Yapay Zeka İngilizcesi: 100 Temel Terim ve Anlamları

Dili anlamak, görüntüleri tanımak ya da karar vermek gibi normalde insan zekası gerektiren görevleri yerine getirebilen sistemler geliştiren bilgisayar bilimi alanı.

Bilgisayarların elle yazılmış kurallara uymak yerine veriden örüntüler öğrenip bunları tahmin yapmak ya da karar vermek için kullandığı yapay zeka dalı.

Eğitim sürecinin sonunda ortaya çıkan, öğrenilmiş parametrelere sahip program; görüntü ya da cümle gibi bir girdi alır, etiket, sayı veya metin gibi bir çıktı üretir.

Modelin doğru cevaplarıyla (etiketleriyle) birlikte verilen örneklerden öğrendiği ve böylece yeni örneklerin cevabını tahmin edebildiği makine öğrenmesi türü.

Modelin her girdiyi önceden belirlenmiş kategorilerden birine yerleştirdiği görev; örneğin bir e-postanın spam olup olmadığına ya da bir fotoğrafın hangi ürün kategorisine ait olduğuna karar vermek.

Doğru cevaplar (etiketler) olmadan verideki yapıyı bulan makine öğrenmesi türü; örneğin benzer müşterileri gruplamak ya da olağan dışı olayları fark etmek.

Modelin sürekli bir ölçekte sayısal bir değer tahmin ettiği görev; örneğin bir evin fiyatı, bir teslimat süresi ya da yarının sıcaklığı.

Bir ajanın bir ortamda eylemler gerçekleştirip sonuçlarına göre ödül ya da ceza alarak deneme yanılma yoluyla öğrendiği makine öğrenmesi türü.

Önceden tanımlanmış etiketler olmadan benzer öğeleri bir araya getiren denetimsiz öğrenme görevi; örneğin müşterileri alışveriş davranışlarına göre segmentlere ayırmak.

Belirli bir anda bilinen en iyi sonucu ya da yöntemi niteler; bu genellikle bilinen bir benchmark üzerinde ölçülür.

Bir modeli eğitmek, test etmek ya da analiz etmek için toplanıp düzenlenmiş örnekler bütünü; görüntülerden, metinlerden veya tablo satırlarından oluşabilir.

Modelin eğitim sırasında öğrendiği örnekler. Bu verinin kalitesi, miktarı ve çeşitliliği, modelin yeni veriler üzerinde ne kadar iyi çalışacağını büyük ölçüde belirler.

Modele girdi olarak verilen ölçülebilir bilgi parçalarından biri; örneğin bir müşterinin yaşı, geçmiş sipariş sayısı ya da bir pikselin parlaklığı.

Bir eğitim örneğine eklenen doğru cevap; örneğin bir e-posta için 'spam', bir fotoğraf için 'kedi'. Denetimli öğrenen model bu cevabı tahmin etmeyi öğrenir.

Ham veriye etiket ya da not ekleme işi; örneğin görüntülerdeki nesnelerin etrafına kutu çizmek ya da her cümlenin konusunu işaretlemek. Böylece veri eğitimde veya değerlendirmede kullanılabilir hale gelir.

Ham veriyi model kullanmadan önce temizleyen ve hazırlayan adımlar; örneğin tekrar eden kayıtları silmek, eksik değerleri doldurmak, görüntüleri yeniden boyutlandırmak ya da metni normalleştirmek.

Modelin çıktılarının karşılaştırıldığı, doğruluğu teyit edilmiş cevaplar; genellikle titiz insan etiketlemesiyle ya da gerçek ölçümlerle oluşturulur.

Mevcut örneklerde küçük değişiklikler yaparak, örneğin görüntüleri çevirip kırparak ya da cümleleri farklı biçimde yeniden yazarak ek eğitim örnekleri üretmek; böylece model daha fazla çeşitlilik görür.

Bir veri kümesinde bazı sınıfların diğerlerinden çok daha fazla örneğe sahip olması; örneğin her 10 dolandırıcılık işlemine karşılık 990 normal işlem bulunması.

Tahmin anında elde olmayacak bir bilginin, örneğin test örneklerinin ya da gelecekteki verilerin, eğitime karışması ve sonuçları olduğundan daha iyi göstermesi hatası.

