NN/g’nin Yapay Zeka Sözlüğü: Bilmeniz Gereken 25 Terim

Nielsen Norman Group, Ağustos 2026’da ürün ve tasarım ekipleri için 69 terimlik bir yapay zeka sözlüğü yayınladı. Yazar Caleb Sponheim, tanımları araştırmacıların değil, gerçek ürün geliştirme ortamında çalışan tasarımcı ve yöneticilerin diliyle yazdığını özellikle belirtiyor.

69 terimin tamamını burada tekrarlamak yerine, en sık karşılaşacağınız 25 kavramı yedi kategoride, birbirine bağlı bir anlatıyla topladık. Sözlüğün tam listesi için NN/g’nin orijinal sayfasına bakabilirsiniz.

Temel Kavramlar: AI, Makine Öğrenmesi, LLM

Yapay zeka (AI), öğrenme, örüntü tanıma, dil anlama ve karar verme gibi normalde insan zekâsı gerektiren görevleri yürüten bilgisayar sistemlerini tanımlar. Makine öğrenmesi ise bu sistemleri inşa etmenin bir yolu: programcının kural yazması yerine, sistemin örneklerden genelleme yaparak öğrenmesi.

Sinir ağları (neural networks), birbirine bağlı hesaplama katmanlarından oluşan makine öğrenmesi modelleridir; adlarını biyolojik nöronlardan alır ama sinir sistemini simüle etmezler. Büyük dil modeli (LLM), milyarlarca parametre ve devasa metin verisiyle eğitilmiş bir dil modelidir — OpenAI’ın GPT’si, Anthropic’in Claude’u ve Google’ın Gemini’si bu kategoriye girer. NN/g, “büyük” için üzerinde uzlaşılmış bir eşik olmadığını da ekliyor.

Modelin Çalışma Mantığı: Token, Bağlam Penceresi, Sıcaklık

Bir dil modeli metni kelime değil, token adı verilen parçalar halinde işler. Bu parçalar bazen tam bir kelime, bazen bir kelime kırıntısıdır — bu yüzden token sayısı kelime sayısıyla birebir örtüşmez ve fiyatlandırma/limit hesapları token üzerinden yapılır.

Bağlam penceresi (context window), bir modelin tek seferde işleyebildiği en fazla token miktarıdır; konuşma geçmişini, belgeleri ve araç sonuçlarını kapsar, ama pencere büyüdükçe her içeriğin cevaba eşit ağırlıkta katkı sağladığı anlamına gelmez. Eğitim verisi, modelin öğrendiği örnek kümesidir ve kapsamı, kalitesi ile önyargıları modelin yeteneklerini doğrudan şekillendirir. Sıcaklık (temperature) ise çıktının ne kadar değişken olacağını belirleyen bir ayardır: düşük sıcaklık tutarlı ve öngörülebilir, yüksek sıcaklık daha çeşitli ama daha az öngörülebilir yanıtlar üretir.

Prompt ve Etkileşim: Modelle Nasıl “Konuşulur”?

Prompt, modele verilen ve bir yanıt tetikleyen girdidir — genelde kullanıcı yazar, ama uygulamanın arka planda gönderdiği talimatlar da bir prompt sayılır. Prompt mühendisliği, daha güvenilir ve yararlı çıktılar almak için bu girdiyi tasarlama ve iyileştirme pratiğidir; bağlam, örnek, kısıt ve format belirtmek gibi teknikleri kapsar.

Chain-of-thought (adım adım akıl yürütme) prompting, modelden nihai cevaba geçmeden önce ara adımları da yazmasını isteyen bir tekniktir; çok adımlı görevlerde performansı artırır. NN/g burada önemli bir uyarı yapıyor: modelin gösterdiği “akıl yürütme adımları”, gerçekte hangi süreçle cevaba ulaştığını her zaman doğru yansıtmayabilir.

Ajanlar ve Araçlar: Agent, MCP, RAG

Agent (ajan), bir hedefe ulaşmak için birden çok adımı yürüten, ilerlemeyi değerlendiren ve sıradaki adıma karar veren bir sistemdir; onu saran ürün ise araçlara erişimi, izinleri ve durdurma kurallarını yönetir. Agentic AI, bu adımlar arasındaki serbestlik derecesini tanımlar — ajanın her hamle için açık talimat almadan araçlarla hedefe ilerlemesi.

