# Yapay Zeka Nedir? 2026 Türkçe Kapsamlı Rehber

> Source: https://sukruyusufkaya.com/blog/yapay-zeka-nedir
> Updated: 2026-07-05T04:55:55.117Z
> Type: blog
> Category: yapay-zeka
**TLDR:** Yapay zeka nedir? Yapay zeka (AI), makinelerin insan benzeri öğrenme, akıl yürütme, algılama ve karar verme yeteneklerini taklit etmesini sağlayan disiplinler bütünüdür. Bu rehber 2026 itibarıyla AI'ın tanımını, türlerini, çekirdek teknolojilerini, sektörel uygulamalarını ve Türkiye'ye özgü düzenleyici çerçeveyi tek bir referansta toplar.

<tldr data-summary='["Yapay zeka, verileri kullanarak öğrenen, akıl yürüten ve karar veren makineler tasarlayan bilim ve mühendislik disiplinidir.","Modern AI üç katmandan oluşur: makine öğrenmesi (öğrenme), derin öğrenme (örüntü tanıma) ve üretken AI (içerik üretme).","2026 ekosistemini LLM’ler (GPT-5, Claude Opus 4.7, Gemini 3), AI agent’lar, multimodal modeller ve MCP gibi protokoller yönlendiriyor.","Türkiye, KVKK + EU AI Act + ISO 42001 çerçevesinde uyum sürecindedir; ISO 42001 sertifikası kurumsal AI yönetişiminin altın standardı haline geldi.","AI’ın kurumsal değeri dört kaldıraçta ölçülür: maliyet azaltma, gelir artırma, hız iyileştirme ve risk azaltma."]' data-one-line="Yapay zeka, verileri işleyerek öğrenen, akıl yürüten ve karar veren — insan-benzeri bilişsel görevleri otomatikleştiren bütünleşik teknoloji disiplinidir."></tldr>

Yapay zeka nedir? Yapay zeka, makinelerin insana özgü sayılan öğrenme, akıl yürütme, algılama ve karar verme yeteneklerini taklit etmesini sağlayan bilim ve mühendislik disiplinidir. Bu kapsamlı rehber; yapay zekanın tanımını, türlerini, çekirdek teknolojilerini, Türkiye’deki sektörel uygulamalarını ve düzenleyici çerçeveyi tek bir referansta topluyor.

## 1. Yapay Zeka Nedir? Tanımı ve Kapsamı

Yapay zeka kavramı 1956'da John McCarthy tarafından Dartmouth Konferansı'nda ortaya atıldığında, "akıllı makineler yapma bilimi ve mühendisliği" olarak tanımlandı. 2026 itibarıyla bu tanım hala geçerli olsa da, kapsam çok genişledi: bugün **yapay zeka**, verilerden öğrenip yeni durumlara genelleyebilen, doğal dilde iletişim kurabilen, görselleri yorumlayabilen, plan yapabilen ve eylem alabilen yazılım sistemlerini ifade ediyor.

<definition-box data-term="Yapay Zeka (Artificial Intelligence, AI)" data-definition="Makinelerin algılama, akıl yürütme, öğrenme, planlama ve dil anlama gibi insan-benzeri bilişsel görevleri yerine getirmesini sağlayan bilim ve mühendislik disiplini. Genelde dört yetenek alanında değerlendirilir: öğrenme, akıl yürütme, algılama, karar verme." data-also="AI, Suni Zeka" data-wikidata="Q11660"></definition-box>

Pratik açıdan AI'ı dört yetenek ekseninde düşünmek faydalıdır:

- **Öğrenme (Learning):** Verilerden örüntü çıkarma — örnek: müşteri davranışını tahmin eden öneri sistemleri.
- **Akıl yürütme (Reasoning):** Verili bilgilerden çıkarımlar yapma — örnek: hukuki bir sözleşmenin risk maddelerini bulan LLM.
- **Algılama (Perception):** Görsel, ses, metin sinyallerini yorumlama — örnek: MR görüntüsünden tümör tespiti.
- **Karar verme (Decision-making):** Hedef-yönelimli eylem seçme — örnek: otonom drone'un engelden kaçınması.

### 1.1. Yapay Zeka, Makine Öğrenmesi, Derin Öğrenme: Bu Üçü Aynı Şey mi?

Hayır. Yapay zeka **şemsiye terim**dir; makine öğrenmesi (ML) AI'ın bir alt kümesi, derin öğrenme (DL) ise ML'in bir alt kümesidir. **Üretken AI (Generative AI)** ise derin öğrenmenin son nesil uygulamalarıdır. Aşağıdaki katmanlı yapı bu hiyerarşiyi netleştirir:

- **Yapay Zeka** ⊇ **Makine Öğrenmesi** ⊇ **Derin Öğrenme** ⊇ **Büyük Dil Modelleri / Üretken AI**

Bir başka deyişle: her LLM aynı zamanda bir derin öğrenme modelidir, ama her derin öğrenme modeli LLM değildir; her ML modeli bir AI sistemidir, ama her AI sistemi (örneğin kural-tabanlı uzman sistemler) ML kullanmaz.

## 2. Yapay Zekanın Türleri: ANI, AGI, ASI ve Davranış Sınıfları

Yapay zeka iki ayrı boyutta sınıflandırılır. **Yetenek seviyesi** bakış açısı (ne kadar geniş işi yapabildiği) ve **davranış seviyesi** bakış açısı (ne tür bilişsel süreçleri taklit ettiği).

