İçeriğe geçİçeriğe geç
Ders bul
Yapay zekâ seviyesi: 201 Orta

Eğitim verisi nereden gelir, neden önemlidir?

  • Okuma süresi: 5 dk
  • Kod bilgisi gerekmez
Son güncelleme: AB–OECD yetkinlik alanı: Yapay Zekâyı Tasarlama
Eğitim verisi nereden gelir, neden önemlidir? kapak görseli

Bu ders genel bilgi verir; uzman görüşünün yerine geçmez.

Ayşe Hanım, bir belediyenin halkla ilişkiler biriminde çalışıyor (kurgusal bir örnek). Her hafta gelen başvuruları özetlemek için bir sohbet botu kullanmak istiyor. Birim amiri iki soru soruyor: Bu araç neyle eğitildi? Bizim yazdıklarımız da eğitime girer mi? Ayşe Hanım’ın elinde iki sorunun da cevabı yok.

Bu derste büyük dil modellerinin (large language model) eğitim verisinin nereden geldiğini, bu verinin kimleri temsil ettiğini ve şirketlerin kullanıcı verisi hakkında ne söylediğini öğreneceksiniz. Sonunda kendi kurumunuz için bir belgeyi araca verip vermeme kararını gerekçesiyle yazacaksınız.

Aklınıza bir soru mu takıldı?

    Bu derste neler öğreneceksiniz?

    • Dil modellerinin eğitim verisinin geldiği üç ana kaynağı sayacaksınız.
    • Web verisinin kimleri fazla, kimleri az temsil ettiğine iki örnek vereceksiniz.
    • Kullandığınız aracın sohbetlerinizi eğitimde kullanıp kullanmadığını şirketin kendi sayfasında bulacaksınız.
    • Bir belgeyi araca vermeden önce kullanacağınız beş soruluk bir kontrol listesi hazırlayacaksınız.

    Veri nereden geliyor?

    OpenAI, yardım merkezindeki bir yazıda modellerini eğittiği bilgiyi üç kaynağa ayırıyor: internette herkese açık bilgi, iş ortaklarıyla anlaşarak eriştiği bilgi ve kullanıcıların, eğitmenlerin ya da araştırmacıların sağladığı veya ürettiği bilgi. Aynı yazıda ücretli içerik duvarının arkasındaki bilgiyi aramadıklarını, karanlık ağı dışarıda bıraktıklarını ve çok sayıda kişisel bilgiyi bir araya toplayan siteleri çıkardıklarını söylüyorlar.

    Herkese açık web verisinin büyük kısmı tarama (web crawl) yoluyla toplanır. Stanford’un büyük dil modelleri dersi CS324’ün veri bölümünde en yaygın kaynaklardan biri anlatılıyor: Common Crawl. Bu kâr amacı gütmeyen kuruluş, webin düzenli kopyalarını ücretsiz paylaşıyor. Ders notuna göre Nisan 2021 kopyası 320 TB büyüklüğünde. Nisan 2019 kopyasından süzülerek hazırlanan C4 adlı veri seti ise 806 GB.

    Buradan çıkan ilk ders şu: Herkese açık olmak, yazan herkesin bu kullanıma izin verdiği anlamına gelmez. Bir haber sitesindeki yorum, bir forumdaki soru ya da bir kurumun internete koyduğu duyuru da bu kopyalara girebilir.

    Kim temsil ediliyor, kim edilmiyor?

    Verinin miktarı kadar kimden geldiği de önemlidir. Model, en çok gördüğü insanların diliyle, konularıyla ve bakış açısıyla konuşur. CS324 notları bu konuda somut bulgular aktarıyor:

    • İnternet verisi, gelişmiş ülkelerdeki genç kullanıcıları olduğundan fazla temsil eder.
    • C4’teki sayfaların yüzde 51,3’ü ABD’de barındırılıyor. Hindistan’da çok sayıda İngilizce konuşan olmasına rağmen oradan gelen sayfa çok daha az.
    • C4 hazırlanırken İngilizce olmayan metinler baştan çıkarılmış.
    • Kötü kelime listesiyle yapılan temizlik, azınlıklarla ilgili zararsız metinleri de silebiliyor. Cinsel yönelim bildiren kelimelerin geçtiği metinler daha sık silinmiş; silinen bu metinlerin azımsanmayacak bir kısmı (notlardaki örneklerde yüzde 22 ve yüzde 36) aslında saldırgan değilmiş.

    Son bulgu, Jesse Dodge ve arkadaşlarının 2021’de C4’ü belgeledikleri çalışmaya dayanıyor. Çalışma, aynı veri setinde patent metinleri ve makine çevirisiyle üretilmiş yazılar gibi beklenmedik içerikler bulunduğunu da gösteriyor.

    Bu yüzden araştırmacılar veri setlerinin bir bilgi föyüyle (datasheet) birlikte yayımlanmasını öneriyor. Elektronik parçalarla birlikte gelen teknik föy gibi, bu belge de veri setinin neden hazırlandığını, neleri içerdiğini, nasıl toplandığını ve hangi işler için uygun olduğunu anlatır. Bir kamu çalışanı olarak bir aracı değerlendirirken sorabileceğiniz ilk soru budur: Bu modelin verisi belgelenmiş mi?

    Sizin yazdıklarınız eğitime girer mi?

