Atlas Studio · Verified Technology & AI Daily Card Archive

Atlas Studio — Verified daily knowledge cards and clinical/technical reference archive.

Günün Kartı · 31 Ekim 2026 Teknoloji & Ölçüm

Başsız (Headless) Ajan Koşucuları, Dallanmış Bağlam ve Otonom Sistemlerde Yanlışlanabilirlik İlkesi

Sürekli açık kalan ve her turda geçmişi yeniden okuyan şişkin sohbet oturumları yerine; görev bazlı başsız (headless) ajan koşucuları, dallanmış hafıza mimarisi ve her çıktıyı bağımsız düşme testiyle denetleyen yanlışlanabilirlik ilkesini inceliyoruz.

Şişkin Sohbet Oturumlarından Başsız (Headless) Görev Koşucularına Geçiş: Çoklu ajan sistemlerinde uzun ömürlü açık sohbet oturumları, her yeni adımda biriken tüm geçmişi yeniden okuyarak yüksek bir önbellek okuma (cache-read) maliyeti doğurur. Görev bazlı başsız (headless) koşu mimarisinde ise yürütücü birim yalnız görev geldiğinde uyanır, yalnız ilgili bağlam dalını okur, çıktıyı modüler hafıza dalına kaydedip oturumu kapatır; böylece bağlam şişmesi önemli ölçüde sınırlandırılır.

Otonom Çıktılarda Yanlışlanabilirlik (Falsifiability) ve Kanıt Zorunluluğu: Otonom yazılım ajanlarında en sık karşılaşılan risk, ajanın kendi yazdığı yüzeysel bir testi geçip işi tamamlanmış saymasıdır (kağıt üstü onay). Bilim felsefesindeki yanlışlanabilirlik (Popper) ilkesini mühendislik protokolüne dönüştüren yaklaşımda; her ajan çıktısı somut kanıt dayanağını ve hangi bağımsız dış ölçümde geçersiz sayılacağını (düşme koşulunu) açıkça tanımlamak zorundadır.

5 Dilli (TR · EN · DE · AR · ZH) Küresel Dokümantasyon Standardı: atlasmaster.app mimari vitrini; Türkçe, İngilizce, Almanca, Arapça (tam RTL dizilim) ve Çince olmak üzere 5 dilde yerel sistem mühendisliği terminolojisiyle sunulurken, iç çalışma ortamı ile dış yayın katmanı birbirinden izole tutulur.

Otonom Mimari ve Doğrulama Kapılarını İncele → · (kaynak)

  • başsız ajan
  • dallı bağlam
  • yanlışlanabilirlik
  • otonom doğrulama

Doğrulandı Teknoloji & Ölçüm

Yapay zekâ arama motorları (ChatGPT, Perplexity, Gemini) bir teknik kaynağı alıntılarken hangi yapısal kanıtları arar?

İlk paragrafta doğrudan yanıt, doğrulanabilir birincil kaynak bağlantıları, Article ve FAQPage JSON-LD şeması ile makinece okunur llms.txt ve WebMCP manifestini arar.

Kanıt (2)
  • 3 sitemizde /.well-known/mcp.json (salt-okunur WebMCP), llms.txt ve Ed25519 imzalı /merak/ bilgi kartları aynı gün canlı doğrulamadan geçti. kaynak
  • GEO stratejisinin karar çerçevesi yusufaziz.com.tr rehberinde, 30 canlı Brave SERP ölçümü ise SEO veri kütüğümüzde kayıtlıdır. kaynak

Bizim ölçümümüz: Brave API 30-sorgu 3-site SERP boşluk ve WebMCP 3/3 doğrulama ölçümü (30 Eki 2026). (ai_aranabilirlik_plani_1030.json)

Hükmü ne değiştirir: WebMCP manifesti veya JSON-LD şeması bozulduğunda ya da kaynak bağlantılarından biri 404 döndüğünde denetçi bulgu üretir ve kart güncellenir.

