Foundation Model

Foundation Model – Temel Model, çok büyük ve çeşitli veri kümeleri üzerinde geniş kapsamlı biçimde eğitilen ve daha sonra çok sayıda farklı görev, sektör ve uygulamaya uyarlanabilen genel amaçlı yapay zekâ modelidir. Foundation model kavramının en önemli özelliği şudur: Model tek bir görev için geliştirilmez; çok sayıda farklı yapay zekâ uygulamasının üzerine kurulabileceği bir “temel” oluşturur.

Basitleştirilmiş biçimde:

Büyük ve Çeşitli Veri + Büyük Ölçekli Ön Eğitim → Foundation Model → Uyarlama → Çok Sayıda AI Uygulaması

Bu nedenle bir foundation model, yalnızca sohbet botu veya yalnızca metin üreten bir sistem değildir. Metin, görüntü, ses, video, kod veya bunların birden fazlasıyla çalışabilecek şekilde geliştirilebilir.

Foundation Model Nasıl Çalışır?

Geleneksel makine öğrenmesinde çoğu zaman belirli bir problem için ayrı model geliştirilir. Örneğin:

• Spam tespiti → Model A
• Duygu analizi → Model B
• Metin sınıflandırma → Model C
• Soru-cevap → Model D

Foundation model yaklaşımında ise önce çok daha geniş kapsamlı bir model eğitilir:

Çok Büyük Veri Kümesi

↓

Pre-training

↓

Foundation Model

↓

Farklı Görevlere Uyarlama

↙ ↓ ↘

Soru-Cevap – Özetleme – Kodlama – Sınıflandırma – İçerik Üretimi

Böylece her yeni problem için tamamen sıfırdan model eğitmek yerine mevcut temel modelden yararlanılabilir.

Neden “Foundation” Deniyor?

Buradaki foundation, yani “temel” kelimesi oldukça açıklayıcıdır. Bir binayı düşünelim.

Temel → Bina → Odalar → Farklı kullanım alanları

Yapay zekâ açısından ise:

Foundation Model → AI Sistemleri → Uygulamalar → Kullanıcıya Sunulan Hizmetler

şeklinde düşünülebilir.

Aynı temel model farklı amaçlara göre özelleştirilerek müşteri hizmetleri asistanından kodlama yardımcısına kadar farklı sistemlerin altyapısında kullanılabilir.

Foundation Model ile LLM Aynı Şey midir?

Hayır. Birbirleriyle yakından ilişkili olmalarına rağmen aynı kavram değildir. Bu ayrım özellikle önemlidir.

LLM (Large Language Model) ağırlıklı olarak dil ve dil temelli görevlerle tanımlanan büyük ölçekli model sınıfıdır.

Foundation Model ise daha geniş bir kavramdır. Birçok farklı göreve uyarlanabilen geniş kapsamlı önceden eğitilmiş modelleri ifade eder.

Dolayısıyla birçok modern LLM aynı zamanda foundation model olarak değerlendirilebilir; fakat foundation model kavramı yalnızca LLM’lerle sınırlı değildir.

Basitleştirirsek:

Foundation Model = Üst kavram

LLM = Foundation model olabilecek model türlerinden biri

Foundation Model Yalnızca Metinle mi Çalışır?

Hayır. Bu, foundation model ile LLM arasındaki ayrımı anlamanın en kolay yollarından biridir. Foundation modeller farklı veri türleri üzerinde geliştirilebilir:

• Metin
• Görüntü
• Ses
• Video
• Kod
• Moleküler/bilimsel veriler

veya bunların kombinasyonları.

Örneğin bir model hem metni hem görüntüyü işleyebiliyorsa:

Metin + Görüntü → Multimodal Foundation Model

olarak düşünülebilir. Daha gelişmiş sistemlerde:

Metin + Görüntü + Ses + Video

gibi çoklu modaliteler birlikte kullanılabilir.

Foundation Model ile Multimodal Model Arasındaki İlişki

Multimodal, modelin birden fazla veri türüyle çalışabilmesini ifade eder. Örneğin kullanıcı bir fotoğraf yükleyip: “Bu grafikteki temel eğilimi açıkla.” dediğinde sistemin hem görseli hem de metinsel talimatı işleyebilmesi gerekir. Dolayısıyla:

• Foundation Model → Modelin geniş kullanım temelini
• Multimodal → Modelin hangi veri türleriyle çalışabildiğini

ifade eder.

Bir foundation model multimodal olabilir; ancak her foundation modelin multimodal olması gerekmez.

Foundation Model Nasıl Özelleştirilir?

Temel model oluşturulduktan sonra farklı kullanım senaryolarına çeşitli yöntemlerle uyarlanabilir.

