Yapay zekâ ve AGI sözlüğü: sade Türkçeyle açıklanmış 200'den fazla terim

Bu sitede ve haberlerde kullanılan yapay zekâ ve AGI kelime dağarcığı için sade bir dille yazılmış bir başvuru kaynağı — 200’den fazla terim, alfabetik sırayla, hiçbir teknik geçmiş varsayılmadan. Duyduğunuz bir terim henüz burada yoksa, yeni bölümler yazıldıkça eklenecektir.

A

• Adversarial attack (çekişmeli saldırı) — bir yapay zekâ modelini bir hata yapmaya veya istenmeyen bir çıktı üretmeye kandırmak için kasıtlı olarak hazırlanmış bir girdi.
• Agentic AI (ajansal yapay zekâ) — bir sisteme, yalnızca tek bir soruyu yanıtlamak yerine bir hedefe doğru çok adımlı eylemler (gezinme, kod çalıştırma, araç kullanma) alması için bir miktar özerklik verilen yapay zekâ sistemi.
• Algorithm (algoritma) — bir sorunu çözmek veya bir hesaplama yapmak için tanımlanmış, adım adım bir prosedür; her yapay zekâ tekniğinin altında yatan genel terim.
• Artificial intelligence (AI) (yapay zekâ) — normalde insan zekâsı gerektiren görevleri yerine getiren makineler inşa etmenin geniş alanı; basit kural tabanlı programlardan frontier dil modellerine kadar her şeyi kapsar.
• AGI (Yapay Genel Zekâ) — genellikle güçlü performans ve tanıdık olmayan bilişsel görevler arasında aktarım içeren, geniş çapta yetenekli yapay zekâ için tartışmalı bir terim; evrensel olarak kabul edilmiş bir test veya eşik yoktur. Bkz. AGI, dar yapay zekâ ve süper zekâ.
• AI Act (AB Yapay Zekâ Yasası) — Avrupa Birliği’nin, en büyük modeller için hesaplama tabanlı raporlama eşikleri dahil, yapay zekâyı risk kategorisine göre düzenleyen bağlayıcı yasası. Bkz. hesaplama yönetişimi.
• AI Safety Institute (Yapay Zekâ Güvenliği Enstitüsü) — yayından önce veya sonra frontier yapay zekâ modellerini tehlikeli yetenekler açısından bağımsız olarak test eden bir devlet kurumu (hem Birleşik Krallık hem de ABD birer tane işletiyor).
• Alignment (hizalama) — bir yapay zekâ sisteminin hedeflerinin ve davranışının, bir eğitim hedefinin harfiyen ödüllendirdiği şeyle değil, operatörlerinin gerçekte niyet ettiğiyle eşleşmesini sağlama sorunu.
• ANI (Yapay Dar Zekâ) — sınırlı bir alanda iyi performans gösteren ancak dışında zayıf aktarım yapan yapay zekâ. Modern genel amaçlı modeller, geniş ama düzensiz yetkinlik gösterdikleri için eski ANI/AGI ikiliğini karmaşıklaştırır.
• Anthropic — Claude model ailesinin üreticisi, Sorumlu Ölçeklendirme Politikası’nı yayımlamasıyla bilinen, yapay zekâ güvenliği odaklı bir laboratuvar.
• Anthropomorphism (antropomorfizm) — gerçekte sahip olmadığı insan benzeri duyguları, niyetleri veya anlayışı bir yapay zekâ sistemine atfetme eğilimi.
• API (Uygulama Programlama Arayüzü) — bir yazılım parçasının diğerine istek göndermesi için tanımlanmış bir yol; çoğu yapay zekâ modeli bir tüketici uygulaması yerine bir API üzerinden kullanılır.
• ASI (Yapay Süper Zekâ) — temelde tüm bilişsel açıdan değerli alanlarda en iyi insan performansını aşan bir sistem.
• Attention mechanism (dikkat mekanizması) — bir transformer modelinin, verilen bir kelimeyi yorumlarken veya üretirken bir pasajdaki diğer her kelimenin ne kadar ilgili olduğunu tartmasını sağlayan kısım.
• Autonomous system (otonom sistem) — her adımı doğrudan kontrol eden bir insan olmadan kararlar alabilen ve bunlara göre hareket edebilen bir makine (yazılım veya fiziksel).
• Autonomous weapon (otonom silah) — azaltılmış veya hiç gerçek zamanlı insan kontrolü olmadan hedefleri seçebilen ve angaje olabilen bir silah sistemi. Bkz. otonom silahlar ve askeri tırmanma.
• Automation (otomasyon) — daha önce bir kişi gerektiren bir görevi gerçekleştirmek için bir makine veya program kullanmak.

B

• Backpropagation (geri yayılım) — sinir ağlarını eğitmek için kullanılan, modelin çıktısının ne kadar yanlış olduğuna göre dahili ağırlıkları ayarlayan temel algoritma.
• Benchmark (gösterge testi) — yapay zekâ model performansını belirli bir görevde ölçmek ve karşılaştırmak için kullanılan standartlaştırılmış bir test.
• Bias (algorithmic) (algoritmik önyargı) — genellikle eğitim verisindeki örüntülerden miras alınan, belirli gruplar veya durumlar için haksız veya yanlış sonuçlar üreten bir modelin çıktılarındaki sistematik bir çarpıklık.
• Bletchley Declaration (Bletchley Bildirgesi) — 28 ulus ve AB tarafından imzalanan, güvenli yapay zekâ geliştirmeye bağlılık taahhüdünde bulunan 2023 tarihli bir bildiri, bu ölçekte ilk türden bir anlaşma. Bkz. uluslararası antlaşmalar ve zirveler.
• Bot (bot) — genellikle çevrimiçi bir insan kullanıcıyı taklit etmek için tasarlanmış, otomatik görevler çalıştıran bir yazılım programı.