### 2.1. Yetenek Seviyesi

<comparison-table data-caption="Yapay Zeka Yetenek Seviyeleri (2026 Durumu)" data-headers='["Tür","Tanım","Örnek","Mevcut Durum"]' data-rows='[{"feature":"ANI (Dar AI)","values":["Tek bir görevde uzmanlaşmış sistemler","ChatGPT, Midjourney, AlphaFold, öneri motorları","Yaygın üretim"]},{"feature":"AGI (Genel AI)","values":["İnsan seviyesinde her bilişsel görevi yapabilen sistem","-","Aktif araştırma, kısmi sinyaller"]},{"feature":"ASI (Süper AI)","values":["Tüm bilişsel görevlerde insanı kat kat aşan sistem","-","Teorik tartışma"]}]'></comparison-table>

Şu an piyasada gördüğümüz her ürün — ChatGPT, Claude, Gemini, Midjourney, Sora, AlphaFold, Cursor — **ANI** kategorisindedir. Dil modelleri çok geniş yetenek profili sergilese de, "her görev" yapan bir sistem değiller; spesifik dağılımdaki verilerde uzmanlaşmış sistemlerdir. **AGI** için ne kadar yakın olduğumuz 2026'nın en tartışmalı sorularından biri; OpenAI, Anthropic ve DeepMind farklı tahminler veriyor.

### 2.2. Davranış Seviyesi

Stanford araştırmacısı Arend Hintze'in dört seviyeli sınıflandırması yaygın olarak kullanılır:

1. **Reactive Machines** — Hafızasız tepkisel sistemler. Örnek: IBM Deep Blue, AlphaGo'nun ilk versiyonu.
2. **Limited Memory** — Yakın geçmiş verilerini kullanan sistemler. Örnek: otonom araçların sensor verilerini saniyeler boyu hatırlaması.
3. **Theory of Mind** — Başkalarının zihinsel durumlarını modelleyebilen sistemler. Henüz tam anlamıyla yok; sosyal robotlarda erken araştırma.
4. **Self-aware AI** — Kendi varoluşunun farkında olan sistemler. Tamamen teorik.

Günümüz LLM'leri 1. ve 2. seviyenin karışımıdır: konuşma boyunca context window'da yakın geçmişi hatırlarlar, ancak gerçek kalıcı epizodik hafızaları yoktur.

## 3. Yapay Zekanın Tarihçesi: 1950'den 2026'ya 10 Dönüm Noktası

1. **1950 — Turing Testi:** Alan Turing "Computing Machinery and Intelligence" makalesinde, "bir makine düşünebilir mi?" sorusunu ele alır ve testin temellerini atar.
2. **1956 — Dartmouth Konferansı:** McCarthy "artificial intelligence" terimini kullanır; alan resmi olarak doğar.
3. **1958 — Perceptron:** Frank Rosenblatt'ın geliştirdiği ilk öğrenebilen yapay sinir ağı.
4. **1974-1980 ve 1987-1993 — AI Kışları:** Beklentilerin karşılanmaması ve hesaplama gücü yetersizliği nedeniyle finansman kuruyor.
5. **1997 — Deep Blue:** IBM'in satranç motoru, dünya şampiyonu Garry Kasparov'u yener.
6. **2012 — AlexNet:** ImageNet yarışmasında derin öğrenme rakiplerini büyük farkla geçer; "derin öğrenme devrimi" başlar.
7. **2017 — Transformer Mimarisi:** Google araştırmacılarının "Attention Is All You Need" makalesi, modern LLM'lerin temelini atar.
8. **2020 — GPT-3:** OpenAI'ın 175 milyar parametreli modeli, few-shot learning yetenekleriyle endüstriyi şaşırtır.
9. **2022 — ChatGPT:** AI'ı son kullanıcıya getirir; 2 ayda 100 milyon kullanıcıya ulaşır.
10. **2024-2026 — Çok-Modlu ve Agentic Çağ:** GPT-5, Claude Opus 4.7 (1M context), Gemini 3, MCP protokolü, multi-agent sistemler.

<stat-callout data-value="100M" data-context="ChatGPT'nin 30 Kasım 2022'de yayınlanmasından sonraki 2 ay içinde ulaştığı aktif kullanıcı sayısı —" data-outcome="tarihteki en hızlı kullanıcı kazanan tüketici uygulamasıdır." data-source='{"label":"UBS / Yahoo Finance","url":"https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/","date":"2023"}'></stat-callout>

## 4. Modern AI'ın Çekirdek Teknolojileri

2026'da AI ekosistemi altı çekirdek teknoloji alanından oluşur. Her biri farklı problem sınıflarına çözüm üretir.

### 4.1. Makine Öğrenmesi (ML)

Verilerden manuel kural kodlamadan öğrenen algoritmalar bütünü. Üç ana paradigma:

- **Denetimli öğrenme (supervised):** Etiketli verilerle eğitim. Örnek: e-postanın spam olup olmadığını sınıflandırma.
- **Denetimsiz öğrenme (unsupervised):** Etiket olmadan örüntü bulma. Örnek: müşteri segmentasyonu (kümeleme).
- **Pekiştirmeli öğrenme (reinforcement):** Çevreden gelen ödül sinyalleriyle öğrenme. Örnek: otonom robotun yürümeyi öğrenmesi.

