Türkçe Yapay Zeka Nedir? Tokenizer, Eğitim Verisi ve Dil Modeli Geliştirme

Türkçe yapay zeka, yalnızca menüleri Türkçe olan veya Türkçe sorulara cevap verebilen bir yazılım değildir. Daha güçlü bir tanımla; Türkçe metni verimli biçimde temsil eden, doğal Türkçe verilerle eğitilen ya da uyarlanan, dilin morfolojisini ve kullanım bağlamlarını hesaba katan ve başarısı Türkçeye özgü ölçütlerle sınanan yapay zeka sistemlerinin bütünüdür.

Bu tanım önemlidir; çünkü çok dilli bir modelin Türkçe çıktı üretebilmesi, Türkçeyi İngilizceyle aynı verimlilikte işlediğini veya Türkiye bağlamındaki görevlerde güvenilir olduğunu tek başına göstermez. Araştırmalar, tokenizer seçiminin eğitim maliyetini ve bazı aşağı akış görevlerini etkileyebildiğini; veri miktarı kadar veri niteliğinin de belirleyici olduğunu ve Türkçe için kültürel açıdan geçerli bağımsız değerlendirme setlerine ihtiyaç bulunduğunu ortaya koyuyor. Bu ilkeleri çalışma alanı deneyimine taşıyanDEHA Türkçe yapay zeka yaklaşımı da dil yetkinliğini tek bir arayüz çevirisine indirgememeyi hedefler.

1 Türkçe yapay zeka nedir, ne değildir?

Günlük kullanımda “Türkçe yapay zeka” üç farklı sistemi anlatmak için kullanılabiliyor. Birincisi, yabancı dilde eğitilmiş bir modele Türkçe arayüz eklenmesidir. İkincisi, çok dilli bir modelin Türkçe konuşma yeteneğidir. Üçüncüsü ise tokenizer, veri, uyarlama ve değerlendirme kararlarında Türkçeyi doğrudan hedefleyen sistemdir. Teknik açıdan en anlamlı kullanım üçüncüsüdür.

Bu ayrım “yerli” ile “Türkçe yetkinliği” kavramlarını da birbirinden ayırır. Bir model Türkiye'de geliştirilmiş olabilir ama Türkçe performansı bağımsız ölçümlerle gösterilmemiş olabilir. Tersine, çok uluslu bir model geniş Türkçe veri ve güçlü bir tokenizer sayesinde bazı Türkçe görevlerde başarılı olabilir. Bu nedenle menşe yerine ölçülebilir dil yetkinliğine bakmak gerekir.

2 Tokenizer nedir ve Türkçe için neden kritiktir?

Dil modelleri metni doğrudan kelimeler halinde işlemez. Metin önce token adı verilen sayısal birimlere ayrılır. BPE, WordPiece ve Unigram gibi yaygın yöntemler, eğitim derlemelerinde sık karşılaşılan karakter dizilerini öğrenerek bir kelime dağarcığı oluşturur. Bu süreç dilbilgisi kuralı öğrenmek zorunda değildir; çoğu zaman istatistiksel sıklığa dayanır.

Türkçe üretken biçimde sondan eklemelidir. “Evlerinizdekilerden” gibi tek bir yazıbirim; kök, çoğul, iyelik, bulunma, adlaştırma ve ayrılma gibi birden çok bilgiyi taşıyabilir. Tokenizer bu yapıyı her zaman dilbilimsel sınırlarla uyumlu bölmez. Sonuç, aynı kök veya ekin farklı sözcüklerde tutarsız parçalara ayrılması ve eşdeğer içeriğin daha uzun token dizileriyle temsil edilmesi olabilir.

Ali ve arkadaşlarının 24 tek dilli ve çok dilli modeli karşılaştırdığı çalışma, İngilizce merkezli tokenizer kullanımının çok dilli modellerde aşağı akış performansını ciddi biçimde düşürebildiğini ve verimsiz kelime dağarcığı nedeniyle eğitim maliyetini artırabildiğini gösteriyor. Bununla birlikte çalışma önemli bir uyarı da yapıyor: fertility (kelime başına token sayısı) ve parity gibi basit tokenizer ölçütleri tek başına model kalitesini güvenilir biçimde tahmin etmiyor. Yani “daha az token her koşulda daha iyi model” sonucu çıkarılamaz (Ali ve ark., 2024).