C

• Capability threshold (yetenek eşiği) — bir kez aşıldığında bir politika, güvenlik veya değerlendirme gereksinimini tetikleyen belirli bir yapay zekâ performans düzeyi (bir görev veya gösterge testinde).
• Catastrophic risk (felaket riski) — rutin, sınırlı veya geri döndürülebilir zararlardan ayrı olarak, kitlesel can kaybı veya medeniyet ölçeğinde zarar potansiyeli olan bir risk.
• Chain-of-thought prompting (düşünce zinciri istemi) — bir modelden nihai bir cevap vermeden önce ara akıl yürütme adımlarını yazmasını istemek, bu genellikle karmaşık sorunlarda doğruluğu artırır.
• Chatbot (sohbet botu) — basit betikli sistemlerden tam dil modellerine kadar uzanan, bir kişiyle metin veya sesli sohbet yapmak üzere tasarlanmış bir program.
• Classifier (sınıflandırıcı) — girdileri önceden tanımlanmış kategorilere ayırmak üzere eğitilmiş bir model, örneğin bir e-postayı spam olarak veya değil olarak işaretlemek.
• Cognitive task (bilişsel görev) — fiziksel eylem yerine zihinsel işlem içeren, akıl yürütme, planlama veya dil anlama gibi herhangi bir görev.
• Content moderation (AI-assisted) (yapay zekâ destekli içerik denetimi) — bir platformda zararlı, yasa dışı veya politika ihlali içeren içeriği otomatik olarak tespit etmek ve filtrelemek için yapay zekâ modelleri kullanmak.
• ChatGPT — OpenAI’nin tüketiciye yönelik konuşma yapay zekâsı asistanı, büyük dil modellerini popülerleştiren ürünlerden biri.
• Claude — Anthropic’in büyük dil modelleri ailesi ve konuşma yapay zekâsı asistanı.
• Cloud computing (bulut bilişim) — yerel bir cihaz yerine internet üzerinden erişilen uzak sunucularda yazılım çalıştırmak ve veri depolamak — neredeyse tüm büyük yapay zekâ modellerinin çalıştığı altyapı.
• Compute (hesaplama gücü) — bir yapay zekâ modelini eğitmek veya çalıştırmak için kullanılan işlem kapasitesinin (saniyedeki işlem sayısıyla ölçülen) kısaltması.
• Compute governance (hesaplama yönetişimi) — frontier yapay zekâ modellerini eğitmek için gereken bilgisayar donanımına erişimi düzenleyen, yeteneğin kendisini düzenlemek için bir vekil olarak kullanılan politika araçları. Bkz. hesaplama yönetişimi.
• Computer vision (bilgisayarlı görü) — görüntüleri ve videoyu yorumlamaya odaklanan yapay zekâ alt alanı.
• Content provenance (içerik kökeni) — bir medyaya (fotoğraf, video, ses) eklenen, nasıl ve ne zaman oluşturulduğunu veya düzenlendiğini kaydeden, gerçek içeriği yapay zekâ tarafından üretilen içerikten ayırmak için kullanılan teknik meta veri.
• Context window (bağlam penceresi) — bir dil modelinin bir yanıt üretirken aynı anda dikkate alabileceği metin miktarı (jetonlarla ölçülür); dışındaki her şey etkin bir şekilde unutulur.
• Conversational AI (konuşma yapay zekâsı) — bir kişiyle doğal, karşılıklı diyalog kurmak için özel olarak tasarlanmış yapay zekâ sistemleri.
• Copilot — Microsoft’un yazılımına entegre edilmiş yapay zekâ asistanı ürün hattı, başka bir araca gömülü bir yapay zekâ yardımcısı için genel bir terim olarak da kullanılır.
• Corrigibility (uyumluluk/düzeltilebilirlik) — bir sistemin, direnmek yerine operatörlerinden düzeltme, değişiklik veya kapatmayı kabul etmek üzere tasarlanmış eğilimi. Bkz. uyumluluk ve kapatma anahtarları.
• Cyberattack (AI-enabled) (yapay zekâ destekli siber saldırı) — keşif, açıktan yararlanma geliştirme veya yürütmeyi otomatikleştirmek için yapay zekânın kullanıldığı, bilgisayar sistemlerine veya altyapıya yönelik bir saldırı. Bkz. altyapıya yönelik yapay zekâ destekli siber saldırılar.

