MindGraph: Daha Akıllı, Daha Ucuz, Daha Güçlü

Sadece bir yazıda tüm yapay zeka analizinin özeti dayanıklı ki mümkün değil. Yine de, geçmişte gidip günümüze kadar katladığımız ifade yolunu tutmaya devam etti.

İlk başlangıç ​​noktamız bundan kabaca 13 yıl önce ImageNet isimli yarışmada adını duyuran AlexNet modeli olacak. Basit bir resim değiştirme modeli bile olsa AlexNet'in 2012 yılında bize gösterdiği şey GPU (Grafik İşlem Birimi) yani ekran kartlarının, derin öğrenme modellerinin eğitiminde kullanılabilmesi oldu:

13 yıl sonra bugün geldiğimiz dünyanın önde gelen ekran kartı üreticisi NVIDIA dünyanın en değerli şirketi oldu. [2]Devam eden süreçte ekran kartlarının kabiliyetleri ve alan ilgi özellikleri daha büyük yani daha çok parametreli ve daha çok gizli katman içeren model hayatımıza girmeye başladı.

Böylece daha kaliteli görüntü, sinyal, video modelleri görmeye başladık. Büyük modeller orijinalinde yer alan çalışanların çalışmaları için az miktarda veri ve işlem gücüyle eğitilmeye dayalı ince ayar, transfer öğrenme gibi kavramlar hayatımıza girdi. Lakin doğal dil için büyük bir model çıktısı hala mümkün değildi. 

Bu sorun yolculuğumuzun bir sonraki önemli adımı olan Dikkat Tüm İhtiyacınızdır başlıklı makale çözülmüş oldu. 8 yıl önce Google'ın yayımlanan makale bizi Transformer isimli kavram ile tanıştırdı. Artık “büyük” diye ifade edebileceğimiz doğal dil modelleri yani LLM'leri eğitilebiliyorduk. [4]

2022'nin sonları ise (bundan sadece 3 yıl önce) belki de en önemli adımlardan biri OpenAI tarafından atıldı ve o güne kadar öğretilen hiçbir modelin gösteremediği bir akıl yürütme (muhakeme) yeteneğine sahip olduğunu gösteren ChatGPT platformu oldu.

Her ne kadar modelin görevinin sabit olduğu ve eğitim öncesinde belirlendiği klasik makine öğrenmesi ve derin modellerin aksine modelin görevinin doğal dil ile değiştirilebildiği birkaç atışlı / sıfır atışlı modellerinin ilki olmasa da, ChatGPT platformunda sunulan ve GPT-3 üzerinden ince ayar yapılan GPT modeli, bizi tam anlamıyla Görev yeniden yapılandırması ile tanıştırdı. Tamam ama bu neden bu kadar önemli? 

ChatGPT'den sadece birkaç yıl önce bir problemi çözmek için kendi modeli sadece ilgili model üzerinde çalışılabiliyordu. Mesela 2020 Kaggle üzerindeki tweet duygu analizi yarışmasının temel amacı olan, tweet'lerdeki duyguyu ifade eden cümlecikleri ayıran modellerin tamamı, sadece bu sorunun çözülmesi üzerine yılın içinde seçilmişlerdi. Bu modellerden birini alıp başka bir doğal dil görevinde kullanamazdınız. Mesela tweet'in hangi dilde yazıldığını modele soramazdınız. Görevi değiştirmenin tek yolunu yeniden eğitmekti. Yani herkesin ilgili en az bir uzmana ihtiyacı vardı. ChatGPT ile bu durum ortadan kalkar. Artık bir doğal dil görevini yapmak için bir modelin eğitilmesine ihtiyaç yoktu. ChatGPT modelinin görevini doğal dil ile (kabaca istemi ile) yeniden değiştirebiliyorsunuz. İster tweet'in dilini sınıflandırın, ister duygularınızı ifade edin. Artık bir uzmana ihtiyaç yoktu. [5]

