Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde, yapay zekanın “halüsinasyon” adı verilen, hiç var olmayan bilgileri gerçekmiş gibi sunma kusurunu ele aldığımız 2. bölüme geçiyoruz ve yarattığı riskleri ve bu rüyamsı yanıltmaları önlemek için geliştirilen Retrieval-Augmented Generation (RAG), Zincirleme Düşünce (CoT), Self-Consistency, İnsan Geri Bildirimiyle Öğrenme (RLHF), çok modlu doğrulama gibi yöntemleri uygulama örnekleri eşliğinde ele alıyoruz. Dünyaca ünlü araştırmacıların ve teknoloji liderlerinin görüşleriyle de güvenilir bir yapay zekâya nasıl ulaşabileceğimizi anlamaya çalışıyoruz. Bu yolculuğa eşlik etmek için:

Kaynaklar:

• Websitem: fbildirici.github.io
• Stanford State of AI Index Rapor: https://hai.stanford.edu/ai-index/2023-ai-index-report
• Chain-of-Thought'u adeta karşılaştırarak doğrulayan Self-Consistency mekanizması: https://arxiv.org/abs/2203.11171
• Human Feedback ile Pekiştirmeli Öğrenme Kullanımı Hakkında: https://arxiv.org/abs/2203.02155
• Eliezer Yudkowsy'nin Blogu: https://www.lesswrong.com/posts/wAczufCpMdaamF9fy/my-objections-to-we-re-all-gonna-die-with-eliezer-yudkowsky
• Chain of Thought'u Ortaya Çıkaran Makale, Geçmiş Bölümlerde Anlatmıştık: https://arxiv.org/abs/2201.11903
• Altman'ın Hallucination Hakkındaki Görüşleri: https://thereader.mitpress.mit.edu/hallucinating-ais-sound-creative-but-lets-not-celebrate-being-wrong/

Bu bölümde, GPT’nin nasıl devasa metin veri setleri üzerinde önceden eğitildiğini, nasıl Transformer mimarisi üzerine kurulduğunu ve metinleri nasıl bir kelimenin sonrasında hangisinin geleceğini tahmin ederek oluşturduğunu keşfediyoruz. Bunu yaparken, eski dostumuz Turing'e selam veriyor, Doğal Dil İşleme'nin (NLP) tarihine göz atıyor, ELIZA'ya hal hatır soruyoruz.

Beatles'ın "All you need is love" haykırışını kulaklarımızda çınlatırken, biz de dikkat mekanizmalarına, tokenizasyona, embedding yöntemlerine göz atıyoruz. RNN’lerden LSTM’lere algoritmaların nasıl evrildiğine kısaca bakıyoruz. GPT’nin arkaplanını, hem matematiksel hem tarihsel hem de kültürel bir yolculukta adım adım çözmeye çalışıyoruz.

Websitem: https://fbildirici.github.io

Kaynaklar

• Attention Is All You Need (Vaswani et al., 2017)
  Transformer mimarisinin doğuşunu anlatan temel makale.
  https://arxiv.org/abs/1706.03762

• The Bitter Lesson (Rich Sutton, 2019)
  Yapay zekâda deneyimlerin ve insan tasarımından ziyade hesaplama gücünün önemine dair etkili bir bakış.
  http://www.incompleteideas.net/IncIdeas/BitterLesson.html

• Stochastic Parrots (Bender et al., 2021)
  Büyük dil modellerinin önyargılar, sürdürülebilirlik ve etik risklerine dair eleştirel bir çalışma. Geçen bölümde de bahsetmiştik, ama bu konu hâlâ gündemimizde.
  https://dl.acm.org/doi/10.1145/3442188.3445922

• The Illustrated GPT-2 (Jay Alammar)
  GPT mimarisini görsel anlatımlarla sadeleştiren detaylı ve anlaşılır bir blog yazısı.
  https://jalammar.github.io/illustrated-gpt2/

Otostopçunun Yapay Zeka Rehberi'nin bu iki bölümlük serisinin ilk bölümünde, yapay zekâların ve özellikle büyük dil modellerinin en ilginç ve tartışmalı yönlerinden biri olan halüsinasyonları ele alıyoruz. Yapay zekâ neden bazen gerçek dışı şeyler uydurur? Teknik altyapısı, tarihçesi, hukuki ve etik sonuçlarıyla birlikte halüsinasyonları kapsamlı biçimde bir incelemenin yolculuğun gelin ilk bölümünden başlayalım:

Kaynaklar:

• Fatih Bildirici PhD(c): https://fbildirici.github.io
• ​On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?: https://www.turing.ac.uk/events/dangers-stochastic-parrots

https://dl.acm.org/doi/10.1145/3442188.3445922

• Halüsinasyonlar İşimize Yarayabilir mi?How Hallucinatory A.I. Helps Science Dream Up Big Breakthroughs - The New York Times

