🎯 İleri Seviye · Ders 1

Bilgisayar Yardımcısı Nedir?

Temel kavramlar: Yapay zekayı tanımlamak, büyüden ve insan düşüncesinden ayırt etmek.

Bir makine ile bir program arasındaki gerçek fark nedir?

1997 yılında IBM'in Deep Blue bilgisayarı, satranç dünya şampiyonu Garry Kasparov'u altı oyunluk bir maçta 3,5–2,5 yenerek tarihe geçti. Kasparov, maç sonrası "makinenin insan gibi sezgiyle oynadığını" iddia etti. Ancak araştırmacılar, Deep Blue'nun herhangi bir "sezgi" kullanmadığını; saniyede 200 milyon pozisyonu değerlendiren kural tabanlı bir arama ağacı çalıştırdığını belgeledi. Satranç tahtasındaki büyü yoktu — yalnızca inanılmaz hızlı hesaplama vardı. Bu ayrım, yapay zekanın ne olduğunu anlamak için kritik öneme sahiptir.

Bilgisayar Programı ile Yapay Zeka Arasındaki Fark

Geleneksel bir bilgisayar programı, geliştiricinin önceden yazdığı kurallara göre çalışır. Bir kural varsa uygular; yoksa durur. Bu programlar son derece güvenilirdir çünkü her koşulda ne yapacakları bellidir. Ancak öğrenmezler: yeni bir durumla karşılaştıklarında eski kurallarını değiştiremezler.

Yapay zeka (YZ) ise farklı bir yaklaşımı benimser. Kural yazmak yerine, büyük miktarda veriden örüntüler (pattern) öğrenir. Bir spam filtresini düşünün: geleneksel program "şu kelimeler varsa spam say" kuralıyla çalışır; YZ tabanlı filtre ise milyonlarca e-postayı inceleyerek spam'in nasıl göründüğünü kendisi çıkarır ve yeni spam biçimlerine uyum sağlar.

Yapay Zeka Büyü Değildir

Deep Blue örneği bize önemli bir ders verir: bir makinenin olağanüstü performans sergilemesi, onun "düşündüğü" anlamına gelmez. YZ sistemleri, matematiksel işlemler gerçekleştiren yazılımlardır. Bu işlemler çok karmaşık olabilir, ancak temelde veriyi dönüştürmekten ibarettir.

Temel Tanım

Yapay zeka; deneyimden öğrenebilen, kalıpları tanıyabilen ve insan müdahalesi olmaksızın kararlar üretebilen yazılım sistemlerinin genel adıdır. Ancak bu öğrenme, biyolojik bir zihnin çalışmasından temelden farklıdır.

Bir YZ sistemi çıktı ürettiğinde, bu çıktı arka planda çalışan matematiksel fonksiyonların sonucudur. Sisteme "sihirli" görünen, onun büyük veriyi insanın aklının kavrayamayacağı hızda işleyebilmesidir — anlama kapasitesi değil.

İnsan Düşüncesiyle Farklar

İnsan beyninin öğrenmesi ile makine öğrenimi arasında köklü farklar vardır. İnsan, birkaç örnekten genelleme yapabilir: bir çocuk iki-üç köpek gördükten sonra köpeği tanımayı öğrenir. Bir YZ modeli ise aynı kalite düzeyine ulaşmak için on binlerce, hatta milyonlarca görüntüye ihtiyaç duyabilir.

İnsanlar bağlamı ve anlamı kavrar; YZ sistemleri istatistiksel korelasyonlar (birlikte görülme örüntüleri) üretir.
İnsanlar az veriyle yeni duruma uyum sağlar; çoğu YZ modeli dağılım kayması (distribution shift) karşısında bozulur.
İnsanların bilinçli deneyimleri vardır; YZ sistemlerinin "içsel deneyim" sahibi olduğuna dair hiçbir bilimsel kanıt bulunmamaktadır.
İnsanlar soru sorar, merak eder; YZ sistemleri yalnızca verilen girdiye yanıt üretir.

1. Deep Blue, 1997'de Kasparov'u hangi temel yöntemle yendi?

✓ Doğru! Deep Blue kural tabanlı bir sistemdi; anlama ya da sezgi değil, hız ve hesaplama gücü kullanıyordu.

✗ Yanlış. Deep Blue, sezgi ya da anlama kullanmıyordu; saniyede 200 milyon pozisyonu tarayan kural tabanlı bir arama algoritması çalıştırıyordu.

2. Geleneksel bir bilgisayar programı ile yapay zeka arasındaki temel fark nedir?

✓ Doğru! Temel fark öğrenme kapasitesidir: geleneksel program sabit kurallara dayanır, YZ veriden yeni örüntüler çıkarır.

✗ Yanlış. Fark donanım hızı ya da bağlantı biçimi değil, öğrenme yaklaşımıdır. YZ veriyi işleyerek kurallara kendisi ulaşır.

3. İnsan öğrenmesiyle makine öğrenmesi arasındaki en önemli farklardan biri hangisidir?

✓ Doğru! Az örnekten öğrenme (few-shot learning) insanın güçlü yönlerinden biridir; çoğu YZ sistemi bu konuda hâlâ insanın gerisindedir.

✗ Yanlış. İnsanlar son derece iyi hesap yapar ve dil sınırlaması yoktur. Doğru fark, öğrenmek için gereken örnek miktarındadır.

🧪 Lab 1: YZ mi, Program mı?

Bu laboratuvarda, yapay zeka ile geleneksel yazılım arasındaki farkı keşfedeceksiniz. Aşağıdaki YZ asistanı size bir soru soracak; yanıtlarınız üzerinden kavramı birlikte derinleştireceksiniz.

Asistanın açılış sorusunu okuyun ve düşüncelerinizi paylaşın.
En az 3 yanıt vererek tartışmayı ileri taşıyın.
Deep Blue örneğini ya da farklı bir gerçek YZ uygulamasını analiz etmeye çalışın.

Öneri: "Deep Blue bir yapay zeka mıydı? Onu modern bir yapay zeka modelinden ayıran nedir?"

🤖 YZ Asistanı — Lab 1 Konu: YZ Tanımı

🎯 İleri Seviye · Ders 2

Dünyamızdaki YZ Araçları

Gerçek YZ uygulamaları: öneri sistemlerinden tıbbi görüntü analizine.

Hangi sektörde YZ en büyük dönüşümü yarattı?

