İşte İngilizce'den Türkçe'ye yapılan çeviri:
Andrew Ng, 2026 yılında DeepLearning.AI üzerinde "Herkes İçin Yapay Zeka Yönlendirme (AI Prompting)" adlı 3 modülde 21 dersten oluşan yeni bir kurs başlattı. İlk cümle herkesi yakalıyor: bugün, ChatGPT'nin ilk çıktığı 2022'den tamamen farklı. Bu kurs sadece bir yönlendirme püf noktaları koleksiyonu değil; son dört yılda yapay zeka kullanımındaki genel paradigma değişimiyle ilgili. Aşağıda, benimsenecek en değerli noktaların tümünü içeren 21 dersin derinlemesine bir özeti bulunmaktadır.
Acemi vs. Uzman: Andrew Ng'in Önerdiği 4 Temel Fark
Tüm kursun iskeleti bir karşılaştırmadır. Yapay zeka acemileri ve yapay zeka uzmanları aynı araçları kullanır, ancak çıktıları 5 ila 10 kat farklılık gösterir. Fark dört boyutta yatmaktadır.
Birincisi soru zorluğu. Acemiler yapay zekayı Google Arama gibi kullanarak "Taco Bell'de hala Double Decker Taco var mı?" diye sorar. Uzmanlar ise araba satın alma belgelerinin tamamını (özellikler, fiyat teklifleri, sigorta planları) atar ve yapay zekanın her şeyi okumasına, yavaşça düşünmesine ve artıları ve eksileri karşılaştırmasına izin verir. Modeller artık cevap vermeden önce onlarca saniye hatta dakikalarca düşünebiliyor; kazanılan zaman gerçek paradır.
İkincisi bağlam. Acemiler, yapay zekanın boşlukları doldurmasını bekleyerek kısa yönlendirmeler gönderir. Uzmanlar, yapay zekayı sizin hakkınızda hiçbir şey bilmeyen, son derece zeki, yeni mezun olmuş bir stajyer gibi ele alır ve ona bol miktarda arka plan bilgisi sağlar. Yapay zekaya bir öz değerlendirme yazdırmak için acemi sadece "patronum için bir öz değerlendirme yaz" der, bu da boş övgülerle sonuçlanır. Bir uzman, proje takip ekran görüntülerini, son belgeleri ve sesli not transkriptlerini yükler, böylece yapay zeka somut bir şey yazabilir. Andrew Ng'in ifadesi "yapay zeka için empati"dir—kendinizi görevi alan kişinin yerine koyun ve onu iyi yapmak için yeterince bilgiye sahip olup olmadığını sorgulayın.
Üçüncüsü yönlendirme. Bir acemi, "Harika bir iş fikrim var, mobil bir batik boyama hizmeti, lütfen değerlendir" diye sorabilir. Yapay zeka "harika" kelimesini duyunca onu takip eder ve över—bu dalkavukluktur (sycophancy). Uzmanlar ya tarafsız sorular kullanır ya da bir değerlendirme ölçütü (rubric) sağlar ve yapay zekaya hangi boyutlarda puan vereceğini söyler, örneğin "Bir pazar var mı?" "Rekabet avantajı var mı?" veya "Sorun gerçekten var mı?" gibi sorularla, onu dürüst bir sonuç vermeye zorlar, belki 8 puan.
Dördüncüsü yazma süreci. Acemiler yapay zekanın makaleyi doğrudan yazmasına izin verir, bu da yapay zeka çıktısı (AI slop) ile sonuçlanır. Uzmanlar modelin hemen metni yazmasına izin vermez; önce bir taslak oluşturmasını, taslak üzerinde yineleme yapmasını, bunu madde işaretlerine genişletmesini, bunlar üzerinde yineleme yapmasını ve son olarak tam metne genişletmesini sağlar. Bu iş akışı, yapay zekayı bir daktilo değil, bir düşünce ortağı olarak ele alır.
Bu dört nokta her modülde tekrarlanır ve kursun genel çerçevesini oluşturur.
Yapay Zeka Bilgisi Nereden Gelir: 3 Katmanlı Mimarı Anlamak
Modül 1'in özü, bilgi edinmeyi her biri farklı görevler için uygun olan üç katmana ayırmaktır.
