Türkçe altyazı Turkish subtitles
0:00 Yapay zekâyla ilgili iki şey her zaman geçerlidir. Birincisi. There are two things that hold true when it comes to artificial intelligence. One. 0:04 Her yerdedir. It's everywhere. 0:06 Bu hafta diş fırçam bir yapay zekâ güncellemesi aldı. My toothbrush just got an AI update this week. 0:09 Ve ikincisi. Alan çok hızlı değişiyor, bu da teknoloji alanında çalışan bizler için bile takip etmeyi zorlaştırıyor. And two. The field is changing rapidly, making it hard to keep up even for those of us who work in tech. 0:14 Bu yüzden, yapay zekâ ilerledikçe tanımanızın önemli olduğunu düşündüğüm en önemli yedi yapay zekâ terimini bir araya getirdim. Kaç tanesini zaten biliyorsunuz? So, I've put together my top seven AI terms that I think are important to be familiar with as AI continues to progress. How many do you already know? 0:25 Hadi öğrenelim. Well, let's find out. 0:26 Birinci terimle başlayacağım, duyduğunuzdan emin olduğum bir şeyden. And I'm gonna to start at number one with something that I'm quite sure that you have heard of. 0:33 Bu da ajan yapay zekâsı. And that's agentic AI. 0:36 Herkes ve büyükanneleri bir sonraki nesil yapay zekâ ajanları geliştiriyor gibi görünüyor. Everybody and their grandmother seems to be building the next generation of AI agents. 0:40 Peki, tam olarak nedir bu ajanlar? But what exactly are they? 0:43 Yapay zekâ ajanları, hedeflere ulaşmak için bağımsız olarak düşünür ve hareket eder. Tek bir soruya yanıt veren bir sohbet botu gibi değil, ajanlar bağımsız çalışır. Well, AI agents, they can reason and act autonomously to achieve goals. Something like a chatbot that only responds one prompt at a time, AI agents, they run autonomously. 0:54 Bir dizi aşamadan geçerler. They go through a number of stages. 0:56 İlk olarak, çevrelerini algılarlar. So, first of all, they perceive their environment. 1:00 Bunu yaptıktan sonra bir düşünme aşamasına geçerler ve sonraki en iyi adımları belirlemeye çalışırlar. Once they've done that, they move on to a reasoning stage, and that's where they look to see what the next best steps forwards are. 1:10 Ardından, düşünme aşamasında oluşturdukları planı uygularlar ve eylemin sonuçlarını gözlemlerler. Then they move on to act on the plan that it's built through the reasoning, and then observes the results of that action. 1:20 Ve bu döngü böyle devam eder. And around and around we go. 1:23 Ajanlar pek çok rolde çalışabilirler. Now agents can work as well in all sorts of roles. 1:27 Örneğin, bir seyahat ajanı olarak bir tatil planlayabilirler. They could be your travel agent to book a trip. 1:30 Ya da çeyrek raporlarındaki yöneilmleri tespit eden bir veri analisti olabilirler. They could be your data analyst to spot trends in quarterly reports. 1:35 Ya da bir DevOps mühendisi rolünü üstlenerek günlüklerdeki anormallikleri tespit eder, konteynerler oluşturur ve hatalı dağıtımları geri alırlar. Or they could perform the role of a DevOps engineer, detecting anomalies in logs and spinning up containers to test fixes and rolling back faulty deployments. 1:44 Yapay zekâ ajanları genellikle büyük dil modellerinin belirli bir biçimiyle, yani ikinci terim olan büyük düşünme modelleriyle oluşturulur. And AI agents are typically built using a particular form of large language models, and that is known as number two, large reasoning models. 1:54 Bu modeller, düşünmeye odaklı ince ayar yapılmış özel LLM'lerdir. Normal LLM'lerin hemen yanıt üretmesinin aksine, düşünme modelleri problemleri adım adım çözmek üzere eğitilmiştir, Now these are specialized LLMs that have undergone reasoning-focused fine tuning. So unlike regular LLMs that generate responses immediately, reasoning models, they're trained to work through problems step by step, 2:10 ki bu, ajanların karmaşık çok adımlı görevleri planlaması için tam olarak gereklidir. which is exactly what agents need when planning complex, multistep tasks. 