MindGraph: Daha Akıllı, Daha Ucuz, Daha Güçlü

Sadece bir yazıda tüm yapay zeka çalışmalarını anlatmak takdir edersiniz ki mümkün değil. Yine de olabildiğince geçmişe gidip bugüne kadar kat ettiğimiz yolu ifade etmeye çalışacağız.

İlk başlangıç ​​noktamız bundan kabaca 13 años una vez que ImageNet isimli yarışmada adını duyuran AlexNet modeli olacak. Basit bir resim sınıflandırma modeli bile olsa AlexNet'in 2012 yılında bize gösterdiği şey GPU (Unidad de procesamiento de gráficos) yani ekran kartlarının, derin öğrenme modellerinin eğitiminde kullanılabileceği oldu:

13 años sonra bugün geldiğimiz noktada dünyanın önde gelen ekran kartı üreticisi NVIDIA dünyanın y değerli şirketi oldu. [2] Devamındaki süreçte ekran kartlarının kabiliyetleri y alan ilgi arttıkça daha büyük yani daha çok parametreli y daha çok gizli katman içeren modeller hayatımıza girmeye başladı.

Böylece daha kaliteli görüntü, sinyal, video modelleri görmeye başladık. Büyük modelleri orijinalinde yer almayan görevler için az miktarda veri ve işlem gücüyle eğitmeye dayalı afinar, transferir aprendizaje gibi kavramlar hayatımıza girdi. Lakin doğal dil için büyük bir model üretmek hala mümkün değildi. 

Bu problem ise yolculuğumuzun bir sonraki önemli adımı olan La atención es todo lo que necesita başlıklı makale çözülmüş oldu. 8 años después de Google, yayınladığı, haga que Transformer isimli kavram ile tanıştırdı. Artık “büyük” diye ifade edebileceğimiz doğal dil modelleri yani LLM'leri eğitebiliyorduk. [4]

2022'nin sonlarında ise (yani bundan sadece 3 años önce) ise belki de un önemli adımlardan biri OpenAI tarafından atıldı y o güne kadar eğitilen hiçbir modelin gösteremediği bir razonamiento (muhakeme) kabiliyetine sahip olduğu gösteren ChatGPT platformu viejo.

Her ne kadar modelin görevinin sabit olduğu ve eğitim öncesinde belirlendiği klasik makine öğrenmesi ve derin öğrenme modellerinin aksine modelin görevinin doğal dil ile değiştirilebildiği modellerinin de pocos disparos / cero disparos ilki olmasa da, ChatGPT platformunda sunulan y GPT-3 üzerinden afinar edilen modelos GPT, bizi tam anlamıyla Reformulación de tareas ile tanıştırdı. Tamam ama bu neden bu kadar önemli? 

ChatGPT'den sadece birkaç yıl önce bir problemi çözmek için eğitilen su modelo sadece ilgili model üzerinde çalışabiliyordu. Mesela 2020 yılında Kaggle üzerindeki tweet análisis de sentimiento yarışmasının temel amacı olan, tweet'lerdeki duyguyu ifade eden cümlecikleri ayıran modellerin tamamı, sadece bu sorunu çözmek üzerine eğitilmişlerdi. Bu modellerden birini alıp başka bir doğal dil görevinde kullanamazdınız. Örneğin tweet'in hangi dilde yazıldığını modele soramazdınız. Görevi değiştirmenin tek yolu yeniden eğitmekti. Yani konuyla ilgili y az bir uzmana ihtiyaç vardı. ChatGPT es un dispositivo de almacenamiento seguro. Artık bir doğal dil görevini yapmak için bir model eğitmeye ihtiyacınız yoktu. ChatGPT modelinin görevini doğal dil ile (kabaca Prompt ile) yeniden değiştirebiliyordunuz. Este tweet'in dilini sınıflandırın, ester duygu durumunu. Artık bir uzmana ihtiyaç yoktu. [5]

