"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 sürekliyedeniden çizilir.
บีร์ มูฮาเซเบซิ ปิยานิสต์ โอลมัก 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"
คานลี เดฟร์ เดวิด อีเกิลแมน
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.
กำหนดไว้ล่วงหน้า 13 ปีนับจากนี้ ImageNet อยู่ในเวลาที่กำหนด มีอายุครบ 2012 ปี AlexNet ทำตามแบบของคุณ มีพื้นฐานมาจาก sınıflandırma modeli bile olsa AlexNet'in XNUMX yılında bize gösterdiği şey GPU (Graphics Processing Unit) yani ekran kartlarının, derin öğrenme modellerinin eğitiminde kullanılabileceği oldu:
13 ปี ที่ผ่านมา [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. Büyük modelleri orijinalinde yer almayan görevler için az miktarda veri ve işlem gücüyle eğitmeye dayalı ปรับแต่งอย่างละเอียด, ถ่ายโอนการเรียนรู้ gibi kavramlar hayatımıza girdi. Lakin doğal dil için büyük bir model üretmek hala mümkün değildi.
ปัญหาคือ yolculuğumuzun bir sonraki önemli adımı olan Attention Is All You Need başlıklı makale çözülmüş oldu. 8 ปีผ่านไป Google'ın yayınladığı makale bizi Transformer isimli kavram ile tanıştırdı. บทความ “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 ve o güne kadar eğitilen hiçbir modelin gösteremediği bir การใช้เหตุผล (muhakeme) kabiliyetine sahip olduğ gösteren แพลตฟอร์ม ChatGPT เก่า
เธอ 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 มี GPT-3 üzerinden ปรับแต่ง edilen GPT modeli, bizi tam anlamıyla Task formatulation ile tanıştırdı. ทามัม ama bu neden bu kadar önemli?
ChatGPT'den sadece birkaç yıl önce bir problemsi çözmek için eğitilen นางแบบของเธอ 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. บุโมเดลเลอร์เดน บีรินี อัลลิป บาชกา บีร์ โดกัล ดิล กูเรวินเด กุลลานามาซดินิซ Örneğin tweet'in hangi dilde yazıldığını modele soramazdınız. Görevi değiştirmenin tek yolu เยนเดน eğitmekti. ยานี โคนูยลา อิลกีลี อัซ บีร์ อุซมานา อิห์ติยาช วาร์ดี ChatGPT ช่วยคุณได้ Artık bir doğal dil görevini yapmak için bir model eğitmeye ihtiyacınız yoktu. ChatGPT modelinin görevini doğal dil ile (kabaca prompt ile) เยนเดน değiştirebiliyordunuz İster tweet'in dilini sınıflandırın, ister duygu durumunu. Artık bir uzmana ihtiyaç yoktu. [5]
เอเวต อาร์ทิก บีร์ อุซมานา อิห์ติยาซิมิซ ยก. บิลกิซายาร์ บิลิมชี โอลมัก โซรุนดา เดกอิลซินิซ ก็อดลามา บิลเมเย เด เกเรก ยก. ปรับแต่ง? ถ่ายทอดการเรียนรู้? เอกิติม? Artık hiçbirine gerek yok. Yazıp konuşabiliyorsanız bu yeterli. Öyle ki OpenAI 1 มียาร์ kullanıcıya ulaşmış durumda yani tüm dünyanın 8'de 1'ine. คุณสนใจที่จะซื้อ 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 problemsi çözme oranını Dramatik biçimde artırdığını ortaya koyuyor. เปิด OpenAI, Eylül 2024 ปีที่แล้ว o1 serisini “daha uzun düşünüp sonra cevap veren” ilk modeller olarak konumlandırdı. Devasa พารามิเตอร์sayıları, exaFLOPS ölçekli eğitim kümeleri และโทเค็น milyarlarca, 2020-2024 arası inovasyonun mottosu oldu Talebin tetiklediği bu dönem, Nvidia'nın piyasa değerini dokuz a 1 trilyon $'dan 3 trilyon $'a taşıdı; öyle ki analistler şirketi “AI çağının Petro devi” diye tanımlamaya başladı. [7] ดูรูมู ดาฮา อิยิ คัฟรายบิลเมก และ กราฟิกเลอรี อินเซเลอายลิม:
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 เธอมี 5 วัน kat daha fazla işlem gücüne ihtiyaç duyuyoruz. [8]
SEC(Securities and Exchange Commission)'n aldığımız bu grafikte, 2019–2024 döneminde NVIDIA hissesinin birikimli toplam getirisinin hem S&P 500 hem de Nasdaq 100 endekslerini ezici biçimde geride bıraktığı görünüyor. Yani, son beş yılda NVIDIA'ya yatırım yapanlar, geniş piyasa endekslerine yatırım yapanlara kıyasla katbekat daha yüksek bir getiri elde etmiş durumda. [9]
İki grafikte açıkça gösteriyor ki, yapay zeka uygulamaları hızla yaygınlaştıkça, bu teknolojiyi mümkün kılan donanım ve altyapıya olan talep de katlanarak artıyor. Bir yandan modellerin eğitimi için ihtiyaç duyulan işlem gücü sürekli yükselirken, diğer yandan bu gücü sağlayan NVIDIA gibi çip üreticilerinin değeri de benzer bir hızla artıyor.
