TL;DR. Yapay zeka tartışmalarının çoğu, kılık değiştirmiş kelime tartışmalarıdır. Bu sözlük 40 terimi yedi aile altında tanımlıyor ve her birini onu tanımlayan metne bağlıyor: AB Yapay Zeka Yasası (EU AI Act), yasayı 27 Temmuz 2026’dan itibaren değiştiren Dijital Omnibus, OECD’nin 2024 tarihli yapay zeka sistemi tanımı, NIST’in yapay zeka belgeleri, özgün makaleler ya da tedarikçi dokümantasyonu. CEOtudent’in kaynak haritası, 40 terimin 14’ünün esas olarak tedarikçi dokümantasyonuna dayandığını ortaya koyuyor; ödeme yaptığınız birimler de bunlara dahil: token’lar, bağlam pencereleri (context window) ve gecikme (latency). Tedarikçilerin kendi pratik kurallarına göre aynı 10.000 karakterlik metin, Google’ın kuralıyla yaklaşık 2.500 token, Anthropic’in yeni tokenizer’ı için verdiği kuralla ise yaklaşık 3.700 token ediyor. CEO hamlesi: fiyatları karşılaştırmadan önce her tedarikçiye birimlerini yazılı olarak tanımlatın. Öğrenci hamlesi: önce rolünüz için 10 terimi öğrenin, sonra haftada bir aile.
Kelimelerin arkasındaki mekanizma için büyük dil modellerinin gerçekte nasıl çalıştığı yazısıyla başlayın. Kelimelerle ne yapacağınız için yapay zeka okuryazarlığı ve yapay zeka akıcılığı yazısını okuyun: terimleri bilmek okuryazarlıktır; onları bir kararı değiştirmek için kullanmak akıcılıktır.
Bir yapay zeka konuşmasını kimin takip edebildiğini neden kelime dağarcığı belirler?
Bir tedarikçi “1M bağlam penceresi” (context window) vaat ediyor; bir avukat şirketinizin bir “uygulayıcı” (deployer) olabileceğini söylüyor. Her cümle bir kararı gizler: bir fiyatı, bir riski, bir yasal yükümlülüğü. Terimi açamıyorsanız iddiayı test edemezsiniz.
Bu açık yapısaldır: yasa koyucular kelimeleri sorumluluk için, araştırmacılar deneyler için, tedarikçiler faturalama için tanımlar. Aşağıdaki her madde sade bir Türkçe tanım, bir karar açısından neden önemli olduğunu, ilişkili bir terimi ve dayanak metnini veriyor.
Resmi metinler tartışmalı terimleri nasıl tanımlıyor?
| Terim | Tanımlayan metin (alıntı) | İkinci metin (alıntı) | Fark ne |
|---|---|---|---|
| Yapay zeka sistemi (AI system) | AB Yapay Zeka Yasası, Madde 3(1): “farklı özerklik düzeylerinde çalışmak üzere tasarlanmış ve konuşlandırıldıktan sonra uyarlanabilirlik gösterebilen” ve “aldığı girdiden çıktıların nasıl üretileceğini çıkarsayan” | OECD güncellenmiş tanımı (Mart 2024): “açık veya örtük hedefler doğrultusunda, aldığı girdiden tahminler, içerik, öneriler veya kararlar gibi çıktıların nasıl üretileceğini çıkarsayan” | Neredeyse aynı çekirdek. NIST AI 100-1 (2023) eski OECD ifadesini koruyor: “belirli bir hedefler kümesi için çıktılar üretir”; “çıkarsar” ve “içerik” yok |
| Genel amaçlı yapay zeka modeli ve temel model (foundation model) | AB Yapay Zeka Yasası, Madde 3(63): “kayda değer bir genellik sergileyen ve çok çeşitli farklı görevleri yetkin biçimde yerine getirebilen” | Bommasani ve diğerleri (2021): “geniş veriyle eğitilmiş (genellikle ölçekli öz-denetimli öğrenme kullanılarak) ve çok çeşitli alt görevlere uyarlanabilen (örneğin ince ayarla)” | Yasa, piyasaya sürülmeden önce yalnızca araştırma veya prototipleme için kullanılan modelleri kapsam dışında tutar |
| Halüsinasyon (hallucination) ve konfabulasyon (confabulation) | Ji ve diğerleri (2022 derlemesi): “anlamsız olan ya da sağlanan kaynak içeriğe sadık olmayan üretilmiş içerik” | NIST AI 600-1 (2024): “Kendinden emin biçimde ifade edilen ama hatalı veya yanlış olan içeriğin üretilmesi” | Araştırma bir kaynağı merkeze alır; NIST ise kaynak olsun ya da olmasın kendinden emin yanlışı merkeze alır |
| Yapay zeka okuryazarlığı (AI literacy) | AB Yapay Zeka Yasası, Madde 3(56): yapay zeka sistemlerinin “bilinçli konuşlandırılması” için “beceriler, bilgi ve anlayış” (değişmedi) | (AB) 2026/1744 sayılı Tüzük ile değiştirilen Madde 4: “yapay zeka okuryazarlığının gelişimini desteklemeye” yönelik önlemler; “belirli bir düzeyi güvence altına alma” yükümlülüğü yok | Tanım yerinde duruyor; yükümlülük “yeterli bir düzeyi” sağlamaktan yumuşadı |
Kaynaklar: (AB) 2024/1689 ve 2026/1744 sayılı Tüzükler; OECD AI Papers No. 8; NIST AI 100-1 ve 600-1; Bommasani ve diğerleri; Ji ve diğerleri.
