Yapay Zekâ Temelleri
Yapay zekâdan alınan akıcı bir cevap, doğru bir bilgi veya güvenli bir iş kararı demek değildir. Bu modül, dil modellerinin metni nasıl parçaladığını ve ürettiğini, akıl yürütme odaklı modellerin neyi değiştirdiğini, bağlam ve RAG kullanımının sınırlarını ve doğrulama sorumluluğunu açıklar. Ayrıca veri sınıflandırması, otomasyon önyargısı, workslop ve 4K kontrolüyle katılımcıya ertesi gün kullanabileceği bir çalışma disiplini kazandırır.
Modül künyesi
Alan Açıklama Hedef kitle Yapay zekâ araçlarını işinde kullanacak teknik olmayan çalışanlar, yöneticiler ve program kolaylaştırıcıları Önerilen süre (toplam dakika) 180 Ön koşul Modül 1’deki öğrenme sözleşmesi ve görev devri haritası Kullanılan araçlar Kurumun onaylı dil modeli; örnek metin ve belge; kaynak kayıt tablosu; veri sınıflandırma kartı; hesaplayıcı veya elektronik tablo Modül sonunda üretilen çıktı Bir iş için model/bağlam seçimi notu, üç adımlı doğrulama kaydı ve 4K kontrol kartı
Öğrenme çıktıları
Bu modülün sonunda: Büyük dil modelinin token, olasılıklı üretim, eğitim ve bağlam kavramlarını teknik olmayan bir örnekle açıklayabilirsiniz. Akıl yürütme odaklı model ile genel amaçlı dil modeli arasındaki görev ve maliyet farkını, doğruluk garantisi vermeden değerlendirebilirsiniz. Türkçe tokenizasyonun, bağlam penceresinin ve RAG yaklaşımının iş akışına etkisini kontrol listesiyle inceleyebilirsiniz. Halüsinasyon, otomasyon önyargısı ve workslop risklerini tanıyıp üç adımlı doğrulama uygulayabilirsiniz. Veriyi sınıflandırabilir, paylaşım kararını 4K kontrolüyle belgeleyebilir ve insan onay…
Oturum planı
Sıra Konu Süre (dk) Yöntem 1 Dil modeli ne yapar? 15 Anlatım ve kısa gösterim 2 Eğitim, olasılıklı üretim ve token 20 Anlatım ve alıştırma 3 Akıl yürütme odaklı modeller ve model seçimi 20 Tartışma ve vaka 4 Türkçe token, bağlam penceresi ve çalışma alanı 25 Anlatım ve alıştırma 5 RAG ve halüsinasyon 20 Canlı gösterim ve tartışma 6 Üç adımlı doğrulama, otomasyon önyargısı ve workslop 20 Vaka 7 Veri sınıflandırması ve gizlilik 20 Alıştırma 8 4K kontrolü ve güvenli iş akışı 20 Alıştırma 9 Kasım 2026 model ailelerine bakış ve kapanış 20 Anlatım ve karşılaştırma Toplam 180