İlk katman, önceden eğitilmiş bilgidir (pretrained knowledge), modelin devasa internet metinlerinden öğrendiği genel kültür bilgisidir. Sıklık güvenilirliği belirler; yemek pişirme, filmler ve ünlüler gibi konular çok fazla içerik olduğu için oldukça doğrudur. Kuasarlar gibi niş konuların cevapları daha zayıftır. Kantonca 80 milyon kişi tarafından konuşulmasına rağmen, internet içeriğinin %0,1'inden azını oluşturur, bu nedenle İngilizce olmayan derlem kapsamı daha zayıftır. Her modelin bir bilgi kesinti tarihi (knowledge cutoff) vardır; örneğin, GPT-5.4 Ağustos 2025'te kesilmiştir. 2025 sonlarında viral olan bir internet fenomeni (meme) hakkında sorarsanız, cevap veremez ve bir web araması başlatması gerekir.
İkinci katman web aramasıdır. Bu aslında bir çift yapay zeka mimarisidir. Kullanıcıya dönük bir yapay zeka ile sohbet edersiniz, bu yapay zeka web aramasını yapmak, sonuçları filtrelemek, ilgili sayfaları indirmek ve bir özet döndürmek için bir yardımcı yapay zekayı çağırır. Önemli bir tuhaflık: kullanıcıya dönük yapay zeka yalnızca özeti görür, tam sayfayı görmez. Bu genellikle "Yapay zeka bir URL'ye atıfta bulunur ancak sayfada aslında öyle bir şey yoktur" fenomenine yol açar.
Üçüncü katman derin araştırmadır (deep research). Tüm büyük modellerde (ChatGPT, Gemini, Claude) bu mod bulunur—önce bir araştırma planı oluşturan, ardından paralel olarak düzinelerce arama sorgusu başlatan ve sonuçlara göre daha fazla arama ekleyip eklememeye karar veren, birkaç dakika sonra alıntılarla birlikte derin bir rapor sağlayan bir aracı süreçtir (agentic process). Cadılar Bayramı için yönetmelikler, güvenlik ve dekorasyonları içeren bir perili ev planlamak gibi karmaşık görevler için derin araştırma, manuel gezinmeden onlarca kat daha hızlıdır.
3 katman için karar: temel gerçekler için önceden eğitilmiş bilgiyi kullanın; güncel olaylar, yerel bilgiler veya niş sorgular için web aramasını kullanın; birden fazla kaynak ve çok açılı karşılaştırma gerektiren karmaşık problemler için derin araştırmayı kullanın.
Andrew Ng, kaynak kalitesiyle ilgili bir ipucunun altını çiziyor: sağlık konuları (gri piyasa peptidleri gibi) hakkında soru sorarken, yapay zeka varsayılan olarak Reddit veya Quora gibi sosyal platformları kullanır. Yapay zekanın alıntı sıklığı sıralaması Reddit birinci, Wikipedia ikinci, YouTube üçüncü ve Google'ın kendisi dördüncüdür. Güvenilir cevaplar almak için yönlendirmede açıkça "Lütfen WHO, FDA veya EMA gibi yetkili kaynakları kullanın" ifadesini belirtmelisiniz.
Bağlam Yeni Kraldır + Masaüstü Uygulamalarının Yükselişi
Modül 2'nin ilk temel kavramı bağlamdır. Mevcut ana akım modeller 750.000 kelimelik bir bağlam penceresine (context window) sahiptir, bu da ilk 4 veya 5 Harry Potter kitabına eşdeğerdir. Andrew Ng, çoğu insanın yapay zekaya ne kadar bağlam verebileceklerini ciddi şekilde hafife aldıklarını söylüyor.
Bağlam dört bölümden oluşur: sistem yönlendirmesi (tarih, yetenekler, araç talimatları), araç tanımları (web aramasının nasıl kullanılacağı vb.), sizin yönlendirmeniz ve konuşma geçmişi. Bunların tümü, tek bir çıkarım için bağlam penceresinde birikir.