  • GEO
  • WebMCP
  • llms.txt
  • kaynak seçimi

Doğrulandı Yapay Zekâ

Estetik diş hekimliğinde yapay zekâ ile gülüş tasarımı yapılırken yüz hatlarının bozulması nasıl engellenir?

Tam yüz fotoğrafını modele serbest bırakmak yerine yalnız ağız bölgesini maskeleyen kısıtlı tuval (constrained canvas) ve anatomik sınırlar kullanılarak engellenir.

Tam Makaleyi ve Videoyu Oku →

Kanıt (2)
  • Serbest görsel üretim modelleri diş formunu değiştirirken dudak ve yüz simetrisini bozabilir; kısıtlı tuval yalnız maskeli ağız kırpımında çalışır. kaynak
  • KVKK gereği tam yüz veya kimlik verisi dış modele gönderilmez; klinik karar her zaman ağız içi geçici provayla (mock-up) hekim tarafından verilir. kaynak

Bizim ölçümümüz: Kısıtlı tuval ve VLM anatomik doğrulama karnesi (13/13 klinik sahne, 29 Eki 2026). (olcum_2026-10-28.jsonl)

Hükmü ne değiştirir: Kısıtlı tuval dışındaki piksel bölgelerinde (dudak üstü veya yüz derisi) kimlik ya da geometri sapması ölçülürse yöntem geçersiz sayılır.

  • kısıtlı tuval
  • gülüş tasarımı
  • klinik yapay zekâ
  • KVKK

Doğrulandı Teknoloji & Ölçüm

Çoklu yapay zekâ ajanlarında yeni oturum açıldığında bağlam kaybı ve yoklama gecikmesi nasıl önlenir?

Her adımda kütüğü sıfır LLM çağrısıyla özetleyen otomatik devir ve dosya değişimini çekirdekten yakalayan kqueue kancasıyla bağlam kaybı olmadan devralınır.

Tam Makaleyi ve Videoyu Oku →

Kanıt (2)
  • Sıfır-efor devir motoru (sifir_efor_otomatik_devir.py) Soğuk Sekme Sınavı'nda 5/5 kapıyı geçerek bağlam paketini 4096 bayt altında hazır tutar. kaynak
  • Olay güdümlü kqueue kancası (rev1_kqueue_kanca.py, 5/5 öz-sınama) dosya yazımını milisaniyede yakalar ve eski kanca sürecini otomatik temizler. kaynak

Bizim ölçümümüz: Sıfır-efor devir (8/8) ve kqueue kanca (5/5) öz-sınama karnesi, 30 Eki 2026. (selftest_karne.jsonl)

Hükmü ne değiştirir: Soğuk Sekme Sınavı'ndaki 5 doğrulama sorusundan biri yeni oturumda ek dosya okumadan yanıtlanamazsa veya kanca ikiz süreç bırakırsa hüküm düşer.

  • çoklu ajan
  • kqueue
  • sıfır-efor devir
  • bağlam kaybı

Doğrulandı Teknoloji & Ölçüm

Yapay zekâ ajanlarının yönettiği bir web sitesinde kapıdan geçen kodun canlıya birebir çıktığı nasıl garanti edilir?

Denetim anındaki dosya ağacının SHA-256 özetiyle dağıtım anındaki özet karşılaştırılarak garanti edilir; tek baytlık farkta dağıtım mekanik olarak durdurulur.

Kanıt (2)
  • Reaper EVET SHA-kilit kapısı (reaper_evet_sha_kilit.py) dil, sınır ve K1 kapılarından geçen HTML ağacının kriptografik özetini mühürler. kaynak
  • Onaydan sonra tek bir dosyada 1 bayt değişse bile dağıtım betiği TOCTOU (kontrol anı – kullanım anı) farkını yakalar ve yayını reddeder. kaynak

Bizim ölçümümüz: Reaper SHA-kilit öz-sınaması (29 Eki 2026): 8/8 kapı geçti; 3 sitede 6/6 canlı yayına hazır. (reaper_karne.json)

Hükmü ne değiştirir: Mühürden sonra değiştirilen bir HTML dosyasının kilit betiği tarafından fark edilmeden canlıya çıkabildiği gösterilirse hüküm düşer.

