OpenAI’ın yeni nesil devasa ön eğitimli modeli “Doug”… | Yapay Zeka Bülteni 2026-08-10

🔥 Odak Noktası

OpenAI’ın yeni nesil devasa ön eğitimli modeli “Doug” sızdırıldı: Temel model Scaling rotasına geri dönüş: Sektör analiz kuruluşları ve sızıntı kaynakları, OpenAI’ın “Doug” kod adlı yepyeni bir ultra büyük ölçekli ön eğitimli model üzerinde çalıştığını ve en geç Kasım ayında piyasaya sürmeyi planladığını bildirdi. Bu durum, yaklaşık iki yıldır yetenek artışını sağlamak için esas olarak post-training ve pekiştirmeli öğrenmeye (reinforcement learning) güvendikten sonra OpenAI’ın, Google Gemini 3 gibi rakip ürünlerden gelen doğrudan rekabet baskısıyla başa çıkmak için temel modelin kendisinde büyük ölçekli Scaling sürecini yeniden başlattığını gösteriyor.(Kaynak: 机器之心)

Google AI yeniden yapılanmasının perde arkası büyüyor: Hassabis’in Jeff Dean ile aynı dönemde istifa etmeyi planladığı iddia edildi: Sektör kaynaklarına göre, DeepMind kurucusu Hassabis’in başlangıçta Jeff Dean ile aynı dönemde Google’dan ayrılmayı planladığı, ancak Google yönetiminin hisse senedi fiyatlarının çökmesinden endişe etmesi nedeniyle kalmaya zorlandığı belirtildi. Hassabis’in Yönetim Kurulu Başkanı ve Alphabet Baş Bilim İnsanı pozisyonlarına terfi ettirilmesinin yalnızca geçici bir düzenleme olduğu iddia ediliyor. Şu anda Google, AI Ar-Ge ve karar alma merkezini tamamen Silikon Vadisi genel merkezine geri çekti. Gemini geliştirme süreci kurucu ortak Brin tarafından bizzat denetlenirken, DeepMind’ın bağımsız araştırma kuruluşu kimliği giderek zayıflıyor.(Kaynak: 量子位)

Akademik ve pratik alanda çifte atılım: GPT-5.6 ve Fable 5, 25 yıldır çözülemeyen MIMO tespiti matematik problemini çözmek için güçlerini birleştirdi: Microsoft Research araştırmacısı Dimitris Papailiopoulos, GPT-5.6 ve Fable 5’in yardımıyla, kablosuz iletişimde MIMO tespitinin maksimum olabilirlik (maximum likelihood) eşiğini tam olarak yakalamasını sağlayan bir polinom zamanlı algoritmayı başarıyla kanıtladıklarını duyurdu. Bu keşif, son 25 yıldır istatistiksel olarak “kurtarılabilir” olan ile hızlı algoritmalarla “kurtarılabilir” olan arasındaki boşluğu doldurarak, AI’ın karmaşık matematiksel teorilerin türetilmesi ve doğrulanmasındaki muazzam potansiyelini ortaya koyuyor.(Kaynak: 量子位)

AI bilgi işlem enerji krizi derinleşiyor: Amazon’un Teksas’taki 7,65 GW’lık doğalgaz santrali ve NVIDIA’nın 3 milyar dolarlık yatırımı ortaya çıktı: AI veri merkezlerinin devasa elektrik talebini karşılamak için Amazon, Teksas’ta 35 türbinli ve 7,65 gigavat (GW) kapasiteli özel bir doğalgaz santralinin inşasını finanse edeceğini doğruladı. Bu tesis, şirketi ABD’deki en büyük tekil sera gazı emisyon kaynağı haline getirebilir. Aynı zamanda NVIDIA’nın, Teksas merkezli enerji altyapısı geliştiricisi Lancium’a 3 milyar dolara kadar yatırım yapmayı planladığı sızdırıldı. Bu durum, bilgi işlem kapasitesinin genişletilmesi ile iklim hedefleri arasındaki şiddetli çatışmayı gözler önüne seriyor.(Kaynak: THE DECODER)

