Yapay zekâ nedir, nasıl çalışır? Türleri, örnekleri ve kullanım alanları

Öne çıkan bilgiler

• Yapay zekâ, bilgisayarların veriden öğrenerek tahmin, içerik ya da karar üretmesini sağlayan teknolojilerdir.
• AI Index 2025'e göre kuruluşların yüzde 78'i 2024'te en az bir iş biriminde yapay zekâ kullandı.
• AB Yapay Zekâ Yasası, yapay zekâ sistemlerini risk düzeyine göre dört gruba ayıran ilk kapsamlı yasadır.
• Yapay zekâ modeli veriyle eğitilir, verideki örüntüleri öğrenir ve yeni girdiye dayanarak çıktı üretir.

Yapay zekâ, bilgisayar sistemlerinin veriden öğrenerek tahmin, öneri, içerik ya da karar üretmesini sağlayan teknolojilerin genel adıdır. Türk Dil Kurumu onu bir bilgisayarın ya da programlanabilir bir aygıtın “insana benzer biçimde algılama, öğrenme, fikir yürütme, karar verme, sorun çözme” gibi işlevleri sergileyebilme yeteneği diye tanımlar.

Bu rehberde yapay zekâyı temelden ele aldık: resmî tanımlar, bir yapay zekâ sisteminin adım adım nasıl çalıştığı, makine öğrenmesiMakine öğrenmesiBilgisayarın kurallar tek tek yazılmadan, örnek veriden örüntü çıkararak bir işi yapmayı öğrenmesini sağlayan yapay zekâ yöntemi., derin öğrenme ve büyük dil modeli arasındaki fark, dar, genel ve süper zekâ ayrımı, günlük hayattan örnekler, 1956’dan bugüne kısa tarihçe, riskler ve Avrupa Birliği’nin kuralları, Türkiye’nin stratejisi ve yapay zekâyı öğrenmeye nereden başlanacağı. Son bölümde, yapay zekâ aramasının markaların görünürlüğünü nasıl değiştirdiğini anlattık.

Yapay Zekâ Nedir?

Yapay zekâ, bir makinenin kendisine verilen girdiden yola çıkarak tahmin, içerik, öneri ya da karar gibi çıktılar üretmesini sağlayan sistemlerin ortak adıdır; bu sistemlerin ortak özelliği, kuralları tek tek yazılmak yerine veriden öğrenmeleridir. Kısaca söylersek: yapay zekâ, insanın zihinsel işlerinden bir kısmını makineye yaptırma çabasıdır.

Uluslararası düzeyde en çok başvurulan tanım OECD’nindir. OECD üye ülkelerinin Kasım 2023’te güncellediği tanıma göre yapay zekâ sistemi, açık ya da örtük hedefler doğrultusunda, aldığı girdiden tahmin, içerik, öneri ya da karar gibi çıktıları nasıl üreteceğini çıkaran ve fiziksel ya da sanal ortamları etkileyebilen makine tabanlı bir sistemdir. Tanım, farklı sistemlerin kullanıma alındıktan sonra farklı düzeylerde özerklik ve uyum gösterdiğini de ekler. Avrupa Birliği’nin Yapay Zekâ Yasası da bu tanımı esas alır.

İki tanım arasındaki fark öğretici. TDK tanımı yapay zekâyı bir “yetenek” olarak, insana benzerlik üzerinden anlatır. OECD tanımı ise onu bir “sistem” olarak, girdiden çıktı üretme işleviyle tanımlar ve insana benzerlik şartı koymaz. Bugünkü kullanım OECD’ninkine daha yakın: bir e-postayı spam olarak işaretleyen filtre de, bir şiir yazan sohbet asistanı da yapay zekâdır.

Yapay Zekâ Ne Demek, Kısaca?

Kısaca yapay zekâ, makinelerin öğrenme, akıl yürütme ve karar verme gibi insan zekâsına özgü işleri yapabilmesidir. İngilizcedeki karşılığı “artificial intelligence”, kısaltması AI’dır; Türkçede “YZ” kısaltması da kullanılır. Terimin kendisi ilk kez 1955’te yazılan bir araştırma önerisinde kullanıldı.

Yapay Zekâ ile Robot Aynı Şey mi?

