Makine Öğrenmesi

Belirli Varlık Tanıma (Named Entity Recognition - NER), Doğal Dil İşleme (NLP) alanının temel yapı taşlarından biridir. Yapılandırılmamış metinlerde yer alan kişi adları, kuruluşlar, konumlar, tarihler, para birimleri ve ürün adları gibi önceden tanımlanmış anahtar ögelerin otomatik olarak tespit edilmesi ve sınıflandırılması sürecidir. NER olmasaydı arama motorları, öneri sistemleri ve otomatik belge analiz yazılımları metin içerisindeki ‘kim, ne, nerede ve ne zaman’ sorularına yanıt bulmakta büyük zorluk çekerdi.

2026’nın dijital çağında, Bilgisayarlı Görü (Computer Vision - CV), Yapay Zekanın en dönüştürücü dallarından biri haline geldi. Bu, bilgisayarların görsel dünyayı tıpkı insanlar gibi, hatta bazen daha iyi bir şekilde “görmesini” ve yorumlamasını sağlayan bilim dalıdır. Akıllı telefonunuzdaki yüz tanıma özelliğinden paket teslim eden otonom dronlara kadar bilgisayarlı görü her yerdedir. Peki bir makine, bir sayı ızgarasını gerçekte nasıl tanınabilir bir nesneye dönüştürür?

Büyük Dil Modelleri (LLM’ler), sadece insan benzeri metinler üretebildikleri için değil, aynı zamanda karmaşık problemlerde “mantık yürütebildikleri” için dünyayı kasıp kavurdu. Peki, token tahminine dayalı istatistiksel bir model gerçekte mantıksal görevleri nasıl yerine getiriyor? Bu yazıda, basit örüntü eşleştirmeden Düşünce Zinciri (Chain of Thought - CoT) gibi gelişmiş stratejilere kadar LLM mantık yürütme mekanizmalarını inceliyoruz. 1. Gerçekten Mantık Yürütme mi Yoksa Sadece Tahmin mi? Temelinde LLM’ler, bir dizideki bir sonraki token’ı tahmin etmek üzere eğitilirler. Ancak bu modeller boyut olarak (parametreler) büyüdükçe, “ortaya çıkan özellikler” (emergent properties) belirmeye başladı. Araştırmacılar, modellerin matematik problemlerini çözebildiğini, kod yazabildiğini ve karmaşık talimatları takip edebildiğini keşfettiler; bunlar sadece ezberden fazlasını gerektiren görevlerdir.