### 4.2. Derin Öğrenme (DL)

Çok katmanlı yapay sinir ağlarına dayalı ML alt-alanı. Görüntü, ses ve metin gibi yüksek-boyutlu verilerde insan-üstü performans sergiler. CNN (konvolüsyonel sinir ağları), RNN, LSTM ve günümüzde **Transformer** mimarisi başlıca yapı taşlarıdır.

### 4.3. Doğal Dil İşleme (NLP)

Dil-tabanlı görevleri (sınıflandırma, çeviri, soru-cevap, özetleme) ele alan AI alt-alanı. 2018-2020 arası **BERT** ve **GPT** ile dönüşüm yaşadı; bugün LLM'ler NLP'nin neredeyse tamamına hizmet ediyor.

### 4.4. Bilgisayarlı Görü (Computer Vision, CV)

Görüntü ve videodan anlam çıkaran sistemler. Sınıflandırma, nesne tespiti, segmentasyon, görsel-dil hizalama gibi alt görevleri içerir. Tıbbi görüntüleme, otonom araçlar, fabrika kalite kontrolü başlıca uygulama alanlarıdır.

### 4.5. Pekiştirmeli Öğrenme (Reinforcement Learning, RL)

Bir ajanın çevreyle etkileşim kurarak ödülü maksimize etmeyi öğrendiği paradigma. AlphaGo, AlphaZero ve robot kontrol sistemleri başlıca örneklerdir. LLM'lerde **RLHF (insan geri bildirimi ile pekiştirme)** ve **DPO** önemli rol oynar.

### 4.6. Üretken AI (Generative AI)

Yeni içerik (metin, görsel, ses, video, kod) üreten modeller. Diffusion modelleri (Stable Diffusion, Flux, Sora) ve Transformer tabanlı LLM'ler bu kategorinin omurgasıdır. **2022-2026 dönemini şekillendiren ana akımdır.**

## 5. Büyük Dil Modelleri (LLM'ler) ve Transformer Mimarisi

LLM'ler 2026'nın "altyapı" katmanıdır — bulut altyapısı gibi, üzerine binlerce uygulama inşa ediliyor.

<definition-box data-term="Büyük Dil Modeli (Large Language Model, LLM)" data-definition="Milyarlarca parametre içeren, internet ölçekli metin korpusu üzerinde önceden eğitilmiş, doğal dilde anlama, akıl yürütme ve üretim yapabilen Transformer tabanlı derin öğrenme modeli. GPT, Claude, Gemini, Llama, Mistral ve DeepSeek başlıca örneklerdir." data-also="LLM, Foundation Model" data-wikidata="Q115305900"></definition-box>

### 5.1. Transformer Mimarisi

2017'de Vaswani ve arkadaşlarının yayınladığı **"Attention Is All You Need"** makalesi, NLP alanını kökten değiştirdi. Transformer'ın temel yapı taşları:

- **Self-Attention:** Bir cümle içindeki her kelimenin diğer tüm kelimelerle ilişkisini hesaplar. Bu sayede uzun bağlamlı bağımlılıkları öğrenebilir.
- **Pozisyon kodlama (positional encoding):** Sıra bilgisini modele aktarır.
- **Çok-başlı dikkat (multi-head attention):** Farklı ilişki tiplerini paralel olarak öğrenir.
- **Feed-forward katmanlar ve residual bağlantılar:** Derin yığılma kararlılığı sağlar.

### 5.2. Token, Embedding, Context Window

LLM'ler metni doğrudan değil, **token** denilen alt-birim parçalarda işler. "Yapay zeka" ifadesi örneğin 3-4 token olarak parçalanır. Her token önce yüksek-boyutlu bir vektöre (**embedding**) çevrilir; bu vektör kelimelerin anlamsal yakınlığını sayısal olarak temsil eder. Modelin aynı anda bakabildiği token sayısı **context window** olarak adlandırılır:

<comparison-table data-caption="2026 LLM Karşılaştırması (Bayrak Modeller)" data-headers='["Model","Context Window","Çok-Modluluk","Güçlü Tarafı"]' data-rows='[{"feature":"GPT-5","values":["256K","Metin+Görsel+Ses+Video","Akıl yürütme zinciri"]},{"feature":"Claude Opus 4.7","values":["1M","Metin+Görsel","Uzun bağlam, kod, agent kullanımı"]},{"feature":"Gemini 3","values":["2M","Metin+Görsel+Ses+Video","Google ekosistemi entegrasyonu"]},{"feature":"Llama 4 (açık)","values":["128K","Metin+Görsel","Yerelde çalıştırılabilir"]},{"feature":"DeepSeek R2","values":["128K","Metin","Düşük maliyet, açık ağırlıklı"]}]'></comparison-table>

### 5.3. Eğitim Aşamaları

Modern bir LLM üç aşamada eğitilir:

1. **Pretraining (Önceden Eğitim):** Trilyonlarca token üzerinde sonraki kelimeyi tahmin etme görevi.
2. **Supervised Fine-tuning (SFT):** Talimat-takip yetisi için yüksek kaliteli soru-cevap çiftleri.
3. **RLHF / DPO:** İnsan tercihlerine göre cevap kalitesini hizalama.