Evet artık bir uzmana gelişmiş yok. Bilgisayar uzmanı olmak zorunda olmak zorunda. Kodlama bilmeye de gerek yok. İnce ayar mı? Öğrenmeyi aktarmak mı istiyorsunuz? Eğitim mi? Artık hiçbir şeye gerek yok. Yazıp konuşabiliyorsanız bu yeterli. Öyle ki OpenAI 1 milyar kişiye ulaşmış durumda yani tüm dünyanın 8'de 1'ine. Bu da demek oluyor ki LLM'ler artık insanın bir parçası haline geldi. [6]

LLM'lerin “zeka”sı artık kelime tamamlama becerisinden çok çok-adımlı akıl yürütme yeteneğiyle değerlendiriliyor. Araştırmalar, zincir-düşünce sonuçlarının küçük göstergelerle bile karmaşık problem çözmenin dramatik biçimde artırıldığını ortaya koyuyor. Bu nedenle OpenAI, Eylül 2024'te tanıtılan o1 serisini “daha ​​uzun düşünüp sonra cevap veren” ilk modeller olarak konumlandırdı. Devasa parametre ayarı, exaFLOPS değişim eğitim kümeleri ve milyarlarca token, 2020-2024 arası inovasyonun mottosu oldu. Talebin bu dönemi tetiklediği, Nvidia'nın piyasa değeri dokuz ayda 1 bakım $'dan 3 bakım $'a taşındı; öyle ki analistler şirketi “AI çağının petrol devi” diye tanımlamaya başladı. [7] Durumu daha iyi kavrayabilmek için şu grafikleri inceleyelim:

Epoch.ai'den gelen ilk grafikte özellikle derin öğrenme tekniğinin popüler olması ile birlikte modelin eğitilmesi için gereken işlem gücü (FLOP cinsinden) yılda ortalama 4.6 kat arttığını görebiliyoruz. Kısaca her yıl 5 kat daha fazla işlem gücüne ihtiyaç duyulur. [8]

SEC(Menkul Kıymetler ve Borsa Komisyonu)'den bu grafikte, 2019–2024 döneminde NVIDIA hissinin birikimli toplam getirisinin hem S&P 500 hem de Nasdaq 100 endekslerini ezici olarak geride bıraktığı görülüyor. Yani, son beş yılda NVIDIA'ya yatırım yapanlar, geniş piyasa endekslerine yatırım yapanlara kıyasla katbekat daha yüksek bir getiri elde etmiş durumdaydı. [9] 

İki grafikte açıkça görülüyor ki, yapay zeka uygulamaları hızla yaygınlaştıkça, bu sayede mümkün kılan donanım ve altyapıya olan talep de katlanarak artıyor. Bir yandan modellerin eğitimi için ihtiyaç seçeneği işlem gücü sürekli artarken, diğer yandan bu güç sağlayan NVIDIA gibi çiplerin değeri de benzer bir hızla artıyor.

Fakat bu trendi bozan bazı özel gelişmelerden bahsetmemiz gerek. Örneğin 2025'in başında Çin merkezli DeepSeek, açık kaynaklı Reasoner-R1 ailesini ve dakikası 0,55 $/M token gibi oldukça yaşlılıktaki modelleriyle piyasaya girerken, sektördeki dengeleri değiştirme potansiyelini taşıdığını gösterdi. Normal kullanımda OpenAI GPT-4o modelinin fiyatı 1 milyon çıkış (çıkış) token'i için 10 $ iken, DeepSeek R1 aynı işi 2,19 $'a kayıtlı; gece indirimiyle bu rakam 0,55 $'a kadar düştü. Bu durum Avrupa'daki girişimlerin çoğunun birkaç dakika içinde OpenAI'den DeepSeek'e göç etmesine neden oldu çünkü DeepSeek ile maliyeti 40 kata kadar düşürmeyi başardılar. [10]

DeepSeek'in rakipleri ile arasındaki fiyat uçurumunu gösteren bir infografik.

