1. Yapay Zekâ [Artificial Intelligence]
Yapay zekâ, insan zekâsını makinelerde simüle ederek, aksi takdirde insan zekâsı gerektiren görevleri yerine getirmelerini sağlama alanıdır. Yapay zekâ, makinelerin önceki deneyimlerini kullanarak öğrenmelerini, yeni girdilere uyum sağlamalarını ve algı, muhakeme, öğrenme ve problem çözme gibi insan bilişinin yönlerini sergileyerek görevleri yerine getirmelerini sağlar.
2. Bağımsız Hareket Eden Yapay Zekâ [Agentic Artificial Intelligence]
Bağımsız hareket eden yapay zekâ, yapay zekânın bir sonraki evrimidir ki; karmaşık, çok adımlı hedeflere ulaşmak için bağımsız olarak hareket edebilir. Bağımsız hareket eden yapay zekâ, insan gözetimi ve kontrolü altında önceden tanımlanmış hedefleri takip eden çok adımlı süreçleri planlayabilir, akıl yürütebilir ve icra edebilir.
3. Üretken Yapay Zekâ [Generative Artificial Intelligence]
Üretken yapay zekâ, tescilli (müseccel) veriler üzerinde eğitilmiş büyük dil modelleri kullanarak yeni içerik üretebilen yapay zekâyı ifade eder. Üretken yapay zekâ, gereksinimlerin ve ayrıntıların açıklamaları gibi içerikleri oluşturmak amacıyla yardıma ihtiyaç duyar ve en iyi sonuçları elde etmek için ince ayar yapılması gerekir.
Bağımsız Hareket Eden Yapay Zekâ ve Üretken Yapay Zekâ arasındaki farklar
Üretken yapay zekâ ve bağımsız hareket eden yapay zekâ benzer görünse de, hukuki işlere yardımcı olmak için farklılıkları ve avantajları vardır. Üretken yapay zekâ, çok belirli girdilere ulaşarak çıktı oluşturur. Bağımsız hareket eden yapay zekâ ise, kararlar alarak ve harekete geçerek bunu bir adım öteye taşır. Her iki tür de çıktıların doğruluğunu ve güvenilirliğini sağlamak için insan gözetimi gerektirir.
Örneğin, üretken yapay zekâ standart bir şablona ve son vaka çalışmalarına dayalı bir müşteri teklifi taslağı hazırlayabilir. Bağımsız hareket eden yapay zekâ ise daha sonra bu teklifi firmanın müşteri ilişkileri yönetimi aracılığıyla gönderebilir, bir takip toplantısı planlayabilir ve proje hattını yeni fırsatı yansıtacak şekilde ayarlayabilir.
4. Makine Öğrenmesi/Öğrenimi [Machine Learning]
Makine öğrenimi, algoritmaların incelenmesine odaklanan yapay zekânın temel bir yönüdür. Bilgisayarların verileri ve ilişkileri anlamalarını ve bu da belirli görevleri gerçekleştirmelerini sağlar. Zaman içinde desenleri belirlemek için birden fazla veri noktası kullanan makine öğrenimi, teknolojiye sonunda kararlar veya öneriler verme gücü verir. Bu, bir görevin her yönü için açık talimatlar gerektiren geleneksel bilgisayarların aksinedir. Onlarca yıl boyunca makinelere her şey öğretilmek zorundaydı. Yapay zekâ ile öğrenirler.
Günlük yaşamda makine öğrenimi
Cep telefonunuz her zaman saat 17:15 civarında eve gittiğinizi öğrenir. Bu bilgiye dayanarak telefonunuz, günün saati ve söz konusu gündeki gerçek trafik hareketi gibi faktörleri analiz ederek eve varmanızın ne kadar süreceğini tahmin edebilir. Geçmiş trafik desenlerinin ve o günün trafiğine ilişkin gerçek zamanlı verilerin birleşiminden öğrenir. Makine öğrenimi ayrıca kişiselleştirilmiş önerilerde, yüz ve ses tanımada ve günlük olarak gördüğünüz diğer birçok uygulamada da ortaya çıkar.
