ARAMA MOTORLARI VE YAPAY ZEKÂ MODELLERİ:
BİLGİYE ERİŞİMDE YENİ PARADİGMA
ÖZET
Bu makale, geleneksel arama motorları ile yapay zekâ (YZ) tabanlı modellerin bilgiye erişim paradigmalarını derinlemesine karşılaştırmaktadır. Arama motorları, temelde anahtar kelime eşleştirmesi ve gelişmiş sıralama algoritmaları ile bilgi sunarken, YZ modelleri doğal dil işleme (NLP) ve makine öğrenimi (ML) teknikleri ile etkileşimli, bağlamsal ve kişiselleştirilmiş yanıtlar sağlamaktadır. Bu teknolojik dönüşüm, kullanıcıların “bilgi arama” davranışından “bilgiye danışma” davranışına geçiş sürecini hızlandırmaktadır. Dijital ekosistemin bu evrimsel süreci, arama motorlarının geleneksel işlevlerini yeniden tanımlamakta ve geleceğin bilgi erişim sistemlerinin nasıl olması gerektiğine dair önemli ipuçları sunmaktadır. Bu çalışma, bilgiye erişimde yaşanan paradigma değişimini inceleyerek, her iki teknolojinin güçlü yönlerini, sınırlamalarını ve gelecekte olası entegrasyon modellerini çok boyutlu olarak ele almaktadır.
***
1. GİRİŞ
İnternetin ortaya çıkışından günümüze, bilgiye erişim yöntemleri sürekli bir evrim geçirmiştir. Web 1.0’dan Web 3.0’a geçiş sürecinde, bilgiye ulaşma biçimimiz de köklü değişikliklere uğramıştır. Castells’in (2010) “ağ toplumu” kavramıyla tanımladığı dijital çağda, bilgi bolluğu içerisinde doğru ve güvenilir bilgiye hızlı erişim, kritik bir ihtiyaç haline gelmiştir [1]. Geleneksel arama motorları, bu ihtiyacı karşılamak üzere geliştirilen ilk sistemler olarak, kullanıcıların anahtar kelimeler aracılığıyla geniş bilgi havuzunda navigasyon yapmalarını sağlamıştır.
Bununla birlikte, Brin ve Page’in (1998) ilk Google algoritması olan PageRank’ten bu yana arama teknolojileri büyük bir evrim geçirmiştir [2]. Özellikle son yıllarda, yapay zekâ ve derin öğrenme alanındaki atılımlar, bilgiye erişim yöntemlerini kökten dönüştürmektedir. Devlin ve arkadaşlarının (2018) BERT modeli ve OpenAI’nin (2020) GPT serisi gibi gelişmiş dil modelleri, kullanıcı sorgularını anlama ve yanıtlama biçiminde devrim yaratmıştır [3][4].
Bu makale, söz konusu teknolojik dönüşümü derinlemesine inceleyerek, kullanıcıların “arama yapma” davranışından “danışma” davranışına geçiş sürecini analiz etmektedir. Araştırmamız, dijital ekosistemin bu evrimsel sürecini tarihsel ve teknolojik perspektiflerden değerlendirerek, geleceğin bilgi erişim sistemlerinin nasıl şekilleneceğine dair öngörüler sunmaktadır.
***
2. ARAMA MOTORLARININ TARİHSEL GELİŞİMİ VE İŞLEVSELLİĞİ
2.1. Temel Mimari ve Çalışma Prensibi
Arama motorları, internetin geniş bilgi havuzunda navigasyon sağlayan karmaşık sistemlerdir. Bu sistemler temel olarak üç bileşenden oluşmaktadır: tarayıcı (crawler), indeksleyici (indexer) ve sorgu işlemcisi (query processor) (Battelle, 2005) [5]. Tarayıcılar, web üzerindeki milyarlarca sayfayı sürekli olarak ziyaret ederken, indeksleyiciler bu içerikleri analiz edip kategorize eder ve sorgu işlemcileri kullanıcı sorgularını bu indeks üzerinde değerlendirir.