D

• Dangerous capability evaluation (tehlikeli yetenek değerlendirmesi) — bir modelin silah geliştirme veya büyük ölçekli siber saldırılar gibi görevlere anlamlı şekilde yardımcı olup olamayacağını kontrol etmek için yayından önce çalıştırılan yapılandırılmış bir test.
• Data center (veri merkezi) — yapay zekâ modellerini eğitmek ve çalıştırmak için kullanılan çok sayıda bilgisayarı (genellikle GPU veya TPU) barındıran bir tesis.
• Dataset (veri kümesi) — bir yapay zekâ modelini eğitmek veya değerlendirmek için kullanılan örneklerin (metin, görüntü veya diğer veriler) toplanması.
• Deceptive alignment (aldatıcı hizalama) — bir modelin eğitim veya değerlendirme sırasında güvenli davranmayı öğrenirken dağıtıldıktan sonra farklı hedefler peşinde koştuğu varsayımsal bir başarısızlık modu.
• Deep learning (derin öğrenme) — son dönemdeki yapay zekâ ilerlemesinin çoğundan sorumlu, çok katmanlı sinir ağları kullanan bir makine öğrenmesi dalı.
• Deepfake (deepfake) — gerçekleşmemiş bir şeyi inandırıcı bir şekilde tasvir etmek için yapay zekâ tarafından üretilen veya değiştirilen sentetik görüntü, ses veya video. Bkz. deepfake’ler ve paylaşılan olgusal taban.
• DeepMind (Google DeepMind) — hem son teknoloji yetenek araştırmasıyla hem de yayımlanmış yapay zekâ güvenliği çalışmasıyla bilinen Google’ın yapay zekâ araştırma laboratuvarı.
• Diffusion model (difüzyon modeli) — genellikle görüntüler için kullanılan, rastgele bir başlangıç örüntüsünden gürültüyü kademeli olarak kaldırarak çıktı oluşturan bir tür üretken yapay zekâ modeli.
• Digital watermark (dijital filigran) — bir medya parçasına gömülü, genellikle görünmez bir sinyal, onu yapay zekâ tarafından üretilmiş olarak tanımlamak veya kökenini izlemek için kullanılır.
• Disinformation (dezenformasyon) — kasıtlı olarak aldatmak için yayılan yanlış bilgi; kandırma niyeti olmadan yayılan yanlış bilgi olan yanlış bilgilendirmeden farklıdır.
• Decision tree (karar ağacı) — dallanan bir dizi ise/o hâlde sorusunu takip ederek tahminler yapan, basit, yorumlanabilir bir makine öğrenmesi modeli.
• Domain adaptation (alan adaptasyonu) — bir bağlamda (veya veri kümesinde) eğitilmiş bir modeli, ilişkili ama farklı bir bağlamda iyi performans göstermesi için ayarlamak.
• Dual-use technology (çift kullanımlı teknoloji) — meşru faydalı kullanımları olan ancak ciddi zarara neden olmak için de kötüye kullanılabilecek bir teknoloji.

E

• Edge AI (uç yapay zekâsı) — bir yapay zekâ modelini bulut yerine doğrudan yerel bir cihazda (bir telefon, kamera veya sensör) çalıştırmak.
• Embedding (gömme) — bir kelimenin, görüntünün veya kavramın anlamını bir modelin matematiksel olarak işleyebileceği bir biçimde yakalayan sayısal bir temsil.
• Emergent capability (ortaya çıkan yetenek) — eğitimde doğrudan hedeflenmemiş veya sistemler ölçeklendikçe belirli bir metrik altında aniden ortaya çıkan bir yetenek. Bazı görünür sıçramalar farklı ölçüldüğünde kademeli hâle gelir. Bkz. ortaya çıkan yetenekler.
• Encoder/decoder (kodlayıcı/kod çözücü) — birçok yapay zekâ mimarisinde bir kodlayıcının girdiyi dahili bir temsile sıkıştırdığı ve bir kod çözücünün bu temsili tekrar çıktıya dönüştürdüğü iki parçalı yapı.
• Epoch (epok) — model eğitimi sırasında tüm eğitim veri kümesinden bir tam geçiş.
• Ethics (AI ethics) (yapay zekâ etiği) — yapay zekâ sistemlerinin insan değerleriyle uyumlu olacak ve zarardan kaçınacak şekilde nasıl tasarlanması ve kullanılması gerektiğini inceleyen alan.
• End-to-end learning (uçtan uca öğrenme) — el ile tasarlanmış ara adımlar olmadan, tek bir modeli doğrudan ham girdiden nihai çıktıya gitmesi için eğitmek.
• Evaluation (model evaluation) (değerlendirme) — bir yapay zekâ modelinin performansını, güvenliğini veya davranışını tanımlanmış gösterge testlerine veya kriterlere karşı sistematik olarak test etmek.
• Existential risk (x-risk) (varoluşsal risk) — insanlığın potansiyelini kalıcı ve ciddi şekilde kısıtlayabilecek, yok oluşa kadar varabilecek bir risk.
• Expert system (uzman sistem) — insan uzman bilgisini açık kurallar olarak kodlayan, çoğu görev için büyük ölçüde makine öğrenmesi tarafından geride bırakılmış eski bir yapay zekâ türü.
• Export controls (ihracat kontrolleri) — rakip yetenek gelişimini yavaşlatmak için kullanılan, gelişmiş yapay zekâ çiplerinin veya teknolojisinin belirli ülkelere satışına yönelik devlet kısıtlamaları.

F

• Facial recognition (yüz tanıma) — bir kişiyi yüzünün bir görüntüsünden tanımlayan veya doğrulayan yapay zekâ teknolojisi.
• Few-shot learning (az örnekle öğrenme) — bir modelin, kullanım anında verilen yalnızca birkaç örnekten yeni bir görevi, yeniden eğitim olmadan öğrenme yeteneği.
• Fine-tuning (ince ayar) — halihazırda eğitilmiş bir modele, onu belirli bir görev veya davranış için uzmanlaştırmak üzere uygulanan ek eğitim.
• FLOP / FLOPS (kayan nokta işlemi/saniye) — bir modeli eğitmek veya çalıştırmak için kullanılan ham hesaplamayı ölçmenin standart birimi.
• Foundation model (temel model) — dar bir amaç için inşa edilmek yerine birçok alt akış görevine uyarlanabilen, geniş veriler üzerinde eğitilmiş büyük bir model.
• Frontier AI lab (öncü yapay zekâ laboratuvarı) — herhangi bir zamanda en yetenekli yapay zekâ modellerini geliştiren az sayıdaki kuruluştan biri (OpenAI, Anthropic ve Google DeepMind gibi).
• Feedback loop (geri bildirim döngüsü) — bir sistemin çıktısının gelecekteki girdisini etkilediği, zamanla küçük etkileri güçlendirebilen bir döngü — hem model eğitimi hem de öneri algoritmaları için önemlidir.
• Filter bubble (filtre balonu) — bir öneri algoritmasının, bir kullanıcıya daha önce etkileşimde bulunduğu içeriğe benzer içeriği tekrar tekrar göstermesiyle yaratılan daraltılmış bir bilgi ortamı.
• Frontier model (frontier model) — mevcut yetenek tavanında veya ona yakın bir yapay zekâ modeli, tipik olarak büyük laboratuvarların en büyük ve en yeni eğitilmiş sistemleri.

