Videolara dön

Yapay Zeka Nasıl Düşünüyor?

320 B görüntülenme13.08.2026

Videonun ötesi

Derinlemesine

Özet

Video, bir yapay zekaya komut gönderdiğinizde 'Enter' tuşuna bastığınız andan itibaren perde arkasında neler olduğunu adım adım anlatıyor: promptunuzun sistem promptu, araçlar, hafıza dosyaları ve sohbet geçmişiyle birleştirilip token'lara bölünmesi, modelin bu sayı dizisinden bir sonraki token'ı olasılıklarla tahmin etmesi ve bu işlemin ağırlık matrisleri üzerinden defalarca tekrarlanması. Ayrıca modeller (Fable, Opus, Sonnet, Haiku) arasındaki farkın farklı parametre setlerinden kaynaklandığını, efor/mantıklama seviyesinin ne işe yaradığını ve yanlış cevap alındığında model mi yoksa efor mu yükseltmek gerektiğini pratik örneklerle açıklıyor.

Terimler

  • Sistem promptu

    Modelin nasıl davranması gerektiğini belirleyen, Anthropic veya OpenAI gibi şirketlerce yazılmış, çoğu zaman on binlerce kelimelik kurallar seti.

  • Tokenizer (jetonlaştırıcı)

    Uzun metin paketini token dediğimiz küçük kelime parçacıklarına bölen dönüştürme algoritması.

  • Token (jeton)

    Metnin bölündüğü, sözlükte bir kimlik numarasına karşılık gelen küçük kelime parçacığı.

  • Sözlük

    Tokenlaştırma algoritmasının, her token'ı bir kimlik numarasıyla eşleştirdiği veritabanı.

  • Embedding (gömme)

    Kelimelerin birbirlerine göre ilişkilerini modelin anlamasını sağlayan dönüşüm.

  • Attention (dikkat)

    Token'ların kullanıldıkları bağlam dahilinde ne anlama geldiğini modelin anlamasını sağlayan dönüşüm.

  • Ağırlık / Parametre

    Yapay sinir ağındaki her nöronun temsil ettiği, bir çarpım işlemindeki katsayıdan ibaret sayısal değer.

  • Yapay sinir ağı (nöral ağ)

    Nöronlardan (nod) oluşan ve modelin bilgisini ağırlıklarında saklayan yapı.

  • Nöron (nod)

    Sinir ağındaki, bir ağırlık değeri taşıyan temel hesaplama birimi.

  • Vektör (ok)

    Promptu kodlayan sayıların dönüşümlerden geçirilerek çevrildiği yüksek boyutlu sayı dizisi.

  • Matris

    Milyarlarca/trilyonlarca ağırlığın oluşturduğu çok boyutlu sayı dizisi.

  • Olasılık dağılımı

    Modelin, sözlükteki token'lara atadığı seçilme olasılıklarının bütünü.

  • Örnekleme (sampling)

    En yüksek olasılıklı token'ı seçmek yerine belli istatistiki kurallar çerçevesinde token seçme yöntemi.

  • Inference (çıkarım)

    Model ağırlıklarının değişmediği, komuta karşılık cevap üretilen; modelin yeni bir şey öğrenmeden mevcut parametreleriyle çıkarım yaptığı işlem.

  • Bilgi kesim tarihi

    Modelin eğitildiği verinin bittiği ve sonrasındaki olaylardan bihaber olduğu tarih.

  • Halüsinasyon

    Modelin, linguistik olarak makul görünen ama gerçekle örtüşmeyen token'lara gerekenden fazla olasılık atayıp uydurma bir cevap üretmesi.

  • Steering (yönlendirme)

    Promptu değiştirerek modelin ürettiği sonucu değiştirebilme.

  • Bağlam penceresi

    Sohbet geçmişinin tamamının veya bir kısmının komuta eklenebilmesini belirleyen sınır.

  • Cacheleme

    Modern sistemlerin hesaplama adımlarını basitleştirmek için kullandığı ön belleğe alma yöntemi.

  • Spekülatif dekodlama

    Token üretim adımlarını hızlandırmak için kullanılan basitleştirme yöntemi.

  • Düşünme tokenları

    Yapay zekanın her hamlesinden önce ne yapması gerektiğine karar vermek için ürettiği token'lar.

  • Araç çağırma tokenları

    Modelin, internete bağlanmak gibi araçları çağırıp kullanmak için ürettiği token'lar.

  • Çıktı tokenları

    Düşünme, araç çağırma ve nihai cevap token'larının aynı şekilde üretilen ortak adı.

  • Durma politikası

    Modelin hangi noktada tatmin edici bir cevaba ulaştığına karar verip durmasını belirleyen mekanizma.

  • Efor / Reasoning level (mantıklama seviyesi)

    Modelin cevabı üretmeden önce ne kadar titiz davranacağını, ne kadar plan yapıp araç kullanacağını ve ne zaman duracağını belirleyen tercih.

  • Skill (yetenek) dosyaları

    Yapay zekanın belirli bir işe uygun davranmasını sağlayan yetenek dosyaları.

  • Kapalı ve açık ağırlıklı sistemler

    Model parametrelerinin (ağırlıkların) kapalı ya da açık erişimli olmasına göre ayrılan sistemler.

  • GPU (grafik kartı)

    Çarpma işlemlerini yapmakta çok iyi olduğu için yapay zeka hesaplamalarında kullanılan işlemci.

  • Hafıza dosyası (Claude.md / Memory.md)

    Modelin kullanıcı ve projesi hakkında bildiklerini ve tercihleri içeren dosya.

