Büyük Dil Modeli (LLM) Nedir?
Büyük Dil Modeli (Large Language Model – LLM), çok büyük miktarda metin verisi üzerinde eğitilen ve dil örüntülerini öğrenerek metin üretme, özetleme, sınıflandırma, bilgi çıkarımı ve soru yanıtlama gibi görevleri yerine getirebilen yapay zekâ modeli türüdür. Hukuk teknolojisinde LLM’ler sözleşme inceleme, dava dosyası özetleme, içtihat analizi ve belge sınıflandırma gibi işlerde kullanılabilir. Bununla birlikte model çıktısı mahkeme kararı, hukuki görüş veya doğrulanmış kaynak yerine geçmez.
LLM’ler insan gibi “okuyup düşünmekten” ziyade, girdideki tokenlar arasındaki örüntüleri ve olasılık ilişkilerini işler. Model, mevcut bağlama göre bir sonraki tokenın ne olabileceğini tahmin ederek çıktı üretir. Bu yaklaşım güçlü dil yetenekleri sağlayabilir ancak gerçeğe aykırı veya uydurma içerik üretme riskini tamamen ortadan kaldırmaz. NIST de üretken yapay zekâ sistemlerinde bu tür yanlış üretimleri önemli bir güvenilirlik riski olarak tanımlar.
Büyük Dil Modelinin Teknik ve Hukuki Niteliği
Büyük dil modeli bir mahkeme, hukuk kurumu veya hukuki işlem değildir. Esas olarak yapay zekâ modelidir.
Teknik açıdan LLM, çok sayıda parametreye sahip makine öğrenmesi modeli olarak çalışır. Eğitim sırasında geniş veri kümelerindeki dil ilişkilerini öğrenir ve daha sonra verilen girdilere göre yeni çıktı üretir.
Hukuki açıdan ise modelin kendisi ile modelin kullanıldığı yapay zekâ sistemi birbirinden ayrılmalıdır. Avrupa Birliği Yapay Zekâ Tüzüğü de genel amaçlı yapay zekâ modelini, bu modeli kullanan yapay zekâ sisteminden ayrı bir kavram olarak ele alır. Tüzüğe göre genel amaçlı modeller geniş bir görev yelpazesini yerine getirebilir ve farklı uygulamalara entegre edilebilir.
Türk hukukunda “büyük dil modeli” adıyla bağımsız ve genel bir kanuni kurum bulunmaz. Buna karşılık model aracılığıyla kişisel veri işlenmesi hâlinde 6698 sayılı Kişisel Verilerin Korunması Kanunu gibi genel düzenlemeler uygulanabilir. Kişisel Verileri Koruma Kurumu da üretken yapay zekâ sistemlerinde kişisel veri işlemenin KVKK kapsamında değerlendirilmesi gerektiğini belirtmektedir.
Büyük Dil Modeli Nasıl Çalışır?
Büyük dil modelleri, eğitim verilerinde bulunan dil örüntülerini matematiksel olarak öğrenir.
Bir kullanıcı modele soru gönderdiğinde metin önce tokenlara ayrılır. Model bu tokenları, bağlamdaki diğer tokenlarla ilişkileri içinde işler. Ardından olasılık dağılımlarına dayanarak yanıtın sonraki tokenlarını üretir.
Süreç basitleştirilmiş biçimde şöyle açıklanabilir:
- Kullanıcının girdisi alınır.
- Metin tokenlara ayrılır.
- Tokenlar sayısal temsillere dönüştürülür.
- Model bağlam içindeki ilişkileri işler.
- Olası sonraki tokenlar hesaplanır.
- Seçilen token çıktıya eklenir.
- Süreç yanıt tamamlanıncaya kadar devam eder.
Bu mekanizma modelin yalnız önceden ezberlenmiş cümleleri kopyaladığı anlamına gelmez. Model öğrendiği örüntüler üzerinden yeni metin dizileri oluşturabilir.
Token Nedir?
Token, büyük dil modelinin metni işlerken kullandığı temel parçadır.
Bir token her zaman bir kelime değildir. Tek bir karakter, kelime parçası, noktalama işareti veya tam kelime olabilir. Tokenizasyon yöntemi dile ve modele göre değişebilir.