Dijital Omnibus burada kullanılan herhangi bir tanımı değiştirdi mi? Hayır. Madde 3’te yalnızca (14) numaralı bendi, yani “güvenlik bileşeni” tanımını yeniden yazdı ve KOBİ’ler ile küçük orta ölçekli şirketler (small mid-caps) hakkında (14a) ve (14b) bentlerini ekledi. Değişen şey zamanlama: Ek III sistemleri için yüksek risk yükümlülükleri artık 2 Aralık 2027’den, Madde 6(1) kapsamındaki ürünle bağlantılı sistemler için ise 2 Ağustos 2028’den itibaren uygulanıyor.
Aile 1: Modeller nasıl inşa edilir? (terimler 1-9)
1. Temel model (foundation model). Geniş veriyle, genellikle öz-denetimli öğrenmeyle eğitilmiş ve birçok alt göreve uyarlanabilen model (Bommasani ve diğerleri, 2021). Neden önemli: satın aldığınız araçların çoğu birkaç temel modelden birinin üzerinde durur, dolayısıyla onun sınırları sizin sınırlarınız olur. İlişkili: genel amaçlı yapay zeka modeli (36).
2. Büyük dil modeli (large language model, LLM). Çok sayıda parametreye sahip, devasa miktarda metinle eğitilmiş; metin üreten, soruları yanıtlayan ve özetleyen bir dil modeli (Anthropic sözlüğü). Neden önemli: makul görünen metni tahmin eder; etrafındaki bir sistem bunu yapmadıkça olguları aramaz. İlişkili: RAG (14).
3. Transformer. Vaswani ve diğerlerinin (2017) tanıttığı, yinelemeli yapı (recurrence) yerine dikkat (attention) mekanizmalarına dayanan mimari; güncel LLM’lerin neredeyse tamamı bunu kullanır. Neden önemli: uzun girdilerin daha pahalıya mal olmasının ve modellerin çok uzun prompt’larda materyalin izini kaybetmesinin nedeni dikkat mekanizmasıdır. İlişkili: bağlam penceresi (11).
4. Parametreler (ağırlıklar, weights). Bir modelin eğitim sırasında ayarladığı öğrenilebilir sayılar; AB Yapay Zeka Yasası eğitim verisini “öğrenilebilir parametrelerinin uydurulması” için kullanılan veri olarak tanımlar (Madde 3(29)). Neden önemli: yayımlanmış ağırlıklar, bir modeli kendiniz çalıştırıp çalıştıramayacağınızı, inceleyip inceleyemeyeceğinizi ya da ayarlayıp ayarlayamayacağınızı belirler. İlişkili: açık ağırlıklı model (32).
5. Ön eğitim (pre-training). Bir modelin büyük, etiketsiz bir derlem üzerinde bir sonraki kelimeyi tahmin etmeyi öğrendiği ilk ve en büyük eğitim aşaması (Anthropic sözlüğü). Neden önemli: ön eğitimden geçmiş bir model talimatları henüz iyi izlemez; kullanıcıların deneyimlediği şeyi sonraki aşamalar şekillendirir. İlişkili: ince ayar (6).
6. İnce ayar (fine-tuning). Ön eğitimli bir modelin, ek verinin örüntülerini taklit etmesi için bu veriyle daha fazla eğitilmesi (Anthropic sözlüğü). Neden önemli: davranışı ve üslubu değiştirir; her hafta değişen olgular ise erişime (retrieval) aittir. İlişkili: RLHF (7).
7. RLHF (reinforcement learning from human feedback, insan geri bildiriminden pekiştirmeli öğrenme). Çıktıların insanlar tarafından yapılan sıralamalarını eğitim sinyali olarak kullanan ince ayar. InstructGPT çalışmasında bu şekilde eğitilen 1,3 milyar parametreli bir model, 100 kattan fazla daha az parametreye sahip olmasına rağmen 175 milyar parametreli GPT-3’e tercih edildi (Ouyang ve diğerleri, 2022). Neden önemli: bir modelin nasıl ayarlandığı, boyutundan daha önemli olabilir. İlişkili: model kartı (31).
