AI modeli nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

AI modeli nedir

Bir AI modeli, yararlı çıktılar üretmek için veriyle eğitilmiş matematiksel bir yapıdır: tahminler, sınıflandırmalar, üretilmiş metin, görseller, puanlar veya kararlar. Bunu, bir bilgisayarın milyonlarca örnekten öğrendiği çok karmaşık bir "tarif" olarak düşünün. Bir insan şefin kendi tariflerini yaratmadan önce binlerce yemeği incelemesi gibi, bir AI modeli de eğitim sırasında verilerden örüntüleri özümser ve ardından çıkarım sırasında bu örüntüleri yeni, daha önce görülmemiş girdilere uygular.

Modelin kendisi geleneksel anlamda bir yazılım değildir. Modelin öğrendiği örüntüleri kodlayan, ağırlıklar (weights) adı verilen sayısal değerleri içeren bir dosyadır (veya bir dosya koleksiyonudur). Ağırlıkları olmadan bir model, hiçbir bilgisi olmayan boş bir mimariden ibarettir. Ağırlıklarıyla birlikte, ham girdiyi AI güdümlü bir sonuca dönüştüren çekirdek artefakt hâline gelir.

Kısaca: bir AI modeli, verilerden öğrenilmiş bir "tariftir". Girdi alır, eğitim sırasında özümsediği örüntüleri uygular ve çıktı üretir. Bir kripto AI projesi "AI'ya sahip olduğunu" iddia ettiğinde ilk soru şudur: hangi model?

Bir model nasıl oluşturulur

Bir AI modeli inşa etmek, boş bir yapıyla başlayıp devreye alınabilir bir artefaktla biten bir işlem hattını izler. Bu hattı anlamak, bir projenin AI'sının gerçekte ne kadar derin ve gerçek olduğunu değerlendirmeye yardımcı olur.

Mimari

Her model bir mimari olarak başlar — verinin sistemde nasıl aktığını tanımlayan bir taslak. Yaygın mimariler arasında ileri beslemeli sinir ağları, evrişimli sinir ağları (CNN'ler), transformer'lar, karar ağaçları ve difüzyon modelleri bulunur. Mimari, modelin hangi tür örüntüleri öğrenebileceğini ve bunları ne kadar verimli öğreneceğini belirler. Görev için doğru mimariyi seçmek, bir AI ekibinin verdiği en önemli kararlardan biridir.

Parametreler ve ağırlıklar

Bir mimari parametreler içerir — modelin eğitim sırasında ayarladığı, değiştirilebilir sayısal değerler. Küçük bir modelin birkaç milyon parametresi olabilir; büyük bir dil modelinin yüzlerce milyar parametresi olabilir. Eğitimden önce tüm parametreler rastgele veya yarı rastgele değerlerle başlatılır ve hiçbir yararlı bilgi taşımaz.

Eğitimden sonra bu parametreler ağırlıklara dönüşür — modelin eğitim verilerinden çıkardığı istatistiksel örüntüleri kodlayan belirli değerler. Eğitilmiş bir modeli boş bir mimariden ayıran şey ağırlıklardır. İnsanlar "model boyutundan" bahsettiklerinde genellikle parametre sayısını kastederler.

Eğitim

Eğitim sırasında model bir veri kümesine maruz bırakılır ve bir optimizasyon algoritması (örneğin geri yayılımla birlikte gradyan inişi) hataları en aza indirmek için ağırlıkları ayarlar. Eğitim süreci; veri kümesi boyutuna, model boyutuna ve mevcut işlem gücüne bağlı olarak saatler, günler veya haftalar sürebilir. Sonuç, eğitilmiş bir modeldir: yüklenip kullanılabilen bir ağırlık dosyaları kümesi.

Değerlendirme

Devreye almadan önce sorumlu bir ekip, modeli benchmark'lara karşı değerlendirir — belirli görevlerdeki performansı ölçen standartlaştırılmış testler. Değerlendirme şu soruyu yanıtlar: bu model gerçekten yararlı olacak kadar iyi çalışıyor mu?

Devreye alma

Son adım, eğitilmiş modeli gerçek istekleri karşılayan bir çıkarım sistemine yüklemektir. Devreye alma; donanım, gecikme gereksinimleri, ölçekleme ve izleme hakkında kararlar içerir. Yalnızca bir araştırma prototipi olarak var olan bir model henüz bir ürün değildir.

