01Sık duyulan cümleler, daha doğru karşılıkları#
Bu yazı, atlasın önceki derslerini yanlış anlamalar merceğinden tarar. Her satırdaki ilk cümle gündelik sohbette sık duyulur; ikinci sütun daha doğru bir söyleyiş; üçüncü sütun, ayrıntıyı hangi yazıda bulacağını gösterir.
| Yaygın cümle | Daha doğrusu | Ayrıntı |
|---|---|---|
| “Bir kelime bir tokendır.” | Token sınırlarını tokenizer belirler. Bir kelime tek, birkaç ya da çok parçaya bölünebilir; Türkçe gibi ek alan dillerde, tokenizer’a bağlı olarak, bir kelimenin birden çok parçaya bölünmesi şaşırtıcı değildir. | Token ve BPE |
| “Cevabı internetten arıyor.” | Arama aracı verilmemişse yanıt, parametrelerdeki örüntülerden ve bağlamdan üretilir. Arama bir araçtır; eklenip eklenmediğini bilmek gerekir. | Ajanlar, RAG |
| “Konuşmamdan hemen öğreniyor.” | Konuşma sırasında ağırlıklar güncellenmez; söylediklerin bağlamda durur. Verilerin sonradan eğitimde kullanılıp kullanılmadığı, sağlayıcının politikasına bağlıdır. | Prompt ve bağlam |
| “Parametre ne kadar çoksa o kadar iyidir.” | Parametre sayısı tek başına belirleyici değildir; veri miktarı ve eğitim bütçesinin dengesi de önemlidir. | Ölçek yasaları |
| “Model bir veritabanı gibi gerçekleri saklayıp getiriyor.” | Bilgi, parametrelere dağılmış istatistiksel örüntüler olarak durur. Doğru hatırlamayı ve uydurmayı aynı mekanizma üretir. | Halüsinasyon |
| “Aynı soruya aynı cevabı vermiyorsa bozuk.” | Örnekleme kullanan sistemlerde seçim, olasılık dağılımından yapılır; bu tasarım gereğidir ve sıcaklıkla ayarlanır. | Tahmin ve örnekleme |
| “Yazdığı gerekçe (veya dikkat haritası), kararın gerçek nedenidir.” | Yazılı gerekçe ikna edici olabilir ama modelin iç hesabının sadık bir kaydı olmak zorunda değildir; attention ağırlıkları da tek başına açıklama sayılmaz. | Transformer, Prompt |
| “Bağlam büyükse hepsini eşit iyi okur.” | Uzun bağlamlarda, bilgi girdinin ortasında kaldığında performans genellikle düşer. Sığmak ile iyi kullanılmak aynı şey değildir. | Prompt ve bağlam |
02Sohbette kullanabileceğin beş cümle#
Bunlar ezberlenecek kalıplar değil; ilgili dersleri okuduktan sonra kendi cümlelerinle söyleyebileceğin, sağlam temelli ifadeler:
- “Bu bir arama motoru değil; sonraki tokenı tahmin eden bir model. Arama ekleniyorsa o ayrı bir araç.”
- “Akıcı olması doğru olduğunu göstermez; bu yüzden kaynak ve doğrulama önemli.”
- “Parametre sayısı tek ölçüt değil; veri ve eğitim bütçesi de belirleyici.”
- “Model konuşma sırasında öğrenmiyor; söylediklerimiz bağlamda duruyor.”
- “Bu bir tercih eğitiminin sonucu: hangi yanıtın tercih edileceği öğretilmiş, hangisinin doğru olduğu garanti edilmemiş.”
03Bir yapay zekâ iddiasını duyduğunda sor#
Her iddia için aynı beş soru, abartıyı ayıklamaya yeter:
- Neyi ölçtüler? Hangi görev, hangi veri kümesi, hangi ölçüt? Bir kıyaslama vekil bir ölçüttür.
- Kime karşı karşılaştırdılar? Aynı koşullarda, aynı bütçeyle mi?
- Araç veya arama var mı? Cevap modelin kendisinden mi, bir kaynaktan mı geliyor?
- Hatalı olduğunda ne oluyor? Doğrulama mekanizması, kaynak gösterme, insan incelemesi var mı?
- Bu bir demo mu, üretimde ölçülmüş bir sonuç mu? İkisi arasındaki fark çoğu zaman büyüktür.
Skorları nasıl okuyacağını Bir modelin iyi olduğunu nasıl anlarız? yazısında, bütün bunların sınırını ise yolculuğun son durağında topluyoruz: Bir model ne zaman yanılır?
Bu yazıyı bitirdiğinde:
- Sık duyulan yanlış anlamalardan en az beşini doğru karşılıklarıyla söyleyebilirsin.
- Sohbette kullanabileceğin kısa ve doğru cümleler kurabilirsin.
- Bir yapay zekâ iddiasını duyduğunda sorulacak soruları sayabilirsin.
Cümlelerden birini kendi sözlerinle anlatamıyorsan, ilgili bölüme dön ve demoyu yeniden dene.
İlerleme yalnızca bu tarayıcıda saklanır.
OKUMAYA DEVAM ET
Bir modelin iyi olduğunu nasıl anlarız?
Orta · 8 dk okuma