Beyinden gevşek biçimde esinlenmiş, katmanlar halinde dizilmiş çok sayıda bağlantılı birimden oluşan model. Her bağlantının eğitim sırasında güncellenen bir ağırlığı vardır.

Çok katmanlı sinir ağlarını kullanan makine öğrenmesi alanı. Günümüzdeki konuşma tanıma, görüntü tanıma ve büyük dil modelleri bu yönteme dayanır.

Modelin içinde yer alan ve eğitim sırasında veriden öğrenilen sayı; örneğin bir ağırlık ya da bias değeri. Modelin büyüklüğü çoğu zaman parametre sayısıyla ifade edilir.

2017'de ortaya konan ve bir dizinin tüm parçalarını dikkat (attention) mekanizmasıyla paralel olarak işleyen sinir ağı mimarisi. Günümüzdeki LLM'lerin temelidir.

Bir sinir ağının basamaklarından biri: önceki basamağın çıktısını alan, dönüştüren ve sonucu bir sonrakine aktaran birimler grubu.

Bir sinir ağındaki bağlantıların öğrenilmiş sayısal değerleri; her girdinin bir sonraki katmanı ne kadar güçlü etkileyeceğini belirler. Hepsi birlikte modelin öğrendiklerini taşır.

Bir sinir ağındaki her birimin çıktısına uygulanan basit matematiksel fonksiyon. Ağa doğrusal olmayan bir davranış kazandırarak karmaşık örüntüleri öğrenebilmesini sağlar.

Hatayı çıktı katmanından girdiye doğru geriye aktararak, bir sinir ağındaki her ağırlığın hataya ne kadar katkıda bulunduğunu hesaplayan yöntem.

Bir modelin, girdisinin her parçası için diğer parçalardan hangilerinin daha ilgili olduğuna karar vermesini ve çıktıyı oluştururken onlara daha fazla ağırlık vermesini sağlayan mekanizma.

Bir modele çok sayıda örnek gösterip parametrelerini tekrar tekrar güncelleyerek çıktılarının doğru cevaplara yaklaşmasını sağlamak.

Modelin tahminlerinin doğru cevaplardan ne kadar uzak olduğunu ölçen formül. Eğitimin amacı, kayıp (loss) denen bu değeri olabildiğince küçültmektir.

Modelin eğitim verisini gürültüsü ve tesadüfi ayrıntılarıyla birlikte fazla yakından öğrenmesi; bu yüzden eğitim verisinde iyi, yeni veride ise kötü sonuç vermesi.

Eğitim sürecinin tüm eğitim veri kümesinin üzerinden bir kez baştan sona geçmesi. Modeller genellikle birkaç epoch boyunca eğitilir.

Modelin parametrelerini her güncellediğinde ne büyüklükte adım atacağını belirleyen hiperparametre. Çok yüksek olursa eğitim kararsızlaşır, çok düşük olursa çok yavaş ilerler.

Veriden öğrenilmek yerine eğitimden önce mühendisler tarafından seçilen ayar; örneğin öğrenme oranı, batch boyutu ya da katman sayısı.

Modelin parametrelerini bir kez güncellemeden önce birlikte işlediği eğitim örneklerinin sayısı.

Eğitimin temelindeki optimizasyon yöntemi: her parametreyi, kaybı en çok azaltan yönde tekrar tekrar küçük adımlarla değiştirir.

Modelin çok basit olması ya da yeterince eğitilmemesi nedeniyle verideki örüntüleri yakalayamaması; bu yüzden eğitim verisinde bile kötü sonuç vermesi.

Eğitim sırasında modelin gereğinden fazla karmaşıklaşmasını engelleyerek aşırı öğrenmeyi azaltan ve modelin yeni verilerde daha iyi çalışmasına yardımcı olan her türlü teknik.

Eğitimin belirli bir anında kaydedilen model ağırlıkları ve çoğu zaman optimizer durumu; böylece eğitime kaldığı yerden devam edilebilir ya da o sürüm daha sonra kullanılabilir.