Google’ın kurucu ilkesi olan “bilgiyi düzenlemek ve herkes için erişilebilir kılmak” mottosu, arama motorlarının temel misyonunu özetlemektedir (Page ve Brin, 1998) [2]. Bu misyon doğrultusunda geliştirilen PageRank algoritması, web sayfalarını bağlantı yapılarına göre değerlendirerek, en alakalı ve güvenilir içerikleri kullanıcılara sunmayı hedeflemiştir.
Langville ve Meyer’in (2006) çalışmalarında belirttiği gibi, PageRank algoritması sayfa otoritesini, o sayfaya yönlendirilen diğer sayfaların otoritesini de hesaba katarak değerlendirmiştir [6]. Bu yaklaşım, akademik makalelerin atıf sistemine benzer şekilde, web sayfalarının “dijital itibarını” ölçmeyi amaçlamaktadır.
2.2. Arama Algoritmaları ve Yapay Zekâ Entegrasyonu
Arama motorları, zaman içerisinde sadece anahtar kelime eşleştirmesinden çok daha sofistike sistemlere dönüşmüştür. Google’ın Hummingbird (2013), RankBrain (2015) ve BERT (2019) gibi algoritma güncellemeleri, kullanıcı sorgularını daha iyi anlamak ve bağlamsal olarak değerlendirmek üzere yapay zeka teknolojilerini entegre etmiştir (Moz, 2022) [7].
RankBrain, Google’ın makine öğrenimi tabanlı ilk büyük algoritması olarak, daha önce görülmemiş sorguları bile anlayabilme yeteneği getirmiştir. Silverstein ve arkadaşlarının (1999) araştırmasına göre, kullanıcı sorgularının yaklaşık %20-25’i daha önce hiç görülmemiş sorgulardır [8]. Bu durum, arama motorlarının öngörülemeyen kullanıcı sorgularını anlamak için yapay zekâ teknolojilerine olan ihtiyacını açıkça ortaya koymaktadır.
Google’ın 2023 yılında tanıttığı Gemini modeli, metin, kod, ses, görüntü ve videoyu entegre şekilde anlayıp işleyebilme yeteneğine sahiptir [9]. Bu gelişme, arama motorlarının sadece metin tabanlı değil, multimodal sorguları da işleyebilen sistemlere dönüştüğünü göstermektedir.
***
3. YAPAY ZEKÂ MODELLERİNİN YÜKSELİŞİ VE BİLGİYE ERİŞİME ETKİLERİ
3.1. Büyük Dil Modelleri ve Doğal Dil İşleme
Yapay zekâ alanındaki en çarpıcı gelişmelerden biri, büyük dil modellerinin (Large Language Models – LLMs) ortaya çıkışıdır. OpenAI’nin GPT serisi, Anthropic’in Claude modeli, Google’ın PaLM ve Gemini modelleri gibi sistemler, milyarlarca parametre içeren derin öğrenme mimarileri kullanarak insan benzeri metin üretimi gerçekleştirebilmektedir (Brown vd., 2020) [10].
Bu modeller, Vaswani ve arkadaşlarının (2017) öncü çalışması olan “Attention is All You Need” makalesinde tanıtılan Transformer mimarisine dayanmaktadır [11]. Transformer mimarisi, dil modellerinin uzun metinlerdeki bağlamsal ilişkileri daha etkili şekilde öğrenmesini sağlayarak, doğal dil işleme alanında devrim yaratmıştır.
Yapay zekâ modelleri, kullanıcıların kompleks sorularını anlama ve yanıtlama konusunda önemli yetenekler geliştirmiştir. Örneğin, “Küresel ısınmanın buzullar üzerindeki etkisi nedir ve bilim insanları bu etkiyi nasıl ölçüyor?” gibi çok boyutlu bir soru, geleneksel arama motorlarında birden fazla sorgu gerektirebilirken, YZ modelleri tek bir etkileşimde kapsamlı yanıtlar üretebilmektedir.
