57 yazı
Temeller5 dkMakine Öğrenmesi Nedir? Örneklerden Öğrenen Bilgisayarlar
Makine öğrenmesini sade bir dille anlatıyorum: örneklerden öğrenme, denetimli ve denetimsiz öğrenme, eğitim ile tahmin farkı ve günlük hayattan örnekler.
Yönetişim8 dkAB Yapay Zekâ Yasası'nda Yeni Takvim: 2026/1744 Sayılı Omnibus Neyi Değiştirdi, Şu An Hangi Yükümlülükler Yürürlükte?
AB Yapay Zekâ Yasası ertelenmedi; bir kısmı ertelendi. 2026/1744 sayılı Tüzüğün değiştirdiği tarihleri, 2 Ağustos 2026'da yürürlüğe giren Madde 50 şeffaflık yükümlülüklerini ve 2 Aralık 2027 ile 2 Ağustos 2028 takvimini birincil kaynaklarla açıklıyoruz.
Yönetişim7 dkYüksek Riskli Yapay Zekâ Sistemleri: Bir ML Ekibinin Aralık 2027'ye Kadar Gerçekten Kurması Gerekenler
Yüksek riskli yapay zekâ sistemleri için Madde 9-15 yükümlülüklerini hukuk diliyle değil mühendislik çıktısıyla anlatıyoruz: risk kaydı, veri yönetişimi, Ek IV teknik dokümantasyon, olay kaydı, doğruluk beyanı ve insan gözetimi tasarımı.
Yönetişim7 dkYapay Zekâ Üretimi İçeriği Etiketlemek: Madde 50, Makine Okunur Filigran ve C2PA
Madde 50 şeffaflık yükümlülükleri 2 Ağustos 2026'da yürürlüğe girdi ve ertelenmedi. Makine okunur işaretlemenin ne demek olduğunu, sıkı ve gevşek bağlama farkını, C2PA içerik kimlik bilgilerini ve filigranın neden yeniden kodlamada öldüğünü anlatıyoruz.
Yönetişim7 dkISO/IEC 42001 Mühendis Gözüyle: Yapay Zekâ Yönetim Sistemi Gerçekte Neyi Zorunlu Kılar (ve AB Yasasına Uyum Sağlamaz)
ISO/IEC 42001 nedir, Ek A kontrolleri hangi mühendislik çıktısına karşılık gelir, ISO/IEC 42005 ve 42006 ne getirdi ve neden bu standart uyumlaştırılmış standart olmadığı için AB Yapay Zekâ Yasası bakımından uygunluk karinesi sağlamaz?
Yönetişim6 dkNIST Yapay Zekâ Risk Yönetimi Çerçevesi: Govern, Map, Measure, Manage'i Bir ML Ekibine Uyarlamak
NIST AI RMF'in dört fonksiyonunu tekrar etmek yerine mühendislik işine çeviriyoruz. MEASURE fonksiyonunun neden çoğu ekipte boş kaldığını, Üretken Yapay Zekâ Profilinin ne getirdiğini ve çerçevenin şu anda neden revizyonda olduğunu anlatıyoruz.
Yönetişim6 dkYapay Zekâ Etki Değerlendirmesi: FRIA, ISO 42005 ve VERBİS/DPIA Aynı Belge mi?
Temel haklar etki değerlendirmesi, ISO/IEC 42005 etki değerlendirmesi ve veri koruma etki değerlendirmesi üç ayrı belgedir. Hangisi kimi bağlar, ne zaman gerekir, hangi tarihte yürürlüğe girer ve pratikte nasıl birlikte yürütülür?
Etik7 dkAdalet Denetimi Pratikte: Bir Modeli Gerçekten Nasıl Denetlersiniz (ve Denetimler Neden Tiyatroya Dönüşür)?
