 200 milyon pozisyonu değerlendiren kaba kuvvet aramadan geliyordu.IBM Watson ve Jeopardy!IBM Watson on Jeopardy! (2011)IBM'in soru-cevap sistemi Watson'ın Şubat 2011'de ABD'nin bilgi yarışması Jeopardy!'de efsane şampiyonlar Ken Jennings ve Brad Rutter'ı yendiği olay; doğal dil anlama alanında dönüm noktası sayıldı.AlexNet / ImageNet AnıAlexNet / ImageNet Moment (2012)Toronto Üniversitesi'nden Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton'ın iki GPU üzerinde eğittiği derin evrişimli ağ AlexNet'in 2012 ImageNet (ILSVRC) yarışmasını yüzde 15,3 ilk-5 hata oranıyla (doğru cevabın modelin ilk beş tahmini arasında olmadığı görsellerin oranı) kazanması; ikinci gelen girdinin hata oranı yüzde 26,2 idi. Derin öğrenme çağının başlangıcı kabul edilir.PerceptronPerceptron (1958)Frank Rosenblatt'ın 1957–1958'de Cornell Havacılık Laboratuvarı'nda geliştirdiği, verilerden öğrenebilen ilk yapay sinir ağı modellerinden biri. Minsky ve Papert'in 1969'daki 'Perceptrons' kitabı tek katmanlı perceptronların sınırlarını gösterince sinir ağı araştırmalarına ilgi ve destek uzun süre azaldı.Yapay Zekâ KışıAI WinterBeklentilerin karşılanamaması sonucu yapay zekâ araştırmalarına fon ve ilginin keskin biçimde azaldığı dönemler; başlıcaları yaklaşık 1974–1980 ile 1980'lerin sonundan 1990'lara uzanan dönemdir, kesin tarihler kaynağa göre değişir. Abartılı beklentilere karşı sık hatırlatılan bir uyarıdır.Dartmouth ÇalıştayıDartmouth Workshop (1956)1956 yazında ABD'deki Dartmouth Koleji'nde düzenlenen ve yapay zekânın bir araştırma alanı olarak doğduğu kabul edilen çalıştay. John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon'ın imzaladığı Ağustos 1955 tarihli proje önerisi 'artificial intelligence' (yapay zekâ) terimini ilk kez kullandı; adı seçen McCarthy'dir.AntropomorfizmAnthropomorphismMakinelere, yapay zekâ sistemlerine veya nesnelere insana özgü duygu, niyet ve bilinç atfedilmesi; sohbet botlarına yersiz güven, aşırı bağımlılık veya duygusal bağlanma gibi risklere yol açabilir.Akıllı Hans EtkisiClever Hans EffectBir modelin görevi gerçekten çözmeden verideki istemsiz bir ipucunu (filigran, arka plan, kaynak etiketi gibi) yakalayarak doğru cevap vermesi; adını 1900'lerin başında Berlin'de 'hesap yapan' at Hans'tan alır. Oskar Pfungst 1907'de atın, soru soran kişilerin (sahibi Wilhelm von Osten dahil) farkında olmadan verdiği duruş ve yüz ifadesi ipuçlarını okuduğunu gösterdi.Teknolojik TekillikTechnological SingularityYapay zekânın kendini hızla geliştirerek insan zekâsını aştığı ve sonrasındaki gelişmelerin öngörülemez hâle geldiği varsayımsal an; I. J. Good'un 1965'teki 'zekâ patlaması' fikrine dayanır, Vernor Vinge'in 1993 makalesi ve Ray Kurzweil'in 2045 öngörüsüyle yaygınlaştı.ELIZA EtkisiELIZA Effectİnsanların basit bir sohbet programına bile anlayış, duygu ve niyet atfetme eğilimi; adını Joseph Weizenbaum'un MIT'de geliştirip 1966'da yayımladığı, terapist taklidi yapan ELIZA programından alır. Programın nasıl çalıştığını bilen sekreterinin onunla baş başa konuşmak için Weizenbaum'dan odadan çıkmasını istemesi ünlü örnektir; kavram büyük dil modelleriyle yeniden gündeme gelmiştir.Tekinsiz VadiUncanny ValleyJapon robotik bilimci Masahiro Mori'nin 1970'te tanımladığı olgu: robot veya dijital karakter insana benzedikçe sempati artar, ancak çok benzeyip tam benzemediği noktada ani bir rahatsızlık ve tedirginlik duyulur; insansı robot ve dijital insan tasarımında dikkate alınır.Moravec ParadoksuMoravec's ParadoxRobotik araştırmacısı Hans Moravec'in 1980'lerde dile getirdiği gözlem: satranç ve matematik gibi insana zor gelen akıl yürütme işleri makineler için görece kolayken, yürümek, nesne tutmak ve çevreyi algılamak gibi insana kolay gelen duyu-motor beceriler makineler için çok zordur.Ataş Maksimize EdenPaperclip MaximizerNick Bostrom'un 2003'te kullandığı düşünce deneyi: tek amacı olabildiğince çok ataş üretmek olan süper zeki bir yapay zekâ, bu amaç uğruna önce tüm Dünya'yı, ardından uzayın giderek büyüyen kısımlarını ataş fabrikasına dönüştürebilir. Deney, zararsız görünen hedeflerin insan değerleriyle hizalanmamış bir sistemde felakete yol açabileceğini anlatır.CAPTCHAKullanıcının insan mı bilgisayar programı mı olduğunu bozuk harf okuma ya da resim seçme gibi görevlerle anlamaya çalışan ters Turing testi; adı, İngilizcede 'bilgisayarları ve insanları ayırt etmek için tamamen otomatik açık Turing testi' anlamına gelen ifadenin kısaltmasıdır. Carnegie Mellon Üniversitesi'nde Manuel Blum liderliğinde Luis von Ahn ve arkadaşlarınca geliştirilip 2003'teki makaleleriyle tanımlandı. Yapay zekâ bu görevlerin çoğunu çözebildiği için tarayıcı ve davranış sinyallerine dayalı yöntemler öne çıkmaktadır.Çin OdasıChinese RoomJohn Searle'ün 1980'de ortaya attığı düşünce deneyi: Çince bilmeyen biri bir kural kitabına bakarak Çince sorulara kusursuz yanıtlar verirse dışarıdan Çince anlıyormuş gibi görünür ama aslında anlamaz. Searle buradan, sembolleri kurallara göre işleyen bir programın gerçek anlamaya sahip olmadığı sonucunu çıkarır.IKEA TestiIKEA Test (Flat-pack Furniture Test)Gary Marcus'un 2015'te, Turing Testi'nin yerine geçebilecek ölçütler tartışılırken gündeme getirdiği yapay genel zekâ testi: bir robotun parçalara ve kurulum talimatına bakarak hazır mobilyayı doğru biçimde monte edip edemediğine bakılır. Fiziksel dünyayı anlamayı ve el becerisini ölçmeyi amaçlar.Modern Turing TestiModern Turing Test (Suleyman)Mustafa Suleyman'ın 2023'te 'The Coming Wave' kitabında önerdiği ajan yeteneği testi: bir yapay zekânın 100.000 dolarlık yatırımla bir perakende web platformunda birkaç ay içinde 1 milyon dolar kazanıp kazanamayacağına bakılır. Banka hesabı açmak gibi bazı adımlarda yine insan onayı gerekir.İstihdam TestiEmployment TestNils Nilsson'ın 2005'te önerdiği, insan düzeyinde yapay zekânın ölçütü olarak makinenin insanların yaptığı ekonomik açıdan önemli işleri en az onlar kadar iyi yapabilmesini şart koşan test.Robot Üniversite Öğrencisi TestiRobot College Student TestBen Goertzel'in önerdiği genel zekâ testi: bir robot üniversiteye kaydolur, insan öğrencilerle aynı derslere girer, sınavları geçer ve diploma alırsa insan düzeyinde genel zekâya ulaşmış sayılır.Lovelace TestiLovelace TestSelmer Bringsjord ve arkadaşlarının 2001'de önerdiği yaratıcılık testi: bir makinenin, tasarımcılarının bile nasıl ortaya çıktığını açıklayamayacağı özgün bir eser üretip üretemediğine bakar. Adını, makinelerin yalnızca kendilerine söyleneni yapabileceğini savunan Ada Lovelace'tan alır.Winograd Şema TestiWinograd Schema ChallengeHector Levesque'in 2011'de önerdiği, bir cümledeki zamirin neyi kastettiğini sağduyuyla çözmeyi gerektiren sorulardan oluşan test; örneğin 'Kupa bavula sığmadı çünkü o çok büyüktü' cümlesinde 'o' kupadır. Adını, 1972'deki çalışmasında bu türden bir örnek kullanan Terry Winograd'dan alır. 2019'dan itibaren büyük dil modelleri bu soruların yüzde 90'ından fazlasını çözdüğü için artık ayırt edici sayılmaz.Turing TestiTuring TestAlan Turing'in 1950'de önerdiği, bir insan değerlendiricinin yazılı sohbette makineyi insandan ayırt edip edemediğine bakarak zekâyı ölçen test. 2025'te UC San Diego'da yapılan bir çalışmada GPT-4.5, katılımcıların yüzde 73'ü tarafından insan sanıldı; bu nedenle test artık genel zekânın yeterli bir ölçütü sayılmıyor.Tam Turing TestiTotal Turing TestStevan Harnad'ın 1989'da önerdiği, Turing Testi'ni yalnızca yazılı sohbetle sınırlamayıp makinenin görme ve nesneleri kullanma gibi algı ve hareket becerilerinde de insandan ayırt edilememesini şart koşan genişletilmiş test.Kahve TestiCoffee Test (Wozniak)Apple'ın kurucu ortağı Steve Wozniak'ın önerdiği yapay genel zekâ (AGI) testi: bir robotun hiç görmediği sıradan bir eve girip mutfağı, kahve makinesini, kahveyi ve fincanı bulup kahve yapabilmesi. Zekânın yalnızca sohbetle değil fiziksel dünyada da ölçülmesi gerektiği fikrine dayanır; Moravec Paradoksu ile birlikte anılır.Denetim İziAudit TrailBir sistemde kimin (kişi ya da ajan) neyi, ne zaman ve hangi yetkiyle yaptığının sonradan değiştirilemeyecek biçimde kaydedilmesi. Ajanlarda istemleri, araç çağrılarını, onayları ve sonuçları da kapsar; denetimin ve olay incelemesinin temelidir.İzlenebilirlikTraceabilityBir yapay zekâ sisteminin hangi veriyi kullandığının, hangi kararı neden verdiğinin ve hangi eylemleri yaptığının sonradan adım adım yeniden kurulabilmesi. Hataların kaynağını bulmak, denetimden geçmek ve sorumluluğu belirlemek için gereklidir.Ajan Kontrol DüzlemiAgent Control PlaneKurumdaki birden fazla ajanın tek bir merkezden başlatıldığı, izlendiği, yetkilendirildiği ve yönetildiği yönetim katmanı. Ajan sayısı arttıkça hangi ajanın ne yaptığını görmeyi ve kuralları her yerde aynı biçimde uygulamayı sağlar.Koruyucu AjanGuardian AgentDiğer yapay zekâ ajanlarının davranışını gerçek zamanlı izleyen, politikalara aykırı veya riskli eylemleri tespit edip engelleyen ya da insana bildiren denetleyici ajan; Gartner'ın yapay zekâ güvenliği için öne çıkardığı kategoridir.İnsan DöngüdeHuman-in-the-Loop (HITL)İnsanların yapay zekâ çıktılarını eğitim ya da kullanım sürecinde gözden geçirip onayladığı veya düzelttiği sistem tasarımı. Hatanın pahalıya mal olabileceği işlerde son kararın insanda kalmasını sağlar.İnsan GözetimdeHuman-on-the-Loopİnsanın her adımı tek tek onaylamadığı, ancak sistemi izleyip gerektiğinde müdahale ettiği gözetim modeli. Her adımda onay beklenmediği için insan döngüde yaklaşımına göre daha hızlı işler.İnsan Onayı / KesmeHuman Approval / InterruptAjanın riskli ya da geri alınamaz bir eylemden önce durup insandan onay beklemesini sağlayan mekanizma. Ödeme yapmak, e-posta göndermek ya da veri silmek gibi adımlar onay verilene kadar bekletilir.Risk Tabanlı OnayRisk-based ApprovalAjan eylemlerinin risk düzeyine göre sınıflandırılması: düşük riskli eylemler kendiliğinden yürütülür, orta riskliler insan onayı bekler, yüksek riskliler tamamen yasaklanır. Örneğin veri okumak serbest, e-posta göndermek onaya bağlı, para transferi yasak olabilir.Eylem ve Harcama LimitleriAction & Spend LimitsBir ajanın tek görevde veya belirli sürede yapabileceği araç çağrısı, değiştirebileceği kayıt, gönderebileceği mesaj ve harcayabileceği token ya da para miktarına konan üst sınırlar.Devre KesiciCircuit BreakerHata oranı, tekrar eden döngü, maliyet veya anormal davranış belirlenen eşiği aştığında ajanın ya da bağımlı servisin çağrılarını otomatik olarak durduran mekanizma; yazılımdaki devre kesici kalıbından uyarlanmıştır. Elle tetiklenen acil durdurmadan farkı, eşiğe bağlı ve otomatik çalışmasıdır.Acil Durdurma MekanizmasıKill SwitchBir ajanın veya yapay zekâ sisteminin beklenmedik ya da zararlı davranış göstermesi hâlinde tüm eylemlerini ve yetkilerini derhâl durduran, önceden tanımlanmış ve test edilmiş kontrol; kontrolden çıkmış ajanlara karşı temel savunmalardandır.Ajan Kum HavuzuAgent SandboxBir ajanın kod ya da araç çalıştırabildiği, gerçek sistemlerden ve verilerden yalıtılmış güvenli ortam. Ajan hata yapsa ya da zararlı bir komut çalıştırsa bile etkisi bu alanın dışına çıkmaz.Ağ Çıkış DenetimiEgress ControlAjanın veya çalıştığı kum havuzunun yalnızca izin verilen alan adlarına ve servislere bağlanabilmesi için giden ağ trafiğinin kısıtlanması; veri sızdırmayı ve istenmeyen dış erişimi engeller.Görevler AyrılığıSeparation of DutiesKritik bir işlemin tek bir kişi ya da ajan tarafından baştan sona yapılamaması için yetkilerin birden fazla tarafa bölünmesi. Örneğin ödemeyi hazırlayan ajan aynı ödemeyi onaylayamaz; böylece hata ve kötüye kullanım riski azalır.Politika Motoru / Kod Olarak PolitikaPolicy Engine / Policy-as-CodeErişim ve eylem kurallarının kod olarak yazılıp merkezi bir motorda her istek anında değerlendirildiği yaklaşım; OPA ve Cedar bu tür motorlara örnektir. Ajanın her araç çağrısının kurallara uyup uymadığı çalışma anında denetlenir.Tam Zamanında ErişimJust-in-Time Access / Short-lived CredentialsKalıcı yetki yerine yalnızca bir görev süresince geçerli, kısa ömürlü ve otomatik sona eren yetki ve kimlik bilgisi verilmesi; sızan bir anahtarın veya kontrolden çıkan bir ajanın verebileceği zararı sınırlar.Varsayılan RetDeny-by-DefaultAçıkça izin verilmeyen her erişim, araç çağrısı veya ağ bağlantısının otomatik olarak engellendiği güvenlik ilkesi; ajan yetkilerinin baştan dar tutulmasını sağlar.Rol Tabanlı Erişim KontrolüRBAC (Role-Based Access Control)Kullanıcıların ve ajanların verilere ve sistemlere tek tek değil, sahip oldukları role göre erişmesini sağlayan yetkilendirme modeli. Örneğin muhasebe rolündeki herkes faturalara erişebilir; yetkiler rol değiştirilerek kolayca yönetilir.En Az Yetki İlkesiLeast Privilege (for Agents)Bir ajana ya da kullanıcıya yalnızca görevini yapmasına yetecek en az erişimin ve aracın verilmesi ilkesi. Ajan hata yapsa ya da kötüye kullanılsa bile verebileceği zararı sınırlar.Yetki Kapsamı ve Araç İzin ListesiScoped Permissions / Tool AllowlistAjanın yalnızca görevi için gereken araçları, işlemleri ve veri alanlarını kullanabileceği şekilde izinlerinin açıkça tanımlanması. Listede olmayan bir araç ya da işlem, örneğin silme veya ödeme, çağrılamaz.Ajan KimliğiAgent Identity (Non-Human Identity)Yapay zekâ ajanlarına insan kullanıcılardan ayrı, kendilerine ait kimlik ve erişim bilgileri verilmesi. Böylece her ajanın neye erişebileceği ayrıca yetkilendirilebilir ve yaptığı işlemler insanlarınkinden ayrı izlenebilir.Ajan Yetkilendirmesi / Yetki DevriDelegated Authorization (OAuth for Agents)Ajanın kullanıcının parolasını almadan, OAuth gibi standartlarla kullanıcı adına sınırlı kapsamlı ve süreli erişim izni alarak çalışması. Yapılan her işlem, ajanın kendi kimliği ve kimin adına çalıştığı bilgisiyle birlikte kayda geçer.Onaylı Model KataloğuApproved Model Catalog / Model AllowlistKurumda kullanılmasına izin verilen modellerin, hangi iş ve veri türlerinde, hangi sürüm ve koşullarla kullanılabilecekleriyle birlikte listelendiği katalog. Ekipler yalnızca buradaki modellere, genellikle tüm istekleri tek noktadan geçiren bir yapay zekâ ağ geçidi üzerinden erişir.Yapay Zekâ Kullanım PolitikasıAI Acceptable Use PolicyÇalışanların hangi yapay zekâ araçlarını, hangi verilerle ve nasıl kullanabileceğini belirleyen kurumsal kurallar bütünü. Örneğin müşteri verilerinin onaysız araçlara yüklenmesini yasaklayarak veri sızıntısı ve hukuki riskleri azaltır.Yapay Zekâ EnvanteriAI Inventory / RegistryKurumda kullanılan tüm yapay zekâ modellerinin, uygulamalarının ve ajanlarının sahibi, amacı, risk seviyesi, kullandığı veri ve yetkileriyle birlikte kayıt altına alındığı merkezi liste. Yönetişimin ve gölge yapay zekâyı (çalışanların izinsiz kullandığı araçları) tespit etmenin ilk adımıdır.Model Kabul SüreciModel Onboarding / Approval ProcessYeni bir modelin kurumda kullanılmadan önce geçtiği değerlendirme ve onay süreci. Model önce yalıtılmış bir test ortamında denenir, işe özgü testlerle ölçülür, güvenlik ve kırmızı takım (saldırgan gibi davranıp açık arayan ekip) testlerinden, hukuk ve uyum incelemesinden geçer; onaylanırsa envantere ve onaylı model kataloğuna eklenir.Model Risk YönetimiMRM (Model Risk Management)Hatalı ya da yanlış kullanılan modellerin yol açabileceği finansal, operasyonel ve itibar kayıplarını önlemeye yönelik risk disiplini; model envanteri, bağımsız doğrulama, performans izleme ve onay süreçlerini kapsar. Bankacılıkta uzun süredir uygulanır (ABD'de SR 11-7) ve yapay zekâ ile üretken modelleri de kapsayacak şekilde genişlemektedir.Model DoğrulamaModel ValidationBir modelin amacına uygun, doğru ve güvenilir çalıştığının geliştiriciden bağımsız bir ekip tarafından kullanım öncesinde ve düzenli aralıklarla sınanması; veri, yöntem, performans, sınırlamalar ve izleme planı incelenir. Model risk yönetiminin temel adımıdır.Yapay Zekâ Güven, Risk ve Güvenlik YönetimiAI TRiSM (AI Trust, Risk and Security Management)Gartner'ın tanımladığı, yapay zekâ sistemlerinde güvenilirlik, adalet, gizlilik, güvenlik ve uyumluluğu yönetişim, çalışma zamanı denetimi ve bilgi koruma katmanlarıyla birlikte ele alan çerçeve.Ajan YönetişimiAgent GovernanceYapay zekâ ajanlarının yetkilerini, kimliklerini, eylem sınırlarını, insan onayı gereken noktaları ve denetim kayıtlarını kapsayan yönetişim çerçevesi. Ajanlar kendi başlarına işlem yapabildiği için genel yapay zekâ yönetişiminden daha ayrıntılı kurallar gerektirir.Model YönetişimiModel GovernanceKurumda kullanılan modellerin hangi onaydan geçeceğini, kimlerin erişebileceğini, nasıl denetleneceğini ve yasalara uyumunun nasıl sağlanacağını belirleyen kurumsal süreçler. Modelin geliştirilmesinden kullanımdan kaldırılmasına kadar tüm yaşam döngüsünü kapsar.Maliyet TakibiCost TrackingHer istekte harcanan token sayısının model fiyatlarıyla çarpılarak maliyetin istek, kullanıcı ya da özellik bazında hesaplanması. Hangi kullanıcının ya da özelliğin bütçenin ne kadarını tükettiğini görmeyi ve faturalandırmayı sağlar.Yapay Zekâ YönetişimiAI GovernanceBir kurumda yapay zekânın nasıl, kim tarafından ve hangi kurallarla kullanılacağını belirleyen politika, süreç, rol ve denetim yapısının bütünü. Riskleri yönetmeyi, yasalara uyumu ve yapay zekânın sorumlu biçimde kullanılmasını amaçlar.Yatırım GetirisiROI (Return on Investment)Bir yapay zekâ yatırımından elde edilen net kazancın yatırımın maliyetine oranı; genellikle yüzde olarak ifade edilir. Zaman tasarrufu, artan satış ya da azalan hata gibi kazanımların harcanan parayı karşılayıp karşılamadığını gösterir.Maliyet İzleme / FinOpsCost Monitoring / FinOpsToken, GPU ve API harcamalarının sürekli izlenip bütçeyle karşılaştırıldığı ve gereksiz giderlerin azaltıldığı maliyet yönetimi pratiği. FinOps, mühendislik, finans ve iş ekiplerinin bulut ve yapay zekâ harcamalarını birlikte yönetmesini öngören yaklaşımın adıdır.Kendi Barındırma Başa Baş NoktasıSelf-hosting Break-even PointAçık ağırlıklı bir modeli kendi GPU'larında çalıştırmanın, aynı işi API ile yaptırmaktan ucuza geldiği kullanım hacmi. GPU, enerji, personel ve boşta kalma maliyetleri işlenen token hacmiyle karşılaştırılarak bulunur; düşük ya da dalgalı hacimde API, yüksek ve sabit hacimde ya da veri gizliliği zorunlu olduğunda kendi barındırma öne çıkar.Toplam Sahip Olma MaliyetiTCO (Total Cost of Ownership)Bir yapay zekâ çözümünün yalnızca satın alma ya da abonelik bedelinin değil, lisans, altyapı, entegrasyon, bakım ve insan kaynağı dahil kullanım ömrü boyunca doğurduğu bütün maliyetlerin toplamı. Farklı seçenekleri gerçekçi biçimde karşılaştırmak için kullanılır.Güç Kullanım EtkinliğiPUE (Power Usage Effectiveness)Bir veri merkezinin toplam enerji tüketiminin, yalnızca bilişim ekipmanının (sunucular, depolama ve ağ) tükettiği enerjiye oranı. İdeal değer 1,0'dır; soğutma ve diğer yükler arttıkça değer yükselir ve enerji maliyeti büyür.Sermaye Gideri ve İşletme GideriCapEx vs OpExYapay zekâ altyapısında iki harcama türü arasındaki seçim: şirket içi GPU sunucusu ve veri merkezi gibi peşin yapılan yatırım (sermaye gideri, CapEx) ile bulut GPU'su ya da API gibi kullandıkça ödenen gider (işletme gideri, OpEx). Yüksek ve sürekli kullanımda CapEx, değişken ya da belirsiz kullanımda OpEx genellikle daha avantajlıdır.Eğitim Maliyeti TahminiTraining Cost EstimationBir modeli eğitmenin maliyetini, gereken hesaplama miktarından yola çıkarak kestirme yöntemi. Gereken işlem sayısı (FLOP) kabaca 6 × parametre sayısı × eğitim token sayısı formülüyle bulunur; bu, GPU'nun fiilen ulaştığı hıza bölünerek GPU-saate, saatlik fiyatla da paraya çevrilir. Deneme koşuları, başarısız denemeler ve veri hazırlığı ayrıca eklenir.Model FLOP Kullanım OranıMFU (Model FLOPs Utilization)Bir eğitim ya da çıkarım işinin, GPU'nun kâğıt üzerindeki en yüksek hesaplama gücünün ne kadarını fiilen kullandığını gösteren oran. Büyük model eğitimlerinde çoğu zaman yüzde 50'nin altında kalır; oran düştükçe aynı iş için daha fazla GPU-saat, yani daha fazla para harcanır.Kredi SistemiCreditsÜretken medya platformlarında görsel, video ya da ses üretiminin token yerine kredi adı verilen bir birimle ücretlendirilmesi. Kullanıcı önceden kredi satın alır; her üretim modele, çözünürlüğe ve süreye göre belirli miktarda kredi harcar.GPU Fiyatlandırması ve Kiralama ModelleriGPU Pricing (On-demand / Reserved / Spot)Bulutta GPU'nun saat başına ücretlendirilmesi ve bunun üç temel kiralama modeli. İsteğe bağlı (on-demand) kiralama esnektir ama en pahalısıdır; rezerve kiralama bir ya da üç yıllık taahhütle indirim sağlar; spot kiralama boştaki kapasiteyi ucuza verir ama sağlayıcı bu kapasiteyi her an geri alabilir. Fiyat GPU nesline, bölgeye ve sağlayıcıya göre değişir.NeobulutNeocloudGenel amaçlı büyük bulut sağlayıcılarından farklı olarak yapay zekâ için GPU kapasitesi kiralamaya odaklanan bulut şirketleri; CoreWeave, Nebius, Lambda ve Crusoe bunlara örnektir. Genellikle daha düşük saatlik GPU fiyatı ve yeni nesil GPU'lara daha hızlı erişim sunarlar.Koltuk vs Kullanım Bazlı FiyatSeat-based vs Usage-based PricingYapay zekâ ürünlerinde iki temel ücretlendirme yaklaşımı arasındaki ayrım: koltuk bazlı fiyatta kullanıcı başına sabit abonelik ödenir, kullanım bazlı fiyatta ise gerçekten tüketilen token, istek ya da kredi kadar ödenir.Fiyat KademeleriPricing Tiers (Free / Plus / Pro / Enterprise)Yapay zekâ ürünlerinin ücretsizden kurumsala uzanan, her birinde farklı kullanım limiti ve özellik sunan abonelik seviyeleri. Üst kademeler genellikle daha yüksek kota, daha güçlü modeller ve ek özellikler sağlar.Maliyet-Performans DengesiCost-Performance TradeoffBir görev için en güçlü ve pahalı model yerine yeterli kaliteyi en düşük maliyetle veren modeli seçme kararı. Bu dengeyi iyileştirmek için soruları uygun modele yönlendirme, büyük modelin bilgisini küçük modele aktarma (damıtma), istem önbelleği ve toplu işleme gibi yöntemler kullanılır.Jevons ParadoksuJevons Paradoxİngiliz iktisatçı William Stanley Jevons'ın 1865'te kömür kullanımı için gözlemlediği olgu: bir kaynağı kullanmak verimlileştikçe ve ucuzladıkça toplam tüketimi azalmak yerine artabilir. Yapay zekâda token ve çıkarım maliyetleri düştükçe kullanımın ve toplam harcamanın büyümesini açıklamak için sık anılır.