Türkçe Ai Sözlüğü (Yapay Zeka Sözlüğü)

AI Etiği

AI etiği, yapay zeka sistemlerinin tasarımı, geliştirilmesi ve kullanımında adalet, şeffaflık, hesap verebilirlik ve insan onuruna saygı gibi ahlaki ilkelerin nasıl uygulanması gerektiğini inceleyen alandır.

AI Güvenliği

AI güvenliği, yapay zeka sistemlerinin güvenilir, sağlam, kötüye kullanıma dirençli ve istem dışı zarara yol açmayan şekilde tasarlanmasını ve işletilmesini inceleyen alandır.

API

API (Uygulama Programlama Arayüzü), iki yazılım sisteminin belirlenmiş protokoller aracılığıyla birbiriyle iletişim kurmasını sağlayan arayüz standardıdır.

Ajan (Agent)

Ajan, bir hedefe ulaşmak için araçları kullanabilen, adımları planlayan ve kendi kararlarına göre hareket eden otonom ya da yarı otonom LLM tabanlı sistemdir.

Aktivasyon Fonksiyonu

Aktivasyon fonksiyonu, bir sinir ağı nöronunun girdi toplamını doğrusal olmayan bir dönüşümle çıktıya çeviren matematiksel fonksiyondur.

Anlamsal Arama (Semantic Search)

Anlamsal arama, kelimelerin tam eşleşmesi yerine anlamsal benzerliğe dayanan arama yöntemidir.

Araç Kullanımı (Tool Use)

Araç kullanımı, bir LLM'in dış API'ler, veritabanları veya fonksiyonlar gibi harici araçları çağırarak yeteneklerini genişletmesidir.

Az Örnekli Öğrenme (Few-shot)

Az örnekli öğrenme, bir modelin prompt'taki birkaç örnek girdi-çıktı çiftinden görevin nasıl yapılacağını anlayıp yeni örneklere uygulayabilmesidir.

Aşırı Uyum (Overfitting)

Aşırı uyum, bir modelin eğitim verisi üzerinde mükemmel performans gösterirken yeni ve görülmemiş veriler üzerinde başarısız olma durumudur.

Bağlam Penceresi

Bağlam penceresi, bir LLM'in yanıt üretirken aynı anda işleyebildiği maksimum token sayısını ifade eden kapasitedir.

Bilgisayarlı Görü (Computer Vision)

Bilgisayarlı görü, bilgisayarların dijital görüntüler ve videolardan anlamlı bilgi çıkarmasını sağlayan yapay zeka alt dalıdır.

Büyük Dil Modeli (LLM)

Büyük dil modeli, milyarlarca parametreyle eğitilmiş ve insan dilini anlayıp üretebilen bir yapay zeka modelidir.

Büyük Dil Modeli (Large Language Model - LLM)

Büyük dil modelleri (LLM'ler), milyarlarca parametreye sahip, devasa metin veri kümeleri üzerinde eğitilmiş yapay zeka modelleridir. Bu modeller, insan dilini anlama, üretme, çevirme ve özetleme gibi karmaşık doğal dil işleme (NLP) görevlerini yüksek başarımla gerçekleştirebilir.

Çok Başlı Dikkat (Multi-head Attention)

Çok başlı dikkat, öz-dikkat mekanizmasını paralel birden fazla alt uzayda çalıştırarak modelin farklı ilişki türlerini aynı anda öğrenmesini sağlayan Transformer bileşenidir.

Çok Modlu AI (Multimodal)

Çok modlu AI, metin, görüntü, ses ve video gibi birden fazla veri türünü anlayabilen ve üretebilen yapay zeka sistemlerini tanımlar.

Çoklu Ajan Sistemi

Çoklu ajan sistemi, farklı rollere sahip birden fazla AI ajanının iş birliği yaparak karmaşık görevleri tamamladığı mimaridir.

Çıkarsama (Inference)

Çıkarsama, eğitilmiş bir yapay zeka modelinin yeni veriler üzerinde tahmin veya çıktı üretmesi işlemidir.

Damıtma (Distillation)

Damıtma, büyük ve güçlü bir 'öğretmen' modelin davranışını taklit eden daha küçük ve verimli bir 'öğrenci' model eğitme tekniğidir.

Denetimli Öğrenme

Denetimli öğrenme, modelin etiketlenmiş girdi-çıktı çiftleri üzerinde eğitildiği, doğru yanıtların öğrenme süreci boyunca sağlandığı makine öğrenimi yaklaşımıdır.

