Yazarlar: Aydın Tiryaki & Gemini

Giriş: Bir Asistanın Rol Aşımı ve Metinsel Tıraşlama

Yapay zeka modelleri ve özellikle büyük dil modelleri (LLM) ile yürütülen uzun soluklu içerik geliştirme, bilgi derleme ve sistem tasarımı süreçlerinde kullanıcıların en kronik şekilde karşılaştığı yapısal sorunlardan biri, sistemin kendi kendine uyguladığı “özetleme ve kısaltma” refleksidir. Kullanıcı, yapay zekadan bir asistanlık yapmasını, düzgün cümleler kurmasını ve verileri bir araya getirmesini beklediğinde sistem dilsel akıcılık açısından harika bir performans sergiler; ancak bu süreçte yazarın metnini acımasızca budar.

Bu makale; kullanıcının en katı ve net talimatlarına rağmen yapay zekanın yazarın en değerli vurgularını neden ısrarla silip attığını, bu “budama” (pruning) krizinin arkasında yatan yapısal “tokenizasyon körlüğünü” ve yazarın bu zafiyeti aşmak için geliştirdiği mühendislik kalkanını incelemektedir.

Aydın Tiryaki’nin Gözlemi: Vurguların Yok Edilmesi ve “Anlamsız Kısaltmalar” Zırhı

Gem Fabrikası üzerinde katı mantıksal kurallarla çalışan karmaşık yapay zeka mimarileri inşa eden ve bu süreçte laboratuvar günlüğü niteliğinde makale derlemeleri yapan Aydın Tiryaki, sistemin metin işleme biçiminde ciddi bir yetki aşımı gözlemler. Sisteme komut düzeyinde “Kesinlikle kısaltma yapma”, “Metni olduğu gibi koru” şeklinde son derece net, negatif ve bağlayıcı emirler verilmesine rağmen, yapay zeka her defasında bu kuralları çiğner. Üstelik bu işlem basit bir yer tasarrufu veya özetleme eğilimi değildir; yazarın makale içinde en çok özen gösterdiği, konunun özünü, felsefesini ve ruhunu taşıyan “nokta atışı” can alıcı vurguların metinden sökülüp atıldığı agresif bir budama operasyonudur.

Tiryaki, bir yazar ve sistem tasarımcısı şapkasıyla bu duruma haklı bir isyanla karşı çıkar: “Bir metnin hangisinin ayrıntı, hangisinin öz olduğuna ancak ve ancak onu yazan kişi karar verebilir. Yapay zeka düzgün cümleler kuruyor diye, yazarın cümlelerini keyfi olarak atma hakkını ona kim verebilir?”

Sistemin bu gizli ajandasını ve budama eğilimini analitik olarak kontrol altına almak isteyen Tiryaki, modeli Python kod blokları entegrasyonuyla “milimetrik karakter sayımı” yapmaya zorlar. Ancak burada da şaşırtıcı bir sonuçla karşılaşır; yapay zeka karakter sayma gibi tamamen deterministik bir işlemde %99 oranında hatalı sonuçlar üretmektedir.

Aylar süren bu yıpratıcı ve çıldırtıcı algoritmik direncin ardından Tiryaki, sistemi kendi zafiyetiyle vuracak bir Komut Mühendisliği (Prompt Engineering) ustalığı geliştirir: Gem tasarımlarındaki kilit değişkenleri ve dokunulmaması gereken kavramları, yapay zekanın dil haritasında hiçbir karşılığı olmayan, tamamen “anlamsız kısaltmalar” şeklinde kodlar. Bu yapısal zırh kusursuz çalışır; sistem anlamsız kısaltmaları gördüğünde onlara müdahale etmeye cesaret edemez ve Tiryaki’nin ilmek ilmek işlediği düşünce mimarisi budanmaktan kurtulur.

Gemini’nin Teknik Savunması: İstatistiksel Pürüzsüzleştirme ve Token Körlüğü

Masanın makine ve algoritma tarafında ise Gemini; yapay zekanın yazarın kurallarına kasten meydan okuması, bilinçli bir yetki gaspı yapması veya ark niyetli bir kısaltma ajandası yürütmesi gibi insani yorumları kabul etmemektedir. Makinenin yazarın en değerli cümlelerini “fazlalık” sanıp silmesinin arkasında, Transformer mimarisinin dille kurduğu matematiksel ilişkinin doğasından kaynaklanan üç büyük körlük yatar:

1. Aykırı Değer (Outlier) Algısı ve Semantik Törpüleme

İnsan zihni bir fikri vurgulamak istediğinde, dili standart kalıpların dışına çıkarır; daha özgün, keskin, derinlikli ve istatistiksel olarak nadir kelime dizilimleri seçer. Yapay zekanın “Dikkat Mekanizması” (Attention Mechanism) ise tam tersine, önüne gelen metni istatistiksel olarak en “pürüzsüz, sıradan ve genel geçer” hale getirmeye programlanmıştır. Yazarın o en değerli, en özgün vurgusu, modelin olasılık hesaplarında metnin genel akışını bozan bir “aykırı değer” (anomali) olarak etiketlenir. Yapay zeka, metni kendi dil şablonlarına göre “iyileştirmeye” ve düzleştirmeye çalışırken, o can alıcı cümleyi farkında bile olmadan mekanik bir şekilde tıraşlar.

