YÜKLENİYOR...
YAPAY ZEKA TERİM REHBERİ
Yapay zeka ürünlerini, modellerini ve altyapı kararlarını daha rahat okumak için hazırlanmış Türkçe sözlük. Her kavramı sade tanım, kullanım bağlamı ve pratik örnekle açıklıyoruz.
Belirli bir hedefe ulaşmak için sadece cevap üretmekle kalmayıp plan yapan, araç çağıran, ara sonuçları değerlendiren ve gerekirse adımlarını değiştiren yapay zeka sistemidir. Basit bir chatbot tek mesaj yanıtlar; agent ise arama yapabilir, dosya okuyabilir, API çağırabilir ve işi tamamlamak için birden fazla adımı sıraya koyabilir.
Bir agentın önceki konuşmalardan, kullanıcı tercihlerinden veya tamamladığı görevlerden yararlanmasını sağlayan hafıza katmanıdır. Kısa süreli hafıza mevcut oturumdaki bağlamı tutarken, uzun süreli hafıza genellikle veritabanı veya vektör deposunda saklanır.
Bir iş sürecinin tek bir prompt yerine planlama, araç kullanımı, kontrol, hata yakalama ve sonuç teslimi gibi adımlara bölünerek agent tarafından yürütülmesidir. Özellikle n8n, Make, Zapier veya özel backend akışlarında AI karar katmanı olarak kullanılır.
Farklı model sağlayıcılarına giden istekleri tek noktadan yöneten altyapı katmanıdır. Rate limit, maliyet takibi, loglama, model seçimi, fallback ve güvenlik kontrolleri burada merkezi hale getirilebilir.
Birden fazla model, araç, veri kaynağı ve iş kuralının aynı ürün akışı içinde düzenli biçimde çalıştırılmasıdır. Orkestrasyon katmanı hangi modelin ne zaman çağrılacağını, hangi verinin bağlama ekleneceğini ve hatalarda hangi yolun izleneceğini belirler.
Bir modelin çıktılarının insan beklentileri, ürün kuralları, güvenlik ilkeleri ve yasal sınırlarla uyumlu hale getirilmesi sürecidir. Sadece teknik doğruluk değil, zararlı yönlendirmelerden kaçınma, gizlilik ve ton kontrolü de alignment kapsamındadır.
Uygulamaların birbirleriyle kontrollü şekilde iletişim kurmasını sağlayan arayüzdür. AI ürünlerinde API, modele mesaj göndermek, dosya yüklemek, embedding üretmek veya araç çağırmak için kullanılan standart erişim yoludur.
Bir API'ye erişim yetkisi veren gizli anahtardır. AI uygulamalarında API key kesinlikle frontend koduna yazılmamalı; sunucu tarafında, environment variable veya güvenli secret manager içinde tutulmalıdır.
Transformer modellerinin girdi içindeki farklı tokenlar arasındaki ilişkiyi ağırlıklandırmasını sağlayan mekanizmadır. Model her kelimeyi ayrı ayrı değil, bağlamdaki diğer parçalarla ilişkisine göre değerlendirir; bu yüzden uzun cümlelerde anlam takibi mümkün olur.
Çıktıyı bir seferde tamamlamak yerine token token üreten model türüdür. Her yeni token, önceki tokenlara bakılarak tahmin edilir; bu yaklaşım metin üretiminde akıcı ve tutarlı devamlılık sağlar.
Birden fazla model isteğinin tek tek değil toplu şekilde işlenmesidir. Gerçek zamanlı cevap gerekmeyen özetleme, sınıflandırma veya veri zenginleştirme işlerinde maliyeti azaltabilir ve kaynak kullanımını daha verimli hale getirebilir.
Modellerin belirli yeteneklerini karşılaştırmak için kullanılan standart test ve ölçüm setidir. Benchmark sonuçları karar vermede faydalıdır fakat tek başına yeterli değildir; gerçek ürün verisi, Türkçe performansı, maliyet ve gecikme de ayrıca test edilmelidir.
