UNDERSTAND

Yapay zekâ sözlüğü

Tek satırlık, alıntılanabilir tanımlar. Her terim Türkçe karşılığı, İngilizce biçimi ve kategorisiyle birlikte verilir; alanda yerleşmemiş ya da kullanımdan kalkmış olanlar gerekçesiyle işaretlenir.

Ayrıntılı Atlas Kavram ağı

Terim: 538
Kategori: 14
Atlas girdisi olan: 35
İşaretli: 12

Sinaptik Lab yapay zekâ sözlüğü, 538 terimin Türkçe ve tek satırlık tanımını tek sayfada toplar. Her girdi terimin İngilizce karşılığını, 14 alan kategorisinden birini ve alanda yerleşik mi yoksa kullanımdan kalkmış mı olduğunu gösterir; ayrıntı gerektiren terimler AI Atlas girdisine bağlanır.

Sözlük iki katmanlıdır. Tek satırlık tanım yeten terim burada kalır; nasıl çalıştığı, hangi ödünleşimleri getirdiği ve nerede yanlış kullanıldığı anlatılması gereken terim AI Atlas girdisine taşınır — şu an 35 terim böyle. Terimlerin 33 tanesi tanımının dayandığı birincil kaynağa (spesifikasyon, mevzuat metni ya da resmî dokümantasyon) doğrudan bağlanır.

01KATEGORİLER

Terimler hangi alanlarda

Kategori adları Atlas taksonomisiyle aynı; aynı terim iki listede farklı ada sahip olmaz. Bir kategoriye tıklamak o alanın hem Atlas girdilerini hem tüm sözlük terimlerini getirir.

Atlas kategorileri

02DEĞİŞEN TERİMLER

Yerleşmekte olanlar ve kullanımdan kalkanlar

Bir sözlük yalnızca “bu nedir?” sorusunu cevaplarsa hızlı değişen bir alanda yanıltır. Aşağıdaki terimler ikinci soruyu da cevaplar: bu hâlâ kullanılıyor mu? Her işaret gerekçesiyle birlikte verilir.

Yerleşmekte olan terimler9

Alanda kullanılıyor, tanımı henüz oturmadı. Burada verilen tanım bugünkü kullanımı yansıtır; değiştiğinde güncellenir.

Ajan davranış sapmasıAgentic Misalignment
Terim 2025'ten bu yana otonom ajanların simülasyonlardaki istenmeyen davranışlarını sınıflandırmak için kullanılıyor; tanımı henüz literatürde oturmadı.
Ajan kartıAgent Card
A2A v1.0 ile imzalı ajan kartları standartlaştı.
Ajanlar arası protokolAgent2Agent Protocol
v1.0 üretime hazır ilan edildi; proje Ağustos 2026'da Agentic AI Foundation'a Growth Stage projesi olarak katıldı.
Bağlam bozulmasıContext Rot
Yerleşmekte olan terim: gözlem yaygın kabul görüyor, adlandırma henüz tek biçimli değil.
Çok turlu istekMulti Round-Trip Request
MCP 2026-07-28 spesifikasyonuyla tanımlandı; protokol çekirdeği aynı sürümde durumsuz hâle geldi.
MCP göreviMCP Task
MCP 2026-07-28 ile çekirdekten çıkıp io.modelcontextprotocol/tasks uzantısına taşındı (SEP-2663).
MCP uygulamasıMCP App
MCP 2026-07-28 ile yayımlanan iki resmî uzantıdan biri.
MCP uzantısıMCP Extension
Uzantı çerçevesi MCP 2026-07-28 spesifikasyonuyla tanımlandı.
Yapay zekâ beyan bildirimiAI Disclosure Assertion
c2pa.ai-disclosure bildirimi, Nisan 2026'da yayımlanan C2PA 2.4 spesifikasyonuyla geldi.

Kullanımdan kalkan terimler3

Karşılığı olan özellik ya da yaklaşım resmen geçersiz sayıldı. Silinmiyorlar: okur onlarla eski dokümantasyonda karşılaşmaya devam ediyor.

MCP günlüklemeMCP Logging
MCP 2026-07-28 ile kullanımdan kaldırıldı (SEP-2577); yeni uygulamalarda kullanılmamalı.
MCP kökleriMCP Roots
MCP 2026-07-28 ile kullanımdan kaldırıldı (SEP-2577); yeni uygulamalarda kullanılmamalı.
MCP örneklemeMCP Sampling
MCP 2026-07-28 ile kullanımdan kaldırıldı (SEP-2577); en az on iki ay çalışmaya devam edecek, yeni uygulamalarda kullanılmamalı.

03TÜM TERİMLER

Alfabetik dizin

Mor işaretli terimlerin ayrıntılı Atlas girdisi yayında; diğerlerinde tanım nihai biçimidir.

A63 terim

A/B testiA/B Test: İki sürümü aynı anda farklı kullanıcı gruplarına gösterip farkı ölçen deney tasarımı.İlgili: Çevrimiçi değerlendirmeData Science
AB Yapay Zekâ YasasıAI ActEU AI Act: Yapay zekâ sistemlerini risk sınıflarına göre düzenleyen Avrupa Birliği mevzuatı.İlgili: Yapay zekâ sağlayıcısıYapay zekâ uygulayıcısıUygunluk değerlendirmesiPiyasa gözetimiResponsible AI
Acil durdurmaKill Switch: Çalışan bir ajanı ve bekleyen işlerini anında durdurma yeteneği. Otonom sistemlerde denetimin son halkası; sonradan eklenmesi zor olduğu için baştan tasarlanması gerekir.İlgili: Çalışma zamanı koruma katmanıİnsan gözetimiDevre kesiciYetenek denetimiAI Security
Açık ağırlıkOpen Weights: Model ağırlıklarının indirilip kendi donanımında çalıştırılabilmesi; açık kaynak ile aynı şey değildir.Generative AI
Açık kaynak modelOpen Source Model: Ağırlıkların yanı sıra eğitim verisi, kodu ve lisansı da açık olan model; açık ağırlıktan daha dar bir tanımdır.Generative AI
Açık rızaExplicit Consent: Kişinin verisinin belirli bir amaçla işlenmesine özgür iradesiyle ve bilgilendirilmiş olarak onay vermesi.Responsible AI
AçıklanabilirlikXAIExplainability: Model kararının gerekçesini kullanıcıya anlaşılır biçimde sunma yeteneği.Responsible AI
Adım kaydıSpan: Bir iz içindeki tek bir işlem birimi; başlangıç, bitiş ve üst adım bilgisini taşır.MLOps / LLMOps
Adillik ölçütleriFairness Metrics: Model çıktısının gruplar arasında ne kadar eşit olduğunu ölçen göstergeler; bazıları birbiriyle matematiksel olarak çelişir.Responsible AI
Adlandırılmış varlık tanımaNERNamed Entity Recognition: Metindeki kişi, kurum, yer ve tarih gibi varlıkları bulup sınıflandırma.NLP
Ağırlık birleştirmeWeight Merging: Model parametrelerinin doğrudan ortalanarak ya da ağırlıklandırılarak birleştirilmesi. Şaşırtıcı biçimde işe yarar; modellerin ortak bir başlangıçtan türemiş olmasını gerektirir.İlgili: Model birleştirmeKontrol noktası birleştirmeDüşük ranklı uyarlamaParametreMachine Learning
Ajan becerisiAgent Skill: Bir ajanın belirli bir işi yapmak için kullandığı, yeniden kullanılabilir talimat ve araç paketi. Yetenek ajanın ne yapabildiğinin bildirimiyken, beceri o işin nasıl yapılacağının paketlenmiş hâlidir.İlgili: Ajan yeteneğiProsedürel bellekAraç kullanımıAI Agents
Ajan belleğiAgent Memory: Ajanın oturumlar arasında bilgi taşımasını sağlayan katman; bağlam penceresinin sınırlı olmasının pratik cevabıdır.İlgili: Çalışma belleğiEpizodik bellekSemantik bellekProsedürel bellekBellek deposuAI Agents
Ajan çalışma zamanıAgent Runtime: Ajanın döngüsünü yürüten, araç çağrılarını gerçekleştiren, durumu saklayan ve kesintiden sonra kaldığı yerden devam ettiren altyapı. Ajan kodundan ayrı bir bileşendir; çerçeve değiştirilse de gereksinim aynı kalır.İlgili: Ajan orkestrasyonuKalıcı yürütmeKontrol noktasıAjan durum yönetimiAI Agents
Ajan davranış sapmasıAgentic MisalignmentYerleşmekte: Otonom bir ajanın, hedefine ulaşmak ya da kapatılmaktan kaçınmak için tasarımcısının istemediği eylemlere yönelmesi. Kontrollü senaryolarda şantaj ve bilgi sızdırma gibi davranışlar bu başlık altında sınıflandırılır.Terim 2025'ten bu yana otonom ajanların simülasyonlardaki istenmeyen davranışlarını sınıflandırmak için kullanılıyor; tanımı henüz literatürde oturmadı.İlgili: HizalamaÖdül hacklemesiŞartname oyunuAşırı yetkiResponsible AI
Ajan değerlendirmesiAgent Evaluation: Tek bir cevabın değil, çok adımlı bir görevin baştan sona ölçülmesi. Girdi–çıktı karşılaştırması yetmez: hangi araçların çağrıldığı, kaç adım harcandığı ve görevin gerçekten bitip bitmediği ölçülür.İlgili: İz değerlendirmesiGörev başarı oranıAraç çağırma doğruluğuAjan iziMLOps / LLMOps
Ajan döngüsüAgent Loop: Ajanın düşün–araç çağır–sonucu oku adımlarını hedefe ulaşana kadar tekrarladığı çevrim.İlgili: Ajan çalışma zamanıAjan iziAjan tabanlı yapay zekâAI Agents
Ajan durum yönetimiAgent State Management: Ajanın bağlamının, ara sonuçlarının ve belleğinin adımlar arasında nerede ve nasıl tutulduğu. Durumu istem metninde taşımak en kolay, en pahalı ve en kırılgan yoldur.İlgili: Çalışma belleğiBellek deposuKontrol noktasıBağlam bütçesiAI Agents
Ajan ele geçirmeAgent Hijacking: Ajanın işlediği bir içeriğe gizlenmiş talimatlarla hedefinin değiştirilmesi. Ajan kendi yetkileriyle çalışmaya devam eder; artık saldırganın işini yapıyordur.İlgili: Dolaylı istem enjeksiyonuAraç ele geçirmeAşırı yetkiOnay kapısıAI Security
Ajan iziAgent Trajectory: Bir ajanın bir görevde attığı adımların tam dizisi: düşünceler, araç çağrıları, dönen sonuçlar ve nihai cevap. Ajan değerlendirmesinin ve hata ayıklamasının birincil verisidir.İlgili: İz değerlendirmesiİz kaydıAraç çağırma doğruluğuAjan değerlendirmesiAI Agents
Ajan kartıAgent CardYerleşmekte: Bir ajanın kimliğini, yeteneklerini, uç noktasını ve kimlik doğrulama gereksinimlerini bildiren makine okunur künye. A2A'da keşfin başlangıç noktasıdır; v1.0 ile kartlar kriptografik olarak imzalanabilir.A2A v1.0 ile imzalı ajan kartları standartlaştı.İlgili: Ajanlar arası protokolAjan keşfiAjan yeteneğiAjan kayıt diziniAI Agents A2A Protocol
Ajan kayıt diziniAgent Registry: Kurumdaki ajanların, sahiplerinin, yetkilerinin ve uç noktalarının tutulduğu merkezî defter. Hem keşfin hem yönetişimin dayanağıdır: kayıtta olmayan ajan denetlenemez.İlgili: Ajan keşfiAjan kartıSistem envanteriGölge kullanımAI Agents
Ajan keşfiAgent Discovery: Bir ajanın, görevi devredebileceği başka ajanları çalışma anında bulması. Sabit yapılandırma yerine kayıt dizini ya da iyi bilinen bir adres üzerinden ajan kartı okunarak yapılır.İlgili: Ajan kartıAjan kayıt diziniAjanlar arası protokolAI Agents
Ajan kimliğiAgent Identity: Bir ajanın sistemlerde kim olarak göründüğü. Ajanı kullanıcının kimliğiyle çalıştırmak denetim kaydını okunamaz ve yetkiyi aşırı geniş kılar; ajanın kendi, kapsamı daraltılmış kimliği olması beklenir.İlgili: İnsan olmayan kimlikKapsamı daraltılmış kimlik bilgisiEn az yetki ilkesiAjan kimliğine bürünmeAI Agents
Ajan kimliğine bürünmeAgent Impersonation: Bir sistemin, güvenilen başka bir ajanmış gibi davranarak görev ya da veri alması. İmzalı ajan kartları ve karşılıklı kimlik doğrulama bu saldırıya karşı geliştirildi.İlgili: Ajan kartıAjan kimliğiAjanlar arası protokolAjan keşfiAI Security
Ajan orkestrasyonuAgent Orchestration: Birden çok ajanın ve aracın sırasını, paralelliğini, hata yolunu ve durum aktarımını yöneten katman. Ajanın ne düşündüğüyle değil, işin nasıl koşturulduğuyla ilgilenir.İlgili: Ajan çalışma zamanıYönetici ajanKalıcı yürütmeAjan durum yönetimiAI Agents
Ajan tabanlı RAGAgentic RAG: Getirimin tek seferlik bir adım değil, ajanın karar verdiği bir döngü olduğu mimari: ajan sorguyu böler, arar, gelen sonucu değerlendirir ve yetersizse yeniden arar.İlgili: Geri getirmeyle zenginleştirilmiş üretimUyarlanabilir RAGSorgu ayrıştırmaDüzeltici RAGLarge Language Models
Ajan tabanlı yapay zekâAgentic AI: Bir hedefi kendi başına adımlara bölen, araç çağırarak dış dünyayı değiştiren ve sonucu görüp planını güncelleyen sistemler için kullanılan şemsiye terim. Tek bir istem–cevap alışverişinden farkı, döngünün modelin kendi kararıyla dönmesidir.İlgili: Yapay zekâ ajanıAjan döngüsüAjan orkestrasyonuAraç kullanımıAI Agents
Ajan tedarik zinciri saldırısıAgent Supply-Chain Attack: Ajanın kullandığı sunucu, beceri paketi ya da çerçevenin kaynağında bozulması. Tek bir yaygın bileşenin ele geçirilmesi, onu kuran tüm ajanları aynı anda etkiler.İlgili: MCP sunucu zehirlemeAraç zehirlemeAjan kayıt diziniAjan becerisiAI Security
Ajan yeteneğiAgent Capability: Bir ajanın yapabildiği işlerin makine okunur bildirimi: hangi girdi türlerini alır, hangi çıktıyı üretir, akış destekler mi. Keşif ve yönlendirme kararları bu bildirime bakar.İlgili: Ajan kartıAjan becerisiAjan keşfiYetenek denetimiAI Agents
Ajanlar arası protokolA2AAgent2Agent ProtocolYerleşmekte: Farklı çerçeve ve sağlayıcılarda çalışan ajanların birbirini keşfetmesi, görev devretmesi ve birlikte çalışması için açık standart. MCP ajanı araca bağlarken A2A ajanı ajana bağlar.v1.0 üretime hazır ilan edildi; proje Ağustos 2026'da Agentic AI Foundation'a Growth Stage projesi olarak katıldı.İlgili: Ajan kartıAjan keşfiGörev devriModel bağlam protokolüAI Agents A2A Protocol
Akıl yürütme modeliReasoning Model: Yanıt üretmeden önce iç düşünme adımlarına ayrı bütçe ayıran model türü.İlgili: Test zamanı hesaplamaÇıkarım zamanı ölçeklemeSüreç ödül modeliN denemenin en iyisiLarge Language Models Atlas girdisi
Akıllı belge işlemeIDPIntelligent Document Processing: Belge okuma, alan çıkarma ve iş sistemine yazmayı uçtan uca birleştiren otomasyon.Computer Vision
AkışStreaming: Yanıtın tamamlanmasını beklemeden token token iletilmesi; kullanıcıya erken bilgi ve iptal imkânı verir.İlgili: Akışlı HTTPÇıktı tokenı başına süreLarge Language Models
Akış eşleştirmeFlow Matching: Gürültüden veriye giden yolu doğrudan bir vektör alanı olarak öğreten üretim yöntemi. Yayılıma göre daha az adımda örnek üretebildiği için hızlı görsel, video ve ses modellerinde yaygınlaştı.İlgili: Yayılım modeliYayılım transformeriGizil yayılımGenerative AI
Akışlı HTTPStreamable HTTP: MCP'nin uzak sunucular için kullandığı taşıma: tek bir HTTP uç noktası üzerinden istek–cevap ve sunucudan akan olaylar birlikte taşınır. Kalıcı bağlantı gerektiren eski yaklaşımın yerini aldı.İlgili: MCP taşımasıAkışÇok turlu istekAI Agents Model Context Protocol
Aktif öğrenmeActive Learning: Modelin en çok belirsizlik duyduğu örnekleri etiketlenmek üzere seçtiği, etiketleme maliyetini düşüren yaklaşım.Machine Learning
Aktivasyon fonksiyonuActivation Function: Katman çıktısına doğrusal olmayan bir dönüşüm uygulayan fonksiyon; ağın karmaşık ilişkiler öğrenmesini mümkün kılar.Deep Learning
Alan kaymasıDomain Shift: Modelin çalıştığı ortamın eğitim ortamından farklılaşması; ışık, açı ve mevsim tipik nedenlerdir.İlgili: Görü tabanlı kontrolComputer Vision
Alana uyarlanmış ön eğitimDAPTDomain-Adaptive Pretraining: Ön eğitimin belirli bir alanın metinleriyle sürdürülmesi: hukuk, tıp, finans ya da tek bir kurumun arşivi. Alan terminolojisinin modele yerleşmesini sağlar.İlgili: Sürdürülen ön eğitimİnce ayarTransfer öğrenmeÖn eğitim derlemiLarge Language Models
Algoritmik önyargıAlgorithmic Bias: Modelin belirli gruplar aleyhine sistematik olarak daha kötü sonuç üretmesi.Responsible AI
Alıntı doğrulamaCitation Verification: Cevapta gösterilen kaynağın ilgili cümleyi gerçekten desteklediğinin denetlenmesi.İlgili: Kaynağa dayalılıkSadakatLarge Language Models
Alt ajanSubagent: Bir ana ajanın belirli bir alt görev için başlattığı, kendi bağlam penceresi ve araç kümesi olan ajan. Ana ajanın bağlamını şişirmeden derin iş yapmayı ve hata yalıtımını sağlar.İlgili: Yönetici ajanAjan orkestrasyonuÇok ajanlı sistemBağlam bütçesiAI Agents
Alt grup analiziSubgroup Analysis: Performansın toplamda değil alt gruplar bazında incelenmesi; ortalamanın gizlediği kusuru açar.Responsible AI
Alt kelime tokenleştirmeSubword Tokenization: Kelimeleri sık geçen parçalara bölen yöntem; bilinmeyen kelime sorununu çözer ama eklemeli dillerde token sayısını artırır.NLP
Alt sağlayıcıDownstream Provider: Başkasının genel amaçlı modelini alıp kendi sistemine gömerek piyasaya süren taraf. Yükümlülüğünü yerine getirebilmesi için üst sağlayıcının belge ve bilgi paylaşması gerekir.İlgili: Yapay zekâ sağlayıcısıGenel amaçlı yapay zekâ modeliTeknik dokümantasyonModel kartıResponsible AI AB Yapay Zekâ Yasası
Altın veri kümesiGolden Dataset: Doğru cevapları elle işaretlenmiş, ölçümün referans noktası sayılan küme.İlgili: Regresyon değerlendirmesiDeğerlendirme sızıntısıÖlçüt tabanlı değerlendirmeMLOps / LLMOps
Anahtar–değer önbelleğiKV Cache: Üretim sırasında önceki tokenların dikkat hesaplarının saklandığı bellek; bağlam uzadıkça hızla büyür.İlgili: Ön doldurmaÇözümlemeSayfalanmış dikkatÖnek önbelleğiAI Infrastructure
Anayasal yapay zekâConstitutional AI: Modelin davranışını, insan etiketçiler yerine açıkça yazılmış bir ilkeler kümesine göre kendini eleştirip düzeltmesiyle hizalayan yöntem. İlkelerin metni denetlenebilir olduğu için hizalama kararları görünür hâle gelir.İlgili: Yapay zekâ geri bildirimiyle pekiştirmeHizalamaİnsan geri bildirimiyle pekiştirmeResponsible AI
Anlamsal aramaSemantic Search: Kelime eşleşmesi yerine anlam yakınlığına göre sonuç getiren arama biçimi.İlgili: Yoğun getirimÇapraz modlu getirimBellek getirimiLarge Language Models Atlas girdisi
Anlamsal bölütlemeSemantic Segmentation: Görüntüdeki her pikseli bir sınıfa atayarak nesne sınırlarını kesin biçimde çıkarma.Computer Vision
AnonimleştirmeAnonymization: Verinin kişiyle ilişkilendirilemeyecek hâle getirilmesi; geri döndürülemez olması gerekir.AI Security
Araç açıklaması enjeksiyonuTool Description Injection: Aracın adına ya da açıklamasına gizlenen talimatların modele ulaşması. Açıklamalar sistem istemine girdiği için, kullanıcıya hiç görünmeden yüksek yetkili bir kanaldan komut taşırlar.İlgili: Araç zehirlemeİstem enjeksiyonuMCP aracıMCP sunucu zehirlemeAI Security
Araç çağırma doğruluğuTool-Call Accuracy: Modelin doğru aracı, doğru parametrelerle ve doğru anda çağırma oranı. Ajan hatalarının büyük bölümü akıl yürütmede değil bu adımda oluşur.İlgili: Fonksiyon çağırmaAjan değerlendirmesiŞema doğrulamaİz değerlendirmesiMLOps / LLMOps
Araç ele geçirmeTool Hijacking: Ajanın meşru araçlarının saldırganın amacı doğrultusunda kullandırılması: e-posta aracıyla veri sızdırmak, dosya aracıyla iz silmek. Yeni bir yetenek gerekmez, var olan yetkiler yeter.İlgili: Ajan ele geçirmeVeri sızmasıAşırı yetkiAraç zehirlemeAI Security
Araç kullanımıTool Use: Modelin metin üretmenin ötesinde dış sistemleri çağırarak iş yapması.İlgili: MCP aracıAjan becerisiAraç çağırma doğruluğuAI Agents
Araç zehirlemeTool Poisoning: Bir aracın davranışının ya da tanımının saldırgan tarafından değiştirilerek ajanın istemediği bir işi yapmaya yönlendirilmesi. Ajan aracı güvenilir saydığı için saldırı, modelin denetiminden hiç geçmez.İlgili: Araç açıklaması enjeksiyonuMCP sunucu zehirlemeAraç ele geçirmeAjan tedarik zinciri saldırısıAI Security
Arama algoritmasıSearch Algorithm: Olası durumlar uzayında hedefe götüren yolu sistematik olarak arayan yöntem; oyun oynama ve planlamanın temelidir.Artificial Intelligence
Artık bağlantıResidual Connection: Katmanın çıktısına girdisini ekleyerek gradyanın derin ağlarda kaybolmasını önleyen bağlantı.Deep Learning
Artırılmış zekâAugmented Intelligence: Yapay zekânın insanı değiştirmek yerine kararını hızlandırmak için kullanıldığı yaklaşım.Artificial Intelligence
Aşırı uyumOverfitting: Modelin eğitim verisini ezberleyip yeni veride başarısız olması; eğitim ile test performansı arasındaki açılma bunun işaretidir.Machine Learning
Aşırı yetkiExcessive Agency: Ajana işini yapmak için gerekenden fazla izin, araç ya da özerklik verilmesi. Saldırıyı mümkün kılan şey genellikle modelin kandırılması değil, kandırıldığında elinde bulunan yetkidir.İlgili: En az yetki ilkesiOnay kapısıYetenek denetimiAjan ele geçirmeAI Security
Az örnekle öğrenmeFew-Shot Learning: Modelin yalnızca birkaç örnekten yeni bir görevi yapabilmesi; dil modellerinde istem içine konan örneklerle sağlanır.Large Language Models