2:14 Düşünme modeli, doğrulanabilir doğru cevapları olan problemler üzerinde eğitilir. Now, the reasoning model is trained on problems with verifiably correct answers. 2:19 Örneğin matematik soruları ya da derleyicilerle test edilebilen kodlar ve pekiştirmeli öğrenme sayesinde, model doğru sonuca ulaşan düşünce dizileri üretmeyi öğrenir. So math problems or code that can be tested by compilers and through reinforcement learning, the model learns to generate reasoning sequences that lead to correct final answers. 2:31 Bu yüzden bir sohbet botunun yanıt vermeden önce "düşünüyor" diye duraklamasını gördüğünüzde, işte düşünme modeli devrededir; problemi adım adım çözmek için içsel bir düşünce zinciri oluşturur. So, every time you see a chatbot pause before it responds back to you by saying, thinking. Well, that's the reasoning model at work, generating an internal chain of thought to break down a problem step by step before generating a response. 2:46 Şimdi biraz daha alt seviyeye inip üçüncü terim olan vektör veritabanını konuşalım. Now let's get a bit lower level and talk about number three, which is vector database. 2:55 Vektör veritabanında, metin dosyaları ve görüntüler gibi ham veri olarak saklamıyoruz. So, in a vector database, we don't store raw data like text files and like images just as blobs of data. 3:07 Bunun yerine bir gömme modeli kullanıyoruz. We actually use something called an embedding model. 3:12 Bu gömme modeli, bu görüntüleri aslında bir vektöre dönüştürmek için kullanılır. And that embedding model is used to convert that data from these images here into actually a vector. 3:21 Peki, vektör nedir? Vektör aslında uzun bir sayı listesi gibidir. Now, what is a vector? Well, a vector is essentially just kind of a a long list of numbers. 3:28 Bu uzun sayı listesi, bağlamın anlamsal özelliklerini yakalar. Peki bunun faydası nedir? And that long list of numbers captures the semantic meaning of the context. Now, what's the benefit of doing that? 3:36 Vektör veritabanında, matematiksel işlemlerle arama yapabiliriz; birbirine yakın vektör gömmelerini buluruz. Well, in a vector database, we can perform searches as mathematical operations, looking for vector embeddings that are close to each other. 3:45 Bu da anlamsal olarak benzer içeriklerin bulunması demektir. And that translates to finding semantically similar content. 3:49 Örneğin, bir dağ manzarası fotoğrafını ele alalım. So, we might start, with let's say a picture of a mountain vista. Something like this. 3:56 Bu fotoğraf gömme modeli tarafından çok boyutlu bir sayısal vektöre dönüştürülür ve benzer öğeleri bulmak için bir benzerlik araması yapılır. And then that picture is broken down by the embedding model into vectors, a multidimensional numeric vector. And we can perform a similarity search to find items that are similar to that mountain picture 4:14 Bu, gömme uzayındaki en yakın vektörleri bulmak demektir. by finding the closest vectors in the embedding space. 4:18 Ya da benzer metin makaleleri, ya da benzer müzik dosyaları bulunabilir. Or it could be similar text articles, or it could be similar music files. 4:23 Ne isterseniz. Whatever you want. 4:24 Vektör veritabanları, dördüncü terimin hayata geçirilmesinde büyük bir rol oynar Now vector databases, they play a big role in implementing number four. 4:29 Ve buna RAG diyoruz, kaynaktan alınan veri ile zenginleştirerek üretim And that is RAG or retrieval augmented generation. 4:34 RAG, vektör veri tabanlarını LLM promptlarını zenginleştirmek için kullanır Now, RAG makes use of these vector databases. 