Model Context Protocol (MCP), yapay zeka uygulamalarını dış araçlara, verilere ve yeniden kullanılabilir promptlara bağlayan açık bir standart. MCP’yi uygulayan bir servis, onu destekleyen tüm uygulamalarla tek seferde çalışabilir hale gelir — bu standardın Figma’dan WordPress’e nasıl yayıldığını MCP Nedir? yazımızda daha detaylı ele almıştık. Retrieval-augmented generation (RAG) ise modelin sabit eğitim bilgisinin ötesine geçmesini sağlar: seçilmiş kaynaklardan ilgili bilgiyi çekip modele sunarak, özel, güncel veya kuruma özgü bilgiyle cevap üretmesine imkân tanır.

Tasarım sistemlerinin agent ve MCP desteğini ne ölçüde benimsediğini merak ediyorsanız, 20 tasarım sistemini 11 somut kritere göre karşılaştıran “State of AI in Design Systems” raporunu özetlediğimiz yazıya göz atabilirsiniz.

Riskler ve Güvenilirlik: Halüsinasyondan Prompt Injection’a

Sözlüğün en yoğun bölümü risk terimleri. Halüsinasyon, modelin yanlış veya anlamsız bir çıktıyı inandırıcı şekilde sunmasıdır; model istatistiksel olarak olası bir devam üretir ama iddiasını doğrulamaz. Bias (önyargı), veride, modelde, çıktıda ya da kullanım biçiminde belirli grupları veya görüşleri dezavantajlı bırakan sistematik sapmadır ve yaşam döngüsünün her aşamasında sızabilir.

Prompt injection, bir modelin okuduğu içeriğin içine gizlenmiş talimatlarla kuralları ihlal ettirme, bilgi sızdırma veya araçları kötüye kullandırma saldırısıdır — dış veri okuyan araç kullanan sistemler için başlıca güvenlik riski olarak tanımlanıyor. Overreliance (aşırı güven), yapay zekaya güvenilirliğinin ya da riskin hak ettiğinden fazla yetki verilmesidir; genelde otomasyon önyargısı, zayıf doğrulama desteği veya zaman baskısı sonucu ortaya çıkar. AI slop ise yüzeysel olarak makul görünen ama özen, özgünlük veya doğrulamadan yoksun, seri üretilmiş düşük kaliteli AI içeriğini tanımlıyor.

İnsan Faktörü: Guardrails, Alignment, Human-in-the-Loop

Risklere karşı sözlükte savunma terimleri de var. Guardrails (koruma bariyerleri), zararlı, konu dışı veya yetkisiz çıktıları azaltmak için sisteme gömülü kontrol ve kısıtlardır; riski düşürürler ama başarısız olabilir ya da aşılabilirler. Alignment (hizalama), yapay zeka sisteminin insan değerlerine, niyetlerine ve etik ilkelere göre davranmasını sağlama çabasıdır — sistemin amaçlanan işlevi yerine getirirken zararlı sonuçlardan kaçınması, tasarımın merkezi zorluklarından biri.

Human-in-the-loop, insanların AI çıktılarını incelediği, onayladığı, düzelttiği veya izlediği bir tasarım örüntüsü. Yüksek riskli otomasyonda yaygın bir kontrol mekanizması ve etkili olması için incelemeyi yapan kişinin gerekli bilgiye, zamana, uzmanlığa ve müdahale yetkisine sahip olması gerekiyor. Sözlükte ayrıca listelenen küçük ama pratik bir terim: sycophancy — modelin doğruluktan ödün vererek kullanıcının görüşüyle hizalanan yanıtlar vermesi; genelde istenmeyen bir davranış olarak tanımlanıyor.

• Guardrails + human-in-the-loop birlikte çalışır: biri çıktıyı sınırlar, diğeri son kararı insana bırakır.
• Grounding ve RAG, çıktıyı seçilmiş kaynaklara bağlayarak halüsinasyon riskini azaltır — ama kaynağın doğruluğunu ya da modelin kaynağı doğru kullandığını garanti etmez.
• Hiçbir test bir modelin “önyargıdan tamamen arınmış” olduğunu kanıtlamaz — NN/g bunu açıkça vurguluyor.