Çıkarım MaliyetiInference Cost (Cost per Request)Modeli kullanırken her istek için ödenen maliyet. API'de girdi token sayısı ile girdi fiyatının çarpımına çıktı token sayısı ile çıktı fiyatının çarpımı eklenerek hesaplanır; kendi sunucusunda çalıştırılan modelde ise GPU'nun saatlik maliyeti o sürede işlenen istek sayısına bölünür. Uzun bağlam, düşünme token'ları ve araç çağrıları maliyeti hızla artırır.Görev Başına MaliyetCost per TaskBir ajanın ya da iş akışının tek bir işi baştan sona tamamlamasının toplam maliyeti. Tek görev onlarca model ve araç çağrısı içerebildiği için istek başına maliyetten daha anlamlı bir ölçüdür ve insan emeğinin maliyetiyle karşılaştırmada kullanılır.Token FiyatlandırmasıToken-based PricingAPI kullanımının, modelin işlediği girdi token'larının ve ürettiği çıktı token'larının sayısına göre ücretlendirilmesi. Token, modelin metni böldüğü kelime ya da kelime parçası birimidir; çıktı token'ları genellikle daha pahalıdır.Milyon Token Başına MaliyetCost per Million TokensBüyük dil modeli API'lerinde fiyatların bir milyon token başına verildiği standart birim. Girdi ve çıktı token'ları için ayrı fiyat uygulanır; çıktı genellikle daha pahalıdır.Düz Metin.txtKalın yazı, renk ya da başlık gibi hiçbir biçimlendirme içermeyen, yalnızca karakterlerden oluşan metin dosyası. En basit veri ve istem dosyası biçimidir; neredeyse her program tarafından açılabilir.MCP Yapılandırma Dosyasımcp.json / .mcp.jsonBir yapay zekâ istemcisine hangi MCP sunucularını kullanacağını, bunlara nasıl bağlanacağını ve hangi ayarlarla başlatacağını bildiren yapılandırma dosyası. MCP (Model Bağlam Protokolü), modellerin dış araçlara ve veri kaynaklarına standart bir yolla bağlanmasını sağlar.PDF Dosyası.pdfBelgeyi her cihazda aynı görünecek şekilde sabitleyen yaygın belge biçimi. RAG (modelin yanıt vermeden önce belgelerden bilgi çektiği yöntem) ve belge analizinde en sık karşılaşılan girdidir; ancak tablolar, sütunlar ve sayfa düzeni kolayca ayrıştırılamadığı için işlenmesi zordur.XML Dosyası.xmlVerileri açılış ve kapanış etiketleri arasında düzenleyen, etiket tabanlı yapılandırılmış veri biçimi. Yapay zekâda bazı sistem istemlerinde talimat, örnek ve belge gibi bölümleri birbirinden ayırmak için de kullanılır.HTML Dosyası.htmlWeb sayfalarının içeriğini ve yapısını etiketlerle tanımlayan işaretleme dili ve bu dille yazılmış dosya. Tarayıcı ajanlarının sayfaları anlaması ve web kazıma (sayfalardan otomatik veri toplama) için temel girdidir.DockerfileBir uygulamayı ihtiyaç duyduğu her şeyle birlikte paketleyen konteyner imajının hangi adımlarla oluşturulacağını sırayla yazan talimat dosyası. Böylece uygulama, yapay zekâ modeli sunucuları dahil, her bilgisayarda aynı ortamla çalıştırılabilir.Protobuf.proto / Protocol BuffersGoogle'ın geliştirdiği, verileri çok az yer kaplayan ikili biçimde paketleyen serileştirme yöntemi (Protocol Buffers). Veri yapısı .proto dosyalarında tanımlanır; servisler arası iletişimde kullanılan gRPC'nin ve ONNX gibi bazı model biçimlerinin temelidir.Jupyter Defteri.ipynbKod hücrelerini, bu kodların çıktılarını ve açıklama metinlerini aynı belgede bir arada tutan etkileşimli not defteri dosyası; içeriği JSON biçiminde saklanır. Veri analizi, model denemeleri ve eğitim materyalleri için yaygın kullanılır.Ortam Değişkeni Dosyası.envAPI anahtarları ve parolalar gibi gizli ayarların kodun içine yazılmak yerine ayrı tutulduğu metin dosyası. Sızıntıları önlemek için Git gibi sürüm kontrol sistemlerine eklenmemeli ve paylaşılmamalıdır.Core ML.mlmodel / .mlpackageApple'ın iPhone, iPad ve Mac gibi cihazlarda modellerin internete gitmeden cihazın kendisinde çalışması için kullandığı model biçimi ve çerçeve. Başka çerçevelerde eğitilen modeller bu biçime dönüştürülerek uygulamalara eklenir.NumPy Dosyası.npy / .npzPython'un sayısal hesaplama kütüphanesi NumPy'ın dizilerini, örneğin gömme vektörlerini ve tensörleri, ikili biçimde kaydeden dosyalar. .npy tek bir diziyi, .npz ise birden çok diziyi bir arada saklar.Checkpoint Dosyası.ckptEğitimin belli bir anındaki model ağırlıklarını ve optimizasyon durumunu kaydeden dosya; eğitim yarıda kesilirse buradan devam edilir. Görsel üretim topluluğunda paylaşılan model dosyalarına da bu ad verilir.TensorFlow Formatları.h5 / SavedModel / .tfliteKeras ve TensorFlow ile hazırlanan modellerin kayıt biçimleri: .h5 ve SavedModel modeli tam hâliyle saklar, .tflite ise telefonlar ve uç cihazlar (verinin üretildiği yerde çalışan küçük cihazlar) için küçültülmüş hafif sürümdür.PyTorch Ağırlık Dosyası.pt / .pth / .binPyTorch ile eğitilen modellerin ağırlıklarının kaydedildiği dosyalar. Python'un pickle biçimine dayandıkları için içlerine çalıştırılabilir kod gizlenebilir; bu yüzden güvenilmeyen kaynaklardan yüklenmeleri risklidir ve daha güvenli safetensors biçimi önerilir.Pickle.pklPython nesnelerini dosyaya kaydedip sonra yeniden yüklemeyi sağlayan serileştirme (nesneyi saklanabilir bir veri dizisine çevirme) biçimi. Dosya açılırken içine gömülü kod çalışabildiği için model paylaşımında ciddi güvenlik riski taşır.GGUF.ggufllama.cpp projesinin kullandığı, nicelenmiş (sayıları daha az bitle saklanarak küçültülmüş) bir modeli tüm ayarlarıyla tek dosyada taşıyan biçim. Ollama ve LM Studio gibi araçlar bu dosyalarla modelleri kişisel bilgisayarda çalıştırır.ONNX.onnxBir yapay zekâ modelini PyTorch, TensorFlow gibi farklı geliştirme çerçeveleri ve çalıştırma ortamları arasında taşınabilir kılan açık değişim standardı (Open Neural Network Exchange). Bir çerçevede eğitilen model başka bir ortamda ya da farklı donanımda çalıştırılabilir.Arrow FormatıApache ArrowVeriyi bellekte sütunlar hâlinde, farklı programların kopyalamadan ortak kullanabileceği biçimde tutan açık kaynak veri biçimi (Apache Arrow). Hugging Face Datasets gibi veri kümesi kütüphanelerinin hızlı veri erişimi bu biçime dayanır.Safetensors.safetensorsHugging Face'in güvenli ve hızlı model ağırlığı formatı; pickle'ın güvenlik açıklarını gidermek için geliştirildi.CSV Dosyası.csvVirgülle ayrılmış değerlerden oluşan, tablo verisini düz metin olarak tutan dosya biçimi. Excel gibi tablo programlarıyla açılabilir; veri kümelerini ve değerlendirme sonuçlarını aktarmak için yaygın kullanılır.Parquet Dosyası.parquetVeriyi satır satır değil sütun sütun saklayan, sıkıştırılmış ve büyük veri kümeleri için tasarlanmış dosya biçimi (Apache Parquet). Yalnızca gereken sütunlar okunabildiği için hızlıdır; Hugging Face veri kümelerinde ve veri göllerinde (büyük ham veri depolarında) standart olarak kullanılır.YAML Dosyası.yaml / .ymlGirintilerle düzenlenen, insanların kolayca okuyup yazabileceği yapılandırma ve veri biçimi. Ajan ve iş hattı (pipeline) ayarlarında, yapılandırma dosyalarında ve SKILL.md gibi dosyaların başındaki bilgi bölümünde kullanılır.TOML Dosyası.tomlBaşlıklar altında basit ad ve değer satırlarıyla yazılan, sade ve okunaklı bir yapılandırma dosyası biçimi. Python projelerinin ayar dosyası pyproject.toml'da ve bazı ajan araçlarının ayarlarında kullanılır.JSON Dosyası.jsonVerileri ad ve değer çiftleri ile listeler hâlinde düz metin olarak tutan, hem insanların hem programların kolayca okuyabildiği yapılandırılmış veri biçimi. Yapay zekâda modellerden yapılandırılmış çıktı almak, API istekleri göndermek ve araç ya da fonksiyon şemaları tanımlamak için yaygın kullanılır.JSONL Dosyası.jsonl (JSON Lines)Her satırında ayrı ve kendi başına eksiksiz bir JSON nesnesi bulunan dosya biçimi. Satır satır okunabildiği için büyük veri kümelerinde pratiktir; ince ayar veri kümeleri ve toplu API isteklerinde standart olarak kullanılır.Markdown Dosyası.md (Markdown)Düz metne birkaç basit işaret (başlık için #, madde için gibi) ekleyerek biçimlendirme yapmayı sağlayan hafif işaretleme dili ve bu dille yazılmış .md uzantılı dosya. Yapay zekâ ajanlarında talimat, sistem istemi ve skill tanımları için yaygın kullanılır; AGENTS.md, SKILL.md ve CLAUDE.md buna örnektir.Skill Tanım DosyasıSKILL.mdBir Agent Skill'in (ajana yeni bir beceri kazandıran talimat paketinin) zorunlu dosyası. Başta becerinin adını ve ne zaman kullanılacağını anlatan kısa bir YAML bölümü, ardından Markdown ile yazılmış talimatlar bulunur; ajan başlangıçta yalnızca ad ve açıklamayı okur, tam metni gerektiğinde yükler.Uygulama İçi Yapay ZekâAI in AppsOfis programları, tarayıcı ve e-posta gibi her gün kullanılan uygulamaların içine yerleştirilmiş yapay zekâ yardımcıları. Kullanıcı ayrı bir sohbet aracına geçmeden metin yazdırabilir, özet çıkarabilir ya da öneri alabilir.Ajan ModuAgent ModeAsistanın tarayıcıyı ya da başka araçları kendisi kullanarak form doldurma, araştırma ya da alışveriş gibi çok adımlı görevleri kullanıcı adına yürüttüğü çalışma modu. Ödeme gibi kritik adımlardan önce genellikle kullanıcının onayını ister.Geçici SohbetTemporary ChatSohbet geçmişine kaydedilmeyen, belleği kullanmayan ve belleğe yeni bilgi eklemeyen tek seferlik sohbet modu. Hassas ya da bir kerelik sorular için kullanılır.Bağlayıcılar / UygulamalarConnectors / AppsAsistanın Gmail, Drive, takvim ya da kurum içi sistemler gibi harici servislerden veri okumasını ve oralarda işlem yapmasını sağlayan entegrasyonlar. Çoğunlukla MCP (Model Bağlam Protokolü) üzerine kuruludur ve 2023'teki ChatGPT eklentilerinin yerini almıştır.Yeniden ÜretRegenerateAsistanın aynı isteme yeniden yanıt üretmesini sağlayan düğme ya da komut. Modeller her seferinde biraz farklı yanıt ürettiği için beğenilmeyen bir cevabın yerine yeni bir seçenek almanın kolay yoludur.Paylaşılan SohbetShared Chat LinkBir sohbetin, bağlantıya sahip olan herkesin görüntüleyebileceği bir link olarak paylaşılması. Bağlantıyı açan kişi genellikle paylaşıldığı ana kadarki mesajları görür; gizli bilgi içeren sohbetler paylaşılırken dikkatli olunmalıdır.Model SeçiciModel PickerKullanıcının bir sohbette hangi modelin çalışacağını hız, maliyet ve yetenek arasındaki tercihine göre seçtiği menü. Genellikle küçük ve hızlı modeller günlük işler, büyük ve güçlü modeller zor görevler için önerilir.Kota / Kullanım LimitiUsage Limit / QuotaBelirli bir süre içinde gönderilebilecek mesaj, üretilebilecek görsel ya da harcanabilecek token miktarına konan üst sınır. Sınır dolunca süre yenilenene kadar beklenir ya da daha üst bir pakete geçilir.Düşünme ModuThinking ModeAsistanın yanıt vermeden önce sorunu adım adım akıl yürüterek daha uzun düşündüğü çalışma modu. Matematik, kodlama ve çok adımlı problemlerde doğruluğu artırır; ancak yanıt daha geç gelir ve daha fazla token harcanır.Dosya YüklemeFile UploadPDF, tablo ya da görsel gibi dosyaları sohbete ekleyip asistana okutma, özetletme veya analiz ettirme özelliği. Asistan dosyanın içeriğini o sohbetin bağlamına alarak sorulara yanıt verir.Ses ModuVoice ModeAsistanla yazmak yerine konuşarak, gerçek zamanlı ve karşılıklı etkileşim kurmayı sağlayan özellik. Asistan soruyu sesli dinler, yanıtı da sesli verir; yolda ya da eller meşgulken kullanışlıdır.Web'de AramaWeb Browsing / SearchAsistanın eğitim verisinde olmayan güncel bilgiler için internette arama yapıp bulduğu sayfaları özetlemesi ve yanıtında kaynak göstermesi özelliği. Modelin bilgisinin belirli bir tarihte donmuş olması sorununu hafifletir.Özel GPT'ler / Gem'lerCustom GPTs / GemsKullanıcının belirli bir iş için talimat ve bilgi dosyaları ekleyerek özelleştirdiği asistan sürümleri; ChatGPT'de GPT, Gemini'de Gem adıyla anılır. Bir kez hazırlanınca tekrar tekrar kullanılabilir ve çoğu zaman başkalarıyla paylaşılabilir.Canvas / ArtifactsSohbette üretilen uzun metin, kod ya da belgenin sohbet akışının yanında ayrı bir panelde açıldığı ve orada düzenlenebildiği çalışma alanı; ChatGPT'de Canvas, Claude'da Artifacts adıyla bilinir.Bellek ÖzelliğiMemory FeatureAsistanın sohbetler sırasında kullanıcı hakkında öğrendiği bilgileri (adı, tercihleri, süren işleri gibi) saklayıp sonraki sohbetlerde hatırlaması özelliği. Kullanıcı genellikle kaydedilenleri görebilir, silebilir ya da özelliği kapatabilir.Projeler / KlasörlerProjectsBir konuyla ilgili sohbetleri, dosyaları ve talimatları tek bir çalışma alanında toplayan özellik. Proje içindeki her sohbet aynı dosyalara ve talimatlara erişir, böylece bilgiler her seferinde yeniden verilmez.Yeni SohbetNew ChatÖnceki konuşmanın bağlamını geride bırakıp boş bir sayfayla yeni bir konuşma başlatmak. Konu değiştiğinde önerilir; eski mesajlar yeni yanıtları etkilemez ve bağlam penceresi gereksiz yere dolmaz.Özel TalimatlarCustom InstructionsKullanıcının ton, dil ve yanıt biçimi gibi kalıcı tercihlerini bir kez yazıp tüm sohbetlerde geçerli kıldığı ayar. Asistan her yeni sohbette bu talimatları kendiliğinden dikkate alır.Yapay Zekâ Baş Yöneticisi (CAIO)Chief AI Officer (CAIO)Kurumda yapay zekâ stratejisi, yönetişimi ve uygulamalarından sorumlu üst düzey yönetici.Sohbet / TurChat / TurnKullanıcının bir mesajı ile asistanın ona verdiği yanıttan oluşan tek bir alışverişe tur, bu turların art arda dizildiği konuşmanın tamamına sohbet denir. Model her yeni turda önceki turları bağlam olarak görür.İstem Mühendisi / Yapay Zekâ MühendisiPrompt Engineer / AI Engineerİki yakın meslek rolü: istem mühendisi, modelden istenen sonucu almak için istemleri tasarlayıp sınar; yapay zekâ mühendisi ise büyük dil modellerine dayanan uygulamaları veri, araç ve arayüzüyle birlikte uçtan uca geliştirir.Yapay Zekâ Olgunluk ModeliAI Maturity ModelBir kurumun yapay zekâ kullanımında ne kadar ilerlediğini, ilk denemelerden kurum geneline yayılmış ve kurallara bağlanmış kullanıma kadar aşamalarla derecelendiren çerçeve. Kurumun bulunduğu yeri görmesine ve sonraki adımlarını planlamasına yardım eder.Değişim YönetimiChange Management (AI Adoption)Yapay zekâ araçlarının kurumda gerçekten benimsenmesi için yürütülen eğitim, iletişim ve dirençle başa çıkma süreçlerinin bütünü. Araç ne kadar iyi olursa olsun çalışanlar kullanmazsa yatırım boşa gideceği için dönüşümün kritik parçasıdır.Beceri Açığı ve Yeniden Beceri KazandırmaSkills Gap / ReskillingYapay zekâ çağında iş gücünün ihtiyaç duyduğu yeni beceriler ile çalışanların mevcut becerileri arasındaki fark. Yeniden beceri kazandırma ise bu farkı eğitim ve dönüşüm programlarıyla kapatma çabasıdır.Yapay Zekâ Ürün YöneticisiAI Product ManagerYapay zekâ ürünlerinin ne yapacağına, nasıl ölçüleceğine ve hangi sırayla geliştirileceğine karar veren rol. Klasik ürün yönetimine ek olarak modelin yeteneklerini, değerlendirme sonuçlarını ve çalıştırma maliyetini birlikte gözetir.Vatandaş GeliştiriciCitizen DeveloperYazılım eğitimi almamış olsa da kodsuz ya da az kodlu araçlar ve yapay zekâ yardımıyla kendi iş sorunlarına uygulama veya otomasyon hazırlayan iş birimi çalışanı. Küçük çözümlerin BT ekibini beklemeden hızla üretilmesini sağlar.Yapay Zekâ DönüşümüAI TransformationBir kurumun süreçlerini, ürünlerini ve çalışma kültürünü yapay zekânın sunduğu imkânlara göre baştan yeniden yapılandırması. Tek tek araç eklemekten farklı olarak işin nasıl yapıldığını kökten değiştirmeyi hedefler.Mükemmeliyet MerkeziAI Center of Excellence (CoE)Bir kurumda yapay zekâ projelerinin standartlarını, eğitimlerini, araçlarını ve en iyi uygulamalarını belirleyip birimler arasında yaygınlaştıran merkezi uzman ekip. Aynı hataların farklı birimlerde tekrarlanmasını önler ve deneyimi tek yerde toplar.İstem KütüphanesiPrompt LibraryBir kurum ya da ekip içinde paylaşılan, denenmiş ve onaylanmış istem şablonlarının toplandığı koleksiyon. Çalışanların iyi sonuç veren istemleri her seferinde baştan yazmadan yeniden kullanmasını ve tutarlı sonuç almasını sağlar.Copilot vs AjanCopilot vs Agentİnsanın yanında öneri sunan asistan (copilot) ile görevi bağımsız yürüten sistem (ajan) arasındaki ürün ayrımı.İnsan-Yapay Zekâ İş BirliğiHuman-AI Collaborationİnsan ile yapay zekânın güçlü yönlerini birleştirerek birlikte çalışması: yapay zekâ hız ve ölçek, insan ise yargı, bağlam ve sorumluluk getirir. Amaç insanın yerini almak değil, yapabileceklerini artırmaktır.Kullanım Senaryosu KeşfiUse Case DiscoveryKurumda yapay zekânın değer yaratabileceği süreçlerin sistematik olarak belirlenip önceliklendirilmesi.