Yapay Zeka Türleri: Kapsamlı Bir Rehber

Yapay Zeka (YZ) size bir anda her yerdeymiş gibi geliyorsa, bunun nedeni gerçekten de öyle olmasıdır. McKinsey'nin yakın tarihli pazar araştırmasına göre, küresel YZ benimsenmesi 2020–2021 yıllarında kuruluşların yaklaşık %50–%60'ından 2025'te şaşırtıcı bir şekilde %88'e yükseldi.

Ancak bu patlayıcı büyüme dilbilimsel bir sorun yarattı. "YZ" birbirinden çok farklı teknolojileri tanımlamak için kullanılan bir şemsiye moda sözcüğe dönüştü. Basit kural tabanlı sohbet botları, görsel üreticiler ve bilim kurgu filmlerindeki geleceğe ait robotlar için birbirinin yerine kullanılıyor.

Veri profesyonelleri için bu belirsizlik bir engel. Bir paydaş "YZ çözümü" istediğinde şunu bilmelisiniz: Basit bir regresyon modeli mi, üretken bir ajan mı, yoksa bir bilgisayarlı görü sistemi mi gerekiyor?

Bu kapsamlı rehberde, bu terminolojiye bakacağız. Sadece tanımları sıralamakla kalmayacağız; bunun yerine, dört farklı mercekten inceleyeceğiz: nasıl inşa edildiği, neler yapabildiği, nasıl karar verdiği ve gerçek dünya iş akışlarına nasıl uyduğu.

Konuya yeniyseniz, Artificial Intelligence'ı Anlamak kursunu öneririm.

YZ nedir?

Yapay Zeka (YZ), problem çözme, konuşma tanıma ve karar verme gibi genellikle insan zekâsı gerektiren görevleri yerine getirebilen akıllı ajanlar oluşturmaya odaklanan, bilgisayar biliminin bir alt dalıdır.

YZ, pek çok yaklaşımı olan disiplinler arası bir bilimdir. Önceden tanımlanmış koşullar altında çalışan kural tabanlı olabilir veya veriden öğrenmek için makine öğrenmesi algoritmalarını kullanabilir; bu da sistemlerin öngörülemeyen senaryolara uyum sağlamasına imkân tanır.

Bununla birlikte, YZ'yi tam olarak tanımlamak, araştırmacıların "YZ Etkisi" dediği şey yüzünden şaşırtıcı derecede zordur. Bu olgu, teknolojiler olgunlaştıkça toplumun YZ algısının sürekli değişmesini anlatır. Bir yetenek sıradanlaştığında, insanlar ona "YZ" demeyi bırakır ve onu sıradan yazılım olarak görmeye başlar. 

Bu değişken tanım ve geniş kapsam nedeniyle, tek bir sınıflandırma yeterli değildir. Tam resmi görmek için birden fazla merceğe ihtiyacımız var:

• Teknoloji: Temel algoritmalar ve mimariler. 
• Yetkinlik: Zekâ seviyesinin dar olandan süperzekâya kadar ölçülmesi.
• İşlevsellik: Sistemler bilgiyi nasıl işler ve belleği nasıl sürdürür?

Örneğin bir otonom araç aynı anda üç şekilde sınıflandırılabilir:

• Dar YZ (belirli yetkinliğine göre).
• Derin Öğrenme (kullandığı temel teknolojiye göre).
• Sınırlı Bellek (işlevselliğine göre).

İzleyen bölümlerde bu belirli türleri inceleyeceğiz.

Tamamen teknik olmayan bir başlangıç için Yeni Başlayanlar için YZ Rehberi yazımızı okumanızı öneririm.

Teknoloji Temelli YZ Türleri

YZ'yi sınıflandırmanın en sağlam yolu, sistemi çalıştıran "motor" yani temel teknolojiye göre yapmaktır. Bu sınıflandırma, sistemleri veriyi nasıl işledikleri ve nasıl öğrendiklerine göre ayırır. Hadi bu farklı türlere bakalım.

Makine öğrenmesi

Makine Öğrenmesi (ML), veriden öğrenen ve her bir kural için açıkça programlanmadan kendini geliştiren sistemlere odaklanan YZ'nin bir alt kümesidir. "Şuysa bunu yap" diyen kod yazmak yerine, algoritmayı verilerle besler ve örüntüleri kendisinin bulmasına izin verirsiniz.

