"Nöronlar haytta kalmak için birbirleriyle sürekli rekabet içindedir. Her nöron dan nöronlar arasındaki her bağlantı, kaynaklar için bir diğeriyle mücadele halindedir. Bu sınır savaşları beynin ömrü süresince devam ederken haritalar, Kişinin deneyim dan hedeflerini beynin yapısına yansıtacak şekilde sürekli yeniden çizilir.
Jika Anda ingin mempelajari lebih lanjut tentang kariyerini, maka Anda perlu melihat lebih dekat apa yang perlu dilakukan, mikroskopi uzmanı olmaya karar verirse gorme korteksi, aradığı küçük ayrıntılara paralel olarak daha yüksek çözünürlük özelliği geliştirecektir."
Langsung Devre, David Eagleman
Sadece bir yazıda tüm yapay zeka çalışmalarını anlatmak takdir edersiniz ki mümkün değil. Anda dapat menjalankan fungsi ini dengan kadar yang sesuai dengan kebutuhan Anda.
İlk başlangıç noktamız bundan kabaca 13 yıl önce ImageNet isimli yarışmada adını duyuran AlexNet modeli olacak. Berdasarkan data model yang diperoleh AlexNet pada tahun 2012, GPU (Graphics Processing Unit) yang ada di kartu tersebut merupakan contoh dari model lama:
13 tahun ini, ada beberapa kesalahan yang terjadi pada layar yang menampilkan NVIDIA yang lama. [2]Devamındaki süreçte ekran kartlarının kabiliyetleri dan alan ilgi arttıkça daha büyük yani daha çok parameter dan daha çok gizli katman içeren modeller hayatımıza girmeye başladı.
Böylece daha kaliteli görüntü, sinyal, video modelleri görmeye başladık. Belilah model asli yang telah Anda buat selama ini dengan benar dan benar-benar sesuaikan, transfer pembelajaran, dan teruskan pembelajaran. Jika tidak, Anda dapat membeli model yang sesuai dengan keinginan Anda.
Tapi masalahnya adalah Anda tidak perlu lagi memperhatikan Attention Is All You Need maka akan terjadi masalah lama. 8 yıl önce Google'ın yayınladığı makale bizi 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 yıl önce) ise belki de en önemli adımlardan biri OpenAI tarafından atıldı dan o güne kadar eğitilen hiçbir modelin gösteremediği bir Reasoning (muhakeme) kabiliyetine sahip olduğu gosteren ChatGPT platformu tua.
Pemodelan kadarnya yang tinggi dari sabit lama dan eğitim öncesinde belirlendiği klasik membuat öğrenmesi dan derin öğrenme modellerinin aksine modelin gorevinin doğal dil ile değiştirilebildiği some-shot / zero-shot modellerinin ilki olmasa da, ChatGPT platformunda sunulan ve GPT-3 akan menyempurnakan model GPT, dan juga melakukan reformulasi tugas. Tamam ama bu neden bu kadar önemli?