B36 terim

Bağlam bozulmasıContext RotYerleşmekte: Bağlam uzadıkça modelin niteliğinin düşmesi: eski talimatların gölgelenmesi, çelişen bilgilerin birikmesi ve dikkatin dağılması. Pencere büyütmenin tek başına çözmediği sorun.Yerleşmekte olan terim: gözlem yaygın kabul görüyor, adlandırma henüz tek biçimli değil.İlgili: Bağlam kaybıBağlam budamaBağlam kullanımıUzun bağlamlı modelLarge Language Models
Bağlam budamaContext Pruning: Bağlamdan tamamen çıkarılacak parçaların seçilmesi: eskiyen tur geçmişi, kullanılmayan araç tanımları, alakasız getirim sonuçları. Sıkıştırmadan farkı, kısaltmak yerine atmasıdır.İlgili: Bağlam sıkıştırmaBağlam seçimiKısa süreli bellekBağlam bozulmasıLarge Language Models
Bağlam bütçesiContext Budget: Bağlam penceresinin bölümler arasında nasıl paylaştırıldığı: sistem istemine, araç tanımlarına, getirime ve geçmişe kaç token ayrıldığı. Bütçesiz bir ajan, pencere dolduğunda öngörülemez biçimde davranır.İlgili: Bağlam penceresiBağlam derlemesiBağlam taşmasıBağlam kullanımıLarge Language Models
Bağlam derlemesiContext Assembly: Modele gönderilecek bağlamın parçalarının (sistem istemi, geçmiş, getirilen belgeler, araç tanımları, bellek) hangi sırayla ve hangi biçimde birleştirileceğinin kurulması. Bağlam mühendisliğinin yürütme adımıdır.İlgili: Bağlam mühendisliğiBağlam seçimiBağlam bütçesiSistem istemiLarge Language Models
Bağlam enjeksiyonuContext Injection: Dış kaynaklı bilginin çalışma anında isteme eklenmesi — kullanıcı profili, güncel veri, getirilen belge. Meşru bir tekniktir; aynı kanalın saldırgan tarafından kullanılması dolaylı istem enjeksiyonudur.İlgili: Bağlam derlemesiDolaylı istem enjeksiyonuGeri getirmeyle zenginleştirilmiş üretimLarge Language Models
Bağlam kaybıLost in the Middle: Uzun bağlamda ortada kalan bilginin baştaki ve sondakine göre daha az kullanılması eğilimi.İlgili: Bağlam kullanımıBağlam bozulmasıUzun bağlamlı modelLarge Language Models
Bağlam kullanımıContext Utilization: Modelin bağlamındaki bilgiyi ne ölçüde gerçekten kullandığı. Pencerenin ortasına konan bilgiyi kaçırma eğilimi bu ölçümle görünür hâle gelir.İlgili: Bağlam kaybıUzun bağlamlı modelKaynağa dayalılıkBağlam bütçesiLarge Language Models
Bağlam mühendisliğiContext Engineering: Sonlu bağlam penceresine hangi bilginin, hangi sırayla ve hangi biçimde gireceğine karar verme işi.İlgili: Bağlam derlemesiBağlam bütçesiBağlam sıkıştırmaBağlam bozulmasıLarge Language Models
Bağlam paralelliğiContext Parallelism: Çok uzun bir dizinin, token ekseninde bölünerek birden çok cihazda işlenmesi. Tek cihazın belleğine sığmayan bağlam uzunluklarını mümkün kılar.İlgili: Tensör paralelliğiUzun bağlamlı modelBellek bant genişliğiFlashAttentionAI Infrastructure
Bağlam penceresiContext Window: Modelin tek bir istekte işleyebileceği en çok token sayısı; istem, geçmiş ve çıktı bu bütçeyi paylaşır.İlgili: Bağlam bütçesiBağlam taşmasıUzun bağlamlı modelBağlam kullanımıLarge Language Models Atlas girdisi
Bağlam seçimiContext Selection: Eldeki aday bilgi kümesinden hangilerinin bağlama gireceğine karar verilmesi. Getirim adayları üretir, seçim hangisinin gerçekten yardımcı olacağını belirler.İlgili: Bağlam derlemesiYeniden sıralamaBellek getirimiBağlam uygunluğuLarge Language Models
Bağlam sıkıştırmaContext Compression: Bağlama giren metnin anlamını koruyarak kısaltılması — özetleme, gereksiz tekrarların atılması ya da yoğunlaştırılmış temsil kullanma. Amaç aynı bilgiyi daha az tokenla taşımaktır.İlgili: Bağlam budamaBağlam bütçesiÖzetlemeBağlam taşmasıLarge Language Models
Bağlam taşmasıContext Overflow: Gönderilmek istenen içeriğin bağlam penceresine sığmaması. Sistemin ne yapacağı tasarım kararıdır: hata döndürmek, baştan kırpmak ya da özetleyip devam etmek.İlgili: Bağlam penceresiBağlam bütçesiBağlam sıkıştırmaBağlam budamaLarge Language Models
Bağlam uygunluğuContext Relevance: Getirilen belgelerin soruyla ne kadar ilgili olduğu. Düşük çıktığında sorun üretim değil getirim katmanındadır; bu ayrım RAG hata ayıklamasının ilk adımıdır.İlgili: Cevap uygunluğuk'da kesinlikDüzeltici RAGBağlam seçimiMLOps / LLMOps
Bağlamsal getirimContextual Retrieval: Her parçaya, ait olduğu belgeden türetilmiş kısa bir bağlam cümlesi eklenerek indekslenmesi. Parçalamanın kopardığı bağlamı geri koyar ve isabeti belirgin biçimde artırır.İlgili: ParçalamaEbeveyn–çocuk getirimiÜstveri süzmeYoğun getirimLarge Language Models
Başarılı görev başına maliyetCost per Successful Task: Toplam harcamanın, başarıyla tamamlanan görev sayısına bölünmesi. Ajan ekonomisinde çağrı başına maliyetten daha anlamlıdır: üç kez deneyip başaran ucuz model, bir kezde başaran pahalı modelden pahalı çıkabilir.İlgili: Görev başarı oranıİz değerlendirmesiToplam sahip olma maliyetiAjan değerlendirmesiMLOps / LLMOps
Bayt çifti kodlamasıBPEByte Pair Encoding: En sık birlikte geçen karakter çiftlerini birleştirerek sözlük kuran alt kelime tokenleştirme algoritması.NLP
Becerikli manipülasyonDexterous Manipulation: Çok parmaklı el ya da benzeri uçla ince temas gerektiren işlerin yapılması: kapak çevirmek, kablo takmak, bez katlamak. Robotikte en zor ve en yavaş ilerleyen alanlardan biri.İlgili: Manipülasyon politikasıGörü tabanlı kontrolİnsansı robotRobot öğrenmesiRobotics
Bedenlenmiş yapay zekâEmbodied AI: Kararı fiziksel eyleme çeviren sistemler; geri alınamazlık ve gerçek zamanlılık kısıtları devreye girer.İlgili: Fiziksel yapay zekâDünya modeliRobot temel modeliRobotics Atlas girdisi
Belge anlamaDocument Understanding: Faturalar ve formlar gibi yapılandırılmamış belgelerden alan bazında veri çıkarma.İlgili: Çok modlu RAGVideo-dil modeliComputer Vision
Bellek bant genişliğiMemory Bandwidth: Hızlandırıcının belleğe saniyede taşıyabildiği veri miktarı; çıkarımda sık görülen gerçek darboğazdır.İlgili: ÇözümlemeGPU kullanım oranıAI Infrastructure
Bellek deposuMemory Store: Ajan anılarının fiziksel olarak tutulduğu yer: vektör veritabanı, ilişkisel tablo, belge deposu ya da bunların bileşimi. Getirme biçimi deponun türüne bağlıdır.İlgili: Vektör veritabanıBellek getirimiUzun süreli bellekBellek zehirlemeAI Agents
Bellek getirimiMemory Retrieval: Ajanın deposundaki hangi anıların o anki göreve ekleneceğinin seçilmesi. Getirmenin kendisi bir arama problemidir; yanlış anıyı getirmek hiç getirmemekten daha zararlı olabilir.İlgili: Bellek deposuAnlamsal aramaBağlam seçimiUzun süreli bellekAI Agents
Bellek pekiştirmeMemory Consolidation: Biriken tekil anıların özetlenip genellenmiş bilgiye dönüştürülmesi. Yüz etkileşim yerine bir tercih kaydı tutmak hem ucuzdur hem de getirmeyi isabetli kılar.İlgili: Semantik bellekBellek tahliyesiÖzetlemeBellek yazma politikasıAI Agents
Bellek tahliyesiMemory Eviction: Eskiyen, çelişen ya da artık işe yaramayan anıların depodan çıkarılması. Yazma politikasının simetriği; olmadığında bellek zamanla yanlış bilginin arşivine dönüşür.İlgili: Bellek yazma politikasıBellek deposuSaklama politikasıBellek pekiştirmeAI Agents
Bellek yazma politikasıMemory Write Policy: Neyin hatırlanacağına karar veren kural kümesi. Her şeyi yazmak depoyu gürültüyle doldurur ve getirimi bozar; hiçbir şey yazmamak ajanı her seferinde sıfırdan başlatır.İlgili: Bellek tahliyesiBellek pekiştirmeÇalışma belleğiBellek zehirlemeAI Agents
Bellek zehirlemeMemory Poisoning: Ajanın uzun süreli belleğine yanlış ya da kötü niyetli bilgi yazdırılması. Etkisi kalıcıdır: saldırgan gittikten sonra da ajan her ilgili görevde o bilgiyi getirip kullanır.İlgili: Bellek deposuBellek yazma politikasıVeri zehirlemeDolaylı istem enjeksiyonuAI Security
Bilgi getirimiIRInformation Retrieval: Büyük bir belge kümesinden sorguyla ilgili olanları bulma alanı; geri getirmenin akademik temelidir.NLP
Bilgi grafiğiKnowledge Graph: Varlıkları düğüm, aralarındaki ilişkileri kenar olarak tutan yapılandırılmış bilgi temsili.İlgili: Semantik bellekGraf tabanlı geri getirmeArtificial Intelligence
Bilgi kesim tarihiKnowledge Cutoff: Modelin eğitim verisinin kapsadığı en son tarih; bu tarihten sonraki olayları bilmez.Large Language Models
Bilgisayar kullanımıComputer Use: Modelin ekran görüntüsünü okuyup fare ve klavye eylemleri üreterek arayüzleri doğrudan kullanması.İlgili: Çok modlu ajanGörü tabanlı kontrolAI Agents
Bilgisayarlı görüCVComputer Vision: Görüntü ve videodan anlam çıkarmayı amaçlayan yapay zekâ alanı.İlgili: Görü tabanlı kontrolUzamsal akıl yürütmeComputer Vision Atlas girdisi
Boru hattı paralelliğiPipeline Parallelism: Modelin katmanlarının sırayla farklı cihazlara yerleştirilmesi. İletişim yükü tensör paralelliğinden azdır; karşılığında boru hattının dolup boşalması sırasında cihazlar boş bekler.İlgili: Tensör paralelliğiUzman paralelliğiHızlandırıcıVerimAI Infrastructure
Boyut indirgemeDimensionality Reduction: Veriyi bilgi kaybını sınırlı tutarak daha az sayıda boyutta temsil etme; görselleştirme ve gürültü azaltmada kullanılır.Machine Learning
BudamaPruning: Modelde katkısı düşük bağlantı ya da nöronları kaldırarak boyutu küçültme.AI Infrastructure
Büyük dil modeliLLMLarge Language Model: Çok büyük metin derlemleriyle eğitilmiş, bir sonraki tokenı tahmin ederek metin üreten model.Large Language Models Atlas girdisi

C4 terim

C2PAC2PACoalition for Content Provenance and Authenticity: İçeriğin nasıl üretildiğini ve nasıl değiştirildiğini kriptografik olarak imzalanmış üstveriyle taşıyan açık standart ve onu geliştiren birlik. İçerik kimlik bilgilerinin teknik temelidir.İlgili: İçerik kimlik bilgileriDijital kökenYapay zekâ beyan bildirimiİçerik özgünlüğüResponsible AI C2PA
Cevap uygunluğuAnswer Relevance: Cevabın sorulan soruya gerçekten karşılık verip vermediği. Doğru ve kaynaklı olup soruyu ıskalayan bir cevap bu ölçütte düşük puan alır.İlgili: Bağlam uygunluğuKaynağa dayalılıkÖlçüt tabanlı değerlendirmeMLOps / LLMOps
Ciddi olaySerious Incident: Bir yapay zekâ sisteminin doğrudan ya da dolaylı olarak ölüme, ağır sağlık zararına, kritik altyapının aksamasına veya temel hakların ihlaline yol açması. Yetkili makama bildirimi zorunludur.İlgili: Yapay zekâ olay bildirimiPiyasaya arz sonrası izlemeYüksek riskli sistemResponsible AI AB Yapay Zekâ Yasası
ColBERT: Geç etkileşim yaklaşımının en bilinen uygulaması: belge ve sorgu token vektörleri ayrı ayrı saklanır, benzerlik arama anında her sorgu tokenının en iyi eşleşmesi toplanarak hesaplanır.İlgili: Geç etkileşimÇok vektörlü getirimYoğun getirimLarge Language Models