🎯 Gelişmeler

Büyük modellerin post-training aşamasında yeni atılım: Nanjing Üniversitesi ve ortak üniversiteler sürekli difüzyon dil modeli AURORA-LM’i sundu: Araştırma ekibi, sürekli anlamsal uzayda dili modellemek için yepyeni bir yaklaşım önerdi. Bu yöntem, bir autoencoder aracılığıyla metin için yüksek kapasiteli sürekli vektör dizileri oluşturuyor ve bunların üretim dağılımını öğrenmek için blok tabanlı nedensel difüzyon modeli (chunked causal diffusion model) kullanıyor. Model, tüm deneylerini Ascend NPU üzerinde tamamladı ve 1 milyar parametre ölçeğine genişletildi. Serbest üretim ve koşullu özetleme görevlerinde mükemmel sonuçlar elde ederek Çin yerli AI bilgi işlem platformlarının uygulanabilirliğini kanıtladı.(Kaynak: 机器之心)

Google DeepMind, sıfırdan eğitilmeyen metin difüzyon modelini gösteren DiffusionGemma teknik raporunu yayınladı: Rapor, mevcut Gemma-4-26B modelinin nasıl bir metin difüzyon modeline dönüştürüleceğini ayrıntılı olarak açıklıyor. Denetimli ince ayar (supervised fine-tuning) ve “örnekleyici damıtma + pekiştirmeli öğrenme” (SD-RL) içeren iki aşamalı eğitim sayesinde DiffusionGemma, H100 üzerinde saniyede 1500 token’lık paralel üretim hızına ulaştı. Çift yönlü çıkarım ve kendi kendini düzeltme yeteneklerine sahip olan model, Sudoku çözme gibi yapılandırılmış görevlerde üstün performans gösterdi.(Kaynak: THE DECODER)

Büyük teknoloji şirketlerinin AI programlama ve maliyet yönetiminde yeni gelişmeler: Claude Code varsayılan olarak “otomatik mod”u açtı, Amazon Sonnet çağrıları nedeniyle bütçesini %860 aştı: Anthropic, otomatik modu Claude Code için varsayılan yetki haline getirdiğini duyurdu. Testler, otomatik sınıflandırıcının tehlikeli işlemlerin %89’unu yakalayabildiğini gösterdi; bu oran insan manuel incelemesindeki %14’lük oranın çok üzerinde. Bu sırada Amazon’un, yazar bilgilerini doldurmak için Claude Sonnet kullanırken, Agent’ın sürekli yeniden denemesi nedeniyle faturasının 1,8 milyon dolara fırladığı ve bütçesini %860 oranında aştığı bildirildi. Bu durum, kurumsal düzeydeki Agent maliyetlerinin kontrolden çıkma riskini vurguluyor.(Kaynak: 机器之心)

Büyük modellerin “yaşam boyu öğrenme” rotaları ayrışıyor: Akademi ve endüstri, modellerin “kullanırken öğrenme” mekanizmalarını aktif olarak araştırıyor: Büyük modellerin “yıkıcı unutma” (catastrophic forgetting) sorununa yönelik olarak sektör; harici bellek (örn. Letta), bağlam mühendisliği (örn. ACE), sürekli post-training (örn. Tinker) ve uyarlanabilir kendi kendini düzenleme (örn. SEAL, Hope) gibi farklı rotalara ayrışıyor. Karpathy gibi uzmanlar, gelecekteki sürekli öğrenmenin “bilişsel çekirdek + harici bellek” şeklinde katmanlı bir iş birliğine yöneleceğini ve AI’ın neyi, nasıl öğreneceğine bağımsız olarak karar vereceğini belirtiyor.(Kaynak: 机器之心)

Büyük şirketlerin AI programlama araçları oturumlar arası iletişimi sunuyor: Akıllı ajan iş birliği, çoklu Agent paradigmasına doğru ilerliyor: Anthropic, Claude Code için oturumlar arası mesaj iletimi özelliğini tanıttı. Bu özellik, aynı makinede veya uzak bağlantılarda çalışan farklı AI oturumlarının kendi aralarında otonom olarak iletişim kurmasına ve ilerlemelerini senkronize etmesine olanak tanıyor. Bu güncelleme, kod yazan ajanların tek başına çalışma sınırlamasını kırıyor, terminaller arası kopyala-yapıştır işlemlerinden kaynaklanan bağlam kayıplarını ortadan kaldırıyor ve karmaşık çok görevli paralel geliştirmeler için yeni bir destek sağlıyor.(Kaynak: 机器之心)

