Büyük dil modeli, çok sayıda dil örneğinden öğrendiği örüntülerle metin işleyebilen ve üretebilen bir yapay zekâ modelidir. İngilizce “large language model” ifadesinin kısaltması olan LLM, ChatGPT veya Claude gibi uygulamaların arkasındaki temel bileşenlerden biridir. Ancak uygulama ile model aynı şey değildir: uygulama, modelin çevresine dosya yükleme, arama, hafıza ve başka araçlar ekleyebilir.[1]
Bu farkı anlamak, yapay zekâdan ne bekleyebileceğinizi de değiştirir. Bir uygulamanın web araması yapabilmesi, her yanıtında web aradığı anlamına gelmez. Uzun belge kabul etmesi, belgenin her ayrıntısını hatasız değerlendireceğini göstermez. Modelin dil üretme becerisiyle uygulamanın sağladığı veri ve araçları ayrı düşünmek gerekir.[2][3]
LLM ne demek, yapay zekâdan farkı ne?
Yapay zekâ geniş bir alandır; görüntü sınıflandırma, tahmin, robot kontrolü ve dil işleme gibi farklı problemleri kapsar. LLM ise bu alan içinde dille ilişkili görevlerde kullanılan belirli bir model sınıfını ifade eder. Her yapay zekâ LLM değildir; bir fotoğrafta kusur tespit eden endüstriyel sistemin sohbet edebilmesi gerekmez.[1]
Bir işletme açısından bu ayrım somut kararlar doğurur. Müşteri mesajlarını sınıflandırmak, e-posta taslağı hazırlamak ve ürün açıklamasını düzenlemek için dil modeli değerlendirilebilir. Üretim hattında milimetrik kusur tespiti ise başka veri, yöntem ve doğrulama gerektirebilir. “Yapay zekâ kullanalım” demek, hangi problemi çözeceğinizi henüz tanımlamaz.
Genel çerçeveyi yapay zekâ nedir rehberimizde bulabilirsiniz. Bu yazının odağı, dil modelinin metinle çalışırken ne yaptığı ve sonuçlarını nasıl değerlendirebileceğinizdir.
Bir metin modele nasıl girer?
İlk aşamada metin tokenizer tarafından parçalara ayrılır. Bu parçalar sayısal kimliklerle temsil edilir. Model, insanlar gibi kelimeleri gözle okuyarak değil, bu temsiller üzerinde hesaplama yaparak çalışır. Token her zaman bir kelime değildir; kelime parçası veya işaret de olabilir.[4]
“Bu e-postayı daha anlaşılır yaz” dediğinizi düşünün. İsteğin anlamı yalnızca e-postada bulunmaz. “Daha anlaşılır” ifadesi, korunması gereken bilgiler ve istediğiniz üslup da görevin parçasıdır. Alıcıyı ve amacınızı belirtmediğinizde model boşlukları kendi öğrendiği yaygın örüntülerle doldurabilir.
Bu yüzden yararlı bir istek şu ayrıntıları içerir: metnin kime gideceği, değişmemesi gereken bilgiler ve beklenen çıktı. “Müşteriye gönderilecek; teslim tarihi ve fiyatı değiştirme; kısa ve nazik iki paragraf yaz” talimatı, belirsiz bir “güzelleştir” isteğinden daha kolay değerlendirilebilir sonuç verir.
Transformer ve dikkat mekanizması ne işe yarar?
Güncel dil modellerinin önemli bir bölümü Transformer mimarisi üzerine kuruludur. 2017 tarihli “Attention Is All You Need” çalışması, dikkat mekanizmasını merkeze alan bu mimariyi ortaya koydu. Buradaki dikkat, insanın bilinçli odaklanması anlamına gelmez; girdideki parçalar arasındaki ilişkileri hesaplamak için kullanılan teknik bir mekanizmadır.[5]
Örneğin “Ayşe defteri masaya bıraktı çünkü onu sonra okuyacaktı” cümlesindeki ilişkileri değerlendirmek için kelimelerin sırasını ve birbirleriyle bağını ele almak gerekir. Bu örnek mimarinin bütün matematiğini açıklamaz; yalnızca dil işlemede tek tek sözcük listesinin neden yeterli olmadığını gösterir.
Kullanıcı olarak bu mekanizmayı bilmeniz, her yanıtın doğru olacağını varsaymanız için gerekçe değildir. Uzun ve düzgün bir açıklama, hesaplanan ilişkilerin ikna edici bir dil çıktısına dönüştüğünü gösterir; gerçek dünyadaki olayın doğrulandığını tek başına göstermez.
Eğitim ile sohbet sırasında öğrenme aynı şey mi?
Ön eğitim, modelin çok sayıda örnek üzerinden parametrelerinin ayarlandığı süreçtir. Daha sonra farklı eğitim ve uyarlama yöntemleriyle talimat izleme veya belirli görevlerdeki davranış geliştirilebilir. Kullanıcının bir sohbette belge vermesi ise genellikle o isteğin bağlamını sağlar; bu, aynı anda modelin genel ağırlıklarının yeniden eğitildiği anlamına gelmez.[1][6]
“Bundan sonra bütün dünyaya bu fiyatı söyle” diye yazmanız, modelin bütün kullanıcılar için bilgisini değiştirmez. Benzer şekilde bir ürün kataloğunu sohbete eklemek, modelin katalogdaki her satırı kalıcı olarak öğrendiğini kanıtlamaz. Konuşmaya verilen bilgiyle eğitim sırasında öğrenilen örüntüler farklı katmanlardır.