OpenAI’ın güncel açıklamasında tokenların modeller tarafından işlenen metnin yapı taşları olduğu belirtilmektedir. Aynı kaynak, kelime ve token sayısının birebir eşit olmadığını da açıklar.
Bu nedenle “10.000 kelimelik sözleşme kaç token eder?” sorusuna her model ve dil için tek bir sabit oranla cevap verilemez.
Parametre Nedir?
Parametreler, modelin eğitim sürecinde öğrendiği sayısal değerlerdir.
Model, eğitim verilerindeki dil ilişkilerini doğrudan bir veri tabanı biçiminde saklamak yerine çok sayıdaki parametre üzerinden örüntüler hâlinde temsil eder.
Model büyüklüğü bazen parametre sayısıyla ifade edilir. Ancak daha fazla parametre tek başına daha yüksek doğruluk veya daha iyi hukuki analiz anlamına gelmez.
Model mimarisi, eğitim verisinin niteliği, sonradan yapılan ayarlamalar, bağlam kapasitesi ve kullanılan araçlar da performansı etkiler.
Avrupa Birliği Yapay Zekâ Tüzüğü de genel amaçlı modellerin teknik belgelerinde mimari ve parametre sayısı gibi bilgilerin önemli olabileceğini kabul etmektedir.
Transformer Nedir?
Transformer, günümüzde birçok büyük dil modelinin temelinde bulunan sinir ağı mimarisidir.
Transformer mimarisinin önemli özelliklerinden biri, metindeki kelime veya tokenların birbirleriyle olan ilişkilerini dikkat mekanizmaları aracılığıyla değerlendirebilmesidir.
Bu yapı sayesinde model, uzun cümlelerde veya belgelerde farklı bölümler arasındaki anlamsal ilişkileri daha etkili biçimde öğrenebilir.
Ancak transformer kullanılması, modelin her uzun metni kusursuz şekilde anlayacağı anlamına gelmez. Bağlam uzunluğu arttıkça kritik bilginin gözden kaçması veya yanlış ilişkilendirilmesi yine mümkündür.
Bağlam Penceresi Nedir?
Bağlam penceresi, modelin tek bir işlem sırasında birlikte değerlendirebileceği toplam token kapasitesidir.
Kullanıcının mesajı, önceki konuşma, eklenen belgeler, sistem talimatları ve oluşturulacak yanıt bu kapasitenin farklı bölümlerini kullanabilir.
Avrupa Birliği Yapay Zekâ Tüzüğü’nün genel amaçlı model dokümantasyonunda, girdilerin ve çıktıların azami büyüklüğü kapsamında bağlam penceresi uzunluğunun teknik bilgiler arasında yer alabileceği belirtilmektedir.
Hukuk uygulamalarında bağlam penceresi önemlidir. Çok uzun dava dosyalarının veya yüzlerce sözleşmenin tamamının tek bir işlemde modele verilmesi teknik veya kalite açısından uygun olmayabilir.
Büyük Dil Modeli Nasıl Eğitilir?
LLM geliştirme süreci modele göre değişir. Genel olarak büyük miktarda veri üzerinde ön eğitim yapılır.
Bu aşamada model, verilen metindeki eksik veya sonraki tokenları tahmin etmeyi öğrenir. Eğitim ilerledikçe dilbilgisi, bağlam, kavram ilişkileri ve metin yapıları hakkında istatistiksel örüntüler edinir.
Daha sonra model belirli görevler ve davranışlar için ek eğitimden geçirilebilir. Bu süreçlerde insan geri bildirimi, tercih verileri veya başka optimizasyon teknikleri kullanılabilir.
Avrupa Birliği Yapay Zekâ Tüzüğü de genel amaçlı modellerin çoğunlukla büyük miktarda veri üzerinde özdenetimli, denetimsiz veya pekiştirmeli öğrenme gibi yöntemlerle eğitildiğini belirtmektedir.
LLM ile Arama Motoru Aynı Şey midir?
Hayır. Büyük dil modeli ile arama motoru farklı teknolojilerdir.