Evet artık bir uzmana ihtiyacımız yok. Bilgisayar bilimci olmak zorunda değilsiniz. Kodlama bilmeye de gerek yok. ¿Afinar? ¿Transferir aprendizaje? Eğitim? Artık hiçbirine gerek yok. Yazıp konuşabiliyorsanız bu yeterli. Öyle ki OpenAI 1 milyar kullanıcıya ulaşmış durumda yani tüm dünyanın 8'de 1'ine. Bu da demek oluyor ki LLM'ler artık insan hayatının bir parçası haline geldi. [6]

LLM'lerin “zeka”sı artık kelime tamamlama becerisinden çok çok-adımlı akıl yürütme kabiliyetiyle değerlendiriliyor. Araştırmalar, zincir-düşünce sistemlerinin küçük göstergelerle bile karmaşık problemi çözme oranını dramatik biçimde artırdığını ortaya koyuyor. Bu yüzden OpenAI, Eylül 2024'te tanıttığı o1 serie “daha ​​uzun düşünüp sonra cevap veren” como modelador olarak konumlandırdı. Devasa parametre sayıları, exaFLOPS ölçekli eğitim kümeleri and milyarlarca token, 2020-2024 arası inovasyonun lema antiguo. Talebin tetiklediği bu dönem, Nvidia'nın piyasa değerini dokuz ayda 1 trilyon $'dan 3 trilyon $'a taşıdı; öyle ki analistler şirketi “AI çağının petrol devi” diye tanımlamaya başladı. [7] Durumu daha iyi kavrayabilmek için şu grafikleri inceleyelim:

Epoch.ai'den aldığımız ilk grafikte özellikle derin öğrenme tekniğinin popüler olması ile birlikte model eğitmek için gereken işlem gücünün (FLOP cinsinden) yılda ortalama 4.6 kat arttığını görebiliyoruz. Kısaca her yıl 5 kat daha fazla işlem gücüne ihtiyaç duyuyoruz. [8]

La SEC (Comisión de Bolsa y Valores)'den aldığımız bu grafikte ise, 2019-2024 döneminde NVIDIA hissesinin birikimli toplam getirisinin hem S&P 500 hem de Nasdaq 100 endekslerini ezici biçimde geride bıraktığı görünüyor. Yani, son beş yılda NVIDIA'ya yatırım yapanlar, geniş piyasa endekslerine yatırım yapanlara kıyasla katbekat daha yüksek bir getiri elde etmiş durumda. [9] 

İki grafikte açıkça gösteriyor ki, yapay zeka uygulamaları hızla yaygınlaştıkça, bu teknolojiyi mümkün kılan donanım and altyapıya olan talep de katlanarak artıyor. Al modelar y utilizar el software de forma segura, utilice NVIDIA gibi çip üreticilerinin değeri de benzer bir hızla artıyor.

Fakat bu trendi bozan bazı özel gelişmelerden de bahsetmemiz gerek. Örneğin 2025'in başında Çin merkezli DeepSeek, açık kaynaklı Reasoner-R1 ailesini and dakikası 0,55 $/M token gibi oldukça rekabetçi fiyatlandırma modelleriyle piyasaya girerek, sektördeki dengeleri değiştirme potansiyeli taşıdığını gösterdi. El modelado normal OpenAI GPT-4o tiene 1 millón de tokens de salida (más de 10 $), DeepSeek R1 cuesta 2,19 $; gece indirimiyle bu rakam 0,55 $'a kadar düşürdü. Durante el proceso de actualización, utilice OpenAI'den DeepSeek para usar el antiguo DeepSeek con un mínimo de 40 días de uso. [10]

DeepSeek'in rakipleri ile arasındaki fiyat uçurumunu gösteren bir infografik.

