Yapay Zeka Ansiklopedisi: Temel Teoriden Ajan Sistemlerine ve 2026 Teknolojilerine Uzanan Kapsamlı Yapay Zeka Rehberi

1. Yapay Zekâya Giriş

Yapay zekâ (Artificial Intelligence - AI), bilgisayarların ve yazılım sistemlerinin, normal şartlarda insan zekâsına ihtiyaç duyan akıl yürütme, anlamlandırma, genelleme, geçmiş deneyimlerden öğrenme ve karar verme gibi üst düzey bilişsel süreçleri taklit etmesini sağlayan bir mühendislik ve bilim dalıdır. Temelinde karmaşık matematiksel optimizasyonlar, olasılık hesapları ve istatistiksel modellemeler barındıran bu disiplin, insan düşünme mekanizmasının yapısal özelliklerini bilgisayar ortamına aktarmayı hedefler.

İnsan zekâsı ile yapay zekâ arasındaki farklar, yapısal kaynaklardan ve bilginin işlenme biçiminden kaynaklanmaktadır. Biyolojik zekâ, milyarlarca nöron ve trilyonlarca sinaptik bağlantıdan oluşan elektrokimyasal bir ağ yapısı üzerinde analog olarak çalışır. İnsan zekâsı, son derece az miktarda veri ile (örneğin bir çocuğun bir nesneyi sadece birkaç kez görmesiyle) yüksek soyutlama ve genelleme yeteneğine sahiptir. Diğer yandan, yapay zekâ sistemleri silikon tabanlı mikroişlemciler üzerinde dijital ve ikili (binary) mantıkla çalışır. Yapay zekânın yüksek doğrulukla çalışabilmesi için milyonlarca, hatta milyarlarca etiketlenmiş veriye ve bu verileri işleyecek yüksek paralel işlem gücüne ihtiyaç duyulmaktadır. Ancak bilgisayarlar, çok boyutlu matris hesaplamalarını ve veri tarama işlemlerini insanların asla ulaşamayacağı milisaniyelik hızlarda hatasız tamamlama yeteneğine sahiptir.

Bilgisayarların "akıllı" davranabilmesinin arkasında yatan sır, bir bilince veya öz farkındalığa sahip olmaları değil, veriler arasındaki gizli örüntüleri (pattern) tespit edebilmeleridir. Bir bilgisayar sistemi için dünya, piksellerden, sayılardan veya karakter dizilerinden ibarettir. Bilgisayarlar, bu girdileri çok katmanlı matematiksel fonksiyonlardan geçirerek optimize eder ve en yüksek olasılığa sahip mantıksal çıktıyı üretir. Yapay zekânın çözmeye çalıştığı temel problemler şu başlıklar altında toplanabilir:

• Sınıflandırma ve Teşhis: Girdilerin hangi kategoriye ait olduğunu bulma (örneğin bir görseldeki tümörün iyi ya da kötü huylu olduğunu belirleme).

• Tahminleme ve Regresyon: Geçmiş verilere dayanarak gelecekteki sürekli bir değeri hesaplama (örneğin borsa trendleri veya hava durumu tahmini).

• Optimizasyon: Sınırlı kaynaklarla en yüksek verimi elde etme (örneğin bir kargo şirketinin yüzlerce teslimat için en kısa rotayı belirlemesi).

• Doğal Dil Anlama: İnsanların kullandığı karmaşık dil yapılarını anlamsal olarak analiz etme ve sentezleme.

Günlük hayatta farkında olmadan kullanılan pek soft yapay zekâ uygulaması mevcuttur. E-posta kutularındaki spam filtreleri, gelen iletinin kelime dizilimlerini istatistiksel olarak analiz ederek spam olasılığını hesaplar. Harita uygulamaları, anlık trafik verilerini işleyerek dinamik rota optimizasyonu yapar. Dijital yayın ve e-ticaret platformları, kullanıcının geçmiş davranış modellerini inceleyerek kişiselleştirilmiş içerik ve ürün öneri algoritmaları çalıştırır. Akıllı telefon kameraları ise çekim anında sahnedeki nesneleri tanıyarak ışık ve renk ayarlarını milisaniyeler içinde optimize eder.

Yapay zekânın çalışma mantığını anlamak için bir "kör haritacı" benzetmesi kullanılabilir. Yapay zekâ, bir coğrafyayı hiç görmemiş, dağların veya nehirlerin ne olduğunu bilmeyen ancak kendisine verilen milyonlarca yükseklik koordinatını (veri) analiz ederek bölgenin kusursuz bir üç boyutlu topografik kabartma haritasını (model) çıkaran bir haritacıya benzer. Bu haritacı, yeni bir koordinat verildiğinde oranın vadi mi yoksa tepe mi olduğunu yüksek doğrulukla tahmin edebilir; fakat tepenin üzerindeki rüzgarın esintisini veya vadideki çiçeğin kokusunu asla hissedemez.

Bölüm Özeti

• Kısa Özet: Yapay zekâ, bilgisayarların veri ve matematiksel fonksiyonlar aracılığıyla örüntü tanımasını ve insan benzeri kararlar vermesini sağlayan, bilinçten yoksun ancak yüksek hesaplama gücüne dayalı bir teknolojidir.

• Önemli Kavramlar: Biyolojik Zekâ, Örüntü Tanıma, Çok Boyutlu Matris Hesaplaması, Optimizasyon.

• Gerçek Hayat Örneği: Bir bankanın, müşterinin harcama konumunu, miktarını ve saatini milisaniyeler içinde analiz ederek işlemin dolandırıcılık olup olmadığını tespit eden güvenlik sistemi.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın dünyayı anlamlandıran biyolojik bir zihne sahip olmadığı, tüm akıllı davranışların arkasında veri analitiği ve olasılık hesaplarının yer aldığı kavranmalıdır.

2. Yapay Zekânın Tarihi

Yapay zekânın tarihsel gelişimi, matematiksel teorilerin, donanım kabiliyetlerinin ve finansal yatırımların doğrusal olmayan bir çizgide kesişmesiyle şekillenmiştir. Bu süreç, büyük beklentilerin ardından gelen hayal kırıklıkları (yapay zekâ kışları) ve ardından gelen teknolojik sıçramalarla doludur.

İkinci Dünya Savaşı esnasında şifre kırma faaliyetleriyle bilgisayar biliminin temellerini atan Alan Turing, 1950 yılında yayınladığı makalede "Makineler düşünebilir mi?" sorusunu sormuş ve zekâyı ölçmek için "Turing Testi"ni önermiştir1. Bu test, bir sorgulayıcının yazılı bir kanal üzerinden konuştuğu muhatabının insan mı yoksa makine mi olduğunu ayırt edememesi esasına dayanır. 1956 yılında Dartmouth Koleji'nde düzenlenen konferansta John McCarthy ve meslektaşları "Yapay Zekâ" kavramını resmileştirmişlerdir.

Tarihsel süreçteki en öğretici dönemler "Yapay Zekâ Kışları"dır. 1970'lerde bilgisayarların kelime dağarcığı ve işlem kapasitesi son derece sınırlıydı. Matematiksel olarak kanıtlanmış teoriler (örneğin perceptronların doğrusal olmayan problemleri çözememesi) donanım yetersizliğiyle birleşince devletler ve üniversiteler araştırmaları fonlamayı durdurmuştur. 1980'lerde ortaya çıkan "Uzman Sistemler" (insan uzmanların bilgilerini "EĞER-İSE" kuralları halinde kodlayan yazılımlar) ise esnek olmadıkları ve yeni durumlar karşısında tamamen çöktükleri için yerini istatistiksel yaklaşımlara bırakmıştır.

1990'lardan itibaren internetin yaygınlaşmasıyla büyük veri setleri birikmeye başlamış ve işlemci (CPU) güçleri logaritmik olarak artmıştır. Bu durum, kuralların insanlar tarafından elle yazılması yerine, verilerden kuralları bilgisayarın çıkarmasını sağlayan "Makine Öğrenmesi" dönemini başlatmıştır5. 2012 yılına gelindiğinde, grafik kartlarının (GPU) paralel hesaplama gücü yapay sinir ağlarına uygulanmış ve "Derin Öğrenme" çağı açılmıştır6. Günümüzde ise büyük dil modelleri ve üretken yapay zekâ, insanlığın bilgi üretme ve işleme paradigmalarını kökten değiştirmektedir4.