Hayır; robot fiziksel bir makinedir, yapay zekâ ise bir yazılım yeteneğidir. Bir robot yapay zekâ kullanmadan, önceden programlanmış hareketleri tekrar ederek de çalışabilir; fabrikalardaki birçok kaynak robotu böyledir. Tersine, yapay zekânın büyük kısmı hiçbir fiziksel gövdeye sahip değildir: bir sohbet asistanı, bir öneri sistemi ya da bir spam filtresi yalnız yazılımdır. İkisi, kamerasıyla çevresini tanıyan bir robot süpürgede ya da sürüş destek sistemi olan bir araçta birleşir.

Yapay Zekâ mı, Yapay Zeka mı Yazılır?

Türk Dil Kurumu’nun Güncel Türkçe Sözlük’ünde madde başı “yapay zekâ” biçimindedir; “zekâ” sözcüğündeki şapka, ince “k” sesini göstermek için kullanılır. Gündelik yazımda ve aramalarda şapkasız “yapay zeka” çok daha yaygındır ve iki biçim de aynı kavramı anlatır. Biz yazılarımızda TDK’nin yazımını kullanıyoruz; arama motorları ve yapay zekâ asistanları da iki yazımı aynı sorgu olarak anlıyor. Benzer biçimde “YZ” ve İngilizce “AI” kısaltmaları da aynı anlama gelir; Türkçe metinlerde ilk geçişte açık yazmak, okurun ve yazılımın terimi doğru eşleştirmesini kolaylaştırır.

Üretken Yapay Zekâ Nedir?

Üretken yapay zekâ, yeni metin, görsel, ses, video ya da kod üreten yapay zekâ sistemlerinin adıdır; ChatGPT, Gemini, Claude ve görsel üreten modeller bu gruba girer. Klasik yapay zekâ bir şeyi sınıflandırır ya da tahmin eder (“bu e-posta spam mı?”), üretken yapay zekâ ise var olmayan bir içeriği oluşturur (“bu ürün için bir e-posta yaz”). Bugün “yapay zekâ” denince çoğu kişinin aklına gelen, bu ikinci gruptur.

Yapay Zekâ Nasıl Çalışır?

Yapay zekâ üç aşamada çalışır: önce büyük miktarda veriyle bir model eğitilir, sonra model bu verideki örüntüleri öğrenir, en son yeni bir girdi geldiğinde öğrendiği örüntülere dayanarak bir çıktı üretir. Son aşamaya çıkarım denir; kullanıcı olarak bizim gördüğümüz, bu aşamadır.

1. 1. VeriModel, öğreneceği işe ait örneklerle beslenir: binlerce kedi fotoğrafı, milyonlarca cümle, yıllarca biriken satış kayıtları. Verinin kalitesi ve çeşitliliği, sonucun kalitesini doğrudan belirler.
2. 2. EğitimModel, örneklerdeki örüntüleri yakalayacak biçimde içindeki milyonlarca, hatta milyarlarca sayısal ağırlığı ayarlar. Her yanlış tahminde ağırlıklar biraz düzeltilir; bu işlem çok sayıda tekrar edilir.
3. 3. DeğerlendirmeEğitilen model, daha önce görmediği verilerle sınanır. Yeni örneklerde de doğru çalışıyorsa genelleme yapabiliyor demektir.
4. 4. ÇıkarımKullanıcı yeni bir girdi verir (bir soru, bir fotoğraf), model öğrendiklerine dayanarak çıktıyı üretir. ChatGPT’ye soru sorduğumuzda gerçekleşen budur.

Bu sürecin önemli bir sonucu var: yapay zekâ “bilmez”, olasılık hesaplar. Bir sohbet asistanı soruyu yanıtlarken bir veritabanından doğru cevabı çekmez; o bağlamda en olası sözcük dizisini üretir. Bu yüzden çok akıcı ama yanlış yanıtlar da üretebilir. Dil modellerinin bu işleyişini, token ve bağlam penceresi kavramlarıyla LLM nedir yazımızda ayrıntılı anlattık.

Yapay Sinir Ağı Nedir?

Yapay sinir ağı, beyindeki sinir hücrelerinden esinlenen, birbirine bağlı çok sayıda basit hesaplama biriminden (nöron) oluşan bir modeldir; her bağlantının bir ağırlığı vardır ve öğrenme, bu ağırlıkların ayarlanmasıdır. Nöronlar katmanlar hâlinde dizilir: ilk katman girdiyi alır (bir fotoğrafın pikselleri, bir cümlenin sözcükleri), aradaki gizli katmanlar örüntüleri işler, son katman çıktıyı verir.