ChatGPT'den sadece birkaç yıl önce bir problemi çözmek için eğitilen her model sadece ilgili model üzerinde çalışabiliyordu. Mesela 2020 yılında Kaggle üzerindeki tweet sentiment analysis yarışmasının temel amacı olan, tweet'lerdeki duyguyu ifade eden cümlecikleri ayıran modellerin tamamı, sadece bu sorunu çözmek üzerine eğitilmişlerdi. Pemodelan birini mungkin tidak akan memberikan hasil yang diinginkan. Örneğin tweet'in hangi dilde yazıldığını modele soramazdınız. Lakukan hal ini dengan benar. Yani konuyla ilgili en az bir uzmana ihtiyaç vardı. ChatGPT tidak perlu dilakukan lagi. Artık biroğal dil gorevini yapmak için bir model eğitmeye ihtiyacınız yoktu. Model ChatGPT dapat dilakukan melalui file tersebut (file prompt kabaca) yang akan digunakan. İster tweet'in dilini sınıflandırın, ister duygu durumunu. Artık bir uzmana ihtiyaç yoktu. [5]
Semua artikel itu tidak ada artinya. Bilgisayar bilimci olmak zorunda değilsiniz. Kodlama bilmeye de gerek yok. Sempurnakan? Mentransfer pembelajaran? Benar? Artık hiçbirine gerek yok. Yazıp konuşabiliyorsanız bu yeterli. Buka OpenAI 1 milyar kullanıcıya ulaşmış durumda yani tüm dünyanın 8'de 1'ine. Ini adalah hal yang baik untuk dilakukan oleh LLM. [6]
LLM'lerin “zeka”sı artık kelime tamamlama becerisinden çok çok-adımlı akıl yürütme kabiliyetiyle değerlendiriliyor. Karena itu, masalah sistem yang tidak dapat diatasi akan menyebabkan masalah yang sangat serius. Dalam OpenAI ini, Eylül 2024'te tanıttığı o1 serisini “daha uzun düşünüp sonra cevap veren” seperti pemodel olarak konumlandırdı. Parameter Devasa mengatakan, exaFLOPS ölçekli eğitim kümeleri dan miliarlarca token, 2020-2024 arası inovatifunun mottosu oldu. 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]
SEC (Komisi Sekuritas dan Bursa) telah melaporkan grafik ini, 2019–2024 karena NVIDIA akan mendapatkan keuntungan dari S&P 500 dan Nasdaq 100 endekslerini biçimde geride görünüyor. Jadi, jika Anda menggunakan NVIDIA, itu akan menjadi hal yang baik untuk dilakukan. [9]
Jika grafik ditampilkan, Anda harus melakukan hal yang sama, namun secara teknis mungkin tidak ada donasi dan altayapıya olan cerita dari katlanarak artıyor. Jika pemodel Anda tidak dapat melakukan hal yang sama, maka Anda harus menggunakan NVIDIA untuk melakukan kontrol terhadap benzer dari karya seninya.
Fakat bu tren bozan bazı özel gelişmelerden de bahsetmemiz gerek. Pada tahun 2025, dengan merek dagang DeepSeek, Reasoner-R1 tersedia dan dapat digunakan dengan token 0,55 $/M untuk mendapatkan token lama yang dapat digunakan untuk membuat model yang lebih baik dan lebih berguna taşıdığını gösterdi. Model OpenAI GPT-4o normal menghasilkan 1 juta output (keluaran) token dan 10 $, DeepSeek R1 juga 2,19 $; gece indirimiyle bu rakam 0,55 $'a kadar düşürdü. Namun perlu diingat bahwa OpenAI'den DeepSeek'e tidak menggunakan mesin lama seperti DeepSeek atau 40 kata isi ulang. [10]
DeepSeek'in rakipleri ile arasındaki fiyat uçurumunu gösteren bir infografik.
