<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by HSD TAU on Medium]]></title>
        <description><![CDATA[Stories by HSD TAU on Medium]]></description>
        <link>https://medium.com/@hsdtau?source=rss-af3dbcbd8fcc------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Vy5MKmvl-C-QSMXWM83YBw.jpeg</url>
            <title>Stories by HSD TAU on Medium</title>
            <link>https://medium.com/@hsdtau?source=rss-af3dbcbd8fcc------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 20:46:59 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@hsdtau/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Hisse Senedi Tahmini: Bir Makine Öğrenmesi Modeli Gerçekten Geleceği Tahmin Edebilir mi?]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/hisse-senedi-tahmini-bir-makine-%C3%B6%C4%9Frenmesi-modeli-ger%C3%A7ekten-gelece%C4%9Fi-tahmin-edebilir-mi-320c0ad74552?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/320c0ad74552</guid>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Sun, 25 Oct 2026 10:17:07 GMT</pubDate>
            <atom:updated>2026-10-25T10:17:07.578Z</atom:updated>
            <content:encoded><![CDATA[<h4>Geleceği Tahmin Etmek Mümkün mü?</h4><h3>Makine Öğrenmesi Hisse Senedi Fiyatlarını Gerçekten Tahmin Edebilir mi?</h3><p>Sizce herhangi bir makineye elimizdeki hisse senedi verilerini versek, bir sonraki günün hisse senedi verilerini tahmin edebilir mi?</p><p>Bu soru, makine öğreniminin finans alanındaki rolünü anlamak için güzel bir başlangıç noktasıdır. Günümüzde oldukça fazla finansal veri üretiliyor ve makine öğrenimi, bu verilerden örüntü elde etmek için kullanılan işe yarar bir teknoloji. Ancak hisse senedi fiyatları yatırımcı davranışları, ekonomik gelişmeler gibi birçok faktörden etkilendiği için tahmin yapmak oldukça zordur.</p><p>Peki, makine öğrenmesi bu belirsizliklerin arasında nasıl çalışır ve ürettiği tahminlere ne kadar güven duyabiliriz?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/688/1*7DMYq8dJpibsxotGVNqskA.png" /><figcaption><a href="https://gemini.google.com/app?hl=tr">Figure 1: Yapay zekâ ile borsa tahmini ve piyasa belirsizliğini temsil eden sinir ağı ve grafik illüstrasyonu</a> — Görsel Kaynağı: <a href="https://gemini.google.com/app?hl=tr">Gemini</a></figcaption></figure><h3>1. Hisse Senedi Tahmini Nasıl Çalışır?</h3><p>Hisse senedi tahmini, geçmişteki finansal verilerden faydalanarak gelecekteki finansal değerleri tahmin etmeye yarayan zaman serisi problemidir.</p><p>Bu tahmin projesinde açılış, kapanış, en yüksek ve en düşük fiyatlar ile işlem hacmi gibi veriler kullanılır.</p><p>Örnek vermek gerekirse, bir model 30 günlük verileri işleyerek bir sonraki işlem gününe dair kapanış fiyatını tahmin etmeye çalışabilir. Ancak geçmişte belirli bir fiyat hareketinin gerçekleşmiş olması, aynı hareketin gelecekte de gerçekleşeceği anlamına gelmez. Bu sebeple modelin yalnızca geçmiş verilerle değil, daha önce karşılaşmadığı verilerle de değerlendirilmesi gerekir.</p><h3>2. LSTM Nedir?</h3><p>LSTM (<em>Long Short-Term Memory</em> — <em>Uzun Kısa Süreli Bellek</em>), sıralı veriler arasındaki ilişkiyi saptayabilmek için tasarlanmış tekrarlayan bir sinir ağı türüdür.</p><p>LSTM mimarisi, bilgi akışını kontrol eden kapılar aracılığıyla hangi bilgilerin korunacağına, güncelleneceğine veya unutulacağına karar verilmesine yardımcı olur. Bu özellik, geçmiş gözlemler arasındaki zamansal ilişkilerin öğrenilmesini sağlar.</p><p>Hisse senedi tahmininde LSTM, geçmiş fiyat ve işlem hacmi verilerinden yararlanarak gelecekteki bir fiyatı tahmin etmek için kullanılabilir.</p><p>Bununla birlikte, LSTM kullanarak her zaman doğru sonuç elde edeceğimizi düşünmek bizi yanıltır. Çünkü modelin performansı veri setine, eğitim sürecine ve piyasa koşullarına bağlıdır.</p><h3>3. Bir Tahmin Modeli Nasıl Oluşturulur?</h3><p>Python ve PyTorch kullanılarak geliştirilen örnek bir LSTM modeli şu adımlardan oluşabilir:</p><p>1. <strong>Veri toplama:</strong> Geçmiş hisse senedi fiyatlarını içeren bir veri seti edinilir.</p><p>2. <strong>Veri ön işleme:</strong> Eksik değerler kontrol edilir ve gerekli ölçeklendirme işlemleri uygulanır.</p><p>3. <strong>Zaman pencereleri oluşturma:</strong> Geçmiş 30 günün verileri kullanılarak sonraki günün fiyatı tahmin edilmeye çalışılır.</p><p>4. <strong>Model eğitimi:</strong> LSTM modeli, tahminleri ile gerçek değerler arasındaki farkı azaltacak şekilde eğitilir.</p><p>5. <strong>Test ve değerlendirme:</strong> Modelin tahminleri, eğitimde kullanılmamış verilerdeki gerçek fiyatlarla karşılaştırılır.</p><p>Bu süreçte verilerin kronolojik sırasını korumak ve geleceğe ait bilgilerin eğitim aşamasına sızmasını önlemek oldukça önemlidir.</p><h3>4. Modelin Başarısı Nasıl Ölçülür?</h3><p>Bir modelin tahmin üretmesi, tek başına başarılı olduğunu göstermez. Tahminlerin gerçek değerlerden ne kadar uzak olduğunu ölçmek de gerekir.</p><p>Bu amaçla iki yaygın metrik kullanılabilir:</p><p>· <strong>MAE (Ortalama Mutlak Hata):</strong> Tahminlerle gerçek değerler arasındaki mutlak farkların ortalamasını ölçer.</p><p>· <strong>RMSE (Kök Ortalama Kare Hata):</strong> Büyük tahmin hatalarına daha fazla ağırlık verir.</p><p>Ayrıca bunlarla birlikte LSTM modelini basit bir tahmin yöntemiyle karşılaştırmak da önemlidir. Örneğin, bir sonraki günün kapanış fiyatını son kapanış fiyatına eşit kabul eden bir model, karşılaştırma için temel oluşturabilir.</p><p>Böylece LSTM’nin gerçekten ek bir avantaj sağlayıp sağlamadığını daha iyi anlayabiliriz.</p><h3>5. Tahmin Yapmak, Geleceği Bilmek midir?</h3><p>Makine öğrenmesi modellerinin önemli sınırlamalarından biri, geçmişte öğrendikleri örüntülerin gelecekte değişebilmesidir.</p><p>Ayrıca aşırı öğrenme (<em>overfitting</em>) problemi, modelin eğitim verisinde başarılı görünmesine rağmen yeni verilerde başarısız olmasına neden olabilir.</p><p>Bir diğer önemli nokta ise tahmin doğruluğu ile yatırım başarısının birbirinden farklı olmasıdır. Bir modelin düşük tahmin hatasına sahip olması, mutlaka kârlı bir yatırım stratejisi oluşturduğu anlamına gelmez. İşlem maliyetleri, risk ve piyasa koşulları da değerlendirilmelidir.</p><p>Bu nedenle modeller yalnızca eğitim sonuçlarına göre değil, daha önce görmedikleri veriler üzerindeki performanslarına göre değerlendirilmelidir.</p><h3>Sonuç</h3><p>Makine öğrenmesi, geçmiş finansal verilerden yararlanarak hisse senedi fiyatlarına ilişkin tahminler üretebilir. LSTM gibi modeller, zaman serilerindeki ilişkileri öğrenmek için kullanılabilecek yöntemlerden biridir.</p><p>Ancak hiçbir modelin tahminleri kesin sonuç olarak değerlendirilmemelidir. Güvenilir bir değerlendirme için verilerin doğru hazırlanması, uygun metriklerin kullanılması ve modelin daha önce görmediği veriler üzerinde test edilmesi gerekir.</p><p><strong>Belki de asıl soru, bir makinenin geleceği tahmin edip edemeyeceği değil, ürettiği tahminlere hangi koşullarda güvenebileceğimizdir.</strong></p><h3>Kaynakça</h3><p><strong>Hochreiter, S. ve Schmidhuber, J. (1997).</strong> <em>Long Short-Term Memory.</em> Neural Computation, 9(8), 1735–1780. <a href="https://doi.org/10.1162/neco.1997.9.8.1735">https://doi.org/10.1162/neco.1997.9.8.1735</a></p><p><strong>Scikit-learn developers. (n.d.).</strong> <em>Model evaluation: Quantifying the quality of predictions.</em> <a href="https://scikit-learn.org/stable/modules/model_evaluation.html">https://scikit-learn.org/stable/modules/model_evaluation.html</a></p><p><strong>Scikit-learn developers. (n.d.).</strong> <em>TimeSeriesSplit.</em> <a href="https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.TimeSeriesSplit.html">https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.TimeSeriesSplit.html</a></p><h3>Yazar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*c_VGA_xH0TaypbVFaCmQNA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=320c0ad74552" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/hisse-senedi-tahmini-bir-makine-%C3%B6%C4%9Frenmesi-modeli-ger%C3%A7ekten-gelece%C4%9Fi-tahmin-edebilir-mi-320c0ad74552">Hisse Senedi Tahmini: Bir Makine Öğrenmesi Modeli Gerçekten Geleceği Tahmin Edebilir mi?</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekâda Arama Motoru Devrimi: RAG (Retrieval-Augmented Generation) Nedir, Nasıl Çalışır?]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2da-arama-motoru-devrimi-rag-retrieval-augmented-generation-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-98ab40bf63d1?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/98ab40bf63d1</guid>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Tue, 06 Oct 2026 17:12:50 GMT</pubDate>
            <atom:updated>2026-10-06T17:12:50.511Z</atom:updated>
            <content:encoded><![CDATA[<h4>Bilgi Getirme ile Daha Güvenilir Yapay Zekâ</h4><p>Büyük Dil Modelleri (LLM) hayatımıza girdiğinden beri oldukça etkileyici işler gerçekleştiriyor. Ancak bu modelleri kritik iş süreçlerinde kullanmaya başladığımızda bazı önemli problemlerle karşılaşıyoruz: <strong>bilgi sınırları, halüsinasyon (uydurma) riski ve kurum içi verilere erişim eksikliği.</strong></p><p>İşte tam bu noktada, günümüz yapay zekâ mimarilerinin önemli yapı taşlarından biri olan <strong>RAG (Retrieval-Augmented Generation / Getirim ile Zenginleştirilmiş Üretim)</strong> devreye giriyor.</p><p>Bu yazıda RAG mimarisinin ne olduğunu, nasıl çalıştığını, Fine-Tuning ile arasındaki farkları, karşılaşılan zorlukları ve teknolojinin geleceğini inceleyeceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*L-rUFIUzLfBoCDttWac0LQ.png" /><figcaption><a href="https://gemini.google.com/app?hl=tr">Figure 1: RAG Mimarisinde Veri Kaynakları, Bilgi Getirme ve Yapay Zekâ Modeli Arasındaki Bilgi Akışı.</a></figcaption></figure><h4><strong>1. RAG Kısaca Nedir?</strong></h4><p>RAG, bir dil modelinin yanıt üretmeden önce harici bir bilgi deposundan (örneğin bir vektör veritabanı veya şirket dokümanları) ilgili verileri bulup getirmesini (<strong>retrieve</strong>) ve bu verileri bağlam (<strong>context</strong>) olarak kullanarak daha doğru ve kanıtlanabilir yanıtlar üretmesini (<strong>generate</strong>) sağlayan hibrit bir mimaridir.</p><p><strong>Açık Kitap Sınavı Metaforu</strong></p><p>RAG’in çalışma mantığını daha kolay anlamak için bir sınav metaforu kullanabiliriz:</p><ul><li><strong>Geleneksel LLM:</strong> Kapalı kitap sınavına giren bir öğrenci gibidir. Ne kadar zeki olursa olsun, yalnızca eğitim sırasında öğrendiği bilgilere dayanır.</li><li><strong>RAG destekli LLM:</strong> Aynı öğrenciye açık kitap sınavı hakkı tanımak gibidir. Öğrenci soruyu gördüğünde kütüphaneden doğru kaynağı bulur, ilgili sayfayı açar ve bilgiyi sentezleyerek cevabı kendi cümleleriyle oluşturur.</li></ul><h4><strong>2. Neden RAG’e İhtiyacımız Var? (Kök Neden Analizi)</strong></h4><p>Saf dil modelleri (GPT-4, Claude, Llama vb.) tek başlarına kullanıldıklarında temel olarak dört problemle karşılaşabiliriz:</p><p><strong>1. Zamansal Sınır (Cut-off Date)</strong></p><p>Modeller, eğitim verilerinin kapsadığı tarihten sonra gerçekleşen olaylar hakkında güncel bilgiye sahip olmayabilir.</p><p><strong>2. Özel / Kurumsal Veri Gizliliği</strong></p><p>Şirketlerin iç dokümanları, müşteri verileri veya özel API kaynakları kamuya açık eğitim setlerinde yer almaz.</p><p><strong>3. Halüsinasyon (Uydurma Bilgi) Riski</strong></p><p>LLM’ler bir bilgiye sahip olmadıklarında her zaman “bilmiyorum” demek yerine, mantıklı görünen ancak gerçekte yanlış veya uydurma yanıtlar üretebilir.</p><p><strong>4. Kaynak Gösterilememe (Explainability)</strong></p><p>Modelin ürettiği bilginin hangi dokümandan veya hangi maddeden alındığını geleneksel kullanımda takip etmek zor olabilir.