Ancak bu başarının arkasında tek faktör sadece uygun birimler yok. DeepSeek'in genel raporu, 671 milyar parametreye sahip R1 modellerinin nasıl üst düzey muhakeme yeteneğinin detaylı biçimde ortaya çıktığını ortaya koyuyordu. R1'in, o güne kadar alan en güçlü kapalı modeli olan OpenAI GPT-4o ile rekabet edebilen sonuçlar sunması, yüksek "daha fazla işlem kapasitesi daha iyi muhakeme" anlayışını ciddi şekilde sarstı. Guardian'ın "DeepSeek Paniği" başlıklı haberinde vurguladığı gibi, R1'in kamuya açılması Nvidia hislerinin ilk işleminde %18 değer değiştirirek yaklaşık 600 milyar yılın tarihi bir düşüş yaşamasına neden oldu. [11]

Detaylara inip ve DeepSeek'in paylaştığı makaleyi gezdirdiğimiz zaman DeepSeek'in enerjisini kısmak için ciddi bir bölgede 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) içeriğine ve R1'in bu kartlarda özelliklerine dikkat çekelim. Ya da MoE (Mixture of Experts) olarak sunulan ve modelin sahip olduğu toplam 671 milyar parametre içinden her işlemde yalnızca küçük bir bölüm (37 milyar parametre gibi) aktif olarak hesaplama maliyeti önemli ölçüde azaltan örnek alınabilir. [12]

Son olarak DeepSeek-R1 'in etkileyici sunumunda küçük ve ekonomik modellere aktarımı için kullanılan distilasyon (damıtma) yöntemi de değinmeden sürdürülüyorum. Eğitim ve çalıştırmada kayıt değerleri kaydedilmiş olsa da, R1 hala 671 milyar parametre içerir, yani sadece çalıştırılabilmesi için bile >400GB VRAM (4 bit niceleme'a rağmen) gereklidir (RTX 4090 sadece 24GB VRAM'e dikkat çekelim). Bu durum bizati bilgisi olan DeepSeek kaliteli ama daha küçük modelleri eğitmek amacıyla, hali hazırda güçlü ve yüksek kapasiteli R1 modelinin oluştuğu yine kaliteli yaklaşık 800 bin örneklik sanal veri kurulumunu kullanarak daha küçük modellerin eğitimi için kullanılmış. Bu şekilde 70, 32, 14, 8, 7 ve 1,5 milyarlık damıtılmış R1 modellerini paylaşarak DeepSeek herkese imkanı yettiği ölçüde kaliteli bir R1 düşünme modeli sağlamış oldu. [13]

DeepSeek'in ayrıntılarından 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 görev atayabilir hale gelebilir. bu basit işlemlerdi. Daha önceki örneklerin örnekleri gibi örneğin bir tek tıklamanın görünümü ya da farklı bir stil ile yeniden yazdırmak. Devamında ise maliyetleri karşılamak adına birçok yeni teknik ortaya çıktı ve yapay zekanın tek seferde tek bir istem ile yapabildiği işlemlerin kapasitesi arttı. Bunu şu grafikte çok net görebiliriz [14]:

2023 yaz aylarında standart bir matematik testinde %30 başarılı olan modeller artık %90 seviyede başarılılar. Daha iyi muhakeme yani muhakeme yeteneğine sahipler. Daha karmaşık problemleri çözebiliyorlar.

Peki bu bizim için bir durak noktası mı? Elbette değil. İnsanlık olarak yapay zekadan beklentilerimiz bugünden daha iyi bir muhakeme yeteneğidir. Öyle ki bir insanla aynı seviyede. Şu an için kullanılabilen insan ile aynı süreçte çeşitli (genel) ve sürümlerde bir yapay zeka mevcut değil. Şu anda özelleştirilmiş bu seviyeyi AGI (Yapay Genel Zeka) yani yapay genel zeka olarak isimlendiriyorlar. Bu efsanevi ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme yeteneğine sahip olacak ve üretildiği ve muhtemelen yapay zeka tarihinde ki yeni kırılma noktası olacak.

Burada muhakeme yeteneği kabaca bir başarı ölçütü olarak görebiliriz. Ne kadar yüksek muhakeme yeteneği o kadar karmaşık problemlerin, sorunların çözümü. Biz de Galaksiya olarak, bunlardan biri olan RAG'a (Retrieval Augmented Generation) ve devamında mevcut modellerden daha yüksek muhakeme yeteneğinin elde edilmesi üzerine odaklandık. MindGraph Çevrimdışı Bilgi Grafiği (bilgi çizimi) temelli bir yapı geliştirdik ve değerlerin kaydedilmesini sağladık.

