Büyük Dil Modelleri (LLM) Nasıl Çalışır? Teknik Olmayanlar İçin Anlatım
Büyük dil modellerinin kelime tahmininden akıl yürütmeye nasıl ulaştığını, teknik terime girmeden makine öğrenmesi dışındaki herkes için açıklıyoruz.
Bu rehberi ücretsiz indir
PDF; kapak ve içindekiler sayfası dahil 9 bölümden ve sık sorulan sorulardan oluşur. Türkçe, A4 formatında, yazdırılabilir.
İndirmek için ücretsiz WebTuring hesabı gerekir. Girişli değilseniz giriş sayfasına yönlendirilirsiniz.
Kısa cevap
Büyük dil modelleri devasa metin üzerinde "sıradaki kelimeyi tahmin et" oyununu milyarlarca kez oynayarak dil, bilgi ve akıl yürütme örüntülerini parametre denilen sayısal ağırlıklara işler; kullandığınızda ise isteminizi bu örüntülerle en olası yanıt dizisine dönüştürür.
Tek fikir: Sıradaki kelimeyi tahmin et
Büyük dil modelinin yaptığı tek iş şudur: Verilen metnin devamında hangi kelimenin geleceğini tahmin etmek. "Ankara Türkiye’nin ___" örneğinde "başkenti" tahmin etmek kolaydır; ama "onun önerisi beni ___" gibi cümlelerde olasılık dağılımı geniştir — şaşırttı, ikna etti, düşündürdü. Model her adımda bu olasılık dağılımını üretir.
Devrim şu gerçekte yatar: Kelime tahminini yeterince iyi yapmak, dilin gramerini, dünyanın olgularını, mantık örüntülerini, hatta yazı tarzlarını kavramayı zorunlu kılar. Bir metnin devamını yazmak için önce metni anlamak gerekir. Tahmin, bir yan ürün olarak anlama üretir.
Metin modelin gözünde nasıl görünür: tokenlar
Model metni kelimeyle değil tokenla işler. Token, kelimenin tamamı veya bir parçası olabilen birimdir; "kütüphanede" kelimesi "kütüp", "hane", "de" gibi parçalara ayrılabilir. Model her tokeni bir sayı dizisine (vektöre) çevirir; bu vektörler tokenin anlamını taşıyan koordinatlardır.
Bu sistemin pratik sonuçları vardır. Türkçe gibi morfolojisi zengin dillerde aynı anlam daha çok tokena bölünür, bu da maliyeti ve bağlam tüketimini artırır. Bağlam penceresi de tokenla ölçülür: Modelin bir konuşmada aynı anda görebildiği maksimum metin, 2026 modellerinde yüz binlerce token düzeyindedir.
Üç aşamalı eğitim: okuma, davranış, düşünme
Birinci aşama ön eğitimdir: Model, internet kitapları ve belgelerden oluşan devasa bir külliyatta trilyonlarca tokenlık tahmin oyunu oynar. Bu aşamada genel bilgi ve dil yetisi oluşur; aylar süren ve binlerce GPU gerektiren pahalı aşama budur.
İkinci aşama hizalamadır: Model, insanların yazdığı ideal cevap örnekleri ve insan tercihlerine göre puanlanan çıktılarla "nasıl faydalı, dürüst ve güvenli davranacağını" öğrenir. Üçüncü aşama akıl yürütme eğitimidir: Model, matematik ve kod problemlerinde doğrulanabilir cevaplarla "cevap vermeden önce içsel düşünme" becerisini pekiştirir; reasoning modelleri buradan doğdu.
Parametreler: Bilginin sayısal adresi
Parametre, modelin eğitim sırasında değişen trilyonlarca küçük ağırlık değeridir. Bir kelime kalıbı gördüğünde hangi tokena ne kadar eğilieceğini bu ağırlıklar belirler. "Öğrenme" dediğimiz şey, bu sayıların veriyi daha iyi tahmin edecek şekilde adım adım güncellenmesidir.
Parametre sayısı tek başına kaliteyi garanti etmez. Verinin kalitesi, mimari verimliliği ve eğitim yöntemi aynı ağırlıkta önemlidir; 2026 itibarıyla iyi eğitilmiş 30-70 milyar parametreli modeller, kötü eğitilmiş dev modelleri geçebiliyor.
Neden bazen yanlış ama kendinden emin konuşuyor?
