---
title: "Büyük Dil Modellerinin Siyah Kutusu: İnsan Gibi Öğrenme Mekanizması"
description: "Merhaba sevgili teknoloji meraklıları,"
date: 2026-11-19T05:33:49Z
updated: 2026-11-19T05:33:49Z
author: "Selim Arık"
site: "Kodun Anatomisi"
language: "tr"
tags: ["yapayzeka", "derinöğrenme", "dilmodelleri", "makineöğrenimi"]
url: "https://silicon-sokak.nasilalinir.com/buyuk-dil-modellerinin-siyah-kutusu-insan-gibi-ogrenme-mekanizmasi"
---

# Büyük Dil Modellerinin Siyah Kutusu: İnsan Gibi Öğrenme Mekanizması

Merhaba sevgili teknoloji meraklıları,

Kodun Anatomisi'ne hoş geldiniz. Eğer siz de benim gibi, bir yazılımın sadece bir çıktı vermesini değil, bu çıktıyı üretme sürecindeki her bir nöronun neden ateşlendiğini anlamaya takıntılıysanız, doğru yerdesiniz. Son dönemde en çok konuştuğumuz konu olan Büyük Dil Modelleri (LLM'ler), bu incelemenin mükemmel bir malzemesi. Herkes onlardan kusursuz metin ürettiğini görüyor, ancak bu "akıcılık" nerede başlıyor ve nasıl sürdürülüyor? Bir yapının çatısını görüyoruz ama kolonların nasıl ayağa kalktığını merak ediyoruz.

## Transformer Mimarisi: Dönüşümün Kalbi

Bu modellerin sihri, onlarca yıldır kullanılan basit bir algoritmadan ziyade, **Transformer** mimarisinde yatıyor. Eskiden, bir sonraki kelimeyi tahmin etmek için kelime öbeklerini sırayla işleyen RNN (Tekrarlayan Sinir Ağları) gibi yapılardı. Bu, uzun metinlerde bağlam kaybetmelerine neden oluyordu; tıpkı uykusuz birine bütün bir romanı anlatmaya çalışmak gibi.

Transformer ise bu darboğazı aşarak paralel işlem gücünü devreye soktu. Peki, bu paralel işlem gücünü sağlayan temel mekanizma nedir? Cevap: **Dikkat Mekanizması (Attention Mechanism)**.

Dikkat mekanizması, modelin bir girdi dizisindeki her bir öğenin, çıktıyı üretirken diğer tüm öğelerle olan ilişkisini ağırlıklandırabilmesini sağlar. Bu, bir cümledeki her kelimenin, diğer tüm kelimelerin çıktıyı üretme üzerindeki önemini dinamik olarak belirlemesi demektir.

Örneğin, "Bankadaki parayı çektim çünkü o vardı." cümlesini ele alalım. Eğer model, "o" kelimesine gelindiğinde, bu "o"nun cümlenin başındaki "para" kelimesine dikkat etmesi gerektiğini öğrenirse, başarıya ulaşılır. Dikkat mekanizması, bu ağırlıklandırmayı matematiksel olarak hesaplar.

## Tokenizasyondan Vektör Uzayına Yolculuk

Ancak bu yüksek seviye soyutlamadan önce, gelmemiz gereken bir fiziksel süreç var: **Tokenizasyon**. Bilgisayarlar doğal dili anlamazlar; onlar sadece sayılarla iletişim kurabilir. Bu yüzden, bir cümle önce parçalara (token'lara) ayrılır, ardından bu token'lar, eğitilmiş bir sözlük sayesinde yüksek boyutlu bir vektör uzayına eşlenir.

Bu vektör, kelimenin sadece anlamını değil, aynı zamanda cümle içindeki **konumsal bilgisini** de taşır. Burası, bir kelimenin sadece "kedi" olması değil, aynı zamanda "kovada olan kedi" mi yoksa "avlanan kedi" mi olduğunu ayırt etmesini sağlayan derinlik katmanıdır.

## Ölçeklenme Yasası ve Emergence

Bu mimariyi alıp, milyarlarca parametreyle (yani milyarlarca potansiyel bağlantı noktasıyla) birleştirdiğinizde, doğaüstü bir şey oluyor: **Emergence** (Ortaya Çıkış).

Bu, sadece daha çok veriyle veya daha fazla katmanla eğitildiğinizde, modelin bu karmaşıklığın ötesine geçerek, basit bir öngörü aracından bağımsız bir görev tamamlama yeteneğine ulaşmasıdır. Bu, sanki bir özenle tasarlanmış basit bir mekanizmaya sonsuz olasılık katmak gibidir.

Özetle, LLM'ler sadece çok büyük bir tahmin zinciri değildir; onlar, Transformer mimarisi sayesinde, dikkat mekanizmasıyla geçmişle kurduğu dinamik bağı ağırlıklandırarak, kelimelerin vektör uzayındaki konumlarını matematiksel olarak en uygun şekilde hizalayan, son derece sofistike matematiksel makinelerdir.

Siz bu sistemin hangi katmanını daha derinlemesine incelemek istersiniz? Yorumlarda bekliyorum.

Selim Arık