Token verimliliği neden kullanıcıyı da etkiler?

• Maliyet: Birçok API giriş ve çıkış tokenı üzerinden ücretlendirildiği için daha uzun temsil daha pahalı olabilir.
• Bağlam kapasitesi: Aynı bilgi daha fazla token kaplarsa modele sığan belge veya sohbet geçmişi azalır.
• Gecikme: Özellikle çıktı üretiminde daha uzun diziler daha fazla hesaplama adımı gerektirir.
• Dilsel temsil: Morfem sınırlarıyla sürekli çelişen bölünmeler, modelin ekleri ve kök ilişkilerini öğrenmesini zorlaştırabilir.

2025 tarihli geniş ölçekli bir araştırma, biçimbilimsel açıdan karmaşık dillerdeki performans farkını yalnızca tokenizer hizalamasıyla açıklamanın yetersiz olduğunu; veri büyüklüğü ve ölçüm yöntemlerinin de birlikte ele alınması gerektiğini bildiriyor (Arnett ve ark., 2025). Türkçe tokenizer tartışmasının doğru sonucu bu nedenle “morfolojik tokenizer bütün sorunları çözer” değil, “tokenizer temel tasarım kararlarından biridir” olmalıdır.

3 Türkçe eğitim verisi neden en az tokenizer kadar önemlidir?

Bir model, dilin kurallarını bir dilbilgisi kitabından ezberleyerek değil, eğitim sırasında gördüğü örüntülerden öğrenir. Türkçe örnekler azsa veya çoğunlukla otomatik çevirilerden oluşuyorsa model günlük konuşmayı, uzmanlık terminolojisini, resmî yazışma kalıplarını ve kültürel göndermeleri dengesiz öğrenebilir. Çok miktarda veri bulunması da tek başına çözüm değildir: tekrarlar, makine üretimi içerik, bozuk karakter kodlaması, kişisel veri, lisans sorunu ve alan dengesizliği kaliteyi aşağı çekebilir.

Türkçe için güçlü bir eğitim derlemi; haber, edebiyat, akademik yayın, mevzuat, teknik belge, konuşma dili ve farklı alanlardan doğal metinleri dengeli biçimde içermelidir. Temizleme sırasında Türkçe karakterlerin, noktalama işaretlerinin ve özel adların korunması; tekrarların azaltılması; veri kaynağının ve lisansının izlenebilmesi gerekir. Kişisel veya hassas verilerin gelişigüzel toplanması ise yalnızca kalite değil, hukuk ve etik sorunudur.

2026'da yayımlanan SindBERT çalışması bu noktayı somutlaştırıyor: 312 GB Türkçe metinle eğitilen büyük ölçekli model güçlü sonuçlar üretse de, yazarların daha küçük ve daha özenle derlenmiş modellerle yaptığı karşılaştırma, veri niteliği ve çeşitliliğinin salt hacimden daha önemli olabileceğini gösteriyor (SindBERT, 2026).

4 Türkçenin dil yapısı modele hangi zorlukları getirir?

Türkçe, Türk dilleri ailesindedir ve eklemeli morfolojisi güçlüdür. Yeni sözcük biçimleri, köke art arda gelen eklerle üretilebilir. Ünlü uyumu ve ünsüz değişimleri aynı ekin yüzeyde farklı biçimler almasına yol açar. Özne, kişi bilgisi fiil çekiminden anlaşılabildiği için cümlede açıkça bulunmayabilir. Temel diziliş özne-nesne-yüklem olsa da bilgi yapısı ve vurgu, sözcük sırasını esnekleştirebilir.

Bunlar Türkçeyi yapay zeka için “anlaşılamaz” yapmaz; ancak modelin yeterli ve çeşitli örnek görmesini, ek dizilerini tutarlı biçimde temsil etmesini ve yalnızca çeviri tabanlı ölçütlerle sınanmamasını gerektirir. TurBLiMP çalışması, Türkçe dil bilgisini değerlendirmek için otomatik üretilmiş ve uzmanlarca doğrulanmış minimal çiftlerden oluşan özel bir kıyaslama seti sunuyor. Böylece genel bilgi sınavlarından farklı olarak uyum, durum eki, olumsuzluk ve sözdizimsel bağımlılıklar doğrudan ölçülebiliyor (Başar ve ark., 2025).

