DEHA Lab Manifestosu

Başlarken

Bu manifesto bir niyet beyanı değil, çalışan bir sistemin altında yatan düşüncelerdir. Burada yapay zekaya dair perspektifimizi ve DEHA Lab'ı neden kurduğumuzu anlatacağız.

Bir çok kez denememize rağmen kısa ve havalı mottolarla yaptığımız işi paketlemek mümkün olmadı. İçerikten ve iddiamızın ciddiyetinden ödün vermek istemiyoruz. Dolayısıyla bıçak gibi keskinleştirdiğimiz bu manifestoyu sizlere sunuyoruz.

Bu metinde sadece DEHA Lab'ı değil yapay zekanın nasıl çalıştığını ve nereye gittiğini de ifade etmeye çalıştık.

Temelde “büyük dil modelleri güçlü ama anlamı görmeyen, bilmediğini bilmeyen, aynı soruya farklı cevaplar verebilen halüsinatif araçlar. Böyle bir aracı kurumun merkezine koyamazsınız. Ama etrafına doğru çerçeveyi kurarak işlevsel hale getirebilirsiniz.” diyoruz.

Umuyoruz ki her satırını teker teker işlediğimiz bu manifestoyla, hem yapay zekaya bakışımızı hem de bu perspektifi pratik olarak nasıl uyguladığımızı açıkça ortaya koyabilmişizdir.

Nasıl Çalışıyor?

Öncelikle elimizdeki şeyin adını doğru koyalım. Henüz bilincin ne olduğunu tanımlayamazken elimizdeki istatistik motoruna “yapay zeka” demek en hafif tabirle cesurca. Buna “Algoritmik Hafıza” demek çok daha doğru olur 1. Nitekim literatürde de ilişkilendirilmiş hafıza olarak tarif edilmeye başlandı 23.

Şimdi gelin bu “Algoritmik Hafızanın” nasıl çalıştığını inceleyelim.

“Bugün hava...” diye bir cümle yazın. Bu cümlenin sonuna ne gelir? Sıcak, soğuk, güzel, kapalı, yağmurlu ve daha fazlası. Peki siz bu cümleyi nasıl kurdunuz? Pencereden baktınız, havayı gördünüz, hissettiniz ve cümleyi kurdunuz.

Dil modeli ne yapıyor?

Devasa bir metin yığınını, diyelim ki bütün interneti tarıyor. “Bugün hava” ifadesinden sonra hangi kelimenin kaç kez geldiğini sayıyor. Soğuk yüz kez gelmiş olsun, sıcak elli kez, güzel yirmi beş kez. En olası olanı seçiyor, cümlenin sonuna ekliyor ve aynı hesabı baştan yapıyor. Nokta gelene kadar aynı hesap.

Tabii, “Ne yaparsa yapsın, sonuçta cevap anlamlı oluyor.” diyebilirsiniz. Şimdi şu anlam meselesini irdeleyelim.

Anlam Meselesi

Sistem her kelimeyi sayılarla temsil ediyor. Bu sayılar, o kelimenin hangi kelimelerin yanında görüldüğünü söylüyor. Birbirini tamamlayan bu kelimeler aynı cümlelerde göründüğü için ortaya bir anlam illüzyonu çıkıyor. Oysa ortada anlam yok, gelişmiş bir istatistiksel tahmin modeli var.

Az önceki örnekten gidelim: “Bugün hava çok güzel” ve “Bugün hava çok kötü”. Bu iki cümle içindeki güzel ve kötü bizim için birbirinin tam zıddı, bambaşka kelimeler değil mi?

İşte iş burada ilginçleşiyor. Yapay zeka için bunlar neredeyse eş anlamlı kelimeler. Çünkü ikisi de istatistiksel olarak bu cümlenin sonuna gelebilir. Yapay zeka sistemlerinde zıt anlamlı kelimeler benzer bağlamlarda geçtiği için birbirine yakın temsil edilir 4.

Yani yapay zeka kullandığı kelimenin ihtiva ettiği anlama hiç bakmıyor. İki zıt şeyi birbiriyle neredeyse eş anlamlı sanıyor.