Denetimsiz Öğrenme

Denetimsiz öğrenme, modelin etiket verilmeden ham verinin kendiliğinden yapısını, örüntülerini ve kümelerini keşfettiği makine öğrenimi yaklaşımıdır.

Derin Öğrenme

Derin öğrenme, çok katmanlı yapay sinir ağları kullanarak ham veriden hiyerarşik özellikler çıkaran makine öğrenimi alt dalıdır.

Dikkat Mekanizması

Dikkat mekanizması, bir sinir ağının çıktı üretirken girdi dizisinin hangi bölümlerine ne kadar odaklanacağını dinamik olarak belirlemesini sağlayan tekniktir.

Doğal Dil İşleme (NLP)

Doğal dil işleme, bilgisayarların insan dilini anlama, yorumlama ve üretme yeteneğini kazanmasını hedefleyen yapay zeka alt dalıdır.

Dropout

Dropout, eğitim sırasında nöronların rastgele belirli bir olasılıkla devre dışı bırakıldığı, aşırı uyumu önleyen düzenlileştirme tekniğidir.

Düşünce Zinciri (Chain of Thought)

Düşünce zinciri, bir LLM'i nihai yanıta atlamadan önce ara akıl yürütme adımlarını açıkça üretmeye yönlendiren prompting tekniğidir.

Embedding

Embedding, metin, görüntü veya diğer verilerin anlamsal benzerliği sayısal mesafeyle temsil eden yüksek boyutlu bir vektöre dönüştürülmesidir.

Encoder-Decoder

Encoder-decoder, giriş dizisini sıkıştırılmış bir temsile kodlayan (encoder) ve bu temsili çıktı dizisine dönüştüren (decoder) iki bileşenli sinir ağı mimarisidir.

Epok (Epoch)

Epok, tüm eğitim veri setinin bir kez model üzerinden geçirildiği tam bir eğitim döngüsüdür.

Eğitim Verisi

Eğitim verisi, bir makine öğrenimi modelinin parametrelerini öğrenmek için kullandığı etiketli veya etiketsiz örnek kümesidir.

Fonksiyon Çağrısı (Function Calling)

Fonksiyon çağrısı, bir LLM'in kullanıcı isteğini analiz ederek önceden tanımlanmış fonksiyonlara yapılandırılmış JSON parametreleriyle çağrı üretme yeteneğidir.

Halüsinasyon

Halüsinasyon, bir LLM'in gerçekte doğru olmayan bilgileri güvenle ve inandırıcı biçimde sunması olgusudur.

Halüsinasyon Azaltma

Halüsinasyon azaltma, LLM'lerin gerçek olmayan bilgileri güvenle sunma eğilimini minimize etmek için uygulanan teknikler ve tasarım stratejileridir.

İnce Ayar (Fine-Tuning)

İnce ayar (fine-tuning), yapay zeka ve makine öğrenimi disiplinlerinde, genellikle çok büyük ve genel bir veri kümesi üzerinde önceden eğitilmiş güçlü bir temel modelin, daha küçük ve spesifik bir veri seti kullanılarak belirli bir göreve veya sektöre özgü ihtiyaçlara adapte edilmesi sürecidir. Bu kritik teknik, modelin mevcut genel bilgisini korurken, yeni ve dar bir alana ait nüansları ve desenleri öğrenmesini sağlayarak, hedef göreve yönelik performansını ve doğruluğunu maksimize eder. Özellikle doğal dil işleme (NLP) ve bilgisayar görüşü gibi alanlarda, önceden eğitilmiş dil modelleri veya görüntü tanıma modelleri üzerinde uygulanan ince ayar, kaynak verimliliği ve üstün sonuçlar elde etmek için vazgeçilmez bir yöntemdir.

İnce Ayar (Fine-tuning)

İnce ayar, önceden eğitilmiş bir modelin belirli bir görev, alan veya stil için daha küçük ve görev odaklı bir veri setiyle yeniden eğitilmesi sürecidir.

Jailbreak

Jailbreak, bir AI modelinin eğitim sırasında öğrendiği güvenlik kısıtlamalarını ve içerik politikalarını atlatmak amacıyla tasarlanan özel prompt teknikleridir.

Kosinüs Benzerliği

Kosinüs benzerliği, iki vektör arasındaki açının kosinüsünü hesaplayarak vektörlerin yönsel benzerliğini -1 ile 1 arasında ölçen metriktir.

