# Üretken yapay zeka mı, makine öğrenmesi mi: probleminiz hangisini gerektiriyor?

> Bu saha notunda veridive, bir problemin klasik makine öğrenmesi mi yoksa dil modeli mi gerektirdiğinin nasıl anlaşılacağını anlatıyor. Yapılandırılmış veri üzerinde tahmin, puanlama ve anomali tespiti makine öğrenmesine; belge ve yazışmaları okumak ve yazmak dil modellerine uyar. Not veri, beceri, değerlendirme ve maliyetleri karşılaştırıyor ve ikisini birleştiren temsili bir sistem gösteriyor.

Yapılandırılmış veri üzerinde tahmin, puanlama ve anomali tespiti genellikle klasik makine öğrenmesinin işidir. Belgeler ve yazışmalar üzerinde okumak, yazmak ve akıl yürütmek ise dil modellerinin işe yaradığı alandır. İyi sistemlerin çoğu ikisini birlikte kullanır; her birini iyi yaptığı kısım için.

## Öne çıkanlar

- Klasik makine öğrenmesi yapılandırılmış geçmiş veriden sayı ve kategori tahmin eder; dil modelleri metin, belge ve yazışma okur ve yazar.
- İyi sistemlerin çoğu ikisini birlikte kullanır: bir model tahmin ya da puan üretir, dil modeli mesajları okur ve sonucu açıklar.
- Kod hesaplasın, dil modeli açıklasın: bir tablodaki aritmetiği asla bir dil modeline yaptırmayın.
- Makine öğrenmesi etiketli geçmiş veriye; dil modelleri ise belgelere, örneklere ve test için referans yanıtlara ihtiyaç duyar.

Aynı planlama toplantısında iki talep geliyor. Satış direktörü, hangi müşterilerin ayrılacağını üretken yapay zekanın tahmin etmesini istiyor. Hizmet müdürü ise müşteri e-postalarını bir makine öğrenmesi modelinin yanıtlamasını istiyor. İkisi de diğerinin problemine uyan aracı seçmiş.

Üretken yapay zeka ve makine öğrenmesi farkı kabaca şöyle özetlenebilir: yapılandırılmış veri üzerinde tahmin, puanlama ve anomali tespiti genellikle klasik makine öğrenmesinin işidir. Belgeler ve yazışmalar üzerinde okumak, yazmak ve akıl yürütmek ise dil modellerinin işe yaradığı alandır. İyi sistemlerin çoğu ikisini birlikte kullanır; her birini iyi yaptığı kısım için.

## Aradaki fark, en sade haliyle nedir?

Klasik makine öğrenmesi etiketli geçmişten, yani sonucu bilinen geçmiş vakaların satır ve sütunlarından öğrenir ve bir sayı ya da kategori tahmin eder: önümüzdeki haftaların talebi, bir faturanın geç ödenme olasılığı, bir işlemin olağan dışı görünüp görünmediği. Genellikle tek bir görev için sizin verinizle eğitilir.

Üretken yapay zeka, iş dünyasında çoğunlukla büyük dil modelleri (LLM) demektir. Bu modeller çok büyük miktarda genel metinle önceden eğitilmiş olarak gelir; talimatlar, örnekler ve belgelerle yönlendirilir. Dil okur ve dil üretirler: taslak yazar, özetler, alan çıkarır, mesajları sınıflandırır ve kaynaklara dayanarak soruları yanıtlarlar.

İkisi de olasılıksaldır, ikisi de yanılabilir ve ikisinin de sizin vakalarınız üzerinde değerlendirilmesi gerekir. Fark, neyin girip neyin çıktığındadır.

## Hangi problemler klasik makine öğrenmesine uygundur?

Girdileri yapılandırılmış, geçmişi bol ve yanıtı sayısal ya da kategorik olan problemler:

- **Tahminleme:** talep, nakit, personel ihtiyacı, çağrı hacimleri.
- **Puanlama:** müşteri kaybı (churn) riski, potansiyel müşteri kalitesi, geç ödeme olasılığı.
- **Anomali tespiti:** olağan dışı işlemler, sensör ölçümleri, iade örüntüleri.
- **Öneriler:** bir sonraki ürün, bir sonraki en iyi adım.

