Yapay Zeka Aslında Ne Yapar? Makineler Nasıl "Akıllı" Davranıyor?

Bölüm 1 / 30 — "0'dan 100'e Yapay Zeka" Serisi

Geçen yıl bir arkadaşım bana şunu dedi: "Yahu bu ChatGPT denen şey gerçekten düşünüyor mu, yoksa çok iyi bir arama motoru mu?" Cevap vermeden önce bir an durdum. Çünkü bu soru aslında çok doğru bir yerde duruyor — ne tamamen yanlış, ne tamamen doğru. Ve bence yapay zekayla ilgili en sık yapılan hata tam da burada başlıyor: ya onu sihirli bir varlık gibi gizemli bulmak, ya da "sadece istatistik" diyerek küçümsemek.

Bu serinin amacı ne bu gizemli havayı korumak, ne de onu sıkıcı bir matematik alıştırmasına indirgemek. Otuz bölüm boyunca yapay zekanın gerçekte nasıl çalıştığını — token'lardan transformer mimarisine, GPU kümelerinden halüsinasyon riskine — sıfırdan ve dürüstçe anlatacağım. Bu ilk bölümde teknik terim yok, matematik yok. Sadece şu soruya dürüst bir giriş: Makine nasıl akıllı davranıyor?

Beyin Yorgunken Bile Yapay Zeka Çalışıyor

Sabah uyandığınızda telefonunuzu elinize alıyorsunuz. Yüzünüzü göstermeden açılmıyor — yüz tanıma. Mesaj kutusuna bakıyorsunuz, bir sürü reklam e-postası spam klasöründe — e-posta filtresi. Kahvaltı yaparken YouTube açıyorsunuz, tam da geçen hafta ilgilendiğiniz konuyla ilgili bir video öneriliyor — öneri algoritması. Arabaya bindikten sonra Google Maps güzergahı zaten trafik yoğunluğuna göre hesaplamış — trafik tahmini.

Ve siz henüz saat 8:30'dasınız.

Bunların hepsi yapay zeka. Ama hepsinin çalışma prensibi birbirinden farklı. Yüz tanıma bir görüntüdeki piksel örüntülerine bakıyor. Spam filtresi kelime örüntülerine. Öneri algoritması davranış geçmişinize. Trafik tahmini ise sensör verilerine ve tarihsel tıkanıklık örüntülerine. Ortak nokta şu: hiçbiri size "trafik fazla, öbür yoldan git" demesi için programlanmadı. Hepsi veriden öğrendi.

Bu ayrım kritik. Klasik yazılımda bir programcı her kuralı elle yazar: "Eğer e-postada 'ücretsiz hediye' yazıyorsa spam say." Ama böyle bir sistem gerçekçi değil — spamcılar yarın başka bir kelime kullanır. Yapay zeka ise farklı çalışır: ona milyonlarca e-posta gösterirsiniz, hangilerinin spam olduğunu söylersiniz, o da kendi örüntülerini çıkarır. Kuralı siz yazmıyorsunuz; makine kuralı veriden kendisi buluyor.

"Öğrenmek" Ne Demek? Bir Benzetme

İnsan yavrusu nasıl kedi tanımayı öğrenir? Kimse ona "kedi dört bacaklıdır, kulakları sivridir, kuyruğu vardır" diye bir liste vermez. Onlarca, yüzlerce kez farklı kediler görür — büyük küçük, sarı siyah, uzun tüylü kısa tüylü — ve bir süre sonra beyninde "kedi" diye bir kavram oluşur. Daha önce hiç görmediği bir kediyi de tanıyabilir hale gelir.

Makine öğrenmesi tam olarak bu prensipte çalışır. Makineye çok sayıda örnek gösterirsiniz. Her örnekte doğru cevabı söylersiniz. Makine bu örneklerden bir "model" çıkarır — yani içindeki parametreleri, ağırlıkları ayarlar. Sonra daha önce hiç görmediği bir örneği bu modelle değerlendirir.

Fark şu: İnsan beyninde ne olduğunu biz hâlâ tam olarak bilmiyoruz. Makine modelinde ise — en azından prensipte — ne olduğunu anlayabiliyoruz. Bu serinin ilerleyen bölümlerinde o "içini" açıp bakacağız.

Üç Cümleyle Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme

Bu üç terimi insanlar sıklıkla birbirinin yerine kullanıyor ama aralarında bir hiyerarşi var:

Yapay Zeka (Artificial Intelligence / AI): En geniş kavram. "Bilgisayarların insan zekasına özgü görevleri yapabilmesi" fikri. 1950'lerde ortaya çıktı. Satranç oynayan ilk programlar da "yapay zeka"ydı — ama çalışma prensibi bugünkünden tamamen farklıydı; o programlar kurala dayalıydı, öğrenmiyordu.

Makine Öğrenmesi (Machine Learning / ML): Yapay zekanın alt kümesi. "Makineye kural yazmak yerine, veriyle öğret" yaklaşımı. Bugün kullandığımız çoğu AI sistemi bu kategoride.

