"Nöronlar hayatta kalmak için birbirleriyle sürekli rekabet içindedir. Her nöron ve nöronlar arasındaki her bağlantı, kaynaklar için bir diğeriyle mücadele halindedir. Bu sınır savaşları beynin ömrü süresince devam ederken haritalar, kişinin deneyim ve hedeflerini beynin yapısına yansıtacak şekilde sürekli Jeniden çizilir.
Bir muhasebeci piyanist olmak üzere kariyerini bırakırsa parmaklarına ayrılmış olan nöral alanlar genişleyecek, mikroskopi uzmanı olmaya karar verirse görme korteksi, aradığı küçük ayrıntılara paralel olarak daha yüksek çözünürlük özelliği geliştirecektir."
칸리 데브레, 데이비드 이글먼
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.
이 앱은 13년 동안 ImageNet의 AlexNet 모델에 대한 지원을 받은 후 배포되었습니다. 2012년 AlexNet'에 대한 기본 모델은 GPU(그래픽 처리 장치)가 포함된 것으로 확인되었으며, 이전에 사용된 모델러의 이름은 다음과 같습니다.
13일 이후 NVIDIA의 업데이트가 완료되어 이전 버전으로 돌아왔습니다. [2] Devamındaki süreçte ekran kartlarının kabiliyetleri ve alan ilgi arttıkça daha büyük yani daha çok parametreli ve daha çok gizli katman içeren modeller hayatımıza girmeye başladı.
Böylece daha kaliteli görüntü, sinyal, video modelleri görmeye başladık. 원래의 모델러는 miktarda veri ve işlem gücüyle eğitmeye dayalı 미세 조정, 전이 학습을 통해 전이 학습을 수행할 수 있습니다. Lakin doğal dil için büyük bir model uretmek hala mümkün değildi.
하지만 문제는 yolculuğumuzun bir sonraki önemli adımı olan 주의가 필요한 전부입니다. 8년 후 Google'ın yayınladığı makale bizi Transformer isimli kavram ile tanıştırdı. Artık "büyük" diye ifade edebileceğimiz doğal dil modelleri Yani LLM'leri eğitebiliyorduk. [4]
2022년에 ise belki de en önemli adımlardan biri OpenAI tarafından atıldı ve o güne kadar eğitilen hiçbir modelin gösteremediği bir Reasoning(muhakeme) kabiliyetine sahip olduğu gösteren ChatGPT 플랫폼은 오래되었습니다.
그녀의 모델은 görevinin sabit olduğu ve eğitim öncesinde belirlendiği klasik makine öğrenmesi ve derin öğrenme modellerinin aksine modelin görevinin doğal dil ile değiştirilebildiği some-shot / zero-shot modellerinin ilki olmasa da, ChatGPT platformunda입니다. sunulan ve GPT-3는 GPT 모델을 미세 조정하고 작업 재구성을 통해 작업을 조정합니다. Tamam ama bu neden bu kadar önemli?
