[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-constitutional-ai::tr":3,"gloss-cluster-constitutional-ai::tr":23,"gloss-next-constitutional-ai::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"constitutional-ai","core-ai","Anayasal Yapay Zekâ (Constitutional AI)","Anayasal Yapay Zekâ, Anthropic tarafından geliştirilen bir hizalama tekniğidir; modelin, her zararlı veya faydasız çıktıyı etiketlemek için yalnızca insanlara güvenmek yerine, kendi yanıtlarını yazılı bir ilkeler kümesine — bir \"anayasaya\" — göre eleştirip yeniden yazacak şekilde eğitildiği yöntemdir. Model bir cevap üretir, bunu ilkelere göre denetler, yeniden yazar ve bu öz-düzeltmeler eğitim sinyaline dönüşür; sonraki bir aşama, güvenlik ayarının büyük kısmı için insan değerlendiriciler yerine yapay zekâ tarafından üretilen tercih geri bildirimini (RLAIF) kullanır. Anthropic'in Claude modelleri bu şekilde eğitilir. Geliştiriciler için bu kavram, modern asistanların davranışlarını ve sınırlarını nasıl kazandığına dair yararlı bir zihinsel modeldir: bir modelin izlediği kurallar, milyonlarca insan etiketine gömülmek yerine açık ve incelenebilir hale getirilebilir. Pratik not: barındırılan bir modelin anayasasını düzenleyemezsiniz, ancak kendi ilkelerinizi ve önceliklerinizi belirten net bir sistem prompt'uyla davranışı kendi katmanınızda şekillendirebilirsiniz — bunu uygulamanız için hafif bir anayasa olarak düşünün. Önüne geçilmesi gereken iki yanlış okuma var. Anayasa, normal kullanım sırasında modele çalışma zamanı sistem prompt'u olarak verilmez — bu, öncelikle öğrenilmiş davranışı biçimlendiren bir eğitim zamanı tekniğidir, modelin çıkarım anında başvurduğu bir belge değil; dolayısıyla onu kendi talimatlarınızı inceleyebildiğiniz gibi bir API çağrısından inceleyemez veya geçersiz kılamazsınız. Ayrıca belirtilen her ilkeye kusursuz uyum da garanti etmez. Her hizalama yöntemi gibi istenmeyen davranışı ortadan kaldırmadan azaltır; bu şekilde eğitilmiş bir model hâlâ sınır durumlarda tutarsız biçimde reddeder ve kararlı bir jailbreak'le hâlâ politikanın dışına itilebilir. Yaklaşımın gerçekten kazandırdığı şey ölçek ve denetlenebilirliktir. Tercih etiketlemesinin büyük bölümü insan değerlendiriciler yerine yazılı ilkeleri izleyen bir yapay zekâ tarafından üretildiği için — RLAIF olarak bilinen teknik ailesi — salt insan geri bildirimini kısıtlayan etiketleme darboğazı büyük ölçüde ortadan kalkar ve güvenlik eğitiminin hem maliyeti hem de geçen süresi düşer. İlkeler yazılı olduğu için de okunabilir, tartışılabilir ve gözden geçirilebilir; bu, sonradan incelenemeyen milyonlarca opak insan tercih yargısından anlamlı biçimde farklı bir hesap verebilirlik hikâyesidir. Bariz bağımlılık şudur: kalite artık rehberlik eden modelin kendi yargısına ve anayasanın ne kadar net belirtildiğine dayanır — belirsiz ya da kötü seçilmiş bir ilke, çok sayıda bağımsız değerlendiricinin ortalamasında erimek yerine ölçekte yayılır. İnsan gözetimi de ortadan kalkmaz: ilkeleri hâlâ insanlar yazar ve sonuçları hâlâ insanlar denetler. Kendi katmanınız için pratik çıkarım şudur: ilkelerinizi kısa, sıralanmış ve çelişkisiz yazın. Uzun bir yasak listesi yerine, çatıştıklarında hangisinin kazanacağını söyleyen birkaç net öncelik, hem modelin hem de ekibinizin uyması çok daha kolay bir kurallar bütünü oluşturur.","Anthropic'in geliştirdiği Anayasal Yapay Zekâ, modeli her çıktıyı insanlara etiketletmek yerine yazılı ilkelere göre kendini eleştirip düzeltmeye eğitir.",null,[11,14,17,20],{"slug":12,"name":13},"alignment-tax","Hizalama Vergisi (Alignment Tax)",{"slug":15,"name":16},"guardrails","Koruma Bariyerleri (Guardrails)",{"slug":18,"name":19},"red-teaming","Kırmızı Takım (Red-Teaming)",{"slug":21,"name":22},"rlhf","İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)",[24,28,30,34,37,40,43,46,49,52,55,58],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Agentic AI (Ajan Tabanlı Yapay Zeka)","2026-08-24T02:46:36+00:00",{"slug":12,"category":5,"name":13,"updated_at":29},"2026-08-24T02:46:37+00:00",{"slug":31,"category":5,"name":32,"updated_at":33},"artificial-intelligence","Yapay Zekâ (AI)","2026-08-24T02:46:38+00:00",{"slug":35,"category":5,"name":36,"updated_at":27},"attention","Attention (Dikkat Mekanizması)",{"slug":38,"category":5,"name":39,"updated_at":33},"beam-search","Işın Arama (Beam Search)",{"slug":41,"category":5,"name":42,"updated_at":29},"benchmark-contamination","Kıyaslama Kirlenmesi (Benchmark Contamination)",{"slug":44,"category":5,"name":45,"updated_at":29},"catastrophic-forgetting","Felaketvari Unutma (Catastrophic Forgetting)",{"slug":47,"category":5,"name":48,"updated_at":33},"computer-vision","Bilgisayarlı Görü",{"slug":50,"category":5,"name":51,"updated_at":27},"context-window","Bağlam Penceresi (Context Window)",{"slug":53,"category":5,"name":54,"updated_at":33},"deep-learning","Derin Öğrenme",{"slug":56,"category":5,"name":57,"updated_at":27},"diffusion-model","Difüzyon Modeli (Diffusion Model)",{"slug":59,"category":5,"name":60,"updated_at":29},"direct-preference-optimization","Doğrudan Tercih Optimizasyonu (DPO)"]