Yapay zeka gelişimine ayak uydurmanın kendi yöntemim (ve sizin de bunu neden mutlaka yapmanız gerektiği)

 (blog.nilenso.com)
87 puan yazan GN⁺ 2025-07-21 | 5 yorum | WhatsApp'ta paylaş
  • Üretken yapay zeka en hızlı evrilen teknoloji ve hem küçümsemek hem de abartmak tehlikeli
  • Güvenilir kaynakları ve itibarlı uzmanları sürekli takip etmek şart
  • Simon Willison’s Blog, Andrej Karpathy, Every’s Chain of Thought gibi dengeli bir bilgi akışı öneriliyor
  • Resmî yapay zeka laboratuvarı duyuruları, mühendislik blogları ve makaleler, teknolojinin gerçek ilerlemesini ve sınırlarını anlamak için vazgeçilmez
  • Twitter/X, haber kürasyonu ve uzman listeleri gibi farklı kanallar sayesinde hem son gelişmelere hem de derinlemesine analizlere ulaşmak mümkün

Giriş: Yapay zeka yanlış anlamaları ve bilgi kirliliği

  • Üretken yapay zeka, yazarın hayatı boyunca gördüğü en hızlı gelişen teknoloji
  • Ancak yapay zekaya dair yanlış anlamalar da çok yaygın ve bilgi ortamının kendisi son derece karmaşık
  • İlgili teknolojiyi yeterince anlamayan şirketlerin, devletlerin veya kişilerin bunu yanlış kullanması ya da ciddi zararlara yol açması gibi örnekler gerçekten yaşanıyor
  • Yapay zekayı küçümseyen (“yakında kaybolacak bir moda”) ya da abartan (“artık programcılara gerek yok”) iki uç yanlış anlayış mevcut
  • Teknolojinin doğru anlaşılmaması, bu yanlış anlamaların temel nedeni

Yapay zeka bilgisi edinme yaklaşımı

  • Yapay zeka ile ilgili bilgileri doğru biçimde anlamak sanıldığından daha zor
  • Çarpıtılmış bilgiler, abartılar veya bastırılmış söylemlerle günlük olarak karşılaşılan bir ortam var
  • Bilgiyi bilinçli ve sistematik biçimde ayıklamazsanız hatalara, abartılara ve çarpıtmalara kolayca maruz kalma riski bulunuyor
  • Yazar, dengeli bir bilgi akışı kurarak bundan fayda gördüğünü ve bunu yeni başlayanlar için iyi bir başlangıç noktası olarak önerdiğini söylüyor

Bilgi edinmenin genel ilkeleri

  • Birincil kaynaklara yakın bilgilere başvurmak önemli
    • Yapay zeka laboratuvarlarının resmî duyuruları veya öne çıkan isimlerin görüşleri birincil kaynak olarak doğrulanmalı
    • İkincil ve üçüncül haberlere temkinli yaklaşmak gerekiyor
  • Güvenilir uzmanların yorumlarını aktif olarak arayıp başvurmak gerekiyor

Önerilen bilgi başlangıç noktaları

  • Simon Willison’s Blog

  • Andrej Karpathy

    • Twitter/X | YouTube
    • OpenAI kurucu üyelerinden biri ve Tesla AI eski direktörü
    • Yapay zeka modellerinin iç yapısını ve çalışma prensiplerini en kolay öğrenebileceğiniz kanallardan biri; buna kültürel etkiler ve yapay zekanın toplumsal değişime etkisini gözlemleme de dahil
    • Örnekler: Deep Dive into LLMs like ChatGPT, How I Use LLMs
Reklam

Every’s Chain of Thought

Resmî yapay zeka laboratuvarı kaynakları nasıl takip edilir

Dikkat edilmesi gereken yapay zeka uzmanları ve uygulamalı mühendisler

  • Açık kaynak araçlar üreten, yapay zeka mühendisliğinde pratik deneyime sahip uzmanların paylaşımları çoğu zaman resmî kılavuzlardan daha faydalı olabiliyor