ฟากัต บู เทรนดี โบซาน บาซี เออเซล เจลิชเมเลอร์เดน เด บาเซตเมมิซ เกเร็ก ใช้งาน 2025'in başında Merkezli DeepSeek, açık kaynaklı Reasoner-R1 ailesini ve dakikası 0,55 $/M token gibi oldukça rekabetçi fiyatlandırma modelleriyle piyasaya girerek, sektördeki dengeleri değiştirme potansiyeli taşıdığını gösterdi. ปกติ มูลค่า OpenAI GPT-4o modelinin fiyatı 1 ล้านเอาท์พุท (çıkış) โทเค็นใน 10 $ iken, DeepSeek R1 aynı işi 2,19 $'a yapıp; gece indirimiyle bu rakam 0,55 $'a kadar düşürdü. Bu durum Avrupa'daki girişimlerin çoğunun birkaç dakikada OpenAI'den DeepSeek'e göç etmesine neden oldu çünkü DeepSeek ile maliyetleri 40 kata kadar 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 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 ilk işlem gününde %18 değer kaybederek yaklaşık 600 milyar dolarlık tarihi bir yaşamasına เนเดน โอลดู. [11]
Detaylara inip ve DeepSeek'in paylaştığı makaleyi göz gezdirdiğimiz zaman DeepSeek'in maliyetleri kısmak için ciddi anlamda optimizasyon yaptığını görebiliyoruz. การติดตั้ง 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 เอกทิลดิกอีน ดิกัต เชเคลิม. Ya da MoE (Mixture of Experts) olarak adlandırılan ve modelin sahip olduğu toplam 671 milyar parametre içinden her işlemde yalnızca küçük bir bölümü (37 milyar parametre gibi) aktif olarak kullanılarak hesaplama maliyeti önemli ölçüde อาซัลตาน ยอนเตมเลอร์ เอิร์เน็ก เวริเลบิลีร์ [12]
Son olarak DeepSeek-R1 'in etkileyici Performansını küçük ve ekonomik modellere aktarmak için kullanılan distilasyon (distillation) yöntemi de değinmeden geçmeyelim. ปรับแต่งและเพิ่มประสิทธิภาพในการตั้งค่าของคุณ olsa da R1 hala 671 พารามิเตอร์อื่น ๆ ของการกำหนดค่า yani sadece การกำหนดค่าของน้ำดี >400GB VRAM (4 bit quantization'a rağmen) lazım (RTX 4090) สำรอง VRAM ขนาด 24GB ไว้ที่นี่) Bu 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. บู 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 ปี ChatGPT ile birlikte doğal dil ile modele ya da artık daha genel bir isim ile yapay zekaya görev atayabilir hale geldik. Başlangıçta bunlar basit görevlerdi. Daha önce verdiğimiz örnekler gibi mesela bir metnin dilini sınıflandırmak ya da farklı bir stil ile เยนเดน yazdırmak. Devamında ise beklentileri karşılamak adına birçokyeni 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 Testinde %30 Başarılı Olan Modeller Artık %90 Seviyesinde Başarılılar. ดาฮา ฉันยีให้เหตุผลกับยานี มูฮาเคเม เยเนเนกซิเน ซาฮิปเลอร์ Daha karmaşık problemsleri çözebiliyorlar.
