Giriş
Son yıllarda yapay zeka (YZ) alanındaki gelişmeler, özellikle doğal dil işleme (NLP) ve
büyük dil modelleri (LLM) sayesinde insan-bilgisayar etkileşimini kökten değiştirmiştir. Bu
teknolojiler, metin anlama, üretme ve çevirme gibi karmaşık dil görevlerini başarıyla yerine
getirebilmektedir. Ancak, bu hızlı ilerlemelerle birlikte, "yapay zeka" teriminin ne anlama
geldiği ve hangi sistemlerin bu tanıma uyduğu konusunda bazı yanlış anlamalar ortaya
çıkmıştır. Bu makalede, LLM teknolojisinin temel prensiplerini, NLP'nin önemli
kavramlarını, Transformer mimarisini ve istatistiksel dil modellemeyi ele alacak, ayrıca
Apple'ın sesli asistanı Siri'nin neden modern anlamda bir yapay zeka olarak kabul
edilmediğini teknik detaylarıyla açıklayacağız.
Doğal Dil İşleme (NLP) ve Temel Kavramlar
Doğal Dil İşleme (NLP), bilgisayarların insan dilini anlamasını, yorumlamasını ve
üretmesini sağlayan yapay zeka disiplinidir. NLP'nin temel hedeflerinden biri, makinelerin
insan diliyle doğal bir şekilde iletişim kurabilmesidir. Bu alandaki önemli yapı taşlarından
biri, dil modelleridir.
N-gram Modelleri
N-gram modelleri, bir dildeki kelime dizilerinin olasılıklarını tahmin etmek için kullanılan
istatistiksel dil modelleridir. Bir n-gram, bir metindeki n adet ardışık kelime dizisidir [1]. Bu
modeller, bir kelimenin kendisinden önceki n-1 kelimeye dayanarak tahmin edilme
olasılığını hesaplar. Temel n-gram türleri şunlardır:
Unigram (1-gram): Tek bir kelimenin olasılığını ifade eder. Kelimelerin birbirinden
bağımsız olduğu varsayılır [1]. Örneğin, "kedi" kelimesinin metinde geçme olasılığı.
Bigram (2-gram): İki ardışık kelimenin dizisini ifade eder. Bir kelimenin olasılığı,
kendisinden hemen önceki kelimeye bağlıdır [1]. Örneğin, "büyük kedi" dizisinin
olasılığı.
Trigram (3-gram): Üç ardışık kelimenin dizisini ifade eder. Bir kelimenin olasılığı,
kendisinden önceki iki kelimeye bağlıdır [1]. Örneğin, "çok büyük kedi" dizisinin
olasılığı.
N-gram modelleri, basitlikleri ve hesaplama kolaylıkları nedeniyle uzun yıllar boyunca
konuşma tanıma, makine çevirisi ve metin sınıflandırma gibi NLP görevlerinde yaygın
olarak kullanılmıştır. Ancak, uzun mesafeli bağımlılıkları yakalamakta ve dilin karmaşık
yapılarını modellemekte yetersiz kalmışlardır.
Transformer Mimarisi
N-gram modellerinin sınırlamalarını aşmak için geliştirilen en önemli yeniliklerden biri, 2017
yılında Google tarafından tanıtılan Transformer mimarisidir [2]. Transformer, özellikle
Büyük Dil Modelleri'nin (LLM) temelini oluşturan ve NLP alanında devrim yaratan bir derin
öğrenme mimarisidir. Temel özelliği, "dikkat mekanizması" (attention mechanism) adı
verilen bir yapıya sahip olmasıdır. Bu mekanizma, modelin bir cümledeki farklı kelimeler
arasındaki ilişkileri ve bağımlılıkları, kelimelerin konumlarından bağımsız olarak
öğrenmesini sağlar [2].
Transformer mimarisi, paralel işlemeye uygun yapısı sayesinde çok büyük veri kümeleri
üzerinde etkili bir şekilde eğitilebilir. Bu da, milyarlarca parametreye sahip LLM'lerin
geliştirilmesinin önünü açmıştır.
Büyük Dil Modelleri (LLM)
Büyük Dil Modelleri (LLM'ler), Transformer mimarisine dayanan ve devasa metin veri
kümeleri üzerinde eğitilmiş yapay zeka modelleridir. Bu modeller, insan dilini anlama ve
üretme konusunda olağanüstü yeteneklere sahiptir. LLM'lerin temel özellikleri şunlardır:
Ölçek: Milyarlarca hatta trilyonlarca parametreye sahip olabilirler.
Ön Eğitim: İnternet üzerindeki metinler gibi geniş ve çeşitli veri kümeleri üzerinde
önceden eğitilirler. Bu sayede dilin genel yapısını, gramerini, semantiğini ve dünya
bilgisini öğrenirler.
İnce Ayar (Fine-tuning): Belirli görevler için (örneğin, özetleme, soru yanıtlama,
çeviri) daha küçük ve özel veri kümeleri üzerinde ince ayar yapılabilirler.
Üretkenlik: Yalnızca mevcut metni analiz etmekle kalmaz, aynı zamanda yeni ve
bağlamla uyumlu metinler üretebilirler. Bu, onları "üretken yapay zeka" kategorisine
sokar [3].