Öne çıkan isimler ve bloglar

Yapay zeka haberleri/medyası ve topluluklardan yararlanma

  • Twitter/X

    • Twitter/X listesi
    • Gerçek zamanlı yapay zeka tartışmalarının ve bilgi edinmenin merkezi; çeşitli gelişmeleri ve tartışmaları yakalamak için uygun
      • Twitter akışını gazete okur gibi 15–20 dakika gözden geçirin, gerekirse yeni kişiler ve kaynaklar ekleyerek takip listenizi genişletin

  • Shawn Wang(swyx) / smol.ai

  • Dwarkesh Patel

    Reklam

Derinlemesine yapay zeka tartışma/kaynak toplulukları

Bilgi edinmenin pratik yöntemi

  • Tüm kaynakları eksiksiz takip etmek yerine Twitter akışına gazete okur gibi yaklaşmak daha uygulanabilir bir yöntem
  • İlginç bir yazı bulduğunuzda o yazarı takip etmek ve diğer işlerine de bakmak şeklinde genişleyen bir okuma biçimi öneriliyor
  • Bu, geçmişte müzik keşfetme biçimine benzer bir bilgi keşfi yöntemi
  • Buna entelektüel keşfin keyfiyle yaklaşırsanız, zorunluluk değil keyif haline gelebilir

Sonuç ve öneri listesi

  • Yukarıdaki uzman ve uygulayıcıların tamamını verilen Twitter/X listesi üzerinden tek seferde takip etmek mümkün
  • Yakında RSS formatında bir liste de eklenecek

Twitter listesine git

İlgili okumalar

5 yorum

 
GN⁺ 2025-07-21
Hacker News görüşü

  • LLM'lerin nasıl çalıştığını temel düzeyde anlıyorsan, PR sorumlularının, blog yazarlarının, sektör liderlerinin ve internet düşünürlerinin durmaksızın ürettiği içeriğin tamamını takip etmene gerek olmadığını düşünüyorum
    Hatta böyle röportajları ve yazıları takip ettikçe, gerçekte pek faydası olmayan tuhaf akımların peşine takılma riski doğuyor
    Aslında modeller arasındaki farklar yalnızca birkaç yıllık bir fark düzeyindeydi; özsel farklar çok büyük değildi, bugün değişimlerin çoğu araçlar ya da entegrasyon çalışmalarında yaşanıyor
    Sonuçta LLM bir "metin modeli" ve temel bilgi olmadan üretim yaptığını hep akılda tutmak gerekiyor; böylece nerede faydalı, nerede uygun değil daha iyi ayırt edilebilir

