Yapay zeka artık sadece insanlarla etkileşime giren robotlar fikriyle sınırlı değil. Günümüzde yapay zeka teknolojileri; arama motorlarında, öneri sistemlerinde, akıllı telefonlarda, görüntü oluşturmada, çeviri araçlarında, otonom araçlarda, sağlık hizmetlerinde ve yazılım geliştirmede kullanılıyor.

Yapay zeka hızla geliştikçe, sürekli yeni kavramlar ve terminolojiler ortaya çıkıyor. Bu sözlük, en yaygın yapay zeka terimleri için basit ve özlü açıklamalar sunmayı amaçlamaktadır.

Bu makale aslen 2019 yılında oluşturulmuş ve modern yapay zeka kavramları ile teknolojilerini yansıtacak şekilde güncellenmiştir.

Yapay Zeka Terimleri

Yapay zeka (Artificial intelligence - AI): Akıl yürütme, dil anlama, örüntü tanıma, karar verme ve problem çözme gibi normalde insan zekası gerektiren görevleri yerine getirebilen sistemler oluşturmaya odaklanan geniş bir bilgisayar bilimi alanı.
Yapay genel zeka (Artificial general intelligence - AGI): Hemen hemen her türlü entelektüel görevi insan seviyesinde veya ötesinde anlayabilen, öğrenebilen ve gerçekleştirebilen varsayımsal bir yapay zeka formu. AGI henüz mevcut değildir.
Yapay dar zeka (Artificial narrow intelligence - ANI): Zayıf yapay zeka (Weak AI) olarak da bilinir. Çeviri, görüntü tanıma, öneri sistemleri veya oyun oynama gibi belirli görevler için uzmanlaşmış yapay zeka sistemleri.
Yapay süper zeka (Artificial superintelligence - ASI): Hemen hemen her alanda insan zekasını geride bırakan teorik bir zeka formu. ASI spekülatif olmaya devam etmektedir.
Etmen tabanlı yapay zeka (Agentic AI): Sınırlı insan müdahalesi ile otonom olarak planlama yapabilen, akıl yürütebilen, araçları kullanabilen ve çok adımlı görevleri tamamlayabilen yapay zeka sistemleri.
Algoritma (Algorithm): Bir sorunu çözmek veya bir görevi tamamlamak için tasarlanmış bir dizi talimat veya kurallar bütünü.
Hizalama (Alignment): Yapay zeka sistemlerinin insan niyetlerine, değerlerine ve güvenlik beklentilerine uygun şekilde davranmasını sağlama süreci.
Yapay sinir ağı (Artificial neural network - ANN): Verilerdeki kalıpları öğrenen, biyolojik sinir ağlarından esinlenmiş bir hesaplama sistemi.
Geri yayılım (Backpropagation): Tahmin hatalarının doğruluğu artırmak için ağ boyunca geriye doğru iletildiği bir sinir ağı eğitim yöntemi.
Bayes ağı (Bayesian network): Değişkenleri ve bunların koşullu bağımlılıklarını temsil eden olasılıksal bir grafik model.
Büyük veri (Big data): İşlemek ve analiz etmek için gelişmiş araçlar ve teknikler gerektiren aşırı büyük ve karmaşık veri kümeleri.
Sohbet robotu (Chatbot): Metin veya sesli etkileşim kullanarak insan konuşmasını simüle etmek için tasarlanmış yazılım.
Sınıflandırma (Classification): Verilerin önceden tanımlanmış kategorilere atandığı bir makine öğrenmesi görevi.
Kümeleme (Clustering): Benzer veri noktalarını önceden tanımlanmış etiketler olmadan gruplandıran bir makine öğrenmesi yöntemi.
Bilişsel hesaplama (Cognitive computing): İnsan muhakemesi ve karar verme süreçlerinin yönlerini simüle etmek için tasarlanmış sistemler.
Bilgisayarlı görü (Computer vision): Makinelerin görüntüleri ve videoları yorumlamasını ve analiz etmesini sağlayan bir yapay zeka alanı.
Evrişimli sinir ağı (Convolutional neural network - CNN): Görüntü tanıma ve görsel işleme görevlerinde yaygın olarak kullanılan bir sinir ağı mimarisi.
Veri madenciliği (Data mining): Büyük veri kümelerinden yararlı kalıpları, ilişkileri ve içgörüleri keşfetme süreci.