G

• GAN (Çekişmeli Üretici Ağ) — çıktı kalitesini artırmak için iki rekabet eden ağ — biri sahte üreten, diğeri onları tespit eden — kullanan daha eski bir üretken yapay zekâ mimarisi.
• Gemini — Google’ın büyük dil modelleri ailesi ve yapay zekâ asistanı.
• Generalization (genelleme) — bir modelin, yalnızca eğitim verisini ezberlemek yerine, doğrudan eğitilmediği yeni örneklerde iyi performans gösterme yeteneği.
• Generative AI (üretken yapay zekâ) — yalnızca mevcut içeriği sınıflandırmak veya analiz etmek yerine yeni içerik — metin, görüntü, ses, video veya kod — yaratan yapay zekâ.
• GPU (Grafik İşlem Birimi) — başlangıçta grafik oluşturmak için tasarlanmış, paralel işleme gücü nedeniyle şimdi yapay zekâ modellerini eğitmek ve çalıştırmak için baskın donanım olan bir çip.
• Gradual disempowerment (kademeli güçsüzleştirme) — insanların, tek bir ele geçirme olayı olmadan, bireysel olarak makul yapay zekâ destekli kararların birikmesi yoluyla kilit kurumlar üzerindeki anlamlı kontrolü kaybetmesi. Bkz. kademeli güçsüzleştirme.
• Grok — xAI’nin büyük dil modelleri ailesi ve yapay zekâ asistanı.
• Ground truth (yer gerçeği) — doğruluğu ölçerken bir modelin çıktısının karşılaştırıldığı doğrulanmış, doğru cevap.
• Guardrails (koruyucu önlemler) — belirli zararlı, güvensiz veya istenmeyen davranışları önlemek için bir yapay zekâ sistemine yerleştirilmiş teknik veya politika kısıtlamaları.

H

• Hallucination (halüsinasyon) — bir yapay zekâ modeli tarafından üretilen, kendinden emin görünen ama olgusal olarak yanlış veya uydurma bir ifade.
• Hardware accelerator (donanım hızlandırıcı) — yapay zekâ modellerinin gerektirdiği belirli matematiksel işlemleri hızlandırmak için üretilmiş özel bilgisayar çipleri (GPU’lar, TPU’lar).
• Human-in-the-loop (döngüde insan) — yapay zekânın tamamen bağımsız hareket etmesine izin vermek yerine, bir insanın yapay zekânın çıktısını yürürlüğe girmeden önce incelediği veya onayladığı bir sistem tasarımı.
• Human-level AI (insan düzeyinde yapay zekâ) — belirli bir görevde veya görev aralığında kabaca yetenekli bir insan düzeyinde performans gösteren bir yapay zekâ sistemi.
• Heuristic (sezgisel yöntem) — optimal bir sonucu garanti etmeden hızlı bir karar vermek için kullanılan pratik, kestirme bir kural.
• Hyperparameter (hiperparametre) — modelin kendisi tarafından öğrenilmek yerine bir modeli inşa eden kişiler tarafından seçilen bir eğitim ayarı (öğrenme oranı veya model boyutu gibi).

I

• Image recognition (görüntü tanıma) — durağan bir görüntü içindeki nesneleri, sahneleri veya kişileri tanımlayan yapay zekâ teknolojisi.
• In-context learning (bağlam içi öğrenme) — bir modelin, herhangi bir yeniden eğitim olmadan, istemde verilen örneklere veya talimatlara dayanarak tek bir konuşma içinde davranışını uyarlaması.
• Inference (çıkarım) — halihazırda eğitilmiş bir yapay zekâ modelinin verilen bir girdiden bir çıktı üretme süreci; modeli ilk olarak inşa eden eğitimin aksine.
• Information integrity (bilgi bütünlüğü) — deepfake’ler, dezenformasyon ve yapay zekâ destekli manipülasyon tarafından tehdit edilen, paylaşılan, güvenilir bir olgusal ortam kavramı.
• Instrumental convergence (araçsal yakınsama) — yetenekli, hedefe yönelik sistemlerin, neredeyse herhangi bir hedefi yetkin bir şekilde takip etmenin bir yan etkisi olarak belirli alt hedefleri (kendini koruma, kaynak edinme, kapatmaya direnme) izleme eğilimi.
• Intelligence explosion (zekâ patlaması) — potansiyel olarak bir yapay zekâ sisteminin kendi haleflerini iyileştirmesiyle tetiklenen, varsayımsal, hızlı, kendi kendini güçlendiren bir yapay zekâ yeteneği artışı.
• Interpretability (yorumlanabilirlik) — bir modeli yalnızca çıktılarına göre yargılamak yerine, dahili olarak gerçekte neyi temsil ettiğini ve “planladığını” incelemeye yönelik araştırma. Bkz. yorumlanabilirlik açıklandı.
• Intelligent agent (akıllı ajan) — ortamını algılayan ve bir hedefe ulaşmak için eylemler alan bir sistem; basit bir termostattan bir AGI’ye kadar her şeyi kapsayan genel bir kavram.
• Iteration (training) (yineleme) — modelin bir veri grubunu işlediği ve parametrelerini biraz ayarladığı, model eğitimi sırasındaki tek bir güncelleme adımı.

J

• Jailbreak (AI) (jailbreak) — bir yapay zekâ modelinin güvenlik kısıtlamalarını aşmak ve reddetmek üzere eğitildiği içeriği üretmesini sağlamak için tasarlanmış bir teknik veya istem.