    • Bu görüşe gerçekten katılıyorum, ilgili blogun "yüksek sinyal (high signal)" listesi de bana göre çoğunlukla kendini pazarlayan kişilerden oluşuyor (tabii aralarında iyi olanlar da var), içgörüden çok "buzz" havası veriyor
      "Hayatım boyunca AI en hızlı gelişen teknoloji oldu" iddiasına da kişisel olarak pek katılmıyorum
      Ben SVM'in yükseldiği dönemi, "sinir ağları şakadır" diye bakılan ortamı, ardından deep learning'i ve çeşitli DL framework'lerinin patlayarak çoğaldığı yaklaşık 10 yıllık dönemi yaşadım
      O zaman da 10 yıl içinde gerçekten çok hızlı gelişmeler olmuştu
      Web tarafında da JS sadece UX'i destekleyen bir şeyken, single-page app'lerin standart hale gelmesine kadar benzer bir dönüşüm yaşandı
      Asıl mesele, o "çekirdek influencer listesi"ne girmiyorsan, senin için önemli hale geleceği ana kadar sessizce beklemenin çok daha iyi bir strateji olması
      Ben de backbone.js döneminden sonra 10 yıl boyunca web geliştirme trendlerinin hepsini görmezden geldim, sonra React gerekli hale gelince birkaç gün çalışıp hemen kullanabildim
      LSTM de 5 yıl önce herkesin nasıl implement edileceğini öğrenmeye çalıştığı bir şeydi, bugün ise transformer yüzünden eski kaldı
      Kariyerim boyunca hissettiğim şey şu: "hızlı hareket ediyor" demek, "olgunlaşmamış" demektir
      Hatta eski istatistiksel modelleri (GLM vb.) ve onların hâlâ pratikte nasıl işe yaradığını öğrenmek, o anın moda "prompt hack"lerini kovalamaktan çok daha üretken çözümler sağlıyor
    • LLM mimarisini kabaca biliyorsan, LLM'lerle ilgili yeni haberlerin çoğu iki sınıfa ayrılıyor
      Birincisi, mevcut araçlardan biraz farklı ya da biraz daha iyi performans veren yeni bir araç oluyor (daha önce olmayan bir işlev sunuyorsa işe yarayabilir ama çoğu kısa sürede eskiyor)
      Kimi-K2, GPT 4.1 gibi isimlerden birkaç ay sonra kimse söz etmiyor olabilir
      İkincisi ise modele gerçekten yeni bir yetenek eklenmesi durumu
      Örneğin RL(reinforcement learning), chain of thought, gerçekten çalışan coding agent'lar, zirve seviye multimodal modeller, akıllı araç entegrasyonları gibi
      Yalnızca böyle büyük sıçramalar olduğunda dikkat kesilmek yeterli
      Nitekim 500 puanın üstündeki HN gönderilerine göz gezdirsen bile güncel akımı doğal olarak kavrarsın
      LLM'lerin gerçek yeteneklerini öğrenmenin en iyi yolu bloglar ya da videolar değil, bizzat bir şeyler yapıp duvara toslayarak deneyim kazanmak diye düşünüyorum
    • Tamamen katılıyorum. Bunu öğrencilere hep özellikle vurguluyorum
      • 1. Başkalarının deneyimlerine fazla kapılmayın, kendi doğrudan deneyiminize odaklanın
      • 2. Blog okumak yerine doğrudan uygulama yapın
      • 3. Herkesin deneyimi çok farklıdır, başkalarının düşüncesini olduğu gibi izlemeyin
      • 4. Twitter'da ya da Substack'te araştırmacıları veya geliştiricileri düşünmeden takip etmeyin (çoğu kendi vitrini)
      • 5. Kaygıya ve FOMO'ya zaman harcamayın; yaparak öğrenin. Gerçekten önemli değişiklikleri zaten er ya da geç mutlaka duyarsınız
      • 6. Bilgi sahibi olmak önemli ama bilginin kendisine saplantılı biçimde tutunmayın. Zamanı akıllıca dağıtın. Öğrencilere hep bunu vurguluyorum
    • Aslında araştırma dünyasında da durum aynı
      Araştırmanın %99'u zaten kademeli ilerlemedir (ve bu başlı başına gayet normaldir, buna üzülmeyin)
      Makalelerin çoğu gerekenden uzundur ve düzgün okuduğunuzda, matematiksel sezginiz varsa bir noktaya kadar ne çıkacağını tahmin edebilirsiniz (fikri anladıysanız sonucu da kabaca görürsünüz)
      Alanın çok hızlı değiştiğini hissetmek kolay ama gerçekte hız o kadar da yüksek değil
      Ben de kişisel nedenlerle 1 yıl ara verip geri döndüğümde çok büyük bir şeyin değişmediğini fark ettim
      Bu bakış açısı, "güncel kalma" baskısından kurtulmayı sağlıyor
      Şu anda zorlanıyorsanız, bu geride kaldığınız anlamına değil, henüz uzmanlığınızın biraz eksik olduğuna işaret eder
      Nasıl ki koşmayı bilen biri bir adım geriden de yetişebilir, buradaki telaş da aslında kafamın içindeki bir kaygıdan ibaret
    • LLM'leri anlatırken insanların en çok ilgisini çeken şey mimariden çok "token başına tahmin (autoregression)" ve her zaman en yüksek olasılıklı token'ın değil, olasılıkla orantılı biçimde örneklenmiş token'ın seçilmesi oluyor
      Asıl çekirdek algoritma (bir sonraki token'ı tahmin etme yöntemi) uzman olmayan çoğu kişiye pek bir şey ifade etmiyor
      dot product, embedding gibi ayrıntılarla da kimse ilgilenmiyor. Anlatsan bile akılda kalmıyor ve çok faydası olmuyor