  • Reaper
  • SHA-256
  • dağıtım kilidi
  • statik site

Doğrulandı Teknoloji & Ölçüm

Üç boyutlu mimari bir modelde kubbe ve kemerlerin gerçekten kapandığı gözle değil ölçümle nasıl doğrulanır?

İç hacimden gökyüzüne binlerce BVH ışını atılarak doğrulanır: Ayasofya v3 modelimizde 22.800 ışında gökyüzü kaçışı %5,89'dan %0,21'e (48 ışın) indirildi.

Tam Makaleyi ve Videoyu Oku →

Kanıt (2)
  • Tam makale ve yapım videosu: 126 nesne, 128.081 köşe ve 119.566 yüzeyli Ayasofya v3 sahnesi (non-manifold=0). kaynak
  • 7 mekanik kapının tamamı (7/7) geçti; yalnız içerdeki 40 pencere açıklığından sızan 48/22.800 ışın (%0,21) ölçüldü. kaynak

Bizim ölçümümüz: Ayasofya v3 BVH ışın denetimi (29 Eki 2026): 22.800 ışın, 48 kaçış (%0,21), non_manifold=0, bvh_overlap=0, 7/7 kapı. (ayasofya_3_teslimat_kanit_1029.json)

Hükmü ne değiştirir: Aynı .blend sahnesinde yapılan bağımsız BVH ışın taramasında gökyüzü kaçışı %1,5 eşiğinin üstünde çıkarsa hüküm düşer.

  • 3B geometri
  • BVH ışın
  • Blender Metal
  • doğrulama

Doğrulandı Yapay Zekâ

Dış yapay zekâ istemcileri yerel bir sistemin kanıtlarına yazma yetkisi vermeden nasıl bağlanır?

OAuth 2.1 PKCE ve Streamable HTTP katmanıyla yalnız salt-okunur doğrulama uçları açılarak bağlanır: Orion MCP köprümüz 9/9 güvenlik ve protokol kapısını geçti.

Tam Makaleyi ve Videoyu Oku →

Kanıt (2)
  • Tam makale: MCP 2025-03-26 Streamable HTTP, OAuth 2.1 PKCE (S256) ve dinamik istemci kaydı (RFC 7591) mimarisi. kaynak
  • Orion köprüsü yalnız 5 salt-okunur araç (sağlık, kanıt sorgu, karne özeti, FOMC penceresi, benlik mührü) açar; yazma ve kabuk komutu kapalıdır. kaynak

Bizim ölçümümüz: Orion Google Connected Apps MCP öz-sınaması (29 Eki 2026): 9/9 kapı geçti (PKCE S256, RFC 7591 DCR, 5 salt-okunur araç). (orion_google_connected_mcp.py)

Hükmü ne değiştirir: Salt-okunur MCP uçlarından herhangi birinin dosya yazma ya da durum değiştirme yetkisi sızdırdığı gösterilirse kart geri çekilir.

  • MCP
  • OAuth 2.1 PKCE
  • Orion
  • salt-okunur

Koşullu Teknoloji & Ölçüm

Yapay zekânın yazdığı araçların gerçekten çalıştığı nasıl anlaşılır?

Ancak kendi testi varsa anlaşılır: 339 aracımızın 224'ü öz-sınamasını geçti, 19'u düştü, 95'inin hiç testi yok.

Kanıt (2)
  • Öz-sınaması olmayan alet otomatik koşuya alınmaz; her ajan ve alet beyan, düşer testi ve öz-sınama kapısından geçer. kaynak
  • 28 Eki 2026 07:43 toplu tur: 339 araç, 3.732 sınama, 116,6 saniye; testsiz 95 araca 'çalışıyor' denmez. (kendi ölçümümüz)

Bizim ölçümümüz: Toplu öz-sınama karnesi, 28 Eki 2026 07:43: 224 geçti · 19 düştü · 95 testsiz. (selftest_karne.jsonl)

Hükmü ne değiştirir: Testsiz araç sayısı sıfıra inerse ya da geçen araçlardan biri canlıda bozuk yakalanırsa hüküm yeniden yazılır.