Kırmızı Ekip (Red Teaming)

AI kırmızı ekip çalışması, modelin güvenlik açıklarını, zararlı davranışlarını ve kötüye kullanım senaryolarını proaktif olarak bulmak amacıyla uygulanan düşman simülasyonu tekniğidir.

LoRA

LoRA (Low-Rank Adaptation), mevcut model ağırlıklarını dondurup yalnızca küçük düşük-rank adaptör matrislerini eğiterek verimli ince ayar yapan tekniktir.

Makine Öğrenimi

Makine öğrenimi, bilgisayar sistemlerinin açıkça programlanmak yerine verilerden öğrenerek performansını artırmasını sağlayan yapay zeka alt dalıdır.

Model

Yapay zekada model, eğitim verilerinden öğrenilmiş parametreler aracılığıyla girdi verilerini belirli bir çıktıya dönüştüren matematiksel fonksiyonun somutlaşmış halidir.

Model Hizalaması (Alignment)

Model hizalaması, bir AI sisteminin insan değerleri, tercihleri ve amaçlarıyla uyumlu davranmasını sağlamaya yönelik araştırma ve mühendislik alanıdır.

Model Kıyaslama (Benchmark)

Model kıyaslama, farklı yapay zeka modellerinin performansını standart görev setleri üzerinde karşılaştırmak için kullanılan değerlendirme çerçevesi ve metrik kümesidir.

Niceleme (Quantization)

Niceleme, model ağırlıklarını yüksek hassasiyetli sayı biçimlerinden (float32) düşük hassasiyetlilere (int8, int4) dönüştürerek bellek ve hesaplama maliyetini azaltan tekniktir.

Normalizasyon

Normalizasyon, sinir ağı eğitimini istikrarlı hale getirmek ve hız kazandırmak için katman aktivasyonlarını belirli bir aralığa veya dağılıma çeken teknikler bütünüdür.

Otoregresif Model

Otoregresif model, metin üretirken her yeni token'ı yalnızca önceki token'lara bakarak sıralı biçimde üreten dil modelidir.

Ön Eğitim (Pre-training)

Ön eğitim, bir modelin büyük ve genel veri seti üzerinde, herhangi bir göreve özel ince ayar yapılmadan temel dil ve bilgi örüntülerini öğrendiği ilk eğitim aşamasıdır.

Önyargı (Bias)

Yapay zekada önyargı, eğitim verisindeki dengesizlikler veya model tasarımı nedeniyle sistemin belirli grup ya da bağlamlara karşı sistematik hatalı veya adaletsiz sonuçlar üretmesidir.

Öz-Dikkat (Self-Attention)

Öz-dikkat, bir dizideki her konumun diğer tüm konumlarla ilişkisini hesaplayarak bağlamsal temsiller oluşturan Transformer'ın temel mekanizmasıdır.

Öğrenme Hızı (Learning Rate)

Öğrenme hızı, modelin her eğitim adımında parametrelerini ne büyüklükte güncelleyeceğini belirleyen hiperparametredir.

Parametre

Parametre, bir sinir ağının eğitim sırasında öğrendiği ve modelin davranışını belirleyen sayısal ağırlık ve önyargı değerlerinin genel adıdır.

Parçalama (Chunking)

Parçalama, RAG sistemlerinde uzun dokümanların embedding ve bağlam penceresine sığacak şekilde anlamlı küçük parçalara bölünmesi işlemidir.

Pekiştirmeli Öğrenme

Pekiştirmeli öğrenme, bir ajanın çevresiyle etkileşime girerek aldığı ödül sinyallerine göre davranışını optimize ettiği makine öğrenimi paradigmasıdır.

Prompt

Prompt, bir yapay zeka modeline istenen görevi veya soruyu iletmek amacıyla yazılan metin girdisidir.

Prompt Enjeksiyonu

Prompt enjeksiyonu, kötü niyetli kullanıcıların LLM tabanlı sisteme gizlenmiş talimatlar ekleyerek modeli önceden tanımlanmış güvenlik kurallarını atlatmaya yönlendirmesidir.

Prompt Mühendisliği

Prompt mühendisliği, LLM'lerden en iyi sonuçları almak için etkili soru, talimat ve bağlam yapıları tasarlama sanatı ve disiplinidir.