</p><h4><strong>3. RAG Mimarisi Nasıl Çalışır? (Adım Adım Veri Akışı)</strong></h4><p>RAG sistemleri temelde üç ana aşamadan oluşan bir veri hattı (<strong>data pipeline</strong>) üzerinde çalışır:</p><p><strong>Dokümanlar → Chunking → Embedding Model → Vektör Veritabanı</strong></p><p><strong>Kullanıcı Sorusu → Embedding → Vektör Araması</strong></p><p>↓</p><p><strong>İlgili Bağlam (Context) + Soru</strong></p><p>↓</p><p><strong>LLM → Nihai Yanıt</strong></p><p><strong>Adım 1: İndeksleme (Indexing)</strong></p><p><strong>Doküman Parçalama (Chunking):</strong><br> PDF, Markdown veya SQL verileri anlamlı ve daha küçük metin bloklarına (örneğin 512 token’lık parçalar) bölünür.</p><p><strong>Vektörleştirme (Embedding):</strong><br> Her bir metin parçası, Text Embedding modelleri (örneğin OpenAI text-embedding-3, BGE veya Cohere) kullanılarak yüksek boyutlu matematiksel vektörlere, yani sayı dizilerine dönüştürülür.</p><p><strong>Depolama:</strong><br> Bu vektörler; Pinecone, Weaviate, Chroma, Qdrant veya FAISS gibi vektör veritabanlarına indekslenir.</p><p><strong>Adım 2: Getirim (Retrieval)</strong></p><p>Kullanıcı bir soru sorduğunda, bu soru da aynı embedding modeli kullanılarak bir vektöre dönüştürülür.</p><p>Daha sonra vektör veritabanında <strong>Kosinüs Benzerliği (Cosine Similarity)</strong> veya <strong>Euclidean Distance</strong> gibi yöntemler kullanılarak soruya anlamsal olarak en yakın metin parçaları belirlenir.</p><p><strong>Adım 3: Üretim (Generation)</strong></p><p>Getirilen metin parçaları (<strong>top-k sonuçları</strong>), sistem istemi (<strong>system prompt</strong>) ile birleştirilerek modele sunulur.</p><p>Örneğin:</p><p>“Aşağıdaki bağlamı kullanarak kullanıcının sorusunu yanıtla. Eğer yanıt bağlamda yoksa uydurma, ‘Bilmiyorum.’ de.”</p><p><strong>Bağlam:</strong> Veritabanından getirilen izin politikası metni.</p><p><strong>Soru:</strong> İşe yeni başlayan bir yazılımcının kaç gün izin hakkı vardır?</p><p>Bu aşamada LLM, kendisine sunulan bağlamı kullanarak nihai yanıtı oluşturur.</p><h4><strong>4. RAG vs. Fine-Tuning: Hangi Durumda Hangisi Kullanılmalı?</strong></h4><p>Yapay zekâ projelerinde sıkça karşılaşılan RAG (Retrieval-Augmented Generation) ve Fine-Tuning (Model İnce Ayarı), farklı ihtiyaçlara yönelik iki ayrı yaklaşımdır.</p><p><strong>RAG</strong>, temel olarak modele dış kaynaklardan bilgi sağlamayı amaçlar. Belgeler, kurum içi veriler veya güncel bilgiler gerektiğinde, ilgili içerik çalışma anında getirilerek modele bağlam olarak sunulur. Bu nedenle sık güncellenen veya kuruma özel bilgilerin kullanılması gereken senaryolarda RAG daha uygun bir yaklaşım olabilir. Ayrıca kullanılan dokümanlar sistem tarafından bilindiği için yanıtların hangi kaynaklara dayandığını göstermeyi kolaylaştırır.</p><p><strong>Fine-Tuning</strong> ise modelin davranışını ve belirli görevlerdeki performansını özelleştirmeye odaklanır. Modelin belirli bir üslupta cevap vermesi, belirli bir çıktı formatını takip etmesi veya özel bir görevi daha başarılı şekilde gerçekleştirmesi istendiğinde tercih edilebilir.</p><p>Buradaki önemli nokta, RAG ve Fine-Tuning’in birbirinin doğrudan alternatifi olmak zorunda olmamasıdır. Hatta bazı projelerde iki yöntem birlikte kullanılabilir. Örneğin Fine-Tuning ile modelin belirli bir formatta cevap vermesi sağlanırken, güncel şirket bilgileri RAG aracılığıyla modele sunulabilir.</p><h4>RAG Ne Zaman?</h4><ul><li>Güncel veya sık değişen bilgilere ihtiyaç varsa</li><li>Kurum içi dokümanlarla çalışılıyorsa</li><li>Yanıtların belirli kaynaklara dayandırılması isteniyorsa</li><li>Bilgi tabanının sık güncellenmesi gerekiyorsa</li><li>Modeli yeniden eğitmeden bilgi tabanını güncellemek isteniyorsa</li></ul><h4>Fine-Tuning Ne Zaman?</h4><ul><li>Modelin belirli bir üslup veya tona sahip olması isteniyorsa</li><li>Belirli bir çıktı formatının sürekli uygulanması gerekiyorsa</li><li>Özel bir görevin model tarafından daha tutarlı şekilde gerçekleştirilmesi isteniyorsa</li><li>Modelin belirli görevlerdeki davranışını özelleştirmek gerekiyorsa</li></ul><p><strong>Altın Kural</strong></p><p><strong>Modele yeni bilgi kazandırmak istiyorsanız RAG’i; modele yeni bir yetenek, format veya konuşma tarzı kazandırmak istiyorsanız Fine-Tuning’i tercih edebilirsiniz.</strong></p><h4><strong>5. RAG Sistemlerindeki Zorluklar ve İleri Seviye Yaklaşımlar</strong></h4><p>Basit bir RAG sistemi kurmak kolay olabilir. Ancak sistemi üretim ortamına (<strong>production</strong>) taşımak daha karmaşık bir süreçtir.</p><p>Karşılaşılan başlıca problemlerden bazıları şunlardır:</p><p><strong>Garbage In, Garbage Out</strong></p><p>Arama algoritması yanlış veya alakasız dokümanları getirirse modelin doğru cevap üretmesi zorlaşır.</p><p><strong>Chunking Stratejisi</strong></p><p>Metinlerin çok küçük parçalara ayrılması anlam kaybına, çok büyük parçalara ayrılması ise gereksiz bilgi ve gürültüye (<strong>noise</strong>) yol açabilir.</p><p><strong>İleri Seviye (Advanced) RAG Yöntemleri</strong></p><p><strong>1. Hybrid Search (Hibrit Arama)</strong></p><p>Vektör tabanlı anlamsal arama ile geleneksel kelime tabanlı aramayı (BM25) birleştirerek hem anlamı hem de özel anahtar kelimeleri yakalamayı amaçlar.</p><p><strong>2. Re-Ranking (Yeniden Sıralama)</strong></p><p>Vektör aramasından dönen ilk sonuçlar, Cross-Encoder gibi ikincil bir modelden geçirilerek en alakalı sonuçlar seçilebilir.</p><p><strong>3. Agentic RAG</strong></p><p>Modelin tek bir arama yapmak yerine, bir yapay zekâ ajanı gibi kararlar alarak birden fazla adımda arama yapması ve elde ettiği verileri birleştirmesi yaklaşımıdır.</p><p><strong>4. GraphRAG</strong></p><p>Verileri yalnızca düz metin parçaları olarak saklamak yerine, varlıklar (<strong>entities</strong>) ve bunlar arasındaki ilişkileri içeren bir Bilgi Grafiği (<strong>Knowledge Graph</strong>) olarak saklayarak karmaşık ilişkisel sorulara yanıt vermeyi amaçlar.</p><h4><strong>Sonuç</strong></h4><p>RAG, yapay zekâyı yalnızca soyut bir sohbet aracından çıkararak kurumların gerçek verileri üzerinde çalışan daha güvenilir bir asistana dönüştürme potansiyeline sahip önemli bir mimaridir.</p><p>LLM teknolojileri geliştikçe RAG’in ortadan kalkması yerine, <strong>Agentic RAG ve GraphRAG gibi gelişmiş yaklaşımlarla evrilmeye devam etmesi</strong> beklenmektedir.</p><p>Kısacası RAG, yapay zekâ modellerinin güncel ve kuruma özel bilgilere erişebilmesini sağlayarak, LLM’lerin gerçek dünya uygulamalarındaki kullanım alanlarını genişleten önemli bir teknolojidir.</p><h4>Kaynakça</h4><p><a href="https://www-ibm-com.translate.goog/think/topics/rag-vs-fine-tuning?_x_tr_sl=en&amp;_x_tr_tl=tr&amp;_x_tr_hl=tr&amp;_x_tr_pto=tc">https://www-ibm-com.translate.goog/think/topics/rag-vs-fine-tuning?_x_tr_sl=en&amp;_x_tr_tl=tr&amp;_x_tr_hl=tr&amp;_x_tr_pto=tc</a></p><p><a href="https://papers.nips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html">https://papers.nips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html</a></p><p><a href="https://arxiv.org/abs/2312.10997">https://arxiv.org/abs/2312.10997</a></p><p><a href="https://aclanthology.org/2020.emnlp-main.550/">https://aclanthology.org/2020.emnlp-main.550/</a></p><p><a href="https://www.researchgate.net/publication/220613776_The_Probabilistic_Relevance_Framework_BM25_and_Beyond">https://www.researchgate.net/publication/220613776_The_Probabilistic_Relevance_Framework_BM25_and_Beyond</a></p><p><a href="https://www.microsoft.com/en-us/research/publication/from-local-to-global-a-graph-rag-approach-to-query-focused-summarization/">From Local to Global: A Graph RAG Approach to Query-Focused Summarization - Microsoft Research</a></p><h4>Yazar</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DP7VU1bhBZA-8FnfeLMbUQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=98ab40bf63d1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2da-arama-motoru-devrimi-rag-retrieval-augmented-generation-nedir-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-98ab40bf63d1">Yapay Zekâda Arama Motoru Devrimi: RAG (Retrieval-Augmented Generation) Nedir, Nasıl Çalışır?</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yenilenebilir Enerjinin Görünmeyen Beyni: Akıllı Şebekeler]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/yenilenebilir-enerjinin-g%C3%B6r%C3%BCnmeyen-beyni-ak%C4%B1ll%C4%B1-%C5%9Febekeler-c6d5842aa52a?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/c6d5842aa52a</guid>
            <category><![CDATA[smart-grid]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[renewable-energy]]></category>
            <category><![CDATA[energy]]></category>
            <category><![CDATA[engineering]]></category>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Thu, 27 Aug 2026 13:19:58 GMT</pubDate>
            <atom:updated>2026-08-27T13:19:58.593Z</atom:updated>
            <content:encoded><![CDATA[<h4><em>Güneş ve rüzgâr enerjisini yönetmek neden güçlü bir yazılım ve otomasyon gerektirir?</em></h4><p>Geleneksel elektrik şebekeleri, tek yönlü ve öngörülebilir bir düzene göre inşa edilmişti: Büyük bir termik ya da hidroelektrik santral enerjiyi üretir, yüksek gerilim hatları bu enerjiyi taşır ve son tüketici prizden çekerdi. Ancak çatı tipi güneş panelleri (GES), rüzgâr türbinleri (RES), elektrikli araçlar ve yerel enerji depolama sistemleri hayatımıza girdikçe bu tek yönlü denklem tamamen bozuldu.</p><p>Güneşin bulutların arkasında kaldığı ya da rüzgârın aniden dindiği anlarda frekans ve gerilimi nasıl sabit tutabiliriz? Ya da milyonlarca tüketicinin aynı anda üreticiye dönüştüğü çift yönlü bir akışı, şebekeyi çökertecek hatalara yol açmadan nasıl yönetebiliriz? Cevap, elektrik ile bilişim teknolojilerinin evliliği olan Akıllı Şebekeler (Smart Grids) altyapısında saklı.</p><p><strong>1. Çift Yönlü Güç Akışı ve Kararsızlık Problemi</strong></p><p>Geleneksel şebekeler tek yönlü güç iletimi için tasarlanmıştır. Yenilenebilir kaynakların entegrasyonuyla birlikte şebeke mimarisi çok kaynaklı ve çift yönlü bir yapıya evrilmiştir:</p><ul><li><strong>Kesintili Üretim:</strong> Güneş ve rüzgâr kesintisiz enerji sağlamaz. Üretimdeki ani dalgalanmalar şebeke frekansında (50/60 Hz) sapmalara yol açarak trafo ve dağıtım ekipmanlarında aşırı ısınma ya da devre dışı kalma riskleri doğurur.</li><li><strong>Tüketiciden Üreticiye Geçiş:</strong> Ev tipi güneş panelleri ve bataryalar fazla enerjiyi şebekeye geri aktarırken voltaj dalgalanmalarına sebep olabilir. Bu durum, hat parametrelerinin anlık olarak izlenip dengelenmesini zorunlu kılar.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ayePic5al--8-sv69h0kSg.jpeg" /><figcaption><a href="https://www.mdpi.com/2411-5134/4/1/22">Figure 1: Geleneksel Tek Yönlü Şebekeden Çift Yönlü Enerji ve Veri Akışına Sahip Akıllı Şebeke Mimarisine Geçiş.</a></figcaption></figure><h4><strong>2. Verinin Uçtan Merkeze Yolculuğu: SCADA, PMU ve IoT Sensörleri</strong></h4><p>Şebekenin kararlılığını sağlamak, mikrosaniye hassasiyetinde ölçüm almayı gerektirir. Akıllı şebekelerin sinir sistemini şu bileşenler oluşturur:</p><ul><li><strong>Fazör Ölçüm Birimleri (PMU — Phasor Measurement Units):</strong> Şebeke üzerindeki gerilim ve akım dalga formlarını GPS zaman damgasıyla saniyede onlarca kez örnekler. Bu sayede geniş alan izleme sistemleri (WAMS) dinamik şebeke davranışını anlık takip eder.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QLMzr6hokIQvLxHNPIqlcw.jpeg" /><figcaption><a href="https://www.mdpi.com/1996-1073/18/9/2289">Figure 2: µ-PMU Blok Diyagramı.</a></figcaption></figure><ul><li><strong>Akıllı Sayaçlar (AMI):</strong> Tüketim verilerini çift yönlü haberleşme protokolleriyle dağıtım merkezine iletir; talep tarafı yönetimini mümkün kılar.