Bir fotoğrafta kedi tanıyan ağı düşünelim. İlk katmanlar kenarları ve renk geçişlerini, ortadaki katmanlar kulak ve göz gibi parçaları, son katmanlar “kedi” kavramını yakalar. Bunların hiçbiri elle tanımlanmaz; ağ, binlerce etiketli fotoğrafta tahmin edip hatasını düzelterek bu ayrımları kendisi bulur. Katman sayısı arttıkça ağ daha karmaşık örüntüleri öğrenebilir; “derin” öğrenme adını buradan alır.

Yapay Zekâ Nasıl Öğrenir?

Yapay zekâ üç temel yolla öğrenir: denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme. Hangisinin kullanılacağını, elimizdeki verinin türü ve modelden beklenen iş belirler.

1. Denetimli öğrenme → Model, doğru cevabı belli örneklerle eğitilir: “bu e-posta spam, bu değil”. Sonra yeni e-postaları kendisi sınıflandırır. Spam filtreleri ve kredi risk modelleri böyle çalışır.
2. Denetimsiz öğrenme → Veride etiket yoktur; model benzer örnekleri kendisi gruplar. Müşterileri satın alma davranışına göre bölümlere ayırmak tipik bir örnektir.
3. Pekiştirmeli öğrenme → Model, bir ortamda deneme yanılmayla hareket eder ve iyi sonuç verdiğinde ödül alır. Oyun oynayan yapay zekâlar ve robotlar bu yöntemle eğitilir; ChatGPT’nin ilk sürümü de insan geri bildirimiyle pekiştirmeli öğrenmeyle ayarlandı.

Makine Öğrenmesi, Derin Öğrenme ve Büyük Dil Modeli Farkı

Makine öğrenmesi, derin öğrenme ve büyük dil modeli iç içe geçmiş kavramlardır: yapay zekâ en geniş çerçevedir, makine öğrenmesi onun veriden öğrenen alt kümesidir, derin öğrenme makine öğrenmesinin çok katmanlı yapay sinir ağlarıyla çalışan dalıdır, büyük dil modeli ise derin öğrenmeyle dil üzerine eğitilmiş modeldir.

Bu sıralama aynı zamanda tarihsel bir sıradır. İlk yapay zekâ programları kuralları elle yazılan sistemlerdi; makine öğrenmesi 1990’larda yaygınlaştı; derin öğrenme 2010’lardaki büyük veri ve ekran kartı gücüyle sıçrama yaptı; büyük dil modelleri ise Google araştırmacılarının 2017’de tanıttığı Transformer mimarisiyle mümkün oldu. 2024 Nobel Fizik Ödülü, yapay sinir ağlarının temellerini atan John Hopfield ve Geoffrey Hinton’a verildi; aynı yıl Kimya Ödülü’nün bir yarısı, protein yapısını tahmin eden AlphaFold’u geliştiren Demis Hassabis ve John Jumper’a gitti.

Doğal Dil İşleme ve Bilgisayarlı Görü Nedir?

Doğal dil işleme ve bilgisayarlı görü, yapay zekânın en çok kullanılan iki alt alanıdır: ilki makinelerin insan dilini, ikincisi görüntüleri anlamasını ve üretmesini sağlar. Bugünkü sohbet asistanları ikisini birleştirir; bir fotoğrafı gösterip onun hakkında yazıyla soru sorabilmemiz bu yüzdendir.

• Doğal dil işleme (NLP) → Metni anlama, özetleme, çevirme, sınıflandırma ve üretme. Arama motorunun sorguyu anlaması, e-postanın otomatik yanıt önerisi ve sohbet asistanları bu alandadır.
• Bilgisayarlı görü → Görüntüdeki nesneleri, yüzleri, yazıları tanıma ve yeni görüntü üretme. Telefonun yüz kilidi, fotoğraf uygulamasında arama, üretim hattındaki kalite kontrol kameraları bu alandadır.
• Konuşma tanıma ve sentezi → Sesi metne, metni sese çevirme. Sesli asistanlar ve otomatik altyazı bu alandadır.

Bu alanların her biri ayrı modellerle başladı; büyük dil modelleri ve çok modlu modellerle tek bir sistemde birleşmeye başladılar.