## 6. Üretken AI: Metin, Görsel, Ses, Video, Kod

Üretken AI 2026'da beş modaliteyi kapsıyor. Her birinde lider ürünler ve kullanım alanları farklılaşıyor.

### 6.1. Metin Üretimi

ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Mistral, Llama. Kullanım: müşteri hizmetleri, içerik üretimi, kod yardımı, hukuki/finansal analiz.

### 6.2. Görsel Üretimi

Midjourney, DALL-E 3, Stable Diffusion 3, **Flux.1** (Black Forest Labs). Tasarım, reklam, e-ticaret görseli, mimari görselleştirme.

### 6.3. Ses Üretimi ve Klonlama

ElevenLabs (TTS ve ses klonlama), Suno, Udio (müzik). Podcast dublajı, sesli kitap, eğitim içeriği, marka sesi.

### 6.4. Video Üretimi

OpenAI Sora, Runway Gen-3, Kling AI, Google Veo 3. Reklam, içerik, prototipleme.

### 6.5. Kod Üretimi

GitHub Copilot, **Cursor**, **Claude Code**, Windsurf, Cline. Geliştirici verimliliği McKinsey çalışmalarına göre %30-50 oranında artıyor.

## 7. AI Agent'lar ve Model Context Protocol (MCP)

2025-2026'nın en önemli mimari kayması: AI sistemleri artık sadece soru-cevap yapmıyor; çoklu adımlı görevleri otonom olarak yürütüyor.

<definition-box data-term="AI Agent" data-definition="Belirli bir hedefi gerçekleştirmek için ortamı algılayan, plan yapan, araçları (tool) kullanan ve eylemler alan AI sistemi. Tipik mimarisi: hedef + LLM beyni + araç kataloğu + hafıza + döngüsel karar verme."></definition-box>

### 7.1. AI Agent Mimarisi

Bir agent dört bileşenden oluşur:

1. **Planner (Planlayıcı):** Hedefi alt görevlere böler. Tipik olarak Chain-of-Thought veya ReAct pattern'i kullanır.
2. **Executor (Yürütücü):** Araçları (API, veritabanı, tarayıcı, dosya sistemi) çağırır.
3. **Memory (Hafıza):** Kısa süreli (context window) ve uzun süreli (vektör DB) hafıza katmanları.
4. **Reflector (Yansıma):** Aldığı sonuçları değerlendirir, gerekirse planı revize eder.

### 7.2. Model Context Protocol (MCP)

Anthropic'in Kasım 2024'te tanıttığı **MCP**, AI modellerinin harici veri kaynaklarına ve araçlara güvenli ve standart bir şekilde bağlanması için bir açık protokoldür. 2026 itibarıyla OpenAI, Google ve büyük SaaS sağlayıcıları MCP desteği eklemiştir.

<callout-box data-variant="answer" data-title="Pratik Etki">

MCP, AI agent'larını **veri silolarından çıkarıp** kurumsal sistemlere (CRM, ERP, ticket sistemi, dosya depoları) standart bir köprüyle bağlamayı mümkün kılıyor. Bir Türk bankasının destek ekibinin, müşteri sorgusunu LLM ile cevaplayıp aynı oturumda CRM'e ticket açabilmesi MCP sayesinde haftalar yerine günler içinde devreye alınabiliyor.

</callout-box>

## 8. Yapay Zekanın Sektörel Uygulamaları — Türkiye Perspektifi

AI 2026'da hemen hemen her sektörde üretim sistemlerinin parçası. Türkiye'deki somut örneklerle on iki sektörü inceleyelim.

### 8.1. Bankacılık ve Finans

Garanti BBVA, İş Bankası ve Akbank kredi skorlama, dolandırıcılık tespiti ve müşteri segmentasyonunda AI kullanıyor. RAG tabanlı chatbot'lar bankacılık asistanlığı için yaygınlaşıyor. KVKK ve BDDK düzenlemeleri **veri yerleşimini (data residency)** kritik kılıyor.

### 8.2. Sağlık

Radyolojide MR/BT görüntülerinden tümör, kırık ve hemoraji tespiti; klinik karar destek sistemleri; ilaç keşfi (AlphaFold sonrası protein katlanması). Türkiye'de **TÜSEB** AI sağlık projelerini koordine ediyor.

### 8.3. E-Ticaret

Trendyol, Hepsiburada ve n11 öneri sistemleri, ürün eşleştirme, AI ürün açıklaması, talep tahmini için LLM ve ML kullanıyor. **Trendyol-LLM** Türkçe e-ticaret odaklı yerli model olarak ön plana çıkıyor.

### 8.4. Hukuk

Sözleşme analizi, dava sonuç tahmini, hukuki araştırma asistanları. Türkiye'de İstanbul Barosu LegalTech inisiyatifi ve birçok hukuk teknolojisi girişimi (örn. Hukukio, Davavekili) RAG mimarileri üzerine kuruluyor.

### 8.5. Eğitim

Adaptif öğrenme platformları, otomatik soru üretimi, kişiselleştirilmiş geri bildirim. Khan Academy'nin Khanmigo'su, MEB'in dijital eğitim girişimleri.

### 8.6. Üretim ve Endüstri 4.0

Predictive maintenance, kalite kontrolü (CV ile), enerji optimizasyonu. Ford Otosan, Tofaş ve TUSAŞ AI projelerini hızlandırıyor.