2012 yılında Google'ın X Lab'ı, "Google Brain" projesi kapsamında 16.000 CPU kullanarak bir sinir ağını yalnızca YouTube videolarından eğitti. Ağa hiçbir etiket verilmedi. Sonuç çarpıcıydı: model, herhangi bir insan yönlendirmesi olmaksızın "kedi" kavramını keşfetti. Bu, YZ'nin büyük veriyi gözetimsiz olarak işleyebildiğinin ilk büyük ölçekli kanıtıydı ve derin öğrenme (deep learning) çağını fiilen başlattı. Google, bu araştırmayı 2012 yılında yayımladı; bugün YouTube'un içerik öneri motoru aynı mimarinin devamından türemektedir.

Öneri Sistemleri

Netflix, 2009 yılında "Netflix Prize" yarışmasını düzenledi: kullanıcı film önerilerini %10 iyileştirecek algoritmayı geliştiren ekibe 1 milyon dolar ödül verilecekti. BellKor's Pragmatic Chaos ekibi bu ödülü kazandı. Bugün Netflix'in öneri motoru, kullanıcı seyretme sürelerini, duraklatma noktalarını ve benzer profillerin tercihlerini bir arada değerlendirerek her kullanıcıya ayrı bir "kişisel katalog" sunar. Şirket, bu sistemin yıllık 1 milyar doların üzerinde kayıptan kurtardığını açıkladı.

Türkiye'den bir örnek: Trendyol'un ürün öneri motoru, kullanıcıların sepet geçmişi ve göz atma davranışları üzerinden gerçek zamanlı kişiselleştirme uygular. Bu sistem doğrudan satış dönüşüm oranlarını etkiler.

Tıbbi Görüntü Analizi

2017 yılında Stanford Üniversitesi'nden araştırmacılar, 129.450 klinik görüntü üzerinde eğittikleri bir derin öğrenme modelinin deri kanseri tespitinde dermatologlarla karşılaştırılabilir doğruluk elde ettiğini Nature dergisinde yayımladı. Model, 21 alanında uzman dermatologun katıldığı testlerde benzer hassasiyet (sensitivity) ve özgüllük (specificity) değerleri gösterdi. Ancak araştırmacılar bir sınırı da açıkça belirtti: model, fotoğrafta bulunmayan bağlamsal bilgiyi (hastanın yaşı, cilt altı doku yapısı) değerlendiremiyordu.

Kritik Not

YZ araçlarının klinik ortamda kullanımı, etkinliklerinin bilimsel olarak doğrulanmasını gerektirir. Tek bir akademik sonuç, klinik dağıtım için yeterli değildir.

Dil, Ses ve Görüntü Uygulamaları

2016 yılında Google, makine çevirisi altyapısını kural tabanlı sistemden Sinir Ağı Makine Çevirisi'ne (Neural Machine Translation — NMT) geçirdi. Tek bir gecede çeviri kalitesindeki iyileşme, önceki on yıldaki tüm kümülatif iyileşmeden büyüktü. Benzer dönüşümler konuşma tanımada da yaşandı: Baidu'nun 2015'te yayımladığı Deep Speech 2 modeli, belli koşullarda gürültülü ortamlarda insanı geride bıraktı.

Tıbbi görüntüleme: Google DeepMind'ın 2018 tarihli göz hastalığı tespiti (Moorfields Eye Hospital iş birliği)
Tarımsal tahmin: Microsoft'un FarmBeats projesi, sensör ve YZ kombinasyonuyla mahsul verimini optimize eder
İklim modelleme: DeepMind'ın GraphCast modeli, 10 günlük hava tahminini geleneksel modellerden daha hızlı üretir

1. Google Brain'in 2012 kedi deneyi neden önemliydi?

✓ Doğru! Gözetimsiz öğrenmeyle (unsupervised learning) kavram keşfi, derin öğrenme alanında dönüm noktasıydı.

✗ Yanlış. Deneyin önemi, insan etiketlemesi olmaksızın milyonlarca görüntüden "kedi" kavramının ortaya çıkmasıydı.

2. Stanford'un 2017 deri kanseri çalışmasında YZ modelinin temel sınırlılığı neydi?

✓ Doğru! YZ görüntü verisini analiz etti; ancak klinisyenin kullandığı bağlamsal bilgiye erişimi yoktu.

✗ Yanlış. Sınırlılık, fotoğraf dışında kalan klinik bağlamın modelin kapsamı dışında kalmasıydı.

3. Google'ın 2016'da makine çevirisini NMT'ye geçirmesinin sonucu ne oldu?

✓ Doğru! Bu dramatik sıçrama, derin öğrenme mimarilerinin dil görevlerindeki gücünü gözler önüne serdi.

✗ Yanlış. Değişim çarpıcıydı: tek gecelik geçiş, on yıllık kümülatif ilerlemeyi aştı.

🧪 Lab 2: YZ Nerede Kullanılıyor?

Bu laboratuvarda, günlük hayatınızda ya da çalıştığınız sektörde hangi YZ uygulamalarının mevcut olduğunu keşfedeceksiniz.

Asistanın size yönelteceği soruyu yanıtlayın.
Kendi deneyimlerinizden veya okuduklarınızdan somut örnekler verin.
En az 3 mesaj alışverişi yaparak tartışmayı derinleştirin.

Öneri: "Trendyol, Netflix veya Google Çeviri'nin öneri motorlarından birini seçin ve bunun hayatınıza katkısını analiz edin."

🤖 YZ Asistanı — Lab 2 Konu: YZ Uygulamaları

🎯 İleri Seviye · Ders 3

YZ Bazen Yanılır

Halüsinasyon, önyargı ve dağılım kayması: YZ hatalarının gerçek boyutları.

Bir YZ hatası ne zaman basit bir bug olmaktan çıkar?

2018 yılında Amazon, işe alım süreçlerini otomatize etmek amacıyla geliştirdiği YZ sistemini sessiz sedasız hizmetten çekti. Reuters'ın haberine göre sistem, son on yılda işe alınan çalışanların özgeçmişlerini analiz ederek öğrenmişti. Ancak bu veriler, teknoloji sektöründeki tarihi cinsiyet dengesizliğini yansıtıyordu. Sistem, "yönetmek" (managed) veya "yürütmek" (execute) gibi fiillerin kadın başvurularında daha az geçtiğini fark etmiş; iki yıllık bir eğitim boyunca kadın adaylara sistematik olarak daha düşük puan vermişti. Amazon sistemi kullanıma sokmadan iptal etti; ancak bu olay, eğitim verisindeki önyargının model çıktısına nasıl yansıyabileceğinin kritik örneği oldu.