8. Damıtma (distillation). Daha küçük bir modeli, daha büyük bir modeli ya da model topluluğunu (ensemble) yeniden üretecek şekilde eğitmek; böylece bilgisini konuşlandırması daha ucuz bir şeye sıkıştırmak (Hinton, Vinyals ve Dean, 2015). Neden önemli: daha ucuz “mini” katmanlar damıtılmış olabilir; görevinizin ihtiyaç duyduğu yeteneği koruyup korumadıklarını test edin. İlişkili: çıkarım (16).
9. Uzmanlar karışımı (mixture of experts, MoE). Bir geçit ağının (gating network) her girdiyi birçok alt ağdan (“uzmanlar”) yalnızca birkaçına gönderdiği bir tasarım. Shazeer ve diğerleri (2017), hesaplama verimliliğinde yalnızca küçük kayıplarla 1.000 katı aşan kapasite artışları bildirdi. Neden önemli: manşetteki parametre sayıları, istek başına gerçekte çalışan kısmı olduğundan büyük gösterir. İlişkili: parametreler (4).
Aile 2: Bir modele ne girer? (terimler 10-15)
10. Token (belirteç). Bir modelin okuduğu ve yazdığı birim: bir kelime, bir kelimenin parçası, bir karakter veya bir bayt (Anthropic sözlüğü). Neden önemli: limitler ve faturalar token cinsinden sayılır ve sayımlar tedarikçiler arasında birebir aktarılamaz. İlişkili: girdi ve çıktı token’ları (34).
11. Bağlam penceresi (context window). Modelin yanıt verirken başvurabileceği her şey, yanıtın kendisi dahil; sistem prompt’u, mesajlar, araç sonuçları, belgeler ve araç tanımlarının hepsi buna sayılır (Anthropic dokümantasyonu). Neden önemli: ilan edilen pencere bir tavandır, dikkat vaadi değildir; bağlam pencereleri ve bilişsel yük analizi bunu gösteriyor. İlişkili: bağlam mühendisliği (15).
12. Sistem prompt’u (system prompt). Bir uygulamanın kullanıcı girdisinden önce modele verdiği kalıcı talimatlar, örneğin bir rol tanımı; NIST AI 100-2 (2025) terimi bu anlamda kullanır. Neden önemli: bir ürünün davranış kuralları burada yaşar. İlişkili: prompt enjeksiyonu (25).
13. Gömme (embedding). Metni, benzer anlamlar birbirine yakın duracak şekilde temsil eden sayılar; Mikolov ve diğerleri (2013) kelimelerin verimli sürekli vektör temsillerini tanıttı. Neden önemli: anlamsal aramanın ve RAG’ın neyi getireceğini embedding’ler belirler. İlişkili: RAG (14).
14. Erişimle zenginleştirilmiş üretim (retrieval-augmented generation, RAG). Bir modelin yerleşik (parametrik) belleğini, sorgu anında aranan harici bir belge diziniyle eşleştirmek (Lewis ve diğerleri, 2020). Neden önemli: bir aracın sizin belgelerinizden yanıt vermesi bu yolla olur ve erişim hataları yanıt hatalarına dönüşür. İlişkili: dayandırma (20).
15. Bağlam mühendisliği (context engineering). Çıkarım sırasında, prompt’un kendisinin ötesinde, modelin önündeki en iyi token kümesini seçip düzenlemek ve sürdürmek (Anthropic mühendislik yazısı). Neden önemli: uzun görevlerdeki başarısızlıklar genellikle bağlam başarısızlıklarıdır; bağlam mühendisliği açıklayıcısı bunu gösteriyor. İlişkili: bağlam penceresi (11).
Tedarikçilerin kendilerine göre bir kelime kaç token eder?
Tedarikçiler döviz kuru değil, pratik kurallar yayımlıyor; bu yüzden milyon token başına fiyat, aynı metni her bir tokenizer ile saymadan tedarikçiler arasında karşılaştırılamaz.