5. Yapay Zekâ İstemleri [Artificial Intelligence Prompts]
Yapay zekâ istemleri, kullanıcının bir Büyük Dil Yapay Zekâ Modeline, modelden belirli bir yanıt almak için verdiği girdiler veya sorgulardır. Bir soru, kod sözdizimi veya herhangi bir metin ve kod kombinasyonu olabilir. İsteme bağlı olarak, model yanıtı döndürür.
Yapay zekâ uyarıları hukukçular için birkaç nedenden ötürü oldukça alakalı ve önemlidir:
- Hızlandırılmış araştırma [accelerated research]: Yapay zekâ, yasaları, içtihatları ve yönetmelikleri hızla tarayarak hukukçulara daha karmaşık konuları ele almaları için zaman kazandırabilir.
- Tekrarlayan işlerin otomatikleştirilmesi [automating repetitive tasks]: Hukuk firmaları, yapay zekânın yardımıyla faturalandırma ve belge sıralama işlemlerini otomatikleştirebilir.
- Artan iş yüküne yanıt verme [increased business]: Yapay zekâ asistanları sayesinde hukuk firmaları sorulara anında yanıtlar sunabilir.
- Mevzuat uyumunu izleme [compliance monitoring]: Mevzuatta değişiklik meydana geldikçe, yapay zekâ hukuk firmalarının güncel kalmasına yardımcı olmak için anında güncellemeler sağlayabilir.
- Sözleşmelerin hazırlanması [drafting contracts]: Yapay zekâ, yapay zekâ araçlarını içeren sözleşmelerin oluşturulmasına yardımcı olabilir.
- Hukuki araştırma [legal research]: Yapay zekâ araçları, dakikalar içinde davaları özetleyebilir, emsalleri belirleyebilir ve temel riskleri vurgulayabilir; bu da özellikle sıkı teslim tarihleri altında çalışırken veya karmaşık hukuki belgeleri incelerken oldukça faydalıdır.
6. Doğal Dil İşleme [Natural Language Processing]
Doğal dil işleme, robotik konuşma veya kısıtlayıcı metin değil, hem konuşulan hem de yazılı insan dilini anlamaya odaklanır. Doğal dil işleme, bilgisayarların işleyebileceği bir şekilde dil verilerini çıkarmak ve analiz etmek için algoritmalar uygular.
Makinelerin muazzam miktarda veriyi işleyebilmesi, bu verileri çıkarabilmesi, organize edebilmesi ve en nihayetinde anlayıp tercüme edebilmesi zorunludur.
Günlük yaşamda doğal dil işleme
Doğal dil işleme, “spor salonu” araması yaparak yeni bir spor salonu aradığınızda, işletmenin adında gerçekten “spor salonu” kelimesi geçse bile sonuçlarınızın fitness odaklı çoğu yeri içereceği anlamına gelir. Geleneksel bir spor salonundan, bir CrossFit veya yoga stüdyosuna kadar, Google bu örnekte “spor salonu” ve “stüdyo”nun benzer bir anlama sahip olduğunu anlar.
Bu aynı zamanda mahkeme kararları, duruşma tutanakları ve özetleri arasında arama yaptığınızda, tam olarak aradığınızı bulabilmek için her zaman birebir aynı dili kullanmanız gerekmediği anlamına gelir.
7. Geri Alma Marifetiyle Artırılmış Üretim [Retrieval Augmented Generation]
Geri alma marifetiyle artırılmış üretim, bir bilgi alma mekanizmasını dâhil ederek büyük dil modellerini geliştiren bir tekniktir. Bu, modellerin orijinal eğitim setlerinin ötesinde ek verilere erişmesini ve bunları kullanmasını sağlar. Geri alma marifetiyle artırılmış üretim, ilgili belgeleri alarak ve bir yanıt üretmeden önce bunları yapay zekâya girdi olarak kullanarak yapay zekâ tarafından oluşturulan metnin doğruluğunu ve güvenilirliğini artırır.
Geri alma marifetiyle artırılmış üretim, yapay zekâ araçlarının hukuki belgelerden, sözleşmelerden, davalardan ve diğer birincil ve ikincil kaynaklardan alan-özel bilgilere erişmesine ve bunları dâhil etmesine olanak tanıdığı için hukukçular için özellikle önemlidir. Bu, hukuk gibi uzmanlaşmış alanlar için zengin bir ince ayrım ve uzmanlık düzeyi sağlar. Geri alma marifetiyle artırılmış üretimi kullanarak, hukuk profesyonelleri daha doğru ve güvenilir yapay zekâ tarafından oluşturulmuş metinlerden faydalanabilir, model halüsinasyonu olasılığını azaltabilir ve sağlanan bilgilerin yetkili kaynaklara dayandığından emin olabilir.
