Sinir Ağları Nasıl Çalışır: ChatGPT ve Modern Yapay Zekânın Arkasındaki Teknoloji

Sinir ağları yeni bir kavram değildir — araştırmacılar bunları 20. yüzyılın ortalarından beri incelemektedir — ancak artık günlük hayatta kullanılan tüketici yapay zekâ ürünlerinin büyük bölümünün arkasında yer almaktadır. OpenAI, 29 Eylül 2026'da düzenlenen DevDay etkinliğinde, Engadget'ın etkinliğe ilişkin canlı yayın yazısına göre, ChatGPT'nin haftalık 1,2 milyar kullanıcıya ulaştığını açıkladı. Bu ölçekteki benimsenme, temel bir teknik soruyu yeniden arama sonuçlarının en üstüne taşıdı: bir sinir ağı gerçekte nasıl çalışır?

Temel yapı taşı: nöronlar, ağırlıklar ve katmanlar

IBM'e göre bir sinir ağı, katmanlar halinde düzenlenmiş nöron adı verilen basit birimlerden oluşan ve girdileri çıktılara eşlemek için verilerden ayarlanabilir ağırlıklar ve sapmalar (bias) öğrenen bir makine öğrenmesi modelidir. IBM'in açıkladığına göre her ağda, ham verinin tutulduğu bir girdi katmanı, bu veriyi dönüştüren bir veya daha fazla gizli katman ve nihai sonucu üreten bir çıktı katmanı bulunur.

Nöronlar arasındaki her bağlantı bir ağırlık taşır — IBM'e göre bu sayı, belirli bir girdi özelliğinin ağın kararını ne kadar güçlü etkilediğini kontrol eden bir kadran gibi işlev görür. Her nörona, sapma (bias) adı verilen ayrı bir değer eklenir; bu sayede girdileri zayıf olsa bile nöron etkinleşebilir ve karar eşiği kaydırılabilir. Google'ın Machine Learning Crash Course'u, gerekli üçüncü bir bileşen ekler: ağırlıklı girdiler toplandıktan sonra uygulanan doğrusal olmayan matematiksel adımlar olan aktivasyon fonksiyonları. Bu fonksiyonlar, bir ağın basit bir düz çizgi formülünün yakalayamayacağı örüntüleri tespit etmesini sağlar.

İleri yayılım: bir ağ nasıl cevap üretir

Bir sinir ağına yeni veri verildiğinde, bu veri ağ içinde tek bir yönde, girdi katmanından çıktı katmanına doğru hareket eder; hem IBM hem de Google'ın kursu bu süreci ileri yayılım (veya ileri geçiş) olarak adlandırır. Her nöronda, gelen değerler kendi ağırlıklarıyla çarpılır, sapma ile toplanır ve bir sonraki katmana geçmeden önce aktivasyon fonksiyonundan geçirilir. IBM, bir ağdaki ilk katmanların genellikle tekil sinyallerin önemini işlediğini, sonraki katmanların ise bu bilgiyi daha geniş bağlamı yakalayan üst düzey örüntülerde birleştirdiğini belirtiyor.

Geri yayılım: bir ağ hatalarından nasıl öğrenir

Yeni kurulmuş bir sinir ağı, esasen rastgele ağırlıklarla başlar ve zayıf tahminler üretir. Eğitim, bunu düzeltme sürecidir. IBM, geri yayılımı, ağın tahmin hatasını katmanlar boyunca geriye doğru yayan ve her bir ağırlığın ve sapmanın genel hataya ne kadar katkıda bulunduğunu hesaplamak için kalkülüsün zincir kuralını kullanan algoritma olarak tanımlıyor. Google'ın kursu da benzer şekilde geri yayılımı temel eğitim algoritması olarak tanımlıyor ve amacını, ağın tahmin kaybını azaltmak veya en aza indirmek için ağırlıkları ayarlamak olarak açıklıyor.

Her ağırlığın hataya katkısı belirlendiğinde, gradyan inişi adı verilen bir optimizasyon yöntemi her ağırlığı hatayı azaltan yönde hafifçe kaydırır. Bu ileri geçiş ardından geri düzeltme döngüsü, ağın tahminleri pratik kullanım için yeterince güvenilir hale gelene kadar büyük miktarda eğitim verisi üzerinde —genellikle milyonlarca veya milyarlarca örnek üzerinde— tekrarlanır.

Farklı veri türleri için farklı ağ tasarımları

Her sinir ağı aynı şekilde inşa edilmez. IBM, günümüzde yaygın olarak kullanılan üç geniş aileyi tanımlıyor: görüntüler gibi ızgara benzeri veriler için tasarlanan ve görsel tanımada yoğun olarak kullanılan evrişimli sinir ağları (CNN'ler); ardışık veya zaman serisi verilerine uygun geri bildirim döngüleri içeren tekrarlayan sinir ağları (RNN'ler); ve katı adım adım sıralama yerine bir dikkat mekanizmasına dayanan, günümüzün büyük dil modellerinin çoğunun arkasındaki mimari olan transformerlar.

Bu mekanizma ChatGPT gibi sistemlere nasıl ölçekleniyor

GPT ailesi gibi büyük dil modelleri, aynı temel mekanizmaları —ağırlıklı nöronlar, katmanlar, ileri yayılım, geri yayılım— transformer mimarisini kullanarak çok daha büyük bir ölçekte uygular. OpenAI'nin arXiv'de yayımlanan 2020 tarihli GPT-3 araştırma makalesi, modelin tam olarak 175 milyar parametreye sahip olduğunu belirtmiş ve bunu "önceki herhangi bir seyrek olmayan (non-sparse) dil modelinden 10 kat daha fazla" olarak tanımlamıştır. Parametreler, bir ağın tüm ağırlık ve sapma kümesi için kullanılan genel terimdir; daha fazla parametre genellikle bir modelin dildeki daha karmaşık örüntüleri yakalamasına olanak tanır, ancak OpenAI daha yeni modelleri için eşdeğer parametre rakamlarını yayımlamamıştır.

Bir transformer içinde, öz-dikkat (self-attention) adı verilen bir mekanizma, modelin metni kesinlikle soldan sağa okumak yerine, bir pasajdaki her diğer kelimenin şu anda işlenen kelimeyle ne kadar ilgili olduğunu tartmasına olanak tanır. İlk olarak transformer araştırmalarında ortaya atılan ve şimdi büyük dil modellerinin genelinde standart hale gelen bu tasarım, ChatGPT gibi sistemlerin uzun bir konuşma boyunca bağlamı takip edebilmesini sağlayan şeydir.

Bunun şimdi neden önemli olduğu

Nöronların, ağırlıkların ve geri yayılımın temelindeki matematik on yıllardır mevcut, ancak sinir ağlarını uzman bir araştırma aracından, Engadget tarafından bildirilen OpenAI'nin kendi Eylül 2026 rakamlarına göre haftada bir milyardan fazla kişi tarafından kullanılan tüketici ürünlerinin arkasındaki motora dönüştüren şey, daha büyük veri kümelerinin, daha fazla işlem gücünün ve transformer mimarisinin birleşimidir. IBM ve Google tarafından tanımlanan temel ileri geçiş ve düzeltme döngüsünü anlamak ileri matematik gerektirmez, ancak bu, bu sistemlerin neden devasa miktarda eğitim verisine ve işlem gücüne ihtiyaç duyduğunu ve çıktılarının garanti edilmiş gerçekler değil istatistiksel tahminler olduğunu açıklar.