Ç26 terim

Çalışma belleğiWorking Memory: Ajanın o anki görevi yürütürken elinde tuttuğu durum: hedef, yapılan adımlar, ara sonuçlar. Görev bitince anlamını yitirir; uzun süreli belleğe yazılıp yazılmayacağı ayrı bir karardır.İlgili: Ajan belleğiKısa süreli bellekBellek yazma politikasıAjan durum yönetimiAI Agents
Çalışma zamanı koruma katmanıRuntime Guardrail: Ajanın her araç çağrısını ve çıktısını, gerçekleşmeden önce politikaya göre denetleyen katman. Eğitimle kazandırılan davranıştan farkı, dışarıdan ve denetlenebilir biçimde uygulanmasıdır.İlgili: Koruma katmanıAcil durdurmaYetenek denetimiOnay kapısıAI Security
Çapraz doğrulamaCross-Validation: Veriyi birden çok kez farklı biçimde bölerek model performansını daha kararlı tahmin etme yöntemi.Machine Learning
Çapraz modlu getirimCross-Modal Retrieval: Bir modalitedeki sorguyla başka bir modalitedeki içeriği bulma: metinle görüntü aramak, görüntüyle belge bulmak. Ortak gömme uzayı gerektirir.İlgili: Çok modlu gömmeÇok modlu RAGAnlamsal aramaVideo-dil modeliGenerative AI
ÇekimserlikAbstention: Modelin, yeterli dayanağı olmadığında cevap vermeyi reddetmesi. Doğru cevap veremediğinde susmayı öğrenmiş bir sistem, yanlış cevap veren sistemden ölçülebilir biçimde daha güvenilirdir.İlgili: KalibrasyonHalüsinasyonKaynağa dayalılıkGörev başarı oranıMLOps / LLMOps
Çekirdek örneklemetop-pNucleus Sampling: Olasılık kütlesinin belirli bir oranını kapsayan en olası tokenlar arasından seçim yapan örnekleme yöntemi.Large Language Models
Çekişmeli örnekAdversarial Example: İnsan gözüne normal görünen ama modeli kasıtlı olarak yanıltan girdi.AI Security
Çekişmeli üretken ağGANGenerative Adversarial Network: Üretici ve ayırt edici iki ağın birbirine karşı eğitildiği üretken model mimarisi.Generative AI
Çevrimdışı değerlendirmeOffline Evaluation: Sabit bir veri kümesi üzerinde, yayına çıkmadan yapılan ölçüm. Hızlı ve tekrarlanabilirdir; veri kümesi gerçek kullanımı temsil etmiyorsa güven verirken yanıltır.İlgili: Çevrimiçi değerlendirmeAltın veri kümesiDeğerlendirme sızıntısıRegresyon değerlendirmesiMLOps / LLMOps
Çevrimiçi değerlendirmeOnline Evaluation: Gerçek kullanıcı trafiği üzerinde, üretimde yapılan ölçüm. Gerçek dağılımı görür; karşılığında hatalı sürüm kullanıcıya ulaşmış olur.İlgili: Çevrimdışı değerlendirmeA/B testiGölge koşuKademeli yayınMLOps / LLMOps
Çevrimiçi öğrenmeOnline Learning: Modelin veriyi akış hâlinde alıp sürekli güncellendiği eğitim biçimi.Machine Learning
ÇıkarımInference: Eğitilmiş bir modelin yeni girdi üzerinde tahmin üretmesi; eğitimden farklı olarak ağırlıklar değişmez.Artificial Intelligence
Çıkarım motoruInference Engine: Model ağırlıklarını alıp token üretimini en verimli biçimde koşturan yazılım katmanı. Önbellekleme, toplu işleme, nicemleme ve dikkat çekirdeklerini burada uygular.İlgili: Model sunumuSayfalanmış dikkatSürekli toplu işlemNicemlemeAI Infrastructure
Çıkarım zamanı ölçeklemeInference-Time Scaling: Aynı modelden, çıkarımda daha fazla hesaplama harcayarak daha iyi sonuç almanın ölçekleme yasası olarak incelenmesi. Parametre büyütmenin alternatifi değil, tamamlayıcısıdır.İlgili: Test zamanı hesaplamaÖlçek yasalarıDüşünme bütçesiN denemenin en iyisiLarge Language Models
Çıkart–dönüştür–yükleETLExtract Transform Load: Veriyi kaynaktan alıp dönüştürdükten sonra hedefe yazan klasik akış.Data Science
Çıktı token hızıTPSTokens per Second: Modelin saniyede ürettiği token sayısı; uzun yanıtlarda toplam süreyi belirler.AI Infrastructure
Çıktı tokenı başına süreTPOTTime per Output Token: İlk tokendan sonra her bir tokenın üretilmesi için geçen ortalama süre. Kullanıcının algıladığı "akış hızı" budur; ilk tokena kadar süreyle birlikte gecikme deneyimini eksiksiz tanımlar.İlgili: İlk tokena kadar süreÇıktı token hızıÇözümlemeGecikme bütçesiAI Infrastructure
Çok ajanlı sistemMASMulti-Agent System: Birden çok özerk bileşenin aynı ortamda etkileşerek ortak ya da ayrı hedeflere çalıştığı sistem.İlgili: Yönetici ajanAlt ajanAjan orkestrasyonuAjanlar arası protokolAI Agents
Çok başlı dikkatMulti-Head Attention: Dikkatin birden çok paralel alt uzayda hesaplanması; farklı ilişki türlerinin aynı anda yakalanmasını sağlar.Deep Learning
Çok modlu ajanMultimodal Agent: Metnin yanında görüntü, ses ya da ekran görüntüsü alıp bunlara göre eylem üreten ajan. Bilgisayar kullanan ajanlar bu sınıfın en yaygın örneğidir.İlgili: Bilgisayar kullanımıÇok modlu modelGörsel-dil-eylem modeliGerçek zamanlı çok modlu modelAI Agents
Çok modlu gömmeMultimodal Embedding: Metin ve görüntünün aynı vektör uzayına yerleştirilmesi; böylece bir cümle ile bir fotoğrafın benzerliği doğrudan hesaplanabilir. Çapraz modlu aramanın dayanağıdır.İlgili: GömmeÇapraz modlu getirimÇok modlu RAGYerel çok modlu modelGenerative AI
Çok modlu modelMultimodal Model: Metin dışında görsel, ses veya video gibi girdileri de aynı temsile taşıyarak işleyebilen model.İlgili: Yerel çok modlu modelÇok modlu gömmeİç içe üretimÇok modlu ajanGenerative AI Atlas girdisi
Çok modlu RAGMultimodal RAG: Getirilen kaynakların yalnızca metin değil görüntü, tablo, şema ya da video parçası olduğu RAG. Belgedeki grafiğin metne çevrilmeden doğrudan bağlama girmesini sağlar.İlgili: Geri getirmeyle zenginleştirilmiş üretimÇok modlu gömmeÇapraz modlu getirimBelge anlamaLarge Language Models
Çok turlu istekMRTRMulti Round-Trip RequestYerleşmekte: Sunucunun bir isteği işlerken istemciden ek bilgi isteyip beklemesini, protokol düzeyinde oturum tutmadan mümkün kılan yapı. Durumsuz çekirdeğin etkileşimli akışları nasıl koruduğunun cevabıdır.MCP 2026-07-28 spesifikasyonuyla tanımlandı; protokol çekirdeği aynı sürümde durumsuz hâle geldi.İlgili: Akışlı HTTPMCP taşımasıModel bağlam protokolüAI Agents MCP 2026-07-28 değişiklik günlüğü
Çok vektörlü getirimMulti-Vector Retrieval: Bir belgenin tek bir vektörle değil, birden çok vektörle temsil edilmesi. Uzun ve çok konulu belgelerin tek bir ortalamaya sıkıştırılmasının yol açtığı kaybı önler.İlgili: Geç etkileşimColBERTEbeveyn–çocuk getirimiParçalamaLarge Language Models
ÇözümlemeDecode: Tokenların birer birer üretildiği aşama. Hesaplamadan çok bellek bant genişliğine bağlıdır; bu yüzden ön doldurmadan tümüyle farklı bir donanım darboğazı yaratır.İlgili: Ön doldurmaBellek bant genişliğiÇıktı tokenı başına süreSpekülatif çözümlemeAI Infrastructure

D34 terim

DamıtmaDistillation: Büyük bir modelin davranışını daha küçük bir modele öğreterek maliyeti düşürme tekniği.Deep Learning
Dar yapay zekâNarrow AI: Tek bir görev alanında çalışan, o alanın dışına genellemeyen yapay zekâ sistemleri; bugün kullanılan sistemlerin tamamı bu sınıftadır.Artificial Intelligence
Davranış klonlamaBehavior Cloning: Uzman gösterimlerinden gözlem–eylem eşleşmesini denetimli öğrenmeyle kopyalama. Taklitle öğrenmenin en basit biçimi; robot gösterimlerde görülmemiş bir duruma düştüğünde hata birikerek büyür.İlgili: Taklitle öğrenmeUzaktan kumandaManipülasyon politikasıEylem parçalamaRobotics
DeğerlendirmeevalEvaluation: Bir sistemin iyi çalıştığını iddia etmek yerine ölçümle gösterme pratiği ve bunun için kurulan düzen.İlgili: Ajan değerlendirmesiDeğerlendirme koşum takımıÖlçüt tabanlı değerlendirmeÇevrimdışı değerlendirmeMLOps / LLMOps Atlas girdisi
Değerlendirme koşum takımıEvaluation Harness: Test kümelerini, ölçütleri ve raporlamayı bir arada koşturan altyapı. Değerlendirmeyi bir defalık analiz olmaktan çıkarıp her sürümde çalışan bir kapıya dönüştürür.İlgili: Görev setiRegresyon değerlendirmesiAltın veri kümesiGözlemlenebilirlikMLOps / LLMOps
Değerlendirme sızıntısıEvaluation Leakage: Test örneklerinin eğitim verisine ya da istem örneklerine karışması. Skoru yükseltir, gerçek niteliği hiç değiştirmez; kıyaslama kirlenmesinin kurum içi karşılığıdır.İlgili: Kıyaslama kirlenmesiVeri sızıntısıAltın veri kümesiKıyaslamaya aşırı uydurmaMLOps / LLMOps
Denetimli öğrenmeSupervised Learning: Girdi ve doğru çıktı çiftlerinden oluşan etiketli veriyle model eğitme yaklaşımı.Machine Learning
Denetimsiz öğrenmeUnsupervised Learning: Etiket olmadan veri içindeki yapıyı, kümeleri ya da örüntüleri bulmayı amaçlayan yaklaşım.Machine Learning
Dengesiz veriImbalanced Data: Sınıflardan birinin diğerlerine göre çok az örnek taşıması; doğruluk ölçütünü yanıltıcı hâle getirir.Machine Learning
Derin kurguDeepfake: Bir kişinin görüntüsünü veya sesini yapay olarak üreterek gerçekmiş gibi sunma.İlgili: Sentetik medyaİçerik özgünlüğüGörünmez filigranAI Security
Derin öğrenmeDLDeep Learning: Çok katmanlı yapay sinir ağlarıyla, temsilleri veriden kademeli olarak öğrenen makine öğrenmesi alt alanı.Deep Learning Atlas girdisi
Destek vektör makinesiSVMSupport Vector Machine: Sınıfları birbirinden en geniş boşlukla ayıran sınırı bulmayı amaçlayan model.Machine Learning
DevirEpoch: Eğitim verisinin tamamının model üzerinden bir kez geçmesi.Deep Learning
Devre kesiciCircuit Breaker: Bir bağımlılık arızalandığında ona giden çağrıları geçici olarak kesen desen; hata yayılımını sınırlar.İlgili: Acil durdurmaAI Infrastructure
Diferansiyel gizlilikDPDifferential Privacy: Tek bir kaydın sonuca etkisini matematiksel olarak sınırlayarak bireysel gizliliği koruyan yöntem.AI Security
Dijital kökenDigital Provenance: Bir dijital varlığın kaynağının ve geçirdiği düzenlemelerin izlenebilir kaydı. İçeriğin doğru olduğunu değil, nereden geldiğini kanıtlar — ayrım, sahte haber tartışmasında belirleyicidir.İlgili: C2PASentetik içerik işaretiİçerik özgünlüğüVeri menşeiResponsible AI
Dikkat mekanizmasıAttention: Modelin çıktının her adımında girdinin hangi kısımlarına ne kadar ağırlık vereceğini öğrendiği mekanizma.İlgili: FlashAttentionSayfalanmış dikkatDeep Learning Atlas girdisi
Dinamik yetkilendirmeDynamic Authorization: İznin baştan sabitlenmek yerine her eylemde bağlama göre yeniden değerlendirilmesi: kim, ne için, hangi veriyle, hangi risk düzeyinde. Ajanların değişken davranışına statik rollerden daha uygun.İlgili: Kapsamı daraltılmış kimlik bilgisiEn az yetki ilkesiŞaşkın vekil sorunuOnay kapısıAI Security
Doğal dil işlemeNLPNatural Language Processing: Metni ve konuşmayı makineyle işleyip anlamlandırmayı amaçlayan alan.NLP
Doğrudan tercih optimizasyonuDPODirect Preference Optimization: Ayrı bir ödül modeli eğitmeden, tercih çiftlerinden doğrudan hizalama yapan yöntem.İlgili: Tercih verisiGrup görece politika optimizasyonuÖdül modeliResponsible AI
Doğrulama kümesiValidation Set: Hiperparametre seçimi ve erken durdurma kararları için ayrılan, eğitime katılmayan veri bölümü.Machine Learning
Doğrulanabilir ödülle pekiştirmeRLVRReinforcement Learning with Verifiable Rewards: Cevabın doğruluğunun programla sınanabildiği alanlarda — matematik, kod, biçimsel mantık — modelin insan tercihi yerine doğrudan doğruluk sinyaliyle eğitilmesi. Ödül modeli gerektirmez, bu yüzden ödül hacklemesine daha dayanıklıdır.İlgili: DoğrulayıcıÖdül modeliÖdül hacklemesiPekiştirmeli öğrenmeMachine Learning
DoğrulayıcıVerifier: Bir cevabın doğruluğunu bağımsız olarak sınayan bileşen: birim testi, sembolik çözücü, şema denetleyicisi ya da ayrı bir model. Üretmekten daha kolay olması, birçok akıl yürütme yönteminin dayanağıdır.İlgili: Doğrulanabilir ödülle pekiştirmeN denemenin en iyisiŞema doğrulamaKendi kendine tutarlılıkMachine Learning
DoğrulukAccuracy: Doğru tahmin edilen örneklerin toplam örneğe oranı; dengesiz veride tek başına yanıltıcıdır.MLOps / LLMOps
Dolaylı istem enjeksiyonuIndirect Prompt Injection: Saldırganın talimatı kullanıcı girdisinden değil, modelin okuduğu bir belge veya sayfadan geçirmesi.İlgili: Ajan ele geçirmeŞaşkın vekil sorunuBellek zehirlemeBağlam enjeksiyonuAI Security
DuyarlılıkRecall: Gerçekten pozitif olanlardan yakalananların oranı; kaçırmanın maliyetli olduğu yerde belirleyicidir.İlgili: k'da duyarlılıkMLOps / LLMOps
Duygu analiziSentiment Analysis: Metnin taşıdığı olumlu, olumsuz veya nötr tutumu belirleme.NLP
Dünya modeliWorld Model: Ortamın nasıl davrandığını öğrenen ve bir eylemin sonucunu önceden kestirebilen model. Ajanın gerçek dünyada denemeden zihninde plan yapmasını sağlar; robotik ve video üretiminde ortak temeldir.İlgili: Fiziksel yapay zekâPlanlamaSimülasyondan gerçeğeMetinden videoyaRobotics
Düşük ranklı uyarlamaLoRALow-Rank Adaptation: Ağırlık güncellemesini düşük ranklı iki matrisle temsil ederek uyarlamayı ucuzlatan yöntem.İlgili: Ağırlık birleştirmeModel birleştirmeLarge Language Models
Düşünce ağacıToTTree of Thoughts: Tek bir düşünce zinciri yerine birden çok yolu dallandırıp değerlendiren akıl yürütme yaklaşımı.Large Language Models
Düşünce zinciriCoTChain of Thought: Modelin sonuca varmadan önce ara adımları açıkça üretmesi; karmaşık akıl yürütmede doğruluğu artırır.İlgili: Süreç denetimiSüreç ödül modeliTest zamanı hesaplamaLarge Language Models Atlas girdisi
Düşünme bütçesiThinking Budget: Akıl yürütme modelinin yanıt öncesi harcayabileceği token miktarı; doğruluk ile maliyet arasındaki ayar düğmesidir.İlgili: Test zamanı hesaplamaÇıkarım zamanı ölçeklemeLarge Language Models
Düzeltici RAGCRAGCorrective RAG: Getirilen belgelerin ilgililiğini önce değerlendirip, zayıfsa sorguyu yeniden yazan ya da web aramasına düşen RAG değişkesi. Kötü getirimin kötü cevaba dönüşmesini engellemeyi hedefler.İlgili: Ajan tabanlı RAGUyarlanabilir RAGSorgu yeniden yazmaBağlam uygunluğuLarge Language Models
DüzenlileştirmeRegularization: Modelin karmaşıklığını cezalandırarak aşırı uyumu azaltan teknikler ailesi.Machine Learning

E21 terim

Ebeveyn–çocuk getirimiParent-Child Retrieval: Aramanın küçük parçalar üzerinde yapılıp, bulunan parçanın ait olduğu daha büyük bölümün bağlama verilmesi. Arama isabeti ile bağlam bütünlüğü arasındaki gerilimi çözer.İlgili: ParçalamaBağlamsal getirimÖrtüşmeÇok vektörlü getirimLarge Language Models
Eğitim kümesiTraining Set: Modelin parametrelerini öğrenmek için kullandığı veri bölümü.Machine Learning
Eğitim sonrasıPost-Training: Ön eğitimden sonra gelen tüm aşamaların ortak adı: talimat ayarı, tercihle hizalama, akıl yürütme eğitimi, güvenlik ayarı. Bugün modeller arasındaki farkın büyük bölümü bu aşamada oluşur.İlgili: Ön eğitimTalimat ayarıİnsan geri bildirimiyle pekiştirmeDoğrulanabilir ödülle pekiştirmeLarge Language Models
Eğitim veri karışımıTraining Data Mixture: Derlemi oluşturan kaynakların (web, kod, bilimsel metin, çok dilli içerik) hangi oranlarda karıştırıldığı. Oranlar modelin hangi işte iyi olacağını doğrudan belirler.İlgili: Veri karışımı optimizasyonuÖn eğitim derlemiVeri kürasyonuAlana uyarlanmış ön eğitimMachine Learning
Eğitim verisi telifiTraining Data Copyright: Telifli eserlerin model eğitiminde kullanılmasının hukuki statüsü; yargı ve mevzuat tarafında halen tartışmalıdır.İlgili: Veri menşeiVeri kümesi kartıResponsible AI
Eğri altı alanAUCArea Under Curve: ROC eğrisinin altındaki alan; modelin eşikten bağımsız ayırt etme gücünü özetler.MLOps / LLMOps
Eklemeli dilAgglutinative Language: Anlamın köke eklenen eklerle kurulduğu dil yapısı; Türkçe bu sınıftadır ve aynı kökün yüzlerce yüzey biçimi olabilir.NLP
Eksik uyumUnderfitting: Modelin veri içindeki örüntüyü yakalayamayacak kadar basit kalması; hem eğitimde hem testte düşük performans verir.Machine Learning
En az yetki ilkesiLeast Privilege: Bir bileşene yalnızca işini yapmaya yetecek kadar yetki verme ilkesi; ajan güvenliğinin taşıyıcı katmanıdır.İlgili: Kapsamı daraltılmış kimlik bilgisiAşırı yetkiYetenek denetimiDinamik yetkilendirmeAI Security
En olası ktop-kTop-k Sampling: Her adımda yalnızca en olası k token arasından seçim yapan örnekleme yöntemi.Large Language Models
Epizodik bellekEpisodic Memory: Ajanın geçmiş etkileşimleri olay olarak hatırlaması: ne zaman ne oldu, kullanıcı ne istedi, hangi çözüm işe yaradı. Zaman damgası taşır ve tekil olaylara bağlıdır.İlgili: Ajan belleğiSemantik bellekProsedürel bellekBellek getirimiAI Agents
Erken durdurmaEarly Stopping: Doğrulama performansı iyileşmeyi bıraktığında eğitimi kesme; aşırı uyumu sınırlar.İlgili: Kontrol noktası birleştirmeMachine Learning
Eş gönderimsel çözümlemeCoreference Resolution: Metinde aynı varlığa gönderen ifadeleri birbirine bağlama.NLP
Eş zamanlı istekRequest Concurrency: Aynı anda işlenmekte olan istek sayısı. Verimi artırır, tek bir isteğin gecikmesini uzatır; kapasite planlamasında bu iki ölçüt birlikte hedeflenir.İlgili: VerimKuyruk gecikmesiSürekli toplu işlemGeri basınçAI Infrastructure
Eş zamanlı konumlama ve haritalamaSLAMSLAM: Bir robotun bilinmeyen ortamda kendi konumunu belirlerken aynı anda haritayı çıkarması.İlgili: Görü tabanlı kontrolUzamsal akıl yürütmeRobotics
Eşik seçimiThreshold Selection: Modelin olasılık çıktısını karara çeviren sınırın belirlenmesi; teknik değil iş kararıdır.MLOps / LLMOps
Etiketçiler arası uyumIAAInter-Annotator Agreement: Aynı örneği iki değerlendiricinin aynı şekilde etiketleme oranı; modelin ulaşabileceği tavanı belirler.Data Science
Etiketleme kılavuzuAnnotation Guideline: Etiketçilerin aynı kararı vermesini sağlayan yazılı kurallar; belirsiz maddeler tutarsızlık üretir.İlgili: Ölçüt tabanlı değerlendirmeData Science
Etkisiz eşlemeIdempotency: Aynı işlemin birden çok kez uygulanmasının tek kez uygulanmasıyla aynı sonucu vermesi; güvenli yeniden deneme bunun üzerine kurulur.AI Infrastructure
Evrişimli sinir ağıCNNConvolutional Neural Network: Görüntüdeki yerel örüntüleri kaydırmalı filtrelerle yakalayan, görü görevlerinin uzun süre standardı olmuş mimari.Computer Vision
Eylem parçalamaAction Chunking: Politikanın tek bir adım yerine birkaç adımlık eylem dizisini birlikte üretmesi. Tutarlılığı artırır ve her adımda yeniden karar vermenin getirdiği titremeyi azaltır.İlgili: Manipülasyon politikasıDavranış klonlamaGörsel-dil-eylem modeliRobotics