### 8.7. Lojistik

Rota optimizasyonu, talep tahmini, depo robotikası. Türk lojistik şirketleri Aras Kargo, MNG Kargo AI projeleri yürütüyor.

### 8.8. Sigortacılık

Hasar değerlendirme (görsel AI), fiyatlandırma modelleri, dolandırıcılık tespiti.

### 8.9. Tarım

Bitki hastalığı tespiti (drone + CV), sulama optimizasyonu, hasat tahmini. TÜBİTAK MAM tarım AI projeleri.

### 8.10. Enerji

Talep tahmini, şebeke optimizasyonu, yenilenebilir enerji entegrasyonu. EPİAŞ ve dağıtım şirketleri yatırım yapıyor.

### 8.11. Kamu

Belediye chatbot'ları, vergi anomalisi tespiti, akıllı şehir uygulamaları. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi **Türkiye Yapay Zeka Stratejisi (2021-2025)** ile yol haritasını belirledi; 2026-2030 sürümü hazırlanıyor.

### 8.12. Medya ve Yaratıcı Endüstriler

İçerik üretimi, otomatik altyazılama, kişiselleştirilmiş reklam. TRT ve özel medya kurumları AI deneylerini ölçeklendiriyor.

## 9. Yapay Zeka Etiği, Güvenliği ve Düzenleyici Çerçeve

AI'ın yarattığı güç, etik ve regülatif sorumlulukları beraberinde getiriyor. 2026'da üç düzey önemli:

### 9.1. KVKK (Türkiye, 6698 Sayılı Kanun)

Kişisel veri içeren her AI projesi KVKK çerçevesinde değerlendirilmelidir. Anonim olmayan veriyle LLM çağrısı yapmak kişisel veri işleme sayılır; veri yerleşimi, açık rıza, amaca uygunluk kuralları geçerlidir.

### 9.2. EU AI Act (Avrupa Birliği Yapay Zeka Yasası)

Mart 2024'te yürürlüğe giren Yasa, AI sistemlerini risk seviyelerine göre sınıflandırır (yasaklı, yüksek risk, sınırlı risk, minimal risk). **AB'ye hizmet veren Türk şirketleri** bu yasaya tabi. 2025-2026 dönemi uyum geçiş takvimidir.

### 9.3. ISO/IEC 42001 (AI Yönetişim Standardı)

Aralık 2023'te yayınlanan **ISO 42001**, kurumsal AI yönetişim sistemleri için ilk uluslararası standarttır. ISO 27001'in AI eşdeğeri olarak görülüyor. Türk şirketleri için kurumsal hazırlığın altın sertifikası haline geldi.

<callout-box data-variant="warning" data-title="Sık Yapılan Hata">

Bir Türk şirketinin kişisel veri içeren bir veri setini OpenAI veya Anthropic'in cloud API'sine **anonimleştirmeden** göndermesi, hem KVKK ihlali hem de potansiyel veri sızıntısı riski yaratır. Production öncesi mutlaka **veri minimizasyonu, anonimleştirme veya yerel-modelle çalıştırma** seçenekleri değerlendirilmelidir.

</callout-box>

### 9.4. Teknik Güvenlik Konuları

- **Hallucination (Halüsinasyon):** LLM'in yanlış ama emin görünen cevaplar üretmesi. Çözüm: RAG, kaynak gösterme, eval harness.
- **Prompt Injection:** Kullanıcı girdisinin sistem prompt'unu manipüle etmesi.
- **Jailbreak:** Model güvenlik kurallarının atlatılması.
- **Bias / Fairness:** Eğitim verisindeki önyargıların modele yansıması.
- **Deepfake:** Gerçek görünen sahte ses/video. Türkiye'de seçim dönemi tespiti kritik.

## 10. Türkiye'de Yapay Zeka Ekosistemi

### 10.1. Yerli Modeller

- **Cezeri** — Hugging Face üzerinde Türkçe-İngilizce instruct-tuned model ailesi.
- **BERTurk** — Türkçe BERT, NLP araştırma temeli.
- **KanarYa** — Hacettepe destekli Türkçe LLM çalışmaları.
- **Trendyol-LLM** — e-ticarete optimize Türkçe model.

### 10.2. Akademi ve Üniversiteler

İTÜ, Boğaziçi, ODTÜ, Bilkent, Sabancı, Koç ve Hacettepe AI lisans/yüksek lisans programları sunuyor. Yıllık **TBV Yapay Zeka Konferansı**, **AI Summit Istanbul** ve **TEKNOFEST Yapay Zeka Yarışmaları** öne çıkan etkinlikler.

### 10.3. Devlet Destekleri ve Politika

- **TÜBİTAK 1507, 1501, 1505** — AI projeleri için Ar-Ge destek programları.
- **KOSGEB Ar-Ge ve İnovasyon Destekleri** — KOBİ'lere AI projelerinde fon.
- **Cumhurbaşkanlığı Ulusal Yapay Zeka Stratejisi (2021-2025)** — yeni sürüm hazırlanıyor.

### 10.4. Girişim Ekosistemi

İstanbul, Ankara ve İzmir AI girişimlerinin merkezi. 2024-2026 döneminde Türkiye AI startup'larına toplam fon büyüklüğü hızla artıyor; Sequoia, 500 Global ve yerli VC'ler (Diffusion Capital, ScaleX, Re-Pie) önemli pozisyon alıyor.