Önyargı: Veriden Modele Geçen Hata

Amazon vakası, YZ hatalarının en tehlikeli biçimini gözler önüne serer: önyargı (bias). Model teknik olarak doğru çalışıyordu — geçmiş verideki örüntüyü mükemmel biçimde öğrendi. Sorun, geçmiş verinin kendisinin önyargılı olmasıydı. Model, "bu tür insanlar tarihte işe alındı" örüntüsünü, "bu tür insanları işe almalıyız" kuralına dönüştürdü.

Tanım: Veri Önyargısı

Eğitim verisi toplumsal eşitsizlikleri, tarihi ayrımcılıkları veya örnekleme hatalarını içerdiğinde, model bu hataları bir "kural" olarak öğrenir ve yeni kararlarında uygular.

Halüsinasyon: Olgusal Olmayan Çıktılar

2023 yılında ABD'de görülen Mata v. Avianca davasında iki avukat, içtihat araştırması için ChatGPT kullandı. ChatGPT, hiç var olmayan mahkeme kararlarını — gerçekçi görünen case numaraları ve atıflarla birlikte — üretip sundu. Federal hâkim, avukatları 5.000 dolar ceza ile cezalandırdı. Bu olay, büyük dil modellerinin (LLM) "halüsinasyon" adı verilen davranışını kamuoyuna taşıdı: modeller, yüksek güvenle tamamen yanlış ya da uydurma bilgi üretebilir.

Halüsinasyon, bir yazılım hatası değil; dil modellerinin çalışma biçiminin doğasında bulunan bir özelliktir. Model, dil kalıplarını taklit ederek çıktı üretir — gerçek dünya doğrulaması yapmaz.

Dağılım Kayması ve Kapsam Dışı Durumlar

2020'de ABD genelinde kullanılan Optum'un hasta risk skorlama algoritması, ırksal ayrımcılık içerdiği gerekçesiyle incelemeye alındı. Science dergisinde yayımlanan araştırma, sistemin siyahi hastaları, aynı hastalık yüküne sahip beyaz hastalarla karşılaştırıldığında yaklaşık %36 daha az riskli olarak sınıflandırdığını ortaya koydu. Sorun, algoritmanın "gelecekteki sağlık harcaması" değişkenini kullandığıydı — bu değişken tarihi erişim eşitsizliklerini yansıtıyordu.

Modeller, eğitildikleri veri dağılımından sapan durumlarda beklenmedik biçimde başarısız olur.
Performans ölçütleri ortalama başarıyı gösterir; kenar vakaları (edge cases) gizlenebilir.
Yüksek riskli alanlarda (tıp, hukuk, finans) YZ hatalarının insan denetiminden geçirilmesi zorunludur.

1. Amazon'un işe alım YZ'si neden hizmetten çekildi?

✓ Doğru! Model, sektördeki tarihi önyargıyı öğrendi ve bunu "doğru kriter" olarak uyguladı.

✗ Yanlış. Teknik bir hız sorunu değildi; problem, modelin önyargılı tarihsel veriyi kural olarak benimsemesiydi.

2. Mata v. Avianca davasında ne tür bir YZ hatası yaşandı?

✓ Doğru! Bu "halüsinasyon" örneğidir: LLM dil kalıplarına dayanarak var olmayan olgular üretir.

✗ Yanlış. Sorun çeviri ya da bağlantı değildi; ChatGPT tamamen uydurma mahkeme kararları üretti.

3. Optum'un hasta risk algoritmasındaki sorunun kaynağı neydi?

✓ Doğru! Sağlık harcaması bir proxy (vekil değişken) olarak kullanıldı; ancak bu değişken erişim eşitsizliklerini içeriyordu.

✗ Yanlış. Sorun yaş ya da coğrafya değildi; problem, proxy değişkenin toplumsal eşitsizlikleri yansıtmasıydı.

🧪 Lab 3: Hatayı Tespit Et

Bu laboratuvarda YZ hatalarını kategorize etmeyi ve gerçek vakalar üzerinde analiz yapmayı öğreneceksiniz.

Asistanın sorusunu yanıtlayın.
Amazon, Optum veya Avianca vakalarından birini seçerek hatayı sınıflandırın: Önyargı mı? Halüsinasyon mu? Dağılım kayması mı?
En az 3 yanıt vererek analizi derinleştirin.

Öneri: "Bir YZ sisteminin halüsinasyon ürettiğini tespit etmek için hangi yöntemleri kullanırsınız?"

🤖 YZ Asistanı — Lab 3 Konu: YZ Hataları

🎯 İleri Seviye · Ders 4

YZ Nasıl Öğrenir?

Makine öğrenmesinin üç biçimi: gözetimli, gözetimsiz ve pekiştirmeli öğrenme.

Bir makine etiket olmadan kavram öğrenebilir mi?

2016 yılında DeepMind'ın AlphaGo sistemi, Go oyunu dünya şampiyonu Lee Sedol'u 4-1 yendi. AlphaGo'nun çekirdeğinde, ne bir insan tarafından kodlanmış strateji kitabı ne de kural seti bulunuyordu. Sistem, milyonlarca amatör oyun üzerinde eğitilerek sonra kendi kendine oynadı — pekiştirmeli öğrenme (reinforcement learning) ile her galibiyetten puan kazandı, her yenilgiden puan kaybetti. Özellikle 37. hamle: hiçbir insan ustanın yapmayacağı bu hamle, insan değerlendirmesine göre "hata" görünüyordu; ancak oyunun gidişatını sonunda AlphaGo lehine döndürdü. Sistem, insan eğitmenlerin öğretemeyeceği bir strateji geliştirmişti.

Gözetimli Öğrenme

Gözetimli öğrenmede (supervised learning) her eğitim örneği bir girdi-çıktı çiftiyle etiketlenmiştir. Model, girdi ile doğru etiket arasındaki ilişkiyi öğrenir. Eğitim süresince modelin çıktısı ile doğru etiket arasındaki fark (kayıp — loss) hesaplanır ve geri yayılım (backpropagation) algoritmasıyla model parametreleri güncellenir.

