Sözlük - Yapay Zeka Dersleri

A

Ajan (agent): Ajan, kullanıcının isteğini anlayıp onun adına adım adım plan yapan ve işlem yapan yazılımdır.
Ajansal iş akışı (agentic workflow): Ajansal iş akışı, bir ajanın hedefe ulaşmak için planı ve adımları kendi başına yürüttüğü süreçtir.
Aşırı öğrenme (overfitting): Aşırı öğrenme, modelin eğitim verisine o kadar uyması ki yeni verilerde doğru tahmin yapamamasıdır.
Aykırı değer (outlier): Aykırı değer, verideki diğer değerlerden belirgin biçimde uzak duran değerdir.

B

Bağlam penceresi (context window): Bağlam penceresi, bir dil modelinin yanıt üretirken geriye dönüp bakabildiği metin miktarıdır.
Birkaç örnekli istem (few-shot prompting): Birkaç örnekli istem, büyük dil modeline nasıl yanıt vermesi gerektiğini gösteren birden fazla örnek içeren istemdir.
Büyük dil modeli (large language model, LLM): Büyük dil modeli, çok sayıda parametresi olan ve metin üretebilen dil modelidir.

C

CAPTCHA (insan doğrulama testi): CAPTCHA, bilgisayarlarla insanları birbirinden ayırmak için kullanılan tam otomatik testin kısaltmasıdır.
Casus yazılım (spyware): Casus yazılım, kişi veya kurumlar hakkında bilgi toplamak için sistemlere gizlice kurulan yazılımdır.
Cevap uydurma (confabulation): Cevap uydurma, halüsinasyonun eş anlamlısıdır; modelin kendinden emin ama yanlış içerik üretmesidir.

Ç

Çapraz doğrulama (cross-validation): Çapraz doğrulama, modelin yeni verilerde ne kadar iyi çalışacağını eğitimde kullanılmayan veri parçalarıyla tahmin etme yöntemidir.
Çıkarım (inference): Çıkarım, eğitilmiş modelin yeni bir girdi için tahmin veya yanıt ürettiği süreçtir.
Çıktı katmanı (output layer): Çıktı katmanı, bir sinir ağının tahmini içeren son katmanıdır.
Çok modlu model (multimodal model): Çok modlu model, girdisi veya çıktısı birden fazla veri türü içeren modeldir.

D

Damıtma (distillation): Damıtma, büyük bir modelin tahminlerini taklit eden daha küçük bir model eğitme işlemidir.
Derin model (deep model): Derin model, birden fazla gizli katmanı olan sinir ağıdır.
Diferansiyel gizlilik (differential privacy): Diferansiyel gizlilik, modelin eğitim verisindeki bir kişinin bilgisini ele vermemesini sağlayan anonimleştirme yaklaşımıdır.
Doğal dil işleme (natural language processing, NLP): Doğal dil işleme, bilgisayarlara kullanıcının söylediğini veya yazdığını dil kurallarıyla işlemeyi öğretme alanıdır.
Dönüştürücü (transformer): Metindeki kelimeler arasındaki ilişkiyi dikkat mekanizmasıyla ölçen sinir ağı mimarisi.

E

Eğitim (training): Eğitim, bir modeli oluşturan ideal parametrelerin belirlenmesi sürecidir.
Epok (epoch): Epok, eğitim kümesindeki her örneğin bir kez işlendiği tam bir eğitim turudur.
Erken durdurma (early stopping): Erken durdurma, eğitim kaybı hâlâ düşerken eğitimi bilerek bitirerek aşırı öğrenmeyi azaltma yöntemidir.
Eşit fırsat (equality of opportunity): Eşit fırsat, bir modelin istenen sonucu hassas bir özelliğin bütün gruplarında eşit derecede iyi tahmin edip etmediğini ölçen adillik ölçütüdür.

F

F1 puanı (F1 score): F1 puanı, kesinlik ve duyarlılığı birleştiren ikili sınıflandırma ölçütüdür.
Faktüellik (factuality): Faktüellik, bir modelin çıktısının gerçekliğe dayanması özelliğidir.
Federe öğrenme (federated learning): Federe öğrenme, modelin telefon gibi cihazlardaki dağınık örneklerle eğitildiği dağıtık makine öğrenmesi yaklaşımıdır.

G

Geçiş anahtarı (passkey): Şifre yazmadan, cihazınızın kilidini (parmak izi, yüz taraması, PIN ya da desen) açarak hesabınıza girmenizi sağlayan oturum açma yöntemidir. Google’a göre geçiş anahtarı not edilemez ve yanlışlıkla kötü niyetli birine…
Genelleme (generalization): Genelleme, bir modelin daha önce görmediği yeni verilerde doğru tahmin yapabilme yeteneğidir.
Gizli katman (hidden layer): Gizli katman, yapay sinir ağında girdi katmanı ile çıktı katmanı arasında kalan ara katmandır.
Gömme (embedding): Gömme, bir verinin anlamını temsil eden ve modelin eğitimde öğrendiği sayı dizisidir; benzer şeylerin dizileri birbirine yakın olur.
Gradyan inişi (gradient descent): Gradyan inişi, modelin kaybını en aza indirmek için ağırlıkları adım adım ayarlayan matematiksel tekniktir.

