Yapay zekâ, makine öğrenmesi ve üretken yapay zekâ: Farkları ne?

Haberlerde, reklamlarda ve sohbetlerde “yapay zekâ”, “makine öğrenmesi” (machine learning) ve “üretken yapay zekâ” (generative AI) sanki aynı şeymiş gibi geçiyor. Bu derste üçünün ne anlama geldiğini ve birbirine nasıl bağlandığını öğreneceksiniz.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Yapay zekâ, makine öğrenmesi ve üretken yapay zekâ kavramlarının birbirinden farkını.
• Bir sistemin “öğrenmesinin” ne demek olduğunu.
• Günlük hayattan örnekleri doğru kutuya koymayı.
• Bir ürün tanıtımındaki iddiaları sorgulamak için üç basit soruyu.

Üçünü iç içe halkalar gibi düşünün

En geniş kavram yapay zekâdır. OECD, yapay zekâ sistemini şöyle tarif eder: makine tabanlı bir sistem, aldığı girdiden yola çıkarak tahmin, içerik, öneri ya da karar gibi çıktılar üretir. Bu çıktılar fiziksel ya da dijital ortamı etkileyebilir. Sistemlerin ne kadar bağımsız çalıştığı ve kullanıma girdikten sonra ne kadar uyum sağladığı da birbirinden farklıdır.

Yani yapay zekâ tek bir ürün değil, geniş bir sistem ailesidir. Navigasyon uygulamasının varış süresi tahmini de, sohbet botu da bu aileye girer.

Makine öğrenmesi: Örneklerden öğrenen yazılım

Google’ın makine öğrenmesi rehberi bunu şöyle özetler: yazılıma, yani “modele”, veriyle eğitim verilir; model de bu sayede yararlı tahminler yapar ya da içerik üretir. Kuralları tek tek elle yazmak yerine örnekler gösterilir.

Rehber üç ana yöntemi anlatır; IBM’in makine öğrenmesi sayfası da aynı üç yolu ayırır:

• Gözetimli öğrenme (supervised learning): Veride doğru cevaplar da vardır. E-postaları “spam” ya da “spam değil” diye etiketlenmiş örneklerle eğitmek gibi.
• Gözetimsiz öğrenme (unsupervised learning): Etiketsiz veride örüntü aranır. Benzer müşterileri gruplamak gibi.
• Pekiştirmeli öğrenme (reinforcement learning): Sistem ödül ve ceza alarak denemeler yapar. Oyun oynayan yazılımlar buna örnektir.

Makine öğrenmesi, yapay zekâya ulaşmanın yollarından biridir. Bugün sık duyduğunuz birçok araç bu yönteme dayanır.

Üretken yapay zekâ: Yeni içerik üreten öğrenme

Google’ın rehberine göre üretken yapay zekâ, kullanıcının girdisinden yola çıkarak metin, görsel, ses ya da video gibi yeni içerik üretir. Bunu, mevcut verideki örüntüleri öğrenip benzer yeni veri üreterek yapar. Genellikle önce gözetimsiz yöntemle eğitilir, sonra gözetimli ya da pekiştirmeli yöntemlerle iyileştirilir.

Bir cümleyle: üretken yapay zekâ, makine öğrenmesinin içeriği üretmeye odaklanan bir koludur. Sohbet botlarının ayrıntılı işleyişi bu dersin konusu değil; onun için “Sohbet botu nasıl çalışır?” dersine bakabilirsiniz.

Günlük örnekler hangi kutuya girer?

• Gelen kutunuzda spam ayıklayan filtre: makine öğrenmesi (gözetimli sınıflandırma) olabilir.
• Size benzer müşterileri gruplayan bir mağaza sistemi: gözetimsiz öğrenme olabilir.
• Bir isteğinizden resim ya da metin üreten araç: üretken yapay zekâ.
• Hepsi: geniş anlamda yapay zekâ sistemi.

Bu ayrım neden işinize yarar?

Kavramları doğru ayırınca beklentiniz de doğru olur. Bir spam filtresinden sohbet etmesini, bir sohbet botundan ise her zaman doğru bilgi vermesini beklemezsiniz. Her aracın ne için yapıldığını bilmek, hem hayal kırıklığını hem de gereksiz endişeyi azaltır.

Örneğin bir belediye hizmet uygulaması “yapay zekâ ile çalışıyor” diyorsa, bu cümle tek başına bir şey anlatmaz. Uygulama başvuruları kategorilere ayırıyor olabilir, cevap metni yazıyor olabilir ya da yalnızca kurallara göre yönlendiriyor olabilir. Her birinin riski ve denetim biçimi farklıdır.

Daha derin öğrenmek isterseniz Helsinki Üniversitesi ile MinnaLearn’ün hazırladığı Elements of AI kursu iyi bir başlangıçtır. Kursun giriş bölümü ücretsizdir; yapay zekânın ne olduğunu, neler yapıp neler yapamadığını ve gündelik hayatı nasıl etkilediğini anlatır. Programlama bilgisi ya da karmaşık matematik gerektirmez. Ana sayfada, Avrupa’daki birçok ülke için ulusal sürümlerine bağlantı verilir.

Adım adım uygulama

1. Gün içinde kullandığınız üç dijital hizmeti seçin (örneğin e-posta, harita, bir alışveriş sitesi).
2. Her biri için girdinin ve çıktının ne olduğunu yazın.
3. Çıktı tahmin ya da öneri mi, yoksa yeni içerik mi, ayırın.
4. Bir yapay zekâ aracından bu tablonun kontrolünü isteyin (aşağıdaki komut).
5. Aracın söylediklerini resmî bir kaynakla karşılaştırın.

Kontrol listesi

• Girdi ve çıktıyı ayrı ayrı yazdım.
• Tahmin ile içerik üretimini ayırabiliyorum.
• “Öğrenme” kelimesinin burada “örneklerle eğitim” demek olduğunu biliyorum.
• Aracın cevabını tek başına kesin kabul etmedim.

Sık yapılan hatalar

• Üç kavramı aynı şey sanmak. Halkaların iç içe olduğunu hatırlayın.
• “Öğrenme” kelimesini insan öğrenmesiyle eşitlemek. Burada kastedilen, veriyle ayarlanan bir modeldir.
• Her “akıllı” ürüne yapay zekâ demek. Önce girdi ve çıktıyı sorun.
• Üretken yapay zekânın çıktısını otomatik olarak doğru saymak. “Yapay zekânın verdiği bilgiyi doğrulamak” dersine bakın.

Kendinizi deneyin

Videoyla izleyin

Video: Ömer Faruk Coşkun (Türkçe).

Kaynaklar

• Elements of AI (Helsinki Üniversitesi ve MinnaLearn, ücretsiz giriş kursu) (İngilizce)
• OECD.AI: Yapay zekâ sistemi tanımı (İngilizce)
• Google Developers: Makine öğrenmesine giriş (İngilizce)
• IBM: Makine öğrenmesi nedir? (İngilizce)

Son kontrol: 10 Kasım 2026

Kaynak: yzdersleri.com/ders/yapay-zeka-makine-ogrenmesi-uretken-yapay-zeka-farklari/ · Yapay Zeka Dersleri