Kazanimlar:
- Büyük dil modelinin bir sonraki kelimeyi tahmin ederek çalıştığını ve bunun prompt yazımı için ne anlama geldiğini açıklayabilir
- Prompt'un çıktı kalitesini neden bu kadar belirlediğini kendi işinden örnekle gösterebilir
- Modelin güçlü ve zayıf yönlerini ayırt ederek hangi görevlerde güvenle kullanacağına karar verebilir
Yapay Zekâ ve Prompt'a Giriş: Model Nasıl "Düşünür"
Prompt yazmayı gerçekten öğrenmenin en sağlam yolu, önce karşınızdaki aracın nasıl çalıştığını anlamaktır. Bu ünitede büyük dil modelinin (İngilizce Large Language Model, kısaca LLM; yani metin üreten yapay zekâ sistemi) temel mantığını, günlük işinizde neden bu kadar işe yaradığını ve nerede sınırlarının olduğunu göreceğiz. Bu temel oturmadan yazılan prompt'lar çoğu zaman "neden bazen harika, bazen berbat sonuç veriyor?" sorusuyla baş başa bırakır. Bu ünite bittiğinde bu belirsizlik büyük ölçüde ortadan kalkacak.
Büyük Dil Modeli Aslında Ne Yapar?
En sade tanımıyla büyük dil modeli, verdiğiniz metnin devamında gelmesi en olası kelimeyi tahmin eden bir sistemdir. Model, milyarlarca cümleyi inceleyerek "hangi kelimeden sonra hangi kelime gelir" örüntüsünü öğrenmiştir. Siz bir cümle başlattığınızda, model o âna kadar yazılanlara bakıp en olası devamı üretir, sonra üretilen kelimeyi de girdiye ekleyip bir sonrakini tahmin eder. Bu döngü, cevap tamamlanana kadar sürer.
Burada geçen token (jeton) terimini bir kez netleştirelim: token, modelin metni parçaladığı en küçük birimdir; kabaca bir kelime ya da kelimenin bir parçası kadardır. Model kelime kelime değil, token token ilerler. Sizin için pratik sonucu şudur: model, sizin niyetinizi "anlayan" bir insan değil, verdiğiniz metne en uygun devamı istatistiksel olarak seçen çok güçlü bir tahmin makinesidir.
Bu tanımın en önemli sonucu şudur: çıktının yönünü belirleyen en güçlü şey, girdi olarak verdiğiniz metindir. Yani prompt'unuz. Model bir veritabanından hazır cevap çekmez, internette o an canlı arama yapıp sayfa kopyalamaz (aksi özellikle belirtilmedikçe). Yalnızca sizin verdiğiniz bağlama en uyumlu metni üretir. İyi bir girdi, iyi bir çıktının en belirleyici koşuludur.
Neden "Aynı Model, Farklı Sonuç"?
Model her seferinde en olası kelimeyi seçerken küçük bir rastgelelik payı da kullanır; bu yüzden aynı prompt'a iki kez sorduğunuzda birebir aynı cümleleri almayabilirsiniz. Bu bir hata değil, tasarımın parçasıdır. Sizin işiniz, sonucu tesadüfe bırakmayacak kadar net bir çerçeve çizmektir. Çerçeve ne kadar netse, iki farklı denemenin sonucu birbirine o kadar yakın ve o kadar kullanışlı olur.
Adım adım: bir istek modelin içinde nasıl ilerler?
- Girdiyi okur. Yazdığınız her kelime, tahmini yönlendiren bir ipucudur. "Kıdemli bir avukat gibi" dediğinizde, model o üsluba yakın metinleri daha olası hale getirir.
- Bağlamı tartar. Verdiğiniz arka plan, kısıtlar ve örnekler tahmini daraltır. Bağlam boşsa model boşlukları kendi varsayımlarıyla doldurur.
- Kelime kelime üretir. Ürettiği her token bir sonrakinin girdisi olur; bu yüzden başta verdiğiniz yön, tüm cevaba yayılır.