2.1 Dil modeli ne yapar?
Büyük dil modeli, çok büyük metin koleksiyonlarındaki dil örüntülerini öğrenerek verilen bağlamın devamında gelebilecek parçaları hesaplayan bir model ailesidir. “Büyük” ifadesi modelin parametre sayısı, eğitim verisinin kapsamı veya hesaplama ölçeği hakkında genel bir sınıf belirtir; tek başına yanıtın doğru, tarafsız veya güncel olduğunu göstermez. Bir istek işlendiğinde kabaca şu akış gerçekleşir: Girdi, modelin işleyebileceği token adı verilen parçalara ayrılır. Model, girdi ve verilen bağlamdan sonra gelebilecek olası parçalar için dağılım hesaplar. Seçilen üretim ayarlarına göre bir parç…
2.2 Eğitim, olasılıklı üretim ve token
Model eğitimi, tek bir aşamadan oluşmaz. Ön eğitimde model, metin parçaları arasındaki örüntüleri tahmin ederek parametrelerini günceller. Sonraki aşamalarda talimat izleme, tercih uyumu, güvenlik davranışı ve görev performansı için farklı veri ve değerlendirmeler kullanılabilir. Sağlayıcıya göre yöntem değişir; bir sohbet ekranından modelin eğitim verisinin tamamını veya her kaynağın lisans durumunu çıkaramazsınız. Token, modelin metni işlerken kullandığı birimdir. Token bir kelime olabilir; kelimenin bir bölümü, ek, noktalama veya boşlukla birlikte bir parça da olabilir. Model yanıtı token t…
2.3 Model seçimi ve görev sınırı
Model seçimi “en güçlü olanı her zaman kullan” biçiminde yapılmaz. Önce görevin kabul ölçütünü, veri hassasiyetini, süre sınırını, insan kontrolünü ve işlem maliyetini yazın. Sonra aşağıdaki sırayla ilerleyin: Düşük riskli, kısa ve kolay kontrol edilen işte küçük ve hızlı bir modeli deneyin. Belge sentezi, yazma veya analiz için bağlam ve çıktı kalitesi yeterli bir orta sınıf seçin. Çok adımlı plan, çelişkili veri veya karmaşık kod gibi işlerde akıl yürütme kapasitesi daha yüksek bir modeli ancak ölçümle gerekçelendirin. Dış eylem, kişisel veri, hukuki sonuç veya ödeme söz konusuysa model gücü…
2.4 Türkçe token, bağlam penceresi ve çalışma zemini
Bağlam penceresi, bir isteğin geçmiş konuşma, yüklenen belge, talimat, araç sonucu ve modelin üreteceği yanıtla birlikte işleyebileceği token kapasitesidir. “Bir milyon token” gibi bir sayı her modelde, her üründe, her araç yüzeyinde ve her plan seviyesinde aynı anlama gelmez. Resmî ürün ve uç nokta belgelerinde model bazındaki sınırı, çıktı limitini ve araç etkisini ayrı kontrol edin. Bağlam penceresinin büyük olması üç sorunu kendiliğinden çözmez: Gerekli bölümün gerçekten seçildiğini garanti etmez. Belgenin güncel, yetkili veya çelişkisiz olduğunu kanıtlamaz. Uzun içerikte her ayrıntının ay…
2.5 RAG: erişilen bilgiyle üretim
RAG, “retrieval-augmented generation” ifadesinin kısaltmasıdır. Sistem önce bir bilgi deposundan göreve yakın parçaları bulur, sonra yanıt üretirken bu parçaları bağlam olarak kullanır. Depo, kurum içi belge, ürün kataloğu, mevzuat, arşiv veya yetkili bir arama kaynağı olabilir. RAG akışının dört kontrol noktası vardır: İndeksleme: Belge hangi parçalara ayrıldı; tablo, dipnot, görsel ve sürüm bilgisi korundu mu? Erişim: Sorguyla ilgili ve yetkili parçalar gerçekten bulundu mu; erişim filtresi uygulandı mı? Üretim: Yanıt, bulunan parçadan mı geliyor; kaynakta olmayan ekleme ve varsayım var mı? …
2.6 Halüsinasyon ve üç adımlı doğrulama
