Yapay Zekâdaki Devrimi Yaşarken Fark Etmek: Deep Learning’den Uzun Süre Çalışan Agent’lara
Son 15 yılda yapay zekâ yalnızca daha başarılı modeller üretmedi. Görüntüyü tanıyan sistemlerden konuşan modellere, konuşan modellerden araç kullanan agent’lara, oradan da saatlerce hatta günlerce bir problem üzerinde çalışabilen yapay zekâ sistemlerine geçtik. Peki 2027’nin kırılma noktası ne olacak?
Bir sohbetten geriye kalan soru
Bugün yapay zekâya meraklı bir dostumla sohbet ederken konu doğal olarak son yıllarda bu alanda yaşanan baş döndürücü gelişmelere geldi.
Bir süre sonra geçmişte hangi teknolojileri konuştuğumuzu hatırlamaya başladık. Deep Learning, RNN, LSTM, Transformer, büyük dil modelleri, multimodal modeller, reasoning modeller, RAG, function calling, agent’lar, MCP, computer use, coding agent’ları ve son olarak uzun süre çalışabilen agent sistemleri...
Hepsini arka arkaya sıraladığımızda değişimin hızını daha net fark ediyorsunuz.
Aslında son birkaç yılda yalnızca daha başarılı yapay zekâ modelleri geliştirmedik. Yapay zekâyı kullanma biçimimiz de birkaç kez tamamen değişti.
🧠 1. Deep Learning: Büyük kırılmanın başlangıcı
Yapay sinir ağları elbette yeni değildi. Ancak uzun yıllar boyunca yeterli veri, hesaplama gücü ve uygun eğitim tekniklerinin bulunmaması nedeniyle potansiyellerinin önemli bir kısmını gösterememişlerdi.
2012’de AlexNet’in ImageNet yarışmasında elde ettiği başarı, GPU üzerinde eğitilen çok katmanlı yapay sinir ağlarının ne kadar güçlü olabileceğini gösterdi.
Computer vision alanında başlayan bu sıçrama kısa sürede konuşma tanıma, doğal dil işleme ve diğer makine öğrenmesi problemlerine yayıldı.
Bugünden baktığımızda basit görünebilir ama bugün yaşadığımız yapay zekâ devriminin önemli başlangıç noktalarından biri burada oluştu:
🔁 2. RNN, LSTM ve Sequence-to-Sequence
Görüntülerde CNN mimarileri büyük başarı gösterirken doğal dil tarafında farklı bir sorun vardı. Dil sıralı bir yapıydı.
RNN ve özellikle LSTM gibi mimariler geçmişten gelen bilgiyi belirli ölçüde taşıyarak cümleler, konuşmalar ve zaman serileri üzerinde çalışmayı mümkün hale getirdi.
Ardından sequence-to-sequence, yani seq2seq mimarileri geldi. Bir diziyi alıp başka bir dizi üretmek mümkün hale geldi. Makine çevirisi bunun en önemli uygulamalarından biri oldu.
Bugün bir modele verdiğimiz metnin karşılığında yeni bir metin üretmesini çok doğal karşılıyoruz. Ancak bugünkü üretken modellerin geçmişindeki önemli basamaklardan biri encoder-decoder ve seq2seq çalışmalarıydı.
👁️ 3. Attention: Model nereye bakması gerektiğini öğreniyor
Burada kronolojik olarak önemli bir ayrıntı var. Attention mekanizması Transformer ile başlamadı.
2014 civarında özellikle neural machine translation çalışmalarında modelin kaynak cümlenin her bölümüne aynı şekilde yaklaşmak yerine, çıktı üretirken ilgili bölümlere daha fazla dikkat verebilmesi gösterildi.
Bu fikir son derece önemliydi. Çünkü model artık bütün girdiyi tek bir sabit temsil içerisine sıkıştırmak zorunda değildi.
⚡ 4. 2017: Attention Is All You Need
2017’de yayımlanan Attention Is All You Need makalesi yapay zekâ tarihinin en önemli dönüm noktalarından biri oldu.