Kalite, modelin görmediği geçmiş veriye göre ölçülür; örneğin geçmiş aylardaki tahmin hatası. Eğitilmiş bir modeli çalıştırmak tahmin başına ucuzdur. Yine de kendine özgü bir bakım ister: yeni bir satış kanalı açılmadan önce eğitilmiş bir talep modeli, yeniden eğitilene kadar o kanal hakkında hiçbir şey bilmez; bu yüzden yeniden eğitim de işletme maliyetinin parçasıdır. Bu problemlerin bazıları ise iki tür yapay zekaya da ihtiyaç duymaz: hareketli bir ortalama ya da bir kural yeterli olabilir ve açıklaması da daha kolaydır.

## Hangi problemler dil modellerine uygundur?

Girdinin dil ya da belge olduğu problemler:

- **Okuma:** tedarikçi e-postaları, sözleşmeler, faturalar ve çağrı dökümleri; içlerindeki alanlar yapılandırılmış biçime aktarılır.
- **Sınıflandırma:** bir mesajın amacı ya da bir talebin kategorisi.
- **Taslak yazma:** yanıtlar, özetler, açıklamalar ve raporların ilk halleri.
- **Yanıtlama:** bir belge kütüphanesine dayanarak soruları yanıtlamak; her iddia için kaynak göstererek.

Dil modellerinin başlamak için sizin verinizle eğitilmesi gerekmez; talimatlar, örnekler ve kaynaklar yeterlidir. Ama her çağrı klasik bir tahminden daha pahalıdır ve maliyeti metnin uzunluğuyla artar. Yan yana bakınca:

| Konu | Klasik makine öğrenmesi | Dil modelleri |
|---|---|---|
| Tipik girdiler | Satırlar ve sütunlar: işlemler, satış geçmişi, sensör verisi | Metin, belgeler, e-postalar, yazışmalar |
| Tipik çıktılar | Bir sayı, bir olasılık ya da bir kategori | Bir taslak, bir özet, çıkarılmış alanlar, kaynaklı bir yanıt |
| Gereken veri | Etiketli geçmiş: sonucu bilinen çok sayıda geçmiş vaka | Talimatlar, örnekler, kaynak belgeler ve referans yanıtlar |
| Kalite nasıl ölçülür? | Eğitimde kullanılmayan geçmiş veriye göre hata | Puanlama kuralları olan bir değerlendirme seti ve insan incelemesi |
| Maliyetler nasıl davranır? | Çoğu başta; sonra tahmin başına ucuz | Başta az; sonra metin ve hacimle artan çağrı başına maliyet |

## İkisine birden ne zaman ihtiyaç duyulur?

Problem iki tür girdiyi de içerdiğinde. Temsili bir distribütörün talep planlamasını ele alalım. İstatistiksel ya da makine öğrenmesine dayalı bir model, satış geçmişinden, promosyonlardan ve mevsimsellikten yola çıkarak her ürün için haftalık tahmini üretir. Bir dil modeli gelen tedarikçi e-postalarını okur; gecikmeleri ve miktar değişikliklerini planlama sistemi için yapılandırılmış alanlara dönüştürür. Ayrıca bir ürünün tahmininin neden değiştiğini anlatan açıklamanın taslağını planlamacı için hazırlar; tahmin modelinin kendi rakamlarını aktarır, arkalarındaki e-postaya ve promosyon kaydına da bağlantı verir. Her yenileme siparişini planlamacı onaylar. [Tedarik zinciri zekası](https://veridive.com/tr/cozumler/tedarik-zinciri-zekasi/) bu iş bölümü üzerine kuruludur; [dil modellerinin talep planlamasına ne kattığını](https://veridive.com/tr/saha-notlari/talep-planlamasinda-dil-modelleri/) ayrı bir notta ayrıntılı olarak ele alıyoruz.

Bu iş bölümünün tek bir katı kuralı var.

> Kod hesaplar, dil modeli açıklar.

Bir dil modeli olası metin üretir ve onun için bir sayı da metinden ibarettir: akla yatkın, bazen yanlış ve her seferinde aynı çıkmayabilen bir metin. Bir tablo verildiğinde bir sütunu yanlış okuyabilir ya da bir toplam uydurabilir. Bu yüzden hesabı veritabanına, ERP’ye ya da tahmin modeline bırakın. Sonuçları dil modeline, açıklaması gereken olgular olarak verin ve taslağındaki her sayının kendisine verilen bir sayıyla eşleştiğini kontrol edin.

## Her birinin veri, beceri ve değerlendirme ihtiyacı nedir?

**Makine öğrenmesi** etiketli geçmişe ihtiyaç duyar: sonucu bilinen geçmiş vakalar, tutarlı tanımlar ve önemsediğiniz nadir sonuca ait yeterli sayıda örnek. Gereken beceriler veri bilimi ve modelleri yeniden eğitip izleyecek mühendisliktir. Değerlendirme, modelin görmediği dönemler üzerinde geriye dönük test (backtesting) yapmak ve ardından koşullar değiştikçe kaymayı izlemek demektir.