ChatGPT'den sadece birkaç yıl önce bir 문제가 있으면 그녀의 모델 sadece ilgili 모델이 çalışabilyordu에 대해 알아보기 바랍니다. Mesela 2020년에는 Kaggle의 트윗 감정 분석이 yarışmasının temel amacı olan, tweet'lerdeki duyguyu ifade eden cümlecikleri ayıran modellerin tamamı, sadece bu sorunu çözmek üzerine eğitilmişlerdi입니다. 하지만 모델러는 많은 것을 알고 싶어합니다. Örneğin tweet'in hangi dilde yazıldığını modele soramazdınız. Görevi değiştirmenin tek yolu eniden eğitmekti. Yani konuyla ilgili en az bir uzmana ihtiyaç vardı. ChatGPT를 사용하여 통화를 시작하세요. Artık bir doğal dil görevini yapmak bir model eğitmeye ihtiyacınız yoktu. ChatGPT 모델은 görevini doğal dil ile(kabaca 프롬프트 파일) eniden değiştirebiliyordunuz입니다. İster tweet'in dilini sınıflandırın, ister duygu durumunu. 당신은 그것을 알고 있습니다. [5]
이 작업은 실제로 이루어지지 않습니다. Bilgisayar bilimci olmak zorunda değilsiniz. Kodlama bilmeye de gerek yok. 미세 조정? 전이학습? 왜? Artık hiçbirine gerek yok. 아직은 그렇지 않습니다. OpenAI 1마일은 8'de 1'ine에서 두 번째로 실행됩니다. 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 문제는 çözme oranını Dramatik biçimde artırdığını ortaya koyuyor입니다. 하지만 OpenAI에서는 Eylül 2024'te tanıttığı o1 serisini "daha uzun düşünüp sonra cevap veren" ilk 모델러 olarak konumlandırdı를 확인했습니다. Devasa 매개변수는 exaFLOPS ölçekli eğitim kümeleri 및 milyarlarca 토큰, 2020-2024년 이후부터 시작됩니다. Talebin의 목표는 1조 달러, 3조 달러로 Nvidia는 7조 달러에 달합니다. öyle ki 분석가는 "AI çağının 휘발유 장치"를 diye tanımlamaya başladı로 간주합니다. [XNUMX] Durumu daha iyi kavrayabilmek için şu grafikleri inceleyelim:
Epoch.ai'den aldığımız ilk grafikte özellikle derin öğrenme tekniğinin populer 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(증권거래위원회)는 2019~2024년에 그래픽을 통해 NVIDIA의 S&P 500 순위가 Nasdaq 100 순위에 도달했다고 발표했습니다. Yani의 아들은 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 ve altyapıya olan talk de katlanarak artıyor. 현재 모델러는 귀하의 제품이 귀하의 제품에 적합하다고 생각하며 NVIDIA의 제품이 귀하의 예술품에 포함되어 있음을 확인합니다.
Fakat bu trendi bozan bazı özel gelişmelerden de bahsetmemiz gerek. 2025년 이후 DeepSeek에서 DeepSeek를 통해 Reasoner-R1 ailesini 및 dakikası 0,55 $/M 토큰을 사용하여 모델을 만들 수 있습니다. potansiyeli taşıdığını gösterdi. 일반 OpenAI GPT-4o 모델은 1백만 달러 출력 토큰으로 10달러, DeepSeek R1은 2,19달러로 계산됩니다. gece indirimiyle bu rakam 0,55 $'a kadar düşürdü. 그러나 Avrupa'daki 작업은 OpenAI'den DeepSeek'에서 DeepSeek의 이전 버전을 확인하는 데 필요한 40카타의 데이터를 확인하는 데 도움이 됩니다. [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 parametreye sahip R1 모델러는 아직까지 더 많은 작업을 수행할 수 있지만 세부 사항은 다음과 같습니다. R1'in에서 OpenAI GPT-4o에 대한 보안 모델을 확인하고 파일을 다운로드하여 Sunması를 확인하고 "daha fazla işlem gücü eşittir daha iyi muhakeme" anlayışını ciddi şekilde sarstı를 확인하세요. Guardian'ın "DeepSeek Paniği" 기본 정보는 R1'in kamuya açılması Nvidia hisselerinin ilk işlem gününde %18 değer kaybederek yaklaşık 600 milyar dolarlık tarihi bir düşüş yaşamasına neden oldu. [11]