Ancak bu başarının ardında ki tek faktör sadece uygun fiyatlandırma değildi. DeepSeek'in yayınladığı rapor, 671 mil parámetros sahip R1 modellerinin nasıl üst düzey muhakeme stilleneği sağladığını detaylı biçimde ortaya koyuyordu. R1'in, o güne kadar alanın y güçlü kapalı modeli olan OpenAI GPT-4o ile rekabet edebilen sonuçlar sunması, sektörde "daha fazla işlem gücü eşittir daha iyi muhakeme" anlayışını ciddi şekilde sarstı. Guardian'ın "DeepSeek Paniği" başlıklı haberinde vurguladığı gibi, R1'in kamuya açılması Nvidia hisselerinin como işlem gününde %18 değer kaybederek yaklaşık 600 millyar dolarlık tarihi bir düşüş yaşamasına neden viejo. [11]

Detaylara inip y DeepSeek'in paylaştığı makaleyi göz gezdirdiğimiz zaman DeepSeek'in maliyetleri kısmak için ciddi anlamda optimizasyon yaptığını görebiliyoruz. Tarjeta de tarjeta de mimarisine Hooper con FlashMLA y tarjeta DeepSeek en el interior del micrófono Hopper mimarisine sahip H800 (NVIDIA tarafından çin pazarına sunulan H100 muadili ekran kartı) bulunduğuna and R1'in bu kartlarda eğitildiğine dikkat çekelim. Ya da MoE (Mezcla de expertos) olarak adlandırılan ve modelin sahip olduğu toplam 671 milyar parametre içinden her işlemde yalnızca küçük bir bölümü (37 milyar parametre gibi) aktif olarak kullanılarak hesaplama maliyeti önemli ölçüde azaltan yöntemler örnek verilebilir. [12]

Son Olarak DeepSeek-R1 'in etkileyici performansını küçük y ekonomik modellere aktarmak için kullanılan distilasyon (destilación) yöntemi de değinmeden geçmeyelim. Eğitim ve çalıştırma maliyetlerinde kayda değer optimizasyonlar yapılmış olsa da R1 hala 671 millyar parameter içeriyor yani sadece çalıştırmak için bilis >400GB VRAM (cuantización de 4 bits en rağmen) lazım (RTX 4090 sadece 24GB VRAM içerdiğine dikkat çekelim). Las principales funciones de DeepSeek son los modelos de kaliteli que son compatibles con el modelador, el kaliteli y el kapasiteli R1 y los kaliteli yaklaşık de 800 bins. modellerin eğitimi için kullanmış. Bu şekilde 70, 32, 14, 8, 7 y 1,5 milyarlık distile edilmiş R1 modellerini paylaşarak DeepSeek herkese imkanı yettiği ölçüde kaliteli bir R1 think modeli sağlamış oldu. [13]

DeepSeek'in detaylarından sonra geldiğimiz noktayı kabaca özetlersek 3 yıl önce ChatGPT ile birlikte doğal dil ile modele ya da artık daha genel bir isim ile yapay zekaya görev atayabilir hale geldik. Başlangıçta bunlar basit görevlerdi. Daha önce verdiğimiz örnekler gibi mesela bir metnin dilini sınıflandırmak ya da farklı bir stil ile yeniden yazdırmak. Devamında ise beklentileri karşılamak adına birçok yeni teknik ortaya çıktı y yapay zekanın tek seferde tek bir rápido ile yapabildiği görevlerin kapasitesi arttı. Bunu şu grafikte çok net görebiliriz [14]:

2023 yaz aylarında standart bir matematik testinde %30 başarılı olan modeller artık %90 seviyesinde başarılılar. Daha iyi razonamiento yani muhakeme Yeteneğine sahipler. Daha karmaşık problemleri çözebiliyorlar.

¿Peki bu bizim için bir durak noktası mı? Elbette değil. İnsanlık olarak yapay zekadan beklentimiz bugünden daha iyi bir muhakeme Yeteneği. Öyle ki bir insanla aynı seviyede. Şu an için eğitilmiş insan ile aynı seviyede çeşitli (genel) ve uzmanlıkta bir yapay zeka mevcut değil. Şu anda uzmanlar bu seviyeyi AGI (Inteligencia General Artificial) yani yapay genel zeka olarak isimlendiriyorlar. Bu seviyede ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme stilleneğine sahip olacak ve üretildiği an muhtemelen yapay zeka tarihinde ki yeni kırılma noktası olacak.

