İnsan beyni bir kelimenin anlamını hayatı boyunca kurduğu yaşantılar, duygu deneyimleri ve sosyal etkileşimler sayesinde zahmetsizce kavrar. Ancak bir bilgisayara 'kahve' ile 'çay'ın neden birbirine çok benzediğini, ama 'kahve' ile 'tuğla'nın neden alakasız olduğunu nasıl anlatabilirsiniz? Bu soru, modern yapay zekanın en heyecan verici dallarından biri olan Doğal Dil İşleme'nin (Natural Language Processing - NLP) merkezinde yer alır.
Dil bilimci John Rupert Firth 1957 yılında şöyle demişti: 'Bir kelimeyi, arkadaşlık ettiği diğer kelimelerden tanırsınız.' Yapay zekanın kelimeleri öğrenme prensibi tam olarak bu temele dayanır. Milyonlarca haber makalesi, kitap ve ansiklopedi metni bilgisayar tarafından taranır. Eğer 'kahve' kelimesi metinlerde düzenli olarak 'fincan', 'sıcak', 'sabah', 'içmek' ve 'sohbet' kelimeleriyle aynı cümlelerde yer alıyorsa; aynı şekilde 'çay' kelimesi de benzer sözcüklerle kullanılıyorsa, algoritma bu iki kelimenin aynı anlamsal uzayda komşu olduğuna karar verir.
Kelimelerin Sayılara Dönüşmesi: Vektör Uzayı (Vector Space): Kontekst oyununun kalbinde FastText ve BERT modelleri bulunur. Bu modeller Türkçedeki on binlerce kelimenin her birine 300 boyutlu matematiksel bir koordinat (vektör) atar. Tıpkı bir harita üzerindeki GPS koordinatları gibi, kelimeler de bu 300 boyutlu anlam uzayında birer noktadır. İki kelime arasındaki yakınlık, bu iki vektör arasındaki açının kosinüsü (Kosinüs Benzerliği - Cosine Similarity) hesaplanarak ölçülür. Açı sıfıra ne kadar yakınsa, benzerlik o kadar yüksektir (%100'e yaklaşır).
Örnek Vektör Uzayı Karşılaştırması: • 'Doktor' - 'Hastane' -> Kosinüs Benzerliği: 0.88 (Çok Yüksek - Yeşil Bölge) • 'Doktor' - 'Hemşire' -> Kosinüs Benzerliği: 0.92 (Çok Yüksek - Yeşil Bölge) • 'Doktor' - 'Stetoskop' -> Kosinüs Benzerliği: 0.81 (Yüksek - Yeşil Bölge) • 'Doktor' - 'Ameliyat' -> Kosinüs Benzerliği: 0.84 (Yüksek - Yeşil Bölge) • 'Doktor' - 'Okul' -> Kosinüs Benzerliği: 0.45 (Orta - Sarı Bölge) • 'Doktor' - 'Traktör' -> Kosinüs Benzerliği: 0.12 (Düşük - Kırmızı Bölge)
Türkçeye Özgü Zorluklar ve Kök Temizliği: İngilizce gibi dillerde kelimeler genellikle ek almadan yalın kalırken, Türkçe sondan eklemeli (agglutinative) yapısıyla benzersiz bir zenginliğe sahiptir. Örneğin 'ev' kökünden 'evler', 'evlerimiz', 'evde', 'evcil', 'evlenmek' gibi yüzlerce farklı biçim türetilebilir. Kontekst oyununda oyuncu deneyimini kusursuz kılmak adına gelişmiş morfolojik analiz araçları (Zemberek ve kural tabanlı lemmatizer) kullanılarak kelimeler kök ve gövde hallerine normalize edilir. Böylece oyuncular çekim ekleriyle uğraşmak zorunda kalmaz.
Sonuç olarak, Kontekst'te girdiğiniz her tahmin sadece bir kelime değil; yapay zekanın Türkçe dil havuzunda yaptığı devasa bir matematiksel yolculuktur. Her gün bu uzayda gezintiye çıkmak hem analitik düşünmeyi hem de dilin görünmeyen gizli bağlarını keşfetmenizi sağlar.