Her Prompt Fine-Tuned: Geleceğin Yapay Zekâsı Model Değil, Sistem Olabilir

Yapay zekâ kullanırken çoğumuz aynı şeyi yapıyoruz:

Bir modele gidiyoruz. Bir prompt yazıyoruz. Cevabını alıyoruz.

Sonra biraz daha iyi bir prompt yazıp tekrar deniyoruz. Bazen mükemmel çalışıyor, bazen de aynı modeli kullanmamıza rağmen neden bu kadar kötü cevap verdiğini anlamıyoruz.

Peki ya sorun modelde değilse?

Peki ya gelecekte asıl mesele hangi yapay zekâyı kullandığımız değil, onu hangi görev için nasıl özelleştirdiğimizse?

Belki de geleceğin yapay zekâ dünyasında tek bir model olmayacak; her iş için biraz farklı davranan, biraz farklı düşünen, biraz farklı eğitilmiş sistemler olacak.

Ben buna bir isim vermek istiyorum: Her prompt fine-tuned.

Önce bir ayrım yapalım

Burada "fine-tuning" kelimesini klasik teknik anlamından biraz daha geniş kullanıyorum. Çünkü teknik olarak prompt yazmak ile bir modeli fine-tune etmek aynı şey değil:

• Fine-tuning dediğimiz şey, önceden eğitilmiş bir modelin belirli bir veri setiyle yeniden eğitilmesi ve modelin ağırlıklarının değiştirilmesidir.
• Prompt ise modele o an ne yapmasını istediğimizi söylediğimiz yönlendirmedir.

Yani özetle:

Prompt modeli yönlendirir, Fine-tuning modeli değiştirir.

Ama bence gelecekte bu ikisinin arasındaki sınır çok daha ilginç bir hâle gelecek. Çünkü modeller artık sadece metin üretmiyor; giderek daha fazla araç (tools) kullanıyor:

• Kod yazıyor,
• Dosya okuyor,
• Web'de anlık arama yapıyor,
• Bilgisayar ve işletim sistemi kontrol ediyor,
• Başka yapay zekâ modellerini alt ajan olarak çağırıyor.

Ve bütün bunları yaparken aslında tek bir "statik zekâ" gibi davranmak zorunda değiller.

Belki tek bir yapay zekâya ihtiyacımız yok

Bir yazılımcı olduğunuzu düşünün:

• Sabah kod yazıyorsunuz.
• Öğleden sonra müşteriyle toplantı yapıyorsunuz.
• Akşam bir rapor hazırlıyorsunuz.
• Gece de yeni bir teknoloji araştırıyorsunuz.

Bütün bu işleri aynı insana yaptırabilirsiniz ama aynı insan bütün görevlerde aynı performansı ve aynı odaklanmayı gösteremez. Çünkü her iş farklı bir zihinsel mod gerektirir.

Kod yazarken başka, rapor yazarken başka, araştırma yaparken başka, müşteriyle konuşurken bambaşka düşünürsünüz.

Yapay zekâlarda da benzer bir şey geçerli: Tek bir model her şeyi yapabilir ama neden her şeyi aynı şekilde yapmak zorunda olsun?

Bir modele:

"Bana bir blog yazısı yaz."

dediğinizde aldığı talimat ile;

"Bu kodu production ortamına göndermeden önce güvenlik açıklarını bul."

dediğiniz talimat aynı şey değildir. İkisinin başarı kriteri bile tamamen farklıdır:

• Birinde yaratıcılık ve akıcılık önemliyken,
• Diğerinde doğruluk, deterministik davranış ve katı güvenlik kuralları esastır.

O zaman belki de geleceğin sistemi şunu yapacak: Göreve göre kendi çalışma modunu ve kişiliğini dinamik olarak değiştirecek.

Prompt sadece bir komut olmayabilir

Bugün "prompt" deyince aklımıza genellikle kutucuğa yazılan 2-3 satırlık bir metin geliyor:

• "Şunu yap."
• "Şöyle cevap ver."
• "Uzman bir yazılımcı gibi davran."

Ama prompt'un gelecekte bundan çok daha fazlasını taşıması mümkün. Bir prompt artık;

• Hangi araçların (tools) kullanılacağını,
• Hangi harici kaynaklara güvenileceğini,
• Hangi formatta çıktı verileceğini,
• Hangi hataların kesinlikle kabul edilemeyeceğini,
• Hangi kişiliğin ve üslubun takınılacağını,
• Hatta hangi tür düşünme zincirinin (chain-of-thought) izleneceğini belirleyebilir.