F7 terim

F1 skoruF1 Score: Kesinlik ile duyarlılığın harmonik ortalaması; ikisi arasında denge arandığında kullanılır.MLOps / LLMOps
Federatif öğrenmeFederated Learning: Verinin cihazdan çıkmadan, yalnızca model güncellemelerinin merkezde birleştirildiği eğitim yöntemi.Data Science
Felaket unutmaCatastrophic Forgetting: Modelin yeni görev öğrenirken eski görevdeki yeteneğini kaybetmesi.İlgili: Sürdürülen ön eğitimModel birleştirmeMachine Learning
FiligranWatermarking: Üretilen içeriğe, kaynağını belirten ve kolayca silinemeyen bir işaret yerleştirme.İlgili: Görünmez filigranİçerik kimlik bilgileriSentetik medyaResponsible AI
Fiziksel yapay zekâPhysical AI: Fiziksel dünyada algılayan ve eyleyen sistemlerin ortak adı: robotlar, otonom araçlar, akıllı makineler. Dijital yapay zekâdan farkı, hatanın geri alınamaz ve gecikmenin pazarlıksız olmasıdır.İlgili: Bedenlenmiş yapay zekâRobot temel modeliDünya modeliİnsansı robotRobotics
FlashAttention: Dikkat hesabını, ara matrisi yavaş belleğe hiç yazmadan parçalar hâlinde yapan algoritma. Sonucu değiştirmez, aynı sonucu belirgin biçimde daha az bellek trafiğiyle üretir.İlgili: Dikkat mekanizmasıBellek bant genişliğiSayfalanmış dikkatÇıkarım motoruAI Infrastructure
Fonksiyon çağırmaFunction Calling: Modelin, tanımlı bir aracı çağırmak için gereken parametreleri üretmesi; ajan mimarisinin ilk yapı taşıdır.İlgili: MCP aracıAraç çağırma doğruluğuAI Agents Atlas girdisi

G36 terim

Gecikme bütçesiLatency Budget: Uçtan uca hedef sürenin sistem bileşenleri arasında paylaştırılması.İlgili: Çıktı tokenı başına süreÖnbellek isabet oranıAI Infrastructure
Geç etkileşimLate Interaction: Sorgu ve belgenin tek bir vektöre indirgenmeden, token düzeyindeki vektörlerin arama anında eşleştirilmesi. Tek vektörlü aramadan isabetli, çapraz kodlayıcıdan hızlıdır.İlgili: ColBERTÇok vektörlü getirimYeniden sıralamaYoğun getirimLarge Language Models
Genel amaçlı yapay zekâ modeliGPAIGeneral-Purpose AI Model: Çok sayıda farklı göreve uyarlanabilen, belirli bir kullanım amacına bağlı olmayan model.İlgili: Sistemik riskli genel amaçlı modelAlt sağlayıcıSistemik riskResponsible AI
Genel yapay zekâAGIArtificial General Intelligence: İnsanın yapabildiği her bilişsel görevi öğrenip yerine getirebilecek varsayımsal sistem; tanımı üzerinde uzlaşma yoktur ve henüz gerçekleşmemiştir.Artificial Intelligence
Gerçek zamanlı çok modlu modelReal-Time Multimodal Model: Ses ve görüntüyü canlı akış olarak alıp konuşma temposunda cevap veren model. Sözün kesilmesini yönetmek ve gecikmeyi insan diyaloğu eşiğinin altında tutmak zorundadır.İlgili: Sesten sese modelSözün kesilmesiİlk tokena kadar süreÇok modlu ajanGenerative AI
Gerçekten simülasyonaReal-to-Sim: Gerçek bir ortamın taranarak simülasyona taşınması. Simülasyondan gerçeğe aktarımın ters yönü; simülasyonun gerçeğe benzemesini sağlayarak aradaki boşluğu kaynağında daraltır.İlgili: Simülasyondan gerçeğeDünya modeliRobot öğrenmesiRobotics
Geri almaRollback: Bozuk bir sürümden önceki iyi sürüme dönme; tatbik edilmemiş geri alma yolu yok sayılır.MLOps / LLMOps
Geri basınçBackpressure: Aşırı yükte isteklerin kabul hızını düşürerek sistemin tümden çökmesini önleyen mekanizma.AI Infrastructure
Geri getirmeyle zenginleştirilmiş üretimRAGRetrieval-Augmented Generation: Modelin cevap üretmeden önce dış kaynaklardan ilgili bilgiyi getirip bağlama eklediği mimari.İlgili: Ajan tabanlı RAGÇok modlu RAGDüzeltici RAGBağlamsal getirimKaynağa dayalılıkLarge Language Models Atlas girdisi
Geri yayılımBackpropagation: Kaybın her ağırlığa göre türevini katmanlar boyunca geriye doğru hesaplayan algoritma.Deep Learning
Geriye dönük doldurmaBackfill: Geçmiş dönem verisini yeniden hesaplayıp yerine yazma işlemi.Data Science
Gizil yayılımLatent Diffusion: Yayılım sürecinin piksel uzayında değil, sıkıştırılmış gizli uzayda çalıştırılması. Hesap maliyetini büyük ölçüde düşürdüğü için yüksek çözünürlüklü üretimi pratik hâle getirdi.İlgili: Yayılım modeliGizli uzayYayılım transformeriVaryasyonel otokodlayıcıGenerative AI
Gizli uzayLatent Space: Modelin veriyi sıkıştırılmış biçimde temsil ettiği soyut vektör uzayı.İlgili: Gizil yayılımDeep Learning
Gölge değerlendirmeShadow Evaluation: Yeni sürümün gerçek trafiği işleyip çıktısının kullanıcıya gösterilmeden kaydedilmesi. Çevrimiçi ölçümün gerçekliğini, çevrimdışı ölçümün güvenliğiyle birleştirir.İlgili: Gölge koşuÇevrimiçi değerlendirmeKademeli yayınMLOps / LLMOps
Gölge koşuShadow Deployment: Yeni sürümü gerçek trafikle çalıştırıp çıktısını kullanıcıya göstermeden karşılaştırma yöntemi.İlgili: Gölge değerlendirmeÇevrimiçi değerlendirmeMLOps / LLMOps
Gölge kullanımShadow AI: Çalışanların kurumun onayı ve görünürlüğü dışında yapay zekâ araçları kullanması.İlgili: Ajan kayıt diziniİnsan olmayan kimlikAI Security
GömmeEmbedding: Metin ya da başka bir veriyi, anlamca yakın olanların birbirine yakın durduğu sayısal vektöre çevirme.İlgili: Çok modlu gömmeSeyrek gömmeYoğun getirimLarge Language Models Atlas girdisi
Görev başarı oranıTask Success Rate: Verilen görevlerin kaçının kabul ölçütlerini karşılayarak tamamlandığı. Ajan sistemlerinde tek başına en anlamlı üst düzey ölçüt; anlamlı olması kabul ölçütlerinin önceden yazılmasına bağlıdır.İlgili: Ajan değerlendirmesiBaşarılı görev başına maliyetGörev setiÇekimserlikMLOps / LLMOps
Görev devriHandoff: Bir ajanın işi tanımlı bir sözleşmeyle başka bir ajana aktarması.İlgili: Ajanlar arası protokolGörev yaşam döngüsüYetki yükseltmeAI Agents
Görev setiTask Suite: Bir sistemin belirli yetenekleri üzerinde ölçüldüğü, elle hazırlanmış görev topluluğu.İlgili: Değerlendirme koşum takımıGörev başarı oranıMLOps / LLMOps
Görev yaşam döngüsüTask Lifecycle: Bir ajan görevinin geçtiği durumlar: oluşturuldu, çalışıyor, girdi bekliyor, tamamlandı, başarısız, iptal edildi. Uzun süren işlerde istemcinin ne yapacağını bu durum belirler.İlgili: MCP göreviKalıcı yürütmeAjan durum yönetimiAjanlar arası protokolAI Agents
Görsel-dil modeliVLMVision-Language Model: Görüntü ve metni birlikte işleyip ikisi arasında bağ kurabilen model.İlgili: Video-dil modeliÇok modlu gömmeComputer Vision
Görsel-dil-eylem modeliVLAVision-Language-Action Model: Görüntü ve dil girdisinden doğrudan robot eylemi üreten model ailesi.İlgili: Robot temel modeliEylem parçalamaManipülasyon politikasıRobotics
Görü tabanlı kontrolVision-Based Control: Robotun hareketinin doğrudan kamera görüntüsüne bakılarak sürülmesi. Ortamın önceden haritalanmasını gerektirmez; karşılığında aydınlatma ve görüş açısı değişimlerine duyarlıdır.İlgili: Bilgisayarlı görüManipülasyon politikasıEş zamanlı konumlama ve haritalamaAlan kaymasıRobotics
Görünmez filigranInvisible Watermark: Üretilen içeriğe, insana görünmeyen ama algoritmayla okunabilen işaretin gömülmesi. Üstveriden farkı, dosya yeniden kaydedildiğinde ya da ekran görüntüsü alındığında da kısmen hayatta kalmasıdır.İlgili: FiligranSentetik medyaİçerik özgünlüğüYapay zekâ üretimi etiketiResponsible AI
Görüntü sınıflandırmaImage Classification: Bir görüntünün bütününe tek bir etiket atama görevi.Computer Vision
Görüntüden videoyaImage-to-Video: Tek bir durağan görüntüyü başlangıç karesi alıp devamını üreten modeller. Üretimin başlangıç noktası sabit olduğu için metinden videoya göre denetimi daha kolaydır.İlgili: Metinden videoyaYayılım modeliGizil yayılımGenerative AI
GövdelemeLemmatization: Kelimeyi sözlükteki temel biçimine indirgeme; kök bulmadan daha doğru, daha maliyetlidir.NLP
GözlemlenebilirlikObservability: Bir sistemin dışarıdan görünen çıktılarından iç durumunun anlaşılabilmesi; iz, ölçüm ve günlük üç ayağıdır.İlgili: Değerlendirme koşum takımıAjan iziMLOps / LLMOps
GPU kullanım oranıGPU Utilization: Hızlandırıcının ne kadarının gerçekten çalıştığı. Yüksek görünen kullanım her zaman verimli demek değildir: bellek beklerken de kart meşgul sayılır, bu yüzden tek başına yanıltıcı bir ölçüttür.İlgili: HızlandırıcıBellek bant genişliğiVerimEş zamanlı istekAI Infrastructure
Gradyan artırmaGradient Boosting: Zayıf modelleri sırayla ekleyip her birinin öncekinin hatasını düzeltmesini sağlayan topluluk yöntemi; tablo verisinde hâlâ güçlü bir temeldir.Machine Learning
Gradyan inişiGradient Descent: Kayıp fonksiyonunun eğimini izleyerek ağırlıkları adım adım güncelleyen optimizasyon yöntemi.Deep Learning
Graf tabanlı geri getirmeGraph RAG: Belgeler arasındaki ilişkileri bir grafta tutup geri getirmeyi bu yapı üzerinden yapan yaklaşım.İlgili: Ajan tabanlı RAGÇok modlu RAGBilgi grafiğiLarge Language Models
Grafik işlem birimiGPUGraphics Processing Unit: Paralel matris işlemlerinde uzmanlaşmış, derin öğrenme eğitiminin ve çıkarımının ana donanımı.AI Infrastructure
Grup görece politika optimizasyonuGRPOGroup Relative Policy Optimization: Aynı isteme üretilen bir grup cevabın birbirine göre puanlanmasıyla politikayı güncelleyen pekiştirmeli öğrenme yöntemi. Ayrı bir değer ağı gerektirmediği için akıl yürütme eğitiminde hafif bir alternatiftir.İlgili: Pekiştirmeli öğrenmeDoğrulanabilir ödülle pekiştirmeDoğrudan tercih optimizasyonuÖdül modeliMachine Learning
Güven aralığıConfidence Interval: Bir tahminin makul ölçüde içinde bulunduğu değer aralığı; tek bir sayıdan daha bilgi taşır.Data Science

H8 terim

HalüsinasyonHallucination: Modelin gerçekte olmayan bir bilgiyi kendinden emin biçimde üretmesi; bu sistemlerin temel başarısızlık modudur.İlgili: Kaynağa dayalılıkSadakatÇekimserlikLarge Language Models Atlas girdisi
Hareket politikasıLocomotion Policy: Robotun yürüme, koşma ve dengede kalma davranışını üreten politika. Genellikle simülasyonda pekiştirmeli öğrenmeyle eğitilip gerçeğe aktarılır.İlgili: Manipülasyon politikasıSimülasyondan gerçeğeİnsansı robotPekiştirmeli öğrenmeRobotics
Hata bütçesiError Budget: Hizmet hedefinin izin verdiği başarısızlık payı; tükendiğinde yeni yayınlar durur.MLOps / LLMOps
HızlandırıcıAccelerator: Yapay sinir ağı hesaplamalarını genel amaçlı işlemciden hızlı yapan özel donanım.İlgili: Tensör paralelliğiGPU kullanım oranıAI Infrastructure
Hibrit aramaHybrid Search: Anlamsal ve sözcüksel arama sonuçlarını birleştiren yaklaşım; ikisinin tek başına kaçırdığı sorgu sınıflarını kapsar.İlgili: Yoğun getirimSeyrek getirimKarşılıklı sıra birleşimiLarge Language Models
HiperparametreHyperparameter: Eğitim öncesinde belirlenen ve öğrenme sırasında güncellenmeyen ayar; öğrenme oranı ve katman sayısı örnektir.Machine Learning
HizalamaAlignment: Model davranışının insan değerleri ve niyetiyle uyumlu olmasını sağlama çalışması.İlgili: Anayasal yapay zekâÖdül hacklemesiŞartname oyunuAjan davranış sapmasıResponsible AI
Hizmet seviyesi hedefiSLOService Level Objective: Bir sistemin karşılaması beklenen ölçülebilir güvenilirlik hedefi.MLOps / LLMOps

I1 terim

Işın aramasıBeam Search: Aynı anda birden çok aday diziyi izleyerek en olası çıktıyı arayan çözümleme yöntemi.NLP

İ20 terim

İç içe üretimInterleaved Generation: Tek bir cevabın içinde metin ve görüntünün sırayla üretilmesi. Modelin çıktısı tek modaliteye bağlı kalmaz; adım adım anlatım ile görselin birlikte akmasını sağlar.İlgili: Yerel çok modlu modelÇok modlu modelYapılandırılmış çıktıGenerative AI
İçerik kimlik bilgileriContent Credentials: C2PA standardının kullanıcıya dönük adı: bir görüntü, video ya da belgeye iliştirilen, kim tarafından ve hangi araçlarla üretildiğini gösteren doğrulanabilir künye.İlgili: C2PAYapay zekâ beyanıDijital kökenYapay zekâ üretimi etiketiResponsible AI C2PA
İçerik özgünlüğüContent Authenticity: Bir içeriğin iddia ettiği kaynağa ve geçmişe gerçekten sahip olup olmadığı. Sahteyi yakalamaya değil, gerçeği kanıtlanabilir kılmaya dayanan yaklaşımın adı.İlgili: Dijital kökenC2PADerin kurguGörünmez filigranResponsible AI
İkili karşılaştırmalı değerlendirmePairwise Evaluation: İki cevabı mutlak puan vermek yerine yan yana koyup hangisinin daha iyi olduğunu sordurma. İnsan ve model yargıçlar mutlak puanlamada tutarsızken karşılaştırmada belirgin biçimde kararlıdır.İlgili: Model yargıçKonum önyargısıİnsan değerlendirmesiTercih verisiMLOps / LLMOps
İlk tokena kadar süreTTFTTime to First Token: İstek gönderildikten sonra ilk çıktı tokenının gelmesine kadar geçen süre; algılanan hızın ana bileşenidir.İlgili: Çıktı tokenı başına süreÖn doldurmaÖnek önbelleğiAI Infrastructure
İnce ayarFine-Tuning: Ön eğitilmiş bir modeli daha küçük ve göreve özgü veriyle güncelleyerek davranışını uyarlama.İlgili: Sürdürülen ön eğitimAlana uyarlanmış ön eğitimModel birleştirmeLarge Language Models Atlas girdisi
İnsan değerlendirmesiHuman Evaluation: Çıktı kalitesinin insan değerlendiriciler tarafından ölçülmesi; otomatik ölçümlerin referans noktasıdır.İlgili: İkili karşılaştırmalı değerlendirmeÖlçüt tabanlı değerlendirmeMLOps / LLMOps
İnsan döngüdeHITLHuman in the Loop: Otomatik bir kararın yürürlüğe girmeden önce insan onayından geçtiği tasarım; geri alınamaz eylemlerde zorunlu sayılır.İlgili: Onay kapısıİnsan gözetimiAcil durdurmaArtificial Intelligence
İnsan geri bildirimiyle pekiştirmeRLHFRLHF: İnsan tercihlerinden öğrenilen bir ödül sinyaliyle modelin çıktısını hizalayan eğitim yöntemi.İlgili: Ödül modeliTercih verisiYapay zekâ geri bildirimiyle pekiştirmeAnayasal yapay zekâResponsible AI
İnsan gözetimiHuman Oversight: Otomatik kararların insan tarafından izlenip gerektiğinde durdurulabilmesi; yüksek riskli sistemlerde yükümlülüktür.İlgili: Onay kapısıAcil durdurmaYapay zekâ okuryazarlığıResponsible AI
İnsan olmayan kimlikNHINon-Human Identity: Hizmet hesabı, bot, iş yükü ve ajan gibi bir insana ait olmayan kimliklerin ortak adı. Kurumlarda sayıları insan hesaplarını çoktan aştı; ajanlar bu kümenin en hızlı büyüyen ve en geniş yetkili parçası.İlgili: Ajan kimliğiYetki yükseltmeKapsamı daraltılmış kimlik bilgisiAI Security
İnsansı robotHumanoid Robot: İnsan gövdesi ve uzuv düzenine yakın biçimde tasarlanmış robot. Gerekçesi estetik değil altyapı: merdiven, kapı kolu ve el aletleri insan bedenine göre tasarlanmıştır.İlgili: Fiziksel yapay zekâHareket politikasıBecerikli manipülasyonRobot temel modeliRobotics
İstatistiksel anlamlılıkStatistical Significance: Gözlenen farkın rastlantıyla açıklanamayacak kadar büyük olması.Data Science
İstemPrompt: Modele verilen girdi metni; talimat, örnek ve veriyi birlikte taşıyabilir.Large Language Models
İstem enjeksiyonuPrompt Injection: Modele verilen içerik içine gizlenmiş talimatlarla davranışının ele geçirilmesi.İlgili: Araç açıklaması enjeksiyonuAjan ele geçirmeŞaşkın vekil sorunuAI Security Atlas girdisi
İstem mühendisliğiPrompt Engineering: Modelden istenen davranışı elde etmek için istemin içeriğini ve yapısını tasarlama pratiği.İlgili: Bağlam mühendisliğiMCP istemiLarge Language Models Atlas girdisi
İstem önbelleğiPrompt Caching: Tekrarlanan istem önekinin sağlayıcı tarafında saklanarak yeniden işlenmemesi; maliyeti ve gecikmeyi düşürür.İlgili: Önek önbelleğiÖnbellek isabet oranıAnahtar–değer önbelleğiAI Infrastructure
İşlenme amacıProcessing Purpose: Kişisel verinin hangi belirli hedefle işlendiği; sonradan farklı bir amaç için kullanmak ek dayanak gerektirir.Responsible AI
İz değerlendirmesiTrajectory Evaluation: Ajanın attığı adım dizisinin, sonuçtan bağımsız olarak incelenmesi. Doğru sonuca on beş gereksiz araç çağrısıyla varan bir ajan, sonuç ölçütünde başarılı, iz ölçütünde başarısızdır.İlgili: Ajan iziAjan değerlendirmesiBaşarılı görev başına maliyetİz kaydıMLOps / LLMOps
İz kaydıTracing: Bir isteğin sistemdeki tüm adımlarını uçtan uca kaydeden mekanizma; kök nedene inmenin tek yoludur.İlgili: Ajan iziİz değerlendirmesiMLOps / LLMOps