## 11. Şirketler için AI Adoption Yol Haritası

<howto-steps data-name="Kurumsal AI Adoption Sürecinde 7 Aşama" data-description="Bir Türk şirketinin sıfırdan üretim-kalitesinde AI sistemlerine geçişi için adım adım yol haritası." data-time="P6M" data-steps='[{"name":"1. Olgunluk Değerlendirmesi","text":"Mevcut veri altyapısı, yetenek havuzu, hesaplama kaynakları ve kurumsal kültür açısından AI hazırlığını ölç. Skor: 1-7 arası."},{"name":"2. Stratejik Vizyon ve Önceliklendirme","text":"Üst yönetim ile birlikte 2-3 kritik iş probleminde AI kullanım senaryolarını belirle; ROI projeksiyonu yap."},{"name":"3. Pilot Proje","text":"En yüksek değerli ve düşük riskli use-case ile başla. 8-12 hafta hedefli MVP geliştir."},{"name":"4. Veri Altyapısı ve Yönetişim","text":"Veri kalitesi, KVKK uyumu, anonimleştirme, vektör DB seçimi, embedding stratejisi tasarla."},{"name":"5. Yetenek ve Eğitim","text":"İç ekibi prompt engineering, RAG, LLMOps konularında eğit. Dış uzman desteğini değerlendir."},{"name":"6. Üretime Geçiş (LLMOps)","text":"Eval harness kur, gözlemlenebilirlik (observability) ekle, A/B testi ve sürüm yönetimi devreye al."},{"name":"7. Sürekli İzleme ve İyileştirme","text":"Model drift, hallucination oranları, kullanıcı memnuniyeti, maliyet metriklerini izle. Aylık iterasyon."}]'></howto-steps>

<stat-callout data-value="%62" data-context="Türkiye'deki kurumsal AI projelerinin önemli bir bölümü" data-outcome="POC veya pilot aşamada kalıp üretime alınamıyor; en yaygın sebep veri altyapısı eksiklikleri." data-source='{"label":"McKinsey State of AI Türkiye Görünümü","url":"https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai","date":"2025"}'></stat-callout>

## 12. Bireyler için AI Öğrenme Yol Haritası (90 Gün)

<howto-steps data-name="Sıfırdan AI'da Yetkinlik: 90 Günlük Plan" data-description="Yazılım veya analiz arka planı olan bir profesyonelin AI'da uygulamalı yetkinliğe ulaşması için yapılandırılmış öğrenme yolu." data-time="P90D" data-steps='[{"name":"Hafta 1-2: Temeller","text":"Python (numpy, pandas), olasılık ve doğrusal cebir kavramları. Andrew Ng - AI for Everyone (Coursera) izle."},{"name":"Hafta 3-4: Makine Öğrenmesi","text":"Scikit-learn ile sınıflandırma, regresyon, kümeleme. Kaggle’da 2-3 dataset üzerinde çalış."},{"name":"Hafta 5-6: Derin Öğrenme","text":"PyTorch temelleri, MLP ve CNN. fast.ai veya DeepLearning.AI Deep Learning Specialization."},{"name":"Hafta 7-8: NLP ve Transformer","text":"Hugging Face Transformers ile sentiment analysis, summarization. BERT ve Transformer mimarisini anla."},{"name":"Hafta 9-10: LLM ve Prompt Engineering","text":"OpenAI / Anthropic API, prompt design, RAG temelleri (LangChain veya LlamaIndex)."},{"name":"Hafta 11-12: Uygulamalı Proje","text":"Tam yığın bir uygulama: kendi RAG chatbot’unu Next.js + vector DB ile geliştir, GitHub ve LinkedIn’de yayınla."}]'></howto-steps>

## 13. 2026-2030 Yapay Zeka Trendleri

**1. Agentic AI yaygınlaşıyor.** Görev otomasyonu, browser kullanımı (Anthropic Computer Use, OpenAI Operator), çoklu-ajan iş akışları üretime giriyor.

**2. Multimodal modeller standart hale geliyor.** Metin + görsel + ses + video + kod tek modelde birleşiyor (Gemini 3, GPT-5).

**3. Edge AI (cihaz-üstü) büyüyor.** Apple Intelligence, Snapdragon X Elite, akıllı telefonlarda yerel LLM'ler — gizlilik ve gecikme avantajı.

**4. AI hardware yarışı kızışıyor.** Nvidia Blackwell B200, AMD MI400, Google TPU v6, Cerebras WSE-3. Türkiye'de **YongaTürk** projesi yerli AI çip hedefini koyuyor.

**5. AGI tartışması derinleşiyor.** Anthropic, OpenAI ve DeepMind 2027-2032 arası AGI sinyalleri tartışıyor; toplum, ekonomi ve regülatif hazırlık önemi artıyor.

**6. AI regülasyonu sıkışıyor.** EU AI Act tam yürürlüğe giriyor, ABD eyalet bazlı kurallar genişliyor, Türkiye Ulusal AI Yasası tartışmaları başladı.

**7. Üretken AI verisi sınırlanıyor.** İnternet ölçekli verinin tükenmesiyle **sentetik veri** ve **veri-verimli eğitim** öne çıkıyor.

