İçeriğe geç
← Ana sayfa

NER’den BERT’e, adları tanımanın kısa hikayesi

Kararlardan ad, yer ve atıf ayıklamak kolay görünür. Listeler ve kurallar neden yetmedi, cümleyi bütün okuyan modeller neyi değiştirdi?

KısımOkumak
Teknik düzeygiriş
Yayın11 Kasım 2026
KodGitHub
Okuma5 dk
Bir cümledeki Deniz Yıldız, Siirt ve Ağır Ceza Mahkemesi adlarının kişi, yer ve kurum olarak işaretlenmesini gösteren pastel çizim.

Elinizde binlerce mahkeme kararı var ve içlerinden kişi adlarını, yer adlarını, kurumları ayıklamak istiyorsunuz. Sebebi bol. Kararı yayımlamadan önce kişisel verileri maskelemeniz gerekir. Arama yaparken hangi mahkemenin kararı olduğunu bilmek istersiniz. Bir atfın hangi kanuna gittiğini çözmeniz gerekir.

Bu işin teknik adı NERİngilizce Named Entity Recognition. Türkçesi adlandırılmış varlık tanıma. Metindeki özel adları bulup kişi mi, yer mi, kurum mu olduğunu söyleme işi.. Yapılan şey aşağıdaki gibi görünür.

Sanık Deniz Yıldızkişi, Siirtyer Ağır Ceza Mahkemesikurumnde yargılanmıştır.

Bir cümledeki özel adlar ve türleri.

Kolay görünüyor. Değil.

İlk akla gelen çözüm, liste

Türkiye’de 81 il, dokuz yüzü aşkın ilçe var. Listesini alırsınız, metinde ararsınız, bulduğunuza “yer” dersiniz. İlk gün çok iyi çalışır.

İkinci gün karşınıza Trabzon’un Of ilçesi çıkar. İlçenin bir kusuru yok. Kusur, iki harfli bir adı cümlesinden koparıp tek başına tanımaya çalışan yazılımda. Çünkü aynı iki harf İngilizcede bir edattır ve yabancı şirket adlarının çoğunda geçer. Türkçede de bir ünlemdir.

Büyük küçük harfe bakmazsanız liste, “Bank of America”nın ortasında bir ilçe bulduğunu sanır. Bakarsanız bu sefer cümle başındaki “Of, yine mi erteleme!” ünlemini ilçe diye işaretler.

Aynı güçlük başka adlarda da var. Ordu hem bir ilimiz hem silahlı kuvvet. Batman hem bir ilimiz hem bir çizgi roman kahramanı. Tokat hem bir ilimiz hem gündelik bir kelime. Kişi adlarında durum daha da zor. Deniz, Savaş, Barış, Gül, Çiçek, Yıldız hem ad hem sıradan kelime. Şu cümleyi listeyle çözmeye çalışan yazılıma kolay gelsin.

Müşteki Savaş Barış, Tokat’ta bir tokat yediğini beyan etmiştir.

Sonra kurallar gelir

Liste yetmeyince kural yazarsınız. “Önünde ili, arkasında ilçesi varsa yerdir.” “Arkasında Mahkemesi geliyorsa kurumun parçasıdır.” “Önünde Av. varsa kişidir.”

Hukuk metninde kurallar iş görür, çünkü hukuk metni kalıplıdır. “E. 2023/125, K. 2024/87” gibi bir künyeyi yakalamak için yapay zekaya ihtiyacınız yok, iyi yazılmış bir kural yeter. Karar atıflarını bulmak için yazılmış kural tabanlı bir ayrıştırıcının puanını aşağıda göreceğiz.

Sorun, kuralların çoğalması. Her istisna yeni bir kural ister, yeni kural eski kuralla çakışır. Kurallar çoğaldıkça hangisinin neden orada olduğunu izlemek zorlaşır.

Öğretmek için örnek gerekir

Üçüncü yol, bir modele örnek gösterip öğretmek. Bunun için birinin oturup metinleri işaretlemesi gerekir. Şu ad kişi, şu ad yer, şu ifade bir kanun atfı.

İşin en sıkıcı ve en önemli kısmı burası. Baştaki cümleye dönün. “Siirt Ağır Ceza Mahkemesi” tek bir kurum mu, yoksa bir yer ile bir kurum mu? İki cevap da savunulabilir. Karar vermezseniz veriniz yarı yarıya çelişir.

Model çelişkiyi de sadakatle öğrenir.

Bu işlerde vaktin çoğu model eğitmeye gitmiyor. Neyin nerede başlayıp nerede bittiğine karar vermeye ve bu kararları yazıya dökmeye gidiyor. Aşağıdaki ölçümde sonuçların iyileştiği yer de orası oldu.

Sonra BERT geldi

BERT’ten önce yaygın olan kelime vektörlerinde her kelimenin tek bir sayısal karşılığı vardı. İlçe adı olarak da, İngilizce bir şirket adının içinde de “of” aynı “of”tu.