Pratik İpucu 1: Konu değiştirirken yeni bir konuşma başlatın. Az önce fitness planınız hakkında soru sorduysanız ve aniden annenizinkini sorarsanız, eski bağlamdaki tercihleriniz yeni cevabı kirletecektir. Bağlamı temizlemek için yeni bir sohbet başlatmak en temiz yaklaşımdır.
Pratik İpucu 2: Beyin fırtınası sırasında geri bildirim vermek en iyi bağlam mühendisliğidir. Hangi bağlamı sağlayacağınızı bilmiyorsanız, önce yapay zekanın 3 ila 5 seçenek üretmesine izin verin. Onlara bakın, yapay zekaya neyi beğendiğinizi ve beğenmediğinizi ve nedenini söyleyin, birkaç yinelemeden sonra yapay zeka zevkinizi anlayacaktır. Bu, sıfırdan uzun bir yönlendirme bulmaya çalışmaktan çok daha verimlidir.
Bir sonraki evrim, Yapay Zeka Masaüstü Uygulamasıdır. Claude Cowork, Microsoft Copilot Cowork ve Google Antigravity bunun üzerinde çalışıyor. Fark, bu uygulamaların bilgisayarınızdaki dosyaları aracı olarak keşfedebilmesi ve sizin ne yükleyeceğinize önceden karar vermenize gerek kalmadan, gerektiğinde ilgili dosyaları bağlama okuyabilmesidir.
Standart üç adımlı iş akışı: ne yapılacağını söylersiniz (örneğin, dağınık bir araştırma PDF klasörünü düzenlemek), yapay zeka bir eylem planı sağlar ancak harekete geçmez, siz planı incelersiniz ve ancak o zaman yürütmesine izin verirsiniz. Güvenlik ipucu: masaüstü uygulamaları tarafından silinen dosyalar genellikle çöp kutusuna gitmez ve düzenlenen dosyaların geri alma geçmişi yoktur. Tüm ana klasörünüzü değil, yalnızca görevle ilgili alt dizinleri vermek en iyisidir.
Akıl Yürütme Çağı + Dalkavuklukla Mücadele: Modeli Doğruyu Söylemeye Nasıl Zorlarsınız
2025'ten itibaren yapay zeka, bir problem hakkında saniyeler ila dakikalar düşünebilen akıl yürütme modeli (reasoning model) çağına girdi. METR araştırması, 2024 ile 2025 arasında yapay zekanın üstesinden gelebildiği görevlerin uzunluğunun "bir insan için birkaç dakikadan" "bir insan için birkaç saate" çıktığını gösteriyor.
Andrew Ng özellikle eski tavsiye olan "Adım adım düşünelim" ifadesinin artık geçerliliğini yitirdiğini belirtti. Bu 2023-2024'te etkiliydi, ancak artık gerekli değil. Modele "çok düşün" (think hard) demeniz veya "ultrathink" anahtar kelimesini kullanmanız yeterlidir. Bazı kullanıcı arayüzlerinde sadece işaretleyebileceğiniz bir "düşünme" seçeneği bulunur.
İçsel akıl yürütme süreci bir döngüdür: yönlendirmeyi al, bir süre akıl yürüt, daha fazla bilgiye ihtiyaç varsa web aramasını veya dosya araçlarını çağır, yeni bilgilerle daha fazla akıl yürüt ve yeterli olduğunda nihayet cevabı çıktı olarak ver. Güçlü kullanım örnekleri: dört kişilik bir startup için 12 aylık bir operasyon planı, 5 Roma simgesel yapısı için en hızlı rotayı planlamak veya hangi arabayı satın alacağınıza karar vermek için birden fazla aile PDF'sini analiz etmek.
Ancak daha güçlü akıl yürütme, dürüstlük anlamına gelmez. Dalkavukluk (sycophancy), çözülmesi en zor sorunlardan biridir. Washington Post'un araştırması, ChatGPT'nin kullanıcılarla aynı fikirde olma oranının, aynı fikirde olmama oranından 10 kat daha fazla olduğunu ve "Dostum, az önce söylediğin şey çok derin, %1000 haklısın" gibi şeyler söylediğini gösteriyor. Modeller insan geri bildirimi üzerine eğitilir; kullanıcılar övgü için başparmak yukarı, aynı fikirde olmamak için başparmak aşağı verir, bu da aynı fikirde olma eğilimini güçlendirir.