Arama motorunun temel görevi mevcut kaynakları indekslemek ve kullanıcının sorgusuyla ilgili belgeleri bulmaktır. LLM ise mevcut bağlama dayanarak yeni metin üretir.
| Sistem | Temel İşlev |
|---|---|
| Büyük Dil Modeli | Metin üretir, dönüştürür ve dil görevlerini yerine getirir. |
| Arama motoru | Mevcut kaynakları bulur ve sıralar. |
| RAG sistemi | Arama ile bulunan kaynakları LLM bağlamına aktarır. |
| Veri tabanı | Önceden kayıtlı yapılandırılmış verileri saklar ve sorgular. |
Bu ayrım özellikle hukuki araştırmada önemlidir. Bir LLM’nin “Yargıtay şu kararı verdi” demesi, ilgili kararın gerçekten bulunduğu anlamına gelmez. Kaynağın ayrıca doğrulanması gerekir.
LLM ile RAG Arasındaki Fark Nedir?
Retrieval-Augmented Generation (RAG), büyük dil modelinin harici bilgi kaynaklarıyla birlikte kullanılmasını sağlayan mimari yaklaşımdır.
LLM yalnız kendi parametrelerine ve mevcut bağlama dayanarak yanıt üretebilir. RAG sisteminde ise önce ilgili belgeler aranır ve bulunan parçalar modele aktarılır.
Örneğin hukuk teknolojisi sisteminde kullanıcı “HMK m. 165 nedir?” diye sorduğunda RAG sistemi güncel mevzuat metnini getirip modelin bağlamına ekleyebilir.
Bu yöntem güncel ve kaynağa dayalı cevap üretimini destekler. Ancak yanlış belge getirilmesi veya modelin kaynağı yanlış yorumlaması hâlinde hata yine mümkündür.
LLM ile Fine-Tuning Aynı Şey midir?
Hayır. LLM bir model türüdür. Fine-tuning ise mevcut bir modelin belirli örnekler veya görevler üzerinde ek eğitimden geçirilmesidir.
Örneğin genel amaçlı bir dil modeli, hukuki belge sınıflandırması için özel veri setleriyle fine-tuning işlemine tabi tutulabilir.
Fine-tuning modelin davranışını belirli görevlere uyarlayabilir. Ancak güncel mevzuatı otomatik olarak modele ekleyen bir yöntem değildir.
Güncel ve değişken hukuk bilgisinde RAG veya resmî veri kaynaklarıyla entegrasyon çoğu zaman ayrı bir ihtiyaçtır.
Büyük Dil Modelleri Hangi Görevleri Yapabilir?
LLM’ler çok çeşitli dil görevlerinde kullanılabilir.
Hukuk alanında yaygın kullanım örnekleri şunlardır:
- Uzun dava dosyalarını özetleme.
- Sözleşme maddelerini sınıflandırma.
- Belge türünü tanıma.
- Taraf, tarih ve tutar bilgilerini çıkarma.
- İçtihatları konuya göre gruplama.
- Hukuki metinler arasındaki benzerlikleri belirleme.
- Taslak metin oluşturma.
- Atıf kontrolüne yardımcı olma.
- Belge karşılaştırma.
- Soru-cevap sistemleri oluşturma.
Bu görevlerin her biri farklı risk düzeyine sahiptir. Belge sınıflandırmasındaki hata ile zamanaşımı süresinin yanlış hesaplanmasının hukuki sonucu aynı değildir.
Hukukta Büyük Dil Modelleri Nasıl Kullanılır?
Hukuk teknolojisinde LLM’ler özellikle büyük miktarda metnin işlenmesi gereken görevlerde kullanılabilir.
Bir hukuk bürosu binlerce sözleşmeden fesih hükümlerini çıkarabilir. Bir şirket çok sayıda hukuki belgeyi türlerine göre sınıflandırabilir. Bir dava dosyasındaki kronoloji otomatik olarak oluşturulabilir.
İçtihat araştırmasında model, kararları konu başlıklarına göre gruplamaya veya farklı kararların gerekçelerini karşılaştırmaya yardımcı olabilir.
Ancak LLM çıktısı profesyonel hukuki değerlendirme ve kaynak kontrolünün yerine geçmez. Özellikle kanun maddesi, karar numarası, süre, parasal sınır ve güncel düzenlemeler kaynağından doğrulanmalıdır.