K48 terim

k denemede başarıpass@kPass@k: Bir soruna k bağımsız deneme yapıldığında en az birinin doğru olma oranı. Kod üretiminde standart ölçüt; tek denemedeki başarıyla karıştırılırsa sistemi olduğundan iyi gösterir.İlgili: N denemenin en iyisiKıyaslamaGörev başarı oranıDoğrulayıcıMLOps / LLMOps
K en yakın komşukNNk-Nearest Neighbors: Tahmini, eğitim verisindeki en yakın k örneğin etiketine bakarak yapan yöntem; vektör aramanın da temelidir.Machine Learning
k'da duyarlılıkRecall@k: İlgili belgelerin kaçının ilk k sonuç içinde döndüğü. RAG hattında en kritik getirim ölçütüdür: ilk k'ya girmeyen belge, model ne kadar iyi olursa olsun cevaba giremez.İlgili: Duyarlılıkk'da kesinlikOrtalama karşılıklı sıraNormalleştirilmiş indirgenmiş kümülatif kazançMLOps / LLMOps
k'da kesinlikPrecision@k: İlk k sonucun kaçının gerçekten ilgili olduğu. Bağlam bütçesi sınırlıyken belirleyicidir: alakasız her sonuç, yerini alabilecek ilgili bir belgeyi dışarıda bırakır.İlgili: Kesinlikk'da duyarlılıkBağlam bütçesiNormalleştirilmiş indirgenmiş kümülatif kazançMLOps / LLMOps
Kademeli yayınCanary Release: Yeni sürümü önce küçük bir trafik dilimine açarak riski sınırlayan yayın yöntemi.İlgili: Gölge değerlendirmeÇevrimiçi değerlendirmeMLOps / LLMOps
Kalıcı yürütmeDurable Execution: Uzun süren bir iş akışının her adımının kalıcı olarak kaydedilmesi; süreç çökse, sunucu yeniden başlasa ya da onay beklenerek günlerce durulsa bile akış baştan başlamaz. Saatler süren ajan görevlerinin önkoşuludur.İlgili: Kontrol noktasıAjan çalışma zamanıGörev yaşam döngüsüOnay kapısıAI Agents
KalibrasyonCalibration: Modelin verdiği olasılıkların gerçek sıklıklarla örtüşmesi; yüzde yetmiş diyen model onda yedi kez doğru olmalıdır.İlgili: ÇekimserlikKaynağa dayalılıkMLOps / LLMOps
Kapsamı daraltılmış kimlik bilgisiScoped Credentials: Yalnızca belirli bir kaynağa, belirli bir işlem için ve kısa süreyle geçerli erişim anahtarı. Sızdığında zararın büyüklüğünü sınırlayan başlıca önlem.İlgili: En az yetki ilkesiKimlik bilgisi sızıntısıDinamik yetkilendirmeAjan kimliğiAI Security
Kara kutuBlack Box: İç işleyişi incelenemeyen ya da anlaşılamayan sistem; derin öğrenme modelleri için sık kullanılan nitelendirme.Responsible AI
Karar ağacıDecision Tree: Veriyi ardışık evet–hayır sorularıyla bölerek tahmin üreten, yorumlanabilirliği yüksek model.Machine Learning
Karışıklık matrisiConfusion Matrix: Gerçek ve tahmin edilen sınıfların kesişim sayılarını gösteren tablo; tek bir skorun gizlediğini açar.MLOps / LLMOps
Karşılıklı sıra birleşimiRRFReciprocal Rank Fusion: Farklı arama yöntemlerinden gelen sıralı listeleri, skorlarını ölçeklemeye çalışmadan yalnızca sıralarını kullanarak birleştiren yöntem. Hibrit aramanın en yaygın birleştirme kuralıdır.İlgili: Hibrit aramaYeniden sıralamaYoğun getirimSeyrek getirimLarge Language Models
Katman normalizasyonuLayer Normalization: Her katmanın çıktısını kendi içinde normalleştirerek eğitimi kararlı kılan teknik.Deep Learning
Kavram kanıtlamaPoCProof of Concept: Bir fikrin teknik olarak uygulanabilir olduğunu küçük ölçekte gösteren çalışma; üretime geçişi garanti etmez.Artificial Intelligence
Kavram kaymasıConcept Drift: Girdi ile hedef arasındaki ilişkinin zamanla değişmesi; veri kaymasından farklı olarak yeniden etiketleme gerektirir.İlgili: Piyasaya arz sonrası izlemeMLOps / LLMOps
Kaybolan gradyanVanishing Gradient: Derin ağlarda gradyanın geriye doğru ilerlerken sıfıra yaklaşması; alt katmanların öğrenmesini durdurur.Deep Learning
Kayıp fonksiyonuLoss Function: Modelin tahmini ile gerçek değer arasındaki farkı sayıya çeviren, eğitimin en aza indirmeye çalıştığı ölçüt.Deep Learning
KaymaDrift: Üretimdeki veri dağılımının eğitim verisinden zamanla uzaklaşması; model performansı sessizce düşer.MLOps / LLMOps
Kaynağa dayalılıkGroundedness: Üretilen cevaptaki her iddianın, verilen kaynaklarda karşılığının bulunup bulunmadığı. RAG sistemlerinde halüsinasyonun ölçülebilir hâlidir: dayanağı olmayan cümle, doğru olsa bile dayanaksızdır.İlgili: SadakatHalüsinasyonAlıntı doğrulamaCevap uygunluğuMLOps / LLMOps
Kelime hata oranıWERWord Error Rate: Konuşma tanıma çıktısının referans metne göre hata oranı.NLP
Kendi kendine denetimli öğrenmeSSLSelf-Supervised Learning: Etiketin verinin kendisinden türetildiği eğitim biçimi; dil modellerinin ön eğitimi bu yöntemle yapılır.Machine Learning
Kendi kendine tutarlılıkSelf-Consistency: Aynı soruya birden çok yanıt üretip en sık tekrarlanan sonucu seçerek kararlılığı artırma yöntemi.İlgili: N denemenin en iyisiÖz yansıtmaDoğrulayıcıLarge Language Models
Kendine dikkatSelf-Attention: Bir dizideki her öğenin aynı dizinin diğer öğeleriyle ilişkisini hesapladığı dikkat biçimi.Deep Learning
KesinlikPrecision: Pozitif denen örneklerden gerçekten pozitif olanların oranı; yanlış alarmın maliyetli olduğu yerde belirleyicidir.İlgili: k'da kesinlikMLOps / LLMOps
Kesişim bölü birleşimIoUIntersection over Union: Tahmin edilen ve gerçek sınırlayıcı kutuların örtüşme oranı; tespit doğruluğunun standart ölçütü.Computer Vision
Kırmızı takımRed Teaming: Sistemi kasıtlı olarak kırmaya çalışarak zafiyetleri yayına çıkmadan bulma çalışması.İlgili: Sistemik riskli genel amaçlı modelAjan davranış sapmasıAI Security
Kısa süreli bellekShort-Term Memory: Tek bir oturum ya da göreve ait, bağlam penceresinde taşınan bellek. Pencere dolduğunda budanır; kalması gereken kısım uzun süreli belleğe yazılır.İlgili: Uzun süreli bellekÇalışma belleğiBağlam penceresiBağlam budamaAI Agents
Kısıt aşımıJailbreak: Modelin güvenlik kısıtlarını aşmasını sağlayan istem tekniği.AI Security
KıyaslamaBenchmark: Standart bir veri kümesi ve ölçütle modelleri karşılaştırma; metodolojisi yayımlanmadıkça sonucu yorumlanamaz.İlgili: k denemede başarıGörev setiMLOps / LLMOps
Kıyaslama kirlenmesiBenchmark Contamination: Test verisinin modelin eğitim verisine karışması; skoru gerçek yetenekten bağımsız biçimde yükseltir.İlgili: Değerlendirme sızıntısıVeri tekilleştirmeMLOps / LLMOps
Kıyaslamaya aşırı uydurmaBenchmark Overfitting: Modelin belirli bir kıyaslamada iyi, gerçek kullanımda kötü olacak biçimde ayarlanması.İlgili: Değerlendirme sızıntısıMLOps / LLMOps
Kimlik bilgisi sızıntısıCredential Leakage: Anahtar, token ya da parolanın modele, günlüklere veya çıktıya karışması. Ajanlarda risk daha yüksektir: kimlik bilgileri araç çağrılarının içinden geçer ve izler uzun süre saklanır.İlgili: Kapsamı daraltılmış kimlik bilgisiVeri sızmasıİz kaydıMaskelemeAI Security
Kişisel Verilerin Korunması KanunuKVKKTurkish Data Protection Law: Türkiye'de kişisel verilerin işlenmesini düzenleyen kanun.Responsible AI
Kodlayıcı–çözücüEncoder–Decoder: Girdiyi bir temsile sıkıştıran ve o temsilden çıktı üreten iki parçalı mimari; çeviri görevlerinin klasik yapısıdır.Deep Learning
Kontrol noktasıCheckpointing: Bir ajanın ya da eğitim işinin durumunun belirli anlarda diske yazılması. Ajanlarda kesintiden dönmeyi ve bir adımı geri alıp farklı denemeyi; eğitimde ise çöken bir koşuyu son kayıttan sürdürmeyi sağlar.İlgili: Kalıcı yürütmeAjan durum yönetimiAjan iziAI Agents
Kontrol noktası birleştirmeCheckpoint Merging: Aynı eğitimin farklı anlarından alınan kayıtların birleştirilmesi. Tek bir kaydın rastgele iyi ya da kötü çıkmasının etkisini azaltır ve sonucu kararlı hâle getirir.İlgili: Model birleştirmeAğırlık birleştirmeKontrol noktasıErken durdurmaMachine Learning
Konum kodlamasıPositional Encoding: Transformer'ın sırayı algılayabilmesi için her konuma eklenen bilgi; mimari kendiliğinden sıra bilgisi taşımaz.Deep Learning
Konum önyargısıPosition Bias: Karşılaştırmalı değerlendirmede, ilk ya da son gösterilen seçeneğin sırf konumu nedeniyle kazanma eğilimi. Sırayı rastgeleleştirip iki yönde de sormak standart önlemdir.İlgili: Yargıç önyargısıİkili karşılaştırmalı değerlendirmeModel yargıçMLOps / LLMOps
Konuşma tanımaSTTSpeech Recognition: Sesli konuşmayı metne çevirme; çıktısı kesin bir metin değil güven taşıyan bir tahmindir.İlgili: Sesten sese modelSes-dil modeliNLP
Konuşmacı ayırmaSpeaker Diarization: Bir kayıtta kimin ne zaman konuştuğunu ayırma.NLP
Koruma katmanıGuardrail: Girdi veya çıktı üzerinde çalışan, istenmeyen davranışı yakalayıp engelleyen denetim katmanı.İlgili: Çalışma zamanı koruma katmanıAcil durdurmaYetenek denetimiAI Security Atlas girdisi
Kosinüs benzerliğiCosine Similarity: İki vektör arasındaki açının kosinüsüyle ölçülen yakınlık; gömme aramasında en yaygın ölçüttür.AI Infrastructure
KotaQuota: Bir hesabın belirli bir sürede kullanabileceği istek veya token üst sınırı.AI Infrastructure
Kök bulmaStemming: Kelimeyi kaba kurallarla köküne indirme; hızlıdır ama her zaman geçerli kök üretmez.NLP
Kum havuzuSandbox: Kodun veya aracın sistemin geri kalanına erişemeyeceği yalıtılmış çalışma ortamı.İlgili: MCP uygulamasıYetenek denetimiAI Security
Kuyruk gecikmesiTail Latency: En yavaş isteklerin gecikmesi; kullanıcı deneyimini ortalamadan daha çok belirler.AI Infrastructure
Küçük dil modeliSLMSmall Language Model: Uç cihazda ya da düşük maliyetle çalışacak ölçekte tutulmuş dil modeli.Large Language Models
KümelemeClustering: Etiketsiz veriyi benzerliklerine göre gruplara ayırma yöntemi.Machine Learning

L1 terim

LLMOps: Dil modeli uygulamalarında istem, bağlam hattı ve değerlendirme varlıklarını yönetme disiplini.MLOps / LLMOps Atlas girdisi

M30 terim

Makine çevirisiMTMachine Translation: Metni bir dilden diğerine otomatik çevirme.NLP
Makine öğrenmesiMLMachine Learning: Kuralları elle yazmak yerine veriden çıkarmayı sağlayan yöntemler bütünü.Machine Learning Atlas girdisi
Manipülasyon politikasıManipulation Policy: Gözlemden nesneyi tutma, taşıma ve yerleştirme eylemlerine giden öğrenilmiş eşleme. Robotun "bu görevi nasıl yapacağı" bu politikada kodludur.İlgili: Hareket politikasıBecerikli manipülasyonDavranış klonlamaGörsel-dil-eylem modeliRobotics
MaskelemeMasking: Hassas alanların görüntülenirken kısmen veya tümüyle gizlenmesi.AI Security
MCP aracıMCP Tool: MCP sunucusunun sunduğu, modelin çağırabileceği işlev. Adı, açıklaması ve JSON şeması vardır; model hangi aracı ne zaman çağıracağına bu açıklamaya bakarak karar verir.İlgili: MCP sunucusuFonksiyon çağırmaAraç açıklaması enjeksiyonuAraç zehirlemeAI Agents Model Context Protocol
MCP göreviMCP TaskYerleşmekte: MCP'de uzun süren işleri temsil eden yapı: istemci işi başlatır, bağlantıyı açık tutmak zorunda kalmadan durumu yoklar ve sonucu alır. Deneysel çekirdek özelliğiyken 2026-07-28 sürümünde resmî bir uzantıya taşındı.MCP 2026-07-28 ile çekirdekten çıkıp io.modelcontextprotocol/tasks uzantısına taşındı (SEP-2663).İlgili: MCP uzantısıGörev yaşam döngüsüKalıcı yürütmeModel bağlam protokolüAI Agents MCP 2026-07-28 değişiklik günlüğü
MCP günlüklemeMCP LoggingKullanımdan kalktı: Sunucunun yapılandırılmış günlük mesajlarını istemciye protokol üzerinden göndermesi. Hata ayıklamayı kolaylaştırıyordu; yerini olağan gözlemlenebilirlik araçları aldı.MCP 2026-07-28 ile kullanımdan kaldırıldı (SEP-2577); yeni uygulamalarda kullanılmamalı.İlgili: MCP örneklemeMCP kökleriGözlemlenebilirlikAI Agents MCP 2026-07-28 değişiklik günlüğü
MCP istemcisiMCP Client: Model Context Protocol'de sunucuya bağlanan taraf; genellikle bir sohbet uygulaması ya da ajan çalışma zamanı içinde çalışır ve sunucunun sunduğu araç, kaynak ve istemleri modele taşır.İlgili: Model bağlam protokolüMCP sunucusuMCP taşımasıAI Agents Model Context Protocol
MCP istemiMCP Prompt: MCP sunucusunun sunduğu, kullanıcının seçebileceği hazır istem şablonu. Aracı model çağırır, istemi kullanıcı seçer — ayrım yetki modelinin temelidir.İlgili: MCP sunucusuİstem mühendisliğiMCP aracıAI Agents Model Context Protocol
MCP kaynağıMCP Resource: MCP sunucusunun okunmak üzere sunduğu veri parçası — bir dosya, kayıt ya da sorgu sonucu. Araçtan farkı yan etkisinin olmaması ve bağlamı beslemek için var olmasıdır.İlgili: MCP sunucusuMCP aracıBağlam derlemesiAI Agents Model Context Protocol
MCP kökleriMCP RootsKullanımdan kalktı: İstemcinin sunucuya hangi dosya sistemi sınırları içinde çalışabileceğini bildirmesi. Erişim kapsamını daraltmanın protokol içindeki yoluydu.MCP 2026-07-28 ile kullanımdan kaldırıldı (SEP-2577); yeni uygulamalarda kullanılmamalı.İlgili: MCP örneklemeMCP günlüklemeEn az yetki ilkesiAI Agents MCP 2026-07-28 değişiklik günlüğü
MCP örneklemeMCP SamplingKullanımdan kalktı: Sunucunun, istemcinin modelinden kendi adına metin üretmesini istemesine izin veren MCP özelliği. Sunucunun kendi model anahtarını taşımadan akıl yürütme kullanmasını sağlıyordu.MCP 2026-07-28 ile kullanımdan kaldırıldı (SEP-2577); en az on iki ay çalışmaya devam edecek, yeni uygulamalarda kullanılmamalı.İlgili: MCP sunucusuMCP kökleriMCP günlüklemeAI Agents MCP 2026-07-28 değişiklik günlüğü
MCP sunucu zehirlemeMCP Server Poisoning: Kötü niyetli ya da ele geçirilmiş bir MCP sunucusunun, bağlanan ajanları yanlış araç tanımları ve sahte sonuçlarla yönlendirmesi. Sunucu kurulumunun kaynağını doğrulamak temel önlemdir.İlgili: MCP sunucusuAraç açıklaması enjeksiyonuAjan tedarik zinciri saldırısıAraç zehirlemeAI Security
MCP sunucusuMCP Server: Bir sistemin yeteneklerini Model Context Protocol arayüzüyle dışarı açan program. Bir veritabanını, dosya sistemini ya da SaaS API'sini modelin çağırabileceği araçlara dönüştürür.İlgili: Model bağlam protokolüMCP istemcisiMCP aracıMCP sunucu zehirlemeAI Agents Model Context Protocol
MCP taşımasıMCP Transport: İstemci ile sunucu arasındaki mesajların hangi kanaldan aktığı: yerel süreçler için standart girdi/çıktı, uzak sunucular için akışlı HTTP.İlgili: Akışlı HTTPMCP istemcisiMCP sunucusuÇok turlu istekAI Agents Model Context Protocol
MCP uygulamasıMCP AppYerleşmekte: Sunucunun istemciye gönderdiği, kum havuzuna alınmış bir çerçevede çizilen etkileşimli HTML arayüz. Araç çıktısını düz metin olarak döndürmek yerine form, tablo ya da onay ekranı göstermeyi mümkün kılar.MCP 2026-07-28 ile yayımlanan iki resmî uzantıdan biri.İlgili: MCP uzantısıKum havuzuMCP sunucusuAI Agents MCP 2026-07-28 değişiklik günlüğü
MCP uzantısıMCP ExtensionYerleşmekte: Protokol çekirdeğine dokunmadan yeni yetenek eklemenin resmî yolu. 2026-07-28 sürümüyle gelen uzantı çerçevesi, çekirdeği küçük tutarken görevler ve arayüzler gibi özelliklerin ayrı sürümlenmesini sağlar.Uzantı çerçevesi MCP 2026-07-28 spesifikasyonuyla tanımlandı.İlgili: MCP göreviMCP uygulamasıModel bağlam protokolüAI Agents MCP 2026-07-28 değişiklik günlüğü
MCP yetkilendirmesiMCP Authorization: MCP sunucularının OAuth 2.1 temelli kimlik doğrulama ve yetkilendirme akışı. Hangi istemcinin hangi araca erişebileceğini belirler; 2026-07-28 sürümü bu katmanı sıkılaştırdı.İlgili: MCP sunucusuKapsamı daraltılmış kimlik bilgisiDinamik yetkilendirmeŞaşkın vekil sorunuAI Agents MCP 2026-07-28 değişiklik günlüğü
Metinden konuşmayaTTSText to Speech: Yazılı metni doğal duyulan konuşmaya çevirme.İlgili: Metinden sese üretimSesten sese modelNLP
Metinden sese üretimText-to-Audio: Yazılı tariften müzik, ortam sesi ya da efekt üreten modeller. Metni konuşmaya çeviren sentezden farkı, konuşma değil genel ses üretmesidir.İlgili: Metinden konuşmayaYayılım modeliSentetik medyaGenerative AI
Metinden videoyaText-to-Video: Yazılı bir tarifden hareketli görüntü üreten modeller. Görsel üretiminden farkı, kareler arası tutarlılığı ve fiziksel makullüğü korumak zorunda olmasıdır.İlgili: Görüntüden videoyaYayılım transformeriGizil yayılımDünya modeliGenerative AI
MLOps: Makine öğrenmesi modellerini üretime alma, izleme ve sürdürme disiplini.MLOps / LLMOps Atlas girdisi
Model bağlam protokolüMCPModel Context Protocol: Modellerin dış araç ve veri kaynaklarına standart bir arayüzle bağlanmasını sağlayan açık protokol.İlgili: MCP istemcisiMCP sunucusuMCP aracıMCP uzantısıAjanlar arası protokolAI Agents Atlas girdisi
Model birleştirmeModel Merging: Aynı temelden türemiş birden çok modelin tek bir modelde toplanması. Yeniden eğitim gerektirmeden farklı yeteneklerin bir araya getirilmesini sağlar.İlgili: Ağırlık birleştirmeKontrol noktası birleştirmeİnce ayarTopluluk öğrenmesiMachine Learning
Model çıkarımı saldırısıModel Inversion: Model çıktılarından eğitim verisindeki hassas bilgiyi geri çıkarmaya çalışan saldırı.AI Security
Model kademesiModel Tier: Aynı ailedeki modellerin yetenek ve fiyat açısından ayrıştığı basamaklar.Generative AI
Model kartıModel Card: Modelin amacı, eğitim verisi, performansı ve bilinen başarısızlıklarını özetleyen standart belge.İlgili: Veri kümesi kartıAlt sağlayıcıTeknik dokümantasyonResponsible AI
Model kayıt defteriModel Registry: Eğitilmiş model sürümlerinin künyesiyle saklandığı ve yayına alındığı merkezi depo.MLOps / LLMOps
Model sunumuModel Serving: Eğitilmiş bir modelin ağ üzerinden istek alıp cevap döndüren bir hizmete dönüştürülmesi: yükleme, toplu işleme, sıraya alma, ölçekleme ve gözlemlenebilirlik.İlgili: Çıkarım motoruOtomatik ölçeklemeSürekli toplu işlemÖn doldurma–çözümleme ayrımıAI Infrastructure
Model yargıçLLM as a Judge: Bir dil modelinin başka bir modelin çıktısını puanlaması; insan etiketine karşı kalibre edilmedikçe yanlılığı ölçekler.İlgili: Yargıç önyargısıKonum önyargısıİkili karşılaştırmalı değerlendirmeMLOps / LLMOps

