Sơ đồ tư duy: Daha Akıllı, Daha Ucuz, Daha Güçlü

Bạn nên làm gì để có thể trả tiền cho bạn bằng cách sử dụng các công cụ có sẵn cho bạn. Bạn có thể sử dụng công cụ này để tìm ra lỗi mà bạn có thể sử dụng nếu bạn muốn làm điều đó.

Tôi đã tìm thấy nhiều thứ nhất trong số 13 năm của ImageNet đang được sử dụng để quảng cáo duy trì mô hình AlexNet của bạn. Basit bir resim sınıflandırma modeli bile olsa AlexNet'in 2012 yılında bize gösterdiği şey GPU (Graphics Treatment Unit) yani ekran kartlarının, derin öğrenme modellerinin eğitiminde kullanılabileceği oldu:

13 năm sau, bạn sẽ gặp phải một số vấn đề về cách làm việc của bạn trong trò chơi đua xe NVIDIA và công việc cũ của bạn. [2]Devamındaki süreçte ekran kartlarının kabiliyetleri và alan ilgi arttıkça daha büyük yani daha çok tham số và daha çok gizli katman içeren modeller hayatımıza girmeye başladı.

Böylece daha kaliteli görüntü, sinyal, video modelleri görmeye başladık. Büyük modelleri orijinalinde yer almayan goörevler için az miktarda veri ve işlem gücüyle eğitmeye dayalı tinh chỉnh, chuyển giao việc học tập giúp bạn có thể tiếp cận hayatımıza girdi. Bạn có thể làm điều đó bằng cách mua mô hình của bạn để có được một mô hình tuyệt vời. 

Vấn đề bạn đang gặp phải là do bạn có thể tự mình thực hiện Chú ý là tất cả những gì bạn cần başlıklı makale çözülmüş oldu. 8 năm bạn sẽ sử dụng Google để làm điều này bằng cách sử dụng Transformer như một cách tiếp cận phổ biến. Nghệ thuật “büyük” tự làm nếu bạn muốn làm người điều hành mô hình và 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 gösterremediği bir Reasoning (muhakeme) kabiliyetine sahip olduğu gösteren ChatGPTu bạn ơi.

Her ne kadar modelin görevinin sabit olduğu ve eğitim öncesinde belirlendiği klasik makine öğrenmesi ve derin öğrenme modellerinin aksine modelin görevinin doğal dil ile değiştirilebildiği few-shot / zero-shot modellerinin ilki olmasa da, Nền tảng ChatGPT và GPT-3 đã tinh chỉnh mô hình GPT, giúp cải tiến nhiệm vụ một cách dễ dàng. Bạn có muốn làm gì không? 

ChatGPT'den đã gặp phải vấn đề về vấn đề với người mẫu của cô ấy, người mẫu của cô ấy, người mẫu üzerinde çalışabiliyordu. Mesela 2020 yılında Kaggle üzerindeki tweet phân tích tình cảm yarışmasının temel amacı olan, tweet'lerdeki duyguyu ifade eden cümlecikleri ayıran modellerin tamamı, sadece bu sorunu çözmek üzerine eğitilmişlerdi. Người điều hành mô hình có thể làm được điều đó bằng cách làm tốt công việc của mình. Örneğin tweet'in hangi dilde yazıldığını modele soramazdınız. Tôi muốn bạn có thể làm việc tốt hơn và yên tâm hơn. Yani konuyla ilgili en az bir uzmana ihtiyaç vardı. ChatGPT ile bu durum ortadan kalktı. Artık bir doğal dil görevini yapmak için bir model eğitmeye ihtiyacınız yoktu. ChatGPT mô hình hóa công việc của bạn (kabaca nhắc ile) yêniden değiştirebiliyordunuz. Tôi tweet'in dilini sınıflandırın, tôi duygu durumunu. Artık bir uzmana ihtiyaç yoktu. [5]

Evet artık bir uzmana ihtiyacımız yok. Bilgisayar bilimci olmak zorunda değilsiniz. Kodlama bilmeye de gerek yok. Tinh chỉnh? Chuyển tiếp học tập? Eğitim? Nghệ thuật hiçbirine gerek yok. Yazıp konuşabiliyorsanız bu yeterli. Tôi nghĩ OpenAI đã kiếm được 1 triệu đô la trong thời gian ngắn nhất là 8'de 1'ine. Bạn có thể sử dụng LLM để làm nghệ thuật cho mình. [6]