Üretime Geçiş UçurumuPoC-to-Production GapDemo aşamasında çalışan yapay zekâ projelerinin güvenlik, maliyet ve güvenilirlik nedeniyle üretime alınamaması sorunu.Satıcıya BağımlılıkVendor Lock-inTek bir sağlayıcının API, format veya ekosistemine bağımlı kalıp geçiş maliyetinin yükselmesi riski.Kavram Kanıtı / PilotPoC (Proof of Concept) / PilotBir yapay zekâ fikrinin teknik olarak çalıştığını küçük ölçekte gösteren deneme (PoC, kavram kanıtı) ve ardından onu sınırlı sayıda gerçek kullanıcıyla gerçek koşullarda sınama aşaması (pilot). Bu iki adım, tam yatırım yapmadan önce riski azaltır.NeuralinkElon Musk ve bir grup bilim insanının 2016'da kurduğu beyin-bilgisayar arayüzü şirketi; klinik deneme aşamasındaki ilk ürünü Telepathy, robotla yerleştirilen 1.024 elektrotlu bir implantla felçli hastaların bilgisayarı düşünceyle kontrol etmesini sağlar. Görme implantı Blindsight üzerinde de çalışır.Yap ya da Satın AlBuild vs BuyBir kurumun yapay zekâ çözümünü kendi ekibiyle geliştirmesi ile hazır bir ürün ya da hizmet satın alması arasındaki stratejik karar. Maliyet, hız, veri gizliliği, özelleştirme ihtiyacı ve kurum içi uzmanlık bu seçimde belirleyicidir.Suno / UdioMetin isteminden söz, vokal ve enstrümanlarıyla tam şarkı üreten müzik platformları; 2025 sonunda bazı büyük plak şirketleriyle telif davalarını uzlaşmayla kapatıp indirme kısıtlamaları getirdiler, Suno Eylül 2026'da lisanslı müzikle eğitilmiş v6 modellerine geçti.BERT / T5Google'ın geliştirdiği, transformer mimarisine dayanan iki öncü dil modeli. BERT metni iki yönlü okuyarak anlamayı öğrenir ve arama ile sınıflandırmada yaygınlaştı; T5 ise çeviri, özet ve soru cevaplama gibi her görevi 'metinden metne' dönüşüm olarak ele alır.HiggsfieldSinematik kamera hareketleri, karakter tutarlılığı ve farklı şirketlerin modellerine tek yerden erişimle bilinen yapay zekâ video ve görsel üretim platformu.ElevenLabsGerçekçi metinden sese dönüştürme, ses klonlama ve otomatik dublaj teknolojileriyle bilinen ses odaklı yapay zekâ şirketi. Sesli kitap, video seslendirmesi ve konuşan yapay zekâ ajanlarında yaygın kullanılır.RunwayVideo üretim ve düzenleme modelleri (Gen-4, sesli video üreten Gen-4.5) ile film ve reklam yapımına yönelik araçlar geliştiren ABD'li şirket; Aralık 2025'ten beri etkileşimli dünya modelleri de geliştiriyor.Kling / Seedance / HailuoÇin kökenli video üretim modeli aileleri: Kling (Kuaishou), Seedance (ByteDance) ve Hailuo (MiniMax); metinden ve görselden video üretirler.FLUX (Black Forest Labs)FLUXStable Diffusion'ı geliştiren araştırmacıların kurduğu Black Forest Labs'ın metinden görsel üretim model ailesi. Gürültüyü adım adım görsele dönüştüren akış eşleme (flow matching) yöntemiyle çalışır; yüksek görüntü kalitesi ve isteme sadakatiyle bilinir.MidjourneyMetin isteminden görsel üreten ve sanatsal, estetik görsel kalitesiyle bilinen yapay zekâ servisi; aynı adlı bağımsız laboratuvar tarafından geliştirilir. Başlangıçta Discord üzerinden çalışır, web arayüzünden de kullanılabilir.Perplexity AISorulara web'deki kaynakları tarayıp kaynak bağlantılarıyla birlikte özet yanıt veren yapay zekâ arama motoru ve onu geliştiren şirket. Klasik bağlantı listesi yerine doğrudan yanıt veren 'yanıt motoru' kategorisinin öncülerindendir.Stable Diffusion / Stability AIStability AI'ın desteğiyle 2022'de yayımlanan, ağırlıkları açık metinden görsel üretim modeli ve onu geliştiren şirket. Kişisel bilgisayarda çalıştırılabilmesi, yerel görsel üretim araçları ve topluluk modellerinden oluşan geniş bir ekosistemin doğmasını sağladı.CohereKurumsal kullanıma odaklanan Kanada merkezli yapay zekâ şirketi. Command dil modelleri, Embed gömme modelleri ve arama sonuçlarını yeniden sıralayan Rerank modelleriyle özellikle RAG sistemlerinde kullanılır.Amazon NovaAmazon'un kendi geliştirdiği temel model ailesi; metin, görsel ve video modellerini kapsar ve Amazon Bedrock üzerinden sunulur. Bedrock, AWS'nin farklı şirketlerin modellerine tek yerden erişim sağlayan bulut hizmetidir.GrokGrok (xAI)Elon Musk'ın kurduğu, 2026'da SpaceX bünyesine katılan xAI'ın büyük dil modeli ailesi ve asistanı; X platformunda, ayrı uygulamalarında ve API üzerinden sunulur.Kimi / GLMKimi (Moonshot) / GLM (Zhipu)Çin merkezli iki model ailesi: Kimi Moonshot AI'ın, GLM ise Zhipu AI'ın geliştirdiği modellerdir. İkisinin de açık ağırlıkla yayımlanan sürümleri vardır; özellikle uzun bağlam, kodlama ve ajan görevlerinde öne çıkarlar.NVIDIA NemotronNVIDIA'nın geliştirdiği açık ağırlıklı model ailesi; dil modellerinin yanı sıra başka modelleri eğitmek için sentetik veri üretmeye yönelik modeller de içerir. Kurumların kendi yapay zekâ ajanlarını ve uygulamalarını kurmasına yöneliktir.QwenQwen (Alibaba)Alibaba'nın geliştirdiği, büyük kısmı açık ağırlıkla yayımlanan geniş model ailesi. Farklı boyutlardaki dil, kodlama, görsel ve çok dilli modelleriyle açık model topluluğunda yaygın kullanılır.Mistral AIFransa merkezli yapay zekâ şirketi; açık ağırlıklı modelleri ve uzmanlar karışımı (MoE) mimarisini kullanan modelleriyle tanınır. Avrupa'nın önde gelen yapay zekâ girişimlerinden biridir ve Le Chat adlı sohbet asistanını da sunar.DeepSeekÇin merkezli laboratuvar; Ocak 2025'te düşük maliyetle eğitilmiş açık ağırlıklı akıl yürütme modeli R1 ile küresel etki yarattı, ardından akıl yürütmeyi tek modelde birleştiren V3.x ve Nisan 2026'da V4 serisini açık ağırlıkla yayımladı.Her Şeyi Segmentle ModeliSAM (Segment Anything Model)Meta'nın, görsel ve videolarda istenen herhangi bir nesnenin sınırlarını piksel düzeyinde çizerek ayıran (segmentleyen) temel modeli. Nesne bir nokta, kutu ya da SAM 3 ile birlikte metin istemiyle gösterilir; ek eğitim gerekmez.Microsoft Copilot / PhiMicrosoft'un iki ayrı yapay zekâ ürünü: Copilot, Windows ve Office uygulamaları gibi ürünlere gömülü yapay zekâ asistanıdır; Phi ise Microsoft'un geliştirdiği küçük ve açık ağırlıklı dil modeli ailesidir.Meta AIMeta'nın yapay zekâ asistanı ve araştırma çatısı; açık ağırlıklı Llama modellerini geliştirir, Nisan 2026'dan beri asistanı Meta Superintelligence Labs'in kapalı modeli Muse Spark çalıştırır. PyTorch'u da Meta başlatmıştır (bugün Linux Vakfı bünyesinde).LlamaMeta'nın geliştirdiği açık ağırlıklı büyük dil modeli ailesi. Ağırlıkları indirilip kendi bilgisayarında ya da sunucunda çalıştırılabildiği için açık model ekosisteminin gelişmesinde büyük rol oynadı.AlphaFoldDeepMind'ın, bir proteinin amino asit dizisinden üç boyutlu yapısını yüksek doğrulukla tahmin eden yapay zekâ modeli. Geliştiricileri Demis Hassabis ve John Jumper bu çalışmayla 2024 Nobel Kimya Ödülü'nü David Baker ile paylaştı; ilaç ve biyoloji araştırmalarını hızlandırdı.AlphaGo / AlphaZeroDeepMind'ın pekiştirmeli öğrenmeyle geliştirdiği oyun oynayan yapay zekâ sistemleri. AlphaGo 2016'da Go'nun dünya şampiyonlarından Lee Sedol'u yendi; AlphaZero ise insan oyunlarından örnek almadan, yalnızca kendi kendine oynayarak Go, satranç ve şogide ustalaştı.Imagen / Nano BananaGoogle'ın görsel üretim ve düzenleme modelleri: Imagen metinden görsel üreten model ailesidir, Nano Banana ise Gemini'nin görsel üretip düzenleyebilen modelinin yaygınlaşmış takma adıdır. Nano Banana özellikle sohbetle adım adım görsel düzenleme ve karakter tutarlılığıyla tanınır.NotebookLMGoogle'ın, kullanıcının yüklediği belgeler, web sayfaları ve videolar gibi kaynaklara dayanarak soru yanıtlayan, özet çıkaran ve podcast tarzında sesli özet üreten araştırma aracı. Yanıtlarında hangi kaynağa dayandığını gösterir.Vertex AIVertex AI (Gemini Enterprise Agent Platform)Google Cloud'un model eğitimi, Gemini ve üçüncü taraf modellere erişim ve dağıtım platformu; Nisan 2026'da ADK, Agent Runtime gibi ajan araçlarını da kapsayacak şekilde Gemini Enterprise Agent Platform adını aldı.VeoGoogle DeepMind'ın metin ve görsel istemlerden yüksek kaliteli video üreten modeli; yeni sürümleri videoyla uyumlu ses de üretebilir. Gemini uygulaması, Flow gibi Google araçları ve Google Cloud üzerinden sunulur.Gemini Flash / ProGoogle'ın Gemini model ailesindeki iki ana kademe: Flash hızlı ve düşük maliyetli işler için, Pro ise daha karmaşık görevlerde daha yüksek yetenek için tasarlanmıştır. Kullanıcı hız, maliyet ve kalite arasındaki dengeye göre seçim yapar.GemmaGoogle'ın Gemini ile aynı araştırma ve teknolojiden türettiği, açık ağırlıklı ve hafif model ailesi. Kişisel bilgisayarda, telefonda ya da kendi sunucunda çalıştırılabilir ve ince ayarla özelleştirilebilir.Anayasal Yapay ZekâConstitutional AIAnthropic'in geliştirdiği hizalama yöntemi: model, yazılı ilkelerden oluşan bir 'anayasa'ya göre kendi yanıtlarını eleştirip düzeltir ve insan etiketleri yerine yapay zekâ geri bildirimiyle (RLAIF) eğitilir. Claude'un anayasası Ocak 2026'da yeniden yazıldı.Google DeepMindGoogle'ın yapay zekâ araştırma birimi; Gemini, AlphaFold, AlphaGo ve SynthID gibi teknolojileri geliştirdi. 2010'da Londra'da kurulan DeepMind ile Google Brain ekibinin 2023'te birleşmesiyle bugünkü yapısını aldı.GeminiGoogle DeepMind'ın geliştirdiği, metin, görsel, ses ve videoyu birlikte işleyebilen çok modlu büyük dil modeli ailesi. Aynı adı taşıyan Gemini uygulamasında ve Google'ın birçok ürününde kullanılır.ClaudeAnthropic'in geliştirdiği büyük dil modeli ailesi ve aynı adı taşıyan yapay zekâ asistanı. Metin ve görsel girdileri işleyebilir; sohbet, yazı, analiz ve özellikle kodlama işlerinde kullanılır, web, masaüstü ve mobil uygulamalarla API üzerinden sunulur.Claude Opus / Sonnet / HaikuAnthropic'in Claude model ailesindeki üç boy kademesi: Opus en yetenekli, Sonnet yetenek ile hız arasında dengeli, Haiku ise en hızlı ve en ekonomik olanıdır. Kullanıcı işin zorluğuna ve bütçesine göre kademe seçer.AnthropicClaude model ailesini geliştiren, güvenlik odaklı ABD'li yapay zekâ araştırma şirketi. 2021'de, aralarında Dario ve Daniela Amodei'nin de bulunduğu eski OpenAI çalışanları tarafından kuruldu; Anayasal Yapay Zekâ gibi hizalama yöntemleriyle tanınır.Responses APIOpenAI'nin, tek istekte web araması, dosya araması, kod çalıştırma ve MCP gibi yerleşik araçları kullanabilen, konuşma durumunu sunucuda tutabilen ana API'si; Ağustos 2026'da kapatılan Assistants API'nin yerini aldı.SoraOpenAI'nin metinden video üreten modeli ve aynı adlı sosyal video uygulaması; Sora 2 ile sesli video üretimine geçti. OpenAI Mart 2026'da hizmeti sonlandırma kararını açıkladı; uygulama Nisan, API ise Eylül 2026'da kapandı.DALL-E / GPT ImageOpenAI'nin görsel üretim modelleri; DALL-E 2 ve DALL-E 3 Mayıs 2026'da API'den kaldırıldı, yerini ChatGPT'ye yerleşik, metni görsel içinde doğru yazabilen ve sohbetle düzenleme yapabilen GPT Image (gpt-image) modelleri aldı.GPT-5OpenAI'nin Ağustos 2025'te çıkardığı, hızlı yanıt ile akıl yürütme modunu otomatik yönlendiriciyle tek sistemde birleştiren model nesli; 5.x güncellemeleriyle sürdü, Eylül 2026'dan itibaren yerini GPT-6 nesline bırakmaya başladı.CodexOpenAI'nin kodlama ajanı ailesi; bulutta görev yürüten Codex ajanını, terminalde çalışan açık kaynak Codex CLI'ı, IDE eklentisini ve Şubat 2026'da çıkan masaüstü uygulamasını kapsar.o1OpenAI'nin Eylül 2024'te tanıttığı, yanıt vermeden önce uzun düşünce zinciri üreten ilk akıl yürütme modeli serisi; GPT-5 ve sonrasıyla yerini yeni modellere bıraktı, API'den Ekim 2026'da kaldırıldı.o3OpenAI'nin Nisan 2025'te çıkardığı, araç kullanımı ve görsel akıl yürütmeyi birleştiren akıl yürütme modeli; GPT-5 ile o-serisi tek model ailesinde birleşti, o3'ün API'den kaldırılması 11 Aralık 2026'ya planlandı.ChatGPT vs GPTChatGPT, OpenAI'nin insanların doğrudan kullandığı sohbet uygulamasıdır; GPT ise bu uygulamanın arkasında çalışan model ailesinin adıdır. Benzer ürün-model ayrımı diğer yapay zekâ şirketlerinde de vardır.GPT-4oOpenAI'nin Mayıs 2024'te çıkardığı, metin, görsel ve sesi tek modelde yerel olarak işleyen 'omni' modeli. Şubat 2026'da ChatGPT'den kaldırıldı; API'deki sürümleri de 14 Ocak 2027'de kapatılacak.GPT MimarisiGPT ArchitectureYalnızca kod çözücü (decoder-only) transformer bloklarından oluşan, metni soldan sağa bir sonraki token'ı tahmin ederek üreten mimari; büyük metin derleminde ön eğitim ve ardından ince ayar ile eğitilir. Çoğu güncel LLM bu yapıyı izler.Dil TespitiLanguage DetectionBir metnin hangi dilde yazıldığının otomatik olarak belirlenmesi. Çeviri, arama ve içerik denetimi gibi işlemlerden önce metni doğru araca yönlendirmek için ilk adım olarak kullanılır.OpenAIChatGPT'yi ve GPT model ailesini geliştiren ABD'li şirket; 2022'de ChatGPT ile üretken yapay zekâ dalgasını başlattı, Ekim 2025'te kâr amacı gütmeyen vakfın denetimindeki kamu yararı şirketine dönüştü.Metin ÜretimiText GenerationBir modelin verilen isteme ya da bağlama uygun, akıcı ve anlamlı yeni metin üretmesi. Büyük dil modelleri bunu bir sonraki token'ı tekrar tekrar tahmin ederek yapar; sohbet, yazı taslağı, özet ve kod üretimi bu yeteneğe dayanır.Anlamsal Metin BenzerliğiSemantic Textual Similarityİki metnin, farklı kelimelerle yazılmış olsalar bile, anlam bakımından ne kadar benzediğinin bir puanla ölçülmesi. Benzer soruları bulmak, tekrar eden içeriği ayıklamak ve anlamsal aramada kullanılır.Makine ÇevirisiMachine TranslationBir metnin ya da konuşmanın yazılımla bir dilden başka bir dile otomatik olarak çevrilmesi. Kurallara dayalı ilk sistemlerden istatistiksel yöntemlere, bugün de sinir ağlarına ve büyük dil modellerine dayanan çevirilere uzanır.Bilgi ÇıkarımıInformation ExtractionHaber, rapor ya da sözleşme gibi düzensiz metinlerden kişi, kurum, ilişki ve olay gibi bilgileri çekip tablo ya da veritabanına girilebilecek düzenli bir biçime dönüştürme. Varlık çıkarımı ve ilişki çıkarımı bu sürecin parçalarıdır.ÖzetlemeSummarizationUzun bir metnin ana bilgilerini koruyarak kısaltılması. Çıkarımsal özetleme metindeki önemli cümleleri olduğu gibi seçer; soyutlayıcı özetleme ise içeriği yeni cümlelerle yeniden yazar.Soru CevaplamaQuestion Answering (QA)Bir soruya verilen metinden, belge koleksiyonundan ya da modelin kendi bilgisinden doğru ve kısa bir yanıt üretme görevi. Arama motorlarında, müşteri destek botlarında ve RAG sistemlerinde temel işlevdir.Konu ModellemeTopic Modeling (LDA)Çok sayıda belgeden oluşan bir koleksiyonda hangi konuların işlendiğini, önceden etiket vermeden (gözetimsiz olarak) kelime örüntülerinden keşfeden yöntem. En bilinen klasik algoritması LDA'dır (Latent Dirichlet Allocation).Niyet Tanıma / Slot DoldurmaIntent Recognition / Slot FillingKullanıcının söylediği bir cümlenin amacını (niyet) ve içindeki ayrıntıları (slot) ayırma işlemi; örneğin 'yarın Ankara'ya uçak bileti' isteğinde niyet bilet almak, slotlar tarih ve şehirdir. Klasik sohbet botlarının ve sesli asistanların temelidir.Duygu AnaliziSentiment AnalysisBir metnin taşıdığı duygusal tonun olumlu, olumsuz ya da nötr olarak otomatik tespit edilmesi. Müşteri yorumlarını, sosyal medya paylaşımlarını ve anket yanıtlarını toplu hâlde değerlendirmek için kullanılır.Metin SınıflandırmaText ClassificationBir metni önceden belirlenmiş kategorilerden birine ya da birkaçına otomatik olarak atama görevi; örneğin e-postayı spam ya da normal, haberi konusuna göre ayırmak. Duygu analizi ve dil tespiti de bu görevin özel türleridir.Adlandırılmış Varlık TanımaNER (Named Entity Recognition)Bir metinde geçen kişi, yer, kurum ve tarih gibi özel adları otomatik olarak bulup türüne göre etiketleyen doğal dil işleme görevi. Haber analizi, belge arama ve bilgi çıkarımında temel adımdır.Eşgönderim ÇözümüCoreference ResolutionBir metinde aynı varlığa işaret eden farklı ifadelerin, örneğin 'Ayşe Hanım', 'o' ve 'doktor', bulunup eşleştirilmesi. Özetleme, soru cevaplama ve bilgi çıkarımında kimin ne yaptığını doğru anlamak için gereklidir.Durak KelimelerStop Words'Ve', 'ile', 'bu' gibi metinde çok sık geçen ama tek başına az anlam taşıyan kelimeler. Klasik arama ve metin analizi yöntemlerinde çoğu zaman ayıklanır; modern dil modelleri ise bunları cümlenin parçası olarak işler.Sözcük Türü EtiketlemePOS TaggingBir cümledeki her kelimenin isim, fiil, sıfat ya da zarf gibi dil bilgisel türünün otomatik olarak belirlenmesi. Sözdizimsel ayrıştırma ve varlık tanıma gibi sonraki dil işleme adımlarına temel oluşturur.Sözdizimsel AyrıştırmaParsingBir cümlenin dil bilgisel yapısının, yani hangi kelimenin hangisine bağlı olduğunun ve öğelerin nasıl bir araya geldiğinin otomatik olarak çıkarılması. Sonuç genellikle kelimeleri dallar hâlinde birbirine bağlayan bağımlılık ağacıyla gösterilir.Word2Vec / GloVeKelimeleri, anlamca yakın kelimelerin birbirine yakın düştüğü sayı dizilerine (vektörlere) dönüştüren ilk yaygın gömme yöntemleri; Word2Vec Google'da, GloVe Stanford Üniversitesi'nde geliştirildi. Bugünkü modellerin kullandığı gömme fikrinin öncüleridir.Kök Bulma / LemmatizasyonStemming / LemmatizationKelimeleri eklerinden arındırarak köküne (kök bulma) ya da sözlükteki temel biçimine (lemmatizasyon) indirgeyen doğal dil işleme adımları. Türkçe gibi bol ekli dillerde aynı kelimenin farklı biçimlerini bir araya toplamak için önemlidir.Torba Kelime ModeliBag of WordsBir metni kelimelerin sırasını yok sayarak yalnızca hangi kelimenin kaç kez geçtiğiyle temsil eden basit yöntem. Spam filtreleme ve metin sınıflandırma gibi klasik uygulamalarda kullanılmıştır.TF-IDFBir kelimenin bir belgedeki önemini, o belgede ne sık geçtiğine ve tüm belgeler arasında ne kadar yaygın olduğuna bakarak ölçen klasik yöntem. Her yerde geçen kelimeler düşük, belgeye özgü kelimeler yüksek puan alır; arama motorlarında ve anahtar kelime çıkarımında kullanılır.Klasik Dil ModeliStatistical Language Model (n-gram)Bir kelimenin ardından hangi kelimenin geleceğini, metinlerde art arda gelen kelime gruplarının (n-gram) sayımına dayanarak tahmin eden istatistiksel dil modeli. Büyük dil modellerinden önce otomatik tamamlama ve konuşma tanımada yaygın kullanılıyordu.Kişisel Bilgi YönetimiPKM (Personal Knowledge Management)Bireyin bilgiyi toplama, düzenleme, bağlantılandırma ve yeniden kullanma pratiklerinin bütünü; İkinci Beyin yaklaşımının dayandığı disiplin.Doğal Dil Anlama / ÜretmeNLU / NLGDoğal dil işlemenin (NLP) iki ana kolu: NLU bir metnin ya da konuşmanın anlamını çözümlemeyi, NLG ise anlamlı ve akıcı doğal dil metni üretmeyi kapsar. Sohbet botları ve sesli asistanlar ikisini birlikte kullanır.Bilgi YönetimiKnowledge ManagementBir kurumdaki bilginin toplanması, düzenlenmesi, paylaşılması ve güncel tutulması disiplini. Yapay zekâ çağında kurum bilgisinin asistanlar ve RAG sistemleri tarafından erişilebilir hâle getirilmesini de kapsar.İkinci BeyinSecond BrainKişinin notlarını, belgelerini ve fikirlerini dijital ortamda toplayıp düzenlediği, birbirine bağlayıp gerektiğinde yapay zekâ ile sorgulayabildiği kişisel bilgi sistemi. Tiago Forte'nin popülerleştirdiği bu yaklaşım genellikle Notion ve Obsidian gibi araçlarla kurulur.Yapay Zekâya Hazır VeriAI Ready DataTemizlenmiş, düzenlenmiş ve gerektiğinde etiketlenmiş, böylece ek hazırlık yapmadan yapay zekâda kullanılabilecek nitelikteki veri. Hem model eğitimine ve ince ayara hem de RAG ya da istem yoluyla modele bağlam olarak verilmeye uygundur.Kurumsal AramaEnterprise SearchKurumdaki belgeler, e-postalar ve iş uygulamaları gibi farklı kaynaklarda tek bir arama kutusundan yapılan, her kullanıcıya yalnızca erişim yetkisi olan içeriği gösteren arama. RAG ile birleşerek arama sonuçlarından doğrudan yanıt üreten asistanlara dönüşüyor.Metinden SQL'eText-to-SQLDoğal dille sorulan bir sorunun, örneğin 'geçen ay en çok satan ürün hangisi?', veritabanının anlayacağı SQL sorgusuna otomatik olarak çevrilmesi. Böylece SQL bilmeyen kullanıcılar da veriye doğrudan soru sorabilir.Yapay Zekâ ile Veri AnaliziAI Data AnalystKullanıcının yüklediği tablo veya bağladığı veri kaynağı üzerinde, modelin doğal dil isteğine göre kod (genelde Python veya SQL) yazıp korumalı ortamda çalıştırarak analiz, grafik ve özet ürettiği özellik.Veri Göl Evi (Lakehouse)Data LakehouseVeri gölünün ucuz ve esnek depolamasını, veri ambarının düzen, güvenilirlik ve sorgu özellikleriyle birleştiren veri mimarisi. Genellikle Apache Iceberg ya da Delta Lake gibi açık tablo formatlarıyla kurulur; Databricks bu yaklaşımı yaygınlaştıran şirketlerdendir.Anlamsal KatmanSemantic LayerVeritabanındaki ham tablo ve sütun adlarını 'gelir', 'aktif müşteri' gibi iş dünyasının kullandığı terimlerle eşleyen ve bu terimlerin nasıl hesaplanacağını tanımlayan katman. Herkesin aynı tanımı kullanmasını sağlar, yapay zekânın doğal dil sorularını doğru sorguya çevirmesini (Text-to-SQL) de kolaylaştırır.Veri KataloğuData CatalogBir kurumdaki veri kümelerinin nerede durduğunu, ne içerdiğini, kime ait olduğunu ve nasıl kullanılabileceğini metadata yardımıyla gösteren aranabilir envanter. Çalışanların ve yapay zekâ sistemlerinin doğru veriyi hızla bulmasını sağlar.Veri GölüData LakeYapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış her türlü ham verinin işlenmeden, düşük maliyetle ve büyük ölçekte saklandığı depolama sistemi. Veri, ihtiyaç duyulduğunda analiz ya da model eğitimi için işlenir.Veri AmbarıData WarehouseFarklı kaynaklardan toplanan verinin temizlenip düzenlenerek analiz ve raporlama için yapılandırılmış biçimde saklandığı sistem. Şirketlerin satış, finans ve müşteri raporları genellikle buradan üretilir.ŞemaSchemaBir veri kümesinin ya da veritabanının yapısını, yani hangi alanlardan oluştuğunu, her alanın türünü ve alanlar arasındaki ilişkileri tanımlayan çerçeve. Yapay zekâ modellerinden düzenli çıktı alırken beklenen biçimi tarif etmek için de kullanılır.MetadataBir verinin kendisini değil, o veri hakkındaki bilgiyi taşıyan ek veri (üst veri); oluşturulma tarihi, yazar, dosya boyutu ya da kaynak gibi. Arama, filtreleme ve RAG sistemlerinde doğru belgeyi bulmak için kullanılır.Yapılandırılmamış VeriUnstructured DataBelirli bir şeması ya da tablo düzeni olmayan veri; metinler, e-postalar, görseller, ses ve video kayıtları bu türdendir. Kurumlardaki verinin büyük kısmını oluşturur ve yapay zekâ modelleri sayesinde anlamlandırılıp aranabilir hâle gelir.Yarı Yapılandırılmış VeriSemi-structured DataSabit bir tablo şeması olmayan ama etiketler ve iç içe yapılar sayesinde belli bir düzen taşıyan veri. JSON ve XML dosyaları ile gönderen ve konu gibi alanları olan e-postalar tipik örneklerdir.Belge DeposuDocument StoreVerileri satır ve sütunlardan oluşan tablolar yerine JSON benzeri belgeler hâlinde saklayan veritabanı türü; MongoDB bilinen bir örneğidir. RAG sistemlerinde ise kaynak metin parçalarının ve bunlara ait üst verinin (metadata) tutulduğu bileşene de bu ad verilir.Yapılandırılmış VeriStructured DataÖnceden belirlenmiş bir şemaya göre satır ve sütunlar hâlinde düzenlenmiş veri; veritabanı tabloları ve hesap tabloları tipik örneklerdir. Kolayca aranabilir, sıralanabilir ve SQL gibi sorgu dilleriyle analiz edilebilir.Varlık Bağlama / ÇözümlemeEntity Linking / ResolutionMetindeki bir varlığın bilgi tabanındaki doğru kayıtla eşleştirilmesi ve farklı yazımların aynı varlıkta birleştirilmesi.