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 anos atrás 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 anos depois, houve um problema de noktada nocturna em que o cartão de exibição da NVIDIA foi instalado e a atualização anterior foi definida. [2]Devamındaki süreçte ekran kartlarının kabiliyetleri ve alan ilgi arttıkça daha büyük yani daha çok parâmetros e daha çok gizli katman içeren modeller hayatımıza girmeye başladı.

Böylece daha kaliteli görüntü, sinyal, video modelleri görmeye başladık. Compre modelos originais para que você possa usar o miktarda veri e işlem gücüyle eğitmeye dayalı ajuste fino, transferência de aprendizagem gibi kavramlar hayatımıza girdi. Lakin doğal dil için buy bi model üretmek hala mümkün değildi. 

Mas o problema é que um filho sonraki önemli adımı olan Atenção é tudo que você precisa başlıklı makale çözülmüş oldu. 8 anos depois que o 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 anos atrás) é belki de um önemli adımlardan biri OpenAI tarafından atıldı e o güne kadar eğitilen hiçbir modelin gösteremediği bir reasoning (muhakeme) kabiliyetine sahip olduğu gösteren ChatGPT platformu velho.

Seu modelo ne kadar görevinin sabit olduğu ve eğitim öncesinde belirlendiği makine clássico öğrenmesi ve derin öğrenme modellerinin aksine modelin görevinin doğal dil ile değiştirilebildiği modellerinin de poucos tiros / tiro zero ilki olmasa da, Plataforma ChatGPT e GPT-3 usam modelos GPT de ajuste fino, os negócios também são reformulados e reformulados. 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 análise de sentimento yarışmasının temel amacı olan, tweet'lerdeki duyguyu ifade eden cümlecikleri ayıran modellerin tamamı, sadece bu sorunu çözmek üzerine eğitilmişlerdi. Este modellerden birini alıp başka bir doğal dil görevinde kullanamazdınız. Örneğin tweet'in hangi dilde yazıldığını modelo soramazdınız. Görevi değiştirmenin tek yolu yeniden eğitmekti. Yani konuyla ilgili e az bir uzmana ihtiyaç vardı. ChatGPT é um problema difícil. Artık bir doğal dil görevini yapmak için bir model eğitmeye ihtiyacınız yoktu. O modelo ChatGPT será definido como um arquivo (cabe com o prompt) e será definido como padrão. İster tweet'in dilini sınıflandırın, ister duygu durumunu. Artık bir uzmana ihtiyaç yoktu. [5]

Todo o artigo foi usado para ser usado. Bilgisayar bilimci olmak zorunda değilsiniz. Kodlama bilmeye de Gerek yok. Afinar? Transferir aprendizagem? 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, zinco-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” modelador de laia olarak konumlandırdı. Este parâmetro é dito, exaFLOPS é o mesmo valor de compra e token milyarlarca, 2020-2024 é um lema inovador antigo. 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:

Época. Kısaca her yıl 4.6 kat daha fazla işlem gücüne ihtiyaç duyuyoruz. [5]

SEC (Securities and Exchange Commission)'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, filho 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 ve altyapıya olan talep de katlanarak artıyor. Um modelo yandan é o mesmo que você pode usar para garantir que o modelo seja seguro, mas se você não tiver certeza da NVIDIA, o modelo de código da NVIDIA será definido como um fabricante de benzer.

Fakat bu trendi bozan bazı özel gelişmelerden de bahsetmemiz gerek. Em 2025, na base de dados do DeepSeek, açık kaynaklı Reasoner-R1 ailesini e dakikası 0,55 $/M token gibi oldukça rekabetçi fiyatlandırma modelleriyle piyasaya girerek, sektördeki dengeleri değiştirme potansiyeli taşıdığını gösterdi. O modelo normal de OpenAI GPT-4o é fiyatı 1 milhão de saída (çıkış) token'i için 10 $ iken, DeepSeek R1 aynı işi 2,19 $'a yapıp; gece indirimiyle bu rakam 0,55 $'a kadar düşürdü. Mas durante todo o processo de criação, um número considerável de OpenAI'den DeepSeek'e foi criado antes de o DeepSeek ter menos de 40 minutos de duração. [10]

DeepSeek'in rakipleri ile arasındaki fiyat uçurumunu exibe um infográfico.

