Ne oldu?

Yapay zeka ve makine öğrenmesi alanında tanınan araştırmacı Sebastian Raschka, 15 Ağustos 2026 tarihinde yayımladığı bir yazıda, sıfırdan bir yapay zeka metin dedektörü nasıl kurulur konusunu ele aldı. Yazının çıkış noktası, Substack platformunun kullanıcı arayüzüne yakın zamanda eklediği yerleşik yapay zeka metin tespit özelliği oldu.

Raschka, bu özelliğin arkasında muhtemelen Pangram modellerine benzer bir yaklaşımın bulunduğunu belirtiyor. Kendisi de benzer mantıkla çalışan, metinlere 0 ile 100 arasında bir yapay zeka olasılık skoru veren bir sınıflandırıcı geliştirmeyi planlıyor. Bunun için DistilBERT adlı küçük bir dil modelini ince ayar (fine-tuning) yöntemiyle eğitecek.

Neden önemli?

Proje yalnızca bir dedektör kurmakla sınırlı değil. Raschka, aynı sistemi bir doğrulayıcı (verifier) olarak kullanıp, tespitten kaçacak metin üreten küçük bir dil modeli (small language model, SLM) eğitmeyi de amaçlıyor. Bu yaklaşım, matematik ve kod üzerine eğitilen klasik akıl yürütme modellerinin ötesinde, doğrulayıcı tabanlı büyük dil modeli (large language model, LLM) uygulamalarına bir örnek oluşturuyor.

Yazar, böyle bir dedektörün pratikte hem spam içerikleri filtrelemek hem de kişisel yazıları yapay zeka görünümüne büründürmeden düzeltmek için kullanılabileceğini savunuyor. Örneğin bir metnin dil bilgisi hataları düzeltilirken metnin hâlâ '%0 yapay zeka üretimi' olarak puanlanmasını sağlamak mümkün olabilir.

Bilinenler

  • Substack, AI dedektörünü doğrudan kullanıcı arayüzüne entegre etti.
  • Geliştirilecek sistem, tüm metin için tek bir skorun yanı sıra metin parçaları bazında da skor verebilecek.
  • Model olarak DistilBERT sınıflandırıcısı kullanılacak.
  • Yapay zeka metin tespit yöntemleri arasında denetimli sınıflandırıcılar, pertürbasyon tabanlı olasılık testleri, perpleksite ölçümleri ve filigranlama (watermarking) bulunuyor.
  • Raschka, 2023 yılında konuyla ilgili farklı tespit yaklaşımlarını ele alan ayrı bir yazı da kaleme almıştı.

Sırada ne var?

Raschka'nın paylaştığı yazı, projenin ilk aşamasını oluşturuyor ve devamında modelin eğitimi, değerlendirilmesi ve yerel dağıtımı ile kullanıcı dostu bir arayüz geliştirilmesi planlanıyor. Yazar, AI dedektörlerinin sürekli gelişen bir kedi-fare oyunu olduğunu, yeni modellerin tespit kalıplarından kaçınabileceğini ve dedektörlerin buna göre güncellenmesi gerektiğini hatırlatıyor.