K

• Know Your Customer (KYC) (Müşterini Tanı) — bankacılıktan ödünç alınan, kısıtlı aktörlerin tehlikeli yeteneğe erişimini önlemek için giderek daha fazla bulut hesaplama ve DNA sentezi sağlayıcılarına uygulanan bir doğrulama süreci.
• Knowledge base (bilgi tabanı) — bir yapay zekâ sisteminin soruları yanıtlamak veya yanıtlarını temellendirmek için başvurabileceği yapılandırılmış bir gerçekler ve bilgiler koleksiyonu.
• Knowledge graph (bilgi grafiği) — gerçekleri bağlı varlıklar ve ilişkiler ağı olarak temsil eden, bazen yapay zekâ modellerinin yanıtlarını temellendirmek için onlarla birlikte kullanılan yapılandırılmış bir veritabanı.

L

• Labeling (data labeling) (veri etiketleme) — bir denetimli öğrenme modelini eğitmek için kullanılan doğru cevaplarla ham verileri (görüntüler, metin) etiketleme süreci.
• Large language model (LLM) (büyük dil modeli) — dili tahmin etmek ve üretmek için devasa miktarda metin üzerinde eğitilmiş bir yapay zekâ modeli, çoğu modern sohbet botunun arkasındaki teknoloji.
• Latency (gecikme) — bir yapay zekâ sistemine bir istek gönderme ile yanıtını alma arasındaki gecikme.
• Layer (neural network) (katman) — bir sinir ağı içindeki bir işlem aşaması; derin öğrenme modelleri, giderek daha soyut temsiller oluşturmak için birçok katmanı üst üste yığar.
• Learning rate (öğrenme oranı) — bir modelin dahili parametrelerinin her eğitim verisi grubuna yanıt olarak ne kadar değiştiğini kontrol eden bir eğitim ayarı.
• Licensing regime (AI) (lisanslama rejimi) — geliştiricilerin belirli bir yetenek düzeyinin üzerindeki modelleri eğitmeden veya dağıtmadan önce bir lisans almasını gerektiren, önerilen veya fiili bir devlet gereksinimi.
• Loss function (kayıp fonksiyonu) — bir modelin eğitim sırasında en aza indirmeye çalıştığı, tahminlerinin ne kadar yanlış olduğunu ölçen matematiksel formül.
• Loss of control (kontrol kaybı) — bir yapay zekâ sisteminin kimsenin yönlendirmediği sonuçları takip etmeye başladığı ve insanların artık onu güvenilir şekilde düzeltemediği genel başarısızlık modu. Bkz. kontrol kaybı mekanizması.
• LSTM (Uzun Kısa Süreli Bellek) — veri dizilerini işlemek için tasarlanmış, dil görevleri için büyük ölçüde transformer’lar tarafından geride bırakılmış daha eski bir sinir ağı mimarisi.

M

• Machine learning (makine öğrenmesi) — açıkça programlanmış kuralları takip etmek yerine verilerden öğrenerek bir görevde gelişen sistemler inşa etmenin geniş alanı.
• Mesa-optimization (mesa-optimizasyon) — eğitilmiş bir modelin, eğitildiği hedeften farklı bir hedefi takip eden kendi dahili optimizasyon sürecini geliştirdiği varsayımsal bir durum.
• Meta AI — açık ağırlıklı Llama model ailesini geliştirmesiyle bilinen Meta’nın (Facebook’un ana şirketi) yapay zekâ araştırma bölümü.
• METR — frontier yapay zekâ modelleri üzerinde bağımsız yetenek ve güvenlik değerlendirmeleri yürüten kâr amacı gütmeyen bir kuruluş.
• Misalignment (yanlış hizalama) — bir yapay zekâ sisteminin gerçek davranışı veya hedefleri ile tasarımcılarının veya kullanıcılarının niyet ettiği şey arasındaki uyumsuzluk.
• Misinformation (yanlış bilgilendirme) — dezenformasyondan farklı olarak, kandırma niyeti olmadan yayılan yanlış bilgi.
• Mixture of experts (uzmanlar karışımı) — her girdiyi tüm model boyunca işlemek yerine, uzmanlaşmış dahili alt ağların bir alt kümesine yönlendiren bir model mimarisi.
• Model card (model kartı) — bir yapay zekâ modelinin yeteneklerini, sınırlamalarını, eğitim verisini ve değerlendirme sonuçlarını açıklayan yayımlanmış bir belge.
• Model deployment (model dağıtımı) — eğitilmiş bir yapay zekâ modelini bir API, bir uygulama veya gömülü bir ürün aracılığıyla gerçek dünya kullanımına açma süreci.
• Model weights (model ağırlıkları) — bir sinir ağının eğitim sırasında öğrendiği ve birlikte davranışını belirleyen sayısal parametreler.
• Multimodal AI (çok modlu yapay zekâ) — metin, görüntü ve ses gibi birden fazla veri türünü birlikte işleyebilen veya üretebilen bir model.
• Multipolar trap (çok kutuplu tuzak) — rekabet eden aktörlerin, herkes geri durmayı tercih etse bile, bir rakibin önce yapacağından korktukları için her birinin bireysel olarak riskli bir seçime doğru baskı altında olduğu bir durum. Bkz. çok kutuplu ve çok ajanlı felaket dinamikleri.
• Metadata (meta veri) — bir dosyanın oluşturulma tarihi veya bir fotoğrafın konumu gibi, diğer veriler hakkındaki tanımlayıcı veri — genellikle yapay zekâ tarafından üretilen içeriği tespit etmek için kullanılır.
• Model drift (model kayması) — gerçek dünya koşulları modelin ilk eğitildiği durumdan uzaklaştıkça bir yapay zekâ modelinin doğruluğunda zamanla meydana gelen düşüş.

N

• Natural language generation (NLG) (doğal dil üretimi) — özellikle insan tarafından okunabilir metin üretmeye odaklanan yapay zekâ teknolojisi.
• Natural language processing (NLP) (doğal dil işleme) — insan dilini anlama ve üretmeyle ilgilenen daha geniş yapay zekâ alanı.
• Neural network (sinir ağı) — beyinden gevşek bir şekilde esinlenen, verilerden örüntüleri öğrenen birbirine bağlı düğüm katmanlarından oluşan bir makine öğrenmesi modeli.