Basitleştirilmiş uçtan uca akış:

Bir mimari seçin — transformer, CNN, karar ağacı, difüzyon modeli vb.
Veriyi hazırlayın — bir veri kümesi toplayın, temizleyin ve etiketleyin.
Eğitin — model parametrelerini verilere göre ayarlayan bir optimizasyon algoritması çalıştırın.
Değerlendirin — performansı benchmark'lara karşı ölçün.
Devreye alın — eğitilmiş modeli gerçek istekleri karşılayan bir çıkarım sistemine yükleyin.

Model ile algoritma farkı

Bu terimler sıklıkla karıştırılır, ancak ayrım önemlidir:

Algoritma — eğitim yöntemi veya prosedürü (ör. gradyan inişi, geri yayılım, pekiştirmeli öğrenme). Modelin nasıl öğrendiğini tanımlar.
Model — algoritmanın verilere uygulanmasının sonucu. Neyin öğrenildiğini tanımlar.

Bir algoritma birçok veri kümesinde ve görevde yeniden kullanılabilir. Bir model, eğitildiği veriye ve göreve özgüdür. Aynı eğitim algoritması; kullanılan mimariye, verilere ve hiperparametrelere bağlı olarak çok farklı modeller üretebilir.

AI modeli türleri

Modelleri sınıflandırmanın tek bir yolu yoktur, ancak birkaç büyük aile hem ana akım AI'da hem de kripto AI projelerinde düzenli olarak görünür.

Tür	Nasıl çalışır	Tipik görevler	Kripto AI örneği
Transformer	Uzun menzilli ilişkileri yakalamak için öz-dikkat (self-attention) kullanarak dizileri işler	Metin üretimi, çeviri, kod üretimi, akıl yürütme	LLM destekli sohbet botları, AI ajanları, kod denetimi
CNN (evrişimli sinir ağı)	Uzamsal örüntüleri (kenarlar, dokular, şekiller) tespit etmek için filtreler uygular	Görsel sınıflandırma, nesne algılama, video analizi	NFT analizi, zincir üstü görsel örüntü tespiti
Difüzyon modeli	Gürültü ekleme sürecini adım adım tersine çevirerek veri üretmeyi öğrenir	Görsel üretimi, video sentezi, ses oluşturma	Üretken NFT sanatı, eğitim için sentetik veri
Karar ağacı / gradyan destekli ağaç	Veriyi bir ağaç yapısında özellik eşiklerine göre böler	Sınıflandırma, regresyon, tablosal veri	Dolandırıcılık tespiti, risk puanlama, zincir üstü anomali tespiti
Pekiştirmeli öğrenme modeli	Deneme, ödül ve ceza yoluyla en uygun eylemleri öğrenir	Strateji optimizasyonu, otonom karar verme	Otomatik piyasa yapıcılar, alım satım stratejisi ajanları
Öneri motoru	Ögeleri bir kullanıcıya veya bağlama öngörülen ilgililiğe göre sıralar	İçerik derleme, kişiselleştirme	Token keşfi, protokol önerisi
Üretken çekişmeli ağ (GAN)	İki ağ yarışır: biri üretir, diğeri ayırt eder	Gerçekçi görsel sentezi, veri artırma	Sentetik eğitim verisi, deepfake tespiti

Çoğu kripto AI projesi bu model türlerinden birini veya bir kombinasyonunu kullanır. Bir projenin hangi türü kullandığını anlamak, iddia edilen AI yeteneğinin belirtilen kullanım senaryosu için gerçekçi olup olmadığını değerlendirmeye yardımcı olur.

Önceden eğitilmiş ve ince ayarlı modeller

Proje dokümantasyonunda sıkça görünen iki terim:

Önceden eğitilmiş model (pre-trained) — büyük, genel amaçlı bir veri kümesiyle (internet metni veya milyonlarca görsel gibi) eğitilmiş bir model. Ön eğitim pahalı ve zaman alıcıdır. Bunu yapan kuruluşlar (GPT, DeepSeek veya Stable Diffusion'ın arkasındakiler gibi) önemli işlem kaynakları yatırır ve genellikle ortaya çıkan modeli başkalarının üzerine inşa etmesi için yayımlar.
İnce ayarlı model (fine-tuned) — daha küçük, göreve özgü bir veri kümesiyle ek olarak eğitilmiş, önceden eğitilmiş bir model. İnce ayar, sıfırdan eğitmekten daha ucuz ve hızlıdır, ancak yine de alan uzmanlığı, kaliteli veri ve uygun işlem gücü gerektirir.

Açık kaynaklı bir modeli tescilli zincir üstü verilerle ince ayarlayan bir proje, yalnızca üçüncü taraf bir API'yi çağırandan daha fazla AI derinliğine sahiptir. Ancak ince ayar tek başına yüksek kaliteyi garanti etmez — veri, metodoloji ve değerlendirmenin hepsi önemlidir.