| Tedarikçi dokümantasyonu | Belirtildiği şekliyle kural | Token başına karakter | 10.000 karakter için token (türetilmiş) |
|---|---|---|---|
| Google, Gemini API | “bir token yaklaşık 4 karaktere eşittir”; 100 token yaklaşık 60-80 İngilizce kelimedir | yaklaşık 4 | yaklaşık 2.500 |
| Anthropic, önceki Claude modelleri | “bir token yaklaşık 3,5 İngilizce karakteri temsil eder” | yaklaşık 3,5 | yaklaşık 2.857 |
| Anthropic, Claude 4.7 ve sonrası | yeni tokenizer “aynı metin için yaklaşık yüzde 30 daha fazla token” verir | yaklaşık 2,7 (türetilmiş) | yaklaşık 3.714 |
| OpenAI, tiktoken cookbook | İngilizce token’ların uzunluğu “genellikle bir karakterden bir kelimeye kadar değişir” | tek bir rakam yok | türetilemez |
Kaynak: tedarikçi dokümantasyonu (Google, “Understand and count tokens”; Anthropic sözlüğü; OpenAI Cookbook), erişim tarihi 17 Kasım 2026. Türetilmiş sütunlar: calc.py dosyasındaki CEOtudent analizi. Bunlar tedarikçilerin yaklaşık değerleridir; kesin sayımlar için her bir tokenizer gerekir.
Google’ın kuralı İngilizce kelime başına 1,25-1,67 token anlamına geliyor; yani 1.000 kelimelik bir brief kabaca 1.250-1.667 token eder. Aynı 10.000 karakter, Anthropic’in yeni tokenizer kuralına göre Google’ınkinden yaklaşık yüzde 49 daha yüksek çıkıyor. Bu bir kalite sıralaması değil; birimin kendisi farklı.
Aile 3: Ne çıkar ve nasıl ters gider? (terimler 16-21)
16. Çıkarım (inference). Eğitilmiş bir modeli eğitmek yerine, çıktı üretmek için çalıştırmak. Hukukta “çıkarsar” (infers) başka bir anlama gelir: AB Yapay Zeka Yasası ve OECD bu kelimeyi bir sistemin girdilerden çıktıları nasıl türettiğini anlatmak için kullanır; bu, bir şeyin yapay zeka sistemi olup olmadığına dair bir testtir. Neden önemli: çıkarım isteği başına ödeme yaparsınız. İlişkili: gecikme (33).
17. Sıcaklık (temperature). Kelime seçiminin ne kadar rastgele olacağını belirleyen ayar: yüksek değer daha çeşitli, düşük değer daha temkinli ve öngörülebilir çıktı verir (Anthropic sözlüğü). Neden önemli: düşük sıcaklık çıktıyı tekrarlanabilir kılar, doğru değil. İlişkili: halüsinasyon (18).
18. Halüsinasyon (hallucination). Anlamsız ya da kaynağına sadık olmayan çıktı; içsel (intrinsic) vakalar kaynakla çelişir, dışsal (extrinsic) vakalar ise kaynaktan doğrulanamaz (Ji ve diğerleri, 2022). Neden önemli: hangi kontrolün gerektiğini mekanizma belirler; halüsinasyon mekaniği rehberi bunu açıklıyor. İlişkili: konfabulasyon (19).
19. Konfabulasyon (confabulation). NIST’in, kullanıcıları yanıltabilecek, kendinden emin biçimde ifade edilmiş yanlış içerik için kullandığı terim; NIST “halüsinasyonlar” kelimesini bunun gündelik adı olarak niteler (NIST AI 600-1). Neden önemli: NIST ile uyumlu denetimler bu kelimeyi kullanır. İlişkili: kırmızı takım çalışması (30).
20. Dayandırma (grounding). Bir yanıtı sağlanan kanıta, genellikle bağlam penceresine aktarılan belgelere bağlamak (Anthropic sözlüğü, RAG maddesi). Neden önemli: dayandırılmış yanıtlar da kaynakları yanlış okuyabilir; atıfların tam pasajı gösterip göstermediğini sorun. İlişkili: RAG (14).
21. Akıl yürütme modeli (reasoning model, düşünce zinciri / chain of thought). Yanıt vermeden önce ara akıl yürütme adımları yazan bir model veya mod; Wei ve diğerleri (2022), bu tür prompt’lamanın yeterince büyük modellerde karmaşık akıl yürütmeyi iyileştirdiğini gösterdi. Neden önemli: akıl yürütme ek çıktı token’ı ve zaman maliyeti getirir; onu çok adımlı problemlere saklayın. İlişkili: girdi ve çıktı token’ları (34).
Aile 4: Modeller dünyada nasıl eyleme geçer? (terimler 22-26)
22. Araç kullanımı (tool use, function calling). Bir modelin, uygulamanın veya tedarikçinin çalıştırıp sonucunu geri döndürdüğü bir fonksiyonu, örneğin bir aramayı ya da kod çalıştırmayı talep etmesi (Anthropic dokümantasyonu). Neden önemli: bir model araç çağırabildiği anda, onun izinleri sizin risk yüzeyiniz olur. İlişkili: yapay zeka ajanı (23).
23. Yapay zeka ajanı (AI agent). Anthropic, model ve araçların “önceden tanımlanmış kod yollarını” izlediği iş akışlarını (workflow), modelin kendi sürecini ve araç kullanımını kendisinin yönettiği ajanlardan ayırır. Neden önemli: ajanlar öngörülebilirliği esneklik karşılığında feda eder; ajan okuryazarlığı görev devri öncesi kontrolleri ele alıyor. İlişkili: insan gözetimi (26).