Örnek

100.000 e-postanın her birine "spam" veya "spam değil" etiketi yapıştırılmış. Model bu çiftlerden öğrenerek yeni e-postaları sınıflandırır. Etiket kalitesi, model kalitesini doğrudan belirler.

Gözetimsiz Öğrenme

Gözetimsiz öğrenmede (unsupervised learning) etiket yoktur. Model, ham veriden yapıları kendisi keşfeder. Google Brain'in kedi deneyi buna örnektir: YouTube videolarından insan müdahalesi olmadan kavram kümesi oluştu. Bu yaklaşım, etiketlemenin pahalı ya da olanaksız olduğu büyük veri yığınları için idealdir.

Kümeleme (clustering), boyut indirgeme (dimensionality reduction) ve üretici modeller (generative models) bu kategoriye girer. GPT tarzı dil modellerinin ön eğitimi de temel olarak gözetimsiz bir süreçtir: model, sonraki kelimeyi tahmin etmeyi öğrenir.

Pekiştirmeli Öğrenme

Pekiştirmeli öğrenmede (reinforcement learning — RL) bir ajan, çevresiyle etkileşime girerek deneme-yanılma yoluyla öğrenir. Her adımda bir ödül (reward) sinyali alır. AlphaGo'nun 37. hamlesi, RL sistemlerin eğitim verisi dışında özgün stratejiler geliştirebileceğini gösterir.

İnsan geri bildirimiyle pekiştirmeli öğrenme (RLHF — Reinforcement Learning from Human Feedback): ChatGPT gibi modellerin ince ayarında kullanılır
Oyun ortamları: Atari oyunları, satranç, go
Robotik kontrol: gerçek fiziksel ortamlarda hareket optimizasyonu

1. AlphaGo'nun 37. hamlesi neden önemliydi?

✓ Doğru! RL sistemleri, insan uzmanların bile sınırlı olduğu alanlarda yeni stratejiler keşfedebilir.

✗ Yanlış. 37. hamle bir kopya değil, tamamen özgündü; pekiştirmeli öğrenmenin üretici gücünü gösterdi.

2. Gözetimli öğrenmede modelin performansı ne tarafından sınırlandırılır?

✓ Doğru! "Çöp girdi, çöp çıktı" (garbage in, garbage out) ilkesi gözetimli öğrenmede özellikle geçerlidir.

✗ Yanlış. Performansı belirleyen, teknik altyapı değil; etiket kalitesi ve verinin temsil ettiği dağılımdır.

3. ChatGPT gibi dil modellerinin ince ayarında kullanılan öğrenme yöntemi hangisidir?

✓ Doğru! RLHF, insan değerlendirmelerini ödül sinyaline dönüştürerek modeli faydalı, zararsız ve dürüst davranış yönünde ayarlar.

✗ Yanlış. ChatGPT'nin ince ayarında RLHF kullanılır; insan değerlendiricilerin geri bildirimi modele ödül sinyali olarak iletilir.

🧪 Lab 4: Öğrenme Türünü Seç

Bu laboratuvarda, belirli bir probleme hangi öğrenme türünün uygun olduğunu tartışacaksınız.

Asistanın size sunacağı senaryoyu okuyun.
Gözetimli, gözetimsiz veya pekiştirmeli öğrenmeden hangisinin daha uygun olduğunu gerekçelendirin.
En az 3 mesaj alışverişi yaparak analizi tamamlayın.

Öneri: "Bir e-ticaret platformu için ürün öneri sistemi tasarlamak isteseniz hangi öğrenme türünü seçerdiniz ve neden?"

🤖 YZ Asistanı — Lab 4 Konu: Makine Öğrenmesi Türleri

🎯 İleri Seviye · Ders 5

YZ Nasıl "Düşünür"?

Yapay sinir ağları, katmanlar ve temsil öğrenimi — içeride neler olur?

Bir sinir ağı bir kavramı nasıl "görür"?

2013 yılında Google araştırmacıları, büyük bir metin külliyatı üzerinde eğitilen Word2Vec modelinde çarpıcı bir özellik keşfetti. Modelde vektör aritmetiği uygulandığında "kral − erkek + kadın ≈ kraliçe" denkliği ortaya çıkıyordu. Bu, modelin kelimeleri rastgele kod sayılarına değil, kavramsal ilişkileri yansıtan geometrik konumlara (vektörlere) dönüştürdüğünü gösterdi. Söz konusu "anlam uzayı", modelin hiçbir zaman "kral nedir" sorusu için öğretilmediği hâlde sistematik ilişkileri istatistiksel örüntüden çıkardığını ortaya koydu. Bu keşif, modern LLM'lerin altında yatan temsil öğreniminin (representation learning) temelini oluşturur.

Yapay Sinir Ağlarının Yapısı

Yapay sinir ağı (YSA — Artificial Neural Network), birbirine bağlı düğümlerden (nöronlardan) oluşan katmanlı bir yapıdır. Girdi katmanı ham veriyi alır; gizli katmanlar (hidden layers) bu veriyi kademeli dönüşümlerle işler; çıktı katmanı sonucu üretir. Her bağlantının bir ağırlığı (weight) vardır ve eğitim sürecinde bu ağırlıklar güncellenir.

Metafor: Fotoğraf Tanıma

Bir kedi fotoğrafını sınıflandıran ağda ilk katmanlar kenar ve köşeleri, orta katmanlar gözler ve kulakları, son katmanlar ise "kedi" kavramının bütününü temsil eden desenleri tanır. Her katman, bir öncekinin ürettiği özetler üzerine inşa eder.

Temsil Öğrenimi

Geleneksel makine öğrenmesinde mühendisler, veriyi elle tasarlanan özelliklerle (feature engineering) temsil ederdi. Derin öğrenme bu adımı otomatize eder: model, ham veriden en yararlı temsilleri kendisi çıkarır. Word2Vec bunun dil versiyonudur; evrişimli sinir ağları (CNN — Convolutional Neural Networks) ise görüntülerde bunu uygular.

Temsil öğrenimi, YZ'yi "büyülü" görünmesine yol açan unsurlardan biridir. Ancak temelde bu, yüksek boyutlu bir veri uzayında geometrik dönüşüm yapmaktan ibarettir.

Yorumlanabilirlik Sorunu

Derin sinir ağlarının milyonlarca hatta milyarlarca parametresi olabilir. Bu, modelin belirli bir kararı neden verdiğini tam olarak açıklamayı güçleştirir — bu soruna "kara kutu" (black box) problemi denir. 2016'dan bu yana büyüyen XAI (Explainable AI — Açıklanabilir Yapay Zeka) araştırma alanı, bu sorunu çözmeyi amaçlar.