Makine öğrenmesi, her biri farklı sorun türlerine uygun üç ana öğrenme paradigmasına ayrılır:

• Denetimli Öğrenme: İş dünyasında en yaygın biçim. Etiketli verileri (girdi-çıktı çiftleri) kullanarak algoritmaları eğitir. Örneğin, modele "Spam" veya "Spam Değil" olarak etiketlenmiş 1.000 e-posta gösterirsiniz ve bir sonraki e-postayı sınıflandırmayı öğrenir. Yaygın algoritmalar arasında Doğrusal Regresyon, En Yakın Komşular (KNN) ve Karar Ağaçları bulunur.
• Denetimsiz Öğrenme: Algoritmaya etiketlenmemiş veri verilir ve gizli yapıları veya örüntüleri kendi başına bulması beklenir. Bu, müşteri segmentasyonu (kümeleme) için sıklıkla kullanılır. K-Ortalamalar Kümeleme ve Temel Bileşen Analizi (PCA) en yaygın algoritmalar arasındadır.
• Pekiştirmeli Öğrenme (RL): Tamamen farklı bir yol izleyen RL, ödül-ceza sistemiyle deneme-yanılma yoluyla ajanları eğitir. Bir RL ajanı, çevreyle etkileşimi hakkında geri bildirim alır ve zaman içinde toplam ödülleri maksimize eden davranışları kademeli olarak öğrenir. Bu yöntem, robotları ve AlphaGo gibi gelişmiş oyun oynayan YZ'leri eğitmek için kullanılır.

Makine öğrenmesinde sağlam bir temel atmak için, Python ile Makine Öğrenmesi Temelleri yetkinlik yolunu tamamlamanızı öneririm.

Derin öğrenme

Derin öğrenme (DL), insan beyninin yapısından esinlenen, ML'nin uzmanlaşmış bir alt kümesidir. Çok sayıda katmana sahip yapay sinir ağlarını (bu yüzden "derin") kullanarak, büyük veri kümelerindeki karmaşık ve doğrusal olmayan ilişkileri modeller. Geleneksel ML daha fazla veriyle bir noktada tıkanabilirken, DL çoğu zaman gelişmeye devam eder.

Temel mimariler şunlardır:

• Evrişimli Sinir Ağları (CNN): Görüntü işleme için altın standart. Görselleri otomatik olarak taramak ve kenarlar, şekiller, dokular gibi mekânsal hiyerarşileri tespit etmek için "filtreler" kullanır.
• Yinelemeli Sinir Ağları (RNN): Zaman serileri veya konuşma gibi sıralı veriler için tasarlanmıştır. Önceki girdilerin bir "hafızasını" tutarak mevcut çıktıyı etkiler.
• Transformer'lar: Büyük Dil Modelleri (LLM), örneğin GPT 5.2 ve Gemini 3 gibi modern modellerin arkasındaki mimari. Dikkat mekanizmasını kullanarak veri dizilerini eşzamanlı işler; kelimeleri tek tek işlemek yerine, kelimelerin birbirine göre önemini tartar.
• Üretici Çekişmeli Ağlar (GAN): Bir "üretici"nin sahte veri oluşturduğu ve bir "ayırt edici"nin bu sahteleri tespit etmeye çalıştığı iki ağın yarıştığı bir çerçeve. Bu rekabet, son derece gerçekçi sentetik çıktılarla sonuçlanır.
• Difüzyon Modelleri: Midjourney gibi araçların motoru. Rastgele gürültüyü sistematik olarak tersine mühendislikle net ve görsel olarak ayırt edilebilir görüntülere dönüştürmeyi öğrenerek yüksek kaliteli görseller üretirler.

Bu modelleri kendiniz inşa etmek istiyorsanız, PyTorch ile Derin Öğrenmeye Giriş kursuyla başlamanızı öneririm.

Doğal dil işleme

Doğal dil işleme (NLP), bilgisayarların insan dilini anlamlı biçimlerde anlamasını, yorumlamasını ve üretmesini sağlamaya odaklanır. NLP, doğal dilin doğasında bulunan belirsizlik, bağlam bağımlılığı ve karmaşıklıkla başa çıkarak insan iletişimi ile makine kavrayışı arasındaki boşluğu kapatır.