คุณคิดว่ามีอะไรบ้าง? เอลเบ็ตต์ เดเกิล. อิสตันบูล olarak yapay zekadan beklentimiz bugünden daha iyi bir muhakeme yeteneği. เอยเล กี เบียร์ อินซันลา อายนึ เซวิเยเด. şu an için eğitilmiş insan ile aynı seviyede çeşitli (genel) ve uzmanlıkta bir yapay zeka mevcut değil. ชู อันดา อุซมันลาร์ บู เซวีเยยี AGI (ปัญญาประดิษฐ์ทั่วไป) ยานี ยาเปย์ เจเนล เซกา โอลารัค อิซิมเลนดิริยอร์ลาร์ Bu seviyede ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme yeteneğine sahip olacak ve üretildiği an muhtemelen yapay zeka tarihinde ki เยนi kırılma noktası olacak.
บูราดา มูฮาเคเม เยเนเนกอินี กาบากา บีร์ บาซารี อลซูตู โอลารัค กูเรบิลิริซ Ne kadar yüksek muhakeme yeteneği o kadar karmaşık problemsin, görevlerin çözümü. Biz de Galaksiya olarak, bunlardan biri olan RAG'a (Retrieval Augmented Generation) และ devamında mevcut modellerden daha yüksek muhakeme yeteneğinin elde edilmesi üzerine odaklandık. MindGraph isimli Knowledge Graph (bilgi çizgesi) tabanlı bir yapı geliştirdik ve kayda değer sonuçlar elde 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?” กิบี บีร์ โซรู โซราร์ซานิซ โดก์รู เจวาบี อัลึร์ซินิซ (อิสทิสนาลาร์ ดีซิซินดา) Peki ya yarın avrupa kıtasının yüzölçümü değişirse? Hatta dinamik bir şekilde ปืนของเธอ değişmeye başlarsa? LLM'de bu bilgiyi nasıl güncelleyeceğiz? บาสกา บีร์ เอิร์เน็ก เวเรลิม. LLM'leri hayatımızın artık birçok alanında kullanabiliyoruz. โซรูลาร์ โซรูโยรูซ เว ซีวาป อะลาบิลิโยรูซ Peki ama sürekli değişen ya da halka kapalı olan (private) veriler hakkında ki sorularımıza nasıl cevap alacağız? Mesela bir şirket yönetmeliği, การเงิน ya da yasalar. Kısaca LLM'lerin ส่วนตัวคุณ 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. Böylece ilgili veriyle modeliyeden eğitmeden LLM veri ile ilgili sorulara cevap verebilir hale geliyor(En azından teoride) ก่อนหน้านี้ bu yaklaşımın bazı zayıf noktaları var. Bunlardan en önemlisi ขีดจำกัดหน้าต่างบริบท หน้าต่างบริบท 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. เอสกี เดริน เออเร็นเม โมเดลเลรินี ดูชุนนุน บีร์ เอิร์เนคลีมิน โบยูตู zaman sabit idi ของเธอ Örneğin bir CNN modelinde kullanılan bir resmin boyutu zaman sabit olmak zorunda idi. Bu bugün de geçerli ve modelden modele göre değişiyor. มี GPT modelleri อยู่ในมูลค่าสูงสุด 128,000 โทเค็น 75 kelimenin kabaca 100 โทเค็น yaptığını düşünürsek bu da kabaca 250 sayfalık bir kitap yapar Yani bizim ส่วนตัว ya da dinamik verimiz bundan daha büyük ise modele tek seferde veremeyiz [15]
ปัญหา Diğer bir คือ tüm veriyi modele verebildiğimiz durumlarda dahi zaman doğru cevabı alamayabiliriz Özellikle veriler düzensiz yani saf metinlerden oluşuyor ve sorduğumuz soru yüksek muhakeme yeteneği gerektiriyor ise. บูดูรูมูดาฮา อิยีอิฟอาด edebilmek และบีร์เมตาฟอร์กุลลานาลิม. 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 yeteneğine ihtiyacı var.
Peki bu problemslerin üstesinden nasıl geleceğiz?