DeepSeek'in의 세부 정보는 Paylaştığı makaleyi가 사용자에게 알립니다. DeepSeek'in은 더 나은 정보를 얻기 위해 최선을 다하고 있습니다. Hooper의 미래 카드는 FlashMLA에 의해 DeepSeek'에 포함되어 있으며 Hopper의 카드는 H800에 포함되어 있습니다(NVIDIA 카드는 H100 카드와 함께 사용 가능). Eğitildiğine dikkat çekelim. Ya da MoE(Mixture of Experts) olarak adlandırılan ve modelin sahip olduğu toplam 1 milyar 매개변수 içinden her işlemde yalnızca küçük bir bölümü(671 milyar 매개변수 기비) aktif olarak kullanılarak hesaplama maliyeti önemli ölçüde azaltan yöntemler örnek verilebilir. [37]
Son olarak DeepSeek-R1 'in etkileyici Performansını küçük ve ekonomik modellere aktarmak için kullanılan ditilasyon (distillation) yöntemi de değinmeden geçmeyelim. Eğitim ve çalıştırma Maliyetlerinde kayda değer optimizasyonlar yapılmış olsa da R1 hala 671 milyar parametre içeriyor yani sadece çalıştırmak için 담즙 >400GB VRAM (4 비트 양자화'a rağmen) lazım (RTX 4090 24GB VRAM이 필요하다면). 하지만 DeepSeek kaliteli ama daha küçük modeller eğitmek amacıyla, hali hazırda güçlü ve yüksek Kapasiteli R1 modelinin urettiği yine yüksek kaliteli yaklaşık 800 bin örneklik sanal veri kümesini kullanarak daha küçük modellerin eğitimi için kullanmış. 하지만 70, 32, 14, 8, 7 및 1,5세대 버전의 R1 모델러는 DeepSeek 모델에 대해 아직까지 생각하는 모델이 아직 남아 있지 않다고 생각합니다. [1]
DeepSeek의 세부 정보는 3년 후에 ChatGPT에서 ChatGPT에 대한 자세한 내용을 확인하고 예술적인 작업을 수행할 수 있는 방법을 알려줍니다. Başlangıçta bunlar basit görevlerdi. Daha önce verdiğimiz örnekler gibi mesela bir metnin dilini sınıflandırmak ya dafarklı bir ile ileeniden yazdırmak. Devamında ise beklentileri karşılamak adına birçok eni teknik ortaya çıktı ve yapay zekanın tek seferde tek bir 프롬프트 ile yapabildiği görevlerin kapasitesi arttı. Bunu şu grafikte çok net görebiliriz [14]:
2023년 yaz aylarında 표준 테스트는 %30 başarılı olan modeller artık %90 seviyesinde başarılılar입니다. Daha iyi 추론 yani muhakeme Yeteneğine sahipler. Daha karmaşık 문제는 çözebiliyorlar입니다.
당신이 어떤 일을 하고 있는지 궁금하십니까? 엘베트 데일. İnsanlık olarak yapay zekadan beklentimiz bugünden daha iyi bir muhakeme Yeteneği. Öyle ki bir insanla aynı seviyede. 당신은 당신의 계정에 대해 많은 정보를 제공하고 있으며, uzmanlıkta는 당신의 yapay zeka mevcut değil입니다. Şu anda uzmanlar bu seviyyi AGI(인공 일반 지능) yani yapay genel zeka olarak isimlendiriyorlar. Bu seviyede ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme eteneğine sahip olacak ve üretildiği an muhtemelen yapay zeka tarihinde ki eni kırılma noktası olacak.
Burada muhakeme Yeteneğini kabaca bir başarı ölçütü olarak görebiliriz. Ne kadar yüksek muhakeme Yeteneği 또는 kadar karmaşık 문제가 있는 경우, Görevlerin çözümü. Biz de Galaksiya olarak, bunlardan biri olan RAG'a(Retrieval Augmented Generation) 및 devamında mevcut modellerden daha yüksek muhakeme eteneğinin in elde edilmesi üzerine odaklandık. MindGraph는 지식 그래프(Knowledge Graph)에 대한 정보를 제공하고 있습니다.