1. Prompting:

Modelin ağırlıkları değiştirilmeden uygun talimatlar verilir. “Bu müşteri yorumlarını olumlu, olumsuz ve nötr olarak sınıflandır.” Bu en kolay uyarlama biçimlerinden biridir.

2. Fine-Tuning

Model belirli bir veri kümesi üzerinde ek eğitimden geçirilerek belirli bir görev veya alana daha uygun hâle getirilebilir. Örneğin:

Foundation Model + Hukuk Verileri → Hukuk Alanına Uyarlanmış Model

3. RAG

Retrieval-Augmented Generation, modelin dış bilgi kaynaklarından ilgili verileri alarak bunlardan yararlanmasını sağlar. Örneğin:

Foundation Model + Şirket Belgeleri + RAG → Kurumsal AI Asistanı

4. Tool Use

Model hesap makinesi, veri tabanı, arama sistemi veya başka yazılım araçlarını kullanabilecek bir sistemin parçası hâline getirilebilir.

5. Agent Sistemleri

Foundation model, belirli hedefleri gerçekleştirmek için araç kullanan ve çok aşamalı görevleri yürüten AI agent’ların temel bileşenlerinden biri olabilir.

Foundation Model Ekosistemi

Bu kavramları bir araya getirdiğimizde yapı kabaca şöyle düşünülebilir:

FOUNDATION MODEL

↓

Prompting / Fine-Tuning / RAG / Tool Use

↓

AI SYSTEM

↓

AI ASSISTANT veya AI AGENT

↓

SON KULLANICI UYGULAMASI

Bu ayrım önemlidir çünkü kullanıcıların kullandığı yapay zekâ ürünü çoğu zaman foundation modelin kendisi değildir. Ürünün arkasında modelin yanı sıra güvenlik katmanları, arama sistemleri, veri tabanları, kullanıcı arayüzleri, araçlar ve başka yazılım bileşenleri bulunabilir.

Foundation Model, LLM ve SLM Arasındaki Fark

Önceki iki kavramla birlikte düşünürsek ayrım daha net hâle gelir:

Kavram	Temel Anlamı	Ana Özellik
Foundation Model	Çok sayıda göreve uyarlanabilen temel model	Geniş yeniden kullanım
LLM	Büyük ölçekli dil modeli	Dil işleme ve üretme
SLM	Görece küçük dil modeli	Verimlilik ve düşük kaynak ihtiyacı
Multimodal Model	Birden fazla veri türünü işleyen model	Metin + görüntü + ses vb.
RAG	Dış kaynaklardan bilgi getiren yaklaşım	Harici bilgi kullanımı
AI Agent	Hedef doğrultusunda araç kullanabilen sistem	Eylem ve görev yürütme

Buradaki kritik nokta, bu kavramların aynı sınıflandırma düzeyinde olmamasıdır. Örneğin bir model aynı anda:

Foundation Model + LLM + Multimodal Model

olabilir. Başka bir model ise:

Foundation Model + SLM

olarak değerlendirilebilir. Dolayısıyla bu terimler her zaman birbirinin alternatifi değildir.

Foundation Model ile Generative AI Aynı Şey midir?

Hayır. Generative AI – Üretken Yapay Zekâ, yeni içerik üretebilen yapay zekâ sistemlerini ifade eden daha geniş bir kullanım kavramıdır. Foundation model ise bu tür sistemlerin altında kullanılabilecek temel model mimarisini ve eğitim yaklaşımını ifade eder. Örneğin:

Foundation Model → Üretken AI Sistemi → Metin/Görsel/Ses Üretimi

şeklinde bir ilişki kurulabilir. Ancak foundation modeller yalnızca içerik üretmek için kullanılmak zorunda değildir; sınıflandırma, temsil öğrenme, tahmin veya farklı downstream görevlerde de kullanılabilir.

Foundation Model Neden Önemli?

Foundation model yaklaşımı yapay zekâ geliştirme mantığını önemli ölçüde değiştirmiştir. Eskiden:

1 Problem → 1 Veri Kümesi → 1 Model

yaklaşımı yaygındı. Foundation model paradigmasında ise:

1 Büyük Temel Model → Çok Sayıda Uyarlama → Çok Sayıda Uygulama

yaklaşımı ortaya çıkmıştır. Bu durum kuruluşların her görev için sıfırdan büyük modeller geliştirme ihtiyacını azaltabilir.

İşletmeler Foundation Modeli Nasıl Kullanabilir?

Örneğin büyük bir işletmenin tek bir temel modelden yararlanarak farklı sistemler oluşturduğunu düşünelim:

Foundation Model

↓

İnsan Kaynakları Asistanı

Müşteri Hizmetleri Botu

Pazarlama İçerik Sistemi

Rapor Özetleme Aracı

Kurumsal Bilgi Asistanı

Kodlama Yardımcısı

Belge Analiz Sistemi

Bu uygulamalar aynı temel modelden yararlanabilir ancak farklı promptlar, veri kaynakları, RAG sistemleri veya özelleştirmeler kullanabilir.