İlişki ÇıkarımıRelation ExtractionMetinde geçen varlıklar arasındaki ilişkilerin, örneğin bir kişinin hangi şehirde doğduğunun ya da hangi ödülü aldığının, otomatik olarak tespit edilmesi. Çıkarılan ilişkiler genellikle bilgi grafiğine üçlüler olarak eklenir.TaksonomiTaxonomyKavramların ya da öğelerin genelden özele doğru, üst ve alt başlıklar hâlinde hiyerarşik olarak sınıflandırılması. Yapay zekâda veri etiketlemede, arama sistemlerinde ve bilgi tabanlarında içeriği düzenlemek için kullanılır.Varlık ÇıkarımıEntity ExtractionBir metinde geçen kişi, yer, kurum, tarih ve ürün gibi anlamlı varlıkların otomatik olarak bulunup çıkarılması. Belgeleri özetlemek, aramayı geliştirmek ve bilgi grafiği kurmak için ilk adımdır.OntolojiOntologyBir alandaki kavramların, özelliklerinin ve aralarındaki ilişkilerin kesin ve biçimsel olarak tanımlanması. Örneğin bir tıp ontolojisi hastalık, belirti ve ilaç kavramlarını ve bunların nasıl ilişkilendiğini belirler; bilgi grafiklerinin ortak dili olur.ÜçlüTriple (Özne-Yüklem-Nesne)Bilgi grafiğinin en küçük yapı taşı: bir özne, bir yüklem ve bir nesneden oluşan tek bir bilgi ifadesi. Örneğin 'Ankara – başkentidir – Türkiye' üçlüsü, Ankara'nın Türkiye'nin başkenti olduğunu söyler.RDF / SPARQLBilgi grafiklerinde kullanılan iki W3C standardı: RDF bilgiyi özne-yüklem-nesne üçlüleri hâlinde temsil eden veri modelidir, SPARQL ise bu veriler üzerinde sorgu yapmayı sağlayan dildir.Graf VeritabanıGraph Database (Neo4j)Verileri tablolar yerine düğümler (varlıklar) ve aralarındaki ilişkiler olarak saklayan, bu bağlantılar üzerinde hızlı sorgu çalıştıran veritabanı türü. Sosyal ağlar, dolandırıcılık tespiti ve bilgi grafikleri için uygundur; Neo4j bilinen bir örneğidir.Bilgi TabanıKnowledge BaseBir kuruluşun ya da sistemin bilgilerini, belgelerini ve sık sorulan sorularını düzenli ve aranabilir biçimde tuttuğu bilgi deposu. Yapay zekâ asistanları ve RAG sistemleri yanıt üretirken çoğu zaman bu kaynağa başvurur.Bilgi GrafiğiKnowledge GraphKişi, yer, kurum ve kavram gibi varlıkları düğümler, aralarındaki ilişkileri de bu düğümleri bağlayan çizgiler olarak gösteren bilgi yapısı. Arama motorları, öneri sistemleri ve yapay zekâ modellerinin doğru bilgiye bağlanması için kullanılır.Uçtan Uca Robot ÖğrenmesiEnd-to-End Robot LearningBir robotun gördüğünden motor komutlarına kadar bütün sürecin, ayrı ayrı elle tasarlanmış modüller yerine tek bir sinir ağı tarafından öğrenilmesi. Daha esnek davranış sağlar ama çok fazla eğitim verisi gerektirir.Yapay Zekâ Destekli DroneAI-powered DroneYapay zekâ sayesinde otonom uçabilen, nesneleri tanıyıp takip edebilen ve geçtiği alanın haritasını çıkarabilen insansız hava aracı. Tarım, arama kurtarma, altyapı denetimi ve kargo taşımacılığı gibi alanlarda kullanılır.Otonom AraçAutonomous VehicleSürücü müdahalesi olmadan çevresini algılayan, rotasını planlayan ve gaz, fren ve direksiyonu kendisi yöneten araç. Otomotiv mühendisleri birliği SAE'nin 0'dan (otomasyon yok) 5'e (tam otonom) uzanan seviyeleriyle sınıflandırılır.Kavrama / ManipülasyonGrasping / ManipulationRobotun nesneleri tutma, taşıma ve kullanma becerisi. Farklı şekil, ağırlık ve sertlikteki nesneleri kırmadan ve düşürmeden tutmak gerektiği için robotikteki en zor problemlerden biri sayılır.LiDARLazer darbeleriyle çevrenin üç boyutlu haritasını çıkaran sensör; otonom araçlarda yaygın.Eşzamanlı Konumlama ve HaritalamaSLAMBir robotun ya da aracın hiç bilmediği bir ortamda dolaşırken aynı anda hem ortamın haritasını çıkarması hem de bu harita üzerindeki kendi konumunu belirlemesi. Robot süpürgeler, dronlar ve artırılmış gerçeklik cihazları bu yöntemi kullanır.TeleoperasyonTeleoperationİnsanın bir robotu uzaktan, çoğu zaman kumanda kolu, VR başlığı ya da kendi hareketlerini taklit eden bir düzenekle yönetmesi. Robotlara hareket öğretmek için eğitim verisi toplamanın temel yöntemlerinden biridir.Sensör FüzyonuSensor FusionKamera, LiDAR (lazerle mesafe ölçen sensör) ve IMU (hareket ve yön ölçer) gibi farklı sensörlerden gelen verilerin birleştirilerek çevrenin daha doğru ve güvenilir algılanması. Otonom araçlarda ve robotlarda bir sensörün zayıf kaldığı durumu diğerinin telafi etmesini sağlar.Dijital İkizDigital TwinFiziksel bir nesnenin, tesisin ya da sürecin sensörlerden gelen gerçek zamanlı veriyle güncellenen sanal kopyası. Gerçek sistemi riske atmadan senaryo denemek, arızaları önceden tahmin etmek ve robotları sanal ortamda eğitmek için kullanılır; fabrika, enerji santrali ve şehir ikizleri yaygın örneklerdir.Simülasyon OrtamıSimulation Environment (Isaac Sim, MuJoCo)Robotların ve yapay zekâ ajanlarının, fizik kurallarını taklit eden sanal dünyalarda güvenli, hızlı ve ucuz biçimde eğitilip denendiği yazılım ortamları. NVIDIA Isaac Sim ve MuJoCo yaygın örneklerdir; burada öğrenilen beceriler sonra gerçek robota aktarılır.İnsansı RobotHumanoid Robotİnsan bedenine benzer yapıda, insanlar için tasarlanmış ev, fabrika ve depo gibi ortamlarda çalışmak üzere geliştirilen genel amaçlı robot. Tesla'nın Optimus'u, Figure'ün robotları ve Boston Dynamics'in Atlas'ı bilinen örneklerdir.Robot Temel ModeliRobot Foundation ModelÇok sayıda robottan ve görevden toplanan büyük veriyle eğitilen, farklı robot gövdelerinde ve yeni görevlerde genelleyebilen robot kontrol (politika) modeli. Google'ın RT-2'si, NVIDIA'nın GR00T'u ve Physical Intelligence'ın π0'ı örneklerdir.Görsel-Dil-Eylem ModeliVLA (Vision-Language-Action Model)Görsel algıyı ve dil anlayışını doğrudan fiziksel eylemlere bağlayan model türü: kamera görüntüsünü ve verilen komutu birlikte işleyip robotun kol ve tutucu hareketlerini üretir. Genel amaçlı robotların temel yapı taşlarından biridir.Dünya Temel ModeliWorld Foundation Model (WFM)Fiziksel dünyanın zaman içinde nasıl değiştiğini öğrenen ve bir eylemin ardından ne olacağını tahmin edebilen büyük ölçekli temel model. Robotların ve otonom araçların gerçek dünyaya çıkmadan önce simülasyonda eğitilmesi ve denenmesi için kullanılır.Fiziksel Yapay ZekâPhysical AIGerçek dünyayı sensörlerle algılayıp makineler aracılığıyla o dünyada iş gören yapay zekânın çatı adı. Robotları, otonom araçları, dronları, akıllı fabrikaları ve bunları eğitmek için kullanılan dünya modelleriyle simülasyonları kapsar; Vücutlanmış Yapay Zekâ bunun robot bedenine odaklanan alt kümesidir. Gartner bu alanı 2026 stratejik teknoloji trendleri arasında sayar.Vücutlanmış Yapay ZekâEmbodied AIBir robot gibi fiziksel bir bedende çalışan, çevresini sensörlerle algılayıp aktüatörler (motor ve eklem gibi hareket parçaları) aracılığıyla onunla etkileşime giren yapay zekâ. Yalnızca veriden değil, dünyada deneyerek de öğrenir.Beyin-Bilgisayar ArayüzüBCI (Brain-Computer Interface)Beyin sinyallerini okuyup bilgisayar komutlarına dönüştüren, bazı türleri beyne sinyal de gönderebilen sistem; kafatası içine yerleştirilen implantlarla ya da kafaya takılan EEG cihazlarıyla çalışır. En bilinen kullanımı felçli hastaların bilgisayarı ve cihazları düşünceyle kontrol etmesidir; sinyallerin çözümlenmesinde yapay zekâ modelleri kullanılır.BlindsightBlindsight (Neuralink)Neuralink'in, görme korteksi sağlam olan görme engellilerde gözü atlayıp görme korteksini doğrudan uyararak temel görme sağlamayı amaçlayan beyin implantı; ABD FDA'sı Eylül 2024'te 'çığır açan cihaz' statüsü verdi. İlk insan implantı 2025'ten 2026'ya ertelendi ve Kasım 2026 itibarıyla gerçekleştiği doğrulanmadı.JevJev (TypeSafe AI)San Francisco merkezli TypeSafe AI'ın Eylül 2026'da çıkardığı ilk açık 'System One' karar modeli; metin üretmez, verilen durum ve önceden tanımlanmış sorular için seçim, puan veya olasılık değeri ile güven skoru döndürür. Şirkete göre büyük dil modellerinden çok daha hızlı ve ucuzdur; bu iddialar henüz bağımsız benchmark'larla doğrulanmamıştır. Adını Jevons Paradoksu'ndan alır.ManusAraştırma, kodlama ve web işlerini kendi bulut ortamında yürüten genel amaçlı otonom yapay zekâ ajanı; 2025'te bu alanda öne çıktı. Meta Aralık 2025'te yaklaşık 2 milyar dolara satın almıştı; Çin'in Nisan 2026'daki iptal kararının ardından anlaşma geri alındı ve Manus, Tencent'in öncülük ettiği yatırımcı grubunun geri alımıyla 2026 yazında yeniden bağımsız şirket oldu.OpenClawPeter Steinberger'ın geliştirdiği, yerel bilgisayarda çalışan açık kaynak kişisel yapay zekâ ajanı. Dosyalara, betiklere ve tarayıcıya erişir, WhatsApp ve Slack gibi sohbet uygulamalarından yönetilir. Eski adları Clawdbot ve Moltbot'tur; Temmuz 2026'dan beri kâr amacı gütmeyen OpenClaw Foundation çatısında yürütülüyor.Meta MuseMuse (Meta)Meta'nın Eylül 2026'da çıkardığı kişisel yapay zekâ ajanı. Meta bulutundaki özel bir sanal makinede kendi tarayıcısıyla çalışır; e-posta gönderme, seyahat ayarlama ve alışveriş gibi işleri kullanıcı adına yapar.Claude DuetClaude Duet (Anthropic)Anthropic'in 21 Ekim 2026'da araştırma önizlemesi olarak açtığı, bulutta kendi sanal makinesi ve tarayıcısıyla çalışan proaktif kişisel ajan; bağlı e-posta, takvim ve iş uygulamalarını birkaç saatte bir tarayıp dikkat gerekenleri bildirir, işleri arka planda yürütür. Gönderme, ödeme, imzalama ve silme kullanıcı onayı gerektirir; hesaplar arası para aktarma ve menkul kıymet işlemleri onayla bile yapılamaz.Grok BotGrok Bot (xAI)xAI'ın Ağustos 2026'da çıkardığı, kendi bulut bilgisayarında sürekli çalışan yapay zekâ ajanı. API'si olmayan sitelere bile kullanıcı adına giriş yapabilir, onay gereken adımlarda kullanıcıya mesaj atar.ChatGPT DotsDots (OpenAI)OpenAI'nin Eylül 2026'da tanıttığı, sürekli açık çalışan iş ajanları. Ad ve avatar verilebilen bu ajanlar Slack, Teams ve ChatGPT üzerinden çalışır, kodlama dahil iş görevlerini üstlenir.ChatGPT AtlasOpenAI'nin Ekim 2025'te çıkardığı, ChatGPT'nin yerleşik olduğu ve ajan moduyla sayfalarda kullanıcı adına işlem yapabilen yapay zekâ tarayıcısı. 9 Ağustos 2026'da kapatıldı; tarayıcı özellikleri ChatGPT masaüstü uygulamasına taşındı.Perplexity CometComet (Perplexity)Perplexity'nin geliştirdiği yapay zekâ destekli web tarayıcısı; gezilen sayfalar hakkında soru sormayı ve tarayıcıdaki görevleri yapay zekâya devretmeyi sağlar.Etkileşimli Dünya ModeliInteractive World Model (Genie)Kullanıcının hareketlerine ve komutlarına gerçek zamanlı tepki vererek oynanabilir, keşfedilebilir sanal ortamlar üreten yapay zekâ modeli. Ortam önceden tasarlanmaz, her kare kullanıcının eylemine göre o anda üretilir; Google DeepMind'ın Genie modelleri bu türün bilinen örnekleridir.Özyinelemeli Dil ModeliRLM (Recursive Language Model)Çok uzun bir girdiyi tek seferde okumak yerine parçalara ayıran ve her parçayı işlemek için kendini yeniden (özyinelemeli olarak) çağıran dil modeli yaklaşımı. Bağlam penceresine sığmayacak kadar uzun belgelerle çalışabilmeyi amaçlar.Ajan Ödeme ProtokolleriAP2 / Agentic Commerce ProtocolYapay zekâ ajanlarının kullanıcı adına güvenli şekilde alışveriş ve ödeme yapabilmesi için geliştirilen açık protokoller (Google'ın AP2'si, OpenAI ve Stripe'ın Agentic Commerce Protocol'ü).Çıkarım Zamanı ÖlçeklemeInference-time ScalingModeli büyütmek yerine, yanıt üretirken (çıkarım sırasında) harcanan hesaplamayı artırarak daha iyi sonuç alma yaklaşımı. Model daha uzun düşünür, birden çok çözüm dener ya da yanıtını kontrol eder; Test Zamanı Hesaplama ile yakından ilişkilidir.Sürekli Öğrenen AjanContinually Learning AgentKullanım sırasında yaşadığı deneyimlerden kalıcı olarak öğrenen ve zamanla daha iyi hâle gelen yapay zekâ ajanı fikri. Bugünkü modeller eğitimden sonra büyük ölçüde sabit kaldığı için bu henüz tam çözülmemiş bir araştırma hedefidir.Büyük Eylem ModeliLAM (Large Action Model)Metin yanıtı yerine eylem üretmek üzere eğitilmiş model türü: uygulama ve web sitesi arayüzlerinde tıklama, yazma ve form doldurma gibi adımları kullanıcı adına gerçekleştirir. Ajanların bilgisayarı ya da telefonu kendi başına kullanabilmesinin temelidir.Büyük Kavram ModeliLCM (Large Concept Model)Meta'nın önerdiği, metni token token değil cümle düzeyindeki anlam birimleri (kavramlar) üzerinden işleyen araştırma mimarisi. Model bir sonraki kelimeyi değil, bir sonraki cümlenin anlamını tahmin eder.Süper HizalamaSuperalignmentİnsandan daha zeki olabilecek gelecekteki yapay zekâ sistemlerinin de insan değerleri ve niyetleriyle uyumlu kalmasını sağlamaya çalışan araştırma alanı. Asıl zorluk, insanların artık tam olarak denetleyemeyeceği bir sistemi nasıl yönlendireceğidir.Egemen Yapay ZekâSovereign AIBir ülkenin yapay zekâ kapasitesini kendi verisi, dili, veri merkezleri ve modelleriyle, dışa bağımlı olmadan geliştirmesi. Amaç kritik altyapıyı ve verileri ülke içinde tutmak, yerel dile ve kültüre uygun modeller kurmaktır.Öz-İyileştiren Yapay ZekâSelf-improving AI / Recursive Self-ImprovementBir yapay zekâ sisteminin kendi eğitim verisini, kodunu ya da mimarisini iyileştirerek yeteneklerini artırması; her iyileşmenin bir sonrakini kolaylaştırdığı bir döngü. Bugün büyük ölçüde araştırma konusu ve gelecek senaryosudur; denetimsiz bir zekâ sıçramasına yol açabileceği için güvenlik tartışmalarının merkezindedir.Yapay Zekâ Bilim İnsanıAI Scientist / Automated ResearchHipotez üretme, deney tasarlama, deneyi yürütme ve sonuçları makale olarak yazma gibi bilimsel araştırma adımlarını büyük ölçüde kendi başına yürüten yapay zekâ ajanı sistemleri. Amaç bilimsel keşfi hızlandırmaktır; ürettikleri sonuçlar hâlâ insan bilim insanlarının denetimine ihtiyaç duyar.Gizil Akıl YürütmeLatent ReasoningModelin akıl yürütme adımlarını okunabilir metin (token) olarak yazmak yerine kendi iç temsilleri, yani gizli durum uzayı üzerinden yürütmesini amaçlayan araştırma yaklaşımı. Daha hızlı düşünmeyi vaat eder, ancak modelin nasıl düşündüğünü dışarıdan izlemeyi zorlaştırır.Nöro-Sembolik Yapay ZekâNeuro-symbolic AISinir ağlarının veriden örüntü öğrenme yeteneğini, sembolik yapay zekânın kurallara ve mantığa dayalı akıl yürütmesiyle birleştiren yaklaşım. Hem esnek öğrenen hem de kararını açıklayabilen sistemler kurmayı hedefler.Yapay Zekâ ArkadaşıAI CompanionSohbet, duygusal destek ve arkadaşlık amacıyla tasarlanmış, kişiliği olan yapay zekâ karakter uygulamaları. Yaygınlaştıkça yalnızlık, bağımlılık ve gençlerin korunması gibi tartışmaları da gündeme getirdi.Sentetik MedyaSynthetic MediaYapay zekâ ile baştan üretilen ya da değiştirilen her türlü görsel, ses ve video içeriğin genel adı. Reklamdan eğitime pek çok alanda kullanılır; deepfake gibi kötüye kullanımları nedeniyle etiketleme tartışmalarının konusudur.Test Zamanı EğitimiTest-Time TrainingModelin çıkarım sırasında, yani bir soruyu yanıtlarken, karşılaştığı örneğe göre ağırlıklarını geçici olarak güncellemesi. Eğitimde görmediği türden verilere daha iyi uyum sağlamayı amaçlayan bir araştırma yöntemidir.Kişisel AjanPersonal Agent / Personal AIKullanıcının tercihlerini, takvimini ve verilerini bilen, onun adına randevu ayarlama ve e-posta yanıtlama gibi görevleri yürüten kişisel yapay zekâ asistanı.Yapay Zekâ İşletim SistemiAI OSKullanıcının doğal dille ne istediğini söylediği ve hangi uygulamanın nasıl kullanılacağına yapay zekâ ajanının karar verdiği işletim sistemi vizyonu. Uygulamalar tek tek açılmak yerine ajan tarafından arka planda yönetilir.Ajan Tabanlı TicaretAgentic CommerceYapay zekâ ajanlarının kullanıcı adına ürün araştırıp seçebilmesi, satın alabilmesi ve ödemeyi yapabilmesi. Bu durum yeni ödeme protokollerini, ajana verilecek yetkiyi ve güven sorularını gündeme getirir.Ajan Tabanlı WebAgentic WebWeb sitelerinin yalnızca insanlar için değil yapay zekâ ajanları için de tasarlandığı, MCP ve WebMCP gibi standartlarla makinelerin erişimine açıldığı vizyon. Ajanlar sayfayı ekrandan okumak yerine sitenin sunduğu araçları doğrudan kullanabilir.Yapay Zekâ YerelAI-NativeBaştan itibaren yapay zekâ etrafında tasarlanmış ürün, şirket veya süreç; sonradan yapay zekâ eklenmiş olanların karşıtı.Üretken ArayüzGenerative UIEkrandaki düğme, tablo, grafik gibi arayüz bileşenlerinin önceden tasarlanmak yerine kullanıcının isteğine göre model tarafından o anda oluşturulması. Örneğin bir hava durumu sorusuna düz metin yerine etkileşimli bir kart gösterilebilir.Akıllı OtomasyonIntelligent Automation (IA)RPA'nın; belgedeki yazıyı okuyan OCR, belge anlama, makine öğrenmesi ve süreç madenciliğiyle birleştirildiği otomasyon yaklaşımı. Fatura ya da başvuru formu gibi yarı yapılandırılmış belgeleri okuyup basit karar adımlarını da yürütebilir.Ajan Tabanlı Süreç OtomasyonuAgentic Process Automation (APA)Kurumsal süreçlerde sabit RPA betikleri yerine hedef verilen yapay zekâ ajanlarının çalıştığı otomasyon yaklaşımı. Ajan adımları kendisi planlar, istisnaları yorumlar ve gerektiğinde RPA robotlarını ya da insanları devreye sokar; Automation Anywhere ve UiPath gibi RPA üreticilerinin yeni ürün hattıdır.Yapay Zekâ OtomasyonuAI AutomationTekrarlayan iş süreçlerinin yapay zekâ ile otomatikleştirilmesinin genel adı; kurala dayalı RPA'dan, belge okuyan akıllı otomasyona ve adımlarına kendisi karar veren ajan tabanlı süreç otomasyonuna kadar uzanır.Robotik Süreç OtomasyonuRPA (Robotic Process Automation)Bir insanın ekranda yaptığı tıklama, kopyalama ve form doldurma gibi tekrarlayan işleri önceden kodlanmış kurallarla taklit eden yazılım robotları (UiPath, Automation Anywhere, Power Automate gibi). Kurala bağlı işlerde hızlıdır, ancak ekran ya da süreç değişince bozulur ve istisnalarda insana ihtiyaç duyar.Üretken Motor OptimizasyonuGEO (Generative Engine Optimization)İçeriğin, yapay zekâ arama ve yanıt motorlarının ürettiği cevaplarda kaynak olarak gösterilmesi için düzenlenmesi. Arama motoru optimizasyonunun (SEO) yapay zekâ çağındaki karşılığıdır.Yapay Zekâ İş AkışıAI WorkflowLLM çağrıları, araçlar ve kurallardan oluşan adımların sırasının önceden geliştirici tarafından belirlendiği otomatik süreç; adımlarına kendisi karar veren ajandan bu öngörülebilirliğiyle ayrılır.Yapay Zekâ AramasıAI SearchBağlantı listesi sunan geleneksel aramanın aksine, soruyu doğal dille anlayıp birden fazla kaynaktan derlenmiş bir yanıt üreten yapay zekâ tabanlı arama. Kullanıcı sonuçları tek tek açmadan özet bir cevap alır.Yanıt MotoruAnswer EngineBağlantı listesi yerine, kaynakları okuyup sentezlediği doğrudan yanıtı kaynak göstererek sunan arama sistemi. Perplexity ve Google'ın AI Overviews özelliği buna örnektir.Yapay Zekâ TarayıcısıAI BrowserSayfa içeriğini okuyup özetleyen yerleşik bir asistanla, kullanıcı adına tıklama ve form doldurma gibi çok adımlı işler yapabilen ajan modunu birleştiren web tarayıcısı. ChatGPT Atlas ve Comet bu türün örnekleridir.Derin AraştırmaDeep ResearchAsistanın bir soru için dakikalarca onlarca kaynakta arama yapıp okuduğu, bulguları karşılaştırdığı ve sonunda kaynak gösterimli uzun bir rapor ürettiği ajan tabanlı özellik. ChatGPT, Gemini, Claude ve Perplexity'de bulunur.GitHub CopilotGitHub'ın (Microsoft) kodlama asistanı; kod tamamlama, IDE içinde sohbet, bulutta çalışan kodlama ajanı ve terminalde çalışan Copilot CLI sunar.ComfyUI / Automatic1111Açık kaynak görsel ve video üretim modellerini yerel olarak çalıştırmak için kullanılan arayüzler; ComfyUI düğüm tabanlı iş akışı kurmayı, Automatic1111 ise klasik web arayüzünü sunar.