Namun, hal ini tidak akan membuat Anda merasa bersalah. DeepSeek'in yayınladığı rapor, 671 milyar parametreye sahip R1 modellerinin nasıl üst düzey muhakeme yeteneği sağladığını detaylı biçimde ortaya koyuyordu. R1'in, o güne kadar alanın en 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 işlem gününde %18 değer kaybederek yaklaşık 600 miliar dolarlık tarihi bir düşüş yaşamasına neden tua. [11]
Detaylara inip dan DeepSeek'in paylaştığı makaleyi gözdirdiğimiz saat DeepSeek'in maliyetleri kısmak için ciddi anlamda optimizasyon yaptığını görebiliyoruz. Örneğin sadece Hooper mimarisine sahip kartlarda çalışan FlashMLA ki burada DeepSeek'in elinde iyi miktarda Hopper mimarisine sahip H800 (NVIDIA tarafından çin pazarına sunulan H100 muadili ekran kartı) bulunduğuna ve R1'in bu kartlarda eğitildiğine diktat çekelim. Ya da MoE (Campuran Ahli) olarak adlandırılan ve modelin sahip olduğu toplam 671 milyar parameter içinden her işlemde yalnızca küçük bir bölümü (37 milyar parameter gibi) olarak kullanılarak hesaplama maliyeti önemli ölçüde azaltan Anda benar-benar yakin. [12]
Ini adalah bagaimana DeepSeek-R1 bekerja dengan kinerja yang baik dan ekonomis yang dihasilkan oleh penyulingan (penyulingan) yang tidak dapat diubah. Kapasitas dan kapasitas yang lebih besar mungkin lebih optimal daripada R1 dengan 671 miliar parameter parameter yang dapat disesuaikan dengan jumlah >400GB VRAM (4 bit quantization'a rağmen) lazım (RTX 4090 sadece 24GB VRAM içerdiğine dikkat çekelim). Jika Anda ingin mengetahui lebih lanjut tentang DeepSeek kaliteli ama daha küçük modeller eğitmek amacıyla, hali hazırda güçlü dan yüksek kapasiteli R1 modelinin ürettiği yine yüksek kaliteli yaklaşık 800 bin örneklik sanal veri kümesini kullanarak daha pemodel harus melakukan hal yang sama. Jumlahnya adalah 70, 32, 14, 8, 7 dan 1,5 miliar unit yang dapat ditampung oleh R1 model yang membayar DeepSeek dengan jumlah yang sama. [1]
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 zkaya gorev atayabilir hale geldik. Başlangıçta bunlar basit görevlerdi. Ini adalah waktu yang tepat untuk melakukan hal ini dengan benar. Ini adalah cara yang tepat untuk memutar kartu dengan cara yang benar dan benar. Bunu şu grafikte çok net gorebiliriz [14]:
2023 yaz aylarında standart bir matematik testinde %30 başarılı olan modeller artık %90 seviyesinde başarılılar. Daha iyi alasan yani muhakeme yeteneğine sahipler. Masalah karma çözebiliyorlar.
Apakah Anda ingin melakukan sesuatu yang sulit untuk dilakukan? Tentu saja. İnsanlık olarak yapay zekadan beklentimiz bugünden daha iyi bir muhakeme yeteneği. Tidak ada yang salah dengan itu. Anda dapat melakukan hal ini dengan benar (genel) dan uzmanlıkta bir yapay zeka mevcut değil. Anda uzmanlar bu seviyeyi AGI (Artificial General Intelligence) yani yapay genel zeka olarak isimlendiriyorlar. Jika Anda tidak melakukan hal ini, maka Anda perlu melakukan hal ini dengan benar dan benar-benar yakin akan hal ini.
Burada muhakeme yeteneğini kabaca bir başarı ölçütü olarak görebiliriz. Tidak ada kadar yüksek muhakeme yeteneği atau kadar karmaşık problemlerin, gorevlerin çözümü. Biz de Galaksiya olarak, bunlardan biri olan RAG'a (Retrieval Augmented Generation) dan devamında mevcut modellerden daha yüksek muhakeme yeteneğinin elde edilmesi üzerine odaklandık. MindGraph isimli Knowledge Graph (bilgi çizgesi) tabanlı bir yapı geliştirdik dan kayda değer sonuçlar elde ettik.
Namun perlu diingat bahwa LLM'lerin hayatımıza girmesiyle anlam kazanmış dan hala aktif olarak üzerine çalışılan konulardan biri olan RAG'ın (Retrieval Augmented Generation) ne olduğundan bahsetmeliyiz. Daha önce de bahsettiğimiz gibi LLM'ler eğitildikleri verileri kullanarak girilen prompt'lara cevap üretebiliyorlar. Örneğin bir LLM “Avrupa'nın yüzölçümü nedir?” gibi bir soru sorarsanız doğru cevabı alırsınız (istisnalar dışında). Mengapa Anda tidak dapat melakukan hal ini? Hatta dinamis bir şekilde her gün değişmeye başlarsa? LLM Apakah Anda Ingin Berhasil? Bagus sekali. LLM'leri hayatımızın artık birçok alanında kullanabiliyoruz. Sorular soruyoruz dan cevap alabiliyoruz. Peki ama sürekli değişen ya da halka kapalı olan (private) veriler hakkında ki sorularımıza nasıl cevap alacağız? Ini adalah masalah keuangan yang sangat penting. Apakah LLM'lerin private ya da dinamik veriler hakkında doğru cevaplar üretmesini nasıl sağlarız?
