​Yapay Zekânın Öğrenme Yolları

Bu yazıda: Yapay zekânın üç farklı öğrenme yolunu, bir modelin veriden nasıl doğduğunu ve hazır modellerin bize ne kazandırıp hangi soruyu dayattığını konuşuyoruz.

Geçen yazıda yeni meslektaşımızla tanıştık: kuralları uygulamayan, ipuçlarından sonuca varan bir dedektif. Peki bu dedektif nasıl yetişiyor? Bu soru basit gibi görünür ama değildir. Çünkü onu test ederken neye bakacağımızı, doğrudan nasıl yetiştiğini belirler.

Üç yol, tek dedektif

Yapay zekânın​ öğrenmesi tek tip değil. Bu dedektifi kabaca üç farklı yolla yetiştirebilirsiniz.

Denetimli Öğrenme

En yaygın yol bu. Dedektife hem davayı hem de “faili” birlikte gösterirsiniz. Üretim bandından geçen on binlerce ürün fotoğrafını düşünün: her birinin yanında “bu üründe kusur var” ya da “bu sağlam” notu vardır. Üzerine doğru cevabı yazılmış bu örneklere etiketli veri denir.

Bu yönteme denetimli öğrenme (supervised learning) adını veriyoruz: sistemin, girdi ile doğru çıktının birlikte verildiği örneklerden öğrenmesi. Yeterince çözülmüş dosyadan sonra dedektifimiz, daha önce hiç görmediği bir ürüne de doğru kararı verebilir hâle gelir.

Bu başlığın altında iki farklı iş vardır ve ayırmak önemlidir:

  • Sınıflandırma (classification): Çıktının sınırlı sayıda kategoriden biri olduğu problemler. Gelen destek talebi hangi ekibe gitmeli, bu üründe kusur var mı yok mu.
  • Regresyon (regression): Çıktının sürekli bir sayısal değer olduğu problemler. Bu paket kaç saat içinde teslim edilir, bu makine kaç gün sonra bakım ister.

Bu ayrım ileride çok işimize yarayacak. Çünkü bir sistemin başarısını ölçerken “kategori mi, sayı mı tahmin ediyor” sorusu, hangi ölçütü kullanacağımızı doğrudan belirleyecek.

Denetimsiz Öğrenme

Bu kez “fail” bilgisi yoktur. Dedektife sadece dosyaları verirsiniz, o da benzerleri kendi gruplar. Örneğin binlerce destek talebini, kimse etiketlemeden, konularına göre kendiliğinden kümelere ayırır ve sizin farkında bile olmadığınız bir şikâyet örüntüsünü gün yüzüne çıkarır.

Buna denetimsiz öğrenme (unsupervised learning) denir: sistemin, etiketlenmemiş veride kendi başına örüntü ve kümeleri bulması. Henüz adını koymadığınız desenleri görmek istediğinizde bu yol devreye girer.

Takviyeli Öğrenme

Bir depoda raflar arasında paket taşıyan robotu düşünün. Her denemede daha kısa sürede ulaşırsa ödül, çarparsa ya da gecikirse ceza alır. Zamanla en verimli rotayı kendi keşfeder.

Buna takviyeli öğrenme (reinforcement learning) denir: sistemin, aldığı ödül ve cezalara göre deneme yanılmayla en iyi davranışı öğrenmesi.

Yol ne olursa olsun ortak nokta aynı: bu sistem kurallarla değil, deneyimle öğrenir.

Bir dedektifin doğuşu: dosyadan karara

Peki bu eğitim pratikte nasıl işliyor? Ekipler kabaca şu adımlardan geçer:

Önce problemi tanımlarlar. “Başarı” ne demek, hangi hatayı kabul edebiliriz? Sonra veriyi toplayıp hazırlarlar; genellikle projenin en çok emek yiyen kısmı burasıdır. Ardından modeli bu veriyle eğitirler (training). Daha sonra ayrı bir veriyle doğrulayıp (validation) ince ayar yapar, aralarından en iyisini seçerler. Modelin hiç görmediği bağımsız bir veriyle test ederler. En sonunda da canlıya alıp izlerler.

Dikkatinizi çekmek istediğim nokta şu: bu zincirde “kod” neredeyse hiç geçmedi. Bir dedektifin ne kadar iyi olduğu, yazdığınız kurallara değil, ona gösterdiğiniz dosyalara bağlıdır. Yapay zekânın kalitesi de koddan çok veriden doğar. Bu yüzden verinin hikâyesini bu serinin ayrı bir yazısına ayırdım.