Adalet denetiminin operasyonel hâli: korumalı özniteliği hukuken tutamadığınızda ne yaparsınız, imkânsızlık sonuçlarını bilerek hangi ölçütü seçersiniz, alt grubu ne kadar büyütmeniz gerekir ve raporu nasıl yazarsınız?
Üretim6 dkYapay Zekâ Olay Bildirimi ve Piyasaya Arz Sonrası İzleme: 15 Gün, 10 Gün, 2 Gün
Ciddi olay bildirimi süreleri 15 gün, ölüm hâlinde 10 gün, yaygın ihlalde 2 gündür. Bu süreleri karşılayabilmek için bir ML ekibinin kurması gereken kayıt altyapısını, ciddiyet sınıflandırmasını ve nöbet akışını anlatıyoruz.
Veri6 dkVeri Kökeni ve Eğitim Verisi Lisanslama: Veri Setinizin Nereden Geldiğini Kanıtlayabiliyor musunuz?
Eğitim verisinin kökenini boru hattı boyunca nasıl kaydedersiniz? Robots.txt kısıtlarının hızla artması, GPAI eğitim verisi özeti şablonu, IETF çalışmalarının durumu ve 2025-2026 telif kararlarının mühendislik açısından anlamı.
Veri7 dkVeri Sözleşmeleri: ML Boru Hattınızı Sessizce Bozan Şema Değişikliklerini Durdurmak
Yukarı akıştaki sessiz bir değişiklik modeli bozar ama hiçbir veri alarmını tetiklemez. Veri sözleşmesi nedir, ODCS hangi bölümlerden oluşur, CI'da nasıl zorunlu kılınır ve 2026'da araç sahipliği neden yeniden çizildi?
Veri6 dkVeri Seti Belgelendirme (Datasheets for Datasets): Model Kartının Eksik Yarısı
Model kartı modeli anlatır, veri setini anlatmaz. Veri seti künyesi hangi soruları cevaplar, Ek IV teknik dokümantasyonuyla nasıl örtüşür ve neden bu belge geçmişe dönük olarak üretilemez?
Ölçme8 dkEtiketleyici Uyumu ve Değerlendirici Güvenilirliği: Kappa, Alpha ve LLM Hakemi Doğrulamak
Ham yüzde uyum bir güvenilirlik ölçüsü değildir. Cohen kappa, Fleiss kappa ve Krippendorff alfa ile şans düzeltmesini, eşiklerin nasıl okunacağını ve bir LLM hakemini tıpkı bir insan etiketleyici gibi doğrulamayı anlatıyoruz.
Değerlendirme7 dkKıyaslama Kirlenmesi: Lider Tablolarındaki Skorlar Neden Şişkin?
Test verisi sızıntısı artık tek bir ekibin çapraz doğrulama hatası değil, bütün alanın değerlendirme altyapısının sorunu. Kirlenme ve doygunluk skorları nasıl şişiriyor, kendi özel değerlendirme setinizi nasıl kurarsınız?
Değerlendirme7 dk%1'lik Fark Gerçek mi? Model Karşılaştırmasında Güven Aralığı ve Bootstrap
Bir modelin diğerinden bir puan iyi çıkması çoğu zaman gürültüdür. Test seti örnekleme hatası, bootstrap güven aralıkları, eşleştirilmiş testler ve çoklu karşılaştırma düzeltmesiyle farkın gerçek olup olmadığını nasıl ölçersiniz?
Ölçme7 dkModel Kalibrasyonu: Modelinizin "%90 Eminim" Demesi Ne Anlama Geliyor?
Kalibre olmayan bir skor, eşik seçimini ve altındaki bütün fayda-maliyet hesabını sessizce geçersiz kılar. Güvenilirlik diyagramı, beklenen kalibrasyon hatası, Platt ölçekleme ve izotonik regresyonu anlatıyoruz.