Bir şirket için uygulanabilir yaklaşım, değişen ürün bilgilerini açık ve güncel bir kaynaktan sağlamaktır. Dün geçerli olan kampanya fiyatını, bugünkü soruya yanlışlıkla taşımamak için belgede tarih ve sürüm bulunmalıdır. Sohbetin “hatırlıyor gibi” görünmesini veri yönetiminin yerine koymayın.
Model, sohbet uygulaması ve ajan nasıl ayrılır?
| Katman | Temel işlevi | Sorulacak kontrol sorusu |
|---|---|---|
| Dil modeli | İçeriği işler ve çıktı üretir | Hangi modeli kullanıyorum? |
| Sohbet uygulaması | Kullanıcı arayüzü ve ek özellikler sunar | Dosya, arama ve hafıza nasıl çalışıyor? |
| Araç bağlantısı | Dış kaynağa veya işleme erişir | Hangi veriye, hangi yetkiyle bağlanıyor? |
| Ajan iş akışı | Görev için araç kullanıp adımlar yürütebilir | Hangi işlemleri yapmasına izin verdim? |
Bir editör modelden başlık önerisi isteyebilir; uygulama ona web araması ekleyebilir; bir ajan ise bulunan kaynakları dosyaya kaydedip taslağı hazırlayabilir. Bunlar aynı deneyimin parçaları olsa da sorumlulukları farklıdır. Araç çalıştırma yetkisi, metin yazma becerisinden ayrı değerlendirilmelidir.[2]
Ajan tarafını yapay zekâ ajanları rehberimizde açıklıyoruz. Basit bir yazı taslağı için gerekmeyen hesap yetkilerini sırf özellik mevcut diye vermek zorunda değilsiniz.
Büyük dil modelleri hangi işlerde kullanılabilir?
Dil modeliyle başlayabileceğiniz işler arasında metin taslağı, sınıflandırma, açıklama, özetleme ve kod desteği bulunur. Ancak başarılı kullanım, “bu araç iyi yazıyor” demekten daha somut bir hedef gerektirir. Her iş için doğru çıktının tanımını baştan belirleyin.[1]
Bir müşteri hizmetleri örneğinde hedef, bütün soruları otomatik yanıtlamak olmak zorunda değildir. İlk aşamada mesajı iade, teslimat ve ürün bilgisi olarak ayırmasını isteyebilirsiniz. Ardından çalışan, sınıflandırmanın doğruluğunu kontrol eder. Böylece en başta bütün iletişimi devretmeden dar bir işi değerlendirebilirsiniz.
İçerik üretiminde de aynı ilke geçerlidir. Modelden “konuyla ilgili her şeyi yaz” istemek yerine, bir resmi belgedeki değişiklikleri tabloya çıkarmasını talep edin. Sonra tarih, kapsam ve sınırlamaları siz doğrulayın. Bu yöntem, metin üretimini kaynak kontrolüyle aynı şey sanma riskini azaltır.
Neden bazen doğru görünen yanlış cevap verir?
Dil üretimi ile doğruluk denetimi birbirinin aynısı değildir. Model, bir soruya uygun görünen fakat kaynakta bulunmayan ayrıntı ekleyebilir. Bu duruma çoğu zaman halüsinasyon denir. Özellikle isim, tarih, yayın başlığı ve kaynak bağlantılarında çıktının bağımsız kontrolü gerekir.[6]
Bir örnek düşünün: Elinizde üç ürünün özellik tablosu var. Modele “hangisi daha uzun pil ömrü sunuyor?” diye soruyorsunuz. Tabloda pil bilgisi yoksa kabul edilebilir yanıt “verilen belgede bu bilgi bulunmuyor” olmalıdır. Kulağa makul gelen bir saat sayısı üretmesi, yardımcı olmak yerine yanlış karar doğurur.
Çıktıyı denetlemek için iki aşama kullanabilirsiniz. Önce yanıtla birlikte dayandığı belge bölümünü isteyin. Sonra o bölümü kendiniz açıp iddiayla eşleştirin. Kaynak adının bulunması yeterli değildir; kaynağın gerçekten ilgili bilgiyi içerip içermediği önemlidir. Ayrıntılı yöntem için yapay zekâ halüsinasyonu rehberine bakabilirsiniz.
İyi bir modeli kendi işiniz için nasıl seçersiniz?
Tek bir genel sıralama yerine, düzenli yaptığınız görevlerden küçük bir deneme seti hazırlayın. Bir kısa e-posta, bir uzun belge, bir tablo ve alanınıza özgü bir soru seçin. Gerçek müşteri verilerini temizleyin. Bütün araçlara aynı girdiyi ve aynı çıktı koşullarını verin.