Klasik anahtar kelime tabanlı arama algoritmalarından biridir. Vektör arama anlamsal yakınlığı yakalarken, BM25 özellikle tam terim, ürün kodu, isim veya mevzuat maddesi gibi kelime eşleşmelerinde güçlüdür.
Daha önce hesaplanmış veya saklanmış bir sonucun tekrar kullanılabilmesi durumudur. AI sistemlerinde cache hit maliyeti ve yanıt süresini azaltır; özellikle aynı doküman, aynı prompt veya aynı embedding tekrar kullanılıyorsa önemlidir.
Modelin karmaşık bir problemi ara adımlara bölerek düşünmesini hedefleyen prompt yaklaşımıdır. Ürünlerde çoğu zaman modelin gizli muhakemesini kullanıcıya göstermek yerine, kısa gerekçe ve doğrulanabilir sonuç göstermek daha güvenli bir tasarımdır.
Kullanıcıyla mesajlaşma arayüzü üzerinden etkileşen yazılım sistemidir. Modern chatbotlar yalnızca sabit cevap vermek yerine LLM, RAG, araç kullanımı ve konuşma geçmişiyle daha bağlamsal yanıtlar üretebilir.
Uzun dokümanları daha küçük, aranabilir parçalara bölme işlemidir. RAG sistemlerinde doğru chunk boyutu kritik önemdedir; çok küçük parçalar bağlamı kaybettirir, çok büyük parçalar ise arama isabetini ve maliyeti düşürebilir.
Kod tabanını okuyabilen, dosya düzenleyebilen, test çalıştırabilen ve geliştirme görevlerini adım adım tamamlayabilen agent türüdür. Güvenli kullanım için yetki sınırı, test zorunluluğu ve kod inceleme akışı net belirlenmelidir.
Model davranışını bir ilke setiyle değerlendirme ve iyileştirme yaklaşımıdır. Amaç, her yanıtı tek tek insan değerlendirmesine bırakmadan modelin güvenlik, zararsızlık ve yardımseverlik ilkelerine daha tutarlı uymasını sağlamaktır.
Sık kullanılan uzun bağlamların tekrar tekrar modele tam maliyetle gönderilmesini önleyen optimizasyon yöntemidir. Uzun sistem talimatları, dokümanlar veya ürün katalogları aynı oturumda tekrar kullanılacaksa gecikme ve maliyet avantajı sağlayabilir.
Modelin doğru cevap verebilmesi için prompt, sistem talimatı, kullanıcı mesajı, araç çıktısı, RAG sonucu ve konuşma geçmişinin bilinçli şekilde düzenlenmesidir. Prompt engineering tek mesaja odaklanırken context engineering tüm bağlam tasarımını kapsar.
Bir modelin tek istek içinde dikkate alabildiği maksimum token miktarıdır. Büyük context window uzun dokümanlarla çalışmayı kolaylaştırır ancak tüm bağlamın gerçekten anlaşıldığı veya eşit dikkatle işlendiği anlamına gelmez.
Sorgu ve belgeyi birlikte değerlendirerek benzerlik puanı üreten model yaklaşımıdır. Vektör arama hızlı aday bulmak için kullanılırken cross-encoder genellikle son aşamada bu adayları daha doğru sıralamak için kullanılır.
Gizli, kişisel veya yetkisiz verinin model yanıtı, log, üçüncü taraf sağlayıcı ya da prompt aracılığıyla dışarı sızmasıdır. AI ürünlerinde veri minimizasyonu, maskeleme, yetki kontrolü ve log politikası bu riski azaltmak için zorunludur.
Gürültülü veriyi adım adım temizleyerek görüntü, ses veya video üreten üretici model mimarisidir. Görsel üretimde metin istemi, stil, kompozisyon ve negatif prompt gibi girdiler üretilecek sonucu yönlendirir.