Birinci problemsi çözmenin tek yolu veriyi bir şekilde หน้าต่างบริบท içine sığdırmaktan geçiyor. Yani veriyi bir şekilde kısaltmamız ya da filtrelememiz lazım ve bunu yaparken mümkünse sorunun cevabını içeren kısma zarar vermememiz lazım. บุ 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 genel basit ve bu alanda sıklıkla kullanılan bir çözüm.
ปัญหาของฉันคือ daha zor çünkü sorulan soruyu alt sorunlara parçalamayı ve alt çözüm adımları oluşturmayı gerektiriyor. Farkettiyseniz bu problems aslında daha önce de belirttiğimiz ve alanın üzerine yöneldiği yüksek muhakeme problemsi ile aynı problems. Kabaca LLM'lerden nasıl daha yüksek muhakeme yeteneği elde edebiliriz?
Doğal olarak bu alan üzerine çalışan neredeyse herkes bu problems üzerine eğilmiş durumda. Bunlara กำลังคิด modelleri ya da özel skorlama ajanları içeren çok ajanlı yapıları örnek verebiliriz. Biz ise ise hem birinci hem de ikinci problemsi 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 duğüm arasında bir kenar olması demek iki duğümün bir şekilde birbirleriyle ilişkili olduğu anlamına geliyor. บู อซิดาน เบย์เน เว โนรอนลาริน ยาปิซินา เบนเซเตบิลิริซ [17].
Peki biz MindGraph ile bu problems nasıl yaklaşıyoruz? ออนเซลิเคิล บีรินชี่ ปัญหาบาชยาลาลิม Birinci problemsde 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 problems için genel olarak 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 bir chunk'ın, sorulan soruyla ne kadar ilgili olup olmadığına dair ölçülebilir bir metriğimizin โอลมามาซิ. 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 ตัวเลือก deniyor). Kullanılan sabit sayı bu çözümde bir hiper parametre olmuş oluyor ve ne olacağı verinin türüne, içeriğe ve konuya göre değişiklik gösterebiliyor.
İkinci sorun ise metni chunk'lara parçalamanın temelinde yatıyor. เธอ bir vektörün içerdiği öznitelikler sadece kesilen chunk'u temsil ediyor ve yine bu kesilen chunk'ların boyutu bir hiper parametre olarak belirleniyor mesela 800 karakter คุณคิดอย่างไรกับเงินขั้นต่ำของ 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. บีร์ çözüm olarak daha yüksek bir sabit sayı kullanıp chunk'ları büyütebiliriz. Ama bu da aynı miktarda öznitelikle daha çok informasyonu ifade etmeyi zorunlu kılıyor. Dahası tam ters bir etki yaparak cevabı çok küçük bir alan (mesela 200 karakter) bir bölgeyi bulmamızı çok daha zor hale getiriyor.
ลองใช้ MindGraph metodun da vektör tabanlı yaklaşımın yerine KG tabanlı bir yaklaşım tercih ettik. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Böylece ไม่มีโครงสร้าง yani duzensiz ve ham metin verisini มีโครงสร้าง yani duzenli bir hale getiriyoruz. Daha sonra ise เครื่องยนต์กราฟ dilinde SQL benzeri sorgular yazarak veriyi filtreliyoruz [18]
Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Iron Man 'ใน tüm yapımcılarını sırala gibi bir soru sormuş olsun. Bu soruyu cevaplamak için yapmamız gereken çok basit bir Cypher kodu ile Iron Man düğümüne ait tüm komşuları getirmek ve soru ile birlikte LLM'e vermek.
Bu sayede sorulan soruyla ilgili gereken tüm bilgileri, parçalamadan, โครงสร้าง yani duzgün ve öz bir biçimde LLM'e verebilmiş oluyoruz. Filtrelemeyi ise sorulan soruda geçen özneye göre çok rahat bir şekilde yapabildik.
İkinci olarak ifade ettiğimiz ve çözümü için muhakeme yeteneğine ihtiyaç duyduğumuz problemse MindGraph ile getirdiğimiz yaklaşımı şöyle ifade edebiliriz [19].
Yukarıdaki bilgi çizgesini incelediğimizde kişileri, arkadaşlarını ve çalıştıkları şirketleri içeren basit bir yapı görüyoruz. Farz edelim ki kullanıcı Jennifer'in tüm arkadaşlarını ve çalıştıkları Firmaları sırala lütfen. เชคลินเด บีร์ โซรู ซอร์มุช โอลซุน Šayet bu soruyu eğer vektör benzerlik yöntemi ile cevaplamak isteseydik, sorulan soruyu vektöre dönüştürüp ardından tüm chunk vektörleri ile benzerliğine bakmamız gerekecekti. Ve böylece kalitesiz bir cevap almış olacaktık. อามาเนเดน?