Bir de Çince Odası adında bir düşünce egzersizinden bahsedelim. Hiç Çince bilmeyen birine Çince yazıma dair kurallar verdik. Bu kişi o kurallara bakarak elindeki sembolleri birleştiriyor ve gerçekten de doğru bir Çince cümle oluşturuyor. Şimdi dışardan bakanlar bu kişinin Çince bildiğini zannedebilir. Ancak bu kişinin tek yaptığı elindeki sembolleri bizim verdiğimiz kurallar çerçevesinde birleştirmekti. Çince'ye dair hiçbir fikri yoktu.

Yapay zekada da durum aynıdır. Belirli kurallara göre kelimeleri art arda dizmek, düşünebildiği anlamına gelmiyor. Çünkü söz dizimi yapmak, Çince Odası deneyinde de gördüğümüz gibi, tek başına anlam üretemez 5.

Sonuç olarak model dile bakmıyor, dilin sayısal karşılıklarına bakıyor.

Model anlam inşa etmiyor, istatistiksel fonksiyonlar inşa ediyor.

Aslında bunun da ötesinde, hepimizin bildiği daha büyük bir sorun var. Sıradaki bölümde halüsinasyon durumunu inceleyeceğiz.

Halüsinasyon Bir Arıza Değil, İşin ta Kendisi

Bunu doğrudan bir örnekle anlayalım.

Mesela İbrahim'in 5 saat boyunca ne kadar yürüdüğünü ölçtük ve bununla ilgili bir grafik oluşturduk. Biri geldi ve “İbrahim 11 saatte ne kadar yürüyebilir” dedi. Bu soruyu cevaplamak için ne yaparız? Tabii ki doğruyu uzatırız ve 11. saati tahmin ederiz.

İşte dil modeli tam olarak bunu yapıyor. Elinde o nokta yok, dolayısıyla doğruyu uzatıyor, o doğru üzerindeki kelimeleri size cevap olarak veriyor. Bizim halüsinasyon dediğimiz şey tam olarak budur.

Model bilmediği bir noktada susamaz. Doğru cevap da yanlış cevap da aynı mekanizmayla, aynı doğrunun uzatılmasıyla üretilir. Cevabın tutması, o noktada verinin yoğun olmasındandır, modelin doğruyu bilmesinden değil. Nitekim bu modeller geliştirilirken “bilmiyorum” demek öğretilmiyor, tersine tahmin etmek öğretiliyor 6. Yani sizin “uydurdu” dediğiniz şey, onun için tasarımın olağan işleyişidir ve sistemde “yanlış” diye bir kategori en baştan yoktur.

Asıl sorun burada başlıyor. Bu modellerin ne zaman yanılacağını size kimse söyleyemez. Elli kere sorarsınız, elli kere doğru cevap alırsınız. Güvenip işinizi ona bağlarsınız. Elli birincide yanlış çıktı üretir.

Bu yanlışlar belki tek tek kabul edilebilir. Fakat kümülatif birikirse bu yanlışlar yığını, infilak etmeye hazır bir saatli bombaya dönüşür. LLM'lerin merkeze konulduğu sistemlerde bu kaçınılmazdır.

Dolayısıyla bu sistemler üzerinden herhangi bir taahhüt ve güvence verilemez ve bu ciddi bir yan etkidir.

Mühendislik Taahhüttür

Mühendislikte aynı girdiyi verdiğinizde aynı çıktıyı alırsınız. Buna determinizm denir ve bu bütün mühendislik taahhütlerinin temelidir. Bir köprü mühendisi size bu köprünün şu tonajı taşıyacağını, şu büyüklükte depreme dayanıklı olacağını söyler. Koşullarınızı karşılıyorsa inşa edersiniz. İş akdinin temeli tam olarak budur.

Fakat yapay zeka sistemlerinde böylesi bir taahhüt veremezsiniz. Kurumlar bunu fark ettiğinde, bugün “yapay zeka stratejisi” denen şeyin büyük kısmı çoktan bir pilot proje mezarlığına dönüşmüş olacak. Steril ortamda çalışan, üretimde çöken projeler şimdiden her tarafta. 2025'te yayımlanan bir MIT araştırması kurumsal üretken yapay zeka pilotlarının yüzde 95'inin ölçülebilir bir getiri üretemediğini söylüyor 7.

