# Transformer Mimarisi Nedir? Modern Yapay Zekanın Temeli > Source: https://sukruyusufkaya.com/blog/transformer-nedir > Updated: 2026-07-05T16:07:05.184Z > Type: blog > Category: yapay-zeka **TLDR:** Transformer nedir? Transformer mimarisi, bir metni sözcük sözcük değil, tüm parçaları aynı anda ve birbirleriyle ilişkileri üzerinden işleyen, attention mekanizması temelli bir yapay zeka mimarisidir. Bu rehber: net tanım, attention mekanizması, enkoder dekoder yapısı, pozisyonel kodlama, LLM mimarisiyle ilişkisi, gerçek dünya örnekleri, sınırlar ve sık sorulan sorular. Transformer nedir? Transformer mimarisi, bir metnin tüm parçalarını sırayla değil aynı anda işleyen ve her parçanın diğerleriyle ilişkisini attention mekanizması (dikkat mekanizması) ile hesaplayan bir yapay zeka mimarisidir. Bu yapı, bir sözcüğün anlamını yalnız kendisiyle değil, cümledeki tüm diğer sözcüklerle olan bağıyla belirler. Bugün adını sık duyduğunuz her büyük dil modeli — ChatGPT'nin arkasındaki GPT'den arama motorlarını besleyen BERT'e kadar — aynı temel fikre dayanır: Transformer. 2017'den önce dil modelleri metni tek tek, soldan sağa okuyan yavaş ağlar kullanıyordu; Transformer bu sırayı kırdı ve modern üretken yapay zekanın önünü açtı. Bu rehber transformer nedir, attention mekanizması nasıl çalışır, enkoder dekoder yapısı nedir, pozisyonel kodlama neden gerekir ve bu mimarinin LLM mimarisiyle ilişkisi nedir sorularını uygulayıcı gözüyle yanıtlıyor. ## Transformer Neden Bu Kadar Önemli? Transformer mimarisinin önemini anlamak için ondan öncesine bakmak gerekir. 2017'ye kadar dil işleme, tekrarlayan sinir ağları (RNN) ve onların gelişmiş biçimleriyle yapılıyordu. Bu ağlar metni bir insan gibi soldan sağa, sözcük sözcük okur; her adımda bir öncekinin hafızasını taşırdı. Sorun şuydu: bu sıralı okuma hem yavaştı hem de cümlenin başındaki bir sözcükle sonundaki bir sözcük arasındaki uzak bağı korumakta zorlanıyordu. Transformer bu iki sorunu birden çözdü. Metni sıralı okumak yerine tüm sözcükleri aynı anda, paralel işledi ve aralarındaki her ilişkiyi doğrudan hesapladı. Bu değişim yalnızca hızı artırmadı; modellerin çok daha büyük veriyle eğitilmesini ve uzun bağlamı korumasını mümkün kıldı. Bugünkü üretken yapay zeka dalgasının teknik temeli, doğrudan bu mimari sıçramaya dayanır. Bu sıçramanın etkisi üç açıdan okunabilir. Birincisi, ölçek yasası netleşti: Transformer, veri ve parametre büyüdükçe öngörülebilir biçimde iyileşiyordu; bu, kurumların "daha büyük" yönünde yatırım yapmasının önünü açtı ve bugünkü dev modellerin doğmasını sağladı. İkincisi, transfer öğrenme yaygınlaştı: bir kez büyük veriyle eğitilen bir Transformer, ardından küçük bir veriyle belirli bir göreve uyarlanabiliyordu; bu, her problem için sıfırdan model eğitme zorunluluğunu ortadan kaldırdı. Üçüncüsü, tek bir mimari birçok alanı birleştirdi: metin, görüntü, ses ve kod aynı Transformer temelinde işlenebilir hâle geldi. Kısacası Transformer, yapay zekada bir eşik atlamadır; ChatGPT gibi ürünler bu sıçramanın doğrudan meyveleridir. ## Attention Mekanizması Nasıl Çalışır? Transformer mimarisinin kalbinde tek bir fikir yatar: attention mekanizması (dikkat mekanizması). Bir sözcüğün anlamı çoğu zaman tek başına belirlenemez; cümledeki diğer sözcüklerle olan ilişkisine bağlıdır. "Banka" sözcüğü "para" ile mi yoksa "nehir" ile mi geçiyor sorusu, ancak bağlama bakılarak yanıtlanır. Attention tam olarak bunu yapar: her sözcük için, cümledeki diğer sözcüklere ne kadar "dikkat" edileceğini bir ağırlık olarak hesaplar. Somut bir örnek düşünün: "Ali topu attı çünkü o ağırdı" cümlesinde "o" neye işaret ediyor? İnsan zihni bunu bağlamdan çözer. Attention mekanizması da aynısını yapar: "o" sözcüğünü işlerken "top" sözcüğüne