LIME (Local Interpretable Model-Agnostic Explanations): belirli bir tahmin için yerel açıklama üretir
SHAP (SHapley Additive exPlanations): her özelliğin karara katkısını ölçer
Dikkat haritaları (attention maps): transformer modellerinde hangi girdinin öne çıktığını görselleştirir

1. Word2Vec modelinde "kral − erkek + kadın ≈ kraliçe" denklemi ne gösterir?

✓ Doğru! Temsil uzayındaki geometrik ilişkiler, kavramsal ilişkilerin istatistiksel öğrenimle kendiliğinden ortaya çıkmasına olanak tanır.

✗ Yanlış. Bu denklem, sayısal hesaplama değil; modelin anlamlı kavramsal temsiller öğrendiğinin kanıtıdır.

2. Kedi fotoğrafını sınıflandıran derin sinir ağında hangi özellik hangi katmanda öğrenilir?

✓ Doğru! Hiyerarşik temsil öğrenimi, basit özelliklerden karmaşık kavramlara katmanlı bir yapı kurar.

✗ Yanlış. Derin ağlarda öğrenme hiyerarşiktir: düşük seviye özelliklerden yüksek seviye kavramlara doğru bir yapılanma vardır.

3. XAI (Açıklanabilir YZ) araştırma alanı hangi sorunu çözmeye odaklanır?

✓ Doğru! "Kara kutu" problemi, özellikle yüksek riskli uygulamalarda sorumlu YZ kullanımı için kritik bir engel oluşturmaktadır.

✗ Yanlış. XAI, donanım ya da dil sorunu değil; model kararlarının insan tarafından anlaşılabilir biçimde açıklanması sorunuyla ilgilenir.

🧪 Lab 5: Sinir Ağını Açıkla

Bu laboratuvarda, sinir ağlarının nasıl çalıştığını kendi sözlerinizle ifade etmeyi ve yorumlanabilirlik sorununu tartışmayı öğreneceksiniz.

Asistanın sorusunu yanıtlayın.
Temsil öğrenimi ya da kara kutu problemini kendi alanınızdan bir örnekle ilişkilendirin.
En az 3 alışveriş yaparak tartışmayı ilerletin.

Öneri: "Bir banka kredi kararını YZ ile veriyorsa, müşteriye kararı nasıl açıklaması gerektiğini düşünüyorsunuz?"

🤖 YZ Asistanı — Lab 5 Konu: Sinir Ağları & XAI

🎯 İleri Seviye · Ders 6

LLM, Transformer ve Ortaya Çıkış

Dikkat mekanizması, ölçek ve beklenmedik yetenekler: büyük dil modellerinin anatomisi.

Model büyüdükçe neden yeni yetenekler "kendiliğinden" ortaya çıkıyor?

2022 yılında Google Research ve Stanford araştırmacıları, "Büyük Dil Modellerinin Ortaya Çıkan Yetenekleri" başlıklı bir makale yayımladı. Çalışma, modellerin belirli bir parametre eşiğini aştığında — küçük modellerden tahmin edilemeyen — yeni görevleri ani bir sıçramayla yerine getirebildiğini ortaya koydu. Örneğin, GPT-3 benzeri modeller belirli ölçeğin altında çok basamaklı aritmetiği neredeyse rastgele çözüyordu; ölçek eşiğini geçtikten sonra doğruluk oranı aniden %30'dan %80'in üzerine fırladı. Bu "ortaya çıkış" (emergence) fenomeni, YZ topluluğunun hem heyecanını hem de endişesini tetikledi: hangi yeteneklerin ne zaman ortaya çıkacağı önceden tahmin edilemiyor.

Transformer Mimarisi

2017 yılında Google Brain ekibi "Attention Is All You Need" başlıklı makaleyi yayımladı. Bu makale, dil işlemede devrim yaratan Transformer mimarisini tanıttı. Transformer'ın özündeki yenilik, öz-dikkat (self-attention) mekanizmasıdır: model bir cümledeki her kelimenin diğer tüm kelimelerle ilişkisini paralel olarak hesaplar. Geleneksel tekrarlayan ağların (RNN) sıralı işleme kısıtlaması ortadan kalktı; bu da büyük ölçekli paralel eğitimi mümkün kıldı.

Dikkat Mekanizması

"Banka nehir kenarındaydı" cümlesinde model, "banka" kelimesinin "nehir" ile ilişkisini yüksek dikkat puanıyla kodlar ve "mali kurum" anlamını değil "kıyı" anlamını seçer. Bu bağlamsal ağırlıklandırma, Transformer'ın anlama gücünün temelidir.

Büyük Dil Modelleri (LLM)

Büyük Dil Modeli (Large Language Model — LLM), Transformer mimarisinin üzerine inşa edilmiş, milyarlarca parametre içeren ve internet ölçeğinde metin verisiyle eğitilmiş bir modeldir. GPT-4, Claude, Gemini bu kategoridedir. LLM'ler, temel olarak bir sonraki tokeni (en küçük metin birimi) tahmin etmeyi öğrenir; bu basit görev, ölçekle birlikte son derece karmaşık yeteneklere dönüşür.

GPT-3 (2020): 175 milyar parametre, 570 GB metin verisi. GPT-4 (2023): parametre sayısı açıklanmadı; tahminler 1 trilyon civarında.

Ortaya Çıkış ve Öngörülemeyen Yetenekler

Ortaya çıkış (emergence), fizik ve biyolojide uzun süredir bilinen bir kavramdır: bireysel bileşenlerden tahmin edilemeyen niteliklerin bütünte oluşması. YZ bağlamında bu, parametre sayısı ve veri miktarı artırıldığında yeni görevlerin doğrusal olmayan bir sıçramayla mümkün hale gelmesi anlamına gelir. Bu fenomenin kritik sonucu: mevcut modellerin yeteneklerine bakarak gelecek modellerin tüm yeteneklerini öngörmek olanaklı değildir.

Çok basamaklı akıl yürütme: küçük modellerden beklenmedik biçimde ortaya çıkar
Az örnekle öğrenme (few-shot learning): birkaç örnek gösterilerek yeni görevi çözmek
Zincir düşünme (chain-of-thought): adım adım akıl yürütmeyi kendiliğinden üretmek

1. Transformer mimarisini geleneksel RNN'den ayıran temel yenilik nedir?

✓ Doğru! Paralelleştirme, büyük ölçekli eğitimi mümkün kılan kritik yeniliktir.