</li><li><strong>SCADA ve RTU Sistemleri:</strong> Sahadaki kesicileri, trafo kademe değiştiricilerini ve reaktif güç kompanzasyon ünitelerini uzaktan gerçek zamanlı kontrol eder.</li></ul><h4><strong>3. Tahmine Dayalı Karar Destek: Yapay Zekâ ve Dijital İkizler</strong></h4><p>Ham veriyi anlamlandırmak için yapay zekâ algoritmaları devreye girer:</p><ul><li><strong>Üretim ve Tüketim Tahmini:</strong> Makine öğrenimi modelleri; uydu verileri, anlık meteoroloji raporları ve geçmiş tüketim trendlerini işleyerek önümüzdeki saatlerin enerji profilini yüksek doğrulukla tahmin eder.</li><li><strong>Dijital İkiz (Digital Twin) Simülasyonları:</strong> Fiziksel şebekenin sanal bir kopyası üzerinde potansiyel arıza senaryoları ve aşırı yüklenme durumları önceden test edilir; kesiciler otomatik olarak yönlendirilir.</li></ul><h4><strong>4. Kendi Kendini İyileştiren Şebekeler</strong></h4><p>Akıllı şebekelerin en kritik kabiliyeti, arıza anında insan müdahalesine ihtiyaç duymadan sistemi toparlamasıdır (FLISR — Fault Location, Isolation, and Service Restoration):</p><ul><li><strong>Arıza Tespiti ve İzolasyonu:</strong> Bir hatta yıldırım düşmesi veya aşırı yüklenme kaynaklı bir arıza meydana geldiğinde, akıllı ayırıcılar saniyeler içinde arızalı bölgeyi izole eder.</li><li><strong>Yeniden Konfigürasyon:</strong> Sağlam hatlar üzerinden gücün yönü otonom olarak yeniden çizilerek kesintiden etkilenen tüketici sayısı minimuma indirilir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UpqmIR0u0huP9tVE2aQbXA.jpeg" /><figcaption><a href="https://www.researchgate.net/figure/FLISR-process-flowchart_fig3_280570571">Figure 3: FLISR Karar Akış Şeması.</a></figcaption></figure><p>Enerji dönüşümü sadece daha fazla rüzgâr türbini veya panel kurmaktan ibaret değildir; bu kaynakların ürettiği dinamik gücü milisaniyeler içinde yönetecek bir yazılım, sensör ve kontrol omurgası inşa etmektir. Akıllı şebekeler, yeşil enerjiyi kesintisiz ve güvenilir kılan görünmez mühendislik harikasıdır.</p><h3>Kaynakça</h3><p><a href="https://www.sciencedirect.com/science/article/abs/pii/S136403212030647X">https://www.sciencedirect.com/science/article/abs/pii/S136403212030647X</a></p><p><a href="https://www.mdpi.com/1424-8220/21/11/3890">https://www.mdpi.com/1424-8220/21/11/3890</a></p><p><a href="https://www.sciencedirect.com/science/article/pii/S2352484725003348">https://www.sciencedirect.com/science/article/pii/S2352484725003348</a></p><p><a href="https://digitaltwinproject.eu/digital-twins-in-my-own-home-the-technology-that-is-revolutionizing-my-daily-life/">https://digitaltwinproject.eu/digital-twins-in-my-own-home-the-technology-that-is-revolutionizing-my-daily-life/</a></p><h3>Yazar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KxF4_yOPFMQSboFEthwQZA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c6d5842aa52a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/yenilenebilir-enerjinin-g%C3%B6r%C3%BCnmeyen-beyni-ak%C4%B1ll%C4%B1-%C5%9Febekeler-c6d5842aa52a">Yenilenebilir Enerjinin Görünmeyen Beyni: Akıllı Şebekeler</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Gökyüzündeki Zekâ: İHA’larda Otonom Uçuş ve Gerçek Zamanlı Karar Mekanizmaları]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/g%C3%B6ky%C3%BCz%C3%BCndeki-zek%C3%A2-i%CC%87halarda-otonom-u%C3%A7u%C5%9F-ve-ger%C3%A7ek-zamanl%C4%B1-karar-mekanizmalar%C4%B1-185ab2c31250?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/185ab2c31250</guid>
            <category><![CDATA[drones]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[robotics]]></category>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Fri, 21 Aug 2026 17:20:19 GMT</pubDate>
            <atom:updated>2026-08-21T17:20:19.127Z</atom:updated>
            <content:encoded><![CDATA[<h4><em>İHA’ların gerçek zamanlı algılama, haritalama ve yörünge optimizasyonunun teknik anatomisi.</em></h4><p><strong>Sensör füzyonu, yerleşik yapay zekâ ve otopilot mimarileri insansız hava araçlarını nasıl dönüştürüyor?</strong></p><p>Bundan yıllar önce bir İnsansız Hava Aracı (İHA) denildiğinde akla ilk gelen şey, yer istasyonundaki bir operatörün kumandayla manuel olarak kontrol ettiği platformlardı. Günümüzde ise uydu sinyallerinin (GPS/GNSS) kesintiye uğradığı veya yoğun sinyal bozucuların bulunduğu dinamik ortamlarda; milisaniyeler içinde kendi rotasını çizen, çevresini üç boyutlu haritalandıran ve engellerden kaçınan tam otonom robotik hava sistemleri konuşuluyor.</p><p>Peki, gökyüzündeki bu platformlar insan müdahalesi olmadan nasıl karar veriyor? Sensörlerden akan gürültülü verileri kararlı bir yön ve konum bilgisine dönüştüren o mimari altyapı nasıl işliyor?</p><ol><li><strong>Karar Hiyerarşisi: Uçuş Denetleyicisi ve Yerleşik Yardımcı İşlemci Ayrımı</strong></li></ol><p>Tam otonom bir hava aracı, farklı tepki sürelerine ve hesaplama güçlerine sahip iki temel katmandan oluşur:</p><ul><li><strong>Düşük Seviyeli Uçuş Denetleyicisi (Flight Controller):</strong> Gerçek zamanlı işletim sistemleri üzerinde çalışan mikrodenetleyici tabanlı bir yapıdır. Aracın havada dengede kalmasını sağlamak, açısal hızları yönetmek ve motor sürücülerine giden sinyalleri üretmekle sorumludur. Buradaki kontrol döngüleri saniyede yüzlerce kez kesintisiz koşar.</li><li><strong>Yüksek Seviyeli Yardımcı İşlemci (Companion Computer):</strong> Yoğun işlem gücü gerektiren derin öğrenme tabanlı nesne algılama, üç boyutlu haritalama ve dinamik rota planlama algoritmalarının koştuğu yerleşik mini bilgisayardır.</li></ul><p>Yardımcı işlemci, çevresel algılama algoritmaları üzerinden <em>“engeli aşmak için sol koordinata yönel”</em> gibi üst seviye yönlendirmeler üretir; uçuş denetleyicisi ise bu hedefleri fiziksel kuvvetlere dönüştürerek motor çıkışlarını anlık olarak dengeler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gMrS89UvDXyTW3iYgANnCw.jpeg" /><figcaption><a href="https://docs.px4.io/main/en/companion_computer/">Figure 1: Otonom İHA’larda Uçuş Denetleyicisi (Flight Controller) ve Görev Bilgisayarı (Companion Computer) Arasındaki Donanım ve Haberleşme Mimarisi</a></figcaption></figure><p><strong>2. Gözleri Açmak: Sensör Füzyonu ve Genişletilmiş Kalman Filtresi (EKF)</strong></p><p>Uçuş koşullarında hiçbir sensör tek başına kusursuz değildir:</p><ul><li><strong>Denge ve Hareket Sensörleri / IMU (İvmeölçer &amp; Jiroskop):</strong> Çok hızlı veri sağlar, ancak zamanla birikimli sapma ve kayma (drift) üretir.</li><li><strong>Uydu Konumlandırma Sistemleri (GPS/GNSS):</strong> Mutlak küresel konum verir; fakat gecikmeye uğrayabilir, kapalı veya engelli alanlarda sinyalini yitirir.</li><li><strong>Barometrik ve Optik Mesafe Sensörleri:</strong> İrtifa değişimlerini takip eder, ancak hava basıncı dalgalanmalarından ve yer yüzeyinin yapısından etkilenir.</li></ul><p>Bu kısıtları aşmak adına Sensör Füzyonu uygulanır. Sistem, sensörlerin güvenilirlik ve gürültü seviyelerini sürekli tartar; Genişletilmiş Kalman Filtresi (EKF) algoritması sayesinde tüm bu verileri akıllıca harmanlayarak hava aracının gerçek hızını, yönünü ve konumunu en doğru şekilde kestirir.</p><p><strong>3. Uydu Sinyali Olmayan Ortamlarda Konumlandırma</strong></p><p>Gelişmiş bir otonom sistem, GPS koptuğunda dahi görevini sürdürebilmelidir. Bu gereksinim, Görsel Eşzamanlı Konumlandırma ve Haritalama (V-SLAM) algoritmalarıyla çözülür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O76q6oeq2hdZJw8d407pBQ.png" /><figcaption><a href="https://robocloud-dashboard.vercel.app/learn/blog/slam">Figure 2: Point Cloud verisiyle oluşturulan gerçek zamanlı 3D harita ve engellerden kaçınarak belirlenen otonom rota takibi.</a> Görselde kara aracı üzerinden örneklense de V-SLAM algoritması, İHA’larda da benzer mantıkla nokta bulutu (point cloud) oluşturarak GPS’siz ortamlarda 3B haritalama ve otonom rota planlaması sağlar.</figcaption></figure><p>Kameralardan gelen ardışık kareler üzerinden belirgin köşe ve referans noktaları ayıklanır. Kareler arasındaki bu noktaların yer değiştirmesi geometrik yöntemlerle çözümlenerek aracın uzaydaki anlık hareketi hesaplanır ve eşzamanlı olarak çevre haritası oluşturulur.</p><p>Bu yoğun görsel işlemlerin yer istasyonuna gönderilip geri alınması gecikme yaratacağından, algoritmaların tamamı hava aracı üzerindeki yerleşik işlemcilerde yerel olarak koşturulur.</p><p><strong>4. Gerçek Zamanlı Yörünge Üretimi</strong></p><p>Harita üzerinde engeller tanımlandıktan sonra rota iki aşamada planlanır:</p><ul><li><strong>Yol Arama (Global Path Finding):</strong> Graf arama algoritmaları ile engellere çarpmayan en kısa kılavuz hat belirlenir.</li><li><strong>Yörünge Optimizasyonu (Trajectory Generation):</strong> Keskin ve kırık çizgiler doğrudan motorlara aktarılamaz; zira ani yön değişimleri aşırı sarsıntı ve dengesizlik doğurur. Bu noktada Minimum Snap Yörünge Optimizasyonu devreye girer. Ani ivme değişimleri yumuşatılarak motorlardaki zorlanmalar engellenir ve aerodinamik açıdan pürüzsüz, akıcı bir uçuş çizgisi elde edilir.</li></ul><p><em>İnsansız hava platformları artık basit kontrol döngülerinden ibaret değil; algılama, çıkarım yapma ve aerodinamik optimizasyonu eşzamanlı yürüten uçan robotik sistemlerdir. Sensör füzyonunun hassasiyeti ve yerleşik işlem gücü bir araya geldikçe, otonom rota takibi ve karar alma kabiliyeti çok daha karmaşık ortamlarda kararlılıkla çalışmayı sürdürecektir.</em></p><p><strong>Kaynakça</strong></p><ol><li><a href="https://ardupilot.org/dev/docs/companion-computers.html">https://ardupilot.org/dev/docs/companion-computers.html</a></li><li><a href="https://thinkrobotics.com/blogs/learn/sensor-fusion-algorithms-in-robotics-a-complete-guide-to-enhanced-perception-and-navigation">https://thinkrobotics.com/blogs/learn/sensor-fusion-algorithms-in-robotics-a-complete-guide-to-enhanced-perception-and-navigation</a></li><li><a href="https://www.slamtec.com/en/news/detailen/visual-slam-explained-a-fast-practical-introduction-to-vslam">https://www.slamtec.com/en/news/detailen/visual-slam-explained-a-fast-practical-introduction-to-vslam</a></li><li><a href="https://awabot.com/en/visual-slam/">https://awabot.com/en/visual-slam/</a></li></ol><p><strong>Yazar</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KxF4_yOPFMQSboFEthwQZA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=185ab2c31250" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/g%C3%B6ky%C3%BCz%C3%BCndeki-zek%C3%A2-i%CC%87halarda-otonom-u%C3%A7u%C5%9F-ve-ger%C3%A7ek-zamanl%C4%B1-karar-mekanizmalar%C4%B1-185ab2c31250">Gökyüzündeki Zekâ: İHA’larda Otonom Uçuş ve Gerçek Zamanlı Karar Mekanizmaları</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekâ 101: Transformer Mimarisine Giriş]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2-101-transformer-mimarisine-giri%C5%9F-233f4db4cad2?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/233f4db4cad2</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[transformer-architecture]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[naturallanguageprocessing]]></category>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Tue, 02 Jun 2026 20:21:46 GMT</pubDate>
            <atom:updated>2026-06-02T20:21:46.397Z</atom:updated>