Model çıktısının merkezi bulut yerine kullanıcının cihazına, tarayıcıya, mobil telefona veya yerel sunucuya yakın bir noktada üretilmesidir. Gecikmeyi ve veri aktarımını azaltabilir; ancak cihaz kapasitesi model boyutunu sınırlar.
Metin, görsel, ses veya diğer verilerin anlamını sayısal vektörlere dönüştüren temsil biçimidir. Benzer anlamdaki içerikler vektör uzayında birbirine yakın konumlandığı için anlamsal arama, öneri ve sınıflandırma sistemlerinde kullanılır.
Veriyi embedding vektörlerine dönüştürmek için özel olarak kullanılan modeldir. İyi bir embedding modeli, sadece kelime benzerliğini değil anlam, niyet ve bağlam benzerliğini de yakalamalıdır.
Bir AI sisteminin belirli kriterlere göre düzenli test edilmesidir. Eval sadece model benchmarkı değildir; gerçek kullanıcı senaryoları, yanlış cevap oranı, kaynak doğruluğu, güvenlik ve maliyet gibi ürün metriklerini de içermelidir.
Modelin prompt içinde verilen birkaç örneğe bakarak benzer formatta veya mantıkta cevap üretmesidir. Model ağırlıkları değişmez; örnekler sadece o istek içindeki davranışı yönlendirir.
Önceden eğitilmiş bir modelin belirli bir görev, ton veya alan için ek veriyle yeniden eğitilmesidir. RAG bilgi eklemek için daha uygundur; fine-tuning ise davranış, format veya özel sınıflandırma kalıbını öğretmek için tercih edilir.
Çok büyük veri setleriyle eğitilmiş ve farklı görevlerde kullanılabilecek genel amaçlı temel modeldir. Üzerine chat arayüzü, RAG, araç kullanımı, fine-tuning veya güvenlik katmanları eklenerek ürünleştirilir.
Modelin serbest metin yazmak yerine önceden tanımlanmış fonksiyon veya araç şemasına uygun yapılandırılmış çıktı üretmesidir. Bu sayede model, veritabanı sorgusu, rezervasyon, hesaplama veya API çağrısı gibi işlemleri kontrollü biçimde başlatabilir.
Metin, görsel, ses, video, kod veya 3D içerik gibi yeni çıktı üretebilen yapay zeka sistemlerinin genel adıdır. Üretici AI, var olan veriyi sadece sınıflandırmaz; öğrendiği örüntülere göre yeni içerik oluşturur.
Model yanıtını güvenilir veri, belge, veritabanı sonucu veya açık kaynakla destekleme yaklaşımıdır. Grounding yapılmadığında model kulağa doğru gelen ama gerçek kaynağı olmayan cevaplar üretebilir.
Modelin kabul edilebilir sınırlar içinde çalışması için eklenen kural, filtre, doğrulama veya kontrol katmanıdır. Guardrail tek başına model güvenliği değildir; giriş kontrolü, çıktı kontrolü, yetki ve loglama ile birlikte düşünülmelidir.
Modelin gerçek olmayan, eksik veya uydurulmuş bilgiyi kendinden emin bir dille üretmesidir. Hallucination tamamen yok edilemez; kaynak gösterme, RAG, doğrulama adımı ve belirsizlik durumunda cevap vermeme politikasıyla azaltılabilir.
Anahtar kelime araması ile vektör tabanlı anlamsal aramayı birlikte kullanan arama yaklaşımıdır. Teknik doküman, ürün kataloğu veya mevzuat gibi alanlarda hem tam eşleşme hem anlam yakınlığı gerektiği için çoğu RAG sistemi için güçlü bir seçenektir.
Modelin parametrelerini değiştirmeden, sadece prompt içindeki talimat ve örneklerden yararlanarak göreve uyum sağlamasıdır. Bu yöntem hızlıdır ancak verilen bağlam istek dışına çıktığında kalıcı öğrenme sağlamaz.
