Herkes yapay zeka kullanıyor. Neredeyse hiç kimse gerçekte nasıl çalıştığını anlamıyor. İnsanlar transformers, embeddingler, RAG, ajanlar, RLHF gibi kelimeleri herkes biliyormuş gibi etrafta savuruyor. Çoğu bilmiyor. Ve dürüst olmak gerekirse? Zihinsel modellerini bir kez kavradığında yapay zeka o kadar da karmaşık değil. ChatGPT. Claude. Midjourney. Cursor. Kodlama ajanları. Aşağıdaki 20 fikri anladığınızda hepsi mantıklı geliyor. Doktora derecesine ihtiyacınız yok. Sıfır jargon. Sadece basit açıklamalar ve görsel kaynaklar. Bunu kaydedin. Tekrar kullanacaksınız.
BÖLÜM 1: YAPAY ZEKA GERÇEKTE NASIL ÇALIŞIR (Her şeyin üzerine inşa edildiği temel)
1. Sinir Ağları
Her yapay zeka modelinin beyni.
Bir sinir ağı, bir dizi katmandır.
→ Veriler giriş katmanına girer → Gizli katmanlardan geçer → Bir tahmin olarak çıkar.
Her bağlantının bir "ağırlığı" vardır; bu, bir nöronun bir sonraki nöron üzerinde ne kadar etkiye sahip olduğunu kontrol eden küçük bir puandır.
Eğitim = sonuç doğru olana kadar milyarlarca bu ağırlığı ayarlamak.
Basit bir fikir. Ölçekte çılgınca.
GPT-4 yaklaşık 1,8 trilyon parametreye sahiptir. Claude 3 Opus'un yüz milyarlarca parametresi vardır.
Tamamı aynı temel konseptten gelir: ayarlanabilir bağlantılara sahip katmanlardaki nöronlar.
2. Tokenleştirme
Yapay zeka metninizi okumadan önce, onu token adı verilen parçalara ayırır.
Bunlar her zaman tam kelimeler değildir.
"playing" → "play" + "ing"
"ChatGPT" → "Chat" + "G" + "PT"
"dog" → "dog" (bir bütün olarak kalır)
Neden sadece tam kelimeler kullanılmıyor?
Dil kaotiktir. Yeni kelimeler. Yazım hataları. Karışık diller. Sabit bir kelime dağarcığı imkansız derecede büyük olurdu.
Tokenler yeniden kullanılabilir yapı taşlarıdır.
Model daha önce bir kelimeyi hiç görmemiş olsa bile, onu tanıdık parçalara ayırarak anlayabilir.
Pratik kural: 1 token ≈ 0,75 kelime.
1000 token ≈ 750 kelime.
3. Embeddingler
Metin tokenleştirildikten sonra, her token bir sayıya dönüştürülür.
Bu sayı, anlamı temsil eden bir vektör olan bir embeddingdir.
Bunu kelimeler için Google Maps gibi düşünün.
→ "Doktor" ve "Hemşire" birbirine yakın konumlanır
→ "Doktor" ve "Pizza" birbirinden uzak konumlanır
→ "Kral" eksi "Adam" artı "Kadın" ≈ "Kraliçe"
Model kelimeleri sizin gibi anlamaz.
Mesafeyi ve yönü anlar.
Aşağıdakilere güç veren şey budur:
→ Anlamsal arama
→ Öneriler
→ RAG sistemleri
"Niyeti anlayan" her şey perde arkasında embeddingler kullanır.
4. Dikkat (Attention)
"Elma" kelimesi farklı anlamlara gelir:
→ "Bir elma yedim" → meyve
→ "Apple hissesi aldım" → şirket
Embeddingler tek başına bunu çözemez.
Dikkat çözebilir.
Dikkat, her kelimenin bir cümledeki diğer her kelimeye bakmasına ve neyin önemli olduğuna karar vermesine olanak tanır.