Eğitim sırasında, kaybın anlamlı biçimde düşmeyi bıraktığı ve daha fazla eğitimin pek fayda getirmediği kararlı bir duruma ulaşmak.

Ayrı tutulan ve yalnızca en sonda, tamamlanmış modelin daha önce hiç görmediği örneklerde ne kadar iyi çalıştığını ölçmek için kullanılan veri bölümü.

Modelin yaptığı tüm tahminler içinde doğru olanların oranı. Doğruluğu %90 olan bir model her on örnekten dokuzunda doğru tahmin yapar.

Eğitime katılmayan ve geliştirme sürecinde modelleri karşılaştırmak, ayarları belirlemek ve eğitimin ne zaman durdurulacağına karar vermek için kullanılan veri bölümü.

Modelin pozitif olarak işaretlediği tüm örnekler içinde gerçekten pozitif olanların oranı. Yüksek precision, az sayıda yanlış alarm demektir.

Gerçekten pozitif olan tüm örnekler içinde modelin yakalayabildiklerinin oranı. Yüksek recall, gözden kaçan vakanın az olduğu anlamına gelir.

Precision ve recall değerlerinin harmonik ortalamasını alarak ikisini tek bir sayıda birleştiren ölçü. Ancak ikisi de yüksek olduğunda yüksek çıkar.

Farklı ekiplerin sonuçlarını adil biçimde karşılaştırabilmek için modelleri aynı şekilde ölçmeye yarayan standart görev ve veri kümesi.

Her gerçek sınıf için modelin örneklerden kaçını hangi sınıfa atadığını gösteren tablo; modelin hangi sınıfları birbirine karıştırdığını bir bakışta görmeyi sağlar.

Veriyi birkaç parçaya bölen, her seferinde biri hariç tümüyle eğitip kalan parçayla test eden ve bu işlemi her parça bir kez test için kullanılana kadar tekrarlayan değerlendirme yöntemi.

Large language model (büyük dil modeli) ifadesinin kısaltması: devasa miktarda metin üzerinde bir sonraki token'ı tahmin etmek üzere eğitilmiş, bu sayede soru cevaplayabilen, metin yazabilen, özetleyebilen ve kod üretebilen çok büyük sinir ağı.

Bir dil modelinin okuyup yazdığı küçük metin birimi; çoğu zaman bir kelime, bir kelimenin parçası ya da bir noktalama işaretidir. Model sınırları ve fiyatları token cinsinden hesaplanır.

Üretken bir modelin kendinden emin biçimde verdiği ama yanlış ya da uydurma olan çıktı; örneğin hayali bir bilgi, alıntı, kaynak ya da kod parçası.

Bir dil modelinin aynı anda dikkate alabileceği en fazla metin miktarı; token cinsinden ölçülür ve istemi, eklenen belgeleri ve modelin kendi cevabını kapsar.

Yalnızca girdileri sınıflandırmak ya da değer tahmin etmekle kalmayıp metin, görüntü, ses, video veya kod gibi yeni içerikler üreten yapay zeka sistemleri.

Modelin belirli görevlere uyarlanmadan önce, büyük kısmı etiketsiz olan devasa miktarda veriden genel örüntüleri öğrendiği ilk ve en büyük eğitim aşaması.

Üretken bir modelin çıktısının ne kadar rastgele olacağını belirleyen ayar. Düşük değerler daha öngörülebilir ve odaklı, yüksek değerler ise daha çeşitli ve yaratıcı cevaplar verir.

Metin, görüntü, ses ve video gibi birden fazla veri türüyle çalışabilen; örneğin bir fotoğraf hakkındaki soruları cevaplayabilen bir model gibi.

Bir LLM etrafında kurulan ve bir görevi az insan desteğiyle tamamlamak için adımlarını planlayıp arama, kod çalıştırma ya da şirket yazılımları gibi araçları kullanabilen sistem.

Üretken bir modele ne yapması gerektiğini anlatmak için verilen metin veya başka bir girdi; bir soru, bir talimat ya da ardından görev gelen birkaç örnek olabilir.

Sohbet başlamadan önce bir sohbet modeline verilen ve sonraki tüm mesajlar için modelin rolünü, kurallarını, üslubunu ve sınırlarını belirleyen talimatlar.