  • Mutlaka "en son trendleri" takip etmek gerekmiyor; bence yalnızca gevşek bir ilgi sürdürüp verimliliğimi gerçekten artıracak özellikleri ve yöntemleri seçerek denemek, işe yarayanları biriktirmek daha iyi (X'te birinin ne önerdiğine pek güvenmiyorum). Hatta AI konusundaki aşırı coşkuya eleştirel yaklaşan araştırmacılardan çok şey öğrenebildim[https://x.com/burkov]. Şu an ortamda aşırı abartı, değişim ve belirsizlik var. Gerçek bir yenilik çıkarsa HN'de (veya ana akım topluluklarda) mutlaka duyulur

    • Birkaç saat bile doğrudan kullanmak, saatlerce materyal okumaktan çok daha değerli bir öğrenme deneyimi

  • Yazı "neden" kısmını iyi açıklamadığı için listedeki "nasıl" kısmı bana pek ikna edici gelmiyor. Değerli zamanımı başka yere ayırmam gayet yeterli

    • İnsan gerçekten bir şeyi "sürekli takip etmek zorunda mıyım" diye düşünüyor. Pratikte anlamlı yenilikler zaten sonunda yaygınlaşıyor ve bana da doğal biçimde ulaşıyor. Excel ya da Google Docs da ilk çıktığında pek ilgimi çekmemişti, ama yaygınlaştıktan sonra gayet iyi öğrenip kullanabildim. AI startup runway'inin çok kısa olduğu durumlar gibi, acilen yetişmek için açık bir neden yoksa telaş etmeye gerek yok

  • Gergeley Orosz'un "Pragmatic Engineer" bültenine aboneyim (bu aralar çok AI konusu var), Gary Marcus'un Substack'ine de bakıyorum (LLM'lere biraz daha şüpheci yaklaşıyor)
    https://newsletter.pragmaticengineer.com/
    https://substack.com/@garymarcus
    Ayrıca Langchain, PydanticAI gibi Python paketleriyle ilgili haberleri de otomatik takip ediyorum (bu tür projeler sektörün pratik eğilimlerini belli ölçüde yansıtıyor). X(Twitter) artık kullanmıyorum ama Simon Willison gibi kişiler bazen BlueSky ve Mastodon'da da yazıyor. Sebastian Raschka, Chip Huyen gibi isimler LinkedIn'de de paylaşıyor. Her yere dağılmış olsa da sonuçta önemli haberlerin çoğuna denk geliyorsunuz

  • Belki ben önemli şeyleri kaçırmış olabilirim ama kritik ve anlamlı güncellemeler nasıl olsa doğal biçimde HN ana sayfasında ya da yorumlarda dile getiriliyor

    • Sektördeki gelişmeleri yakalamaya çalışmak, saatte 140 km hızla giden bir koşu bandına atlamak gibi. Ben doğrudan koşmayı bırakıyorum. AI'nin (özellikle LLM'lerin) geçici bir heves olmadığına katılıyorum, ama şu anda değişim çok fazla. Gerçekten gerekli olana kadar uzun süre yatırım yapmayı düşünmüyorum. Birkaç yıl sonra sektörün dengesi daha netleşir diye umuyorum. Olmazsa bile bu sırada hızla anlamsızlaşacak trendlere zaman harcamamış olurum. Bu arada şu anda AI ya da LLM'leri gerçek işimde hiç kullanmıyorum
    • Şirketler bu kadar büyük yatırım ve R&D yaptığı için, ironik biçimde kendi teknolojilerini saklamaya çalışmıyor; tam tersine daha açık davranıyorlar
    • IT alanındaki genel trendlerin hepsine ben böyle yaklaşıyorum