Bu tanımın başlangıcından önce, LLM'lerin hayatımıza girmesiyle iyice anlam kazanmış ve hala aktif olarak üzerine çalışılan çıkarılabilen biri olan RAG'ın (Retrieval Augmented Generation) ne olduğundan bahsetmemeliyiz. Daha önce de para biriktirebildiğimiz gibi LLM'lerin okuyabildikleri verileri kullanarak girilen istemlere cevap üretebiliyorlar. Örneğin bir LLM'e “Avrupa'nın yüzölçümü nedir?” gibi bir soru sorarsanız doğru cevap veriyorsunuz (istisnalar dışında). Peki ya Avrupa kıtasının yüzölçümü değişiyorsa? Hatta dinamik bir şekilde her gün değişmeye başlarsa? LLM'de bu bilgiler nasıl güncel tutulur? Başka bir örnek verelim. LLM'leri hayatımızın artık birçok alanda kullanabiliyoruz. Sorular soruyoruz ve cevap alabiliyoruz. Peki ama sürekli döngü ya da halka kapalı olan (özel) veriler hakkında ki sorularımıza nasıl cevap alabiliriz? Mesela bir şirketin yönetimi, finansalların ya da kuralları. Kısaca LLM'lerin özel ya da dinamik verileri hakkında doğru yanıtların üretilmesini nasıl sağlarsınız?

İşte bu bölümün şu şekilde verilebilecek ilk cevabı RAG. RAG'ın temel amacı sorulacak olan konuya uygun cevap içeren veriyi soruyla birlikte istem içerisinde vermek. Böylece ilgili veriyle model yeniden eğitilmiş LLM veri ile ilgili sorulara cevap verme hale geliyor(En az teoride). Ve evet bu yaklaşmanın bazı zayıf noktaları var. Önemli olan bağlam penceresi sınırı. Bağlam penceresi kabaca bir LLM'in tek seferde girildi ve çıktı olarak işleyebileceği toplam token (bknz: Tokenization ) sayısı. Bizim için önemli olan kısım ise özellikle girilen yani giriş bölgesidir. Eski derin öğrenme modellerini düşünün. Bir oranların boyutu her zaman sabitti. Örneğin bir CNN modelinde kullanılan bir resmin boyutu her zaman sabit olmak zorundaydı. Bu bugün de geçerli ve modelden modele göre değişiyor. Şu anki GPT modelleri için bu boyut maksimum 128,000 token'a kadardır. 75 adet kabaca 100 token faaliyet gösteren bu da kabaca 250 sayfalık bir kitap yapar. Yani bizim özel ya da dinamik verimizi bundan daha büyük ise modele tek seferde veremeyiz. [15]

Diğer bir sorun ise tüm veriyi modele verebildiğimiz dahi her zaman doğru cevabı alamayabiliriz. Özellikle verilerdeki değişimler yani saf metinlerden oluşuyor ve sorduğumuz soru yüksek muhakeme yeteneği gerektiriyorsa. Bu durumu daha iyi bir dönüşüm için bir metafor olarak kullanalım. Farz edelim ki bir insan uzmana 250 sayfalık bir kitap veren kitapta geçen isimleri alfabetik düzeni söylemesini isteyelim. Uzmanın tamamlanması gereken adımlar kabaca şu şekilde gerçekleşecektir:

1. Kitapta geçen tüm isimleri atlamadan tek tek bir yere not al.
2. Daha sonra not edilen tüm adlar alfabetik olarak sıralanır.

Görüldüğü üzere bu sorunun çözümü tek bir adımdan oluşmuyor en azından makul bir çözüm için en az iki adıma göre bu adımlar oluşturmak için belli bir düzeyde muhakeme yeteneğine ihtiyaç var. 

Peki bu problemlerin gelişimi nasıl olur?

