Yapay Zeka Hangi Kaynakları Kullanıyor? Eğitim Verisi, Web ve RAG

Son güncelleme: 2025 · Okuma süresi: yaklaşık 9 dakika

Bir yapay zeka asistanına orta ölçekli bir üretici için hangi CRM'in uygun olduğunu ya da şehrinizde B2B reklam için en iyi ajansın hangisi olduğunu sorun: birkaç saniye içinde, çoğu zaman linklerle desteklenmiş, kendinden emin bir cevap alırsınız. Satış ve pazarlama ekipleri için asıl soru şu: yapay zeka hangi kaynakları kullanıyor ve neden bazı markalar bu cevaplarda sürekli yer alırken bazıları hiç görünmüyor? Bu konudaki yazıların çoğu aslında başka bir soruyu, yani “yapay zeka hangi alanlarda kullanılıyor?” sorusunu cevaplayıp sektör listesi veriyor. Bu rehber ise asıl soruya odaklanıyor: Yapay zekanın bilgisi nereden geliyor, asistanlar okuyacakları siteleri nasıl seçiyor, bu kaynaklar ne kadar güvenilir ve markanız bu kaynaklardan biri nasıl olur?

Yapay zeka iki tür kaynak kullanır: eğitim verisi ve anlık kaynaklar. Modeller Common Crawl gibi web arşivleri, Wikipedia, kitaplar, akademik makaleler, kod depoları ve lisanslı içeriklerle eğitilir. ChatGPT, Gemini ve Perplexity gibi asistanlar yanıt verirken web araması yapıp güncel siteleri okur ve kaynak gösterir. Kurumsal sistemler ise şirketin kendi belgelerini RAG ile kullanır.

Yapay zeka hangi kaynakları kullanıyor? (Kısa cevap)

Yapay zekanın kaynaklarını üst üste duran üç katman gibi düşünebilirsiniz:

1. Eğitim verisi: Model yayınlanmadan önce üzerinde eğitildiği büyük miktarda metin, kod ve diğer veriler. Bu katman belirli bir tarihte donar.
2. Anlık web araması (retrieval): Arama açıksa asistan bir arama indeksini sorgular, birkaç sayfa okur ve bunları kaynak göstererek özetler.
3. Sizin verileriniz: Kullanıcının yüklediği dosyalar ya da RAG (Retrieval-Augmented Generation) ile bağlanan şirket bilgi tabanı.

Burada en önemli ayrım şu: Model bilgiyi bir veritabanı gibi ezberlemez. Eğitim sırasında dildeki istatistiksel örüntüleri öğrenir. Bu yüzden eskimiş ya da yanlış bir bilgiyi son derece akıcı biçimde söyleyebilir; güncel veya çok spesifik bir bilgi için web'de arama yapması gerekir.

Kısaca yapay zeka nedir?

Yapay zeka; dili anlamak, görüntüleri tanımak, tahmin yapmak ve karar vermek gibi normalde insan zekası gerektiren görevleri yerine getiren sistemler geliştirme alanıdır. Başlıca alt boyutları şunlardır:

• Makine öğrenmesi: Elle yazılmış kurallar yerine veriden örüntü öğrenen algoritmalar.
• Derin öğrenme: Çok katmanlı yapay sinir ağlarıyla yapılan makine öğrenmesi; modern dil modellerinin temeli.
• Doğal dil işleme (NLP): İnsan dilini anlama ve üretme.
• Bilgisayarlı görü: Görüntü ve videoları yorumlama.
• Robotik: Yapay zekanın algılayan ve hareket eden fiziksel makinelere uygulanması.

Bu alanlarda yapay zeka farklı veri türlerinden öğrenir: yazılı metin, ses, video, fotoğraf ve sensör verileri. Sohbet asistanları ise büyük dil modelleridir (LLM); doğal dil işleme ile derin öğrenmenin birleşimidir ve çoğunlukla metin ve kod üzerinde eğitilir.

Yapay zeka modelleri hangi verilerle eğitiliyor?

Neredeyse her büyük dil modelinin omurgasında Common Crawl vardır. Common Crawl, 2008'den bu yana açık web'i tarayan ve arşivini herkese açık yayımlayan kâr amacı gütmeyen bir kuruluştur. Her tarama milyarlarca sayfa içerir. Ham web verisi çok gürültülü olduğu için model geliştiriciler bu veriyi yoğun biçimde filtreler; Google'ın C4 (Colossal Clean Crawled Corpus) veri seti bu temizlenmiş sürümlerin en bilinenidir.