Dalkavukluğa Karşı 4 İpucu:
Birincisi, önyargısız tarafsız sorular sorun. "Uzaktan çalışma daha iyi değil mi?" yerine "Uzaktan çalışma ile ofis çalışmasının üretkenliğini karşılaştırın" kullanın.
İkincisi, nesnel yargıyı zorlamak için bir değerlendirme ölçütü (rubric) kullanın. Yapay zekanın özgeçmişinize veya iş planınıza bakmasına izin vermeden önce, bir puanlama standardı sağlayın (örn. Karakterler 25 puan / Konu 25 puan) ve onu madde madde puanlamaya zorlayın.
Üçüncüsü, veri analizi sorularına önyargı eklemekten kaçının. "Tüm olumlu performans göstergelerini bulmak için verileri analiz et" yapay zekanın yalnızca olumluya bakmasını sağlar; "Verileri nesnel olarak analiz et" her iki tarafa da bakmasını sağlar.
Dördüncüsü, "A, B'den daha iyi değil mi?" yerine "iki seçeneğin artılarını ve eksilerini listeleyin" kullanın. Her iki seçeneği de sunmak, modelin hangisinin kazanmasını istediğinizi bilmesini engeller.
Yazma Sanatı: Aşamalı Taslak Çıkarma + Nesnel Değerlendirme Ölçütleri
OpenAI verileri, ChatGPT konuşmalarının %24'ünün yazma amaçlı olduğunu ve bunun en büyük tek kullanım alanı olduğunu gösteriyor. Bunun üçte ikisi mevcut metni düzenlemekle ilgilidir, sıfırdan başlamakla değil. Modül 2, "yapay zeka çıktısından" (AI slop) nasıl kaçınılacağına çok zaman ayırıyor.
Yapay Zeka Çıktısının 4 Özelliği: tirelerin aşırı kullanımı, "nüanslı", "derinlemesine incelemek" (delve) ve "sağlam" (robust) gibi yüksek frekanslı kelimeler, üçlü listeler ve boş "X değil Y" cümle yapıları. İlginç bir şekilde, insanlar yapay zekayı taklit etmeye başladı; "delve" kelimesi podcast'lerde ve konuşmalarda önemli ölçüde arttı.
Andrew Ng'in çözümü Aşamalı Taslak Çıkarma (Progressive Outlining) yöntemidir:
Adım 1: Yapay zekanın önce bir taslak oluşturmasını sağlayın (gövde metni yok).
Adım 2: Geri bildirim verin ve tatmin olana kadar yineleyin.
Adım 3: Taslağı madde işaretlerine genişletin.
Adım 4: Madde işaretleri hakkında geri bildirim verin ve yineleyin.
Adım 5: Son olarak, yapay zekanın tam metni yazmasına izin verin.
Neden işe yarar: taslak aşamasında bir cümleyi değiştirmek, tüm bir bölümün yeniden yazılması anlamına gelir ve bu da yüksek kaldıraç sağlar. Yapay zeka tarafından yazılmış bir taslağı kelime kelime düzenlemek verimsizdir ve genellikle "yapay zeka çıktısı" tadını bozulmadan bırakır.
Düzenleme için gelişmiş bir ipucu, Değerlendirme Ölçütü + Çapraz Model Eleştirisidir (Rubric + Cross-model Critique). Yapay zekadan bilim kurgu romanınız hakkında geri bildirim isterseniz, genellikle "harika" der. İkili alt maddeleri olan bir değerlendirme ölçütü verin (örneğin, "Kahramanın bir hedefi var mı?"), ve nesnel olmaya zorlanır. Önce puanlama yapıp sonra toplamak, toplam bir puan seçip sonra onu gerekçelendirmekten çok daha güvenilirdir.
Çapraz model eleştirisi, ChatGPT tarafından yazılmış bir makaleyi alıp incelemesi için Gemini'ye vermek veya tam tersini yapmaktır. Farklı modellerin farklı önyargıları vardır; karşılıklı inceleme, tek bir modelin kendi kendini değerlendirmesinin gözden kaçıracağı sorunları yakalayabilir.