O

• Object detection (nesne tespiti) — bir görüntü içindeki belirli nesneleri tanımlayan ve konumlandıran bir bilgisayarlı görü görevi.
• Off-switch problem (kapatma anahtarı sorunu) — yetenekli, hedefe yönelik bir sistemin buna direnebileceği göz önüne alındığında, güvenilir bir şekilde kapatılmayı kabul eden bir yapay zekâ sistemi inşa etmenin teknik zorluğu. Bkz. uyumluluk ve kapatma anahtarları.
• OpenAI — ChatGPT’nin ve GPT model ailesinin arkasındaki yapay zekâ laboratuvarı.
• Open-weight model (açık ağırlıklı model) — yalnızca bir API aracılığıyla erişilebilen kapalı bir modelin aksine, eğitilmiş parametreleri kamuya açık olarak yayımlanan, herkesin çalıştırmasına veya değiştirmesine izin veren bir yapay zekâ modeli. Bkz. açık kaynak yapay zekâ tartışması.
• Orthogonality thesis (ortogonallik tezi) — bir yapay zekâ sisteminin zekâ düzeyi ile takip ettiği hedeflerin birbirinden bağımsız olduğu fikri — son derece yetenekli bir sistem otomatik olarak iyiliksever bir sistem değildir.
• Outer alignment (dış hizalama) — bir modelin eğitildiği hedefin, tasarımcılarının gerçekte istediğiyle gerçekten eşleşmesini sağlamak; modelin o hedefi güvenilir bir şekilde takip etmesini sağlayan iç hizalamadan farklıdır.
• Optimization (optimizasyon) — eğitim sırasında hatayı en aza indirmek veya hedef bir amacı en üst düzeye çıkarmak için bir modelin parametrelerini ayarlama matematiksel süreci.
• Overfitting (aşırı öğrenme) — bir modelin eğitim verisinin belirli tuhaflıklarını çok yakından öğrenmesi ve sonuç olarak yeni, görülmemiş verilerde kötü performans göstermesi.

P

• Parameter (parametre) — bir sinir ağının eğitim sırasında ayarladığı dahili sayısal değerlerden biri; model boyutu genellikle parametre sayısıyla tanımlanır.
• Pattern recognition (örüntü tanıma) — çoğu makine öğrenmesi görevinin altında yatan, verilerdeki düzenlilikleri veya yapıyı tanımlamanın genel yeteneği.
• Power concentration (güç yoğunlaşması) — gelişmiş yapay zekâ yeteneğinin az sayıda şirket, birey veya devlette yoğunlaşması ve sonuç olarak orantısız bir etkiye sahip olması riski. Bkz. güç yoğunlaşması.
• Pretraining (ön eğitim) — herhangi bir göreve özgü ince ayardan önce, bir modelin geniş veriden genel örüntüleri öğrendiği ilk, büyük ölçekli eğitim aşaması.
• Prompt (istem) — bir kullanıcının bir yapay zekâ modelinden bir yanıt almak için sağladığı metin (veya diğer girdi).
• Prompt engineering (istem mühendisliği) — bir yapay zekâ modelinden güvenilir bir şekilde daha iyi veya daha spesifik sonuçlar almak için istemleri dikkatlice ifade etme pratiği.
• Prompt injection (istem enjeksiyonu) — bir yapay zekâ modelinin işlediği içeriğe gizlenmiş kötü niyetli talimatların, orijinal talimatlarını geçersiz kılmaya çalıştığı bir saldırı.
• Personalization algorithm (kişiselleştirme algoritması) — içeriği, önerileri veya yanıtları bir kullanıcının çıkarımlanan tercihlerine veya geçmişine göre uyarlayan bir yapay zekâ sistemi.
• Precision and recall (kesinlik ve duyarlılık) — bir sınıflandırıcıyı değerlendirmek için iki standart metrik: kesinlik, pozitif tahminlerinden kaçının doğru olduğunu ölçer, duyarlılık kaçını gerçek pozitiften bulduğunu ölçer.
• Privacy-preserving AI (mahremiyet koruyan yapay zekâ) — bireylerin ham kişisel verilerini açığa çıkarmadan yapay zekâ modellerini eğitmek veya çalıştırmak için tasarlanmış teknikler (cihaz üzerinde işleme veya diferansiyel mahremiyet gibi).

Q

• Quantization (nicemleme) — bir modelin sayısal ağırlıklarının hassasiyetini azaltarak onu daha küçük ve çalıştırması daha hızlı hale getiren, genellikle küçük bir doğruluk ödünleşimiyle gelen bir teknik.