Toz dağılacak

Bir psikoloji bulgusu var, Dunning-Kruger sendromu. İnsan bir konuda en özgüvenli olduğu anda o konuyu aslında en az bilir. Bilgi arttıkça özgüven düşer, çünkü ne bilmediğinizi fark eder 8.

Teknolojilerde de aynısı oluyor. Önce coşku ve heyecan, sonra zirve, ki buna “aptal tepesi” deniyor. Sonra hızlı bir düşüş ve hüsran çukuru. En sonda da teknolojinin gerçek yerini bulduğu olgunluk düzlüğü 9. Dikkat edin: olgunluk düzlüğü zirvenin altındadır. Çünkü zirvedeki beklenti hiçbir zaman gerçek değildir. Aynen bu eğriyi 1956'da başlayan dönemde gördük 10. 1980'lerde tekrar gördük 11. Şu an üçüncüsündeyiz, tarih tekerrür ediyor.

Şunu da açıkça ifade etmek gerekir, elimizdeki LLM'lerden AGI dediğimiz bir genel zeka çıkmayacak. İster matematik perspektifinden ister bilgi teorisi perspektifinden bakın 1213. Dolayısıyla bu modellerle ancak daraltılmış evrenlerde, çevresine daha önce bahsettiğimiz halüsinasyonları engelleyecek disiplinli sistemler inşa edilerek başarı yakalanabilir.

Bunun tersi de doğru ve bunu açıkça söylemek gerekiyor. Çözüm kümesi dar ve doğrulama otomatik olduğunda dil modelleri gerçekten iyi çalışıyor. Kod yazmak bunun en net örneği. Sözdizimi kesindir, çıktı derleyiciden ve testten geçer, yanlışsa geri bildirim anında gelir. Nitekim son nesil modellerin akıl yürütme yeteneği tam da böyle doğrulanabilir alanlarda, matematik ve kodda kazandırıldı 14. Kurumsal işlerin çoğunda ise ne çözüm kümesi dardır ne de doğrulama otomatiktir. Asıl mesele o alanı daraltmak ve doğrulamayı kurmaktır.

İşte DEHA Lab tam da bu noktada devreye giriyor. Gelin artık DEHA Lab'ı somut olarak inceleyelim.

İlk İş: Verileri Temizlemek

Kurumun verisi çoğunlukla dağınıktır. Bu veriyi toplamadan, tekilleştirmeden, temizlemeden ve anlamlandırmadan üstüne kurduğunuz her yapay zeka çözümü kumdan kaledir. İlk dalgada yıkılır. Açıkçası bu, LLM modelini geliştirerek çözülebilecek bir problem değildir.

Biz işe buradan başlıyoruz. Dağınık kaynakların tek çatı altında toplandığı, ama kurumun kendi sunucusundan hiç çıkmadığı bu ham zemine “İMKAN” diyoruz. Büyüleyici ve eğlenceli değil ancak işin gerçekte en önemli kısmı diyebiliriz.

Zeka Çeperde Kurulur

Dil modeli iyi olduğu şeyi yapsın, akıcılığı ve çağrışımı getirsin.

Yanına kural bilen, çelişkiyi fark eden, kaynağını gösterebilen ve gerektiğinde “bunu bilmiyorum” dedirtebilen deterministik bir katman koyalım. Zeka tam olarak buradadır. Bu katman modelin içine konulamaz ama etrafına inşa edilebilir.

Bunun DEHA Lab'da karşılığı İDRAK'tır.

İDRAK, verinin ne anlama geldiğini, parçaların birbiriyle nasıl ilişkili olduğunu ve kurumun kurallarının ne olduğunu tutan katmandır. Bu katman hem LLM'e sınır çizer hem de anlam haritası sayesinde tanımlı ve kısıtlı bir alanda güvenilir bir yapay zeka evreni sunar. Alan daraltmak taviz değil, bilakis işlevsel bir yapay zeka sistemi kurmanın ön koşuludur 15.

Burada araç ile ajan ayrımı yapmakta da fayda görüyoruz. Araç kendi başına karar veremez, mesela matbaa ne basacağına karar vermez. Ajan ise karar verir ve yeni yollar bulur 16. Dil modeli bu ikisinin arasında duruyor. Araç kadar edilgen değil, çünkü cevabını kendisi üretiyor. Ajan da değil, çünkü ne yaptığını bilmiyor ve sonucunu üstlenemiyor.

