Yapay Zekâ Ajanları Nedir? Araştırmada Nasıl Kullanılır?
Basira Editör Ekibi · · 11 dk okuma · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- Yapay zekâ ajanı, bir hedef verildiğinde işi adımlara bölen, her adımda arama, kod çalıştırma ya da dosya okuma gibi bir araç çağıran ve sonucu gözleyerek sonraki adımı seçen dil modeli düzenidir.
- Bir ajanın dört bileşeni sık anılır: rol tanımı, bellek, planlama ve eylem (Wang vd., 2024). Araç kullanımı ile akıl yürütmeyi aynı döngüde birleştiren ilk yaygın düzenlerden biri ReAct'tir (Yao vd., 2023).
- Ajanlarda hata adım adım birikir: her adımı yüksek olasılıkla doğru yapan bir ajan bile uzun bir görevi baştan sona doğru bitirmekte zorlanabilir; aynı görevin tekrarlarında farklı sonuçlar da ölçülmüştür (Yao vd., 2025).
- Ajanın okuduğu bir web sayfası ya da belge, içine gizlenmiş talimatlarla ajanı yönlendirebilir (dolaylı istem enjeksiyonu); bu yüzden ajana yalnız işin gerektirdiği izinler verilir.
- Araştırmada ajanın raporu değil, çalıştırdığı kod, okuduğu kaynak ve adım kaydı doğrulanır; sayılar istatistik yazılımında yeniden üretilir, her kaynak açılıp okunur.
İçindekiler
Yapay zekâ ajanları, bir hedef verildiğinde işi adımlara bölen, her adımda arama, kod çalıştırma ya da dosya okuma gibi bir araç çağıran, sonucu gözleyip bir sonraki adımı ona göre seçen dil modeli düzenleridir. Sohbet aracından farkı, yanıtı tek seferde yazmak yerine bir döngü içinde eylemde bulunmasıdır. Araştırmada zaman kazandırabilir; ama hata adım adım birikir, bu yüzden her ara sonuç doğrulanır.
Bu yazı, dil modellerini bilen ama ajanlarla yeni tanışan araştırmacı için yazıldı. Dil modellerinin yapay zekâ içindeki yeri yapay zekâ nedir yazısında, sohbet aracıyla analiz yapmanın sınırları yapay zekâ ile veri analizi yazısında anlatılır; burada onların üzerine ajanın neyi değiştirdiği ele alınıyor.
Yapay zekâ ajanı nedir?
“Ajan” yapay zekâda yeni bir sözcük değildir. Russell ve Norvig’in (2021) ders kitabı alanı ajan kavramı üzerinden kurar: ajan, çevresini algılayan ve çevresine eylemle etki eden her şeydir. Bir termostat da, satranç programı da bu geniş tanıma girer. OECD’nin yapay zekâ sistemi tanımı da sistemleri kullanıma alındıktan sonraki özerklik düzeyleriyle birbirinden ayırır (OECD, 2024).
Bugün “yapay zekâ ajanı” denince çoğu zaman daha dar bir şey kastedilir: kararları büyük bir dil modelinin verdiği, eylemleri ise yazılım araçlarıyla yapılan bir düzen. Model bir sonraki adımı metin olarak yazar (“şu dosyayı aç”, “şu kodu çalıştır”), çevresindeki yazılım bu adımı uygular ve sonucu modele geri verir. Döngü, model işin bittiğine karar verene ya da bir adım sınırına ulaşılana dek sürer.
Wang vd. (2024), dil modeline dayalı ajanlar üzerine yaptıkları gözden geçirmede bu düzenleri dört bileşenli ortak bir çerçevede toplar: ajanın rolünü tanımlayan profil, geçmiş adımları tutan bellek, sonraki adımları belirleyen planlama ve kararı somut bir çıktıya çeviren eylem. Aşağıdaki bölümler eylemi (araç kullanımı), planlamayı ve belleği bu sırayla ele alır; profil, prompt mühendisliği yazısında anlatılan rol ve bağlam öğesine karşılık gelir.