**Dil modelleri** belgelerinize, birkaç iyi örneğe ve işin sahiplerinin yazdığı referans yanıtlarla birlikte birkaç yüz gerçek vakaya ihtiyaç duyar. Gereken beceriler modelin çevresindeki yazılım mühendisliğidir: bilgi erişimi, promptlar, inceleme ekranları ve entegrasyonlar. Değerlendirme, sağlayıcı modeli her güncellediğinde yeniden çalıştırılan ve puanlama kuralları olan bir değerlendirme seti demektir. İnce ayar yapılıp yapılmayacağı ayrı bir sorudur; [RAG mi, ince ayar mı](https://veridive.com/tr/saha-notlari/rag-mi-ince-ayar-mi/) notunda ele alıyoruz.

İkisi de bir başlangıç ölçümüne, bir sahibe ve izlemeye ihtiyaç duyar; [veri ve yapay zeka altyapısı](https://veridive.com/tr/hizmetler/veri-ve-yapay-zeka-altyapisi/) bu temel işi kapsar.

## Modaya göre seçim yapmaktan nasıl kaçınılır?

Aracın üzerindeki etiketten değil, girdiden ve çıktıdan başlayın:

1. **Ne giriyor:** satırlar ve sütunlar mı, dil ve belgeler mi?
2. **Ne çıkıyor:** bir sayı ya da kategori mi, metin mi?
3. **Yanıt kesin mi?** O zaman yeri herhangi bir model değil, koddur; [yapay zekanın ne zaman kullanılmaması gerektiğini](https://veridive.com/tr/saha-notlari/yapay-zeka-ne-zaman-kullanilmamali/) anlattığımız nota bakın.
4. **Elinizde hangi veri var:** etiketli geçmiş mi, örnekler ve referans yanıtlar mı?
5. **İşe yaradığını anlamak için neyi ölçerdiniz?**

İki tuzak sık sık karşımıza çıkar. Birincisi, satış verilerinin üzerine kurulan ve gelecekteki satışları tahmin etmesi istenen bir sohbet arayüzüdür: tahmin modelinin işini yapmaya çalışan bir dil modeli. İkincisi tam tersidir: iyi bir değerlendirme setiyle bir dil modelinin en baştan yapabileceği e-posta ayırma işi için aylarca eğitilen özel bir sınıflandırıcı. Yine de çok yüksek hacimde, eğitilmiş küçük bir sınıflandırıcı vaka başına daha ucuz olabilir; bu yüzden karar vermeden önce ikisini de aynı örneklerle test edin.

## Araç girdiye göre nasıl seçilir?

Girdi yapılandırılmış geçmiş, çıktı bir sayı ya da kategoriyse: klasik makine öğrenmesi. Girdi de çıktı da dilse: bir dil modeli. İki tür girdi birden varsa: işi bölün ve hesabı kodda yapın. Yanıt açık değilse iki yaklaşımı da aynı vakalar üzerinde test edin; [yapay zeka stratejisi ve keşif](https://veridive.com/tr/hizmetler/yapay-zeka-stratejisi/) çalışması bu seçimi, kimse geliştirmeye başlamadan önce sizin örneklerinizle yapar.

## Sık sorulan sorular

### Üretken yapay zeka ile makine öğrenmesi arasındaki fark nedir?

Klasik makine öğrenmesi, etiketli geçmiş veriden örüntüler öğrenerek talep, müşteri kaybı riski ya da olağan dışı bir işlem gibi bir sayı veya kategori tahmin eder. Üretken yapay zeka (iş dünyasında çoğunlukla dil modelleri) metin okur ve üretir: taslak yazar, özetler, belgelerden alan çıkarır ve kaynaklara dayanarak soruları yanıtlar. Geniş anlamda ikisi de makine öğrenmesidir; farklı girdi ve çıktılara uygundurlar.

### Dil modeli tahminleme yapabilir mi?

Sayıları dil modeli üretmemeli. Tahminler, satış geçmişiyle eğitilen ve geçmiş dönemler üzerinde test edilebilen istatistiksel ya da makine öğrenmesi modellerinden gelir. Dil modeli tahminin çevresinde işe yarar: tedarikçi ve müşteri mesajlarındaki sinyalleri okur, bir tahminin neden değiştiğini sade bir dille açıklar ve planlamacıların sorularını kaynak göstererek yanıtlar. Kod hesaplar, dil modeli açıklar.