5 Türkçe model geliştirmek hangi aşamalardan oluşur?

“Sıfırdan model eğitmek” tek seçenek değildir. Hedefe ve bütçeye göre dört yaklaşım birlikte veya ayrı ayrı kullanılabilir:

1. Sıfırdan ön eğitim: Tokenizer ve model Türkçe ağırlıklı veriyle baştan eğitilir. En yüksek kontrolü, aynı zamanda en yüksek veri ve hesaplama ihtiyacını getirir.
2. Sürekli ön eğitim: Güçlü bir temel model, temiz Türkçe derlem üzerinde eğitilmeye devam eder. Dil ve alan bilgisini geliştirmek için uygulanır.
3. Görev uyarlaması: Denetimli ince ayar veya LoRA gibi parametre-verimli yöntemlerle Türkçe talimat izleme ve belirli görevler öğretilir.
4. Kaynakla destekleme: Güncel veya kuruma özel bilgi, modeli yeniden eğitmek yerine arama ve RAG yoluyla istek anında sağlanır.

MODA çalışması, Türkçe web derlemi üzerinde sürekli ön eğitim ile parametre-verimli görev uyarlamasını ayıran modüler bir yaklaşımın, temel ve yalnızca talimatla ayarlanmış modellere göre Türkçe kıyaslamalarda daha iyi sonuç verebildiğini gösteriyor (Bayar ve ark., 2026). Bu sonuç, dil edinimi ile görev hizalamasının aynı işlem olmadığını vurgulaması bakımından değerlidir.

6 Türkçe yapay zeka nasıl ölçülmelidir?

Akıcı görünen birkaç cevap bilimsel değerlendirme değildir. Türkçe bir model; dil bilgisi, bilgi, akıl yürütme, özetleme, güvenlik, talimat izleme ve farklı uzmanlık alanlarında ayrı ayrı ölçülmelidir. Çevrilmiş İngilizce testler, Türkiye'nin eğitim ve kültür bağlamını her zaman korumaz.

TurkishMMLU, Türk lise müfredatından uzmanlarca hazırlanmış 10 binden fazla soruyla bu ihtiyaca cevap veren ilk geniş Türkçe çoklu görev kıyaslamalarından biridir. Araştırma, otomatik çeviriyle oluşturulan değerlendirmelerin hata ve kültürel yanlılık taşıyabileceğine dikkat çekiyor (Yüksel ve ark., arXiv:2407.12402). TR-MMLU ise 62 bölümde 6.200 soruluk başka bir Türkçe değerlendirme çerçevesi sunuyor (Bayram ve ark., arXiv:2501.00593).

Değerlendirme setlerinin kendisi de denetlenmelidir. Morfem sayısı, alt sözcük sayısı veya cümle uzunluğu gibi yüzey özellikleri skorları etkileyebilir. 2026 tarihli morfoloji-farkında çalışma, tokenizerın morfolojik sınırlarla uyumunun performansla kabaca ilişkili olabildiğini; ancak bu ilişkinin tek başına nedensellik kanıtlamadığını gösteriyor (Başar ve Bisazza, 2026).

7 Türkçe yapay zekanın kullanım alanları

Dil yetkinliği, yalnızca daha doğal sohbet anlamına gelmez. Türkçe belgelerde doğru varlık ve ilişki çıkarımı; hukuk ve kamu metinlerinde eklerin taşıdığı rol bilgisinin korunması; müşteri iletişiminde resmiyet düzeyinin ayarlanması; eğitim içeriklerinin müfredata uygun yazılması ve akademik kaynakların doğal Türkçeyle sentezlenmesi doğrudan ürün kalitesini etkiler.

• Belge ve PDF analizi: Uzun Türkçe raporlarda soru-cevap, özetleme ve kanıt bulma.
• Akademik araştırma: Yabancı literatürü Türkçe sentezlerken gerçek DOI ve kaynak bağlantılarını koruma.
• Kurumsal çalışma alanları: Proje, müşteri ve mevzuat bağlamlarını birbirine karıştırmadan sürdürme.
• Sesli ve görsel etkileşim: Türkçe konuşma, görüntü ve yazılı bağlamı aynı görev içinde birleştirme.
• İçerik üretimi: Makale, rapor ve sunumlarda Türkçe söyleyiş ile biçim kurallarını birlikte izleme.