            <content:encoded><![CDATA[<h4>Pizzacı adisyonundan uçağın motoruna: Transformer mimarisinin sınırları, bulut maliyetleri ve yapay zekânın gelecekteki alternatif rotaları.</h4><p>Bir önceki modülde yapay zekânın istatistiksel enterpolasyonla ne kadar iyi işler çıkardığını ancak söz konusu bir şeyleri sıfırdan yaratmak olduğunda ne kadar zorlandığını konuşmuş ve bu sayede günümüzde kullandığımız yapay zekâ LLM modellerinin işleyişi hakkında bilgi sahibi olmuştuk. Ancak şunu söyleyelim, yapay zekâyı tanıma sürecinin oldukça başlarında yer alıyoruz. Çünkü yapay zekâ teknolojisinin başında olan şirketler genelde ürünlerini pazara sokarken bir adım gerilerinde kalan modelleri sunuyorlar. Yani ileride Burak AI 1.6, gibi bir yapay zekâ modeli gördüyseniz muhtemelen o şirket en kötü ihtimalle 1.7 modeli üzerine çalışıyordur. Ayrıca askeri amaçlı birçok işletme yapay zekâyı kapalı kapılar ardından sistemlerine yerel olarak entegre etmeye çalışıyor. Bu yüzden perspektifimizi daha geniş tutmalı ve yapay zekâyı tanıma sürecine devam etmeliyiz. Bu modülde yapay zekâ okyanusundaki o dalgalı sularının altına kafamızı birkaç saniyeliğine sokacağız. Nefesinizi iyi tutmanızı tavsiye ederim. Hazırsanız başlayalım.</p><h3>1. Mimari Nasıl Çalışıyor?</h3><p>Yapay zekâ bir mühendislik eseri. Dolayısıyla ihtiyaçlara göre farklı mimarilere ihtiyaç duyuluyor. Bunlardan en çok bildikleriniz elbette ki Transformer mimarileri. Günümüz teknolojisinde bulut tabanlı bütün yapay zekâ dil modelleri Transformer mimarisi kullanmaktadır. Bu transformer mimarisine daha detaylıca bakalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/470/1*kTFLPt08fGiKea-Wie9aMA.png" /><figcaption><a href="https://aws.amazon.com/tr/what-is/transformers-in-artificial-intelligence/">Figure 1</a>: Basit Bir Transformer Mimari Yapısı</figcaption></figure><p>Bir önceki yazıdan da hatırlayacağınız üzere Transformer mimarisi öyle basit bir “eşleştirme algoritması” değil. Muhteşem bir eşleştirme yeteneği olan bir baş yapıt. Bu baş yapıta daha detaylı bakacak olursak asında iki temel yapıyla oluştuğunu görüyoruz. “Kod Üretici” ve “Kod Çözücü”. Doğal olarak konumuz Makine Öğrenmesi olunca makineye istemimizi anlatabilmemiz için ona anlayabileceği bir şekilde iletmemiz gerekir. Bu spesifik alan için NLP (Doğal Dil İşleme) adı verilen bir çalışma alanıyla gerçekleşir. Burada amaç olabildiğince yapay zekânın bizi anlamasıdır. NLP uzmanları, Transformer mimarisinde kod oluşturucu ve çözücüleri yaparken olağanüstü derecede insan ihtiyaçlarına uygun şekilde sayılar üzerinden tasarlamışlardır. Peki neden numara veriyoruz? Bir veritabanında “bilgisayar” kelimesinin nelerle yan yana olduğunu anlamak için yaklaşık 100 bit mi harcamak istersiniz yoksa 1453 gibi bir ID vererek direkt olarak 4 bitle mi bulmak istersiniz? Şirketler de en hızlı ve en az maliyetli yol olarak bunu buluyor. Bunu mimarinin derinlerine girdikçe anlayacaksınız.</p><p>Mimariyi en iyi anlamanın yolu şüphesiz ki örnek vererek olacaktır. Aslında bir yapay zekâ dil modeline istem girdiğinizde bir pizza restoranında önce 1 adet karışık pizza ve daha sonrasında 1 adet vejetaryen pizza sipariş eden birisinden farksızsınız. Diyelim ki modele “Burak Ne Zaman Köşeyi Döndü?” istemini girdiniz. Model sırasıyla şu şekilde çalışacaktır:</p><h4><em>i. Konumsal Girdi Temsili</em></h4><p>Burası siparişiniz olan pizzanın adisyona yazıldığı yerdir. Sipariş verdiğinizde garson adisyona kominin anlayacağı şekilde not düşer. Adisyona “1 adet karışık pizza ve 1 adet vejetaryen pizza” yazmak yerine bazen “x1 KRSK(ö)- x1 VEGE” ya da “x1 VEGE- KRSK x1(ö)” yazar; işte aslında LLM’e girdiğiniz o istemdeki her bir kelimenin tıpkı bu mantıkta kendi içinde bir TOKEN_ID’si vardır. Bu sayede model ne demek istediğinizi anlıyor. Model burada her bir lexime’i sayıya çeviriyor. Örneğin “Burak = 756, ne = 1978, zaman = 408, köşeyi = 319, döndü = 69, ? = 0 “ olsun. Model, ilk önce buraya gelip sizin promptunuzda yer alan bütün kelimelerinizi “eş zamanlı ve paralel olarak” token_id’lere çeviriyor. Bu sayede yapay zekâ modeli olabildiğince en hızlı şekilde isteminizi daha basit bir form olan “756 1978 408 319 69 0” haline çeviriyor. Daha sonrasında konumsal kodlama algoritmasını başlatıyor.</p><h4>ii. Konumsal Kodlama Algoritması</h4><p>İşte sıra komiye geldi. Komi kâğıtta yazanı okudu ve şefe iletecek ancak şefe iletmeden önce şeften fırça yememek adına pizzalarda bir öncelik var mı onu kontrol ediyor ve sonrasında görüyor ki her iki türlü sıralama farklı da olsa parantez içerisinde ö harfini gördüğü için ilk önce karışık pizza istendiğini anlıyor. İşte isteminizdeki yer alan bütün leximeler modelin anlayacağı sayısal vektörlere dönüştürüldükten sonra bütün işlemler paralel olarak işlendiği için, isteminizdeki kelimelerin cümle içindeki sırasını (pozisyonunu) bilemez. Konumsal kodlama, her kelime vektörüne konum bilgisini sonradan ekleyerek bu sorunu çözer. Peki neden böyle bir şey yapıyoruz? Transformer mimarisinin temelinde yatan Öz-Dikkat mekanizması, doğası gereği bir küme işlemidir, bir dizi işlemi değil. Dikkat mekanizması, girdiler arasındaki ilişkiyi hesaplarken sıralamayı tamamen göz ardı eder; yani onun için AB skaler çarpımı ile BA skaler çarpımı birbirinden farksız iki durumdur. Gelin buna şöyle bir örnek verelim:</p><p>Eğer modele sadece “Yağmur Meriç’i aradı.” ve “Meriç Yağmur’u aradı.” cümlelerinin tokenlarını verirsek, model bu iki cümleyi vektör uzayında tamamen aynı şey olarak algılar. Çünkü kelimelerin birbiriyle olan etkileşimi, cümlenin neresinde durduklarından bağımsız olarak aynı sonucu verir.</p><p>Peki neden konumsal kodlamaya ihtiyaç duyarız? Çünkü dil, lineer bir zaman ekseninde akar ve sıra, yukarıdaki örnekten de göreceğiniz üzere anlamı kökten değiştirir.</p><p>Bu sorunu çözmek için, modele kelimeleri vermeden önce, her kelimenin gömülü vektörüne deterministik ve sürekli bir sinyal enjekte edilir. Bunu, farklı frekanslarda titreşen sinüs ve kosinüs dalgaları kullanarak yapılır. Bu işlem, cümlenin başındaki bir kelime ile sonundaki bir kelime arasına geometrik bir mesafe koyar. Sonuç olarak model, iki kelimenin sadece anlamsal olarak birbirine ne kadar benzediğini değil, aynı zamanda dizilim uzayında birbirlerine ne kadar yakın olduklarını da ağırlıklandırabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*gN9zP4Tvn18OVGPCNQ2NUQ.png" /><figcaption><a href="https://viveknayyar.medium.com/how-does-an-ai-read-your-sentence-lets-break-it-down-af275c239334">Figure 2</a>: <em>Örnek Bir İstemden Token Dönüşümü</em></figcaption></figure><h4><strong>iii. Kodlayıcı (Encoder) Bloğu</strong></h4><p>İşte şefe geldik. Şef istekleriniz doğrultusunda doğru malzemeleri birleştirerek pizzayı fırına verir. Mutfakta çalışmak dikkat gerektirir. Yapay zekâ da en az bir şef kadar dikkatlidir. Bu bloğun amacı girdiğiniz istemi belli bir mantık çerçevesinde değerlendirilmek adına enterpolasyondan faydalanarak anlamlandırabilmek. Bu alanda ilk çıkan ve en çok bilinen BERT yapılı kod çözücüler olduğu için BERT referans alınarak devam edilmiştir. Bu yapının içinde de iki adet alt yapı vardır. Bunlar:</p><p><strong><em>a) Çok Başlı Öz-Dikkat (Multi-Head Self-Attention)</em></strong></p><p>Model burada enterpolasyondan faydalanarak sizin girdiğiniz istemin token karşılığını kodları ile bağlam penceresi ve eğitim setindeki verilerle örtüşmesine göre tokenlar için tek tek önem ve kelime ilişkisini matematiksel olarak hesaplar. Bu işlem makine diline oldukça yakın bir dilde yapıldığı için artık oldukça hızlıdır. Peki bu nasıl mı oluyor? İşte tam olarak burada uzay işlemlerine giriyoruz. Aslında her bir token kendi içinde 4096 boyuta ayrılıyor. Bu 4096 boyut sayesinde bir token’ın başka ne tür bir anlama geleceği bilgisini bir yapay zekâ modeli bilebiliyor. Örneğin “yüz” kelimesi için düşünelim. Bu kelime bir vücut parçası olabilir; bir decimal sayı olabilir, denizde yapılan bir aktivite olabilir. Söz konusu böyle bir durumda bu tokenın her bir farklı anlamı için boyutlara anlam kaydediliyor. Ancak altını çizmek gerekir ki bu durum sadece belirli tokenlar özelinde değil hepsi için geçerlidir. Bunu öğrendikten sonra şunu söyleyebilirsiniz:</p><p>“Hadi eşsesli kelimeleri anladık da örneğin köşe kelimesi için 4096 boyut atamak mantıksız değil mi?”</p><p>Hayır, hem de hiç mantıksız değil. Çünkü size verdiğim cümle basit bir cümle değildi. Cümleyi tekrar okuyun: “Burak ne zaman köşeyi döndü?” söz konusu Burak gerçekten bir sokaktan ya da bir mekândan geçerken köşeyi fiziksel olarak dönmüş olabilir. Peki ya Burak bir memur çocuğu iken yazılımdan parayı bulup zengin olduysa? Maalesef şimdilik Burak için bu düşük bir ihtimal olsa da, yapay zekânın doğru yorumlaması adına göz ardı edilmeyecek bir durum. Başlangıçta birbirlerinden bağımsız duran “köşe” ve “dönmek” kelimelerinin yüksek boyutlu uzaydaki vektör temsilleri, ağın içindeki dikkat mekanizmaları sayesinde birbirlerinin bağlamını hesaba katar. Bu matematiksel etkileşim sonucunda, iki kelimenin vektörleri uzayda yön değiştirir ve zenginleşmek konseptini temsil eden vektör kümesine doğru kayar. Bu çevresindeki kelimelere göre şekillenen dinamik bir vektör dönüşümüdür. Ağa beslenen her bir token, ilk aşamada bir Embedding matrisi aracılığıyla yüksek boyutlu sürekli bir vektöre dönüştürülür. Buradaki 4096 boyut, ağın devasa veri setleri üzerinde eğitilirken kelimeler hakkında öğrendiği gizli özellikleri temsil eder. Bir eksen kelimenin cinsiyetini, diğer bir eksen çoğul olup olmadığını, başka bir eksen ise kelimenin teknolojiyle olan anlamsal yakınlığını kodlayabilir. Model, bu devasa koordinat sistemindeki mesafeleri ölçerek kelimeler arası anlamsal ilişkileri kurar.</p><p>Bu durum sadece böyle kinayeli cümlelerde değil aynı zamanda bağlam penceresine giren yeni değişkenlerden ötürü modelin düşünme sistemini değiştirmek için de kullanılıyor. Bu 4096 boyutlu modelleme sayeside model aslında enterpolasyon yelpazesini oldukça geniş tutuyor. Model bu 4096 boyutun içerisine aynı zamanda kullanım yeri, amacı, önemi gibi bilgileri de kaydediyor ve bu sayede daha önce hiçbir makalede kullanılmayan bir cümle kalıbını sizin isteminizin enterpolasyonunun yarattığı spektrum doğrultusunda istatistiksel eşleştirmeyle üretebiliyor. Bu direkt olarak modelin temperature değerini etkiliyor. Bu yüzden yapay zekâ ilk zamanlarında gelişirken “Attention Is All You Need.” denildi. Konuyu şimdi benzer bağlamda başka bir noktaya getirelim. Şöyle düşünün: Bir LLM modeline ödeviniz için bir metin yazdıracaksınız. Konusu ise Mustafa Kemal Atatürk’ün Sakarya Meydan Muharebesi’nde top araçlarını yönetimi olsun. Model ilk önce Atatürk’ün o dönemdeki psikolojisini yazıda hissettirebilmek için geçmişte yaşadıklarını ve o zamana kadar geçmiş olan olay akışlarını, bu durumu destekleyecek kanıt niteliğindeki belgeleri, savaş hakkındaki kaynakları topladığını ve harika bir yazı hazırladığını düşünün. Ancak bir sorun var! Ödeviniz Sakarya Meydan Muharebesinde Atatürk’ün piyadeler için taktiksel kararlarıymış. Siz de bu değişiklikle birlikte soluğu LLM’e aynı sohbet penceresinde prompt girerek aldınız. Sizce LLM yine kullanabileceğiniz bu belgeleri, kanıtları, bilgileri komple çöpe atıp bütün dikkat mekanizmasını sil baştan mı yazar yoksa oradaki birkaç token’ın yerini mi değiştirir?