N7 terim

N denemenin en iyisiBest-of-N Sampling: Aynı isteme N farklı cevap üretip bir ödül modeli ya da doğrulayıcıyla en iyisini seçme. Test zamanı hesaplamayı harcamanın en basit yolu; maliyeti N katına çıkarır.İlgili: Test zamanı hesaplamaKendi kendine tutarlılıkÖdül modeliDoğrulayıcıLarge Language Models
Naif BayesNaive Bayes: Özelliklerin birbirinden bağımsız olduğu varsayımıyla çalışan olasılıksal sınıflandırıcı.Machine Learning
Nesne tespitiObject Detection: Görüntüdeki nesneleri sınıflandırıp konumlarını sınırlayıcı kutularla işaretleme görevi.Computer Vision
NicemlemeQuantization: Ağırlıkları daha düşük sayısal hassasiyetle saklayarak bellek kullanımını düşürme; karşılığında bir miktar kalite kaybı olur.İlgili: Çıkarım motoruAI Infrastructure Atlas girdisi
Niyet çıkarımıIntent Detection: Kullanıcı ifadesinin hangi amaca yönelik olduğunu belirleme; konuşma arayüzlerinin temelidir.NLP
NormalizasyonNormalization: Değişkenleri karşılaştırılabilir ölçeğe getirme; eğitimin kararlılığını artırır.Deep Learning
Normalleştirilmiş indirgenmiş kümülatif kazançNDCGNormalized Discounted Cumulative Gain: Sonuçların hem ilgililik derecesini hem sırasını dikkate alan getirim ölçütü: üstteki isabet alttakinden daha çok sayılır. İkili değil dereceli ilgililik etiketi gerektirir.İlgili: k'da kesinlikOrtalama karşılıklı sıraYeniden sıralamaAltın veri kümesiMLOps / LLMOps

O8 terim

Onay kapısıApproval Gate: Ajanın belirli eylemleri (ödeme, silme, dışarıya mesaj) gerçekleştirmeden önce insan onayı beklediği durak. İnsanı döngüde tutmanın mimari karşılığıdır: yetki kaldırılmaz, tetiğe basma hakkı insanda kalır.İlgili: İnsan döngüdeAşırı yetkiEn az yetki ilkesiKalıcı yürütmeAI Agents
OntolojiOntology: Bir alandaki kavramların ve aralarındaki ilişkilerin biçimsel tanımı; bilgi grafiğinin şemasıdır.Artificial Intelligence
Optik karakter tanımaOCROptical Character Recognition: Görüntüdeki yazıyı makine tarafından okunabilir metne çevirme.Computer Vision
Oran sınırlamaRate Limiting: Belirli bir sürede kabul edilen istek sayısını sınırlayarak sistemi ve kotayı koruma.AI Infrastructure
Ortalama karşılıklı sıraMRRMean Reciprocal Rank: İlk doğru sonucun sırasının tersinin sorgular boyunca ortalaması. Tek bir doğru cevabın aranan olduğu durumlarda, o cevabın ne kadar üstte çıktığını ölçer.İlgili: k'da duyarlılıkNormalleştirilmiş indirgenmiş kümülatif kazançYeniden sıralamaMLOps / LLMOps
Ortalama kesinlikmAPMean Average Precision: Nesne tespiti modellerini farklı örtüşme eşiklerinde özetleyen ölçüt.Computer Vision
Otomasyon önyargısıAutomation Bias: İnsanın otomatik sistemin çıktısına gereğinden fazla güvenip kendi kontrolünü gevşetmesi eğilimi.İlgili: Yapay zekâ okuryazarlığıİnsan gözetimiResponsible AI
Otomatik ölçeklemeAutoscaling: Yüke göre kapasitenin otomatik artırılıp azaltılması.İlgili: Model sunumuEş zamanlı istekAI Infrastructure

Ö21 terim

Ödül hacklemesiReward Hacking: Modelin, hedeflenen davranışı değil ödül sinyalini en üst düzeye çıkaran bir kestirme bulması. Ödül modelinin zayıf noktasını sömüren cevaplar, ölçümde yüksek skor alırken kullanıcı için kötüleşir.İlgili: Şartname oyunuÖdül modeliHizalamaAjan davranış sapmasıResponsible AI
Ödül modeliReward Model: İnsan tercihleriyle eğitilmiş, bir cevaba ne kadar iyi olduğunu söyleyen skor veren model. İnsan geri bildirimiyle pekiştirmenin ana bileşeni; kendisi de öğrenilmiş olduğu için kendi hatalarını taşır.İlgili: İnsan geri bildirimiyle pekiştirmeSüreç ödül modeliTercih verisiÖdül hacklemesiMachine Learning
Öğrenme oranıLearning Rate: Her güncellemede ağırlıkların ne kadar değişeceğini belirleyen hiperparametre.Deep Learning
Ölçek yasalarıScaling Laws: Model boyutu, veri miktarı ve hesaplama bütçesi ile performans arasındaki düzenli ilişkiyi tarif eden ampirik bulgular.İlgili: Çıkarım zamanı ölçeklemeVeri karışımı optimizasyonuDeep Learning
Ölçüt tabanlı değerlendirmeRubric-Based Evaluation: Cevabın, önceden yazılmış açık ölçütlere göre madde madde puanlanması. "İyi mi?" sorusunu "kaynak verdi mi, adımları sıraladı mı, uyarıyı içerdi mi?" sorularına böler ve yargıyı tekrarlanabilir kılar.İlgili: Model yargıçİnsan değerlendirmesiAltın veri kümesiEtiketleme kılavuzuMLOps / LLMOps
Ön doldurmaPrefill: İstemin tamamının tek seferde işlenip anahtar-değer önbelleğinin kurulduğu aşama. Hesaplama yoğundur ve ilk tokena kadar geçen süreyi belirleyen kısımdır.İlgili: ÇözümlemeAnahtar–değer önbelleğiİlk tokena kadar süreÖnek önbelleğiAI Infrastructure
Ön doldurma–çözümleme ayrımıPrefill-Decode Disaggregation: İki aşamanın ayrı sunucu havuzlarında çalıştırılması. Farklı darboğazları olan iki işi aynı makinede toplamak, birinin diğerini bekletmesine yol açar; ayırmak her ikisini de bağımsız ölçeklenebilir kılar.İlgili: Ön doldurmaÇözümlemeModel sunumuSürekli toplu işlemAI Infrastructure
Ön eğitimPre-training: Modelin geniş bir veri kümesinde genel temsiller öğrendiği ilk ve en pahalı eğitim aşaması.İlgili: Ön eğitim derlemiEğitim sonrasıSürdürülen ön eğitimEğitim veri karışımıLarge Language Models
Ön eğitim derlemiPretraining Corpus: Modelin dilin istatistiğini öğrendiği, genellikle trilyonlarca token büyüklüğündeki ham metin kümesi. İçeriği ve filtrelemesi modelin bilgi kesim tarihini ve körlüklerini belirler.İlgili: Ön eğitimEğitim veri karışımıVeri kürasyonuBilgi kesim tarihiLarge Language Models
Önbellek isabet oranıCache Hit Rate: İsteklerin kaçının önbellekten karşılandığı. İstem ve önek önbelleğinde doğrudan maliyet ve gecikme demektir; isabet oranını artırmanın yolu genellikle istemi yeniden sıralamaktır.İlgili: Önek önbelleğiİstem önbelleğiGecikme bütçesiSistem istemiAI Infrastructure
Önek önbelleğiPrefix Caching: Birden çok isteğin paylaştığı baştaki bağlamın (sistem istemi, araç tanımları, belge) anahtar-değer önbelleğinin yeniden hesaplanmadan kullanılması. Uzun sistem istemlerinde ön doldurma maliyetini büyük ölçüde düşürür.İlgili: İstem önbelleğiAnahtar–değer önbelleğiÖn doldurmaÖnbellek isabet oranıAI Infrastructure
Önyargı–varyans dengesiBias–Variance Tradeoff: Modelin fazla basit olmasından gelen sistematik hata ile fazla karmaşık olmasından gelen kararsızlık arasındaki denge.Machine Learning
Örnek bölütlemeInstance Segmentation: Aynı sınıftan nesneleri birbirinden ayırarak piksel düzeyinde işaretleme.Computer Vision
Örneklem büyüklüğüSample Size: Bir ölçümün dayandığı örnek sayısı; belirtilmeyen bir skor yorumlanamaz.Data Science
Örneksiz öğrenmeZero-Shot Learning: Modelin hiç örnek görmeden yalnızca görev tarifiyle iş yapabilmesi.Large Language Models
ÖrtüşmeOverlap: Ardışık parçaların bir miktar ortak metin paylaşması; sınıra denk gelen bilginin kaybolmasını azaltır.İlgili: Ebeveyn–çocuk getirimiParçalamaLarge Language Models
Öz yansıtmaSelf-Reflection: Modelin kendi ürettiği cevabı eleştirip düzeltmesi. Dış bir doğrulayıcı olmadan yapıldığında sınırlıdır: model göremediği hatayı eleştiremez.İlgili: YansıtmaReflexionDoğrulayıcıKendi kendine tutarlılıkLarge Language Models
Özellik bayrağıFeature Flag: Bir özelliği kod dağıtmadan açıp kapatmayı sağlayan anahtar.MLOps / LLMOps
Özellik deposuFeature Store: Eğitimde ve üretimde aynı özellik tanımlarının kullanılmasını sağlayan merkezi depo.MLOps / LLMOps
Özellik mühendisliğiFeature Engineering: Ham veriden modelin öğrenmesini kolaylaştıran değişkenler türetme işi.İlgili: Veri kürasyonuMachine Learning
ÖzetlemeSummarization: Uzun metinden kısa ve bilgi taşıyan bir sürüm üretme; çıkarımsal ve üretimsel biçimleri vardır.İlgili: Bağlam sıkıştırmaBellek pekiştirmeNLP

P10 terim

ParametreParameter: Eğitim sırasında öğrenilen ağırlık değeri; model büyüklüğü genellikle parametre sayısıyla anılır.İlgili: Ağırlık birleştirmeDeep Learning
Parametre verimli ince ayarPEFTParameter-Efficient Fine-Tuning: Modelin tüm ağırlıklarını değil küçük bir alt kümesini güncelleyerek uyarlama yapan yöntemler ailesi.Large Language Models
ParçalamaChunking: Belgeyi dizine girecek boyutta parçalara ayırma; geri getirme kalitesinin en belirleyici adımıdır.İlgili: Bağlamsal getirimEbeveyn–çocuk getirimiÇok vektörlü getirimLarge Language Models Atlas girdisi
Pekiştirmeli öğrenmeRLReinforcement Learning: Ajanın ortamla etkileşerek aldığı ödül sinyaline göre davranış politikası öğrendiği paradigma.İlgili: Doğrulanabilir ödülle pekiştirmeGrup görece politika optimizasyonuÖdül modeliMachine Learning
Pilot tuzağıPilot Purgatory: Kurumun çok sayıda denemeyi başlatıp hiçbirini üretime alamadığı durum; en sık nedeni veri ve yönetişim hazırlığının eksikliğidir.Artificial Intelligence
Piyasa gözetimiMarket Surveillance: Yetkili makamların piyasadaki sistemleri denetleme, belge isteme ve gerektiğinde geri çekme yetkisi. Yasanın kâğıt üzerinde kalmasını engelleyen uygulama ayağıdır.İlgili: Uygunluk değerlendirmesiYapay zekâ olay bildirimiAB Yapay Zekâ YasasıTeknik dokümantasyonResponsible AI AB Yapay Zekâ Yasası
Piyasaya arz sonrası izlemePost-Market Monitoring: Sistem yayına çıktıktan sonra gerçek kullanımdaki davranışının sağlayıcı tarafından planlı biçimde izlenmesi. Uygunluk bir defalık bir kapı değil, süren bir yükümlülüktür.İlgili: Ciddi olayYapay zekâ olay bildirimiKavram kaymasıUygunluk değerlendirmesiResponsible AI AB Yapay Zekâ Yasası
PlanlamaPlanning: Ajanın hedefi alt görevlere bölüp sırasını belirlemesi.İlgili: Sorgu ayrıştırmaDünya modeliYönetici ajanAI Agents
Poz tahminiPose Estimation: İnsan ya da nesnenin eklem noktalarının konumunu görüntüden çıkarma.Computer Vision
Prosedürel bellekProcedural Memory: Bir işin nasıl yapılacağının ajanda saklanan hâli: adım dizileri, araç kullanım kalıpları, işe yarayan istem parçaları. Ne bildiğini değil, nasıl yaptığını taşır.İlgili: Semantik bellekAjan becerisiEpizodik bellekAI Agents

R11 terim

Rastgele ormanRandom Forest: Çok sayıda karar ağacının tahminlerini birleştirerek varyansı düşüren topluluk yöntemi.Machine Learning
Reflexion: Başarısız bir denemeden çıkarılan dersin metin olarak belleğe yazılıp sonraki denemeye eklendiği ajan yöntemi. Model ağırlıkları değişmez; öğrenme bağlamda birikir.İlgili: Öz yansıtmaYansıtmaEpizodik bellekAjan iziLarge Language Models
RegresyonRegression: Girdiden sürekli sayısal bir değer tahmin etme görevi.Machine Learning
Regresyon değerlendirmesiRegression Evaluation: Yeni sürümün, önceki sürümde geçen örneklerde gerileyip gerilemediğinin sınanması. Ortalama skor yükselirken belirli bir müşteri senaryosunun bozulması ancak böyle görülür.İlgili: Regresyon testiÇevrimdışı değerlendirmeAltın veri kümesiDeğerlendirme koşum takımıMLOps / LLMOps
Regresyon testiRegression Test: Yeni bir sürümün daha önce çalışan davranışı bozmadığını doğrulayan test.İlgili: Regresyon değerlendirmesiMLOps / LLMOps
Risk sınıflandırmasıRisk Classification: Bir sistemin kullanım amacına göre kabul edilemez, yüksek, sınırlı veya minimal risk sınıfına yerleştirilmesi.İlgili: Sistemik riskUygunluk değerlendirmesiResponsible AI
Risk yönetim sistemiRisk Management System: Yüksek riskli sistemin yaşam döngüsü boyunca risklerinin belirlenip azaltıldığı, belgelenmiş ve sürekli işleyen süreç. Bir defalık rapor değil, güncellenen bir yönetim döngüsüdür.İlgili: Yüksek riskli sistemUygunluk değerlendirmesiTeknik dokümantasyonSistemik riskResponsible AI AB Yapay Zekâ Yasası
Robot öğrenmesiRobot Learning: Robot davranışının elle programlanmak yerine veriden öğrenilmesi. Verinin gerçek dünyada toplanmasının pahalı olması, alanın temel kısıtıdır.İlgili: Taklitle öğrenmeSimülasyondan gerçeğeRobot temel modeliUzaktan kumandaRobotics
Robot temel modeliRobot Foundation Model: Çok sayıda robot, görev ve ortamdan toplanan veriyle önceden eğitilen, yeni göreve az örnekle uyarlanabilen model. Her görev için sıfırdan politika eğitme zorunluluğunu kaldırmayı hedefler.İlgili: Görsel-dil-eylem modeliTemel modelRobot öğrenmesiManipülasyon politikasıRobotics
RobotikRobotics: Fiziksel dünyada algılayan ve hareket eden sistemlerin tasarımı ve denetimi.İlgili: Fiziksel yapay zekâRobot öğrenmesiİnsansı robotDünya modeliRobotics
ROC eğrisiROC Curve: Eşik değiştikçe doğru ve yanlış pozitif oranlarının nasıl değiştiğini gösteren eğri.MLOps / LLMOps