Açık kaynaklı ve tescilli modeller

Açık kaynaklı modeller (bazen "açık ağırlıklı modeller" denir); mimarilerini, ağırlıklarını ve çoğu zaman eğitim ayrıntılarını herkesin incelemesi, yeniden üretmesi ve üzerine inşa etmesi için yayımlar. Örnekler arasında DeepSeek, Qwen, Mistral ve Stable Diffusion bulunur. Açık kaynak, modelin ticari kullanımının ücretsiz olduğu anlamına gelmez — lisanslar değişir.

Tescilli modeller; ağırlıklarını, mimari ayrıntılarını ve eğitim verilerini gizli tutar. Kullanıcılar onlara yalnızca bir API üzerinden erişir. Örnekler arasında GPT ve Claude bulunur.

Doğrulama amaçları açısından açık kaynaklı modeller net bir avantaj sunar: herkes kodu ve ağırlıkları inceleyebilir, modeli bağımsız çalıştırabilir ve iddiaları doğrulayabilir. Açık kaynaklı modelleri kullanan veya bunların üzerine inşa eden bir kripto AI projesi, kapalı bir API'nin arkasındaki tescilli bir modele atıf yapan bir projeden daha doğrulanabilir kanıt sağlar.

Kendi modeli ile başkasının modeline API farkı

Bu ayrım, AI derinliğini değerlendirmek için kritiktir:

Kendi modeli — proje bir model eğitmiş veya ince ayarlamış; ağırlıklarını, veri hattını ve devreye almasını kontrol ediyor. Bu daha derin bir AI derinliği ima eder ve kod, model kartları ve benchmark'lar aracılığıyla doğrulanabilir.
API çağrısı — proje, üçüncü taraf bir modele (OpenAI, Anthropic, Google) istek gönderir ve yanıtı döndürür. AI sağlayıcıya aittir. Bkz. API wrapper nedir.

GPT'yi API üzerinden çağıran bir proje ile tescilli zincir üstü verilerle kendi transformer'ını eğiten bir proje, ikisi de "AI kullanıyor" — ancak AI derinliği, sahiplik ve doğrulanabilirlik temelden farklıdır. DecAIHub bu farkı AI component alanında ve AI reality puanında yansıtır.

DecAIHub proje kartlarında nerede görünür

AI modeli kavramı, bir DecAIHub proje kartının birkaç bölümüne dokunur:

AI component, sıklıkla bir model türüne veya mimarisine atıf yapar ("ince ayarlı LLM", "tescilli sınıflandırıcı", "ML puanlama modeli").
AI use case, modelin son kullanıcı için ne yaptığını tanımlar.
Kanıt tablosu, model artefaktlarının (kod, ağırlıklar, benchmark'lar, dokümantasyon) bulunup bulunmadığını gösterir.
ai_score, modelin varlığının ve kalitesinin Tier-1 kanıtıyla ne kadar iyi desteklendiğini yansıtır.
DecAI Fit, ai_score'u projenin Merkeziyetsiz AI teziyle ne kadar uyumlu olduğuna dair daha geniş bir değerlendirmeye dahil eder. ai_score = 0 olan bir proje, diğer puanlarından bağımsız olarak DecAI Fit = 0 alır.

Bir projenin kullandığı modelin varlığı ve türü, AI reality'yi belirlemede en temel sinyallerden biridir. Model mimarisini belgeleyen, ağırlıkları veya benchmark'ları yayımlayan ve çalışan bir çıkarım hattı gösteren bir proje, yalnızca "AI kullanıyoruz" diyen bir projeden daha güçlü Tier-1 kanıtı sağlar.

Tek başına bir model neyi kanıtlamaz

Kalite — bir model var olabilir ve yine de kötü performans gösterebilir. Benchmark'lar olmadan performansı yargılamanın bir yolu yoktur.
Tescilli değer — bir model, açık kaynaklı bir kontrol noktasının hafifçe değiştirilmiş bir kopyası olabilir. Sahiplik ve farklılaşma kanıt gerektirir.
Gerçek dünya etkisi — bir model laboratuvarda doğru çıktılar üretip üretimde başarısız olabilir. Devreye alma kanıtı önemlidir.
Gereklilik — bir modele sahip olmak, projenin neden bir blok zincirine veya tokena ihtiyaç duyduğunu açıklamaz. Bunlar DecAI Fit içinde ayrı eksenlerdir.
Sürekli bakım — bir kez eğitilmiş bir model, veri dağılımları kaydıkça bayatlayabilir. Yeniden eğitim veya izleme olmadan kalite zamanla düşer.