## 14. Sıkça Sorulan Sorular (SSS)

<callout-box data-variant="answer" data-title="Yapay zeka ile makine öğrenmesi aynı şey mi?">

Hayır. Yapay zeka şemsiye terimdir; makine öğrenmesi onun **alt-alanıdır**. Her ML sistemi bir AI sistemidir, ancak her AI sistemi (örneğin kural-tabanlı uzman sistemler) ML kullanmaz.

</callout-box>

<callout-box data-variant="answer" data-title="ChatGPT, Claude veya Gemini'den hangisini kullanmalıyım?">

Kullanım amacına bağlı: **Genel sohbet ve OpenAI ekosistemi entegrasyonu için ChatGPT**; **uzun bağlam, kod yazımı ve agent kullanımı için Claude**; **Google Workspace entegrasyonu ve çok-modlu görevler için Gemini**. Kurumsal kullanımda en uygunu, **veri yerleşimi ve sözleşme şartlarını** karşılayan sağlayıcıdır.

</callout-box>

<callout-box data-variant="answer" data-title="AI işleri elinden alır mı?">

Tüm meslekleri değil; rutin, tekrara dayalı bilişsel görevleri **belirgin şekilde dönüştürür**. World Economic Forum 2025 raporu, 2030'a kadar 92 milyon iş yerinin değişeceğini, 170 milyon yeni iş alanının açılacağını öngörüyor. Verimliliği artan profesyonel "AI-yetkin" hale gelirken, bu yetkinliği kazanmayanlar pazardan dışlanma riski taşıyor.

</callout-box>

<callout-box data-variant="answer" data-title="Türkçe LLM şart mı, yoksa İngilizce model yeterli mi?">

Kullanım amacına göre değişir. **Müşteri etkileşimleri, hukuki/sağlık alanları, yerel deyim ve kültürel bağlam gerektiren görevler** için Türkçe-eğitimli veya Türkçe destekli (GPT-5, Claude Opus 4.7, Gemini 3) modeller tercih edilmelidir. Salt teknik ve bilimsel içerik için İngilizce-dominant modeller de yeterli olabilir.

</callout-box>

<callout-box data-variant="answer" data-title="KVKK + EU AI Act kapsamında bir kurumsal AI projesinde nasıl ilerlemeliyim?">

Üç adım: **(1)** Veri envanteri ve kişisel veri içerip içermediğinin tespiti; **(2)** Risk seviyesi sınıflandırması (EU AI Act'ın 4 kategorisi); **(3)** İlgili kontroller (anonimleştirme, açık rıza, veri yerleşimi, açıklanabilirlik, insan denetimi) ve dokümantasyon. ISO 42001 sertifikası bu sürecin uluslararası altın standardıdır.

</callout-box>

<callout-box data-variant="answer" data-title="AI projeleri ne kadar sürede üretime çıkar?">

Tipik bir orta-karmaşıklıkta RAG chatbot projesi 8-12 hafta MVP, 3-4 ay üretim sertleştirme; toplam **5-6 ay**. Daha büyük çok-ajanlı sistemler 6-12 ay alabilir. Veri kalitesi, regülatif onaylar ve organizasyonel hazırlık en büyük gecikme kaynaklarıdır.

</callout-box>

<callout-box data-variant="answer" data-title="AI öğrenmek için Python şart mı?">

Endüstri standardı olarak **evet, Python en yaygın dil**. Ancak JavaScript/TypeScript ekosistemi (LangChain.js, Vercel AI SDK) hızla büyüyor; web geliştiricileri Python öğrenmeden RAG ve agent geliştirebilir. Daha derin model geliştirme için Python kaçınılmazdır.

</callout-box>

<callout-box data-variant="answer" data-title="AI sertifikası bir CV'yi gerçekten güçlendirir mi?">

**Sertifika tek başına değil, GitHub portföyü, gerçek projeler ve sektörel deneyim ile birlikte** değer üretir. DeepLearning.AI, AWS/Azure/GCP AI sertifikaları işverenin gözünde sinyal sağlar; ancak işe alımın belirleyicisi uygulamalı projelerdir.

</callout-box>

<callout-box data-variant="answer" data-title="Yapay zeka tehlikeli mi?">

Hem evet hem hayır. **Kısa vadeli riskler somut**: hallucination, bias, deepfake, prompt injection, otomatik yanlış bilgi yayımı. **Uzun vadeli AGI risk tartışması** akademik ve toplumsal alanda canlı; AI Alignment araştırması (Anthropic, MIRI, DeepMind Safety) bu yönü ele alıyor.

</callout-box>

<callout-box data-variant="answer" data-title="Türk şirketleri için yerel (on-premise) LLM mi, bulut API mi tercih edilmeli?">

Karar matrisi: **veri hassasiyeti yüksek (sağlık, finans, kamu) → on-prem veya AB-içi cloud**; **deneme/MVP/orta hassasiyet → cloud API**; **maliyet-kritik yüksek hacim → kendi GPU fine-tuned model**. Hibrit mimariler giderek yaygınlaşıyor (sınıflandırma yerelde, üretim cloud'da).

</callout-box>

<callout-box data-variant="answer" data-title="Bir startup için AI ile en hızlı değer üretmenin yolu nedir?">

Üç aşamalı yaklaşım: **(1)** En sıkıcı, en tekrarlı iç görevi otomatize et (örneğin müşteri destek özetleri); **(2)** Ürün arayüzünde AI-destekli bir özellik ekle (öneri, otomatik etiketleme); **(3)** Veri toplama döngüsünü AI-merkezli kur ki gelecek modeller kendi verinle gelişebilsin.