Teknikler şunları içerir: 

• Duygu analizi: Bir ifadede yatan duygu ve tutumu çözümlemek; örneğin bir incelemenin olumlu mu olumsuz mu olduğunu sınıflandırmak
• Ad Öbeği Tanıma (NER): Metinde kişi veya yer adlarını belirleme
• Tokenizasyon: Metni sözcükler, heceler veya hatta tek tek karakterler gibi daha küçük birimlere bölme

Python'da transformers kullanarak bir duygu analizi örneğine bakalım:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Bilgisayarlı görü

Bilgisayarlı görü, makinelerin dijital görüntü ve videolardan anlamlı bilgiler çıkarmasını sağlar; böylece bilgisayarlar, görsel veriyi insan algısına benzer şekilde algılayıp anlayabilir. Bu alan, nesneleri tanımlama, mesafe ölçme ve hatta insan gözlemciler için görünmez olabilecek örüntüleri tanıma gibi konularla ilgilenir.

Bilgisayarlı görü sistemleri, ham görsel veriden giderek daha soyut temsiller çıkarmak için görüntü işleme tekniklerini özellikle derin öğrenmeyle birleştirir. Temel görevler şunlardır:

• Görüntü sınıflandırma: Bir görüntüde ne olduğunu belirleme (örn. "Bu bir kedi").
• Nesne tespiti: Bir nesnenin nerede olduğunu bulma (örn. "x,y koordinatlarında bir yaya var").
• Yüz tanıma: Kimliği yüz özelliklerine göre doğrulama.

Tıbbi görüntüleme, bilgisayarlı görünün en etkili uygulamalarından birini temsil eder; YZ sistemleri, röntgen, BT ve MR taramalarında tümörleri, insan radyologlarınkine eşit veya daha yüksek doğrulukla tespit edebilmektedir. Bu sistemler sağlık profesyonellerinin yerini almaz; örneğin, uzman incelemesi için potansiyel anormallikleri işaretleyerek onları destekler.

Ses işleme

Ses işleme, insan konuşması ve çevresel sesler dahil işitsel sinyallerin tanınması, yorumlanması ve sentezine odaklanır. Amaç, makinelerin dinlemesini, anlamasını ve ses içeriği üretmesini sağlamak; akustik dalgalar ile anlamsal içerik arasındaki boşluğu kapatmaktır. 

Otomatik Konuşma Tanıma (ASR), konuşulan dili yazılı metne dönüştürür ve sesli asistanları, transkripsiyon hizmetlerini ve erişilebilirlik araçlarını güçlendirir. Modern ASR sistemleri, ses dalga formlarını doğrudan metin dizilerine eşleyen transformer mimarilerini kullanır; temiz konuşmada insana yakın doğruluk elde eder ve arka plan gürültüsü veya aksanlı konuşma gibi zorlu koşullarda sürekli iyileşir. 

Amazon Polly gibi Metinden Konuşmaya (TTS) motorları ise tersini yapar; yazılı metinden doğal sesli konuşma sentezler ve gerçekçi prozodi, tonlama ve duygusal ifade üreten sinirsel vokoderler kullanır. Güncel TTS sistemleri, sadece birkaç dakikalık örnek sesten ses klonlayabilir; bu da hem yaratıcı olanaklar hem etik kaygılar doğurur.

Uygulamalar, konuşma işlemenin ötesinde yaratıcı ve pratik alanlara uzanır. Ses klonlama teknolojisi, kişiselleştirilmiş sanal asistanları, tutarlı seslerle sesli kitap anlatımlarını ve tartışmalı deepfake seslerini mümkün kılar.

Robotik ve somutlanmış YZ

Bu alan, YZ ile mühendisliğin kesişimini temsil eder. Somutlanmış YZ, gelişmiş "beyinleri" (görsel-dil modelleri gibi) fiziksel robot gövdelerine yerleştirmeyi içerir. YZ'nin büyük kısmı tamamen dijital biçimde var olurken, somutlanmış YZ yerçekimi, sürtünme ve fiziksel ortamların öngörülemeyen karmaşıklığıyla baş etmek zorundadır. 

Bu gerçeklik zeminine oturuş, salt hesaplamalı YZ'de bulunmayan zorluklar getirir; ancak fiziksel dünya ile doğrudan etkileşimi de mümkün kılar. Geleneksel robotlar, her görev için açık programlama gerektirirdi; mühendisler belirli sonuçlara ulaşmak için hassas hareketleri ve karar ağaçlarını elle kodlardı. 

Modern somutlanmış YZ sistemleri, "elmayı al" veya "şu kapıyı aç" gibi doğal dil komutlarını anlayarak, nesneleri görsel algı yoluyla tanımlayıp, görev-özel programlama gerektirmeden uygun eylemleri planlayabilir. 