LLM Halüsinasyonu Nedir?
LLM halüsinasyonu, modelin yanlış veya gerçekte bulunmayan bilgiyi güvenilir biçimde ifade etmesi durumudur.
NIST bu olguyu “confabulation” olarak adlandırır ve üretken yapay zekânın yanlış veya hatalı içeriği güvenli bir dille sunabileceğini belirtir. Özellikle uydurma atıflar ve gerekçeler, kullanıcının yanlış bilgiye güvenmesine neden olabilir.
OpenAI da halüsinasyonu dil modellerinin makul görünen ancak yanlış ifadeler üretebilmesi olarak açıklar ve bunun güncel modellerde tamamen ortadan kalkmadığını belirtir.
Hukuk alanında bu risk özellikle önemlidir. Model:
- Var olmayan Yargıtay kararı üretebilir.
- Gerçek bir kararın numarasını yanlış yazabilir.
- Bir kanun maddesinin içeriğini hatalı aktarabilir.
- Yürürlükten kalkmış düzenlemeyi güncelmiş gibi sunabilir.
- Kaynağın söylemediği hukuki sonucu kaynağa atfedebilir.
Bu nedenle hukukta kaynak doğrulama zorunlu bir kalite kontrol aşaması olarak görülmelidir.
Büyük Dil Modeli Hukuki Danışmanlık Yerine Geçer mi?
Hayır. Bir LLM’nin hukuki bilgi üretebilmesi, onun avukat veya mahkeme olduğu anlamına gelmez.
Model hukuki kavramları açıklayabilir, belgeleri analiz edebilir ve araştırmaya yardımcı olabilir. Ancak somut uyuşmazlıkta verilecek hukuki karar; güncel mevzuat, deliller, usul durumu ve olayın özellikleriyle birlikte değerlendirilmelidir.
Ayrıca LLM’nin eksik bağlam, yanlış kaynak veya halüsinasyon nedeniyle hata yapması mümkündür.
Bu nedenle yapay zekâ çıktısı özellikle yüksek etkili hukuki kararlar bakımından insan denetimine tabi tutulmalıdır.
Büyük Dil Modeli Kişisel Veri İşleyebilir mi?
Evet. Modelin girdisi veya çıktısı kişisel veri içeriyorsa veri işleme faaliyeti gündeme gelebilir.
Örneğin bir dava dosyasının LLM sistemine yüklenmesi sırasında tarafların adları, adresleri, sağlık verileri veya mali bilgileri işlenebilir.
Kişisel Verileri Koruma Kurumu’nun üretken yapay zekâ rehberi, bu sistemlerin geliştirilmesi ve kullanımı sırasında kişisel veri işleme faaliyetlerinin 6698 sayılı Kanun kapsamında değerlendirilmesi gerektiğini belirtmektedir.
Bu nedenle şu konular ayrıca incelenmelidir:
- Veri işleme şartı.
- Amaçla bağlantılılık.
- Veri minimizasyonu.
- Saklama süresi.
- Veri güvenliği.
- Yurt dışına veri aktarımı.
- İlgili kişinin hakları.
Hukuk bürolarında ayrıca mesleki sır ve gizlilik yükümlülükleri de dikkate alınmalıdır.
Büyük Dil Modeline Yüklenen Veri Modeli Eğitir mi?
Her zaman değil. Kullanıcının modele veri göndermesi ile model eğitimi aynı teknik işlem değildir.
Bir belge mevcut bağlama eklenerek yalnız belirli işlem sırasında kullanılabilir. Bunun model parametrelerinin kalıcı şekilde değiştirildiği anlamına gelmesi gerekmez.
Verinin eğitim amacıyla kullanılıp kullanılmadığı kullanılan hizmetin sözleşmesine, teknik mimarisine ve gizlilik politikasına bağlıdır.
Bu nedenle özellikle gizli hukuki belgeler açısından “modele yükledim, kesinlikle eğitime gitmez” veya “yüklediğim her belge modeli eğitir” şeklindeki iki genelleme de doğru değildir.
Kullanılan sağlayıcının güncel veri kullanım koşulları ayrıca kontrol edilmelidir.