하지만 LLM이 이미 알고 있는 대로라면 많은 정보를 얻을 수 있고, 이를 통해 RAG(검색 증강 세대)에 대한 유용한 정보를 얻을 수 있습니다. Daha önce de bahsettiğimiz gibi LLM'ler eğitildikleri verileri kullanarak girilen 프롬프트'lara cevap uretebiliyorlar. Örneğin bir LLM'e “Avrupa'nın yüzölçümü nedir?” gibi bir soru sorarsanız doğru cevabı alırsınız (istisnalar dışında). 어떤 일이 일어나고 있는지 확인하고 싶으십니까? Hatta dinamik은 그녀의 총격을 확인하기 위해 노력하고 있습니까? LLM'de bu bilgiyi nasıl güncelleeyeceğiz? 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 (private) veriler hakkında ki sorularımıza nasıl cevap alacağız? 당신이 돈을 벌기 위해서는 돈이 필요합니다. Kısaca LLM'lerin private ya da dinamik veriler hakkında doğru cevaplar uretmesini nasıl sağlarız?
İşte bu soruya şu an verilebilecek ilk cevap RAG. RAG'ın temel amacı sorulacak olan soruya uygun cevabı içeren veriyi soruyla birlikte 프롬프트 içerisinde vermek. Böylece ilgili veriyle modeli eniden eğitmeden LLM veri ile ilgili sorulara cevap verebilir hale geliyor(En azından teoride). Ve evet bu yaklaşımın bazı zayıf noktaları var. Bunlardan en önemlisi 컨텍스트 창 제한. 컨텍스트 창 kabaca bir LLM'in tek seferde girdi ve çıktı olarak işleyebileceği toplam token (bknz: Tokenization ) sayısı. Bizim için önemli olan kısım ise özellikle girdi yani input sınırı. Eski derin öğrenme modellerini düşünün. Bir örneklemin boyutu her zaman sabit idi. CNN 모델은 그녀의 모델이 아닌 다른 사람들에게 알려졌습니다. Bu bugün de geçerli ve modelden modele gore değişiyor. GPT 모델의 최대 금액은 128,000 토큰입니다. 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]
문제가 발생하면 모델을 확인하는 것이 매우 중요할 것입니다. 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:
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 eteneğine ihtiyacı var.
문제가 발생하면 문제가 발생합니까?
Birinci 문제는 tek yolu veriyi bir şekilde context window içine sığdırmaktan geçiyor의 문제입니다. Yani는 실제로 당신의 영화를 확인하기 위해 filtrelememiz lazım ve bunu yaparken mümkünse sorunun cevabını içeren kısma zarar vermememiz lazım을 확인했습니다. Bu noktada sıklıkla tercih edilen yollardan biri vektörleri kullanmak [15]:
Böylece metnin sorulan soruyla en alakalı parçaları filtrelenmiş ve context window'a sığmış olur. Vektör çözümü 일반 기본 및 bu alanda sıklıkla kullanılan bir çözüm.
İkinci 문제 ise daha zor. Çünkü sorulan soruyu alt sorunlara parçalamayı ve alt çözüm adımları oluşturmayı gerektiriyor. Farkettiyseniz bu 문제는 belirttiğimiz와 alanın üzerine yöneldiği yüksek muhakeme 문제 및 aynı 문제에 대한 문제입니다. Kabaca LLM은 아직까지 교육을 받고 있는 사람이 누구인지 알고 있습니까?
Doğal olarak bu alan üzerine çalışan neredeyse herkes bu 문제 üzerine eğilmiş durumda. Bunlara 사고 모델러는 나중에 özel skorlama ajanları içeren çok ajanlı yapıları örnek verebiliriz입니다. Biz ise ise hem birinci hem de ikinci 문제가 있는 경우 MindGraph의 ismini verdiğimizfarklı yaklaşım kullandık.
MindGraph'ın temelini oluşturan bilgi çizgesi, yapısal olarak veriyi node ve edge yani düğüm ve kenarlar olarak tutmakta. 이 앱은 귀하의 앱에 대한 정보를 제공하는 데 필요한 정보를 제공하는 데 사용됩니다. Bu açıdan beyne ve nöronların yapısına benzetebiliriz [17].