Web verisinin yanında tipik eğitim setlerinde şunlar bulunur:

• Ansiklopedik ve yapılandırılmış bilgi için Wikipedia
• Uzun ve kaliteli metin için dijital kitap koleksiyonları
• arXiv gibi platformlardan akademik makaleler
• GitHub gibi kod depoları
• Stack Exchange gibi soru-cevap siteleri

Gerçek veri karışımları: GPT-3 ve LLaMA

İki araştırma makalesi eğitim verisi karışımını açıkça yayımladı. GPT-3 makalesi (Brown vd., 2020) şu dağılımı veriyor:

Veri seti	Token sayısı	Eğitimdeki ağırlık
Common Crawl (filtrelenmiş)	410 milyar	%60
WebText2	19 milyar	%22
Books1	12 milyar	%8
Books2	55 milyar	%8
Wikipedia	3 milyar	%3

Ağırlığın boyutla aynı şey olmadığına dikkat edin. Kalitesi yüksek setler daha sık örneklendi: Makaleye göre Wikipedia eğitim boyunca yaklaşık 3,4 kez görülürken filtrelenmiş Common Crawl bir kezden daha az görüldü.

Meta'nın LLaMA makalesi (Touvron vd., 2023) ise şu ön eğitim karışımını paylaşıyor:

Kaynak	Örnekleme payı	Disk boyutu
CommonCrawl	%67,0	3,3 TB
C4	%15,0	783 GB
GitHub	%4,5	328 GB
Wikipedia	%4,5	83 GB
Kitaplar	%4,5	85 GB
ArXiv	%2,5	92 GB
StackExchange	%2,0	78 GB

Yeni nesil modeller bu düzeyde ayrıntıyı nadiren yayımlıyor. Örneğin GPT-4 teknik raporu, rekabet ortamını ve güvenliği gerekçe göstererek veri setinin nasıl oluşturulduğunu açıklamadı. Bu nedenle tablolara bugünkü asistanların birebir tarifi olarak değil, yöntemi gösteren temsili örnekler olarak bakın.

Lisanslı içerik anlaşmaları

Web kazıma konusundaki hukuki tartışmalar büyüdükçe yapay zeka şirketleri veriye erişim için ödeme yapmaya başladı. Reddit, 2024'te hem Google hem de OpenAI ile veri anlaşmaları yaptığını duyurdu. OpenAI ayrıca The Associated Press (2023), Axel Springer (2023), Financial Times (2024) ve News Corp (2024) gibi yayıncılarla içerik ortaklıkları imzaladı. Anlaşmaya göre lisanslı içerik eğitimde, cevaplarda makaleleri gösterip kaynak olarak sunmada ya da her ikisinde kullanılabiliyor.

İnsan geri bildirimi ve sentetik veri

Ham metin tek başına yardımcı bir asistan ortaya çıkarmaz. Modeller, insanların model çıktılarını sıraladığı insan geri bildirimiyle pekiştirmeli öğrenme (RLHF) ile iyileştirilir; bu yaklaşım OpenAI'ın InstructGPT makalesinde (Ouyang vd., 2022) anlatılır. Geliştiriciler belirli becerileri öğretmek için giderek daha fazla sentetik veri, yani başka modellerin ürettiği örnekleri de kullanıyor.

Yapay zeka neden son olayları bilmiyor? Bilgi kesim tarihi

Eğitim verisi belirli bir bilgi kesim tarihine (knowledge cutoff) kadar toplanır. Bu tarihten sonra olan her şey, örneğin yeni bir ürün lansmanı, fiyat değişikliği ya da pazara giren yeni bir rakip, modelin hafızasında yoktur. Asistan web'de arama yapmazsa eski örüntülerden cevap verir ve bazen bilgisinin eskimiş olabileceğini belirtmez bile.

ChatGPT, Gemini, Perplexity ve Claude yanıt verirken hangi siteleri okuyor?

Arama açık olduğunda her asistan farklı bir altyapıya dayanır:

Asistan	Arama altyapısı	Kaynak gösterir mi?	Not
ChatGPT	OpenAI web araması; Bing dahil üçüncü taraf arama sağlayıcıları ve yayıncı ortaklarının içerikleri	Evet, arama kullanıldığında	Arama yoksa eğitim verisinden yanıt verir
Gemini	Google Arama ile grounding	Evet, kaynak linkleri sunar	Doğrudan Google indeksinden yararlanır
Perplexity	Kendi indeksi (PerplexityBot ile oluşturulur) ve Sonar modelleri	Evet, numaralı kaynaklarla	Tasarımı gereği önce arama yapar
Claude	Yerleşik web arama aracı	Evet, arama kullanıldığında	Plan ve ayarlara göre değişir
Google AI Overviews	Google Arama indeksi	Evet, link kartlarıyla	Doğrudan arama sonuç sayfasında görünür

Retrieval (grounding) nasıl çalışır?