Büyük Dil Modeli ile Yapay Zekâ Sistemi Aynı Şey midir?
Hayır. Model, daha geniş bir yapay zekâ sisteminin bileşeni olabilir.
Bir hukuk uygulaması; LLM, kullanıcı arayüzü, belge veri tabanı, arama sistemi, erişim kontrolü ve doğrulama mekanizmalarından birlikte oluşabilir.
Avrupa Birliği Yapay Zekâ Tüzüğü de model ile sistem ayrımını açık şekilde kurar. Genel amaçlı yapay zekâ modeli kendi başına geniş bir sistem olmayabilir; farklı yazılım bileşenleriyle bir uygulamaya entegre edilebilir.
Bu ayrım hukuki sorumluluk açısından önemlidir. Model geliştiricisi, uygulama sağlayıcısı ve sistemi kullanan kurum farklı aktörler olabilir.
Genel Amaçlı Yapay Zekâ Modeli ile LLM Aynı Şey midir?
Tam olarak değil.
LLM teknik bir model kategorisidir ve özellikle dil görevlerine odaklanır. Genel amaçlı yapay zekâ modeli ise hukuki ve işlevsel olarak daha geniş bir kavram olabilir.
Avrupa Birliği Yapay Zekâ Tüzüğü, genel amaçlı yapay zekâ modelini çok sayıda farklı görevi yetkin biçimde yerine getirebilen ve çeşitli sistemlere entegre edilebilen model olarak tanımlar.
Birçok modern LLM bu geniş kapsama girebilir. Ancak her LLM’nin otomatik olarak aynı hukuki sınıfa girdiği varsayılmamalıdır.
Büyük Dil Modellerinin Yasal Dayanağı
Türk hukukunda “Büyük Dil Modeli” adıyla özel ve bağımsız bir hukuki kurum düzenlenmemiştir.
Bununla birlikte LLM’nin kullanıldığı faaliyetin niteliğine göre mevcut mevzuat uygulanabilir.
Özellikle kişisel veri işleniyorsa 6698 sayılı Kişisel Verilerin Korunması Kanunu önem taşır. Kişisel Verileri Koruma Kurumu, üretken yapay zekâ sistemlerinin yaşam döngüsündeki kişisel veri işleme faaliyetlerinin Kanun kapsamında değerlendirilmesi gerektiğini açıkça belirtmektedir.
Avrupa Birliği hukukunda ise 2024/1689 sayılı Yapay Zekâ Tüzüğü, genel amaçlı yapay zekâ modelleri için özel hükümler içerir. Düzenleme, bu modellerin dokümantasyonu ve belirli yüksek etkili modellerin sistemik risk sınıflandırmasına ilişkin kurallar öngörmektedir.
Dolayısıyla LLM’nin hukuki çerçevesi, modelin kendisinden çok kullanım amacı, veri işleme faaliyeti ve uygulamanın etkilerine göre şekillenebilir.
Büyük Dil Modeli ile Benzer Kavramların Farkı
| Kavram | Temel Fark |
| Büyük Dil Modeli | Dil girdilerini işleyen ve dil tabanlı çıktılar üretebilen yapay zekâ modelidir. |
| Üretken Yapay Zekâ | Metin dışında görüntü, ses, video veya kod üreten sistemleri de kapsayan daha geniş kavramdır. |
| Transformer | Birçok LLM’nin temelinde kullanılan sinir ağı mimarisidir. |
| RAG | Dış kaynaklardan bilgi getirerek LLM’nin bağlamını zenginleştiren yöntemdir. |
| Fine-tuning | Mevcut modelin belirli görev veya örneklerle ek eğitimden geçirilmesidir. |
| Arama motoru | Mevcut kaynakları bulup sıralar; temel işlevi yeni metin üretmek değildir. |
| Yapay zekâ sistemi | Modeli ve diğer yazılım bileşenlerini içeren daha geniş uygulama yapısıdır. |
Bu kavramların ayrılması özellikle hukuk teknolojisi ürünlerinin değerlendirilmesinde önemlidir.