Halüsinasyon, modelin var olmayan kaynak, kişi, tarih, istatistik, alıntı veya işlem sonucu üretmesini; ya da gerçek bilgiyi yanlış bağlama yerleştirmesini anlatan pratik bir terimdir. Burada niyet varsaymayın: modelin amacı sizi yanıltmak olmayabilir, fakat sonuç yine de yanıltıcı olabilir. Akıcı dil, ayrıntı bolluğu ve kendinden emin ton doğruluk kanıtı değildir. Her önemli çıktıda üç adımlı doğrulama uygulayın: Adım Ana soru Uygulama Kapsam İstenen veri veya belgenin tamamı doğru bölümle ele alındı mı? Sayfa/aralık, dosya sürümü, eksik okuma ve son bölüm kontrolü Kaynak İddia, sayı, alıntı …
2.7 Otomasyon önyargısı ve workslop
Otomasyon önyargısı, bir sistem önerdiğinde insanın öneriyi bağımsız incelemeden doğru, eksiksiz veya uygun kabul etmeye yatkın olmasıdır. Risk, “insan son kez baktı” cümlesiyle ortadan kalkmaz; son bakış yalnızca biçim kontrolü mü, yoksa kaynak ve karar kontrolü mü, bunu yazmak gerekir. Şu davranışlar otomasyon önyargısına işaret edebilir: Öneri ile kanıtı aynı satırda ayırmamak. Modelin doldurmadığı alanları sessizce doğru varsaymak. Sonuç beklenenden düzgün göründüğü için örneklem veya istisna kontrolü yapmamak. İnsan onayını yalnızca düğmeye basmaya indirmek. Aynı model çıktısını ikinci bi…
2.8 Veri gizliliği ve veri sınıflandırması
Yapay zekâya veri göndermeden önce verinin ne olduğunu, neden gerektiğini, hangi hizmete gideceğini ve çıktı üzerinde kimlerin erişimi olacağını belirleyin. Hizmetin kurumsal planı, sağlayıcının veriyi model eğitiminde kullanmama taahhüdü veya bir bağlayıcı sunması önemli olabilir; saklama süresi, bölgesel işleme, alt işleyenler, erişim logları, geri bildirim kullanımı ve yurt dışı aktarım koşulları ayrıca incelenmelidir. Kurumunuzun sınıflandırması farklı olabilir; aşağıdaki dört seviye başlangıç çalışma kartıdır: Veri sınıfı Örnek İlk kullanım kararı Kamuya açık Yayınlanmış ürün sayfası, kam…
2.9 4K kontrolü: Kapsam, Kaynak, Kural, Kontrol
4K kontrolü, veriyi göndermeden ve çıktıyı kullanmadan önce aynı sırayla sorulan dört sorudur. Üç adımlı doğrulamadaki “karşılaştırma” çıktının kaynakla eşleşmesine odaklanır; 4K içindeki “kural” ise veri, yetki, kurum politikası ve hukuki sınırın işin başında kontrol edilmesini sağlar. K Soru Uygulama Kapsam Sistem neyi görecek, ben hangi bölümü gerçekten istiyorum? Dosya aralığı, açık kaynak, bağlayıcı erişimi, çıktı kapsamı ve eksik bölüm Kaynak Veri nereden geliyor, kime ait ve hangi tarihte güncel? Dosya sahibi, sürüm, tarih, yetkili bağlantı ve ikinci kaynak Kural Hangi kurum, veri, rol …
2.10 Kasım 2026 itibarıyla model ailelerine kısa bakış
Aşağıdaki tablo, 1 Kasım 2026 tarihli araştırma kesitinin kısa görünümüdür. Bu bir “en iyi model” listesi, satın alma tavsiyesi veya kalıcı ürün kataloğu değildir. Model adı, sürüm, erişim, fiyat, bağlam, lisans, veri yerleşimi ve emeklilik durumu değişebildiği için kurum, kullanımdan önce resmî model kartını ve kendi testini yeniden açmalıdır. Aile veya örnek Kısa konum Seçimde sorulacak soru OpenAI GPT-6 Astra; GPT-6.1 Sol; GPT-6 Luna Kapalı model ailesinde üst seviye ve farklı maliyet/ölçek seçenekleri olarak yayımlanmış örnekler Aynı kurum verisi ve görev setinde kalite, gecikme, API/abone…
Kurumunuza uyarlama
Kurumunuz için bu modülün ilk işi model seçmek değil, kullanım envanteri çıkarmaktır. Her kullanım için hizmet ve model kimliği, kullanıcı rolü, veri sınıfı, okuma/yazma yetkisi, dış eylem, insan onayı, log saklama ve yeniden değerlendirme tarihini kaydedin. Microsoft 365, Google Workspace, ChatGPT, Claude, Perplexity veya kurum içi bir hizmet kullanmanız ilkeleri değiştirmez; yalnızca menü, izin, veri yerleşimi ve entegrasyon ayrıntılarını değiştirir. Ürün adlarını eğitimde örnek olarak kullanırken eşdeğer kavramları da yazın: çalışma alanı, kalıcı talimat, bağlayıcı, model, araç ve onay kapı…