Karıştırmayın

Algoritma — eğitim prosedürüdür, eğitilmiş sonuç değil. Algoritma modeli üretir.
Inference — çıktı üretmek için eğitilmiş bir modeli çalıştırma süreci. Model artefakttır; çıkarım onun kullanımıdır.
AI component — modeli ve çevresindeki işlem hattını (veri, ön işleme, devreye alma) içerebilen daha geniş bir terim. Model, bileşenin bir parçasıdır.
LLM — belirli bir model türü (büyük dil modeli); genel olarak "AI modeli"nin eş anlamlısı değildir.
Veri kümesi — modeli eğitmek için kullanılan veriler. Veri kümesi eğitim sürecinin girdisidir; model ise çıktısıdır.

Sık sorulan sorular

Model ile algoritma arasındaki fark nedir?

Bir algoritma bir prosedürdür — bilgisayara verilerden nasıl öğreneceğini söyleyen bir kurallar kümesi (ör. gradyan inişi). Bir model, bu algoritmayı belirli bir veri kümesinde çalıştırmanın sonucudur. Algoritma yeniden kullanılabilir; model, eğitildiği veriye ve göreve özgüdür.

Bir AI modelinin kaç parametreye ihtiyacı vardır?

Evrensel bir yanıt yoktur. Tablosal veriler için basit bir sınıflandırıcı binlerce parametreyle iyi çalışabilir. Büyük bir dil modeli milyarlarca gerektirebilir. Daha fazla parametre otomatik olarak daha iyi bir model anlamına gelmez — mimari tasarım, veri kalitesi ve eğitim metodolojisi ham boyuttan daha önemlidir. İyi eğitilmiş küçük bir model, belirli görevlerde kötü eğitilmiş büyük bir modeli geride bırakabilir.

"Açık kaynaklı model" ne demektir?

Açık kaynaklı (veya açık ağırlıklı) bir model, mimarisi ve eğitilmiş ağırlıkları inceleme, yeniden üretme ve değişiklik için herkese açık olan modeldir. Bu, modelin ticari kullanım için ücretsiz olduğu anlamına gelmez — her sürümün kendi lisansı vardır. Doğrulama amaçları açısından, açık kaynaklı modellerin denetimi daha kolaydır çünkü herkes onları bağımsız çalıştırabilir.

Bir kripto projesi, modelini yayımlamadan bir AI modeline sahip olduğunu iddia edebilir mi?

Evet ve birçoğu bunu yapar. Ancak yayımlanmış kod, ağırlıklar, model kartları veya benchmark sonuçları olmadan; modelin var olduğunu, iddia edildiği gibi çalıştığını veya proje tarafından inşa edildiğini bağımsız olarak doğrulamanın bir yolu yoktur. DecAIHub'da bu tür iddialar AI kanıt bayraklarıyla yansıtılır — hiçbir Tier-1 artefakt iddiayı desteklemiyorsa, ai_score düşük kalır.

Önceden eğitilmiş model ile ince ayarlı model arasındaki fark nedir?

Önceden eğitilmiş bir model, geniş örüntüleri (dil yapısı, görsel özellikler vb.) öğrenmek için büyük, genel amaçlı bir veri kümesiyle eğitilmiştir. İnce ayarlı bir model, önceden eğitilmiş bir kontrol noktasından başlar ve belirli bir göreve özelleştirmek için daha küçük, alana özgü bir veri kümesiyle ayrıca eğitilir. İnce ayar, sıfırdan eğitmekten daha hızlı ve ucuzdur, ancak yine de kaliteli veri ve dikkatli değerlendirme gerektirir.

Ayrıca bakınız

Dış kaynaklar

Hugging Face -- Models -- görevler ve mimariler genelinde binlerce önceden eğitilmiş ve ince ayarlı modelin açık deposu.
Papers With Code -- Methods -- bağlantılı makaleler ve kodlarla model mimarileri ve eğitim yöntemleri kataloğu.
Stanford HAI -- AI Index Report -- AI modellerinin, benchmark'ların ve sektör trendlerinin durumunu izleyen yıllık rapor.
Google Research Blog -- Machine Learning -- model mimarileri, eğitim teknikleri ve araştırma ilerlemeleri hakkında teknik yazılar.
Wikipedia -- Artificial neural network -- sinir ağı mimarileri ve tarihçeleri hakkında genel bakış makalesi.