Çıkarım SağlayıcılarıInference Providers (Together, Fireworks, Groq)Açık ağırlıklı modelleri kendi altyapılarında çalıştırıp hızlı ve uygun maliyetli bir API ile sunan uzman bulut servisleri (Together, Fireworks, Groq gibi). Geliştiriciler modeli kendi sunucularında barındırmadan kullanabilir.Cursor / Windsurf (Devin Desktop)VS Code tabanlı, yapay zekâ yerleşik kod editörleri; sohbet, kod tabanı indeksleme ve çok dosyada değişiklik yapan ajan modu sunar. Windsurf, Cognition'a geçtikten sonra Haziran 2026'da Devin Desktop adını aldı.Claude CodeAnthropic'in terminalde (ayrıca IDE ve web üzerinden) çalışan, depoyu okuyup değiştirebilen, komut ve test çalıştırabilen kodlama ajanı.ONNX RuntimeMicrosoft'un geliştirdiği, ONNX adlı ortak model formatındaki modelleri farklı donanım ve işletim sistemlerinde hızlı çalıştıran açık kaynak çıkarım motoru. Bir kütüphaneyle eğitilen modelin başka ortamlarda da kullanılabilmesini sağlar.Bulut Yapay Zekâ PlatformlarıCloud AI PlatformsAWS (Bedrock), Microsoft (Foundry; eski adıyla Azure OpenAI ve AI Foundry) ve Google (Gemini Enterprise Agent Platform; eski adıyla Vertex AI) gibi, birçok sağlayıcının modeline yönetilen erişim sunan bulut servisleri. İnce ayar, ajan kurma ve dağıtım araçlarını da aynı yerde sağlar.DeepSpeed / MegatronDeepSpeed / Megatron-LMÇok büyük modellerin birden fazla GPU ve sunucuya bölünerek eğitilmesini sağlayan iki açık kaynak kütüphane: DeepSpeed Microsoft'un, Megatron-LM ise NVIDIA'nın geliştirdiği araçtır. Bellek tasarrufu ve paralellik teknikleriyle tek makineye sığmayan modellerin eğitimini mümkün kılar.RayPython uygulamalarını birçok bilgisayara dağıtarak ölçeklemeyi sağlayan açık kaynak çatı (framework). Büyük modellerin eğitiminde, veri işlemede ve model sunumunda kullanılır.Weights & BiasesWeights & Biases (W&B)Model eğitimi denemelerini kaydeden, metrikleri grafiklerle görselleştiren ve sonuçları ekip içinde karşılaştırmayı sağlayan deney takibi platformu. Mayıs 2025'te bulut şirketi CoreWeave tarafından satın alındı.Unsloth / Axolotl / TRLAçık ağırlıklı modellere verimli ince ayar yapmak için kullanılan açık kaynak kütüphaneler; LoRA, denetimli ince ayar (SFT) ve DPO, GRPO gibi tercih ve pekiştirmeli öğrenme yöntemlerini destekler. TRL, Hugging Face'in kütüphanesidir.Arize PhoenixArize AI'ın geliştirdiği, OpenTelemetry tabanlı açık kaynak LLM izleme ve değerlendirme aracı.MLflowDatabricks'in geliştirdiği, deney takibi, model kayıt defteri ve LLM izleme sunan açık kaynak MLOps platformu. Bir modelin denemeden canlı kullanıma kadar yaşam döngüsünü yönetmeyi sağlar.LangSmithLangChain ekibinin LLM uygulamaları için geliştirdiği izleme, hata ayıklama ve değerlendirme platformu. LangChain kullanmayan uygulamalarla da çalışabilir.LangfuseLLM uygulamaları için izleme (gözlemlenebilirlik), istem yönetimi ve değerlendirme özelliklerini bir arada sunan açık kaynak platform. Kendi sunucunda barındırılabilmesiyle öne çıkar; Ocak 2026'da ClickHouse tarafından satın alındı ve açık kaynak olarak sürüyor.Dify / FlowiseLLM uygulamalarını ve ajanları sürükle-bırak görsel arayüzle, az kod yazarak kurmayı sağlayan açık kaynak platformlar.Gradio / StreamlitYalnızca Python kodu yazarak yapay zekâ modelleri ve veri uygulamaları için hızlıca web tabanlı demo arayüzleri oluşturmayı sağlayan açık kaynak kütüphaneler.Vercel AI SDKVercel'in, web uygulamalarına yanıtı akış hâlinde gösteren sohbet arayüzleri ve LLM özellikleri eklemek için geliştirdiği açık kaynak TypeScript kütüphanesi. Farklı model sağlayıcılarını tek bir arayüzle kullanmayı sağlar.n8n / Make / ZapierUygulamaları birbirine bağlayan otomasyon akışlarını az kodla ya da hiç kod yazmadan kurmayı sağlayan iş akışı araçları. Akışlara yapay zekâ adımları da eklenebilir; n8n kendi sunucunda çalıştırılabilmesiyle öne çıkar.Claude Agent SDKAnthropic'in Claude Code altyapısını geliştiricilere açan, araç ve dosya erişimli ajan kurma kiti.Pydantic AIPydantic ekibinin geliştirdiği, tip güvenliğine ve şemaya uygun (yapılandırılmış) çıktıya odaklanan açık kaynak Python ajan çatısı (framework).smolagentssmolagents (Hugging Face)Hugging Face'in, eylemlerini Python kodu yazarak gerçekleştiren ajanlar kurmak için geliştirdiği minimal, açık kaynak çatı (framework).OpenAI Agents SDKOpenAI'ın ajanlar, ajanlar arası görev devri ve koruyucu bariyerler gibi yapı taşlarıyla çoklu ajan uygulamaları kurmayı sağlayan hafif, açık kaynak SDK'sı.Google ADKGoogle Agent Development KitGoogle'ın çoklu ajan sistemleri geliştirmek için sunduğu açık kaynak çatı (framework). Gemini modelleri ve ajanlar arası iletişim protokolü A2A ile uyumlu çalışır.AutoGenMicrosoft Research'ün, ajanların birbirleriyle mesajlaşarak görev çözdüğü çoklu ajan çatısı (framework). Ekim 2025'ten beri bakım modunda; yeni geliştirme, Semantic Kernel ile birlikte halefi olan Microsoft Agent Framework'te sürüyor (1.0 sürümü Nisan 2026).Semantic KernelMicrosoft'un LLM'leri .NET, Python ve Java uygulamalarına eklentiler ve fonksiyon çağrısıyla bağlayan SDK'sı. Nisan 2026'dan beri yeni özellikler halefi Microsoft Agent Framework'te geliştiriliyor; Semantic Kernel yalnızca bakım desteği alıyor.DSPyİstemleri elle yazmak yerine dil modeli işlem hatlarını kodla tanımlayıp istemleri ve örnekleri otomatik olarak optimize etmeyi sağlayan, Stanford kökenli açık kaynak çatı (framework).Haystackdeepset şirketinin geliştirdiği, arama ve RAG uygulamaları kurmaya odaklı açık kaynak doğal dil işleme çatısı (framework). Bileşenleri birbirine bağlayan işlem hatlarıyla belge arama ve soru-cevap sistemleri oluşturmayı sağlar.CrewAIFarklı rollere sahip birden fazla yapay zekâ ajanının bir ekip gibi iş birliği yaparak görev çözmesini kolaylaştıran açık kaynak Python çatısı (framework).LangGraphLangChain ekibinin geliştirdiği, ajan iş akışlarını durum tutan düğümler ve kenarlardan oluşan bir graf olarak tanımlamayı sağlayan bağımsız, düşük seviyeli orkestrasyon kütüphanesi. Kalıcı durumu, döngüleri ve insan onayı adımlarını destekler.LlamaIndexŞirket belgeleri gibi verileri büyük dil modellerine bağlamak, indekslemek ve sorgulamak için kullanılan açık kaynak çatı (framework). Özellikle RAG (getirmeyle zenginleştirilmiş üretim) uygulamalarında yaygındır.LangChainLLM uygulamaları için model, araç, istem ve bellek bileşenlerini ortak arayüzlerle birleştiren açık kaynak Python ve JavaScript çatısı (framework). 1.0 sürümünden beri LangGraph üzerine kurulu hazır bir ajan döngüsü sunar.OpenRouterFarklı şirketlerin yüzlerce modeline tek bir API anahtarı ve tek faturayla erişim sağlayan model toplayıcı servis. Geliştiricilerin modelleri kolayca değiştirmesini ve karşılaştırmasını sağlar.LiteLLMFarklı model sağlayıcılarının API'lerini OpenAI uyumlu tek bir arayüzde birleştiren açık kaynak kütüphane ve ağ geçidi. Uygulama kodunu değiştirmeden sağlayıcı değiştirmeyi, maliyet takibini ve yedeklemeyi kolaylaştırır.OllamaBüyük dil modellerini tek komutla indirip kişisel bilgisayarda çalıştırmayı kolaylaştıran açık kaynak araç. Modellerin internete veri göndermeden yerel olarak kullanılmasını sağlar.LM StudioAçık ağırlıklı dil modellerini indirip masaüstünde grafik arayüzle çalıştırmayı sağlayan uygulama. Komut satırı bilmeden yerel modellerle sohbet etmeyi mümkün kılar.Transformers KütüphanesiTransformers (Hugging Face)Hugging Face'in geliştirdiği, binlerce ön eğitimli modeli birkaç satır kodla indirip kullanmayı ve ince ayar yapmayı sağlayan açık kaynak Python kütüphanesi.Hugging Face HubHugging Face'in model, veri kümesi ve demo uygulamalarının (Spaces) barındırıldığı çevrim içi depo. Geliştiriciler buradaki modelleri sürüm geçmişiyle birlikte indirip kendi projelerinde kullanabilir.OpenAI APIOpenAI modellerine (metin, görsel, ses, gömme) programatik erişim sağlayan arayüz; güncel ana uç noktası araç kullanımı ve durum yönetimini destekleyen Responses API'dir, eski Assistants API 26 Ağustos 2026'da kapatıldı. Formatı birçok sağlayıcı tarafından uyumluluk standardı olarak benimsenir.Hugging FaceAçık kaynak yapay zekâ modellerinin, veri kümelerinin ve demo uygulamaların paylaşıldığı topluluk platformu ve onu işleten şirket. Transformers gibi yaygın kütüphaneleri de geliştirir; yapay zekâ dünyasının GitHub'ı olarak anılır.scikit-learnSınıflandırma, regresyon ve kümeleme gibi klasik makine öğrenmesi algoritmalarını hazır olarak sunan açık kaynak Python kütüphanesi. Derin öğrenme gerektirmeyen veri analizi işlerinde standart araçtır.Jupyter NotebookKodun, çıktısının, grafiklerin ve açıklama metinlerinin aynı belgede bir arada tutulduğu, tarayıcıda çalışan etkileşimli geliştirme ortamı. Kod hücre hücre çalıştırılabildiği için veri bilimi ve yapay zekâ denemelerinde standart araçtır.KaggleGoogle bünyesindeki, veri bilimi yarışmaları, açık veri kümeleri ve ücretsiz GPU'lu not defterleri sunan topluluk platformu. Yeni başlayanların gerçek veriyle pratik yaptığı başlıca yerlerden biridir.TensorFlow / KerasGoogle'ın geliştirdiği derin öğrenme kütüphanesi TensorFlow ile onun yüksek seviyeli arayüzü Keras. Keras 3'ten beri aynı kod JAX, PyTorch ya da TensorFlow üzerinde çalışabiliyor; TensorFlow araştırmada PyTorch ve JAX'in gerisinde kalsa da üretimde ve mobilde (LiteRT) kullanılır.JAXGoogle'ın geliştirdiği, yüksek performanslı sayısal hesaplama ve otomatik türev alma için açık kaynak Python kütüphanesi. Özellikle TPU'larda büyük model eğitiminde kullanılır.ÇipletChipletTek parça büyük bir yonga yerine, birbirine bağlanan daha küçük yonga parçalarından oluşturulan işlemci tasarımı; yapay zekâ hızlandırıcılarında ölçek ve maliyet avantajı sağlar.PyTorchMeta'nın geliştirdiği ve bugün PyTorch Vakfı çatısı altında sürdürülen, araştırmada ve endüstride en yaygın kullanılan açık kaynak derin öğrenme kütüphanesi. Esnek ve Python'a yakın yapısıyla modelleri kurmayı, eğitmeyi ve denemeyi kolaylaştırır.Cihaz Üzerinde ÇıkarımOn-device InferenceEğitilmiş bir modelin bulut yerine doğrudan kullanıcının telefonunda ya da bilgisayarında çalıştırılması. Yanıtı hızlandırır, internet olmadan çalışabilir ve veriler cihazdan çıkmadığı için gizliliği korur.Yapay Zekâ PCAI PCYapay zekâ işleri için ayrı bir sinir işlem birimi (NPU) içeren ve bazı yapay zekâ özelliklerini buluta gitmeden cihaz üzerinde çalıştıran kişisel bilgisayar. Microsoft'un Copilot+ PC sınıfı buna örnektir.Nöromorfik ÇipNeuromorphic ChipBeynin nöron ve sinaps yapısını donanımda taklit eden, düşük enerjiyle çalışmak üzere tasarlanmış deneysel işlemci. Yalnızca sinyal geldiğinde çalışan yapısıyla klasik çiplere göre çok daha az güç harcaması hedeflenir.Uç Yapay ZekâEdge AIYapay zekâ modellerinin uzaktaki bulut sunucularında değil, verinin üretildiği yerdeki cihazda (telefon, kamera, sensör gibi) çalıştırılması. Gecikmeyi azaltır, internet bağlantısına bağımlılığı düşürür ve veriyi cihazda tutarak gizliliği artırır.Gömülü Yapay ZekâEmbedded AIYapay zekânın ev aletleri, arabalar ve sensörler gibi belirli bir işi yapan küçük elektronik sistemlerin (gömülü sistemler) içine yerleştirilmesi. Kısıtlı işlemci gücü ve enerjiyle çalışabilmesi için genellikle küçültülmüş modeller kullanılır.Enerji Tüketimi ve SoğutmaPower Consumption & CoolingYapay zekâ veri merkezlerinin çok yüksek elektrik ihtiyacı ile çiplerin ürettiği ısıyı uzaklaştırmak için kullanılan sıvı soğutma gibi çözümler. Enerji, yeni veri merkezlerinin nereye ve ne büyüklükte kurulabileceğini belirleyen başlıca etkenlerden biridir.NVLink / InfiniBandNVLink GPU'ları birbirine doğrudan, InfiniBand ise sunucuları ağ üzerinden yüksek hızla bağlayan bağlantı teknolojileridir. Binlerce GPU'nun tek bir model üzerinde birlikte çalıştığı dağıtık eğitimin omurgasını oluşturur.GPU KümesiGPU ClusterBinlerce GPU'nun yüksek hızlı ağla bağlanarak tek bir eğitim işi için birlikte çalıştığı yapı.Veri Merkezi / Yapay Zekâ FabrikasıData Center / AI FactoryYapay zekâ modellerinin eğitimi ve çalıştırılması (çıkarım) için binlerce GPU'yu, yüksek hızlı ağı, enerji ve soğutma altyapısını bir araya getiren büyük ölçekli hesaplama tesisi.Hesaplama-Sınırlı vs Bellek-SınırlıCompute-bound vs Memory-boundBir iş yükünü yavaşlatan darboğazın işlemcinin hesaplama gücü mü (hesaplama sınırlı), yoksa verinin bellekten yeterince hızlı gelmemesi mi (bellek sınırlı) olduğunu belirten ayrım. Hangi donanım iyileştirmesinin işe yarayacağını bu ayrım belirler.Sayı FormatlarıFP32 / FP16 / BF16 / FP8 / FP4 / INT8 / INT4Ağırlık ve hesaplamalarda kullanılan sayısal hassasiyet düzeyleri; düşük hassasiyet bellek ve hız kazandırır. Blackwell nesliyle donanım desteği gelen FP4 formatları (MXFP4, NVFP4) artık büyük modellerin eğitim ve sunumunda kullanılıyor.Yüksek Bant Genişlikli BellekHBM (High Bandwidth Memory)Bellek yongalarının üst üste yığılıp işlemcinin hemen yanına yerleştirildiği, çok yüksek veri aktarım hızına sahip bellek türü. Veri merkezi GPU'larında büyük modellerin hızlı çalışması için kullanılır.Bellek Bant GenişliğiMemory BandwidthBellekten işlemciye saniyede aktarılabilen veri miktarı; LLM çıkarım hızını çoğunlukla bu sınırlar.Hesaplama Gücü / GPU-SaatCompute / GPU-hoursBir modelin eğitimi ya da çalıştırılması için harcanan toplam hesaplama kaynağının ölçüsü; örneğin 100 GPU'nun 10 saat çalışması 1.000 GPU-saat eder. Yapay zekâ maliyetlerinin hesaplanmasında temel birimdir.Video BelleğiVRAM (Video RAM)Ekran kartı (GPU) üzerinde bulunan, modelin ağırlıklarını ve işlenen veriyi tutan yüksek hızlı bellek. Bir modelin yerel bilgisayarda çalışıp çalışamayacağını çoğu zaman VRAM miktarı belirler.Saniyedeki Kayan Nokta İşlemiFLOPS (Floating Point Operations Per Second)Bir donanımın saniyede yapabildiği kayan noktalı (ondalıklı) sayı işlemi sayısını gösteren hesaplama hızı birimi. Yapay zekâ çiplerinin gücü genellikle teraFLOPS ya da petaFLOPS cinsinden ifade edilir.TOPSTOPS (Tera Operations Per Second)Bir işlemcinin saniyede kaç trilyon işlem yapabildiğini gösteren birim. Genellikle NPU'ların tam sayılarla yaptığı yapay zekâ çıkarım performansını ifade etmek için kullanılır.Tensör ÇekirdekleriTensor CoresNVIDIA GPU'larında, derin öğrenmenin temel işlemi olan matris çarpımını çok hızlı yapmak için ayrılmış özel donanım birimleri. Özellikle düşük hassasiyetli sayı biçimleriyle eğitimi ve çıkarımı büyük ölçüde hızlandırır.GPU NesilleriGPU Generations (A100, H100, Blackwell, Rubin)NVIDIA veri merkezi GPU'larının birbirini izleyen nesilleri: Ampere (A100), Hopper (H100 ve H200), Blackwell (B200 ve B300) ve 2026'da piyasaya çıkan HBM4 bellekli Vera Rubin. Her nesil bellek, bant genişliği ve düşük hassasiyetli hesaplama gücünü artırır.Wafer Ölçekli ÇipWafer-Scale Engine (Cerebras)Cerebras'ın, bir silikon plakadan (wafer) çok sayıda küçük çip kesmek yerine plakanın tamamını tek bir dev çip olarak kullandığı mimari. Çekirdekleri ve belleği aynı yüzeye koyarak veri aktarımındaki gecikmeyi azaltır.Trainium / InferentiaAWS Trainium / InferentiaAmazon'un (AWS) kendi tasarladığı yapay zekâ çipleri: Inferentia çıkarım için tasarlandı, Trainium ise başta eğitim için çıktı. Trainium2 ve Trainium3 nesilleriyle artık Bedrock'taki çıkarım yükünün çoğunu da taşıyor; Anthropic'in modellerini eğittiği dev Project Rainier kümesi de Trainium2 çiplerinden oluşuyor.CUDANVIDIA'nın, GPU'larını grafik dışındaki genel amaçlı paralel hesaplamalar için programlamayı sağlayan platformu. Yapay zekâ kütüphanelerinin çoğu bunun üzerine kurulduğu için sektörün fiili standardı sayılır.ASIC / FPGAASIC, belirli bir iş yükü için özel olarak tasarlanıp üretilen ve sonradan değiştirilemeyen çiptir; FPGA ise üretildikten sonra yeniden programlanabilen çiptir. Google'ın TPU'su bir ASIC örneğidir.LPU (Groq)LPU (Language Processing Unit)Groq'un LLM çıkarımı için tasarladığı, harici HBM bellek yerine yonganın üzerindeki SRAM belleğe dayanan, çok düşük gecikmeli işlemci. NVIDIA Aralık 2025'te yaklaşık 20 milyar dolarlık lisans anlaşmasıyla teknolojiyi ve kurucu ekibi bünyesine kattı; GroqCloud hizmeti sürüyor.Sinir İşlem BirimiNPU (Neural Processing Unit)Yapay zekâ çıkarımı (eğitilmiş modelin çalıştırılması) için tasarlanmış, genellikle telefon ve bilgisayar gibi cihazların içinde bulunan özel işlemci. Yüz tanıma ya da ses işleme gibi işleri az enerjiyle cihaz üzerinde yapar.Apple Neural EngineApple'ın iPhone, iPad ve Mac çiplerine yerleştirdiği, cihaz üzerinde yapay zekâ çıkarımı için özel sinir işlem birimi (NPU). Face ID ve fotoğraf işleme gibi özellikleri buluta gitmeden çalıştırır.Grafik İşlem BirimiGPU (Graphics Processing Unit)Aslen grafik çizimi için geliştirilen, binlerce küçük çekirdekle aynı anda çok sayıda hesap yapabilen işlemci. Bu paralel güç sayesinde yapay zekâ modellerinin eğitiminde ve çalıştırılmasında en yaygın kullanılan donanımdır.Tensör İşlem BirimiTPU (Tensor Processing Unit)Google'ın sinir ağı hesaplamalarını, özellikle matris çarpımlarını hızlandırmak için tasarladığı özel yapay zekâ çipi. Gemini gibi modelleri eğitmek ve sunmak için kullanılır; Google Cloud üzerinden de kiralanabilir.Deney TakibiExperiment TrackingModel eğitimi ya da istem denemelerinde kullanılan parametrelerin, elde edilen metriklerin ve üretilen dosyaların (artefakt) her deneme için kayıt altına alınması. Sonuçları karşılaştırmayı ve iyi bir denemeyi yeniden üretebilmeyi sağlar.Merkezi İşlem BirimiCPU (Central Processing Unit)Bilgisayarda genel amaçlı hesaplamaları yapan ve diğer bileşenleri yöneten ana işlemci. Az sayıda güçlü çekirdekle sıralı işlerde iyidir; yapay zekâ eğitimi gibi yoğun paralel işlerde GPU'nun gerisinde kalır.Model Paketleme FormatlarıModel Flavors (Packaging)MLflow'da bir modelin hangi kütüphane ya da çalışma ortamıyla (örneğin scikit-learn, PyTorch, transformers) kaydedilip yükleneceğini tanımlayan paketleme biçimi. Ortak 'python_function' (pyfunc) biçimi, farklı kütüphanelerle yapılmış modelleri aynı arayüzle sunmayı sağlar.Ajan SunumuAgent ServingYapay zekâ ajanlarının canlı ortamda bir API olarak çalıştırılması. Tek bir model çağrısından farklı olarak çok adımlı ve uzun süren işleri, akışlı yanıtı, oturum durumunu, araç erişim yetkilerini ve izlemeyi birlikte yönetmeyi gerektirir.Otomatik İstem OptimizasyonuPrompt Optimization (Automated)Bir değerlendirme kümesi ve metrik kullanarak istem talimatlarını ve örneklerini algoritmayla deneyip en yüksek puanı veren sürümü seçen yöntem. DSPy'ın MIPROv2 ve GEPA optimizatörleri yaygın örneklerdir.Sürüm İzlemeVersion TrackingBir uygulamanın ya da ajanın her sürümünde kullanılan model, istem, kod ve yapılandırmanın kaydedilip izlere ve değerlendirme sonuçlarına bağlanması. Böylece hangi değişikliğin kaliteyi ya da maliyeti etkilediği sürümler arasında karşılaştırılabilir.Yeniden OynatmaReplayKaydedilmiş bir izin aynı girdilerle ama değiştirilmiş bir istem ya da modelle tekrar çalıştırılıp sonuçların karşılaştırılması. Bir değişikliğin gerçek kullanıcı örneklerinde nasıl bir fark yarattığını görmeyi sağlar.İstem Kayıt DefteriPrompt Registryİstem (prompt) şablonlarının sürüm numaralarıyla saklandığı ve merkezi olarak yönetildiği sistem. Hangi sürümün canlıda kullanıldığını izlemeyi ve gerektiğinde eski sürüme dönmeyi kolaylaştırır.