Büyük Karşılaşma: Makine Çevirisi mi, Yapay Zekâ mı?

Çeviri sistemleri her gün milyonlarca kelimeyi bir dilden diğerine taşıyor. Tarayıcımızda açtığımız bir sayfada, telefonumuzdaki uygulamada, sosyal medyada, e-ticaret sitelerindeki ürün açıklamalarında, izlediğimiz kısa videoların altyazısında, hemen hemen her yerde bu sistemleri görebiliriz. Kısacası hayatımızın pek çok köşesinde sessiz sessiz çalışıyorlar. Peki, "makine çevirisi" dediğimizde o işi aslında kim yapıyor? Sırf bu iş için eğitilmiş çeviri motorları mı, yoksa şiir yazıp kod üretebilen genel amaçlı üretken yapay zekâ (LLM) modelleri mi? Gelin, nöral makine çevirisi ile çağımızın yapay zekâsını çeviri kabileyitini farklı açılardan karşılaştıralım.

Basit bir yapay sinir ağı: girdi, gizli katmanlar ve çıktı. NMT'nin temel yapı taşı. (Görsel: Glosser.ca, Wikimedia Commons, CC BY-SA 3.0)

1) Makine Çevirisi: 1950'lerden Bugüne Kısa Bir Tarih

Makine çevirisinin kökleri, kimi kaynaklara göre 9. yüzyılda yaşamış Arap kriptograf El-Kindî'nin çalışmalarına kadar uzanıyor. Ne var ki işin "modern" sayılabilecek araştırma çağı 1950'lerde açılıyor. 1954'te gerçekleştirilen ünlü Georgetown-IBM deneyi, bir bilgisayarın Rusça cümleleri İngilizceye çevirebileceğini ilk kez kamuoyu önünde gösteriyor.

Kural tabanlı sistemlerle başlayıp istatistiksel yöntemlerle (SMT) devam eden bu uzun yolculuğun direksiyonunu bugün büyük ölçüde nöral makine çevirisi ve büyük dil modelleri devralmış durumda. İşin sembolik dönüm noktası ise 2016 yılı: 2006'da istatistiksel bir servis olarak hayata başlayan Google Translate, o yıl GNMT (Google nöral makine çevirisi) sistemine geçince bazı dil çiftlerinde hata oranını yaklaşık %60 azaltmayı başarıyor.

2) NMT Nedir?

Nöral Makine Çevirisi (NMT), en yalın tanımıyla, yapay sinir ağlarından yararlanarak kelime dizilerinin olasılığını öngören; çoğu zaman bütün cümleyi tek bir bütünleşik modelde ele alan bir yaklaşım. İşleyişi şöyle özetleyebiliriz: Kodlayıcı (encoder) kaynak cümleyi okur ve sıkıştırır; çözücü (decoder) ise çeviriyi kelime kelime yazıya döker. Bu sırada dikkat (attention) mekanizması, modelin her adımda cümlenin hangi bölümüne odaklanması gerektiğini belirliyor. 2017'de tanıtılan Transformer mimarisiyle birlikte bu yapı hem belirgin biçimde hızlanmaya ve güçlenmeye başlıyor.

Söz konusu mimari ise kısa sürede sektörün omurgası hâline geldi. Baidu 2015'te ilk büyük ölçekli NMT sistemini, Google ise 2016'da GNMT'yi devreye aldı. Geldiğimiz noktada NMT, "yüksek kaynaklı" —yani elinde bol veri bulunan— dil çiftlerinde, belirli koşullarda insan çevirisine yaklaşan sonuçlar verebiliyor.

Transformer mimarisi: encoder-decoder yapısı ve dikkat mekanizması. Bu mimari hem modern NMT'nin hem de bugünün LLM'lerinin (GPT vb.) ortak atasıdır. (Görsel: dvgodoy, Wikimedia Commons, CC BY 4.0)

3) Peki "Büyük Dil Modelleri" (LLM) Nedir?

Gelelim başlıktaki sorunun can alıcı noktasına. GPT gibi büyük dil modelleri (LLM), aslında birer "çeviri motoru" değil; genel amaçlı metin modelleridir. Analiz eder, metin yazar, özet çıkarır — ve elbette çeviri yaparlar. Üstelik bunun için paralel derlemler üzerinde özel bir model eğitmenize de gerek yoktur; modele doğrudan "bu metni çevir" demeniz yeterli.