Burada muhakeme Yeteneğini kabaca bir başarı ölçütü olarak görebiliriz. Ne kadar yüksek muhakeme stilleneği o kadar karmaşık problemlerin, görevlerin çözümü. Biz de Galaksiya olarak, bunlardan biri olan RAG'a (Recuperación de generación aumentada) y devamında mevcut modellerden daha yüksek muhakeme stilleneğinin elde edilmesi üzerine odaklandık. MindGraph es un gráfico de conocimiento único (bilgi çizgesi) que permite usar y utilizar otros métodos.

Bu tanımı açıklamadan önce LLM'lerin hayatımıza girmesiyle iyice anlam kazanmış ve hala aktif olarak üzerine çalışılan konulardan biri olan RAG'ın (Recuperación de generación aumentada) ne olduğundan bahsetmeliyiz. Daha önce de bahsettiğimiz gibi LLM'ler eğitildikleri verileri kullanarak girilen fast'lara cevap üretebiliyorlar. Örneğin bir LLM'e “Avrupa'nın yüzölçümü nedir?” gibi bir soru sorarsanız doğru cevabı alırsınız (istisnalar dışında). ¿Peki ya yarın avrupa kıtasının yüzölçümü değişirse? Hatta dinamik bir şekilde her gün değişmeye başlarsa? ¿LLM'de bu bilgiyi nasıl güncelleyeceğiz? Başka bir örnek verelim. LLM'leri hayatımızın artık birçok alanında kullanabiliyoruz. Sorular soruyoruz ve cevap alabiliyoruz. ¿Peki ama sürekli değişen ya da halka kapalı olan (privado) veriler hakkında ki sorularımıza nasıl cevap alacağız? Mesela bir şirket yönetmeliği, finansallar ya da yasalar. ¿Kısaca LLM'lerin privado ya da dinamik veriler hakkında doğru cevaplar üretmesini nasıl sağlarız?

İşte bu soruya şu an verilebilecek como cevap RAG. RAG'ın temel amacı sorulacak olan soruya uygun cevabı içeren veriyi soruyla birlikte Prompt içerisinde vermek. Böylece ilgili veriyle modeli yeniden eğitmeden LLM veri ile ilgili sorulara cevap verebilir hale geliyor(En azından teoride). Ve evert bu yaklaşımın bazı zayıf noktaları var. Bunlardan es un límite limitado de ventana de contexto. Ventana de contexto kabaca bir LLM'in tek seferde girdi ve çıktı olarak işleyebileceği toplam token (bknz: Tokenización ) sayısı. Bizim için önemli olan kısım ise özellikle girdi yani input sınırı. Eski derin öğrenme modellerini düşünün. Bir örneklemin boyutu her zaman sabit idi. Örneğin bir CNN modelinde kullanılan bir resmin boyutu her zaman sabit olmak zorunda idi. Bu bugün de geçerli y modelden modele göre değişiyor. Este es un modelo GPT con un máximo de 128,000 tokens por día. 75 kalimenin kabaca 100 token yaptığını düşünürsek bu da kabaca 250 sayfalık bir kitap yapar. Yani bizim privado ya da dinamik verimiz bundan daha büyük ise modele tek seferde veremeyiz. [15]

Diğer bir problem ise tüm veriyi modele verebildiğimiz durumlarda dahi zaman doğru cevabı alamayabiliriz. Özellikle veriler düzensiz yani saf metinlerden oluşuyor ve sorduğumuz soru yüksek muhakeme stilleneği gerektiriyor ise. Bu durumu daha iyi ifade edebilmek için bir metafor kullanalım. Farz edelim ki bir insan uzmana 250 sayfalık bir kitap verip kitapta geçen isimleri alfabetik sırayla söylemesini isteyelim. Uzmanın tamamlaması gereken adımlar kabaca şu şekilde olurdu:

1. Kitapta geçen tüm isimleri atlamadan tek tek bir yere not al.
2. Daha sonra not alınan tüm isimleri alfabetik olarak sırala.

Görüldüğü üzere bu sorunun çözümü tek bir adımdan oluşmuyor y azından makul bir çözüm için en az iki adıma dolayısıyla bu adımları oluşturmak için belli bir seviyede muhakeme stilleneğine ihtiyacı var. 