Veri kümesi (Dataset): Yapay zeka modellerini eğitmek, test etmek veya değerlendirmek için kullanılan yapılandırılmış veri koleksiyonu.
Derin öğrenme (Deep learning): Karmaşık kalıpları öğrenebilen çok katmanlı sinir ağlarına dayalı bir makine öğrenmesi dalı.
Difüzyon modeli (Diffusion model): Rastgele verilerden gürültüyü kademeli olarak temizleyerek görüntü oluşturmak için yaygın olarak kullanılan bir üretken yapay zeka modeli türü.
Gömülmeler (Embeddings): Metin, görüntü veya diğer verilerin, yapay zeka sistemlerinin anlamsal ilişkileri anlamasına olanak tanıyan sayısal vektör temsilleri.
Açıklanabilir yapay zeka (Explainable AI - XAI): Yapay zeka sistemi kararlarını insanlar için anlaşılması daha kolay hale getiren teknikler ve yöntemler.
İnce ayar (Fine-tuning): Önceden eğitilmiş bir yapay zeka modelini, özel bir görev veya veri kümesinde daha iyi performans göstermesi için uyarlama süreci.
Temel model (Foundation model): Birçok alt göreve uyarlanabilen, geniş veri kümeleri üzerinde eğitilmiş büyük yapay zeka modelleri.
Üretken yapay zeka (Generative AI): Metin, görüntü, ses, video veya kod gibi yeni içerikler üretebilen yapay zeka sistemleri.
Çekişmeli üretici ağlar (Generative adversarial network - GAN): Gerçekçi sentetik veriler oluşturmak için kullanılan, birbirleriyle yarışan üretici ve ayırt edici modellerden oluşan bir sinir ağı mimarisi türü.
Genetik algoritma (Genetic algorithm): Biyolojik evrim ve doğal seçilimden esinlenen bir optimizasyon tekniği.
Halüsinasyon (Hallucination): Bir yapay zeka modeli tarafından güvenle üretilen yanlış veya uydurma bilgiler.
Sezgisel (Heuristic): Yeterince iyi çözümleri verimli bir şekilde üretmek için tasarlanmış pratik bir problem çözme yaklaşımı.
Görüntü tanıma (Image recognition): Yapay zeka sistemlerinin görüntülerdeki nesneleri, insanları, sahneleri veya kalıpları tanımlama yeteneği.
Çıkarım (Inference): Eğitilmiş bir yapay zeka modelini, yeni verilerden tahminler veya çıktılar üretmek için kullanma süreci.
Büyük dil modeli (Large language model - LLM): İnsan benzeri dili anlamak ve oluşturmak için devasa miktarda metin verisi üzerinde eğitilmiş derin öğrenme modeli.
Sınırlı bellekli yapay zeka (Limited memory AI): Karar vermek için geçmiş bilgileri geçici olarak kullanabilen yapay zeka sistemleri.
Makine öğrenmesi (Machine learning - ML): Deneyim ve veriler aracılığıyla otomatik olarak gelişen algoritmalara odaklanan bir yapay zeka alanı.
Makine çevirisi (Machine translation): Metin veya konuşmanın diller arasında yapay zeka destekli çevirisi.
Model (Model): Tahminlerde bulunmak veya çıktılar üretmek için veriler üzerinde eğitilmiş matematiksel bir sistem.
Çok modlu yapay zeka (Multimodal AI): Metin, görüntü, ses ve video gibi birden fazla girdi formunu eşzamanlı olarak işleyebilen yapay zeka sistemleri.
Doğal dil işleme (Natural language processing - NLP): Bilgisayarların insan dilini anlamasını, yorumlamasını ve oluşturmasını sağlamaya odaklanan bir yapay zeka alanı.
Optik karakter tanıma (Optical character recognition - OCR): Görüntülerdeki basılı veya el yazısı metni makine tarafından okunabilir metne dönüştüren teknoloji.
Aşırı öğrenme / Aşırı uyum (Overfitting): Bir modelin eğitim verilerini çok spesifik olarak öğrendiği ve yeni verilerde kötü performans gösterdiği bir makine öğrenmesi sorunu.