Transformer mimarisi, RNN’lerdeki sıralı işleme bağımlılığını büyük ölçüde ortadan kaldırdı ve self-attention mekanizmasını merkeze aldı.
Bugün kullandığımız GPT, Claude, Gemini, Llama, Qwen, Mistral ve benzeri büyük model ailelerinin mimari köklerinde büyük ölçüde bu dönüşüm bulunuyor.
📚 5. Pre-training ve Foundation Model yaklaşımı
Transformer’dan sonra başka bir paradigma güç kazandı.
Her görev için ayrı bir model eğitmek yerine, çok büyük veri kümeleri üzerinde genel amaçlı bir model eğitip daha sonra bunu farklı görevlere uyarlamak.
BERT gibi modeller bu yaklaşımın doğal dil işlemede ne kadar güçlü olabileceğini gösterdi.
Böylece tartışma yalnızca “hangi mimari daha başarılı?” sorusundan uzaklaşıp, çok sayıda görevi gerçekleştirebilecek genel amaçlı modeller geliştirmeye doğru kaydı.
📈 6. Scaling ve GPT-3
2020 civarında model büyüklüğü, eğitim verisi ve hesaplama gücünün artırılmasıyla performans arasındaki ilişki çok daha görünür hale geldi.
Scaling laws çalışmaları, daha büyük modellerin yalnızca aynı görevleri biraz daha iyi yapmadığını, bazı yeni yeteneklerin de model ölçeği arttıkça ortaya çıkabildiğini gösteriyordu.
GPT-3 ise başka bir önemli özelliği görünür hale getirdi:
Bir modele her görev için yeniden eğitim vermeden, yalnızca talimat ve birkaç örnek aracılığıyla çok farklı görevler yaptırılabiliyordu.
Zero-shot ve few-shot kullanım giderek daha önemli hale geldi.
📄 7. RAG: Modelin parametrelerinin dışına çıkmak
Büyük dil modellerinin önemli problemlerinden biri güncel, kuruma özel veya modelin eğitiminde bulunmayan bilgiye erişememeleriydi.
Retrieval-Augmented Generation, yani RAG yaklaşımı bu problemi farklı bir şekilde ele aldı.
Her bilgiyi modelin parametrelerine koymak yerine, soruyla ilgili bilgi dışarıdaki bir bilgi kaynağından bulunuyor ve modelin context’ine ekleniyordu.
Daha sonra embedding, vector database, semantic search, hybrid search, reranking, query rewriting ve knowledge base mimarileriyle RAG çok daha gelişmiş bir yapıya dönüştü.
Özellikle kurumsal yapay zekâ uygulamalarında bu yaklaşım bugün hâlâ son derece önemli.
🎨 8. Diffusion modelleri ve üretken görsel yapay zekâ
Bu sırada yapay zekâ devrimi yalnızca metin üzerinde ilerlemiyordu.
Diffusion modellerinin gelişmesiyle metinden görüntü üretmek çok hızlı biçimde yaygınlaştı.
Ardından görüntü düzenleme, stil değiştirme, görselden video üretme, metinden video üretme, ses sentezi ve müzik üretimi gibi alanlarda hızlı ilerlemeler yaşandı.
Generative AI kavramı artık yalnızca metin üreten modelleri ifade etmiyordu.
👀 9. Multimodal modeller
Bir sonraki önemli adım farklı veri türlerinin aynı model içerisinde bir araya gelmesi oldu.
Model artık yalnızca yazdığımız metni anlamıyordu.
Gerçek dünya yalnızca metinden oluşmadığı için multimodalite yapay zekânın genel amaçlı hale gelmesi açısından çok önemli bir adımdı.
💬 10. 2022: ChatGPT ile yapay zekâ geniş kitlelerle buluştu
30 Kasım 2022’de ChatGPT’nin kullanıma açılması bence teknolojik olduğu kadar toplumsal bir kırılma noktasıydı.
Büyük dil modelleri ilk kez bu ölçekte sıradan kullanıcıların günlük hayatına girdi.