yüksek, diğerlerine düşük ağırlık verir ve ilişkiyi kurar. Kritik nokta şudur: model bu ağırlıkları elle kodlanmış kurallarla değil, milyonlarca örnekten öğrenerek belirler. Modern Transformer bunu tek bir kez değil, aynı anda birçok farklı "bakış açısıyla" (multi-head attention, çok başlı dikkat) yapar. Bir başlık dilbilgisel ilişkilere odaklanırken bir diğeri anlamsal yakınlığa bakabilir. Bu çoklu bakış, mimarinin dilin farklı katmanlarını aynı anda yakalamasını sağlar. Attention mekanizmasının kelime birimleri üzerinde çalıştığını anlamak için token nedir rehberi de yardımcı olur. Attention mekanizması Transformer'ın kalbidir, ama tek başına çalışmaz; her Transformer katmanı birkaç bileşenin üst üste dizilmesiyle oluşur ve bu bileşenler birlikte anlamlıdır. Metin önce token'lara bölünür, ardından her token bir embedding (gömme) ile anlamsal bir vektöre çevrilir; bu vektöre pozisyonel kodlama eklenir. Bundan sonra katmanların çekirdeği başlar: dikkat katmanı ve onu izleyen ileri beslemeli ağ. Her katmanda sırasıyla şu adımlar işler: multi-head attention her token'ın diğerleriyle ilişkisini hesaplar; ardından bir ileri beslemeli ağ (feed-forward) bu bilgiyi işler; aradaki artık bağlantılar (residual connection) ve normalizasyon, bilginin derin katmanlar boyunca kaybolmadan akmasını sağlar. Kritik olan şudur: bu katman onlarca kez üst üste yığılır. Bir model "derin" oldukça, alt katmanlar yüzeysel örüntüleri (dilbilgisi, yakın ilişkiler), üst katmanlar ise daha soyut anlamı yakalar. Bu katmanlı yapı, Transformer'ın neden ölçekle güçlendiğini açıklar: daha çok katman ve daha çok parametre, dilin daha ince yapısını temsil edebilir. Bu bileşenlerin hiçbiri tek başına "zeki" değildir; güç, basit işlemlerin büyük ölçekte ve doğru sırayla tekrarlanmasından doğar. Transformer nedir sorusunun teknik cevabı da tam olarak budur: attention, embedding, pozisyonel kodlama ve ileri beslemeli katmanların, paralel ve yığılabilir biçimde bir araya getirilmesi. ## Transformer ile RNN Arasındaki Fark Nedir? Transformer'ı gerçekten anlamak için, yerini aldığı mimariyle — tekrarlayan sinir ağlarıyla (RNN) — karşılaştırmak gerekir. İki yaklaşım arasındaki fark yalnızca hız değil, metne bakış biçiminin tümüdür. Tablodaki en belirleyici satır "uzak ilişki" satırıdır. Bir RNN, cümlenin başındaki bir öznenin sonundaki bir yükleme etkisini, aradaki her adımda biraz daha kaybeder; buna uzun bağımlılık sorunu denir. Transformer bu sorunu attention ile kökten çözer: iki sözcük cümlenin ne kadar uzağında olursa olsun, aralarındaki ilişki doğrudan ve tek adımda hesaplanır. İşte modern modellerin uzun metinlerde tutarlı kalabilmesinin temel nedeni budur. ## Enkoder Dekoder Yapısı Nedir? Orijinal Transformer mimarisi iki ana bölümden oluşur: enkoder ve dekoder. Enkoder (encoder), girdiyi "anlamakla" görevlidir: gelen metni okur ve her sözcüğü, bağlamıyla zenginleşmiş bir anlam temsiline çevirir. Dekoder (decoder) ise "üretmekle" görevlidir: enkoderin çıkardığı bu anlamı ve o ana kadar üretilmiş çıktıyı kullanarak bir sonraki sözcüğü tahmin eder. Bu enkoder dekoder ikilisi, örneğin makine çevirisinde doğal olarak işler: enkoder kaynak cümleyi anlar, dekoder hedef dilde cümleyi üretir. Ancak modern modeller çoğu zaman bu iki bölümün yalnız birini kullanır. Bu ayrımı görmek, bugünkü model isimlerini çözmenin anahtarıdır. Bu tablo neden bazı modellerin sohbette, bazılarının aramada güçlü olduğunu açıklar. GPT gibi yalnız dekoder modeller sürekli bir sonraki sözcüğü tahmin ettiği için üretimde; BERT gibi yalnız enkoder modeller metnin tamamını iki yönlü okuyabildiği için anlamada öne çıkar. Bunların hepsi büyük dil modelidir; ayrıntı için LLM nedir rehberine bakabilirsiniz. ## Pozisyonel Kodlama Neden