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. บูนุน อิคินชี เนเดนี อิเสะ โซรูนุน อิกิ adımdan oluşuyor olması:
เจนนิเฟอร์อิน arkadaşlarını bul.
บูลูนัน arkadaşların çalıştıkları şirketleri bul.
yani tesadüfen eksiksiz ve öz miktarda chunk ve informasyonu filtreleyip LLM'e verdiğimiz farz etsek bile LLM'e ham veriyi verip veriler arasında ilişki kurmasını yani muhakeme yeteneği göstermesi bekliyoruz. เฮม เด ฮิซบีร์ โยล กูสเตอร์เมเดน.
ซิมดี ise MindGraph kullandığımız durumda ise tek yapmamız gereken:
getiren basit bir Cypher แบบสอบถาม 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 entert'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 ve ön çalışmalar oldukça heyecan verici sonuçlar ortaya koydu.
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 การปรับแต่งอย่างละเอียด yöntemini tercih ettik ve tamamen müşteriye özel, oldukça özelleşmiş bir model geliştirdik ซื้อคาบากา 9000 ดอลลาร์เก่า. MindGraph yöntemini kullandığımızda ise çok daha düşük maliyetlerle, aynı hatta daha yüksek muhakeme kabiliyetine sahip sonuçlar elde edebildiğimizi gördük.
MindGraph'ın avantajlarını daha iyi ifade etmek için somut örnekler üzerinden ilerleyelim. Diyelim ki bir gıda şirketinde üretimden sorumlu bir yöneticisiniz. Üretim hattınızda kritik bir ekipman olan paketleme makinesi durdu ve hızlıca karar vermeniz gerekiyor. "Paketleme makinesi durursa, önümüzdeki ay sipariş teslimatlarımız, stoklarımız ve lojistik nasıl etkilenir?" gibi bir soruya geleneksel vektör RAG yöntemleriyle doğru cevap almak oldukça zor olacaktır. çünkü bu tarz sorular çok sayıda verinin analiz edilmesini ve karmaşık ilişkilerin değerlendirilmesini gerektiriyor. Oysa MindGraph พูดใน, üretim hattı, stok ve teslimat gibi farklı kaynaklardan elde edilen verileri grafik tabanlı bir yapıya oturtarak tek seferde net bir cevap alabiliyoruz.
บีร์ บาชกา เอิร์นเน็กเต อิเสะ ดาฮา กลยุทธ์ บีร์ โซรูยา โอดากลานาลิม Erdem, Galaksiya'nın büyük ortağıdır. Galaksiya คือ Deepin'in, Deepin de Twinize'ın büyük ortağı konumundadır. ซิมดี เออร์เดม, ยุทธศาสตร์ บีร์ ฮัมเล ออนเซซินเด ซึซู โซรูลาริน เซวาปลาลารินอิ arıyor olabilir:
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 ise bu tip karmaşık ilişkileri doğrudan ve verimli şekilde çözebilen, akıllı sorgularla çalışır. Böylece herhangi bir uzman müdahalesine veya เยนi bir eğitim sürecine gerek kalmadan, bu soruların yanıtlarını net olarak alabilmekteyiz.
MindGraph'ın diğer bir önemli avantajı ise güncelleme kolaylığı. ปรับแต่งโมเดลเลอร์ของเธอ senaryo değiştiğinde เยนเดน eğitimi gerektirirken, MindGraph'ın esnek yapısı sayesinde bilgi çizgesini güncelleyerek sürekli ve 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 tüm alanlarda uygulamayı ve bu yöntemlerle yapay zeka modellerinin kabiliyetlerini daha da ileri taşımayı ซูร์ดูร์เม็กเตยิส. Bir sonraki adımda sizlerle daha detaylı benchmark sonuçları paylaşıyor olacağız. โอ้ ซามานา กาดาร์
ใจเย็น ๆ ...