Hazır akıl: devralmak, ince ayar yapmak, arşive bağlamak

Her dedektif sıfırdan yetişmez. Günümüzde en yaygın yol, başkasının dev arşivlerle eğittiği hazır bir modeli devralmaktır. Bunlara önceden eğitilmiş model (pretrained model) denir: başka bir kurum tarafından, geniş bir veriyle eğitilmiş ve kullanıma hazır sunulan model.

Bu hazır dedektifi kendi işinize üç şekilde uyarlarsınız:

  • İnce ayar (fine-tuning): Hazır bir modeli, kendi alanınıza ait daha küçük bir veriyle yeniden eğiterek uzmanlaştırmak. Genel bir uzmanı sizin sektörünüzle ilgili bir kursa göndermek gibi.
  • Erişimle beslenmiş üretim (RAG): Modelin, cevap üretirken yalnızca kendi hafızasına güvenmek yerine sizin güncel belge arşivinizden bilgi çekmesi. Dedektifin ezberine güvenmek yerine dosya dolabına bakması gibi.
  • Servis olarak yapay zekâ (AI as a Service): Yapay zekâ yeteneğinin üçüncü bir taraftan servis olarak satın alınıp çağrılması. Kendi modelinizi hiç kurmazsınız.

Üçü de büyük kolaylık. Ama test gözüyle hepsi aynı soruyu doğurur: bu hazır dedektifin hangi dosyalarla, hangi şehirde yetiştiğini bilmiyorsanız, sizin dünyanıza uyup uymadığını nasıl bileceksiniz? Başka bir ülkede yetişmiş bir uzmanı işe aldığınızda soracağınız ilk soru budur. Yapay zekâda da öyle.

Peki bu bizim için ne anlama geliyor?

Öğrenme biçimini bilmek, test uzmanı için boş bir merak değil. Çünkü her yol, bakmanız gereken yeri değiştirir.

Denetimli öğrenen bir sistemde etiketlerin doğruluğu her şeydir; yanlış etiketlenmiş bir “kusursuz ürün”, dedektifin kafasını baştan karıştırır. Denetimsiz öğrenen bir sistemde “doğru grup” diye bir referans olmadığı için, bulunan kümelerin anlamlı olup olmadığını insan yargısıyla sorgularsınız. Takviyeli öğrenen bir sistemde ise asıl risk ödül tanımındadır; yanlış tanımlanmış bir ödül, sistemi sizin hiç istemediğiniz bir kısayola itebilir.

Ve hepsinde ortak olan şu: hatanın kaynağı çoğu zaman kodda değil, o dedektife gösterdiğimiz geçmiştedir.

Dedektifimizin nasıl yetiştiğini artık biliyoruz: çözülmüş dosyalarla, kendi kendine gruplayarak ya da deneye deneye. Hangi yolu seçerse seçsin, onu şekillendiren şey ona verdiğimiz deneyim oluyor.

Bir sonraki yazıda ise sahne tamamen değişiyor: yalnızca karar vermekle kalmayıp doğrudan üreten sistemlere bakacağız. Metin yazan, görsel çizen, kod döken bir sistemi nasıl test edersiniz? Hele ki aynı soruya her seferinde farklı cevap veriyorsa?

Yapay Zekâyı Test Etmek serisi

  1. Yapay Zekâ Test Ediyor; Peki Yapay Zekâyı Kim Test Edecek?
  2. Yapay Zekânın Öğrenme Yolları (bu yazı)
  3. Doğaçlama Yapan Bir Sistemi Nasıl Test Edersiniz?
  4. Çürük Tuğla, Çatlak Duvar: Veri Neden Her Şeydir?
  5. Karnesi İyi, Kendisi Kötü: Doğruluk Neden Yalan Söyler?
  6. Bir Yapay Zekâdan Ne Beklemeye Hakkımız Var?
  7. Nereden Başlamalı? Yapay Zekâ Testinin Haritası
  8. Çarpık Ayna: Girdi Verisini Test Etmek
  9. Dayanıklılık Laboratuvarı: Model Testi ve Canlıya Çıkış

Kaynak
ISTQB®, Certified Tester AI Testing (CT-AI) Syllabus v2.0, 2026.