Doğrusu bu yaklaşım umut verici çünkü özel çeviri modellerine kıyasla kaynak daha fazla. Buna karşılık LLM'ler, NMT'nin zorlandığı alanlarda —bağlam farkındalığı, üslup ve ton uyarlaması, kültürel adaptasyon gibi alanlarda öne çıkıyor. Madalyonun öteki yüzünde ise kelime başına maliyetin nöral makine çevirisinin 5-50 katına çıkabilmesi ve bazı dil çiftlerinde terminolojik doğruluk açısından insan çevirisine hâlâ ihtiyaç olduğu gerçeği var.

4) NMT vs LLM: Karşılaştırma Tablosu

Lafı fazla dolandırmadan, iki yaklaşımı yan yana koyalım:

Kriter	NMT (Nöral Makine Çevirisi)	LLM (Üretken YZ)
Eğitim	Paralel (kaynak-hedef) derlem, tek görev	Devasa genel metin, çok görevli
Hız & Maliyet	Hızlı ve ucuz; yüksek hacme uygun	Yavaş ve pahalı (5-50×)
Terminoloji / Tutarlılık	Yüksek, öngörülebilir	Değişken; prompt mühendisliği gerekir
Bağlam & Üslup	Sınırlı; birebir çeviriye meyilli	Güçlü; ton/stil adaptasyonu
Düşük kaynaklı diller	Zayıf (veriye bağımlı)	Esnek ama halüsinasyon riski var
İdeal kullanım	E-ticaret, teknik, hukuki, altyazı	Pazarlama, edebiyat, yaratıcı metin üretimi

5) Sonuç: "Peki kazanan kim?"

İşin aslı şu: Bu iki teknolojiyi rakipten ziyade akraba olarak görebiliriz. Bugün LLM'lerin temelini oluşturan Transformer (dönüştürücü), aslında nöral makine çevirisinde kullanılan mimariye dayanıyor. Her iki teknoloji de "insan düzeyinde çeviri yapıyor mu?" dersek, orası biraz tartışmalı. En kaliteli yapay zeka veya makine çevirisi çıktıları bile çoğunlukla bir çevirmenin son okumasına ihtiyaç duyuyor. Pratikte kazanan formül de "hibrit model" oluyor.

Kısacası: "Makine çevirisi mi, yapay zekâ mı?" sorusunun tek bir cevabı yok; yapılan işe göre değişiyor. Hacim gerekiyorsa NMT, nüans gerekiyorsa yapay zekâ — son söz ise her zaman çevirmen. ✍️

Kaynakça

1. Wikipedia – Neural machine translation. https://en.wikipedia.org/wiki/Neural_machine_translation
2. Wikipedia – Machine translation. https://en.wikipedia.org/wiki/Machine_translation
3. Wikipedia – Google Neural Machine Translation. https://en.wikipedia.org/wiki/Google_Neural_Machine_Translation
4. Wikipedia – History of machine translation. https://en.wikipedia.org/wiki/History_of_machine_translation
5. Wikipedia – Google Translate. https://en.wikipedia.org/wiki/Google_Translate
6. Dokutech – LLM vs NMT: an in-depth analysis of machine translation models. https://dokutechtranslations.com/en/llm-vs-nmt-an-in-depth-analysis-of-machine-translation-models/
7. Pangeanic – Which is better for my use case: (neural) NMT or LLM translation? https://blog.pangeanic.com/which-is-better-for-my-use-case-nmt-neural-mt-or-llm-translation
8. GALA Global – NMT vs. LLM: Who Really Wins at Translation? https://resources.gala-global.org/machine-translation-large-language-model/
9. Wu et al. (2016) – Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation. arXiv. https://arxiv.org/abs/1609.08144
10. Wired (2016) – An Infusion of AI Makes Google Translate More Powerful Than Ever. https://www.wired.com/2016/09/google-claims-ai-breakthrough-machine-translation/
11. Wikipedia – Transformer (deep learning). https://en.wikipedia.org/wiki/Transformer_(deep_learning)
12. Wikipedia – Large language model. https://en.wikipedia.org/wiki/Large_language_model