Bu ilerleme, insanların çok kolay bulduğu çamaşır katlama, kapı açma, dağınık odalarda gezinme gibi işlerin robotlar için olağanüstü zor; buna karşın insanların zorlandığı satranç veya kalkülüs gibi işlerin YZ için görece kolay olduğunu belirten Moravec Paradoksu'na yanıt verir. 

Somutlanmış YZ, temel modelleri kullanarak nihayet bu boşluğu kapatıyor ve robotlara insanların doğal kabul ettiği algısal anlayış ile uyarlanabilir planlamayı kazandırıyor. Uygulamalar arasında robot süpürgeler gibi tüketici cihazları, endüstriyel işbirlikçi robotlar (cobot'lar) ve Boston Dynamics'in Atlas'ı gibi gelişmiş insansı robotlar yer alır.

Yetkinlik Temelli YZ Türleri

Teknoloji bir YZ'nin nasıl inşa edildiğini tanımlarken, yetkinlik onun insan zekâsına göre neler yapabildiğini tanımlar. Bu sınıflandırma, mevcut sınırlamalardan teorik geleceklere uzanan bir YZ evrim zaman çizelgesi işlevi görür.

Yapay dar zekâ

Yapay Dar Zekâ (ANI), Zayıf YZ olarak da bilinir ve bugün var olan yapay zekâyı temsil eder. Belirli, önceden tanımlanmış görevlerde mükemmelleşmek üzere tasarlanan, ancak dar eğitim parametrelerinin dışındaki herhangi bir görevde tamamen başarısız olan sistemler anlamına gelir. Bir satranç botu araba süremez; bir tıbbi tanı aracı şiir yazamaz.

Ancak "dar" tanımı genişliyor. Güncel son teknoloji, gelişmiş çok kipli Büyük Dil Modellerini (LLM) içeriyor. Metin, ses ve görsel girdileri eşzamanlı işleyebilen GPT-5.2 ve Gemini 3 gibi modellerin piyasaya çıktığını görüyoruz. 

Akıl yürütmeyi taklit etseler de hâlâ dünyanın gerçek bir anlayışından yoksundurlar. Geliştiriciler bu ANI sistemleriyle, uygulamalara entegre etmek için API'ler üzerinden etkileşime girer.

ANI içindeki bir sonraki adım Ajansal YZ'dir. Bunlar, pasif sohbette öteye geçip, web'de gezerek uçak bileti ayırtma gibi çok adımlı eylemleri otonom olarak gerçekleştirebilen ve daha geniş zekâya köprü oluşturan sistemlerdir.

Yapay genel zekâ

Yapay Genel Zekâ (AGI), YZ araştırmalarının kutsal kâsesi olarak anılır. Bir makinenin, tamamen alakasız alanlarda öğrenme, akıl yürütme ve sorun çözme yeteneğine sahip olduğu, insan bilişsel esnekliğiyle eşleştiği teorik bir aşamayı ifade eder.

Temel ayrıştırıcı, genelleştirmedir. Portekizce konuşmak üzere eğitilmiş bir ANI sistemi, bu bilgiyi İspanyolcayı daha hızlı öğrenmek için kullanamaz. Bir AGI sistemi ise bir alandaki mantığı, elle yeniden eğitime gerek kalmadan başka bir alana uygulayabilir.

AGI zaman çizelgesi yoğun tartışma konusudur. Sektördeki iyimserler 2026 ile 2029 arasında geleceğini öngörür. Buna karşılık, şüpheciler, bunu başarmak için gerekli temel mimariden (özellikle doğru "dünya modelleri") yoksun olduğumuzu savunur ve zaman çizelgesini 2040 veya sonrasına yerleştirir.

Yapay süper zekâ

Yapay süper zekâ (ASI), YZ'nin pratikte her alanda en zeki insan zihinlerini aşacağı varsayımsal bir aşamayı tanımlar: bilimsel yaratıcılık, genel bilgelik, sosyal beceriler ve problem çözme. ASI sadece Einstein veya Da Vinci ile yarışmakla kalmayacak; onları, onların ortalama insan zekâsını aştığı ölçüde aşacaktır.

ASI'yi çevreleyen en büyük endişe, kendi mimarisini yeniden tasarlayıp daha akıllı hale geldiği, sonra da bu gelişmiş zekâyı daha fazla iyileştirme yapmak için kullandığı, kontrolden çıkmış bir geri bildirim döngüsüyle üstel hızda zekâ artışına yol açan özyinelemeli kendini geliştirmedir. 