Bizim yaptığımız iş bu belirsizliği ortadan kaldırmak. Modeli, sınırları önceden çizilmiş bir araca dönüştürüyoruz. Platformda “ajan” dediğimiz şey de modelin kendisi değil, modelin içinde çalıştığı çerçevedir: ne zaman uyanacağı, hangi veriye bakacağı ve hangi eylemi çağırabileceği önceden tanımlanmış bir iş birimi. Karar veren bir özne değil, tanımlı bir görevdir.

Peki bu bağlamda, DEHA Lab dil modellerini somut olarak nasıl konumlandırıyor?

Platformda iki ayrı akış altyapısı var: pipeline'lar ve ajanlar. Deterministik (ölçülebilir) katman pipeline'larda kurgulanır. Buna platformda EYLEM diyoruz. Bu deterministik katman sayesinde model veritabanına dokunmaz, ya da harekete geçemez. Model sadece sınırları keskin olarak çizilmiş olan EYLEM'e harekete geçmesi için çağrı yapar.

Yani sonuç olarak, yapay zekaya aksiyon alma yetkisi vermiyoruz, sınırları çizilmiş aksiyonları tetikleme yetkisi veriyoruz. Böylece daha önce bahsettiğimiz olası hataların önüne geçiyoruz.

Sorumluluğu Değil, İş Yükünü Devralıyoruz

Buraya kadar anlattığımız her şeyin pratikteki karşılığı şudur: DEHA Lab kurumun yerine karar veren bir sistem değil, karar veren insanın yükünü üstlenen bir yardımcıdır.

Bu ayrımı yapmak önemli çünkü bir kurumda asıl değer stratejik kararda üretilir ve o karar insana aittir. Yapay zekadan stratejik karar alması beklenemez. 2026'da yayımlanan bir araştırma, önde gelen dil modellerinin stratejik sorulara kurumun kendi bağlamına göre değil, dönemin popüler yönetim söylemlerine göre cevap verdiğini gösteriyor 17. Yani model size şirketinizin gerçeğine göre değil, ortalamaya göre karar alıyor.

Teknik taraf da bunu doğruluyor. Stanford'da bir çalışma, dil modellerinin belirli bir karmaşıklık eşiğinin ötesinde ne verilen işi doğru yapabildiğini ne de kendi çıktısının doğruluğunu denetleyebildiğini ortaya koyuyor 18. Kendi işini denetleyemeyen bir sisteme sorumluluk devredilemez.

Dolayısıyla biz sorumluluğu devralmıyoruz, iş yükünü devralıyoruz.

Bir yöneticinin günü karar vermekle değil, karar verebilmek için gereken angaryayla geçiyor. Veriyi toplamak, tabloları karşılaştırmak, aynı soruyu üç ayrı departmana tekrar sormak, raporu hazırlamak. DEHA Lab bu kısmı üstlenir ve kararın önüne gelen bilgiyi derli toplu, tutarlı ve kaynağı gösterilmiş halde getirir.

Kararı yine siz verirsiniz, imza yine sizde kalır. Bizim işimiz o imza atılırken önünüzde doğru bilginin durmasını sağlamaktır.

Kurumun Kendi Modeli

Verinin temel güvenlik meselesi sayıldığı bir dönemde kurumlar kendi sunucularında çalışan açık modellere yöneliyor. DEHA Lab tüm bu perspektiflerin bir araya geldiği yer ve en temelde lokal modellere altyapı hazırlıyor.

Bugün bir kurum, kendi sunucusunda çalışan açık bir yapay zeka modelini indirebilir. Ama o model tek başına, deyim yerindeyse, aptaldır. Kurumu tanımaz. Hafızası yoktur, her oturumda sıfırdan başlar, veriye elini uzatamaz.

Lokal modeli platforma bağladığınız anda, hafıza BELLEK katmanında tutulur. BELLEK sayesinde lokal model her kullanıcıyı gerçekten tanır, geçen ay konuşulanı hatırlar. Oturumu ve sohbeti yönetir. Kim ne yazdı, hangi cevap hangi veriye dayandı, hepsi platformdan görülür ve yönetilir.

