Uzmandan Öğrenen Yapay Zekâ: Meta’nın İkinci Beyni

Meta’nın mühendislik blogunda 2 Eylül 2026’da yayımlanan bir yazı, şirket içinde kullanılan uzmandan öğrenen yapay zekâ sistemini ayrıntılı biçimde anlattı. Ekip bu yapıyı bir kurumun “ikinci beyni” olarak tanımlıyor. Sistem, uzmanların verdiği geri bildirimi modeli yeniden eğitmeden, test edilmiş kalıcı bilgiye dönüştürüyor.

Çıkış noktası tanıdık bir sorun. Kurumlardaki uzman bilgisi çoğu zaman kalıcı bir biçimde yazıya dökülmüyor. Uzmanlar da zamanlarının büyük kısmını yeni ve belirsiz sorunlar yerine tekrar eden sorulara harcıyor.

Ne Değişti?

Sistem ilk olarak Meta’da belirli bir uyum (compliance) alanı için kuruldu. Bu alanda benzer sorular yüzlerce ürün incelemesinde tekrar ediyor ve tek bir değerlendirme günlerce manuel araştırma gerektirebiliyordu. Yazıya göre genel amaçlı dil modelleri, bir kurumun neyi yapabileceği ile neyi yapması gerektiği arasındaki farkı ayırt edecek kurumsal bağlamdan yoksun.

Çözüm dört katmandan oluşuyor. İlki bilgi tabanı. Kaynak belgeler, sıkı bir sınıflandırmaya göre düzenlenmiş 200’den fazla yapılandırılmış dosyaya damıtılıyor. Sık kullanılan yoğun bilgi bu dosyalarda tutulurken, seyrek ve duruma özel bilgi arama (RAG) yoluyla getiriliyor.

İkinci katman, “tarif” adı verilen akıl yürütme adımları. Bilgi dosyaları ile çok adımlı analiz akışlarını tanımlayan tarifler birbirinden ayrı tutuluyor. Her aşamada yalnızca ilgili talimatların yüklenmesi, tur başına token kullanımını yaklaşık yüzde 80 azaltmış.

Üçüncü katman insan denetimi. Uzmanlar ara adımlarda akıl yürütmeyi kontrol edebiliyor, gerçekten belirsiz sorular ise zorla cevaplanmak yerine uzmana yönlendiriliyor.

Kendi Kendini İyileştiren Döngü

Yazının en dikkat çekici kısmı, bilgi tabanının bakımını bir derleme problemi gibi ele alması. Önce uzman geri bildirimi incelenip kök nedene bağlanıyor. Temel soru şu: Kaynak belgelerde doğru cevap var mıydı? Varsa sorun akıl yürütme adımında, yoksa bilgi eksikliğinde. Uzmanlar kendi aralarında anlaşamıyorsa konu belirsiz olarak işaretleniyor.

Ardından alt ajanlar küçük dosya düzenlemeleri öneriyor. Bağımsız bir gözden geçirici yalnızca bu değişiklikleri inceliyor, deterministik bir denetleyici de çapraz referansları ve bağımlılık döngülerini kontrol ediyor. Doğrulama aşamasında, neyin değiştiğini bilmeyen bir değerlendirici orijinal senaryoyu yeniden çalıştırıyor ve regresyon testleri koşturuluyor.

Son adımda değişiklik, denetim izi olan bir çekme isteği (pull request) olarak uzman onayına sunuluyor. Onaylanan her düzeltme kalıcı bir regresyon testine dönüşüyor. Böylece test seti her döngüde büyüyor ve kazanımlar birikerek ilerliyor.

Kimi İlgilendiriyor?

Bu yaklaşım, kurum içi bilgiyle çalışan yapay zekâ ajanı kurmak isteyen ekipler için yol gösterici. Yazarlar, desenin finans, güvenlik ve mühendislik standartları gibi başka alanlara da uyarlanabileceğini söylüyor.

Paylaşılan sonuçlar da dikkat çekici. Tek bir değerlendirmenin süresi günlerden dakikalara inmiş. İyileştirme döngüleri boyunca hiç regresyon yaşanmamış. Uzmanlar, analitik işin büyük çoğunluğunu ajanın üstlendiğini ve kendilerinin belirsiz vakalara odaklanabildiğini belirtiyor. Geliştirme süreci altı haftada, üç sprintte tamamlanmış.

Belki de en pratik ders, bilginin model ağırlıklarında değil metin dosyalarında tutulması. Bu sayede her değişiklik incelenebiliyor, sürüm kontrolüne giriyor ve geri alınabiliyor. Ekip, bir uzmanın tek bir değişikliği yaklaşık 30 saniyede gözden geçirebildiğini aktarıyor.