24. Model Context Protocol (MCP). Yapay zeka uygulamalarını verilere ve araçlara bağlamak için açık bir protokol. Spesifikasyonda (en son revizyon 2026-07-28) host’lar model uygulamalarıdır, client’lar bunların içindeki bağlayıcılardır, server’lar ise JSON-RPC 2.0 üzerinden kaynakları, prompt’ları ve araçları sunar. Neden önemli: spesifikasyon, kullanıcıların “tüm veri erişimine ve işlemlere açıkça onay vermesi ve bunları anlaması gerektiğini” söyler; bir ürünün bunu nasıl sağladığını sorun. İlişkili: araç kullanımı (22).
25. Prompt enjeksiyonu (prompt injection). Bir modelin talimatlarını geçersiz kılan bir saldırı. Dolaylı biçimi, talimatları sistemin içeri aldığı içeriğe, örneğin bir web sayfasına yerleştirir; jailbreak ise bir tür doğrudan prompt saldırısıdır (NIST AI 100-2). Neden önemli: dışarıdan içerik okuyan her araç, o içerik tarafından yönlendirilebilir. İlişkili: sistem prompt’u (12).
26. İnsan gözetimi (human oversight). AB Yapay Zeka Yasası’nın, yüksek riskli sistemlerin kullanım sırasında gerçek kişiler tarafından etkili biçimde gözetilebilecek şekilde tasarlanmasını öngören gerekliliği (Madde 14). Neden önemli: birinin çıktıyı zamanında anlayıp geçersiz kılabilmesi gerekir. İlişkili: uygulayıcı (39).
Aile 5: Bir modelin iyi olup olmadığını nasıl bilirsiniz? (terimler 27-31)
27. Kıyaslama testi (benchmark). Modelleri karşılaştırmak için sabit, kamuya açık bir test seti; HELM yazarları benchmark’ların “yapay zekaya yön verdiğini” belirtir (Liang ve diğerleri, 2023). Neden önemli: kendi görevini ölçer, nadiren sizinkini. İlişkili: eval (28).
28. Değerlendirme (eval). Sizin göreviniz için kurulmuş, açık başarı kriterleri ve puanlanmış vakalar içeren bir test; birebir eşleşme kontrollerinden model tabanlı puanlamaya kadar uzanır (Anthropic dokümantasyonu). Neden önemli: kendi test vakalarınız bir liderlik tablosundan daha değerlidir; bkz. değerlendirme becerisi. İlişkili: benchmark (27).
29. Veri kontaminasyonu (data contamination). Test materyalinin eğitim verisine sızması ve puanları şişirmesi; HELM yazarları “eğitim-test kontaminasyonu potansiyeline” dikkat çeker ve bunun boyutunun ne ölçüde anlaşıldığının sınırlı olduğunu söyler. Neden önemli: eski, kamuya açık bir benchmark’taki yüksek puan zayıf bir kanıttır. İlişkili: benchmark (27).
30. Kırmızı takım çalışması (red teaming). Bir modeli veya sistemi olumsuz davranışlar açısından yoklayan ve güvenlik önlemlerini stres testine sokan yapılandırılmış tatbikatlar (NIST AI 600-1). Neden önemli: ürünü kimin red teaming’e tabi tuttuğunu ve sonrasında neyin değiştiğini sorun. İlişkili: prompt enjeksiyonu (25).
31. Model kartı (model card). Bir modele eşlik eden ve farklı koşullar ile gruplar genelinde değerlendirilmiş performansı raporlayan kısa bir belge (Mitchell ve diğerleri, 2019). Neden önemli: sınırlamaların açıklandığı yer burasıdır; kart yoksa körlemesine satın alıyorsunuz demektir. İlişkili: benchmark (27).
Aile 6: Çalıştırmanın maliyeti nedir? (terimler 32-34)
32. Açık ağırlıklı model (open-weight model). Ağırlıklar dahil parametreleri kamuya açık olan model. AB Yapay Zeka Yasası’nın gerekçe bölümleri (recitals), açık kaynak istisnalarını kamuya açık ağırlıklara, mimariye ve kullanım bilgisine bağlar ve bu istisnaları sistemik risk taşıyan modellere tanımaz. Neden önemli: yerel barındırma veri kontrolü sağlar ama güvenlik ve güncelleme yükünü size devreder. İlişkili: sistemik risk (37).
33. Gecikme (latency) ve ilk token’a kadar geçen süre (time to first token, TTFT). Gecikme, prompt ile çıktı arasındaki süredir; TTFT, ilk token görünene kadar geçen süredir (Anthropic sözlüğü). Neden önemli: sohbette algılanan hızı TTFT şekillendirir. İlişkili: çıkarım (16).