Öğretmenler, öğrenciler, doktorlar, avukatlar, mühendisler, yöneticiler, sanatçılar ve yazılımcılar aynı teknolojiyle konuşmaya başladı.
Instruction tuning ve insan geri bildirimiyle hizalama gibi çalışmalar sayesinde kullanıcı açısından çok daha doğal bir etkileşim ortaya çıktı.
Aynı dönemde yeni bir kavram da günlük dilimize girdi:
🔧 11. Function Calling ve Tool Use
Büyük dil modelleri çok etkileyici metinler üretebiliyordu. Ancak gerçek dünyadaki sistemlerle etkileşimleri sınırlıydı.
Function calling ve tool use yaklaşımı bunu değiştirmeye başladı.
Model artık bir API çağırabiliyor, veritabanına erişebiliyor, hesaplama aracı kullanabiliyor, arama yapabiliyor veya başka bir yazılım bileşenini çalıştırabiliyordu.
Bu küçük görünen değişim daha sonra agent sistemlerinin temelini oluşturdu.
🧠 12. Reasoning modeller
2024’te reasoning modellerin yaygınlaşmasıyla başka bir paradigma daha ortaya çıktı.
Artık yalnızca modele daha fazla parametre eklemekten değil, modelin cevap vermeden önce problem üzerinde daha fazla hesaplama yapmasından söz ediyorduk.
Test-time compute kavramı önem kazandı.
Özellikle matematik, bilim, kodlama ve karmaşık problem çözme alanlarında “daha büyük model” yaklaşımının yanına “problem üzerinde daha uzun çalışan model” yaklaşımı eklendi.
💻 13. Chatbot’tan Coding Agent’a
Bence yakın dönemin en önemli dönüşümlerinden biri yazılım geliştirme alanında gerçekleşti.
İlk aşamada modellerden kod parçaları istemeye başladık.
Sonra IDE içerisine yerleşen copilot sistemleri geldi.
Daha sonra yapay zekâ bütün repository’yi okumaya, dosya oluşturmaya, terminal çalıştırmaya, hata ayıklamaya, test yazmaya ve kodu yeniden düzenlemeye başladı.
🔌 14. MCP: Yapay zekâ ile dış dünya arasında standart bağlantılar
Agent sistemleri yaygınlaştıkça başka bir problem ortaya çıktı.
Her yapay zekâ uygulamasını GitHub, dosya sistemi, veritabanı, kurumsal yazılımlar ve farklı servislerle ayrı ayrı entegre etmek gerekiyordu.
Model Context Protocol, yani MCP, yapay zekâ uygulamaları ile araçlar ve veri kaynakları arasında daha standart bağlantılar kurulabilmesi açısından önemli bir gelişme oldu.
Bence MCP’yi yalnızca teknik bir protokol olarak görmemek gerekiyor. Agent ekosisteminin büyümesi için modellerin dış dünyaya standart ve yönetilebilir biçimde bağlanması çok önemli.
🧩 15. Agent Skills
Sonraki aşamada agent’lara belirli işleri nasıl yapacaklarını tekrar tekrar açıklamak yerine yeniden kullanılabilir beceriler tanımlama yaklaşımı güç kazandı.
Bir skill örneğin:
📊 Bir Excel dosyasının nasıl analiz edileceğini,
📄 Profesyonel bir raporun nasıl hazırlanacağını,
🧪 Bir test sürecinin nasıl yürütüleceğini,
🏢 Kuruma özel bir prosedürün nasıl uygulanacağını,
💻 Belirli bir yazılım geliştirme işinin nasıl yapılacağını
agent’a gerektiği anda öğretebiliyor.
Bu yaklaşım genel amaçlı yapay zekâdan uzmanlaşmış dijital çalışanlara geçiş açısından oldukça önemli görünüyor.
🖥️ 16. Computer Use ve Browser Use
Daha sonra agent’lar yalnızca API kullanmakla kalmadı.
Ekranı görmeye, fareyi hareket ettirmeye, butonlara basmaya, web sayfalarında gezinmeye ve bizim kullandığımız grafik kullanıcı arayüzlerini kullanmaya başladı.