"Apple hissesi aldı" cümlesinde:
→ "Apple", "hisse" ve "aldı" kelimelerine çok dikkat eder
→ Model şu sonuca varır: şirket, meyve değil
Dikkatten önce modeller soldan sağa okurdu. Yavaş. Sınırlı.
Dikkatten sonra modeller cümlenin tamamını aynı anda görür.
Bu tek fikir modern yapay zekanın kilidini açtı.
5. Transformerlar
Bugün neredeyse her yapay zeka modeline güç veren mimari.
2017'de "Dikkat Etmeniz Gereken Tek Şey" başlıklı bir araştırma makalesinde tanıtıldı.
Çığır açan nokta: metni kelime kelime okumak yerine, dikkat mekanizmasını kullanarak her şeyi paralel olarak işlemesi.
Nasıl çalışır:
→ Metin → Tokenler → Embeddingler → Yığılmış dikkat katmanları → Sonuç
Her katman anlayışı iyileştirir:
→ İlk katmanlar: dil bilgisi, temel yapı
→ Orta katmanlar: kelimeler arasındaki ilişkiler
→ Derin katmanlar: karmaşık akıl yürütme
Sonuç: son derece hızlı eğitim ve çok daha iyi sonuçlar.
GPT. Claude. Gemini. Llama. Mistral.
Hepsi transformer'dır.
Bu tek mimariyi anlarsanız, modern yapay zekayı anlarsınız.
BÖLÜM 2: BÜYÜK DİL MODELLERİ NASIL ÇALIŞIR (Bir yapay zeka ile sohbet ederken gerçekte neler oluyor)
6. Büyük Dil Modelleri (LLM)
Bir LLM, devasa miktarda metin üzerinde eğitilmiş bir transformerdir.
Kitaplar. Web siteleri. Kod. Wikipedia. Reddit.
Trilyonlarca token.
Eğitim görevi, güçlü olmak için fazla basit geliyor:
→ Bir sonraki tokeni tahmin et.
Hepsi bu.
Ancak bunu trilyonlarca örnek üzerinde tekrarladığınızda, olağanüstü bir şey olur.
Model dil bilgisini öğrenir. Sonra akıl yürütmeyi. Sonra nasıl kod yazılacağını, dillerin nasıl çevrileceğini, matematik problemlerinin nasıl çözüleceğini.
Hiç kimse bunlardan herhangi birini yapmasını emretmedi.
Ölçekteki sonraki-token tahmininden ortaya çıktı.
"Büyük" = yüz milyarlarca parametre. Eğitim maliyeti = milyonlarca dolar.
ChatGPT, Claude, Gemini → hepsi LLM'dir.
7. Bağlam Penceresi
Her yapay zeka modelinin bir hafıza sınırı vardır.
Buna bağlam penceresi denir.
Modelin aynı anda "görebileceği" maksimum token sayısıdır: sizin isteminiz + yanıtı + konuşma geçmişi.
İlk GPT'ler: ~4.000 token. GPT-4: 128.000 token. Claude 3.5: 200.000 token. Gemini 1.5 Pro: 1.000.000 token.
Daha büyük pencere = daha fazla bağlam = daha iyi yanıtlar.
Ancak bir püf noktası var.
Modeller her şeyi eşit şekilde okumaz.
Bağlamın başına ve sonuna odaklanırlar.
Ortası? Genellikle göz ardı edilir.
Buna "Ortada Kaybolmak" sorunu denir.
Büyük bağlam penceresi ≠ mükemmel hafıza.
Bunu anlamak, yapay zekanın neden bazen açıkça belirttiğiniz bir şeyi "unuttuğunu" açıklar.
8. Sıcaklık
Yapay zeka metin üretirken, her zaman en olası sonraki kelimeyi seçmez.
Sıcaklık adı verilen bir kadranı vardır.
→ Sıcaklık = 0: her zaman en güvenli, en tahmin edilebilir kelimeyi seçer
→ Sıcaklık = 1: daha yaratıcı, daha çeşitli seçim yapar
→ Sıcaklık = 2+: aşırı hale gelir, bazen tutarsız olur
Düşük sıcaklık → şunlar için kullan: kod, veri, özetler
Yüksek sıcaklık → şunlar için kullan: beyin fırtınası, yaratıcı yazarlık, çeşitlemeler
Çoğu araç bunu sizin için otomatik olarak ayarlar.