Model bir olasılık makinesidir; "en olası" ile "gerçek" aynı şey değildir. Eğitim verisinde hiç görmediği veya az gördüğü konularda, olasılık dağılımı akıcı ama yanlış bir devam üretebilir. Bu halüsinasyonun mekanizmasıdır: Model yalan söylemiyor, istatistiksel olarak "yerinde görünen" bir yanıt inşa ediyor.
Kendinden emin ton da aynı mekanizmanın yan ürünüdür: Eğitim verisindeki profesyonel metinlerin çoğu güvenle yazılmıştır, model o tonu taklit eder. Pratik sonuç: Modelin tonu doğruluk göstergesi değildir; kritik bilgiler kaynakla teyit edilmelidir.
Bağlam penceresi: Modelin kısa süreli belleği
Model, konuşmanın tamamını her tur yeniden okur. Bağlam penceresi dolunca eski mesajlar düşer; model "unutur". Uzun belgelerle çalışırken bu, en sık karşılaşılan teknik sınırdır. Çözümler: Özeti öne almak, önemli bilgileri konuşmanın başına koymak veya belgeyi parçalara bölüp RAG ile ilgili kısmı çekmek.
Modelin kalıcı bir belleği olmadığını da bilmek gerekir: Sekmeyi kapatınca sohbet silinmez (uygulama saklar), ama model o sohbetten "ders öğrenmez". Her yeni sohbet sıfırdan başlar.
Akıl yürütme modelleri: Cevap vermeden önce düşünmek
2024 sonrasının en önemli yeniliği, modelin cevabı üretmeden önce kendine içsel adımlar kurmasıdır. Model problem çözme planını yazar, yan yolları dener, hatayı fark edip düzeltir ve en son cevabı verir. Kullanıcı genelde sadece nihai cevabı görür; "düşünme" süreci arka planda token harcar.
Bu sınıf, matematik, kod, çok adımlı analiz ve planlamada belirgin biçimde iyidir; basit sorularda ise gereksiz yavaş ve pahalıdır. Doğru kullanım örüntüsü: Rutin işler standart modele, zor problemler reasoning modele.
Araçlar ve RAG: Modeli bilgiye bağlamak
Tek başına modelin bilgisi eğitim tarihiyle sınırlıdır. Araç kullanımı bu sınırı kaldırır: Model arama motorunu, hesap makinesini, veritabanınızı çağırabilir ve güncel veriyle yanıt kurabilir. RAG ise özellikle kendi belgeleriniz için çalışır: Sorunuza ilgili parçalar vektör aramasıyla bulunur, modele eklenir ve yanıt o parçalara dayandırılır.
Bu iki mekanizmanın ortak faydası doğrulanabilirliktir: Yanıt, modelin ezberine değil gösterebileceğiniz bir kaynağa dayanır. Kurumsal kullanımda halüsinasyon riskini azaltan temel mimari budur.
LLM in hâlâ yapamadıkları
Kesin bilgi güvencesi veremez; olasılıksal üretir. Gerçek zamanlı bilgiye kendi başına erişemez (araç olmadan). Uzun görevlerde kendi hatasını hiçbir denetim olmadan takip edemez — bu yüzden ajan sistemleri denetim katmanıyla çalışır. Sayısal işlemleri hesap makinesi gibi kesin yapmaz, tahmin eder (araç devreye girmezse).
Ve hiçbir model gerçek bir dünya modeline sahip değildir: Fiziksel sonuçları, güncel olayların içdinamiğini güvenilir biçimde öngöremez. Bu sınırları bilmek, aracı doğru yere koymak için değil, kötü yanıltıcı kullanımdan korunmak için gereklidir.
Sık sorulan sorular
LLM gerçekten anlıyor mu, yoksa ezberliyor mu?
İkisi arasında bir şey yapıyor: Dilin istatistiksel yapısını o kadar derin öğrendi ki transfer edilebilir soyut örüntüler ortaya çıkıyor. Ama "anlamanın" insani bilinçli biçimiyle eşdeğer olduğunu iddia etmek için bilimsel temel yok.
Bağlam penceresi büyükse artık özet almaya gerek var mı?
Pencere büyük olsa da doğruluk, ilgili bilginin pencerede nerede olduğuna göre değişir. Çok uzun belgelerde özet + RAG kombinasyonu hâlâ daha tutarlı sonuç verir.
Token sayısını nasıl hesaplarım?
Türkçe için kabaca 1 kelime ≈ 2-3 token alın. Ayrıca çıktı da token harcar; maliyet = girdi tokenı + çıktı tokenı. Uzun sistem istemleri tekrarlanıyorsa bağlam önbelleği (caching) maliyeti büyük ölçüde düşürür.