</callout-box>

<callout-box data-variant="answer" data-title="ChatGPT'nin verdiği bilgiler her zaman doğru mu?">

Hayır. LLM'ler **olasılıksal sistemlerdir**; tutarlı görünen ama yanlış bilgi (hallucination) üretebilir. Önemli kararlar için her zaman **kaynak göstermesini iste**, RAG sistemleri kullan veya gerçek dünya verileri ile doğrula. Sağlık, hukuk ve finans gibi yüksek-stake alanlarda mutlaka uzman onayı şarttır.

</callout-box>

## 15. Sözlük ve Referanslar

Bu rehberde geçen anahtar terimlerin Türkçe ↔ İngilizce karşılıkları:

- **AI / Yapay Zeka:** Artificial Intelligence
- **ML / Makine Öğrenmesi:** Machine Learning
- **DL / Derin Öğrenme:** Deep Learning
- **NLP / Doğal Dil İşleme:** Natural Language Processing
- **CV / Bilgisayarlı Görü:** Computer Vision
- **LLM / Büyük Dil Modeli:** Large Language Model
- **RAG / Geri Çağırma Destekli Üretim:** Retrieval-Augmented Generation
- **AGI / Genel Yapay Zeka:** Artificial General Intelligence
- **ASI / Süper Yapay Zeka:** Artificial Super Intelligence
- **RLHF / İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme:** Reinforcement Learning from Human Feedback
- **MCP / Model Bağlam Protokolü:** Model Context Protocol
- **LLMOps / LLM Operasyonları:** LLM Operations
- **Embedding / Vektör Gömme:** —
- **Token / Belirteç:** —
- **Context Window / Bağlam Penceresi:** —
- **Fine-tuning / İnce Ayar:** —
- **Hallucination / Halüsinasyon:** —

<references-list data-items='[{"title":"Attention Is All You Need","url":"https://arxiv.org/abs/1706.03762","author":"Vaswani et al.","publishedAt":"2017-06-12","publisher":"NeurIPS"},{"title":"Artificial Intelligence: A Modern Approach (4th Ed.)","url":"https://aima.cs.berkeley.edu/","author":"Russell, S. & Norvig, P.","publishedAt":"2020","publisher":"Pearson"},{"title":"Deep Learning","url":"https://www.deeplearningbook.org/","author":"Goodfellow, I., Bengio, Y., Courville, A.","publishedAt":"2016","publisher":"MIT Press"},{"title":"GPT-4 Technical Report","url":"https://arxiv.org/abs/2303.08774","author":"OpenAI","publishedAt":"2023-03-15","publisher":"OpenAI"},{"title":"Constitutional AI: Harmlessness from AI Feedback","url":"https://arxiv.org/abs/2212.08073","author":"Bai et al.","publishedAt":"2022-12-15","publisher":"Anthropic"},{"title":"State of AI Report 2025","url":"https://www.stateof.ai/","author":"Benaich, N.","publishedAt":"2025-10","publisher":"Air Street Capital"},{"title":"Stanford AI Index Report 2025","url":"https://aiindex.stanford.edu/","author":"Stanford HAI","publishedAt":"2025-04","publisher":"Stanford University"},{"title":"EU Artificial Intelligence Act","url":"https://artificialintelligenceact.eu/","author":"European Commission","publishedAt":"2024-03-13","publisher":"EU"},{"title":"ISO/IEC 42001:2023 AI Management Systems","url":"https://www.iso.org/standard/81230.html","author":"ISO/IEC","publishedAt":"2023-12-18","publisher":"ISO"},{"title":"KVKK — 6698 Sayılı Kanun","url":"https://www.kvkk.gov.tr/","author":"T.C. KVKK","publishedAt":"2016-04-07","publisher":"Türkiye Cumhuriyeti"},{"title":"Türkiye Ulusal Yapay Zeka Stratejisi 2021-2025","url":"https://cbddo.gov.tr/projeler/ulusal-yapay-zeka-stratejisi/","author":"Cumhurbaşkanlığı Dijital Dönüşüm Ofisi","publishedAt":"2021","publisher":"T.C. Cumhurbaşkanlığı"},{"title":"Model Context Protocol Specification","url":"https://modelcontextprotocol.io/","author":"Anthropic","publishedAt":"2024-11","publisher":"Anthropic"}]'></references-list>

---

Bu rehber yaşayan bir belgedir; AI alanı her ay yeniliklerle dönüştüğü için **yıllık olarak güncellenmektedir**. Soruların ve geri bildirimlerin için yorumları kullanabilir, kurumsal AI dönüşümü için doğrudan iletişime geçebilirsin.

Özetle yapay zeka nedir sorusunun cevabı tek cümlede şudur: veriden öğrenen, akıl yürüten ve karar veren makineler tasarlayan disiplin. Büyük dil modelleri için <a href="/blog/llm-nedir">LLM nedir</a> rehberine geçebilir; kurumunuzda bu potansiyeli hayata geçirmek için <a href="/consulting">yapay zeka danışmanlığı</a> ve uygulamalı beceriler için <a href="/training">yapay zeka eğitimleri</a> ile başlayabilirsiniz.