Uygulamada Büyük Dil Modeli
Bir hukuk bürosunun binlerce kira sözleşmesini incelemek istediğini düşünelim. LLM, belgeleri okuyarak sözleşme taraflarını, süreleri ve fesih hükümlerini çıkarabilir. Daha sonra sözleşmeler ortak özelliklerine göre sınıflandırılabilir.
Başka bir örnekte model, yüzlerce mahkeme kararının gerekçesini özetleyebilir. Ancak karar künyeleri ve mevzuat atıfları resmî kaynaklardan ayrıca doğrulanmalıdır.
Üçüncü bir kullanımda LLM, uzun bir dava dosyasının kronolojisini oluşturabilir. Dosyanın bağlam penceresini aşması hâlinde belgeler bölümlere ayrılabilir veya RAG yöntemiyle yalnız ilgili belgeler modele getirilebilir.
Bu örneklerde LLM, hukukçunun yerini alan karar mercii değil, bilgi işleme ve araştırma aracıdır.
Örnek Olay
Bir şirketin hukuk birimi, yüzlerce tedarik sözleşmesinin yenileme tarihlerini belirlemek istemektedir.
Sözleşmeler LLM tabanlı sisteme aktarılır. Sistem her belgeden sözleşme tarihi, süre, otomatik yenileme hükmü ve fesih bildirim süresini çıkarır.
Model bazı sözleşmelerde tarihleri doğru tespit eder ancak bir belgede imza tarihini sözleşmenin başlangıç tarihi olarak yanlış sınıflandırır.
Sistem düşük güvenli kayıtları insan incelemesine yönlendirir. Hukuk birimi kritik tarihleri özgün sözleşmeden kontrol eder.
Bu örnek, LLM’nin büyük belge kümelerini hızla analiz edebildiğini ancak hukuki sonuç doğuran bilgilerin doğrulanması gerektiğini gösterir.
Dikkat Edilmesi Gerekenler
- LLM bir yapay zekâ modelidir; hukuk kurumu değildir.
- Model ile yapay zekâ sistemi aynı kavram değildir.
- Token ile kelime aynı ölçü değildir.
- Bağlam penceresi modelin aynı anda işleyebileceği bilgi miktarını sınırlar.
- Daha büyük model her zaman daha doğru model anlamına gelmez.
- Model çıktıları olasılıksal niteliktedir.
- LLM yanlış veya uydurma bilgi üretebilir.
- Hukuki atıflar resmî kaynaklardan doğrulanmalıdır.
- Güncel mevzuat yalnız model bilgisinden hareketle kabul edilmemelidir.
- RAG halüsinasyon riskini azaltabilir ancak tamamen ortadan kaldırmaz.
- Fine-tuning ile güncel bilgi erişimi aynı şey değildir.
- Gizli dava ve sözleşme belgeleri veri güvenliği açısından dikkatle işlenmelidir.
- Kişisel veri içeren girdiler KVKK kapsamında veri işleme oluşturabilir.
- Modele veri yüklemek ile modeli eğitmek aynı işlem değildir.
- Kullanılan hizmetin veri saklama ve eğitim politikaları ayrıca kontrol edilmelidir.
- Yüksek etkili hukuki sonuçlarda insan denetimi önemlidir.
- Modelin verdiği yüksek güvenli ifade, bilginin doğruluğunu garanti etmez.
Sıkça Sorulan Sorular
Büyük dil modelleri; ChatGPT benzeri uygulamalar, üretken yapay zekâ, bağlam penceresi ve makine öğrenmesi kavramlarıyla birlikte kullanıldığı için sıklıkla birbirine karıştırılır. Aşağıdaki sorular, LLM’lerin temel çalışma mantığını, hukuk alanındaki kullanımını ve model çıktılarının hangi sınırlar içinde değerlendirilmesi gerektiğini açıklar.
Büyük Dil Modeli nedir?
Büyük Dil Modeli, çok büyük miktarda dil verisi üzerinde eğitilen ve tokenlar arasındaki ilişkileri öğrenerek metin üreten yapay zekâ modelidir. Soru yanıtlama, özetleme, çeviri, bilgi çıkarımı ve sınıflandırma gibi görevleri gerçekleştirebilir. Model, mevcut bağlama dayanarak olası sonraki tokenları tahmin eder ve bu süreç üzerinden yanıt oluşturur.