Inference kavramının Türkçede sık kullanılan karşılığıdır; eğitilmiş modelin yeni veri üzerinde çıktı üretmesi anlamına gelir. Eğitim süreci bittikten sonra modelin kullanıcı sorusuna cevap vermesi, görsel üretmesi veya sınıflandırma yapması inferans aşamasıdır.
Eğitilmiş modelin yeni bir girdi için çıktı üretmesi aşamasıdır. Kullanıcı chat alanına mesaj yazdığında, görsel üretim istediğinde veya embedding hesaplandığında production ortamında inference çalışır.
Model kullanımı sırasında token, görsel, süre, donanım veya API çağrısı bazında oluşan çalıştırma maliyetidir. Prod ortamında model kalitesi kadar maliyet tahmini, limitler, cache ve model yönlendirme de önemlidir.
Modelin güvenlik kurallarını, sistem talimatlarını veya ürün politikalarını aşmasını sağlamak için yapılan yönlendirme girişimidir. Jailbreak riskine karşı sistem promptu tek başına yeterli değildir; giriş filtreleme, araç yetkisi ve çıktı denetimi de gerekir.
Modelin serbest metin yerine JSON formatında çıktı üretmesini hedefleyen çalışma modudur. Form doldurma, API entegrasyonu ve otomasyonlarda faydalıdır; ancak çıktı yine şema doğrulamasından geçirilmelidir.
Büyük ve güçlü bir modelin davranışını daha küçük bir modele aktarma tekniğidir. Amaç, küçük modelin daha düşük maliyet ve gecikmeyle büyük modele yakın kalite sunmasını sağlamaktır.
Varlıklar ve aralarındaki ilişkileri düğüm ve kenarlar halinde temsil eden bilgi yapısıdır. RAG sistemlerinde sadece metin benzerliği yerine kişi, kurum, ürün, olay ve ilişki tabanlı daha kontrollü cevap üretmeye yardımcı olabilir.
Transformer modellerinde önceki tokenlara ait key-value hesaplarının yeniden kullanılmasını sağlayan optimizasyon yapısıdır. Özellikle uzun konuşmalarda ve streaming üretimde aynı bağlamın tekrar hesaplanmasını azaltarak hızı artırabilir.
Kullanıcının isteği göndermesi ile ilk veya tam yanıtı alması arasında geçen süredir. AI ürünlerinde latency sadece model hızından değil; ağ, RAG araması, araç çağrısı, güvenlik kontrolü ve streaming tasarımından da etkilenir.
Büyük miktarda metin ve kod verisiyle eğitilen, doğal dili anlayıp üretebilen büyük yapay zeka modelidir. LLM'ler özetleme, soru cevaplama, çeviri, kod yazma, analiz ve agent akışlarında temel motor olarak kullanılır.
Gelen isteğin türüne, maliyet hedefine, kalite gereksinimine veya yoğunluğa göre hangi modele gönderileceğini belirleyen yönlendirme katmanıdır. Doğru kurulduğunda hem maliyeti düşürür hem de pahalı modelleri sadece gerekli işlerde kullanır.
Modelin çok uzun metinleri veya konuşma geçmişini tek istek içinde işleyebilme kapasitesidir. Uzun context faydalıdır ancak iyi sonuç için doküman yapısı, önemli bölümlerin işaretlenmesi ve gereksiz bağlamın temizlenmesi gerekir.
LoRA teriminin farklı yazım biçimidir ve büyük modelleri daha düşük maliyetle özelleştirmek için kullanılan adaptör tabanlı fine-tuning yaklaşımını ifade eder. Tüm modeli yeniden eğitmek yerine küçük ek ağırlıklar öğrenildiği için deneme, dağıtım ve geri alma süreçleri daha pratiktir.
Büyük modelin tüm ağırlıklarını değiştirmek yerine küçük adaptör katmanları eğiterek fine-tuning yapma tekniğidir. Daha az bellek, daha düşük maliyet ve farklı görevler için ayrı adaptör kullanabilme avantajı sağlar.
