1. Anasayfa
2. Sayfalar
3. Bireysel Beslenmede Büyük Dil Modelleri (LLM) ve Yapay Zekâ Ajanlarının Rolü

Damla SARI AKGÜL

Beslenme rutini, görünürde gündelik bir karar olsa da arka planda kültürel kimlik, ekonomik kaynak, sağlık durumu, zaman kısıtı ve bilgi erişimi gibi birçok değişkenin kesiştiği karmaşık bir süreçtir. Tüketici bu süreçte; aile mutfağından edindiği bilgiyle, ambalaj etiketleriyle, doktor ya da diyetisyen önerileriyle ve mobil uygulamalarla yön bulmaya çalışmaktadır. Ne var ki bu kaynakların hiçbiri tek başına yeterli olamayabilir. Günümüzde ise yapay zeka teknolojilerin hızla entegre olduğu gündelik yaşamımızda beslenme rutinimiz, büyük dil modelleri (large language models, [LLM]) ve yapay zekâ ajanlarının etkisiyle bireylerin ne yiyeceğine, nasıl pişireceğine ve hangi beslenme alışkanlığını benimseyeceğine dair kararlarda giderek belirleyici bir aktöre dönüşmektedir.

Günümüzün en görünür teknolojik ilerlemesi, üretken yapay zekâ alanından gelmektedir. ChatGPT, Gemini, Claude ve Llama gibi büyük dil modellerinin geniş kitlelere ulaşması, bu araçların görüntü ve metni birlikte işleyen multimodal sürümlerinin ortaya çıkması ve birden fazla aracının görev paylaştığı yapay zekâ ajanı mimarilerinin olgunlaşması bireyin gıda ile olan ilişkisini sessizce dönüştürmeye başlamıştır (Belkhouribchia ve Pen, 2025). Bireyin tarif bulma eylemi, lezzet, sağlık ve kişisel diyet hedeflerini aynı anda dikkate alan akıllı bir öneri süreci ile evrilmektedir.

Mutfaktan Diyet Planına Uzanan Süreç

LLM tabanlı tarif asistanları, eldeki malzemeyle yapılabilecek yemekleri keşfetme gibi geleneksel bir mutfak sorununu önemli ölçüde aşmıştır. Mohbat ve Zaki (2024), LLaVA-Chef adlı çok-modlu üretken modelle yemek görüntülerini hem de metinsel bilgileri birleştirerek ayrıntılı tarifler üretebilen bir mimari geliştirmiştir. Vir ve Madinei (2024), tarafından geliştirilen ARChef ise Gemini modelini Apple ARKit ile birleştirerek kullanıcının kameraya tuttuğu malzemeleri tanımakta ve eldeki bileşenlerden hazırlanabilecek yemekleri besin değerleriyle birlikte önermektedir. Imajuku  ve arkadaşlarının (2024), FoodMLLM-JP çalışması, bu tür modellerin Japon mutfağı gibi yerel kültürleri dahi destekleyebileceğini gösteren önemli bir örnektir. Bu bağlamda, yapay zekânın yalnızca tarif üretmekle kalmayıp kültürel bağlama duyarlı, bireye özel beslenme planlarında da etkin bir rol üstlenebileceğini göstermektedir.

Bireysel beslenme planlamasına geçildiğinde ise hem riskler hem beklentiler yükselmektedir. Khamesian ve arkadaşlarının (2025) NutriGen çalışması, USDA besin veri tabanını LLM mimarisine bağlayarak hedef kalori değerine yakın haftalık beslenme planları üretmiştir; çalışmada Llama 3.1 8B modeli %1,55 ortalama mutlak hata göstererek GPT-3.5 Turbo’yu (%3,68) ve DeepSeek V3’ü (%10,45) geride bırakmıştır. Bu bağlam, “yeni model her zaman daha iyidir” varsayımının gıda alanında geçerli olmadığını ve model seçiminin önemini somutlaştırmaktadır. Ajan tabanlı yaklaşımlar tarafında ise Xu (2026), kapalı döngülü çoklu-ajan beslenme yönetim sistemini tanıtarak görme ajanı, diyalog ajanı ve durum yönetim ajanını birbirine bağlayan bir mobil uygulama geliştirmiştir. Tüm bu gelişmelere rağmen söz konusu sistemlerin bireysel beslenme pratiklerine etkisini bütüncül biçimde değerlendirebilmek için yalnızca sundukları olanaklar değil, doğruluk düzeyleri, yapısal sınırlılıkları ve kültürel bağlama duyarlılıkları da dikkate alınmalıdır.

