Yapay Zekâ Türkçeyi Gerçekten Biliyor mu?

Kısa cevap: ChatGPT, Gemini, Claude ve diğer büyük dil modelleri İngilizcede oldukça başarılı görünse de, konu Türkçe olduğunda aynı performansı her zaman gösteremiyor. Bunun nedeni Türkçenin "küçük bir dil" olması değil; yapay zekânın İngilizce üzerine kurulması ve Türkçenin yapısının temelde farklı olması. Çözüm de daha büyük bir İngilizce model değil, Türkçeye özel veri, araştırma ve modellerdir. Aşağıda bunun nereden geldiğini ve nasıl kapanacağını adım adım göreceğiz.

Yapay zekâ etkileyici, ta ki Türkçeye geçene kadar

Bu araçları artık hepimiz kullanıyoruz. Bir e-postayı düzelttiriyor, bir metni özetletiyor, bir fikri geliştirmesini istiyoruz. Ve İngilizcede bu araçlar gerçekten olağanüstü: akıcı, isabetli, çoğu zaman insanın yazdığından ayırt edilemeyecek kadar iyi.

Sonra dili Türkçeye çeviriyoruz ve kalite gözle görülür biçimde düşüyor. Cümleler bir tuhaf kuruluyor, ekler yanlış geliyor, dokunulmaması gereken yerler gereksiz yere yeniden yazılıyor. Bazen tamamen doğru bir cümle, "düzeltiliyor" diye bozuluyor.

Aynı model, aynı anda hem çok zeki hem de Türkçede beceriksiz olabiliyor. Peki neden?

Sorun, Türkçenin "küçük bir dil" olması değil

Akla ilk gelen açıklama şu olur: "Türkçe küçük bir dil, o yüzden yapay zekâ onu iyi bilmiyor." Ama bu doğru değil.

Türkçe, dünyada onlarca milyon insanın konuştuğu, köklü ve üretken bir dil. İnternette milyonlarca sayfalık Türkçe içerik var. Yani sorun, dili konuşan insan sayısı ya da toplam içerik miktarı değil.

Asıl mesele daha derinde: yapay zekânın büyüdüğü ekosistemin kendisi İngilizce. Modeller Türkçeyi "az konuşulduğu" için değil, bu teknolojinin merkezinde İngilizce olduğu için iyi bilmiyor. Bunu anlamak için de modellerin dünyayı tam olarak neyle öğrendiğine bakmak gerekiyor.

Yapay zekâ dünyayı İngilizce üzerinden öğrendi

Bir dil modeli, kendisine gösterilen metinden öğrenir. Ve bugünkü büyük modellere gösterilen metnin büyük kısmı İngilizce.

İnternetin baskın dili İngilizce. Wikipedia'nın İngilizce sürümü, Türkçe sürümünün kat kat üzerinde. GitHub'daki kodun, Stack Overflow'daki tartışmaların, arXiv'deki akademik makalelerin neredeyse tamamı İngilizce. Dahası, modellerin başarısını ölçen kıyaslama testleri bile çoğunlukla İngilizce için tasarlandı. Yani model yalnızca İngilizce öğrenmiyor; başarısı da İngilizceye göre ölçülüyor.

Bir modelin bir dili ne kadar iyi kavrayacağını, o dilde gördüğü kaliteli metnin miktarı belirler. Her katmanda İngilizce merkezdeyken, Türkçe kenarda kaldı. Kısacası, yapay zekânın İngilizcede iyi olması bir tesadüf değil; doğrudan neyle beslendiğinin sonucu.

Ama veri, işin yalnızca yarısı.

İkinci zorluk: Türkçenin kendisi

Diyelim ki bir gün Türkçe veri miktarı İngilizceye yaklaştı. Sorun tamamen çözülür müydü? Hayır. Çünkü Türkçeyi zorlu kılan yalnızca verinin azlığı değil, dilin yapısının İngilizceden temelde farklı olması.

İngilizce üzerine kurulu bir modelin edindiği alışkanlıklar, Türkçeye geldiğinde işe yaramaz hâle gelir. Bunu görmek için Türkçenin bilgiyi nasıl paketlediğine bakmak yeterli.

Türkçe, her kelimenin içine çok daha fazla bilgi sığdırır

Türkçe sondan eklemeli bir dildir: anlamı, bir köke arka arkaya ekler getirerek kurarsınız. Tek bir kökten uzayıp giden bir kelime dizisi çıkabilir:

ev
evler
evlerden
evlerimizden
evlerimizdekilerden

İngilizcede bu kelimelerin son hâli ancak koca bir öbekle ("from the ones in our houses") ifade edilir. Türkçede ise tek bir kelime, İngilizcede bir cümlenin taşıdığı anlamı içinde barındırır.