  • öz-sınama
  • selftest
  • yapay zekâ kodu

Koşullu Yapay Zekâ

Yapay zekânın cevaplarında verdiği kaynaklar gerçek mi, yoksa uyduruyor mu?

Çoğu gerçek ama hepsi değil: turlarımızda sınanan 394 atıfın 360'ı doğrulandı, 25'i uydurma çıktı; künye tek tek sınanmadan kullanılmamalı.

Kanıt (2)
  • 10 dış seste 394 atıf Crossref, PubMed ve doi.org kayıtlarıyla tek tek sınandı: 360 doğrulandı (%91,4), 9 doğrulanamadı, 25 uydurma. kaynak
  • Uydurma künye, o sesin o sorudaki tezini mekanik olarak geçersiz kılar; tez sentezine girmez. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (19 Eki 2026): 394 atıf, 360 doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Yeni turlarda doğrulanma oranı %91,4'ün belirgin altına iner ya da karnede sayım hatası çıkarsa kart düzeltilir.

  • kaynak doğrulama
  • uydurma künye
  • Reaper

Koşullu Yapay Zekâ

Dil modelleri uzun bir metnin ortasındaki bilgiyi baştaki ve sondaki kadar iyi kullanır mı?

Ölçülen modellerde kullanmadı: ilgili bilgi bağlamın başında ya da sonundayken başarı en yüksekti, ortadayken belirgin düştü; bu, yayın anındaki modellerin ölçümüdür.

Kanıt (2)
  • Liu ve ark. (TACL, 2024) çok belgeli soru-cevap ve anahtar-değer bulma görevlerinde ilgili bilginin konumunu değiştirerek ölçtü. kaynak
  • Konuma bağlı düşüş, uzun bağlam için özel olarak tasarlanmış modellerde de görüldü. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Yeni nesil modellerde aynı protokolle yapılan ölçüm konuma bağlı düşüşün kaybolduğunu gösterirse hüküm yeniden yazılır.

  • uzun bağlam
  • dil modeli
  • hakemli çalışma

Doğrulandı Teknoloji & Ölçüm

Yapay zekâ metin dedektörleri insanın yazdığı metni yanlışlıkla 'yapay zekâ' diye işaretler mi?

Evet, hakemli bir ölçümde yedi dedektör, ana dili İngilizce olmayanların 91 TOEFL denemesinde ortalama %61,3 yanlış pozitif verdi.

Kanıt (3)
  • Liang ve ark. (Patterns, 2023): aynı dedektörler ABD'li 8. sınıf öğrencilerinin 88 denemesini neredeyse hatasız insan diye ayırdı. kaynak
  • TOEFL denemelerinin %97,8'ini en az bir dedektör, %19,8'ini yedi dedektörün hepsi yapay zekâ saydı. kaynak
  • Denemelerin sözcük seçimi zenginleştirilince ortalama yanlış pozitif %61,3'ten %11,6'ya indi. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Güncel dedektör sürümleriyle yapılan bağımsız bir ölçüm bu grupta yanlış pozitifin belirgin düştüğünü gösterirse kart düzeltilir.

  • yapay zekâ dedektörü
  • yanlış pozitif
  • hakemli çalışma

Koşullu Yapay Zekâ

Yapay zekânın yazdığı kod güvenlik açığı taşır mı?

2021 ölçümünde Copilot'un ürettiği programların yaklaşık %40'ı güvenlik açığı taşıyordu; çalışan kod güvenli kod demek değil.

Kanıt (2)
  • 89 senaryo, 1.689 program; yaklaşık %40'ında MITRE CWE Top 25 ile ilişkili açık. kaynak
  • Araçlar 2021'den beri gelişti, oran bugüne doğrudan taşınmamalı; üretilen kod statik analiz ve insan incelemesinden geçmeli. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Güncel kod asistanlarında aynı senaryolarla tekrarlanan ölçümde açık oranının insan yazdığı kod düzeyine ya da altına inmesi.