Ancak bunu anlamak, yapay zekanın neden bazen "sıkıcı" hissettirdiğini ve bazen sizi şaşırttığını açıklar.
9. Halüsinasyon
Yapay zeka güvenle yalan söyler.
Kasten değil. Kelimenin tam anlamıyla kendini tutamaz.
İşte nedeni.
Bir LLM gerçeği aramaz.
En olası sonraki tokenin ne olduğunu tahmin eder.
Eğitim modellerine dayanarak "sırada ne gelmeli" gibi görünen yanlış bir ifade varsa, onu üretir.
Gerçek kontrolü yok. Veritabanı araması yok. Saf desen eşleştirme.
Yani şunları yapacaktır:
→ Var olmayan bir araştırma makalesine atıfta bulunmak
→ Hiç oluşturulmamış bir API işlevi icat etmek
→ Tam bir güvenle yanlış bir tarihsel "gerçeği" belirtmek
Buna halüsinasyon denir.
Çözüm: Doğrulamadan gerçek veriler hakkında asla yapay zeka çıktısına güvenmeyin.
Gerçek verilere dayandırmak için RAG'ı kullanın.
10. İstem Mühendisliği
Sorma şekliniz her şeyi değiştirir.
Aynı model. Aynı soru. Nasıl çerçevelediğinize bağlı olarak tamamen farklı sonuçlar.
Kötü istem: → "API'leri açıkla" → Alınan: belirsiz, yüzeysel yanıt
İyi istem: → "REST API'lerinin kimlik doğrulamayı nasıl ele aldığını açıkla. Kodla gerçek bir örnek ver. Beni kıdemsiz bir geliştirici olarak kabul et." → Alınan: spesifik, yapılandırılmış, hemen kullanışlı
İstem mühendisliği sadece net iletişimdir.
Gerçekten işe yarayan taktikler: → Bağlam verin ("X için bir SaaS kuruyorum") → Bir rol atayın ("Kıdemli bir backend mühendisi gibi davran") → Örnekler gösterin ("İşte beğendiğim bir format: ___") → Çıktı konusunda spesifik olun ("Numaralı liste olarak 5 seçenek ver") → Karmaşık istekleri adımlara bölün
İstem mühendisliği bir korsanlık değildir.
Modelle iletişim kurmanızın ana yoludur.
BÖLÜM 3: YAPAY ZEKA MODELLERİ NASIL GELİŞİR (Ham modeller nasıl kullanışlı ürünlere dönüşür)
11. Transfer Öğrenme
Sıfırdan eğitim pahalıdır.
İnanılmaz miktarda veri. Devasa hesaplama gücü. Haftalarca eğitim.
Transfer öğrenme bunu çözer.
Büyük bir genel görev üzerinde zaten eğitilmiş bir modeli alır ve onu belirli bir şey için uyarlarsınız.
Sıfırdan başlamazsınız. Bir temel üzerine inşa edersiniz.
Şöyle düşünün:
→ Zaten bisiklete binmeyi biliyorsunuz
→ Motosiklet sürmeyi öğrenmek bu nedenle çok daha hızlıdır
→ Zaten bildiklerinizi aktarırsınız
Neredeyse tüm yapay zeka ürünleri bugün böyle çalışır:
→ OpenAI devasa bir temel modeli eğitir
→ Şirketler onu kendi özel kullanım durumları için ince ayar yapar
→ Milyonlarca hesaplama ve aylarca eğitim tasarrufu sağlar
Artık hiçbir şirket sıfırdan eğitim yapmıyor.
12. İnce Ayar
Transfer öğrenme konsepti açıklar.
İnce ayar, onu nasıl uyguladığınızdır.
Önceden eğitilmiş bir modeli alır ve daha küçük, belirli bir veri kümesi üzerinde eğitmeye devam edersiniz.