Foundation Model Kullanmanın Avantajları

Foundation modellerin başlıca avantajları şunlardır:

• Yeniden kullanılabilirlik: Aynı model birçok göreve uyarlanabilir.
• Transfer learning: Bir alanda öğrenilen geniş temsiller farklı görevlere aktarılabilir.
• Daha az görev-özel eğitim: Her görev için sıfırdan model geliştirmek gerekmeyebilir.
• Geniş yetenek yelpazesi: Tek model çok farklı işlemleri gerçekleştirebilir.
• Ölçeklenebilirlik: Çok sayıda AI uygulamasının ortak altyapısı hâline gelebilir.
• Multimodal yetenek: Bazı modeller birden fazla veri türünü birlikte işleyebilir.

Foundation Model Kullanmanın Riskleri

Foundation modeller çok güçlü olmalarına rağmen bazı önemli sorunları da beraberinde getirir.

Hallucination

Model gerçek olmayan bilgileri ikna edici biçimde üretebilir.

Bias

Eğitim verilerindeki toplumsal veya istatistiksel önyargılar model davranışına yansıyabilir.

Gizlilik

Hassas kurumsal veya kişisel verilerin modele nasıl aktarıldığı önemlidir.

Telif ve Veri Kaynağı

Modelin eğitiminde kullanılan verilerin kaynağı, lisans koşulları ve fikrî mülkiyet meseleleri tartışma konusu olabilir.

Yüksek Hesaplama Maliyeti

Çok büyük foundation modellerin eğitilmesi ve çalıştırılması ciddi hesaplama altyapısı gerektirebilir.

Sistemik Etki

Aynı temel model çok sayıda uygulamanın altında kullanılıyorsa modeldeki bir hata veya zayıflık farklı downstream sistemlere taşınabilir. Bu son nokta foundation modeller açısından özellikle önemlidir.

Foundation Model Seçerken Nelere Bakılmalı?

Bir kurum foundation model seçerken yalnızca “en güçlü model hangisi?” sorusuna bakmamalıdır. Şunlar birlikte değerlendirilmelidir:

• Görev performansı
• Model boyutu
• Maliyet
• Gecikme süresi
• Türkçe performansı
• Context window
• Multimodal yetenekler
• Fine-tuning olanakları
• RAG uyumluluğu
• Tool-use yetenekleri
• Veri gizliliği
• Lisans koşulları
• Yerel çalıştırma imkânı
• Güvenlik mekanizmaları
• Kurumsal entegrasyon

Dolayısıyla doğru seçim:

En Büyük Model ≠ Her Zaman En Uygun Model

şeklinde özetlenebilir.

Foundation Model – LLM – SLM İlişkisini Tek Şemada Gösterelim

Kavramları zihinde oturtmanın kolay bir yolu şudur:

YAPAY ZEKÂ

↓

FOUNDATION MODELS

↓

Dil Modelleri / Görsel Modeller / Multimodal Modeller / Diğer Temel Modeller

↓

Dil modelleri içerisinde:

LLM ← ölçeği büyük

SLM ← ölçeği daha küçük ve verimlilik odaklı

Bunların üzerine:

RAG + Fine-Tuning + Tools

eklenebilir.

Sonuçta:

AI Assistant / AI Agent / Kurumsal AI Uygulaması

ortaya çıkabilir.

Sonuç

Foundation model, günümüz yapay zekâ ekosisteminin en temel kavramlarından biridir. Belirli tek bir görevi gerçekleştirmek üzere sıfırdan geliştirilen geleneksel modellerden farklı olarak, geniş veri üzerinde önceden eğitilir ve çok sayıda downstream göreve uyarlanabilecek ortak bir temel sağlar. LLM ve SLM kavramlarıyla arasındaki fark da burada ortaya çıkar. Foundation model modelin geniş kapsamlı yeniden kullanılabilirliğini; LLM ve SLM ise özellikle dil modellerinin ölçeği ve yapısıyla ilişkili kavramları ifade eder. Multimodal, RAG ve AI agent gibi terimler ise modelin yetenekleri veya model üzerine kurulan sistemlerin nasıl çalıştığıyla ilgilidir.

Kısaca:

• Foundation Model = Temel
• LLM/SLM = Model türü ve ölçeği
• Multimodal = İşleyebildiği veri türleri
• RAG = Dış bilgiye erişim
• AI Agent = Araç kullanarak eyleme geçebilen sistem

Bu ayrımlar anlaşıldığında modern üretken yapay zekâ terminolojisinin önemli bir bölümü çok daha kolay anlaşılır hâle gelir.