Zhejiang Üniversitesi, Agentic mekansal biliş değerlendirme çerçevesi ProVisE’ı önerdi: Üretken modellerin mekansal zekayı “çizerek” göstermesini savunuyor: Geleneksel mekansal biliş değerlendirmelerinin modelleri soyut koordinatlar üretmeye zorlama dezavantajına yönelik olarak OmniAI ekibi, ProVisE çerçevesini ve SpatialGen-Bench kıyaslama testini önerdi. Bu çerçeve, görsel protokoller aracılığıyla üretken modellerin yanıtları doğrudan görüntüler üzerinde işaretlemesini sağlıyor ve ardından bir ayrıştırıcı (parser) yardımıyla bunları yapılandırılmış tahminlere dönüştürüyor. Testler, görüntü üretme modellerinin doğrudan mekansal sezgide benzersiz avantajlar gösterdiğini ortaya koydu.(Kaynak: 机器之心)

Cihaz içi AI ve ultra uzun bağlamda yeni gelişmeler: LFM 2.6B ve Pokee-Isaac 28B arka arkaya yayınlandı: Liquid AI tarafından yayınlanan LFM 2.6B cihaz içi modeli, RTX 3090 üzerinde 260T/s üretim hızına ulaşarak ultra hızlı yerel çıkarım sunuyor. Pokee AI tarafından yayınlanan Pokee-Isaac 28B ise 10M-token’lık ultra uzun bağlamı destekliyor. Tek bir GPU üzerinde tamamen yerelleştirilmiş ve güvenli dağıtımı destekleyen bu model, denetime tabi sektörler için verilerin dışarı çıkmasını gerektirmeyen bir ajan çalıştırma çözümü sunuyor.(Kaynak: MarkTechPost)

🧰 Araçlar

Shepherd: Ajan çalışma durumlarının çatallanmasını, yeniden oynatılmasını ve geri alınmasını destekleyen açık kaynaklı Python çalışma zamanı altyapısı: Northeastern Üniversitesi ve Stanford Üniversitesi ekipleri tarafından geliştirilen bu araç, ajanın çevreyle olan her etkileşimini Git benzeri bir “typed event” (tiplendirilmiş olay) olarak kaydeder. Ajan uzun bir görevde hata yaptığında, geliştiriciler veya meta-ajanlar tek bir tıklamayla belirtilen adıma geri dönebilir ve işlemi yeniden yürütebilir. Bu, yeniden çalıştırmanın getirdiği bilgi işlem israfını önler ve %95’in üzerinde prompt önbellek yeniden kullanım oranı sağlar.(Kaynak: MarkTechPost)

Code-Graph-RAG: Bilgi grafiğine dayalı, çok dilli monorepo kod analizi ve düzenleme RAG sistemi: Bu açık kaynaklı proje, çok dilli kod tabanlarını ayrıştırmak için Tree-sitter kullanır ve Memgraph üzerinde birleşik bir yapısal bilgi grafiği oluşturur. En son sürüm, Ruby dili desteğini, ast-grep tabanlı yapısal arama ve değiştirme araçlarını ve diller arası veri akışı izleme işlevini sunarak kullanıcıların doğal dil aracılığıyla karmaşık monorepolar üzerinde sorgulama ve düzenleme yapmasına olanak tanır.(Kaynak: GitHub)

Agent DevTools: Ajan belleği ve geri çağırma hata ayıklamasına yönelik yerel geliştirici aracı: Bu proje, ajan geliştiricilerine LangChain çerçevesini destekleyen görselleştirilmiş yerel bir hata ayıklayıcı sunar. Geliştiriciler, bu araç sayesinde ajanın prompt’larını, bellek durumunu, geri çağırma (retrieval) mantığını ve araç çağrı süreçlerini gerçek zamanlı olarak inceleyebilir (inspect) ve farklı çalışma sürümleri arasındaki farkları karşılaştırarak ajanın karar sapmalarının kök nedenini hızlıca tespit edebilir.(Kaynak: GitHub)