Bölüm Özeti

• Kısa Özet: Yapay zekâ tarihi; teorik temellerin atılması, donanım yetersizlikleri nedeniyle yaşanan krizler (kışlar) ve nihayetinde büyük veri ile GPU gücünün birleşmesiyle ortaya çıkan modern derin öğrenme çağından oluşur2.

• Önemli Kavramlar: Turing Testi1, Dartmouth Konferansı, Yapay Zekâ Kışı, Uzman Sistemler.

• Gerçek Hayat Örneği: 1997'de satranç şampiyonu Kasparov'u yenen kural tabanlı ve yoğun hesaplamalı Deep Blue sisteminin, bugün yerini çok daha esnek derin sinir ağlarına bırakması2.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın başarısının sadece yazılımsal algoritmalara değil, donanım (fiziksel işlem gücü) ve erişilebilir veri ölçeğine doğrudan bağlı olduğu kavranmalıdır.

3. Yapay Zekâ Nasıl Çalışır?

Yapay zekânın çalışma mekanizması, sihirli bir bilinç formülü değil, belirli girdileri alıp belirli çıktılara dönüştüren sistematik bir süreçtir. Bu süreci anlamak için dört temel kavramın incelenmesi gerekir.

+------------------+     +------------------------+     +------------------------+
|  1. HAM VERİ     |     |  2. ALGORİTMA          |     |  3. EĞİTİM (Öğrenme)   |
|  Görseller,      | --> |  Matematiksel kurallar | --> |  Hata hesaplama ve     |
|  Sayılar, Metin  |     |  ve optimizasyon yolları|     |  ağırlık güncelleme    |
+------------------+     +------------------------+     +------------------------+
                                                                    |
                                                                    v
                                                        +------------------------+
                                                        |  4. TAHMİN / MODEL     |
                                                        |  Yeni girdilere doğru  |
                                                        |  olasılıkla yanıt verme|
                                                        +------------------------+

• Veri: Yapay zekânın hammaddesidir7. Bir yapay zekânın öğrenebilmesi için dijitalleştirilmiş deneyimlere ihtiyacı vardır. Bu deneyimler bir dondurma dükkanının günlük sıcaklık ve satış rakamları (yapılandırılmış veri) olabileceği gibi, binlerce kedi ve köpek fotoğrafı (yapılandırılmamış veri) de olabilir8.

• Algoritma: Bilgisayara verilen adım adım talimatlar setidir7. Yapay zekâ bağlamında algoritma, "verideki hatayı nasıl bulacağını ve bu hatayı düzeltmek için matematiksel formülleri nasıl uygulayacağını" tarif eden dinamik bir formüldür.

• Model: Eğitim sürecinin sonunda ortaya çıkan nihai üründür9. Algoritmanın veri üzerinde çalışarak öğrendiği ilişkileri saklayan, "matematiksel katsayılar tablosu"dur6. Eğitilmiş bir model, yeni bir girdi aldığında bu katsayıları kullanarak anında çıktı üretir.

• Eğitim Süreci ve Öğrenme: Bu aşama, deneme-yanılma ve düzeltme döngüsünden oluşur. Bir modelin eğitilmesi şu adımları izler:

1. Girdi Gönderimi: Sisteme bir görsel verilir (örneğin bir elma resmi).

2. Rastgele Tahmin: İlk aşamada modelin içindeki katsayılar rastgele olduğu için sistem resme tamamen şans eseri "armut" diyebilir.

3. Hata Hesaplama (Loss): Sisteme elmanın gerçek etiketi gösterilir ve tahmin ile gerçek arasındaki fark (hata payı) matematiksel olarak hesaplanır.

4. Ağırlık Güncelleme (Backpropagation): Algoritma, hatayı düşürmek için modelin içindeki katsayıları (ağırlıkları) milimetrik olarak günceller6.

5. Tekrar: Bu işlem milyonlarca veriyle binlerce kez tekrarlanır. Her döngüde hata payı biraz daha düşer ve model "öğrenmiş" olur.

Eğitim bittikten sonra Tahmin (Inference) aşamasına geçilir. Artık katsayıları sabitlenmiş olan modele daha önce hiç görmediği bir elma resmi verildiğinde, model piksellerin yayılımını kendi içindeki katsayılarla çarparak milisaniyeler içinde "%99 olasılıkla elma" tahminini üretir.

Bölüm Özeti

• Kısa Özet: Yapay zekâ; verilerin algoritmalar vasıtasıyla işlenmesi, tahmin hatalarının sürekli hesaplanarak model parametrelerinin güncellenmesi ve bu sayede yeni veriler üzerinde doğru tahminler yapılması esasıyla çalışır6.

• Önemli Kavramlar: Girdi (Input), Model Katsayıları (Weights), Kayıp Fonksiyonu (Loss Function), Çıkarım (Inference).

• Gerçek Hayat Örneği: Bir otonom aracın, önündeki kameradan gelen video karelerini (veri) saliseler içinde işleyerek nesnenin insan mı yoksa çöp kutusu mu olduğunu tahmin etmesi ve direksiyon açısını buna göre ayarlaması11.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın "öğrenme" sürecinin aslında bir optimizasyon problemi olduğu ve hata fonksiyonunu sıfıra yaklaştırma çabasından ibaret olduğu anlaşılmalıdır6.

4. Yapay Zekâ Türleri

Yapay zekâ teknolojileri, yeteneklerinin kapsamına, genelleme yetilerine ve insan zekâsıyla olan eşdeğerlik derecesine göre üç ana kategori altında sınıflandırılır.

  [Dar Yapay Zekâ (ANI)] ────────> [Genel Yapay Zekâ (AGI)] ────────> [Süper Yapay Zekâ (ASI)]
  - Tek bir görevde uzman           - İnsan seviyesinde genel zeka     - İnsan ötesi bilişsel güç
  - Günümüz teknolojisi             - Teorik/Geliştirilme aşaması      - Spekülatif gelecek

Dar Yapay Zekâ (Artificial Narrow AI - ANI)

Dar Yapay Zekâ (ANI), yalnızca belirli bir görevi veya sınırlı bir iş kümesini mükemmel şekilde gerçekleştirmek üzere tasarlanmış ve eğitilmiş sistemlerdir1. Günümüzde dünyada var olan, ticari olarak kullanılan ve üretilen tüm yapay zekâ çözümleri bu sınıfa dahildir12. ANI sistemleri kendi alanlarında bir insandan çok daha hızlı ve başarılı çalışabilirler ancak bu yeteneklerini farklı bir alana aktaramazlar (genelleme yapamazlar)12. Otonom araçlar, yüz tanıma sistemleri, tıp alanında protein yapılarını çözen AlphaFold ve dil çeviri yazılımları bu duruma örnektir2.

Genel Yapay Zekâ (Artificial General Intelligence - AGI)

Genel Yapay Zekâ (AGI), bir insanın gerçekleştirebileceği her türlü entelektüel görevi, kavramsal soyutlamayı, planlamayı ve problem çözmeyi tıpkı bir insan gibi esnek bir şekilde yerine getirebilen teorik yapay zekâ seviyesidir1. AGI'ye ulaşmak son derece zordur çünkü biyolojik bilincin, öz farkındalığın ve "sağduyu" (common sense) dediğimiz gündelik yaşam mantığının matematiksel olarak nasıl formüle edileceği henüz bilinmemektedir1. Filozof Thomas Nagel'ın "Yarasa olmak nasıl bir his?" sorusuyla özetlediği öznel deneyim (qualia) ve bilincin "zor problemi", makinelerin sadece veri işleyerek duyumsama seviyesine ulaşıp ulaşamayacağı tartışmalarının merkezinde yer alır1.

AGI seviyesindeki ilerlemeyi ölçmek için Google DeepMind araştırmacıları 5 aşamalı bir taksonomi önermiştir1:

Benzer şekilde OpenAI da AGI gelişimini; Chatbots (Sohbet), Reasoners (Muhakeme), Agents (Ajanlar), Innovators (Mucitler) ve Organizations (Otonom Şirketler) olmak üzere 5 seviyeli otonom eylem çerçevesinde değerlendirmektedir4.

Süper Yapay Zekâ (Artificial Superintelligence - ASI)

Süper Yapay Zekâ (ASI), insan zekâsını bilimsel yaratıcılık, stratejik planlama, sosyal ilişkiler ve genel entelektüel kapasite de dahil olmak üzere her alanda katbekat aşan spekülatif bir makine zekâsıdır2. ASI sistemleri, saniyeler içinde kendi kodlarını yeniden yazarak ( recursive self-improvement ) milyarlarca kat daha akıllı hale gelebilirler. Bu durum, insanlığın kontrolü tamamen kaybetmesi riski (Hizalama Problemi) ve insan neslinin tükenmesi gibi varoluşsal etik ve felsefi tartışmaları tetiklemektedir1.