Bu bence çok kritik bir gelişme.
Çünkü dünyadaki yazılımların büyük kısmının yapay zekâ için hazırlanmış API’leri yok. Ancak neredeyse hepsinin insanlar için geliştirilmiş bir kullanıcı arayüzü var.
🌍 17. Açık modeller ve lokal yapay zekâ
Bütün bu gelişmeler devam ederken paralel bir dönüşüm daha yaşandı.
Açık ağırlıklı modeller, kapalı modellerle aralarındaki farkı birçok kullanım alanında hızla azalttı.
Llama, Mistral, Qwen, DeepSeek ve benzeri model aileleri güçlü bir açık ekosistem oluşturdu.
Quantization, daha verimli inference motorları ve donanım gelişmeleri sayesinde daha önce yalnızca büyük veri merkezlerinde çalıştırılabilecek modeller kişisel bilgisayarlarda ve kurum içi sunucularda çalışmaya başladı.
Verinin kurum dışına çıkmadan işlendiği lokal yapay zekâ sistemleri giderek daha gerçekçi bir seçenek haline geliyor.
Kişisel bilgisayarda sürekli çalışan agent yazılımlarının ortaya çıkması da bu dönüşümün önemli parçalarından biri.
🤖 18. 2026: Agent yılı
2026 için uzun zamandır “agent’ların yılı olacak” deniyordu.
Bence bu tahmin önemli ölçüde gerçekleşti.
Ancak agent kavramının kendisi de değişti.
İlk agent mimarilerinde yapı kabaca şöyleydi:
Bugün ise çok daha kapsamlı sistemlerden söz ediyoruz.
🧭 Planlama yapıyor.
🧰 Doğru aracı seçiyor.
🗂️ Dosyaları ve context’i yönetiyor.
🧠 Durum bilgisini koruyor.
🤝 Başka agent’lara görev verebiliyor.
💻 Kod ve terminal çalıştırabiliyor.
🌐 Web üzerinde işlem yapabiliyor.
🔍 Kendi ürettiği sonucu kontrol edebiliyor.
🛡️ Yetki sınırlarını dikkate alabiliyor.
👤 Gerektiğinde insan onayı isteyebiliyor.
🏗️ 19. Sonraki aşama: Agent Harness
Son dönemde benim özellikle önemli bulduğum kavramlardan biri agent harness.
Çünkü agent’lara daha karmaşık ve uzun görevler vermeye başladığımızda yalnızca modelin ne kadar akıllı olduğu yeterli olmuyor.
Bir model ilk birkaç adımı çok başarılı tamamladıktan sonra yanlış bir yöne gidebilir.
Görevin bittiğini erken düşünebilir.
Önceki kararlarını unutabilir.
Test etmeden sonuca ulaşabilir.
Uzun süreli görevlerde context giderek bozulabilir.
Bu nedenle modelin etrafında onu yöneten bir çalışma ortamına ihtiyaç duyuluyor.
Böylece birkaç dakika boyunca çalışan chatbot yerine saatlerce hatta uygun altyapılarda çok daha uzun süre bir hedef üzerinde çalışabilen sistemlere doğru ilerliyoruz.
Yapay zekânın kısa tarihi aslında nasıl değişti?
🔮 Peki 2027 neyin yılı olacak?
Bence bir sonraki büyük sıçrama yalnızca yeni ve daha güçlü bir sohbet modeli olmayabilir.
Benim güçlü adaylarımdan biri persistent agent, yani uzun süre çalışan, durumunu ve bağlamını koruyabilen kişisel ve kurumsal yapay zekâ sistemleri.
Bugünkü chatbot yaklaşımında biz yapay zekâya gideriz.
Bir pencere açarız, sorumuzu sorarız ve cevabı aldıktan sonra çalışmaya devam ederiz.
Bir sonraki aşamada ise yapay zekâ çalışma ortamımızın sürekli bir parçası olabilir.
🧠 Geçmiş çalışmalarımızı gerektiğinde hatırlayabilir.
📧 E-posta ve mesajlarla çalışabilir.
