Açık kaynak yapay zekâ modelleri

Bu derste açık kaynak yapay zekâ modellerinin ne olduğunu, kapalı modellerden farklarını, öne çıkan örneklerini ve kendi bilgisayarında nasıl çalıştıracağını sıfırdan anlatıyoruz. Yeni başlayanlara Yapay Zekâ dersleri sayfasındaki sırayı izlemeni öneririz; bu ders, “Yapay Zekâ Modelleri ve Araçları” ünitesinin ilk dersidir.

Açık Kaynak Yapay Zekâ Modeli Nedir?

Bir yapay zekâ modeli, büyük miktarda veriyle eğitilmiş ve öğrendiklerini sayısal değerler hâlinde depolayan sistemdir. Bu değerlere ağırlık (weights) denir; modelin “beynini” oluşturan dosya budur. Bir modelin açık kaynak sayılması için temel koşul, bu dosyanın herkese açık paylaşılmasıdır: modeli indirir, kendi bilgisayarında veya sunucunda çalıştırır, istersen içine bakar ve değiştirirsin.

Kapalı modellerde ağırlıklar şirkete aittir ve paylaşılmaz; modele yalnızca web arayüzü veya API üzerinden ulaşırsın. API kavramı yeniyse API nedir? dersinden başlayabilirsin. Kısaca: açık model “kurup sahiplendiğin ürün”, kapalı model “abone olduğun hizmet” mantığıyla çalışır.

Önemli bir teknik ayrım: Günümüzde birçok model yalnızca açık ağırlıklıdır; model dosyası paylaşılsa da eğitim kodu ve verisi gizli kalır. Katı tanımla “açık kaynak” için kodun ve verinin de paylaşılması gerekir. Günlük dilde iki kavram birbirinin yerine kullanıldığı için bu derste ikisini birlikte ele alıyoruz.

Açık Kaynak ve Kapalı Modellerin Farkları

İki yaklaşımın farklarını yan yana görmek kavramayı kolaylaştırır:

• Erişim: Açık modeli indirip çevrimdışı bile çalıştırabilirsin; kapalı modele yalnızca internet üzerinden, sağlayıcının izin verdiği şekilde erişirsin.
• Maliyet: Açık modelin kendisi ücretsizdir; maliyet donanım ve kurulum emeğine kayar. Kapalı modellerde genelde abonelik ya da kullanım başına ödeme yapılır.
• Gizlilik: Açık modeli kendi makinende çalıştırdığında verin cihazından çıkmaz; bu, şirket içi belge gibi hassas veriler için büyük avantajdır.
• Özelleştirme: Açık modeli kendi verinle yeniden eğitebilir, davranışını değiştirebilirsin; kapalı modellerde bu kapı ya kapalıdır ya da çok sınırlıdır.
• Kolaylık ve güç: Kapalı modeller kurulum gerektirmez ve genellikle en yüksek performansı sunar; açık modellerde kurulumu ve bakımı kendin yönetirsin.

Hangisi “daha iyi” sorusunun mutlak cevabı yoktur; ihtiyaç belirleyicidir. Gizli veriyi internetten kopuk işleyeceksen açık model mantıklıdır; kurulumla uğraşmadan en güçlü genel performansı istiyorsan kapalı modelle başlamak hızlıdır. Kapalı taraf için Kapalı yapay zekâ modelleri dersine, ölçerek kıyaslamak için Yapay zekâ modeli karşılaştırma dersine bakabilirsin.

Öne Çıkan Açık Kaynak Model Aileleri

Ekosistem çok hızlı değişir; sürümler aylar içinde yenilenir. Bu yüzden modelleri ezberlemek yerine aileleri tanımak daha kalıcıdır. 2024-2025 döneminin en çok konuşulan aileleri şunlardır:

• Llama (Meta): Farklı boyutlarda gelen, araştırma ve ürün geliştirmede en yaygın başlangıç noktalarından biri olan dil modeli ailesi.
• Mistral ve Mixtral: Hız ve verimliliğiyle dikkat çeken, “mixture of experts” yaklaşımını yaygınlaştıran Fransız kökenli modeller.
• Qwen (Alibaba): Güçlü çok dilli performansı ve geniş boyut yelpazesiyle öne çıkan aile.
• DeepSeek: Akıl yürütme odaklı açık modeliyle 2025 başında geniş yankı uyandıran Çinli ekip.
• Gemma (Google) ve Phi (Microsoft): Dizüstü bilgisayarda çalışabilecek küçüklükte ama yetenekli “hafif” modeller.
• Uzmanlaşmış açık modeller: Konuşmayı metne çeviren Whisper, görüntü üreten Stable Diffusion gibi kendi işinde açıkça paylaşılan modeller.