Üç kullanım biçimi sık karıştırılır:
| Düzen | Ne yapar? | Bir sonraki adımı kim seçer? |
|---|---|---|
| Sohbet modeli | Soruya tek seferde metinle yanıt verir | Kullanıcı |
| RAG | Yanıtı yazmadan önce bir belge derleminden parça getirir | Önceden yazılmış sabit akış |
| Ajan | Araç çağırır, sonucu okur, sonraki eylemi seçer | Dil modeli, döngü içinde |
RAG tek başına bir ajan değildir: getirme adımı her soruda aynı biçimde çalışır. Ama bir ajan, belge aramayı araçlarından biri olarak kullanabilir; o zaman ne zaman ve neyi arayacağına kendisi karar verir.
Bir yapay zekâ ajanı nasıl çalışır?
Bir yapay zekâ ajanı, araç kullanımını, planlamayı ve belleği tek bir döngüde birleştirerek çalışır: model bir sonraki adımı seçer, araç bu adımı uygular, dönen sonuç belleğe ve bir sonraki plana girer.
Araç kullanımı
Dil modelleri aritmetikte ve güncel bilgide zayıftır; hesap makinesi ya da arama motoru ise bu işleri kolayca yapar. Schick vd. (2023), Toolformer adlı çalışmada bir dil modelinin hangi aracı ne zaman, hangi argümanla çağıracağını ve dönen sonucu metne nasıl katacağını, her araç için yalnız birkaç gösterimle, kendi kendine öğrenebildiğini göstermiştir. Araçlar arasında hesap makinesi, soru-cevap sistemi, iki arama motoru, çeviri sistemi ve takvim vardı.
Ajan düzenlerinde araçlar modele çoğunlukla adı, ne yaptığı ve hangi girdileri aldığıyla tanıtılır; model de çağrıyı bu biçimde üretir. Modellerin bir kısmı bu tür çağrıları üretmek üzere ayrıca eğitilir ya da ince ayarlanır; tanıtım ile eğitim birbirinin yerine değil, birlikte çalışır.
Araçları modele bağlamanın ortak bir yolu da yerleşmeye başladı. Anthropic, 25 Kasım 2024’te Model Context Protocol’ü (MCP) yapay zekâ asistanlarını verinin bulunduğu sistemlere bağlamak için açık kaynaklı bir standart olarak duyurdu (Anthropic, 2024). Protokolün 6 Kasım 2026’da erişilen resmî belgesi, yapay zekâ uygulamalarının bu yolla dosyalara, veri tabanlarına, arama motorlarına ve iş akışlarına bağlanabildiğini yazar (Model Context Protocol, 2026).
Dikkat
Araştırmacı için önemli olan nokta şudur: araç çağrısı sonucu doğru yapmaz, yalnız sonucun nereden geldiğini değiştirir. Hesap makinesinin döndürdüğü sayı doğrudur; ama modelin ona hangi sayıları verdiği ve dönen sonucu nasıl yorumladığı yine modelin işidir.
Planlama
Ajanın ikinci bileşeni, hedefi adımlara bölmek ve her adımdan sonra planı güncellemektir. Yao vd. (2023), ReAct adını verdikleri düzende modelin akıl yürütme adımlarıyla eylemleri dönüşümlü yazmasını önerdi: model önce ne yapacağını ve neden yapacağını yazar, sonra bir eylemde bulunur (ör. Wikipedia’da arama), dönen gözleme bakarak bir sonraki düşünceyi yazar.
Yazarlar, soru yanıtlama ve olgu doğrulama görevlerinde bu dış bilgi kaynağıyla etkileşimin, yalnız adım adım akıl yürüten istemde görülen uydurmayı ve hatanın sonraki adımlara taşınmasını azalttığını bildirmiştir. Düzenin bir yararı daha vardır: düşünce, eylem ve gözlem satırları bir iz bırakır; insan bu izi okuyarak ajanın nerede yanıldığını görebilir.