Yapay Zekâ Mühendisi Ne İş Yapar?

Yapay zekâ mühendisi, makine öğrenmesi modellerini tasarlayan, veriyle eğiten, sınayan ve bir ürünün içinde çalışır hâle getiren yazılım uzmanıdır. Günlük işi; veriyi temizlemek ve hazırlamak, uygun modeli seçmek, eğitimi yürütmek, sonucu ölçmek ve modeli bir uygulamaya bağlamaktan oluşur. Bugün bu işin önemli bir kısmı, hazır büyük dil modellerini bir şirketin verisi ve iş akışıyla birleştirmeye kaydı: sıfırdan model eğitmek yerine, var olan modeli doğru istemler, şirket belgeleri ve araç bağlantılarıyla çalıştırmak. Türkiye’de yapay zekâ mühendisliği lisans programları da açılmaya başladı; bilgisayar, elektrik-elektronik ve endüstri mühendisliği ile matematik ve istatistik bölümleri de bu alana giden yaygın yollardır.

Yapay Zekâ ile Ne Yapılabilir, Ne Yapılamaz?

Yapay zekâ, bol örneği olan, sonucu ölçülebilen ve tekrarlanan işlerde güçlüdür; az örnekli, sorumluluk gerektiren ve dünyayla fiziksel temas isteyen işlerde ise sınırlıdır. Bu ayrımı bilmek, beklentiyi doğru kurmanın ilk adımıdır.

Bu tablonun pratik karşılığı şu: yapay zekâyı işin ilk yüzde sekseninde hızlandırıcı, son yüzde yirmisinde ise denetlenmesi gereken bir yardımcı olarak kullanırız. Taslağı yapay zekâ çıkarır, olguyu, tonu ve kararı insan son hâline getirir.

Yapay Zekâ Ajanı Nedir?

Yapay zekâ ajanı, kendisine verilen bir hedefe ulaşmak için adımları kendisi planlayan, araç kullanan ve sonucu kontrol eden yapay zekâ sistemidir; yalnız yanıt vermekle kalmaz, iş yapar. Bir sohbet asistanına “uçak bileti seçenekleri neler?” diye sorarız; bir ajana ise “bütçeme uygun bileti bul ve rezervasyon taslağını hazırla” deriz.

Ajanlar bugün e-posta ve takvim üzerinde işlem yapan asistanlarda, kod yazıp çalıştıran yazılım araçlarında ve tarayıcıda sayfaları kullanıcı adına gezen sistemlerde kullanılıyor. Ajanların yaygınlaşması, web sitelerinin yalnız insan okura değil, kullanıcı adına sayfayı okuyan yazılıma da açık ve anlaşılır olmasını gerektiriyor.

Yapay Zekânın Bilinci ya da Duyguları Var mı?

Hayır; bugünkü yapay zekâ sistemlerinin bilinci, niyeti ya da duygusu olduğuna dair bilimsel bir kanıt yok. Bir sohbet asistanının “anlıyorum” ya da “üzüldüm” demesi, insan yazışmalarından öğrendiği dil kalıplarını yeniden üretmesidir; bir iç deneyimi göstermez. TDK’nin sözlüğündeki örnek cümle de bu tartışmaya değinir ve bilincin bir programla bilgisayara yüklenemeyeceği görüşünü aktarır. Yapay zekânın bilinç kazanıp kazanamayacağı ise felsefe ve bilişsel bilimde açık bir sorudur.

Yapay Zekâ Türleri: Dar, Genel ve Süper Zekâ

Yapay zekâ, yeteneğinin genişliğine göre üç türe ayrılır: tek bir işte uzmanlaşan dar yapay zekâ, insan gibi her işe uyum sağlayabilen genel yapay zekâ (AGI) ve her alanda insanı aşan süper zekâ (ASI). Bugün kullanılan bütün sistemler, sohbet asistanları dahil, dar yapay zekâ sınıfındadır.

Sohbet asistanlarının “dar” sayılması ilk bakışta şaşırtıcı gelebilir, çünkü şiir de yazıyor, kod da. Google DeepMind araştırmacılarının önerdiği ölçek, bu sistemleri genel yapay zekânın ilk basamağına, yani “gelişmekte olan” düzeye koyar. Basamakların nasıl ölçüldüğünü AGI ve ASI nedir, süper zekâ kavramının kökenini ve son yıllardaki tartışmayı süper zekâ nedir yazılarımızda anlattık.