¿Peki bu problemlerin üstesinden nasıl geleceğiz?

Birinci problemi çözmenin tek yolu veriyi bir şekilde context window içine sığdırmaktan geçiyor. Yani veriyi bir şekilde kısaltmamız ya da filtrelememiz lazım ve bunu yaparken mümkünse sorunun cevabını içeren kısma zarar vermememiz lazım. Bu noktada sıklıkla tercih edilen yollardan biri vektörleri kullanmak [15]:

1. Öncelikle metin chunk (küçük metin parçaları) bölünür.
2. Ardından parçalar önceden eğitilmiş bir incrustación modeli yardımıyla vektörlere dönüştürülür.
3. Daha sonra bu vektörler bir veritabanında saklanır.
4. Kullanıcı soru sorduğu zaman ilgili soruda vektöre dönüştürülür.
5. Sorunun vektörüne yakın (genelde kosinüs benzerliği kullanılıyor) olan k sayıda vektör getirilip soru ile birlikte LLM'e verilir.

Böylece metnin sorulan soruyla y alakalı parçaları filtrelenmiş y context window'a sığmış olur. Vektör çözümü genel basit ve bu alanda sıklıkla kullanılan bir çözüm.

El problema de İkinci es daha zor. Çünkü sorulan soruyu alt sorunlara parçalamayı y alt çözüm adımları oluşturmayı gerektiriyor. Farkettiyseniz bu problem aslında daha önce de belirttiğimiz ve alanın üzerine yöneldiği yüksek muhakeme problemi ile aynı problem. Kabaca LLM'lerden nasıl daha yüksek muhakeme stilleneği elde edebiliriz? 

Doğal olarak bu alan üzerine çalışan neredeyse herkes bu problem üzerine eğilmiş durumda. Bunlara pensando modelleri ya da özel skorlama ajanları içeren çok ajanlı yapıları örnek verebiliriz. Bize ise hem birinci hem de ikinci problemi çözebilmek için MindGraph ismini verdiğimiz farklı yaklaşım kullandık.

MindGraph'ın temelini oluşturan bilgi çizgesi, yapısal olarak veriyi node y edge yani düğüm and kenarlar olarak tutmakta. İki düğüm arasında bir kenar olması demek iki düğümün bir şekilde birbirleriyle ilişkili olduğu anlamına geliyor. Bu açıdan beyne ve nöronların yapısına benzetebiliriz [17].

¿Tiene algún problema con MindGraph en su negocio? Öncelikle birinci problemden başlayalım. Birinci problemde temel amacımız büyük miktarda veri için ham metin verisinin soru ile alakalı olan kısımlarını alıp geri kalanlarını filtrelemek idi. Burada ne kadar iyi bir filtreleme yaparsak o kadar iyi bir cevap alabildiğimizden ve bu problema için general olarak vektör tabanlı çözümler kullanıldığından daha önce bahsetmiştik. Lakin vektör tabanlı yaklaşımlarında kendine tiene bazı alt sorunları mevcut.

İçerik filtreleme için sıklıkla tercih edilen vektör tabanlı çözümlerde gördüğümüz ilk sorun bir chunk'ın, sorulan soruyla ne kadar ilgili olup olmadığına dair ölçülebilir bir metriğimizin olmaması. Bu nedenle filtreleme için sabit bir sayı kullanıyoruz y sıralanan chunk'lar arasından sadece bu sabit sayı kadar chunk seçmek durumunda kalıyoruz (Buna top k deniyor de selección). Kullanılan sabit sayı bu çözümde bir hiper parametre olmuş oluyor ve ne olacağı verinin türüne, içeriğe ve konuya göre değişiklik gösterebiliyor.

