Türkçe yapay zekâyla ilgili herhangi bir sohbete girin, on dakika içinde aynı cümleyi duyarsınız: "Sorun veri." Model yok değil, hesap gücü de yavaş yavaş geliyor. Ama iyi, temiz, kullanılabilir Türkçe veri, işte asıl darboğaz orada.
Bu yazıda o darboğazı katman katman açıyoruz. Sorun gerçekten "yeterli veri yok" mu, yoksa daha inceliklisi mi? Elimizde bugün ne var? Ve bir birey ya da topluluk olarak bu soruna nasıl katkı verebiliriz? Çünkü bu sorun, çözülürse en çok topluluğun eliyle çözülecek.
Neden veri bu kadar belirleyici?
Bir dil modeli, kurallarla programlanmaz; örneklerden öğrenir. Ne kadar çok ve ne kadar iyi metin görürse, dili o kadar iyi kavrar. Bu yüzden veri, modelin hem hocası hem ders kitabıdır. Basit bir gerçek buradan çıkar: çöp girerse, çöp çıkar (garbage in, garbage out). Kötü veriyle eğitilen bir model, ne kadar büyük olursa olsun kötü öğrenir.
İşte Türkçe'nin sorunu tam da burada başlıyor: hem yeterince çok, hem yeterince temiz metni bir arada bulmak zor.
Türkçe'nin "düşük kaynaklı dil" gerçeği
Yapay zekâ dünyasında Türkçe, teknik bir tabirle "düşük kaynaklı dil" (low-resource language) sayılır. Bu, Türkçe az konuşuluyor demek değil; 80 milyondan fazla insanın dili. Bu, internette ve düzenli veri kümelerinde Türkçenin İngilizceye kıyasla çok daha az yer kaplaması demek.
Rakamlar farkı gösteriyor. Devasa çok dilli web derlemi CulturaX, 167 dilde 6,3 trilyon token içerir; ama bu devasa havuzun içinde Türkçe küçük bir dilimdir. Ham web taramalarına bakıldığında, mC4 derleminin Türkçe bölümü ~87,7 milyon, OSCAR'ın Türkçe bölümü ise ~10,8 milyon web sayfası içeriyor. Kulağa çok gelebilir ama İngilizce yanında bu çok az bir miktar.
Üstüne bir de dilin yapısı biniyor: Türkçe, eklerle uzayan (morfolojik olarak zengin) bir dil ve büyük ölçekli ön-eğitim çalışmalarında sistematik olarak az temsil ediliyor. Yani hem az veri var, hem de o veriyi işlemek daha zor.
Ama asıl mesele "az" değil: beş katmanlı bir sorun
En yaygın yanılgı, sorunu tek boyuta indirmek: "yeterince veri yok." Oysa gerçek sorun beş ayrı katmandan oluşuyor ve her katman diğerinden daha zor:
Miktar en görünür ama en kolay katman. Kalite ise sinsi: web'den kazınan metin çoğu zaman gürültülüdür (reklam, tekrar, bozuk cümle, spam). Çeşitlilik eksikse model bazı alanları hiç görmez (örneğin hukuk ya da tıp Türkçesi). Etiketli veri (soru-cevap, talimat çiftleri) en pahalı olandır çünkü genelde insan eliyle hazırlanır. Ve lisans: elinizdeki veriyi yasal olarak kullanamıyorsanız, o veri yok hükmündedir.
Önemli çerçeve: Türkiye'nin sorunu çoğu zaman "hiç veri yok" değil; "temiz, çeşitli, etiketli ve lisansı net veri az, üstelik dağınık ve haritası çıkmamış" hâlde. Bu ayrım, çözümü de değiştiriyor.
Peki elimizde bugün ne var?
Sıfır noktasında değiliz. Son yıllarda topluluğun ürettiği ciddi kaynaklar var. Bunlardan birkaçı:
Devasa çok dilli web derlemlerinin Türkçe dilimleri. Ön-eğitim için en büyük ham kaynak; ama "ham" kelimesi önemli: temizlenmeden kullanılmaya pek uygun değil.
Türkçe için açık kaynak bir talimat (instruction) derlemi. Küratörlükten sonra yaklaşık 2,5 milyon örnek içeriyor. Modelleri "talimat izlemeye" öğretmek için kritik, çünkü ham metin değil, örneklerle öğreten türden veri.