İstem Oyun AlanıPrompt Playgroundİstemlerin farklı model ve parametrelerle (örneğin sıcaklık) hızlıca denenip sonuçlarının yan yana karşılaştırıldığı arayüz. Kod yazmadan istem tasarlamayı ve denemeyi kolaylaştırır.Otomatik Sorun TespitiAI Insights / Automatic Issue DetectionÇok sayıda canlı kullanım izini yapay zekâyla tarayarak tekrarlayan hata örüntülerini, kalite düşüşlerini ve olağan dışı durumları (anomalileri) otomatik olarak gruplayıp raporlayan özellik. İzleri tek tek incelemeden hangi sorunun ne sıklıkta görüldüğünü ortaya çıkarır.Koruyucu Bariyer İzlemeGuardrail MonitoringGüvenlik filtrelerinin (koruyucu bariyerlerin) ne sıklıkla tetiklendiğinin ve hangi isteklerin engellendiğinin takip edilmesi. Filtrelerin fazla katı ya da fazla gevşek olup olmadığını anlamaya yardımcı olur.Regresyon Testi (LLM/Agent)Regression TestingBir istem, model ya da kod değişikliğinden sonra uygulamanın önceden doğru yaptığı işlerde kalitenin düşüp düşmediğinin test edilmesi. Bir sorunu düzeltirken başka bir yeri bozmayı önler.Otomatik DeğerlendirmeAutomatic EvaluationÇıktıların insan müdahalesi olmadan puanlanması; biçim ve tam eşleşme kontrolleri gibi kurala dayalı testlerle, BLEU ve ROUGE gibi referans metrikleriyle ya da yargıç modellerle yapılır. Hızlı ve ucuzdur, ama insan değerlendirmesiyle düzenli olarak karşılaştırılıp ayarlanmalıdır.Değerlendirme Odaklı GeliştirmeEvaluation-Driven DevelopmentBir LLM ya da ajan uygulamasında önce başarı ölçütlerini ve değerlendirme kümesini tanımlayıp her istem, model veya kod değişikliğini bu değerlendirmelerle ölçerek ilerleyen geliştirme pratiği. Yazılımdaki test güdümlü geliştirmenin (TDD) yapay zekâ karşılığıdır.Değerlendirme DöngüsüEval LoopCanlı kullanım izlerinden zor ya da hatalı örneklerin toplanıp test kümesine eklendiği ve her değişiklikte bu kümeyle yeniden değerlendirme yapılan sürekli iyileştirme süreci. Böylece test kümesi gerçek kullanıcı sorunlarıyla zamanla güçlenir.Yargıç ModelLLM-as-a-JudgeBir büyük dil modelinin, başka bir modelin çıktısını belirli ölçütlere göre puanlayan değerlendirici olarak kullanılması. İnsan değerlendirmesine göre hızlı ve ucuzdur, ancak yargıç modelin kendi önyargıları da hesaba katılmalıdır.Değerlendirme Veri KümeleriEvaluation DatasetsBir yapay zekâ uygulamasını sınamak için hazırlanan, test senaryolarını ve her biri için beklenen doğru yanıtı (ground truth) içeren veri kümeleri. Merkezi tutulduklarında her değişiklik aynı sorularla ölçülür ve sonuçlar karşılaştırılabilir.BeklentilerExpectationsDeğerlendirmede bir çıktının karşılaştırılacağı beklenen ya da doğru yanıtların (ground truth) tanımları. Modelin cevabının doğru olup olmadığı bu referansa göre ölçülür.DeğerlendiricilerScorersBir çıktıyı ya da izi alıp puan, etiket ve gerekçe döndüren değerlendirme fonksiyonları. Kurala dayalı kod (örneğin biçim kontrolü) ya da yargıç model olabilir; hem geliştirme testlerinde hem canlı kullanım izlerinde çalıştırılır.Açıklama KuyruğuAnnotation QueueCanlı kullanımdan gelen izlerin insan değerlendiriciler tarafından sırayla incelenip etiketlenmesi için oluşturulan iş listesi. Bu etiketler değerlendirme veri kümelerini ve otomatik değerlendiricileri iyileştirmekte kullanılır.Oturum TakibiSession TrackingAynı kullanıcı oturumuna, örneğin tek bir sohbete ait bütün izlerin bir arada gruplanması. Çok adımlı konuşmalarda sorunun hangi mesajda başladığını görmeyi sağlar.OpenLLMetryTraceloop'un geliştirdiği, OpenAI, Anthropic ve LangChain gibi kütüphanelere yapılan LLM çağrılarını otomatik olarak OpenTelemetry izlerine dönüştüren açık kaynak izleme (enstrümantasyon) kütüphanesi. Traceloop Mart 2026'da ServiceNow tarafından satın alındı.Geri Bildirim (İz)Feedback (Trace Feedback)Bir ize ya da model çıktısına insan (kullanıcı beğenisi, uzman puanı) ya da otomatik değerlendirme sonucu olarak geri bildirim eklenmesi. Hangi yanıtların iyi ya da kötü olduğunu sonradan analiz etmeyi sağlar.OpenTelemetryİz, metrik ve günlük verilerini belirli bir üreticiye bağlı kalmadan toplayıp dışa aktarmak için API, SDK, toplayıcı (collector) ve OTLP protokolü sunan açık kaynak gözlemlenebilirlik standardı. CNCF bünyesinde geliştirilir; LLM izleme araçlarının çoğu bu formatı destekler.OTel GenAI Semantik KurallarıOpenTelemetry GenAI Semantic ConventionsLLM çağrılarına ait model adı, token sayısı ve istem gibi bilgilerin izlerde hangi standart alan adlarıyla kaydedileceğini tanımlayan OpenTelemetry kuralları. Farklı izleme araçlarının aynı veriyi aynı biçimde okuyabilmesini sağlar.Hata OranıError RateBaşarısız isteklerin (zaman aşımı, biçim hatası, modelin yanıt vermeyi reddetmesi gibi) toplam isteklere oranı. Sistemin güvenilirliğini gösteren temel metriklerden biridir.Gecikme KırılımıLatency BreakdownToplam yanıt süresinin veri getirme, model çağrısı ve araç çağrısı gibi adımlara bölünerek gösterilmesi. Yavaşlığın hangi adımdan kaynaklandığını bulmayı sağlar.UyarıAlertingMetrikler önceden belirlenen eşik değerleri aştığında (örneğin hata oranı birden yükseldiğinde) ekibe otomatik bildirim gönderilmesi. Sorunların kullanıcılar fark etmeden yakalanmasını sağlar.Token Kullanım TakibiToken Usage TrackingKullanıcı, özellik ya da model bazında harcanan girdi ve çıktı token'larının izlenmesi. Yapay zekâ maliyetinin nereden kaynaklandığını görmek ve bütçeyi kontrol etmek için kullanılır.MetriklerMetricsGecikme, hata oranı ve token kullanımı gibi sayısal ölçümlerin zaman içinde düzenli olarak toplanması. Sistemin genel sağlığını ve gidişatını grafiklerle izlemeyi sağlar.Gösterge PaneliDashboardMetriklerin, izlerin ve uyarıların grafik ve tablolarla tek ekranda görselleştirildiği izleme arayüzü. Ekiplerin sistemin durumunu bir bakışta görmesini sağlar.İz BilgisiTraceInfoMLflow Tracing'de bir iz nesnesinin iki parçasından biri; iz kimliği, durum, başlangıç zamanı, süre, etiketler ve değerlendirmeler gibi hafif üst verileri tutar. İzleri aramak ve filtrelemek için kullanılır.İz VerisiTraceDataMLflow Tracing'de bir iz nesnesinin asıl içeriği; isteğin girdisini, çıktısını ve her biri kendi girdi, çıktı ve süresine sahip span'lerin listesini tutar.GünlüklemeLoggingUygulamadaki istemlerin, yanıtların, hataların ve sistem olaylarının zaman damgasıyla kayıt altına alınması. Sorun çıktığında ne olduğunu sonradan incelemeyi ve denetim yapmayı sağlar.İzTraceTek bir isteğin baştan sona bütün yürütme kaydı; isteğin geçtiği her adım (span) bu kayıtta sırasıyla ve süresiyle yer alır. İzleme (tracing) sistemlerinin temel birimidir.SpanBir iz (trace) içindeki tek bir işlem ya da adım; örneğin bir model çağrısı veya bir veritabanı sorgusu. Her span'in kendi başlangıç zamanı, süresi, girdisi ve çıktısı vardır.Yapay Zekâ Malzeme ListesiAI BOM (AI Bill of Materials)Bir yapay zekâ sisteminde kullanılan modellerin, veri kümelerinin, kütüphanelerin ve bağımlılıkların kaynak ve sürümleriyle listelendiği envanter; tedarik zinciri güvenliği ve denetim için kullanılır.İzleme (Tracing)Tracing (Observability)Bir isteğin uygulama içinde geçtiği her adımın (model çağrısı, araç kullanımı, veri getirme gibi) uçtan uca ve süreleriyle kaydedilmesi. Hataların ya da yavaşlığın hangi adımdan kaynaklandığını bulmayı sağlar.Model Kullanımdan KaldırmaModel DeprecationSağlayıcının eski bir model sürümünü belirli bir tarihte kapatması; uygulamaların yeni sürüme geçişini zorunlu kılar.Çoklu Sağlayıcı StratejisiMulti-provider StrategyTek bir model sağlayıcısına bağımlı kalmamak için birden fazla sağlayıcının modellerini yedekli kullanma yaklaşımı. Bir sağlayıcıda kesinti, fiyat artışı ya da model kapanması olduğunda uygulama diğerine geçerek çalışmaya devam eder.SLA / SLOSLA (hizmet seviyesi anlaşması), sağlayıcının müşteriye erişilebilirlik ve yanıt süresi gibi konularda verdiği resmî taahhüttür; SLO (hizmet seviyesi hedefi) ise bu taahhüdü tutmak için izlenen iç hedeflerdir.P95 / P99 GecikmeP95 / P99 Latencyİsteklerin yüzde 95'inin ya da yüzde 99'unun altında kaldığı yanıt süresi. Ortalamanın gizlediği yavaş istekleri de gösterdiği için kullanıcı deneyimini daha güvenilir biçimde ölçer.Eğitim-Sunum UyumsuzluğuTraining-Serving SkewModelin eğitildiği ortamla canlıda çalıştığı (sunum) ortamda verinin farklı hazırlanması ya da işlenmesi yüzünden ortaya çıkan performans farkı. Testlerde iyi görünen modelin gerçek kullanımda beklenenden kötü çalışmasına yol açar.Yeniden Eğitim / Sürekli EğitimRetraining / Continuous TrainingModelin yeni verilerle, belirli aralıklarla ya da performans düşüşü gibi bir tetikleyiciyle yeniden eğitilmesi. Sapma nedeniyle eskiyen modelin güncel kalmasını sağlar.Veri SapmasıData DriftÜretimde modele gelen verinin dağılımının, modelin eğitildiği veriden zamanla uzaklaşması. Örneğin kullanıcı alışkanlıkları değiştikçe model eğitimde görmediği türde girdilerle karşılaşır ve başarısı düşer.Kavram SapmasıConcept DriftBir modelin öğrendiği girdi ile doğru çıktı arasındaki ilişkinin zamanla değişmesi. Veri aynı görünse bile doğru cevap değiştiği için eski model giderek daha çok yanlış tahmin yapar; dolandırıcıların yöntem değiştirmesi buna örnektir.Model SapmasıModel DriftCanlıya alınmış bir modelin performansının, veri ya da ortam değiştikçe zamanla düşmesi. Genellikle veri sapması ya da kavram sapmasından kaynaklanır; düzenli izleme ve yeniden eğitimle giderilir.İzlemeMonitoringÜretimdeki bir modelin doğruluğunun, hızının, maliyetinin ve hata oranlarının sürekli takip edilmesi. Veri değiştikçe model zamanla kötüleşebileceği için sorunların erken fark edilmesini sağlar.Sapma TespitiDrift DetectionBir modelin karşılaştığı verinin ya da modelin davranışının zaman içinde değişip değişmediğini istatistiksel olarak tespit etme. Sapma fark edildiğinde model yeniden eğitilir ya da güncellenir.Model Sürümü SabitlemeModel Version PinningBir uygulamada 'en güncel' anlamına gelen takma ad yerine, sağlayıcının tarihli ve belirli bir model sürümünün kullanılması. Böylece sağlayıcı modeli güncellediğinde uygulamanın davranışı sessizce değişmez; yeni sürüme ancak yeniden değerlendirmeden sonra geçilir.TekrarlanabilirlikReproducibilityAynı veri, kod ve ayarlarla bir deneyin ya da model eğitiminin aynı sonucu yeniden verebilmesi. Sonuçlara güvenmek ve hataları bulabilmek için gereklidir; bu yüzden veri, kod ve ayar sürümleri kayıt altına alınır.Sürekli Entegrasyon / Sürekli DağıtımCI/CDKod değişikliklerinin otomatik olarak birleştirilip test edildiği (sürekli entegrasyon) ve testleri geçen değişikliklerin otomatik olarak yayına alındığı (sürekli dağıtım) geliştirme pratiği. Hataların erken yakalanmasını ve sık, küçük güncellemeler yapılmasını sağlar.Sürüm YönetimiVersioningModel, veri ve kodun farklı sürümlerinin numaralandırılıp kayıt altına alınması. Hangi değişikliğin ne zaman yapıldığını görmeyi, sorun çıkarsa önceki sürüme dönmeyi ve sonuçları yeniden üretmeyi sağlar.Yazılım Geliştirme KitiSDK (Software Development Kit)Belirli bir platform ya da servis için uygulama geliştirmeyi kolaylaştıran hazır kütüphaneler, araçlar, örnek kodlar ve belgelerden oluşan paket. Yapay zekâ sağlayıcılarının SDK'ları, API'yi birkaç satır kodla kullanmayı sağlar.WebhookBir olay gerçekleştiğinde (örneğin bir işin tamamlanması) sistemin, önceden belirlenen bir adrese otomatik olarak bildirim göndermesi. Uzun süren model eğitimi ya da toplu işlem gibi işlerin sonucunu almak için yaygın kullanılır.Uygulama Programlama ArayüzüAPI (Application Programming Interface)Farklı yazılımların belirli kurallar çerçevesinde birbiriyle iletişim kurmasını sağlayan arayüz. Uygulamalar yapay zekâ modellerine çoğunlukla sağlayıcının API'si üzerinden istek gönderip yanıt alır.Ham APIRaw APIBir modele ya da servise, arada hazır uygulama veya yardımcı katman olmadan doğrudan bağlanılan temel API kullanımı. Genellikle API anahtarı yönetmeyi gerektirir ve hazır bir arayüz sunmaz; esneklik sağlar ama ayrıntılar geliştiriciye kalır.Gölge DağıtımShadow DeploymentYeni modelin gerçek trafiği alıp yanıtlarının kullanıcıya gösterilmeden karşılaştırma için kaydedilmesi.Şampiyon-RakipChampion-ChallengerÜretimdeki model (şampiyon) ile aday modelin (rakip) sürekli karşılaştırılarak en iyisinin seçilmesi.Geri AlmaRollbackYeni bir model ya da yazılım sürümü sorun çıkardığında hızla önceki, kararlı sürüme dönülmesi. Bunun için önceki sürümün her zaman hazır tutulması gerekir.DağıtımDeploymentEğitilip test edilen bir modelin, gerçek kullanıcıların erişebileceği üretim ortamına alınması süreci. Modelin bir sunucuya yüklenmesini, bir uç noktaya bağlanmasını ve izlemeye alınmasını kapsar.Canary / Mavi-Yeşil DağıtımCanary / Blue-Green DeploymentYeni bir sürümün riskini azaltmak için önce trafiğin küçük bir dilimine verilmesi (canary) ya da eski sürümün yanında hazırlanan paralel bir ortama tek seferde geçilmesi (mavi-yeşil). Sorun çıkarsa trafik hemen eski sürüme döndürülebilir.KubernetesKonteynerleri sunucu kümeleri üzerinde otomatik olarak dağıtan, ölçekleyen ve çöken konteynerleri yeniden başlatan açık kaynak orkestrasyon platformu. Google'ın geliştirip açık kaynak yaptığı sistem, büyük ölçekli model sunumunda yaygın kullanılır.Otomatik ÖlçeklemeAutoscalingGelen yüke göre çalışan sunucu ya da GPU sayısının otomatik olarak artırılıp azaltılması. Yoğun saatlerde yanıtların yavaşlamasını, sakin saatlerde boşa para harcanmasını önler.Uç NoktaEndpointBir modele ya da servise istek göndermek için kullanılan ağ adresi (URL). Uygulama isteğini bu adrese yollar, modelin yanıtı da bu adres üzerinden döner.Konteyner / DockerContainer / DockerBir uygulamayı ve çalışması için gereken bütün bağımlılıkları taşınabilir, birbirinden yalıtılmış paketler hâlinde çalıştıran teknoloji; en yaygın aracı Docker'dır. Aynı paket her bilgisayarda aynı şekilde çalıştığı için model dağıtımında standart hâline gelmiştir.Toplu vs Çevrimiçi ÇıkarımBatch vs Online InferenceTahminlerin belirli aralıklarla toplu hâlde üretilmesi (toplu çıkarım) ile her istek geldiğinde anında üretilmesi (çevrimiçi çıkarım) arasındaki ayrım. Toplu çıkarım daha ucuzdur; anlık yanıt gereken sohbet gibi uygulamalarda ise çevrimiçi çıkarım gerekir.Sunucusuz ÇıkarımServerless InferenceSunucu ve altyapı yönetmeden kullanılan, talebe göre otomatik ölçeklenen ve yalnızca kullanım kadar ücretlendirilen model sunumu. Seyrek ya da dalgalı kullanımda maliyeti düşürür; ancak uzun süre boşta kalan modelde ilk istek gecikebilir.Veri FöyüData SheetBir veri kümesinin nasıl ve neden toplandığını, kaynağını, kapsamını, içerebileceği önyargıları ve kullanım sınırlarını anlatan belge. Model kartının veri kümeleri için olan karşılığıdır.Model SunumuModel ServingEğitilmiş bir modelin bir sunucuda çalıştırılıp uygulamalardan gelen isteklere gerçek zamanlı yanıt verecek şekilde hizmete sunulması. Yanıt hızı, maliyet ve aynı anda kaç isteğe yanıt verilebileceği bu aşamada belirlenir.Model ÇökmesiModel CollapseModellerin, yapay zekâ tarafından üretilmiş (sentetik) veriyle tekrar tekrar eğitilmesi sonucunda kalite ve çeşitlilik kaybetmesi.Model Kayıt DefteriModel RegistryEğitilmiş modellerin sürümlerini, eğitim bilgilerini, performans sonuçlarını ve hangi sürümün üretimde olduğunu tek yerde saklayıp yöneten sistem. Ekiplerin bir modeli kontrollü biçimde yayına almasını ya da geri çekmesini sağlar.Model KartıModel CardBir modelin ne için geliştirildiğini, nasıl eğitildiğini, hangi testlerde ne kadar başarılı olduğunu, sınırlarını ve risklerini anlatan standart belge. Modeli kullanacak kişilerin bilinçli karar verebilmesi için yayımlanır.Öznitelik DeposuFeature StoreModellerin kullandığı özniteliklerin, yani ham veriden türetilen ve modele girdi olan ölçülebilir özelliklerin (örneğin bir müşterinin son 30 gündeki harcaması) merkezi olarak hesaplanıp saklandığı sistem. Eğitimde ve canlı kullanımda aynı özniteliklerin kullanılmasını sağlayarak tutarsızlığı önler.Veri VersiyonlamaData Versioning (DVC)Veri kümelerinin de kod gibi sürüm sürüm kaydedilip izlenmesi; DVC gibi araçlarla yapılır. Bir modelin hangi veriyle eğitildiğini bilmeyi ve aynı sonucu sonradan yeniden elde etmeyi sağlar.Model Yaşam DöngüsüModel LifecycleBir modelin veri hazırlama, eğitim, değerlendirme, dağıtım, izleme ve sonunda kullanımdan kaldırılma aşamalarının tamamını kapsayan süreç. Model yayına alındıktan sonra da izlenir ve gerekirse yeniden eğitilir.Veri Boru Hattı / ETLData Pipeline / ETLVerinin kaynaklardan çekilip (Extract), dönüştürülüp (Transform) hedef sisteme yüklendiği (Load) otomatik akış. Yapay zekâ projelerinde eğitim verisinin farklı kaynaklardan toplanıp temizlenmesi bu hatlarla yapılır.MLOpsMakine öğrenmesi modellerinin geliştirilmesini, üretime alınmasını, izlenmesini ve güncellenmesini otomatik ve tekrarlanabilir hâle getiren pratikler bütünü. Yazılımdaki DevOps yaklaşımının makine öğrenmesine uyarlanmış hâlidir.LLMOpsBüyük dil modeli tabanlı uygulamaların geliştirme, dağıtım, izleme ve iyileştirme sürecine özel pratikler bütünü. İstem yönetimi, değerlendirme, token maliyeti takibi ve güvenlik filtreleri gibi dil modellerine özgü konuları da kapsar.Goodhart YasasıGoodhart's Law'Bir ölçüt hedef haline gelince iyi bir ölçüt olmaktan çıkar' ilkesi; benchmark'a aşırı optimize etme riskini açıklar.Değerlendirme ÇatısıEval Harness (lm-evaluation-harness)Birçok benchmark'ı aynı istem biçimi, örnekleme ayarları ve puanlama yöntemiyle çalıştırarak sonuçları karşılaştırılabilir kılan değerlendirme altyapısı. En bilineni EleutherAI'nin açık kaynak lm-evaluation-harness aracıdır; İngiltere'nin Yapay Zekâ Güvenlik Enstitüsü'nün (AISI) Inspect çerçevesi de yaygın kullanılır.Humanity's Last ExamHLE (Humanity's Last Exam)Çok sayıda alanda uzmanların hazırladığı yaklaşık 2.500 zor akademik sorudan oluşan benchmark. 2025 başında en gelişmiş (sınır) modeller yüzde 10'un altında kalırken 2026'da puanlar hızla yükseldi; Kasım 2026 itibarıyla en iyi modeller yüzde 70'in üzerine çıktı.Benchmark DoygunluğuBenchmark SaturationModellerin bir benchmark'ta tavan puana yaklaşması sonucu, o ölçütün iyi ve çok iyi modelleri birbirinden ayıramaz hâle gelmesi. Bu yüzden eski testlerin yerine sürekli daha zor benchmark'lar hazırlanır.Ajan Benchmark'larıAgent Benchmarks (GAIA, tau-bench, WebArena, OSWorld)Yapay zekâ ajanlarının araç kullanma, web'de gezinme ve bilgisayar kullanma görevlerindeki başarısını ölçen benchmark ailesi; GAIA, tau-bench, WebArena ve OSWorld bunlara örnektir. Modelin yalnızca cevabı bilmesini değil, çok adımlı bir işi gerçekten bitirip bitiremediğini ölçer.RULERModellerin uzun metinleri gerçekten ne kadar iyi kullanabildiğini, tek bir bilgiyi bulmanın ötesinde birden çok gizli bilgiyi bulma, takip etme ve akıl yürütme görevleriyle ölçen benchmark. Modellerin ilan ettikleri bağlam uzunluğunu her zaman etkili kullanamadığını göstermiştir.MTEBMTEB (Massive Text Embedding Benchmark)Metni sayısal vektörlere dönüştüren gömme (embedding) modellerini arama, kümeleme ve sınıflandırma gibi onlarca görevde ve birçok dilde karşılaştıran benchmark. Anlamsal arama ve RAG sistemleri için model seçerken en çok bakılan lider tablolarından biridir.ARC-AGIEzberlenemeyen, birkaç örnekten kural çıkarmayı gerektiren görevlerle genel akıl yürütmeyi ölçen benchmark serisi. ARC-AGI-1 ve 2 ızgara tabanlı görsel bulmacalardan oluşur; Mart 2026'da çıkan ARC-AGI-3 ise ajanların kuralları kendilerinin keşfetmesi gereken etkileşimli oyunlar kullanır.Samanlıkta İğne TestiNeedle in a HaystackUzun bağlamın rastgele bir yerine gizlenen bilginin model tarafından bulunup bulunamadığını test eden uzun bağlam değerlendirmesi.GSM8K / MATHİlkokul düzeyi sözel matematik (GSM8K) ve yarışma matematiği (MATH) problemleriyle akıl yürütmeyi ölçen benchmark'lar.HumanEvalOpenAI'ın 2021'de yayımladığı, 164 Python fonksiyonu yazma göreviyle kod üretimini ölçen klasik benchmark. Üretilen kodun doğruluğu birim testlerle kontrol edilir; bugün güçlü modeller için kolay kalmaktadır.SWE-benchGerçek GitHub sorunlarını çözüp projenin testlerini geçirmeyi gerektiren kodlama ajanı benchmark'ı. Uzun süre standart sayılan SWE-bench Verified alt kümesi, veri kirlenmesi (test sorularının eğitim verisine sızması) ve hatalı testler nedeniyle 2026'da gözden düştü; OpenAI gibi laboratuvarlar SWE-bench Pro'ya geçti.GPQABiyoloji, fizik ve kimya alanlarında doktora düzeyindeki zor sorularla modellerin derin uzmanlık bilgisini ölçen benchmark. Sorular internette arayarak bile kolayca cevaplanamayacak biçimde hazırlanmıştır.Görev Başarı OranıTask Success RateBir yapay zekâ ajanının verilen görevleri baştan sona, eksiksiz biçimde tamamlama yüzdesi. Ajanlarda ara adımlardan çok sonucun doğru olup olmadığına bakan temel başarı ölçüsüdür.Recall@k / MRR / NDCGArama ve getirme sistemlerinin kalitesini ölçen üç metrik: Recall@k aranan belgelerin ilk k sonuç içinde ne kadarının bulunduğunu, MRR ilk doğru sonucun ne kadar üst sırada çıktığını, NDCG ise iyi sonuçların listenin ne kadar üstünde yer aldığını ölçer.MMLU / MMLU-ProMMLU (Massive Multitask Language Understanding)57 alanda dört seçenekli sorularla genel bilgi ve akıl yürütmeyi ölçen yaygın benchmark (MMLU) ve bunun 14 alanda on seçenekli, daha zor ve akıl yürütme ağırlıklı sürümü (MMLU-Pro).Halüsinasyon OranıHallucination RateModel yanıtlarında kaynakla ya da gerçeklerle desteklenmeyen, uydurulmuş iddiaların oranı. Modellerin güvenilirliğini karşılaştırmak için kullanılır; sonuç, nasıl ölçüldüğüne göre büyük farklılık gösterebilir.Sadakat / Temellendirme SkoruFaithfulness / GroundednessBir modelin yanıtının kendisine verilen kaynak belgelere ne kadar sadık kaldığını, yani belgelerde olmayan bir şey söyleyip söylemediğini ölçen metrik. Özellikle belgelerden bilgi getirip yanıt üreten RAG sistemlerinde kullanılır.