Makine öğrenmesi, bir yazılımın kurallarla tek tek programlanmak yerine veriden öğrenerek tahmin yapması ya da içerik üretmesidir. Google'ın geliştirici eğitim belgesine göre makine öğrenmesi, "model" denen bir yazılımı veriyle eğitip ondan yararlı tahminler ya da içerik elde etme sürecidir. Öğrenme biçimine göre dört ana türü vardır: denetimli, denetimsiz, pekiştirmeli öğrenme ve üretken yapay zekâ.
Şirketlerde kullanımı Türkiye'de henüz dar. Eurostat verisine göre 2025'te Türkiye'de 10 ve üzeri çalışanı olan girişimlerin yüzde 2,9'u veri analizi için makine öğrenmesi kullandı; AB'de bu oran yüzde 5,1. 250 ve üzeri çalışanlı girişimlerde oranlar Türkiye'de yüzde 12,2, AB'de yüzde 25,1.
Kısaca:
- Makine öğrenmesi yapay zekânın bir alt alanıdır; sistem kuralı insandan değil veriden çıkarır (AB Yapay Zekâ Yasası, gerekçe 12).
- En yaygın iş kullanımı tahmin (sayı) ve sınıflandırmadır (kategori); gruplama da sık kullanılır (Google).
- Başlangıç noktası algoritma değil, sorunun kendisi ve geçmiş verinin kalitesidir.
Makine öğrenmesi nedir, nasıl çalışır?
Geleneksel yazılımda bir geliştirici kuralları açıkça yazar: "tutar şu sınırı aşarsa onaya gönder" gibi. Makine öğrenmesinde ise sisteme çok sayıda geçmiş örnek verilir; model bu örneklerdeki ilişkiyi kendisi bulur ve yeni bir girdi geldiğinde bu ilişkiyi uygular.
Google'ın belgesi bunu yağış tahminiyle örnekler. Geleneksel yaklaşımda atmosferin fiziksel modeli kurulup çok sayıda denklem hesaplanır. Makine öğrenmesi yaklaşımında ise modele büyük miktarda hava durumu verisi verilir; model hava örüntüleri ile yağış miktarı arasındaki matematiksel ilişkiyi öğrenir, sonra güncel veriyle tahmin yapar. Belgedeki tanıma göre model, veriden türetilmiş ve tahmin için kullanılan matematiksel bir ilişkidir.
Pratikte süreç üç adımdan oluşur: geçmiş veri toplanır ve hazırlanır, model bu veriyle eğitilir, ardından modelin daha önce görmediği verideki başarısı ölçülür. Bu son adım atlanırsa modelin gerçek işte ne kadar isabetli olacağı bilinemez.
Makine öğrenmesi ile yapay zekâ arasındaki fark ne?
Yapay zekâ şemsiye kavramdır, makine öğrenmesi bu şemsiyenin altındaki yöntemlerden biridir. AB Yapay Zekâ Yasası'nın (Tüzük 2024/1689) 12. gerekçesi, yapay zekâ sistemlerinin temel özelliğini girdiden çıktı "çıkarsama" yeteneği olarak tanımlar ve bunu sağlayan iki teknik aileyi sayar: veriden öğrenen makine öğrenmesi yaklaşımları ile kodlanmış bilgiden ya da sembolik gösterimden çıkarım yapan mantık ve bilgi tabanlı yaklaşımlar.
Aramalarda sık geçen "makine öğrenmesi ile sembolik yapay zekâ arasındaki fark" sorusunun kısa cevabı da budur: sembolik yaklaşımda kurallar ve bilgi insan tarafından kodlanır; makine öğrenmesinde ilişki veriden öğrenilir. Aynı gerekçe, yalnızca insanların tanımladığı kurallarla işlem yapan sistemlerin yapay zekâ sayılmadığını da belirtir.
Derin öğrenme ise makine öğrenmesinin bir alt türüdür. Eurostat girişim anketinde gösterge "makine öğrenmesi (ör. derin öğrenme)" olarak tanımlanır; yani derin öğrenme makine öğrenmesinin bir örneği olarak ölçülür. Üretken yapay zekâ da Google'ın sınıflamasında makine öğrenmesi türlerinden biridir; ayrıntısı için üretken yapay zekâ nedir yazısına bakın.
Makine öğrenmesi türleri nelerdir?
Google'ın belgesine göre makine öğrenmesi sistemleri, nasıl öğrendiklerine göre dört kategoriye ayrılır:
- Denetimli öğrenme: model, doğru cevapları içeren çok sayıda örnekten öğrenir. Belge bunu cevaplı eski sınavlarla çalışan bir öğrenciye benzetir. İki yaygın kullanımı vardır: sayısal bir değer tahmin eden regresyon (ör. yolculuk süresi, bir konutun piyasa değeri) ve bir şeyin hangi kategoriye ait olduğunu tahmin eden sınıflandırma (ör. bir e-postanın istenmeyen posta olup olmadığı).
- Denetimsiz öğrenme: veride doğru cevap yoktur; model anlamlı örüntüler arar. En bilinen tekniği benzer kayıtları gruplara ayıran kümelemedir. Belgeye göre kümeler önceden tanımlanmaz; grupları yorumlayıp adlandırmak insana kalır.