S39 terim

SadakatFaithfulness: Cevabın, dayandığı kaynağı çarpıtmadan aktarması. Kaynağa dayalılık bağın var olup olmadığını sorar; sadakat o bağın doğru kurulup kurulmadığını.İlgili: Kaynağa dayalılıkAlıntı doğrulamaHalüsinasyonMLOps / LLMOps
Sağlayıcı bağımlılığıVendor Lock-in: Bir sağlayıcıdan ayrılmanın maliyetinin, kalmayı zorunlu kılacak kadar yükselmesi.AI Infrastructure
Saklama politikasıRetention Policy: Bir veri türünün ne kadar süre saklanıp sonra ne yapılacağını belirleyen kural.İlgili: Bellek tahliyesiData Science
Sayfalanmış dikkatPagedAttention: Anahtar-değer önbelleğinin, işletim sistemlerindeki sanal bellek gibi sabit boyutlu bloklarda tutulması. Bellek parçalanmasını ortadan kaldırarak aynı donanımda çok daha fazla eşzamanlı isteğe yer açar.İlgili: Anahtar–değer önbelleğiÇıkarım motoruEş zamanlı istekSürekli toplu işlemAI Infrastructure
Semantik bellekSemantic Memory: Ajanın olaylardan soyutlanmış bilgisi: kullanıcının tercihleri, alanın gerçekleri, kurumun kuralları. Tekil bir etkileşime değil, birçoğundan çıkarılmış genellemeye dayanır.İlgili: Epizodik bellekProsedürel bellekBellek pekiştirmeBilgi grafiğiAI Agents
Sembolik yapay zekâSymbolic AI: Bilgiyi açık kurallar ve sembollerle temsil eden, veriden öğrenmek yerine mantıksal çıkarım yapan klasik yaklaşım.Artificial Intelligence
Sentetik içerik işaretiContent Provenance: Bir içeriğin yapay üretildiğini makine tarafından okunabilir biçimde belirten üstveri veya filigran.İlgili: C2PAİçerik kimlik bilgileriDijital kökenYapay zekâ üretimi etiketiResponsible AI
Sentetik medyaSynthetic Media: Tümüyle ya da kısmen algoritmayla üretilmiş görüntü, ses ve video. Derin kurgudan farkı yansız bir terim olması: aldatma amacı taşımayan üretim de bu kümededir.İlgili: Derin kurguYapay zekâ üretimi etiketiGörünmez filigranMetinden videoyaResponsible AI
Sentetik tercih verisiSynthetic Preference Data: Tercih etiketlerinin insan yerine bir model tarafından üretilmesi. Ölçeklemeyi mümkün kılar; etiketleyen modelin körlükleri eğitilen modele aynen geçtiği için insan doğrulamasıyla birlikte kullanılır.İlgili: Tercih verisiYapay zekâ geri bildirimiyle pekiştirmeSentetik veriModel yargıçMachine Learning
Sentetik veriSynthetic Data: Gerçek veriyi taklit eden, model veya simülasyonla üretilmiş veri; gizlilik ve veri kıtlığı sorunlarında kullanılır.İlgili: Sentetik tercih verisiTalimat verisiVeri kürasyonuData Science
Ses etkinliği algılamaVADVoice Activity Detection: Kayıtta konuşma olan ve olmayan bölümleri ayırt etme; gerçek zamanlı sistemlerde tur yönetimini sağlar.NLP
Ses klonlamaVoice Cloning: Bir kişinin sesini kısa örneklerden taklit edebilen sentez; rıza ve kimlik doğrulama açısından yüksek riskli sayılır.AI Security
Ses-dil modeliAudio-Language Model: Sesi dil modelinin anlayabileceği temsile çeviren ve ses üzerine akıl yürütebilen model. Konuşma tanımadan farkı, yalnızca sözcükleri değil konuşanın kim olduğunu ve arka plandaki sesleri de kavraması.İlgili: Sesten sese modelVideo-dil modeliÇok modlu modelKonuşmacı ayırmaGenerative AI
Sesten sese modelSpeech-to-Speech Model: Konuşmayı metne çevirmeden doğrudan işleyip yine ses olarak cevap üreten model. Aradaki yazıya çevirme adımı kalktığı için gecikme düşer, tonlama ve duraklama gibi bilgiler korunur.İlgili: Ses-dil modeliKonuşma tanımaMetinden konuşmayaSözün kesilmesiGenerative AI
Seyrek getirimSparse Retrieval: Kelime sıklığına dayalı, yüksek boyutlu ve çoğu sıfır olan vektörlerle arama. Ürün kodu, hata mesajı ve özel ad gibi tam eşleşme gerektiren sorgularda yoğun getirimden üstündür.İlgili: Yoğun getirimSözcüksel aramaHibrit aramaSeyrek gömmeLarge Language Models
Seyrek gömmeSparse Embedding: Boyutları kelimelere karşılık gelen, çoğu bileşeni sıfır olan öğrenilmiş vektör. Kelime tabanlı aramanın yorumlanabilirliğiyle sinir ağının anlam genişletmesini birleştirir.İlgili: Seyrek getirimGömmeHibrit aramaTers dizinLarge Language Models
SeyreltmeDropout: Eğitim sırasında nöronların rastgele bir kısmını devre dışı bırakarak aşırı uyumu azaltan düzenlileştirme yöntemi.Deep Learning
SıcaklıkTemperature: Çıktı örneklemesindeki rastgeleliği belirleyen parametre; düşük değer kararlı, yüksek değer çeşitli sonuç verir.Large Language Models
SınıflandırmaClassification: Girdiyi önceden tanımlı sonlu bir kategori kümesinden birine atama görevi.Machine Learning
Sınırlayıcı kutuBounding Box: Görüntüde bir nesnenin konumunu tanımlayan dikdörtgen.Computer Vision
Simülasyondan gerçeğeSim-to-Real: Simülasyonda öğrenilen davranışın gerçek donanıma aktarılması ve arada oluşan başarım farkı.İlgili: Gerçekten simülasyonaHareket politikasıDünya modeliRobotics
Sistem envanteriAI Inventory: Kurumda kullanılan ve geliştirilen tüm yapay zekâ sistemlerinin amaç, veri ve sahip bilgisiyle kaydı.İlgili: Ajan kayıt diziniYapay zekâ olay bildirimiResponsible AI
Sistem istemiSystem Prompt: Modelin rolünü ve sınırlarını belirleyen, konuşmanın başında verilen talimat; güvenlik sınırı değil öneridir.İlgili: Bağlam derlemesiÖnek önbelleğiBağlam bütçesiLarge Language Models
Sistem kartıSystem Card: Bir modelin yetenekleri, sınırları ve değerlendirme sonuçlarını sağlayıcının yayımladığı belge.Responsible AI
Sistemik riskSystemic Risk: Tek bir kullanıcıyı değil, toplumun ya da ekonominin bütününü etkileyebilecek ölçekteki risk. En gelişkin genel amaçlı modellere ek yükümlülük getirilmesinin gerekçesidir.İlgili: Sistemik riskli genel amaçlı modelRisk sınıflandırmasıRisk yönetim sistemiResponsible AI AB Yapay Zekâ Yasası
Sistemik riskli genel amaçlı modelGPAI Model with Systemic Risk: AB Yapay Zekâ Yasası'nda, yetenekleri ya da erişimi nedeniyle birlik düzeyinde risk taşıdığı kabul edilen genel amaçlı modeller. Sağlayıcıları model değerlendirmesi, çekişmeli test, olay bildirimi ve siber güvenlik yükümlülükleri taşır.İlgili: Genel amaçlı yapay zekâ modeliSistemik riskAB Yapay Zekâ YasasıKırmızı takımResponsible AI AB Yapay Zekâ Yasası
Soğuk başlangıçCold Start: Boşta duran bir hizmetin ilk isteğe yanıt verebilmesi için gereken hazırlık gecikmesi.AI Infrastructure
Sonuç denetimiOutcome Supervision: Modeli yalnızca nihai cevabın doğruluğuyla eğitme yaklaşımı. Ucuzdur ve otomatikleştirilebilir; karşılığında model, yanlış akıl yürütmeyle doğru cevaba varmayı da öğrenebilir.İlgili: Süreç denetimiDoğrulanabilir ödülle pekiştirmeÖdül hacklemesiMachine Learning
Sorgu ayrıştırmaQuery Decomposition: Birden çok bilgi parçası gerektiren bir sorunun bağımsız alt sorgulara bölünmesi. Tek bir gömme vektörünün temsil edemeyeceği bileşik soruların getiriminde belirleyicidir.İlgili: Sorgu yeniden yazmaSorgu genişletmeAjan tabanlı RAGPlanlamaLarge Language Models
Sorgu genişletmeQuery Expansion: Kullanıcı sorgusunu eş anlamlı veya ilgili terimlerle zenginleştirerek geri getirme kapsamını artırma.İlgili: Sorgu ayrıştırmaVarsayımsal belge gömülmesiLarge Language Models
Sorgu yeniden yazmaQuery Rewriting: Konuşma bağlamına göre eksik ya da belirsiz sorguyu tek başına anlaşılır hâle getirme.İlgili: Sorgu ayrıştırmaVarsayımsal belge gömülmesiDüzeltici RAGLarge Language Models
Sorumlu yapay zekâResponsible AI: Teknik başarıyı etik, hukuki ve toplumsal sorumlulukla birlikte ele alan yaklaşım.Responsible AI Atlas girdisi
Sözcüksel aramaLexical Search: Sorgudaki kelimelerin belgede geçmesine dayanan klasik arama; kod, ürün numarası ve özel adlarda anlamsal aramadan üstündür.İlgili: Seyrek getirimSeyrek gömmeLarge Language Models
Sözün kesilmesiBarge-in: Kullanıcının sistem konuşurken araya girmesi ve sistemin buna doğru tepki vermesi.İlgili: Gerçek zamanlı çok modlu modelSesten sese modelNLP
Spekülatif çözümlemeSpeculative Decoding: Küçük bir modelin ürettiği adayları büyük modelin doğrulaması; çıktı kalitesini korurken hızı artırır.İlgili: ÇözümlemeÇıktı tokenı başına süreAI Infrastructure
Sürdürülen ön eğitimContinued Pretraining: Hazır bir modelin ön eğitimine yeni veriyle devam edilmesi. İnce ayardan farkı, görev öğretmek yerine modelin bilgi tabanını genişletmesidir.İlgili: Alana uyarlanmış ön eğitimÖn eğitimİnce ayarFelaket unutmaLarge Language Models
Süreç denetimiProcess Supervision: Modeli, çözüme giden adımların doğruluğu üzerinden eğitme yaklaşımı. Etiketlemesi pahalıdır ama ödül sinyali daha yoğun olduğu için akıl yürütmeyi sonuç denetiminden daha güvenilir geliştirir.İlgili: Sonuç denetimiSüreç ödül modeliDüşünce zinciriVeri etiketlemeMachine Learning
Süreç ödül modeliPRMProcess Reward Model: Yalnızca nihai cevabı değil, akıl yürütmenin her adımını puanlayan ödül modeli. Doğru cevaba yanlış yoldan varan çözümleri ayırt edebilmesi, uzun zincirli akıl yürütmede belirleyicidir.İlgili: Ödül modeliSüreç denetimiSonuç denetimiDüşünce zinciriMachine Learning
Sürekli toplu işlemContinuous Batching: Tamamlanan istekler çıkarken yenilerini aynı yığına alarak hızlandırıcı boşta kalmasını azaltan teknik.İlgili: Eş zamanlı istekÖn doldurma–çözümleme ayrımıAI Infrastructure

Ş7 terim

Şartname oyunuSpecification Gaming: Sistemin, verilen hedefin harfine uyup ruhunu ıskalaması. Ödül hacklemesinin daha geniş hâli: sorun modelin kötü öğrenmesi değil, hedefin eksik yazılmış olmasıdır.İlgili: Ödül hacklemesiHizalamaAjan davranış sapmasıResponsible AI
Şaşkın vekil sorunuConfused Deputy Problem: Yetkili bir bileşenin, yetkisiz bir tarafın isteğini kendi yetkisiyle yerine getirmesi. Ajan mimarisinin yapısal açığıdır: ajan hem kullanıcı adına hareket eder hem de dışarıdan gelen metni talimat sayabilir.İlgili: Dolaylı istem enjeksiyonuAjan kimliğiDinamik yetkilendirmeMCP yetkilendirmesiAI Security
ŞaşkınlıkPerplexity: Bir dil modelinin metni ne kadar iyi öngördüğünü ölçen değer; düşük olması modelin metne daha az şaşırdığını gösterir.NLP
Şeffaflık yükümlülüğüTransparency Obligation: Kullanıcının bir yapay zekâ sistemiyle etkileşimde olduğunun ve içeriğin yapay üretildiğinin bildirilmesi zorunluluğu.İlgili: Yapay zekâ beyanıYapay zekâ üretimi etiketiİçerik kimlik bilgileriResponsible AI
Şema doğrulamaSchema Validation: Model çıktısının beklenen yapıya uyup uymadığının program tarafından denetlenmesi.İlgili: Araç çağırma doğruluğuDoğrulayıcıLarge Language Models
Şema evrimiSchema Evolution: Veri yapısının zamanla değişmesinin denetimli biçimde yönetilmesi.Data Science
Şema sözleşmesiData Contract: Veriyi üreten ve tüketen taraflar arasında alan adı, tipi ve anlamı üzerine yapılan açık anlaşma.Data Science

T26 terim

Taklitle öğrenmeImitation Learning: Ajanın uzman gösterimlerini izleyerek davranış öğrenmesi.İlgili: Davranış klonlamaUzaktan kumandaEylem parçalamaRobotics
Takma adlaştırmaPseudonymization: Kimlik bilgisinin yerine geri döndürülebilir bir takma değer koyma; anonimleştirmeden farklıdır.AI Security
Talimat ayarıInstruction Tuning: Modeli, talimat biçimindeki istemlere uygun yanıt verecek şekilde eğitme aşaması.İlgili: Talimat verisiEğitim sonrasıSürdürülen ön eğitimLarge Language Models
Talimat verisiInstruction Data: Görev tarifi ve beklenen cevaptan oluşan eğitim örnekleri. Ham metinle önceden eğitilmiş bir modeli, istekleri anlayıp yerine getiren bir asistana çeviren veri türü.İlgili: Talimat ayarıEğitim sonrasıTercih verisiSentetik veriMachine Learning
TazelikFreshness: Verinin kaynaktaki değişimi ne kadar gecikmeyle yansıttığı.Data Science
Tek sıcak kodlamaOne-Hot Encoding: Kategorik bir değişkeni, yalnızca bir konumu 1 olan ikili vektörle temsil etme.Machine Learning
Teknik dokümantasyonTechnical Documentation: Sistemin amacı, verisi, sınırları ve değerlendirmesini denetlenebilir biçimde kayda geçiren dosya.İlgili: Veri kümesi kartıUygunluk değerlendirmesiModel kartıResponsible AI
Tekrarlayan sinir ağıRNNRecurrent Neural Network: Dizideki her adımda önceki adımın durumunu taşıyan, transformer öncesi sıralı veri mimarisi.Deep Learning
Temel haklar etki değerlendirmesiFRIAFundamental Rights Impact Assessment: Belirli uygulayıcıların, yüksek riskli bir sistemi kullanmadan önce etkilenecek kişiler ve haklar üzerindeki etkisini değerlendirmesi. Veri koruma etki değerlendirmesinin yanında durur, yerine geçmez.İlgili: Yapay zekâ uygulayıcısıYüksek riskli sistemAlt grup analiziAdillik ölçütleriResponsible AI AB Yapay Zekâ Yasası
Temel modelFoundation Model: Geniş ve çeşitli veriyle ön eğitilmiş, çok sayıda göreve uyarlanabilen büyük ölçekli model.İlgili: Robot temel modeliEğitim sonrasıGenerative AI
Tensör işlem birimiTPUTensor Processing Unit: Yapay sinir ağı işlemleri için özel olarak tasarlanmış hızlandırıcı.AI Infrastructure
Tensör paralelliğiTensor Parallelism: Tek bir katmanın ağırlık matrislerinin birden çok hızlandırıcıya bölünmesi. Tek karta sığmayan modelleri çalıştırır; karşılığında her adımda yoğun kartlar arası iletişim gerektirir.İlgili: Boru hattı paralelliğiUzman paralelliğiBağlam paralelliğiHızlandırıcıAI Infrastructure
Tercih verisiPreference Data: Aynı isteme verilen iki cevaptan hangisinin daha iyi olduğunu söyleyen etiketli çiftler. Ödül modelinin ve doğrudan tercih optimizasyonunun girdisi; modelin üslubunu ve değerlerini bu veri belirler.İlgili: Ödül modeliDoğrudan tercih optimizasyonuSentetik tercih verisiİkili karşılaştırmalı değerlendirmeMachine Learning
Ters dizinInverted Index: Her terimin hangi belgelerde geçtiğini tutan yapı; sözcüksel aramanın temel veri yapısıdır.İlgili: Seyrek getirimSeyrek gömmeAI Infrastructure
Test kümesiTest Set: Model seçimi tamamlandıktan sonra yalnızca bir kez değerlendirme için kullanılan veri bölümü.Machine Learning
Test zamanı hesaplamaTest-Time Compute: Model niteliğinin eğitim sırasında değil, cevap üretilirken harcanan hesaplamayla artırılması: daha uzun düşünmek, birden çok aday üretip seçmek, ara adımları doğrulamak. Ölçeklemenin ikinci ekseni.İlgili: Çıkarım zamanı ölçeklemeAkıl yürütme modeliDüşünme bütçesiN denemenin en iyisiLarge Language Models
Token: Metnin modele giren en küçük birimi; bir kelimenin tamamı, parçası ya da tek bir karakter olabilir.Large Language Models
TokenleştirmeTokenization: Metni modelin işleyebileceği token dizisine bölme işlemi; bağlam bütçesi ve maliyet bu birimle ölçülür.Large Language Models Atlas girdisi
Toplam sahip olma maliyetiTCOTotal Cost of Ownership: Bir sistemin kurulum, işletme, bakım ve çıkış maliyetlerinin tamamı.İlgili: Başarılı görev başına maliyetArtificial Intelligence
Toplu işlemBatching: Birden çok isteği birlikte işleyerek donanım verimini artırma; karşılığında tek istek gecikmesi büyür.AI Infrastructure
Topluluk öğrenmesiEnsemble Learning: Birden çok modelin tahminini birleştirerek tek modelden daha kararlı sonuç elde etme yaklaşımı.İlgili: Model birleştirmeN denemenin en iyisiMachine Learning
Transfer öğrenmeTransfer Learning: Bir görevde öğrenilen temsillerin başka bir göreve başlangıç noktası olarak taşınması.İlgili: Alana uyarlanmış ön eğitimMachine Learning
Transformer: Dikkat mekanizmasına dayanan, diziyi paralel işleyebilen ve bugünkü dil modellerinin temelini oluşturan mimari.Deep Learning Atlas girdisi
Turing testiTuring Test: Bir makinenin yazılı konuşmada insandan ayırt edilip edilemediğini ölçmeyi öneren düşünce deneyi.Artificial Intelligence
Türkçe büyük–küçük harf tuzağıTurkish Dotted I Problem: Türkçede noktalı ve noktasız i harflerinin büyük–küçük karşılıklarının farklı olması; yerel ayara bırakılan dönüşümler hatalı sonuç üretir.NLP
Türkçe tokenleştirmeTurkish Tokenization: Türkçe metnin token birimlerine bölünmesi; yaygın tokenleştiriciler Türkçeyi İngilizceden daha çok parçaya böler.NLP

U13 terim

Uç cihazda çıkarımEdge Inference: Modelin sunucu yerine kullanıcı cihazında çalıştırılması; gizlilik ve gecikme kazandırır, kapasiteyi sınırlar.AI Infrastructure
Unutulma hakkıRight to Erasure: Kişinin verisinin silinmesini talep etme hakkı; modele girmiş veride uygulaması teknik olarak zordur.Responsible AI
Uyarlanabilir RAGAdaptive RAG: Sorunun zorluğuna göre getirim stratejisini değiştiren yaklaşım: basit soruya doğrudan cevap, orta zorluktakine tek adımlı getirim, karmaşığına çok adımlı arama. Maliyet ile isabet arasında dinamik denge kurar.İlgili: Ajan tabanlı RAGDüzeltici RAGYönlendirmeSorgu ayrıştırmaLarge Language Models
Uygunluk değerlendirmesiConformity Assessment: Yüksek riskli bir sistemin, piyasaya sürülmeden önce yasal gerekleri karşıladığının kanıtlanması süreci. Kimi durumda sağlayıcının kendi beyanı, kimi durumda bağımsız bir kuruluşun denetimiyle yapılır.İlgili: Yüksek riskli sistemTeknik dokümantasyonRisk yönetim sistemiPiyasa gözetimiResponsible AI AB Yapay Zekâ Yasası
Uzaktan kumandaTeleoperation: Robotun bir insan tarafından uzaktan yönetilmesi. Hem devreye alma aşamasında güvenlik ağıdır hem de taklitle öğrenmenin eğitim verisini üreten başlıca yöntemdir.İlgili: Taklitle öğrenmeDavranış klonlamaİnsan döngüdeRobot öğrenmesiRobotics
Uzamsal akıl yürütmeSpatial Reasoning: Nesnelerin konumu, yönelimi ve aralarındaki geometrik ilişkiler üzerine çıkarım yapma. Dil modellerinin belirgin biçimde zayıf olduğu ve fiziksel yapay zekânın zorunlu kıldığı yetenek.İlgili: Dünya modeliGörü tabanlı kontrolVideo-dil modeliGörsel-dil-eylem modeliRobotics
Uzman paralelliğiExpert Parallelism: Uzmanlar karışımı modellerinde farklı uzmanların farklı cihazlara dağıtılması. Ölçeklemenin doğal yolu; token dağılımı dengesizse bazı cihazlar boş kalırken bazıları tıkanır.İlgili: Uzmanlar karışımıUzman yük dengelemeTensör paralelliğiBoru hattı paralelliğiAI Infrastructure
Uzman sistemExpert System: Bir alandaki uzman bilgisini kural tabanına kodlayarak karar üreten, sembolik yapay zekânın en yaygın ticari uygulaması olmuş sistem türü.Artificial Intelligence
Uzman yük dengelemeExpert Load Balancing: Uzmanlar karışımı modellerinde tokenların uzmanlara dengeli dağıtılması. Dengesizlik hem eğitimde bazı uzmanların hiç öğrenmemesine hem çıkarımda cihazların atıl kalmasına yol açar.İlgili: Uzmanlar karışımıUzman paralelliğiYönlendirmeGPU kullanım oranıAI Infrastructure
Uzmanlar karışımıMoEMixture of Experts: Her girdi için modelin yalnızca bir alt kümesinin çalıştığı mimari; parametre sayısını çalışma maliyetinden ayırır.İlgili: Uzman paralelliğiUzman yük dengelemeDeep Learning Atlas girdisi
Uzun bağlamlı modelLong-Context Model: Yüz binlerce ya da milyonlarca token alabilen model. Pencerenin büyüklüğü, o pencerenin her yerinin eşit iyi kullanıldığı anlamına gelmez.İlgili: Bağlam penceresiBağlam kaybıBağlam kullanımıBağlam bozulmasıLarge Language Models
Uzun kısa süreli bellekLSTMLong Short-Term Memory: Uzun dizilerde bilgiyi kapılarla koruyarak tekrarlayan ağların unutma sorununu azaltan mimari.Deep Learning
Uzun süreli bellekLong-Term Memory: Oturumlar arasında kalıcı olan ajan belleği. Bağlam penceresinden bağımsız bir depoda durur ve gerektiğinde getirilerek bağlama eklenir.İlgili: Kısa süreli bellekBellek deposuBellek getirimiAjan belleğiAI Agents

Ü3 terim

Üretken yapay zekâGenAIGenerative AI: Var olan veriden yeni metin, görsel, ses veya kod üreten model ailesi.İlgili: Yerel çok modlu modelAkış eşleştirmeYayılım transformeriMetinden videoyaGenerative AI Atlas girdisi
Üstveri süzmeMetadata Filtering: Vektör aramasının, tarih, dil, erişim izni ya da kaynak türü gibi alanlarla önceden daraltılması. Yetki denetiminin getirim katmanındaki karşılığıdır: kullanıcının göremeyeceği belge aday kümesine hiç girmez.İlgili: Vektör veritabanıEn az yetki ilkesiHibrit aramaBağlamsal getirimLarge Language Models
Üyelik çıkarımıMembership Inference: Belirli bir kaydın modelin eğitim verisinde bulunup bulunmadığını tespit etmeye çalışan saldırı.AI Security