Doğruluk Sınırı ve Kültürel Bağlam

Söz konusu sistemlerin tüketici tarafındaki gerçek değerini belirleyen klinik koşullardaki performansıdır. Panzo ve arkadaşları (2024), genel amaçlı yapay zekâ sohbet robotlarının karmaşık klinik senaryolarda diyet önerisi sunma konusunda ChatGPT, Gemini, Claude ve Copilot gibi sohbet robotları arasında belirgin farklılıklar göstermekle birlikte, doğruluk, bütünlük ve tekrarlanabilirlik açısından genel olarak yetersiz kaldığını ve uzman bir diyetisyenin yerini tutamayacağını ortaya koymaktadır. Daha umut verici sonuçlar ise kültürel bağlama özel olarak tasarlanmış sistemlerden gelmektedir. Kalpakoglou ve diğerleri (2025), İspanya ve Türkiye mutfağından uzman onaylı yüz seksen Akdeniz yemeğinden oluşan bir veri tabanı üzerinde çalışan yapay zekâ tabanlı bir beslenme öneri sistemi (AINR) geliştirerek sistemin kullanıcı profili, alerji, tercih, mevsimsellik ve uzman kurallarını eş zamanlı dikkate alarak ürettiği haftalık kişiselleştirilmiş beslenme planlarını 4.000 yapay kullanıcı üzerinde test etmiş ve filtrelemede %100, kalori doğruluğunda %98 ve makro besin dağılımında %90'ın üzerinde başarı elde etmiştir. Alana özel modellerin yükselişine bir başka örnek olan Zhou ve arkadaşlarının (2025), gıda odaklı büyük dil modeli FoodSky, Çin Ulusal Şef Sınavı'nda %83,3 ve Ulusal Diyetisyenlik Sınavı'nda %91,2 doğruluk oranıyla genel amaçlı modelleri açık bir farkla geride bırakarak alana özgü uzmanlaşmanın değerini kanıtlamıştır. Alana özel modellerin sunduğu bu ilerlemeler ne denli kayda değer olursa olsun büyük dil modellerinin sağlık ve beslenme alanında güvenilir biçimde kullanılabilmesi için halüsinasyon ve güvenlik meselelerinin ayrıntılı biçimde ele alınması bir zorunluluk olarak karşımıza çıkmaktadır.

Halüsinasyon ve Güvenlik

Genel amaçlı LLM’lerin en kritik sorunu, halüsinasyon olarak adlandırılan gerçeğe uymayan ancak makul görünen çıktılar üretme eğilimidir. Belkhouribchia ve Pen (2025), büyük dil modellerinin klinik beslenmede sunduğu olanakların; halüsinasyonlar, statik bilgi tabanı kaynaklı olgusal hatalar ve şeffaflık eksikliği gibi hasta güvenliğini tehdit eden risklerle gölgelendiğini ve bu sistemlerin ancak insan denetimi, halüsinasyonu azaltan Geri Çağırma Destekli Üretim (RAG) ve alana özgü ince ayar gibi mekanizmalarla güvenli biçimde kullanılabileceğini ortaya koymaktadır. Aynı zamanda dil temsil sorunları da dikkate alınmalıdır. Özellikle Türkçe gibi morfolojik açıdan zengin dillerde besin terimlerinin doğru çözümlenmesi her zaman garanti edilemez. Niszczota ve Rybicka (2023), on dört farklı gıda alerjeni ve dört kısıtlama düzeyi üzerinden ChatGPT tarafından üretilen elli altı diyet planını değerlendirerek, modelin genel olarak dengeli menüler oluşturabildiğini ancak bazı durumlarda alerjen içeren bileşenleri menüye dahil ederek güvensiz öneriler ürettiğini ve porsiyon ile kalori hesaplamalarında belirgin hatalar sergilediğini ortaya koymuştur.