- Pekiştirmeli öğrenme: model, bir ortamda yaptığı eylemlere göre ödül ya da ceza alarak en çok ödül getiren stratejiyi geliştirir. Belgedeki örnekler robotlara görev öğretmek ve Go oynayan yazılımlardır.
- Üretken yapay zekâ: kullanıcı girdisinden metin, görüntü, ses ya da video gibi yeni içerik üretir.
Şirketler makine öğrenmesini nerede kullanıyor?
Aşağıdaki örnekler, Google'ın tanımladığı model türlerinin şirket işlerine nasıl karşılık geldiğini gösteren uygulama önerileridir; belirli bir sektör verisine dayanmaz:
- Talep ve satış tahmini (regresyon): geçmiş satış, mevsim ve kampanya verisiyle önümüzdeki dönemin sipariş miktarını tahmin etmek; stok ve üretim planına girdi sağlar.
- Teslim ve süre tahmini (regresyon): sevkiyatın varış süresini ya da bir işin tamamlanma süresini geçmiş kayıtlardan tahmin etmek.
- Sınıflandırma ve önceliklendirme: gelen talepleri, e-postaları ya da belgeleri türüne göre ayırmak; şüpheli işlemleri ya da hatalı kayıtları işaretleyip insan incelemesine yönlendirmek.
- Müşteri ve ürün gruplama (kümeleme): satın alma davranışı benzer müşterileri ya da hareketi benzer stok kalemlerini gruplamak; gruplar daha sonra iş birimi tarafından yorumlanır.
- Kalite ve bakım sinyalleri: sensör ya da üretim kayıtlarından arıza veya kusur olasılığını sınıflandırmak.
Bu örneklerin ortak şartı, aynı soruya ait yeterli ve güvenilir geçmiş verinin olmasıdır. Verinin sahipliği, tanımları ve kalitesi netleşmeden kurulan model, hatalı veriyi hızla tekrar eder; bu konu için yapay zekâ için veri yönetişimi yazısına bakın.
Türkiye'de şirketler makine öğrenmesini ne kadar kullanıyor?
Eurostat'ın girişimlerde yapay zekâ anketinde "veri analizi için makine öğrenmesi (ör. derin öğrenme)" ayrı bir teknoloji olarak ölçülür. 2025 verisine göre bu teknolojiyi kullanan girişimlerin oranı Türkiye'de 10-49 çalışanlılarda yüzde 2,4, 50-249 çalışanlılarda yüzde 3,7, 250 ve üzeri çalışanlılarda yüzde 12,2. AB'de aynı gruplar için oranlar yüzde 3,8, yüzde 8,7 ve yüzde 25,1.
Bir yıl önceyle karşılaştırıldığında 10 ve üzeri çalışanlı girişimlerde oran Türkiye'de yüzde 2,3'ten yüzde 2,9'a, AB'de yüzde 4,2'den yüzde 5,1'e çıktı. Türkiye'de büyük girişimlerdeki oran ise iki yılda da yüzde 12,2 düzeyinde kaldı. Aynı ankete göre 2025'te en az bir yapay zekâ teknolojisi kullanan girişimlerin oranı Türkiye'de yüzde 7,4, AB'de yüzde 20,0. Eurostat'ın değerlendirmesine göre AB'de 2025'te en sık kullanılan teknoloji yüzde 11,8 ile metin madenciliğiydi; makine öğrenmesi, görüntü-ses ve metin üreten teknolojilerin de gerisinde kaldı.
Makine öğrenmesi projesine nereden başlanmalı?
Aşağıdaki sorular kaynaklı bir standart değil, proje öncesi kullanılabilecek bir kontrol listesidir:
- İş sorusu net mi? "Gelecek ayın siparişi ne olur?" ya da "bu kayıt hatalı mı?" gibi ölçülebilir bir soru seçilmeli.
- Geçmiş veri var mı? Denetimli öğrenme için doğru cevabı bilinen yeterli örnek gerekir.
- Başarı nasıl ölçülecek? Modelin mevcut yöntemle (ör. elle tahmin) karşılaştırılacağı ölçüt baştan belirlenmeli.
- Hata olursa ne olacak? Yanlış tahminin maliyeti yüksekse sonuç karar değil öneri olarak kullanılmalı ve son söz insanda kalmalı.
Sonuç: makine öğrenmesine nasıl hazırlanılır?
Makine öğrenmesi, kuralı veriden öğrenen yapay zekâ yöntemidir; şirketlerde en çok tahmin, sınıflandırma ve gruplama işlerinde kullanılır. Türkiye'de kullanım AB'nin gerisinde ve büyük girişimlerde yoğunlaşıyor. Doğru başlangıç, net bir iş sorusu ve güvenilir geçmiş veridir. Süreçlerinizde makine öğrenmesinin uygun olup olmadığını değerlendirmek için iletişim sayfamızdan bize ulaşabilirsiniz.
Bu yazı genel bilgilendirme amaçlıdır. Google, ilgili şirketin ticari markasıdır.
#interimmanagement #forwarddeployedengineering