Parametreler (Parameters): Eğitim sırasında yapay zeka modeli tarafından öğrenilen dahili sayısal değerler.
Örüntü tanıma (Pattern recognition): Verilerdeki kalıpların ve düzenliliklerin otomatik olarak algılanması.
İstem / Komut (Prompt): Bir yapay zeka modeline verilen talimatlar veya girdi metni.
İstem mühendisliği (Prompt engineering): Daha iyi yapay zeka çıktıları elde etmek için istemler tasarlama pratiği.
Tepkisel makineler (Reactive machines): Geçmiş deneyimleri hafızaya almadan veya onlardan öğrenmeden sadece mevcut girdilere tepki veren temel yapay zeka sistemleri.
Akıl yürütme modeli (Reasoning model): Mantıksal analiz, adım adım düşünme ve problem çözme için optimize edilmiş bir yapay zeka modeli.
Özyinelemeli sinir ağı (Recurrent neural network - RNN): Metin, ses veya zaman serisi bilgileri gibi sıralı veriler için tasarlanmış bir sinir ağı mimarisi.
Pekiştirmeli öğrenme (Reinforcement learning): Etmenlerin eylemleri karşılığında ödül veya ceza alarak öğrendiği bir makine öğrenmesi yaklaşımı.
Geri getirme ile zenginleştirilmiş nesil (Retrieval-augmented generation - RAG): Bilgi doğruluğunu artırmak için yapay zeka üretimini dış bilgi erişimiyle birleştiren bir yöntem.
Robotik (Robotics): Robotların tasarımı, inşası ve işletilmesiyle ilgilenen alan.
Robotik süreç otomasyonu (Robotic process automation - RPA): Tekrarlayan dijital görevleri yerine getirmek için kullanılan yazılım otomasyon teknolojisi.
Yapılandırılmış veri (Structured data): Tablolar ve veritabanları gibi açıkça tanımlanmış formatlarda düzenlenmiş veriler.
Denetimli öğrenme (Supervised learning): Doğru çıktıların zaten bilindiği etiketli veri kümelerini kullanan makine öğrenmesi.
Sentetik veri (Synthetic data): Yapay zeka sistemlerini eğitmek veya test etmek için kullanılan yapay olarak oluşturulmuş veriler.
Token / Belirteç (Token): Dil modelleri tarafından işlenen bir metin birimi. Tokenlar kelimeleri, alt kelimeleri veya karakterleri temsil edebilir.
Eğitim (Training): Verileri kullanarak bir yapay zeka modeline öğretme süreci.
Transfer öğrenme (Transfer learning): Bir görevden öğrenilen bilginin başka bir görevdeki performansı artırmak için yeniden kullanılması.
Transformer / Dönüştürücü (Transformer): 2017’de tanıtılan ve modern büyük dil modellerinin temeli haline gelen sinir ağı mimarisi.
Turing testi (Turing test): Alan Turing tarafından, bir makinenin insan sohbetini insanları kandıracak kadar inandırıcı bir şekilde taklit edip edemeyeceğini değerlendirmek için önerilen test.
Yapılandırılmamış veri (Unstructured data): Ses, görüntü, video ve sosyal medya paylaşımları gibi önceden tanımlanmış bir formatı olmayan veriler.
Denetimsiz öğrenme (Unsupervised learning): Gizli kalıpları veya yapıları tanımlamak için etiketsiz verileri kullanan makine öğrenmesi.
Vektör veritabanı (Vector database): Semantik yapay zeka uygulamalarında kullanılan gömülmeleri depolamak ve aramak için optimize edilmiş bir veritabanı.
Sıfır örnekli öğrenme (Zero-shot learning): Bir yapay zeka modelinin, açıkça eğitilmediği görevleri yerine getirme yeteneği.

Notlar

Yapay zekadaki bazı kavramlar hızla gelişmektedir, bu nedenle tanımlar zamanla değişebilir.
Birçok modern yapay zeka uygulaması; transformerlar, çok modlu işleme, gömülmeler ve geri getirme sistemleri gibi birden fazla teknolojiyi birleştirir.
Üretken yapay zeka ve büyük dil modellerinin yükselişi, 2022’den sonra yapay zekanın halka açık kullanımını önemli ölçüde artırmıştır.