Bölüm Özeti

• Kısa Özet: Yapay zekâ; günümüzün sınırlı ve görev odaklı "Dar" (ANI) çözümlerinden, insan seviyesinde esnek "Genel" (AGI) sistemlere ve insan ötesi spekülatif "Süper" (ASI) zekâ seviyelerine kadar uzanan bir gelişim spektrumuna sahiptir1.

• Önemli Kavramlar: Dar Yapay Zekâ (ANI), Genel Yapay Zekâ (AGI), Süper Yapay Zekâ (ASI), Öznel Deneyim (Qualia)1.

• Gerçek Hayat Örneği: Bir tıp yapay zekâsının milyonlarca kanser hücresini hatasız tanıması (mükemmel ANI)2 ancak odadaki yangını fark edip dışarı kaçmayı akıl edememesi (AGI eksikliği).

• Öğrenilmesi Gereken Noktalar: Günümüzdeki en gelişmiş yapay zekâ modellerinin bile teknik olarak henüz "Gelişmekte Olan AGI" (Level 1) aşamasında olduğu, gerçek esneklik ve bilinç seviyesinden uzak olduğu bilinmelidir1.

5. Makine Öğrenmesi (Machine Learning)

Makine Öğrenmesi (Machine Learning), bilgisayarların açık kurallar dizisi olmadan, doğrudan verilerden örüntüler öğrenmesini sağlayan istatistiksel yöntemler bütünüdür5.

Geleneksel programlamada, bir yazılımcı kuralları (mantığı) yazar, verileri girdikten sonra bilgisayardan çıktıyı alır. Makine öğrenmesinde ise bilgisayara veriler ve bu verilere ait doğru sonuçlar (etiketler) verilir; algoritma bu ikisi arasındaki gizli kuralları ve matematiksel bağıntıları kendi kendine bularak bir model inşa eder9.

Geleneksel Programlama:  Girdi Verisi + İnsan Kuralları  ================> Çıktı (Karar)
Makine Öğrenmesi:        Girdi Verisi + Doğru Çıktılar   ==[Öğrenme]==> Matematiksel Kurallar (Model)

Makine öğrenmesi algoritmaları çalışma prensiplerine göre üç temel kategoriye ayrılır:

Denetimli Öğrenme (Supervised Learning)

Sistemin, doğru cevapları (etiketleri) önceden belirlenmiş bir veri setiyle eğitildiği yöntemdir9. Model, "girdi-çıktı" eşleşmesini öğrenir9.

• Sınıflandırma (Classification): Verileri önceden tanımlanmış kategorilere ayırma işlemidir9. Örneğin, bir e-postanın "Spam" veya "Güvenli" olarak etiketlenmesi5.

• Tahmin/Regresyon (Regression): Verilerden yola çıkarak geleceğe yönelik sürekli, sayısal bir değer tahmin etmektir9. Örneğin, bir evin oda sayısı, konumu ve yaşına bakarak piyasa değerinin tahmin edilmesi5.

Denetimsiz Öğrenme (Unsupervised Learning)

Sisteme verilen verilerin herhangi bir etiket veya doğru cevap içermediği yöntemdir9. Algoritma, verinin içindeki doğal yapıyı ve benzerlikleri keşfetmeye çalışır9.

• Gruplandırma (Clustering): Benzer özelliklere sahip verileri kendi içinde kümelere ayırma işlemidir9. Örneğin, bir bankanın müşterilerini harcama alışkanlıklarına göre "Tasarruflu", "Lüks Tüketici", "Yatırım Odaklı" gibi gruplara ayırması8.

• Keşif ve Boyut Azaltma: Çok fazla değişkene sahip verilerin içindeki en belirgin kalıpları ortaya çıkarmak amacıyla değişken sayısını azaltma işlemidir (örneğin Temel Bileşenler Analizi - PCA)6.

Pekiştirmeli Öğrenme (Reinforcement Learning)

Bir yapay zekâ ajanının, dinamik bir çevre içerisinde deneme-yanılma yoluyla en doğru eylemleri yapmayı öğrendiği yöntemdir11.

• Ödül (Reward): Ajan hedefe yaklaşan doğru bir hamle yaptığında çevre tarafından verilen pozitif puan11.

• Hata (Penalty): Ajanın yanlış veya başarısız hamleleri karşısında aldığı negatif puan11.

• Öğrenme (Policy): Ajanın hata yapma sıklığını azaltıp ödülleri maksimize etmek için geliştirdiği eylem ve karar alma stratejisidir11.

Bölüm Özeti

• Kısa Özet: Makine öğrenmesi; veriler ile doğru cevaplar arasındaki bağıntıları bularak kural üreten, denetimli (etiketli veri), denetimsiz (etiketsiz veri) ve pekiştirmeli (ödül-ceza sistemi) öğrenme modellerinden oluşan istatistiksel bir disiplindir9.

• Önemli Kavramlar: Sınıflandırma, Regresyon, Kümeleme (Clustering), Pekiştirmeli Öğrenme9.

• Gerçek Hayat Örneği: Bir video izleme platformunun, izleyicinin hangi dakikalarda ekranı kapattığını (veri) analiz edip, benzer davranış gösteren milyonlarca kişiyi gruplandırarak (denetimsiz öğrenme) yeni içerik yatırımlarına karar vermesi8.

• Öğrenilmesi Gereken Noktalar: Geleneksel programlama mantığından makine öğrenmesi paradigmasına geçişteki zihniyet farkı ve hangi probleme hangi öğrenme türünün uygulanması gerektiği netleştirilmelidir9.

6. Derin Öğrenme (Deep Learning)

Derin Öğrenme (Deep Learning), insan beynindeki biyolojik sinir ağlarının çalışma yapısından esinlenerek geliştirilmiş, çok katmanlı yapay sinir ağları (YSA) üzerine kurulu bir makine öğrenmesi alt dalıdır5.

                 [ YAPAY SİNİR AĞI KATMANLARI ]
Girdi Katmanı  ===>  Gizli Katman 1  ===>  Gizli Katman 2  ===> Çıktı Katmanı
(Örn: Piksel)        (Kenar Algılama)      (Şekil Algılama)      (Kedi/Köpek Kararı)

İnsan beyninde sinyaller dendritler aracılığıyla alınır, nöron gövdesinde işlenir ve aksonlar vasıtasıyla sinapslar üzerinden diğer nöronlara aktarılır. Yapay sinir ağlarında bu biyolojik yapı matematiksel denklemlerle modellenmiştir.

Nöron Mantığı

Yapay bir nöron (perceptron), dışarıdan aldığı girdileri (), her bir girdinin önem derecesini belirleyen ağırlık katsayıları () ile çarpar6. Bu çarpımların toplamına bir sapma (bias, ) eklenir6. Elde edilen toplam değer, ağa doğrusal olmayan (non-linear) özellikler kazandıran bir "Aktivasyon Fonksiyonu" () süzgecinden geçirilir ve nihai çıktı () üretilir6. Aktivasyon fonksiyonları (örneğin ReLU, Sigmoid veya Tanh), ağın karmaşık, doğrusal olmayan sınırları öğrenmesini sağlar.

Yapay nöronun matematiksel formülü şu şekildedir:

Çok boyutlu matris formunda ise şu şekilde gösterilir6:

Katmanlar (Layers)

Derin bir yapay sinir ağı üç temel katman grubundan oluşur:

• Girdi Katmanı (Input Layer): Ham verilerin modele ilk giriş yaptığı katmandır (örneğin piksellik bir görsel için 784 adet nöron).

• Gizli Katmanlar (Hidden Layers): Öğrenmenin asıl gerçekleştiği katmanlardır5. Verideki basit özelliklerden başlayarak (örn. yatay çizgiler) ardışık olarak daha karmaşık özellikleri (örn. göz veya burun şekli) soyutlarlar. Katman sayısı arttıkça ağ "derinleşir".

• Çıktı Katmanı (Output Layer): Modelin tahminini sunduğu son katmandır (örneğin sınıflandırma olasılıkları)10.