8. Veri Madenciliği [Data Mining]
Veri madenciliği, büyük veri kümeleri içinde ilişkileri, korelasyonları ve kalıpları arama sürecidir. Teknoloji sistemleri verileri tarar ve verilerdeki anormallikleri insanların erişemeyeceği bir ölçekte tanır. Bu analiz sonuçları tahmin etmeye, olası yanlışları bulmaya ve şüpheli eğilimleri fark etmeye yardımcı olur ve elde edilen bilgilerin çeşitli şekillerde faydalı olabileceğini gösterir.
Günlük yaşamda veri madenciliği
Sizinle aynı ürünleri satın alan veya bu ürünlerle ilgilenen kişilerin kalıplarını analiz ederek bir mağaza, bu verilere dayanarak ilgili önerilerde bulunabilir. Aynı kavram, Netflix önerilerinde veya Facebook ve diğer sosyal medya kanallarındaki hedefli reklamların görünüşte bitmeyen akışında da kendini gösterir.
9. Takviyeli Öğrenme [Reinforcement Learning]
Takviyeli öğrenme, bir etkenin bir ortamla etkileşime girerek karar vermeyi öğrendiği bir makine öğrenmesi türüdür. Etken, eylemlerine göre ödüller veya cezalar şeklinde geri bildirim alır ve bu geri bildirimi zaman içinde karar verme yeteneğini geliştirmek için kullanır. Bu süreç, etkenin farklı eylemleri araştırdığı ve birikimli ödülünü en üst düzeye çıkarmak için sonuçlardan öğrendiği deneme yanılma sürecini içerir.
Takviyeli öğrenme, karmaşık hukuki görevlerde yardımcı olan yapay zekâ sistemleri geliştirmek amacıyla kullanılabildiğinden hukukçular için özellikle önemlidir. Örneğin, takviyeli öğrenme, bir yapay zekâ aracısının özetlerinin kalitesi hakkında geri bildirim alarak hukuki belgelerin özlü özetlerini oluşturmayı öğrendiği hukuki metin özetlemede uygulanabilir. Bu, hukukçuların büyük hacimli hukuki metinleri hızla anlamalarına ve bilinçli kararlar almalarına yardımcı olabilir. Buna ek olarak, takviyeli öğrenme, hukuki araştırma süreçlerini optimize etmek, tekrarlayan görevleri otomatikleştirmek ve yapay zekâ tarafından oluşturulan hukuki içeriğin doğruluğunu artırmak için de kullanılabilir
10. Büyük Dil Modelleri [Large Language Models]
Büyük dil modelleri, insan dillerini veya metinlerini kendi kendine denetlenen öğrenme tekniklerini kullanarak işlemek ve anlamak için çok sayıda parametreye sahip sinir ağı tekniklerini uygulayan bir tür yapay zekâ algoritmasıdır. Metin oluşturma, makine çevirisi, özet yazma, metinlerden görüntü oluşturma, makine kodlama, sohbet robotları veya konuşan yapay zekâ gibi görevler Büyük Dil Modelinin uygulamalarıdır.
Hukukçular için Büyük Dil Modelleri, üretken yapay zekâ kullanımı söz konusu olduğunda oldukça alakalı ve önemlidir. Etkili sözleşmeler hazırlamaya, bilgileri özetlemeye, yasal araştırmalara dalmaya ve tüm tarafların çıkarlarını korumak ve yasal standartları karşılamak için diğer yasal iş taleplerine yardımcı olabilir.
Yapay zekâ, büyük dil modelleri sayesinde çok sayıda emsal karar ve güncel içtihatları analiz ederek yargısal olarak test edilmiş maddeler ve ifadeler sunabilir ve böylece gelecekteki anlaşmazlık riskini azaltabilir.
11. Profesyonel Düzeyde Yapay Zekâ [Professional-Grade Artificial Intelligence]
Profesyonel düzeyde yapay zekâ ise, hukuk çalışmaları gibi yüksek riskli profesyonel ortamlar için uygun olan, yüksek doğrulukta sonuçlar sunabilen gelişmiş yapay zekâyı ifade eder.
