Yapay Zeka Nasıl Çalışır? Makine Öğrenimi ve Sinir Ağları
Algoritmaların kalıpları keşfetmesinden yapay sinir hücrelerine, hata düzeltmeden ChatGPT ve Claude gibi dil modellerinin mimarisine eksiksiz rehber.
Her gün kullandığımız sesli asistanlar, yüz tanıma sistemleri, otonom araçlar ve karmaşık metinler üreten büyük dil modelleri (LLM)... Birçok insan için yapay zeka (AI) sihirli bir kara kutu veya düşünen bir insan zihni gibi görünür. Oysa kaputun altına baktığımızda yapay zeka; insan beyninin çalışma prensiplerinden ilham alan istatistik, lineer cebir ve olasılık matematiğinin muazzam bir orkestrasyonudur.
"Geleneksel yazılım bir yemek tarifidir: Bilgisayara hangi adımı nasıl atacağını siz söylersiniz. Yapay zeka ise mutfağa binlerce bitmiş yemek koyup, tarifin ne olduğunu bilgisayarın kendi kendine çıkarmasını sağlamaktır."
1. Temel Paradigma Değişimi: Klasik Kodlama vs. Makine Öğrenimi
Yapay zekanın mantığını anlamak için yazılım tarihindeki en büyük kırılmayı kavramak gerekir:
- Formül: Kural + Veri = Çıktı
- Yazılımcı her olasılığı kodlar: "Eğer resimde iki sivri kulak, bıyık ve pati varsa bu bir kedidir." (Kural karmaşıklaştıkça sistem çöker).
- Formül: Veri + Çıktı = Kurallar (Model)
- Algoritmaya 1 milyon adet kedi fotoğrafı ve 1 milyon adet kedi olmayan fotoğraf verilir. Algoritma pikseller arasındaki matematiksel desenleri analiz ederek "kediliği" tanımlayan kuralları kendi kendine inşa eder.
2. Makineler Nasıl Öğrenir? 3 Ana Yöntem
- Gözetimli Öğrenme (Supervised Learning): Sisteme etiketli veriler verilir (Örn: "Bu röntgen zatürre, bu röntgen sağlıklı"). Model doğru cevapları görerek tahmin yeteneğini geliştirir.
- Gözetimsiz Öğrenme (Unsupervised Learning): Sisteme etiket verilmez; yalnızca devasa veri yığını verilir. Model verileri benzerliklerine göre gruplar (Örn: Müşteri satın alma alışkanlıklarının kümelenmesi).
- Pekiştirmeli Öğrenme (Reinforcement Learning): Model bir ortamda (örneğin bir satranç oyununda) deneme yanılma yapar. İyi hamlelerde "ödül", kötü hamlelerde "ceza" puanı alarak en yüksek skora ulaşacak stratejiyi öğrenir (AlphaGo bu yöntemle dünya şampiyonunu yendi).
3. Yapay Sinir Ağları (YSA) ve Derin Öğrenme
İnsan beynindeki yaklaşık 86 milyar biyolojik nöronun elektriksel sinyallerle iletişim kurması, bilgisayar bilimcilerine Yapay Sinir Ağları'nı (Artificial Neural Networks) tasarlama ilhamı verdi:
- Girdi Katmanı (Inputs): Verinin (resimdeki pikseller, ses dalgaları veya kelimeler) sisteme girdiği ilk kapı.
- Ağırlıklar (Weights) ve Sapmalar (Biases): Her bağlantının bir önemi (katsayısı) vardır. Model öğrendikçe bu ağırlıkları ayarlar (bir müzik mikserinin düğmelerini çevirmek gibi).
- Gizli Katmanlar (Hidden Layers - Derin Öğrenme): Arada yüzlerce katman yer alır. İlk katman düz çizgileri, sonraki katman yuvarlakları, daha üst katmanlar göz ve burun şeklini, en son katman ise tüm yüzü algılar. "Derin" öğrenme denmesinin sebebi bu katmanların derinliğidir.
- Geriye Yayılım (Backpropagation) & Gradyan İnişi: Model yanlış tahmin yaptığında (Örn: Köpeğe kedi dediğinde), aradaki hata payı geriye doğru hesaplanır ve tüm nöronların ağırlıkları küçük adımlarla düzeltilir. Milyonlarca denemeden sonra hata sıfıra yaklaşır.
4. ChatGPT ve Claude Nasıl Çalışır? (Transformer Devrimi)
2017 yılında Google araştırmacılarının yayımladığı "Attention Is All You Need" makalesiyle doğan Transformer mimarisi, modern üretken yapay zekanın temel taşıdır:
- Tokenizasyon: Girilen cümleler küçük hece veya kelime parçalarına ("token") ve çok boyutlu uzayda sayısal koordinatlara (vektörlere / embedding) dönüştürülür.
- Self-Attention (Öz-Dikkat): Model bir kelimeyi okurken cümledeki diğer tüm kelimelerle olan anlamsal bağını tartar. Örneğin "Banka oturdum" cümlesindeki 'bank' ile "Bankadan para çektim" cümlesindeki 'bank' kelimelerinin farklı anlamlara geldiğini çevrelerindeki kelimelerden anlar.
- Olasılıksal Tahmin: Model aslında "düşünmez"; sadece kendisine verilen metin bağlamında gelmesi en mantıklı ve yüksek olasılıklı bir sonraki kelimeyi seçer. Trilyonlarca kelimelik internet verisiyle eğitildiği için bu tahminler insan dehası düzeyinde mantıklı ve akıcı görünür.
Sıkça Sorulan Sorular
Büyük dil modelleri bir arama motoru veya gerçeklik veritabanı değildir; istatistiksel bir metin tahmin motorudur. Doğruluğu değil, kulağa en ikna edici gelen dilsel akışı hedefler. Eğitildiği verilerde net bir cevap bulamadığında matematiksel olasılıkları birleştirerek tamamen yanlış bilgileri son derece kendinden emin bir dille üretebilir.
Evet. Kodlama dilleri kesin kurallara, sentaksa ve mantığa sahip biçimsel diller olduğu için yapay zekanın en başarılı olduğu alanların başında gelir. GitHub ve açık kaynak projeler üzerindeki milyarlarca kod satırını analiz eden modeller, yazılımcıların isteklerini anında çalışan kod bloklarına dönüştürebilmektedir.