AI uygulamalarının dosya sistemi, veritabanı, API, tasarım aracı veya başka kaynaklara standart şekilde bağlanmasını amaçlayan protokoldür. MCP, model ile dış dünya arasındaki bağlam ve araç erişimini daha düzenli hale getirir.
MCP sunucularına bağlanan ve onların sağladığı araçları modele sunan uygulama tarafıdır. Chat arayüzü, IDE veya agent çalışma ortamı MCP client olarak davranabilir.
Belirli bir veri kaynağı veya hizmet için MCP üzerinden araç, kaynak ve şema sağlayan sunucudur. Güvenli MCP server tasarımında yetkilendirme, izin kapsamı ve loglama net tanımlanmalıdır.
Model içinde birden fazla uzman alt ağın bulunduğu ve her token için bunlardan sadece bazılarının etkinleştirildiği mimaridir. Bu yaklaşım toplam parametre sayısını büyütürken inference sırasında kullanılan hesaplamayı sınırlayabilir.
Modele cevap üretirken verilen tüm bilgi paketidir: sistem talimatı, kullanıcı mesajı, geçmiş konuşma, araç çıktıları, RAG parçaları ve format kuralları bu bağlama dahildir. Cevap kalitesi çoğu zaman model seçimi kadar bağlam kalitesine bağlıdır.
Modelin eğitim sırasında öğrendiği sayısal ağırlıklardır. Parametre sayısı model kapasitesi hakkında fikir verebilir; ancak veri kalitesi, mimari, eğitim yöntemi ve inference optimizasyonu da performansı belirler.
Farklı görevleri farklı modellere yönlendirme stratejisidir. Amaç, kalite ve maliyet dengesini kurmak; basit işleri ucuz ve hızlı modellerle, kritik işleri daha güçlü modellerle çözmektir.
Kullanıcı girdisi veya model çıktısının zararlı, yasadışı, kişisel veri içeren ya da ürün politikasına aykırı olup olmadığını kontrol etme sürecidir. Moderation hem güvenlik hem marka riski açısından üretim ortamında temel katmandır.
Metin, görüntü, ses, video veya dosya gibi birden fazla veri türünü anlayabilen veya üretebilen model yeteneğidir. Multimodal sistemlerde her veri türü için ayrı güvenlik, maliyet ve kalite değerlendirmesi gerekir.
Modelin görüntü, video veya ses gibi farklı veri türlerinden aldığı bilgiyi metin cevabına doğru şekilde dayandırmasıdır. Bu yetenek, görselde olmayan şeyi varmış gibi söyleme riskini azaltmak için önemlidir.
Görsel veya taranmış doküman içindeki metni makine tarafından okunabilir yazıya dönüştürme işlemidir. AI ürünlerinde OCR çoğu zaman fatura, sözleşme, kimlik veya ekran görüntüsü analizinin ilk adımıdır.
AI işlemlerinin bulut yerine kullanıcının cihazında çalışmasıdır. Gizlilik ve düşük gecikme avantajı sağlayabilir; fakat model boyutu, pil tüketimi, donanım desteği ve güncelleme yönetimi dikkatle planlanmalıdır.
Model ağırlıkları indirilebilir veya çalıştırılabilir şekilde paylaşılan modeldir. Open-weight her zaman tam açık kaynak anlamına gelmez; lisans, ticari kullanım izni, eğitim verisi ve kullanım kısıtları ayrıca incelenmelidir.
Modelden istenen sonucu daha güvenilir almak için talimat, bağlam, örnek, format ve kısıtların doğru tasarlanmasıdır. İyi prompt; görevi, hedef kitleyi, veri sınırını, çıktı formatını ve kalite kriterini açıkça belirtir.
Kullanıcı girdisi, web sayfası, doküman veya araç çıktısı içine gizlenen talimatlarla modelin sistem kurallarını bozma girişimidir. RAG ve agent sistemlerinde özellikle tehlikelidir çünkü model dış kaynaklardan gelen metni talimat sanabilir.