Bu zekâ patlaması, davranışlarını öngörmenin imkânsızlaştığı ölçüde, insan kavrayışının çok ötesinde sistemleri hızla ortaya çıkararak hizalama ve kontrol konusunda derin güvenlik soruları gündeme getirebilir. Bir ASI'nin hedefleri insan değerleriyle az da olsa uyumsuzsa, üstün zekâsı bu hedefleri insanlığa zarar verecek yollarla takip edebilir.

ASI'yi inşa etmek için güvenilir bir yol haritası yoktur ve birçok araştırmacı, süper zekânın elde edilebilir veya kavramsal olarak tutarlı olup olmadığını sorgular. Yine de ASI'nin teorik olasılığı, giderek yeteneklenen sistemlerin faydalı ve kontrol edilebilir kalmasını sağlamak için YZ hizalama konusunda ciddi akademik çalışmaları motive eder. 

İşlevsellik Temelli YZ Türleri

Yetkinlik gücü ölçerken, işlevsellik sistemin dünyayla nasıl etkileşime girdiğini ve veriyi nasıl işlediğini ölçer. Bu sınıflandırma, 1990'lardan kalma bir satranç bilgisayarı ile geleceğin sosyal robotlarını ayırt etmemizi sağlar. Her türe bakalım.

Tepkisel makineler

Tepkisel Makineler, YZ'nin en temel ve en eski biçimini temsil eder. Bu sistemlerin geçmiş veya gelecek kavramı yoktur; önceden programlanmış kurallara dayalı olarak yalnızca anlık girdilerle çalışırlar.

Tepkisel YZ'nin belirleyici özelliği durumsuz ve deterministik olmasıdır. Aynı girdiyi tepkisel bir makineye on kez verirseniz, on kez de aynı çıktıyı üretir. Deneyimden öğrenemez çünkü bellek depolamaz.

Bu türe iyi bir örnek, Garry Kasparov'u yenen satranç bilgisayarı IBM’in Deep Blue'sudur. Kasparov'un psikolojisini öğrenmedi; yalnızca mevcut tahta durumuna göre en iyi hamleyi hesapladı. E-posta geçmişinizi analiz etmeden anahtar kelimeleri işaretleyen standart spam filtreleri de bu kategoriye girer.

Sınırlı bellekli YZ

Sınırlı bellekli YZ, modern uygulamalara hâkimdir. Bilinçli kararlar almak için son verileri veya bağlamı geçici olarak depolayarak dinamik davranışı mümkün kılar. Tepkisel makinelere kıyasla, sınırlı bir bağlam penceresi dahilinde tarihsel bilgiyi referans alır.

Bugün kullanılan neredeyse tüm Öngörücü YZ ve Üretken YZ araçları bu kategoriye aittir. Claude Opus 4.5 gibi LLM'ler, birkaç dakika önce söylediklerinizi hatırlayarak önceki konuşmaların üzerine inşa edilen tutarlı yanıtlar sunmak için konuşma geçmişini korur. Bağlam penceresi, sistemin ne kadar tarihsel bilgiyi referans alabileceğini belirler. 

Otonom araçlar, yalnızca mevcut konuma tepki vermek yerine, birkaç saniyelik süre boyunca yakın araçların hızını ve yörüngesini izleyerek gelecekteki konumlarını tahmin eder.

Zihin Kuramı YZ

Zihin Kuramı YZ, araştırma prototipi ile pratik yetenek arasında tartışmalı bir alanı işgal eder. Bu kategoriye giren sistemler, insanın zihinsel durumlarını, inançlarını, niyetlerini, duygularını ve arzularını modelleyerek davranışı doğru biçimde öngörebilir. 

Bu yetenek, doğal sosyal etkileşim için esastır; YZ'nin örtük ipuçlarını yorumlamasını, aldatmayı tespit etmesini veya yanıtlarını bir kullanıcının ruh hâline uyarlamasını sağlar. 

OpenAI'nin GPT-4 gibi önceki sınır modelleri, Stanford araştırmacısı Michal Kosinski'nin 2024 PNAS çalışmasında gösterildiği üzere, yanlış inançlara dayalı eylemleri öngörmek gibi yanlış inanç görevlerinde insan seviyesinde sonuçlar elde etti. 