34. Girdi ve çıktı token’ları (input and output tokens). Gönderdiğiniz ve modelin ürettiği içerik; Google’ın dokümantasyonu, Gemini API maliyetinin kısmen her ikisine göre belirlendiğini belirtir. Neden önemli: uzun çıktılar ve akıl yürütme de faturalandırılır, yani ucuz bir girdi fiyatı pahalı bir görevi gizleyebilir. İlişkili: token (10).
Aile 7: Yasaya göre kim sorumlu? (terimler 35-40)
35. Yapay zeka sistemi (AI system). AB Yapay Zeka Yasası’nın ana tanımı (Madde 3(1)): farklı düzeylerde özerkliğe sahip, girdiden fiziksel veya sanal ortamları etkileyebilecek çıktıların nasıl üretileceğini çıkarsayan makine tabanlı bir sistem; OECD’nin 2024 ifadesini yakından izler. Neden önemli: bir araç yapay zeka sistemi değilse, Yasa’nın büyük bölümü uygulanmaz. İlişkili: çıkarım (16).
36. Genel amaçlı yapay zeka modeli (general-purpose AI model). Kayda değer bir genelliğe sahip olan ve çok çeşitli farklı görevleri yetkin biçimde yerine getirebilen model (Madde 3(63)). Neden önemli: yükümlülükleri, onun üzerine kurulu bir ürünü kullanan şirkete değil, model sağlayıcısına düşer. İlişkili: temel model (1).
37. Sistemik risk (systemic risk). En gelişmiş genel amaçlı modellerin yüksek etkili yeteneklerine özgü, etkileri ölçekli biçimde yayılabilen risk (Madde 3(65)). Eğitim hesaplaması 10^25 kayan nokta işlemini aştığında yüksek etkili yetenek bulunduğu varsayılır (Madde 51(2)). Neden önemli: bu tür modeller sağlayıcılarına ek yükümlülükler getirir. İlişkili: kırmızı takım çalışması (30).
38. Sağlayıcı (provider). Bir yapay zeka sistemini veya genel amaçlı modeli geliştiren ya da geliştirten ve bunu kendi adı veya ticari markası altında piyasaya süren ya da hizmete sokan kişi veya kuruluş (Madde 3(3)). Neden önemli: sizin için geliştirilmiş bir araca kendi markanızı koymak sizi sağlayıcı yapabilir. İlişkili: uygulayıcı (39).
39. Uygulayıcı (deployer). Kişisel ve mesleki olmayan bir faaliyet dışında, bir yapay zeka sistemini kendi yetkisi altında kullanan herkes (Madde 3(4)). Neden önemli: yapay zeka araçları kullanan işverenlerin çoğu uygulayıcıdır; yeni teknik okuryazarlık operatör yükümlülüklerini ele alıyor. İlişkili: insan gözetimi (26).
40. Yapay zeka okuryazarlığı (AI literacy). Yapay zekanın bilinçli biçimde konuşlandırılması ve fırsatları ile risklerinin farkında olunması için gereken beceriler, bilgi ve anlayış (Madde 3(56)); Omnibus’tan bu yana Madde 4, bunun gelişimini destekleyecek önlemler alınmasını gerektiriyor. Neden önemli: ortak bir sözlük, bu yükümlülüğün pratik bir parçasıdır. İlişkili: uygulayıcı (39).
40 tanım aslında nereden geliyor?
| Aile | Terim | Hukuki veya standart metni | Araştırma makalesi | Tedarikçi veya proje dokümantasyonu |
|---|---|---|---|---|
| 1. Modeller nasıl inşa edilir | 9 | 1 | 5 | 3 |
| 2. Girdiler ve bağlam | 6 | 1 | 2 | 3 |
| 3. Çıktılar ve hatalar | 6 | 2 | 2 | 2 |
| 4. Ajanlar ve araçlar | 5 | 2 | 0 | 3 |
| 5. Değerlendirme | 5 | 1 | 3 | 1 |
| 6. Maliyet ve konuşlandırma | 3 | 1 | 0 | 2 |
| 7. Yönetişim ve hukuk | 6 | 6 | 0 | 0 |
| Toplam | 40 | 14 | 12 | 14 |
Aşağıdaki kaynakların CEOtudent analizi: her terim birincil dayanağına göre sınıflandırıldı, calc.py dosyasında yeniden üretildi.
Hukuk kimin sorumlu olduğunu tanımlar; araştırma teknolojinin nasıl çalıştığını tanımlar; ama faturanızı ve limitlerinizi belirleyen birimler (token, bağlam penceresi, gecikme, faturalanan token’lar) bu birimler üzerinden ücret alan şirketlerin kendileri tarafından tanımlanır. Bu tanımları yazılı olarak alın.