Model ağırlıklarının daha düşük hassasiyetli sayısal formatlara dönüştürülmesidir. Model boyutunu ve bellek kullanımını azaltabilir, inference hızını artırabilir; ancak aşırı quantization kalite kaybına yol açabilir.
Model cevap üretmeden önce ilgili bilgi kaynaklarından belge parçaları getirip bağlama ekleyen yaklaşımdır. RAG, modeli yeniden eğitmeden güncel ve kuruma özel bilgiyle cevap vermeyi sağlar; doğru çalışması için iyi veri temizliği, chunking, arama ve kaynak gösterimi gerekir.
Bir API veya model sağlayıcısının belirli süre içinde kabul ettiği istek, token veya işlem sınırıdır. Üretim ortamında rate limit hataları için kuyruk, retry, fallback model ve kullanıcıya doğru hata mesajı tasarlanmalıdır.
AI sisteminin kötüye kullanım, jailbreak, veri sızıntısı, yanlış yönlendirme ve güvenlik açıklarına karşı bilinçli şekilde test edilmesidir. Amaç sistemi yayına çıkmadan önce zorlayarak zayıf noktaları bulmaktır.
İlk arama aşamasında bulunan aday sonuçları daha hassas bir modele yeniden sıralatan bileşendir. RAG kalitesini artırmak için sık kullanılır çünkü modele gönderilecek az sayıdaki belgenin gerçekten en alakalı olanlar arasından seçilmesini sağlar.
İnsan tercihleriyle eğitilen ödül modellerini kullanarak model davranışını iyileştirme yöntemidir. Chat modellerinin daha yardımsever, anlaşılır ve güvenli cevap vermesi için yaygın olarak kullanılır.
Kelimelerin birebir eşleşmesine değil, anlam benzerliğine göre arama yapma yaklaşımıdır. Embedding modelleri sayesinde kullanıcı farklı kelimeler kullansa bile niyetine yakın dokümanlar bulunabilir.
System prompt kavramının Türkçe kullanımıdır; modelin rolünü, cevap sınırlarını, güvenlik kurallarını ve çıktı formatını belirleyen üst düzey talimatı ifade eder. Kullanıcı bu talimatı doğrudan görmeyebilir, ancak ürünün tutarlı davranması için kritik bir kontrol katmanıdır.
Model cevabının tamamı hazır olduktan sonra değil, üretildikçe parça parça kullanıcıya gönderilmesidir. Chat deneyiminde algılanan hızı artırır; ancak hata yönetimi, kısmi cevap ve iptal akışı doğru tasarlanmalıdır.
Model çıktısının önceden belirlenen JSON şeması, tablo veya alan listesine uygun biçimde üretilmesidir. Otomasyon ve backend entegrasyonlarında serbest metinden daha güvenlidir çünkü çıktı doğrulanabilir ve işlenebilir hale gelir.
Gerçek kullanıcı verisi yerine model veya kural tabanlı sistemlerle üretilen yapay eğitim/test verisidir. Gizlilik riskini azaltabilir ve nadir senaryoları çoğaltabilir; ancak gerçek dünyadaki dağılımı temsil edip etmediği mutlaka kontrol edilmelidir.
Kullanıcı mesajından önce modele verilen, rol, sınır, ton, güvenlik ve çıktı kurallarını belirleyen temel talimat setidir. Sistem promptu ürün davranışı için önemlidir ama güvenlik için tek savunma katmanı olarak görülmemelidir.
Modelin cevap üretirken ne kadar rastgele davranacağını etkileyen parametredir. Düşük temperature daha tutarlı ve deterministik; yüksek temperature daha yaratıcı ama daha değişken cevaplar üretebilir.
Metin açıklamasından görsel üreten AI yeteneğidir. Kaliteli sonuç için konu, kompozisyon, stil, ışık, oran, kullanım amacı ve kaçınılması gereken unsurlar net yazılmalıdır.