</p><p><strong><em>b) İleri Beslemeli Sinir Ağı (Feed-Forward Network)</em></strong></p><p>Elbette ki cevap birkaç token’ın yerini değiştirmesidir. Model daha az işlem gücü harcayarak sizin isteğiniz doğrultusunda daha öncesinde faydalandığı bilgilerin ortak olan kısımlarını alıp yeni bilgileri ekleyerek yazıyı düzenler. Bunu da az önce bahsettiğimiz Öz-Dikkat mekanizmaları kullanarak yaparlar. Bu öz-dikkat mekanizmasının yönetim işi- yani modelin dikkat katmanında ne zaman nerede düzenleme yapılması gerektiğini- ayarlayan bir de yöneticiye ihtiyaç vardır. Burada da karşımıza İleri Beslemeli Sinir Ağı geliyor. Ağın hangi kelimeye ne kadar odaklanacağını belirleyen sistem Sorgu, Anahtar ve Değer matrisleri ile tıpkı veritabanında işlem yapar gibi işlemler yapılmasına olanak sağlar. —QKV diye de bilinir- Ağ, bir kelimenin bağlamını anlamak için o kelimenin soru vektörü olan Q vektörü ile cümledeki diğer tüm kelimelerin anahtar K vektörlerinin iç çarpımını (dot product) alır. Bu cümleden 5N1K çıkarıp matematiksel olarak skorlamak gibidir. Çıkan ham skorlar, bir olasılık dağılımı elde etmek için Softmax fonksiyonundan geçirilir ve 0 ile 1 arasında ağırlıklara dönüştürülür. Son olarak bu ağırlıklar, kelimelerin değer vektörü olan V vektörleriyle çarpılır. Mimariyi ayakta tutan asıl formül şudur:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*4Sm6uD9xa7Gt7RAJ3EpGaA.png" /><figcaption><a href="https://arxiv.org/abs/1706.03762">Figure 3</a>: Scaled Dot-Product Attention Mekanizmasının Matematiksel Formülü</figcaption></figure><h4>iv. Kod Çözücü (Decoder)</h4><p>Bu yazıyı buraya kadar takip ettiyseniz eğer, kod çözücülerin temel mantık olarak kod oluşturucularının tam tersi olduğunu biliyorsunuzdur. Model dikkat mekanizmasıyla ürettiği o makine dili çıktısını bir algoritmanın insanların anladığı dile çevrilmesi gerekir. Burada da kod çözücü Decoderlar devreye girer. Kod çözücü de öz-dikkat mekanizmasını kullanır ancak sadece kendinden önceki kelimelere odaklanır. Kod çözücüler bu noktada garsonlar gibidir. Çünkü artık ortada fırından taze çıkmış bir pizza vardır ve sadece pizza “istenildiği gibi doğru olmuş mu onu kontrol eder.” Burada bahsedilmek istenen yapay zekânın kendi iç politikalarına uygun mu onu kontrol etmesidir. Bütünüyle bir model grader değildir.</p><h3>2. Transformer Mimarisinin Geleceği</h3><p>İşte Transformer mimarisi böyledir. Mimari her ne kadar kulağa güzel gelse de AGI yolunda ne kadar başarılı bir tercih olduğu büyük bir muamma. Sebebi ise daha önceki yazıdan da bahsettiğimiz üzere AGI niteliklerinden çok istatistiksel enterpolasyon için biçilmiş kaftan olması. Bu noktada yeni kütüphaneler çıkarsa durum değişebilir ancak mayıs için konuşacak olursak bu şimdilik insanların emin olamadığı belirsiz bir durumdan öteye gidemiyor.</p><p><em>Bir futbol maçında atak yapan bir takımın futbolcusu topu savunma yapan bir oyuncuya kaybettikten sonra topu kazanan oyuncunun 45 metre mesafeden kale önündeki santrafora uzun pas yapması sonucu santraforun kaleciye çalım atarak gol atması sonucu sizce hata kimdedir ve sorun nerededir?</em></p><p>Transformer mimarisi tam olarak bu noktada kullandığı istatistiksel enterpolasyonun yarattığı eşleştirme sistemi, burada veri öznelerinin eğitim setiyle eşleşmesiyle çok fazla işlem gücü harcadığı için verilerin derinlemesine birbirlerine olan etkisini tam olarak kavramakta eksik kalıyor. Bu yüzden transformer mimarisi biraz daha yüzeysel ve biraz daha kullanıcının istemi ve eğitim setine bağımlı bir halde kalmasına yol açıyor. Bu da doğal olarak yaratıcılığı baltalıyor.</p><p>Özellikle yukarıda da bahsedilen nedenlerden ötürü araştırmacılar transformer mimarisinin sınırlarına erişmesine yakın olduğunu düşünerek Transformer sonrası mimari olarak alternatifler üzerine daha da fazla araştırmalarda bulunmuş ve zaman geçtikçe bu araştırmaların da etkisiyle CNN, SNN ve GNN mimarileri hakkında daha da çok konuşmaya başlamışlardır. Sebebi ise zaman geçtikçe büyük şirketlerin gerçek hayattaki kaotik istatistiksel veri akışları, değişikliklere karşı endüstriyel ihtiyaçları daha da hızlı karşılama konusunda adı geçen bu gibi mimarilerinin daha büyük potansiyel taşıyabilecek olmaları. Ancak bu potansiyel yalnızca kendi içlerindeki yapısal özelliklerinden değil; ancak</p><p>Transformer mimarisinin üzerine eklenebilecek adaptif fiziksel gerçeklik algoritmalarıyla, PyTorch, LangChain gibi kütüphanelere meydan okuyabilecek yeni Derin Öğrenme kütüphaneleriyle mümkün. Bunun dışında adı geçen bu mimariler de salt özellik bakımından AGI yolunda tek başına yeterli değildir. Peki neden büyük şirketler “X mimarisi transformerdan daha iyi, hepimiz X’e geçelim.” demiyorlar?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/983/1*0AShZ56B6A526K-F36MAog.png" /><figcaption><a href="https://blogs.nvidia.com/blog/oracle-nvidia-accelerate-sovereign-ai-abu-dhabi/">Figure 4</a>: <em>Örnek bir GPU Sunucu Altyapısı</em></figcaption></figure><p>Çünkü bunun arkasında oldukça basit bir neden var: Maliyet! Şu anki LLM modelleri, basit bir enterpolasyon işlemiyle çözülebilecek biraz karmaşık yapıdaki tek bir problemi dahi 10 $ gibi fahiş bulut masraflarına neden olacak şekilde çözebiliyorlar ve daha iyi düşünmesini hedeflediğimiz bu GNN gibi yapay zekâ mimarileri dahi bu enterpolasyon işlemlerine bağımlılar. Bu doğrultuda karşımıza çok fazla sorun çıkıyor:</p><p>i. <strong><em>Modeller reasoning konusunda tam olarak optimize değil.</em></strong></p><p>LLM’lerin ortaya çıkışı aslında tek bir kaynak olan şirketten çıkıp yayılmaya başladı ve bu şirket doğal olarak her şeyi %100 doğrulukta yapamadı. Öyle olacak ki, bundan çok da uzun olmayan bir süre önce mevzubahis şirkette çalışıp şirketin yaptıklarını yanlış olduğunu düşünen kişiler günümüzde çok bilinen yeni bir yapay zekâ şirketini kurmuştu. O yüzden her LLM geliştiren şirket sözde “açık” olan o kapalı kutu yapay zekânın dikkat katmanlarını, reasoning yapısını geliştirip düzeltmeye devam ediyorlar. Yani uçağı uçurmadan önce motoru düzeltmemiz gerek.</p><p>ii<strong><em>. Yeterince Altyapı Yok</em></strong></p><p>Enterpolasyon işlemleri için daha optimize yazılım çözümleri yaratsak da ilerleyen zamanlarda daha karmaşık sorunları çözmek için gerekli olan GNN türü altyapıları kullanabilmek için daha çok veri merkezi daha çok sunucuya ihtiyacımız var. Bu veri merkezleri sayısı ne kadar çok olursa imkân fazlalığı ve rekabet etkisiyle bulut faturaları daha da düşecek. Ancak günümüzde bu noktada tekeli olmaya çalışan belli başlı GPU şirketleri buna ne kadar imkân verir büyük bir muamma. Yani uçak kalksa bile motoru besleyecek ucuza yağ yok.</p><p>iii<strong><em>. Etik Dışı Kullanım Riski</em></strong></p><p>Yapay zekânın çıkmasıyla birlikte siber suçlar da belirgin bir şekilde arttı. Yapay zekâyı kullanarak başka şirketlere siber saldırılar düzenleyenler, yapay zekâ ile görsel/video üretip dolandırıcılık ya da etik dışı pornografik faaliyet yürüten kişilerin ve oluşumlarla alakalı haberleri her yerde görüyoruz. Üstüne üstlük birkaç sözde yapay zekâ şirketi, başka yapay zekâ şirketlerinin modellerinin eğitim verilerini, reasoning altyapısını yine aynı modellerle yazışarak “etik dışı” şekilde elde ettiler. Bu yaptıklarına kısaca distilasyon deniyor. Durumu açıklamak adına şöyle bir örnek verebiliriz:</p><p>“Saatlerce emek ve para harcayarak gölde 10 adet balık tutuyorsunuz ve içlerinden bazılarını eleyerek satılabilir olanları kovanızda bulunduruyorsunuz. Sizin yanınızda bulunan birisi ise tek yaptığı şey sizin kovada özenle seçtiğiniz balıkları çalmak.”</p><p>Bu şirketleri SWE Benchmark gibi benchmark platformlarında SOTA mimariye sahip olan o üst seviye “modellerle kabaca en az 10 kat daha az bulut masrafıyla” sözde yarıştığını görebilirsiniz. Bunlara ek olarak yapay zekâ araçlarının askeri alanda kullanılması dahi kamuoyunda büyük bir tartışmaya neden olurken yapay zekâ şirketlerinin daha güvenli alan olarak gördükleri transformer mimarisinde devam etmeleri de oldukça makul sayılabilecek nedenlerden biri. Yani uçağı kullanacak pilottan henüz emin değiliz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*49xlIlQVcy8lj_fz8ZvKQg.png" /><figcaption><a href="https://www.swebench.com/original.html">Figure 5</a>: <em>Örnek Bir Adet SWE Benchmark Senaryosu</em></figcaption></figure><p>Bütün bunlardan ötürü ise arkada muhteşem bir endüstriyel mühendislik planlaması var.</p><p>1. Maliyetleri Düşürecek Şekilde Yazılımı Optimize Et.</p><p>2. Bu Esnada Abonelik Sistemiyle Yüksek Maliyetleri Hafiflet.</p><p>3. Etik Güvenliği Sağla.</p><p>4. Rekabet el verdiğince kar et ve sonraki adıma geç.</p><p>Birçok yapay zekâ şirketi bu 4 adımı takip ediyor çünkü işin gerçeği “bütün yapay zekâ şirketleri zarar ediyor”. Doğal olarak altyapı iyileştirmeleri ve bulut maliyetlerinden ötürü zarar ediyorlar ancak pazar payında erkenden kullanıcı gücüne sahip olmak için bunu uzun vadeli yatırım ve aboneliklerle sübvanse etmeye çalışıyorlar. Bunu yaparken rekabete çok el vermedikleri gerekçesiyle büyük bir soru işaretini doğuruyorlar; o da AI Bubble. Ancak bu durum, yazının konusu değil. İnternette rahatça bulabileceğiniz bilgiler yerine daha teknik konular üzerinde durmaya devam edeceğiz. Bu yüzden bir sonraki yazıda gelecek için oldukça merak edilen artılarıyla eksileriyle beraber GNN mimarisinden ve çalışma sisteminden devam edeceğiz.</p><h3>3. Özet</h3><p>Özetle transformer mimarisi; girdiğiniz istemdeki kelimeleri sürekli bir vektör uzayına gömen ve bu uzaydaki geometrik ilişkileri paralel matris işlemleriyle dinamik olarak güncelleyen bir istatistiksel eşleştirme motorudur. Veri yapıları üzerinde olağanüstü bir enterpolasyon yeteneğine sahip olsa da Transformer mimarileri reasoning kalitesi açısından yeterince iyi değildir. SWE Benchmark gibi zorlu, çok adımlı ilerleme gerektiren kompleks işlemlerde bu mimarinin sınırlarına halihazırda ulaşılmaktadır. Gerçek ilerleme, vektör uzaylarını salt istatistikle şişirmekle değil; donanım seviyesinde yüksek performanslı reasoning yeteneklerini geliştirecek altyapıların inşa edilmesiyle mümkün olacaktır.</p><h3>4. Kaynakça</h3><p><a href="https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/">https://aws.amazon.com/what-is/transformers-in-artificial-intelligence/</a></p><p><a href="https://h2o.ai/wiki/transformer-architecture/">https://h2o.ai/wiki/transformer-architecture/</a></p><p><a href="https://huggingface.co/learn/llm-course/chapter1/4">https://huggingface.co/learn/llm-course/chapter1/4</a></p><p><a href="https://blog.lukesalamone.com/posts/what-are-attention-masks/">https://blog.lukesalamone.com/posts/what-are-attention-masks/</a></p><p><a href="https://blog.pangeanic.com/what-are-transformers-in-nlp">https://blog.pangeanic.com/what-are-transformers-in-nlp</a></p><p><a href="https://docs.modular.com/glossary/ai/attention-mask/">https://docs.modular.com/glossary/ai/attention-mask/</a></p><p><a href="https://openreview.net/pdf?id=VTF8yNQM66">https://openreview.net/pdf?id=VTF8yNQM66</a></p><p><a href="https://arxiv.org/abs/2402.08164">https://arxiv.org/abs/2402.08164</a></p><p><a href="https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks">https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks</a></p><p><a href="https://arxiv.org/abs/1706.03762">https://arxiv.org/abs/1706.03762</a></p><h3>Yazar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UQRSFu-s1_TIDWBzhJ_zjw.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=233f4db4cad2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2-101-transformer-mimarisine-giri%C5%9F-233f4db4cad2">Yapay Zekâ 101: Transformer Mimarisine Giriş</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekâ 101: Yapay Zekâya Giriş]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2-101-yapay-zek%C3%A2ya-giris-b9445ed9e537?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/b9445ed9e537</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[agi]]></category>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Sun, 10 May 2026 21:00:16 GMT</pubDate>
            <atom:updated>2026-05-10T21:00:16.218Z</atom:updated>