LiteParse: LlamaIndex’in açık kaynaklı, yüksek hızlı PDF yapılandırılmış veri çıkarma aracı: Bu araç, pahalı ve yavaş görsel çok modlu büyük modelleri çağırmaya gerek kalmadan, dijitalleştirilmiş PDF’lerden form alanı değerlerini, onay kutusu durumlarını, açıklamaları, gömülü görüntüleri ve vektör grafiklerini milisaniyeler içinde doğrudan çıkarabilir. Çıkarılan sonuçların LlamaParse gibi büyük model çözümlerine sorunsuz bir şekilde yönlendirilmesini destekleyerek belge ayrıştırma işlemlerindeki Token maliyetlerini büyük ölçüde azaltır.(Kaynak: GitHub)

Overeasy: S3 değişmez günlüklerine (immutable logs) dayalı kalıcı dosya sistemi katmanı: Bu araç, AI Agent’ları için çatallanabilir, kurtarılabilir ve geri alınabilir sanal bir dosya sistemi sağlar. Dosya sistemi işlemlerini S3 üzerinde değişmez günlükler olarak kaydeden Overeasy, ajanların farklı makineler arasında çalışma durumlarını sorunsuz bir şekilde sürdürmelerine ve kod üretimi veya sistem yapılandırmasında hata oluştuğunda herhangi bir geçmiş duruma güvenli bir şekilde geri dönmelerine olanak tanır.(Kaynak: GitHub)

📚 Öğrenme

“Agents in the Wild” (Vahşi Doğada Ajanlar) eğitim makalesi yayınlandı: Microsoft, Bloomberg ve diğer kurumlar tarafından ortaklaşa yazılan bu makale, AI ajanlarının kontrollü kıyaslama testlerinden gerçek dünya dağıtımlarına geçerken karşılaştıkları temel zorlukları ayrıntılı bir şekilde ele alıyor. İçerik; laboratuvar ortamının ötesinde akıl yürütme ve planlama, çoklu ajan koordinasyonu, dinamik doğrulama boru hatlarının (pipeline) inşası, aşamalı geri çekilme (fallback) mekanizmaları ve insan döngüde (HITL) denetim modellerini kapsıyor ve tıp ile finans alanlarından pratik örnekler sunuyor.(Kaynak: X)

“Büyük Modellerin Post-Training Aşamasında Dağılımsal Görsel Unutma” araştırması yayınlandı: Northwestern Polytechnical University, Hong Kong Bilim ve Teknoloji Üniversitesi (HKUST) ve Zhejiang Üniversitesi ekipleri, otoregresif çok modlu büyük modellerin uzun zincirli akıl yürütme süreçlerinde “dağılımsal görsel unutma” (distributional visual forgetting) eğiliminde olduğunu belirtti. Araştırma, GRPO eğitimine görsel kelimeler, görsel bellek ve kritik bölgelerden oluşan üç katmanlı süreç ödülü (process reward) ekleyen Remember-R1 çerçevesini öneriyor. Bu çerçeve, modeli tüm akıl yürütme zinciri boyunca görsel kanıtları sürekli ve doğru bir şekilde kullanmaya zorlayarak 7B modelinin birçok kıyaslama testindeki performansını önemli ölçüde artırıyor.(Kaynak: X)

“Machine Learning: The Basics” (Makine Öğrenimi: Temeller) özet tekrar kılavuzu yayınlandı: Akademisyen Alexander Jung tarafından yazılan bu kısa eğitim kılavuzu, makine öğreniminin temel kavramlarını “veri-model-kayıp” (data-model-loss) ortak çerçevesi üzerinden sistematik olarak ele alıyor. İçerik; hipotez uzayı, model seçimi, ampirik risk minimizasyonu ve düzenlileştirme (regularization), olasılıksal modeller ve kümeleme, federe öğrenme ile gizlilik ve açıklanabilirliği kapsıyor. Hızlı bir tekrar materyali olarak kullanıma oldukça uygundur.(Kaynak: X)

💼 İş Dünyası

Weilian Intelligent, Li Zexiang ve Lu Qi’nin ortak yatırımlarıyla on milyonlarca yuanlık melek yatırım turunu tamamladı: Weilian Intelligent, Li Zexiang’ın Qingshuiwan Fonu ve Lu Qi’nin MiraclePlus (Qiji Chuangtan) fonu gibi yatırımcıların katılımıyla melek yatırım turunu tamamladığını duyurdu. Zhejiang Üniversitesi’nden Dr. Ning Dongdong tarafından kurulan şirket, e-ticaret senaryolarına yönelik “teknik satış sonrası müşteri hizmetleri” diyalog robotları geliştirmeye odaklanıyor. Çok modlu video/görsel anlama yetenekleri ve otonom mantıksal akıl yürütme ile sorun giderme özelliklerini öne çıkaran şirket, karmaşık donanımların yüksek satış sonrası maliyet sorununu çözmeyi hedefliyor.(Kaynak: 36氪)