8 Bir Türkçe yapay zeka seçerken neye bakılmalı?

Kullanıcı açısından modelin kaç milyar parametreye sahip olduğundan önce şu sorular daha yararlıdır: Türkçe performans bağımsız testlerle ölçülmüş mü? Kaynak istendiğinde gerçek bağlantı veriyor mu? Uzun Türkçe belgelerde bağlamı koruyor mu? Güncel bilgi gerektiğinde arama aracı kullanıyor mu? Kullanıcı verileri eğitim amacıyla kullanılıyor mu? Hata yaptığında belirsizliğini gösterebiliyor mu?

DEHA'nın yaklaşımı da bu ayrımı temel alır: Türkçe öncelikli model çalışmaları; web ve akademik arama, belgeye bağlı Source Studio, kalıcı fakat birbirinden yalıtılmış çalışma alanları ve makale/sunum üretim akışlarıyla birlikte ele alınır. Amaç yalnızca Türkçe cümle kurmak değil, Türkçe yürütülen bir işi baştan sona sürdürebilmektir. İsterseniz giriş yapmadan deneyebilir veya Türkçe değerlendirme yaklaşımını inceleyebilirsiniz.

9 Türkçe yapay zeka rehberleri

Bu sayfa konu kümesinin ana rehberidir. Aşağıdaki yazılar; araç seçimi, akademik kullanım ve model geliştirme kararlarını bu teknik çerçevenin farklı uygulamaları olarak ele alır.

✦ Sonuç

Türkçe yapay zeka, tek bir model adı veya pazarlama etiketi değildir. Tokenizerın Türkçe metni nasıl böldüğünden eğitim verisinin niteliğine; uyarlama yönteminden kültürel açıdan geçerli değerlendirme setlerine kadar uzanan bir mühendislik ve araştırma alanıdır. Türkçenin eklemeli yapısı bu çalışmaların önemini artırır; fakat başarıyı yalnızca token sayısına indirgemek de bilimsel olarak doğru değildir.

Sağlam bir Türkçe sistem, dilsel verimlilik ile veri kalitesini, görev başarısını, kaynak güvenilirliğini ve kullanıcı mahremiyetini birlikte gözetmelidir. Türkçe yapay zekanın geleceği, “Türkçe destekleniyor” ifadesinden ölçülebilir, şeffaf ve kaynaklı bir Türkçe yetkinliğine geçişte yatıyor.

Kaynakça

1. Ali, M. ve ark. (2024). Tokenizer Choice For LLM Training: Negligible or Crucial? Findings of NAACL 2024. DOI Crossref üzerinden doğrulanmıştır.
2. Arnett, C. ve ark. (2025). Why do language models perform worse for morphologically complex languages? COLING 2025.
3. Başar, E. ve ark. (2025). TurBLiMP: A Turkish Benchmark of Linguistic Minimal Pairs. EMNLP 2025.
4. Yüksel, A. ve ark. (2024). TurkishMMLU: Measuring Massive Multitask Language Understanding in Turkish. arXiv:2407.12402.
5. Bayram, M. A. ve ark. (2025). Setting Standards in Turkish NLP: TR-MMLU for Large Language Model Evaluation. arXiv:2501.00593.
6. Bayar, A. E. ve ark. (2026). Building a Turkish Large Language Model via Continual Pre-Training and Parameter-Efficient Adaptation. SIGTURK 2026.
7. Başar, E. ve Bisazza, A. (2026). A Morphology-Aware Evaluation of Turkish Syntax in Large Language Models. SIGTURK 2026.
8. Toraman, Ç. ve ark. (2026). TurkBench: A Benchmark for Evaluating Turkish Large Language Models. arXiv:2601.07020.
9. Schmitt, R. ve Schweter, S. (2026). SindBERT, the Sailor: Charting the Seas of Turkish NLP. SIGTURK 2026.

Bu yazı 12 Temmuz 2026 tarihinde güncellenmiştir. DOI bağlantıları yayıncı kayıtlarına, arXiv bağlantıları ilgili ön baskı kayıtlarına gider. Ön baskılar hakem değerlendirmesinden geçmiş çalışmalarla aynı statüde değildir.