Birinci problemin çözümünin tek yolu veriyi bir şekilde bağlam penceresi içine sığdırmaktan geçiyor. Yani veriyi bir şekilde kesintiye uğratmamız ya da saklamamız lazım ve bunu yaparken mümkünse sorun kaydını içeren kısma zarar vermemiz gerekiyor. Bu yerde sıklıkla tercih edilen yollardan biri vektörleri kullanmak [15]:

1. Öncelikle metin yığını (küçük metin parçaları) bölünür.
2. Daha sonra parçalar parçalar halinde değiştirilmiş bir gömme modeli kullanılarak vektörlere dönüştürülür.
3. Daha sonra bu vektörler bir veri tabanında saklanır.
4. Kullanıcının sorduğu zaman ilgili soruda dönüştürülür.
5. Sorunun vektörüne en yakın (genelde kosinüs benzerliği kullanılan) olan k sayıda vektör getirilip soru ile birlikte LLM'e verilir.

Böylece içeriğin soruyla en ilgili parçaları filtrelenmiş ve bağlam penceresi'a sığmış olur. Vektör çözümü genel basit ve bu alanda sıklıkla kullanılan bir çözüm.

İkinci sorun ise daha zor. Çünkü sorunlarının alt kısımlarını parçalama ve alt çözüm adımlarını oluşturmayı gerektirir. Farkettiyseniz bu problem aslında daha önce de devam ediyoruz ve alan yönüne doğru yöneldiği yüksek muhakeme problemi ile aynı problem. Kabaca LLM'lerden nasıl daha yüksek muhakeme yeteneği elde edilebilir? 

Doğal olarak bu alan üzerine çalışan neredeyse herkes bu problemin üzerine eğilmiş durumda. Bunlara düşünme modelleri ya da özel skorlama ajanları içeren çok ajanlı formatlar verebiliriz. Biz ise hem birinci hem de ikinci problemi çözebilmek için MindGraph poliçelerinin farklı seçenekleri kullanıldı.

MindGraph'ın tescilli bilgi çizimi, yapısal olarak veriyi düğüm ve kenar yani düğüm ve kenarlar olarak tutulmasıta. İki düğüm arasında bir kenar olması demek iki düğümün bir şekilde kullanıldığı anlamına geliyor. Bu açıdan beyne ve oluşumların yapısını benzetebiliriz [17].

Peki biz MindGraph ile bu problemlere nasıl yaklaşıyoruz? Öncelikle birinci sorundan başlayın. Birinci problemde temel amacımız büyük miktarda veri için ham metin verisinin soru ile ilgili olan kısımlarını alıp geri kalanlarını saklamaktı. Burada ne kadar iyi bir depolama yapmak o kadar iyi bir cevap alabildiğimizden ve bu problem için genel olarak vektör tabanlı çözümlerden daha önce bahsetmiştik. Lakin vektör tabanlı yaklaşımlarında kendine özgü bazı alt sorunlar mevcut.

İçerik dağıtımı için sıklıkla tercih edilen sistematik çözümlerde karşılaşılan ilk sorun bir parçanın, sunulan soruyla ne kadar ilgili olup olmadığı ölçülebilir bir metriğimizin olmaması. Bu nedenle sağlamak için sabit bir sayı sistemi ve sıralanan öbekler arasında sadece bu sabit sayı kadar öbek seçmek durumunda kalıyoruz (Buna üst k seçim deniyor). Kullanılan sabit sayı bu çözümde bir hiperleşmiş parametre meydana geliyor ve verinin türüne, içeriğine ve görünüme göre değişiklik gösterebiliyor.