    Eğitim verisinin üçüncü kaynağı kullanıcıların kendisidir. Bu nedenle kurumun kendi verisini paylaşma kararı, eğitim verisi konusunun en somut ucudur. Şirketler bu konuda farklı kurallar uygular ve kurallar ürüne göre değişir:

    • OpenAI, ChatGPT sohbetlerinin modelleri eğitmek için kullanılmasını nasıl kapatabileceğinizin gizlilik politikasında ve yardım merkezinde anlatıldığını belirtiyor.
    • Anthropic, kurumlara yönelik ürünlerinde ve geliştirici arayüzünde (API) sohbetlerin varsayılan olarak model eğitiminde kullanılmadığını söylüyor. Ancak beğen ya da beğenme düğmesiyle açıkça gönderdiğiniz geri bildirimin eğitimde kullanılabileceğini de ekliyor.

    Ayşe Hanım için çıkan sonuç şu: Hangi aracı, hangi hesapla kullandığı, verinin nereye gideceğini belirler. Kişisel hesapla kurum işi yapmak, kurumun kararını bireye bırakmak demektir.

    Zayıf komut

    Bu yapay zekâ verilerimi kullanıyor mu?

    Güçlü komut

    Bir kamu kurumunda çalışıyorum. Kullandığım aracın sohbetlerimi model eğitiminde kullanıp kullanmadığını öğrenmek istiyorum. Yalnızca aracı geliştiren şirketin kendi yardım ve gizlilik sayfalarına dayan. Her cevabın yanına sayfanın adını ve bağlantısını yaz. Kişisel hesap ile kurum hesabı arasında fark varsa ayrı ayrı belirt. Sayfada açıkça yazmayan bir konuyu tahmin etme; o konu için sayfada yok de.

    Örnek çıktı

    Kişisel hesap: Sohbetlerin eğitimde kullanılmasını ayarlardan kapatabilirsiniz; adımlar şirketin gizlilik sayfasında anlatılıyor (sayfa adı ve bağlantı). Kurum hesabı: Şirket, kurumsal ürünlerde sohbetlerin varsayılan olarak eğitimde kullanılmadığını belirtiyor (sayfa adı ve bağlantı). Geri bildirim düğmeleri: Gönderdiğiniz değerlendirme eğitimde kullanılabilir. Saklama süresi: Bu sayfada yok.

    Adım adım uygulama

    1. Kurumunuzda araca vermeyi düşündüğünüz bir belge türü seçin: toplantı tutanağı, başvuru özeti ya da duyuru taslağı. Bu aşamada gerçek belgeyi araca yüklemeyin.
    2. Güçlü komutu kullandığınız araca verin.
    3. Botun verdiği her bağlantıyı kendiniz açın ve aktarılan cümlenin sayfada gerçekten geçip geçmediğine bakın. Geçmeyen bilgiyi listeden silin.
    4. Seçtiğiniz belgeye şu beş soruyu uygulayın: Belgede kişisel veri var mı? Kurum içi gizli bilgi içeriyor mu? Kurum hesabı mı, kişisel hesap mı kullanılacak? Aracın eğitim ayarı nedir? Kurumunuzun bu konuda yazılı bir kuralı var mı?
    5. Kararınızı tek satırla yazın: veririm, kişisel ve gizli bilgileri çıkarıp veririm ya da vermem. Yanına gerekçenizi ekleyin.
    6. Görev, her bağlantıyı kendiniz açtığınızda, beş sorunun her biri cevaplandığında ve karar gerekçesiyle yazıldığında tamamdır. Cevaplayamadığınız soru varsa onu birim amirinize ya da kurumunuzun veri sorumlusuna iletilecek bir soru olarak yazın.

    Sık yapılan hatalar

    • Herkese açık bilginin, yazan kişinin izniyle eğitime girdiğini sanmak. Açık olmak ile izin vermek aynı şey değildir.
    • Kurum işini kişisel hesapla yapmak. Eğitim ayarları ve sözleşme koşulları hesap türüne göre değişir.
    • Bir şirketin kuralını bütün araçlar için geçerli saymak. Her aracın kendi sayfasına ayrı ayrı bakın.

    İpucu

    Eğitim ayarını kapatmış olsanız bile beğen ya da beğenme düğmesine basmadan önce düşünün. Anthropic’in sayfasına göre açıkça gönderdiğiniz geri bildirim eğitimde kullanılabilir. Gizli bilgi içeren bir cevaba geri bildirim göndermeyin.

    Kendinizi deneyin

    OpenAI’ın yardım merkezine göre aşağıdakilerden hangisi eğitim verisinin kaynaklarından biri değildir?

    C4 veri setiyle ilgili hangi bulgu, temsil sorununa örnektir?

    Bir kamu çalışanı, başvuru özetlerini bir sohbet botuna vermeden önce ilk olarak ne yapmalıdır?

    Kaynaklar

    Son kontrol: 17 Kasım 2026. Bu bilgi 17.11.2026 tarihli kaynaklara dayanır; durum değişebilir.

    Kaynak: yzdersleri.com/ders/egitim-verisi-nereden-gelir-neden-onemlidir/ · Yapay Zeka Dersleri

    Dersi bitirdiniz mi?

    İşaretlerseniz menüde ve ilerleme çubuğunda görünür. Bu bilgi yalnızca sizin tarayıcınızda saklanır.

    Bu ders işinize yaradı mı?

    Anonim oydur; kişisel veri toplanmaz.

    Yorum yazın

    Yorumunuz editör onayından sonra yayımlanır. Ad ve e-posta zorunlu değildir; e-posta adresiniz yayımlanmaz. Lütfen kendinizin ya da başkalarının kişisel bilgilerini (telefon, adres, kimlik, sağlık bilgisi) yazmayın.

    Kişisel verilerinizin nasıl işlendiğini KVKK Aydınlatma Metni’nde okuyabilirsiniz.

    Basitten zora: sıradaki ders

    Bu dersin kategorisi: Başla

    Bir üst düzeyde

    Aynı düzeyde devam

    Başla: bütün öğrenme yolu