ŞaşkınlıkPerplexityBir dil modelinin bir metindeki token'ları ne kadar az 'şaşırarak' tahmin ettiğini ölçen metrik; düşük değer daha iyi modeli gösterir. Teknik olarak ortalama negatif log-olabilirliğin üsteli olarak hesaplanır. Perplexity adlı yapay zekâ arama motoruyla karıştırılmamalıdır.KalibrasyonCalibrationBir modelin verdiği güven puanlarının gerçek doğruluk oranlarıyla ne kadar örtüştüğü. İyi kalibre edilmiş bir model, 'yüzde 80 eminim' dediği cevapların yaklaşık yüzde 80'inde haklı çıkar.METEORMakine çevirisini ve özetleri referans metinle karşılaştırırken yalnızca birebir kelime eşleşmesine değil, eş anlamlılara ve aynı kökten gelen kelimelere de puan veren değerlendirme metriği. BLEU'ya göre insan değerlendirmesiyle daha uyumlu sonuçlar vermesi için geliştirilmiştir.BERTScoreReferans metin ile model çıktısı arasındaki benzerliği kelime eşleşmesi yerine bağlamsal gömmelerle, yani kelimelerin cümledeki anlamını sayılarla temsil eden vektörlerle ölçen metrik. Aynı anlamı farklı kelimelerle anlatan cevaplara da puan verir.BLEUMakine çevirisinin referans çevirilerle ne kadar n-gram (ardışık kelime dizisi) örtüşmesi taşıdığını ölçen, kısa çıktıları cezalandıran otomatik metrik; anlamca doğru ama farklı kelimelerle yazılmış çevirileri düşük puanlayabilir.ROUGEÖzetin referans özetlerle örtüşen n-gram veya en uzun ortak alt dizi oranını ölçen, duyarlılık (recall) odaklı otomatik metrik ailesi (ROUGE-1, ROUGE-2, ROUGE-L); anlamsal benzerliği yakalayamaz.Tam EşleşmeExact MatchModel çıktısının referans cevapla harfi harfine aynı olduğu örneklerin oranı. Tek doğru cevabı olan soru-cevap ve matematik görevlerinde kullanılır; anlamca doğru ama farklı yazılmış cevaplara puan vermez.pass@kKod üreten bir modelin bir probleme ürettiği k çözümden en az birinin testleri geçme olasılığı. pass@1 ilk denemede doğru kod yazma oranını gösterir; k büyüdükçe modele daha fazla deneme hakkı tanınmış olur.ROC-AUCSınıflandırıcının tüm eşik değerlerinde doğru pozitif oranını yanlış pozitif orana karşı çizen ROC eğrisinin altında kalan alan. 0,5 rastgele tahmini, 1 kusursuz ayrımı gösterir; eşik seçiminden bağımsız bir performans özeti sunar.MSE / MAE / RMSESayısal bir değer tahmin eden (regresyon) modellerin hatasını ölçen metrikler: ortalama kare hata (MSE), ortalama mutlak hata (MAE) ve kök ortalama kare hata (RMSE). MSE ve RMSE büyük hataları daha ağır cezalandırır, MAE ise bütün hataları eşit tartar.F1 SkoruF1 ScoreKesinlik ve duyarlılığın harmonik ortalaması olan, ikisini tek puanda dengeleyen ölçüt. Biri çok yüksek diğeri düşükse F1 de düşük çıkar; bu yüzden dengesiz veri kümelerinde doğruluktan daha bilgilendiricidir.Karışıklık MatrisiConfusion MatrixBir sınıflandırma modelinin tahminlerini gerçek sınıflarla karşılaştıran tablo; doğru pozitif, doğru negatif, yanlış pozitif (yanlış alarm) ve yanlış negatif (kaçırılan) sayılarını ayrı ayrı gösterir. Modelin hangi tür hatayı yaptığını görmeyi sağlar.DuyarlılıkRecallGerçekte pozitif olan örneklerin ne kadarının model tarafından yakalanabildiğini gösteren oran. Gözden kaçırmanın pahalı olduğu işlerde, örneğin hastalık taramasında ya da dolandırıcılık tespitinde öne çıkar.DoğrulukAccuracyModelin yaptığı bütün tahminler içinde doğru olanların oranı. Anlaşılması kolaydır ama sınıflar dengesizse yanıltıcı olabilir: vakaların yüzde 99'unun sağlıklı olduğu bir veride herkese 'sağlıklı' diyen model yüzde 99 doğruluk alır.Çevrimiçi / Çevrimdışı DeğerlendirmeOnline / Offline EvaluationBir modelin ya da uygulamanın sabit bir test kümesinde (çevrimdışı) veya gerçek kullanıcı trafiği üzerinde (çevrimiçi) değerlendirilmesi. Çevrimdışı değerlendirme yayından önce hızlı ve güvenli kontrol sağlar; çevrimiçi değerlendirme gerçek kullanımdaki etkiyi gösterir.KesinlikPrecisionModelin 'evet' (pozitif) dediği örneklerden gerçekten doğru olanların oranı. Yanlış alarmın pahalı olduğu işlerde öne çıkar; örneğin bir spam filtresinin önemli e-postaları istenmeyen klasörüne atmaması gerekir.Elo Puanı / Arena (LMArena)Elo Rating / Arena (formerly LMArena, Chatbot Arena)Kullanıcıların adı gizlenmiş iki modelin yanıtlarını karşılaştırıp oyladığı ve bu oyları satrançtaki Elo puanına benzer bir puana dönüştürerek modelleri sıraladığı topluluk lider tablosu. Puanlar Bradley-Terry adlı istatistiksel modelle hesaplanır; Chatbot Arena olarak başlayan platform Ocak 2026'da LMArena adından 'Arena'ya geçti.A/B TestiA/B TestingBir ürünün iki farklı sürümünün, rastgele ayrılmış iki kullanıcı grubuna gösterilip hangisinin daha iyi sonuç verdiğinin ölçülmesi. Yapay zekâ uygulamalarında yeni bir model ya da istem gerçek kullanımda böyle denenir.İnsan DeğerlendirmesiHuman EvaluationModel çıktılarının doğruluk, yararlılık ve akıcılık gibi ölçütlere göre insanlar tarafından okunup puanlanması. Otomatik metriklerin yakalayamadığı kalite farklarını gösterir ama yavaş ve maliyetlidir.Rubrik Tabanlı PuanlamaRubric-based GradingModel çıktılarının önceden yazılmış bir ölçüt listesine göre, her ölçüt için ayrı puan verilerek değerlendirilmesi. Hem insan değerlendiricilerle hem de yargıç olarak kullanılan dil modelleriyle uygulanır ve puanlamayı tutarlı kılar.İkili Karşılaştırma / Kazanma OranıPairwise Comparison / Win Rateİki modelin aynı isteme verdiği yanıtların yan yana karşılaştırılıp hangisinin kaç kez tercih edildiğinin ölçülmesi. Mutlak puan vermekten daha kolay ve tutarlı olduğu için model karşılaştırmalarında ve lider tablolarında yaygın kullanılır.İşe Özgü BenchmarkCustom / Domain-specific Benchmark (Private Eval)Bir kurumun kendi gerçek iş örnekleri, beklenen çıktıları ve başarı ölçütleriyle hazırladığı, dışarıya açık olmayan test kümesi. Genel benchmark'lar bir modelin o kurumun işinde ne kadar başarılı olacağını göstermediği için model seçiminde ve kabulünde bu test esas alınır.Model Karşılaştırma DeğerlendirmesiModel Bake-off (Comparative Evaluation)Aday modellerin aynı işe özgü test kümesinde, aynı istem ve ayarlarla çalıştırılıp kalite, maliyet, gecikme ve güvenlik açısından yan yana karşılaştırılması. Belirli bir kullanım için hangi modelin seçileceğine bu sonuçlara bakılarak karar verilir.Gerçek DeğerGround TruthBir modelin çıktısının karşılaştırıldığı, doğruluğu kabul edilmiş cevap ya da etiket. Genellikle insanlar tarafından belirlenir; modelin başarısı bu referansa ne kadar yaklaştığıyla ölçülür.Altın Veri KümesiGolden Datasetİnsanlar tarafından tek tek doğrulanmış, yüksek kaliteli ve değiştirilmeden saklanan referans test kümesi. Model ya da istem her değiştiğinde aynı kümeyle denenir, böylece gelişme ya da gerileme güvenilir biçimde görülür.Karşılaştırma ÖlçütüBenchmarkModelleri aynı soru ve görev setinde çalıştırıp puanlarını karşılaştırmak için hazırlanmış standart test paketi. MMLU ve SWE-bench gibi benchmark'lar modellerin bilgi, akıl yürütme ya da kodlama becerisini ölçer.Lider TablosuLeaderboardModellerin bir ya da birkaç benchmark'taki puanlarına göre sıralandığı, genellikle herkese açık liste. Modelleri hızlıca kıyaslamayı sağlar ama üst sıradaki bir model her işte en iyisi olmayabilir.Coğrafi Geri TaşımaGeopatriationJeopolitik riskleri azaltmak için veri ve iş yüklerinin küresel genel bulut hizmetlerinden ülkenin kendi denetimindeki (egemen), bölgesel ya da şirket içi altyapılara taşınması. Yabancı ülke yasalarına ve yaptırımlarına bağımlılığı azaltmayı amaçlar.DeğerlendirmeEvals (AI Evaluation)Bir modelin ya da yapay zekâ uygulamasının belirli bir işte ne kadar iyi, güvenli ve tutarlı çalıştığını sistemli biçimde ölçme işi. Test kümeleri, ölçütler, insan değerlendiriciler ya da yargıç olarak kullanılan başka modellerle yapılır; yazılımdaki testlerin yapay zekâdaki karşılığıdır.Çevresel EtkiEnvironmental Impact of AIYapay zekâ modellerinin eğitilmesi ve çalıştırılması (çıkarım) sırasında harcanan enerji, veri merkezlerini soğutmak için kullanılan su ve bunlardan doğan karbon salımı. Modeller büyüdükçe ve kullanım arttıkça önemi artan bir tartışma konusudur.Yapay Zekâ Kaynaklı SorumlulukAI LiabilityYapay zekâ kaynaklı zararlarda sorumluluğun üretici, dağıtıcı ve kullanıcı arasında nasıl paylaşılacağını belirleyen hukuki çerçeve. AB, ayrı bir Yapay Zekâ Sorumluluk Direktifi önerisini 2025'te geri çekti; yazılımı ve yapay zekâyı da kapsayan yeni Ürün Sorumluluğu Direktifi 9 Aralık 2026'dan itibaren uygulanacak.Deepfake DüzenlemeleriDeepfake RegulationsGerçek kişileri taklit eden sahte görüntü ve seslerin (deepfake) rıza dışı üretilmesini ve yayılmasını suç sayan ya da bu içeriklerin etiketlenmesini zorunlu kılan yasal düzenlemeler. AB Yapay Zekâ Yasası'ndaki bildirim yükümlülüğü bunlara bir örnektir.Yapay Zekâ ve İstihdamAI & EmploymentYapay zekânın iş gücü üzerindeki etkileri: otomasyon, iş dönüşümü, beceri açığı ve yeniden beceri kazandırma.Yapay Zekâ OkuryazarlığıAI LiteracyBireylerin yapay zekânın nasıl çalıştığını anlama, çıktılarını eleştirel gözle değerlendirme ve onu etkin kullanma becerisi. AB Yapay Zekâ Yasası'nın 4. maddesi Şubat 2025'ten beri kuruluşlardan bunu istiyordu; 2026 Dijital Omnibus düzenlemesi bu yükümlülüğü, çalışanların okuryazarlığını destekleyecek önlemler almaya yumuşattı.Gölge Yapay ZekâShadow AIÇalışanların, kurumun onayı ve denetimi olmadan kişisel yapay zekâ araçlarını iş verisiyle kullanması. Gizli şirket bilgilerinin dışarıdaki hizmetlere kontrolsüz biçimde gitmesine yol açabildiği için önemli bir güvenlik riskidir.Türkiye Ulusal Yapay Zekâ StratejisiTürkiye National AI StrategyTürkiye'nin 2021-2025 dönemi için yayımladığı, yapay zekâ ekosistemini geliştirmeyi hedefleyen resmi strateji belgesi; Ağustos 2026'da yerini Türkiye Yapay Zekâ Eylem Planı (2026-2030) almıştır.Yapay Zekâ Etki DeğerlendirmesiAI Impact AssessmentBir yapay zekâ sisteminin devreye alınmadan önce haklar, adalet ve güvenlik açısından etkilerinin sistematik analizi.Algoritmik DenetimAlgorithmic AuditBir yapay zekâ sisteminin önyargı, doğruluk ve uyumluluk açısından bağımsız olarak incelenmesi.NIST Yapay Zekâ Risk Yönetim ÇerçevesiNIST AI RMFABD Ulusal Standartlar ve Teknoloji Enstitüsü'nün (NIST) 2023'te yayımladığı gönüllü risk çerçevesi; riskleri Yönetişim (Govern), Haritalama (Map), Ölçme (Measure) ve Yönetme (Manage) işlevleriyle ele alır. Üretken yapay zekâ profili (NIST AI 600-1) ile tamamlanır; 2026 itibarıyla revizyonu sürmektedir.ISO/IEC 42001Kurumların yapay zekâ yönetim sistemi (AIMS) kurması, işletmesi ve sürekli iyileştirmesi için gereklilikleri tanımlayan, Aralık 2023'te yayımlanan uluslararası standart; ISO 27001'e benzer yapıdadır ve bağımsız denetimle sertifikalandırılabilir.Eğitim Verisinden ÇıkmaTraining Data Opt-out (robots.txt, ai.txt)İçerik sahiplerinin eserlerinin yapay zekâ eğitiminde kullanılmasını engellemek için başvurduğu yöntemler. Sitenin robots.txt dosyasında (tarayıcı botlara hangi sayfalara girmemeleri gerektiğini söyleyen dosya) GPTBot, ClaudeBot, Google-Extended gibi tarayıcıları engellemek, TDMRep gibi makine okunur çekinceler ve IETF'nin geliştirdiği AI Preferences sinyalleri bunlardandır; uyum büyük ölçüde gönüllüdür.Yapay Zekâ Üretimi Eserlerde TelifCopyright of AI OutputYapay zekâ ile üretilen bir görselin, metnin ya da müziğin telif korumasından yararlanıp yararlanamayacağı sorusu. Çoğu ülkede eser sayılmak için insanın yaratıcı katkısı şart koşulur; yalnızca istem yazmak çoğu zaman yeterli görülmez.Adil KullanımFair UseABD hukukunda, telifli bir eserin eleştiri, haber, eğitim ya da araştırma gibi amaçlarla belirli şartlarda izinsiz kullanılmasına imkân veren ilke. Yapay zekâ şirketleri eğitimde telifli eser kullanımını bu ilkeye dayandırdığı için ilgili davaların merkezindedir.Metin ve Veri Madenciliği İstisnasıTDM ExceptionAB Dijital Tek Pazar Direktifi'nin (2019/790, 3. ve 4. maddeler), metin ve veri madenciliği, yani çok sayıda eserin bilgisayarla taranıp analiz edilmesi amacıyla eserlerin kopyalanmasına izin veren istisnası. Araştırma dışı kullanımda hak sahipleri makinelerin okuyabileceği bir çekinceyle bu istisnadan çıkabilir; yapay zekâ eğitimine nasıl uygulanacağı tartışılıyor.GDPRGDPR (General Data Protection Regulation)Avrupa Birliği'nin 2018'den beri uygulanan genel kişisel veri koruma düzenlemesi. Otomatik karar alma ve kişinin bu kararlar hakkında açıklama isteme hakkı gibi yapay zekâyı doğrudan ilgilendiren hükümler içerir.Otomatik Kararlarda Açıklama ve İnsan İncelemesi HakkıRight to Explanation / Human ReviewKişinin, hakkında yalnızca otomatik bir sistemle alınan kararın gerekçesini öğrenmeyi ve kararın bir insan tarafından yeniden incelenmesini isteme hakkı. AB'de GDPR ile güvence altındadır; kredi ya da işe alım gibi önemli kararlarda kişiye itiraz imkânı verir.Telif Hakkı ve Eğitim VerisiCopyright & Training DataTelifli eserlerin izin alınmadan yapay zekâ modellerinin eğitiminde kullanılmasının hukuki durumu. ABD'de mahkemeler eğitimi adil kullanım sayabildi ama korsan kaynaklardan veri edinmeyi sorunlu buldu (Anthropic'in 1,5 milyar dolarlık uzlaşması); Almanya'da GEMA-OpenAI davasında ihlal kararı çıktı. Davalar sürüyor.KVKKKVKK (Kişisel Verilerin Korunması Kanunu)Türkiye'de kişisel verilerin işlenmesini düzenleyen 6698 sayılı kanun. Yapay zekâ projelerinde kişisel verinin hangi şartlarla toplanıp işlenebileceğini, yurt dışına aktarılabileceğini ve kişilerin haklarını belirler.Özel Nitelikli Kişisel VeriSpecial Categories of Personal Data (KVKK md. 6)KVKK'nın 6. maddesinde sayılan ve daha sıkı korunan kişisel veriler: ırk, etnik köken, siyasi düşünce, din, sağlık, cinsel hayat, ceza mahkûmiyeti, biyometrik ve genetik veriler bunlardandır. Bu veriler ancak kanundaki sınırlı şartlarla işlenebilir; yapay zekâ projelerinde ayrıca risk değerlendirmesi gerekir.Risk Kademeleri (AI Act)Risk Tiers (Unacceptable / High / Limited / Minimal)AB Yapay Zekâ Yasası'nın yapay zekâ sistemlerini yasaklı (kabul edilemez), yüksek riskli, sınırlı riskli ve minimal riskli olarak dört kademeye ayıran sınıflandırması. Kademe yükseldikçe yükümlülükler ağırlaşır; örneğin sosyal puanlama yasaktır, işe alımda kullanılan sistemler ise yüksek riskli sayılır.Genel Amaçlı Yapay Zekâ ModeliGPAI (General-Purpose AI Model)AB Yapay Zekâ Yasası'nda, çok çeşitli görevlere uyarlanabilen temel modeller için kullanılan hukuki terim. Bu modellerin sağlayıcılarına Ağustos 2025'ten beri teknik dokümantasyon ve telif politikası yükümlülükleri uygulanır; eğitim hesaplaması 10^25 FLOP'u (kayan noktalı işlem sayısı) aşan modeller 'sistemik riskli' sayılır ve ek değerlendirme ile olay bildirimi yükümlülüğü taşır.Hesap VerebilirlikAccountabilityBir yapay zekâ sisteminin verdiği kararların sonuçlarından kimin sorumlu olduğunun önceden belli olması ve bu kişilerin gerektiğinde hesap verebilmesi. 'Kararı algoritma verdi' denerek sorumluluktan kaçılmasını önler.AB Yapay Zekâ YasasıEU AI ActDünyanın ilk kapsamlı yapay zekâ düzenlemesi olan AB yasası; yapay zekâ sistemlerini risk düzeyine göre sınıflandırıp her sınıfa farklı yükümlülükler getirir. Ağustos 2024'te yürürlüğe girdi; yasaklar Şubat 2025'ten, genel amaçlı yapay zekâ modeli (GPAI) kuralları Ağustos 2025'ten beri uygulanıyor. 2026'daki Dijital Omnibus düzenlemesiyle yüksek riskli sistemlerin yükümlülükleri Aralık 2027 ve Ağustos 2028'e ertelendi.Güvenilir Yapay ZekâTrustworthy AIAB'nin yapay zekâ uzman grubunun tanımladığı; yasalara uygun, etik ilkelere bağlı ve teknik olarak sağlam yapay zekâ sistemleri çerçevesi. İnsan denetimi, gizlilik, şeffaflık ve adalet gibi gereklilikleri kapsar ve AB Yapay Zekâ Yasası'na zemin hazırlamıştır.ŞeffaflıkTransparencyYapay zekâ sisteminin nasıl çalıştığı, hangi veriyle eğitildiği ve ne zaman kullanıldığının açıkça bildirilmesi.Sorumlu Yapay ZekâResponsible AIYapay zekânın adil, şeffaf, güvenli ve hesap verebilir biçimde geliştirilip kullanılmasını hedefleyen ilke ve pratikler bütünü.Yapay Zekâ EtiğiAI EthicsYapay zekânın toplum, birey ve çevre üzerindeki etkilerini değerlendiren ve yönlendiren ahlaki ilkeler alanı.Model Çıktısı Parmak İziModel Output FingerprintingBelirli bir modelin çıktılarını tanımlayan istatistiksel iz; hangi modelin ürettiğini tespit etmede kullanılır.Dijital İmza / HashDigital Signature / Hashİçeriğin değiştirilmediğini ve kimden geldiğini kriptografik olarak doğrulamaya yarayan yöntemler. Hash, içeriğin kısa bir parmak izini çıkarır ve en küçük değişiklikte bu iz tamamen değişir; dijital imza ise bu izi gönderenin gizli anahtarıyla mühürler. C2PA içerik kaynağı standardının temelini oluşturur.Kaynak Doğrulama AraçlarıProvenance Verification ToolsBir içeriğe gömülü kimlik bilgilerini ya da filigranı okuyup içeriğin nasıl üretildiğini kullanıcıya gösteren araçlar. Content Credentials Verify ve Google'ın SynthID Detector'ı buna örnektir.Yapay Zekâ İçerik EtiketiAI-Generated Content LabelPlatformların (YouTube, Instagram, TikTok) yapay zekâ ile üretilmiş veya değiştirilmiş içeriği kullanıcıya bildiren görünür etiket.Şeffaflık Yükümlülüğü (İçerik)Disclosure RequirementYapay zekâ üretimi içeriğin makinelerin okuyabileceği biçimde işaretlenmesi ve deepfake'lerin (gerçek kişileri taklit eden sahte görüntü ya da sesler) açıkça bildirilmesi zorunluluğu. AB Yapay Zekâ Yasası'nın 50. maddesiyle 2 Ağustos 2026'dan beri uygulanır; bu tarihten önce piyasaya çıkan üretken sistemlere işaretleme için 2 Aralık 2026'ya kadar geçiş süresi tanındı. Ayrıntıları Haziran 2026'da yayımlanan gönüllü uygulama kuralları somutlaştırır.Metin FiligranıText WatermarkingBüyük dil modelinin kelime (token) seçimlerine gözle fark edilmeyen istatistiksel bir örüntü yerleştirerek, metnin yapay zekâ üretimi olduğunun sonradan tespit edilebilmesini sağlayan yöntem. Google'ın SynthID-Text aracı buna örnektir; metin çok değiştirilirse ya da çevrilirse iz zayıflayabilir.Yapay Zekâ İçerik TespitiAI Content DetectionBir metnin, görselin ya da sesin yapay zekâ tarafından üretilip üretilmediğini sınıflandırıcı modellerle ya da içerikteki filigranı okuyarak anlamaya çalışma. Filigran yoksa sonuç tahmine dayanır; özellikle metin dedektörlerinin güvenilirliği tartışmalıdır.İçerik Kimlik BilgileriContent CredentialsBir içeriğin kim tarafından, ne zaman ve hangi araçla üretilip düzenlendiğini 'beslenme etiketi' gibi gösteren bilgiler; içerik kaynağını doğrulamaya yönelik C2PA standardının kullanıcıya dönük adıdır ve 'CR' simgesiyle belirtilir. Adobe Firefly ve ChatGPT görsellerinde, Google Pixel 10 kamerasının fotoğraflarında ve Samsung Galaxy S25'te yapay zekâyla düzenlenmiş görsellerde bulunur.Manifest (C2PA)C2PA ManifestC2PA standardında içeriğe gömülen, içeriğin üretim ve düzenleme adımlarını kaydeden, kriptografik olarak imzalanmış üst veri (metadata) paketi. İmza sayesinde kayıt sonradan değiştirilirse bu fark edilir.SynthIDGoogle DeepMind'ın yapay zekâ üretimi görsel, ses, video ve metne görünmez filigran ekleyip tespit eden teknolojisi; Gemini ve Imagen çıktılarında kullanılır.C2PAC2PA (Coalition for Content Provenance and Authenticity)Adobe, Microsoft, Google, OpenAI gibi şirketlerin içerik kaynağı için geliştirdiği açık teknik standart; içeriğe kriptografik imzalı üretim ve düzenleme geçmişi ekler.İçerik Kaynağı / ProvenansContent ProvenanceBir dijital içeriğin nereden geldiğini, kim tarafından ve hangi araçla üretildiğini, sonradan nasıl değiştirildiğini gösteren kayıt. Yapay zekâ üretimi görsellerin ve sahte içeriklerin ayırt edilmesinde önem kazanmıştır.FiligranlamaWatermarking (AI Content)Yapay zekâ üretimi metin, görsel, ses veya videoya insan gözüyle fark edilmeyen ama algoritmayla tespit edilebilen işaret yerleştirilmesi.Tokenizasyon (Veri Güvenliği)Tokenization (Data Security)Kart numarası gibi hassas bir verinin, tek başına hiçbir anlam taşımayan rastgele bir değerle (jeton) değiştirilmesi; asıl veri ayrı ve güvenli bir kasada tutulur. Doğal dil işlemedeki 'tokenizasyon' ile aynı adı taşır ama farklı bir kavramdır.Veri YönetişimiData GovernanceBir kurumda verinin kalitesini, güvenliğini, kimin erişebileceğini ve mevzuata uygunluğunu belirleyen kurallar, roller ve süreçler bütünü. Yapay zekâ projelerinde hangi verinin kullanılabileceğine bu çerçeveyle karar verilir.Sır YönetimiSecrets ManagementAPI anahtarları, erişim token'ları ve şifreler gibi gizli bilgilerin koda gömülmeden, erişimi denetlenen güvenli bir kasada saklanıp yönetilmesi. Koda yazılan bir anahtar, kod paylaşıldığında kolayca sızabilir.Veri SoyağacıData LineageBir verinin kaynağından son kullanımına kadar geçtiği bütün adımların ve dönüşümlerin izlenebilir kaydı. Bir modelin hangi veriyle eğitildiğini ya da hatalı bir sonucun nereden kaynaklandığını bulmayı ve denetimi kolaylaştırır.Veri MinimizasyonuData MinimizationYalnızca belirlenen amaç için gerçekten gerekli olan en az verinin toplanması ve işlenmesi ilkesi. KVKK ve GDPR'ın temel ilkelerindendir; gereksiz toplanan veri hem gizlilik riski hem de olası bir sızıntıda ek zarar demektir.Veri SınıflandırmaData ClassificationVerinin hassasiyet düzeyine göre kamuya açık, iç kullanım, gizli ya da çok gizli gibi sınıflara ayrılıp etiketlenmesi. Hangi verinin yapay zekâ araçlarına verilebileceği ve nasıl korunacağı bu etiketlere göre belirlenir.Homomorfik ŞifrelemeHomomorphic EncryptionŞifreli veri üzerinde, şifresi çözülmeden hesaplama yapılabilmesini sağlayan şifreleme türü; sonuç da şifreli çıkar ve yalnızca anahtar sahibi okuyabilir. Hassas veriyi açığa çıkarmadan bulutta işlemeyi mümkün kılar ama hesaplama çok daha yavaştır.Güvenli Çok Taraflı HesaplamaSecure Multi-Party ComputationBirden fazla tarafın kendi verisini diğerlerine göstermeden ortak bir hesaplama yapabilmesini sağlayan kriptografik yöntem. Örneğin bankalar müşteri verilerini birbirine açmadan ortak bir dolandırıcılık istatistiği çıkarabilir.Diferansiyel GizlilikDifferential PrivacySorgu sonuçlarına ya da eğitim sürecine ölçülü rastgele gürültü ekleyerek, tek bir kişinin verisinin veri kümesinde olup olmamasının sonucu belirgin biçimde değiştirmemesini garanti eden matematiksel çerçeve. Gizlilik düzeyi epsilon (ε) parametresiyle ayarlanır; değer küçüldükçe gizlilik artar.Federatif ÖğrenmeFederated LearningVerinin telefonlarda ya da kurumlarda kaldığı, yalnızca yerelde eğitilen model güncellemelerinin merkezi sunucuda birleştirildiği dağıtık eğitim yöntemi. Telefon klavyelerindeki kelime tahmininde ve kurumlar arası dolandırıcılık tespit modellerinde kullanılır.