Yine de uzmanlar, bunun modern LLM'lerin zaten gerçek bir zihin kuramı sistemleri olarak sınıflandırılabileceği anlamına mı geldiğini, yoksa yalnızca dil eğitiminden örüntü eşleştirme uyguladıklarını mı tartışıyor.​ Prototip girişimlere, simüle ortamlarda diğer ajanların inançlarını çıkarsamak üzere tasarlanmış DeepMind'in ToMnet'i örnek verilebilir.

Öz farkındalığa sahip YZ

Öz farkındalığa sahip YZ, bilinç, duyumsama ve kendini çevresinden ayrı, açık bir biçimde anlama yetisine sahip makineler kavramını tanımlar. 

Bu, yalnızca zekâyı değil, öznel deneyimi de temsil eder. Böyle bir makine, yalnızca kendisiyle ilgili bilgiyi işlemekle kalmaz; "Varım" şeklinde hissedilen bir öz-duyuma ve buna eşlik eden duygulara, ihtiyaçlara ve arzulara sahip olurdu.

Bu seviye, salt hesaplama yetisini aşarak bilincin doğasına ilişkin felsefi alana girer. Öz farkındalığa sahip bir YZ, acı, haz ya da devre dışı bırakılma korkusu yaşar mıydı? Eğer öyleyse, ahlaki değerlendirme ya da hakları hak eder mi? Bu sorular, tartışmayı mühendislikten etiğe taşır.

Mevcut sistemlerin hiçbiri bu seviyeye yaklaşmıyor. 2001: Bir Uzay Macerası'ndaki HAL 9000 ya da Star Trek'teki Data gibi kurgusal örnekler kavramı canlandırsa da, buna ne zaman ulaşılıp ulaşılamayacağı spekülatif olmaya devam ediyor.

Temel YZ Model Türleri

Yüksek düzeyli teorinin ötesinde, veri profesyonelleri üretimde karşılaşacakları belirli mimarileri anlamalıdır. Genel olarak, bugün sektörde kullanılan YZ model türleri ya üretici ya da analizci olarak sınıflandırılabilir. Bu ayrım hakkında daha fazlasını üretken ve ayrıştırıcı modeller yazımızda okuyabilirsiniz.

Üretken YZ: Üreticiler

Üretken YZ modelleri, eğitim verilerinize benzeyen yeni veri örnekleri üretmek için tasarlanmıştır. Bu modeller, orijinal metin, görsel, kod veya ses üretmek için bir veri kümesinin altta yatan olasılık dağılımını öğrenir. Analizden üretime bu kayma, ölçeklenebilir içerik üretimi, yaratıcı destek ve benzetim için birçok olasılık sunar. 

Popüler örnekler arasında yazma ve Claude gibi LLM'ler ve kodlama, görsel sentezi için Midjourney veya Nano Banana Pro gibi difüzyon modelleri ve karmaşık sahneleri simüle edebilen Sora gibi video üretim modelleri yer alır. Dikkat çekici biçimde, tüm görsel üreticiler difüzyona dayanmaz; GPT Image 1.5 gibi modeller bunun yerine otoregresif bir mimari kullanır.

Üretken YZ, yalnızca yanıt vermekle kalmayıp aktif olarak varlıklar veya planlar oluşturan modellerin yer aldığı ajansal YZ iş akışlarında büyük bir atılımı temsil eder. Ajanlara daha sonra ayrıntılı olarak bakacağız.

Ayrıştırıcı YZ: Analistler

Manşetleri Üretken YZ kaplasa da, ayrıştırıcı YZ, diğer adıyla öngörücü YZ, kurumsal operasyonların belkemiği olmaya devam eder. Bu modeller yeni veri üretmez; bunun yerine, bir veri kümesinde sınıflar arasındaki sınırı öğrenerek girdileri sınıflandırır veya gelecekteki değerleri tahmin eder.

Ayrıştırıcı YZ'nin iş değeri, karar almayı bilgilendirme ve riski değerlendirme kabiliyetinde yatar. Kuruluşlar, öğrenilen ölçütlerin tutarlı biçimde uygulanmasını gerektiren yargıları otomatikleştirmek için bu modelleri kullanır.

Üretken modellere kıyasla ayrıştırıcı modeller, yaratıcılığa odaklanmaz; doğruluk ve güvenilirliği önceler ve hataların ciddi sonuçlar doğurduğu yüksek riskli senaryolarda sıklıkla çalışır.

