Yapay zekâ sözlüğü, araç seçerken ve rehber okurken karşılaştığınız terimleri aynı yerde açıklamak için hazırlandı. Burada model, uygulama, token, hafıza ve ajan gibi sık karıştırılan kavramları kısa tanım ve kullanım örnekleriyle ayırıyoruz. Bir özelliğin İngilizce adını bilmek kadar, o özelliğin hangi sorunu çözdüğünü anlamak da önemlidir.
Liste alfabetik bir terim yığını yerine çalışma alanlarına ayrıldı. Önce temel kavramları, ardından dil modellerini, belgelerle çalışmayı, araç bağlantılarını ve üretim özelliklerini okuyabilirsiniz. Teknik ayrıntıya ihtiyaç duyduğunuzda ilgili Dijipedya rehberine geçebilirsiniz. Tanımlar sadeleştirilmiştir; belirli bir ürünün sözleşme veya teknik sınırının yerine geçmez.
Temel kavramlar
Aşağıdaki terimler yapay zekânın genel çerçevesini anlamak içindir. Aynı başlık altında anılsalar da bütün sistemler aynı yöntemle çalışmaz.[1]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| Yapay zekâ, AI, YZ | Öğrenme, tahmin, algılama veya dil işleme gibi görevleri yerine getiren yöntem ve sistemlerin genel alanı. | Bir sohbet uygulaması ile kusur tespit sistemi farklı AI örnekleri olabilir. |
| Makine öğrenmesi | Modelin örnek verilerdeki örüntülerden yararlanarak belirli bir görevi öğrenmesini sağlayan yaklaşım. | Önceki örneklerden mesaj türü sınıflandırma. |
| Derin öğrenme | Çok katmanlı sinir ağlarıyla çalışan makine öğrenmesi yaklaşımı. | Metin veya görüntüde karmaşık ilişkileri işleme. |
| Model | Veriyi işleyip görevle ilişkili çıktı üreten öğrenilmiş hesaplama yapısı. | Uygulamanın seçili dil modeli. |
| Veri kümesi | Eğitim veya değerlendirme amacıyla düzenlenmiş örnekler topluluğu. | Etiketlenmiş müşteri mesajları. |
| Etiket | Bir örnek için hedef veya açıklayıcı sınıf bilgisi. | Mesajın “iade talebi” olarak işaretlenmesi. |
Örneğin bir üründe “AI destekli” yazması size hangi modelin, hangi veriyle, hangi görevde kullanıldığını söylemez. İnceleme yaparken genel etiketi somut soruya çevirin: Hangi girdiyi kabul ediyor, ne üretiyor ve sonucu nasıl kontrol edebilirim?
Eğitim ve değerlendirme
Bu grup, modelin hazırlanmasıyla kullanıcıya yanıt vermesini ayırır. Bir belgeyi sohbete eklemek, aşağıdaki eğitim işlemlerinin hepsini yaptığınız anlamına gelmez.[1][2]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| Eğitim | Model parametrelerinin örnekler ve öğrenme yöntemiyle ayarlandığı süreç. | Dil örneklerinden örüntü öğrenme. |
| Ön eğitim | Modelin daha sonraki görevlere temel oluşturan geniş öğrenme aşaması. | Genel dil özelliklerini öğrenme. |
| İnce ayar, fine-tuning | Önceden eğitilmiş modelin ek verilerle belirli davranış veya göreve uyarlanması. | Belirli çıktı biçimine yönelik uyarlama. |
| Çıkarım, inference | Hazırlanmış modelin yeni girdiye çıktı üretmesi. | Sorunuza yanıt oluşturması. |
| Parametre, ağırlık | Eğitimde ayarlanan ve modelin hesaplamasına katılan sayısal değerler. | İndirilebilir model ağırlıkları. |
| Değerlendirme, evaluation | Modelin belirli görev ve ölçütlerle incelenmesi. | Aynı belge sorularında doğruluk kontrolü. |
| Benchmark | Ortak görev ve ölçütlerden oluşan karşılaştırma düzeni. | Modelleri aynı soru setinde sınama. |
| Aşırı uyum, overfitting | Eğitim örneklerine fazla uyup yeni örneklerde beklenen genellemeyi yapamama. | Bilinen örneklerde iyi, yeni örneklerde zayıf sonuç. |
Bir araç seçerken tek bir benchmark puanını kendi görevinizin sonucu saymayın. Örneğin kod görevindeki ölçüt, Türkçe müşteri e-postasının kalitesini doğrudan göstermeyebilir. Kendi küçük örnek setinizi hazırlayıp aynı kabul koşullarıyla karşılaştırmak, kararın dayanağını görünür hale getirir.