비즈니스 MindGraph에 문제가 있습니까? Öncelikle birinci 문제가 발생했습니다. Birinci 문제는 temel amacımız büyük miktarda veri için ham metin verisinin soru ile alakalı olan kısımlarını alıp geri kalanlarını filtrelemek idi입니다. Burada는 일반적으로 필터를 사용하는 데 필요한 모든 정보를 필터링할 수 있으며 일반적으로 문제가 발생할 수 있음을 확인했습니다. Lakin vektör tabanlı yaklaşımlarında kendine에는 bazı alt sorunları mevcut이 있습니다.
İçerik filtreleme için sıklıkla tercih edilen vektör tabanlı çözümlerde gördüğümüz ilk sorun bir Chun'ın, sorulan soruyla ne kadar ilgil olup olmadığına dair ölçülebilir bir metriğimizin olmaması. 하지만 필터를 사용하면 kullanıyoruz와 sıralanan Chun'lar arasından sadece를 확인하고 Kadar Chunk Seçmek Durumunda Kalıyoruz(Buna Top K 선택 거부)를 알 수 있습니다. Kullanılan은 bu çözümde bir hiper parametre olmuş oluyor ve ne olacağı verinin türüne, içeriğe ve konuya göre değişiklik ogösterebiliyor를 확인했습니다.
İkinci sorun ise metni Chun'lara parçalamanın temelinde yatıyor. 그녀의 벡터 패턴은 sadece kesilen Chun'u temsil ediyor ve yine bu kesilen Chun'ların boyutu bir hiper parametre olarak belirleniyor mesela 800 karakter와 같습니다. Ama ya sorulan soruya cevap vermek için gereken maximum 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 Chun'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.
MindGraph의 벡터 아이콘을 확인하려면 yerine KG 탭을 확인하세요. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Böylece 비정형 야니 düzensiz 및 ham metin verisini 구조화 야니 düzenli bir hale getiriyoruz. Daha sonra ise 그래프 엔진은 SQL benzeri sorgular yazarak veriyi filtreliyoruz [18]를 확장합니다.
Örneğin yukarıda bulunan KG'a bakalım. Iron Man은 '당신이 원하는 대로 행동할 수 있습니다. 따라서 Cypher 코드와 Iron Man 의 코드를 확인하고 LLM 버전에 대한 정보를 얻을 수 있는 방법을 알아보세요.
Bu sayede sorulan soruyla ilgili gereken tüm bilgileri, parçalamadan, Structured yani düzgün ve öz bir biçimde LLM'e verebilmiş oluyoruz. Filtrelemeyi ise sorulan soruda geçen özneye göre çok rahat bir şekilde yapabildik.
Ikinci olarak ifade ettiğimiz ve çözümü için muhakeme 아직까지 문제가 있는 경우 MindGraph 및 getirdiğimiz yaklaşımı şöyle ifade edebiliriz [19].
Yukarıdaki bilgi çizgesini incelediğimizde kişileri, arkadaşlarını 및 çalıştıkları şirketleri içeren basit bir yapı görüyoruz. Farz는 제니퍼의 작업을 완료하고 회사의 보안을 강화하기 위해 노력했습니다. şeklinde bir soru sormuş olsun. Şayet bu soruyu eğer vektör benzerlik yöntemi ile cevaplamak isteseydik, sorulan soruyu vektöre dönüştürüp ardından tümunk vektörleri ile benzerliğine bakmamız gerekecekti. Ve böylece kalitesiz bir cevap almış olacaktık. 아마 네덴?
제니퍼'인 X의 경우 이전에 빌기신이 빌기신으로 돌아왔을 때 X'in Y의 경우 빌기신이 bulunduğu kısmın muhtemelen çok Farklı yerlerde geçiyor olması에 대해 알고 있기 때문입니다. Mesela는 Farklı iki dokümanın çok Farklı sayfalarında입니다. Bunun ikinci nedeni ise sorunun iki adımdan oluşuyor olması:
Jennifer'in arkadaşlarını bul.
