BaşlaEğitim ModülleriKullanım ÖrnekleriSlayt Sunumu
Başlangıçtan ileri seviyeye

ChatGPT nasıl çalışır?

Kullanıcı isteği; yönerge analizi, tokenizasyon, bağlam hazırlama, Transformer katmanı, kaynak getirme, araç kullanımı, güvenlik kontrolü ve streaming çıktı adımlarından geçerek cevaba dönüşür.

Yapay zeka işlem çekirdeği ve elektrik devreleri
İstek → bağlam → model → doğrulama → cevap
Temel harita

Asistan deneyimi tek modelden değil, birlikte çalışan katmanlardan oluşur.

Bu site, ChatGPT benzeri sistemleri ezber tanımlar yerine işlem akışı üzerinden anlatır: mesajın parçalanması, bağlamın kurulması, attention ilişkileri, cevap üretimi, kaynak doğrulama, araç kullanımı ve güvenlik.

01

Girdi ve bağlam

Mesajdaki amaç, hedef kitle, format, dil, kısıt ve risk sinyalleri ayrılır. Uzun içerikler gerekiyorsa parçalanır ve bağlama alınır.

02

Model ve üretim

Tokenlar embedding temsillerine dönüşür; Transformer attention ile ilişkileri kurar ve çıktı token token üretilir.

03

Kontrol ve sunum

RAG, tool calling, güvenlik filtreleri, kaynak kontrolü ve streaming arayüzü cevabın daha kullanışlı görünmesini sağlar.

Yapay zeka işlem hattı ve sinir ağı devre akışı
İşlem hattı

Her modül, gerçek bir AI ürününde karşılaşılabilecek ayrı bir katmanı açıklar.

Başlangıç modülleri temel kavramları kurar. İleri modüllerde RAG, kod üretimi, belge analizi, diffusion, video/ses zinciri, ajanlar, güvenlik ve performans mühendisliği yer alır.

PromptTokenAttentionRAGToolSafetyOutput

Canlı işlem katmanları

Bir cevap hazırlanırken bağlam yoğunluğu, kaynak isabeti, ilk token gecikmesi ve güvenlik skoru aynı anda değişebilir.

Bağlam yoğunluğu0%
Kaynak isabeti0%
İlk token0ms

Daha verimli kullanım

İyi sonuç almak için istekte amaç, bağlam, çıktı formatı, sınırlar ve doğrulama beklentisi açık verilmelidir.

Örnekleri Gör
Önerilen sıra

Önce temeli kur, sonra ileri teknik katmanlara geç.

Terim kutusu

Bu sayfada geçen teknik terimler

Bu bölümde geçen teknik kavramların kısa ve doğrudan açıklamaları.

LLM

Metin ve kod gibi token dizileri üzerinden çıktı üreten büyük dil modelidir.

Transformer

Tokenlar arasındaki ilişkileri attention mekanizmasıyla işleyen model mimarisidir.

RAG

Modelin dış kaynaklardan bilgi getirerek cevabı güçlendirmesidir.

Tool Calling

Modelin uygun durumda dış araçları çağırarak işlem yapmasıdır.

Multimodal

Metin, görsel, ses veya dosya gibi farklı veri türlerini birlikte işleme becerisidir.