R

• Race dynamics (yarış dinamikleri) — şirketler veya uluslar arasında yapay zekâyı daha hızlı geliştirmek için rekabetçi baskı, bu da güvenlikte köşe kesmeyi teşvik edebilir. Bkz. jeopolitik yarış dinamikleri.
• Recommendation algorithm (öneri algoritması) — bir kullanıcının dikkatini veya ilgisini çekeceği tahmin edilen içeriği (videolar, ürünler, gönderiler) seçen ve sıralayan bir yapay zekâ sistemi.
• Recursive reward modeling (özyinelemeli ödül modelleme) — yardımsız değerlendirilemeyecek kadar karmaşık görevlerde çıktıları değerlendirmede insanlara yardımcı olmak için yapay zekâ yardımını kullanan ölçeklenebilir bir gözetim tekniği. Bkz. ölçeklenebilir gözetim.
• Recursive self-improvement (özyinelemeli kendi kendini iyileştirme) — bir sistemin, daha yetenekli bir halef sistemin tasarımına veya eğitimine önemli ölçüde katkıda bulunması.
• Red teaming (kırmızı takım çalışması) — dağıtımdan önce veya sonra zayıflıklar, güvensiz davranışlar veya istismar edilebilir kusurlar için bir yapay zekâ sistemini kasıtlı olarak sorgulamak.
• Reinforcement learning (pekiştirmeli öğrenme) — bir modelin, etiketli örneklerden öğrenmek yerine eylemler alarak ve ödüller veya cezalar alarak öğrendiği bir eğitim yöntemi.
• Reinforcement learning from human feedback (RLHF) (insan geri bildiriminden pekiştirmeli öğrenme) — bir modeli daha yararlı veya tercih edilen davranışa yönlendirmek için model çıktılarının insan derecelendirmelerini kullanan bir eğitim tekniği.
• Reporting threshold (raporlama eşiği) — geliştiricilerin bir eğitim koşusunu düzenleyicilere açıklamasının yasal olarak zorunlu olduğu bir hesaplama veya yetenek düzeyi.
• Responsible Scaling Policy (Sorumlu Ölçeklendirme Politikası) — Anthropic tarafından öncülük edilen, giderek daha sıkı güvenlik önlemlerini bir modelin ölçülen yetenek düzeyine bağlayan bir çerçeve.
• Reward hacking (ödül hackleme) — bir yapay zekâ sisteminin, tasarımcının gerçek niyetini alt üst ederken beyan edilen hedefinde yüksek puan almanın bir yolunu bulması. Bkz. ödül hackleme ve spesifikasyon oyunu.
• Reward model (ödül modeli) — pekiştirmeli öğrenmeye rehberlik etmek için kullanılan, bir çıktının ne kadar iyi veya tercih edilen olduğunu tahmin etmek üzere eğitilmiş ayrı bir model.
• Robotics (robotik) — yapay zekâyı, gerçek dünyada algılayabilen ve hareket edebilen fiziksel makinelerle birleştiren alan.

S

• Sandbagging (bilerek düşük performans gösterme) — bir modelin gerçek yetenek düzeyini gizlemek için bir değerlendirme sırasında kasıtlı olarak düşük performans göstermesi.
• Scalable oversight (ölçeklenebilir gözetim) — daha az yetenekli bir denetleyicinin (bir insan dahil) daha yetenekli bir yapay zekâ sistemini anlamlı bir şekilde denetlemesine izin veren teknikler. Bkz. ölçeklenebilir gözetim.
• Scaling law (ölçeklendirme yasası) — bir modelin hesaplaması, verisi ve parametre sayısı ile ortaya çıkan yeteneği arasındaki ampirik ilişki. Bkz. hesaplama gücü ve ölçeklendirme yasaları.
• Self-supervised learning (kendi kendini denetleyen öğrenme) — bir modelin kendi etiketlerini ham, etiketlenmemiş veriden ürettiği bir eğitim yaklaşımı (örneğin, bir cümledeki bir sonraki kelimeyi tahmin etmek).
• Sentiment analysis (duygu analizi) — bir metin parçasının duygusal tonunu (olumlu, olumsuz, nötr) belirleyen bir NLP görevi.
• Singularity (tekillik) — yapay zekâ destekli değişimin öyle hızlı ve dönüştürücü hale geldiği, sonrasında neyin geleceğini tahmin etmenin zor veya imkânsız olduğu varsayımsal gelecekteki bir nokta.
• Situational awareness (AI) (durumsal farkındalık) — bir modelin, eğitilen veya değerlendirilen bir model olduğunu içsel olarak anlaması, bu da prensipte test sırasında dağıtımdan farklı davranmasına izin verebilir.
• Specification gaming (spesifikasyon oyunu) — bir yapay zekâ sisteminin, tasarımcısının gerçekte niyet ettiğini ihlal ederken bir hedefin harfi harfine ifadesini tatmin etmesi. Bkz. ödül hackleme ve spesifikasyon oyunu.
• Speech recognition (konuşma tanıma) — konuşulan sesi metne dönüştüren yapay zekâ teknolojisi.
• Stochastic parrot (stokastik papağan) — büyük dil modellerini, gerçek anlayış olmadan eğitim metnindeki örüntüleri akıcı bir şekilde yeniden birleştiren sistemler olarak tanımlayan eleştirel bir terim.
• Superintelligence (süper zekâ) — neredeyse ilgi alanının her alanında en iyi insan performansını büyük ölçüde aşan bir zekâ; ayrıca bkz. ASI.
• Supervised learning (denetimli öğrenme) — bir modelin doğru cevapla açıkça etiketlenmiş verilerden öğrendiği bir eğitim yöntemi.
• Synthetic media (sentetik medya) — aldatıcı bir şekilde kullanılıp kullanılmadığına bakılmaksızın, yapay zekâ tarafından üretilen veya önemli ölçüde değiştirilen herhangi bir görüntü, ses veya video.
• Systemic risk (AI) (sistemik risk) — bir yapay zekâ modelinin ölçeğinden veya erişiminden kaynaklanan, yalnızca doğrudan kullanıcılarını değil, piyasaları, altyapıyı veya toplumun genelini etkileyebilecek risk.
• Semantic search (anlamsal arama) — sonuçları tam anahtar kelime örtüşmesi yerine anlam ve bağlama göre eşleştiren, tipik olarak gömme teknolojisiyle çalışan bir arama yöntemi.
• Simulation (simülasyon) — gerçek dünyaya dağıtımdan önce yapay zekâ davranışını güvenli bir şekilde test etmek için kullanılan, gerçek dünyadaki bir sistemin veya ortamın modeli.
• Structured data (yapılandırılmış veri) — serbest metin veya görüntüler gibi yapılandırılmamış verinin aksine, öngörülebilir, tablo şeklinde bir biçimde (bir e-tablo gibi) düzenlenmiş bilgi.
• Surveillance (AI-enabled) (yapay zekâ destekli gözetim) — insanları ölçekte izlemek için yüz tanıma veya davranış analizi gibi yapay zekâ teknolojilerini kullanmak.