Retrieval-augmented generation ifadesinin kısaltması: sistemin önce bir belge koleksiyonunda ilgili bölümleri arayıp bulduğu, ardından bunları bir LLM'e vererek cevabı yazdırdığı yöntem.

Bir modelin belirli bir görevde doğru, işe yarar ve tutarlı çıktılar vermesi için istemleri tasarlama, test etme ve iyileştirme pratiği.

Bir modele, ek bir eğitim yapmadan yeni bir girdide aynı kalıbı izleyebilmesi için istemin içinde görevin birkaç çözülmüş örneğini vermek.

Bir modelin nihai cevabını vermeden önce adım adım yazdığı akıl yürütme; matematik, mantık ve çok adımlı problemlerde sonuçları çoğu zaman iyileştirir.

Embedding'leri saklamak ve bir sorguya en çok benzeyenleri hızla bulmak için tasarlanmış veritabanı; bu yüzden anlamsal arama ve RAG sistemlerinin yaygın bir parçasıdır.

Önceden eğitilmiş bir modelin, belirli bir görevde daha başarılı olması ya da belirli bir üslubu izlemesi için daha küçük ve göreve özel bir veri kümesiyle ek olarak eğitilmesi.

Bir modelin bir görevde ya da veri kümesinde öğrendiklerini, sıfırdan yeni bir model eğitmek yerine farklı ama ilişkili bir görev için başlangıç noktası olarak kullanmak.

Yalnızca ön eğitimden geçmiş, henüz ince ayar ya da talimat eğitimi yapılmamış model. Metni iyi sürdürür ama talimatlara güvenilir biçimde uymaz ve sohbete hazır değildir.

Low-rank adaptation (düşük ranklı uyarlama) ifadesinin kısaltması: modelin orijinal ağırlıklarını dondurup yalnızca eklenen küçük matrisleri eğiten, böylece bellek ve depolamadan büyük tasarruf sağlayan ince ayar yöntemi.

Reinforcement learning from human feedback (insan geri bildirimiyle pekiştirmeli öğrenme) ifadesinin kısaltması: insanların model cevaplarını sıraladığı, bir ödül modelinin bu tercihleri öğrendiği ve ardından LLM'in daha yüksek puan alacak şekilde eğitildiği aşama.

Daha küçük bir 'öğrenci' modeli, daha büyük bir 'öğretmen' modelin çıktılarını taklit edecek şekilde eğitmek; böylece öğrenci model kalitenin büyük kısmını korurken daha hızlı ve daha ucuz çalışır.

Bilgisayarlara görüntüleri ve videoları anlamayı öğreten yapay zeka alanı; nesneleri tanımak, fotoğraflardaki yazıları okumak ya da hareketi takip etmek gibi.

Convolutional neural network (evrişimli sinir ağı) ifadesinin kısaltması: bir görüntünün üzerinde öğrenilmiş küçük filtreleri kaydırarak kenar, doku ve şekil gibi örüntüleri yakalayan sinir ağı.

Bir görüntüdeki ya da videodaki nesneleri bulan ve hem sınıflarını ('araba', 'insan' gibi) hem de konumlarını, genellikle bir kutu ile, veren bilgisayarlı görü görevi.

Bir görüntüdeki her pikseli bir sınıf ya da nesneyle etiketleyen ve kaba kutular yerine nesnelerin tam şekillerini veren bilgisayarlı görü görevi.

Bir görüntüdeki nesnenin etrafına çizilen ve koordinatlarla saklanan dikdörtgen; nesnenin nerede olduğunu gösterir. Nesne tespitinin standart çıktısıdır.

Gürültüyü adım adım temizlemeyi öğrenen üretken model; tamamen gürültüden başlayıp onu kademeli olarak iyileştirerek yeni görüntü, ses ya da video üretebilir.

İnsan diliyle ilgilenen; metni ve konuşmayı okuyan, anlayan, çeviren, özetleyen ya da üreten sistemler geliştiren yapay zeka alanı.

Bir kelimeyi, cümleyi, görüntüyü ya da başka bir öğeyi, anlamca benzer öğeler birbirine yakın düşecek şekilde temsil eden sayı listesi (vektör).

