Doğal Dil İşleme, Sohbet Robotlarının Söylediklerinizi Anlamasını Nasıl Sağlıyor

IBM'e göre doğal dil işleme (NLP), bilgisayarların insan dilini anlamasını ve bu dilde iletişim kurmasını sağlamak için makine öğrenimini kullanan, bilgisayar bilimi ve yapay zekanın bir alt alanıdır. Dilbilgisi ve anlamın kural tabanlı modellenmesi olan hesaplamalı dilbilimi, istatistiksel modelleme ve derin öğrenmeyle birleştirerek yazılımların hem metni hem de konuşmayı tanımasını, yorumlamasını ve üretmesini sağlar.

IBM bu alanı birbirini tamamlayan iki yarıya ayırıyor: girdiyi sadece tek tek kelimeler olarak değil, anlamı, niyeti ve bağlamı çözmek için analiz eden doğal dil anlama (NLU) ve buna karşılık insan tarafından okunabilir metin üreten doğal dil üretimi (NLG). Bir sohbet robotunun her ikisine de ihtiyacı vardır — bir kişinin ne sorduğunu anlamak için NLU, yanıtı ifade etmek için ise NLG.

Kelimeleri makinenin işleyebileceği bir şeye dönüştürmek

Herhangi bir 'anlama' gerçekleşmeden önce, ham metnin bir bilgisayarın üzerinde çalışabileceği bir biçime dönüştürülmesi gerekir. IBM bu işlem hattının, metnin daha küçük birimlere — genellikle kelimelere veya kelime parçalarına — bölündüğü belirteçleştirme (tokenization) ile başladığını, ardından küçük harfe çevirme ve dolgu kelimelerin kaldırılması gibi normalleştirme adımlarının geldiğini açıklıyor.

Buradan sonra sistem, dilbilgisel yapıyı haritalamak için ayrıştırma (parsing), kişileri, yerleri, tarihleri ve diğer belirli öğeleri işaretlemek için adlandırılmış varlık tanıma ve duygusal tonu ölçmek için duygu analizi uygular. IBM, bağımlılık ayrıştırmasının kelimelerin birbiriyle nasıl ilişkili olduğuna — hangisinin özne, hangisinin fiil olduğuna — baktığını ve bu ayrıştırma ağaçlarının makine çevirisi ile konuşma tanımanın da temelini oluşturduğunu belirtiyor.

Kullanıcının gerçekte ne kastettiğini çözmek

Kelimeleri fark etmek, niyeti kavramakla aynı şey değildir. IBM'e göre NLU, insan dilindeki girdiyi yorumlamak için anlamsal ve sözdizimsel analiz uygular ve amacı, anlamı ve bağlamı kelime kelime değil bütünsel olarak kavramaktır. Örneğin bir sohbet robotunun finansal anlamdaki 'banka' ile nehir kıyısı anlamındaki 'kıyı'yı, çevredeki cümleye veya konuşmanın önceki aşamalarına dayanarak ayırt etmesini sağlayan şey bu daha geniş bağlamdır.

IBM, niyet tanımayı, varlık tanımayı ve bir konuşma boyunca bağımlılıkların takip edilmesini NLU'nun temel unsurları olarak tanımlıyor: bir kullanıcının ne yapmaya çalıştığını çözmek, metinde bahsedilen gerçek dünya varlıklarını tanımlamak ve uzun bir alışveriş boyunca ilişkileri takip etmek, böylece birkaç mesaj sonra gelen bir yanıt bile bağlam içinde hâlâ anlamlı olur.

Transformer modelleri teknolojiyi neden değiştirdi

ChatGPT, Gemini ve Claude dahil olmak üzere bugün kullanılan sohbet robotlarının çoğu, Vaswani ve meslektaşlarının 2017 tarihli 'Attention Is All You Need' (Dikkat Her Şeydir) makalesiyle tanıtılan transformer mimarisi üzerine kuruludur. Makale, önceki modellerin dayandığı tekrarlama (recurrence) ve evrişim (convolution) işlemlerini ortadan kaldırarak tamamen dikkat mekanizmaları üzerine kurulu bir mimari sunuyor — bu tasarım, hesaplamanın kelime kelime değil, tüm bir cümle boyunca paralel olarak çalışmasına olanak tanıyarak eğitimi büyük ölçüde hızlandırdı. Makalede belirtilen WMT 2014 çeviri ölçütlerinde Transformer, İngilizce-Almanca için 28,4 BLEU ve İngilizce-Fransızca için 41,8 BLEU puanı aldı; her iki durumda da önceki sistemleri geride bırakırken eğitim süresinin çok daha azını kullandı.

Temel mekanizma olan öz-dikkat (self-attention), bir modelin bir metin parçasındaki her kelimenin sadece en yakın komşularına değil, diğer her kelimeye göre ne kadar ilgili olduğunu tartmasını sağlar. IBM'e göre her belirteç sorgu (query), anahtar (key) ve değer (value) olmak üzere üç vektöre dönüştürülür ve model, tüm belirteçler arasında ağırlıklı bağlantılar kurmak için bunlar arasındaki hizalama puanlarını hesaplar; IBM bunun önceki mimarilerin başarabildiğinden daha verimli olduğunu belirtiyor.

Bu mimari üzerine inşa edilen büyük dil modelleri, yanıtları bir kerede bir belirteç tahmin ederek üretir. IBM, altta yatan süreci açık bir şekilde özetliyor: "Büyük dil modelleri (LLM'ler), bir dizideki sonraki kelimeyi tekrar tekrar tahmin eden devasa istatistiksel tahmin makineleri olarak çalışır." Model girdiyi belirteçleştirir, bunu gömme (embedding) vektörlerine dönüştürür ve tam bir yanıt üretilene kadar sıradaki en olası belirteç için tekrar tekrar olasılıklar hesaplar.

Bu teknoloji neden birden her yerde ortaya çıktı

Bu ilerlemelerin pratik sonucu artık benimsenme rakamlarında görülebiliyor. Pew Research Center'ın 17-23 Şubat 2026 tarihleri arasında 5.119 ABD'li yetişkinle yürütüp 17 Haziran 2026'da yayımladığı bir anket, ABD'li yetişkinlerin %49'unun artık yapay zeka sohbet robotları kullandığını buldu; bu rakam 2024'teki üçte bir civarından ve 2023'te özellikle ChatGPT kullandığını söyleyen %18'den yükseldi. Aynı ankete göre, ABD'li yetişkinlerin yaklaşık dörtte biri bir sohbet robotunu günlük olarak kullandığını, %4'ü ise neredeyse sürekli olarak kullandığını bildiriyor.

• Belirteçleştirme: metin, modelin işleyebileceği kelimelere veya alt kelime birimlerine bölünür
• Normalleştirme: küçük harfe çevirme ve ilgisiz karakterlerin veya dolgu kelimelerin kaldırılması
• Ayrıştırma ve varlık tanıma: dilbilgisi ve temel varlıklar (adlar, tarihler, yerler) tanımlanır
• Niyet ve bağlam analizi (NLU): sistem, belirsizliği çözmek için önceki konuşma turlarını kullanarak kullanıcının ne istediğini çözer
• Yanıt üretimi (NLG): model sıradaki belirteçleri bir kerede bir tanesini tahmin ederek bir yanıt haline getirir