Derin Öğrenme (Deep Learning / DL): Makine öğrenmesinin alt kümesi. İnsan beyninden esinlenen yapay sinir ağlarını kullanan yaklaşım. ChatGPT, Stable Diffusion, yüz tanıma — bunların hepsi derin öğrenme. Neden "derin"? Çünkü bu sinir ağları çok sayıda katmandan oluşuyor; bu "derinliği" üçüncü bölümde ele alacağız.

Günlük konuşmada insanlar "AI" derken genellikle derin öğrenme tabanlı büyük modelleri kastediyor. Ama bu üç kavramı birbirinden ayırt etmek — serinin ilerleyen bölümlerinde — çok işinize yarayacak.

Makinenin "Akıllı Davranması" İle "Anlaması" Arasındaki Fark

Şimdi biraz rahatsız edici bir gerçekle yüzleşelim.

Netflix size mükemmel bir dizi öneriyor. Çok beğendiniz. Netflix diziyi beğeneceğinizi "anladı" mı? Hayır. Netflix'in sistemi, sizinle benzer izleme geçmişine sahip binlerce kullanıcının bu diziyi beğendiğini tespit etti ve istatistiksel olarak sizi de o gruba atadı. "Anlama" yok, örüntü eşleştirme var.

ChatGPT size felsefi bir soruya tutarlı, derin görünen bir yanıt veriyor. ChatGPT bu soruyu "anladı" mı? Bu sorunun cevabı, "anlama"yı nasıl tanımladığınıza bağlı — ve bu, yapay zeka araştırmacılarının hâlâ tartıştığı bir felsefe sorusu. Ama şunu kesin söyleyebilirim: ChatGPT, internetteki devasa metin verilerinden istatistiksel örüntüler öğrenmiş ve bu örüntülere göre kelime kelime yanıt üretiyor.

Bu, sistemi "sadece istatistik" diyerek küçümsemek için söylediğim bir şey değil. Tersine: bu istatistiksel örüntülerin ne kadar güçlü şeyler yapabildiği gerçekten çarpıcı. Ama "anlıyor mu, anlamıyor mu" sorusunu kafada net tutmak önemli — çünkü bu sorunun cevabı, yapay zekanın nerede başarısız olacağını da belirliyor.

Bunun pratikte ne anlama geldiğini görmek için bir örnek: ChatGPT'ye "Türkiye'nin nüfusu kaçtır?" diye sorduğunuzda güvenli bir yanıt alırsınız. Ama "2024'teki en son depremde kaç kişi öldü?" diye sorduğunuzda, modelin eğitim verisi o tarihe kadar gitmiyorsa, size yanlış ama son derece emin görünen bir yanıt üretebilir. Buna "halüsinasyon" deniyor — 9. bölümde buna ayrıntılı bakacağız.

Peki Ya "Yapay Genel Zeka"?

Sık sık duyuyorsunuz: "AGI geliyor, AGI tehlikeli." AGI — Artificial General Intelligence, Yapay Genel Zeka — bir makinenin herhangi bir entelektüel görevde insanla eşit veya üstün olması durumunu tanımlıyor.

Bugünkü sistemler AGI değil. GPT-4, Gemini, Claude — bunlar "dar yapay zeka" (narrow AI). Çok iyi oldukları şeyler var, ama sınırları da çok belirgin. Bir dil modeli size şiir yazabilir ama aynı zamanda basit bir fiziksel nesneyi kavrayamaz, öğrendikten sonra "unutur" (her sohbet sıfırdan başlar), ve eğitiminin dışındaki bilgileri üretemez — sadece onları yeniden düzenleyebilir.

AGI ne zaman gelir? Kimse bilmiyor. Bazı araştırmacılar 5 yıl diyor, bazıları 50. Ben bu konuda tahmin yürütmekten kaçınıyorum — çünkü "genel zeka"nın bile net bir tanımı yok.

Bu Seriden Ne Beklemelisiniz

Bu 30 bölümlük serinin sonunda iki şey yapabiliyor olmanızı istiyorum:

Birincisi, bir "kullanıcı" olarak AI araçlarını bilinçle kullanabilmek. Hangi araç ne için iyi, nerede yanıltıcı olabilir, prompt nasıl yazılır, çıktıya ne kadar güvenilir — bunları pratik olarak bilmek.

İkincisi, temel "mühendislik" seviyesinde çalışma prensiplerini anlamak. Token nedir, transformer mimarisi neden bu kadar güçlü, fine-tuning ne zaman gerekir, bir API'yi gerçek projeye nasıl entegre edersiniz — bunları anlayabilmek.

İkinci bölümde "makine nasıl öğrenir"e giriyoruz: veri, model ve eğitim kavramlarını sezgisel olarak ele alacağız. Matematiksel formüller olmadan, ama yüzeysel de kalmadan — gerçek mekanizmayı anlamak için yeterli derinlikte.

Abdulkadir Akyurt is a QA Engineer and Test Automation Specialist.

Follow me on Medium for more articles · Connect on LinkedIn · Instagram · X / Twitter · Visit abdulkadirakyurt.com