H

Halüsinasyon (hallucination): Halüsinasyon, üretken yapay zekâ modelinin gerçek dünya hakkında doğru gibi görünen ama yanlış bilgi üretmesidir.
Hariç tutulan veri (holdout data): Hariç tutulan veri, eğitimde bilerek kullanılmayıp modelin yeni verideki başarısını ölçmek için ayrılan örneklerdir.
Hiperparametre (hyperparameter): Hiperparametre, bir modelin eğitimi sırasında insanın ya da ayar hizmetinin değiştirdiği, modelin kendi öğrenmediği ayardır.

I

Izgara araması (grid search): Izgara araması, hiperparametre değerlerinin tüm birleşimlerini tek tek deneyip en iyisini seçen kapsamlı bir ayar yöntemidir.

İ

İnce ayar (fine-tuning): İnce ayar, önceden eğitilmiş bir dil modelini ek verilerle yeniden eğitip belirli bir iş, alan veya yazım tarzına uyarlama sürecidir.
İnsan denetimi (human in the loop): İnsan denetimi, yapay zekâ çıktısını insanların inceleyip yönlendirdiği sistem veya eleştirel bakış yaklaşımıdır.
İstem (prompt): İstem, büyük dil modeline girdi olarak yazılan ve modelin belirli biçimde davranmasını sağlayan her türlü metindir.
İstem enjeksiyonu (prompt injection): İstem enjeksiyonu, güvenilmeyen metnin yapay zekâya verilen talimatlarla karıştırılmasından yararlanarak modeli yanlış yönlendirmeye çalışan saldırıdır.
İstem mühendisliği (prompt engineering): Büyük dil modelinden istenen cevabı almak için istemleri (promptları) iyi yazma uygulaması.

J

Jailbreak (yapay zekâ kurallarını aşma girişimi): Jailbreak, bir yapay zekâ modelini kendi kurallarını ya da uygulamanın yönergelerini yok saymaya yönlendirme girişimidir.
Jeton (token): Jeton, dil modelinin metni işlerken kullandığı en küçük birimdir; sözcük, sözcük parçası ya da karakter olabilir.
JSON (JavaScript Nesne Gösterimi): JSON, yapılandırılmış veriyi program ve sistemler arasında aktarmak için kullanılan metin tabanlı bir biçimdir.

K

Katman (layer): Katman, bir sinir ağında bir arada çalışan nöron grubudur; girdi, gizli ve çıktı katmanı olarak yaygın üç türü vardır.
Kayıp (loss): Kayıp, denetimli bir modelin eğitiminde tahminin gerçek etiketten ne kadar uzak olduğunu gösteren ölçüdür.
Kimlik avı (phishing): Kimlik avı, sahte e-posta ya da web sitesiyle kişiyi kandırıp hassas bilgisini ele geçirmeye çalışan saldırı tekniğidir.
Kişisel veri (personal data): Kişisel veri, kimliği belirli ya da belirlenebilir gerçek kişiye ilişkin her türlü bilgidir.

L

LLM değerlendirmeleri (LLM evaluations, evals): LLM değerlendirmeleri, büyük dil modellerinin başarısını ölçen ölçüt ve karşılaştırma testlerinin tümüdür.
Log kaybı (log loss): Log kaybı, ikili lojistik regresyonda kullanılan kayıp fonksiyonudur.
Logit (logits): Logit, bir sınıflandırma modelinin ürettiği, henüz olasılığa çevrilmemiş ham tahmin değerleridir.
Lojistik regresyon (logistic regression): Lojistik regresyon, bir olasılık tahmin eden regresyon modelidir; çoğunlukla iki seçenekli sorularda kullanılır.

M

Makine öğrenmesi (machine learning): Bilgisayarın örneklerden öğrenerek yeni durumlar için tahmin üretmesini sağlayan yöntem.
Model (model): Girdiyi alıp bir çıktı üreten matematiksel yapı; yapay zekâda eğitimle oluşan 'öğrenilmiş' kısım.
Model Bağlam Protokolü (MCP, Model Context Protocol): Yapay zekâ uygulamalarını veri kaynaklarına ve araçlara ortak bir yolla bağlayan açık protokol.

N

Nesne algılama (object detection): Görüntülerde nesnelerin yerini bulup ne olduklarını söyleyen bilgisayarlı görü tekniği.
Nitelik (feature): Bir makine öğrenmesi modeline verilen girdi değişkeni.

O

Otomatik kodlayıcı (autoencoder): Veriyi küçük bir özete sıkıştırıp sonra yeniden kuran bir tür sinir ağı.
Otomatik makine öğrenmesi (AutoML): Makine öğrenmesi modeli kurmanın adımlarını otomatikleştiren yaklaşım.