Zhongke Huisi kuruldu ve “donanım gövdesi × veri” çift volan modelini araştıran üç robotik el ürününü tanıttı: Zhongke Huisi; Zhongke Huiling, Lens Technology ve Huaxia Group ortaklığıyla kuruldu ve L1 hafif versiyonu, D1 yüksek serbestlik dereceli beş parmaklı el ve M1 modüler senaryo eli olmak üzere üç ürün yayınladı. Şirket, robotik elleri bir giriş noktası olarak kullanarak uç işlevlendiricilerin (end-effectors) tek bir donanımdan yazılım ve donanım entegrasyonuna sahip bir operasyonel beceri platformuna dönüşmesini teşvik etmeyi hedefliyor ve profesyonel bir robotik el becerisi eğitim alanı inşa edeceğini duyurdu.(Kaynak: 36氪)

OpenAI, sunum hazırlama girişimi NextSlide’ı satın alarak görsel sunum özelliklerinin entegrasyonunu hızlandırıyor: Sunum oluşturma girişimi NextSlide, OpenAI tarafından satın alındığını ve ekibinin ChatGPT departmanına katıldığını duyurdu. NextSlide’ın teknolojisi, prompt’ları, notları veya belgeleri tek bir tıklamayla şık ve düzenlenebilir sunumlara dönüştürmeye odaklanıyor. Bu satın almanın, ChatGPT’nin görsel iletişim ve içerik oluşturma yeteneklerini geliştirmeyi amaçladığı belirtilirken, işlemin finansal detayları açıklanmadı.(Kaynak: TechCrunch)

🌟 Topluluk

Akademi ve endüstride “AI akademik sahtekarlık tespiti” tartışması: ICML 2026 Oral makalelerinin tekrarlanabilirlik oranının %10’un altında kalması güven krizine yol açtı: Bağımsız araştırma kuruluşu SAI, ICML 2026’daki 105 Oral makale üzerinde eksiksiz deneysel tekrarlanabilirlik testleri gerçekleştirdi. Sonuçlara göre, yalnızca 8 makalenin tekrarlanabilirlik puanı %80’in üzerine çıkarken, medyan puan sadece %28 oldu. Ayrıca birçok makalede kod eksikliği, yayınlanmamış veriler veya açıklananlarla uyuşmayan deneysel sonuçlar gibi sorunlar tespit edildi. OpenAI araştırmacısı Keller Jordan ve diğer uzmanlar, prestijli konferans makalelerinde tekrarlanabilirliği engelleyen unsurların ve abartılı iddiaların sıkça görülmesi nedeniyle, öncü laboratuvarların artık bu tür konferans makalelerini okumayı ve bunlara güvenmeyi büyük ölçüde bıraktığını belirtti.(Kaynak: X)

Büyük model Harness ve Inference ekosistemi üzerine büyük tartışma: Codex gibi yerel çerçeveler “bulut bilişim (cloud-native)” dönüşümüyle karşı karşıya: OpenAI yöneticisi Thibault Sottiaux, uzun süreli akıl yürütme ve yüksek otonomili modellerin ortaya çıkmasıyla birlikte, tek makineli Harness yapılarının (Cursor, Claude Code gibi yerel çalışma ortamları) işlem gücü, bellek ve eşzamanlı korumalı alan (sandbox) darboğazlarıyla karşılaştığını belirtti. Önümüzdeki iki ila üç ay içinde, ajan iş akışlarının “yerelde hafif komuta, bulutta ağır yürütme” şeklindeki bulut bilişim tabanlı mikro korumalı alan altyapılarına geçişinin hızlanacağını öngördü.(Kaynak: 机器之心)