✗ Yanlış. Fark donanım ya da dil değil; öz-dikkat mekanizmasının sıralı kısıtlamayı ortadan kaldırmasıdır.

2. "Ortaya çıkış" (emergence) YZ bağlamında ne anlama gelir?

✓ Doğru! Ortaya çıkış, doğrusal olmayan bir eşik davranışıdır; bu da YZ'nin geleceğini öngörmeyi güçleştirir.

✗ Yanlış. Ortaya çıkış, parametre/veri eşiğini geçen modellerde beklenmedik yetkinliklerin ani biçimde belirmesidir.

3. LLM'lerin temel eğitim görevi hangisidir?

✓ Doğru! Bu basit görünen görev — bir sonraki tokeni tahmin etmek — ölçekle birlikte dil anlama ve üretimde çarpıcı yeteneklere dönüşür.

✗ Yanlış. LLM'lerin temel ön eğitim görevi, büyük metin külliyatlarında bir sonraki tokeni tahmin etmektir.

🧪 Lab 6: Transformer'ı Keşfet

Bu laboratuvarda dikkat mekanizmasını ve ortaya çıkış kavramını somut örnekler üzerinde tartışacaksınız.

Asistanın sorusunu yanıtlayın.
"Banka" gibi çok anlamlı bir kelimeyi ele alarak dikkat mekanizmasının nasıl çalışabileceğini açıklayın.
En az 3 alışveriş yaparak kavramı pekiştirin.

Öneri: "Bir LLM'nin 'banka' kelimesinin anlamını bağlama göre nasıl ayırt ettiğini kendi cümlelerinizle açıklayın."

🤖 YZ Asistanı — Lab 6 Konu: LLM & Transformer

🎯 İleri Seviye · Ders 7

YZ Tarihi — Karar Anları

Yapay zekanın tarihi bir zaman çizelgesi değil, yapılan tercihler ve bunların sonuçlarıdır.

YZ tarihinde hangi karar bugünü en çok şekillendirdi?

2012 yılında Toronto Üniversitesi'nden Geoffrey Hinton, Ilya Sutskever ve Alex Krizhevsky'nin AlexNet modeli, ImageNet görüntü tanıma yarışmasında hata oranını bir önceki yılın kazananına kıyasla %26,2'den %15,3'e indirdi. Bu sadece bir iyileşme değil, alan tarihindeki en büyük tek yıllık sıçramaydı. Karar noktası şuydu: Hinton ve ekibi, GPU'ları sinir ağı eğitiminde kullanmayı seçmişti — o dönemde ana akım araştırmacılar bu yaklaşımı ciddiye almıyordu. Google, ertesi yıl Hinton'ın şirketini 44 milyon dolara satın aldı. Bu tercih, bugünkü tüm büyük dil modellerinin temelini attı.

1956: Yapay Zeka Alanının Kuruluşu

John McCarthy, Marvin Minsky, Claude Shannon ve diğer araştırmacılar 1956'da Dartmouth Konferansı'nı düzenledi. Bu toplantıda "yapay zeka" terimi resmileşti. Kritik karar: YZ'nin sembolik, kural tabanlı bir yaklaşımla inşa edileceği ön görüsü. Bu paradigma on yıl boyunca araştırma gündemini belirledi ve sonunda iki YZ kışı'na (fonların kesildiği dönemler) yol açtı. Öğrenen sistemlerin terk edilmesi, bugün yeniden fark ettiğimiz maliyeti gizledi.

1986: Geri Yayılımın Yeniden Keşfi

Rumelhart, Hinton ve Williams'ın 1986 tarihli makalesi, geri yayılım (backpropagation) algoritmasını çok katmanlı sinir ağlarına başarıyla uyguladı. Karar noktası: bu algoritmanın varlığına rağmen, araştırma topluluğunun büyük çoğunluğu sinir ağlarını pratik kabul etmedi. Destek Vektör Makineleri (SVM) 1990'larda ana akım oldu; sinir ağları marjinalde kaldı. Hinton ve ekibinin bu yola devam etme kararı, 2012'deki patlamayı mümkün kıldı.

Yol Bağımlılığı

Tarihte tercih edilen yaklaşımlar, gelecekteki olasılıkları kısıtlar. 1990'larda sinir ağlarından uzaklaşılması, on yıl boyunca derin öğrenme araştırmalarının finansmansız kalmasına yol açtı.

2015: OpenAI'nin Kuruluşu ve Musk'ın Ayrılışı

Elon Musk, Sam Altman ve diğerleri, YZ'yi tek bir şirketin tekelinden korumak amacıyla OpenAI'yi kâr amacı gütmeyen bir kuruluş olarak kurdu. 2018'de Musk, yönetim kurulundan ayrıldı; gerekçe olarak Tesla ile çıkar çatışmasını öne sürdü. Ancak ilerleyen dönemde OpenAI 2019'da "sınırlı kâr" modeline geçti ve Microsoft'tan 13 milyar dolar yatırım aldı. Kurucuların "güvenli ve açık YZ" vizyonu ile piyasa gerçekliği arasındaki bu gerilim, bugün YZ alanındaki açık kaynak ve ticari dağıtım tartışmalarında belirleyici olmaya devam ediyor.

1. AlexNet'in 2012'de ImageNet yarışmasını kazanmasındaki kritik teknik tercih neydi?

✓ Doğru! GPU ile paralel eğitim, derin öğrenmenin pratikliğini kanıtladı ve tüm modern YZ altyapısının temelini attı.

✗ Yanlış. GPU kullanımı, o dönemde alışılmadık bir tercihti ve derin öğrenme devriminin anahtarı oldu.

2. 1956 Dartmouth Konferansı'nda benimsenen yaklaşım uzun vadede hangi soruna yol açtı?

✓ Doğru! Erken paradigma tercihleri, on yıllarca araştırma gündemini ve finansmanını şekillendirdi.

✗ Yanlış. Önemli olan sonuç, kural tabanlı yaklaşımın egemenliğinin öğrenen sistemleri uzun süre kenara itmesi ve iki YZ kışına yol açmasıdır.