Dil modelleri ve metin işleme
Bu bölüm, metnin modele girmesinden yanıt oluşmasına kadar kullanılan kavramları açıklar. Daha ayrıntılı başlangıç için LLM rehberimizi okuyabilirsiniz.[2][3]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| LLM, büyük dil modeli | Çok sayıda dil örneğinden öğrenilmiş örüntülerle metin işleyip üreten model sınıfı. | Metni özetleme veya açıklama. |
| Token | Modelin işlediği metin parçası; kelimeyle bire bir eşit olmak zorunda değildir. | Bir kelimenin birkaç parçaya ayrılması. |
| Tokenizer | Metni tokenlara ve modelin kullanacağı sayısal temsile dönüştüren bileşen. | Aynı cümleyi belirli modele uygun ayırma. |
| Prompt, istem | Modele verilen görev, soru ve gerekli yönlendirme. | “Bu paragrafı üç maddeyle özetle.” |
| Sistem talimatı | Uygulamanın çalışma biçimini yönlendiren üst düzey talimat katmanı. | Yanıt biçimine ilişkin genel kurallar. |
| Girdi tokenı | İsteğin işlenmesi için gönderilen içerikle ilişkili token miktarı. | Belge ve sorunun toplam girdisi. |
| Çıktı tokenı | Modelin ürettiği içerikle ilişkili token miktarı. | Oluşturulan açıklamanın uzunluğu. |
| Transformer | Dikkat mekanizmalarını kullanan, dil modellerinde yaygın bir sinir ağı mimarisi. | Metin parçaları arasındaki ilişkileri işleme. |
Örneğin bir rehberde “daha az token kullan” önerisi görürseniz bunu “önemli bütün ayrıntıları sil” diye yorumlamayın. Görevin doğru yapılması için gereken bilgiyi koruyun; gereksiz tekrarları azaltın. Ölçüm ve maliyet hesabını token rehberimizde ayrıca anlatıyoruz.
Bağlam, hafıza ve bilgiye erişim
Bir uygulamanın konuşmayı kaydetmesi, bütün konuşmayı her yanıtta aynı biçimde kullandığını göstermez. Bu bölümdeki ayrımlar uzun belge ve uzun görevlerde özellikle önemlidir.[3][4]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| Bağlam penceresi | Bir istek sırasında modelin dikkate alabileceği içeriğin kapasitesi. | Konuşma, talimat ve belgelerin çalışma alanı. |
| Hafıza | Ürüne göre sohbetler arasında taşınan bilgi veya tercih mekanizması. | Yanıt dili tercihini koruma. |
| Sıkıştırma, compaction | Uzayan bağlamın daha kısa temsil veya özetle yönetilmesi. | Görevin durum özetini taşıma. |
| RAG | İlgili dış bilgiyi bulup üretim sürecine ekleyen yaklaşım. | Kurum belgesinden bölüm getirerek yanıt hazırlama. |
| Embedding, gömme | İçeriğin benzerlik ve arama gibi işlemler için sayısal vektörle temsili. | Benzer anlamlı belge parçalarını bulma. |
| Vektör arama | Sayısal temsillerin yakınlığından yararlanarak ilgili öğeleri arama. | Soruyla ilişkili metin parçasını seçme. |
| Grounding, kaynağa dayandırma | Yanıtın belirli veri veya kaynakla ilişkilendirilmesi. | Ürün bilgisini güncel katalogdan alma. |
| Halüsinasyon | Akıcı görünse de desteklenmeyen veya yanlış içerik üretilmesi. | Kaynakta bulunmayan tarih ekleme. |
Bir ürün kataloğunu yüklediğinizde sistemin tamamını eğittiğinizi varsaymayın. Belge bağlama eklenmiş veya gerektiğinde aranacak kaynağa dönüştürülmüş olabilir. Hangi yöntemin kullanıldığına göre sürüm, erişim ve doğruluk kontrolü değişir. Bağlam penceresi rehberimiz bu farkı örnekle açıklar.