Eğitim Süreci

Ağın eğitimi iki yönlü bir döngüdür. İleri Yayılım (Forward Propagation) aşamasında veri girdiden çıktıya doğru akar ve bir tahmin üretilir10. Geri Yayılım (Backpropagation) aşamasında ise tahmin ile gerçek etiket arasındaki hata payı (Kayıp/Loss) hesaplanır6. Hata miktarının ağırlıklara göre kısmi türevleri alınarak gradyanlar hesaplanır ve Gradyan İnişi (Gradient Descent) optimizasyonuyla tüm ağırlıklar hatayı azaltacak yönde milimetrik olarak güncellenir6.

Derin Öğrenme Mimarileri

• Evrişimli Sinir Ağları (CNN - Convolutional Neural Networks): Görsellerin ve mekansal verilerin işlenmesinde kullanılır5. Resmin tamamını düzleştirmek yerine "filtreler" (kernels) aracılığıyla lokal pikseller arasındaki ilişkileri koruyarak kenar, doku ve şekil algılamasını gerçekleştirir5.

• Özyinelemeli Sinir Ağları (RNN - Recurrent Neural Networks): Metin, ses ve zaman serileri gibi ardışık ve zamana bağlı verileri işler5. Bilgiyi kendi içinde döngüsel olarak saklayan bir "bellek" hücresine sahiptir. Ancak uzun metinlerde gradyan kaybolması (vanishing gradient) nedeniyle bağlamı unutma sorunu yaşar.

• Transformer: RNN'lerin paralel çalışamama ve uzun vadeli hafıza sorununu çözen devrimsel mimaridir6. Metindeki tüm kelimeleri aynı anda işleyerek her kelimenin diğer tüm kelimelerle olan anlamsal ilişkisini "Self-Attention" (Öz-Önem) mekanizmasıyla doğrudan hesaplar6.

Bölüm Özeti

• Kısa Özet: Derin öğrenme, biyolojik beyinden esinlenen, ileri ve geri yayılım algoritmalarıyla eğitilen ve görsel işleme (CNN), ardışık veri (RNN) ile bağlamsal dil işleme (Transformer) gibi özel mimarileri barındıran çok katmanlı yapay sinir ağları teknolojisidir5.

• Önemli Kavramlar: Yapay Nöron, Gizli Katman5, Geri Yayılım (Backpropagation)6, Aktivasyon Fonksiyonu6.

• Gerçek Hayat Örneği: Tıbbi röntgen taramalarını analiz eden bir CNN modelinin, pikselleri katman katman inceleyerek milimetrik kanser hücrelerini uzman doktorlardan daha hızlı tespit etmesi5.

• Öğrenilmesi Gereken Noktalar: Aktivasyon fonksiyonlarının doğrusal olmama özelliğinin önemi, ileri yayılım ile tahmin yapılması ve geri yayılım türev hesaplarıyla modelin hatasını nasıl düzelttiği kavranmalıdır6.

7. Büyük Dil Modelleri (LLM)

Büyük Dil Modelleri (Large Language Models - LLM), milyarlarca parametre barındıran Transformer mimarisi üzerine kurulu ve insan dilini anlama, yorumlama ve üretme yeteneğine sahip devasa yapay sinir ağlarıdır5.

ChatGPT Benzeri Sistemler Nasıl Çalışır?

ChatGPT ve benzeri sistemler, temelde son derece gelişmiş birer "bir sonraki kelimeyi tahmin etme" (next-token prediction) makinesidir. Model, kendisine verilen bir metin girdisini (prompt) analiz eder, kendi içindeki milyarlarca parametrenin olasılık dağılımını kullanarak bu girdiden sonra gelmesi en muhtemel kelimeyi (token) hesaplar ve ekrana yazdırır. Bu işlem, cümle tamamlanana kadar ardışık olarak saniyede onlarca kez tekrarlanır.

[ Girdi: "Güneş açınca çiçekler..." ]
            │
            ▼
[ LLM Olasılık Dağılımı Hesaplama ]  ===> %82: "açar.", %12: "solar.", %6: "büyür."
            │
            ▼
[ Çıktı Üretimi: "açar." ]

Temel LLM Kavramları

• Parametre (Parameter): Modelin eğitim esnasında verilerden öğrendiği ve nöronlar arasındaki bağlantıların gücünü temsil eden ağırlık katsayılarıdır6. Parametre sayısı arttıkça (örn. 70 Milyar parametre), modelin dilin nüanslarını, dünya bilgisini ve mantıksal ilişkileri saklama kapasitesi artar14.

• Token: Modellerin doğal dili işleyebilmek için metinleri böldüğü en küçük anlamlı karakter, hece veya kelime parçacıklarıdır. Kelimeler doğrudan bilgisayara verilemez; her bir token sayısal bir kimliğe (ID) dönüştürülür ve yüksek boyutlu bir "Gömme Vektör Alanı" (Embedding Space) içine yerleştirilir. Burada anlamsal olarak benzer kelimeler (örn. "kral" ve "kraliçe") matematiksel olarak birbirine çok yakın konumlarda yer alır.

• Eğitim Verisi: Kitaplar, makaleler, web siteleri ve kod depolarından oluşan terabaytlarca ölçekteki devasa veri yığınlarıdır5. Eğitim iki aşamalıdır:

1. Ön Eğitim (Pre-training): Modelin dildeki genel kalıpları ve dünya bilgisini kendi kendine öğrendiği aşama.

2. İnce Ayar (Fine-Tuning & RLHF): Modelin insan komutlarına güvenli, faydalı ve etik yanıtlar vermesini sağlamak için insan geri bildirimleriyle eğitildiği aşama5.

Transformer Mimarisi Neden Güçlüdür?

Transformer'ı geleneksel dil modellerinden ayıran en önemli unsur Self-Attention (Öz-Önem) mekanizmasıdır6. Klasik sistemler cümleyi soldan sağa kelime kelime okurken cümlenin başındaki kelimelerin bağlamını zamanla unuturdu. Transformer ise cümledeki tüm kelimeleri tek bir işlemde paralel olarak okur. Kelimelerin birbirleriyle olan ilişkisini, aralarındaki mesafe ne olursa olsun doğrudan hesaplar.

Örneğin, "Ahmet dün arkadaşıyla kütüphaneye gitti ama o çok yorgundu" cümlesindeki "o" zamirinin kütüphaneye mi yoksa Ahmet'e mi ait olduğunu, cümledeki diğer kelimelerin anlamsal ağırlıklarını (attention puanlarını) hesaplayarak kusursuz şekilde çözer.

Bölüm Özeti

• Kısa Özet: Büyük dil modelleri (LLM), devasa eğitim verilerinden yararlanarak istatistiksel olarak en olası sonraki kelimeyi tahmin eden, gücünü Transformer mimarisindeki Self-Attention mekanizmasından alan çok parametreli sistemlerdir5.

• Önemli Kavramlar: Token, Parametre6, Kelime Gömmeleri (Word Embeddings), Self-Attention6.

• Gerçek Hayat Örneği: Bir kullanıcının eksik yazdığı karmaşık bir programlama kodunu, dil modelinin bağlamı analiz ederek tek bir saniyede hatasız şekilde tamamlaması15.

• Öğrenilmesi Gereken Noktalar: LLM'lerin insan gibi bilerek veya hissederek konuşmadığı, tüm akıcılığın arkasında devasa bir olasılıksal veri dağılımı haritasının yer aldığı bilinmelidir.

8. Üretken Yapay Zekâ (Generative AI)

Üretken Yapay Zekâ (Generative AI), mevcut verilerin istatistiksel dağılımını ve yapısını öğrenerek, daha önce hiç var olmamış orijinal metin, görsel, video, ses ve kod gibi içerikleri sıfırdan üretebilen yapay zekâ sistemlerinin genel adıdır2.

                     ┌──> METİN: GPT-4, Claude (Dil Yapısı Sentezi)
                    ├──> GÖRSEL: Midjourney, DALL-E (Difüzyon Gürültü Temizleme)
Kullanıcı Komutu  ───┼──> VİDEO: Sora, Runway (Uzay-Zaman Tutarlılığı)
                    ├──> SES: Suno, TTS (Frekans Dalga Sentezi)
                    └──> KOD: GitHub Copilot (Sentaks Ağaç Modellemesi) [cite: 15]

Üretken yapay zekânın farklı modalitelerdeki çalışma biçimleri şu şekilde detaylandırılabilir:

• Metin Üreten AI: GPT ve Claude gibi modeller, dildeki anlamsal örüntüleri kullanarak sıfırdan makaleler, reklam metinleri veya edebi eserler sentezler1.