Çoklu Ortam + Vibe Kodlama: Görseller, Kod ve Veri Analizi
Modül 3, çoklu ortam (multimodality) konusuna geçiyor. Üretim maliyet gradyanını anlamak anahtardır: metin en ucuzudur, konuşma biraz daha pahalıdır, görseller saniyeler alır ve birkaç sente mal olur ve video en pahalıdır ve hala gelişmektedir.
Görsel Giriş Yetenekleri: Andrew Ng, bir beyaz tahta üzerinde kafasının "konvolüsyonel" (convolutional) kelimesini engellediği bir CNN çizimi gösterdi, ancak yapay zeka yine de doğru tahmin etti. Ancak, ince tanıma başarısız olabilir; yapay zekadan belirli bir spor salonu ekipmanını uzaktan tanımlamasını istemek genellikle kendinden emin hatalarla sonuçlanır. Makbuzları ve el yazısını iyi işler, ancak yüksek riskli görevler iki kez kontrol edilmelidir.
Görsel oluşturma, bir görüntüyü aynı anda gürültüden geri yükleyen yayılma modellerini (diffusion models) kullanır, bu da garip eller veya tutarsız karakterler gibi sorunlara yol açar. Nano Banana gibi yeni modeller bunun çoğunu düzeltti. Pratik bir ipucu: bir görsel yönlendirmesi yazamıyorsanız, bir metin yapay zekasının sizin için bir tane yazmasına izin verin; otomatik olarak sahne, karakter ve stil ayrıntıları ekleyecektir.
Andrew Ng'in en ilginç uygulaması, 7 yaşındaki kızı Nova'nın doğum günü pastası içindi. Nano Banana'yı kullanarak bir kedi pastası görseli oluşturdu ve gerçek bir 3D pasta yapması için bir pastacıya verdi. Burada yapay zeka, nihai varış noktası değil, bir beyin fırtınası ortağı olarak hareket ediyor.
Vibe Kodlama (Vibe Coding), Modül 3'ün diğer yarısıdır. Tek bir yönlendirme, yapay zekanın tam bir web uygulaması yazmasını sağlayabilir. Kurs laboratuvarı 5 örnek içerir: bir havai fişek gösterisi, bir renk paleti seçici, bir Pomodoro zamanlayıcı, bir yemek maliyeti hesaplayıcı ve hava durumuna göre kıyafet seçici. Her biri, bir cümleden oluşturulan küçük bir araçtır.
Oluşturma için standart üç parçalı yönlendirme: hedefi belirtin (ne yapılacağı), girdiyi (kullanıcının nasıl etkileşime girdiği) ve çıktıyı (programın ne görüntülediği).
Kod yeteneği, veri analizine kadar uzanır. Satış verilerini yapay zekaya yükleyin ve "hangi ürünlerin en büyük aylık satış değişikliklerine sahip olduğunu göster" diye sorun. Bir kod çalıştırma aracını çağıracak, değişiklikleri hesaplamak için Python yazacak, anormallikleri belirleyecek ve grafiği çizecektir. Yapay zeka, saatlerce sürecek veri analizini dakikalar içinde gerçekleştirebilir.
Sonuç
Andrew Ng'in kursunun temel argümanı şudur: 2026 yapay zekası artık 2022'nin sohbet robotu değildir. Dakikalarca akıl yürütebilir, 750 bin kelimelik bağlamı okuyabilir, paralel olarak düzinelerce sayfada arama yapabilir ve görseller, kod ve verileri işleyebilir. Ancak çoğu insan hala onu 2022 yöntemleriyle (kısa yönlendirmeler ve Google tarzı sorular) kullanıyor, bu nedenle yalnızca 2022 seviyesinde çıktı alıyorlar.
Kullanımınızı 4 yüksek yatırım getirili eylemle yükseltin: bol miktarda bağlam sağlayın, dalkavukluğu önlemek için değerlendirme ölçütleri/tarafsız sorular kullanın, yazma için aşamalı taslak çıkarmayı kullanın ve karmaşık görevler için "ultrathink" kullanın.
Tam kurs bağlantısı: learn.deeplearning.ai/courses/ai-prompting-for-everyone (DeepLearning.AI üzerinde ücretsiz, 21 ders, tamamlanması ~2 saat).
