Berk Kalelioğlu
Araştırma ilgi alanları
Berk, makine öğrenimi, ajan tabanlı yapay zeka araçları ve büyük ve küçük dil modelleri (LLM'ler ve SLM'ler) üzerine odaklanmaktadır. AIMultiple kıyaslama ekibinin bir parçası olarak, okuyucuların yeni teknolojileri ve bunların gerçek dünya uygulamalarını anlamalarına yardımcı olmak için değerlendirmeler yapmakta ve bilgiler sunmaktadır.Profesyonel deneyim
Kariyerine ODTU IVME-R'de Teknoloji Proje Lideri olarak başladı ve burada fiziksel kuantum ve sözde rastgele sayı üreteçleri geliştirmeye yönelik bir projeye liderlik etti. IVME-R'deki görev süresinin ardından bir oyun geliştirme şirketinin kurucu ortağı oldu ve Steam'de bir oyun yayınladı. Daha sonra kariyerini yapay zekaya yönlendirdi ve AIMultiple'a Araştırmacı olarak katıldı.Eğitim
Berk, Ankara Üniversitesi Matematik bölümü mezunudur.Berk Tarafından Son Makaleler
Agentic LLM Kıyaslaması: En İyi 13 LLM Karşılaştırması
Ajan tabanlı bir CLI aracı kullanarak 10 yazılım geliştirme görevi genelinde 13 LLM'yi kıyasladık. Hem API hem de UI katmanlarında performansı ölçmek için model başına yaklaşık 300 otomatik doğrulama adımı gerçekleştirdik. Ajan tabanlı LLM kıyaslama sonuçları Başarı oranı karşılaştırması Claude 4.5 Sonnet ve GPT-5.
Yapay Zeka Halüsinasyonu: GPT-5.2 gibi en iyi LLM'leri karşılaştırın
Yapay zekâ modelleri, mantıklı görünen ancak yanlış veya yanıltıcı olan, yapay zekâ halüsinasyonları olarak bilinen yanıtlar üretebilir. İşletmelerin %77'si yapay zekâ halüsinasyonlarından endişe duyuyor. 37 farklı yapay zekâ modelini 60 soruyla karşılaştırarak halüsinasyon oranlarını ölçtük: Yapay zekâ halüsinasyon karşılaştırma sonuçları. Karşılaştırmamız, en yeni modellerin bile %15'in üzerinde halüsinasyon oranına sahip olduğunu ortaya koydu.
Agentic CLI Araçları: Codex ve Claude Code Karşılaştırması
Agentic CLI araçları, dosya oluşturup silebilen, komut çalıştırabilen, planlama yapabilen ve tüm projenin kodlamasını yürütebilen yapay zeka kodlama araçlarıdır. Önde gelen araçları 10 gerçek dünya web geliştirme senaryosunda karşılaştırdık; her bir ajan için ~600 atomik doğrulama kontrolü ve arka uç mantığı, ön uç işlevselliği ve daha fazlasını içeren toplamda ~5.000'den fazla otomatik test yürütmesi gerçekleştirdik.
Yılında Genişletilmiş Bağlam Pencereleri İçin En İyi LLM'ler
Önde gelen 22 yapay zeka modeli üzerinde, reklamı yapılan bağlam pencerelerinin ne kadarının gerçekten işe yaradığını görmek için özel olarak geliştirilmiş 32 mesajlık bir konuşma testi gerçekleştirdik. Konuşma, yalnızca son söylenen şeyi tekrarlamak değil, önceki mesajlardan bilgi hatırlamayı gerektiren sentez görevlerini de içeriyor. Aşağıdaki grafik, her modelin 'sının ne kadarının gerçekten işe yaradığını gösteren verimlilik oranlarını göstermektedir.
Yapay Zeka Belleği: En İyi Belleğe Sahip En Popüler Yapay Zeka Modelleri
Daha akıllı modellerin genellikle hafızası daha kötüdür. Hangi modellerin gerçekten bilgiyi sakladığını belirlemek için 32 mesajlık bir iş görüşmesinde 26 büyük dil modelini test ettik. Yapay zeka hafıza kıyaslama sonuçları: 43 sorudan oluşan simüle edilmiş 32 mesajlık bir iş görüşmesi aracılığıyla 26 popüler büyük dil modelini test ettik.
Tablo Modelleri Performans Testi: 19 Veri Kümesi Üzerinde Performans
Yaklaşık 260.000 örnek ve 250'den fazla özellik içeren, 435 ila yaklaşık 49.000 satır arasında değişen veri küme boyutlarına sahip 19 gerçek dünya veri kümesi üzerinde, yaygın olarak kullanılan 7 tablo tabanlı öğrenme modelini karşılaştırmalı olarak değerlendirdik. Amacımız, tipik bir kurumsal ortamı oluşturan farklı boyut ve yapıdaki (örneğin sayısal ve kategorik) veri kümeleri için en iyi performans gösteren model ailelerini anlamaktı.
VPS Karşılaştırması: Hetzner vs Digital Ocean
Sysbench, fio ve speedtest-cli kullanarak CPU, bellek, disk G/Ç ve ağ hızı açısından sunucu başına yaklaşık 1200 otomatik test çalıştırarak 6 Sanal Özel Sunucu (VPS) sağlayıcısını karşılaştırdık. Ayrıca her sağlayıcı için kayıttan SSH'ye kadar olan tüm deneyimi belgeledik.
RL Ortamları: Ajan Tabanlı Yapay Zekanın Arkasındaki Altyapı
Takviyeli öğrenme ortamları, yapay zeka ajanlarının eylemlerde bulunduğu, sonuçları gözlemlediği ve geri bildirim aldığı kontrollü ortamlardır. Modeller, kodlama, tarayıcı görevleri, müşteri desteği ve iş yazılımlarında tek seferlik yanıtlardan çok adımlı çalışmalara geçtikçe bu ortamlar daha kullanışlı hale geliyor. Takviyeli öğrenme ortamı şirketleri Bazı şirketler, kodlama, finans, kurumsal iş akışları veya bilgisayar kullanım görevleri için özel ortamlar satmaktadır.
OpenClaw (Moltbot/Clawdbot) Kullanım Alanları ve Güvenlik
OpenClaw (eski adıyla Moltbot ve Clawdbot), yerel hesaplama görevlerini yürütmek ve standart mesajlaşma platformları aracılığıyla kullanıcılarla etkileşim kurmak üzere tasarlanmış, açık kaynaklı, kendi kendine barındırılan bir yapay zeka asistanıdır. Metin üreten danışmanlar olarak işlev gören geleneksel sohbet botlarının aksine, OpenClaw, ana makinede kabuk komutlarını yürütebilen, dosyaları yönetebilen ve tarayıcı işlemlerini otomatikleştirebilen özerk bir ajan olarak çalışır.
Moltbook: Temsilci Odaklı Sosyal Medya
OpenClaw'ın hızlı büyümesi, alışılmadık bir sosyal deneyi tetikledi: Ajanların birbirleriyle etkileşim kurduğu Reddit benzeri bir sosyal platform olan Moltbook. 28 Ocak 2026'da piyasaya sürülen platform, kısa sürede dikkat çekmeye başladı ve ilk haftasında 1,5 milyondan fazla ajana ulaştı. Yapay zeka ajanları için diğer platformlar hakkında daha fazla bilgi için Inside 'ı okuyun.
AIMultiple Bülteni
Haftada 1 ücretsiz e-posta ile en son B2B teknoloji haberleri ve uzman içgörüler ile işletmenizi hızlandırın.