Sözlük

Çok büyük metin derlemleri üzerinde eğitilmiş, bir sonraki kelimeyi tahmin ederek metin üreten, özetleyen, çeviren ve soru cevaplayan yapay zekâ modeli. Kendi başına güncel ya da şirkete özel bilgiye sahip değildir; bu yüzden RAG ve araç çağırma ile desteklenir.

İlgili yazı: Kurumsal RAG: şirket dokümanlarıyla konuşan yapay zekâ asistanı nasıl kurulur →

Bir metnin, görüntünün ya da başka bir verinin anlamını sayı dizisi (vektör) olarak ifade eden temsil. Anlamca yakın içeriklerin vektörleri de birbirine yakın olduğu için anlamsal arama ve RAG'in temelini oluşturur.

İlgili yazı: Kurumsal RAG: şirket dokümanlarıyla konuşan yapay zekâ asistanı nasıl kurulur →

Yapay zekâ uygulamalarının araçlara, veri kaynaklarına ve hazır istemlere standart bir arayüzle bağlanmasını sağlayan açık protokol. Bir sistem bir kez MCP sunucusu olarak sunulduğunda, protokolü destekleyen farklı yapay zekâ istemcileri onu kullanabilir.

İlgili yazı: Yapay zekâ ajanları ve MCP: şirketler için mimari, güvenlik ve ilk proje →

Sahadaki verinin zamanla eğitim verisinden uzaklaşması nedeniyle model doğruluğunun düşmesi. Mevsim, ışık, kıyafet, yerleşim değişiklikleri görüntü modellerinde tipik nedenlerdir; sürekli ölçüm ve düzenli yeniden eğitimle yönetilir.

İlgili yazı: Tespit modellerini sahada ayakta tutmak: drift, yeniden eğitim ve veri seti disiplini →

Model ağırlıklarının ve hesaplamalarının 32 bit kayan noktalı sayılar yerine 16 bit ya da 8 bit tam sayılarla yapılması. Bellek ve gecikmeyi önemli ölçüde düşürür; doğruluk kaybı temsilî bir kalibrasyon veri setiyle ölçülüp sınırlandırılır.

İlgili yazı: Edge AI'da model hızlandırma: ONNX, TensorRT ve INT8 quantization →

Dil modeline soru sorulmadan önce ilgili belgelerin bir arama katmanından bulunup bağlam olarak verilmesi yöntemi. Model cevabı bu belgelere dayandırır ve kaynak gösterebilir; modeli yeniden eğitmeden şirket bilgisini kullanmanın en yaygın yoludur.

İlgili yazı: Kurumsal RAG: şirket dokümanlarıyla konuşan yapay zekâ asistanı nasıl kurulur →

Embedding vektörlerini saklayıp bir sorgu vektörüne en yakın olanları hızla bulan (yaklaşık en yakın komşu araması) veri tabanı ya da veri tabanı eklentisi. RAG sistemlerinde belge parçalarının bulunduğu yerdir.

İlgili yazı: Kurumsal RAG: şirket dokümanlarıyla konuşan yapay zekâ asistanı nasıl kurulur →

Makinelerin görme, dil, karar verme ve öğrenme gibi normalde insan zekâsı gerektiren işleri yapmasını sağlayan yöntemlerin genel adı. Kurumlarda bugün çoğunlukla makine öğrenmesi, derin öğrenme ve büyük dil modelleri biçiminde kullanılır.

İlgili yazı: CIO'lar için yapay zekâ yol haritası: 90 günde ilk üretim projesi →

Bir hedefe ulaşmak için dil modelini planlama, araç çağırma (API, veri tabanı, dosya) ve sonucu değerlendirme döngüsünde kullanan yazılım. Tek bir cevap üretmek yerine birden çok adımı kendisi yürütür; bu yüzden yetkilendirme ve insan onayı kritik önemdedir.

İlgili yazı: Yapay zekâ ajanları ve MCP: şirketler için mimari, güvenlik ve ilk proje →

Görüntü ve videodan nesne, kişi, hareket ve durum gibi anlamlı bilgi çıkaran yapay zekâ alanı. Kamera görüntüsünü sayım, alarm ve metrik gibi ölçülebilir çıktılara dönüştürür.