3. OpenAI'nin 2019'da "sınırlı kâr" modeline geçmesi hangi temel gerilimi öne çıkardı?

✓ Doğru! Bu gerilim, bugün açık kaynak YZ politikası ve kurumsal yapılanma tartışmalarında belirleyiciliğini koruyor.

✗ Yanlış. Temel çatışma, kurucuların güvenli-açık vizyonu ile ölçeklenme için zorunlu görülen ticari model arasındaydı.

🧪 Lab 7: Tarihsel Kararı Değerlendir

Bu laboratuvarda YZ tarihindeki kritik karar noktalarını analiz edeceksiniz.

Asistanın sorusunu yanıtlayın.
AlexNet, OpenAI'nin kuruluşu veya 1986 geri yayılımı kararlarından birini seçerek "farklı tercih edilseydi ne olurdu?" sorusunu tartışın.
En az 3 mesaj alışverişi yapın.

Öneri: "2012'de Hinton'ın ekibi GPU kullanmak yerine o dönemin ana akımı olan SVM yaklaşımını benimseseydi bugün nerede olurduk?"

🤖 YZ Asistanı — Lab 7 Konu: YZ Tarihi

🎯 İleri Seviye · Ders 8

Ölçekleme Yasaları, Hizalama ve AGI

Ölçekleme yasaları nereye işaret ediyor? Hizalama problemi neden çözülmesi gereken en zorlu görevdir?

Daha büyük model her zaman daha iyi mi demektir?

2020 yılında OpenAI araştırmacıları, "Büyük Dil Modelleri için Ölçekleme Yasaları" başlıklı bir makale yayımladı. Makale, model performansının parametre sayısı, veri miktarı ve hesaplama bütçesiyle öngörülebilir bir güç yasasına göre iyileştiğini gösterdi. Pratik sonuç: bir sonraki modeli eğitmeden önce performansı matematiksel olarak tahmin etmek mümkündü. Bu bulgu, 2022'de Hoffmann ve ekibinin "Chinchilla" makalesiyle genişletildi; söz konusu çalışma, optimal eğitim için parametre ve veri miktarının eşit oranlarda ölçeklenmesi gerektiğini ortaya koydu. Bu iki makale, bugün hangi modellerin nasıl eğitileceğine dair endüstri kararlarını doğrudan şekillendiriyor.

Ölçekleme Yasaları

Ölçekleme yasaları (scaling laws), model kaybının parametre sayısı, eğitim verisi miktarı ve hesaplama gücüyle güç yasası ilişkisi içinde olduğunu gösterir. Bu, YZ'nin "büyük" olmaya doğru sistematik baskı altında olduğu anlamına gelir: çünkü büyümek tahmin edilebilir biçimde işe yarar. Ancak bu baskının sınırları var: Chinchilla çalışması, çoğu büyük modelin orantısız biçimde veri az, parametre fazla eğitildiğini gösterdi.

Chinchilla Prensibi

Optimal eğitim için parametre sayısını iki katına çıkardığınızda, eğitim tokeni sayısını da iki katına çıkarmanız gerekir. Deepmind'ın 70 milyar parametreli Chinchilla modeli, 540 milyar parametreli Gopher'dan daha az parametreyle ama daha fazla veriyle benzer performans elde etti.

Hizalama Problemi

Hizalama (alignment), bir YZ sisteminin insan değerleri ve niyetleriyle tutarlı biçimde davranmasını sağlama problemidir. Bu sorun teorik değil pratiktir: RLHF ile ince ayar yapılmış modeller bile, eğitim dağılımından uzaklaştıkça zararlı, yanıltıcı veya öngörülemeyen çıktılar üretebilir. Anthropic, hizalama araştırmasını merkeze alan bir şirket olarak Claude modelini bu motivasyonla geliştirdi.

2023 yılında yayımlanan "Model Spesifikasyonu" yaklaşımı, modelin nasıl davranması gerektiğini açık belgelerle tanımlamayı önerdi. Ancak bu belgelerin modele fiilen nasıl "öğretileceği" aktif araştırma konusudur.

AGI: Tanım ve Tartışma

Genel Yapay Zeka (Artificial General Intelligence — AGI), herhangi bir entelektüel görevde insanla karşılaştırılabilir düzeyde performans gösterebilen bir sistem olarak tanımlanır. Ancak bu tanımın kendisi tartışmalı: OpenAI, Google DeepMind ve Anthropic farklı tanımlar kullanır. OpenAI'nin 2023 tarihli AGI tanımı "çoğu ekonomik olarak değerli görevi yapabilme" eşiğini kullanır; bu operasyonel bir tanımdır ve "anlama"yı içermez.

AGI'nin ne zaman gerçekleşeceğine dair tahminler: 2030 ile "hiçbir zaman" arasında değişiyor
Hizalanmamış bir AGI'nin riskleri: Stuart Russell'ın "insan uyumlu YZ" çerçevesi, bu riski temel araştırma sorusu olarak ele alıyor
Yönetişim boşluğu: uluslararası AGI düzenlemesi için bağlayıcı bir çerçeve henüz mevcut değil

1. Chinchilla makalesi, o dönemdeki büyük modeller hakkında ne ortaya koydu?

✓ Doğru! Chinchilla, verimli ölçekleme için parametre ve veri dengesinin kritik olduğunu gösterdi.

✗ Yanlış. Chinchilla'nın bulgusu, büyük modellerin veri bakımından yetersiz beslendiğiydi; parametre azaltma değil, veri artırma gerekliydi.

2. Hizalama (alignment) problemi neden teorik değil, pratik bir sorundur?

✓ Doğru! Hizalama, gerçek dağıtım senaryolarında gözlemlenen davranış sorunlarını içerir; salt teorik bir endişe değildir.

✗ Yanlış. Hizalama sorunu, kod kalitesi ya da bağlantı sorunları değil; modellerin değer uyumluluk davranışlarındaki pratik başarısızlıklardır.

3. OpenAI'nin AGI tanımı geleneksel "anlama" kriterinden hangi açıdan ayrılır?

✓ Doğru! Bu operasyonel tanım, felsefi tartışmayı bir kenara koyarak pratik bir eşik belirler; ancak bu tanım da tartışmalıdır.

✗ Yanlış. OpenAI'nin tanımı "anlama" yerine ekonomik değer üretimini esas alır; bu da hem pratik hem tartışmalı bir yaklaşımdır.