Günlük Hayattan Yapay Zekâ Örnekleri

Yapay zekâ, çoğu zaman adını anmadığımız yerlerde her gün kullanılıyor: telefonun yüz tanıma kilidi, e-postadaki spam filtresi, navigasyonun trafik tahmini, dizi platformunun öneri listesi ve sohbet asistanları en yaygın örneklerdir. Bunların her biri farklı bir yapay zekâ yöntemine dayanır.

En sık karşılaştığımız on örnek:

1. Arama motorları → Sorgunun ne kastettiğini anlar, sonuçları sıralar, artık bir de yapay zekâ özeti yazar.
2. Sohbet asistanları → ChatGPT, Gemini, Claude, Copilot; soru yanıtlar, metin yazar, görsel üretir.
3. Öneri sistemleri → Dizi, müzik, ürün ve video önerileri; geçmiş davranıştan bir sonraki tercihi tahmin eder.
4. Yüz ve ses tanıma → Telefon kilidi, fotoğraf uygulamasında kişileri gruplama, sesli asistan komutları.
5. Spam ve dolandırıcılık tespiti → E-postadaki istenmeyen iletiler, bankadaki şüpheli kart işlemleri.
6. Navigasyon → Trafik yoğunluğunu ve varış süresini geçmiş veriden ve anlık konumlardan tahmin eder.
7. Çeviri → Bir metni ya da tabelanın fotoğrafını başka dile çevirir.
8. Sağlıkta görüntü analizi → Röntgen ve tomografi görüntülerinde şüpheli bölgeleri işaretleyerek hekime yardımcı olur.
9. Reklam → Reklamın kime, ne zaman, hangi teklifle gösterileceğine karar veren teklif sistemleri.
10. Akıllı ev ve araç → Sürüş destek sistemleri, enerji tüketimini öğrenen termostatlar.

Yapay Zekâ Hangi Alanlarda Kullanılır?

Yapay zekâ bugün sağlık, eğitim, finans, üretim, tarım, ulaşım, kamu hizmetleri ve pazarlamada kullanılıyor; alan fark etmeksizin ortak kullanım, çok veriyi hızla okuyup bir örüntü, tahmin ya da taslak çıkarmaktır. Stanford Üniversitesi’nin AI Index 2025 raporuna göre kuruluşların yüzde 78’i 2024’te en az bir iş biriminde yapay zekâ kullandı; bir yıl önce bu oran yüzde 55’ti.

Pazarlamada yapay zekâ üç yerde yoğunlaşıyor: içerik ve görsel taslağı üretmek, reklam teklif ve hedeflemesini otomatikleştirmek, müşteri verisinden bölüm ve tahmin çıkarmak. Ücretsiz araçlarla hangi işin nasıl yapılacağını ücretsiz yapay zekâ araçları yazımızda, ChatGPT özelinde ChatGPT nedir yazımızda anlattık.

Sağlıkta, Eğitimde ve İş Dünyasında Yapay Zekâ

Sektörlere yakından bakınca yapay zekânın her yerde aynı işi yaptığı görülüyor: çok veriyi hızla okuyup uzmana ön çalışma sunmak. Farklı olan, bu ön çalışmanın kim tarafından ve nasıl denetlendiğidir.

• Sağlık → Görüntü analizi (röntgen, tomografi, patoloji), ilaç araştırmasında molekül tarama ve protein yapısı tahmini, hastane süreçlerinde randevu ve kaynak planlaması. Teşhis ve tedavi kararı hekimde kalır; yapay zekâ ikinci göz işlevi görür.
• Eğitim → Öğrencinin seviyesine göre soru ve açıklama üreten öğretim asistanları, ödev geri bildirimi, çok dilli ders materyali. Öğretmenler için ders planı ve ölçme taslağı hazırlamak en yaygın kullanım.
• Finans → Dolandırıcılık tespiti, kredi risk puanlaması, müşteri hizmetlerinde sohbet botları.
• Üretim ve lojistik → Arıza tahmini (makinenin ne zaman bozulacağını sensör verisinden kestirme), kalite kontrol kameraları, rota ve stok optimizasyonu.
• Pazarlama → İçerik ve görsel taslağı, reklam teklif sistemleri, müşteri bölümleme, arama ve yapay zekâ yanıtlarında görünürlük.