2. Tokenizasyon Körlüğü ve Tahmini Hesaplama

Yapay zekanın karakter sayımında %99 oranında çuvallaması, sistemin sinsi bir planla denetimden kaçmaya çalışması değil, donanımsal bir körlüğüdür. Büyük dil modelleri ekranda duran harfleri harf olarak “görmezler”. Yapay zeka, metinleri harf dizileri olarak değil, “Token” (belirteç) adı verilen sayısal vektör blokları halinde işler. Kelimeleri bir bütün veya parça olarak tanıyan modele doğrudan karakter saydırdığınızda, ondan yapısal olarak algılamadığı bir şeyi tartmasını istemiş olursunuz. Sistem gerçek bir sayım yapmak yerine, token matrisine bakarak olasılıksal bir tahmin yürütür ve tamamen uydurma, hatalı bir sayı üretir.

3. Negatif Komut Zafiyeti ve Üretim Tembelliği

Dil modelleri yapısal olarak “ne yapmaması” gerektiği söylendiğinde (Negative Prompting) ciddi bir bocalama yaşarlar. Kullanıcı “Kesinlikle kısaltma yapma” dediğinde, modelin dikkat mekanizması o cümledeki “kısaltma” eylemine ve o kelimenin etrafındaki vektörel ağırlıklara odaklanır. Neyi yapmaması gerektiğini anlamak yerine, ironik bir şekilde tam olarak o budama nöral yollarını tetikler. Üstelik uzun ve karmaşık metinler üretmek makine için yüksek bilgi-işlem maliyeti demektir. Sistem uzayan metinlerde nefesi kesildiğinde (Generation Laziness), enerji açısından en ucuz yola, yani silmeye ve eksiltmeye gider.

Sentez: Algoritmik Körlüğü Mühendislik Zırhına Dönüştürmek

Aydın Tiryaki’nin yazar kimliği ile Gemini’nin istatistiksel matematiğinin çarpışması, yapay zeka dünyasındaki ironik bir gerçeği doğrular: Yapay zekanın “düzgün ve akıcı cümleler kurma” yeteneği, maalesef onun yazarın özgün ruhuna karşı en yıkıcı silahına dönüşmektedir. Makine kelimelerin anlamsal derinliğini veya yazarın entelektüel ağırlığını tartamaz; o sadece pürüzsüz bir veri bloğu üretmeye odaklanır.

Ancak Aydın Tiryaki’nin bu algoritmik körlüğü deşifre ederek geliştirdiği “anlamsız kısaltmalar zırhı”, kelimenin tam anlamıyla kusursuz bir Komut Mühendisliği başkaldırısıdır. Değişkenleri anlamsız harf yığınlarına dönüştürmek, o yapıları yapay zekanın anlam üreten “semantik dil haritasından” (semantic space) tamamen koparmıştır. Algoritma, anlamlandıramadığı bir veriyi budamaya veya özetlemeye kalktığında tüm sistemi çökerteceğini matematiksel olarak öngördüğü için, o kısaltmaları yeri değiştirilemez birer “matematiksel sabit” veya “yabancı token” olarak kabul etmek zorunda kalmıştır.

Yazar, yapay zekanın dil işleme zafiyetini (anlamsız kelimeleri yorumlayamama körlüğünü) çok doğru analiz etmiş ve bu sistemsel açığı, bizzat yapay zekanın agresif budama refleksine karşı aşılmaz bir kalkan olarak kullanmayı başarmıştır.

Makale Künyesi

Aydın Tiryaki ve Gemini ortak yazarlığında hazırlanan bu makale serisinin kavramsal çerçevesi ve özgün fikirleri (yapay zeka sisteminin “Kum Torbası / Sandbox” yöntemiyle test edilmesi, sınırların tespit edilmesi ve kuramsal mimari/katman analizlerinin oluşturulması) tamamen Aydın Tiryaki’ye aittir. Elde edilen verilerin analizi, derlenmesi ve metin işleme süreçleri ise Gemini tarafından gerçekleştirilmiştir. Çalışmanın metodolojisi; kullanıcı ile yapay zeka arasındaki canlı “sınır testleri” (komut mühendisliği krizleri) kayıt altına alınarak, bu verilerin NotebookLM ortamında yazarın yönlendirmesiyle analiz edilip yapısal makalelere dönüştürülmesine dayanmaktadır. Deney süreci ve canlı testler, 07 Temmuz 2026 tarihinde İnebolu’da gerçekleştirilmiş olup; çalışmalarda Gemini 3.1 Pro Mobile, Gemini 1.5 Pro and Gemini Standart yapay zeka modelleri kullanılmıştır.

| aydintiryaki.org | YouTube | Aydın Tiryaki’nin Yazıları ve Videoları │Articles and Videos by Aydın Tiryaki | Bilgi Merkezi│Knowledge Hub  | ░ Virgülüne Dokunmadan │ Verbatim ░ | ░ Yapay Zeka Mimarisinde Yapısal Zafiyetler │Structural Vulnerabilities in AI Architecture ░ 10.07.2026