Şifreleme (Dururken / Aktarımda)Encryption at Rest / in TransitVerinin hem depolanırken (dururken) hem de ağ üzerinden iletilirken (aktarımda) şifreli tutulması. Böylece disk çalınsa ya da trafik dinlense bile veri anahtar olmadan okunamaz.Gizli HesaplamaConfidential Computing / TEEVerinin yalnızca depoda ve yolda değil, işlenirken de korunmasını sağlayan yaklaşım: hesaplama, işlemcinin içindeki donanım destekli güvenli bölgede (Trusted Execution Environment, TEE) yapılır. Bulut sağlayıcısı bile bu bölgedeki veriyi göremez.Veri YerleşimiData ResidencyVerinin fiziksel olarak hangi ülke ya da bölgedeki sunucularda işlenip saklandığı. Kişisel verinin yurt dışına aktarılmasını sınırlayan KVKK ve GDPR gibi düzenlemelere uyum için kritik önemdedir.Eğitimde KullanılmamaOpt-out of TrainingKullanıcının, paylaştığı verilerin yapay zekâ sağlayıcısı tarafından model eğitiminde kullanılmamasını seçebildiği hak ya da ayar. Çoğu sohbet uygulamasında gizlilik ayarlarından açılıp kapatılabilir.Sıfır Veri SaklamaZDR (Zero Data Retention)Yapay zekâ sağlayıcısının API üzerinden gelen istekleri ve ürettiği yanıtları, işlem bittikten sonra hiç saklamadığı veri politikası. Hassas verilerle çalışan kurumlar için önemli bir gizlilik güvencesidir.Veri Saklama SüresiData Retentionİstemler, model çıktıları ve sistem günlükleri gibi verilerin sistemde ne kadar süre tutulacağını ve ne zaman silineceğini belirleyen politika. Bir yapay zekâ hizmeti seçilirken gizlilik ve mevzuat uyumu açısından bakılan temel konulardan biridir.Veri Maskeleme / RedaksiyonData Masking / RedactionAd, telefon, kimlik numarası gibi hassas alanların bir yapay zekâ modeline ya da başka bir sisteme gönderilmeden önce gizlenmesi veya '[AD]' gibi bir yer tutucuyla değiştirilmesi. Böylece model işini yapar ama hassas bilgiyi hiç görmez.Veri Kaybını ÖnlemeDLP (Data Loss Prevention)E-posta, çalışan bilgisayarları, bulut ve web trafiğindeki içeriği inceleyerek kişisel veri ya da kart numarası gibi hassas bilgilerin kurum dışına çıkmasını tespit edip engelleyen kurallar ve araçlar. Bugün yapay zekâ araçlarına yazılan istemleri denetlemek için de kullanılır.AnonimleştirmeAnonymizationKişisel verinin, kişiyle bağı geri döndürülemez biçimde koparılacak şekilde işlenmesi; adlar, kimlik numaraları gibi tanımlayıcılar silinir ya da genelleştirilir. Anonim hâle gelen veri artık kişisel veri sayılmaz, bu yüzden yapay zekâ eğitiminde daha rahat kullanılabilir.Takma AdlandırmaPseudonymizationAd, kimlik numarası gibi kişisel tanımlayıcıların, ayrı tutulan bir anahtar ya da eşleştirme tablosuyla geri çözülebilen takma değerlerle değiştirilmesi. Anonimleştirmeden farkı geri döndürülebilir olmasıdır; bu nedenle veri hâlâ kişisel veri sayılır.Kişisel Tanımlanabilir BilgiPII (Personally Identifiable Information)Bir kişiyi tek başına ya da başka bilgilerle birleştirildiğinde doğrudan veya dolaylı olarak tanımlayabilen veri; ad, kimlik numarası, telefon ve adres buna örnektir. Bu verilerin korunması birçok ülkede yasal bir zorunluluktur.Kişisel Veri TespitiPII Detectionİstemlerde, belgelerde ve model çıktılarında ad, kimlik numarası, IBAN ve telefon gibi kişisel verilerin kurallar, düzenli ifadeler ve metindeki özel adları bulan varlık tanıma (NER) modelleriyle otomatik bulunması. Tespit edilen veri genellikle modele gitmeden maskelenir ya da engellenir.Yapay Zekâ Güvenlik PlatformuAI Security PlatformKurumun hem üçüncü taraf hem kendi geliştirdiği yapay zekâ uygulamalarını tek yerden izleyen, kullanım politikalarını uygulayan ve istem enjeksiyonu, veri sızıntısı gibi yapay zekâya özgü riskleri engelleyen birleşik güvenlik aracı.Ajan Tabanlı Güvenlik Operasyon MerkeziAgentic SOCUyarıların sınıflandırılması, araştırılması ve tehditlerin sınırlandırılması gibi güvenlik operasyonu adımlarını yapay zekâ ajanlarının yürüttüğü güvenlik merkezi modeli.Sistem KartıSystem CardBir modelin güvenlik değerlendirmelerini, risklerini ve alınan önlemleri belgeleyen yayın (OpenAI, Anthropic).DeepfakeYapay zekâ ile üretilmiş, gerçek bir kişinin yüzünü ya da sesini taklit eden sahte görsel, video veya ses içeriği. Dolandırıcılık ve dezenformasyonda kullanılabildiği için önemli bir güvenlik ve güven sorunudur.Spesifikasyon OyunuSpecification GamingBir modelin görevin lafzını yerine getirip asıl amacını ıskalaması; tanımlanan ölçütte yüksek puan alır ama istenen işi yapmaz. Ödül sistemindeki açıkları kullanmak anlamına gelen ödül hacklemeyle yakın bir kavramdır.DüzeltilebilirlikCorrigibilityBir yapay zekâ sisteminin insan tarafından durdurulmaya, düzeltilmeye veya değiştirilmeye direnç göstermemesi özelliği.Aldatıcı Hizalama / EntrikaDeceptive Alignment / SchemingModelin hizalanmış görünürken gizli hedefler doğrultusunda davranması riski; gelişmiş güvenlik araştırmalarının konusu.Hedef Yanlış GenellemeGoal MisgeneralizationModelin eğitim ortamında doğru görünen ama yeni ortamlarda istenmeyen bir hedefi öğrenmiş olması.Çekişmeli SaldırıAdversarial AttackBir yapay zekâ sistemini yanıltmak için girdide insanın fark edemeyeceği kadar küçük ama özenle tasarlanmış değişiklikler yapma saldırısı. Örneğin bir görsele eklenen hafif gürültü, modelin onu bambaşka bir nesne sanmasına yol açabilir.Çekişmeli SağlamlıkAdversarial RobustnessBir modelin çekişmeli saldırılara, yani kendisini yanıltmak için özel tasarlanmış girdilere karşı dayanıklılık düzeyi. Otonom araçlar gibi güvenlik açısından kritik sistemlerde özellikle önemlidir.Mor TakımPurple TeamSaldırıyı taklit eden kırmızı takım ile savunmayı yürüten mavi takımın birlikte çalıştığı güvenlik yaklaşımı. Bulunan her açık hemen savunmaya aktarılır, böylece saldırı ve savunma aynı döngüde güçlenir.Kara Kutu ModelBlack-Box Modelİç işleyişi ve karar süreci insanlar tarafından kolayca incelenemeyen model. Derin sinir ağları çoğunlukla bu türdendir; bu yüzden kararlarının nedenini anlamak için ek açıklama yöntemleri gerekir.SağlamlıkRobustnessBir modelin gürültülü, bozuk ya da beklenmedik girdilerle karşılaştığında da kararlı ve doğru çalışabilme yeteneği. Gerçek dünyadaki veriler kusursuz olmadığı için güvenilir bir sistemin temel özelliklerindendir.Kırmızı Takım TestiRed TeamingBir yapay zekâ sisteminin zafiyetlerini ve zararlı davranışlarını, kötü niyetli biri bulmadan önce ortaya çıkarmak için kasıtlı saldırı senaryolarının denenmesi. Modeller yayımlanmadan önce yapılan güvenlik değerlendirmelerinin önemli bir parçasıdır.Mavi TakımBlue TeamSistemleri sürekli izleyerek saldırıları tespit eden, önleyen ve müdahale eden savunma tarafı.SHAPSHAP (SHapley Additive exPlanations)Oyun teorisindeki Shapley değerlerine dayanarak bir tahmini oluşturan katkıyı özellikler arasında adil biçimde paylaştıran açıklanabilirlik yöntemi; hem tekil tahminleri hem de modelin genel davranışını açıklamada kullanılır.LIMELIME (Local Interpretable Model-agnostic Explanations)Karmaşık bir modelin tek bir tahminini, o tahminin yakınındaki örneklere uydurulan basit ve anlaşılır bir modelle açıklayan yöntem. Hangi özelliklerin o kararı en çok etkilediğini gösterir ve her tür modele uygulanabilir.Mekanistik YorumlanabilirlikMechanistic InterpretabilitySinir ağının içindeki hesaplama devrelerini tersine mühendislikle açıklamaya çalışan yorumlanabilirlik dalı.Seyrek OtokodlayıcıSAE (Sparse Autoencoder)Modelin iç aktivasyonlarını (katmanlarındaki sayısal sinyalleri) insanın yorumlayabileceği 'özelliklere' ayrıştırmak için kullanılan yorumlanabilirlik aracı. İdeal olarak her özellik tek bir kavrama karşılık gelir; böylece modelin içinde neyin temsil edildiği görülebilir.AçıklanabilirlikExplainabilityBir yapay zekâ modelinin belirli bir kararı neden verdiğinin insanların anlayabileceği biçimde açıklanabilmesi. Kredi ya da tıbbi teşhis gibi önemli kararlarda güven ve hesap verebilirlik için gereklidir.Açıklanabilir Yapay ZekâXAI (Explainable AI)Yapay zekâ modellerinin kararlarını insanlar için anlaşılır ve yorumlanabilir kılmayı hedefleyen araştırma alanı. SHAP ve LIME gibi yöntemler, bir kararda hangi etkenlerin ne kadar rol oynadığını gösterir.YorumlanabilirlikInterpretabilityModelin iç işleyişinin (nöronlar, devreler) insan tarafından anlaşılmasını amaçlayan araştırma alanı.ÖnyargıBiasBir yapay zekâ modelinin, çoğunlukla eğitim verisindeki dengesizliklerden kaynaklanan sistematik ve adaletsiz eğilimi. Örneğin belirli bir cinsiyet ya da grup için farklı ve haksız sonuçlar üretmesine yol açabilir.AdaletFairnessBir yapay zekâ modelinin cinsiyet, yaş ya da köken gibi özelliklere bakmaksızın farklı gruplara eşit ve adil davranmasını hedefleyen ilke. İşe alım, kredi ve sağlık gibi insanları doğrudan etkileyen kararlarda özellikle önemlidir.TemellendirmeGroundingModel çıktısının doğrulanabilir, güvenilir kaynaklara dayandırılması. Model yanıtını arama sonuçları ya da kendisine verilen belgeler gibi kaynaklara bağlar; böylece halüsinasyon azalır ve iddiaların dayanağı gösterilebilir.DoğrulamaVerificationBir çıktının doğruluğunun bağımsız biçimde kontrol edilmesi; üretken yapay zekâda iddiaların kaynaklarla karşılaştırılması, üretilen kodun testlerle çalıştırılması veya ayrı bir doğrulayıcı modelin (verifier) yanıtı puanlaması gibi yöntemlerle yapılır.HalüsinasyonHallucinationBir yapay zekâ modelinin gerçek dışı ya da uydurma olduğu hâlde makul ve kendinden emin görünen bilgi üretmesi. Olmayan kaynaklar, yanlış tarihler ve uydurma alıntılar tipik örneklerdir; bu yüzden önemli bilgiler doğrulanmalıdır.DalkavuklukSycophancyModelin doğruluk yerine kullanıcının görüşünü onaylamaya, ona hoş gelecek yanıtlar vermeye eğilim göstermesi.Üyelik Çıkarımı SaldırısıMembership Inference AttackBelirli bir verinin modelin eğitim kümesinde olup olmadığını modelin çıktılarından tespit etme saldırısı. Kişisel ya da hassas bir kaydın eğitimde kullanıldığını ortaya çıkararak mahremiyeti ihlal edebilir.Model Tersine ÇevirmeModel InversionModel çıktılarından, modelin eğitildiği verinin (örneğin bir yüz görselinin ya da metnin) yaklaşık olarak yeniden oluşturulması saldırısı. Özellikle kişisel veriyle eğitilmiş modellerde mahremiyet riski doğurur.Bağlam BozulmasıContext Rot / Context PoisoningBağlam bozulması (context rot): bağlam uzadıkça, ilgili bilgi içinde olsa bile modelin performansının düşmesi. Bağlam zehirlenmesi (context poisoning): hatalı, halüsinasyon ürünü veya kötü niyetli bilginin bağlama girip sonraki adımlarda tekrar tekrar kullanılması.Model/Veri ZehirlenmesiModel/Data PoisoningEğitim verisine kasıtlı olarak kötü niyetli ya da hatalı örnekler eklenerek modelin davranışının bozulması saldırısı. Model bu örnekleri doğru sanarak öğrenir; belirli bir tetikleyici görünce yanlış davranan gizli arka kapılar da bu yolla yerleştirilebilir.Model Çalma / ÇıkarımıModel Theft / ExtractionBir modelin, çok sayıda API sorgusunun yanıtlarıyla davranışının kopyalanması ya da ağırlıklarının (öğrenilmiş parametrelerinin) doğrudan çalınması. Geliştiricinin büyük emek ve maliyetle ürettiği modelin izinsiz bir kopyasının oluşmasına yol açar.Araç ZehirlenmesiTool Poisoning (MCP)Bir MCP aracının açıklamasına kullanıcının görmediği gizli talimatlar yerleştirilerek modelin manipüle edilmesi saldırısı. Model araç açıklamalarını okuyup güvendiği için bu talimatlara uyarak veri sızdırabilir ya da istenmeyen işlem yapabilir.Karışık VekilConfused DeputyYetkili bir ajanın, yetkisiz bir tarafın isteğini kendi yetkisiyle yerine getirmesi zafiyeti.Aşırı YetkiExcessive AgencyBir yapay zekâ ajanına gereğinden fazla araç, izin ya da otonomi verilmesinden doğan güvenlik riski. Ajan yanılır ya da kandırılırsa, bu fazla yetkiyle verebileceği zarar da büyür.Veri SızdırmaData ExfiltrationSaldırganın, çoğunlukla istem enjeksiyonuyla ajanı kandırarak hassas verileri dışarıya göndermeye zorlaması. Veri, bir bağlantının adresine gizlenerek, e-postayla ya da bir araç çağrısıyla saldırgana ulaştırılabilir.İnsan-Ajan Güveninin İstismarıHuman-Agent Trust Exploitation (ASI09)Kullanıcıların ajana duyduğu güvenin ve önerilerine aşırı bağlılığın istismar edilerek kararların yönlendirilmesi veya bilgi elde edilmesi; ikna edici ama yanlış bir öneriyi kullanıcıya onaylatmak gibi.Kontrolden Çıkmış AjanRogue Agent (ASI10)Ele geçirilme, hizalama sorunu veya zamanla sapma nedeniyle yetki ve politika sınırlarının dışında çalışmaya devam ederken meşru görünen ajan; sahipsiz veya kayıt dışı (gölge) ajanları da kapsar. OWASP'ın Aralık 2025'te yayımladığı Agentic Applications Top 10 listesinde ASI10 olarak yer alır.Güvensiz Ajanlar Arası İletişimInsecure Inter-Agent Communication (ASI07)Ajanlar arası mesajlarda kimlik doğrulama, bütünlük veya içerik doğrulaması eksik olduğunda mesajların dinlenebilmesi, taklit edilebilmesi ya da değiştirilebilmesi; aynı talimatın farklı ajanlarca farklı yorumlanması da bu riske girer.Zincirleme HatalarCascading Failures (ASI08)Bir ajandaki tek bir hatanın veya yanlış çıktının bağlı ajanlar, araçlar ve iş akışları boyunca yayılıp büyümesi; çoklu ajan sistemlerinde küçük bir sorunu sistem çapında bir kesintiye dönüştürebilir.Beklenmeyen Kod ÇalıştırmaUnexpected Code Execution (ASI05)Ajanın kod üretme veya araç erişimi üzerinden istenmeyen ya da saldırganın yönlendirdiği kodu çalıştırması; ör. incelenmemiş bir kabuk komutuyla üretim verisinin silinmesi veya üzerine yazılması.Bellek ve Bağlam ZehirlenmesiMemory & Context Poisoning (ASI06)Saldırganın ajanın kalıcı belleğine veya getirdiği bağlama kötü niyetli ya da yanıltıcı veri yerleştirmesi; zehirli bilgi sonraki adım ve oturumlarda tekrar kullanılarak ajanın akıl yürütmesini ve eylemlerini çarpıtır.Kimlik ve Yetki İstismarıIdentity & Privilege Abuse (ASI03)Ajanlar arasındaki güven ve yetki devri zincirinin istismar edilerek ek erişim elde edilmesi ve erişim denetimlerinin atlatılması.Ajan Tedarik Zinciri AçıklarıAgentic Supply Chain Vulnerabilities (ASI04)Ajanın çalışırken kullandığı üçüncü taraf ajanların, araçların, MCP sunucularının, modellerin veya eklentilerin kötü niyetli, ele geçirilmiş ya da değiştirilmiş olması riski.Ajan Hedefinin Ele GeçirilmesiAgent Goal Hijack (ASI01)Saldırganın zehirlenmiş veriler, yanıltıcı araç çıktıları veya gizli talimatlarla ajanın hedefini ya da karar verme sürecini değiştirmesi; ajanların talimatı diğer içerikten ayırt etmekte zorlanmasından kaynaklanır.Aracın Kötüye KullanımıTool Misuse & Exploitation (ASI02)Ajanın kullanmaya yetkili olduğu bir aracı güvensiz veya amaç dışı biçimde kullanması; önemli verileri silmek, maliyetli API çağrılarını yığmak veya bilgi sızdırmak gibi.OWASP LLM Top 10OWASP Top 10 for LLM ApplicationsAçık web uygulaması güvenliği topluluğu OWASP'ın, büyük dil modeli (LLM) uygulamalarındaki en kritik on güvenlik riskini sıralayan ve düzenli güncellenen rehberi; istem enjeksiyonu, hassas bilgi ifşası ve aşırı yetki bu riskler arasındadır. Ajanlara özgü riskler için Aralık 2025'te ayrı bir 'Top 10 for Agentic Applications' listesi yayımlandı.OWASP Ajan Uygulamaları İlk 10OWASP Top 10 for Agentic ApplicationsOWASP GenAI Güvenlik Projesi'nin 9 Aralık 2025'te yayımladığı, otonom ajanlara özgü en kritik on güvenlik riskini (ASI01–ASI10) sıralayan rehber; LLM uygulamaları listesini ajanların araç kullanma, bellek ve birbirleriyle iletişim riskleriyle tamamlar.Dolaylı İstem EnjeksiyonuIndirect Prompt InjectionKötü niyetli talimatın modele kullanıcıdan değil, işlediği bir belge, e-posta ya da web sayfası üzerinden gizlice ulaşması. Web'de gezinen ya da belge okuyan ajanlar için en önemli güvenlik risklerinden biridir.Sistem İstemi SızıntısıPrompt Leaking / System Prompt ExtractionSaldırganın, özel hazırlanmış isteklerle modeli kendisine verilen gizli sistem istemini (davranış talimatlarını) ifşa etmeye ikna etmesi. Sızan istem, uygulamanın iş mantığını ortaya çıkarabilir ve başka saldırılara zemin hazırlayabilir.Çok Örnekli JailbreakMany-shot JailbreakingUzun bağlama çok sayıda sahte diyalog örneği doldurarak modelin güvenlik eğitimini aşındıran saldırı.İstem EnjeksiyonuPrompt InjectionBir yapay zekâ uygulamasına ya da ajana girdi içinde sızdırılan talimatlarla onun asıl talimatlarını geçersiz kılma saldırısı. Modelin güvenilir talimatlarla güvenilmeyen veriyi ayırt edememesinden yararlanır; jailbreak'ten farkı, modelin güvenlik eğitimini değil uygulamanın kurgusunu hedeflemesidir.Aşırı RetOver-refusalModelin zararsız istekleri de gereksiz yere reddetmesi; güvenlik ile faydalılık dengesinin bozulması.Kısıtlama AşımıJailbreakBir yapay zekâ modelinin güvenlik kısıtlamalarını atlatıp normalde reddedeceği yanıtları vermesini sağlamak için özel hazırlanmış istem ya da teknik. Rol yapma senaryoları ve kurgusal çerçeveler sık kullanılan yöntemlerdir.ToksisiteToxicityBir model çıktısındaki nefret söylemi, hakaret, tehdit ve saldırgan dilin düzeyi. Genellikle otomatik sınıflandırıcılarla puanlanır ve modellerin güvenlik değerlendirmelerinde ölçülür.Güvenli TamamlamaSafe CompletionRiskli istekleri tamamen reddetmek yerine güvenli, kısmi ve yardımcı bir yanıtla karşılama yaklaşımı.İçerik DenetimiContent ModerationKullanıcıların ya da modelin ürettiği nefret söylemi, şiddet ve taciz gibi zararlı veya uygunsuz içeriğin tespit edilip engellenmesi ya da işaretlenmesi. Yapay zekâ sistemlerinde bu iş çoğunlukla sınıflandırıcı modellerle otomatik yapılır.Güvenlik FiltresiSafety FilterYapay zekâ sistemine gelen istekleri ve modelin ürettiği yanıtları güvenlik kurallarına göre denetleyen bileşen. Zararlı, yasa dışı ya da kullanım politikasına aykırı içeriği engeller veya işaretler.Yardımsever, Zararsız, DürüstHHH (Helpful, Harmless, Honest)Hizalanmış bir yapay zekâ asistanının taşıması beklenen üç temel özelliği, yani yardımsever, zararsız ve dürüst olmayı tanımlayan çerçeve. Anthropic'in araştırmalarıyla yaygınlaşmıştır ve model davranışını değerlendirmede ölçüt olarak kullanılır.Koruyucu BariyerGuardrailModelin girdisini ve çıktısını model dışında denetleyen kontrol katmanı; istem enjeksiyonu, kişisel veri, zararlı veya konu dışı içeriği kurallar ya da sınıflandırıcı modellerle tespit edip engeller veya maskeler (ör. Llama Guard, NeMo Guardrails).Girdi ve Çıktı BariyerleriInput / Output GuardrailsKoruyucu bariyerlerin iki noktada çalışması: girdi bariyerleri modele ulaşmadan önce istem enjeksiyonu, kişisel veri ve konu dışı istekleri; çıktı bariyerleri kullanıcıya gitmeden önce zararlı içerik, veri sızıntısı, halüsinasyon ve politika ihlallerini denetler.HizalamaAlignmentBir yapay zekâ modelinin davranışının insanların değerleri ve gerçek niyetleriyle uyumlu hâle getirilmesi. Modelin yalnızca verilen komutun lafzına değil amacına uygun, güvenli ve faydalı davranmasını hedefler.Yapay Zekâ GüvenliğiAI SafetyYapay zekâ sistemlerinin kazara ya da kötüye kullanım sonucu zarar vermeden, güvenilir ve öngörülebilir çalışmasını amaçlayan araştırma ve uygulama alanı. Hizalama, kırmızı takım testleri ve güvenlik değerlendirmeleri bu alanın parçalarıdır.ClineVS Code eklentisi ve CLI olarak çalışan, yerel modeller dahil farklı modellerle kullanılabilen açık kaynak kodlama ajanı.

tüm bölümler

Ana SayfaYZ HaberleriYZ TerimleriYZ Linkleri

konular

açık ağırlıklı modelanthropicapplebilimchatgptclaudecodexçingeminigooglegörsel üretimigrokkodlamametamicrosoftmusenvidiaopenaises ajanısiber güvenlikvideo üretimiyapay zekâ ajanlarıyapay zekâ güvenliğixai

takip et

YouTubeInstagramMMedium