• H​allucination Ölçüm Metrikleri Üzerine Akademik Çalışmalar ör: Toolformer [2302.04761] Toolformer: Language Models Can Teach Themselves to Use Tools
• 
  When AI Gets It Wrong: Addressing AI Hallucinations and Bias - MIT Sloan Teaching & Learning Technologies
• 
  Sam Altman says hallucinations are part of the “magic” of generative AI | IT Pro
• Çözüm Denemeleri Üzerine: Legal_RAG_Hallucinations.pdf
• How Hallucinatory A.I. Helps Science Dream Up Big:How Hallucinatory A.I. Helps Science Dream Up Big Breakthroughs - The New York Times

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde hep birlikte Model Context Protocol (MCP)'yi keşfe çıkıyoruz. Yapay zekâ sistemlerinin dış dünyayla nasıl bağlantı kurduğunu, veriye nasıl eriştiğini ve bizim adımıza nasıl eyleme geçebildiğini detaylıca ele alıyoruz. RAG gibi yaklaşımlardan nasıl farklılaştığını anlamaya çalışıyor, gerçek dünyadaki örnekleriyle neler mümkün olduğunu birlikte görüyoruz.

Kaynaklar:

• Websitem: fbildirici.github.io
• Model Bağlam Protokolü (Cursor: https://docs.cursor.com/context/model-context-protocol
• Anthropic Dokümantasyonu: https://www.anthropic.com/news/model-context-protocol
• Dokümantasyon & Online Book: https://modelcontextprotocol.io/introduction
• Github Reposu: https://github.com/modelcontextprotocol
• IBM Technology Kanalı Giriş Seviyesi MCP Videosu: https://www.youtube.com/watch?v=eur8dUO9mvE
• Datacamp Uygulamalı Crash Course: https://www.datacamp.com/tutorial/mcp-model-context-protocol

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde tavsiye sistemlerinin kalbinde yer alan makine öğrenmesini düşünerek. Öneri sistemleri olarak ele alabileceğimiz sistemleri konuşuyoruz, kullanıcıların geçmiş davranışlarını ve tercihlerine dair verileri analiz ederek, kişiye özel içerik veya ürün önerileri sunma olarak düşüneceğimiz bu sistemleri ve temellerini anlamaya çalışıyoruz.

Kaynaklar:

• Websitem: ⁠fbildirici.github.io⁠
• Recommendation Systems: ⁠https://developers.google.com/machine-learning/recommendation/overview/types⁠
• The Coded Bias: ⁠https://www.netflix.com/title/81328723⁠
• İTÜ Öneri Sistemleri: ⁠https://yapayzeka.itu.edu.tr/arastirma/oneri-sistemleri⁠
• Miuul: ⁠https://miuul.com/blog/veri-bilimi-ile-tavsiye-sistemleri⁠
• Matematiksel İmha Silahları: ⁠https://www.canyayinlari.com/matematiksel-imha-silahlari-9786058043398⁠
• Practical Recommendation Systems: ⁠https://www.manning.com/books/practical-recommender-systems⁠
• Recommendation Systems: Algorithms, Challenges, Metrics, and Business Opportunities: ⁠https://www.mdpi.com/2076-3417/10/21/7748

Bu bölümde, akıl yürüten yapay zekaların gelişimini inceliyoruz. Özellikle, reasoning modellerin derinlemesine düşünme yeteneğini nasıl kazandığını; ChatGPT’nin, O1 ve O3 gibi modellerin akıl yürütme süreçlerini nasıl geliştirdiğini; Deepseek r1 ve benzeri modellerin bu yeteneği kazanmasını sağlayan çalışmanın sunduğu perspektifleri ve chain-of-thought yaklaşımının etkilerini ele alıyoruz.

Kaynaklar:

Kişisel Web Sitesi:

https://fbildirici.github.io

• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models: https://arxiv.org/pdf/2201.11903
• DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning: https://arxiv.org/pdf/2501.12948
• Chain of Thought Prompting Hakkında: https://www.promptingguide.ai/techniques/cot
• Yapay Zeka Nasıl Düşünür: https://www.youtube.com/watch?v=PvDaPeQjxOE
• Modern Yapay Zeka Sistemlerinde Akıl Yürütme Nedir?

https://www.youtube.com/watch?v=XFMk0snybAc

Otostopçunun Yapay Zeka Rehberi'nin bu bölümünde beraber biraz keyifli bir sohbete giriyoruz. Carl Sagan'ın "Bilimkurgu, sadece tahmin yapmaz; geleceğin nasıl olabileceğine dair hayaller kurarak mucitlere yol gösterir." sözünden yola çıkıyor, yapay zekanın bilimkurguda nasıl yer aldığını, nasıl beslediğini, yapay zekanın bilimkurgu eserlerinde nasıl ele alındığını sorular sorarak inceliyoruz bu bölümde.