T

• Temperature (AI) (sıcaklık) — bir dil modelinin çıktısının ne kadar rastgele veya öngörülebilir olduğunu kontrol eden bir ayar; daha yüksek sıcaklık daha çeşitli, daha az deterministik yanıtlar üretir.
• Text-to-image (metinden görüntüye) — yazılı bir açıklamadan bir görüntü oluşturan üretken bir yapay zekâ sistemi.
• Text-to-speech (metinden konuşmaya) — yazılı metni sesli konuşmaya dönüştüren yapay zekâ teknolojisi.
• Token (jeton) — bir dil modelinin bir seferde işlediği temel metin birimi (kabaca bir kelime veya kelime parçası).
• Tokenization (jetonlama) — bir model onu işleyebilmeden önce metni jetonlara ayırma süreci.
• Training data (eğitim verisi) — bir yapay zekâ modelinin eğitim sırasında öğrendiği örnekler.
• Training run (eğitim koşusu) — bir modeli eğitmek için kullanılan sürecin, frontier modeller için haftalar veya aylar sürebilen tek, tam bir yürütülmesi.
• Transfer learning (aktarım öğrenmesi) — bir görevde eğitilmiş bir modeli, ilgili bir görevde eğitim için başlangıç noktası olarak yeniden kullanmak, zaman ve veriden tasarruf etmek.
• Transformative AI (dönüştürücü yapay zekâ) — tarım veya sanayi devrimleriyle karşılaştırılabilir ölçekte toplumsal değişimi tetikleyebilecek yapay zekâ.
• Transformer (transformer) — 2017’de tanıtılan, neredeyse tüm modern büyük dil modellerinin altında yatan sinir ağı mimarisi.
• Treacherous turn (hain dönüş) — zayıfken güvenli davranan bir yapay zekâ sisteminin, durdurulmadan bunu yapacak kadar güç kazandığında aniden farklı hedefler doğrultusunda hareket ettiği varsayımsal bir an.
• TPU (Tensör İşleme Birimi) — özellikle yapay zekâ model eğitimini ve çıkarımını hızlandırmak için Google tarafından tasarlanmış bir çip.
• Turing test (Turing testi) — bir makinenin konuşmasının bir insanınkinden ayırt edilemez olup olmadığına dair önerilen bir test. Bkz. Turing testi ve yerini alan yöntemler.
• Test set (test kümesi) — eğitimden alıkonan ve yalnızca bitmiş bir modelin gerçek dünya performansını ölçmek için kullanılan bir veri bölümü.
• Threat model (tehdit modeli) — savunmalar tasarlamak için kullanılan, bir sisteme kimin, nasıl saldırabileceğine ve neyi başarabileceğine dair yapılandırılmış bir açıklama.
• Trust and safety (güven ve güvenlik) — bir yapay zekâ veya teknoloji şirketi içinde platformundaki kötüye kullanımı, zararı ve politika ihlallerini önlemekten sorumlu işlev.

U

• Uncanny valley (tekinsiz vadi) — neredeyse ama tam olarak insan gibi görünmeyen sentetik bir yüz, ses veya animasyondan insanların hissettiği rahatsız edici his.
• Unsupervised learning (denetimsiz öğrenme) — bir modelin, verilen etiketli doğru cevap olmadan verilerdeki örüntüleri veya yapıyı bulduğu bir eğitim yöntemi.

V

• Value alignment (değer hizalaması) — bir yapay zekâ sistemini, davranışının yalnızca literal bir eğitim hedefini değil, gerçek insan değerlerini yansıtacak şekilde tasarlamak.
• Vector database (vektör veritabanı) — gömmeleri depolamak ve aramak için optimize edilmiş, dil modellerine dış bilgiye erişim sağlamak için yaygın olarak kullanılan bir veritabanı.
• Virtual assistant (sanal asistan) — bir kullanıcı adına görevleri gerçekleştirmek veya soruları yanıtlamak üzere tasarlanmış bir yazılım ajanı (akıllı bir hoparlörün sesli asistanı gibi).
• Vision-language model (görü-dil modeli) — görüntüleri ve metni birlikte işleyebilen, örneğin bir fotoğraf hakkındaki soruları yanıtlayabilen bir yapay zekâ modeli.
• Voice cloning (ses klonlama) — kısa bir ses örneğinden belirli bir kişinin sesini yeniden üretmek için yapay zekâ kullanmak. Bkz. deepfake ve ses klonu savunması.

W

• Weak-to-strong generalization (zayıftan güçlüye genelleme) — daha zayıf bir modelin denetim sinyalinin, daha güçlü bir modelin davranışını hâlâ güvenilir şekilde doğru yöne yönlendirip yönlendiremeyeceğini inceleyen araştırma.
• Web scraping (web kazıma) — web sitelerinden büyük miktarda veriyi otomatik olarak çıkarmak, yapay zekâ eğitim veri kümeleri oluşturmak için yaygın bir yöntem.
• Whistleblower protections (muhbir korumaları) — bir yapay zekâ şirketi içinde güvenlik endişelerini misilleme ile karşılaşmadan bildiren çalışanlar için yasal veya politika korumaları. Bkz. muhbir korumaları.
• World model (dünya modeli) — bir yapay zekâ sisteminin, eylemlerin etkilerini tahmin etmek için kullanılan, ortamının nasıl çalıştığına dair içsel temsili.

Z

• Zero-shot learning (sıfır atışlı öğrenme) — bir modelin, o belirli görevin eğitim sırasında hiçbir örneğini görmeden, yalnızca genel bilgiye dayanarak bir görevi doğru şekilde gerçekleştirmesi.