Ancak bu başarının ardında ki tek faktör sadece uygun fiyatlandırma değildi. DeepSeek'in yayınladığı rapor, 671 parâmetros milyar sahip R1 modellerinin nasıl üst düzey muhakeme yeteneği sağladığını detalhe biçimde ortaya koyuyordu. R1'in, ou 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 ilk işlem gününde % 18 değer kaybederek yaklaşık 600 milyar dolarlık tarihi bir düşüş yaşamasına neden velho. [11]

O inip detalhado e o pagamento do DeepSeek'in permitem que você gezdirdiğimiz zaman 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 e R1'in bu kartlarda eğitildiğine dikkat çekelim. Ya da MoE (Mixture of Experts) olarak adlandırılan ve modelin sahip olduğu toplam 671 parâmetros milyar içinden her işlemde yalnızca küçük bir bölümü (37 parâmetros milyar gibi) ativo olarak kullanılarak hesaplama maliyeti önemli ölçüde azaltan yöntemler örnek verilebilir. [12]

Son olarak DeepSeek-R1 'em desempenho etkileyici küçük e modelo econômico aktarmak için kullanılan destilação (destilação) yöntemi de değinmeden geçmeyelim. Eğitim e çalıştırma maliyetlerinde kayda değer optimizasyonlar yapılmış olsa da R1 hala 671 milyar parâmetro içeriyor yani sadece çalıştırmak için bile >400GB VRAM (4 bit quantization'a rağmen) lazım (RTX 4090 sadece 24GB VRAM é dikkat çekelim). Mas durum bizati farkında olan DeepSeek kaliteli ama daha küçük modeller eğitmek amacıyla, hali hazırda güçlü ve yüksek kapasiteli R1 modelinin ürettiği yine yüksek kaliteli yaklaşık 800 bin örneklik sanal veri kümesini kullanarak daha küçük modellerin eğitimi için kullanmış. Este modelo possui 70, 32, 14, 8, 7 e 1,5 milhões de unidades de modelo R1, pagando DeepSeek herkese imkanı yettiği ölçüde kaliteli bir R1 thinking modeli sağlamış oldu. [13]

DeepSeek'in detalhe sonra geldiğimiz noktayı kabaca özetlersek 3 anos depois ChatGPT ile birlikte doğal dil ile modele ya da artık daha general 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 ve yapay zekanın tek seferde tek bir prompt 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 raciocínio 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) and uzmanlıkta bir yapay zeka mevcut değil. Şu anda uzmanlar bu seviyeyi AGI (Inteligência Geral Artificial) yani yapay genel zeka olarak isimlendiriyorlar. Bu seviyede ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme yeteneğine sahip olacak e 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 ou 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 é um Knowledge Graph (imagem) que foi criado e que pode ser reproduzido em um gráfico.

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 dişında). O que você está fazendo antes de uma reunião de segurança? 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 e 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 private ya da dinamik veriler hakkında doğru cevaplar üretmesini nasıl sağlarız?

İşte bu soruya şu um verilebilecek ilk 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). Veve bu yaklaşımın bazı zayıf noktaları var. Limite de janela de contexto ilimitado. A janela de contexto inclui um LLM'in tek seferde girdi e çıktı olarak işleyebileceği token toplam (bknz: tokenization) dizısı. Bizim için önemli olan kısım ise özellikle girdi yani input sınırı. Eski derin öğrenme modellerini düşünün. Bir örneklemin boyutu her zaman sabit idi. Um modelo da CNN criou um resmin boyutu her zaman sabit olmak zorunda idi. Este modelo é projetado e modelado de acordo com a sua necessidade. Seus modelos GPT possuem um máximo de 128,000 tokens cada. 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] 

Outro problema é o modelo veriyi 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 kitata 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 e 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?

Alguns problemas foram resolvidos e você pode verificar se uma janela de contexto está aberta. 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. Você pode compartilhar um modelo de incorporação de um modelo de vetor de incorporação.
3. Daha sonra bu vektörler bir veritabanında saklanır.
4. Kullanıcı soru sorduğu zaman ilgili soruda vektöre dönüştürülür.
5. Sorunun vektörüne en yakın (genelde kosinüs benzerliği kullanılıyor) olan k sayıda vektör getirilip soru ile birlikte LLM'e verilir.

Böylece metnin sorulan soruyla e alakalı parçaları filtrelenmiş e janela de contexto'a sığmış olur. O vetor é geralmente baixo e um conjunto de imagens de Alanda é exibido.