Gerekir? Transformer'ın gücü olan paralel işleme, aynı zamanda ilginç bir sorun doğurur. Model tüm sözcükleri aynı anda gördüğü için, hangi sözcüğün önce hangisinin sonra geldiğini kendiliğinden bilemez. Oysa dilde sıra anlamı taşır: "köpek adamı ısırdı" ile "adam köpeği ısırdı" aynı sözcükleri içerir ama tam tersi şeyleri anlatır. Sıra bilgisi olmadan Transformer bu ikisini ayırt edemezdi. Çözüm pozisyonel kodlamadır (positional encoding). Her sözcüğün temsiline, cümledeki konumunu belirten matematiksel bir sinyal eklenir. Böylece model her sözcüğü hem "ne olduğu" hem de "kaçıncı sırada olduğu" bilgisiyle birlikte işler. Pozisyonel kodlama, paralel işlemenin hızından ödün vermeden dilin sıralı doğasını mimariye geri kazandıran zarif bir çözümdür; Transformer'ı çalışır kılan sessiz ama vazgeçilmez bir bileşendir. ## Transformer ve LLM Mimarisi Arasındaki İlişki Sık karşılaşılan bir karışıklık şudur: Transformer ile büyük dil modeli (LLM) aynı şey midir? Değildir, ama iç içedir. Transformer bir mimari — bir tasarım şablonudur. Büyük dil modeli ise bu mimarinin çok büyük ölçekte, çok büyük veriyle eğitilmiş somut bir örneğidir. Yani her modern LLM bir Transformer'dır, ama Transformer mimarisi tek başına bir LLM değildir; onu LLM yapan şey ölçek, veri ve eğitimdir. Bu ilişkiyi bir benzetmeyle netleştirelim: Transformer, bir motorun tasarımı gibidir; LLM ise o motorla üretilmiş, yollarda gerçekten giden bir araçtır. Aynı mimari, farklı boyutlarda ve farklı amaçlarla sayısız modele dönüşür. Transformer mimarisi, LLM'lerin üzerine kurulduğu temel tasarımdır. GPT, BERT, T5 ve daha birçok model aynı Transformer fikrinin farklı biçimleridir. Bu yüzden "Transformer'ı anlamak", tek tek modelleri değil, hepsinin ortak dilini anlamaktır. Bu ayrımı görmek, alandaki gürültüden sıyrılmayı sağlar. Yeni bir model çıktığında sorulacak doğru soru "bu sihirli mi?" değil, "aynı Transformer temelinde hangi ölçek, veri ve ince ayar farklarıyla geliyor?" sorusudur. Temeli sağlamsa gerisini değerlendirmek kolaylaşır. ## Transformer'ın Gerçek Dünya Kullanımı Transformer mimarisi bugün yalnız akademik bir kavram değil, günlük hayatın içinde çalışan bir altyapıdır. En görünür örnek sohbet asistanlarıdır: ChatGPT ve benzeri araçların ürettiği her cümle, bir dekoder-Transformer'ın bir sonraki sözcüğü tahmin etmesiyle oluşur. Arama motorları, kullanıcının sorgusunun gerçek niyetini anlamak için enkoder-Transformer'lardan (BERT ailesi) yararlanır. Kurumsal tarafta Transformer, çok daha geniş bir yelpazede iş görür: müşteri destek mesajlarını sınıflandırma, uzun sözleşmeleri özetleme, belgeler arasında anlamsal arama ve çok dilli çeviri. OpenAI, Google ve Hugging Face gibi kurumların sunduğu modellerin neredeyse tamamı bu mimariye dayanır; Hugging Face özellikle açık Transformer modellerini paylaşan merkezî bir platform hâline gelmiştir. Metin dışına çıkıldığında bile mimari değişmez: Vision Transformer görselleri parçalara bölerek aynı attention mantığını uygular ve bilgisayarlı görü alanında da güçlü sonuçlar verir. Somut bir kurumsal senaryo düşünelim: Türkiye'de faaliyet gösteren bir sigorta şirketi, binlerce sayfalık poliçe ve mevzuat belgesine sahip. Bir enkoder-Transformer, gelen müşteri e-postalarını doğru departmana yönlendirir; bir dekoder-Transformer ise temsilciye taslak yanıt önerir. Aynı belgeler üzerinde anlamsal arama, "hasar bildirimi ne kadar sürede yapılmalı?" gibi bir soruyu, belge farklı sözcükler kullansa bile doğru maddeye bağlar. Bu üç işin de tek ortak paydası vardır: hepsi Transformer mimarisi üzerinde çalışır. Türkiye özelinde bu kullanım, üretken yapay zekaya olan yüksek ilgiyle birleşince belirgin bir fırsata dönüşür. Kurumların çoğu için doğru başlangıç, Transformer temelli