Ölçütleri işlemden önce yazın: Bilgileri koruyor mu? Eksik bilgi olduğunda bunu söylüyor mu? İstenen biçime uyuyor mu? Düzeltme için ne kadar müdahale gerekiyor? Yalnızca en akıcı cevabı seçmek, önemli bir sayıyı değiştiren modeli gözden kaçırmanıza neden olabilir.
Örneğin beş ürünlü bir katalogda aynı marka adının tutarlı kullanılması önemliyse bunu ayrı ölçüt yapın. Yirmi doğru cümlenin arasındaki tek yanlış fiyatı “genel olarak başarılı” diye geçmeyin. İşin riskine göre kabul sınırını siz belirlemelisiniz; bir sosyal medya başlık önerisiyle müşteri sözleşmesi aynı denetim düzeyini gerektirmez.
Başlangıç için kullanılabilir bir görev şablonu
Amaç: Verdiğim ürün notlarını müşteriye uygun açıklamaya dönüştür.
Kaynak: Aşağıdaki beş madde; başka özellik ekleme.
Korunacaklar: Ürün adı, ölçüler, teslim süresi.
Çıktı: Bir kısa paragraf ve üç madde.
Kontrol: Kaynakta bulunmayan bilgi gerekiyorsa önce sor.
Bu şablonu kendi işinize uyarlarken her alanı doldurmanız şart değildir. Asıl yararı, modelin neyi tamamlayacağını ve sizin neyi kontrol edeceğinizi görünür hale getirmesidir. Başarılı bir ilk denemeden sonra değişiklikleri tek tek yapın; kaynakla talimatı aynı anda değiştirirseniz sonucun neden farklılaştığını anlayamazsınız.
Model seçerken günlük kullanımınızın iki farklı aşamasını da deneyin: ilk yanıt ve düzeltme. Örneğin ilk taslakta yanlış bir teslim tarihi bulunduğunu belirtin, sonra yalnızca bu tarihin değiştirilmesini isteyin. Model diğer doğru alanları da değiştiriyorsa düzenleme süreci beklediğinizden fazla kontrol gerektirir. Kullanım kalitesini tek seferlik güzel bir yanıt üzerinden değerlendirmemek için bu ikinci turu deneme planına ekleyin.
Sonuçları saklarken orijinal girdiyi, model adını, tarihi ve sizin yaptığınız düzeltmeleri birlikte kaydedin. Bir ay sonra araca tekrar baktığınızda yalnızca “eskiden daha iyiydi” hissine dayanmak yerine aynı görevi yeniden çalıştırabilirsiniz. Bu kayıt, bütün modeller için bilimsel bir sıralama üretmez; sizin işinizde hangi değişikliklerin gerçekten fark yarattığını görmenizi sağlar.
Sık sorulan sorular
LLM ile ChatGPT aynı şey mi?
Hayır. LLM bir model sınıfıdır; ChatGPT bir uygulamadır. Uygulamalar modelleri dosya işleme, arama ve başka özelliklerle birlikte sunabilir. Kullanım deneyimini değerlendirirken yalnızca model adına bakmak yeterli değildir.[1][2]
LLM internete bağlı olmak zorunda mı?
Hayır. Uygun model ve donanımla yerel çalıştırma mümkündür. Ancak model dosyasını indirmek, donanım yeterliliği ve kullanılan programın bağlantıları ayrı konulardır. Ollama ve LM Studio rehberimiz bu başlangıç yolunu açıklar.
Parametre sayısı yüksek model her zaman daha mı iyidir?
Tek başına bu sayı sizin görevinizdeki kaliteyi belirlemez. Dil, görev, eğitim, çalışma koşulları ve kullanılan araçlar sonucu etkiler. Karar verirken kendi örneklerinizi kullanın ve tekrar gerektiren hataları da değerlendirmeye dahil edin.
Bir modele belge yüklemek onu eğitmek midir?
Bir belgeyi konuşmaya eklemek genellikle istek bağlamı sağlamaktır. Eğitim, hafıza, belge arama ve bağlam birbirinden farklı mekanizmalardır. Ürünün hangi özelliğini kullandığınızı bilmeden bunlara aynı adı vermeyin.[3][6]
Kaynaklar ve hazırlama notu
Bu rehber resmî belgeler ve aşağıdaki birincil kaynaklar incelenerek hazırlandı. Uygulama örnekleri Dijipedya tarafından açıklama ve karşılaştırma amacıyla kurgulandı; ölçülmüş performans sonucu olarak sunulmaz. Özellik ve plan koşulları değişebilir.
- Hugging Face, LLM Course. Bilginin alındığı tarih: 5 Kasım 2026.
- Anthropic, How Claude Code works. Bilginin alındığı tarih: 5 Kasım 2026.
- Anthropic, Context windows. Bilginin alındığı tarih: 5 Kasım 2026.
- Hugging Face, Tokenizers. Bilginin alındığı tarih: 5 Kasım 2026.
- Google Research, Attention Is All You Need. Bilginin alındığı tarih: 5 Kasım 2026.
- Hugging Face, How do Transformers work?. Bilginin alındığı tarih: 5 Kasım 2026.