Zamanlama ve tetiklemeleri KURUL'daki ajanlar kendileri yönetiyor. Bir ajan kendini zamanlayıp uyuyabilir, veri değiştiğinde ya da bir model kaydığında uyanıp EYLEM'i çağırabilir.

Sonucu ise SUNU getirir. Çıktı basit bir sohbet cevabı olarak kalmaz, rapor, panel ya da doküman olarak önünüze gelir.

Bütün bunları kurmak için kod yazmanız gerekmiyor. DEHA platformun akıl katmanıdır ve kendi Claude'unuzu oraya bağlarsınız. İstediğiniz ajanı ya da pipeline'ı doğal dilde anlatırsınız, kurulumu o yazar, platform doğrular, derler ve canlıya alır.

İMKAN'dan SUNU'ya kadar bütün bu halkalar tek bir akışın parçasıdır. Akış sizin isteğinizle, yani İRADE ile başlar ve yine size dönen sonuçla biter.

DEHA Lab Tufanlardan Nasıl Sağ Çıkacak

Şunu açıkça ifade etmek istiyoruz. Kimse LLM'lerle daha fazla oynayarak ona zeka koyamaz. Temel hesap deterministik motorlarda kalması koşuluyla, zeka modelin çeperinde inşa edilebilir. Kurumun lokal modeli bu yöntemle zeki hale gelir.

Bu mimari perspektifin bir kazanımı var. Yarın büyük dil modellerinin yerini bambaşka bir mimari alsa bile kurduğumuz yapı değişmez. Nitekim derin öğrenmenin kurucularından Yann LeCun, dil modellerine gelecekte yalnızca bir dil arayüzü olarak kalacağını, asıl düşünen sistemlerin ayrıca kurulup konuşmanın üstüne ekleneceğini söylüyor 19. Bizim mimarimizde model zaten, değiştirilebilir bir parçadır. Daha zeki olması, bilakis avantaj olacaktır.

Kapanış

Bu balon sönecek. Bu bizim temennimiz değil, tarihin tekerrürü.

Modelin büyüsüne yatırım yapanlar elenecek. Modelin etrafına disiplin inşa edenler bu işi omuzlayacak.

Gelin siz de yarına yatırım yapın…

Kaynakça

Numaralar metinde ilk geçiş sırasına göre verilmiştir. Her kaynak, dayandığı iddia için kaynağından doğrulanmıştır.

1. [1]

   Oğuz, Ş. Ekonomim gazetesindeki “Yapay Zeka Lûgatı” köşe yazılarında “Algoritmik Hafıza” kavramını dile getirmiştir.

   Yazı dizisi.

   www.ekonomim.com/yazar/seref-oguz
2. [2]

   Ramsauer, H. vd. (2020). Hopfield Networks is All You Need. ICLR 2021. arXiv:2008.02217.

   Transformer dikkat mekanizmasının modern Hopfield (ilişkisel hafıza) ağının güncelleme kuralıyla matematiksel olarak özdeş olduğunu gösterir.

3. [3]

   Krotov, D. & Hopfield, J. J. (2021). Large Associative Memory Problem in Neurobiology and Machine Learning. ICLR 2021. arXiv:2008.06996.

4. [4]

   Samenko, I., Tikhonov, A. & Yamshchikov, I. P. (2020). Synonyms and Antonyms: Embedded Conflict. arXiv:2004.12835.

   Dağılımsal hipotez gereği zıt anlamlı kelimeler benzer bağlamlarda geçer ve birbirine çok yakın vektörlerle temsil edilir.

5. [5]

   Searle, J. R. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences, 3(3), 417–424.

   Çince Odası düşünce deneyi.

6. [6]

   Kalai, A. T., Nachum, O., Vempala, S. S. & Zhang, E. (2025). Why Language Models Hallucinate. OpenAI. arXiv:2509.04664.

   Eğitim ve değerlendirme süreçleri belirsizliği kabul etmek yerine tahmin etmeyi ödüllendirir.

7. [7]

   Challapally, A., Pease, C., Raskar, R. & Chari, P. (2025). The GenAI Divide: State of AI in Business 2025. MIT NANDA, Temmuz 2025.

   Kurumsal üretken yapay zeka pilotlarının %95'i ölçülebilir bir kar/zarar etkisi üretememiştir.