BERTGoogle’ın 2018’de yayımladığı dil modeli. Bir kelimeye bakarken cümlenin hem solunu hem sağını birlikte okur. BERTurk ve ModernBERT onun devamı sayılır. bunu değiştirdi. Eğitimi bir boşluk doldurma oyunudur. Cümleden bir kelime gizlenir, model onu sağındaki ve solundaki kelimelere bakarak tahmin eder. Milyarlarca cümlede bunu yapan model, kelimeye tek başına değil komşularıyla birlikte bakmayı öğrenir.

Aynı iki harf artık cümlesine göre başka bir şeydir.

Deneyelim. Herkese açık, BERT tabanlı bir Türkçe modele yukarıdaki zor cümleleri verelim.

Davacı, Trabzonyer ili Ofyer ilçesinde ikamet etmektedir.

Of Asliye Hukuk Mahkemesikurumnin kararı temyiz edilmiştir.

Davalı Bank of Americakurum ile kredi sözleşmesi imzalamıştır.

Of, yine mi erteleme!

Davacı Batmanyer’da ikamet etmekte, davalı ise Orduyer’da çalışmaktadır.

Müşteki Savaş Barışkişi, Tokatyer’ta bir tokat yediğini beyan etmiştir.

Davacı vekili Av. Çiçek Gülkişi, Gül Sokakyer’taki işyerinin tahliyesini istemiştir.

Modelin gerçek çıktısı. Hiçbir kural yazılmadı.

Hepsini ayırdı. İlçe olan Of’u yer saydı, mahkemenin adındaki Of’u kurumun parçası yaptı, bankanınkine dokunmadı, ünlemi boş geçti. Avukat Gül ile Gül Sokak’ı karıştırmadı. Büyük harfli Tokat yer oldu, küçük harfli tokat olduğu yerde kaldı.

Kusursuz değil. Baştaki cümlede “Siirt Ağır Ceza Mahkemesi”ni iki parçaya böldü, Siirt’i yer, gerisini kurum saydı. Bir önceki bölümde anlatılan kararsızlığın modeldeki izi bu. Onu eğitenler de bir yerde bir karar vermiş.

Hazır model yeter mi?

Yukarıdaki örneklerde kişi ve yer adlarında işini gördü. Hukuka özgü şeylerde durum farklı.

Hukukta asıl dert çoğu zaman kişi adı değil, atıflar. Bir kararın içinde geçen kanunları, maddeleri ve başka kararlara yapılan atıfları bulmak. Dört bin küsur örneklik bir test kümesinde, karar atıflarını bulma işinde dört yol yan yana kondu. Ölçü F1Bulunması gerekenlerin ne kadarının bulunduğunu ve bulunanların ne kadarının doğru olduğunu tek sayıda özetleyen ölçü. 1 kusursuz, 0 hiç demek., 1’e ne kadar yakınsa o kadar iyi.

Yol F1
Hazır genel model, birinci 0,21
Hazır genel model, ikinci 0,37
Elle yazılmış kurallar 0,85
Hukuk verisiyle eğitilmiş model 0,93

Tablodan üç sonuç çıkıyor.

İki hazır model hukuk atfını tanımadı. Bu onların ayıbı değil, büyük ihtimalle “E. 2023/125” gibi künyelerle hiç eğitilmediler. Yine de 0,21 ile kuralların 0,85’i arasındaki fark iyi bir uyarı.

Kurallar 0,85’e kadar götürdü, üstelik işlem gücü harcamadan. Modele geçmeden önce kuralla nereye kadar gidilebildiğine bakmak gerekiyor. Kuralın nerede yetip nerede yetmediği ayrı bir yazıda ölçüldü.

Asıl farkı hukuk verisiyle eğitmek yarattı.

Eğitilen model Hugging Face’te açık. Kullanım örneği ve sınırları model kartında yazıyor.

Bir çekince de var. Yeni model her işte kazanmadı. Madde atıflarını bulmada eski kural tabanlı düzenek hala bir adım öndeydi ve yerinde kaldı.

Buradan doğal bir soru çıkıyor. BERT 2018’de yayımlandı, sonraki yıllarda ondan türeyen pek çok model çıktı. Türkçe hukuk metniyle çalışırken bunlardan hangisini seçmek gerekir? Sıradaki yazı bu soruya bakıyor.

Örnekler hakkında

Ad tanıma örnekleri 11 Kasım 2026’da akdeniz27/bert-base-turkish-cased-ner modeliyle alındı. Betik ve ham çıktı depoda duruyor.

Tablodaki puanların alındığı test kümesi mahkeme kararlarından oluştuğu için açık değil, burada yalnız toplu sonuç var. Hukuk verisiyle eğitilmiş model açık, gliner-tr-legal-extraction adıyla Hugging Face’te duruyor.

Kaynaklar

nerberthukuktemeller