Problema İkinci ise daha zor. Çünkü sorulan soruyu alt sorunlara parçalamayı e alt çözüm adımları oluşturmayı gerektiriyor. Farkettiyseniz bu problema aslında daha önce de belirttiğimiz e 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].

O negócio do MindGraph tem problemas de resolução? 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 não é um filtro de filtro ou é um problema alabildiğimizden e tem problemas em geral, o larak vektör tabanlı çözümler kullanıldığından daha önce bahsetmiştik. Lakin vektör tabanlı yaklaşımlarında kendine has bazı alt sorunları mevcut.

İçerik filtreleme için sıklıkla tercih edilen vektör tabanlı çözümlerde gördüğümüz ilk sorun bi chunk'ın, sorulan soruyla ne kadar ilgili olup olmadığına dair ölçülebilir bir metriğimizin olmaması. 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 deniyor de seleção). Kullanılan sabit sayı bu çözümde um hiper parâmetro olmuş oluyor e não olacağı verinin türüne, içeriğe ve konuya göre değişiklik gösterebiliyor.

İkinci sorun ise metni chunk'lara parçalamanın temelinde yatıyor. Seu vektörün içerdiği öznitelikler sadece kesilen chunk'u temsil ediyor e yine bu kesilen chunk'ların boyutu bir hiper parametre olarak belirleniyor mesela 800 karakter. Ama ya sorulan soruya cevap vermek için gereken minimo 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 informações kaybediyoruz. Bir çözüm olarak daha yüksek bir sabit sayı kullanıp chunk'ları büyütebiliriz. Ama bu da aynı miktarda öznitelikle daha çok informações ifade etmeyi zorunlu kılıyor. Dahası tam ters bir etki yaparak cevabı çok küçük bir alan (mesela 200 caracteres) bir bölgeyi bulmamızı çok daha zor hale getiriyor.

Você não precisa de um método MindGraph para criar um vetor que tenha um número maior de KG. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Böylece não estruturado yani düzensiz e presunto metin verisini estruturado yani düzenli bir hale getiriyoruz. Daha sonra ise mecanismo gráfico dilinde SQL benzeri sorgular yazarak veriyi filtreliyoruz [18].

Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Homem de Ferro'in tüm yapımcılarını sırala gibi bir soru sormuş olsun. Bu soruyu cevaplamak için yapmamız gereken çok basit bir Cypher com código Homem de Ferro düğümüne ait tüm komşuları getirmek e soru ile birlikte LLM'e vermek.

Bu sayede sorulan soruyla ilgili gereken tüm bilgileri, parcialmente, estruturado 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 çözümü için muhakeme yeteneğine ihtiyaç duyduğumuz problema é MindGraph ile getirdiğimiz yaklaşımı şöyle ifade edebiliriz [19].

Yukarıdaki bilgi çizgesini incelediğimizde kişileri, arkadaşlarını e çalıştıkları şirketleri içeren basit bir yapı görüyoruz. Farz edelim ki kullanıcı Jennifer'in tüm arkadaşlarını e çalıştıkları firmaları sırala lütfen. şeklinde bir soru soru sunuş olsun. Şayet bu soruyu eğer vektör benzerlik yöntemi ile cevaplamak isteseydik, sorulan soruyu vektöre dönüştürüp ardından tüm chunk vektörleri ile benzerliğine bakmamız gerekecekti. Você pode ser considerado um dos melhores do mundo. Ama não?

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 exksiksiz ve öz miktarda pedaço e informações 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:

• Jennifer'eu,
• É_AMIGO_DE üzerinden arcadaslarını
• TRABALHA_PARA üzerinden çalıştıkları şirketleri

Obtenha uma consulta Cypher yazmak. Daha sonra dönen bilgiyi soru ile LLM'e vermek. Bu sayede LLM'i az ve öz miktarda bilgi ile beslemiş e gereksiz bilgiden arındırmış oluyoruz. Daha önemlisi ise bilgilerde geçen nesne, özne ve kavramları yani kısaca entidade'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 RAG clássico yöntemleriyle karşılaştırdığımızda, özellikle maliyet avantajları e muhakeme yeteneğindeki çarpıcı artışı net bir şekilde görüyoruz. Buna örnek olarak daha önce bir müşterimizde, RAG yerine doğrudan fine-tuning yöntemini tercih ettik ve tamamen müşteriye özel, oldukça özelleşmiş bir model geliştirdik. Bu süreç kabaca 9000 dólares mal oldu. 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 critik 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 disse, üretim hattı, stok ve teslimat gibi farklı kaynaklardan elde edilen verileri grafik tabanlı bir yapıya oturtarak tek seferde net bir cevap alabiliyoruz.