Her sektörde ortak bir ders var: yapay zekâ en çok, iyi tanımlanmış bir işe ve temiz veriye bağlandığında değer üretiyor. “Yapay zekâ kullanalım” diye başlayan projeler, “hangi işi hızlandıralım” diye başlayanlardan daha sık yarıda kalıyor.

Yapay Zekânın Faydaları ve Olumsuz Yönleri

Yapay zekânın en büyük faydası hız ve ölçektir; en büyük riski ise yanlış ya da önyargılı çıktının aynı hız ve ölçekle yayılmasıdır. İkisini yan yana koymak, nerede kullanıp nerede durmamız gerektiğini gösteriyor.

Yapay Zekânın Kısa Tarihçesi

Yapay zekâ kavramı 1956’daki Dartmouth yaz çalıştayıyla bir araştırma alanı olarak doğdu; terim, John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon’ın 1955’te yazdığı çalıştay önerisinde ilk kez kullanıldı. Bu tarihten bugüne alan, büyük beklenti ve hayal kırıklığı dönemlerinden geçerek ilerledi.

Turing Testi Nedir?

Turing testi, bir makinenin zekâsını, yazışma yoluyla bir insandan ayırt edilemeyip edilemediğine bakarak ölçmeyi öneren düşünce deneyidir. Alan Turing 1950’deki “Computing Machinery and Intelligence” makalesinde, “makineler düşünebilir mi” sorusunu tanımı tartışmalı olduğu için bir taklit oyunuyla değiştirmeyi önerdi: bir sorgucu, ekranın arkasındakinin insan mı makine mi olduğunu yazışarak anlamaya çalışır. Bugünkü sohbet asistanları bu tür kısa yazışmalarda insandan ayırt edilmesi zor yanıtlar verebiliyor; bu yüzden araştırmacılar artık zekâyı tek bir testle değil, çok sayıda görevdeki performansla ölçmeyi tercih ediyor.

Yapay Zekâ Kışı Nedir?

Yapay zekâ kışı, büyük vaatlerin karşılanamaması üzerine araştırma fonlarının ve ilginin sert biçimde azaldığı dönemlere verilen addır. Alan iki büyük kış yaşadı: 1970’lerin ortasında, ilk programların gerçek dünya sorunlarında beklenen başarıyı gösterememesiyle, ve 1980’lerin sonunda, kurala dayalı uzman sistemlerin bakım maliyetinin yükselmesiyle. Her iki kışın ardından alan, daha fazla veri ve hesaplama gücüyle geri döndü. Bu tarih, bugünkü beklentileri okurken de iyi bir hatırlatma: yapay zekâda ilerleme düz bir çizgi değil, sıçramalar ve duraksamalar dizisidir.

Yapay Zekâyı Kim İcat Etti?

Yapay zekânın tek bir mucidi yok; terimi 1955’te John McCarthy önerdi ve alan, onunla birlikte Marvin Minsky, Nathaniel Rochester ve Claude Shannon’ın düzenlediği 1956 Dartmouth çalıştayıyla kuruldu. Makinelerin düşünüp düşünemeyeceği sorusunu bilimsel olarak ilk soranlardan biri ise 1950’deki makalesiyle Alan Turing’dir. Bu yüzden genellikle McCarthy “yapay zekânın babası”, Turing ise kuramsal öncüsü olarak anılır.

Yapay Zekânın Riskleri ve Kuralları

Yapay zekânın başlıca riskleri yanlış bilgi üretmesi, verideki önyargıyı sürdürmesi, kişisel veriyi riske atması ve kararların kimin sorumluluğunda olduğunun belirsizleşmesidir. Bu risklere karşı en kapsamlı yasal düzenleme, Avrupa Birliği’nin Yapay Zekâ Yasası’dır.

Sohbet asistanlarında en sık karşılaşılan risk, halüsinasyonHalüsinasyonYapay zekâ modelinin, dayanağı olmayan bir bilgiyi kendinden emin bir dille doğruymuş gibi sunması. adı verilen yanlış bilgi üretimidir. Model, kaynağı olmayan bir rakamı, var olmayan bir makaleyi ya da yanlış bir tarihi akıcı bir cümleyle verebilir. Bu, modelin bilgiyi bir veritabanından çekmeyip olası sözcük dizisini ürettiğinin doğal sonucudur.