Bulunan arkadaşların çalıştıkları şirketleri bul.
yani tesadüfen eksiksiz ve öz miktarda Chun ve 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.
Şimdi ise MindGraph kullandığımız durumda ise tek yapmamız gereken:
getiren basit bir Cypher 쿼리 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 nessne nesne, özne ve kavramları yani kısaca 엔터티'leri node ve edge yapısında birbirlerine bağlı şekilde verdiğimiz için muhtemel uhakeme yollarını LLM'e is areret etmiş oluyoruz.
그래서 MindGraph는 테스트 도구의 성능을 테스트하고 오래된 테스트 결과를 확인했습니다.
MindGraph'ı klasik RAG yöntemleriyle karşılaştırdığımızda, özellikle maliyet avantajları ve muhakeme Yeteneğindeki çarpıcı artışı net bir şekilde görüyoruz. Buna örnek olarak daha önce bir müşterimizde, RAG yerine doğrudan 미세 조정 yöntemini tercih ettik ve tamamen müşteriye özel, oldukça özelleşmiş bir model geliştirdik. Bu süreç kabaca 9000 dolara Mal oldu. MindGraph는 다음과 같은 작업을 수행하기 위해 노력하고 있습니다.
MindGraph'ın anantajlarını daha iyi ifade etmek is in somut örnekler üzerinden ilerleyelim. Diyelim ki bir gıda şirketinde uretimden 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 analyzeiz edilmesini ve karmaşık ilişkilerin değerlendirilmesini gerektiriyor. Oysa MindGraph는 다음과 같이 말합니다. 많은 사람들이 자신의 웹 사이트에 대한 정보를 확인하기 위해 edilen verileri 그래픽 탭을 확인하고 있습니다.
전략을 세우려면 전략을 세워야 합니다. Erdem, Galaksiya'nın büyük ortağıdır. Galaksiya ise Deepin'in, Deepin de Twinize'ın büyük ortağı konumundadır. Şimdi Erdem, 전략은 다음과 같습니다.
그러나 tarz çok katmanlı 및 ilişkisel soruları geleneksel yöntemlerle ya da basit RAG yaklaşımlarıyla çözmek neredeyse imkansızdır çünkü bu senaryolar yüksek seviyede muhakeme gerektirir. MindGraph는 카르마식에 대한 팁을 제공하고, 실제로는 모든 일을 잘 수행할 수 있도록 도와줍니다. Böylece herhangi bir uzman müdahalesine veya yesi bir eğitim sürecine gerek kalmadan, bu soruların yanıtlarını net olarak alabilmekteyiz.
MindGraph'ın diğer bir önemli avantajı ise ise güncelleme kolaylığı. 미세 조정 모델러는 그녀의 작업을 조정하기 위해 노력하고 있으며 MindGraph'ın esnek yapısı는 그녀의 작업에 적응하는 데 도움이 될 것이라고 말했습니다. Bu sayede hem maliyetleri düşürüyor, hem de Operasyonel süreçleri basitleştiriyoruz.
Galaksiya olarak, MindGraph metodunu geliştirmeyi, bilgi çizgesi tabanlı yaklaşımları yüksek muhakeme Yeteneği gerektiren tüm alanlarda uygulamayı ve bu yöntemlerle yapay zeka modellerinin kabiliyetlerini daha da ileri taşımayı surdürmekteyiz. Bir sonraki adımda sizlerle daha detaylı bench sonuçları paylaşıyor olacağız. 오 자마나 카다르
날려 버려…
Behçet ŞENTÜRK, 기계 학습 엔지니어
[ 1]: viso.ai. 2024. “AlexNet: 혁신적인 딥러닝 아키텍처.” 최종 접속일: 5월 5일. https://viso.ai/deep-learning/alexnet/.