İlgili yazı: Mevcut kameralarla görüntü analitiği: RTSP akışından olaya giden zincir →

Ardışık karelerde tespit edilen nesnelere kalıcı bir kimlik vererek hareketlerini izleme. Takip olmadan aynı kişi her karede yeniden sayılır; sayım, bekleme süresi ve çizgi geçişi gibi metrikler takibe dayanır.

İlgili yazı: Mevcut kameralarla görüntü analitiği: RTSP akışından olaya giden zincir →

Yapay zekâ modelinin veriyi buluta göndermeden, verinin üretildiği yerde (mağaza, fabrika, cihaz) çalıştırılması. Bant genişliği ve gecikmeyi düşürür, görüntünün dışarı çıkmamasını sağlayarak gizliliği güçlendirir.

İlgili yazı: Edge mi bulut mu? Görüntü işleme projelerinde işlemenin yerini seçmek →

Kişisel koruyucu donanımın (baret, yelek, gözlük vb.) takılı olup olmadığının kamera görüntüsünden otomatik denetlenmesi. İş sağlığı ve güvenliğinde 7/24 denetim ve anlık uyarı için kullanılır.

İlgili yazı: Forklift–yaya yakınlaşma tespiti: depoda ölçülebilir güvenlik kuralları →

Bir görüntüdeki nesnelerin ne olduğunu (sınıf) ve nerede olduğunu (sınırlayıcı kutu) bulan görüntü işleme görevi. Kişi sayma, KKD kontrolü ve araç tespiti gibi uygulamaların ilk adımıdır.

İlgili yazı: Python ve YOLO ile gerçek zamanlı nesne tespiti: RTSP kameradan olaya →

Bir üretim ekipmanının kullanılabilirlik, performans ve kalite oranlarının çarpımıyla hesaplanan verimlilik ölçüsü. Duruşların nedenini anlamak için PLC verisine kamera analitiği eklenebilir.

İlgili yazı: Üretim hattında OEE'yi kamera ile ölçmek →

Farklı çerçevelerde (PyTorch, TensorFlow vb.) eğitilmiş modellerin ortak bir biçimde saklanmasını sağlayan açık model formatı. ONNX Runtime ile CPU, GPU ve hızlandırıcılarda aynı model çalıştırılabilir.

İlgili yazı: Edge AI'da model hızlandırma: ONNX, TensorRT ve INT8 quantization →

IP tabanlı güvenlik ürünleri (kamera, NVR) arasında birlikte çalışabilirliği sağlayan endüstri standardı ve forumu. ONVIF uyumlu kameralar farklı markalardan olsa da aynı yöntemle keşfedilip akışları alınabilir.

İlgili yazı: Mevcut kameralarla görüntü analitiği: RTSP akışından olaya giden zincir →

IP kameralardan canlı video akışı almak için kullanılan ağ protokolü. Görüntü analitiği sistemleri kameraya ya da NVR'a RTSP ile bağlanıp H.264/H.265 akışını alır.

İlgili yazı: Mevcut kameralarla görüntü analitiği: RTSP akışından olaya giden zincir →

NVIDIA'nın derin öğrenme modellerini belirli bir GPU için optimize edip hızlandırılmış çıkarım motoruna dönüştüren yazılım geliştirme kiti. FP16 ve INT8 hassasiyetle gecikmeyi belirgin biçimde düşürür.

İlgili yazı: Edge AI'da model hızlandırma: ONNX, TensorRT ve INT8 quantization →

Görüntüyü tek geçişte işleyerek nesneleri gerçek zamanlı tespit eden tek aşamalı derin öğrenme modeli ailesi. Hız ve doğruluk dengesi nedeniyle sahada en yaygın kullanılan tespit mimarilerindendir.

İlgili yazı: Python ve YOLO ile gerçek zamanlı nesne tespiti: RTSP kameradan olaya →

Sensörlerin, makinelerin ve cihazların ağ üzerinden veri alışverişi yaparak birbirleriyle ve yazılımlarla konuşması. Endüstride ölçüm verisini anlık olaya ve karara dönüştürür.