Rolünüz için önce hangi 10 terimi öğrenmelisiniz?
| Rol | İlk 10 terim (numaraya göre) | Neden bu set |
|---|---|---|
| Yönetici | 2, 11, 18, 23, 26, 28, 35, 38, 39, 40 | Görev devri, gözetim ve hukuki roller |
| Serbest çalışan veya tek kişilik işletme | 2, 6, 10, 11, 14, 15, 17, 20, 22, 34 | Maliyet ve zaman birimi başına çıktı kalitesi |
| Analist | 10, 11, 13, 14, 18, 19, 20, 27, 28, 29 | Erişim, hata tespiti, kalite kanıtı |
| Yapay zeka aracı satın alan | 1, 10, 11, 25, 31, 32, 33, 34, 38, 39 | Birimler, açıklama, güvenlik, hukuki yükümlülükler |
CEOtudent editoryal çerçevesi. Rol setleri anket verisi değil, editoryal yargıdır.
Öğrenci alışkanlığı: haftada bir aile; her terim için kullandığınız bir araç hakkında bir cümle yazın; hakkında yazamadığınız terim, sıradaki çalışma konunuzdur. Her iş için bir model seçmek bunun devamıdır ve model yönlendirme rehberinde ele alınıyor.
Bir yapay zeka tedarikçisiyle sözleşme imzalamadan önce neyi kontrol etmelisiniz?
Yazılı olarak sorun.
| # | Terim | Tedarikçiye soru | Alarm veren yanıt |
|---|---|---|---|
| 1 | Token (10) | Kullanımımızı hangi tokenizer sayıyor ve metni faturalamadan önce sayabilir miyiz? | “Yaklaşık dört karakter”, sayma aracı yok |
| 2 | Bağlam penceresi (11) | Bizim katmanımızdaki pencere ne kadar ve onu aştığımızda ne oluyor? | Yalnızca en üst katmanın maksimum değeri belirtiliyor |
| 3 | Girdi ve çıktı token’ları (34) | Akıl yürütme adımları ve araç sonuçları faturalandırılıyor mu, hangi ücretle? | Yalnızca girdi fiyatı belirtiliyor |
| 4 | Temel model (1) | Bize hangi model ve sürüm hizmet veriyor ve değişikliklerden nasıl haberdar ediliyoruz? | “Her zaman en iyi modeli kullanıyoruz” |
| 5 | İnce ayar (6) | Verilerimiz herhangi bir modeli eğitmek ya da ayarlamak için kullanılacak mı? | Yazılı yanıt yok |
| 6 | Dayandırma (20) | Yanıtlar, dayandıkları tam pasaja atıf veriyor mu? | Yalnızca belgelerin bütününe atıf |
| 7 | Prompt enjeksiyonu (25) | İçeri alınan belgelerde gizlenmiş talimatlar nasıl ele alınıyor? | “Modelimiz güvenli” |
| 8 | Model kartı ve eval (31, 28) | Model kartını görebilir ve önce kendi test setimizi çalıştırabilir miyiz? | Yalnızca liderlik tablosu puanları |
| 9 | Sağlayıcı ve uygulayıcı (38, 39) | AB Yapay Zeka Yasası kapsamında sağlayıcı kim ve uygulayıcı olarak bizden ne bekliyorsunuz? | Konu önemsiz sayılıyor |
| 10 | İnsan gözetimi (26) | Bir kişi bir eylemi nerede inceleyebilir, geçersiz kılabilir ya da durdurabilir? | Yalnızca olay sonrası bir gösterge paneli |
CEOtudent editoryal çerçevesi.
Bu sözlüğün yapmadıkları
Genel bilgidir, hukuki tavsiye değildir: sağlayıcı mı yoksa uygulayıcı mı olduğunuz, bir sözlüğün göremeyeceği olgulara bağlıdır. Tedarikçileri sıralamaz; token tablosu ölçülmüş sayımları değil, pratik kuralları karşılaştırır. Ve kelime dağarcığı akıcılık değildir: NIST’in “konfabulasyon” kelimesini bilmek okuryazarlıktır; bir tedarikçi demosunda bir konfabulasyonu yakalamak ise beceridir.
Sıkça sorulan sorular
Doğru terim “halüsinasyon” mu, “konfabulasyon” mu?
İkisi de. Araştırmalar çoğunlukla halüsinasyon der; NIST konfabulasyon der. Kitlenizin çerçevesini kullanın ve kastettiğiniz hatayı adıyla belirtin.