Metin, görsel veya senaryo girdilerinden kısa video üreten model yeteneğidir. Video üretiminde hareket tutarlılığı, karakter devamlılığı, sahne süreleri ve telif/gizlilik kontrolleri özellikle önemlidir.
Dil modellerinin metni işlerken kullandığı temel birimdir. Bir token bazen kelime, bazen kelime parçası, bazen noktalama olabilir; fiyatlandırma, context window ve yanıt uzunluğu çoğu modelde token üzerinden hesaplanır.
Metni modelin anlayacağı token parçalarına ayıran sistemdir. Farklı modeller aynı metni farklı sayıda tokena bölebilir; Türkçe gibi eklemeli dillerde token hesabı İngilizceye göre değişiklik gösterebilir.
Modelin çağırabileceği araçların adı, açıklaması, parametreleri ve beklenen veri tiplerini tanımlayan yapıdır. İyi yazılmış tool schema, modelin doğru aracı doğru zamanda ve doğru argümanlarla çağırmasını kolaylaştırır.
Modelin yalnızca metin üretmek yerine hesaplama, arama, veritabanı sorgusu, dosya işleme veya üçüncü taraf API gibi harici araçları kontrollü biçimde çağırabilmesidir. Agent sistemlerinin güvenilir çalışması için araç yetkileri, şemalar, hata yönetimi ve kullanıcı onayı net tasarlanmalıdır.
Modelin bir sonraki tokenı seçerken olasılık dağılımının en anlamlı üst kısmından seçim yapmasını sağlayan üretim parametresidir. Temperature ile birlikte yaratıcılık ve tutarlılık dengesini etkiler.
Modelin öğrenmesi için kullanılan metin, kod, görsel, ses veya diğer veri kaynaklarının genel adıdır. Veri kalitesi, çeşitliliği, lisansı ve kişisel veri içeriği modelin performansı kadar hukuki riskini de etkiler.
Attention mekanizmasına dayanan ve modern büyük dil modellerinin temelini oluşturan sinir ağı mimarisidir. Uzun bağımlılıkları işleyebilmesi, paralel eğitime uygun olması ve ölçeklenebilirliği sayesinde LLM çağının ana mimarisi haline gelmiştir.
Embedding vektörlerini saklamak ve benzerlik araması yapmak için optimize edilmiş veritabanıdır. RAG, öneri sistemleri, anlamsal arama ve benzer içerik bulma işlerinde temel altyapı bileşenlerinden biridir.
Sorgu embeddingi ile kayıt embeddingleri arasındaki yakınlığı ölçerek en benzer sonuçları bulma yöntemidir. Anahtar kelimeye değil anlam yakınlığına odaklandığı için farklı ifadelerle yazılmış benzer içerikleri yakalayabilir.
Görsel ve metni birlikte anlayabilen model türüdür. Ekran görüntüsü analizi, belge okuma, ürün fotoğrafı yorumlama ve görsel soru cevaplama gibi senaryolarda kullanılır.
Bir sistemde olay gerçekleştiğinde başka bir sisteme otomatik HTTP bildirimi gönderilmesini sağlayan entegrasyon yöntemidir. AI otomasyonlarında webhook, dış sistemlerden veri almak veya agent sonucunu başka bir akışa aktarmak için kullanılır.
Tekrarlanan iş süreçlerinin yazılım araçlarıyla otomatik yürütülmesidir. AI eklendiğinde otomasyon yalnızca veri taşımaz; metin anlama, sınıflandırma, özetleme ve karar desteği de sağlayabilir.
Modelin o görev için özel örnek verilmeden, sadece genel talimatla doğru çıktı üretmeye çalışmasıdır. Modern LLM'ler birçok görevde zero-shot çalışabilir; ancak kritik işlerde few-shot örnek, RAG veya eval ile desteklemek daha güvenlidir.