Planlamanın sınırı da tartışılmaktadır. Kambhampati vd. (2024), ICML’de yayımlanan bir görüş makalesinde, dil modellerinin tek başına güvenilir plan yapamadığını ve kendi planlarını doğrulayamadığını savunur; önerdikleri çözüm, modelin ürettiği aday planların dışarıdaki model tabanlı doğrulayıcılarla sınandığı bir düzendir. Bu görüş, aşağıdaki doğrulama bölümünün de çıkış noktasıdır: ajanın “işi bitirdim” demesi bir doğrulama değildir.
Bellek
Bir ajanın belleği iki katmanda düşünülür. Kısa süreli bellek, modelin o anda gördüğü bağlam penceresidir: istem, önceki adımlar ve araçlardan dönen sonuçlar. Uzun süreli bellek ise dışarıda tutulan ve gerektiğinde içinden arama yapılan bir kayıttır (Wang vd., 2024). İkincisi teknik olarak RAG’a benzer; farkı, belleğe yazılanın ajanın kendi gözlemleri ve vardığı sonuçlar olmasıdır.
Park vd. (2023), insan davranışını benzeten ajanlarda her deneyimi doğal dilde bir bellek akışına yazmış ve her adımda bu akıştan güncellik, önem ve ilgi puanına göre seçilen anıları modele geri vermiştir. Araştırmacı için bunun pratik sonucu şudur: ajanın belleğine giren yanlış bir ara sonuç, sonraki adımlarda doğru bir bilgi gibi yeniden kullanılabilir.
Araştırmada yapay zekâ ajanları ne işe yarar?
Ajanlar, sonucunu sizin kolayca denetleyebileceğiniz, çok adımlı ama sıkıcı işlerde en çok yarar. İşin türüne göre güven düzeyi değişir:
| İş | Ajan uygun mu? | Neye bakılır? |
|---|---|---|
| Bir klasördeki dosyaları tek biçime çevirmek | Uygun | Rastgele seçilen birkaç dosya elle açılıp karşılaştırılır |
| Analiz kodunu yazıp çalıştırmak | Denetimle | Kod okunur, çıktı ikinci bir araçta yeniden üretilir |
| Web’de kaynak arayıp özet yazmak | Denetimle | Her kaynak açılır, iddia kaynakta okunur |
| Sistematik derleme için tarama | Tek başına uygun değil | Tarama kayıtlı bir arama stratejisiyle yapılır |
| Test seçimi ve yorum | Uygun değil | Karar araştırmacının analiz planındadır |
Tablonun dördüncü satırının gerekçesi literatür taraması yazısındadır: kayıtlı bir arama stratejisi bırakmayan bir tarama, akış şemasının ilk kutusunu dolduramaz. Beşinci satırın gerekçesi ise test seçiminin araştırma sorusuna, ölçek düzeyine ve desene dayanmasıdır (istatistiksel test seçimi rehberi). Ajan bir aday önerebilir; seçimi analiz planı belirler.
Ölçümler de temkinli olmayı destekler. Mialon vd. (2024), insanlar için kavramsal olarak basit ama arama, dosya okuma ve araç kullanımı gerektiren sorulardan bir sınama seti (GAIA) kurmuş; katılımcı insanlar soruların %92’sini, eklentilerle donatılmış GPT-4 ise %15’ini doğru yanıtlamıştır.
Starace vd. (2025), ajanlardan yayımlanmış 20 makine öğrenmesi makalesini sıfırdan yeniden üretmelerini istemiş; sınanan en iyi ajan ortalama %21,0’lık bir yeniden üretim puanında kalmış, makalelerin küçük bir alt kümesinde de ajanın puanı insan uzmanlarınkinin altında kalmıştır.