Model zaten "dile" hakimdir.
Şimdi ona kendi belirli alanınızı öğretiyorsunuz.
Örnekler:
→ Klinik notlar üzerinde ince ayar yapılmış tıbbi model
→ Sözleşmeler üzerinde ince ayar yapılmış hukuki model
→ GitHub üzerinde ince ayar yapılmış kodlama modeli
Sonuç: kullanım durumunuz için mükemmel yanıt veren bir model.
Maliyeti: milyarlarca parametreyi güncellemeniz gerekiyor.
Bu, ağır hesaplama gerektirir: birden çok GPU ve ciddi altyapı.
(Bu nedenle sıradaki konsept olan LoRA çok önemlidir).
13. RLHF (İnsan Geri Bildiriminden Pekiştirmeli Öğrenme)
İnce ayar modelleri uzmanlaştırır.
RLHF, onları yardımsever ve güvenli hissettiren şeydir.
O olmadan: model sadece metin tahmin eder. Akıcı, ancak uyumlu değil.
Onunla: model insanların gerçekte neyi tercih ettiğini öğrenir.
Nasıl çalışır:
→ Modele bir istem gösterilir → Model birden çok yanıt üretir → İnsanlar yanıtları sıralar → Model insanların neyi tercih ettiğini öğrenir
Bu binlerce kez tekrarlanır.
Model bir "iyi yanıt" duygusu geliştirir:
→ Açık
→ Yardımsever
→ Dürüst
→ Güvenli
Bu nedenle ChatGPT ve Claude asistan gibi hissettirir, rastgele metin üreteçleri gibi değil.
RLHF olmadan, yine de etkileyici olurlardı. Ancak çok daha az kullanışlı, daha az güvenilir ve kontrol edilmesi çok daha zor olurdu.
14. LoRA (Düşük Dereceli Uyarlama)
İnce ayar güçlüdür ancak pahalıdır.
Milyarlarca parametreyi güncellemek, birden çok GPU ve ciddi altyapı gerektirir.
LoRA bunu çözer.
Tüm modeli değiştirmek yerine, LoRA:
→ Orijinal modeli dondurulmuş halde tutar
→ Üstüne küçük eğitilebilir katmanlar ekler
→ Bu katmanlar tam model boyutunun bir kısmıdır
Anahtar nokta: ince ayardaki değişikliklerin çoğu küçüktür.
Tüm modeli yeniden yazmanıza gerek yoktur.
Sadece belirli küçük ayarlamalara ihtiyacınız vardır.
Sonuçlar:
→ Tek bir tüketici GPU'sunda ince ayar: mümkün
→ Bir temel modeli depolamak + farklı LoRA adaptörlerini değiştirmek: pratik
→ Devasa depolama olmadan birden çok uzmanlaşmış model: elde edildi
LoRA, açık kaynak yapay zekanın patlamasının nedenidir.
Aniden, herkes bir dizüstü bilgisayarda güçlü modellere ince ayar yapabilirdi.
15. Niceleme (Quantization)
Modeller büyüyor.
Çalıştırmak için büyük miktarda bellek ve hesaplama gücü gerektirirler.
Niceleme, onları daha küçük ve çalıştırması daha ucuz hale getirir.
Nasıl: her ağırlığın hassasiyetini azaltarak.
Tam hassasiyette depolanan bir ağırlık 32 bit kullanır.
4 bit'e nicelenmiş → 8 kat daha küçük.
İnanılmaz kısım: kalite kaybı genellikle şaşırtıcı derecede küçüktür.
Bu nedenle artık şunları yapabilirsiniz:
→ LLaMA'yı bir MacBook'ta çalıştırmak
→ Mistral'i yerel olarak bir tüketici GPU'sunda çalıştırmak
→ Bir telefonda güçlü modeller kullanmak
Niceleme olmadan, büyük modeller veri merkezlerinde kilitli kalırdı.
Niceleme ile kendi makinenizde çalışırlar.