LLM'ler, doğal dildeki karmaşık kalıpları ve nüansları anlayarak, insan benzeri metinler
oluşturabilir, soruları yanıtlayabilir, metinleri özetleyebilir ve hatta kod yazabilirler.
Siri: Bir Yapay Zeka mıydı?
Apple'ın sesli asistanı Siri, 2011 yılında tanıtıldığında büyük bir yenilik olarak kabul edildi.
Sesli komutları anlama ve çeşitli görevleri yerine getirme yeteneğiyle dikkat çekti. Ancak,
Siri'nin teknik yapısı ve çalışma prensipleri incelendiğinde, modern anlamda bir "yapay
zeka" veya "üretken yapay zeka" olarak sınıflandırılmadığı görülmektedir.
Siri'nin Teknik Yapısı
Siri, temel olarak kural tabanlı sistemler ve önceden tanımlanmış yanıtlar üzerine
kuruludur. Kullanıcının sesli komutunu metne dönüştürdükten sonra (konuşma tanıma), bu
metni anahtar kelimeler ve kalıplar açısından analiz eder. Ardından, bu anahtar kelimelere
ve kalıplara karşılık gelen önceden programlanmış eylemleri veya yanıtları tetikler [4].
Örneğin:
"Hava durumu nasıl?" gibi bir soruya, konum bilgisiyle birlikte bir hava durumu
API'sinden veri çekerek yanıt verir.
"Alarm kur" komutuna, saat bilgisini alarak bir alarm kurma işlevini çalıştırır.
Siri'nin yetenekleri, entegre olduğu uygulamalar ve servislerle sınırlıdır. Kendi başına yeni
bilgiler öğrenme, karmaşık çıkarımlar yapma veya bağlamdan bağımsız olarak yaratıcı
metinler üretme kapasitesine sahip değildir. Yanıtları genellikle statik veya belirli bir API
çağrısının sonucudur. Bu durum, Siri'yi "geleneksel yapay zeka" kategorisine daha yakın
kılmaktadır; burada YZ, belirli bir görevi yerine getirmek için programlanmış kurallar ve
algoritmalar bütünüdür [5].
Neden Üretken Yapay Zeka Değil?
Üretken yapay zeka, yeni ve özgün içerik (metin, görsel, ses vb.) oluşturabilen sistemleri
ifade eder [3]. LLM'ler, Transformer mimarisi sayesinde milyarlarca parametreyle eğitilerek,
insan benzeri metinler üretebilir ve bağlamı anlayarak yaratıcı yanıtlar verebilirler. Siri ise
bu yeteneklere sahip değildir. Siri'nin yanıtları, büyük ölçüde önceden belirlenmiş
senaryolara ve veri tabanlarına dayanır. Kullanıcının sorusuna doğrudan bir yanıt
bulamazsa, genellikle "Bunu anlayamadım" veya "Üzgünüm, bu konuda size yardımcı
olamıyorum" gibi genel ifadelerle karşılık verir.
Özetle, Siri, bir sanal asistan olarak belirli görevleri otomatikleştiren ve kullanıcıya kolaylık
sağlayan bir araçtır. Ancak, öğrenme, adaptasyon, karmaşık akıl yürütme ve yaratıcı içerik
üretme gibi modern yapay zeka sistemlerinin temel özelliklerini taşımadığı için, LLM'ler gibi
üretken yapay zeka sistemleriyle aynı kategoride değerlendirilmez.
Sonuç
LLM teknolojisi, NLP alanında çığır açan Transformer mimarisi sayesinde dil anlama ve
üretme yeteneklerini insan seviyesine yaklaştırmıştır. N-gram gibi istatistiksel dil modelleri,
bu evrimin temelini oluştururken, Transformer'lar uzun mesafeli bağımlılıkları yakalayarak
daha sofistike modellerin önünü açmıştır. Siri gibi sanal asistanlar ise, belirli görevleri
yerine getiren ve kural tabanlı sistemlere dayanan araçlardır. Her ne kadar "yapay zeka"
terimi geniş bir yelpazeyi kapsasa da, Siri'nin çalışma prensipleri, LLM'lerin üretken ve
adaptif yeteneklerinden farklıdır. Gelecekte, Siri gibi asistanların da LLM teknolojileriyle
entegre olarak daha akıllı ve yetenekli hale gelmesi beklenmektedir, ancak mevcut haliyle
bir üretken yapay zeka değildir.
Referanslar
[1] N-grams in NLP - GeeksforGeeks. (2025, July 23).
https://www.geeksforgeeks.org/nlp/n-gram-in-nlp/
[2] From N-Grams to Transformers:
Tracing the Evolution of Language Models - Medium.
https://medium.com/@akankshasinha247/from-n-grams-to-transformers-tracing-theevolution-of-language-models-101f10e86eba
[3] What is ChatGPT, DALL-E, and
generative AI? | McKinsey. (2024, April 2). https://www.mckinsey.com/featuredinsights/mckinsey-explainers/what-is-generative-ai
[4] Why isn't Siri AI just like chat gpt? -
Reddit. (2023, April 17).
https://www.reddit.com/r/Siri/comments/12p7jjz/why_isnt_siri_ai_just_like_chat_gpt/
[5]
Traditional AI vs. generative AI: What's the difference? | Elastic Blog. (2025, August 20).
https://www.elastic.co/blog/traditional-ai-vs-generative-ai