Örnekler:

• Kredi skorlama modelleriyle kredi temerrüt riskini tahmin etmek.
• E-postaları gereksiz veya meşru olarak sınıflandıran spam filtreleri.
• Röntgenlerde anormallikleri belirleyen tıbbi tanı araçları.
• Hileli işlemleri tespit eden finansal izleme sistemleri. 

Temel modeller

Temel modeller, metin, görsel, kod ve yapılandırılmış veri dâhil geniş ve çeşitli veri kümeleri üzerinde eğitilerek, alanlar arasında uygulanabilir genel örüntüleri öğrenir. Bir temel model yalnızca görüntü sınıflandırmayı öğrenmez veya metin üretmez; dil, akıl yürütme ve dünya bilgisine dair geniş bir anlayış geliştirir ve bu anlayışı, minimum ek eğitimle yeni görevlere aktarır.

Bu yaklaşım, yeni uygulamalar için YZ'yi devreye almak üzere gereken zaman ve veriyi dramatik ölçüde azaltır. Her spesifik sorun için ayrı bir model inşa etmek yerine, kuruluşlar tek bir temel modeli, hukuki belge analizi, kod üretimi ve dil çevirisi gibi çeşitli görevler için ince ayar yapar.

Şu anda Küçük Dil Modelleri (SLM) yükselişte. Bunlar, dizüstü bilgisayarlar veya telefonlar gibi cihazlarda yerel olarak çalışacak şekilde tasarlanmış, temel modellerin verimli ve damıtılmış sürümleridir; bulut tabanlı devlerin büyük hesaplama maliyeti olmadan mahremiyet ve hız sunarlar.

YZ Ajan Türleri

YZ, pasif araçlardan karmaşık iş akışlarını yürütebilen otonom ajanlara evriliyor. Standart bir model, bir çıktı üretmek için bir girdi beklerken, bir YZ Ajan, ortamını algılayabilir, bir hedefe nasıl ulaşacağını düşünebilir ve bunu uygulamak için eyleme geçebilir. Ajanların arkasındaki mimariyi ve nasıl inşa edildiklerini anlamak için YZ Ajanlarına Giriş kursumuzla başlamanızı öneririm.

YZ ajanları genellikle karmaşıklık ve özerklik düzeylerine göre kategorize edilir. Onlara bir göz atalım.

Basit refleks ajanları

Refleks ajanlar, bir ajanın en basit biçimidir. Katı bir "Koşul-Eylem" kuralıyla çalışır; yalnızca mevcut algıya tepki verir, geçmişi yok sayar. Akıllı bir termostat, şu kurallarla buna örnek verilebilir: Sıcaklık 68°F'nin altına düşerse ısıtmayı aç. 72°F'yi aşarsa soğutmayı etkinleştir. 

Montaj hattı robotları bir diğer örnektir; sensörler, parçaların belirlenen konumlara ulaştığını gösteren koşulları tespit ettiğinde eylemleri gerçekleştirirler. Refleks ajanlar, istikrarlı ortamlardaki tekrarlayan görevlerde başarılıdır; ancak bağlamsal anlayıştan yoksun oldukları için koşullar beklenmedik biçimde değiştiğinde zorlanırlar.

Model tabanlı refleks ajanları

Model tabanlı refleks ajanları, kısmi gözlenebilir ortamları yönetmek için zaman içinde bir iç dünya modeli tutar ve durumu izler. Yalnızca tepki vermez, doğru çalışmak için gerekli kilit bilgileri de hatırlarlar.

Otonom acil frenleme sistemleri buna güzel bir örnektir; yalnızca anlık tehditlere tepki vermek yerine radar ve kameralardan gelen veriyi birleştirerek zaman içinde araç yörüngelerini izler. Bir kamyonun arkasında kaybolduktan sonra bile bir aracın tahmini konumunu hatırlamak gibi, eksik bilgiyle dahi doğru durum kestirimi yaparlar.

Hedef tabanlı ajanlar

Hedef tabanlı ajanlar, yalnızca tepki vermek yerine belirli hedeflere ulaşmak için hareket eder. "İtalya'ya tatil planla" gibi bir hedef verildiğinde, birden fazla eylem dizisini değerlendirir ve hangisinin hedefi karşıladığını belirler. Bu, ajansal YZ'nin ön cephesini temsil eder.