🧪 Lab 8: Hizalama ve AGI'yi Tartış

Bu laboratuvarda ölçekleme baskıları, hizalama riski ve AGI tanımlarını eleştirel bir perspektiften değerlendireceksiniz.

Asistanın açılış sorusunu yanıtlayın.
Ölçekleme yasaları, hizalama sorunu veya AGI tanımından birini seçerek kendi konumunuzu gerekçelendirin.
En az 3 alışveriş yaparak tartışmayı ilerletin.

Öneri: "Bir model daha büyük parametreyle daha güçlü hale gelirse, hizalama problemi de otomatik olarak daha zor hale gelir mi?"

🤖 YZ Asistanı — Lab 8 Konu: Ölçekleme & Hizalama

📋 Modül Testi

Modül 1 — Yapay Zeka Nedir: 15 soru. Tüm dersleri kapsayan kapsamlı bir değerlendirme.

1. Deep Blue, Kasparov'u hangi temel yöntemle yendi?

✓ Doğru! Deep Blue, sezgi değil; kural tabanlı arama ve muazzam hesaplama hızı kullanıyordu.

✗ Yanlış. Deep Blue, sezgi ya da ezberleme kullanmadı; saniyede 200 milyon pozisyonu tarayan bir arama algoritmasıydı.

2. Yapay zeka ile geleneksel bilgisayar programı arasındaki temel fark nedir?

✓ Doğru! Öğrenme kapasitesi, ikisi arasındaki temel ayrımdır.

✗ Yanlış. Fark donanım ya da bağlantı değil, öğrenme yaklaşımıdır.

3. Google Brain'in 2012 kedi deneyi hangi YZ öğrenme türüne örnektir?

✓ Doğru! Etiket olmadan kavram keşfi, gözetimsiz öğrenmenin özüdür.

✗ Yanlış. Google Brain deneyi, etiket kullanmayan gözetimsiz öğrenmenin dönüm noktası olmuştur.

4. Amazon'un işe alım YZ'si hangi hata türü sergiledi?

✓ Doğru! Tarihsel önyargı, veri yoluyla modele aktarıldı ve yeni kararları sistematik olarak etkiledi.

✗ Yanlış. Amazon vakası, halüsinasyon ya da dağılım kayması değil; eğitim verisindeki tarihi önyargının modele geçmesiydi.

5. Mata v. Avianca davasında ortaya çıkan YZ hatası hangisidir?

✓ Doğru! Halüsinasyon, LLM'lerin dil kalıplarını kullanarak gerçek olmayan olgular üretmesidir.

✗ Yanlış. Sorun çeviri ya da mahremiyet değildi; ChatGPT tamamen uydurma mahkeme kararları üretti.

6. AlphaGo pekiştirmeli öğrenmede nasıl "öğrendi"?

✓ Doğru! Öz-oyun ve ödül sinyali, pekiştirmeli öğrenmenin temelidir.

✗ Yanlış. AlphaGo, ezber ya da kural değil; öz-oyun ve ödül sinyali yoluyla öğrendi.

7. Word2Vec'teki "kral − erkek + kadın ≈ kraliçe" ilişkisi neyi gösterir?

✓ Doğru! Anlam uzayındaki geometrik ilişkiler, temsil öğreniminin çarpıcı bir sonucudur.

✗ Yanlış. Bu denklem, sayısal hesaplama değil; kavramsal ilişkilerin vektör geometrisine yansımasıdır.

8. Transformer mimarisini devrimci yapan temel özellik hangisidir?

✓ Doğru! Paralel dikkat hesaplama, hem hız hem ölçek açısından dil işlemede devrim yarattı.

✗ Yanlış. Transformer'ın gücü, donanım türü ya da internet bağlantısı değil; öz-dikkat mekanizmasının getirdiği paralelleştirme kapasitesidir.

9. LLM'lerin temel ön eğitim görevi nedir?

✓ Doğru! Token tahmini, ölçekle birlikte inanılmaz karmaşıklıkta dil yeteneklerine dönüşen basit bir görevdir.

✗ Yanlış. LLM'lerin temel görevi token tahminidir; bu basit hedef, büyük ölçekte güçlü dil modellerine yol açar.

10. YZ bağlamında "ortaya çıkış" (emergence) fenomeni ne anlama gelir?

✓ Doğru! Ortaya çıkış, YZ'nin geleceğini öngörmeyi güçleştiren doğrusal olmayan bir eşik davranışıdır.

✗ Yanlış. Ortaya çıkış, parametre/veri eşiğini geçen modellerde beklenmedik yetkinliklerin ani belirmesidir.

11. AlexNet'in 2012'deki başarısının arkasındaki kritik teknik karar neydi?

✓ Doğru! GPU tabanlı eğitim, derin öğrenme çağını açan kritik tercihti.

✗ Yanlış. AlexNet'in farkı, GPU kullanımıydı; sembolik akıl yürütme ya da SVM kullanmadı.

12. Gözetimli öğrenmede model performansını sınırlayan temel faktör hangisidir?

✓ Doğru! "Çöp girdi, çöp çıktı" ilkesi gözetimli öğrenmede özellikle belirleyicidir.

✗ Yanlış. Donanım ya da yazılım dili değil; etiket kalitesi ve verinin dağılım temsili modeli sınırlar.

13. XAI (Açıklanabilir YZ) hangi sorunu ele alır?

✓ Doğru! Kara kutu problemi, özellikle yüksek riskli uygulamalarda hesap verebilirliği engelleyen kritik bir sorundur.

✗ Yanlış. XAI'nin odağı hız, enerji ya da dil değil; model kararlarının anlaşılır açıklanmasıdır.

14. Chinchilla makalesi, optimal model eğitimi için ne öneriyor?

✓ Doğru! Dengeli ölçekleme, aynı hesaplama bütçesiyle daha iyi modeller elde etmenin anahtarıdır.

✗ Yanlış. Chinchilla, parametreye oranla veri miktarının sistematik olarak yetersiz olduğunu ve dengeli ölçeklemenin gerekli olduğunu gösterdi.

15. OpenAI'nin AGI tanımını geleneksel "anlama kapasitesi" kriterinden ayıran temel fark nedir?

✓ Doğru! Bu operasyonel tanım pratik bir eşik koyar; ancak felsefi "anlama" sorunu yanıtsız kalır.

✗ Yanlış. OpenAI'nin tanımı, anlama değil; ekonomik değer üretimini kriter alır ve bu tanım tartışmalı olmaya devam etmektedir.