Yeni Nesil Kavramlar: Generative UI ve Vibe Coding

Generative UI (GenUI), içeriğini, düzenini veya kontrollerini sistemin çalışma anında ürettiği veya seçtiği arayüzleri tanımlar; kullanıcı ihtiyacını tarif eder, sistem onaylı bileşen ve kurallardan bir yanıt oluşturur. NN/g bunun tasarım odağını sabit ekranlardan bileşen spesifikasyonlarına kaydırdığını belirtiyor.

Vibe coding, kullanıcıların doğal dille ne istediklerini tarif edip yapay zekanın kodu üretmesine ve yakın üretim incelemesi olmadan yinelemesine izin verdiği yazılım geliştirme biçimidir; fikirden prototipe giden yolu kısaltır. Bu kavramın tasarımcılar için pratikte ne anlama geldiğini Yapay Zeka Tasarımcısı Nasıl Olunur? yazımızda beş farklı kaynaktan karşılaştırmıştık — özellikle Figma’dan uzaklaşıp doğrudan koda geçme tartışması burada da geçerli.

Bu Sözlüğü Ne Zaman Kullanmalısınız?

NN/g’nin sözlüğü ansiklopedik bir kaynak değil; gündelik ürün toplantılarında geçen terimleri hızlıca netleştirmek için tasarlanmış. Üç pratik kullanım senaryosu öne çıkıyor:

• Bir mühendis “context window”u aştık dediğinde — token, bağlam penceresi ve maliyet arasındaki ilişkiyi tasarım kararlarına çevirebilmek için.
• Bir paydaş “AI ajanı ekleyelim” dediğinde — agent, agentic AI, MCP ve tool use terimleri arasındaki farkı netleştirmek için.
• Bir güvenlik incelemesinde “prompt injection riski var mı” sorulduğunda — riskin nerede (girdi mi, çıktı mı, kullanım mı) oluştuğunu doğru kategorize etmek için.

Sık Sorulan Sorular

NN/g’nin yapay zeka sözlüğü ücretsiz mi?

Evet, sözlük nngroup.com üzerinde herhangi bir üyelik ya da ödeme gerektirmeden erişilebilir durumda. NN/g’nin diğer birçok makalesi gibi bu sözlük de doğrudan tarayıcıdan okunabiliyor.

Sözlükte kaç terim var ve ne zaman yayınlandı?

Sözlük, Ağustos 2026’da Caleb Sponheim imzasıyla yayınlandı ve toplam 69 terim içeriyor. Bu yazıda, ürün ve tasarım ekiplerinin gündelik işlerinde en sık karşılaştığı 25 terimi seçip yedi kategoride özetledik; sözlüğün tamamı NN/g’nin sitesinde.

Token ile parametre arasındaki fark nedir?

Token, modelin bir istekte işlediği metin birimidir (kelime, kelime parçası ya da karakter olabilir) ve bağlam penceresi/fiyatlandırma bu birimle ölçülür. Parametre ise modelin eğitim sırasında öğrendiği sayısal değerlerdir; parametre sayısı kabaca model büyüklüğünün bir göstergesi olarak kullanılır — ikisi tamamen farklı ölçütlerdir.

Prompt injection son kullanıcılar için tehlikeli mi?

Doğrudan tehlike, dış içerik okuyan ve araç kullanan AI sistemlerinde ortaya çıkıyor — örneğin bir e-postayı özetleyen ya da bir web sayfasını tarayan bir ajan, o içeriğin içine gizlenmiş talimatları “kullanıcı talimatı” sanıp yürütebilir. NN/g bunu araç kullanan sistemler için başlıca güvenlik riski olarak tanımlıyor; sıradan bir sohbet kutusunda yalnızca metin yazan kullanıcılar için risk çok daha düşük.

Vibe coding tasarımcıların işini mi alıyor?

NN/g’nin tanımına göre vibe coding, fikirden prototipe giden yolu kısaltan bir üretim biçimi — mesleği ortadan kaldırmıyor, üretim hızını değiştiriyor. Bu kavramın tasarım kariyerlerine etkisini beş farklı kaynaktan karşılaştırdığımız Yapay Zeka Tasarımcısı Nasıl Olunur? yazısında konuyu daha ayrıntılı ele aldık.

---

Kaynak: Sponheim, C. (2026). Artificial Intelligence: Glossary. Nielsen Norman Group. Bu yazıda sözlüğün 69 teriminden 25’i seçilerek özetlenmiştir; tam liste ve orijinal tanımlar için kaynağa bakınız.