- Durur. Görev tamamlandığında ya da belirlediğiniz uzunluğa gelince üretimi keser.
Üç Mini Vaka: Prompt Farkı Rakamlarla
Vaka 1 — Pazarlama uzmanı, e-posta konu başlığı. Bir pazarlama uzmanı "kampanya için konu başlığı öner" dediğinde 5 genel başlık aldı ve hiçbirini beğenmedi; 20 dakikasını elle düzeltmeye harcadı. Ertesi gün "Hedef kitle 30-45 yaş KOBİ sahipleri, ürün bulut muhasebe yazılımı, 6 adet, her biri en fazla 45 karakter, merak uyandıran ama abartısız" dediğinde 6 başlığın 4'ünü doğrudan kullandı. Süre 20 dakikadan 4 dakikaya indi.
Vaka 2 — İnsan kaynakları, ilan metni. Bir İK uzmanı "yazılımcı ilanı yaz" prompt'uyla kalıp gibi bir metin aldı. Prompt'a şirketin gerçek dilini (3 cümlelik kültür tanımı), zorunlu 4 nitelik ve "maaş aralığını açıkça yaz" kısıtını eklediğinde, ilana gelen niteliksiz başvuru oranı bir sonraki ilanda gözle görülür biçimde azaldı çünkü metin beklentiyi net kuruyordu.
Vaka 3 — Muhasebe, rapor özeti. Bir muhasebe sorumlusu 12 sayfalık gider raporunu "özetle" dediğinde model önemli kalemleri atladı. "Bu rapordan en yüksek 5 gider kalemini, geçen aya göre yüzde değişimiyle birlikte tablo halinde çıkar" dediğinde tam da yönetim toplantısına götüreceği yapıyı aldı. İçerik aynı, talimat farklıydı.
Zayıf Prompt / Güçlü Prompt
Aynı iş, iki farklı talimatla:
Zayıf prompt:
Bu metni özetle.[metin]
Güçlü prompt:
Aşağıdaki toplantı notunu, yönetim kuruluna sunulacak şekilde özetle.- En fazla 5 madde.- Her madde bir karar veya aksiyon içersin; sohbet ayrıntısını atla.- Sorumlusu belli olan aksiyonlarda parantez içinde ismi yaz.- Sade, resmi bir dil kullan.Metin:[metin]
İkinci prompt modele ne, kim için, hangi biçimde ve neyi atlayarak üreteceğini söyler. Model "düşünmeyi" değil, doğru devamı üretmeyi yapar; siz de o devamın çerçevesini çizersiniz.
Dört Kopyalanabilir Şablon
Bu ünitedeki mantığı hemen uygulamaya dökmek için dört basit başlangıç şablonu. Köşeli parantezli yerleri kendi bilginizle doldurun.
1) Bir isteği güçlendirme çerçevesi:
Şu görevi yapmanı istiyorum: [görev]Kim için: [alıcı/kitle]Hangi biçimde: [uzunluk, yapı]Neyi atla: [istemediğin şey]
2) Modelin sınırını yoklama (doğrulama refleksi):
Aşağıdaki cevabında olgusal iddia (sayı, tarih, isim, kaynak) varsaher birini ayrı bir liste olarak çıkar ve "doğrulanmalı" diye işaretle.Cevap: [modelin çıktısı]
3) Aynı görevi iki düzeyde deneme:
Şu konuyu iki kez açıkla:A) Konuya hiç yabancı birine, günlük dille.B) Alanın uzmanına, teknik terimlerle.Konu: [konu]
4) Belirsizliği modele fark ettirme:
Sana vereceğim isteği yapmadan önce, eksik veya belirsizbulduğun noktaları bana 3 soruyla sor; sonra cevaplarıma göre üret.İstek: [istek]
Modelin Güçlü ve Zayıf Yönleri
Konu
Model güçlüdür
Model zayıftır / dikkat
Dil işleri
Yazma, özetleme, çeviri, ton değiştirme
Çok teknik/niş jargon hataları
Yapı
Metni tablo, liste, taslağa dönüştürme
Uzun metinde tutarlılığı koruma
Fikir
Beyin fırtınası, alternatif üretme
"Doğru" olanı garanti etme
Olgu
Genel bilgi, tanım, açıklama
Güncel/kesin veri, sayı, tarih, kaynak
Muhakeme
Adım adım yönlendirilirse iyi
Karmaşık hesabı sessizce yanlış yapma
İpucu: Modeli "her şeyi bilen bir uzman" değil, "çok hızlı yazan, çok okumuş ama her söylediği doğrulanması gereken bir asistan" gibi görün. Bu bakış, hem beklentinizi hem de kontrol alışkanlığınızı doğru ayarlar.