2026 Dijital Omnibus, AB Yapay Zeka Yasası’ndaki tanımları değiştirdi mi?
Yalnızca dar bir ölçüde: “güvenlik bileşeni” tanımını yeniden yazdı ve KOBİ ile küçük orta ölçekli şirket tanımlarını ekledi. Bu sözlükteki tanımlar değişmedi, ancak Madde 4’teki okuryazarlık yükümlülüğü yumuşadı ve yüksek risk takvimleri ileriye kaydı.
Bir milyon token’a kaç kelime sığar?
Tokenizer’a bağlı. Google’ın 100 token başına 60-80 İngilizce kelime kuralı, Gemini modelleri için 600.000-800.000 kelime anlamına gelir; diğer tokenizer’lar farklıdır.
Bir ajan ile bir iş akışı arasındaki fark nedir?
Bir iş akışı önceden tanımlanmış kod yollarını izler; bir ajan ise kendi adımlarına ve araç kullanımına kendisi karar verir. İş akışlarını test etmek daha kolaydır.
MCP bir ürün mü?
Hayır. Açık bir protokoldür; ürünler onu, onay ve izinlere farklı düzeylerde özen göstererek uygular.
Kaynaklar
- Regulation (EU) 2024/1689 (Artificial Intelligence Act). Official Journal of the European Union (Avrupa Birliği Resmi Gazetesi), 12 Temmuz 2024. Madde 3, 4, 14, 51; gerekçe 102 ve 104.
- Regulation (EU) 2026/1744 (Digital Omnibus on AI). Official Journal of the European Union (Avrupa Birliği Resmi Gazetesi), 24 Temmuz 2026.
- OECD. Explanatory Memorandum on the Updated OECD Definition of an AI System. OECD Artificial Intelligence Papers No. 8, Mart 2024.
- NIST. AI Risk Management Framework (AI RMF 1.0), NIST AI 100-1, Ocak 2023.
- NIST. Generative Artificial Intelligence Profile, NIST AI 600-1, Temmuz 2024.
- NIST. Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations, NIST AI 100-2e2025, Mart 2025.
- Vaswani, A. ve diğerleri. Attention Is All You Need. NIPS 2017 (arXiv 1706.03762).
- Lewis, P. ve diğerleri. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 2020 (arXiv 2005.11401).
- Ouyang, L. ve diğerleri. Training language models to follow instructions with human feedback. 2022 (arXiv 2203.02155).
- Hinton, G., Vinyals, O. ve Dean, J. Distilling the Knowledge in a Neural Network. 2015 (arXiv 1503.02531).
- Shazeer, N. ve diğerleri. Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. 2017 (arXiv 1701.06538).
- Wei, J. ve diğerleri. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022 (arXiv 2201.11903).
- Bommasani, R. ve diğerleri. On the Opportunities and Risks of Foundation Models. Stanford CRFM, 2021 (arXiv 2108.07258).
- Mikolov, T. ve diğerleri. Efficient Estimation of Word Representations in Vector Space. 2013 (arXiv 1301.3781).
- Ji, Z. ve diğerleri. Survey of Hallucination in Natural Language Generation. ACM Computing Surveys ön baskısı, 2022 (arXiv 2202.03629).
- Mitchell, M. ve diğerleri. Model Cards for Model Reporting. FAT* 2019 (arXiv 1810.03993).
- Liang, P. ve diğerleri. Holistic Evaluation of Language Models. Transactions on Machine Learning Research, 2023 (arXiv 2211.09110).
- Anthropic. Claude platform documentation: Glossary; Context windows; Tool use overview; Define success criteria and build evaluations. Tedarikçi dokümantasyonu, erişim tarihi 17 Kasım 2026.
- Anthropic. Building effective agents (19 Aralık 2024); Effective context engineering for AI agents (29 Eylül 2025). Tedarikçi yayınları.
- Google. Understand and count tokens, Gemini API documentation. Tedarikçi dokümantasyonu, erişim tarihi 17 Kasım 2026.
- OpenAI. How to count tokens with tiktoken, OpenAI Cookbook. Tedarikçi dokümantasyonu, erişim tarihi 17 Kasım 2026.
- Model Context Protocol. Specification, revision 2026-07-28; What is the Model Context Protocol. Proje dokümantasyonu, erişim tarihi 17 Kasım 2026.
CEOtudent analizleri: türetilmiş token sütunları, yüzde 49 karşılaştırması ve kaynak haritası tablosu. CEOtudent editoryal çerçeveleri: rol haritası ve sözleşme kontrol listesi. Bilinçli olarak kullanılmayanlar: kaç çalışanın yapay zeka terimlerini yanlış anladığına dair anket iddiaları (hiçbir birincil anket açılmadı), ISO/IEC 22989 ifadeleri (açık erişimde değil) ve kardeş bir yazıda ele alınan tedarikçi bağlam penceresi boyutları.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.