4:40 Ve bunu bir LLM'ye verilen promptları zenginleştirmek için kullanıyor. And it uses it to enrich prompts to an LLM. 4:44 Burada bir RAG geri getirici bileşeniyle başlarız. So, we start here with a RAG retriever component. 4:49 Bu bileşen, bir kullanıcıdan gelen giriş promptunu alabilir, Now that might take in an input prompt from a user. 4:54 ve bunu bir gömme modeliyle vektöre dönüştürür. And it's going to turn it into a vector using an embedding model. 5:02 İşte bu, onu sayı serisine bağlayan şeydir. That's the thing that ties it into that series of numbers. 5:05 Bunu yaptıktan sonra, vektör veritabanında bir benzerlik araması yapabiliriz. And then, once we've done that, we can perform a similarity search in the vector database. 5:11 Veritabanı bir şey döndürür ve bunu baştaki büyük dil modeli promptuna geri göndeririz. Now that vector database will return something, and we'll return that all the way back to the large language model prompt that we started with. 5:21 Ve bu prompta, vektör veritabanından gelen bilgileri ekleriz. And we'll embed into that prompt now the stuff that came out of that vector database. 5:26 Örneğin bir şirket politikası hakkında soru sorabilirim, So, I can I can ask a question about let's say company policy. 5:29 ve bu RAG sistemi, çalışan el kitabındaki ilgili bölümü çekerek prompta dahil eder. And then this RAG system is going to pull the relevant section from the employee handbook to include in the prompt. 5:35 Beşinci terim, Model Bağlam Protokolü ya da MCP'dir.etkileşime girmesi gerekir. Now, number five, that Model Context Protocol or MCP. 5:43 Bu gerçekten heyecan verici bir konu çünkü büyük dil modellerinin gerçekten faydalı olabilmesi için dış veri kaynakları, hizmetler ve araçlarla This is a really exciting one because for large language models to be truly useful, they need to interact with external data sources and services and tools. 5:51 MCP, uygulamaların LLM'lere bağlam sağlamasını standartlaştırır. And MCP standardizes how applications provide context to LLMs. 5:56 Yani büyük dil modelinizin dış sistemlerle bağlantı kurmasını istiyorsanız, So, if you want your large language model here to be able to connect to stuff. 6:03 örneğin bir dış veritabanına bağlanmak, bir kod deposuna erişmek ya da bir e-posta sunucusuna bağlanmak gibi, Perhaps we want to connect to an external database, or maybe we want to go to some kind of code repository, or maybe even to an email server, or really any kind of external system. 6:17 MCP bu bağlantıyı standartlaştırır. Böylece geliştiricilerin her yeni araç için ayrı bir bağlantı oluşturması yerine, MCP AI'nin sistemlerinize erişmesi için standart bir yol sunar. Well, MCP makes that connection standardized. So, instead of developers having to build one off connections for each new tool, MCP provides a standardized way for AI to access your systems. 6:30 Temelde burada bir MCP sunucusu vardır, So basically we have here an MCP server. 6:35 ve AI bu sunucu üzerinden hangi araca nasıl erişeceğini bilir. And that is how the AI knows exactly what to do to get through to any one of these tools. 6:41 ve MCP sunucu bağlantısı ile bunu sağlar. It connects through that MCP server connection. Okay. 6:44 Şimdi altıncı terim için, Now, for number six. 6:48 bu uzman karışımı ya da MOE'dir. That's a mixture of experts or MOE. 6:52 MOE fikri aslında 1991'de bir bilimsel dergide yayınlandığından beri var, And we've had the idea of MOE for a good while, actually, since the paper was published in a scientific journal in 1991. 6:58 ancak bugün hiç bu kadar ilgili olmamıştı. But, it's never been more relevant than it is today. 7:02 MOE, büyük dil modelini bir dizi uzmana bölüyor. You see, MoE divides a large language model into a series of experts. 7:08 Üç uzman çizeceğim ama 100'den fazla da olabilir. I'm just gonna to draw three, but there could be 100 plus of these. 