1. Soruyu sorarsınız.
2. Asistan soruyu bir veya birkaç arama sorgusuna dönüştürür.
3. Sonuçları getirir ve birkaç sayfayı okur.
4. Okuduklarını bir cevapta özetler.
5. Kullandığı sayfaların linklerini ekler.

Hangi site türleri daha sık okunuyor?

Yapay zeka cevaplarında sık görülen sayfalar şunlardır: Wikipedia, haber siteleri, forumlar (global ölçekte Reddit, Türkiye'de Ekşi Sözlük gibi yerel platformlar), karşılaştırma ve “en iyi” liste içerikleri, resmi marka siteleri, yorum platformları ve YouTube.

Aynı soruya farklı asistanlar neden farklı kaynak gösteriyor?

Aynı soru farklı kaynaklar üretir, çünkü her asistan farklı bir indeks kullanır, sorguları farklı biçimde yeniden yazar, sayfaları kendi mantığıyla sıralar, güncelliğe farklı ağırlık verir ve dil ile konumu hesaba katabilir. Bu yüzden markanız bir asistanda önerilirken diğerinde hiç anılmayabilir.

Yapay zeka sitelere nasıl erişiyor? Crawler'lar ve robots.txt

Yapay zeka şirketleri sitenize isimli botlarla ulaşır:

Bot	Sahibi	Amacı
GPTBot	OpenAI	Eğitim verisi toplama
OAI-SearchBot	OpenAI	ChatGPT araması için indeksleme
ChatGPT-User	OpenAI	Kullanıcı isteği sırasında sayfa getirme
Google-Extended	Google	Gemini eğitimi ve grounding için kontrol etiketi (Google Arama'yı ve AI Overviews'u etkilemez)
ClaudeBot	Anthropic	Eğitim verisi toplama
PerplexityBot	Perplexity	Perplexity araması için indeksleme
CCBot	Common Crawl	Birçok modelin eğitildiği açık arşivi oluşturma

Temel fark şu: Eğitim botları içeriğinizin gelecekteki modelleri şekillendirip şekillendirmeyeceğini belirler; arama ve kullanıcı botları ise sayfalarınızın bugün cevaplarda okunup kaynak gösterilip gösterilemeyeceğini belirler. Bunları robots.txt ile ayrı ayrı yönetebilirsiniz:

# Eğitim botlarını engelle, yapay zeka arama botlarına izin ver
User-agent: GPTBot
Disallow: /

User-agent: CCBot
Disallow: /

User-agent: OAI-SearchBot
Allow: /

User-agent: PerplexityBot
Allow: /

Dikkatli olun: Arama botlarını engellemek sayfalarınızı kaynak gösterilen cevaplardan çıkarır ve genellikle görünürlüğü düşürür. Sağlayıcılar kullanıcı tarafından tetiklenen botlara da farklı kurallar uygulayabildiği için karar vermeden önce her sağlayıcının dokümantasyonunu kontrol edin.

Kurumsal yapay zeka kendi kaynaklarını nasıl kullanır? (RAG)

RAG (Retrieval-Augmented Generation), bir dil modelini şirketin kendi bilgisine bağlar: belgeler, SSS, ürün kataloğu, fiyat listeleri ve CRM verisi. Bir soru geldiğinde sistem önce en ilgili iç kaynak parçalarını bulur, ardından modelden yalnızca bu materyali kullanarak cevap vermesini ister.

Tipik örnek, potansiyel müşterilere açık web yerine yalnızca şirketin onaylı ürün bilgisinden yanıt veren bir satış veya müşteri hizmetleri asistanıdır. Aynı prensip, marka dilinizle ve nitelendirme kriterlerinizle eğitilmiş yapay zeka ajanları kurarken de geçerlidir: Kaynak seti ne kadar dar ve iyi düzenlenmişse cevaplar o kadar tutarlı olur.

Kaynakları sınırlamak halüsinasyonu tamamen ortadan kaldırmaz, ancak pratikte belirgin biçimde azaltır; çünkü model önünde ilgili ve doğrulanmış bir metin bulur ve kullandığı belgeyi tam olarak gösterebilir.