Behçet ŠENTÜRK วิศวกรการเรียนรู้ของเครื่อง
[ 1]: viso.ai. 2024. “AlexNet: สถาปัตยกรรมการเรียนรู้เชิงลึกที่ปฏิวัติวงการ” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://viso.ai/deep-learning/alexnet/.
[2]: CNBC. 2025. “Nvidia แซง Apple อีกครั้งเพื่อขึ้นเป็นบริษัทที่มีมูลค่ามากที่สุดในโลก” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html
[3]: Neural Networks and Deep Learning. 2019. “ทำไมเครือข่ายประสาทเทียมเชิงลึกจึงฝึกได้ยาก” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม http://neuralnetworksanddeeplearning.com/chap5.html
[4]: วาสวานี, อาชิช, โนม ชาเซียร์, นิกิ ปาร์มาร์, ยาคอบ อุสโคไรต์, ลิออน โจนส์, ไอดาน เอ็น. โกเมซ, ลูคัสซ์ ไกเซอร์ และอิลเลีย โปโลซูคิน 2017 “ความใส่ใจคือสิ่งที่คุณต้องการ” arXiv (มหาวิทยาลัยคอร์เนล) มกราคม https://doi.org/10.48550/arxiv.1706.03762.
[5]: kaggle. 2020. “Tweet Sentiment Extraction” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview
[6]: Forbes. 2025. “ChatGPT มีผู้ใช้ถึง 1 พันล้านคน? 'เพิ่มขึ้นเป็นสองเท่าในเวลาเพียงไม่กี่สัปดาห์' ซีอีโอ OpenAI กล่าว” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.
[7]: นิตยสารเทคโนโลยี. 2024. “Gen AI Boom ผลักดันมูลค่าของ Nvidia ให้แซงหน้า Microsoft” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft
[8]: EPOCH AI. 2025. “Notable AI Models.” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม https://epoch.ai/data/notable-ai-models
[9]: SEC. 2024. “NVIDIA CORPORATION” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม https://www.sec.gov/Archives/edgar/data/1045810/000104581024000029/nvda-20240128.htm
[10]: Reuters. 2025. “DeepSeek มอบโอกาสให้บริษัทเทคโนโลยีของยุโรปในการไล่ตามทันการแข่งขัน AI ระดับโลก” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม 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. “ มหาเศรษฐีด้านเทคโนโลยีสูญเสียเกือบ 100 พันล้านดอลลาร์จากการเทขายหุ้นในตลาดหลักทรัพย์ที่เกิดจาก DeepSeek” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://www.theguardian.com/technology/2025/jan/28/deepseek-selloff
[12]: github. 2025. “FlashMLA.” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม https://github.com/deepseek-ai/FlashMLA
[13]: ollama. 2025. “deepseek-r1.” เข้าถึงล่าสุด 5 พฤษภาคม. https://ollama.com/library/deepseek-r1:671b.
[14]: EPOCH AI. 2025. “US models currently outperform non-US models.” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม https://epoch.ai/data-insights/us-vs-non-us-performance.
[15]: openai. 2025. “โทเค็นคืออะไรและจะนับได้อย่างไร?” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
[16]: E2E Cloud. 2025. “การนำเทคนิค RAG ขั้นสูงมาใช้กับ Elasticsearch Vector DB” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคมhttps://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db
[17]: Xiao, Mingqing, Yixin Zhu, Di He และ Zhouchen Lin. 2024. “เครือข่ายประสาทสไปค์ชั่วคราวที่มีความล่าช้าของไซแนปส์สำหรับการให้เหตุผลกราฟ” arXiv (มหาวิทยาลัยคอร์เนล), พฤษภาคม. https://doi.org/10.48550/arxiv.2405.16851
[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan และ Ji-Rong Wen. 2021. “การสร้างกราฟความรู้เป็นข้อความแบบ Few-shot ด้วยแบบจำลองภาษาที่ฝึกฝนไว้ล่วงหน้า” arXiv (มหาวิทยาลัยคอร์เนล), มกราคม. https://doi.org/10.48550/arxiv.2106.01623.
[19]: Analytics Yogi. 2022. “Nvidia แซง Apple อีกครั้งจนกลายเป็นบริษัทที่มีมูลค่ามากที่สุดในโลก” เข้าถึงล่าสุดเมื่อวันที่ 5 พฤษภาคม https://vitalflux.com/nosql-data-models-concepts-examples/.