• Görsel Üreten AI: Midjourney ve Stable Diffusion gibi modeller Difüzyon (Diffusion) teknolojisiyle çalışır2. Bu sistemler eğitim aşamasında bir görselin üzerine eklenen rastgele karıncalanmayı (noise) adım adım temizlemeyi öğrenirler. Görsel üretirken, tamamen rastgele gürültüden oluşan bir ekranı, verilen metinsel komuta (prompt) uygun pikseller kalana kadar kademeli olarak temizleyerek eşsiz bir resim ortaya çıkarırlar.

• Video Üreten AI: Sora benzeri sistemler, sadece statik görüntüler değil, zaman boyutunda da fizik kurallarına, ışık yansımalarına ve nesne kalıcılığına uygun kareler üreterek dinamik ve gerçekçi videolar oluşturur.

• Ses ve Müzik Üreten AI: Suno benzeri araçlar, insan sesinin frekans dalgalarını ve müzik teorisini bir arada sentezleyerek sıfırdan enstrümantal melodiler ve şarkı sözlerini seslendiren vokaller üretebilir16.

• Kod Yazan AI: Programlama dillerinin sözdizimi (syntax) ağaçlarını ve mantıksal akışını analiz ederek sıfırdan çalışan yazılım kodları inşa eder6.

Nasıl Yeni ve Özgün İçerik Oluşturulabilir?

Üretken yapay zekâ sistemleri internetteki resimleri veya metinleri kopyalayıp kolaj yapmazlar. Eğitim sürecinde tüm girdi dünyası Gizli Uzay (Latent Space) adı verilen çok boyutlu matematiksel bir koordinat sistemine sıkıştırılır. Kullanıcı bir komut verdiğinde, yapay zekâ bu gizli uzaydaki ilgili kavramsal koordinatları bulur, üzerine hafif bir rastgelelik (stochasticity) ekleyerek o koordinattan tamamen yeni ve dünyada daha önce hiç var olmamış benzersiz pikselleri veya kelimeleri sentezler.

Bölüm Özeti

• Kısa Özet: Üretken yapay zekâ, verilerin özünü matematiksel bir gizli uzayda (latent space) modelleyerek, difüzyon ve otoregresif yöntemlerle sıfırdan özgün metin, görsel, ses ve video üreten teknolojidir2.

• Önemli Kavramlar: Gizli Uzay (Latent Space), Difüzyon Modeli, Rastgelelik (Temperature), Gürültü Temizleme (Denoising)2.

• Gerçek Hayat Örneği: Bir grafik tasarımcının, "astronot kıyafeti giymiş kedi" yazdığında yapay zekânın internetten bir kedi kafası kesip yapıştırmak yerine, ışık ve gölgeleri sıfırdan hesaplayarak yeni bir dijital görsel çizmesi2.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın içerik üretirken bir veritabanından arama yapmadığı, her şeyi olasılıksal matematiksel hesaplarla o anda sıfırdan inşa ettiği anlaşılmalıdır.

9. Yapay Zekâ Kullanım Alanları

Yapay zekâ, günümüzde endüstrilerin verimlilik, hız ve hata payını azaltma arayışlarına yanıt veren yatay bir teknoloji platformu haline gelmiştir11.

Bölüm Özeti

• Kısa Özet: Yapay zekâ; tıp, finans, siber güvenlik, sanayi, eğitim ve tarım gibi tüm temel sektörlerde karar destek süreçlerini ve operasyonel verimliliği maksimize eden endüstriyel bir katalizördür9.

• Önemli Kavramlar: Kestirimci Bakım9, Anomali Tespiti, Sensör Füzyonu, Adaptif Öğrenme11.

• Gerçek Hayat Örneği: Bir e-ticaret lojistik merkezinde, yapay zekâ algoritmalarının sipariş yoğunluğu tahminlerine dayanarak kargo araçlarının çıkış saatlerini ve rotalarını otomatik olarak yeniden düzenlemesi.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın her sektörde farklı bir veri tipiyle (görüntü, ses, zaman serisi, metin) çalıştığı ancak arka plandaki optimizasyon felsefesinin ortak olduğu kavranmalıdır8.

10. Yapay Zekâ ve Yazılım Geliştirme

Yapay zekâ, yazılım geliştirme yaşam döngüsünü (SDLC) kökten değiştirmiştir. Geleneksel olarak günlerce süren kodlama, test etme ve hata ayıklama süreçleri artık yapay zekâ ortaklığıyla dakikalar içinde tamamlanabilmektedir17.

                 [ YAPAY ZEKÂ DESTEKLİ YAZILIM SÜRECİ ]
[Doğal Dil Komutu] ──> [Kod Yazma Asistanı (Copilot)] ──> [Otomatik Test Üretimi]
                                                                │
                                                                ▼
[Sürekli Canlı İzleme] <── [Otonom Hata Onarımı] <── [Statik Kod Analizi (Bug Fix)]

Bu değişimin temel saç ayakları şu şekildedir:

• Kod Yazma Asistanları (AI Coding Assistants): GitHub Copilot, Cursor ve Cline gibi araçlar, doğrudan yazılımcının kod editörüne (IDE) entegre olur15. Geliştiricinin yazdığı kodun bağlamını ve projedeki diğer dosyaları analiz ederek bir sonraki kod satırını, hatta tüm fonksiyon bloklarını otomatik olarak tamamlar15.

• Yapay Zekâ Destekli Programlama: Geliştiriciler artık kod yazarken programlama dillerinin karmaşık sözdizimini (syntax) ezberlemek zorunda değildir. Doğal dilde yazılan komutlar (örn. "Kullanıcıdan gelen e-postayı doğrulayan ve veritabanına güvenli kaydeden bir Python fonksiyonu yaz") yapay zekâ tarafından anında temiz ve optimize edilmiş koda dönüştürülür6.

• Otomatik Test ve Hata Analizi (Debugging): Yapay zekâ, yazılmış kodların mantıksal hatalarını saniyeler içinde analiz eder, güvenlik açıklarını (SQL Injection, Cross-Site Scripting vb.) tespit eder ve bunları düzeltecek yama (patch) önerileri sunar. Ayrıca, yazılımın farklı senaryolar altında düzgün çalışıp çalışmadığını test eden birim test (unit test) kodlarını otonom olarak üretir.

• Yapay Zekâ Ajan Sistemleri (AI Agentic Systems): Devin veya terminal tabanlı Claude Code gibi ileri seviye sistemler, sadece kod önermekle kalmaz; projenin tamamını tarar, terminali bağımsız olarak kullanarak testleri çalıştırır, hataları kendi kendine çözer ve yazılımı canlıya (production) sevk eder15. Geliştiricinin rolü "kod yazarı" olmaktan "sistem mimarı ve kod denetleyicisi" olmaya evrilmektedir17.

Bölüm Özeti

• Kısa Özet: Yapay zekâ; akıllı kod tamamlama, otonom hata ayıklama, otomatik birim test kurgulama ve bağımsız yazılım ajanları ile yazılım geliştirme süreçlerini hızlandırmakta ve yazılımcı üretkenliğini katlamaktadır15.

• Önemli Kavramlar: Kod Tamamlama, Birim Test (Unit Test), Statik Kod Analizi, Yazılım Ajanları15.

• Gerçek Hayat Örneği: Bir yazılım ekibinin, yeni bir web sitesi özelliği geliştirirken, tüm sunucu ve veritabanı bağlantı kodlarını ve test senaryolarını yapay zekâ ajanına yazdırıp, süreci 4 günden 2 saate indirmesi15.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın yazılım geliştirmede hata yapabileceği (halüsinasyon kodu üretebileceği), bu yüzden üretilen her kodun mutlaka uzman bir geliştirici tarafından denetlenmesi gerektiği unutulmamalıdır.

11. Yerel Yapay Zekâ Sistemleri

Yapay zekâ modellerinin çalıştırılması geleneksel olarak internet bağlantısı gerektiren ve verileri uzak sunuculara gönderen bulut sistemlerine (Cloud AI) dayanırken; günümüzde tüm işlemlerin kullanıcının kendi bilgisayarında yapıldığı "Yerel Yapay Zekâ" (Local AI) sistemleri hızla önem kazanmaktadır14.