  • yapay zekâ kodu
  • güvenlik açığı
  • CWE
  • kod incelemesi

Koşullu Yapay Zekâ

Yapay zekâ okuduğu bir web sayfasından talimat alabilir mi?

Evet; model okuduğu veriyle talimatı güvenilir ayıramadığı için dış içerik gizli komut taşıyabilir, bu yüzden yetkiler dar tutulmalı.

Kanıt (2)
  • Dolaylı istem enjeksiyonu Bing Chat ve kod araçlarında gösterildi; yazarlara göre etkili genel savunma yoktu. kaynak
  • OWASP istem enjeksiyonunu LLM uygulamaları için LLM01 (birinci) risk olarak listeliyor. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Veri ile talimatı ayıran ve bağımsız kırmızı takım testlerinde dolaylı enjeksiyonu güvenilir biçimde engelleyen bir savunma.

  • güvenlik
  • istem enjeksiyonu
  • ajan güvenliği
  • doğrulama

Koşullu Teknoloji & Ölçüm

Yerel modeli 4 bite sıkıştırmak kaliteyi bozar mı?

Sabit bit bütçesinde 4 bit neredeyse evrensel olarak en iyi dengeyi veriyor; 3 bitte kalite belirgin düşüyor.

Kanıt (3)
  • 35.000+ deney: sabit toplam bitte 4-bit hassasiyet neredeyse evrensel olarak optimal. kaynak
  • 3-bit'te başarı düşüyor; küçük blok boyutu (64–128) fayda sağlıyor. kaynak
  • Bit bütçesi sabitken büyük modeli 4 bitte çalıştırmak, küçük modeli yüksek hassasiyette çalıştırmaktan genellikle daha verimliydi. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Kendi görev setimizde 4-bit modelin, aynı bellekteki 8-bit küçük modelden tutarlı biçimde kötü çıkması.

  • yerel LLM
  • kuantizasyon
  • 4-bit
  • verimlilik

Koşullu Teknoloji & Ölçüm

Yapay zekâya yapay zekâyı puanlatmak güvenilir mi?

Model hakem insanlarla %80'in üzerinde uyuşuyor ama konum ve uzunluk yanlılığı taşıdığı için tek başına nihai karar vermemeli.

Kanıt (2)
  • GPT-4 hakem ile insan uyumu %80'in üzerinde; insan–insan uyumu düzeyinde. kaynak
  • Sıra değişince GPT-4 kararlarının yaklaşık %65'i tutarlı kaldı (konum yanlılığı). kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Sıra değiştirme ve uzunluk denetimi olmadan model hakemin insan panelleriyle %90+ tutarlılık verdiği bağımsız bir ölçüm.

  • LLM hakem
  • değerlendirme
  • yanlılık
  • ölçüm

Koşullu Yapay Zekâ

Çoklu ajanlı yapay zekâ sistemleri neden çöküyor?

Çoklu ajan başarısızlıklarının büyük kısmı model zekâsından değil, rol, iletişim ve doğrulama tasarımından kaynaklanıyor.

Kanıt (3)
  • 1.642 iz, 7 çerçeve: 14 hata modu, 3 küme (tasarım, ajanlar arası uyumsuzluk, doğrulama); κ=0,88. kaynak
  • Açık kaynak sistemlerde başarısızlık %41–%86,7 arasında. kaynak
  • ChatDev'e açık bir doğrulama adımı eklemek sonucu %15,6 iyileştirdi; daha güçlü model tek başına yetmedi. kaynak

Bizim ölçümümüz: Reaper kaynak karnesi (Ekim 2026): arXiv/DOI künyesi doğrulandı. (reaper_karne.json)

Hükmü ne değiştirir: Daha güçlü modele geçişin, doğrulama adımı eklemeden hata oranını belirgin düşürdüğü tekrarlanabilir bir ölçüm.

  • çoklu ajan
  • orkestrasyon
  • hata modları
  • doğrulama