Yanlış bilgiye karşı kullandığımız yöntem basit: yapay zekâ çıktısındaki her olgu iddiasını (rakam, tarih, ad, yasa maddesi) ayrı bir liste olarak çıkarıp her birini kaynağından kontrol etmek. Kaynak gösteren araçlarda bile bağlantıyı açıp bilginin gerçekten orada yazdığını görmek gerekir.

AB Yapay Zekâ Yasası Neyi Düzenliyor?

AB Yapay Zekâ Yasası (Tüzük 2024/1689), yapay zekâ sistemlerini risk düzeyine göre dört gruba ayıran ve her gruba farklı yükümlülük getiren ilk kapsamlı yapay zekâ yasasıdır. 1 Ağustos 2024’te yürürlüğe girdi ve kademeli olarak uygulanıyor:

1. 1. 2 Şubat 2025Kabul edilemez riskli uygulamaların yasağı ve yapay zekâ okuryazarlığı yükümlülüğü başladı.
2. 2. 2 Ağustos 2025Genel amaçlı yapay zekâ modelleri için kurallar ve yönetişim hükümleri uygulanmaya başladı.
3. 3. 2 Ağustos 2026Yasa, bazı istisnalarla genel olarak uygulanmaya başladı; şeffaflık kuralları bu tarihte devreye girdi.
4. 4. 2 Aralık 2027Biyometri, eğitim ve istihdam gibi alanlardaki yüksek riskli sistemlerin kuralları; Temmuz 2026’da yürürlüğe giren sadeleştirme paketiyle bu tarihe ertelendi.
5. 5. 2 Ağustos 2028Asansör, oyuncak gibi düzenlenmiş ürünlere gömülü yüksek riskli sistemlerin kuralları.

Yasanın dört risk düzeyi şöyle: kabul edilemez risk (yasak), yüksek risk (piyasaya çıkmadan önce sıkı yükümlülük), şeffaflık riski (kullanıcıya yapay zekâyla muhatap olduğunu bildirme, üretilen içeriği etiketleme) ve asgari risk (özel kural yok). Türkiye AB üyesi değil, ancak AB pazarına ürün ya da hizmet sunan Türk şirketleri bu kurallara tabidir.

Yapay Zekâ İnsanların İşini Elinden Alır mı?

Yapay zekâ bazı işleri tamamen otomatikleştirirken çoğu meslekte işin tamamını değil, belirli görevleri değiştiriyor; en çok etkilenen, tekrar eden ve kurala bağlı görevler. Araştırmacılar arasında yapılan geniş anketlerde de bütün mesleklerin tamamen otomatikleşmesi on yıllar sonrasına tahmin ediliyor. Bizim gördüğümüz tablo şu: yapay zekâyı kullanmayı bilen bir kişi, aynı işi yapan ama kullanmayan birinden daha hızlı çalışıyor. Mesleği koruyan şey, yapay zekâya hangi işin, nasıl yaptırılacağını bilmek ve çıktıyı denetleyebilmek.

Türkiye’de Yapay Zekâ

Türkiye’nin yapay zekâ politikası, Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ile Sanayi ve Teknoloji Bakanlığı’nın birlikte hazırladığı Ulusal Yapay Zekâ Stratejisi’ne dayanır. 2021–2025 dönemini kapsayan strateji, 2021/18 sayılı Cumhurbaşkanlığı Genelgesiyle 20 Ağustos 2021 tarihli Resmî Gazete’de yayımlandı.

Stratejinin öncelikleri; yapay zekâ uzmanı yetiştirmek ve istihdamı artırmak, araştırma, girişimcilik ve yenilikçiliği desteklemek, kaliteli veriye ve teknik altyapıya erişimi kolaylaştırmak, sosyoekonomik uyumu hızlandıracak düzenlemeleri yapmak, uluslararası iş birliklerini güçlendirmek ve yapısal ve iş gücü dönüşümünü hızlandırmaktır. Strateji, 2024’te On İkinci Kalkınma Planı doğrultusunda 2024–2025 Eylem Planı ile güncellendi; güncellemede üretken yapay zekâ ve Türkçe büyük dil modelleri öne çıktı.

Türkçe açısından durum hızla değişiyor. Yaygın sohbet asistanlarının hepsi Türkçeyi anlıyor ve yazıyor; ancak Türkçe kaynak sayısı İngilizceye göre az olduğu için yerel ve güncel konularda modeller daha sık yanılabiliyor. Bu da Türkçe içerik üreten kurumlar için bir fırsat: iyi yapılandırılmış, kaynaklı Türkçe sayfalar, yapay zekâ yanıtlarında kaynak gösterilmeye en yakın sayfalardır.