Yapay zekanın kullandığı kaynaklar güvenilir mi?

Kısmen. Halüsinasyon, yani akıcı ama yanlış çıktı, cevapta kaynak gösterilse bile ortaya çıkabilir. Model bir sayfayı yanlış okuyabilir, iki kaynağı birbirine karıştırabilir ya da iddiayı gerçekte desteklemeyen bir link ekleyebilir. Doğrulanabilir kaynaklar riski azaltır, ama ancak biri gerçekten doğrularsa.

Dil de önemli bir etken. Common Crawl gibi web arşivlerinde İngilizce baskındır; Türkçenin payı görece küçüktür. Örneğin LLaMA makalesi, Wikipedia verisinin Latin veya Kiril alfabesi kullanan 20 dili kapsadığını belirtiyor ve Türkçe bu diller arasında yer almıyor. Daha az Türkçe eğitim verisi, genellikle yerel markalar, mevzuat ve terminoloji konusunda daha zayıf bilgi anlamına gelir. Bu da Türk markaları için anlık aramayı ve iyi yapılandırılmış Türkçe içeriği daha da kritik hale getirir.

Kullanıcılar için hızlı kontrol listesi:

• Gösterilen linkleri açın ve cevabın iddia ettiği şeyi gerçekten söylediklerini doğrulayın.
• Her kaynağın yayın tarihine bakın.
• Aynı soruyu en az iki farklı asistana sorun.
• Rakam, fiyat ve hukuki konularda birincil kaynağa gidin.

Markanız yapay zekanın kaynakları arasında nasıl yer alır?

GEO (Generative Engine Optimization), markanızın yapay zeka asistanları tarafından kolayca bulunmasını, anlaşılmasını, kaynak gösterilmesini ve önerilmesini sağlama çalışmasıdır. Yapay zekanın alıntıladığı içeriklerin ortak özellikleri şunlardır:

• Somut rakamlar ve isimli kaynaklarla doğrulanabilir iddialar
• Alıcıların soru sorma biçimini yansıtan soru-cevap formatı
• Yapılandırılmış veri (schema işaretlemesi) ve taranabilir, temiz sayfalar
• Görünür ve güncel tarih bilgisi
• Haber siteleri, rehberler, karşılaştırmalar ve forumlar gibi üçüncü taraf sitelerde anılma

Ardından ölçüm gelir. Hangi asistanların markanızı andığını, cevaplarını oluştururken hangi siteleri okuduklarını ve rakiplerinize göre ses payınızı bilmeniz gerekir. Yapay zeka asistanlarının sektörünüz için hangi siteleri okuduğunu gösteren kaynak site analizi, GEO'yu tahmin yürütmekten çıkarıp kazanılması gereken sayfaların somut bir listesine dönüştürür.

Jumpix AI Visibility, müşterilerinizin ChatGPT, Gemini, Perplexity, Claude ve Google AI Overviews'a sorduğu soruları sorar; markanızın anılıp anılmadığını, önerilip önerilmediğini, kaynak gösterilip gösterilmediğini ve doğru tanımlanıp tanımlanmadığını raporlar, neyi düzeltmeniz gerektiğini listeler. Sektörünüzü ve şehrinizi girerek ücretsiz anlık yapay zeka görünürlük kontrolü yapabilirsiniz: 3 motorda 5 alıcı sorusunu test eder ve kayıt gerektirmez. Planlar tek marka için aylık 9,99 USD'den başlar; işi uzman bir ekibe bırakmak isteyen Türk şirketleri için yönetilen GEO hizmeti de mevcut.

Yapay zeka en çok hangi alanlarda kullanılıyor? (Kısa bakış)

Her uygulama kendi veri kaynağına dayanır:

1. Sağlık: Teşhis desteği için tıbbi görüntüler ve hasta kayıtları.
2. Finans: Dolandırıcılık tespiti ve kredi skorlaması için işlem geçmişi.
3. Eğitim: Kişiselleştirilmiş dersler için öğrenci performans verisi.
4. E-ticaret: Amazon ve eBay önerilerinin arkasındaki gezinme ve satın alma geçmişi.
5. Navigasyon: Google Maps rotalarının arkasındaki konum ve trafik verisi.
6. Müzik: Spotify önerilerinin arkasındaki dinleme geçmişi.
7. Film ve dizi: Netflix önerilerinin arkasındaki izleme geçmişi.
8. Otomotiv: Sürüş destek sistemleri için kamera, radar ve sensör verisi.
9. Pazarlama: Hedefleme ve içerik için kampanya ve etkileşim verisi.
10. Satış otomasyonu ve chatbotlar: Potansiyel müşterileri nitelendirmek ve müşterilere yanıt vermek için CRM kayıtları, form gönderimleri, konuşma geçmişi ve onaylı ürün belgeleri.