Bu yoğunluğun modeller için bedeli var. Modeller metni önce küçük parçalara (token) böler; Türkçede aynı kök sürekli farklı eklerle değiştiği için bu bölme işlemi verimsizleşir, kelimeler gereksiz yere parçalanır. Aynı kökün yüzlerce farklı hâli ortaya çıktığından, dilin sözcük dağarcığı adeta patlar ve her kelimeyi anlamlı bir bütün olarak öğrenmek zorlaşır. Üstelik durum, iyelik, zaman, kişi ve hatta bilginin kaynağı gibi bilgilerin çoğu, İngilizcede ayrı kelimelerle taşınırken Türkçede tek kelimenin içine gömülüdür. İnsan için bu bir ifade zenginliği; İngilizceye göre eğitilmiş bir model için ise çözmesi güç bir bilmece.

Kelime sırası da her şeyi değiştirir

Türkçenin bir başka özelliği, kelime sırasının şaşırtıcı derecede esnek olması. Aynı anlamı, vurguyu değiştirerek pek çok farklı sırayla kurabilirsiniz:

Ben kitabı okudum.
Kitabı ben okudum.
Okudum kitabı.
Kitabı okudum ben.

Bir insan için bu dört cümle de aynı şeyi söyler. Ama İngilizcede özne-yüklem-nesne sırası büyük ölçüde sabittir ve model anlamı bu sıraya güvenerek çözer. Türkçede anlam sıraya değil, eklere gömülüdür. Sabit sıraya alışmış bir model, bu serbestlikle karşılaştığında hangi kelimenin ne işlevde olduğunu şaşırabilir. İşte veri azlığı ile dilin yapısı birleştiğinde, sonuç kaçınılmaz hâle geliyor.

İşte bu yüzden yapay zekâ Türkçede tuhaf hatalar yapar

Bütün bu teknik nedenlerin günlük hayattaki karşılığı çok tanıdıktır. Genel bir modele Türkçe bir paragraf verip düzeltmesini istediğinizde, büyük ihtimalle şunlardan birini yaşarsınız: yanlış bir durum eki, bozuk bir iyelik uyumu, İngilizce mantığıyla konmuş bir virgül ya da kesme işareti. Bir deyimi kelimesi kelimesine yorumlayıp anlamını kaçırır, bir atasözünün kalıbını bozar, resmî bir dilekçenin tonunu farkında olmadan gündelik bir mesaja çevirir.

En sık görülen sorun ise şudur: model hatayı işaretlemek yerine cümleyi baştan yazar. Siz "şu yazım hatasını düzelt" dersiniz, o bütün paragrafı kendi üslubuna çeker; kelimelerinizi eş anlamlılarıyla değiştirir, cümlelerinizi söker. Kimi zaman da aslında doğru olan bir yeri, hiç tereddüt etmeden yanlış olarak "düzeltir". Bu satırları okurken muhtemelen "evet, bunu ben de yaşadım" diyorsunuz. Bu his tesadüf değil; doğrudan yukarıda anlattığımız yapının sonucu.

Peki bu sorun kolayca çözülebilir mi?

"İngilizce bir modeli Türkçeyle eğitsek yetmez mi?"

Bu, akla gelen en makul soru. Madem güçlü modeller zaten var, birini alıp biraz Türkçe veriyle "ince ayar" (fine-tuning) yapmak sorunu bitirmez mi?

Ne yazık ki hayır. Çünkü modelin Türkçeyi gerçekten anlaması için yalnızca yüzeye değil, temele dokunmak gerekir. Metni parçalara bölen tokenizer İngilizceye göre kuruluysa, Türkçe kelimeleri verimsiz böler ve ince ayar bunu düzeltmez. Kelimelerin anlam temsili (embeddings), modelin akıl yürütme alışkanlıkları, "ne istendiğini" anlama biçimi ve insan tercihleriyle yapılan ayarların (RLHF) hepsi İngilizce dünyaya göre şekillenmiştir. Üstüne, ilerlemeyi ölçecek sağlam bir Türkçe kıyaslama testi de yoksa, modelin gerçekten iyileşip iyileşmediğini anlamak bile mümkün olmaz.

İnce ayar, İngilizce bir temelin üzerine Türkçe bir cila çekmektir. Cila güzel görünebilir; ama altındaki yapı hâlâ başka bir dile göre kuruludur. Gerçek fark, bu katmanları en baştan Türkçeye göre düşünmekle ortaya çıkar.

Asıl darboğaz: Türkçe veri

Bütün bu katmanları Türkçeye göre kurmanın önünde tek ve belirleyici bir engel var: veri. Bir model, bir hatayı ancak daha önce binlerce doğru örneğini gördüğü için düzeltebilir. Ve Türkçede bu örnekler fena hâlde eksik.