3.2. Etkileşimli ve Bağlamsal Yanıt Üretimi
YZ modellerinin en önemli avantajlarından biri, etkileşimli ve bağlamsal yanıt üretme yetenekleridir. Bu modeller, kullanıcılarla sürekli diyalog halinde kalarak, sorguları derinlemesine inceleyebilir ve ardışık sorulardaki bağlamı koruyabilir (Radford vd., 2019)[12].
Arama motorları, kullanıcıların her yeni sorguda bağlamı yeniden oluşturmasını gerektirirken, YZ modelleri bir konuşmanın akışını takip ederek, önceki sorulara ve yanıtlara referansla yeni bilgiler sunabilmektedir. Bu etkileşim modeli, bilgiye erişimde daha doğal ve insan benzeri bir deneyim sunmaktadır.
Weizenbaum’un (1966) ELIZA programından günümüzün gelişmiş chatbot’larına kadar, insan-makine etkileşimi sürekli olarak daha doğal ve akıcı hale gelmiştir [13]. Modern YZ modelleri, kullanıcıların sorgularındaki nüansları anlayarak, sadece bilgi sunmanın ötesinde, bilgiyi yorumlama ve sentezleme yetenekleri göstermektedir.
3.3. Bilgi Doğruluğu ve Güvenilirlik Sorunları
YZ modellerinin yaygınlaşmasıyla birlikte, bilgi doğruluğu ve güvenilirlik konuları da önem kazanmıştır. “Halüsinasyon” olarak adlandırılan, modellerin gerçekte olmayan bilgileri gerçekmiş gibi sunması sorunu, YZ tabanlı bilgi sistemlerinin karşılaştığı en büyük zorluklardan biridir (Dziri vd., 2022) [14].
Mitchell ve arkadaşları (2022), YZ modellerinin özellikle nadir bilgiler söz konusu olduğunda doğruluk sorunları yaşadığını vurgulamaktadır [15]. Bu durum, özellikle akademik ve profesyonel kullanım senaryolarında ciddi kısıtlamalar getirmektedir.
Arama motorları, bilgi kaynaklarına doğrudan bağlantılar sunarak kullanıcıların bilgiyi doğrulamasına olanak tanırken, YZ modelleri genellikle kaynaksız bilgiler sunmaktadır. Bu nedenle, YZ modellerinin bilgi doğruluğu ve güvenilirliği konusunda kat etmeleri gereken önemli bir mesafe bulunmaktadır.
***
4. ARAMA MOTORLARI VE YAPAY ZEKÂ MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ
4.1. Teknolojik Altyapı ve Algoritma Farklılıkları
Arama motorları ve YZ modelleri arasındaki temel farklılıklardan biri, teknolojik altyapılarıdır. Arama motorları, web içeriğini tarayıp indeksleyen ve kullanıcı sorgularını bu indeks üzerinde değerlendiren sistemlerdir. Buna karşılık, YZ modelleri, büyük veri setleri üzerinde eğitilmiş derin öğrenme sistemleridir ve çoğunlukla statik bilgi tabanlarına sahiptir.
Li ve Xu’nun (2014) çalışmasında belirtildiği gibi, arama motorları dinamik ve sürekli güncellenen bir bilgi kaynağı sunarken, YZ modelleri eğitim verilerinin sınırları içerisinde bilgi sunmaktadır [16]. Bu durum, YZ modellerinin eğitim tarihinden sonraki gelişmeler hakkında bilgi sağlama konusunda dezavantajlı olmasına yol açmaktadır.
Algoritma perspektifinden bakıldığında, arama motorları temelde ilgililik (relevance) ve otorite (authority) değerlendirmesi yaparken, YZ modelleri olasılıksal dil modelleme (probabilistic language modeling) ve bağlamsal anlama (contextual understanding) üzerine odaklanmaktadır (Wang vd., 2022) [17].