Profesyonel düzeyde yapay zekâ güvenli ve gizli olmalı, derin yapay zekâ uzmanlığına sahip teknoloji ekipleri tarafından geliştirilmeli ve kullanıcı alanındaki uzmanlar tarafından sürekli olarak test edilmeli ve doğrulanmalıdır. Profesyonel düzeydeki yapay zekâ araçları ile ChatGPT gibi mevcut tüketici uygulamaları arasında bir fark vardır.
12. Bilgi Alma [Information Retrieval]
Bilgi alma, istediğinizi istediğiniz zaman bulmanıza yardımcı olmak için depolanmış verileri kullanır. Google gibi bir web arama motoru, yaygın olarak kullanılan bir bilgi alma sistemidir. Depolanan bilgiler, sorguda kullanılan kelimelere veya ifadelere göre aranır ve Web’i dolduran mevcut web siteleri, veriler, içerikler ve meta veriler dizini ile eşleştirilir. Aranacak çok şey vardır, ancak yapay zekâ, bilgi alma işlemini dünya genelindeki kullanıcılar için hızlı ve uygulanabilir hale getirir.
Günlük yaşamda bilgi alma
Alexa size [Favori Restoranınızı girin] restoranının ne zaman açıldığını söyleyebilir. Sorgulamanız -Alexa, [Favori Restoran] saat kaçta açılıyor- alma sürecinin ilk adımıdır. Alexa, internette depolanan bilgileri tarayarak belirttiğiniz restoranı, özellikle de mevcut konumunuza yakın olanı bulur ve işletme listelerindeki hangi verinin çalışma saatleri olduğunu değerlendirir. Ayrıca cihaz, alınan bilginin sorunuza geçerli bir cevap olduğundan emin olmak için mevcut gün ve saati bilmelidir.
13. Yapılandırılmış ve Yapılandırılmamış Veriler [Structured and Unstructured Data]
Basitçe söylemek gerekirse, yapılandırılmış veriler organize edilmiş verilerdir. Nicel veriler olarak da adlandırılabilir. Nesneldir ve Microsoft Excel’e aktarılması ve depolanması kolaydır. Düzenlenme şekli tutarlıdır ve kolayca tanımlanabilir, bu da veri madenciliğini daha iyi hale getirir. Yapılandırılmış veriler ayrıca analiz edilmesi ve damıtılması daha az karmaşıktır.
Öte yandan, yapılandırılmamış veriler kolayca dışarı aktarılamaz, depolanamaz veya düzenlenemez. Ve çoğu kuruluşun günlük olarak uğraştığı şeylerin büyük kısmını oluşturur. Raporlar, Microsoft Word belgeleri, elektronik postalar ve web sayfaları gibi metin ağırlıklı verilerin çoğunu içerir.
14. Temiz Veri [Clean Data]
Tüm veriler eşit oluşturulmamıştır. Temiz veriler düzgün bir şekilde muhafaza edilir. Başka bir deyişle, yanlış, eksik veya başka türlü “kötü” veriler [bad data] değiştirilir veya kaldırılır. Yapılandırılmamış veya çok fazla kaynaktan çekilmiş veriler de sonuçları çarpıtabilir. Veri temizliğine proaktif bir yaklaşım benimsemek zaman alıcı ve pahalı bir çaba olabilir. Ancak tatil kartları göndermek için saatler harcayan ve güncel olmayan adresler nedeniyle postayla onlarca kart alan herkes size bunun güvenilir veriler oluşturmanın kritik bir bileşeni olduğunu söyleyebilir.
Bir adım daha ileri giderek, temiz veri, ilk etapta veri oluşturma süreçlerini değiştirmenin de sonucu olabilir. Veri süreçlerini yönetme ve veri hijyenini sağlama disiplinine veri yönetişimi [data governance] denir.
Yavuz Akbulak
1966 yılında, Gence-Borçalı yöresinden göç etmiş bir ailenin çocuğu olarak Ardahan/Çıldır’da doğdu. 1984 yılında yapılan sınavda Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Maliye bölümünü kazandı. 1985 yılında Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi Maliye bölümüne yatay geçiş yaptı ve 1988’de Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi Maliye bölümünü birincilikle, Fakülteyi ise 11’inci olarak bitirdi.