Sonuç

Yapay zeka hangi kaynakları kullanıyor sorusunun cevabı üç katmandan oluşuyor: Çoğunlukla Common Crawl, Wikipedia, kitaplar, kod ve lisanslı içerikten oluşan eğitim verisi; asistana göre değişen anlık web araması; ve RAG ile bağlanan kurumsal veriler. B2B satış ve pazarlama ekipleri için bugün etkileyebileceğiniz katman ortadaki katmandır. Sayfalarınızı yapay zeka arama botlarına açık tutun, doğrulanabilir ve iyi yapılandırılmış içerik yayımlayın, üçüncü taraf sitelerde anılın ve sektörünüzde asistanların gerçekte hangi kaynakları gösterdiğini düzenli olarak ölçün.

Kaynakça

• Brown vd. (2020), Language Models are Few-Shot Learners (GPT-3), arXiv:2005.14165
• Touvron vd. (2023), LLaMA: Open and Efficient Foundation Language Models, arXiv:2302.13971
• Ouyang vd. (2022), Training language models to follow instructions with human feedback, arXiv:2203.02155
• OpenAI (2023), GPT-4 Technical Report
• Common Crawl, commoncrawl.org
• OpenAI, Google, Anthropic ve Perplexity bot dokümantasyonları
• Reddit, OpenAI ve ortak yayıncıların kamuya açık duyuruları (2023–2024)

Sıkça Sorulan Sorular

Yapay zeka bilgileri nereden alıyor, internete bağlı mı?

Modelin temel bilgisi, bilgi kesim tarihine kadar toplanan eğitim verisinden gelir; yani modelin kendisi “çevrim içi” değildir. Asistanlar web arama aracı kullandıklarında internete bağlanır, güncel sayfaları okuyup kaynak gösterebilir. Arama yoksa cevaplar yalnızca eğitimde öğrenilen örüntülerden gelir.

ChatGPT hangi kaynakları kullanıyor ve kaynak gösteriyor mu?

ChatGPT, açık web verisi, lisanslı içerik ve insan geri bildirimi verilerinin karışımıyla eğitildi. Arama özelliği açıkken Bing dahil üçüncü taraf arama sağlayıcılarından ve yayıncı ortaklarından yararlanan OpenAI web aramasını kullanır ve okuduğu sayfaların linklerini gösterir. Arama kullanılmadığında kaynak göstermez.

Yapay zekanın alt boyutları nelerdir?

Başlıca alt boyutlar makine öğrenmesi, derin öğrenme, doğal dil işleme, bilgisayarlı görü ve robotiktir. Sohbet asistanları ağırlıklı olarak derin öğrenme ile doğal dil işlemeyi birleştirir. Her alt boyut metin, ses, görüntü, video ve sensör verisi gibi farklı veri türlerinden öğrenir.

Yapay zeka en çok hangi alanlarda kullanılır? 10 örnek

Sağlık, finans, eğitim, e-ticaret önerileri, navigasyon, müzik önerileri, film ve dizi önerileri, otomotiv, pazarlama ve chatbotlarla satış otomasyonu. Her biri belirli bir veri kaynağına dayanır; örneğin Amazon satın alma geçmişini, Spotify dinleme geçmişini kullanır.

Yapay zeka ile satış otomasyonu hangi verileri kullanır?

Yapay zekâ ile satış otomasyonu genellikle CRM kayıtlarını, form gönderimlerini, web sitesi ve kampanya kaynak verisini, e-posta ve WhatsApp konuşma geçmişini, firma bilgilerini ve onaylı ürün belgelerini kullanır. RAG kurulumuyla asistan, potansiyel müşterilere yalnızca bu doğrulanmış şirket bilgisinden yanıt verir; böylece cevaplar doğru ve markayla uyumlu kalır.

İlgili yazılar

<!-- rank-agent-related -->

• ChatGPT SEO Nedir? ChatGPT'de Kaynak Olmak İçin Rehber <!-- rank-agent-link:02b602fe-8ecd-48ad-b111-2cee16bedb3d -->
• llms.txt Nedir? Ne İşe Yarar, Nasıl Eklenir, Gerçekten Çalışır mı? <!-- rank-agent-link:cdefb7dc-953f-4df0-918c-8f4a13e23c49 -->