4.2. Kullanıcı Deneyimi ve Etkileşim Modeli
Kullanıcı deneyimi açısından, arama motorları ve YZ modelleri farklı paradigmalar sunmaktadır. Nielsen’in (2000) kullanılabilirlik çalışmalarında vurguladığı gibi, arama motorları kullanıcılara “keşif” ve “navigasyon” imkânı sunarken, YZ modelleri daha “diyalog” temelli bir etkileşim sağlamaktadır [18].
Arama motorları, kullanıcıların kendi bilgi keşif süreçlerini yönetmelerine olanak tanırken, YZ modelleri daha yönlendirilmiş ve yapılandırılmış bir bilgi deneyimi sunmaktadır. Bu durum, kullanıcıların bilgi arama stratejilerini ve alışkanlıklarını etkilemektedir.
Marchionini’nin (2006) “keşif amaçlı arama” (exploratory search) kavramı, kullanıcıların bilgi ihtiyaçlarını karşılamak için farklı stratejiler kullandığını vurgulamaktadır [19]. Arama motorları bu keşif sürecini desteklerken, YZ modelleri daha hedefe yönelik ve doğrudan bilgi sunumu sağlamaktadır.
4.3. Bilgiye Erişim Paradigmaları: Arama mı, Danışma mı?
Hillis ve arkadaşları (2013), arama motorlarının modern toplumda “bilgi altyapısı” haline geldiğini ve kullanıcıların bilgi edinme alışkanlıklarını şekillendirdiğini vurgulamaktadır [20]. YZ modellerinin yükselişi ise, bu altyapıda paradigma değişimine işaret etmektedir.
“Arama” paradigması, kullanıcıların bilgi ihtiyaçlarını sorgu terimleriyle ifade etmesini ve sonuçlar arasında navigasyon yapmasını gerektirirken, “danışma” paradigması kullanıcıların doğal dille sorular sormasını ve doğrudan yanıtlar almasını sağlamaktadır. Bu paradigma değişimi, kullanıcıların bilgi edinme süreçlerini kökten değiştirme potansiyeline sahiptir.
Yang ve arkadaşlarının (2023) araştırması, YZ modellerinin özellikle karmaşık sorguların yanıtlanmasında kullanıcı tercihlerini etkilediğini göstermektedir [21]. Bununla birlikte, aynı çalışma faktüel ve güncel bilgi gerektiren sorguların hala arama motorları aracılığıyla karşılandığını ortaya koymaktadır.
***
5. GELECEK PERSPEKTİFLERİ: ENTEGRASYON VE YENİ NESİL BİLGİ ERİŞİM SİSTEMLERİ
5.1. Arama Motorları ve YZ Modellerinin Entegrasyonu
Geleceğin bilgi erişim sistemleri, büyük olasılıkla arama motorları ve YZ modellerinin güçlü yönlerini birleştiren hibrit sistemler olacaktır. Microsoft’un Bing Chat ve Google’ın Search Generative Experience (SGE) gibi girişimler, bu entegrasyonun ilk örneklerini oluşturmaktadır.
Bu hibrit sistemler, arama motorlarının güncel ve geniş bilgi indeksleriyle YZ modellerinin doğal dil anlama ve yanıt üretme yeteneklerini birleştirmektedir. Böylece kullanıcılar, hem güncel ve doğrulanabilir bilgilere erişebilmekte hem de bu bilgilerin bağlamsal ve özetlenmiş versiyonlarını alabilmektedir.
5.2. Doğrulanabilir ve Kaynak-Destekli YZ Yanıtları
YZ modellerinin en önemli sınırlamalarından biri olan kaynak göstermeme ve doğrulanabilir bilgi sunmama sorunları, geleceğin sistemlerinde çözülmesi gereken öncelikli konular arasındadır. Nakano ve arkadaşlarının (2021) çalışmasında önerilen “kaynak-destekli yanıt üretimi” (source-supported response generation) modelleri, YZ yanıtlarının doğrulanabilirliğini artırmayı hedeflemektedir [22].