Ajanlar ve uygulama bağlantıları
Metin üreten modelle dış sistemde işlem yapabilen iş akışı farklıdır. Bağlantı sayısının fazla olması, bütün yetkileri vermeniz gerektiği anlamına gelmez.[5][6]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| Ajan, agent | Hedef için araç kullanıp birden fazla adım yürütebilen sistem. | Belgeyi bulma, inceleme ve taslak hazırlama. |
| Araç kullanımı, tool use | Modelin tanımlı işlevi çağırarak dış bilgi veya işlemden yararlanması. | Hesaplama aracını çalıştırma. |
| API | Yazılımların tanımlanmış kurallarla haberleşmesini sağlayan arayüz. | Uygulamadan çeviri hizmetine istek. |
| MCP | AI uygulamalarını veri ve araçlara bağlamak için kullanılan açık standart. | Asistanı bir belge kaynağına bağlama. |
| Bağlayıcı, connector | Bir uygulamayı başka hizmete bağlayan bileşen veya özellik. | Dosya deposuna yetkili erişim. |
| Webhook | Belirli olay olduğunda başka adrese bildirim gönderen mekanizma. | Yeni mesaj geldiğinde iş akışını başlatma. |
Örneğin “takvimime bağlan” görevi için okunacak veriyle değiştirilecek veriyi ayırın. Boş saat bulmak, etkinlik silme yetkisini kendiliğinden gerektirmez. İş akışını tasarlarken gereken en dar erişimi ve sonucun nasıl kontrol edileceğini belirlemek, araç adını bilmekten daha önemlidir.
Açıklık ve çalışma ortamı
Bir sistemin açık, ücretsiz ve yerel olması farklı özelliklerdir. Bu sözcükleri aynı reklam ifadesi gibi kullanmak önemli koşulları gizleyebilir.[7]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| Açık ağırlık | Model parametre dosyalarının belirtilen şartlarla erişime sunulması. | Uygun dosyayı indirme. |
| Açık kaynak AI | İnceleme, kullanma, değiştirme ve paylaşma özgürlükleriyle ilişkili açıklık tanımı. | Kod, veri bilgisi ve parametreleri birlikte değerlendirme. |
| Yerel model | Kendi bilgisayarınızda veya yönettiğiniz ortamda çalıştırılan model. | Uygun donanımda dosya işleme. |
| Bulut hizmeti | İşlemin uzak hizmet altyapısında sunulduğu erişim biçimi. | Tarayıcıdan model kullanma. |
İndirilebilir bir modelin lisansını incelemeden ticari kullanıma sınırsız izin verildiğini varsaymayın. Ayrıntıları açık kaynak ve açık ağırlık karşılaştırmamızda bulabilirsiniz. Modeli yerelde çalıştırmak da kullanılan uygulamanın bütün bağlantılarını açıklamaz; çalışma ortamını ayrıca kontrol edin.