┌────────────────────────────────────────────────────────────────────────┐
│                        Bulut AI vs. Yerel AI                           │
├───────────────────────────────┬────────────────────────────────────────┤
│ Bulut Yapay Zekâ (Cloud AI)   │ Yerel Yapay Zekâ (Local AI)            │
├───────────────────────────────┼────────────────────────────────────────┤
│ - İnternet bağlantısı şarttır.│ - Tamamen çevrimdışı çalışabilir.  │
│ - Veriler dışarıya aktarılır. │ - Veriler bilgisayardan çıkmaz (Gizlilik) [cite: 6, 18].│
│ - Sorgu başına ücret ödenir.  │ - Ücretsiz ve sınırsız çalışır.    │
│ - Çok devasa modeller çalışır.│ - Donanımla sınırlı küçük modeller [cite: 14, 18].│
└───────────────────────────────┴────────────────────────────────────────┘

Bilgisayarda Çalışan Modeller ve Ollama

Yerel yapay zekânın kalbinde, Llama 3, Phi-4 veya Gemma gibi açık kaynaklı (open-source) büyük dil modelleri yer alır18. Ollama, bu modelleri bilgisayara tek bir komutla indirmeyi, RAM ve GPU kaynaklarını optimize ederek çalıştırmayı sağlayan hafif ve güçlü bir yerel yürütme aracıdır18. Ollama sayesinde, internete bağlı olmadan, tamamen yerel bir sohbet robotu veya yerel bir kodlama asistanı kurulabilmektedir18.

Kuantizasyon (Quantization) ve Donanım İhtiyaçları

Develer büyüklüğündeki modellerin (örn. 70 Milyar parametreli Llama 3.3) standart bilgisayarlarda çalışabilmesini sağlayan teknoloji Kuantizasyon işlemidir14. Modellerin matematiksel hassasiyeti (FP16 veya BF16 formatından) 4-bit (Q4) veya 8-bit (Q8) seviyesine düşürülür14. Bu sayede model kalitesinde ihmal edilebilir bir kayıpla modelin dosya boyutu ve RAM tüketimi %75 oranında azaltılır14.

Yerel çalışmada en kritik bileşen ekran kartı belleğidir (VRAM)14. Modelin tamamen VRAM içine sığması yüksek hız elde edilmesini sağlar; model VRAM'i aşarsa sistem bilgisayarın ana RAM'ine taşar ve işlem hızı saniyede birkaç kelimeye kadar düşer14.

Apple Silicon (M-Serisi) işlemcili Mac bilgisayarlar, Unified Memory (Birleşik Bellek) teknolojisi sayesinde ana RAM'i aynı zamanda VRAM olarak kullanabilir19. Bu sayede bir Mac Studio 128GB/192GB bellek ile devasa 70B veya daha büyük modelleri tek başına yüksek hızda koşturabilir14.

Bölüm Özeti

• Kısa Özet: Yerel yapay zekâ, bulut sunucularına bağımlı kalmadan, kuantize edilmiş açık kaynaklı modelleri (Ollama vb.) kullanıcının kendi bilgisayarının RAM ve VRAM kaynakları üzerinde çalıştıran, gizlilik ve güvenlik odaklı bir sistemdir14.

• Önemli Kavramlar: Bulut AI, Yerel AI, Kuantizasyon (Quantization), VRAM, Unified Memory14.

• Gerçek Hayat Örneği: Gizli hasta verileriyle çalışan bir doktorun, hastaların raporlarını internete yüklemeden tamamen çevrimdışı çalışan bir yerel Llama 3.2 modeli üzerinde özetlemesi18.

• Öğrenilmesi Gereken Noktalar: Kuantizasyon bit seviyelerinin (Q4, Q8 vb.) model boyutu ve hız üzerindeki matematiksel etkisi ve donanım seçimi yaparken dikkat edilmesi gereken kriterler anlaşılmalıdır14.

12. Yapay Zekâ Ajanları (AI Agents)

Yapay Zekâ Ajanları (AI Agents), sadece kendisine sorulan sorulara yanıt veren pasif sistemlerin (chatbot) ötesine geçerek; kendisine verilen karmaşık hedefleri otonom olarak planlayabilen, harici yazılımları ve araçları kullanabilen, anlık kararlar alıp görevleri bağımsız olarak tamamlayan yeni nesil otonom yazılım sistemleridir11.

                    ┌──> 1. PLANLAMA (ReAct: Düşünce -> Eylem -> Gözlem)
[Üst Düzey Hedef]  ─┼──> 2. ARAÇ KULLANIMI (API, Web Tarayıcı, Veritabanı) [cite: 11, 16, 17]
                    └──> 3. BELLEK YÖNETİMİ (Kısa ve Uzun Dönemli Hafıza) [cite: 11, 16]
                                    │
                                    ▼
                      [ OTONOM GÖREV TAMAMLAMA ]

Normal Chatbot ile Yapay Zekâ Ajanı Arasındaki Fark

Geleneksel chatbotlar reaktif bir yapıdadır; kullanıcıdan bir komut alır, kendi bilgisine dayanarak bir yanıt üretir ve durur11. Yapay zekâ ajanları ise proaktiftir17. Kendisine verilen hedefi (örn. "Rakiplerimizin son 3 aydaki fiyat değişimlerini analiz et ve bana PDF raporu sun") kendi içinde alt görevlere böler, araçları çalıştırır, hata aldığında alternatif yollar dener ve görevi tamamlayana kadar çalışmaya devam eder11.

Ajanların Sahip Olduğu Temel Yetenekler

• Plan Yapabilme: Ajanlar, karmaşık görevleri adım adım çözmek için ReAct (Reason + Act - Muhakeme ve Eylem) veya Tree of Thoughts (Düşünce Ağacı) gibi planlama modellerini kullanırlar11. Önce ne yapması gerektiğini düşünür, eyleme geçer, eylemin sonucunu gözlemler ve yeni bir plan yapar11.

• Araç Kullanabilme (Tool Calling): Ajanlar internette arama yapabilir, SQL veritabanlarından veri çekebilir, hesap makinesi kullanabilir veya izole bir sanal makinede (sandbox) Python kodu çalıştırarak karmaşık hesaplamaları yapabilir11.

• Görebilme ve Tarayıcı Kullanımı (Browser Use): Gelişmiş ajanlar, bilgisayar ekranını görsel olarak okuyabilir (bilgisayarlı görü) ve bir insan gibi tarayıcıyı açıp sitelere tıklayarak otonom olarak bilet alabilir veya form doldurabilir16.

• Model Context Protocol (MCP): Anthropic tarafından geliştirilen ve endüstri standardı haline gelen bu protokol, ajanların farklı veritabanları, API'ler ve araçlarla ortak ve güvenli bir dilde iletişim kurmasını sağlar16.

Yapay zekâ ajanları kurmak ve yönetmek amacıyla kod tabanlı veya az kod gerektiren çeşitli platformlar kullanılmaktadır23. Bu ekosistemde öne çıkan başlıca çerçeveler şunlardır11:

• LangGraph: Karmaşık, döngüsel ve durum kontrollü (stateful) çoklu ajan sistemlerinin tasarlanmasında Python ekipleri tarafından en çok tercih edilen grafik tabanlı çalışma kütüphanesidir11.

• CrewAI: Belirli rollere sahip (örn. Araştırmacı, Editör, Yazılımcı) ajanların bir ekip gibi bir arada çalışmasını ve görevleri birbirlerine devretmesini kolaylaştıran rol tabanlı hızlı prototipleme kütüphanesidir6.

• AutoGen (AG2): Microsoft kökenli, özellikle karmaşık çoklu ajan diyaloglarının ve iş birliklerinin yönetilmesinde kullanılan güçlü bir otonom ajan çerçevesidir11.

Bölüm Özeti

• Kısa Özet: Yapay zekâ ajanları; ReAct planlama metodolojisi, bellek yönetimi ve harici araçları/API'leri kullanabilme yeteneği sayesinde verilen karmaşık görevleri insan müdahalesi olmadan otonom tamamlayan sistemlerdir11.

• Önemli Kavramlar: ReAct Planlama11, Model Context Protocol (MCP)16, Araç Kullanımı (Tool Calling)11, Çoklu Ajan Sistemleri11.

• Gerçek Hayat Örneği: Bir şirketin satış ajanın, gelen müşteri şikayet e-postasını okuması, veritabanından fatura detayını kontrol etmesi, kargo API'sinden ürünün nerede olduğunu bulması ve müşteriye telafi indirimi tanımlayıp e-posta ile yanıt vermesi11.

• Öğrenilmesi Gereken Noktalar: Ajanların sonsuz döngüye girme (looping) riskleri, güvenlik sınırları (sandboxing) ve araç çağırma esnasında parametre doğruluğunun nasıl denetlendiği öğrenilmelidir11.