Kod yazma tarafında da açık modeller hızla yaygınlaştı; günlük kodlama işlerini çoğunlukla bulut tabanlı araçlarla yapıyorsan AI ile kod yazma dersimize de bakabilirsin.

Lisans Konusu: Her “Açık” Model Aynı Hakları Vermez

Modeli indirmeden önce mutlaka lisansına bak, çünkü “açık” etiketi her model için aynı kullanım hakkı anlamına gelmez:

• MIT ve Apache 2.0: En serbest lisanslardır; ticari üründe kullanmak dahil geniş hak verir.
• Topluluk lisansları: Bazı büyük modeller özel topluluk lisansıyla paylaşılır; çok geniş ölçekli ticari kullanım için ek koşullar getirebilir.
• Araştırmaya özel: Yalnızca araştırma ve kişisel deneme amaçlı kullanıma izin veren, ticari kullanımı yasaklayan lisanslar da vardır.

Pratik kural şu: Modeli bir projede, özellikle ticari bir üründe kullanacaksan lisans metnindeki kullanım koşullarını okumadan yola çıkma.

Açık Kaynak Model Kendi Bilgisayarında Nasıl Çalıştırılır?

Modeli indiren ve sohbet arayüzü sunan hazır araçlar sayesinde süreç düşündüğünden kolay. Temel adımlar:

1. Bir araç kur: Ollama ya da LM Studio, modeli indirmeyi ve çalıştırmayı tek pencereden halleder; yeni başlayan için ideal başlangıçtır.
2. Boyutuna göre model seç: Yaklaşık 7-8 milyar parametrelik modeller günlük kullanım için iyi bir denge noktasıdır; daha büyük modeller daha yetenekli ama çalıştırmak daha zordur.
3. Belleğe dikkat et: Model, cihazın RAM ya da ekran kartı belleğine sığmalıdır. Sıkıştırılmış (kantize) sürümler kaliteden az ödün vererek bellek ihtiyacını belirgin biçimde düşürür; sığmayan model ya çok yavaş çalışır ya hiç açılmaz.
4. Kendi görevinde test et: Genel skorlar senin kullanımını yansıtmayabilir; modeli gerçek işlerinde küçük denemelerle ölç.

Yerelde çalıştırmak istemiyorsan alternatif, açık modelleri barındıran hizmetleri API ile kullanmaktır; kurulum derdi olmaz ama verin üçüncü tarafın makinesine gider. Adımları AI API nasıl kullanılır? dersinde anlattık. Modellerin paylaşıldığı ana merkez Hugging Face’tir; “model kartı”ndan lisansı, boyutu ve örnek kullanımı okuyabilirsin.

Sık Yapılan Hatalar ve Yanılgılar

Yeni başlayanların en çok düştüğü tuzaklar şunlardır:

• “Açık kaynak bedava demektir” yanılgısı: Model dosyası ücretsizdir ama donanım, elektrik ve kurulum emeği maliyettir; büyük modeller güçlü donanım isteyebilir.
• Lisansı okumadan kullanmak: “İndirilebiliyorsa her hâliyle kullanılabilir” sanmak sık yapılan bir hatadır; ticari kullanım kısıtlı olabilir.
• Açık ağırlık ile açık kaynağı karıştırmak: Yalnızca model dosyası paylaşılan bir model, eğitim verisi ve kodu da paylaşılmış bir model kadar “açık” değildir.
• Liste skorlarına körü körüne güvenmek: Benchmark tablosundaki sıralama, kendi görevindeki başarıyı garantilemez; mutlaka kendi senaryonda dene.
• Uçları abartmak: “Küçük model her işi görür” de “yerelde ancak oyuncak çalışır” de yanlıştır; küçük modeller dar ve net görevlerde başarılıdır, karmaşık akıl yürütmede geride kalır.
• Gereksiz yeniden eğitim: Çoğu kişisel kullanım için modeli yeniden eğitmene gerek yoktur; iyi bir yönerge işi çözer. Ne zaman gerek duyulduğunu Fine-tuning nedir? dersinde işledik.

Özetle açık kaynak modeller, yapay zekâyı kendi kontrolünde, kendi verisiyle ve öngörülebilir maliyetle kullanmak isteyenler için güçlü bir seçenektir; bedeli ise kurulum ve donanım yüküdür.