Yöntem8 dkKonformal Tahmin: Dağılımdan Bağımsız Garantilerle Belirsizliği Ölçmek
Konformal tahmin, modelinizi değiştirmeden dağılımdan bağımsız kapsama garantisi verir. Bölmeli yöntemi adım adım, uyumsuzluk skorunu, garantinin sınırlarını ve marjinal kapsamanın koşullu kapsama olmadığını anlatıyoruz.
Gizlilik8 dkModeliniz Anonim mi? Ezberleme, Üyelik Çıkarımı ve EDPB'nin Yeni Anonimleştirme Kılavuzu
Modelinizde hâlâ kişisel veri var mı? EDPB kılavuzlarının üçlü testini ezberleme, üyelik çıkarımı ve eğitim verisi çıkarımı gibi ölçülebilir saldırı yüzeylerine bağlayan mühendislik protokolünü anlatıyoruz.
Üretim9 dkEmbedding Kayması: Temel Model Çağında Drift'i İzlemek
768 boyutlu bir gömme vektöründe boyut başına KS testi neden çalışmaz? Yüksek boyutlu kaymayı ölçmenin doğru yolları, gömme modeli sürümünün sessiz etkisi ve kaymanın bozunma anlamına gelmediği gerçeği.
Üretim9 dkEtiket Gelmeden Modelin Bozulduğunu Anlamak: Etiketsiz Performans Tahmini
Etiketler doksan gün sonra geliyorsa model bugün bozuldu mu? Etiketsiz performans tahmininin nasıl çalıştığını, hangi varsayımlara dayandığını ve tam da o varsayımlar çöktüğünde neden sessiz kaldığını anlatıyoruz.
Üretim9 dkÖzellik Deposu ve Eğitim-Servis Farkı: Model Neden Sahada Farklı Davranıyor?
Modelin çevrimdışı skoru iyi ama sahadaki davranışı farklı. Eğitim-servis farkının dört somut kaynağını, noktasal-zaman doğruluğunun neden sızıntı önleme olduğunu ve özellik deposunun ne zaman maliyetini hak ettiğini anlatıyoruz.
Yöntem9 dkNedensel Çıkarım ve Uplift Modelleme: “Kim Satın Alır?” Yanlış Soru
Kimin ayrılacağını kusursuz bilen bir model, kimi aramanız gerektiğini söylemez. Uplift modelleme, dört segment, karıştırıcı ile çarpışma değişkeni farkı, randomize edemediğinizde kalan tasarımlar ve SHAP'ı nedensel okumanın neden hata olduğu.
Gizlilik8 dkMakine Unutması: Bir Modele Bir Kişiyi Gerçekten Unutturabilir misiniz?
Bir modele bir kişiyi unutturmak, veritabanından satır silmeye benzemiyor. Tam ve yaklaşık unutma, unutulanı geri getiren saldırılar, ispat sorunu, EDPB kılavuzları ve gerçekten işe yarayan cevap: silinebilir bir veri mimarisi.
Yöntem8 dkZaman Serisi Temel Modelleri: Sıfır-Atış Tahmin Artık Klasik Yöntemleri Geçiyor — Peki Sizin Verinizde de Geçer mi?
Cevap değişti ve içeriklerin çoğu bunu yakalamadı. fev-bench ile GIFT-Eval'in gerçekte ne raporladığı, LLM tabanlı tahmincilerin neden ayrı bir hikâye olduğu ve kendi serinizde karşılaştırmayı dürüst kurmanın yolu.
Türkçe NLP8 dkTürkçe Yapay Zekâda Veri Kalitesi ve Kıyaslama: Elimizde Gerçekte Ne Var?
Türkçe kaynak manzarası dağınık GitHub listelerine ve arXiv makalelerine sıkışmış durumda. Elimizde gerçekte ne var, hangi kıyaslama neyi ölçüyor, Cetvel'in ters bulgusu ne anlatıyor ve kendi değerlendirme setinizi nasıl kurarsınız?