Metni token'lara bölen ve bunları modelin okuyabileceği sayılara dönüştüren, modelin çıktısındaki sayıları da tekrar metne çeviren bileşen.

Bir metindeki görüşü ya da duyguyu tespit eden NLP görevi; örneğin bir ürün yorumunun olumlu, olumsuz ya da nötr olup olmadığını belirlemek.

Bir metindeki kişi, kurum ve yer adlarını, ayrıca tarih, tutar ve benzeri öğeleri bulup her birini türüyle etiketleyen NLP görevi.

Dil modellerini eğitmek ya da bir dilin nasıl kullanıldığını incelemek için kullanılan, büyük ve düzenli metin ya da konuşma kaydı koleksiyonu.

Bir modelin çıktılarındaki sistematik adaletsizlik; örneğin bazı insan gruplarında daha kötü çalışması. Genellikle dengesiz veriden ya da tasarım tercihlerinden kaynaklanır.

Bir modelin farklı insan gruplarına hakkaniyetli davranması hedefi; örneğin cinsiyetler, yaş grupları ya da bölgeler arasında benzer hata oranları veya onay oranları sağlaması.

İnsanların bir modelin belirli bir tahmini ya da kararı neden verdiğini ne ölçüde anlayabildiği; bu çoğu zaman hangi girdilerin en çok etkili olduğunu gösteren araçlarla desteklenir.

Zararlı, konu dışı ya da güvensiz girdileri ve çıktıları engellemek için bir modelin etrafına konan kural veya kontrol; örneğin cevaplardaki kişisel verileri engelleyen bir filtre.

Bir modeli ya da yapay zeka sistemini, gerçek kullanıcılar veya saldırganlardan önce zayıf noktalarını bulmak için kasıtlı olarak başarısız olmaya ya da zararlı davranmaya zorlayarak test etmek.

Bir yapay zeka sisteminin davranışını insanların niyetleri ve değerleriyle uyumlu hale getirmek; böylece sistemin yardımcı ve dürüst olması ve zarar vermekten kaçınması. Bu konuyu inceleyen araştırma alanının adı da aynıdır.

Bir modeli güvenlik kurallarını görmezden gelmeye ve normalde reddetmesi gereken içeriği üretmeye kandırmak için tasarlanmış istem ya da teknik.

Eğitilmiş bir modelin yeni girdiler için çıktı ürettiği aşama; örneğin bir kullanıcının sorusunu cevaplamak ya da yeni bir fotoğrafı sınıflandırmak.

Eğitilmiş bir modeli, kullanıcıların ya da başka yazılımların ona istek gönderip tahmin alabileceği gerçek bir sisteme yerleştirmek.

Graphics processing unit (grafik işlem birimi) ifadesinin kısaltması: binlerce basit hesaplamayı paralel olarak yapabilen ve bu yüzden sinir ağlarını eğitmek ve çalıştırmak için temel donanım haline gelen çip.

Bir modele istek gönderilmesiyle cevabın alınması arasında geçen süre; genellikle milisaniye ya da saniye cinsinden ölçülür.

Canlıya alınmış bir modele ağ üzerinden erişilebilen URL; diğer yazılımlar bu adrese istek gönderir ve modelin tahminini ya da cevabını alır.

Makine öğrenmesini canlı ortamda güvenilir biçimde çalıştırmaya yönelik uygulamalar ve araçlar: veri ve modellerin sürümlenmesi, eğitimin ve canlıya almanın otomatikleştirilmesi ve modellerin zaman içinde izlenmesi.

Canlıdaki bir modele gelen verinin, zamanla modelin eğitildiği veriden farklılaşması; bu durum tahminlerin yavaş yavaş kötüleşmesine yol açabilir.

Bir modelin ağırlıklarını, bazen de aktivasyonlarını daha az bitle saklamak; örneğin 16 bit yerine 8 ya da 4 bitlik sayılar kullanmak. Amaç modeli küçültmek ve hızlandırmaktır.

Yeni bir modeli, özelliği ya da sürümü kullanıcılara sunmak; bu genellikle kademeli olarak yapılır: trafiğin küçük bir kısmıyla başlanır ve metrikler iyi göründükçe genişletilir.