13. Yapay Zekâ Güvenliği ve Etik

Yapay zekâ sistemleri karar alma süreçlerimize dahil oldukça, bu sistemlerin güvenliği, etik sınırları ve internet dünyasındaki bilgi paylaşım mekanizmaları hayati önem kazanmaktadır1.

Temel Etik ve Güvenlik Riskleri

• Veri Gizliliği: Modellerin eğitilirken internetteki telifli içerikleri veya kişisel verileri rıza dışı toplaması en büyük hak ihlallerinden biridir24.

• Yanlılık (Bias): Modeller, eğitildikleri veride var olan insan önyargılarını öğrenirler. Örneğin, geçmiş işe alım verilerindeki cinsiyetçi kararları öğrenen bir yapay zekanın iş başvurularında kadın adayları otomatik olarak elemesi etik bir krizdir.

• Halüsinasyon ve Yanlış Bilgi: Modellerin bilmedikleri konularda tamamen gerçek dışı verileri inandırıcı bir dille uydurmasıdır. Tıp veya hukuk gibi kritik alanlarda bu durum ölümcül sonuçlar doğurabilir.

• Deepfake: Ses ve video sentezleme yoluyla gerçek insanların sahte ama kusursuz kayıtlarının üretilmesi, siber dolandırıcılık ve siyasi dezenformasyon riskini artırmaktadır.

• Prompt Injection: Saldırganların modele özel tasarlanmış komutlar vererek modelin güvenlik filtrelerini devre dışı bırakması (örn. modelin sistem talimatlarını dışarı sızdırması) güvenlik açığıdır7.

• İnsan Denetimi (Human-in-the-Loop): Hayati kararların (tıbbi teşhis, askeri hedef belirleme, yargı kararları) asla tamamen yapay zekâ otonomisine bırakılmaması, nihai onay aşamasında mutlaka uzman bir insanın kontrol mekanizması olarak sistemde yer alması şarttır.

Yapay Zekâ Arama Motoru Optimizasyonu (GEO) ve llms.txt Standardı

İnternetin yapay zekâ botları tarafından taranma biçimi de köklü bir değişim içindedir:

• GEO (Generative Engine Optimization): Geleneksel arama motoru optimizasyonunun (SEO), ChatGPT Search, Perplexity ve Google AI Overviews gibi yapay zekâ arama motorlarına uygun hale getirilmesidir26. Yapay zekâ botları düzensiz HTML kodlarını okumak yerine, yapılandırılmış şema verilerini (schema.org) ve net anlamsal ilişkileri tercih eder27.

• llms.txt ve llms-full.txt Dosyaları: Web sitelerinin kök dizinine eklenen (yourdomain.com/llms.txt), AI botlarının web sitesini gereksiz tarayarak sunucu kaynaklarını tüketmesini önleyen ve modelin bağlam penceresini (context window) gereksiz HTML gürültüsünden temizleyen yeni bir standarttır24. Bu dosya, web sitesinin amacını, en önemli sayfalarını ve bunlara ait özetleri temiz Markdown formatında sunarak yapay zekânın doğru bilgiye hızla ulaşmasını sağlar24.

# Web Sitesi Adı (Örn: Yapay Zeka Akademisi)
> Bu site yapay zeka eğitimleri ve akademik makaleler barındıran ücretsiz bir platformdur.

## Temel Kaynaklar
- [Yol Haritası](https://site.com/yol-haritasi): Yeni başlayanlar için 12 aylık eğitim rehberi.
- [Yerel LLM](https://site.com/local-llm): Bilgisayarda Ollama çalıştırma rehberi.

Bölüm Özeti

• Kısa Özet: Yapay zekâ etiği ve güvenliği; algoritmik yanlılık, veri ihlalleri ve yanlış bilgi ile mücadele etmeyi hedeflerken; teknik dünyada web sitelerinin AI botları tarafından düzenli taranmasını sağlayan GEO ve llms.txt gibi yeni standartları barındırır24.

• Önemli Kavramlar: Algoritmik Yanlılık (Bias), İnsan Denetimi (Human-in-the-Loop), llms.txt Standardı, GEO24.

• Gerçek Hayat Örneği: Bir şirketin web sitesine llms.txt ekleyerek yapay zekâ arama motorlarının şirketin ürünlerini eksik veya yanlış (halüsinasyonlu) tanıtmasının önüne geçmesi ve doğrudan doğru sayfaları kaynak göstermesini sağlaması24.

• Öğrenilmesi Gereken Noktalar: Yapay zekânın ürettiği her bilginin şüpheyle yaklaşılması gereken olasılıksal bir çıktı olduğu ve siber güvenlik boyutunda "prompt injection" gibi açıkların nasıl kapatılacağı bilinmelidir7.

14. Yapay Zekânın Geleceği

Önümüzdeki 5 ila 10 yıl içinde yapay zekâ, insan-makine etkileşimini ve iş yapış modellerini radikal bir şekilde dönüştürecektir4.

Gelecek Projeksiyonları (5-10 Yıl)

Teknolojinin gelişim hızı analiz edildiğinde, AGI (Genel Yapay Zekâ) seviyesine ulaşmanın artık bir bilim kurgu fantezisi olmaktan çıkıp teknik bir zamanlama meselesi olduğu görülmektedir1. OpenAI'ın 5 seviyeli AGI yol haritasında son aşama olan "Seviye 5: Organizations", bir şirketin tüm departmanlarının ve operasyonlarının otonom yapay zekâ ekipleri tarafından yönetildiği otonom organizasyonları işaret etmektedir4. Ayrıca, otonom insansı (humanoid) robotların fabrikalarda ve lojistik sektöründe fiziksel iş gücünü devralması beklenmektedir4.

İş Dünyası ve İstihdamın Dönüşümü

Yapay zekâ insanların işlerini tamamen ellerinden almaktan ziyade, mesleklerin niteliğini ve yapılış şeklini dönüştürecektir4. Rutin raporlama, temel veri girişi, standart kod yazımı ve ilk seviye müşteri destek süreçleri tamamen otonom ajanlara devredilecektir11. Bu dönüşüm, yeni uzmanlık alanlarını doğuracaktır:

• Yapay Zekâ Mühendisleri (AI Engineers): AI sistemlerini entegre eden uzmanlar7.

• Bağlam Mühendisleri (Context Engineers): Modellerin bağlam pencerelerini ve veri akışlarını yöneten uzmanlar7.

• Yapay Zekâ Güvenlik ve Uyum Denetçileri (AI Safety Auditors): Modellerin etik kurallara uyup uymadığını denetleyen uzmanlar.

• Ajan Koordinatörleri (Agentic Orchestrators): Şirket içindeki yüzlerce otonom yapay zekâ ajanını yöneten ve koordine eden yöneticiler11.

Eğitim Sisteminin Dönüşümü

Ezbere dayalı klasik eğitim modelleri geçerliliğini tamamen yitirecektir. Bilgiye ulaşmak saniyeler sürdüğü için, eğitim sistemleri öğrencilere "doğru soruyu sorma" (prompting), "eleştirel düşünme", "problem çözme" ve "yapay zekâyı bir iş ortağı olarak kullanma" becerilerini kazandırmaya odaklanacaktır.

İnsan ve Yapay Zekâ İş Birliği (Centaur İş Modeli)

Geleceğin başarılı profesyonelleri, yapay zekâ ile rekabet edenler değil, onunla en verimli şekilde iş birliği yapanlar olacaktır. Bu hibrit çalışma modeline Centaur (yarı insan, yarı at olan mitolojik yaratık) modeli denir. Karar alma gücü, empati ve stratejik vizyon insanda kalırken; veri işleme, hız ve analiz gücü yapay zekâya devredilerek eşsiz bir sinerji yaratılacaktır.

Bölüm Özeti

• Kısa Özet: Yapay zekânın geleceği, ezbere dayalı işlerin otomasyonunu, yeni uzmanlık alanlarının doğuşunu ve insan-AI iş birliğine dayalı Centaur iş modelinin benimsenmesini içermektedir4.

• Önemli Kavramlar: Centaur İş Modeli, Bağlam Mühendisliği, İş Gücü Dönüşümü, AGI Projeksiyonu1.

• Gerçek Hayat Örneği: Bir doktorun yüzlerce sayfalık hasta geçmişini yapay zekaya analiz ettirip olası tüm teşhis alternatiflerini saniyeler içinde alması, ardından kendi tıbbi tecrübesi ve hastayla kurduğu empati ile nihai tedavi yöntemine karar vermesi.