Veri3 dkVeri Merkezli Yapay Zeka: Modeli Değil Veriyi İyileştirmek
Veri merkezli yapay zeka, modeli sabit tutup veriyi sistematik olarak iyileştirme yaklaşımıdır. Etiket tutarlılığı, kapsam boşlukları ve hata analizi ile aynı mimariden nasıl daha yüksek doğruluk çıkar, sezgisel örneklerle anlatıyoruz.
Değerlendirme2 dkSınıf Dengesizliği: Nadir Olayı Kaçırmayan Model Nasıl Kurulur?
Dolandırıcılık, arıza ya da nadir hastalık gibi problemlerde pozitif sınıf çok azdır. Yeniden örnekleme, sınıf ağırlıkları, eşik ayarı ve PR eğrisi ile dengesiz veride doğru modeli nasıl kurarsınız?
Veri2 dkAktif Öğrenme: Etiketleme Bütçesini En Değerli Örneklere Harcamak
Her örneği etiketlemek pahalıdır. Aktif öğrenme, modelin en çok kararsız kaldığı örnekleri seçerek aynı bütçeyle daha yüksek doğruluk elde etmeyi sağlar. Belirsizlik örneklemesi, çeşitlilik ve soğuk başlangıç sorunu.
Değerlendirme2 dkVeri Sızıntısı ve Çapraz Doğrulama: Test Skorunuz Neden Yalan Söylüyor?
Mükemmel görünen bir doğrulama skoru çoğu zaman sızıntının işaretidir. Zaman sızıntısı, grup sızıntısı, ölçekleme hatası ve doğru çapraz doğrulama şemasını sezgisel örneklerle anlatıyoruz.
Etik2 dkYapay Zekâda Önyargı ve Adalet: Model Neden Ayrımcılık Yapar?
Önyargı modelden değil, çoğu zaman veriden ve problem tanımından gelir. Tarihsel önyargı, temsil dengesizliği, adalet ölçütleri ve bunların birbiriyle çelişmesi sezgisel örneklerle anlatılıyor.
Yöntem2 dkAnomali Tespiti: Etiket Olmadan Aykırıyı Bulmak
Anomali tespitinde genellikle etiket yoktur ve pozitif örnek çok azdır. İstatistiksel yöntemler, Isolation Forest, otokodlayıcılar ve eşik seçimi ile sahte alarmı nasıl yönetirsiniz?
Yöntem2 dkZaman Serisi Tahmini: Trend, Mevsimsellik ve Doğru Doğrulama
Zaman serisi problemleri klasik makine öğrenmesinden farklı kurallara tabidir. Trend, mevsimsellik, durağanlık, taban çizgileri ve ileri yönlü doğrulama pratik örneklerle anlatılıyor.
Yöntem2 dkÖneri Sistemleri: İşbirlikçi Filtreleme, İçerik Tabanlı Yaklaşım ve Soğuk Başlangıç
Öneri sistemleri iki temel fikre dayanır: benzer kullanıcılar ve benzer içerikler. İşbirlikçi filtreleme, içerik tabanlı yaklaşım, hibrit mimariler, soğuk başlangıç ve çeşitlilik dengesi.
Gizlilik2 dkGizlilik Korumalı Öğrenme: Federated Learning ve Diferansiyel Gizlilik
Veriyi merkezde toplamadan model eğitmek mümkündür. Federated learning, diferansiyel gizlilik, gizlilik bütçesi ve bu yöntemlerin gerçekte neyi garanti ettiği sezgisel örneklerle anlatılıyor.
Yönetişim2 dkModel Kartları ve Yapay Zekâ Yönetişimi: Bir Modeli Belgelemek
Model kartı, bir modelin ne yaptığını, nerede çalışmadığını ve hangi veriyle eğitildiğini kayda geçirir. Yönetişim, denetlenebilirlik ve risk sınıflandırmasına pratik bir bakış.
Görü6 dkCNN ve Görüntü İşleme Temelleri: Bir Makine Görüntüyü Nasıl "Görür"?