Ini adalah masalah yang sangat serius seperti 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 ilgili sorulara cevap verebilir hale geliyor(En azından teoride). Dan meskipun demikian, banyak hal yang harus dilakukan. Bunlardan en önemlisi batasan jendela konteks. Jendela konteks kabaca bir LLM'in tek seferde girdi and çıktı olarak işleyebileceği toplam token (bknz: Tokenization ) sayısı. Jika tidak, Anda harus memasukkan masukan tertentu. Ini adalah model yang tidak dapat Anda gunakan. Bir örneklemin boyutu dia zaman sabit idi. Örneğin bir CNN modelinde kullanılan bir resmin boyutu her zaman sabit olmak zorunda idi. Namun, bug yang ada dan modelnya akan hilang. Anda dan model GPT akan memiliki maksimum 128,000 token kadar. 75 kelimenin kabaca 100 token yaptığını düşünürsek bu da kabaca 250 sayfalık bir kitap yapar. Yani bizim private ya da dinamik verimiz bundan daha büyük ise modele tek seferde veremeyiz. [15]
Masalah ini adalah model yang sangat sulit untuk diterapkan pada zamannya. Anda mungkin ingin mengetahui hal ini dengan benar dan benar. Tapi 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 tamammlaması gereken adımlar kabaca şu şekilde olurdu:
Jangan lupa untuk melakukan hal yang sama seperti yang Anda lakukan sebelumnya, lalu lanjutkan dengan cara yang sama seperti yang Anda lakukan sebelumnya.
Apa masalahnya?
Masalah ini tidak dapat diatasi dengan melihat jendela konteks di jendela kontekstual. Yani veriyi bir şekilde kısaltmamız ya da filtrelememiz lazım dan bunu yaparken mümkünse sorunun cevabını içeren kısma zarar vermememiz lazım. Bu noktada sıklıkla tercih edilen yollardan biri vektörleri kullanmak [15]:
Anda dapat memilih opsi yang sesuai dengan filter yang ada di jendela konteks dan menampilkan jendela konteks. Anda harus berhati-hati dan tidak perlu khawatir.
Tidak masalah apa-apa. Çünkü sorulan soruyu alt sorunlara parçalamayı dan alt çözüm adımları oluşturmayı gerektiriyor. Temukan masalah yang mungkin terjadi ketika Anda yakin dan ingin menyelesaikan masalah tersebut. Kabaca LLM'lerden nasıl daha yüksek muhakeme yeteneği elde edebiliriz?
Doğal olarak bu alan üzerine çalışan neredeyse herkes bu problem üzerine eğilmiş durumda. Bunlara berpikir modelleri ya da özel skorlama ajanları içeren çok ajanlı yapıları örnek verebiliriz. Ini adalah masalah yang tidak dapat diatasi dengan MindGraph yang mungkin tidak dapat diselesaikan.
MindGraph'ın temelini oluşturan bilgi çizgesi, yapısal olarak veriyi node dan edge yani düğüm dan kenarlar olarak tutmakta. Tidak ada yang bisa dilakukan jika Anda ingin melakukan sesuatu yang lama atau lama. Ini adalah tindakan yang tidak boleh dilakukan karena benzetebiliriz [17].
Apakah bisnis MindGraph memiliki masalah yang sama? Tidak ada masalah yang terjadi. Masalah ini tidak dapat diselesaikan dengan benar dan benar-benar tidak dapat diverifikasi karena tidak dapat difilter dengan benar. Batasan ini tidak boleh difilter, tetapi kadarnya harus disesuaikan dan masalahnya adalah karena tabanlı çözümler kullanıldığından daha önce bahsetmiştik. Lakin vektör tabanlı yaklaşımlarında kendine has bazı alt sorunları mevcut.
File filter yang ada di dalamnya akan ditampilkan dengan benar, atau mungkin tidak sesuai dengan jumlah yang diinginkan. Bu nedenle filtereme için sabit bir sayı kullanıyoruz dan sıralanan chunk'lar arasından sadece bu sabit sayı kadar chunk seçmek durumunda kalıyoruz (Buna top k pilihan deniyor). Kuliah di sini mengatakan bahwa ini bukan parameter hiper yang Anda pilih atau tidak, tetapi Anda harus mengklik tombol gösterebiliyor.
Mungkin ini adalah bagian dari bagian yang tidak terpakai. Ini adalah pilihan terbaik untuk memilih potongan kesilen temsil dan yine bu kesilen chunk'ların boyutu bir hiper parameter olarak belirleniyor mesela 800 karakter. Apakah ya sorulan soruya cevap vermek için gereken minimum alan en az 2000 karakterden oluşuyorsa ne olacak? Banyak orang yang tidak tahu apa-apa tentang hal ini dan tidak perlu repot-repot lagi untuk memberikan informasi yang diperlukan. Ini adalah cara yang tepat untuk melakukan hal ini. Ini akan membantu Anda untuk mendapatkan informasi lebih lanjut jika ada hal yang perlu dilakukan. Ini juga merupakan salah satu cara untuk membuat alan (mesela 200 karakter) menjadi lebih baik.
Ini bukan metode MindGraph yang harus Anda gunakan untuk memeriksa tabel yang Anda pilih. Bunun için önce veriyi birgi çizgesine oturtuyoruz. Böylece tidak terstruktur yani düzensiz dan ham metin verisini terstruktur yani düzenli bir hale getiriyoruz. Daha sonra ise mesin grafik dilinde SQL benzeri sorgular yazarak veriyi filtreliyoruz [18].
Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Iron Man 'di tüm yapımcılarını sırala gibi bir soru soruş olsun. Ini adalah pertanyaan yang harus diajukan kepada siapa saja yang ingin menggunakan Cypher dan Iron Man untuk melakukan pembelian dan pembelian LLM.
Namun demikian, ada banyak hal yang harus dilakukan, karena, terstruktur, yang terstruktur dan yang merupakan LLM yang sangat baik. Filtrelemeyi ise sorulan soruda geçen özneye gore çok rahat bir şekilde yapabildik.
İkinci olarak ifade ettiğimiz dan çözümü için muhakeme yeteneğine ihtiyaç duyduğumuz probleme ise MindGraph ile getirdiğimiz yaklaşımı şöyle ifade edebiliriz [19].
Anda dapat melakukan hal ini dengan benar, mengubah kata-kata dan kata-kata yang Anda gunakan untuk melakukan hal ini. Jangan lupa untuk menghubungi Jennifer di perusahaannya dan perusahaan asuransinya. şeklinde bir soru soruş olsun. Jika Anda ingin memeriksa apakah mesin bensin Anda tidak berfungsi atau tidak, maka mesin bensin akan rusak karena sebagian besar mesin bensin tersebut tidak berfungsi. Dan kali ini akan memungkinkan Anda untuk menghapus jejak tersebut. Apakah kamu tahu?
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. Tidak ada yang perlu ditanyakan tentang hal ini:
Jennifer'in arkadaşlarını bul.
Bulunan arkadaşların çalıştıkları şirketleri bul.
yani tesadüfen ekseksiz dan öz miktarda chunk dan 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.
Berikut ini adalah MindGraph yang perlu Anda ketahui:
dapatkan pertanyaan Cypher yazmak. Daha sonra donen bilgiyi soru ile LLM'e vermek. Namun LLM mengatakan bahwa mereka telah melakukan banyak hal dan melakukan hal yang sama. Ini adalah kumpulan data yang tidak dapat dinegosiasikan, yang dapat digunakan untuk menghubungkan simpul entitas dan tepi yang dapat digunakan untuk memproses permintaan LLM dan lainnya.
Jadi, MindGraph mungkin memiliki potensi untuk menguji dan melakukan tes lama untuk memastikan bahwa Anda dapat melakukannya dengan benar.
MindGraph'ı klasik RAG yöntemleriyle karşılaştırdığımızda, özellikle maliyet avantajları dan muhakeme yeteneğindeki çarpıcı artışı net bir şekilde görüyoruz. Jika Anda tidak dapat melakukannya dengan benar, RAG akan melakukan penyempurnaan pada perangkat Anda dan melakukan hal yang sama, model lama akan berfungsi dengan baik. Itu pasti kabaca 9000 dolar mal oldu. MindGraph jika Anda ingin melakukan hal ini, tidak akan ada masalah dengan hal ini.
MindGraph'in avantajlarını daha ifade etmek için somutler üzerinden ilerleyelim. Hal ini diperlukan untuk memastikan bahwa Anda tidak melakukan apa pun. Kami sangat menghargai kritik atas ekipman atau paket yang semakin sulit dan tidak dapat diubah. "Paketleme makinesi durursa, önümüzdeki ay sipariş teslimatlarımız, stoklarımız dan lojistik nasıl etkilenir?" Ini akan membantu Anda untuk memeriksa RAG Anda dengan cara yang sama seperti sebelumnya. Çünkü bu tarz sorular çok sayıda verininin analiz edilmesini and karmaşık ilişkilerin değerlendirilmesini gerektiriyor. Oleh karena itu, MindGraph mengatakan, dengan hati-hati, stok dan teslimat gibi farklı kaynaklardan elde edilen verileri grafik tabanlı bir yapıya oturtarak tek seferde net bir cevaliyoruz.
Ini adalah strategi yang sangat baik untuk dilakukan. Erdem, Galaksiya'nın büyük ortağıdır. Galaksiya ise Deepin'in, Deepin de Twinize'ın büyük ortağı konumundadır. Oleh karena itu, strategi yang harus dilakukan untuk menyelesaikan masalah ini adalah sebagai berikut:
Namun, jika Anda menggunakan RAG, maka Anda tidak perlu melakukan apa pun selain melakukan hal-hal yang tidak diinginkan. MindGraph adalah tip karma atau kesalahan yang mungkin terjadi dan mungkin tidak akan berhasil. Böylece herhangi bir uzman müdahalesine and yeni bir eğitim sürecine gerek kalmadan, but soruların yanıtlarını net olarak alabilmekteyiz.
MindGraph tidak dapat membantu Anda melakukan hal ini. Menyempurnakan pemodel yang diperlukan untuk melakukan hal ini, MindGraph akan melakukan hal yang sama untuk melakukan penyesuaian yang diperlukan dan menyesuaikan waktu. Namun demikian, ini adalah kesalahan yang tidak disengaja, karena operasinya tidak dapat diandalkan.
Galaksiya olarak, MindGraph metodunu geliştirmeyi, bilgi çizgesi tabanlı yaklaşımları yüksek muhakeme yeteneği gerektiren tüm alanlarda uygulamayı dan bu yöntemlerle yapay zeka modellerinin kabiliyetlerini daha da ileri taşımayı sürdürmekteyiz. Anda dapat memilih ukuran detail patokan yang dapat digunakan untuk membayar atau membayar. Wahai zaman kadar
Tetap tenang ...
Behçet ŞENTÜRK, Insinyur Pembelajaran Mesin
[ 1]: viso.ai. 2024. “AlexNet: Arsitektur Deep Learning Revolusioner.” Diakses terakhir 5 Mei. https://viso.ai/deep-learning/alexnet/.
[2]: CNBC. 2025. “Nvidia kembali melampaui Apple dan menjadi perusahaan paling berharga di dunia.” Diakses terakhir pada 5 Mei. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.
[3]: Jaringan Saraf dan Pembelajaran Mendalam. 2019. “Mengapa jaringan saraf dalam sulit dilatih?.” Terakhir diakses pada 5 Mei. http://neuralnetworksanddeeplearning.com/chap5.html.
[4]: Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, dan Illia Polosukhin. 2017. “Hanya perhatian yang Anda butuhkan.” arXiv (Universitas Cornell), Januari. https://doi.org/10.48550/arxiv.1706.03762.
[5]: kaggle. 2020. “Ekstraksi Sentimen Tweet.” Terakhir diakses pada 5 Mei. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.
[6]: Forbes. 2025. “ChatGPT Mencapai 1 Miliar Pengguna? 'Berlipat Ganda Hanya dalam Beberapa Minggu' Kata CEO OpenAI.” Diakses terakhir pada 5 Mei. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.
[7]: Majalah Teknologi. 2024. “Ledakan Generasi AI Mendorong Nilai Nvidia Melampaui Microsoft.” Diakses terakhir pada 5 Mei. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.
[8]: EPOCH AI. 2025. “Model AI Terkemuka.” Terakhir diakses pada 5 Mei. https://epoch.ai/data/notable-ai-models.
[9]: BAGIAN 2024. “NVIDIA CORPORATION.” Terakhir diakses pada 5 Mei. https://www.sec.gov/Archives/edgar/data/1045810/000104581024000029/nvda-20240128.htm.
[10]: Reuters. 2025. “DeepSeek memberi perusahaan teknologi Eropa kesempatan untuk mengejar ketertinggalan dalam perlombaan AI global” Terakhir diakses pada 5 Mei. 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. “Miliarder teknologi kehilangan hampir $100 miliar dalam aksi jual di pasar saham yang dipicu oleh DeepSeek.” Diakses terakhir pada 5 Mei. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.
[12]: github. 2025. “FlashMLA.” Terakhir diakses 5 Mei. https://github.com/deepseek-ai/FlashMLA.
[13]: ollama. 2025. “deepseek-r1.” Diakses terakhir 5 Mei. https://ollama.com/library/deepseek-r1:671b.
[14]: EPOCH AI. 2025. “Model AS saat ini mengungguli model non-AS.” Terakhir diakses pada 5 Mei. https://epoch.ai/data-insights/us-vs-non-us-performance.
[15]: openai. 2025. “Apa itu token dan bagaimana cara menghitungnya?” Diakses terakhir pada 5 Mei. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.
[16]: E2E Cloud. 2025. “Menerapkan Teknik RAG Tingkat Lanjut dengan Elasticsearch Vector DB.” Diakses terakhir pada 5 Mei. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.
[17]: Xiao, Mingqing, Yixin Zhu, Di He, dan Zhouchen Lin. 2024. “Jaringan Saraf Spiking Temporal dengan Penundaan Sinaptik untuk Penalaran Graf.” arXiv (Universitas Cornell), Mei. https://doi.org/10.48550/arxiv.2405.16851.
[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan, dan Ji-Rong Wen. 2021. “Generasi Teks Grafik Pengetahuan dengan Sedikit Shot Menggunakan Model Bahasa yang Telah Dilatih Sebelumnya.” arXiv (Universitas Cornell), Januari. https://doi.org/10.48550/arxiv.2106.01623.
[19]: Analytics Yogi. 2022. “Nvidia kembali menyalip Apple dan menjadi perusahaan paling berharga di dunia.” Terakhir diakses pada 5 Mei. https://vitalflux.com/nosql-data-models-concepts-examples/.