Doğru Bilinen Yanlışlar

  • Yapay zekaya komut verdiğinizde işlenenin sadece sizin komutunuz olduğu sanılır; oysa komut çok daha büyük bir metne çevrilir.
  • Token'ların Türkçe/İngilizcedeki heceler ve kelimelerle aynı kurallarla bölündüğü sanılır; oysa 'Merh' ve 'aba!' gibi standart olmayan parçalara ayrılabilir.
  • Daha üst bir model seçmenin, modelin sorunuza daha çok çaba harcayacağı anlamına geldiği sanılır; oysa bunu belirleyen asıl şey efor seviyesidir.
  • Her zaman extra-high veya max gibi en yüksek efor seviyesini seçmenin daha iyi olduğu sanılır; oysa gündelik işler için varsayılan seviye genelde en verimlisidir.
  • Modelin gönderdiğiniz komuttan bir şey öğrendiği veya ağırlıklarının değiştiği sanılır; oysa ağırlıklar iki eğitim arasında sabit kalır, sadece okunur.
  • Yanlış cevap alınınca her zaman daha yüksek bir model seçmek gerektiği sanılır; oysa bazen sorun prompt/yönlendirmede veya efor seviyesindedir.
  • Sabit parametreler yüzünden komutunuzun önemsiz olduğu sanılabilir; oysa komut, çarpıma girecek sayı dizisini belirlediği için sonucu doğrudan etkiler.

Sorular

  • Bir yapay zekaya komut gönderip 'Enter'a bastığınızda tam olarak neler oluyor?
  • Girdiğiniz komut işlenmeden önce hangi metinlerle birleştiriliyor?
  • Tokenizer ne yapar ve token'lar ne işe yarar?
  • Yapay zeka bir sonraki kelimeyi/token'ı nasıl tahmin ediyor?
  • Modelin 'bildiği' şeyler nerede saklıdır?
  • Ağırlıklar ve parametreler nedir?
  • Inference (çıkarım) ne demektir ve model komutunuzdan öğrenir mi?
  • Yapay zeka bilgi kesim tarihinden sonraki olayları nasıl doğru cevaplayabiliyor?
  • Halüsinasyon nedir ve neden olur?
  • Fable, Opus, Sonnet, Haiku gibi modeller arasında ne fark var?
  • Efor / mantıklama seviyesi ne işe yarar ve nasıl belirlenmeli?
  • Yanlış veya yanıltıcı cevap alınca modeli mi yoksa efor seviyesini mi yükseltmeliyiz?

Ön Bilgiler

  • Temel yapay zeka ve büyük dil modeli kavramı
  • Yapay sinir ağları hakkında temel bilgi ('ChatGPT Her Şeyi Nasıl Bilebiliyor?' videosunda anlatılan)
  • Model eğitiminin temel mantığı ('DeepSeek' videosunda anlatılan)
  • Temel matematik (çarpma, katsayı, vektör ve matris kavramı)
  • Claude / ChatGPT gibi araçların arayüzüne aşinalık

Tarihsel Bağlam

  • Güçlü grafik kartlarının yapay zeka çarpma işlemleri için aranması sonucu yaşanan GPU fiyat krizi
  • Modellerin bilgi kesim tarihlerinin 2026 başları/ortaları civarına gelmesi
  • 2026 (bilgi kesim tarihinin birçok model için 2026 başları/ortaları olduğu dönem)
  • İçinde bulunulan yapay zeka teknoloji devrimi dönemi

Kişiler

  • Çınar Ege Bakırcı

    Video açıklamasında videografi ve post-prodüksiyondan sorumlu kişi olarak belirtiliyor.

Söz takipçisi

Bu Videodaki Sözler

Bu videoda verilenler

GPT modellerinin (Terra, Luna, Sol) yakında ayrıntılı anlatılması

Dolayısıyla bir GPT kullanıcısıysanız, chatgpt.com üzerinde sadece Sol'u görüp de bu videoda bahsettiğim Terra veya Luna'yı görememiş olmak kafanızı karıştırmış olabilir. "Neden bahsediyor bu adam?" diyor olabilirsiniz. Merak etmeyin, bunları da yakında anlatacağım.

GPU fiyat krizi: Grafik kartlarının yapay zeka çarpma işlemlerindeki rolü ve yaşanan fiyat krizinin nedenleri

Sadece yan bir not olarak şunu söyleyeyim: Eskiden sırf daha iyi oyunlar oynamak için aldığımız güçlü grafik kartları, tam da bu çarpma işlemlerini yapmak konusunda çok iyi oldukları için şu anda bir GPU fiyat krizi yaşanıyor. Ama bu bir başka videonun konusu, eğer bunları kaçırmak istemezseniz kanal bildirimlerini şimdi açmayı unutmayın.

Farklı şirketlerin uzmanlık alanları, hangi iş için ne seçileceği, Cowork ve Chat sistemleri, API ile CLI arayüzleri arasındaki fark ve kapalı/açık ağırlıklı sistemler

Aslında bu videoda size farklı şirketlerin hangi konularda özelleştiğini ve hangi iş için neyi seçmeniz gerektiğini, başta söz ettiğim Cowork ve Chat gibi sistemler, API ve CLI gibi arayüzler arasındaki farkı, kapalı ve açık ağırlıklı sistemleri falan anlatacaktım; ama bu temeli vermeden bunları anlatmanın mümkün olmayacağını fark ettim, o nedenle önce bunu çektim.