Bir metnin "önce hatalı, sonra düzeltilmiş" hâlini içeren redaksiyon (proofreading) veri kümeleri neredeyse yok denecek kadar az. Dil bilgisi hatalarını işaretleyen grammar veri kümeleri yetersiz. Modele "ne yapması gerektiğini" öğreten Türkçe talimat verisi kısıtlı, kaliteli etiketleme (anotasyon) sınırlı, standart bir değerlendirme testi ise yok. Model kalitesi büyük ölçüde veri kalitesidir; ve Türkçenin en derin açığı tam olarak burada. Eksik olan zekâ değil, o zekâyı Türkçeye yönlendirecek malzeme. Bu yüzden bu yazının en kritik cümlesi şu: sorun dilin doğasında değil, yatırımın yönünde.

Gerçekten Türkçe bir yapay zekâ neye benzerdi?

O hâlde şunu hayal edelim: Türkçe için baştan tasarlanmış bir model neyi farklı yapardı?

Böyle bir model yalnızca yazım hatası düzeltmezdi. Bir cümleyi tek başına değil, metnin gerisiyle birlikte değerlendirir; yazarın üslubunu tanır ve korurdu. Dilekçenin resmî dilini de, akademik yazının atıf ve ton gereklerini de, sosyal medyanın serbest anlatımını da bilirdi. Deyimleri ve atasözlerini kalıbını bozmadan anlar, en önemlisi de metni baştan yazmak yerine yalnızca gerektiği kadarına dokunurdu. Türkçenin resmî yazım kurallarının kaynağı TDK Yazım Kılavuzu'dur; iyi bir model kararlarını bu zemine dayandırır ve şüphede olduğu yeri dayatmadan kullanıcıya bırakır.

Kısacası iyi bir Türkçe model, sizin yerinize yazan değil, sizin yazınızı koruyan bir modeldir.

Bu neden dil bilgisinden daha önemli?

Buraya kadar konuştuğumuz şey "daha az yazım hatası" gibi görünebilir. Ama mesele bundan çok daha büyük.

Yapay zekâ artık yalnızca sohbet için değil, kritik metinlerin üretildiği her yerde kullanılıyor. Öğrenci ödevinden akademik makaleye, vatandaşın devletle yazışmasından mahkeme dilekçesine, kurumsal rapordan sağlık iletişimine kadar. Bu alanların hiçbirinde "yaklaşık doğru" yeterli değildir; tek bir yanlış ek ya da bozuk bir cümle gerçek bir sonuç doğurabilir. Türkçeyi doğru anlayan modeller, yalnızca daha temiz metin değil, daha güvenilir bir dijital altyapı demektir. Yani bu artık bir "yazım denetleyici" meselesi değil; bir dilin çağın teknolojisiyle nasıl var olacağı meselesi.

Türkçe yapay zekânın geleceği

İyi haber şu: bu tablo değişebilir, çünkü sorun dilin doğasında değil, ilginin ve yatırımın yönünde. Türkçenin önünü açacak yol da bellidir: daha iyi ve açık veri kümeleri, Türkçeyi sonradan eklenen bir parça değil çıkış noktası olarak alan araştırmalar, topluluğun paylaştığı açık kaynak katkıları, üniversitelerle iş birlikleri, sağlam değerlendirme standartları ve her işi yapan devasa modeller yerine belirli işlere odaklı, dile özel modeller.

Düzelti'yi tam bu yaklaşımla geliştirdik: hazır bir çözümü Türkçeye uydurmak yerine, dilin yapısına ve kullanım alışkanlıklarına göre kendi özel dil modelimizi kurduk. Bu yaklaşımı pratikte Türkçe yazım denetimi aracında görebilir, neden bu yolu seçtiğimizi ise Düzelti'nin hikâyesinde okuyabilirsiniz.

Son söz

Türkçe, yapay zekâ çağında "küçük bir dil" olduğu için değil, yeterince veri, araştırma ve dile özel model yatırımı almadığı için geride kalıyor. Bu bir kader değil, bir tercih; ve tercihler değişebilir.

Çünkü yapay zekâ artık yalnızca bir araç değil, insanlığın yeni bilgi altyapısı hâline geliyor. Eğer bu altyapı gerçekten yalnızca birkaç dili anlayabiliyorsa, geri kalan diller zamanla dijital dünyada ikinci plana düşer. Türkçenin geleceği yalnızca daha iyi çeviriler üretmekten ibaret değil; kendi dilimizde düşünebilen, yazabilen ve iletişim kurabilen yapay zekâ sistemleri geliştirebilmekten geçiyor.

Mesele bir yazım denetleyiciden çok daha büyük. Bir dilin, çağını konuşan teknolojinin içinde kendi sesiyle var olup olamayacağı meselesi. Türkçe, sonradan uyarlanan değil, en baştan kendisi düşünülerek kurulan modelleri hak ediyor. Ve o modelleri kurmak bizim elimizde.

Yazınızı bozmadan, Türkçeye özel bir modelle denetlemek için Düzelti'yi ücretsiz deneyin.