[2]: CNBC. 2025. “Nvidia가 Apple을 다시 제치고 세계에서 가장 가치 있는 기업이 되었습니다.” 최종 접속일: 5월 5일. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.
[3]: 신경망과 딥러닝. 2019. "딥 신경망을 훈련하기 어려운 이유는 무엇입니까?" 마지막 접속일 5월 5일. http://neuralnetworksanddeeplearning.com/chapXNUMX.html.
[4]: Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser 및 Illia Polosukhin. 2017. "주의만 있으면 됩니다." arXiv(코넬 대학교), 10.48550월. https://doi.org/1706.03762/arxiv.XNUMX.
[5]: kaggle. 2020. “트윗 감정 추출.” 마지막 접속일 5월 XNUMX일. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.
[6]: Forbes. 2025. “ChatGPT, 사용자 10억 명 돌파? OpenAI CEO, '단 몇 주 만에 두 배 증가'라고 밝혀.” 최종 접속일: 2025년 5월 5일. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.
[7]: Technology Magazine. 2024. “Gen AI Boom Drives Nvidia Value to Overtake Microsoft.” 최종 접속일: 5월 5일. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.
[8]: EPOCH AI. 2025. “주목할 만한 AI 모델.” 마지막 접속일 5월 XNUMX일. https://epoch.ai/data/notable-ai-models.
[9]: SEC. 2024. “NVIDIA CORPORATION.” 최종 접속일 5월 1045810일. https://www.sec.gov/Archives/edgar/data/000104581024000029/20240128/nvda-XNUMX.htm.
[10]: Reuters. 2025. “DeepSeek은 유럽의 기술 회사들이 글로벌 AI 경쟁에서 따라잡을 수 있는 기회를 제공합니다.” 마지막 접속일 5월 2025일. https://www.reuters.com/technology/artificial-intelligence/deepseek-gives-europes-tech-firms-chance-catch-up-global-ai-race-02-03-XNUMX/.
[11]: The Guardian. 2025. “DeepSeek으로 인해 발생한 주식 시장 매도세로 기술 억만장자들이 거의 1000억 달러를 잃었습니다.” 최종 접속일: 5월 5일. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.
[12]: github. 2025. “FlashMLA.” 마지막 접속일 5월 XNUMX일. https://github.com/deepseek-ai/FlashMLA.
[13]: ollama. 2025. “deepseek-r1.” 최종 접속일: 5월 5일. https://ollama.com/library/deepseek-r1:671b.
[14]: EPOCH AI. 2025. "미국 모델은 현재 비미국 모델보다 성능이 뛰어납니다." 마지막 접속일: 5월 XNUMX일. https://epoch.ai/data-insights/us-vs-non-us-performance.
[15]: openai. 2025. “토큰이란 무엇이며 어떻게 계산하는가?” 최종 접속일: 2025년 5월 5일. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.
[16]: E2E Cloud. 2025. “Elasticsearch Vector DB를 사용한 고급 RAG 기술 구현.” 최종 접속일: 2025년 5월 5일. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.
[17]: Xiao, Mingqing, Yixin Zhu, Di He 및 Zhouchen Lin. 2024. "그래프 추론을 위한 시냅스 지연이 있는 시간적 스파이킹 신경망." arXiv(코넬 대학교), 5월. https://doi.org/10.48550/arxiv.2405.16851.
[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan 및 Ji-Rong Wen. 2021. “사전 훈련된 언어 모델을 사용한 소수 샷 지식 그래프-텍스트 생성.” arXiv(코넬 대학교), 1월. https://doi.org/10.48550/arxiv.2106.01623.
[19]: Analytics Yogi. 2022. "Nvidia는 Apple을 다시 제치고 세계에서 가장 가치 있는 회사가 되었습니다." 마지막 접속일 5월 XNUMX일. https://vitalflux.com/nosql-data-models-concepts-examples/.