📅 Takvim ve görevleri takip edebilir.
📁 Dosya ve projeleri anlayabilir.
🌐 Gerektiğinde araştırma yapabilir.
💻 Bilgisayarda işlem gerçekleştirebilir.
🧩 İhtiyacı olan becerileri kullanabilir.
🔌 Kurumsal sistemlere bağlanabilir.
🤝 Başka uzman agent’larla çalışabilir.
🛡️ Yetki sınırlarını dikkate alabilir.
👤 Kritik işlemlerde insan onayı isteyebilir.
✅ Kendi yaptığı işi doğrulayabilir.
☁️ Bulut mu, lokal mi?
Bunun tamamen bulutta çalışan bir yapı olacağını da düşünmüyorum.
Kişisel ve kurumsal verinin önemi arttıkça hibrit mimarilerin daha anlamlı hale gelmesi muhtemel.
Küçük ve hızlı modeller lokal olarak sürekli çalışabilir.
Daha karmaşık reasoning gerektiğinde güçlü bulut modellerinden destek alınabilir.
Kuruma özel bilgi kurum içerisinde tutulabilir.
Son derece hassas görevler tamamen lokal modellerle yürütülebilir.
🤖 Bir başka güçlü aday: Physical AI
Bir başka önemli gelişme alanı ise yapay zekânın bilgisayar ekranından fiziksel dünyaya çıkması.
Vision, reasoning, planning ve agent teknolojileri robotik sistemlerle birleştiğinde embodied AI veya physical AI alanında büyük gelişmeler görebiliriz.
Bugün bilgisayar ekranındaki bir butona basmayı öğrenen agent’ın yarın fiziksel dünyadaki bir robotu yönlendirmesi aslında birbirinden tamamen bağımsız iki problem değil.
🚀 Belki de devrimin en önemli kısmı daha yeni başlıyor
Son 15 yıldaki gelişime baktığımda benim için en ilginç değişim sorularımızın değişmesi.
Deep Learning döneminde:
“Makine bunu tanıyabilir mi?”
diye soruyorduk.
LLM döneminde:
“Makine bunu anlayıp anlatabilir mi?”
sorusuna geçtik.
Reasoning modellerle:
“Makine bu problemi çözebilir mi?”
diye sormaya başladık.
Agent döneminde ise soru çok daha farklı:
Bence bu küçük bir değişim değil.
Bilgisayar tarihinin büyük bölümünde insanlar bilgisayarları kullanmayı öğrendi.
Şimdi bilgisayarlar bizim kullandığımız araçları kullanmayı öğrenmeye başlıyor.
Belki de önümüzdeki dönemin asıl dönüşümü burada yaşanacak.
2027’de yapay zekâda hangi teknoloji veya yaklaşımın öne çıkacağını düşünüyorsunuz?
🤖 Kişisel ve sürekli çalışan AI agent’lar mı?
🏢 Kurumsal agent sistemleri mi?
🏗️ Agent harness ve uzun süreli otonom çalışma mı?
🧠 Daha güçlü reasoning modeller mi?
🖥️ Computer use ve browser use mı?
🌍 Açık ve lokal çalışan modeller mi?
🤖 Physical AI ve robotik mi?
Yoksa bugün henüz yeterince konuşmadığımız tamamen farklı bir kırılma mı geliyor?
Seçilmiş kilometre taşları
Krizhevsky, Sutskever & Hinton — ImageNet Classification with Deep Convolutional Neural Networks, 2012
Sutskever, Vinyals & Le — Sequence to Sequence Learning with Neural Networks, 2014
Bahdanau, Cho & Bengio — Neural Machine Translation by Jointly Learning to Align and Translate, 2014
Vaswani et al. — Attention Is All You Need, 2017
Devlin et al. — BERT, 2018
Kaplan et al. — Scaling Laws for Neural Language Models, 2020
Brown et al. — Language Models are Few-Shot Learners, 2020
Lewis et al. — Retrieval-Augmented Generation, 2020
Ho, Jain & Abbeel — Denoising Diffusion Probabilistic Models, 2020