Microsoft’un geliştirdiği Bing Chat gibi sistemler, YZ yanıtlarını web kaynaklarına referanslarla destekleyerek bu sorunu çözmeye çalışmaktadır. Bu yaklaşım, YZ modellerinin akademik ve profesyonel kullanım alanlarında daha güvenilir araçlar haline gelmesine katkı sağlayacaktır.
5.3. Kişiselleştirilmiş ve Bağlamsal Bilgi Asistanları
Geleceğin bilgi erişim sistemleri, kullanıcıların tercihlerini, ilgi alanlarını ve geçmiş etkileşimlerini dikkate alan kişiselleştirilmiş asistanlar olacaktır. Bu sistemler, kullanıcıların bilgi ihtiyaçlarını daha iyi anlayarak, daha ilgili ve kişiselleştirilmiş yanıtlar sunacaktır.
Shani ve Gunawardana’nın (2011) öneri sistemleri üzerine çalışması, kişiselleştirmenin bilgi erişimde oynadığı kritik rolü vurgulamaktadır [23]. YZ tabanlı bilgi asistanları, kullanıcıların örtük ve açık tercihlerini analiz ederek, daha alakalı ve kişiselleştirilmiş bilgi deneyimleri sunabilecektir.
***
6. SONUÇ VE DEĞERLENDİRME
Bilgiye erişim yöntemlerinin evrimi, dijital çağın en önemli dönüşümlerinden biridir. Geleneksel arama motorlarından YZ tabanlı danışman sistemlere geçiş, bu evrimsel sürecin önemli bir aşamasını temsil etmektedir. Her iki paradigmanın güçlü ve zayıf yönleri, geleceğin bilgi erişim sistemlerinin nasıl şekilleneceğine dair ipuçları sunmaktadır.
Arama motorları, güncel, geniş kapsamlı ve doğrulanabilir bilgi sunma konusunda avantajlarını korurken, YZ modelleri doğal dil anlama, bağlamsal yorumlama ve etkileşimli diyalog yetenekleriyle öne çıkmaktadır. Geleceğin bilgi erişim sistemleri, büyük olasılıkla her iki paradigmanın güçlü yönlerini birleştiren hibrit sistemler olacaktır.
Bu dönüşüm sürecinde, bilgi doğruluğu, güvenilirlik, erişim eşitliği ve bilgi çeşitliliği gibi konular önemli tartışma alanları olmaya devam edecektir. Bilgiye erişim sistemlerinin gelişimi, sadece teknolojik bir süreç değil, aynı zamanda toplumsal, etik ve politik boyutları olan bir dönüşümdür.
Sonuç olarak, arama motorları ve YZ modellerinin evrimsel süreci, dijital çağda bilgiye erişim yöntemlerimizi yeniden tanımlamaktadır. Bu dönüşüm, kullanıcıların bilgiyi nasıl aradığı, eriştiği ve kullandığı konusunda köklü değişikliklere yol açmakta ve gelecekte bilgi toplumunun nasıl şekilleneceğini etkilemektedir.
27.03.2025
Av. Fahrettin Önder
E. Öğ. Alb. / EDA Üyesi / Dijital Yaşam Derneği (DYD) Kurucu Üyesi
KAYNAKÇA
[1] Castells, M. (2010). The Rise of the Network Society. Wiley-Blackwell.
[2] Page, L., & Brin, S. (1998). The anatomy of a large-scale hypertextual Web search engine. Computer Networks and ISDN Systems, 30(1-7), 107-117.
[3] Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
[4] Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … & Amodei, D. (2020). Language models are few-shot learners. arXiv preprint arXiv:2005.14165.