7:13 Bunlar özelleşmiş sinir alt ağlarıdır. These are specialized neural subnetworks. 7:17 Ve bir yönlendirme mekanizmasıyla sadece belirli bir görev için gereken uzmanları (veya ajanları) etkinleştirir. And then it uses a routing mechanism to activate only the agents it needs for a particular task, or only the experts in this case that it needs for a task. 7:29 Sonra bir birleştirme süreci gerçekleşir. And then, well, then it's going to perform a merge process. 7:34 İki uzman etkinleştirildiği için bu iki uzmanın çıktıları birleştirilir. So, because we activated these two experts, we'll merge these two. 7:38 Bu, farklı uzmanların çıktılarını tek bir temsil içinde birleştirerek modelin geri kalan kısmına iletir. And this performs mathematical operations to combine the output from these different experts into a single representation that continues through the rest of the model. 7:47 Bu, model boyutunu artırırken hesaplama maliyetlerini orantısız bir şekilde yükseltmeden ölçeklendirmek için çok verimli bir yoldur. And it's a really efficient way to scale up model size without proportional increases in compute costs. 7:54 Örneğin IBM Granite 4.0 serisi gibi MOE modelleri, burada onlarca farklı uzmana sahip olabilir. Ancak herhangi bir token için sadece ihtiyaç duyulan uzmanlar etkinleştirilir. So, for example, MoE models, like IBM Granite's 4.0 series, that can have dozens of different experts here. But for any given token, it will only activate these specific experts it needs. 8:07 Bu, tüm modelin milyarlarca parametreye sahip olmasına rağmen, çıkarım sırasında sadece bir kısmı aktif parametre olarak kullanılır demektir. And that means, though, while the whole model might have billions of total parameters, it only uses a fraction of those active parameters at inference time. 8:17 Yedinci terim için büyük bir şey ekleyeceğim: ASI, yani yapay süper zekâ And look, for number seven, I'm gonna throw in a big one, ASI, artificial superintelligence. 8:27 Bu, tüm öncü AI laboratuvarlarının hedefidir. It's the goal of all the frontier AI labs. 8:29 Şu anda tamamen teoriktir. And at this point, it is purely theoretical. 8:32 Gerçekten var değildir ve gelecekte var olup olmayacağını bilmiyoruz. It doesn't actually exist and we don't know if it ever will. 8:35 Bugünün en iyi modelleri, farklı bir standart olan AGI'ye yavaşça yaklaşmaktadır. Now, today's best models, they're slowly approaching a different standard, which is AGI. 8:42 Bu da yapay genel zekâdır. That's artificial general intelligence. 8:45 AGI de teoriktir, ancak gerçekleşirse, tüm bilişsel görevleri herhangi bir insan uzman kadar tamamlayabilir. Now that's also theoretical. But, if realized, AGI will be able to complete all cognitive tasks as well as any human expert. 8:54 ASI ise bunun bir adım ötesindedir. ASI is one step beyond that. 8:56 Yani ASI sistemleri, insan seviyesinin ötesinde bir entelektüel kapsamı ve olası rekürsif öz-iyileştirme yeteneğine sahip olacaktır. So, ASI systems would have an intellectual scope beyond human level intelligence, potentially capable of recursive self-improvement. 9:05 Temelde bir ASI sistemi kendini yeniden tasarlayıp yükseltebilir, sonsuz bir döngü içinde sürekli daha akıllı hale gelir. So, basically an ASI system could redesign and upgrade itself, becoming ever smarter in an endless cycle. 9:13 Bu tür bir gelişme, insanlığın en büyük sorunlarını çözebileceği gibi henüz hayal edemediğimiz tamamen yeni problemler de yaratabilir. It's the kind of development that would either solve humanity's biggest problems or create entirely new ones that we can't even imagine yet. 9:22 Bu gerçekleşirse, ASI terimini radarımızda tutmamızın iyi bir fikir olduğunu düşünüyorum And if that happens, well, I think it's probably a pretty good idea that we keep the term ASI on our radar. 