Büyük Dil Modelleri Fikir Üretebilir mi? Veri Tabanı Tasarımındaki Sınırları

Günümüzde yapay zeka araçları yazılım geliştirmede giderek daha fazla yer alsa da, büyük dil modellerinin (LLM) fikir üretme yetisindeki sınırlar giderek daha belirgin hale geliyor. Bir LLM, temel olarak eğitim verilerindeki istatistiksel eğilimlere dayanarak "olasılıksal devam token'ları" üretir. Bu durum, özellikle karmaşık tasarım problemlerinde, modelin orijinal fikirler üretmesini engelleyebilir. Peki, bu sınırlar yazılım geliştirme pratiğinde nasıl karşımıza çıkıyor ve veritabanı tasarımındaki zorlukların altında yatan temel nedenler neler?

Eğitim Verilerinin Yerçekimi: Kısa Yolların Gizli Maliyeti

Yapay zeka yardımcılarıyla çalışırken sıkça karşılaşılan bir durum, modelin eğitim verilerindeki yaygın kalıpları birebir yansıtmasıdır. Örneğin, Claude Code kullanarak SQL sorguları oluştururken, sıkça karşılaşılan bir örnek kısa tablo takma adlarıdır. Geliştiriciler genellikle staff_dept AS sd, orders o veya order_items oi gibi kısaltmalar kullanırken, bu durum aslında veritabanı tasarımında bilgi kaybına yol açabilir.

Projelerinize özel hazırlanan talimat dosyalarında (örneğin CLAUDE.md) açıkça "tablo takma adlarını kullanmayın, tam adlarını yazın" şeklinde uyarılar bulunmasına rağmen, model bu kuralı zaman zaman görmezden gelebilir. Bu durum, istatistiksel olarak eğitim verilerinde ağırlıklı olarak bulunan kalıpların, yerel talimatlara baskın çıkmasıyla açıklanabilir. Kısacası, LLM'ler veriyi "olası devam" olarak görürken, insanlar tasarım düzeyinde anlam bütünlüğünü korumaya odaklanır.

Veritabanı Tasarımında LLMs’in Zayıf Kaldığı Noktalar

Veritabanı tasarımı, salt koddan öteye geçen bir zihinsel süreç gerektirir. Bu süreçte, birden fazla sorgu modeli, iş kuralları ve gelecekteki genişleme ihtimalleri dikkate alınmalıdır. Ne yazık ki, LLM'ler bu bağlamları yeterince anlayamaz ve genellikle yüzeysel çözümler üretir.

• Eksik Bağlam: Veritabanı şeması, sistem erişim kalıpları, veri hacmi ya da büyüme hızı gibi kritik bilgiler genellikle kod tabanında yer almaz. Bu nedenle, modelin bu unsurları dikkate alması neredeyse imkansızdır.
• Uzman Tasarımların Azlığı: GitHub gibi platformlarda uzman geliştiriciler tarafından yayınlanan kodlar bol miktarda bulunurken, veritabanı şemaları genellikle şirketlerin özel mülkiyetinde kalır. Bu da LLM'lerin eğitim verilerinde daha çok başlangıç seviyesindeki tasarımlara maruz kalmasına yol açar.
• Genellikten Özel Tasarıma Geçiş Zorluğu: Veritabanı optimizasyonunda temel sorgunun yeniden kurgulanması gerekebilir. Örneğin, bir SQL sorgusunun performansını artırmak için FROM cümlesinin başlangıç noktasının değiştirilmesi, JOIN yönünün tersine çevrilmesi ve WHERE koşullarının yeniden düzenlenmesi gerekebilir. Bu, salt iyileştirme değil, tasarımın temelden yeniden düşünülmesini gerektirir. LLM'ler bu tür radikal değişiklikleri nadiren önerir.

Küçük İyileştirmeler mi, Temel Yeniden Tasarım mı?

Yapay zeka yardımcıları, genellikle verilen bir problemi adım adım iyileştirerek çözme konusunda başarılıdır. Örneğin:

• Var olan bir fonksiyonda tekrar eden kod bloklarını ayıklamak
• Sihirli sayılar yerine sabitler tanımlamak
• Benzer döngüleri yardımcı fonksiyonlara dönüştürmek

Ancak, bu araçlar mevcut yapıyı sorgulamak yerine onu optimize etmeye odaklanır. Oysa gerçek bir yenilik, problemi baştan ele almayı gerektirebilir. Örneğin, bir SQL sorgusunun performansını artırmak için tablolar arası ilişkilerin yeniden düzenlenmesi ya da indeks stratejisinin baştan planlanması gibi adımlar, LLM'ler tarafından nadiren önerilir.

Gelecek İçin Ne Yapılabilir?

LLM'lerin bu sınırlarını kabul etmek, onların geliştirilme sürecindeki eksiklikleri değil, mevcut teknolojinin doğasını yansıtır. Ancak yapay zekanın sunduğu avantajları en iyi şekilde kullanmak için:

• İnsan Denetimi Önemini Korumalı: Kritik tasarım kararlarında insan müdahalesi şarttır.
• Özel Bağlamlar Oluşturulmalı: Şirket içi belgeler ve veritabanı şeması arasındaki ilişkileri güçlendiren özel eğitim verileriyle modeller desteklenebilir.
• Karmaşık Problemler Parçalara Ayrılmalı: Büyük problemler küçük, net parçalara bölünerek LLM'lere sunulabilir. Böylece modeller, her adımda daha kontrollü yanıtlar üretebilir.

Yapay zeka araçları geliştiricilerin iş yükünü hafifletirken, yenilikçi fikirlerin ortaya çıkması için insan zekasının yerini hiçbir zaman tamamen alamayacak. Bu teknolojilerin en iyi şekilde kullanılması, insan ve makine arasındaki işbirliğinin doğasını yeniden tanımlamayı gerektiriyor.