Kaynaklar:

• Kişisel Websitem: fbildirici.github.io
• What can science fiction tell us about the future of artificial intelligence policy?: https://link.springer.com/article/10.1007/s00146-021-01273-2
• How science-fiction tropes shape military AI: https://thebulletin.org/2023/03/how-science-fiction-tropes-shape-military-ai/
• Artificial intelligence in fiction: between narratives and metaphors: https://link.springer.com/article/10.1007/s00146-021-01299-6
• Butleryan Cihadı: https://www.bilimkurgukulubu.com/t/butleryan-cihadi/
• Yapay Zekanın Bilim Kurgudaki Rolü: https://www.youtube.com/watch?v=21P0nqPNz1w

Otostopçu'nun Yapay Zeka Rehberi'nde bu bölümde Makine Öğrenmesi Konusunun detayına giriyoruz.

makine öğrenmesinin temel türlerini ve algoritmalarını derinlemesine inceliyoruz. Denetimli öğrenmenin etiketli verilerle nasıl yol gösterdiğini, denetimsiz öğrenmenin verideki gizli örüntüleri ortaya çıkarmasını ve pekiştirmeli öğrenmenin deneme-yanılma süreçleriyle karar alma mekanizmalarını, kapsamlı örneklerle açıklıyor, bu yolculukta en güvendiğimiz kaynakları da yanımıza alıyoruz. Makine öğrenme süreçlerinin nasıl çalıştığını, tarihsel süreci de detaylıca anlamaya çalışıyoruz.

• Kişisel Sayfam: https://fbildirici.github.io
• Bilinçli Makinelere Giden Yol: https://metiskitap.com/catalog/book/37104
• Bishop - Machine Learning: https://www.microsoft.com/en-us/research/wp-content/uploads/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
• Chip Huyen - Designing Machine Learning Systems: https://github.com/chiphuyen/machine-learning-systems-design
• How Neurons that Fire Together Wire Together: https://neurosciencenews.com/wire-fire-neurons-19835/
• Bilgi Kuramı: https://sarkac.org/2021/10/bilgi-kurami-nedir/

https://x.com/FatihBildiricii

https://bsky.app/profile/fatihbildirici.bsky.social

Agentic AI yani yapay zeka ajanları, artık sadece verilen komutlara yanıt veren bir araç değil; çevresini algılayıp, kendi hedeflerini belirleyerek özerk kararlar alabilen çerçeveler olarak özetlenebilecek aslında hibrit bir çerçeve. Bu podcast’te, bu devrim niteliğindeki teknolojinin teknik temellerini, önemli noktalarını, katmanlarını, buraya bizi getiren yolları inceleyeceğiz, kısaca sektörlerde nasıl uygulandığını ve etik, hukuki sorumluluklarını, ünlü düşünürlerin ve endüstri uzmanlarının görüşleriyle birlikte keşfedeceğiz.

Bunu da mümkün olduğunca derinlikli ele alıyoruz. Aşağıda ek linkleri bulabilirsiniz:

• https://fbildirici.github.io - Kişisel Adresim
• Sam Altman'ın görüşleri: https://www.youtube.com/watch?v=rxWi9-To8Qs
• Andrew Ng'nin görüşleri: https://www.youtube.com/watch?v=KrRD7r7y7NY
• Bill Gates'in Agentic AI hakkında notları: https://www.gatesnotes.com/ai-agents
• IBM'in eleştirel bakışları da içeren notları: https://www.ibm.com/think/insights/ai-agents-2025-expectations-vs-reality
• Langchain'in State of Agents Raporu: https://www.langchain.com/stateofaiagents
• OpenAI Agents: https://openai.com/index/new-tools-for-building-agents/
• AI Agents in Action kitabı - Manning: https://www.oreilly.com/library/view/ai-agents-in/9781633436343/

Notlar, yorumlar için: https://www.linkedin.com/in/fatih-bildirici/

Yapay zekâ, insan seviyesinde zekâya ulaşmanın eşiğinde mi, yoksa bu sadece tekrar eden bir hayal mi? Alan Turing’den Geoffrey Hinton’a, Herbert Simon’dan Elon Musk’a kadar tarih boyunca birçok ünlü isim, makinelerin kısa sürede insanı aşacağını öngördü—ancak çoğu kez yanıldılar. Bu bölümde, 1950’lerden günümüze kadar AI hakkında yapılan aşırı iyimser tahminleri, bunların neden gerçekleşmediğini ve AGI’nin (Genel Yapay Zekâ) hâlâ neden ulaşılmaz bir hedef olduğunu ele alıyoruz. Bilimkurgu, medya etkileri, yatırımcı hype'ı ve teknik sınırlamaların bu yanlış öngörülerde nasıl rol oynadığını tartışıyor, yapay zekânın geleceğine dair gerçekçi davranmaya gayret ediyoruz.

Otostopçu'nun Yapay Zeka Rehberi ilk bölümüyle sizlerle.

https://fbildirici.github.io