İkinci sorun ise metni chunk'lara parçalamanın temelinde yatıyor. Su bir vektörün içerdiği öznitelikler sadece kesilen chunk'u temsil ediyor ve yine bu kesilen chunk'ların boyutu bir hiper parámetro olarak belirleniyor mesela 800 karakter. Ama ya sorulan soruya cevap vermek için gereken mínimo alan y az 2000 karakterden oluşuyorsa ne olacak? Hem sorduğumuz soruyu parçalanan chunklar ile eşleştiremiyoruz hemde ilgili alanı neredeyse tam ortadan ikiye böldüğümüz için ciddi miktarda información kaybediyoruz. Bir çözüm olarak daha yüksek bir sabit sayı kullanıp chunk'ları büyütebiliriz. Ama bu da aynı miktarda öznitelikle daha çok informasyonu ifade etmeyi zorunlu kılıyor. Dahası tam ters bir etki yaparak cevabı çok küçük bir alan (mesela 200 karakter) bir bölgeyi bulmamızı çok daha zor hale getiriyor.

İşte bu nedenle MindGraph metodun da vektör tabanlı yaklaşımın yerine KG tabanlı bir yaklaşım tercih ettik. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Böylece yani düzensiz no estructurado ve ham metin verisini estructurado yani düzenli bir hale getiriyoruz. Daha sonra ise motor gráfico dilinde SQL benzori sorgular yazarak veriyi filtreliyoruz [18].

Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Iron Man 'in tüm yapımcılarını sırala gibi bir soru sormuş olsun. Si lo desea, puede adquirir un código de Cypher o Iron Man para obtener su experiencia komşuları y obtener un título de LLM.

Bu sayede sorulan soruyla ilgili gereken tüm bilgileri, parçalamadan, estructurado yani düzgün ve öz bir biçimde LLM'e verebilmiş oluyoruz. Filtrelemeyi ise sorulan soruda geçen özneye göre çok rahat bir şekilde yapabildik.

İkinci olarak ifade ettiğimiz ve çözümü için muhakeme stilleneğine ihtiyaç duyduğumuz probleme ise MindGraph ile getirdiğimiz yaklaşımı şöyle ifade edebiliriz [19].

Yukarıdaki bilgi çizgesini incelediğimizde kişileri, arkadaşlarını y çalıştıkları şirketleri içeren basit bir yapı görüyoruz. Farz edelim ki kullanıcı Jennifer'in tüm arkadaşlarını y çalıştıkları firmaları sırala lütfen. şeklinde bir soru sormuş olsun. Şayet bu soruyu eğer vektör benzerlik yöntemi ile cevaplamak isteseydik, sorulan soruyu vektöre dönüştürüp ardından tüm chunk vektörleri ile benzerliğine bakmamız gerekecekti. Ve böylece kalitesiz bir cevap almış olacaktık. ¿Ama neden?

Bunun ilk nedeni metinde Jennifer'in X ile arkadaş olduğu bilgisinin bulunduğu kısım ile X'in Y şirketi için çalıştığı bilgisinin bulunduğu kısmın muhtemelen çok farklı yerlerde geçiyor olması. Mesela farklı iki dokümanın çok farklı sayfalarında. Bunun ikinci nedeni ise sorunun iki adımdan oluşuyor olması:

Jennifer'in arkadaşlarını bul.

Bulunan arkadaşların çalıştıkları şirketleri bul.

yani tesadüfen eksiksiz ve öz miktarda chunk e informasyonu filtreleyip LLM'e verdiğimiz farz etsek bile LLM'e ham veriyi verip veriler arasında ilişki kurmasını yani muhakeme Yeteneği göstermesi bekliyoruz. Hem de hiçbir yol göstermeden.

Asegúrese de que MindGraph utilice el software de gestión de contenidos MindGraph:

• Jennifer'i,
• ES AMIGO DE arkadaşlarını para los residentes
• TRABAJA PARA üzerinden çalıştıkları şirketleri

getiren basit bir Cypher query yazmak. Daha sonra dönen bilgiyi soru ile LLM'e vermek. Bu sayede LLM'i az ve öz miktarda bilgi ile beslemiş ve gereksiz bilgiden arındırmış oluyoruz. Daha önemlisi ise bilgilerde geçen nesne, özne ve kavramları yani kısaca entidad'leri node y edge yapısında birbirlerine bağlı şekilde verdiğimiz için muhtemel muhakeme yollarını LLM'e işaret etmiş oluyoruz.