İkinci sorun metni ise parçalamanın parçalanmasının içinde kalır. Her bir vektörün ulaşabileceği öznitelikler sadece kesilen chunk'u temsil ediyor ve yine bu kesilen chunk'ların boyutu bir hiper olarak parametre belirleniyor örneğin 800 karakter. Ama ya öğrencinin başarısını cevaplamak için yapılması gereken minimum alan en az 2000 karakterden oluşuyorsa ne olacak? Hem sorduğumuz soruyu parçalanan parçalarla eşleştirmiyoruz hemde ilgili alanı neredeyse tamamen ortadan ikiye böldüğümüz için ciddi miktarda bilgi kaydediyoruz. Bir çözüm olarak daha yüksek bir sayıyı kullanıp yığınları büyütebiliriz. Ama bu da aynı miktarda öznitelikle daha çok bilgilendirmeyi ifade etmeyi zorunlu kılıyor. üstelik tam tersi bir etki yaparak çok küçük bir alan (mesela 200 karakter) bir bölünmeyi bulmamızı çok daha zor hale getiriyor.

İşte bu nedenle MindGraph yönteminin da vektörel yaklaşımın yerine KG temelli bir yaklaşımı tercih ettik. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Böylece yapılandırılmamış yani düzenleme ve ham metin verisini yapılandırılmış yani düzenli bir hale getiriyoruz. Daha sonra ise graph Engine dilinde SQL benzerleri sorgulanır ve veriyi filtreliyoruz [18].

Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Iron Man'in tüm yapımcılarını sırala gibi bir soru sormuş olsun. Bu soruyu cevaplamak için değiştirilmesi gereken çok basit bir Cypher kodu ile Iron Man düğümüne ait tüm komşuları getirmek ve soru ile birlikte LLM'e vermek.

Bu sayede sunulan soruyla ilgili gereken tüm bilgiler, parçalamadan, yapılandırılmış yani düzgün ve öz bir biçimde LLM'e erişebilirmiş. Filtrelemeyi ise sorunda geçen özneye göre çok rahat bir şekilde yapabildik.

İkinci olarak ifade ettiğimiz ve çözüm için muhakeme yeteneğinin çözüldüğü problem ise MindGraph ile getirilenimiz yaklaşımı bu şekilde ifade edilebilir [19].

Yukarıdaki bilgi çizimlerini incelediğimizde kişileri, arkadaşlarını ve çalıştıkları şirketleri içeren basit bir yapı görüyoruz. Farz edelim ki kullanıcı Jennifer'in tüm arkadaşlarını ve çalıştıkları firmaları sırala lütfen. şeklinde bir soru sormuş olsun. Şaayet bu soruyu çift benzerlik yöntemi ile cevaplamak isteyeceklerdi, onların katılımcılarının vektöre dönüştürülüp ardından tüm öbek vektörleri ile benzerliğine bakmamız gerekecekti. Ve böylece kalitesiz bir cevap verebilecektik. Ama neden?

Bunun ilk nedeni metninde Jennifer'in X ile arkadaşı olduğu bilgisinin içerdiği kısım ile X'in Y şirketi için katladığı bilgilerin içerdiği kısmın muhtemelen çok farklı bölümlerde geçiyor olması. Mesela farklı iki belgenin çok farklı sayfalarında. Bunun ikinci nedeni ise sorunun adım ikidan oluşması:

Jennifer'ın arkadaşlarını bul.

Bulunan işçilerin çalıştığı şirketler bul.

Yani tesadüfen eksiksiz ve öz miktarda parça ve bilgiyi filtreleyip LLM'e dağıtmak farz etsek bile LLM'e ham veriyi veren veriler arasında ilişki kurmasını yani muhakeme yeteneği göstermesini bekliyoruz. Hem de hiç yol göstermeden.

Şimdi ise MindGraph Kar durumunda ise tek değiştirilmesi gereken:

• Jennifer'Ben,
• ARKADAŞLAR_İLE bahseden
• ÇALIŞMALAR_İÇİN üzerinden çalıştıkları şirketler

gelen basit bir Cypher sorgusu yaz. Daha sonra dönen özelliklerin sorusu ile LLM'e verilmesi. Bu sayede LLM'i az ve öz miktarda bilgi ile beslenmiş ve gereksiz bilgilerden arındırılmış durumdasınız. Daha ayrıntılı bilgilerde geçen nesne, özne ve kavramlar yani kısaca varlık'leri düğüm ve kenar yapısı bağlantılarına bağlı olarak olası muhakeme yöntemleri LLM'e işaretlenmiş durumda.