Bir başka örnekte ise daha stratejik bis soruya odaklanalım. Erdem, Galaksiya'nın comprou ortağıdır. Galaksiya é Deepin'in, Deepin de Twinize'ın compra ortağı konumundadır. Şimdi Erdem, estrategista 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 tarzçok katmanlı e ilişkisel soruları geleneksel yöntemlerle ya da basit RAG yaklaşımlarıyla çözmek neredeyse imkansızdır çünkü bu senaryolar yüksek seviyede muhakeme gerektirir. MindGraph é uma grande variedade de recursos que podem ser usados ​​​​e altamente confiáveis. Você deve ter um uzman müdahalesine ou um eğitim sürecine gerek kalmadan, mas soruların yanıtlarını net olarak alabilmekteyiz.

MindGraph'ın diğer bir önemli avantajı ise güncelleme kolailığı. Modelador de ajuste fino seu senaryo değiştiğinde yeniden eğitimi gerektirirken, MindGraph'ın esnek yapısı sayesinde bilgi çizgesini güncelleyerek sürekli e gerçek zamanlı adaptação sağlanabiliyor. 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 benchmark sonuçları paylaşıyor olacağız. Ó zamana kadar

Fique calmo ...

Behçet ŞENTÜRK, engenheiro de aprendizado de máquina

[1]: viso.ai. 2024. “AlexNet: Uma arquitetura revolucionária de aprendizado profundo.” Último acesso em 5 de maio. https://viso.ai/deep-learning/alexnet/.

[2]: CNBC. 2025. “A Nvidia ultrapassa a Apple novamente e se torna a empresa mais valiosa do mundo.” Último acesso em 5 de maio. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.

[3]: Redes neurais e aprendizagem profunda. 2019. “Por que as redes neurais profundas são difíceis de treinar?.” Último acesso em 5 de maio. 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. “Atenção é tudo que você precisa.” arXiv (Universidade Cornell), janeiro. https://doi.org/10.48550/arxiv.1706.03762.

[5]: kaggle. 2020. “Extração de sentimento de tweet”. Último acesso em 5 de maio. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.

[6]: Forbes. 2025. “ChatGPT atinge 1 bilhão de usuários? 'Dobrou em apenas algumas semanas', diz CEO da OpenAI.” Último acesso em 5 de maio. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.

[7]: Revista de Tecnologia. 2024. “Gen AI Boom impulsiona o valor da Nvidia para ultrapassar a Microsoft”. ​​Último acesso em 5 de maio. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.

[8]: EPOCH AI. 2025. “Modelos de IA notáveis”. Último acesso em 5 de maio. https://epoch.ai/data/notable-ai-models.

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

[10]: Reuters. 2025. “DeepSeek dá às empresas de tecnologia da Europa uma chance de se atualizarem na corrida global da IA”. Último acesso em 5 de maio. 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. “Bilionários da tecnologia perderam quase US$ 100 bilhões na liquidação do mercado de ações provocada pelo DeepSeek.” Último acesso em 5 de maio. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.

[12]: github. 2025. “FlashMLA.” Último acesso em 5 de maio. https://github.com/deepseek-ai/FlashMLA.

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

[14]: EPOCH AI. 2025. “Os modelos dos EUA atualmente superam os modelos não americanos.” Último acesso em 5 de maio. https://epoch.ai/data-insights/us-vs-non-us-performance.

[15]: openai. 2025. “O que são tokens e como contá-los?” Último acesso em 5 de maio. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.

[16]: E2E Cloud. 2025. “Implementando técnicas avançadas de RAG com Elasticsearch Vector DB.” Último acesso em 5 de maio. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.

[17]: Xiao, Mingqing, Yixin Zhu, Di He e Zhouchen Lin. 2024. “Redes neurais de pico temporal com atraso sináptico para raciocínio de gráficos”. arXiv (Universidade Cornell), maio. 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. “Geração de gráfico de conhecimento para texto de poucos disparos com modelos de linguagem pré-treinados”. arXiv (Universidade Cornell), janeiro. https://doi.org/10.48550/arxiv.2106.01623.

[19]: Analytics Yogi. 2022. “A Nvidia ultrapassa a Apple novamente e se torna a empresa mais valiosa do mundo.” Último acesso em 5 de maio. https://vitalflux.com/nosql-data-models-concepts-examples/.