“AI jailbreak ve korumalı alandan kaçış” tartışması yeniden alevlendi: Topluluk, Kimi K3 güvenlik testi tartışmasını konuşuyor: Sosyal medyada büyük yankı uyandıran “Kimi K3’ün siber güvenlik testleri sırasında korumalı alandan (sandbox) kaçtığı ve internete bağlandığı” yönündeki iddialara ilişkin olarak UK AISI ve güvenlik araştırmacıları, olayın modelin aktif bir jailbreak eylemi olmadığını, test uzmanlarının Inspect değerlendirme aracını yapılandırırken ağı doğru şekilde izole etmemesinden kaynaklandığını açıkladı. Topluluk, bazı laboratuvarların bu tür “kontrolden çıkan AI” anlatılarını aşırı pazarlama yapmak ve kapalı kaynak tekellerinin lehine olan düzenleyici politikaları teşvik etmek için kullanmasından endişe duyarak konuyu hararetle tartışıyor.(Kaynak: X)

AI çağında bağımsız geliştiriciler için hayatta kalma rehberi: Token bütçe yönetimi ve samimi marka inşası: Topluluğun tanınmış bağımsız geliştiricilerinden Tw93 ve diğerleri, AI çağındaki geliştirme süreçlerine dair düşüncelerini paylaştı. AI’ın kod yazma bariyerini düşürmesiyle birlikte, geliştiricilerin temel yeteneklerinin kod yazmaktan “ürün mühendisliğine” (kullanıcı araştırması + ürün + operasyon + iş dünyasının birleşimi) kaydığını belirttiler. Geliştirmede Token’ların bir yatırım olarak görülmesi ve en kritik yerlerde kullanılması gerektiğini, hızlı yineleme, samimi iletişim ve küresel bir vizyonla uzun vadeli kişisel güven markası oluşturulması gerektiğini vurguladılar.(Kaynak: X)

💡 Diğer

AI tarafından yazılan kısa hikayeler, kör testlerde insan eserlerini geride bıraktı: 2500’den fazla katılımcıyla yapılan bir araştırma, okuyucuların insan yazarlar ile ChatGPT-4 tarafından üretilen kısa hikayeleri birbirinden net bir şekilde ayıramadığını gösterdi. Kör testlerde, AI hikayeleri algılanan kalite ve sürükleyicilik açısından insan eserlerinden önemli ölçüde daha yüksek puanlar aldı; çünkü AI metinleri genellikle daha akıcı ve okunması daha kolaydı. Ancak okuyucular hikayenin bir AI tarafından yazıldığını öğrendiklerinde, psikolojik önyargılar nedeniyle verdikleri puanlar belirgin şekilde düştü.(Kaynak: THE DECODER)

İngiltere iş mahkemeleri, AI tarafından oluşturulan dava dilekçelerinin istilası nedeniyle ciddi dava yığılmasıyla karşı karşıya: İngiltere Mahkemeleri Başkanı Barry Clarke ve diğer yetkililer tarafından yayınlanan bir genelgeye göre, ChatGPT ve Grok gibi araçların hukuki engelleri azaltmasıyla, sıradan çalışanlar ücretsiz olarak yüzlerce sayfalık karmaşık dava dilekçeleri oluşturabiliyor. Bu durum, mahkemeye yapılan geçici tedbir başvurularının ve biriken dava sayısının geçen yıla göre %55 artmasına neden oldu ve karara bağlanmamış dava sayısı 64.000’e ulaştı. Bu “ortak malların trajedisi” (tragedy of the commons), gerçek hak talepleri olan çalışanların daha uzun süreler beklemesine yol açıyor.(Kaynak: THE DECODER)

Stack Overflow aktivitesi 10 yılda %99 düştü: AI çağında bilgi kaynağının geleceği endişe yaratıyor: İstatistiksel veriler, dünyanın en büyük yazılımcı soru-cevap topluluğu olan Stack Overflow’un aylık soru sayısının, Mart 2014’teki 207 binlik zirve noktasından Temmuz 2026’da 1,4 bine gerileyerek %99 oranında düştüğünü gösteriyor. Topluluk üyeleri, SO’nun uzun süredir devam eden katı kurallarının (gatekeeping) ve toksik atmosferinin zaten yeni başlayanları uzaklaştırdığını, büyük modellerin yaygınlaşmasının ise trafiği tamamen başka yöne çektiğini belirtiyor. Topluluk, insanların açık platformlarda yeni bilgi paylaşmayı bırakması durumunda, gelecekteki AI modellerinin eğitim verilerinin tükeneceğinden endişe etmeye başladı.(Kaynak: Reddit)