bir modeli sıfırdan eğitmek değil, mevcut modelleri kendi verisiyle ve RAG gibi mimarilerle doğru biçimde uygulamaktır. Bu tür bir kurumsal bilgi erişimi çözümünü güvenli kurmak için kurumsal RAG sistemleri çözümüne göz atabilir, temel kavramları ekibinizle pekiştirmek için öğrenme merkezine bakabilirsiniz. ## Transformer'ın Sınırları ve Yaygın Yanılgılar Transformer güçlüdür ama sınırsız değildir; bu mimariyi doğru değerlendirmek için sınırlarını da bilmek gerekir. En temel sınır hesaplama maliyetidir: attention mekanizması, her sözcüğü her diğer sözcükle karşılaştırdığı için metin uzadıkça maliyet hızla artar. Bu yüzden modellerin işleyebileceği bağlam uzunluğu (context window) sınırlıdır ve çok uzun belgeler ek mühendislik gerektirir. İkinci bir yaygın yanılgı, Transformer'ın "anladığı" varsayımıdır. Mimari, sözcükler arası istatistiksel ilişkileri olağanüstü iyi yakalar, ama bu insan anlamındaki bir kavrayış değildir. Model tutarlı ve akıcı üretir; bu onu bilinçli ya da gerçekten "bilen" yapmaz. Bu ayrımı kaçırmak, üretken yapay zekaya dair en yaygın abartıların kaynağıdır. Bu sınırların hiçbiri Transformer'ı zayıflatmaz; yalnızca onu doğru yerde ve doğru beklentiyle kullanmayı gerektirir. Mimarinin gücü, sınırlarını bilerek kurgulandığında ortaya çıkar. ## Sıkça Sorulan Sorular ### Transformer ile RNN arasındaki fark nedir? RNN metni sözcük sözcük sırayla işler; Transformer ise tüm sözcükleri aynı anda paralel işler ve aralarındaki ilişkiyi attention mekanizmasıyla kurar. Bu paralellik, çok daha büyük veriyle ve daha hızlı eğitimi mümkün kılar; uzun bağlamı korumak da kolaylaşır. ### Attention mekanizması ne işe yarar? Attention mekanizması, bir sözcüğün anlamını belirlerken cümledeki diğer sözcüklere ne kadar "dikkat" edileceğini hesaplar. Örneğin "onu" sözcüğünün neye işaret ettiği, cümledeki hangi isme daha çok ağırlık verildiğine göre çözülür; model bu ağırlıkları veriden öğrenir. ### GPT bir Transformer mı? Evet. GPT (Generative Pre-trained Transformer) adındaki "T" harfi Transformer'ı ifade eder ve yalnız dekoder bölümünü kullanan bir Transformer türüdür. BERT ise yalnız enkoder kullanır. Her ikisi de aynı temel Transformer mimarisine dayanır. ### Pozisyonel kodlama neden gereklidir? Transformer tüm sözcükleri aynı anda gördüğü için, tek başına hangi sözcüğün önce hangisinin sonra geldiğini bilemez. Pozisyonel kodlama, her sözcüğe sırasını belirten bir sinyal ekler; böylece "köpek adamı ısırdı" ile "adam köpeği ısırdı" cümleleri farklı anlaşılır. ### Transformer sadece metin için mi kullanılır? Hayır. İlk olarak dil için tasarlansa da Transformer bugün görüntü, ses ve çok modlu (multimodal) sistemlerde de kullanılıyor. Vision Transformer görselleri parçalara bölerek aynı attention mantığını uygular; mimarinin genelliği onu metin dışına taşıdı. ### Transformer mimarisini kim geliştirdi? Transformer, Google araştırmacılarının 2017'de yayımladığı "Attention Is All You Need" başlıklı makaleyle tanıtıldı. Bu makale, o güne kadar baskın olan tekrarlayan ağların (RNN) yerine tümüyle attention mekanizmasına dayanan bir mimari önerdi ve modern yapay zekanın yönünü değiştirdi. ## Özetle: Transformer Nedir? Özetle transformer nedir sorusunun cevabı şudur: metnin tüm parçalarını aynı anda işleyen ve sözcükler arası ilişkiyi attention mekanizması ile kuran, modern yapay zekanın temelini oluşturan mimari. Enkoder girdiyi anlar, dekoder çıktıyı üretir; pozisyonel kodlama sıra bilgisini korur ve bu mimari, GPT'den BERT'e tüm LLM mimarisinin çekirdeğidir. Temel için yapay zeka nedir ve LLM nedir rehberlerine göz atabilir, kurumsal uygulama için yapay zeka danışmanlığı ile başlayabilir ya da ekibinizi geliştirmek için yapay zeka eğitimleri sayfasına bakabilirsiniz.