Dikkat
Bu ölçümler yayımlandıkları tarihteki (2023 ve 2025) modellerle yapılmıştır; güncel sonuçlar ölçütlerin kendi sayfalarından izlenir. Ölçme biçimi ve çıkarılacak ders, yani ajanın raporuna değil kendi doğrulamanıza güvenmek, aynı kalır.
Yapay zekâ ajanlarının sınırları neler?
Yapay zekâ ajanlarının başlıca sınırları hata birikimi, uydurma, güvenlik ve gizlilik riskleri ile yeniden üretilebilirlik sorunudur.
Hata birikimi
Ajanın asıl sınırı tek tek adımlardan değil, adımların arka arkaya gelmesinden doğar. Kaba bir benzetme yararlıdır: her adımın doğru olma olasılığı ise ve adımlar birbirinden bağımsızsa, adımlı bir görevin baştan sona doğru bitme olasılığı
olur. Her adımı %95 olasılıkla doğru yapan bir ajanda 20 adımlık bir görev için bu değer ‘dır. Gerçekte adımlar bağımsız değildir; bir ajan sonraki adımda hatasını fark edip düzeltebilir, ya da tersine erken bir yanlışı bütün işe yayabilir. Benzetmenin söylediği yalnız şudur: uzun görevde küçük hata oranları büyür.
Aynı görevin tekrarlarında da tutarlılık sorunu vardır. Yao vd. (2025), müşteri hizmetleri benzetiminde ajanların aynı görevi her denemede başarıp başaramadığını ölçmek için yeni bir ölçüt önerdi: bir görevin denemenin hepsinde başarılması.
Sınadıkları ve o tarihte en gelişmiş sayılan modeller (ör. GPT-4o) görevlerin yarısından azını başarmış; perakende alanında sekiz denemenin hepsinde başarılan görevlerin oranı %25’in altında kalmıştır.
Dikkat
Bir ajanın bir kez doğru sonuç vermesi, bir sonraki çalıştırmada da vereceğini göstermez.
Uydurma
Ajanlar dil modellerinin uydurma eğilimini taşır. ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), üretken yapay zekâ risk profilinde bu riski, kullanıcıyı yanıltabilecek, kendinden emin bir dille yazılmış yanlış içerik üretimi diye tanımlar (National Institute of Standards and Technology, 2024). Ajanda uydurma iki ek biçim alır: araç hiç çağrılmadan sonucu “biliyormuş gibi” yazmak ve aracın döndürdüğü sonucu yanlış aktarmak.
Kaynak uydurmanın ölçülmüş örnekleri ve RAG’ın bunu ne ölçüde azalttığı RAG nedir yazısında anlatılır. Ajan bir kaynağı gerçekten açmış olsa bile, raporundaki cümlenin o kaynakta yazdığını ancak siz açıp okuyarak bilebilirsiniz.
Güvenlik ve gizlilik
Ajan web sayfalarını, e-postaları ya da belgeleri okuduğunda, bu metinler yalnız veri değil, talimat gibi de işlenebilir. Greshake vd. (2023), saldırganların ajanın okuyacağı bir içeriğe talimat gizleyerek (dolaylı istem enjeksiyonu) uygulamanın davranışını uzaktan yönlendirebildiğini, veri sızdırabildiğini ve hangi aracın çağrılacağını denetleyebildiğini gerçek sistemler üzerinde göstermiştir. NIST’in risk profili de bu saldırı türünü bilgi güvenliği riskleri arasında sayar (National Institute of Standards and Technology, 2024).
Bu riskin pratik karşılığı izinlerdir. Web’de arama yapan bir ajanın aynı oturumda dosya silme, e-posta gönderme ya da katılımcı verisine erişme yetkisi olmamalıdır. Katılımcı verisinin bir çevrim içi hizmete gönderilmesi ise, ajan da olsa sohbet aracı da olsa, aynı kurallara bağlıdır; KVKK ve etik kurul yükümlülükleri yapay zekâ ile veri analizi yazısının gizlilik bölümünde anlatılır. Ajanın çıktısı kişiler hakkında bir karara giriyorsa, algoritmik yanlılık yazısındaki zarar kaynakları da geçerlidir.