• Öğrenilmesi Gereken Noktalar: Gelecekte işini kaybetme riski taşıyan grubun yapay zekâ değil, yapay zekâ kullanan diğer insanlar olduğu gerçeği kavranmalıdır.

15. Yapay Zekâ Öğrenme Yol Haritası

Sıfırdan başlayıp ileri seviye bir yapay zekâ mühendisi veya uzmanı olmak isteyen bir bireyin izlemesi gereken akademik ve pratik yol haritası aşamalı bir süreçten oluşur5.

Eğitim Programı ve Dönemler

Aşağıdaki yol haritası, günde ortalama 3-4 saatlik düzenli çalışma ile 12 ay içinde işe hazır bir Yapay Zekâ Mühendisi haline gelmeyi amaçlayan proje odaklı akademik bir plandır5:

Öğrenmede Altın Kural: %70-30 Kuralı

Yapay zekâ öğrenirken en çok düşülen hata "öğrenme cehennemine" (tutorial hell) girmek, yani sürekli video izleyip hiç kod yazmamaktır5. Başarının sırrı %70-30 Kuralı'nda yatmaktadır: Zamanın en fazla %30'u teorik dersleri ve akademik makaleleri okumaya, en az %70'i ise doğrudan bilgisayar başına geçip kod yazmaya, hata almaya, projeler üretmeye ve bunları GitHub üzerinden tüm dünya ile paylaşmaya ayrılmalıdır5.

Bölüm Özeti

• Kısa Özet: Yapay zekâ mühendisliği yol haritası; Python temellerinden başlayarak matematik, klasik makine öğrenmesi, derin öğrenme, RAG ve nihayetinde otonom ajan geliştirme süreçlerini kapsayan 12 aylık proje odaklı bir eğitim planıdır5.

• Önemli Kavramlar: Python OOP7, PyTorch5, RAG5, %70-30 Kuralı10.

• Gerçek Hayat Örneği: Hiç yazılım bilmeyen bir bireyin, bu yol haritasını disiplinle takip ederek 12 ayın sonunda bir e-ticaret şirketine otonom destek ajanları kurabilecek seviyeye ulaşması7.

• Öğrenilmesi Gereken Noktalar: Matematiksel altyapıyı (Lineer Cebir ve İstatistik) ezberlemek yerine, bu kavramların yapay sinir ağlarındaki ağırlık güncellemelerinde nasıl işlev gördüğünün mantığı kavranmalıdır6.

Alıntılanan çalışmalar

1. Artificial general intelligence - Wikipedia, https://en.wikipedia.org/wiki/Artificial_general_intelligence

2. The Five Levels of AGI - Jon Krohn, https://www.jonkrohn.com/posts/2024/1/12/the-five-levels-of-agi

3. SDS 748: The Five Levels of AGI - SuperDataScience | Machine Learning | AI | Data Science Career | Analytics | Success, https://www.superdatascience.com/podcast/sds-748-the-five-levels-of-agi

4. The path to AGI: A deep dive into openAI's 5-level framework - Twimbit, https://twimbit.com/blogs/the-path-to-agi-a-deep-dive-into-openais-5-level-framework

5. AI Engineer Roadmap 2026: Step-by-Step Guide to Become an AI Engineer (With Free Resources) | by Jeslur Rahman | Medium, https://medium.com/@jeslurrahman/ai-engineer-roadmap-2026-step-by-step-guide-to-become-an-ai-engineer-with-free-resources-5beba43677d1

6. Python For AI & ML - 2026 Roadmap | PDF | Machine Learning - Scribd, https://www.scribd.com/document/1011306686/Python-for-AI-ML-2026-Roadmap

7. How to Become an AI Engineer in 2026 (A Complete Roadmap) - Dataquest, https://www.dataquest.io/blog/ai-engineer-roadmap/

8. How to Become an AI Engineer in 2026: Step-by-Step Roadmap for Beginners - 5Trainers, https://5trainers.com/blogs/how-to-become-an-ai-engineer-in-2026-step-by-step-roadmap-for-beginners

9. AI Engineer Roadmap: How to Become an AI Engineer in 2026 - Turing College, https://www.turingcollege.com/blog/ai-engineer-roadmap-how-to-become-an-ai-engineer

10. How to Become an AI Engineer in 2026: Complete Roadmap (₹12-40 LPA) | Shifttotech, https://shifttotech.co.in/blog/how-to-become-ai-engineer-2025

11. AI Agent Development in 2026: Use Cases, Architecture, Tools, and Deployment Guide, https://medium.com/@contact.noukha/ai-agent-development-in-2026-use-cases-architecture-tools-and-deployment-guide-b7b45f23848d

12. The 5 Levels in Achieving AGI - Genesis: Human Experience in the Age of Artificial Intelligence | Synthesis: The Superintelligence Protocol, https://genesishumanexperience.com/2024/12/22/the-5-levels-in-achieving-agi/

13. Position: Levels of AGI for Operationalizing Progress on the Path to AGI - arXiv, https://arxiv.org/html/2311.02462v5

14. Local AI Hardware Requirements (2026): Complete Guide, https://localaimaster.com/blog/ai-hardware-requirements-2025-complete-guide

15. Best AI Agents in March 2026 | Blaxel Blog, https://blaxel.ai/blog/best-ai-agents

16. Open Source Toolkit for Building AI Agents in 2026 - DEV Community, https://dev.to/anmolbaranwal/open-source-toolkit-for-building-ai-agents-in-2026-55h1

17. Top 13 Agentic AI Trends to Watch in 2026 - Firecrawl, https://www.firecrawl.dev/blog/agentic-ai-trends

18. Running Ollama Locally: How to Run Powerful LLMs on Your Laptop (No Subscription), https://medium.com/@soodrajesh/running-ollama-locally-how-to-run-powerful-llms-on-your-laptop-no-subscription-8af41f52a099

19. Picking the Right Hardware to Run LLMs Locally in 2026 - Pinggy, https://pinggy.io/blog/best_hardware_for_self_hosting_local_llms/

20. Ollama on 8GB RAM Best 7 Models That Actually Work (2026) - WebCraft, https://webscraft.org/blog/ollama-na-8-gb-ram-yaki-modeli-pratsyuyut-u-2026?lang=en

21. Best Local LLMs for Offline Use in 2026: A Complete Comparison - IPRoyal.com, https://iproyal.com/blog/best-local-llms/

22. State of Agent Engineering - LangChain, https://www.langchain.com/state-of-agent-engineering

23. 120+ Agentic AI Tools Mapped Across 11 Categories [2026] - StackOne, https://www.stackone.com/blog/ai-agent-tools-landscape-2026/

24. The Complete LLMs.txt Guide: What It Is, Why It Matters, and How to Write One | GrowthOS, https://www.usegrowthos.com/blog/llms-txt-guide

25. Meet llms.txt, a proposed standard for AI website content crawling - Search Engine Land, https://searchengineland.com/llms-txt-proposed-standard-453676

26. Top Tools for LLM SEO Optimization in 2026 (UPDATED) - Doc Digital SEM, https://docdigitalsem.com/llm-seo-tools/

27. AI Overviews Optimization: Complete Guide to Google AIO & SGE | 2026 - LinkGraph, https://www.linkgraph.com/blog/ai-overviews-optimization/

28. LLM Optimization: How to Optimize Content for LLMs and AI Overviews (GEO), https://viamrkting.com/a-comprehensive-guide-to-llm-optimization-preparing-your-website-for-generative-ai-geo/

29. Stop Wasting Tokens: Why You Need an llms.txt File | Website AI Score, https://websiteaiscore.com/blog/llms-txt-markdown-sitemap-guide

30. Schema.org - Schema.org, https://schema.org/

31. Simplifying LLM SEO & AI Visibility Optimization: A Beginner-to-Pro Guide, https://reachaccele.com/blog/ai-visibility-optimization-llm-seo/

32. Understanding LLMs.txt: The Modern Prompt Engineering Standard - DEV Community, https://dev.to/simplr_sh/understanding-llmstxt-the-modern-prompt-engineering-standard-og9

33. llms.txt | Lighthouse - Chrome for Developers, https://developer.chrome.com/docs/lighthouse/agentic-browsing/llms-txt

34. What is llms.txt? Why it's important and how to create it for your docs – GitBook Blog, https://www.gitbook.com/blog/what-is-llms-txt