BÖLÜM 4: GERÇEK YAPAY ZEKA SİSTEMLERİ NASIL İNŞA EDİLİR (Gerçekte kullandığınız ürünlerin arkasında ne var)
16. RAG (Getirmeyle Zenginleştirilmiş Üretim)
LLM'ler hafızadan yanıt verdikleri için halüsinasyon görürler.
RAG, önce bilgi aramalarına izin vererek bunu düzeltir.
Nasıl çalışır:
Kullanıcı bir soru sorar
Sistem, bir bilgi tabanında ilgili belgeleri arar
Bu belgeler modele bağlam olarak verilir
Model, tahminler değil, gerçek bilgileri kullanarak yanıt verir
Şöyle düşünün:
→ Kapalı kitap sınavı (RAG yok): hafızadan yanıtlar, genellikle yanlış alır
→ Açık kitap sınavı (RAG ile): kaynağa bakar, çok daha doğru
Neden güçlü:
→ Verileriniz değiştiğinde yeniden eğitime gerek yok, sadece belgeleri güncelleyin
→ Model her zaman güncel, doğru bilgilerle çalışır
→ Halüsinasyonu büyük ölçüde azaltır
Her ciddi yapay zeka ürünü RAG kullanır.
Müşteri destek botları. Hukuki araçlar. Tıbbi asistanlar. Dahili bilgi tabanları.
17. Vektör Veritabanları
RAG'ın doğru belgeleri hızlı bulması gerekir.
Ancak milyonlarca belgeyi anlamlarına göre ve sadece anahtar kelimelerle değil nasıl ararsınız?
Vektör veritabanları.
Nasıl çalışırlar:
Her belge bir embeddinge (bir sayı vektörü) dönüştürülür.
Bu vektörler veritabanında depolanır.
Bir kullanıcı soru sorduğunda, soru da bir vektöre dönüştürülür.
Veritabanı, soru vektörüne en yakın vektörleri bulur.
Anlamsal olarak en benzer belgeleri döndürür.
Bu neden anahtar kelime aramasından daha iyidir:
→ "kalp hastalığı tedavisi", "kalp bakım protokolleri" ile ilgili belgeleri bulur
→ Kesin kelimeler eşleşmese bile, anlam eşleşir.
Araçlar: Pinecone, Qdrant, Weaviate, pgvector.
Vektör veritabanları, yapay zeka sistemlerinin metin dizilerini eşleştirmek yerine "anlamasını" sağlayan şeydir.
18. Yapay Zeka Ajanları
Bir LLM istemleri yanıtlar.
Bir yapay zeka ajanı fiilen bir şeyler yapar.
Fark:
→ LLM: sorarsın, yanıtlar, biter
→ Ajan: ona bir hedef verirsin, plan yapar, harekete geçer, sonuçları kontrol eder, ayarlar, tekrarlar
Ajan döngüsü:
Düşün → Harekete Geç → Gözlemle → Tekrarla
Örnek: bir hatayı düzelten kodlama ajanı
→ Sorunu okur
→ Kaynak kodunu keşfeder
→ Kusuru tanımlar
→ Bir düzeltme yazar
→ Testleri çalıştırır
→ Neyin başarısız olduğunu gözlemler
→ Düzeltmeyi ayarlar
→ Bitene kadar tekrarlar
Model beyindir. Araçlar ellerdir.
Ajanlar hangi araçları kullanabilir?
→ Web araması
→ Kod yürütme
→ Dosya sistemi
→ API'ler
→ E-posta / takvim
→ Veritabanları
Ajanlar, yapay zekayı basit bir sohbet robotundan bir iş arkadaşına dönüştüren şeydir.
19. Düşünce Zinciri (Chain of Thought - CoT)
Bazen yapay zeka, aptal olduğu için değil, cevaba çok hızlı atladığı için yanlış cevap verir.
Düşünce Zinciri bunu düzeltir.
Doğrudan nihai cevabı sormak yerine:
→ "Çöz: Bir tren 60 mil/saat hızla 2,5 saat giderse, ne kadar yol alır?"