RAG (Retrieval Augmented Generation)

RAG, bir LLM'in yanıt üretmeden önce harici bilgi kaynaklarından ilgili içerik alarak bunu bağlam olarak kullanması tekniğidir.

RLHF

RLHF (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme), insan değerlendirmecilerinin tercihlerini ödül sinyali olarak kullanan model hizalama tekniğidir.

ReAct (Reasoning + Acting)

ReAct, bir LLM'in akıl yürütme adımlarını (Thought) ve araç kullanımı eylemlerini (Action) dönüşümlü olarak yürüterek karmaşık görevleri çözdüğü ajan çerçevesidir.

Sinir Ağı

Sinir ağı, insan beynindeki nöronlardan ilham alan, birbirine bağlı düğümlerden oluşan ve veriden öğrenebilen hesaplama modelidir.

Sistem Promptu

Sistem promptu, bir LLM uygulamasında modelin rolünü, davranış kurallarını ve kısıtlamalarını tanımlayan ve genellikle kullanıcıya görünmeyen ön yapılandırma metnidir.

Sıcaklık (Temperature)

Sıcaklık, bir LLM'in metin üretirken ne kadar yaratıcı ve rastlantısal davranacağını kontrol eden 0 ile 2 arasında değer alan hiperparametredir.

Sıfır Örnekli Öğrenme (Zero-shot)

Sıfır örnekli öğrenme, modele hiçbir örnek verilmeden yalnızca görev açıklamasıyla daha önce görmediği görevleri yerine getirebildiği yetenektir.

Talimat Ayarı (Instruction Tuning)

Talimat ayarı, bir modeli insan talimatlarını anlamaya ve doğrudan yerine getirmeye yönlendiren ince ayar yöntemidir.

Temel Model (Foundation Model)

Temel model, büyük ölçekli ve genel amaçlı olarak eğitilen, ince ayar ile pek çok farklı göreve uyarlanabilen yapay zeka modelidir.

Token

Token, büyük dil modellerinin metni işlemek için kullandığı en küçük metin birimidir; kelime, kelime parçası veya noktalama işareti olabilir.

Tokenizer

Tokenizer, bir LLM'in ham metni işlenebilir token birimlerine dönüştüren ve tersine bu birimleri tekrar metne çeviren araçtır.

Transfer Öğrenimi

Transfer öğrenimi, bir görev veya alanda öğrenilen bilgi ve temsillerin başka bir görev ya da alanda kullanılması tekniğidir.

Transformer

Transformer, dikkat mekanizmasına dayanan ve dizilerdeki uzun mesafeli bağımlılıkları etkin biçimde modelleyen derin öğrenme mimarisidir.

Transformer Mimarisi

Transformer mimarisi, doğal dil işleme (NLP) başta olmak üzere birçok yapay zeka alanında devrim yaratan, dikkat mekanizmasına dayalı bir derin öğrenme modelidir. Özellikle sıralı veri işleme kapasitesi ve yüksek paralelleştirme imkanı sunmasıyla öne çıkar. Bu mimari, girdideki farklı kelimelerin veya veri noktalarının birbirleriyle olan ilişkilerini dinamik olarak öğrenerek, bağlamı çok daha etkili bir şekilde anlamasını sağlar. Geleneksel yinelemeli sinir ağlarının (RNN) aksine, uzun bağımlılıkları daha verimli bir şekilde ele alabilir ve büyük veri kümelerinde hızlı eğitim süreleri sunar. Google tarafından 2017'de "Attention Is All You Need" makalesiyle tanıtılmıştır.

Uzman Karışımı (MoE)

Uzman karışımı, her girdi için yalnızca parametrelerin küçük bir alt kümesini (uzmanları) etkinleştiren, seyrek hesaplama sayesinde toplam parametre sayısını artıran verimli sinir ağı mimarisidir.

Üretken Yapay Zeka

Üretken yapay zeka, metin, görüntü, ses, video veya kod gibi özgün içerikler oluşturabilen yapay zeka modelleri ve sistemlerinin genel adıdır.

Vektör Veritabanı

Vektör veritabanı, embedding vektörlerini depolayan ve benzerlik sorguları aracılığıyla semantik arama yapılmasını sağlayan özelleşmiş veri tabanıdır.

Yapay Zeka

Yapay zeka, insan zekasına özgü öğrenme, akıl yürütme ve problem çözme gibi yetenekleri sergileyen bilgisayar sistemleri ve algoritmaların genel adıdır.