Uygulama görevi
60 dakikalık görevde Modül 1’de seçtiğiniz iş adımını kullanın. Gerçek hassas veri yerine maskeleme veya sentetik örnek kullanın. Görevi tanımlayın (5 dakika): İşin amacı, alıcısı ve kabul ölçütünü bir cümleyle yazın. Model görevini ayırın (8 dakika): Modelin üreteceği, insanın doğrulayacağı ve insanın karar vereceği bölümleri üç satırda ayırın. Bağlam kartını hazırlayın (8 dakika): Kaynak sürümü, gerekli bölüm, bağlam sınırı ve araç erişimini yazın. Veriyi sınıflandırın (8 dakika): Girdi ve beklenen çıktıyı dört sınıftan biriyle etiketleyin; paylaşım gerekçesini yazın. İlk isteği çalıştırın (…
Kontrol listesi
Dil modelinin olasılıklı üretim yaptığını, doğruluk garantisi vermediğini açıklayabiliyorum. Token ile kelimeyi aynı şey sanmıyor, Türkçe için gerçek tüketimi ölçüyorum. Akıl yürütme odaklı modelin ek hesaplama sağlayabileceğini, fakat insan doğrulamasını kaldırmadığını biliyorum. Bağlam penceresini dosya kapsamı ve kaynak sürümüyle birlikte kontrol ediyorum. RAG’in erişilen bilgiyle üretim olduğunu, doğruluk garantisi olmadığını biliyorum. Halüsinasyon için Kapsam, Kaynak ve Karşılaştırma adımlarını uyguladım. Otomasyon önerisini kanıt ve kabul ölçütünden ayrı değerlendirdim. Workslop’un alıc…
Sık yapılan hatalar
Hata Neden sorun Doğrusu Akıcı yanıtı doğru kabul etmek Model olası ve ikna edici bir metin üretebilir İddiayı kaynağa, hesaba veya yetkili kayda bağlayın Türkçe için sabit token veya maliyet kuralı kullanmak Tokenizasyon model, metin ve dile göre değişir Kendi modelinizde örnek ölçüm yapın Büyük bağlam penceresini tam okuma garantisi sanmak Kapsam, erişim ve dikkat sorunları sürebilir Bölümleme, kapsam sorusu ve kaynak eşleştirme kullanın RAG kaynak gösterdi diye çıktıyı onaylamak Yanlış parça veya eski sürüm seçilmiş olabilir İddia ile kaynak bölümünü karşılaştırın Akıl yürütme seçeneğini do…
Kendinizi sınayın
Bir dil modelinin token token üretim yapması, neden doğruluk garantisi vermez? Akıl yürütme odaklı bir model ne tür işlerde yararlı olabilir; hangi sorumluluğu ortadan kaldırmaz? RAG akışında erişilen parçaların doğru seçilmediğini nasıl fark edersiniz? Üç adımlı doğrulamanın Kapsam, Kaynak ve Karşılaştırma adımlarını bir sözleşme özeti üzerinde nasıl uygularsınız? Otomasyon önyargısı ile workslop arasındaki fark nedir? 4K kontrolündeki dört K nedir ve yüksek etkili bir işlemde son K nasıl kanıtlanır? Cevap anahtarı Model bir sonraki parçayı olasılık dağılımından üretir; akıcılık, güncellik, k…
Kaynaklar ve ileri okuma
Artificial Analysis Intelligence Index v5 — Artificial Analysis, 27 Ekim 2026 Arena Leaderboard — Arena, 1 Kasım 2026 görünümü GPT-6 Astra — OpenAI, 2026 GPT-6 Sol and Luna — OpenAI, 29 Eylül 2026 güncellemesi Claude Opus 5.5 — Anthropic, 22 Eylül 2026 Claude Sonnet 5.5 — Anthropic, 28 Eylül 2026 Claude Haiku 5.5 — Anthropic, 7 Ekim 2026 İş Yerlerinde Üretken Yapay Zekâ Araçlarının Kullanımı — KVKK, 5 Mart 2026 Generative AI Profile of the AI Risk Management Framework — NIST, 26 Temmuz 2024 The Impact of Generative AI on Critical Thinking — Microsoft Research, Nisan 2025 AI-Generated Workslop …