Yazılım mühendisliği için Roo Code gibi araçlar veya otonom rezervasyon asistanları; arama, karşılaştırma, kısıtları kontrol etme ve karar verme gibi çok adımlı iş akışlarını yürüterek bütün işleri tamamlar. n8n gibi iş akışı platformları, YZ ajanlarının karar noktalarını ve uyarlanabilir mantığı ele aldığı karmaşık süreçler inşa etmeyi mümkün kılar.

YZ Ajanlarında sağlam bir temel oluşturmak istiyorsanız, YZ Ajan Temelleri yetkinlik yolunu almanızı öneririm.

Fayda tabanlı ajanlar 

Fayda tabanlı ajanlar bir adım daha ileri gider: herhangi bir işe yarar yol yerine, hedeflere giden en iyi yolu optimize eder. Bunu, sonuçlara sayısal puanlar atayan ve nicel karşılaştırma yapılmasını sağlayan fayda fonksiyonlarını kullanarak yaparlar. 

Hedef tabanlı bir ajan herhangi bir Roma uçuşunu ayırtırken, fayda tabanlı bir ajan maliyet, süre, aktarma sayısı ve kalkış saatleri gibi etkenleri dikkate alarak toplam faydayı maksimize eder.

Örnekler arasında kârı riskle dengeleyen algoritmik alım-satım sistemleri ve en hızlı süre, en kısa mesafe veya ücretli yolları kaçınma gibi kullanıcı tercihlerini temel alarak rotaları optimize eden Waze gibi navigasyon uygulamaları bulunur.

Öğrenen ajanlar

Öğrenen ajanlar, bilinmeyen veya değişen ortamlarda çalışır ve insan müdahalesi olmadan deneyim yoluyla sürekli olarak gelişir. Mimari; performans geri bildirimi sağlayan bir eleştirmen ve ajanın politikasını değiştiren bir öğrenme öğesini içerir. 

Mars gezginleri, yeni jeolojik oluşumlarla karşılaştıkça güvenli yolları işaret eden arazi özelliklerini öğrenir. Netflix'in öneri algoritması bir diğer örnektir: izleme geçmişine dayanarak kullanıcı tercihleri hakkındaki anlayışını sürekli rafine eder ve böylece zamanla önerileri iyileştirir.

Ajansal çerçeveler: Ajanları inşa etmek

Ajansal çerçeveler, karmaşık ajanlar için bir işletim sistemi görevi görür; akıl yürütme çekirdeğini (tipik olarak bir LLM) bellek, araçlar ve çoklu-ajan koordinasyonuyla bağlar. Şunları yönetirler:

• Orkestrasyon: Her alt görevi hangi ajanın ele alacağına karar verme ve bileşenler arasında iş akışını yönetme
• Planlama: Karmaşık hedefleri uygulanabilir adımlara bölme ve koşullar değiştiğinde uyum sağlama
• Araç Kullanımı: Ajanlara arama motorları, veritabanları, API'ler veya kod yürütmeye erişim sağlama
• Bellek: Anında etkileşimin ötesinde konuşma geçmişini ve uzun vadeli bağlamı sürdürme

Popüler çerçeveler şunlardır:

• LangChain/LangGraph: LLM'leri veri kaynaklarına bağlamak için sektör standardı; geniş entegrasyonlar sunar.
• Google ADK: Vertex AI üzerinde sofistike ajanlar inşa etmek için açık kaynaklı bir çerçeve.
• CrewAI: Karmaşık görevlerde işbirliği yapan çoklu rol oynayan ajanları orkestre eder.

Bu mimariler için hızlı bir başvuru olarak, YZ Ajanları hızlı başvuru sayfasına göz atmanızı öneririm. 

Sonuç

Burada çok şey ele aldık; şimdi toparlayalım. 

YZ'yi tek parça bir teknoloji olarak görmek yerine, her biri belirli problemlere uygun uzmanlaşmış yaklaşımlardan oluşan çeşitli bir ekosistem olarak görmeliyiz. YZ'yi tam olarak anlamak, onu teknoloji, yetkinlik ve işlevsellik olmak üzere üç ayrı mercekten incelemeyi gerektirir.

Şu anda, belirli görevlere odaklanan dar YZ'den, karmaşık iş akışlarını otonom biçimde yürüten erken ajansal YZ formlarına geçiş dönemindeyiz; bu da sektörler genelinde benimseme için kritik bir kırılma noktasıdır.

Bir YZ uzmanı olma yolunda ilk adımı, YZ Temelleri yetkinlik yoluna kaydolarak atın.