Yapay Zekâ ve Kişisel Veriler

Türkiye’de bir yapay zekâ aracına kişisel veri girildiğinde 6698 sayılı Kişisel Verilerin Korunması Kanunu devreye girer; müşteri adı, telefonu ya da sağlık bilgisi içeren bir dosyayı yurt dışındaki bir yapay zekâ hizmetine yüklemek, kanunun yurt dışına aktarım kurallarını ilgilendirir. Kurumlar için pratik yol, hangi verinin hangi yapay zekâ aracına girebileceğini yazılı bir iç kurala bağlamak, ücretsiz araçlarda kişisel veriyi hiç kullanmamak ve iş planlarında verinin model eğitiminde kullanılmadığını sözleşmeden doğrulamaktır.

Yapay Zekâ Öğrenmeye Nereden Başlanır?

Yapay zekâ öğrenmeye, hedefe göre iki farklı yoldan başlanır: kullanıcı olarak öğrenmek isteyen biri doğrudan araçları kullanarak ve iyi istem yazmayı öğrenerek, geliştirici olmak isteyen biri ise programlama, matematik ve makine öğrenmesi temelleriyle başlar. İkisi için de en hızlı ilerleme, gerçek bir iş üzerinde denemekle olur.

Yol, hedefe göre şöyle ayrılır:

1. Kullanıcı olarak öğrenmek → Bir sohbet asistanını her gün gerçek bir işte kullanmak, istem yazmayı öğrenmek ve çıktıyı doğrulamayı alışkanlık hâline getirmek. İyi istemin parçalarını prompt ne demek yazımızda anlattık.
2. Kod yazmadan ürün kurmak → Google AI Studio gibi araçlarla yapay zekâ destekli küçük uygulamalar kurmak; bu yolu Google AI Studio nedir yazımızda adım adım gösterdik.
3. Geliştirici olmak → Python, temel istatistik ve doğrusal cebirle başlamak; sonra makine öğrenmesi ve derin öğrenme derslerine geçmek; en son açık modellerle ve API’lerle gerçek projeler yapmak.

Hangi yolu seçersek seçelim, temel bir alışkanlık değişmiyor: yapay zekânın çıktısını bir taslak, bir öneri olarak okumak ve son kararı kendimiz vermek.

Yapay Zekâ Araması Markaların Görünürlüğünü Nasıl Değiştiriyor?

Yapay zekâ, aramayı bir bağlantı listesinden doğrudan bir yanıta dönüştürüyor; kullanıcı artık on sonuç arasında gezinmek yerine yapay zekânın yazdığı özeti okuyor ve yalnız kaynak gösterilen sayfalara tıklıyor. Bu yüzden bir markanın görünürlüğü, sıralamanın yanında artık yanıtta kaynak olarak gösterilip gösterilmemesine de bağlı.

Bu yeni görünürlük alanı için yapılan çalışmanın adı GEOGEO (Generative Engine Optimization)Bir markanın içeriğinin üretken yapay zekâ yanıtlarında kaynak olarak gösterilmesi için yapılan optimizasyon. olarak yerleşti. Yapay zekâ yanıtlarında kaynak olmak için sayfanın; yapay zekâ tarayıcılarına açık olması, sorunun yanıtını ilk cümlelerinde net vermesi ve iddialarını doğrulanabilir kaynaklarla desteklemesi gerekiyor.

Bu bölümde biz de kendi işimizden konuşuyoruz: müşteri sitelerinde ilk adım, markanın sık sorulan sorularını farklı yapay zekâ asistanlarında sorup kaynak listesini kaydetmek; ikinci adım, sayfaları yanıt motorlarının okuyabileceği biçimde yeniden kurmak. Konunun çerçevesini GEO nedir yazımızda, müşteri tarafındaki çalışmamızı GEO danışmanlığı sayfamızda anlattık. Sitenizin yapay zekâ tarayıcılarına nasıl göründüğünü ücretsiz AI görünürlük analizi aracımızla ölçebilirsiniz. Yapay zekâ dünyasındaki yenilikleri yapay zekâ rehberlerimizde izliyoruz.

Sık sorulan sorular