Sonuç olarak, MindGraph yaklaşımının potansiyelini değerlendirdiğimiz testler ve ön çalışmaların oldukça heyecan verici sonuçları ortaya çıktı. 

MindGraph'ı klasik RAG yöntemleriyle karşılaştırdığımızda, özellikle maliyet toplama ve muhakeme yeteneğindeki düşüş artışı net bir şekilde görülüyor. Buna örnek olarak daha önce bir müşterimizde, RAG yerine doğrudan ince ayar dağıtımını tercih ettik ve tamamen kopyaladık özel, oldukça özelleşmiş bir model geliştirdik. Bu süreç kabaca 9000 tam anlamıyla mal oldu. MindGraph sonuçlarında ise çok daha düşük artışlarla, aynı hatta daha yüksek muhakeme yeteneğine sahip sonuçlar elde edebildiğimizi gördük.

MindGraph'ın avantajlarını iyi ifade etmek için somut örnekler üzerinden daha ilerleyelim. Diyelim ki bir gıda şirketinde üretimden sorumlu bir yöneticiniz. Üretim hattınızda kritik bir ekipman olan paketleme makinesinin durması ve hızlı karar vermeniz gerekiyor. "Paketleme makinesi durursa, gelecek ay sipariş teslimatlarımız, stoklarımız ve lojistik süreçleri nasıl?" gibi bir kadının geleneksel vektörü RAG yöntemleriyle doğru cevap almak oldukça zor olacaktır. Çünkü bu tarz soruların çok sayıda verinin analiz edilmesi ve karmaşık bileşenlerin değerlendirilmesini gerektirir. Oysa MindGraph sayesinde, üretim hattı, stok ve teslimat gibi farklı kaynaklar elde edilen veriler grafik tabanlı bir yapıya oturtarak tek seferde net bir cevap alabiliyoruz.

Bir başka örnekte ise daha fazla derlemek üzerine odaklanalım. Erdem, Galaksiya'nın büyük arkadaşıdır. Galaksiya ise Deepin'in, Deepin de Twinize'ın büyük ortağı konumundadır. Şimdi Erdem, bir hamle öncesinde şu soruların cevaplarını arıyor olabilir:

• "Deepin şirketteki his oranımız %20 azalırsa, Twinize üzerinde doğrudan ve dolaylı kontrollerimiz nasıl gerçekleşir?"
• "Galaksiya olarak Twinize'ın büyümesinden elde edilen toplam değer artışı, Deepin'deki olası bir küçülmenin yaratacağı zarar alarm verir mi?"

Bu tarz çok çözümleme ve ilişkiler, geleneksel yollarla ya da basit RAG çözümleriyle çözümlenir, çünkü bu senaryolar yüksek düzeyde psikolojik olarak muhakeme gerektirir. MindGraph ise bu tip karmaşık ilişkileri doğrudan ve verimli şekilde çözebilen, akıllı sorgulamalarla çalışır. Böylece herhangi bir uzman müdahalesine veya yeni bir eğitim hizmetlerine gerek kalmadan, bu soruların yanıtlarını net olarak alabiliyoruz.

MindGraph'ın diğer bir önemli avantajı ise güncelleme kolaylığıdır. İnce ayar modellerinin senaryosunun değişmesinde yeniden eğitim gerektirmesiyle, MindGraph'ın esnek yapısı sayesinde bilgi çizimini güncelleyerek sürekli ve gerçek zamanlı adaptasyon sağlanabiliyor. Bu sayede maliyetleri düşürüyor, hem de paketleri basitleştiriyoruz.

Galaksiya olarak, MindGraph yöntemini geliştirmeyi, bilgi çizimi tabanlı yaklaşımları yüksek muhakeme genişliği tüm alanlarda uygulama ve bu izinsiz yapay zeka modellerinin kabiliyetlerini daha da ileri taşımayı sürdürmekteyiz. Bir sonraki sürüm sizlerle daha ayrıntılı kıyaslama sonuçlarını paylaşıyor. O zamana kadar

Esen kalın…

Behçet ŞENTÜRK, Makine Öğrenimi Mühendisi

[ 1]: viso.ai. 2024. “AlexNet: Devrim Niteliğinde Bir Derin Öğrenme Mimarisi.” Son erişim tarihi 5 Mayıs. https://viso.ai/deep-learning/alexnet/.