            <content:encoded><![CDATA[<h4>Popüler yanlışları bir kenara bırakın; LLM mimarilerinden ARC-AGI testine, yapay zekanın teknik gerçeklerini ve limitlerini keşfediyoruz.</h4><h4><strong>1. İlerleyiş Süreci</strong></h4><p>Gün içerisinde binlerce AI içeriğine maruz kalıyoruz ancak bunların özellikle Türkçe kaynaklar bakımından oldukça sığ. Yapay zekâ kelime yapısını görünce aklımız direkt LLM’lere gidiyor ve süreci aslında oldukça dar bir perspektiften değerlendiriyoruz. Yapay zekâ ile ilgili gerçek anlamda teknik detaylı Yapay Zekâ 101 serisini başlatıyoruz. Modül modül ilerleyecek bu serinin ilk modülünde yapay zekâ tanımı üzerinden giriş yapacak, daha sonra modüllerdeyse bunu detaylandıracağız. Giriş seviyesinde dahi yazıyı dikkatle okumanızı öneririm çünkü yapay zekayla ilgili oldukça yanlış bilgi mevcut ve diğer kaynaklarda göremeyeceğiniz teknik detayları bu içeriklerde bulabilirsiniz. İlerleyiş sürecini planlarken “Yapay zekâya prompt girerken detaylı girin.”, “Yapay zekâ matrislerle çalışan bir sistemdir.” gibi herkesin bildiği bilgileri vermek yerine göz ardı edilen taraflarına odaklanmaya çalışılmıştır. Her ne kadar genel amaç bu olsa da bu modülde AI/ML kavramlarına giriş niteliği taşıdığı için bazı kavramlara aşina olabilirsiniz ancak zaman geçtikçe diğer modüllerde teknik detay haylice yüksek olacaktır.</p><h4>2. Aklınızdaki Tanım Ne Kadar Doğru ?</h4><p>Bir iş mülakatına girdiğinizi düşünün; mülakatta size yapay zekanın ne olduğunu sordular. Aşağıdaki cevaplardan hangisini seçerdiniz?</p><p>A) <em>Belirli kurallar bütününde elindeki verilerin istatistiksel eşleşme sonuçlarına göre bir sonraki kelimeyi tahmin eden ve sonucu metin, sesli ya da görsel yanıt üreten bir teknoloji.</em></p><p>B) <em>Kullanımına bağlı olarak verilerin gözetimli ve/veya gözetimsiz şekilde eğitilerek çıkarımlar yapan bir teknoloji</em>.</p><p>A cevabı çok daha teknik gelse de gerçek şu ki yapay zekâ dediğimiz şey LLM’lerden ibaret değildir. Oynadığınız oyunlarda, arabaların otonom sürüşlerinde, görüntü işleme modellerinin hepsinde yapay zekâ kullanılmaktadır. Sadece bunların türleri farklıdır. Bunlardaki temel ortak nokta ise şudur: Gözetimli veya gözetimsiz bir şekilde ceza/ödül sistemine dayalı öğrenmek ve bu öğrenme sonucu aksiyon üretebilmek.</p><p>Aslında bu cevabı verirken kendi içinizde “Zekâ nedir?” diye sorsanız yeterli çünkü yapay zekâ, -adı üzerinde- bunun donanım ve yazılıma yedirilmiş halidir. Temel olarak da zekâ, evrimsel ve deneysel yaşanan olaylar karşısında çıkarılan dersler doğrultusunda aksiyon alabilme -mantık yürütme, kurgulama vs.- durumudur.</p><p>Artık yapay zekâ nedir biliyoruz. Peki ya Makine Öğrenmesi, LLM, NLP gibi kavramlar nelerdir?</p><h4><strong>3. Kabataslak Nasıl Çalışıyor ?</strong></h4><p>Eğer ki birkaç eğitim videosu izlediniz ya da giriş seviye sertifika programlarını takip ettiyseniz muhtemelen şöyle bir tanımla karşılaştınız:</p><p><em>“Temel olarak yapay zekâ, eğitim setinin kalitesi sonucu, karşıdan gelen verinin ardından gelen bir sonraki eğitim veri türünü istatistiksel olarak tahmin eden araçtır.”</em></p><p>Aslında bu tanım bizim için yanlış anlaşılmaya müsait bir tanım. Eğer ki LLM modelleriyle ilgili basit bilgiler gerektiren promptlar giriyorsanız ya da basit bir Transformer mimarisine sahip dil modelini kullanıyorsanız bu nispeten doğru ancak gerçek şu ki yapay zekâ için çok fazla sayıda farklı mimariler var. GNN, CNN, CVNN, SNN gibi daha birçok yapay zekâ modeli mimarilerinin çalışma mantığı birbirlerinden farklıdır ancak bunlar başka bir modülün konusu. Bu modülde daha basit bir hipotez üzerinden ilereyeceğiz. O hipotez de şu: “Ya peki modelin hiç bilmediği bir şeyi sorarsak? Doğru sonuçlar elde eder miyiz?” Yapay zekâ alanında araştırmalar yapan bazı otoriteler ve giriş seviyesinde bilgiler veren o sertifika programlarının doğru sonuçlar elde edemeyeceğini ve buna neden olan argüman olarak da “The Illusion of Thinking” makalesini ortaya koyuyorlar. Gerçek şu ki; yapay zekanın emekleme aşamasında sürdükleri bu argümanlar ilerleyen süreçte geçerliliğini koruması oldukça zor. Gelin bunun nedenini anlamak için hep beraber şu yapay zekanın nasıl çalıştığına bir bakalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cJO5Inb1UmbqQwe0AK70eA.png" /><figcaption><a href="https://www.nature.com/articles/s41377-024-01590-3">Figure 1</a>: <em>Yapay Zekâ Katmanları (Şekil a: İnsan Nöronu, Şekil b: Verilerin fonksiyonlar aracılığıyla ağırlıklarının alınıp lineer cebir işlemlerinin uygulanıp çıktının yazdırılması, Şekil c: Yapılan işlemlerin çoklu veri setlerinde </em>istatistiksel <em>eşik değerleri üzerinden ilerleyişinin ve nihai çıktının yazdırıldığı karmaşık ve kısmen kullanıcıya kapalı katmanları)</em></figcaption></figure><p>Bu görsel illaki karşınıza daha öncesinde çıkmıştır. Bu görsel dünyadaki her sıradan yapay zekâ makalesinde bulunan klasik “biyolojik nöron ve lineer operasyon” diyagramı. Daha öncesinde söylediğimiz gibi aradaki karmaşık matematik, işleyiş süreci ve farklı mimarilerdeki operasyonel farklar, başka modüllerin konusu. Burada temel ve giriş seviyesinde basit yapay zekaların -örnek olarak görüntü işlemedeki ilkel yapay zekalar gibi- çalışma mantığına yer verdik. Görselde gördüğünüz yuvarlak yapılar birer ağırlıklı graf yapıları. Yazdığınız promptu, görseli veya sesi kendi içlerinde daha küçük veri türlerine parçalayarak sigmoid gibi çeşitli fonksiyonların yardımıyla matrisler içinde model karşısındaki veriyi kendi eğitim verileriyle kıyaslayarak benzerlikleri 1 üzerinden puanlanarak matrislere yazdırılır. Her ne kadar anlatımı bu kadar kolay gelse de aradaki sürecin takibi bu konuda uzmanlaşmayan kişiler için oldukça kompleks bir durumdur. Bu kompleks durum ne kadar iyi şekilde organize edilirse aslında modelin düşünme kapasitesi yani reasoning de bir o kadar artmış olur. İşte tam olarak bu noktada kamuoyunda ve bazı mühendislerde şu yanılsama oluyor:</p><p><em>“Nihayetinde bu yapay zekâ, benzerlik eşleştirme aracı ve eğitim setinde olmayan bir şeyle karşılaşırsa hatalar yapar.”</em></p><p>Teknik olarak evet ama ya benzerlik kurma yeteneği çok iyi olursa? Şimdi basit düşünelim: Bir modele “Bir yarışta 2.yi geçersen 2. olursun.” bilgisini eğittikten sonra aynı yapay zekaya birisi “Bir yarışta 73. kişiyi geçersen kaçıncı olursun?” sorusunu gördüğünde “2.yi geçtiğinde.”</p><p>2. oluyor çünkü aritmetik bu şekilde işliyor o halde aynı aritmetik bu durum için de geçerli olmalı.” diyerek 73. oluyor. İşte karşınızda tam olarak eğitim setinde olmasa da yanıt üretebilen bir model. İşte tam olarak bu yüzden buna bir “zekâ” diyoruz.</p><p>Modelin bu benzerlik ve analoji yeteneği harika bir zekâ ışıltısı verse de bir başka soruna kapı açıyor: Halüsinasyon. Yapay zekâ, karşılaştığı sorunla benzerlik ilişkisinin tam doğru olamayacağı durumlarda doğal olarak hatalı benzetmeler yapması sonucu yanlış yanıtlar üretecektir. Hadi buna bir örnek verelim:</p><p>Örneğin, eğik atış problemini Dünya yerçekimiyle çözen bir model, Ay yerçekimi sorulduğunda formüldeki yerçekim sabitini değiştirip doğru cevabı verebilir. Ancak bu gerçek bir sıfırdan akıl yürütme değil, ileri düzey bir ‘istatistiksel enterpolasyon’ işlemidir; çünkü Ay’ın yerçekimi de eğik atış formülü de eğitim setinde milyonlarca kez yer almıştır.</p><p>Peki ya modeli, fizik kurallarının daha farklı işlediği -yerçekiminin de hareketlenmelerin de nesnelerin kütlesine değil de renginin yaydığı dalga boylarına göre değiştiği- kurgusal bir evrene koyarsak ne olur? Modelin ürettiği yanıtlar doğru mu olur yoksa kendinden çok emin yanlış sonuçlar mı çıkartır? Siz söylemeden söyleyim: Model o zaman halüsinasyonların ardı ardına geldiği hata zincirleri üretir. Yeni kuralları sıfırdan algılayıp anlık olarak yeni bir fizik modeli inşa edemez; çaresizce Dünya’daki ezberlediği şablonları bu yeni duruma uydurmaya çalışır ve başarısız olur.</p><p>Yine de bu durum, yapay zekanın özünde gelişmeye çalışan bir zekâ olduğu gerçeğini değiştirmiyor. Sadece bazı zekâ işlevleri için gelişmesi gerektiğini gösteriyor. AI, tıpkı insan zekâsı gibi yapay zekâ da eğitilerek bu noktada daha doğru yanıtlar üretebilir. Bildiğiniz LLM şirketlerinin amacı da tam olarak bu zaten. Genel olarak bütün bilgilere ve korelasyonlara sahip olabileceği zekâ olan AGI’ya ulaşmayı hedefliyorlar. Bu yüzden LLM türü yapay zekayı “benzerlik eşleştiren matris sistemi” gibi küçük görmek oldukça hafif.</p><p>Eğitim setindeki verilerin matrisler aracılığıyla nasıl bir anlamsal uzayı oluşturduğunu teorik olarak gördük. Peki bu istatistiksel altyapı, modelin daha önce hiç görmediği kompleks bir mantık problemiyle karşılaştığında nasıl tepki verir? Gerçek bir reasoning (akıl yürütme) mi yapar, yoksa ezberlediği kelime dizilimlerini kullanmaya bir şekilde devam mı eder? Bunu test etmek için modelleri kendi başıma kurguladığım, eğitim setlerinde bulunması neredeyse imkânsız olan yaratıcı bir problem senaryosuna sokalım.</p><p>Hadi bunu LLM’ler için şöyle bir deneyelim:</p><p>Öncelikle iki yapay zekâ modeli seçelim. Yaratacağımız senaryonun gerçekten modelin eğitim setinde olmadığından emin olabilmek adına olabildiğince farklı ve rastgele bir senaryo oluşturalım. Ben şöyle bir senaryo seçtim:</p><p>“5 farklı kişi ve 3 farklı köprü var. Bu 5 kişi ellerinde birbirinden farklı birer adet element taşıyarak köprünün karşı tarafına geçmeyi istemektedir. 3. köprü hariç her köprü en fazla 2 kez kullanılabilir ve köprülerden biri organik elementlerin geçişine izin vermiyor. Ayrıca aynı köprüden geçen kişilerin ellerindeki elementler birbiriyle etkileşime geçerek molekül ortaya çıkarıyor. Köprünün karşı tarafına herkesin geçtiği bilindiğine göre ortaya çıkan molekül formları neler olabilir?</p><h4>Kişi Listesi:</h4><p>Burak- Oksijen</p><p>Irmak- Lityum</p><p>Yağmur- Hidrojen</p><p>Meriç- Karbon</p><p>Hakan- Magnezyum</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*3oIsOrSxoyMcnUOJUmuXVQ.png" /><figcaption><a href="https://chatgpt.com/"><em>Figure 2</em></a><em>: İlk denediğimiz yapay zekâ dil modelinin yanıtı</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*k0wjL-rltNCIuLanBxiTTg.png" /><figcaption><a href="https://claude.ai/"><em>Figure 3</em></a><em>: İkinci denediğimiz yapay zekâ dil modelinin yanıtı</em></figcaption></figure><p>Dikkat ederseniz sorunun tek bir cevabı yok. Bunu özellikle böyle yapma nedenimiz modellerin diğer ihtimalleri de görebiliyor oluşu. Bir modelin zekasını, sorulara getirdiği doğru cevaplar kadar yaptığı düzeltme ve yönlendirmelerdir. LLM’ler muhtemel olasılıklar arasından birini seçerken bir modele dikkat ederseniz diğer modelin sunduğu senaryonun da gerçekleşebileceğini söylüyor. Model, her ne kadar böyle bir soruyla ilk defa karşılaşsa da organik kimya bilgisi ve permütasyon/kombinasyon kavramlarını bildiği için ve bu kavramları nasıl kullanması gerektiğini bildiği için doğru yanıtlar üretti. Yani düzgün bir reasoning süreciyle ile yapay zekalar gerçek hayatın sonsuz çeşitlilikte problemlerine çözüm üretebilir. Modellerin bu tarz karmaşık algoritmik kısıtlamaları başarıyla yönetebilmesi, onları sadece ekranda metin üreten chat botlar olmaktan çıkarıp, gerçek dünya problemlerini çözen karar mekanizmalarına dönüştürüyor. Tıpkı bizim bulmacamızdaki element ve geçiş kısıtlamaları gibi, gerçek dünyada da enerji, zaman ve fiziksel çevre kısıtlamaları vardır. İşte bu yüzden NASA, bir yapay zekâ dil modelini Mars’ta Perseverance keşif aracı (rover) projesinde kullandı. Bu yüzden devletler kendi sistemlerinde kullanmak için çaba sarf ediyor. Ancak, LLM’lerin metin tabanlı bu mantık oyunlarındaki ve kuralları önceden belli olan kısıtlı ortamlardaki başarıları bizi bir rehavete sürüklememeli. Evet, organik kimya kurallarını birleştirip köprüden kimin geçeceğini bulabilirler. Peki ya kuralları bizim vermediğimiz, ortamın dinamiklerinin bizzat model tarafından deneme-yanılma ile keşfedilmesi gereken yepyeni bir evren yaratırsak? İşte ‘zekâ’ tanımının gerçekten test edileceği alan burasıdır ve bu bizi AGI yolculuğundaki en acımasız -sonuçları gördüğünüzde anlayacaksınız- teste götürüyor. Peki bu doğrultuda yaratılan “Yapay zekâ pizzanın tadını bilmeden pizza yapıyor.”</p><p>“Tamamen ezberci!” fikrini çürüttüğümüz söylenebilir mi? Yoksa yıkmaktan çok kanıtlıyor mu?