Sonuç olarak, MindGraph yaklaşımının potansiyelini değerlendirdiğimiz testler y ön çalışmalar oldukça heyecan verici sonuçlar ortaya koydu. 

MindGraph'ı klasik RAG yöntemleriyle karşılaştırdığımızda, özellikle maliyet avantajları y muhakeme stilleneğindeki çarpıcı artışı net bir şekilde görüyoruz. Buna örnek olarak daha önce bir müşterimizde, RAG yerine doğrudan afinando yöntemini tercih ettik ve tamamen müşteriye özel, oldukça özelleşmiş bir model geliştirdik. Bu süreç kabaca 9000 dólares mal viejo. MindGraph yöntemini kullandığımızda ise çok daha düşük maliyetlerle, aynı hatta daha yüksek muhakeme kabiliyetine sahip sonuçlar elde edebildiğimizi gördük.

MindGraph'ın avantajlarını daha iyi ifade etmek için somut örnekler üzerinden ilerleyelim. Diyelim ki bir gıda şirketinde üretimden sorumlu bir yöneticisiniz. Üretim hattınızda kritik bir ekipman olan paketleme makinesi durdu ve hızlıca karar vermeniz gerekiyor. "Paketleme makinesi durursa, önümüzdeki ay sipariş teslimatlarımız, stoklarımız ve lojistik nasıl etkilenir?" gibi bir soruya geleneksel vektör RAG yöntemleriyle doğru cevap almak oldukça zor olacaktır. Çünkü bu tarz sorular çok sayıda verinin analiz edilmesini ve karmaşık ilişkilerin değerlendirilmesini gerektiriyor. Oysa MindGraph dice, üretim hattı, stok y teslimat gibi farklı kaynaklardan elde edilen verileri grafik tabanlı bir yapıya oturtarak tek seferde net bir cevap alabiliyoruz.

Bir başka örnekte ise daha stratejik bir soruya odaklanalım. Erdem, Galaksiya'nın büyük ortağıdır. Galaksiya ise Deepin'in, Deepin de Twinize'ın büyük ortağı konumundadır. Şimdi Erdem, estratega bir hamle öncesinde şu soruların cevaplarını arıyor olabilir:

• "Deepin şirketindeki hisse oranımız %20 azalırsa, Twinize üzerindeki doğrudan ve dolaylı kontrolümüz nasıl etkilenir?"
• "Galaksiya olarak Twinize'ın büyümesinden elde edeceğimiz toplam değer artışı, Deepin'deki olası bir küçülmenin yaratacağı zararı telafi eder mi?"

Bu tarz çok katmanlı e ilişkisel soruları geleneksel yöntemlerle ya da basit RAG yaklaşımlarıyla çözmek neredeyse imkansızdır çünkü bu senaryolar yüksek seviyede muhakeme gerektirir. MindGraph es un consejo karmaşık ilişkileri doğrudan y verimli şekilde çözebilen, akıllı sorgularla çalışır. Böylece herhangi bir uzman müdahalesine oya yeni bir eğitim sürecine gerek kalmadan, bu soruların yanıtlarını net olarak alabilmekteyiz.

MindGraph'ın diğer bir önemli avantajı ise güncelleme kolaylığı. Modelador de ajuste fino su senaryo değiştiğinde yeniden eğitimi gerektirirken, MindGraph'ın esnek yapısı sayesinde bilgi çizgesini güncelleyerek sürekli y gerçek zamanlı adaptasyon sağlanabiliyor. Bu sayede hem maliyetleri düşürüyor, dobladillo de operacionesyonel süreçleri basitleştiriyoruz.

Galaksiya olarak, MindGraph metodunu geliştirmeyi, bilgi çizgesi tabanlı yaklaşımları yüksek muhakeme stilleneği gerektiren tüm alanlarda uygulamayı ve bu yöntemlerle yapay zeka modellerinin kabiliyetlerini daha da ileri taşımayı sürdürmekteyiz. Bir sonraki adımda sizlerle daha detaylı benchmark sonuçları paylaşıyor olacağız. O zamana kadar

Mantén la calma ...