Adım adım düşünmesini söylersiniz:
→ "Adım adım çöz: Hız = 60 mil/saat. Süre = 2,5 saat. Mesafe = Hız × Süre = ?"
Model akıl yürütme adımlarını yürür:
→ Adım 1: Formülü tanımla
→ Adım 2: Sayıları yerine koy
→ Adım 3: Hesapla
Matematik, mantık ve çok adımlı problemler için çok daha güvenilirdir.
Anahtar nokta: modele sadece tepki vermesi için değil, düşünmesi için alan vermek.
Bu nedenle "adım adım düşün" veya "bunu dikkatlice akıl yürüt" gibi istemler gerçekten işe yarar.
20. Difüzyon Modelleri
Şimdiye kadar her şey metinle ilgiliydi.
Difüzyon modelleri, yapay zekanın görüntüleri nasıl oluşturduğunu açıklar.
Süreç sezgisel değildir.
Model çizmeyi öğrenmez.
Görüntüleri yok etmeyi öğrenir.
Eğitim:
→ Gerçek bir görüntü ile başlar
→ Saf statik olana kadar adım adım gürültü ekler
→ Modeli bunu tersine çevirmek, adım adım gürültüyü kaldırmak için eğitir
Üretim:
→ Saf gürültü ile başlar
→ Model adım adım gürültüyü kaldırır
→ Metin isteminiz tarafından yönlendirilir
→ Görüntü rastgelelikten ortaya çıkar
İsim, fizikten gelir: parçacıkların bir ortam boyunca rastgele yayılması, mürekkebin suda yayılması gibi.
Burada, model bu difüzyonu tersine çevirmeyi öğrenir.
Artık sadece görüntüler değil:
→ Video (Sora, Runway)
→ Ses
→ 3D içerik
→ İlaç molekülleri
Difüzyon modelleri, yapay zekanın görsel herhangi bir şeyi nasıl ürettiğidir.
İşte bu 20 madde. Özetleyeyim:
Yapay zeka nasıl çalışır:
→ 1. Sinir Ağları: katmanlı desen öğrenme
→ 2. Tokenleştirme: metni parçalara ayırma
→ 3. Embeddingler: anlam olarak sayılar
→ 4. Dikkat: bağlam anlamı değiştirir
→ 5. Transformerlar: her şeyin arkasındaki mimari
LLM'ler nasıl çalışır:
→ 6. LLM: büyük ölçekte sonraki-token tahmini
→ 7. Bağlam Penceresi: bellek sınırları ve orta sorunu
→ 8. Sıcaklık: yaratıcılık kadranı
→ 9. Halüsinasyon: kendinden emin ve yanlış
→ 10. İstem Mühendisliği: nasıl iletişim kurduğunuz
Modeller nasıl gelişir:
→ 11. Transfer Öğrenme: var olanın üzerine inşa etme
→ 12. İnce Ayar: bir modeli uzmanlaştırma
→ 13. RLHF: ona yardımsever olmayı öğretme
→ 14. LoRA: maliyetsiz ince ayar
→ 15. Niceleme: büyük modelleri küçük makinelerde çalıştırma
Gerçek sistemler nasıl inşa edilir:
→ 16. RAG: önce ara, sonra yanıtla
→ 17. Vektör Veritabanları: anlama göre arama
→ 18. Yapay Zeka Ajanları: yanıtlamaktan yapmaya
→ 19. Düşünce Zinciri: ona düşünmesi için alan vermek
→ 20. Difüzyon Modelleri: gürültüden görüntüye
Artık yapay zekanın gerçekte nasıl çalıştığını anlıyorsunuz.
Her gün yapay zeka kullanan çoğu insan bunu bilmiyor.
Bu boşluk sizin avantajınız.
Eğer bu yardımcı olduysa:
→ Ağınızla paylaşmak için tekrar paylaşın
→ Bunun gibi daha fazla analiz için @chesny'i takip edin
→ Başvuru için bunu kaydedin
Yapay zeka, ürün geliştirme ve siz uyurken çalışan sistemler hakkında yazıyorum.