Dikkat: Model bir bilgiyi çok kendinden emin bir dille yazabilir ama bu bilginin doğru olduğu anlamına gelmez. Özellikle sayı, isim, tarih, yasa maddesi ve kaynak gibi olgusal ayrıntıları her zaman bağımsız olarak doğrulayın. Bu konuya 11. ünitede ayrıntılı döneceğiz.
Sık yapılan hatalar
- Modeli insan sanmak. "O anlar zaten" diye eksik talimat vermek. Model niyetinizi okumaz; yalnızca yazdığınızı işler.
- Tek denemede pes etmek. İlk çıktı zayıfsa aracı suçlamak. Oysa çoğu zaman sorun talimattadır ve küçük bir düzeltmeyle sonuç değişir.
- Olguları doğrulamadan kullanmak. Modelin ürettiği bir istatistiği veya kaynağı sorgusuz kabul etmek en riskli alışkanlıktır.
- Gizli veriyi düşünmeden girmek. Aracın nasıl çalıştığını bilmeden hassas bilgi yapıştırmak. Gizlilik ünitesinde göreceğimiz gibi bunun kuralları vardır.
- Rastgeleliği hata sanmak. İki farklı sonucu "araç bozuk" diye yorumlamak; oysa netliği artırınca sonuçlar birbirine yakınsar.
Özetle
- Büyük dil modeli, verdiğiniz metnin devamında gelmesi en olası kelimeyi (token) tahmin ederek çalışır; hazır cevap seçmez.
- Çıktının yönünü belirleyen en güçlü etken, girdi olarak verdiğiniz prompt'tur.
- Model dil, yapı ve fikir işlerinde güçlü; kesin olgular, güncel veri ve karmaşık hesaplarda dikkatlidir.
- Küçük rastgelelik nedeniyle aynı prompt farklı sonuç verebilir; netlik arttıkça sonuçlar tutarlılaşır.
- Model "her söylediği doğru bir uzman" değil, "hızlı ama doğrulanması gereken bir asistan"dır.
Uygulama görevi
Günlük işinizden düzenli yaptığınız bir yazma görevini seçin (örneğin bir e-posta, bir özet veya bir liste). Önce tek cümlelik en yalın halini yazıp bir AI aracına verin ve çıktıyı kaydedin. Ardından aynı göreve; kim için, hangi biçimde, hangi uzunlukta ve neyi atlayarak sorularının cevaplarını ekleyip tekrar sorun. İki çıktıyı yan yana koyun ve hangi eklemenin sonucu en çok iyileştirdiğini bir cümleyle not edin.
Kontrol listesi
- [ ] Modelin "bir sonraki kelimeyi tahmin ettiğini" ve niyetimi okumadığını anladım.
- [ ] Çıktı kalitesinin büyük ölçüde prompt kalitesine bağlı olduğunu kavradım.
- [ ] Modelin güçlü ve zayıf olduğu görev tiplerini ayırt edebiliyorum.
- [ ] Olgusal ayrıntıları (sayı, tarih, isim, kaynak) doğrulamam gerektiğini biliyorum.
- [ ] Aynı prompt'un neden farklı sonuç verebileceğini açıklayabiliyorum.