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.

Dedektörün asıl sorunu: yanlış pozitifler

Yapay zeka metin dedektörlerinin yerleşik bir zaafı var ve bu, dedektörün ne kadar iyi eğitildiğinden bağımsız: temiz, kalıplı ve öngörülebilir yazan insanları makine sanma eğilimi. Ana dili İngilizce olmayan yazarlar, akademik biçimde yazanlar ve şablon izleyen metinler bu yüzden düzenli olarak yanlış işaretleniyor. Sorun sınıflandırıcının doğruluğunda değil, insan yazısının bir kısmının istatistiksel olarak makine yazısına benzemesinde.

Raschka'nın kurduğu sistemin 0 ile 100 arasında bir skor üretmesi bu yüzden önemli bir tasarım tercihi. Skor bir olasılık, bir hüküm değil. Ama pratikte bu tür sayılar hüküm gibi kullanılıyor: bir eğitmen ya da editör 87 rakamını gördüğünde onu “yüzde 87 ihtimalle” değil “yakalandı” diye okuyor. Aracın kendisi dürüst olsa bile kullanımı çoğu zaman öyle olmuyor.

Kendi kendini yenen döngü

Yazının en dikkat çekici tarafı, Raschka'nın dedektörü bir doğrulayıcı olarak kullanıp tespitten kaçan metin üreten bir model eğitmeyi planlaması. Bu, alanın temel gerilimini açıkça ortaya koyuyor: her dedektör aynı zamanda ondan kaçmayı öğretecek bir eğitim sinyalidir. Dedektör ne kadar iyi olursa, ona karşı eğitilen üretici o kadar iyi kaçıyor.

Bu döngü, filigran yaklaşımının neden farklı bir yerde durduğunu da açıklıyor. Dedektör metnin kendisinden bir tahmin çıkarmaya çalışıyor; filigran ise üretim anında bir işaret bırakıyor. İlki tahmin, ikincisi kayıt — ve kaçış maliyeti ikisinde aynı değil.