[2]: CNBC. 2025. “Nvidia, dünyanın en değerli şirketi olmak için Apple'ı tekrar geride bıraktı.” Son erişim tarihi 5 Mayıs. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.

[3]: Sinir Ağları ve Derin Öğrenme. 2019. “Derin sinir ağlarının eğitimi neden zordur?.” Son erişim tarihi 5 Mayıs. http://neuralnetworksanddeeplearning.com/chap5.html.

[4]: Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser ve Illia Polosukhin. 2017. “İhtiyacınız olan tek şey dikkat.” arXiv (Cornell Üniversitesi), Ocak. https://doi.org/10.48550/arxiv.1706.03762.

[5]: kaggle. 2020. “Tweet Duygu Çıkarımı.” Son erişim 5 Mayıs. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.

[6]: Forbes. 2025. “ChatGPT 1 Milyar Kullanıcıya Ulaştı mı? OpenAI CEO'su 'Sadece Haftalarda İki Katına Çıktı' Diyor.” Son erişim tarihi 5 Mayıs. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.

[7]: Teknoloji Dergisi. 2024. “Gen AI Patlaması, Nvidia Değerinin Microsoft'u Geçmesini Sağlıyor.” Son erişim tarihi 5 Mayıs. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.

[8]: EPOCH AI. 2025. “Önemli AI Modelleri.” Son erişim 5 Mayıs. https://epoch.ai/data/notable-ai-models.

[9]: SEC. 2024. “NVIDIA CORPORATION.” Son erişim tarihi 5 Mayıs. https://www.sec.gov/Archives/edgar/data/1045810/000104581024000029/nvda-20240128.htm.

[10]: Reuters. 2025. “DeepSeek, Avrupa'nın teknoloji firmalarına küresel yapay zeka yarışında yetişme şansı veriyor” Son erişim tarihi 5 Mayıs. 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. “Teknoloji milyarderleri, DeepSeek'in tetiklediği borsa satışlarında yaklaşık 100 milyar dolar kaybetti.” Son erişim tarihi 5 Mayıs. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.

[12]: github. 2025. “FlashMLA.” Son erişim 5 Mayıs. https://github.com/deepseek-ai/FlashMLA.

[13]: ollama. 2025. “deepseek-r1.” Son erişim tarihi 5 Mayıs. https://ollama.com/library/deepseek-r1:671b.

[14]: EPOCH AI. 2025. “ABD modelleri şu anda ABD dışındaki modellerden daha iyi performans gösteriyor.” Son erişim tarihi 5 Mayıs. https://epoch.ai/data-insights/us-vs-non-us-performance.

[15]: openai. 2025. “Tokenlar nedir ve nasıl sayılırlar?” Son erişim tarihi 5 Mayıs. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.

[16]: E2E Cloud. 2025. “Elasticsearch Vector DB ile Gelişmiş RAG Tekniklerinin Uygulanması.” Son erişim tarihi 5 Mayıs. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.

[17]: Xiao, Mingqing, Yixin Zhu, Di He ve Zhouchen Lin. 2024. “Graf Akıl Yürütme için Sinaptik Gecikmeli Zamansal Sinyal Üreten Sinir Ağları.” arXiv (Cornell Üniversitesi), Mayıs. https://doi.org/10.48550/arxiv.2405.16851.

[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan ve Ji-Rong Wen. 2021. “Önceden Eğitilmiş Dil Modelleriyle Az Sayıda Örnekle Bilgi Grafiğinden Metne Üretim.” arXiv (Cornell Üniversitesi), Ocak. https://doi.org/10.48550/arxiv.2106.01623.

[19]: Analytics Yogi. 2022. “Nvidia, Apple'ı bir kez daha geçerek dünyanın en değerli şirketi oldu.” Son erişim tarihi 5 Mayıs. https://vitalflux.com/nosql-data-models-concepts-examples/.