İlgili yazı: IoT ve kamera analitiğini birleştirmek: MQTT ve olay tabanlı mimari →

Yayınla-abone ol (publish/subscribe) modeline dayanan hafif mesajlaşma protokolü. Cihazlar bir aracı sunucuya (broker) konu (topic) başlıklarıyla mesaj yollar; IoT'nin en yaygın protokollerinden biridir.

İlgili yazı: MQTT ile güvenli IoT: Python, TLS ve erişim kontrolü →

MQTT'de bir mesajın teslim garantisini belirleyen seviye: 0 en fazla bir kez, 1 en az bir kez, 2 tam olarak bir kez. Yüksek seviye daha güvenli ama daha maliyetli iletişim demektir.

İlgili yazı: MQTT ile güvenli IoT: Python, TLS ve erişim kontrolü →

Şubeler ve veri merkezi arasındaki geniş alan ağının donanımdan bağımsız, merkezi yazılım politikalarıyla yönetilmesi. Çok şubeli yapılarda birden fazla hattı akıllıca kullanarak maliyeti düşürür ve yönetimi sadeleştirir.

İlgili yazı: Yazılım tanımlı ağ (SD-WAN), bir standart hâlini alacak →

Avrupa Birliği'nin yapay zekâ sistemlerini risk seviyesine göre (yasak, yüksek risk, şeffaflık yükümlülüğü, minimal risk) düzenleyen tüzüğü. AB pazarına ürün ya da hizmet sunan AB dışı şirketleri de kapsayabilir.

İlgili yazı: AB Yapay Zekâ Yasası (EU AI Act): Türk şirketleri için pratik uyum rehberi →

ISACA'nın BT yönetişimi ve yönetimi için yayımladığı çerçeve. Yönetişimi (neyin yapılacağına karar verme) yönetimden (yapma ve işletme) ayırır; güncel sürümü COBIT 2019'dur.

İlgili yazı: COBIT 5'ten COBIT 2019'a: BT yönetişimi neden ve nasıl uygulanır →

BT hizmet yönetimi için en iyi uygulamalar çerçevesi. Olay, problem, değişiklik ve hizmet seviyesi yönetimi gibi süreçlerle BT'nin işe güvenilir hizmet sunmasını hedefler.

İlgili yazı: COBIT 5'ten COBIT 2019'a: BT yönetişimi neden ve nasıl uygulanır →

Türkiye'de kişisel verilerin işlenmesini düzenleyen 6698 sayılı Kişisel Verilerin Korunması Kanunu. Kamera görüntüsü gibi kişisel verilerle çalışan yapay zekâ projelerinde aydınlatma, açık rıza, saklama süresi ve güvenlik yükümlülükleri getirir.

İlgili yazı: KVKK ve görüntü işleme: yüz tanıma yapmadan analitik kurmak →

Google'ın gerçek kullanıcı deneyimini ölçen üç temel web metriği: yükleme hızı (LCP), etkileşime yanıt (INP) ve görsel kararlılık (CLS). Arama sıralamasında sayfa deneyimi sinyali olarak kullanılır.

İlgili yazı: WordPress'ten Astro'ya: 3 MB'lık sayfa 300 KB'a, Lighthouse'ta 98 puan →

Hesaplama, depolama ve ağın tek bir yazılım katmanıyla birleştirilip standart sunucular üzerinde yönetildiği veri merkezi mimarisi. Ayrı SAN ve depolama dizilerine göre kurulumu ve büyümeyi sadeleştirir.

İlgili yazı: HPE SimpliVity vaka çalışması: 20 saatlik yedeklemeden saniyelere →

Sayfadaki en büyük görsel ya da metin bloğunun ekranda görünene kadar geçen süre. 2,5 saniyenin altı iyi kabul edilir; genellikle büyük görselin boyutu ve geç keşfedilmesi belirler.

İlgili yazı: WordPress'ten Astro'ya: 3 MB'lık sayfa 300 KB'a, Lighthouse'ta 98 puan →

Depolama ve yedeklemede aynı veri bloklarının yalnızca bir kez saklanması. 2,9:1 gibi bir oran, mantıksal verinin fiziksel olarak yaklaşık üçte bir alanda tutulduğu anlamına gelir.

İlgili yazı: HPE SimpliVity vaka çalışması: 20 saatlik yedeklemeden saniyelere →