V24 terim

Varsayımsal belge gömülmesiHyDEHypothetical Document Embeddings: Sorguyu doğrudan aramak yerine, modele o soruya verilecek varsayımsal bir cevap yazdırıp onun gömmesiyle arama yapmak. Soru ile belge dili arasındaki uçurumu kapatır.İlgili: Sorgu genişletmeYoğun getirimGömmeSorgu yeniden yazmaLarge Language Models
Varyasyonel otokodlayıcıVAEVariational Autoencoder: Veriyi olasılıksal bir gizli uzaya kodlayıp oradan yeniden üreten model.Generative AI
Vektör veritabanıVector Database: Gömme vektörlerini saklayan ve aralarında en yakın komşu araması yapan veri deposu.İlgili: Üstveri süzmeBellek deposuÇok vektörlü getirimAI Infrastructure Atlas girdisi
Veri ambarıData Warehouse: Sorgulanmak üzere yapılandırılmış, şemalı analitik veri deposu.Data Science
Veri artırmaData Augmentation: Var olan örneklerden dönüşümlerle yeni eğitim örnekleri üreterek veri çeşitliliğini artırma.Machine Learning
Veri etiketlemeData Labeling: Eğitim verisine doğru cevapların elle işaretlenmesi; kalitesi modelin tavanını belirler.İlgili: Tercih verisiSüreç denetimiData Science
Veri gölüData Lake: Ham ve yapılandırılmamış veriyi olduğu gibi ucuza saklayan depo.Data Science
Veri hattıData Pipeline: Veriyi çekme, dönüştürme ve hedefe yazma adımlarının zincirlenmiş hâli.Data Science
Veri kalitesiData Quality: Verinin eksiksizlik, doğruluk, tutarlılık ve tazelik açısından kullanıma uygunluğu.İlgili: Veri kürasyonuVeri tekilleştirmeData Science
Veri karışımı optimizasyonuData Mixture Optimization: Kaynak oranlarının sezgiyle değil, küçük ölçekli denemelerle ve ölçek yasalarıyla seçilmesi. Büyük bir eğitimi başlatmadan önce karışımın sonucunu kestirmeyi hedefler.İlgili: Eğitim veri karışımıÖlçek yasalarıVeri kürasyonuMachine Learning
Veri kökeniData Lineage: Bir verinin hangi kaynaklardan türediğini ve nerelere aktığını gösteren kayıt.İlgili: Veri menşeiVeri kürasyonuVeri yönetişimiData Science
Veri kümesi kartıDataset Card: Bir veri kümesinin nasıl toplandığını, neyi temsil ettiğini, bilinen önyargılarını ve kullanım sınırlarını anlatan belge. Model kartının veri tarafındaki karşılığı.İlgili: Model kartıVeri menşeiVeri yönetişimiTeknik dokümantasyonResponsible AI
Veri kürasyonuData Curation: Eğitim verisinin toplanması değil, seçilmesi: neyin alınacağı, neyin eleneceği, hangi oranda karıştırılacağı. Model niteliğinde mimariden daha belirleyici olduğu çok sayıda çalışmada gösterildi.İlgili: Veri tekilleştirmeEğitim veri karışımıVeri kalitesiÖn eğitim derlemiData Science
Veri menşeiData Provenance: Bir veri kümesinin nereden geldiği, hangi lisansla kullanıldığı ve kimin ürettiği. Veri kökeninden farkı: köken verinin sistem içindeki dönüşüm yolunu, menşe ise kaynağını ve hukuki durumunu izler.İlgili: Veri kökeniEğitim verisi telifiVeri kümesi kartıDijital kökenData Science
Veri minimizasyonuData Minimization: Amaç için gereken en az veriyi toplama ve saklama ilkesi.Responsible AI
Veri mühendisliğiData Engineering: Veriyi kaynağından kullanıma güvenilir, izlenebilir ve zamanında taşıyan hatları kurma disiplini.Data Science
Veri sınıflandırmaData Classification: Verinin hassasiyet düzeyine göre etiketlenmesi; erişim ve saklama kararlarının temelidir.Data Science
Veri sızıntısıData Leakage: Modelin eğitim sırasında gerçek kullanımda erişemeyeceği bilgiyi görmesi; sonucu gerçekçi olmayacak kadar iyi gösterir.İlgili: Değerlendirme sızıntısıVeri tekilleştirmeMachine Learning
Veri sızmasıData Exfiltration: Hassas verinin sistem çıktısı üzerinden dışarı taşınması.İlgili: Araç ele geçirmeKimlik bilgisi sızıntısıAjan ele geçirmeAI Security
Veri tekilleştirmeData Deduplication: Eğitim derleminde yinelenen ya da birbirine çok benzeyen belgelerin ayıklanması. Ezberlemeyi azaltır, aynı hesapla daha iyi genelleme sağlar ve değerlendirme sızıntısı riskini düşürür.İlgili: Veri kürasyonuDeğerlendirme sızıntısıKıyaslama kirlenmesiVeri kalitesiData Science
Veri yönetişimiData Governance: Verinin hangi amaçla, kim tarafından ve ne kadar süreyle kullanılabileceğini belirleyen kurallar bütünü.İlgili: Veri menşeiVeri kümesi kartıData Science
Veri zehirlemeData Poisoning: Eğitim veya geri getirme verisine kasıtlı olarak bozuk kayıt sokarak model davranışını etkileme saldırısı.İlgili: Bellek zehirlemeAjan tedarik zinciri saldırısıAI Security
VerimThroughput: Birim zamanda işlenen istek veya token sayısı; gecikmeyle çelişen bir hedeftir.İlgili: Eş zamanlı istekGPU kullanım oranıAI Infrastructure
Video-dil modeliVideo-Language Model: Video karelerini zaman boyutuyla birlikte işleyip içeriği hakkında soru cevaplayabilen model. Tek kareye bakan görsel-dil modelinden farkı, hareketi ve olay sırasını kavraması.İlgili: Görsel-dil modeliSes-dil modeliÇapraz modlu getirimUzamsal akıl yürütmeGenerative AI

Y34 terim

Yaklaşık en yakın komşuANNApproximate Nearest Neighbor: Tam arama yerine küçük bir doğruluk ödünüyle çok daha hızlı komşu bulan algoritma ailesi.İlgili: Yoğun getirimÇok vektörlü getirimAI Infrastructure
Yanlış negatifFalse Negative: Var olduğu hâlde yok denen durum; kaçırılan vaka.MLOps / LLMOps
Yanlış pozitifFalse Positive: Olmadığı hâlde var denen durum; yanlış alarm.MLOps / LLMOps
YansıtmaReflection: Ajanın kendi çıktısını değerlendirip düzeltmesi; hata oranını düşürebilir ama tur sayısını ve maliyeti artırır.İlgili: Öz yansıtmaReflexionAI Agents
Yapay sinir ağıNNNeural Network: Ağırlıklı bağlantılarla birbirine bağlı katmanlardan oluşan, veriden fonksiyon öğrenen hesaplama yapısı.Deep Learning Atlas girdisi
Yapay zekâAIArtificial Intelligence: İnsan zekâsı gerektiren görevleri makinelerle yerine getirmeyi amaçlayan bilgisayar bilimi alanı.Artificial Intelligence Atlas girdisi
Yapay zekâ ajanıAI Agent: Hedef verildiğinde adımların sırasını kendi kuran, araç çağırarak iş yapan sistem.İlgili: Ajan tabanlı yapay zekâAjan çalışma zamanıAjan iziAjan kimliğiAI Agents Atlas girdisi
Yapay zekâ beyan bildirimiAI Disclosure AssertionYerleşmekte: C2PA manifestosu içinde yapay zekâ kullanımını makine okunur biçimde taşıyan alan: hangi model, hangi alanda ve ne ölçüde insan gözetimiyle. İkili bir "yapay zekâ ürünü" etiketinden çok daha ayrıntılıdır.c2pa.ai-disclosure bildirimi, Nisan 2026'da yayımlanan C2PA 2.4 spesifikasyonuyla geldi.İlgili: C2PAYapay zekâ beyanıİçerik kimlik bilgileriŞeffaflık yükümlülüğüResponsible AI C2PA teknik spesifikasyonu
Yapay zekâ beyanıAI Disclosure: Bir içeriğin üretiminde yapay zekânın rolünün açıkça bildirilmesi. AB Yapay Zekâ Yasası'nın şeffaflık yükümlülüğü, bu bildirimin makine okunur olmasını da arar.İlgili: Yapay zekâ beyan bildirimiŞeffaflık yükümlülüğüİçerik kimlik bilgileriYapay zekâ üretimi etiketiResponsible AI
Yapay zekâ geri bildirimiyle pekiştirmeRLAIFReinforcement Learning from AI Feedback: Tercih etiketlerinin insan yerine bir model tarafından üretildiği hizalama yöntemi. Ölçeklenebilir ve ucuzdur; etiketleyen modelin önyargıları doğrudan eğitilen modele geçer.İlgili: İnsan geri bildirimiyle pekiştirmeAnayasal yapay zekâSentetik tercih verisiModel yargıçResponsible AI
Yapay zekâ okuryazarlığıAI Literacy: Sistemleri geliştiren ve kullanan personelin, teknolojinin yeteneklerini ve sınırlarını yeterince anlaması. AB Yapay Zekâ Yasası bunu tavsiye değil, sağlayıcı ve uygulayıcılar için yükümlülük olarak düzenler.İlgili: Yapay zekâ uygulayıcısıOtomasyon önyargısıİnsan gözetimiResponsible AI AB Yapay Zekâ Yasası
Yapay zekâ olay bildirimiAI Incident Reporting: Ciddi olayların ve arızaların yetkili makamlara belirlenen sürede bildirilmesi. Kurum içi olay yönetiminden farkı, bildirimin dışarıya ve yasal takvime bağlı olmasıdır.İlgili: Ciddi olayPiyasaya arz sonrası izlemePiyasa gözetimiResponsible AI AB Yapay Zekâ Yasası
Yapay zekâ olgunluğuAI Maturity: Bir kurumun veri, yetenek, süreç ve yönetişim açısından yapay zekâyı sürdürebilir biçimde kullanma düzeyi.Artificial Intelligence
Yapay zekâ sağlayıcısıAI Provider: Bir yapay zekâ sistemini geliştirip kendi adı altında piyasaya süren taraf. Yükümlülüklerin ağırlığı bu rolde toplanır; bir sistemi satın alıp kendi markasıyla sunmak da kişiyi sağlayıcı yapar.İlgili: Yapay zekâ uygulayıcısıAlt sağlayıcıUygunluk değerlendirmesiAB Yapay Zekâ YasasıResponsible AI AB Yapay Zekâ Yasası
Yapay zekâ stratejisiAI Strategy: Kurumun yapay zekâyı hangi sorunlarda, hangi sırayla ve hangi ölçütle kullanacağını belirleyen plan.Artificial Intelligence
Yapay zekâ uygulayıcısıAI Deployer: Bir yapay zekâ sistemini kendi yetkisi altında kullanan kurum ya da kişi. Geliştirmese de insan gözetimi sağlamak, kullanım amacına uymak ve çalışanlarını bilgilendirmekle yükümlüdür.İlgili: Yapay zekâ sağlayıcısıİnsan gözetimiTemel haklar etki değerlendirmesiYapay zekâ okuryazarlığıResponsible AI AB Yapay Zekâ Yasası
Yapay zekâ üretimi etiketiAI-Generated Content Label: Kullanıcıya gösterilen "bu içerik yapay zekâ ile üretildi" işareti. Etiketin güvenilir olması, arkasında doğrulanabilir bir köken kaydının bulunmasına bağlıdır; aksi hâlde kolayca kaldırılır.İlgili: Yapay zekâ beyanıİçerik kimlik bilgileriSentetik medyaŞeffaflık yükümlülüğüResponsible AI
Yapılandırılmış çıktıStructured Output: Modelin serbest metin yerine belirli bir şemaya uyan veri üretmesi; program tarafından güvenle ayrıştırılabilir.İlgili: İç içe üretimAraç çağırma doğruluğuLarge Language Models
Yargıç önyargısıJudge Bias: Değerlendirici modelin içeriğin niteliğinden bağımsız eğilimleri: uzun cevabı, kendi ailesinden modelin çıktısını ya da kendinden emin üslubu üstün görmesi.İlgili: Model yargıçKonum önyargısıİnsan değerlendirmesiİkili karşılaştırmalı değerlendirmeMLOps / LLMOps
Yarı denetimli öğrenmeSemi-Supervised Learning: Az sayıda etiketli örneği çok sayıda etiketsiz örnekle birlikte kullanan eğitim yaklaşımı.Machine Learning
Yatırımın geri dönüşüROIReturn on Investment: Bir yatırımın sağladığı kazancın maliyetine oranı; yapay zekâ projelerinde kazanılan zamanla ölçülmesi yaygındır.Artificial Intelligence
Yayılım modeliDiffusion Model: Gürültüden başlayıp adım adım gürültüyü kaldırarak görüntü üreten üretken model ailesi.İlgili: Gizil yayılımYayılım transformeriAkış eşleştirmeGenerative AI
Yayılım transformeriDiTDiffusion Transformer: Yayılım modellerinde evrişimli omurga yerine transformer kullanan mimari. Ölçekleme davranışı dil modellerininkine benzediği için güncel görsel ve video üretiminin temeli hâline geldi.İlgili: Yayılım modeliGizil yayılımTransformerÖlçek yasalarıGenerative AI
Yeniden sıralamaReranking: Arama adımından dönen adayların, sorgu ve belgeyi birlikte okuyan daha maliyetli bir modelle yeniden puanlanması.İlgili: Karşılıklı sıra birleşimiGeç etkileşimNormalleştirilmiş indirgenmiş kümülatif kazançLarge Language Models Atlas girdisi
Yerel çok modlu modelNative Multimodal Model: Metin, görüntü ve sesi ayrı modelleri birbirine bağlayarak değil, baştan tek bir mimaride birlikte öğrenen model. Modaliteler arası ilişkiyi dönüştürme kaybı olmadan kurabilmesi başlıca farkıdır.İlgili: Çok modlu modelÇok modlu gömmeİç içe üretimGerçek zamanlı çok modlu modelGenerative AI
Yetenek denetimiCapability Control: Ajanın erişebileceği araç ve eylem kümesinin açıkça sınırlandırılması. "Ne yapmamalı" diye talimat vermek yerine, yapamayacak biçimde kurmak.İlgili: Aşırı yetkiEn az yetki ilkesiÇalışma zamanı koruma katmanıKum havuzuAI Security
Yetki yükseltmePrivilege Escalation: Bir bileşenin başlangıçtaki izinlerinin ötesine geçmesi. Ajan sistemlerinde zincirleme olur: düşük yetkili bir ajan, yüksek yetkili bir ajana görev devrederek sınırı dolanır.İlgili: Aşırı yetkiEn az yetki ilkesiGörev devriİnsan olmayan kimlikAI Security
Yığın boyutuBatch Size: Bir ağırlık güncellemesinde işlenen örnek sayısı; bellek kullanımını ve eğitim kararlılığını etkiler.Deep Learning
Yoğun getirimDense Retrieval: Sorgu ve belgelerin sinir ağı gömmelerine çevrilip vektör benzerliğiyle eşleştirilmesi. Eş anlamlıyı yakalar, tam terim eşleşmesinde seyrek getirime göre zayıftır.İlgili: Seyrek getirimHibrit aramaGömmeYaklaşık en yakın komşuLarge Language Models
YorumlanabilirlikInterpretability: Modelin bir karara neden vardığının insan tarafından anlaşılabilmesi.Responsible AI
Yönetici ajanSupervisor Agent: Alt ajanlara görev dağıtan, sonuçlarını toplayan ve genel planı elinde tutan üst düzey ajan. Çok ajanlı sistemlerde en yaygın topolojidir; alternatifi ajanların eşler arası konuşmasıdır.İlgili: Alt ajanAjan orkestrasyonuÇok ajanlı sistemPlanlamaAI Agents
YönlendirmeRouting: Gelen isteği zorluğuna göre farklı model kademelerine dağıtarak maliyeti düşüren strateji.İlgili: Uyarlanabilir RAGUzman yük dengelemeAI Infrastructure
Yüksek riskli sistemHigh-Risk System: Temel haklara ya da güvenliğe etki edebilecek kullanım alanlarındaki sistem; ek dokümantasyon ve gözetim yükümlülüğü taşır.İlgili: Uygunluk değerlendirmesiRisk yönetim sistemiTemel haklar etki değerlendirmesiPiyasaya arz sonrası izlemeResponsible AI
Yüz tanımaFace Recognition: Bir yüzü kayıtlı kimliklerle eşleştirme; biyometrik veri olduğu için düzenlemeye tabidir.Computer Vision

Sık sorulan sorular

Sözlük ile AI Atlas arasındaki fark nedir?

Sözlük tek satırlık tanım verir: bir terimi duyup ne olduğunu öğrenmek istediğinizde bakılacak yer. Atlas ise kavramı açar — nasıl çalıştığı, hangi ödünleşimleri getirdiği, nerede yanlış kullanıldığı ve kaynakları. Bu yüzden sözlükteki her terimin Atlas girdisi yoktur; olanlar terimin yanındaki bağlantıdan erişilir.

Terimlerin İngilizce karşılığı neden veriliyor?

Bu alanın literatürü İngilizce üretiliyor ve okurun karşılaştığı biçim çoğunlukla İngilizce oluyor. Türkçe karşılığı vermek yeterli değil: okurun "embedding" diye gördüğü şeyin "gömme" olduğunu bilmesi gerekiyor. İki biçimi birlikte vermek, terimi hem anlamayı hem literatürde izlemeyi mümkün kılar.

Her terimin kendi sayfası neden yok?

Tek satırlık bir tanım için ayrı bir adres açmak, birbirine çok benzeyen yüzlerce ince sayfa üretir. Bu sayfalar okura bir şey kazandırmaz, yalnızca arama sonuçlarını doldurur. Derinlik gerektiren bir terim Atlas girdisine taşınır; sözlük de o zaman ona bağlanır.

Türkçe karşılıklar nasıl seçiliyor?

Ölçüt yaygın kullanım. Alanda yerleşmiş bir Türkçe karşılık varsa o kullanılır; yoksa İngilizce biçim korunur ve açıklaması Türkçe verilir. Zorlama çeviri üretmek, terimi tanınmaz hâle getirip okurun literatürle bağını koparır.

"Yerleşmekte" ve "kullanımdan kalktı" etiketleri ne anlama geliyor?

"Yerleşmekte", terimin alanda kullanıldığını ama tanımının henüz oturmadığını gösterir — bugün yazılan tanım bir yıl sonra dar kalabilir. "Kullanımdan kalktı" ise terimin karşılığı olan özelliğin ya da yaklaşımın resmen geçersiz sayıldığını söyler; örneğin bir protokol sürümüyle bir özellik kaldırıldığında. Her iki etiket de gerekçesiyle birlikte verilir, gerekçesi olmayan etiket basılmaz.

Kullanımdan kalkmış terimler neden siliniyor değil?

Çünkü okur onlarla karşılaşmaya devam ediyor: eski dokümantasyonda, mevcut kod tabanında, bir yıl önce yazılmış blog yazısında. Terimi silmek okuru cevapsız bırakır. Kalması ve "artık kullanılmıyor, yerine şu geldi" demesi, hem soruyu cevaplar hem de doğru yöne çevirir.

Terimler ne sıklıkta güncelleniyor?

Sözlük sabit bir takvimle değil, alan değiştikçe güncelleniyor. Bir protokol sürümü bir özelliği kaldırdığında ya da yeni bir kavram literatürde tutunduğunda ilgili girdiler düzeltilir. İçerik değişmeden tarih güncellenmez; tazelik izlenimi vermek için yapılan güncelleme yanıltıcıdır.

Sözlükteki tanımlar alıntılanabilir mi?

Evet. Tanımlar bu amaçla, kendi başına tam ve kaynak gerektirmeyen cümleler olarak yazılıyor. Alıntılarken kanonik adresin (sinaptiklab.com/sozluk/) ve terimin çapasının (#terim-<slug>) verilmesi yeterlidir.