Yeniden üretilebilirlik
Bir ajanın çalışması, istemden çok daha fazlasına bağlıdır: modelin sürümü, araçların o günkü yanıtları, web’in o günkü içeriği. Aynı istem bir hafta sonra farklı bir izlek izleyebilir. Bu yüzden analizin belgesi ajanın raporu değil, adım kaydı ve sizin çalıştırıp sakladığınız koddur.
Yapay zekâ ajanının çıktısı nasıl doğrulanır?
Doğrulama, ajanın kendi değerlendirmesine değil dış bir ölçüte dayanır (Kambhampati vd., 2024). Araştırma işinde bu ölçütler bellidir:
- Adım kaydı saklanır. Ajanın çağırdığı her araç, girdisi ve dönen sonuç kaydedilir. Kaydı olmayan bir sonuç raporlanmaz.
- Kod araştırmacının ortamında çalıştırılır. Ajanın yazdığı analiz kodu okunur ve araştırmacının kendi ortamında yeniden çalıştırılır; sayılar ikinci bir araçla karşılaştırılır.
- Varsayılan ayarlar denetlenir. Ajan bir işlevi varsayılan ayarıyla çağırmış olabilir; işlevin belgesi okunur.
- Her kaynak açılır. Rapordaki her alıntı ve atıf, kaynağın kendisinde bulunur.
- Önce sentetik veriyle denenir. Ajanı gerçek veriye bağlamadan önce, yapısı aynı ama kişisel bilgi taşımayan bir sentetik veri setinde çalıştırıp sonucu bilinen bir hesapla karşılaştırmak, hem hatayı hem gizlilik riskini erken yakalar. Gerçek veriden üretilmiş sentetik veri kendiliğinden anonim olmadığından, yalnız kişisel bilgi taşımadığı doğrulanmış (ör. elle kurulmuş ya da benzetimle üretilmiş) bir set ajana verilir; ayrıntı o yazıdadır.
- İzinler daraltılır. Ajana yalnız işin gerektirdiği klasör ve araçlar açılır; yazma ve gönderme yetkileri ayrı onaya bağlanır.
- Kullanım beyan edilir. Hangi aracın, hangi sürümüyle, ne zaman ve hangi aşamada kullanıldığı yazılır (Yükseköğretim Kurulu, 2024); kayıt biçimi prompt mühendisliği yazısındaki örnekle aynıdır.
Örnek: bir ajanın adım kaydını okumak
Aşağıdaki örnek kurgusal ve temsilîdir: belirli bir aracın ya da modelin gerçek çıktısı değil, ajanlarda sık görülen hata türlerini bir arada göstermek için bu yazıda hazırlanmıştır. Sayı içermez; amaç, kayıtta nereye bakılacağını göstermektir.
Bir yüksek lisans öğrencisi ajana şu görevi verir: “Klasördeki anket.csv dosyasında kız ve erkek öğrencilerin sınav kaygısı puanlarını karşılaştır, sonucu APA biçiminde yaz ve iki kaynakla destekle.” Ajan birkaç dakika sonra düzgün biçimlenmiş bir paragraf ve iki kaynak döndürür; son satırında “analiz tamamlandı” yazar. Öğrenci raporu değil, adım kaydını açar:
| Ajanın eylemi | Denetimde görülen |
|---|---|
| Dosyayı okuma (adım 1) | Ondalıklar virgülle yazılmış; puan sütunu metin olarak okunmuş, birkaç satır sessizce düşmüş |
| Testi çalıştırma (adım 2) | SciPy’nin ttest_ind işlevi varsayılan ayarıyla çağrılmış; bu, eşit varyans varsayan Student t-testidir |
| Web’de kaynak arama (adım 3) | Okunan bir sayfada okura değil yapay zekâya yönelik gizli bir talimat var |
| Kaynak yazma (adım 4) | İki kaynaktan biri ajanın açtığı sayfalarda geçmiyor |
| Rapor (adım 5) | Raporun ‘analiz tamamlandı’ ifadesi düşen satırları ve varsayımı söylemiyor |
Kaydın her satırı farklı bir sınırı gösterir. Birinci adımda hata erken olduğu için bütün sonraki adımlara taşınmıştır (hata birikimi). İkinci adımda araç doğru çalışmış ama yanlış ayarla çağrılmıştır; iki bağımsız grupta varsayılan seçim Welch t-testidir (Welch mi Student mı yazısı).