[5] Battelle, J. (2005). The Search: How Google and Its Rivals Rewrote the Rules of Business and Transformed Our Culture. Portfolio.
[6] Langville, A. N., & Meyer, C. D. (2006). Google’s PageRank and Beyond: The Science of Search Engine Rankings. Princeton University Press.
[7] Moz. (2022). Google Algorithm Update History. https://moz.com/google-algorithm-change
[8] Silverstein, C., Marais, H., Henzinger, M., & Moricz, M. (1999). Analysis of a very large web search engine query log. ACM SIGIR Forum, 33(1), 6-12.
[9] “Google’ın en geniş ve en yetenekli yapay zeka modeli ile tanışın: Gemini”, Google Blog. https://blog.google/intl/tr-tr/urun-duyurulari/kesfet-cevaplari-bul/2023_12_googlen-en-genis-ve-en-yetenekli-yapay/
[10] Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … & Amodei, D. (2020). Language models are few-shot learners. arXiv preprint arXiv: 2005.14165.
[11] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. arXiv preprint arXiv:1706.03762.
[12] Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language models are unsupervised multitask learners. OpenAI Blog, 1(8), 9.
[13] Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45.
[14] Dziri, N., Kamalloo, E., Mathewson, K. W., & Zaiane, O. (2022). On the origin of hallucinations in conversational models: Is it the datasets or the models? arXiv preprint arXiv:2204.07931.
[15] Mitchell, E., Lin, Y., Bosselut, A., Finn, C., & Manning, C. D. (2022). Fast model editing at scale. arXiv preprint arXiv: 2110.11309.
[16] Li, H., & Xu, J. (2014). Semantic Matching in Search. Now Publishers.
[17] Wang, K., Lu, H., Shen, Y., Dou, Z., & Wen, J. R. (2022). Pretrained language models for web-scale retrieval. ACM Transactions on Information Systems (TOIS), 40(4), 1-27.
[18] Nielsen, J. (2000). Designing Web Usability: The Practice of Simplicity. New Riders Publishing.
[19] Marchionini, G. (2006). Exploratory search: From finding to understanding. Communications of the ACM, 49(4), 41-46.
[20] Hillis, K., Petit, M., & Jarrett, K. (2013). Google and the Culture of Search. Routledge.
[21] Yang, L., Teevan, J., & Zhang, Y. (2023). How ChatGPT and generative AI are changing the way we search for information. Communications of the ACM, 66(8), 62-64.
[22] Nakano, R., Hilton, J., Balaji, S., Wu, J., Ouyang, L., Kim, C., … & Schulman, J. (2021). WebGPT: Browser-assisted question-answering with human feedback. arXiv preprint arXiv:2112.09332.
[23] Shani, G., & Gunawardana, A. (2011). Evaluating recommendation systems. Recommender Systems Handbook, 257-297.
[24] “Dijital Arama Motorlarında Yapay Zekâ Etkisi ve İşlevsellik Analizi”, DergiPark. https://dergipark.org.tr/en/download/article-file/3270094
[25] “Yapay Zeka Destekli En İyi Arama Motorları”, ÇözümPark. https://www.cozumpark.com/yapay-zeka-destekli-en-iyi-arama-motorlari/
[26] “Yapay Zeka ile Dönüşen Arama Deneyimi”, Webtures. https://www.webtures.com/tr/blog/yapay-zeka-ve-kullanici-arama-niyetleri/
[27] “ChatGPT, Google Bard, Microsoft Bing, Claude ve Perplexity – En Doğru Yapay Zeka Aracı”, Zeo.org. https://zeo.org/tr/kaynaklar/blog/chatgpt-google-bard-microsoft-bing-claude-ve-perplexity-en-dogru-yapay-zeka-araci
[28] “Yapay Zeka Destekli Arama Motorlarının Yükselişi – Google’ın Hakimiyeti Tehlikede”, Teknoloji Haberleri. https://www.teknolojihaberleri.com/yapay-zeka-arama-motorlari