Ö

Öğrenme oranı (learning rate): Eğitimde modelin değerlerinin her adımda ne kadar değiştirileceğini belirleyen ayar.
Önceden eğitilmiş model (pre-trained model): Büyük bir veriyle eğitilmiş ve sonraki işler için başlangıç olarak kullanılan model.
Önyargı (bias): Verideki ya da sistemdeki kalıp yargı, kayırma ya da sistematik hata; ayrıca modelde matematiksel bir değer.
Öz denetimli öğrenme (self-supervised learning): Etiketsiz verinin kendisinden doğru cevabı çıkararak öğrenme yöntemi.

P

Parametre (parameter): Modelin eğitim sırasında kendisinin öğrendiği ağırlık ve sapma değerleri.
Pekiştirmeli öğrenme (reinforcement learning): Bir ajanın ortamında denemeler yapıp ödüle bakarak doğru davranışı öğrendiği yöntem.

R

RAG (bilgi getirmeyle güçlendirilmiş üretim, retrieval-augmented generation): Yapay zekâ cevap üretmeden önce dış belgelerden ilgili bilgiyi bulup modele ekleyen teknik.
Regresyon (regression): Tahmin edilmek istenen değerle diğer değişkenler arasındaki ilişkiyi kestiren istatistik yöntemi.
RLHF (insan geri bildirimiyle pekiştirmeli öğrenme): Dil modelini insanların tercihlerine daha uygun davranacak şekilde eğitme tekniği.

S

Sentetik veri (synthetic data): Gerçek veriyi taklit etmek için yapay olarak üretilmiş veri.
Sıcaklık (temperature): Yapay zekânın cevaplarının ne kadar rastgele ya da öngörülebilir olacağını belirleyen ayar.
Sınıflandırma modeli (classification model): Tahmini bir sayı değil, bir sınıf (kategori) olan model.
Sohbet botu (chatbot): İnsanlarla yazı ya da sesle konuşup soruları yanıtlayan yazılım.

Ş

Şeffaflık (transparency): Bir yapay zekâ sisteminin nasıl yapıldığı ve kararlarını nasıl verdiği hakkında bilgi verilmesi.
Şifre çözme (decryption): Şifrelenmiş veriyi algoritma ve anahtarla yeniden okunabilir hâle getirme işlemi.
Şifreleme (encryption): Verileri anahtarı olmayanın okuyamayacağı bir biçime çevirme işlemi.

T

Tek örnekli istem (one-shot prompting): Yapay zekâya nasıl yanıt vermesini istediğinizi tek bir örnekle gösteren istem.
Test kümesi (test set): Eğitim bittikten sonra modelin başarısını ölçmek için ayrılan veri parçası.

U

Uç yapay zekâ (edge AI): Yapay zekâyı uzak sunucu yerine sensör ya da telefon gibi yakındaki cihazda çalıştırma.
Uygulama programlama arayüzü (API): Bir yazılımın başka bir yazılımdan veri almasını ya da iş yaptırmasını sağlayan ortak kurallar bütünü.
Uyumlama (alignment): Yapay zekâ modellerine insan değerlerini ve hedeflerini işleyerek daha yararlı ve güvenli kılma çalışması.

Ü

Üretken çekişmeli ağ (GAN): Biri yeni veri üreten, diğeri bunun geçerli olup olmadığına karar veren iki parçalı sistem.
Üretken model (generative model): Eğitim verisine benzeyen yeni örnekler üreten ya da bir örneğin o veriden gelme olasılığını tahmin eden model.
Üretken yapay zekâ (generative AI): İstemle yazı, görsel, ses, video ya da kod gibi yeni içerik üreten yapay zekâ türü.
Üstveri (metadata): Bir dosyanın içinde saklanan, dosya hakkındaki ek bilgidir. Örneğin bir fotoğraf; çekildiği tarihi ve cihazı, kamera konum servislerine açıksa konumu da taşıyabilir. Apple’ın kişisel güvenlik rehberi, fotoğraflardaki konum üstverisinin nasıl…

V

Vektör (vector): Belirli uzunlukta, ondalıklı sayılardan oluşan sayı listesi.
Veri kümesi (dataset): Ham verilerin çoğunlukla elektronik tablo ya da CSV dosyası biçiminde toplandığı derlem.
Veri zehirlenmesi (data poisoning): Bir saldırganın bir modelin eğitim verisinin bir kısmını denetim altına aldığı saldırı türü.

Y

Yapay sinir ağı (neural network): En az bir gizli katmanı olan model; birden çok gizli katmanlısına derin sinir ağı denir.
Yapay zekâ okuryazarlığı (AI literacy): Yapay zekâ sistemlerini bilinçli kullanmak ve sonuçlarını değerlendirmek için gereken bilgi ve beceri.

Z

Zafiyet (vulnerability): Bir sistemde, güvenlik yöntemlerinde ya da uygulamada kötüye kullanılabilecek zayıflık.
Zaman serisi analizi (time series analysis): Zamana bağlı verileri inceleyerek tahmin ve olağan dışı durum tespiti gibi işler yapan alan.
Zararlı yazılım (malware): Bir sisteme zarar vermek amacıyla bilerek eklenen yazılım ya da bellenim.