</p><h4>4. AGI YOLUNDA GİDECEK ADIMLAR</h4><p>Cevap elbette ki hayır. AI/ML içinde zekâ gibi bir kavramı barındırınca doğal olarak kuantum fiziği gibi karmaşık çıkarımlara yol açabiliyor. François Chollet’ın eskiden yapay zekalar için “LLM’lerde şu an zekâ yok ezber var.” fikri hala AI çevresinde doğru kabul edilen bir görüş. François Chollet bu örneği görse buna: “İyi de model kimya kanunlarını, A*, BFS gibi kuralları ezberlediği için ve temel mantığı buna benzer soruları çözmeyi ezberlediği için bu soruyu doğrulukla çözdü. Bu bir zekâ göstergesi değil, bu bir ileri seviye ezber kesişimi ve modelleme yeteneğidir.” Chollet burada haklı çünkü bu modeller daha öncesinde Surway, Calculus ya da matematik olimpiyatları gibi karmaşık düzeyde problemler içeren yaratıcı tonlarca bilgiyi, problemi ve formülü eğitim setinde barındırıyor. Model eğer şunu derse: “Eğitim setimdeki X sorusuna oldukça benziyor. Aradaki temel fark, problem öznelerinin ellerinde top değil, elementler barındırıyor. Burada da eğitim setimdeki kimya bilgilerini kullanabilirim.” işte o zaman bu ezber ve model eşleştirmesi olur ve maalesef ki çoğu LLM böyle çalışıyor. İşte François Chollet’in ARC-AGI testinin temel çıkış noktası tam olarak budur. Modellerden ezberledikleri kimya formüllerini veya A* algoritmalarını kullanmaları değil; daha önce hiçbir makinenin görmediği, kuralları anlık olarak değişen yepyeni bir bulmaca uzayına uyum sağlamaları istenir. Liderlik tablosundaki o acı verici %0,5&#39;lik başarı oranının gerçek sebebi, modellerimizin henüz ‘öğrenmeyi öğrenmek’ (meta-learning) konusunda değil, sadece ‘bilinen kalıpları eşleştirmek’ konusunda usta olmalarıdır. Peki bunu nereden biliyoruz? Cevabı ARC AGI-3.</p><p>François Chollet herhangi bir eğitim setindeki veriyle özdeşlik kurmadan zero-shot mantık yürütmesini -eğitim setinde olmayan durumlar- “gerçekten zekâ” olarak atfediyor. Nasıl ki hepimiz o çok sevdiğimiz video oyunlarını ilk oynamaya başladığımızda deneme yanılmayla ya da mantık yürüterek yaptığımız işler temel mantık olarak ARC AGI-3 üzerinde video oyunları aracılığıyla test ediliyor. Evet, yanlış duymadınız, video oyunlarıyla test ediliyor. LLM modeli herhangi bir ön talimat verilmeden direkt olarak bir video oyunu ortamına bırakılıyor ve video oyunundaki testleri geçmesi bekleniyor. Peki çok meşhur bu LLM modelleri nasıl sonuçlar çıkarmışlar?</p><p>Gelin inceleyelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*HwSk6O4LodLRGDqgnrs1pw.png" /><figcaption><a href="http://arcprize.org/leaderboard"><em>Figure 4</em></a><em>: ARC AGI-3 Nisan 2026 Sıralaması</em></figcaption></figure><p>ARC AGI-3 grafiğinden anlayacağınız üzere hiçbir model oyunlarda %1 bile ilerleme kaydedememiş. En iyi sonuç olan dil modeli bile %0,5 yapabilmiş. Bu sonuçlar her ne kadar hayal kırıklığı yaratsa da grafikte dikkat edecek olursanız korkutucu bir parametrenin varlığı da dikkat çekiyor: Test için LLM’lerin token harcama sonucu ortaya çıkan cloud faturası. Bu noktada en başarılı olan -ne kadar başarılı olduğu size kalmış- model tamı tamına 8900$ harcamış. Belki de bir insana 20$ ya da bilemediniz 50$’a %100 başarıyla yaptıracağınız bir iş akış sürecini %0,5 başarıyla 8900$ harcayan bir yapay zekaya emanet eder miydiniz?</p><p>Yine de belirtmek gerekir ki, bu sonuçlar “AI balonu patladı.” gibi bir algı yaratmaz çünkü AI, halihazırda stabil işlerde harika bir yetenek kazandı. Altını çiziyorum: Stabil işler. Neden bunun altını çizdiğime gelecek olursak, AI şu anki yapısı gereği, bağlam penceresinde- modelin içinde bulunduğu süreçle ilgili KV Cache içinde bulunan kısa süreli belleği- bulunan veriler, siz değiştirmediğiniz sürece genelde stabildir. Siz bir istem (prompt) girersiniz-“Şunu şöyle yap, ardından bunu çıkar.” gibisinden- o prompt doğrultusunda model, verilerin yaşadığı o uzayı değiştirmeye başlar. Bir nevi, yaşadığı evrenin dinamikleri tamamen sizin ellerinizdedir. Ancak gerçek dünya böyle bir şey değildir. Gerçek dünyada sayılamayacak kadar çok fazla bilgi beynimizde değerlendirilir. Gelin bunu somut bir örnek vererek kafanızda netleştirelim: Kendinizi bir kafede bilgisayar başında düşünün. Gözünüzün odaklandığı bir bilgisayar ekranı var ancak siz odaklansanız da görme alanınızdan geçen yüzlerce insan, tavanda yer alan ışığın yansıması, baktığınız bilgisayarın çerçevesinin renkleri; kulaklarınızın duyduğu başka insanların ve müzik sesi; ellerinizin bilgisayar klavyesindeyken hangi tuşlarda olduğunu hissetmesi gibi sayamayacağımız kadar çok kaotik sayıda veri siz farkında olmadan beyniniz tarafından işleniyor ve yanıtlıyor. Biz evrimsel olarak her ne kadar bu kaotikliğe uyum sağlasak da 2023’te konuşmaya başlayan bir bebeğe benzetebileceğimiz bir yapay zekâ dil modeli için bunlar anlaşılması oldukça zor şeyler. Gelin bunu istatistiğe dökelim ve insan beyninin aslında ne kadar büyük bir mühendislik harikası olduğunu görelim:</p><p>İnsan Beyni:</p><p>i. <em>İşlem Hızı</em>: Kabaca 20 katrilyon işlem/saniye civarında.</p><p>ii. <em>Bilinçli İşleme</em>: Saniyede sadece 10 ila 60 bit civarında bilgi. Beyin, gelen trilyonlarca bitlik veriyi filtreleyerek sadece gerekli olanı bilinç düzeyine çıkarır. Kabaca saniyede 1,375 Megabayt (MB) veri işler.</p><p>iii. <em>Enerji Verimliliği:</em> Tüm bu karmaşık işlemler, sadece 20 Watt gibi inanılmaz düşük bir enerjiyle yapılır.</p><p>Yapay Zekanın Bulut Tabanında Çalıştığı En Güçlü Sunucu H100:</p><p>i. <em>İşlem Hızı</em>: Kabaca 1–2 katrilyon işlem/saniye civarında.</p><p>ii. <em>Veri İşleme</em>: 3–4 Terabyte/saniye iii. <em>Enerji Verimliliği</em>: 500 Watt ve üzeri</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*zyjbFxshlAvD1UsIdQlT1w.png" /><figcaption><a href="http://gemini.google.com/"><em>Figure 5:</em></a><em> İnsan Beyni ile Yapay Zekaların Çalıştığı Ortamın Kıyas Tabloları</em></figcaption></figure><p>Bu modülde yapay zekâ için, yapay zekanın çalışma süreci, hakkında bilinmesi gereken kavramlara dair giriş seviyesinde bilgiler verdik. Bunları yaparken ilk önce zekâ nedir gibi felsefi bir sorudan yola çıkarak “Zekâ nedir ki yapay zekâ ne olabilir?” şeklinde hipotezlerle ve düşünce deneyleriyle mantık yürüttük. Makine öğrenmesi gibi konuyla ilgili geniş kapsamlı çalışma alanları, yapay zekanın arkasındaki tensörler matematiği, mühendislik seviyesinde işin ilerleyişine ilerleyen modüllerde adım adım giderek geçeceğiz. Eğer ki yazı ilginizi çektiyse bu hesabı takip edebilir, görüş ve önerileriniz için en aşağıdaki yazar kartıyla iletişime geçebilirsiniz.</p><h4>Kaynakça</h4><p><a href="https://www.ibm.com/think/topics/generative-ai#:~:text=To%20create%20a%20foundation%20model,%20practitioners%20train%20a%20deep%20learning,this%20step%20and%20its%20costs">https://www.ibm.com/think/topics/generative-ai#:~:text=To%20create%20a%20found ation%20model,%20practitioners%20train%20a%20deep%20learning,this%20step% 20and%20its%20costs</a></p><p><a href="https://cset.georgetown.edu/article/the-surprising-power-of-next-word-prediction-large-language-models-explained-part-1/">https://cset.georgetown.edu/article/the-surprising-power-of-next-word-prediction-larg e-language-models-explained-part-1/</a></p><p><a href="https://arxiv.org/pdf/2506.06941">https://arxiv.org/pdf/2506.06941</a></p><p><a href="https://sourestdeeds.github.io/pdf/Deep%20Learning%20with%20Python.pdf">https://sourestdeeds.github.io/pdf/Deep%20Learning%20with%20Python.pdf</a></p><p><a href="https://bilimteknik.tubitak.gov.tr/wp-content/uploads/sites/154/2025/09/8ab0821c-d2ba-4b01-b180-4a3b3dbd800a-1.pdf">https://bilimteknik.tubitak.gov.tr/wp-content/uploads/sites/154/2025/09/8ab0821c-d2b a-4b01-b180–4a3b3dbd800a-1.pdf</a></p><p><a href="https://docs.arcprize.org/">https://docs.arcprize.org</a></p><h4>Yazar</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UQRSFu-s1_TIDWBzhJ_zjw.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b9445ed9e537" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/yapay-zek%C3%A2-101-yapay-zek%C3%A2ya-giris-b9445ed9e537">Yapay Zekâ 101: Yapay Zekâya Giriş</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[İmkânsızlıklar İçinde İmkân: Kuantum Bilgisayarlar]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/i%CC%87mk%C3%A2ns%C4%B1zl%C4%B1klar-i%CC%87%C3%A7inde-i%CC%87mk%C3%A2n-kuantum-bilgisayarlar-2b46061c1c21?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/2b46061c1c21</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[future]]></category>
            <category><![CDATA[quantum-computing]]></category>
            <category><![CDATA[kuantum]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Thu, 30 Apr 2026 17:17:34 GMT</pubDate>
            <atom:updated>2026-04-30T17:17:34.196Z</atom:updated>
            <content:encoded><![CDATA[<h4>Geleceğin Kodları: Kübitlerin Dünyasına İlk Adım</h4><p>Teknoloji dünyasında her geçen gün yeni bir “hype” ile karşılaşıyoruz, ancak bazı kavramlar var ki sadece bir trend değil, tüm işlem yapma kapasitemizi temelinden sarsacak bir devrim niteliğinde. Bugün, klasik programlama mantığının sınırlarını zorlayan, veriyi işleme biçimimizi 0 ve 1&#39;lerin ötesine taşıyan <strong>Kuantum Bilgisayarları</strong> mercek altına alıyoruz. Bir geliştirici adayı olarak bu karmaşık ama bir o kadar büyüleyici dünyaya daldığımda aldığım notları, en yalın haliyle sizlerle paylaşmak istedim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*vn5xTODXl_ScS43RMFlGJA.png" /><figcaption><a href="https://gemini.google.com/">Figure 1</a>: Kuantum Hesaplama Laboratuvarı: Teknolojinin Geleceği</figcaption></figure><h4><strong>1. Neden Klasik Bilgisayarlar Yetmiyor?</strong></h4><p>Hepimizin kullandığı telefonlar ve laptoplar aslında çok gelişmiş birer “anahtar” kutusu. İçlerinde <strong>bit</strong> dediğimiz yapılar var; ya 0 (kapalı) ya da 1 (açık) olabiliyorlar. Ama doğa her zaman bu kadar net değil. İlaç molekülleri veya hava durumu tahmini gibi devasa verileri işlerken, klasik bilgisayarlar bir yerden sonra “Yok artık, bu çok uzun sürüyor.” diyebiliyor.</p><p>İşte tam burada sahneye kuantum çıkıyor.</p><h4><strong>2. Kübit (Qubit) Nedir? (İşin Büyüsü Burada)</strong></h4><p>Klasik bilgisayardaki “bit” yerine kuantum dünyasında <strong>Kübit</strong> kullanıyoruz. Kübitlerin iki süper gücü var:</p><ul><li><strong>Süperpozisyon:</strong> Bir kübit aynı anda hem 0 hem de 1 olabilir. Evet, yanlış okumadınız. Gözlem yapana kadar iki durumda da bulunuyor. Bunu dönen bir madeni paraya benzetebilirsiniz; dönerken hem tura hem yazı gibidir.</li><li><strong>Dolanıklık (Entanglement):</strong> İki kübit birbirine öyle bir bağlanıyor ki, aralarında binlerce kilometre olsa bile birinin durumunu değiştirdiğinizde diğeri de anında tepki veriyor. Einstein buna “uzaktan ürkütücü aksiyon” demiş.</li></ul><h4><strong>3. Kuantum Bilgisayarı Nasıl Çalışır?</strong></h4><p>Klasik bir bilgisayar bir labirentten çıkışı bulmak için her yolu tek tek dener. Kuantum bilgisayarı ise aynı anda tüm yollardan geçer. Bu da binlerce yıl sürecek hesaplamaların saniyeler içinde bitmesi demek.</p><p><strong>Temel Matematiksel Fark</strong></p><p>Bir kuantum sisteminin durumunu ifade etmek için kompleks sayılar ve doğrusal cebir kullanılır. Örneğin, tek bir kübitin durumu şu şekilde gösterilir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*KJauzbXtJ1v2VgwcODT-dw.png" /></figure><p>Burada</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/509/1*HFfu4856lTJN2L4jNKokfA.png" /></figure><p>kuralı geçerlidir. Yani kübitin 0 veya 1 olma olasılıklarının toplamı her zaman %100&#39;dür. Buna Normalizasyon Şartı denir.</p><h4><strong>4. Peki Bu Bilgisayarlar Her Yerde mi? (Spoiler: Hayır)</strong></h4><p>Şu an evimize kuantum bilgisayar alamıyoruz çünkü çok hassaslar.</p><ul><li><strong>Soğukluk:</strong> Uzaydan bile daha soğuk bir ortamda (mutlak sıfıra yakın) çalışmaları gerekiyor.