9:30 İşte benim yedi terimim bu kadar. So, that's my seven. 9:32 Ancak merak ediyorum, listenize eklenmesi gerektiğini düşündüğünüz yapay zekâ terimi nedir? But I'm curious, what's the AI term you think that should have made it onto this list? 9:38 Yorumlarda bana bildirin. Let me know in the comments. 9:40 Merhaba, Martin. Merhaba, Graeme. Hey, Martin. Hey Graeme. 9:42 Bu gerçekten harika bir şey. Hey, this is really cool stuff. 9:45 Bu yapay zekâ ve bu terimler. Büyüleyici. This AI and these terms. Fascinating. 9:48 Evet, yedi terim buldum ama 70 de bulabilirdim. Yeah, and I came up with seven, but I could have come up with 70. 9:50 Bu alanda çok şey oluyor. Bahse girerim ki, There's so much going on in this space. I I I bet you could. 9:53 ve biliyorsunuz ne? Çok fazla şey var. And you know what? There is so much going on. 9:55 Aslında IBM TechXchange konferansında bu Ekim ayında Orlando'da yapay zekâ hakkında çok konuşacağız. We are actually going to be talking about AI a lot at the IBM TechXchange conference in Orlando this October. 10:02 Ve ben de orada olacağım. And you know what? I'm gonna be there as well. 10:04 Çok heyecanlı olacak! I know it's gonna be so exciting! 10:05 Çok şey olacak. There's going to be so much going on. 10:07 Bakalım neler yapacağız. We are going to have. Let's see. 10:08 Boot camp'lerimiz olacak, We're gonna have boot camps. 10:10 workshoplarımız olacak, oturumlar olacak, We're going to have workshops. There's going to be sessions. 10:13 canlı demolar, sertifikalar ve yapay zekâyla ilgili her türlü etkinlik olacak. There's going to be live demos, certifications, all kinds of things going on. 10:18 AI etrafında daha bir çok şey So much more when it comes to AI. 10:20 Ancak Martin, orada ne yapacaksın? But but Martin, what are you going to be doing there? 10:22 Ben ışık tahtası kalemlerimi ve bu ışık tahtasını oturumlara getireceğim. Well, I'm going to be bringing my light board pens and this light board to the sessions as well. 10:27 Tanrım! Çok heyecanlıyım, orada seninle olmak harika olacak! Oh my God! It's so exciting! I'm so excited have you there! 10:30 Evet. Aslında bir ışık tahtası stüdyosu kuracağız. Yes. So we're actually going to have a light board studio set up. 10:33 Ve canlı ışık tahtaları yapacağız. And ah we're going to be performing light boards live. 10:35 Eğer her zaman geriye nasıl yazılır diye merak ettiysen, etkinlikte bunu bizzat göreceksin. So if you always wondered how do I write backwards, you're going to find out in person at the event. 10:41 Ayrıca ışık tahtası videosu nasıl çekilir, bilmen gereken şeyleri öğreteceğiz. Vay canına. And da also we'll be kind of teaching how to perform a light board video yourself. The sort of things that you need to know for that. 10:48 Bir ünlüyle tanışabilir ve belki kendin de bir ünlü olabilirsin. Wow. So you get to meet a celebrity and maybe become one yourself. 10:51 Gerçekten heyecan verici. That sounds really exciting. 10:52 Orlando'da seni ağırlamayı dört gözle bekliyorum. I can't wait to welcome you down to Orlando. 10:55 Harika bir deneyim olacak, sabırsızlanıyorum! It's just going to be a blast. So looking forward to it. Can't wait. 10:58 Umarım orada da görüşürüz. All right. Hope we see you there too. 10:59 ibm.com/techXchange adresine gidin ve orada buluşalım. So, go to ibm.com/techXchange and we'll see you down there. Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
Video, yapay zekanın hızla değişen dünyasında bilmeniz gereken yedi temel terimi ve özellikle bağımsız karar alabilen AI ajanlarını açıklıyor. The video explains the seven essential terms you need to know in the rapidly evolving world of artificial intelligence, particularly focusing on AI agents capable of making independent decisions.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →