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 yıl önce ImageNet isimli yarışmada adını duyuran AlexNet modeli olacak. Basit bir resim sınıflandırma modeli bile olsa AlexNet'in 2012 yılında bize gösterdiği şey GPU (Graphics Processing Unit) yani ekran kartlarının, derin öğrenme modellerinin eğitiminde kullanılabileceği oldu:

13 anni fa sono stati rilevati dei problemi con lo schermo della scheda NVIDIA e i vecchi pulsanti della scheda NVIDIA. [2]Devamındaki süreçte ekran kartlarının kabiliyetleri ve alan ilgi arttıkça daha büyük yani daha çok parametri ve 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 fine-tune, transfer learning gibi kavramlar hayatımıza girdi. Lakin doğal dil için büyük bir model üretmek hala mümkün değildi. 

Bu problem ise yolculuğumuzun bir sonraki önemli adımı olan L'attenzione è tutto ciò di cui hai bisogno başlıklı makale çözülmüş oldu. 8 anni fa Google'ın yayınladığı makale bizi Transformer isimli kavram ile tanıştırdı. L'arte “acquista” 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 ve o güne kadar eğitilen hiçbir modelin gösteremediği bir ragionamento (muhakeme) kabiliyetine sahip olduğu gösteren ChatGPT platformu vecchio.

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 little-shot / zero-shot modellerinin ilki olmasa da, ChatGPT platformunda sunulan ve GPT-3 üzerinden fine-tune edilen GPT modeli, bizi tam anlamıyla Riformulazione dell'attività ile tanıştırdı. 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. 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 en az bir uzmana ihtiyaç vardı. ChatGPT ile bu durum ortadan kalktı. Artık bir doğal dil görevini yapmak için bir model eğitmeye ihtiyacınız yoktu. Il modello ChatGPT in görevini doğal dil ile (kabaca prompt ile) yeniden değiştirebiliyordunuz. L'ster tweet'in dilini sınıflandırın, ister duygu durumunu. Artık bir uzmana ihtiyaç yoktu. [5]

Evet artık bir uzmana ihtiyacımız yok. Bilgisayar bilimci olmak zorunda değilsiniz. Kodlama bilmeye de gerek yok. Sintonizzare? Trasferire l'apprendimento? 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 serisini “daha ​​uzun düşünüp sonra cevap veren” ilk modeller olarak konumlandırdı. Devasa parametri sayıları, exaFLOPS ölçekli eğitim kümeleri ve milyarlarca token, 2020-2024 arası inovasyonun mottosu oldu. Talebin tetiklediği bu dönem, Nvidia'nın piyasa değerini dokuz ayda 1 trilyon $'and 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 techniğinin 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]

Il grafico della SEC (Securities and Exchange Commission) è stato pubblicato nel 2019-2024 da NVIDIA che ha dato il massimo per ottenere risultati dall'indice S&P 500 del Nasdaq 100. Yani, son beş yılda NVIDIA'ya yatırım yapanlar, geniş piyasa endekslerine yatırım yapanlara kıyasla katbekat daha yüksek bir getiri elde etmiş durumda. [9] 

Se la grafica è un'opera d'arte, la tua creatività non è mai stata così efficace, ma la tecnologia può essere utilizzata per donare e altyapıya olan talep de katlanarak artıyor. Se i modelli di yandan sono egitimi için ihtiyaç duyulan islem gücü ürekli yükselirken, diğer yandan bu gücü sağlayan NVIDIA gibi çip üreticilerinin değeri de benze bir hızla artıyor.

Fakat bu trendi bozan bazı özel gelişmelerden de bahsetmemiz gerek. A partire dal 2025, il mercato DeepSeek è stato aperto da Reasoner-R1 e il suo token da 0,55 $/M è stato utilizzato per la vecchia registrazione dei modelli fiyatlandırma, i settori della raccolta fondi taşıdığını gösterdi. Il modello normale OpenAI GPT-4o costa 1 milione di output (costo) token per 10 $, DeepSeek R1 costa 2,19 $; gece indirimiyle bu rakam 0,55 $'a kadar düşürdü. Bu durum Avrupa'daki girişimlerin çoğunun birkaç dakikada OpenAI'den DeepSeek'e göç etmesine neden vecchio çünkü DeepSeek ile maliyetleri 40 kata dadar düşürmeyi başardılar. [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 milyar parametriye sahip R1 modellerin in nasıl üst düzey muhakeme yeteneği sağladığını detaylı biçimde ortaya koyuyordu. R1'in, o güne kadar alanın en güçlü kapalı model olan OpenAI GPT-4o ile rekabet edebilen sonuçlar sunması, sektörde "daha fazla islem gücü eşittir daha iyi muhakeme" anlayışını ciddi şekilde sarstı. Guardian ha selezionato "DeepSeek Paniği" per avere un valore aggiunto, R1 ha un valore pari a 18 milioni di dollari per un prezzo di vendita di Nvidia pari a %600 vecchio. [11]

I dettagli sul pagamento di DeepSeek possono essere utilizzati per l'ottimizzazione dei risultati di DeepSeek. Il supporto di Hooper per la scheda di memoria FlashMLA con DeepSeek è stato eliminato o minato Hopper per la scheda di memoria H800 (NVIDIA ha inserito la scheda H100 nella scheda grafica diversa) e la scheda R1 è stata installata su una scheda di rete. eğitildiğine dikkat çekelim. Ya da MoE (Mixture of Experts) olarak adlandırılan ve modelin sahip olduğu toplam 671 milyar parameter içinden her işlemde yalnızca küçük bir bölümü (37 milyar parameter gibi) aktif olarak kullanılarak hesaplama maliyeti önemli ölçüde azaltan yöntemler örnek verilebilir. [12]

Son olarak DeepSeek-R1 'in etkileyici performansını küçük ve ekonomik modellere aktarmak için kullanılan distilasyon (distillazione) yöntemi de değinmeden geçmeyelim. L'ottimizzazione dei parametri malevoli può essere eseguita solo da R1 con 671 parametri militari di parametri di ottimizzazione che vanno da >400 GB VRAM (ragione di quantizzazione a 4 bit) (RTX 4090). 24GB VRAM içerdiğine dikkat çekelim). Se hai un'ottima idea per DeepSeek, i modellisti di DeepSeek sono molto disponibili, hai bisogno di un'occhiata e di un modello R1 in grado di farlo, ma hai un livello di 800 dollari in più rispetto all'originale küçük modellerin eğitimi için kullanmış. Bu şekilde 70, 32, 14, 8, 7 ve 1,5 milyarlık distile edilmiş R1 modellerini paylaşarak DeepSeek herkese imkanı yettiği ölçüde kaliteli bir R1 thinking 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 gorev 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 ve yapay zekanın tek seferde tek bir prompt ile yapabildiği görevlerin kapasitesi arttı. Bunu şu grafikte çok net gorebiliriz [14]:

2023 yaz aylarında standard bir matematik testnde %30 başarılı olan modeller artık %90 seviyesinde başarılılar. Daha iyi ragionamento yani muhakeme yeteneğine sahipler. Daha karmaşık problemleri çözebiliyorlar.

Peki bu bizim için bir durak noktası mi? 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 (Intelligenza Generale Artificiale) yani yapay genel zeka olarak isimlendiriyorlar. Bu seviyede ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme yeteneğine 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 yeteneği o kadar karmaşık problemlerin, görevlerin çözümü. Biz de Galaksiya olarak, bunlardan biri olan RAG'a (Retrieval Augmented Generation) e devamında mevcut modellerden daha yüksek muhakeme yeteneğinin elde edilmesi üzerine odaklandık. MindGraph è l'esempio di Knowledge Graph (quali sono le tue attività) e la tabella è molto attiva e puoi anche suonare il tuo vecchio ettik.

Bu tanımı açıklamadan önce LLM'lerin hayatımıza girmesiyle iyice anlam kazanmış ve 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'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 ha un grande talento? 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 (privato) veriler hakkında ki sorularımıza nasıl cevap alacağız? Mesela bir şirket yönetmeliği, finansallar ya da yasalar. Kısaca LLM'lerin private ya da dinamik veriler hakkında doğru cevaplar üretmesini nasıl sağlarız?

İşte bu soruya şu an verilebilecek ilk cevap RAG. RAG'ın temel amacı sorulacak olan soruya uygun cevabı içeren veriyi soruyla birlikte prompt içerisinde vermek. Acquista il modello vero e proprio del LLM vero ile ilgili sorulara cevap verebilir hale geliyor(En azından teoride). Ve evet bu yaklaşımın bazı zayıf noktaları var. Bunlardan en önemlisi limiti della finestra di contesto. Finestra di contesto kabaca bir LLM'in tek seferde girdi ve çıktı olarak işleyebileceği toplam token (bknz: Tokenizzazione ) 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 ve modelden modele göre değişiyor. I modelli GPT sono disponibili per un massimo di 128,000 token. 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]

Diğer bir problem ise tum veriyi modele verebildiğimiz durumlarda dahi her zaman doğru cevabı alamayabiliriz. Özellikle veriler düzensiz yani saf metinlerden oluşuyor ve sorduğumuz soru yüksek muhakeme yeteneği 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 en azından makul bir çözüm için en az iki adıma dolayısıyla bu adımları oluşturmak için belli bir seviyede muhakeme yeteneğine 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 filtralememiz lazım ve bunu yaparken mümkünse sorunun cevabını içeren kısma zarar vermememiz lazım. L'articolo seguente può essere utilizzato come base per l'applicazione [15]:

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

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

Questo problema è daha zor. Çünkü sorulan soruyu alt sorunlara parçalamayı ve 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 yeteneği elde edebiliriz? 

Doğal olarak bu alan üzerine çalışan neredeyse herkes bu problem üzerine eğilmiş durumda. Bunlara thinking modelleri ya da özel skorlama ajanları içeren çok ajanlı yapıları örnek verebiliriz. Biz ise 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 ve edge yani düğüm ve 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].

Peki biz MindGraph ille bu problemlere nasıl yaklaşıyoruz? 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 problem için genel olarak vektör tabanlı çözümler kullanıldığından daha önce bahsetmiştik. Lakin vektör tabanlı yaklaşımlarında kendine ha bazı alt sorunları mevcut.

Se l'elemento filtrante viene utilizzato in modo semplice, l'elemento filtrante non viene visualizzato in un formato diverso, ma l'elemento filtrante non viene visualizzato in alcun modo, in modo che il filtro non venga visualizzato correttamente. Bu nedenle filtreleme için sabit bir sayı kullanıyoruz ve sıralanan Chunk'lar arasından sadece bu sabit Sayı Kadar Chunk seçmek durumunda kalıyoruz (Buna top k Selection Deniyor). Kullanılan sabit sayı bu çözümde bir hiper parametri olmuş oluyor ve ne olacağı verinin türüne, içeriğe ve konuya göre değişiklik gösterebiliyor.

İkinci sorun ise metni chunk'lara parçalamanın temelinde yatıyor. Her bir vektörün içerdiği öznitelikler sadece kesilen pezzo'u temsil ediyor ve yine bu kesilen pezzo'ların boyutu bir hiper parametri olarak belirleniyor mesela 800 karakter. Ama ya sorulan soruya cevap vermek için gereken Minimum Alan en az 2000 karakterden oluşuyorsa ne olacak? Hem sorduğumuz soruyu parçalanan Chunklar ile eşleştiremiyoruz hemde ilgili alanı neredeyse tam ortadan ikiye böldüğümüz için ciddi miktarda informasyon kaybediyoruz. Bir çözüm olarak daha yüksek bir sabit sayı kullanıp pezzo'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.

Questo è il metodo MindGraph in cui la scheda vettoriale della scheda KG è stata creata per essere selezionata. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Böylece non strutturato yani düzensiz ve ham metin verisini strutturato yani düzenli bir hale getiriyoruz. Daha sonra ise graph engine dilinde SQL benzeri sorgular yazarak veriyi filtreliyoruz [18].

Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Iron Man 'in tüm yapımcılarını sırala gibi bir soru sormuş olsun. Puoi anche usare il codice Cypher per Iron Man per ottenere il tuo computer e il tuo LLM brillante.

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

Se stai cercando di risolvere il problema con MindGraph, puoi farlo in modo semplice e veloce [19].

Yukarıdaki bilgi çizgesini incelediğimizde kişileri, arkadaşlarını ve çalıştıkları şirketleri içeren basit bir yapı görüyoruz. L'idea è stata quella di Jennifer per la sua carriera artistica e per i suoi firmalarismi. şeklinde bir soru sormuş olsun. Şayet bu soruyu eğer vektör benzerlik yöntemi ile cevaplamak isteseydik, sorulan soruyu vektöre dönüştürüp ardından tum pezzo vektörleri ile benzerliğine bakmamız gerekecekti. Ve böylece kalitesiz bir cevap almış olacaktık. Ama neden?

Bunun ilk nedeni metinde Jennifer'in X ile arkadaş olduğu biligisinin 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 pezzo ve informazionisyonu 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.

Ecco come funziona MindGraph:

• Jennifer'io,
• È_AMICO_DI architetture di epoca
• LAVORA_PER 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 entità'leri node ve edge yapısında birbirlerine bağlı şekilde verdiğimiz için muhtemel muhakeme yollarını LLM'e işaret etmiş oluyoruz.

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

MindGraph'ı klasik RAG yöntemleriyle karşılaştırdığımızda, özellikle maliyet avantajları e muhakeme yeteneğindeki çarpıcı artışı bir şekilde görüyoruz. Buna örnek olarak daha önce bir müşterimizde, RAG yerine doğrudan messa a punto yöntemini tercih ettik ve tamamen müşteriye özel, oldukça özelleşmiş bir model geliştirdik. Bu süreç kabaca 9000 dolara mal oldu. MindGraph è in grado di farlo e se hai qualche problema, può anche darti la possibilità di usare i tuoi cavi per riprodurre i suoni più adatti.

MindGraph ha dei vantaggi 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 ve teslimat gibi farklı kaynaklardan elde edilen verileri 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 acquista ortağı konumundadır. Şimdi Erdem, strategia per l'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 ve ilişkisel soruları geleneksel yöntemlerle ya da basit RAG yaklaşımlarıyla çözmek neredeyse imkansızdır çünkü bu senaryolar yüksek seviyede muhakeme gerektirir. MindGraph è un suggerimento per il karmaşık ilişkileri doğrudan e verimli şekilde çözebilen, puoi sorgularla çalışır. Böylece herhangi bir uzman müdahalesine veya yeni bir eğitim sürecine gerek kalmadan, bu soruların yanıtlarını net olarak alabilmekteyiz.

MindGraph ti offre i vantaggi di un ottimo collegamento. Il modellatore di messa a punto del suo scenario ha creato eğitimi gerektirirken, MindGraph'ın esnek yapısı sayesinde bilgi çizgesini güncelleyerek sürekli e gerçek zamanlı Adaptasyon sağlanabiliyor. Bu sayede hem maliyetleri düşürüyor, hem de operasyonel süreçleri basitleştiriyoruz.

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

Stai calmo ...

Behçet ŞENTÜRK, Ingegnere dell'apprendimento automatico

[ 1]: viso.ai. 2024. “AlexNet: un’architettura di apprendimento profondo rivoluzionaria.” Ultimo accesso 5 maggio. https://viso.ai/deep-learning/alexnet/.

[2]: CNBC. 2025. “Nvidia supera di nuovo Apple e diventa l’azienda più preziosa al mondo.” Ultimo accesso 5 maggio. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.

[3]: Reti neurali e apprendimento profondo. 2019. “Perché le reti neurali profonde sono difficili da addestrare?.” Ultimo accesso 5 maggio. 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. “L’attenzione è tutto ciò di cui hai bisogno”. arXiv (Cornell University), gennaio. https://doi.org/10.48550/arxiv.1706.03762.

[5]: kaggle. 2020. “Tweet Sentiment Extraction.” Ultimo accesso 5 maggio. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.

[6]: Forbes. 2025. “ChatGPT raggiunge 1 miliardo di utenti? 'Raddoppiati in poche settimane', afferma il CEO di OpenAI.” Ultimo accesso 5 maggio. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.

[7]: Technology Magazine. 2024. “Il boom dell'IA di nuova generazione porta il valore di Nvidia a superare quello di Microsoft.” Ultimo accesso 5 maggio. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.

[8]: EPOCH AI. 2025. “Modelli di intelligenza artificiale notevoli”. Ultimo accesso il 5 maggio. https://epoch.ai/data/notable-ai-models.

[9]: SEC. 2024. “NVIDIA CORPORATION.” Ultimo accesso 5 maggio. https://www.sec.gov/Archives/edgar/data/1045810/000104581024000029/nvda-20240128.htm.

[10]: Reuters. 2025. “DeepSeek offre alle aziende tecnologiche europee la possibilità di recuperare terreno nella corsa globale all’intelligenza artificiale” Ultimo accesso 5 maggio. 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. “I miliardari della tecnologia hanno perso quasi 100 miliardi di dollari nella svendita del mercato azionario innescata da DeepSeek.” Ultimo accesso 5 maggio. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.

[12]: github. 2025. “FlashMLA.” Ultimo accesso 5 maggio. https://github.com/deepseek-ai/FlashMLA.

[13]: ollama. 2025. “deepseek-r1.” Ultimo accesso 5 maggio. https://ollama.com/library/deepseek-r1:671b.

[14]: EPOCH AI. 2025. “I modelli statunitensi attualmente superano i modelli non statunitensi”. Ultimo accesso 5 maggio. https://epoch.ai/data-insights/us-vs-non-us-performance.

[15]: openai. 2025. “Cosa sono i token e come contarli?” Ultimo accesso 5 maggio. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.

[16]: E2E Cloud. 2025. “Implementazione di tecniche RAG avanzate con Elasticsearch Vector DB.” Ultimo accesso 5 maggio. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.

[17]: Xiao, Mingqing, Yixin Zhu, Di He e Zhouchen Lin. 2024. “Reti neurali a impulsi temporali con ritardo sinaptico per il ragionamento sui grafi.” arXiv (Cornell University), maggio. https://doi.org/10.48550/arxiv.2405.16851.

[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan e Ji-Rong Wen. 2021. “Generazione di testo da grafo di conoscenza con pochi esempi utilizzando modelli linguistici pre-addestrati.” arXiv (Cornell University), gennaio. https://doi.org/10.48550/arxiv.2106.01623.

[19]: Analytics Yogi. 2022. “Nvidia supera di nuovo Apple e diventa l’azienda più preziosa al mondo”. Ultimo accesso 5 maggio. https://vitalflux.com/nosql-data-models-concepts-examples/.