Görsel, ses ve güvenlik
Aşağıdaki kavramlar, üretilen içeriğin türüyle kökenini birbirinden ayırır. Bir görselin yapay zekâ ile üretilmesi ile yanıltıcı biçimde sunulması aynı değerlendirme değildir.[8][9]
| Terim | Sade açıklama | Kullanım örneği |
|---|---|---|
| Çok modlu, multimodal | Birden fazla veri türünü işleyebilen veya üretebilen sistem özelliği. | Görsel hakkında metinle soru sorma. |
| TTS | Yazılı metni konuşma sesine dönüştürme. | Reels senaryosunu seslendirme. |
| STT, transkripsiyon | Konuşma sesini yazıya dönüştürme. | Toplantı kaydından metin çıkarma. |
| Ses klonlama | Bir kişinin ses özelliklerini taklit eden ses üretimi. | Yetkili kişisel ses çalışması. |
| Deepfake | Kişi görüntüsü veya sesinin sentetik olarak taklit edilmesi ya da değiştirilmesi. | Söylenmemiş sözü söylenmiş gibi gösterme. |
| Köken bilgisi, provenance | Dosyanın oluşum ve işlem geçmişine ilişkin kayıt. | Üretim veya düzenleme adımlarının izlenmesi. |
| Content Credentials | İçerik kökeni ve geçmişi hakkında doğrulanabilir bilgi taşımaya yönelik sistem. | Dosyanın imza ve işlem kaydını inceleme. |
Örneğin bir videoda köken kaydı bulunması, altındaki haber açıklamasının doğru tarih verdiğini kanıtlamaz. Tersine, kayıt olmaması da otomatik olarak sahte demek değildir. Dosyanın geçmişini, paylaşımın ileri sürdüğü iddiadan ayrı inceleyin. Deepfake doğrulama rehberimiz uygulanabilir kontrol sırasını içerir.
Bu sözlükle öğrenmeye nereden başlamalı?
Yeni başlıyorsanız önce model, uygulama, prompt ve token ayrımını öğrenin. Sonra bağlam ve hafıza bölümüne geçin. API veya ajan terimleriyle karşılaşmanız, ilk günden yazılım entegrasyonu kurmanız gerektiği anlamına gelmez. Kullandığınız araçtaki somut işten başlayarak kavramları genişletebilirsiniz.
Bir terimi okuduktan sonra kendi örneğinizi yazın. “Token kelime değildir” bilgisini, kendi kısa Türkçe metninizi ilgili modelde sayarak inceleyebilirsiniz. “RAG eğitim değildir” ayrımını, güncel belgeden yanıt alma ile model uyarlamayı karşılaştırarak kavrayabilirsiniz. Öğrenme örneğini gerçek ürün sonucu diye genellemeden not etmek, kavramları daha doğru kullanmanıza yardımcı olur.
Sık sorulan sorular
AI ile yapay zekâ farklı mı?
AI İngilizce adın kısaltmasıdır; Türkçede yapay zekâ ve YZ kullanılır. Ancak bir ürünün adına AI eklenmesi belirli bir beceriyi garanti etmez.[1]
Model ile uygulama neden ayrı?
Uygulama, modelin çevresine arayüz, arama, hafıza ve araçlar ekleyebilir. Aynı modele erişen iki ürün, farklı kullanım deneyimleri sunabilir.[5]
Bu terimleri ezberlemek gerekiyor mu?
Kavramı kendi görevinizle eşleştirmek, yalnızca İngilizce karşılığını tekrarlamaktan daha kullanışlı bir öğrenme alışkanlığıdır.
Hayır. Yaptığınız görevde hangi ayrımın önemli olduğunu anlamak yeterli başlangıçtır. Bir sorunla karşılaştığınızda ilgili bölüme dönüp kavramı somut örnekle eşleştirin.
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.
- Google, Machine Learning Glossary. Bilginin alındığı tarih: 5 Kasım 2026.
- Hugging Face, Transformers Glossary. Bilginin alındığı tarih: 5 Kasım 2026.
- Anthropic, Context windows. Bilginin alındığı tarih: 5 Kasım 2026.
- Google Cloud, Retrieval-Augmented Generation. Bilginin alındığı tarih: 5 Kasım 2026.
- Anthropic, How Claude Code works. Bilginin alındığı tarih: 5 Kasım 2026.
- Model Context Protocol, Introduction. Bilginin alındığı tarih: 5 Kasım 2026.
- OSI, Open Source AI Definition. Bilginin alındığı tarih: 5 Kasım 2026.
- ElevenLabs, Capabilities overview. Bilginin alındığı tarih: 5 Kasım 2026.
- C2PA, FAQ. Bilginin alındığı tarih: 5 Kasım 2026.