LLM neyin kısaltmasıdır?
LLM, İngilizce Large Language Model ifadesinin kısaltmasıdır. Türkçede “Büyük Dil Modeli” olarak kullanılır. “Büyük” ifadesi yalnız modelin dosya boyutunu değil; genellikle geniş eğitim verisi, yüksek hesaplama kapasitesi ve çok sayıda öğrenilmiş parametre gibi özellikleri ifade eder. Bununla birlikte teknik model boyutları sistemden sisteme değişebilir.
Büyük Dil Modeli nasıl cevap üretir?
Model önce verilen metni tokenlara ayırır. Ardından bağlam içindeki token ilişkilerini hesaplar ve olası sonraki tokenlar için olasılık dağılımı oluşturur. Seçilen token yanıtın devamına eklenir ve aynı süreç tekrar eder. Bu nedenle LLM çıktısı klasik bir veri tabanından hazır cevabın alınmasından farklıdır; model yeni metin üretir.
Büyük Dil Modeli internette arama yapar mı?
LLM’nin kendisi zorunlu olarak internette arama yapmaz. Model, mevcut bağlama ve parametrelerindeki öğrenilmiş örüntülere dayanarak yanıt üretebilir. Ancak bir yapay zekâ sistemi modele arama aracı bağlayabilir. Böylece güncel web veya veri tabanı sonuçları bulunup modele aktarılabilir. Bu yapı, model ile arama motorunun farklı teknolojiler olduğunu gösterir.
LLM halüsinasyonu nedir?
Halüsinasyon, modelin yanlış veya uydurma bilgiyi makul ve güvenli bir dille üretmesidir. Bu durum uydurma mahkeme kararları, yanlış kanun maddeleri veya gerçek olmayan kaynaklarla da ortaya çıkabilir. NIST, bu riski üretken yapay zekâ sistemlerinde “confabulation” olarak ele almakta ve özellikle önemli karar süreçlerinde izlenmesi gerektiğini belirtmektedir.
Büyük Dil Modeli hukukta kullanılabilir mi?
Evet. LLM’ler sözleşme inceleme, belge sınıflandırma, dava dosyası özetleme, bilgi çıkarımı ve içtihat karşılaştırma gibi görevlerde kullanılabilir. Ancak hukuk alanında sonuçların doğrulanması önemlidir. Özellikle süre, kanun maddesi, parasal sınır ve içtihat atıfları doğrudan güvenilir veya resmî kaynaklardan kontrol edilmelidir.
LLM ile RAG arasındaki fark nedir?
LLM dil üreten modeldir. RAG ise dış kaynaklardan ilgili bilgiyi arayıp modele getirerek yanıt üretimini destekleyen yöntemdir. Örneğin RAG sistemi güncel kanun metnini Mevzuat Bilgi Sisteminden bulup LLM’nin bağlamına ekleyebilir. Böylece model kaynakla çalışabilir. Ancak getirilen kaynağın doğruluğu ve modelin onu doğru yorumlaması yine kontrol edilmelidir.
Büyük dil modeline belge yüklemek modeli eğitir mi?
Her zaman değil. Bir belgenin mevcut işlemde modele bağlam olarak verilmesi ile model parametrelerinin eğitim yoluyla değiştirilmesi farklı teknik süreçlerdir. Belgenin sağlayıcı tarafından ayrıca eğitim amacıyla kullanılıp kullanılmadığı hizmetin güncel veri kullanım politikalarına bağlıdır. Gizli veya kişisel veri içeren belgelerde bu koşullar önceden kontrol edilmelidir.
Büyük dil modeli kişisel veri işleyebilir mi?
Evet. Modele gönderilen veya model tarafından üretilen içerik kimliği belirli veya belirlenebilir kişilere ilişkin bilgi içeriyorsa kişisel veri işleme gündeme gelebilir. Kişisel Verileri Koruma Kurumu da üretken yapay zekâ sistemlerinde gerçekleştirilen kişisel veri işleme faaliyetlerinin 6698 sayılı Kanun kapsamında değerlendirilmesi gerektiğini belirtmektedir.