Tüm bu gelişmeler bir arada düşünüldüğünde, büyük dil modelleri ve yapay zekâ ajanlarının bireysel beslenme rutininin sessizce ama derinden dönüştürmeye başladığı görülmektedir. Bu sistemler artık yalnızca bir tarif öneren, kalori hesaplayan araçlar değil; bireyin sağlık verilerini, kültürel tercihlerini ve gündelik yaşam ritmini birlikte değerlendiren karmaşık karar destek mekanizmaları haline gelmiştir. Türkiye gibi zengin mutfak kültürüne ve güçlü Akdeniz diyeti geleneğine sahip bir ülkede yerel verilere dayalı ince ayarlanmış alana özel modeller, kültürel olarak duyarlı ajan mimarileri ve uzman gözetimini standart olarak içeren tüketici uygulamaları geliştirmek hem akademik hem de toplumsal sağlık açısından öncelikli bir gündem olarak görülmektedir.

Kaynakça

Belkhouribchia, J., & Pen, J. J. (2025). Large language models in clinical nutrition: An overview of its applications, capabilities, limitations, and potential future prospects. Frontiers in Nutrition, 12, 1635682. https://doi.org/10.3389/fnut.2025.1635682

Imajuku, Y., Yamakata, Y., & Aizawa, K. (2025). FoodMLLM-JP: Leveraging multimodal large language models for Japanese recipe generation. https://arxiv.org/abs/2409.18459

Kalpakoglou, K., Calderón-Pérez, L., Boqué, N., Guldas, M., Erdoğan Demir, Ç., Gymnopoulos, L. P., & Dimitropoulos, K. (2025). An AI-based nutrition recommendation system: Technical validation with insights from Mediterranean cuisine. Frontiers in Nutrition, 12, 1546107. https://doi.org/10.3389/fnut.2025.1546107

Khamesian, S., Arefeen, A., Carpenter, S. M., & Ghasemzadeh, H. (2025). NutriGen: Personalized meal plan generator leveraging large language models to enhance dietary and nutritional adherence. https://arxiv.org/abs/2502.20601

Mohbat, F., & Zaki, M. J. (2024). LLaVA-Chef: A multi-modal generative model for food recipes. In Proceedings of the 33rd ACM International Conference on Information and Knowledge Management (pp. 1711–1721). Association for Computing Machinery. https://doi.org/10.1145/3627673.3679562

Niszczota, P., & Rybicka, I. (2023). The credibility of dietary advice formulated by ChatGPT: Robo-diets for people with food allergies. Nutrition, 112, 112076. https://doi.org/10.1016/j.nut.2023.112076

Ponzo, V., Rosato, R., Scigliano, M. C., Onida, M., Cossai, S., De Vecchi, M., Devecchi, A., Goitre, I., Favaro, E., Merlo, F. D., Sergi, D., & Bo, S. (2024). Comparison of the accuracy, completeness, reproducibility, and consistency of different AI chatbots in providing nutritional advice: An exploratory study. Journal of Clinical Medicine, 13(24), 7810. https://doi.org/10.3390/jcm13247810

Vir, R., & Madinei, P. (2024). ARChef: An iOS-based augmented reality cooking assistant powered by multimodal Gemini LLM. https://arxiv.org/abs/2412.00627

Xu, M. (2026). A closed-loop multi-agent system driven by LLMs for meal-level personalized nutrition management. https://arxiv.org/abs/2601.04491

Zhou, P., Min, W., Fu, C., Jin, Y., Huang, M., Li, X., Mei, S., & Jiang, S. (2025). FoodSky: A food-oriented large language model that can pass the chef and dietetic examinations. Patterns, 6(5), 101234. https://doi.org/10.1016/j.patter.2025.101234

Mayıs 2026 Bülten