  • Esas olarak LLM'leri ve frontier AI model haberlerini takip etmek istiyorsan, öneri listesi çok iyi; yarıdan fazlasını ben de bağımsız olarak keşfetmiştim
    X(Twitter)'da AI hesaplarından oluşan bir liste yapıp takip ediyorum ve genel olarak en sağlam bilgi kaynağı bu
    Bazılarının blogları ve podcast RSS'leri de işe yarıyor (araştırmacıysan makale RSS'leri zaten vazgeçilmez)
    Ben ek olarak https://epoch.ai, podcast tarafında Dwarkesh Patel, blog olarak Peter Wildeford, @omarsar0(DAIR elvis) ve doğrudan çeşitli araştırmacıları takip etmeyi öneririm (bunların bir kısmı bilgi vermekten çok eğlence amaçlı da olabiliyor)
    Bu alandaki bilgi ortamı ciddi biçimde kirlenmiş durumda. Özellikle NYT gibi meseleyi daha çok siyaset tarafından ele alan medyayı takip ederseniz, daha da çarpık ve hatalı bir resim elde edersiniz
    Bu arada generative AI ile doğrudan ilgili olmayan ML alanlarında (ör. protein, genomik, hava durumu modelleri, diffusion ve görsel üretim araştırmaları gibi) bilgi kaynakları tamamen farklı
    AI/ML kategorisi o kadar geniş ki hepsini birden takip etmek imkânsız
    Takip etmek şart mı derseniz, hayır değil
    Çoğu insan bunu sadece yeni teknolojiye ve son trendlere duyduğu meraktan yapıyor
    Ama yazılım geliştirme gibi alanlarda AI'yi tamamen görmezden gelmek, orta ve uzun vadede kariyer açısından ciddi zarar verebilir (yalnızca araçları öğrenerek yaklaşmak da yeterli olabilir)
    Ben işimin doğası gereği genel gidişatı anlamam gerektiği için düzenli biçimde takip ediyorum

  • Simon Willison'ın blogu bile tek başına güncel ve yüksek kaliteli bilgi öğrenmek için yeterli (neredeyse hiç gürültü yok, S/N oranı çok yüksek)

    • Simon'a GitHub sponsorluğu ($10 ve üstü) verirseniz "daha kısa, ana özetleri" e-postayla alabiliyorsunuz

      "Son bir ayda LLM alanındaki en önemli gelişmelerin özeti (10 dakikadan kısa sürede okunur)"
      https://simonwillison.net/about/

    • https://simonwillison.net
    • Neyse ki RSS akışı da var, böylece hem kodu hem haberleri takip edebiliyorsunuz

  • Zorunlu olarak "trend" takip etmeye gerek yok

    • Doğru, artık bırakıp başka bir şey yapmanın zamanı geldi
    • Hatta teknoloji sektöründen tamamen çıkıp yeni bir kariyer kurmak da bir yöntem olabilir
      Teknoloji işleri giderek azalıyor ve bir noktada sert biçimde düşecek (AI bir kişinin 10 kişinin işini yapmasını sağlayacak, sonra beyaz yaka, mavi yaka — Amazon depo robot işleri gibi — tarafında da benzeri olacak)
      Ben şahsen bu hafta GPT Plus aboneliğimi iptal ettim, artık "o canavarı" daha fazla beslemek istemiyorum
      Harita desteği (ör. gezi rotası, arkadaşlarla halka sürüş rotası vb.) gibi işlerde Gemini'nin ücretsiz sürümü hatta daha iyi

  • Sadece ilk öneriyi izlemek bile (simow'un blogunu okumak) çoğu zaman yeterli olur

    • Ben onu bile zahmetli bulduğum için sabah kahvemle birlikte Fireship videolarıyla idare ediyorum
    • Güçlü tavsiye — neredeyse hiç clickbait yok ve özetlerin kalitesi çok yüksek

  • Andrej Karpathy'nin dersleri bana inanılmaz yardımcı oldu
    YouTube'da da var(https://www.youtube.com/@AndrejKarpathy)
    Makine öğrenimi araştırmacılarına mentorluk yapan ve yardım eden bir konumda olsam da Andrej'i dinleyince kendimi hiçbir şey bilmeyen bir öğrenci gibi hissediyorum
    Başta tuhaf gelmişti ama şimdi o alçakgönüllülüğün kendisi benim için çok değerli bir kazanım
    Gerçekten de "hiçbir şey bilmiyorum" duygusu önemli
 
makers 2025-07-22

üzgünüm, okunabilirliği hiç yok
 
reagea0 2025-07-23

Bunu bu kadar okunaksız buluyorsanız, sanırım sorun ana metinde değildir.
 
harris 2025-07-28

Katılıyorum.
 
supermaxi 2025-07-22

Şu anda kesinlikle gerekli olan bir yazı türü.