1997 yılında Amerika Birleşik Devletleri’nin Denver şehrinde yer alan ‘Spring International Language Center’da; 65’inci dönem müdavimi olarak 2008-2009 döneminde Milli Güvenlik Akademisi’nde (MGA) eğitim gördü ve MGA’dan dereceyle mezun oldu. MGA eğitimi esnasında ‘Sınır Aşan Sular Meselesi’, ‘Petrol Sorunu’ gibi önemli başlıklarda bilimsel çalışmalar yaptı.
• Türkiye’de Yatırımların ve İstihdamın Durumu ve Mevcut Ortamın İyileştirilmesine İlişkin Öneriler (Maliye Hesap Uzmanları Vakfı Araştırma Yarışması İkincilik Ödülü);
• Türk Sosyal Güvenlik Sisteminde Yaşanan Sorunlar ve Alınması Gereken Önlemler (Maliye Hesap Uzmanları Vakfı Araştırma Yarışması İkincilik Ödülü, Sevinç Akbulak ile birlikte);
• Kayıp Yıllar: Türkiye’de 1980’li Yıllardan Bu Yana Kamu Borçlanma Politikaları ve Bankacılık Sektörüne Etkileri (Bankalar Yeminli Murakıpları Vakfı Eser Yarışması, Övgüye Değer Ödülü, Emre Kavaklı ve Ayça Tokmak ile birlikte),
• Türkiye’de Sermaye Piyasası Araçları ve Halka Açık Anonim Şirketler (Sevinç Akbulak ile birlikte) ve
• Türkiye’de Reel ve Mali Sektör: Genel Durum, Sorunlar ve Öneriler (Sevinç Akbulak ile birlikte)
başlıklı kitapları yayımlanmıştır.
• Anonim Şirketlerde Kâr Dağıtımı Esasları ve Yedek Akçeler (Bilgi Toplumunda Hukuk, Ünal TEKİNALP’e Armağan, Cilt I; 2003),
• Anonim Şirketlerin Halka Açılması (Muğla Üniversitesi İktisadi ve İdari Bilimler Fakültesi Tartışma Tebliğleri Serisi II; 2004)
ile
• Prof. Dr. Saim ÜSTÜNDAĞ’a Vefa Andacı (2020), Cilt II;
• Prof. Dr. Saim Üstündağ’a İthafen İlmi Makaleler (2021);
• Prof. Dr. Saim Üstündağ’a İthafen İlmi Makaleler II (2021);
• Sosyal Bilimlerde Güncel Gelişmeler (2021);
• Ticari İşletme Hukuku Fasikülü (2022);
• Ticari Mevzuat Notları (2022);
• Bilimsel Araştırmalar (2022);
• Hukuki İncelemeler (2023);
• Prof. Dr. Saim Üstündağ Adına Seçme Yazılar (2024);
• Hukuka Giriş (2024);
• İşletme, Pazarlama ve Hukuk Yazıları (2024),
• İnterdisipliner Çalışmalar (e-Kitap, 2025)
başlıklı kitapların bazı bölümlerinin de yazarıdır.
1992 yılından beri Türkiye’de yayımlanan otuza yakın Dergi, Gazete ve Blog’da 3 bini aşkın Telif Makale ve Telif Yazı ile tamamı İngilizceden olmak üzere Türkçe Derleme ve Türkçe Çevirisi yayımlanmıştır.
1988 yılında intisap ettiği Sermaye Piyasası Kurulu’nda (SPK) uzman yardımcısı, uzman (yeterlik sınavı üçüncüsü), başuzman, daire başkanı ve başkanlık danışmanı; Özelleştirme İdaresi Başkanlığı GSM 1800 Lisansları Değerleme Komisyonunda üye olarak görev yapmış, ayrıca Vergi Konseyi’nin bazı alt çalışma gruplarında (Menkul Sermaye İratları ve Değer Artış Kazançları; Kayıt Dışı Ekonomi; Özkaynakların Güçlendirilmesi) yer almış olup; halen başuzman unvanıyla SPK’da çalışmaktadır.
Hayatı dosdoğru yaşamak ve çalışkanlık vazgeçilmez ilkeleridir. Ülkesi ‘Türkiye Cumhuriyeti’ her şeyin üstündedir.