Türkçe Atlas gibi setler (örn. ~336 bin sohbet formatlı örnek) ve Hugging Face'te derlenen topluluk koleksiyonları, modelleri sohbete ve talimata hazırlıyor. Bir kısmı insan eliyle, bir kısmı çeviri veya sentetik üretimle hazırlandı.
Ölçek için bir kıyas: BERTurk ~44 milyar, TURNA ~43 milyar token'lık derlemlerle eğitildi; Kumru ise sıfırdan eğitim için ~500 GB Türkçe metin kullandı. Yani veri var, ama her biri farklı yerde, farklı kalitede ve farklı lisansta.
Ne yapabiliriz? Dört yol (ve iki hamle)
Veri açığını kapatmanın dört temel yöntemi var. Hiçbiri tek başına sihirli değil; en iyisi çoğu zaman birkaçını birleştirmek:
Sentetik üretim
+ Ölçeklenebilir; büyük modeller Türkçe veri üretebilir
− Model kendi hatalarını çoğaltabilir, doğrulama şart
Bir de bu dört yöntemin üstünde iki büyük hamle var. Yukarıdan aşağı: devletin 2026-2030 planındaki Ulusal Veri Kütüphanesi, en az 2.000 kamu veri setini erişime açmayı hedefliyor: potansiyel olarak devasa bir kaynak. Aşağıdan yukarı: topluluğun tek tek ürettiği, temizlediği, paylaştığı veri setleri. Türkçe verinin geleceği, bu ikisinin buluştuğu yerde yazılacak.
Az ama kaliteli, çok ama kirliden iyidir: Modern yöntemler (özellikle LoRA gibi ince ayar teknikleri) devasa veri gerektirmez. Küçük ama temiz ve iyi seçilmiş bir veri seti, çoğu zaman büyük ve gürültülü bir yığından daha iyi sonuç verir. Yani sorun sadece "daha çok veri" değil, "daha akıllı veri". Bu, kaynağı kısıtlı bir ekosistem için umut verici bir gerçek.
lleaderboard'ın Veri Setleri bölümü
Bütün bu tablo, lleaderboard'ın neden sadece modelleri değil, veri setlerini de bir araya getirdiğini açıklıyor. Çünkü asıl sorun çoğu zaman verinin yokluğu değil; dağınıklığı ve haritasızlığı. Hangi veri seti ne için iyi? Hangisinin lisansı ticari kullanıma uygun? Hangisi gürültülü, hangisine güvenilir?
lleaderboard'ın Veri Setleri bölümü tam da bu soruları cevaplamak için var: eğitimde kullanılmaya değer verileri küratörlükle işaretlemek, güçlü ve zayıf yanlarını dürüstçe not etmek ve dağınık kaynakları erişilebilir bir haritaya dönüştürmek. Model tarafında olduğu gibi, veri tarafında da işimiz yeni bir veri üretmek değil; var olanı anlaşılır ve güvenilir kılmak. Ve en güzeli: bu haritaya herkes bir sokak ekleyebilir.
Özet: Türkçe veri sorunu "yok" sorunu değil, "dağınık ve niteliksiz" sorunu. Çözüm üç kelimede: temizle, küratörlükle işaretle, paylaş. Devlet altyapıyı kurarken, bu haritayı çizecek olan topluluk.
Bir dilin yapay zekâdaki geleceği, o dili konuşanların ürettiği veriyle şekillenir. Türkçe için bu veri henüz eksik, dağınık ve kıymetli. Onu bir araya getirmek, belki de bu topluluğun en kalıcı katkısı olacak.
Kaynaklar
- Bridging the Bosphorus: Turkish LLMs & Low-Resource Adaptation — Emre Can Açıkgöz
- CulturaX (6.3T tokens, 167 languages) — Hugging Face
- TURNA: A Turkish Encoder-Decoder Language Model — arXiv (corpus detayları)
- InstrucTurca: Open-source Turkish instruction dataset — Duygu Altınok (Medium)
- Turkish Instruction Datasets — atasoglu Collection (Hugging Face)
- Ulusal Veri Kütüphanesi & 2026-2030 Eylem Planı — Daily Sabah