Üçüncü adım dolaylı istem enjeksiyonuna açık bir yüzeydir. Dördüncü adım uydurmadır. Beşinci adım, ajanın kendi işini değerlendirmesine neden güvenilmediğini gösterir.
Düzeltilmiş kullanım işi böler: öğrenci okuma ayarlarını kendisi belirler, testi analiz planına göre seçer, ajandan yalnız bu planı uygulayan kodu ister ve kodu kendi ortamında çalıştırır. Kaynak aramayı ayrı bir oturumda, dosya erişimi olmadan yaptırır ve her kaynağı kendisi açar.
Sık sorulan sorular
Yapay zekâ ajanı ile sohbet robotu arasındaki fark nedir?
Sohbet robotu bir soruya tek seferde metinle yanıt verir; bir sonraki adımı kullanıcı seçer. Ajan ise araç çağırır, sonucu okur ve bir sonraki eylemi kendisi seçer. Aynı dil modeli iki biçimde de kullanılabilir; farkı yaratan, modelin çevresindeki döngü ve araçlardır.
Ajanlar tezimin analizini baştan sona yapabilir mi?
Analiz kodunu yazıp çalıştırmaya yardım edebilir; ama araştırma sorusu, desen, test seçimi ve yorum araştırmacının sorumluluğudur. Ajanın ürettiği her sayı kendi ortamınızda yeniden üretilir ve kullanım enstitünüzün yönergesine göre beyan edilir (Yükseköğretim Kurulu, 2024).
Ajanın verdiği kaynaklar güvenilir mi?
Ajan bir kaynağı gerçekten açmış olabilir, ama rapordaki cümlenin o kaynakta yazdığı ayrıca denetlenmelidir. Her kaynak DOI’siyle bulunur ve ilgili cümle kaynağın kendisinde okunur.
Dolaylı istem enjeksiyonu nedir?
Ajanın okuyacağı bir web sayfasına, belgeye ya da e-postaya gizlenmiş talimatlarla ajanın davranışının değiştirilmesidir (Greshake vd., 2023). Kullanıcı ajana hiçbir kötü talimat yazmamış olsa bile, ajan okuduğu metindeki talimatı uygulayabilir. Başlıca önlem, ajanın izinlerini işin gerektirdiğiyle sınırlamak ve geri alınamaz eylemleri onaya bağlamaktır.
Ajanı katılımcı verisiyle kullanabilir miyim?
Ajan, sohbet aracından daha fazla veriye erişebildiği için risk daha büyüktür. Kişisel veri, hukuki dayanağı, etik kurul onayı ve katılımcıya yapılan aydınlatma bunu kapsamıyorsa anonimleştirilmeden bir çevrim içi hizmete gönderilmez; etik kurul onayınızda ve aydınlatılmış onam metninizde verinin kimlerle paylaşılacağına ilişkin taahhütlere bakılır. Mümkünse ajan önce sentetik ya da yapay bir örnekle denenir.
- #yapay-zeka
- #buyuk-dil-modelleri
- #yapay-zeka-ajanlari
- #tekrarlanabilirlik
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Anthropic. (2024, 25 Kasım). Introducing the Model Context Protocol. 6 Kasım 2026'da erişildi.