Yani prompt giderek bir çalışma ortamına (mini işletim sistemine) dönüşebilir.

Ve burada çok ilginç bir soru ortaya çıkıyor:

Eğer her görev için farklı bir çalışma ortamı oluşturabiliyorsak, neden her görev için aynı genel yapay zekâ davranışını kullanalım?

Fine-tuning burada devreye giriyor

Diyelim ki bir şirketin müşteri destek sistemini yapıyorsunuz. Model genel kültür olarak çok zeki ama şirketinizin dilini, kurumsal hafızasını bilmiyor:

• Hangi müşteriye nasıl cevap verileceğini bilmiyor.
• Hangi durumda özür dileneceğini bilmiyor.
• Hangi durumda konuyu insan çalışanına devretmesi gerektiğini bilmiyor.

Modele bunu her seferinde upuzun sistem promptlarıyla anlatabilirsiniz ya da onu belirli senaryo örnekleriyle eğitebilirsiniz (fine-tuning).

İşte fine-tuning burada değerli hâle geliyor. Model artık sadece "soruyu cevapla" demiyor; şirketin nasıl cevap vermesi gerektiğine dair köklü bir davranış biçimi ediniyor.

Ama şimdi bunu bir adım ileri götürelim:

Ya bunu sadece şirket seviyesinde değil, anlık görev seviyesinde yaparsak?

Her görev kendi uzmanını yaratabilir

Bir yapay zekâ sistemimiz olduğunu düşünelim. Bu sistemin içinde farklı görev modülleri var:

• Kod yazma
• Araştırma
• Blog yazma
• Veri analizi
• Müşteri desteği
• Hukuki doküman analizi
• Finansal raporlama

Hepsinin arkasında aynı temel büyük dil modeli (LLM) bulunabilir. Ama her birinin üzerinde bambaşka bir mimari katman oturur:

• Farklı prompt kurgusu
• Farklı araçlar ve entegrasyonlar
• Farklı kurallar ve filtreler
• Farklı bellek (memory) ve bağlam
• Belki göreve özel mikro fine-tuning

Sonuçta dışarıdan baktığımızda tek bir sistem görüyoruz ama içeride aslında onlarca farklı uzmanlık çalışıyor.

Bu durumda "Ben hangi AI modelini kullanıyorum?" sorusu önemini kaybediyor. Daha kritik ve değerli soru şu oluyor:

"Bu görev için yapay zekâyı nasıl şekillendirdim?"

(Daha önce tartıştığımız Claude Opus mu Yoksa 100 AI Agent'ı mı? ve AGI'ye Giden Yol yazılarında da tam olarak bu çoklu uzmanlık fikrinin temellerini konuşmuştuk.)

Belki geleceğin modeli değil, sistemi önemli olacak

Yapay zekâ yarışında sürekli model isimlerini konuşuyoruz:

• GPT şu kadar iyi...
• Claude kodlamada daha başarılı...
• Gemini bağlam uzunluğunda önde...
• Yeni model çıktı, şu kadar parametre, şu kadar hızlı...

Ama modeller birbirine yaklaştıkça ve performans farkları kapandıkça başka bir şey asıl farkı yaratmaya başlayacak: Modelin etrafında ne kurduğunuz.

Çünkü herkes aynı temel modellere API üzerinden erişebiliyorsa, rekabet avantajı sadece modelin kendisi olamaz. Farkı oluşturan şeyler:

• Sizin oluşturduğunuz prompt mimarisi,
• Beslediğiniz özel veri ve RAG katmanı,
• Entegre ettiğiniz araçlar ve API'lar,
• Kurguladığınız bellek (memory) yapısı,
• Tasarladığınız iş akışları (workflow),
• Ve en önemlisi: Modeli belirli bir problem için ne kadar iyi özelleştirdiğiniz olacaktır.

"Her Prompt Fine-Tuned" Vizyonu

İşte benim kafamdaki fikir tam olarak burada düğümleniyor.