Filtreler, evrişim, havuzlama ve katmanlar üzerinden CNN'leri sezgisel olarak anlatıyoruz: bir makine bir görüntüyü gerçekte nasıl çözümler ve "görür"?
Tarihçe6 dkRNN ve LSTM'den Transformer'a: Dizi Mimarilerinin Evrimi
Dizileri işleyen mimarilerin evrimini sezgisel olarak anlatıyoruz: RNN'lerin nasıl çalıştığı, kaybolan gradyan ve paralelleşememe gibi sınırları, LSTM'in kapıları ve dikkat mekanizmasının Transformer'la neden kazandığı.
Temeller6 dkAşırı Öğrenme (Overfitting) ve Düzenlileştirme: Model Neden Ezberler?
Model neden ezberler? Aşırı öğrenme ve düzenlileştirmeyi sezgisel anlatıyoruz: dropout, L1/L2, erken durdurma ve çapraz doğrulama günlük örneklerle.
Eğitim6 dkGradyan İnişi ve Optimizasyon: Bir Model Nasıl "Öğrenir"?
Kayıp fonksiyonu, öğrenme oranı, SGD ve Adam üzerinden gradyan inişini sezgisel olarak anlatıyoruz: bir model hatasını ölçerek ve azaltarak gerçekte nasıl "öğrenir"?
Ölçme6 dkSınıflandırma Metrikleri: Doğruluk, Kesinlik, Duyarlılık, F1 ve ROC-AUC Ne Zaman Kullanılır?
Karışıklık matrisinden başlayarak doğruluk, kesinlik (precision), duyarlılık (recall), F1 ve ROC-AUC'yi günlük örneklerle anlatıyor; hangi metriğin ne zaman doğru seçim olduğunu netleştiriyoruz.
Öğrenme7 dkDenetimsiz Öğrenme ve Kümeleme: Etiketsiz Veriden Örüntü Çıkarmak
K-means, hiyerarşik kümeleme ve PCA üzerinden denetimsiz öğrenmeyi sezgisel olarak anlatıyoruz: etiketsiz veriden gizli örüntüler nasıl çıkarılır, kaç küme seçilir?
Veri6 dkÖzellik Mühendisliği: Ham Veriden Anlamlı Sinyaller ve Sızıntı Tuzakları
Özellik mühendisliğini sezgisel anlatıyoruz: ham veriden anlamlı özellik türetme, ölçekleme, kodlama ve modelleri sahada çökerten veri sızıntısı tuzakları.
Yorumlama4 dkModel Yorumlanabilirliği (XAI): Bir Model Neden Böyle Karar Verdi?
SHAP, LIME ve dikkat görselleştirmesini sezgisel örneklerle anlatıyoruz: bir model neden böyle karar verir ve bu açıklamalar güven ile hesap verebilirliği nasıl güçlendirir?
Veri6 dkSentetik Veri Üretimi: Veri Kıtlığını Aşmak, Gizliliği Korumak ve Model Çöküşünden Kaçınmak
Sentetik veri, gerçeğin desenlerini taklit eden üretilmiş veridir. Veri kıtlığını nasıl aştığını, gizliliği nasıl koruduğunu, LLM ile üretimi ve model çöküşü riskini sezgisel örneklerle anlatıyoruz.
Üretim6 dkÜretimde Model İzleme ve Veri Kayması: Kavram Kayması, Performans Düşüşü ve Yeniden Eğitim Tetikleyicileri
Üretimdeki ML modellerinde veri ve kavram kaymasını ele alıyoruz: performans düşüşünü tespit etme, yeniden eğitim tetikleyicileri ve üretim ML sağlığını koruma için pratik bir rehber.
Derin4 dkAttention (Dikkat) Mekanizması Sezgisel Anlatım: Query, Key, Value ve Self-Attention Neden Devrim Yarattı?