</li><li><strong>Hata Payı:</strong> En ufak bir titreşimde veya sıcaklık değişiminde kuantum özellikleri kayboluyor. Buna eşevresizlik (decoherence) deniyor.</li></ul><h4><strong>5. Gelecekte Bizi Ne Bekliyor?</strong></h4><p>Eğer bu teknoloji stabil hale gelirse:</p><ol><li><strong>İlaç Sanayi:</strong> Günümüzde yeni bir ilacın geliştirilmesi yılları ve milyarlarca doları buluyor. Çünkü klasik bilgisayarlar karmaşık moleküllerin nasıl etkileşime gireceğini simüle etmekte zorlanıyor. Kuantum bilgisayarlar, doğadaki moleküler yapıları birebir simüle ederek kanser, Alzheimer gibi hastalıklara dakikalar içinde kişiselleştirilmiş ilaçlar ve tedaviler bulmamızı sağlayabilir.</li><li><strong>Siber Güvenlik:</strong> Mevcut tüm şifreleme yöntemleri (RSA gibi) saniyeler içinde kırılabilecek (bu biraz korkutucu!). Bu riske karşı “Kuantum Sonrası Kriptografi” (Post-Quantum Cryptography — PQC) adlı yeni şifreleme protokolleri geliştiriliyor. 2030&#39;lu yıllara kadar tüm kritik dijital altyapıların bu yeni güvenlik standartlarına geçmesi gerekecek.</li><li><strong>Yapay Zekâ:</strong> Yapay zekâ modelleri hayal bile edemeyeceğimiz bir hıza ulaşacak. Kuantum bilgisayarlar, çok sayıda olasılığı aynı anda değerlendirebilme (süperpozisyon ve dolanıklık) yetenekleri sayesinde veri setlerini çok boyutlu olarak işleyebilir. Yani kuantum bilgisayarlar, yapay zekânın bir sonraki evreye geçmek için ihtiyaç duyduğu o devasa ve eşzamanlı işlem gücünü sağlayacak “motor” görevini görecektir.</li></ol><p>Bunlar bizi bekleyen gelişmelerin bazılarıdır. Daha farklı alanlarda da bizi yeni gelişmeler beklemekte.</p><h4><strong>Son Söz</strong></h4><p>Kuantum dünyası gerçekten tuhaf. Richard Feynman’ın dediği gibi: <em>“Kuantum mekaniğini anladığınızı düşünüyorsanız, kuantum mekaniğini anlamamışsınız demektir.”</em></p><h4>Kaynakça</h4><p><a href="https://learning.quantum.ibm.com/">https://learning.quantum.ibm.com/</a></p><p><a href="https://qiskit.org/">https://qiskit.org/</a></p><p><a href="https://quantumai.google/">https://quantumai.google/</a></p><p><a href="https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/quantum-is-almost-here-are-you-and-your-systems-ready">https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/quantum-is-almost-here-are-you-and-your-systems-ready</a></p><p><a href="https://introtoquantum.org/essentials/timelines/">https://introtoquantum.org/essentials/timelines/</a></p><p><a href="https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our%20insights/the%20year%20of%20quantum%20from%20concept%20to%20reality%20in%202025/quantum-monitor-2025.pdf">https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our%20insights/the%20year%20of%20quantum%20from%20concept%20to%20reality%20in%202025/quantum-monitor-2025.pdf</a></p><h4>Yazar</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d4TxSR_5TUGXhmbLOwCa-w.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2b46061c1c21" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/i%CC%87mk%C3%A2ns%C4%B1zl%C4%B1klar-i%CC%87%C3%A7inde-i%CC%87mk%C3%A2n-kuantum-bilgisayarlar-2b46061c1c21">İmkânsızlıklar İçinde İmkân: Kuantum Bilgisayarlar</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka Fısıltısı: Prompt Engineering Nedir ve Neden Geleceğin Mesleği Olarak Görülüyor?]]></title>
            <link>https://medium.com/huawei-student-developers-turkiye/prompt-engineering-nedir-ve-neden-gelecegin-meslegi-olarak-goruluyor-561c378950e6?source=rss-af3dbcbd8fcc------2</link>
            <guid isPermaLink="false">https://medium.com/p/561c378950e6</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[prompt-engineering]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[software-development]]></category>
            <dc:creator><![CDATA[HSD TAU]]></dc:creator>
            <pubDate>Sun, 26 Apr 2026 17:46:28 GMT</pubDate>
            <atom:updated>2026-04-26T17:46:28.664Z</atom:updated>
            <content:encoded><![CDATA[<h4>Yapay zekayı sadece bir araç değil, güçlü bir çözüm ortağına dönüştürmenin yolları ve dijital çağda doğru soruyu sormanın gücü.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/0*BDphOrDKqdhQNxc2.jpeg" /><figcaption><a href="http://gemini.google.com/">Figure 1</a>: Yapay zeka ile insan zekasının buluşma noktası</figcaption></figure><p>Bundan birkaç yıl önce birine “Bilgisayarlarla sadece kendi dilinde konuşarak karmaşık yazılımlar yaptırabilecek, bir yağlı boya tablo çizdirebilecek veya bir pazarlama stratejisi kurgulatabileceksin.” deseydiniz, muhtemelen size bir bilim kurgu filmi senaryosu yazdığınızı söylerdi. Ancak bugün devasa dil modelleri (LLM) artık hayatımızın ve iş akışlarımızın tam merkezinde.</p><p>Bu yeni dünyada, karmaşık yazılım dillerini ezberlemekten çok daha kritik, çok daha “insani” bir beceri ön plana çıkıyor: <strong>Prompt Engineering.</strong> Peki, herkesin konuştuğu, teknoloji devlerinin dudak uçuklatan maaşlar teklif ettiği ama az kişinin gerçekten ustalaştığı bu kavram tam olarak nedir?</p><h3>Yeni Nesil Bir “Dil” Doğuyor: Makineye Fısıldamak</h3><p>En basit tanımıyla <strong>Prompt Engineering</strong>; bir yapay zeka modelinden en kaliteli, en doğru ve en yaratıcı yanıtı alabilmek için ona girdi tasarlama sanatıdır.</p><p>Eskiden bilgisayarlara bir şey yaptırmak için Python, Java veya C++ gibi dillerle, onların anlayacağı katı kurallarla “emir” verirdik. En ufak bir noktalı virgül hatası tüm sistemi durdururdu. Bugün ise doğal dilimizi (Türkçe, İngilizce vb.) kullanıyoruz. Ancak burada aşılması gereken devasa bir engel var: <strong>Yapay zekalar sizin zihninizdeki “niyeti” değil, sadece yazdığınız “kelimeleri” anlarlar.</strong> Yapay zeka modelleri, birer istatistik devidir. Kendilerine verilen devasa veri havuzundan, sizin kelimelerinize en uygun “olasılığı” çıkarırlar. İşte Prompt Engineering, bu devasa olasılık denizinde yapay zekayı tam olarak bizim istediğimiz adaya doğru yönlendirme işidir. Bir nevi, makinenin içindeki o muazzam potansiyele doğru frekansta fısıldamaktır.</p><h3>Neden Sadece “Soru Sormak” Değildir?</h3><p>Pek çok kişi yapay zekaya herhangi bir soru sormayı “prompt mühendisliği” sanıyor. Ancak aradaki fark, bir kütüphaneye girip “Bana bir kitap ver.” demekle, kütüphaneciye “19. yüzyıl Rus edebiyatından, toplumsal sınıfları eleştiren ve Dostoyevski tarzında yazılmış bir roman ver.” demek arasındaki fark gibidir.</p><p>Profesyonel bir prompt tasarımı, rastgelelikten arındırılmıştır ve genellikle şu dört ana sütun üzerine inşa edilir:</p><ol><li><strong>Rol Atama (Persona):</strong> Yapay zekaya bir kimlik verin. Onu binlerce olasılıktan birine odaklayın. <em>“Bir kıdemli yazılım mimarı gibi davran.”</em> dediğinizde, model sadece o alandaki profesyonel terminolojiyi ve mantık silsilesini kullanmaya başlar.</li><li><strong>Bağlam:</strong> Modelin içinde bulunduğu durumu tanımlayın. <em>“Bir startup için mobil uygulama geliştiriyoruz ve bütçemiz kısıtlı.”</em> bilgisini verdiğinizde, yapay zeka size devasa kurumsal çözümler yerine daha maliyet odaklı ve çevik öneriler sunar.</li><li><strong>Görev:</strong> Net olun. <em>“Bana yardım et.”</em> değil, <em>“Python kullanarak, kullanıcı hatalarını loglayan bir ödeme fonksiyonu yaz.”</em> deyin.</li><li><strong>Kısıtlamalar ve Format:</strong> Çıktının sınırlarını çizin. <em>“Cevabı teknik olmayan birinin anlayacağı şekilde basitleştir, 200 kelimeyi geçme ve sonunda bir özet tablo ekle.”</em></li></ol><h3>Bir “Prompt Mühendisi”nin Gizli Silahları: Teknik Stratejiler</h3><p>Bu mesleği icra edenler sadece “iyi cümle” kurmazlar; aynı zamanda modelin çalışma mantığına (akıl yürütme süreçlerine) müdahale ederler. İşte en çok kullanılan profesyonel tekniklerden bazıları:</p><ul><li><strong>Few-Shot Prompting (Örneklendirme):</strong> Modele ne yapması gerektiğini sadece anlatmak yerine, ona birkaç örnek göstermektir. <em>“A girdisine B cevabını ver, C girdisine D cevabını ver. Şimdi bu E girdisine ne dersin?”</em> demek, modelin doğruluğunu %40&#39;lara varan oranlarda artırabilir.</li><li><strong>Chain-of-Thought (Düşünce Zinciri):</strong> Modele sadece sonucu sormak yerine, <em>“Adım adım düşün.”</em> komutu vermektir. Bu, özellikle matematik ve mantık problemlerinde modelin “halüsinasyon” görmesini engeller ve kendi mantık hatalarını denetlemesini sağlar.</li><li><strong>Iterative Refinement (Yontma):</strong> İlk cevabı bir “ham heykel” olarak görüp, üzerine ek sorularla (promptlarla) o cevabı mükemmelleştirmektir. “Bu cevabı daha profesyonel bir tonda tekrar yaz.”, “Şu kısmı çıkar.”, “Şu detayı ekle.” gibi yönlendirmelerle nihai sonuca ulaşılır.</li></ul><h3>Bu Bir Meslek mi, Yoksa Geçici Bir Trend mi?</h3><p>Teknoloji dünyasında hararetli bir tartışma var: <em>“Yapay zeka geliştikçe bizim ne demek istediğimizi daha iyi anlayacak, dolayısıyla Prompt Engineering gereksizleşecek mi?”</em></p><p>Cevap, bilişim tarihindeki diğer gelişimlerle benzerlik taşıyor: <strong>Hem evet hem hayır.</strong> Evet; basit, günlük sorular için yapay zeka çok daha sezgisel hale gelecek ve sizin “bozuk” cümlelerinizi bile düzelterek anlayacak. Ancak karmaşık yazılım sistemlerinin mimarisini kurmak, etik ve hukuki bariyerleri yönetmek, kurumsal veriyi güvenli bir şekilde işlemek her zaman bir <strong>“mimari bakış açısı”</strong> ve teknik bir denetim gerektirecek.</p><p>Nasıl ki hesap makinesinin icadı matematikçileri işsiz bırakmadıysa (aksine daha karmaşık problemleri çözmelerini sağladıysa), yapay zeka da “doğru soruyu soran” uzmanların elinde devasa bir kaldıraca dönüşecek. Geleceğin dünyasında “kod yazanlar” kadar, “ne yazılması gerektiğini en verimli şekilde tarif edenler” de masada olacak.</p><h3>Sonuç: Gelecek “Soru Sormayı Bilenlerin” Olacak</h3><p>Eskiden “Bilgi güçtür.” denirdi. Bilginin saniyeler içinde, neredeyse bedelsiz üretildiği bu yeni çağda ise <strong>“Doğru soruyu sormak en büyük güçtür.”</strong></p><p>Prompt Engineering, sadece silikon vadisindeki mühendislerin değil; pazarlamacıdan avukata, doktordan öğrenciye kadar herkesin dijital dünyadaki verimliliğini 10 katına çıkarabilecek bir beceridir. Yapay zekayla “kavga etmek” veya ondan korkmak yerine ona “fısıldamayı” öğrendiğimizde, asıl potansiyel o zaman açığa çıkacak.</p><p>Siz yapay zekaya en son neyi, nasıl sordunuz? Belki de tek eksiğiniz, o sorunun başına ekleyeceğiniz küçük bir bağlamdır. Unutmayın; yapay zeka, ona tuttuğunuz ayna kadardır. Aynayı ne kadar net tutarsanız, cevap o kadar parlak olur.</p><h3>Kaynakça</h3><p><a href="https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering">https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering</a></p><p><a href="https://github.com/dair-ai/prompt-engineering-guide">https://github.com/dair-ai/prompt-engineering-guide</a></p><p><a href="https://medium.com/@asthav/zero-shot-and-few-shot-prompting-in-llms-4103ec3426c3">https://medium.com/@asthav/zero-shot-and-few-shot-prompting-in-llms-4103ec3426c3</a></p><p><a href="https://developers.openai.com/api/docs/guides/prompt-engineering">https://developers.openai.com/api/docs/guides/prompt-engineering</a></p><h3>Yazar</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KxF4_yOPFMQSboFEthwQZA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=561c378950e6" width="1" height="1" alt=""><hr><p><a href="https://medium.com/huawei-student-developers-turkiye/prompt-engineering-nedir-ve-neden-gelecegin-meslegi-olarak-goruluyor-561c378950e6">Yapay Zeka Fısıltısı: Prompt Engineering Nedir ve Neden Geleceğin Mesleği Olarak Görülüyor?</a> was originally published in <a href="https://medium.com/huawei-student-developers-turkiye">HUAWEI Student Developers Turkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>