8. [8]

   Kruger, J. & Dunning, D. (1999). Unskilled and Unaware of It. Journal of Personality and Social Psychology, 77(6), 1121–1134.

9. [9]

   Gartner. Gartner Hype Cycle (araştırma metodolojisi).

   Beklenti zirvesi, hüsran çukuru, olgunluk düzlüğü.

   www.gartner.com/en/research/methodologies/gartner-hype-cycle
10. [10]

    McCarthy, J., Minsky, M. L., Rochester, N. & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 Ağustos 1955. Yeniden basım: AI Magazine, 27(4), 2006.

    “Yapay zeka” teriminin ilk kez kullanıldığı metin.

    doi.org/10.1609/aimag.v27i4.1904
11. [11]

    Crevier, D. (1993). AI: The Tumultuous History of the Search for Artificial Intelligence. New York: Basic Books.

    1973 Lighthill Raporu sonrası fon kesintileri (ilk “yapay zeka kışı”) ve 1987'de Lisp makinesi/uzman sistem pazarının çöküşü (ikinci kış).

12. [12]

    Dziri, N. vd. (2023). Faith and Fate: Limits of Transformers on Compositionality. NeurIPS 2023. arXiv:2305.18654.

    Transformer'ların bileşimsel akıl yürütmede ölçekle kapanmayan sınırları.

13. [13]

    Peng, B., Narayanan, S. & Papadimitriou, C. (2024). On Limitations of the Transformer Architecture. COLM 2024. arXiv:2402.08164.

    İletişim karmaşıklığı (bilgi teorisi) ile Transformer katmanının büyük alanlarda fonksiyon bileşimi yapamayacağının ispatı.

14. [14]

    Guo, D. vd. (2025). DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 645, 633.

    Akıl yürütme yeteneği, doğruluğu otomatik olarak denetlenebilen alanlarda (matematik ve kod) kural tabanlı ödülle kazandırılıyor.

    doi.org/10.1038/s41586-025-09422-z
15. [15]

    Garcez, A. d'Avila & Lamb, L. C. (2023). Neurosymbolic AI: The 3rd Wave. Artificial Intelligence Review, 56, 12387–12406. arXiv:2012.05876.

    Sinirsel modellerin sembolik/kural tabanlı katmanlarla çevrelenmesi.

16. [16]

    Harari, Y. N. (2024). Nexus: A Brief History of Information Networks from the Stone Age to AI. Random House.

    “AI isn’t a tool — it’s an agent.”

17. [17]

    Romasanta, A., Thomas, L. D. W. & Levina, N. (2026). Researchers Asked LLMs for Strategic Advice. They Got “Trendslop” in Return. Harvard Business Review, 16 Mart 2026.

    Önde gelen dil modelleri stratejik sorulara kurumun kendi bağlamına göre değil, dönemin popüler yönetim söylemlerine göre cevap veriyor. Araştırmacılar bu eğilimi “trendslop” diye adlandırıyor ve modellerin nihai kararı vermek için değil, seçenek kümesini genişletmek için kullanılmasını öneriyor.

    hbr.org/2026/03/researchers-asked-llms-for-strategic-advice-they-got-trendslop-in-return
18. [18]

    Sikka, Varin (Stanford Üniversitesi) & Sikka, Vishal (2025). Hallucination Stations: On Some Basic Limitations of Transformer-Based Language Models. arXiv:2507.07505.

    Dil modelleri ve model tabanlı ajanlar, belirli bir hesaplama karmaşıklığının ötesinde ne verilen işi doğru yapabiliyor ne de kendi çıktısının doğruluğunu denetleyebiliyor.

    arxiv.org/abs/2507.07505
19. [19]

    LeCun, Y. (Mayıs 2026). AI for the Real World: A Conversation with Yann LeCun. Mixture of Experts.

    “Language will serve as an interface to a system that thinks.”

    www.mixtureofexperts.co/p/ai-for-the-real-world-a-conversation
20. [20]

    Dinçer, B. T. Yapay zekanın işleyişi ve sınırlarına dair video anlatımları, genel çerçeve için başvurulan kaynaklar arasındadır.

    www.youtube.com/watch?v=f3rwKtqo4jcwww.youtube.com/watch?v=X8E1qZArsWs