Bir model bir kelimeyi anlarken hangi kelimelere "bakar"? Query-Key-Value, self-attention ve Transformer devrimini günlük analojilerle sezgisel anlatım.
Türkçe NLP5 dkTokenizasyon ve Türkçe'nin Zorlukları: Eklemeli Dil, Kelime Patlaması ve Verimli Tokenizasyon
Türkçe neden daha fazla token tüketir? Eklemeli dil, kelime patlaması, BPE ve SentencePiece ile verimli tokenizasyonun maliyet ve hıza etkisi.
Temeller5 dkEmbedding Modelleri ve Semantik Benzerlik: Metni Anlama Çeviren Vektörler
Metinleri vektöre çevirme, kosinüs benzerliği, embedding modeli seçimi ve çok dilli embedding'leri sezgisel analojiler ve kısa bir kod örneğiyle anlatıyoruz.
RAG4 dkRAG İçin Chunking Stratejileri: Parçalama Kaliteyi Nasıl Belirler?
RAG'de chunking stratejileri: sabit boyut, cümle/paragraf, overlap, anlamsal chunking ve başlık-bağlamı koruma. Parçalama kaliteyi nasıl etkiler, sezgisel anlatım.
Getirim6 dkReranking ve Hibrit Arama: BM25 ile Semantik Aramayı Birleştirmek
BM25 ile semantik aramayı birleştiren hibrit arama, RRF ile skor füzyonu ve cross-encoder ile reranking'i kısa kod örnekleriyle sezgisel olarak anlatıyoruz.
Sınırlar6 dkBağlam Penceresi ve Uzun Belgeler: Token Sınırı, Ortada Kaybolma, Uzun Bağlam vs RAG
Bağlam penceresi nedir? Token sınırı, "ortada kaybolma" sorunu, uzun bağlam mı RAG mi ve özetleme zincirleri (map-reduce, refine) sezgisel analojilerle anlatıldı.
Ajanlar6 dkLLM Ajanları ve Araç Kullanımı: Planlama, MCP ve Çok Adımlı Görevler
LLM ajanları nasıl araç çağırır, plan yapar ve çok adımlı görevleri yürütür? MCP'yi, fırsatları ve riskleri sade analojilerle anlatıyoruz.
İleri RAG5 dkBilgi Grafiği + RAG (GraphRAG): İlişkileri Yakalayan Getirim
GraphRAG: bilgi grafiği ile RAG'i birleştiren getirim. Varlıklar arası bağlantılar, çok adımlı ve bütünsel sorular, klasik RAG'ın eksiklerini kapatma. Sezgisel anlatım.
Ölçekleme5 dkModel Çıkarımı ve Ölçekleme: Gecikme, Verim, Niceleme ve KV-Cache ile GPU Maliyetini Düşürmek
Gecikme, verim, niceleme, KV-cache ve batching kavramlarını sezgisel analojilerle anlatan, GPU çıkarım maliyetini düşürmeye odaklı pratik bir rehber.
Veri4 dkVeri Kalitesi ve Etiketleme: Modelin Asıl Yakıtı
Çöp girer çöp çıkar: veri temizleme, etiketleme stratejileri, sentetik veri ve dürüst değerlendirme setleriyle modelin asıl yakıtını anlatıyoruz.
Profil2 dkHalide Yılmaz kimdir?
Halide Yılmaz; ODTÜ Bilgisayar Mühendisliği mezunu, HatsonTech ve Caseon AI'ın kurucu ortaklarından. Yapay zeka ve yazılım alanında şirketler kuruyor.
Şirket2 dkHatsonTech nasıl ortaya çıktı?
HatsonTech, Ağustos 2026'da Ankara'da kurulan bir yazılım ve yapay zeka şirketi. Nasıl başladığını, ne yaptığını ve hukuk teknolojisine odaklanan Caseon AI ile ilişkisini kısaca anlatıyoruz.