"Her prompt fine-tuned" derken teknik olarak her komut gönderdiğimizde model ağırlıklarının yeniden eğitildiğini kastetmiyorum. Daha çok bir gelecek mimarisinden bahsediyorum:

Bir prompt artık sadece modele fırlatılan bir emir cümlesi değil;

• Kendi amacı olan,
• Kendi araç setine sahip,
• Kendi sınırları ve kuralları olan,
• Kendi hafızasını yöneten,
• Belki mikro eğitimlerden geçmiş

küçük bir yapay zekâ uzmanına dönüşebilir.

Yazı yazdırmak istediğimde başka bir uzman, kod yazdırmak istediğimde başka bir uzman, derin araştırma yaptırmak istediğimde bambaşka bir uzman devreye girer. Ve bütün bunların altında aynı temel model altyapısı çalışabilir.

Bu durum insan beyninin çalışma biçimine de çok benziyor: Aynı biyolojik beyne sahibiz ama piyano çalarken ile matematik problemi çözerken tamamen farklı nöronal devrelerimizi devreye sokuyoruz.

Peki bu gerçekten gerekli mi?

Belki de değil.

Belki gelecekte modeller o kadar kudretli olacak ki hiçbir özelleştirmeye gerek kalmayacak. Tek bir omni-model gelecek ve her şeyi sıfır yapılandırmayla kusursuz yapacak; her şirketin kültürünü ilk saniyede anlayacak, her kullanıcının zihnini okuyacak...

Belki gerçekten böyle olur. Ama açıkçası bundan pek emin değilim.

Çünkü zekâ ne kadar gelişirse gelişsin, bağlam (context) asla ortadan kalkmaz:

• Bir cerrahın kullandığı yapay zekâ ile bir oyun geliştiricisinin kullandığı ajanın aynı tolerans ve kurallara sahip olması beklenemez.
• Bir şirketin kurumsal müşteri destek botu ile bir yazarın yaratıcı asistanı aynı mantıkla hareket edemez.
• Hatta aynı insanın sabah odaklandığı analitik işler ile gece yazdığı edebi denemeler için beklediği yapay zekâ tavrı bile farklıdır.

Kişiselleştirme Yeni Rekabet Alanı Olacak

Bugün "Hangi modeli seçmeliyim?" diye düşünüyoruz. Yarın ise model seçmek yerine kendi özel yapay zekâ sistemlerimizi inşa edeceğiz.

"En iyi model hangisi?" sorusundan,
"Benim işim için en iyi yapay zekâ ekosistemini nasıl oluştururum?" sorusuna geçiyoruz.

Ve bu noktada prompt mühendisliği, fine-tuning, RAG (Retrieval-Augmented Generation), bellek (memory), araç kullanımı (tools) ve otonom agent sistemleri birbirinden ayrı teknolojiler olmaktan çıkıp tek bir çatı altında birleşecek: Göreve Özel Yapay Zekâ.

Şirketlerin yüzlerce farklı dev modeli olmayacak; birkaç güçlü temel modelin üzerinde koşan binlerce özelleşmiş mikro-uzman çalışacak.

Sonuç

Yapay zekânın geleceğini düşündüğümüzde genellikle daha büyük parametreler, daha devasa GPU kümeleri ve daha uzun context pencereleri hayal ediyoruz.

Ama bir noktadan sonra asıl yarış modellerin boyutunda değil, şu soruda düğümlenecek:

"Bu modeli kendi işin için ne kadar iyi özelleştirebiliyorsun?"

Çünkü dünyanın en güçlü modeli herkesin erişimine açık olduğunda, modelin kendisi tek başına bir ayrıcalık sağlamaz. Asıl avantaj; ona hangi veriyi verdiğiniz, hangi araçları bağladığınız, hangi kuralları koyduğunuz ve her prompt'u ne kadar yetkin bir uzmana dönüştürdüğünüzdür.

Geleceğin yapay zekâ sistemleri tek bir monolitik süper zekâdan değil, yüzlerce küçük uzmanlıktan oluşabilir. Ve biz onlara sadece prompt vermeyeceğiz; onları nakış gibi işleyip şekillendireceğiz.

Her prompt fine-tuned.

Belki de bir sonraki büyük paradigma değişimi tam olarak budur.

🏷️ Etiketler ve Anahtar Kelimeler

Her Prompt Fine-Tuned • Fine-Tuning Nedir • Prompt Mühendisliği • Yapay Zeka Özelleştirme • AI Agent Sistemleri • RAG ve Memory • Göreve Özel Yapay Zeka • Yapay Zekanın Geleceği