- Greshake, K., Abdelnabi, S., Mishra, S., Endres, C., Holz, T., & Fritz, M. (2023). Not what you've signed up for: Compromising real-world LLM-integrated applications with indirect prompt injection. In Proceedings of the 16th ACM Workshop on Artificial Intelligence and Security (pp. 79–90). Association for Computing Machinery.
- Kambhampati, S., Valmeekam, K., Guan, L., Verma, M., Stechly, K., Bhambri, S., Saldyt, L. P., & Murthy, A. B. (2024). Position: LLMs can't plan, but can help planning in LLM-modulo frameworks. In Proceedings of the 41st International Conference on Machine Learning (Proceedings of Machine Learning Research, Vol. 235, pp. 22895–22907). PMLR.
- Mialon, G., Fourrier, C., Swift, C., Wolf, T., LeCun, Y., & Scialom, T. (2024). GAIA: A benchmark for general AI assistants. In International Conference on Learning Representations (ICLR 2024).
- Model Context Protocol. (2026). What is the Model Context Protocol (MCP)? 6 Kasım 2026'da erişildi.
- National Institute of Standards and Technology. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). U.S. Department of Commerce.
- OECD. (2024). Explanatory memorandum on the updated OECD definition of an AI system (OECD Artificial Intelligence Papers, No. 8). OECD Publishing.
- Park, J. S., O'Brien, J., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (pp. 1–22). Association for Computing Machinery.
- Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
- Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Hambro, E., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2023). Toolformer: Language models can teach themselves to use tools. In A. Oh, T. Naumann, A. Globerson, K. Saenko, M. Hardt, & S. Levine (Eds.), Advances in Neural Information Processing Systems 36 (pp. 68539–68551). Curran Associates.
- Starace, G., Jaffe, O., Sherburn, D., Aung, J., Chan, J. S., Maksin, L., Dias, R., Mays, E., Kinsella, B., Thompson, W., Heidecke, J., Glaese, A., & Patwardhan, T. (2025). PaperBench: Evaluating AI's ability to replicate AI research. In Proceedings of the 42nd International Conference on Machine Learning (Proceedings of Machine Learning Research, Vol. 267, pp. 56843–56873). PMLR.
- Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), Article 186345.
- Yao, S., Shinn, N., Razavi, P., & Narasimhan, K. (2025). τ-bench: A benchmark for tool-agent-user interaction in real-world domains. In International Conference on Learning Representations (ICLR 2025).
- Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. In International Conference on Learning Representations (ICLR 2023).
- Yükseköğretim Kurulu. (2024). Yükseköğretim kurumları bilimsel araştırma ve yayın faaliyetlerinde üretken yapay zekâ kullanımına dair etik rehber.
Kendi verinizde görün
Kavramı kendi verinizde görmek isterseniz Basira’yı ücretsiz deneyebilirsiniz. Basira’yı deneyin
Kavramı kendi verinizde görmek isterseniz panelinize dönebilirsiniz. Panele git
İlgili yazılar
Veri Bilimi ve Yapay Zekâ
Araştırmacılar İçin Prompt Mühendisliği: Örnek İstemler
Araştırmacılar için prompt mühendisliği: iyi istemin öğeleri, tekniklerin kanıtı, istatistik işleri için örnek istemler ve her birinde doğrulama adımı.
Basira ·
Veri Bilimi ve Yapay Zekâ
Yapay Zekâ ile Veri Analizi: Neler Yapılabilir?
Yapay zekâ ile veri analizi: dil modelleri kod yazar ve çıktıyı açıklar, ama sayı, kaynak ve test seçiminde yanılabilir. Sınırlar, KVKK ve güvenli kullanım.
Basira ·
Veri Bilimi ve Yapay Zekâ
RAG Nedir? Araştırmada Nasıl Kullanılır?
RAG nedir? Dil modelinin yanıtını belge derleminden getirilen parçalara dayandırır. Bileşenleri, literatür taramasında kullanımı, sınırları ve değerlendirmesi.
Basira ·