Behçet ŞENTÜRK, ingeniero de aprendizaje automático

[ 1]: viso.ai. 2024. “AlexNet: Una arquitectura revolucionaria de aprendizaje profundo”. Último acceso: 5 de mayo. https://viso.ai/deep-learning/alexnet/.

[2]: CNBC. 2025. “Nvidia supera de nuevo a Apple para convertirse en la empresa más valiosa del mundo”. Último acceso: 5 de mayo. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.

[3]: Redes neuronales y aprendizaje profundo. 2019. “¿Por qué son difíciles de entrenar las redes neuronales profundas?”. Último acceso: 5 de mayo. http://neuralnetworksanddeeplearning.com/chap5.html.

[4]: Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser e Illia Polosukhin. 2017. “Todo lo que necesitas es atención”. arXiv (Universidad de Cornell), enero. https://doi.org/10.48550/arxiv.1706.03762.

[5]: kaggle. 2020. “Extracción de sentimiento en tuits”. Último acceso: 5 de mayo. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.

[6]: Forbes. 2025. “¿ChatGPT alcanza los mil millones de usuarios? 'Se duplicó en solo semanas', dice el CEO de OpenAI”. Último acceso: 5 de mayo. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.

[7]: Technology Magazine. 2024. “El auge de la IA genera un valor que supera al de Microsoft”. ​​Último acceso: 5 de mayo. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.

[8]: EPOCH AI. 2025. “Modelos de IA notables”. Último acceso: 5 de mayo. https://epoch.ai/data/notable-ai-models.

[9]: SEC. 2024. “NVIDIA CORPORATION”. Último acceso: 5 de mayo. https://www.sec.gov/Archives/edgar/data/1045810/000104581024000029/nvda-20240128.htm.

[10]: Reuters. 2025. “DeepSeek ofrece a las empresas tecnológicas europeas la oportunidad de ponerse al día en la carrera mundial de la IA”. Último acceso el 5 de mayo. https://www.reuters.com/technology/artificial-intelligence/deepseek-gives-europes-tech-firms-chance-catch-up-global-ai-race-2025-02-03/.

[11]: The Guardian. 2025. “Los multimillonarios tecnológicos perdieron casi 100 mil millones de dólares en la caída del mercado de valores provocada por DeepSeek”. Último acceso: 5 de mayo. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.

[12]: github. 2025. “FlashMLA”. Último acceso: 5 de mayo. https://github.com/deepseek-ai/FlashMLA.

[13]: ollama. 2025. “deepseek-r1”. Último acceso: 5 de mayo. https://ollama.com/library/deepseek-r1:671b.

[14]: EPOCH AI. 2025. “Los modelos estadounidenses actualmente superan a los modelos no estadounidenses”. Último acceso: 5 de mayo. https://epoch.ai/data-insights/us-vs-non-us-performance.

[15]: openai. 2025. “¿Qué son los tokens y cómo contarlos?” Último acceso: 5 de mayo. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.

[16]: E2E Cloud. 2025. “Implementación de técnicas RAG avanzadas con Elasticsearch Vector DB”. Último acceso: 5 de mayo. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.

[17]: Xiao, Mingqing, Yixin Zhu, Di He y Zhouchen Lin. 2024. “Redes neuronales de picos temporales con retardo sináptico para el razonamiento de grafos”. arXiv (Universidad de Cornell), mayo. https://doi.org/10.48550/arxiv.2405.16851.

[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan y Ji-Rong Wen. 2021. “Generación de texto a partir de grafos de conocimiento con pocos ejemplos mediante modelos de lenguaje preentrenados”. arXiv (Universidad de Cornell), enero. https://doi.org/10.48550/arxiv.2106.01623.

[19]: Analytics Yogi. 2022. «Nvidia supera a Apple una vez más y se convierte en la empresa más valiosa del mundo». Último acceso: 5 de mayo. https://vitalflux.com/nosql-data-models-concepts-examples/.