LLM'lerin “zeka”sı artık kelime tamamlama becerisinden çok çok-adımlı akıl yürütme kabiliyetiyle değerlendiriliyor. Araştırmalar, Zincir-düşünce sistemlerinin küçük göstergelerle bile karmaşık problemi çözme oranını dramatik biçimde artırdığını ortaya koyuyor. Bu yüzden OpenAI, Eylül 2024'te tanıttığı o1 serisini “daha ​​uzun düşünüp sonra cevap veren” ilk modeller olarak konumlandırdı. Thông số Devasa sayıları, exaFLOPS ölçekli eğitim kümeleri ve milyarlarca token, 2020-2024 sẽ được áp dụng theo phương châm cũ. Talebin tetiklediği bu dönem, Nvidia'nın piyasa değerini dokuz ayda 1 trilyon $'dan 3 trilyon $'a taşıdı; öyle ki nhà phân tích şirketi “AI çağının gas devi” diye tanımlamaya başladı. [7] Durumu daha iyi kavrayabilmek için şu grafikleri inceleyelim:

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 arttığnı görebiliyoruz. Kısaca her yıl 5 kat daha fazla işlem gücüne ihtiyaç duyuyoruz. [8]

SEC(Ủy ban Chứng khoán và Giao dịch)'den aldığımız bu grafikte ise, 2019–2024 do NVIDIA hissesinin birikimli toplam getirisinin hem S&P 500 hem de Nasdaq 100 endekslerini ezici biçimde geride bıraktığı görünüyor. Yani, con trai của bạn là NVIDIA'ya yatırım yapanlar, geniş piyasa endekslerine yatırım yapanlara kıyasla katbekat daha yüksek bir getiri elde etmiş durumda. [9] 

Bạn có thể vẽ một bức tranh, bạn có thể trả tiền cho một người có thẩm quyền, bạn có thể làm điều đó, nhưng bạn có thể làm điều đó bằng cách sử dụng công nghệ và một số câu chuyện về nghệ sĩ katlanarak. Người điều hành mô hình yandan của tôi là người làm việc trong lĩnh vực quản lý công việc của họ, nhưng người làm công việc xây dựng mô hình của NVIDIA đã tạo ra một công cụ tạo ra benzer cho nghệ sĩ của bạn.

Fakat bu xu hướng bozan bazı özel gelişmelerden de bahsetmemiz gerek. Năm 2025, bạn sẽ tham gia vào DeepSeek, bạn có thể sử dụng Reasoner-R1 để kiếm được 0,55 $/M token gibi oldukça rekabetçi fiyatlandırma modelleriyle piyasaya girerek, sektördeki dengeleri değiştirme potansiyeli taşıdığını gösterdi. Thông thường, mô hình OpenAI GPT-4o có sản lượng 1 triệu đô la (có nghĩa là) mã thông báo có giá trị 10 đô la, DeepSeek R1 có giá trị là 2,19 đô la mỗi năm; gce indirimiyle bu rakam 0,55 $'a kadar duşürdü. Bạn có thể sử dụng Avrupa'daki để tìm kiếm dữ liệu OpenAI'den DeepSeek'e göç etmesine neden oldu çünkü DeepSeek và maliyetleri 40 kata kadar düşürmeyi başardılar. [10]

DeepSeek đang tìm kiếm một số thông tin có thể được cung cấp cho bạn về đồ họa thông tin.

Bạn có thể làm điều này bằng cách sử dụng công nghệ của mình để đảm bảo rằng bạn có thể kiếm được nhiều tiền hơn. DeepSeek'in yayınladığı rapor, 671 milyar parametye sahip R1 modellerinin nasıl üst düzey muhakeme yeteneği sağladığını detaylı biçimde ortaya koyuyordu. R1'in, do đó, bạn có thể sử dụng mô hình của OpenAI GPT-4o để cải thiện khả năng sử dụng âm thanh của mình, vì nó có thể giúp bạn giải quyết vấn đề của mình. 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 duş yaşamasına neden oldu. [11]

Detaylara inip ve DeepSeek'in paylaştığı makaleyi göz gezdirdiğimiz zaman DeepSeek'in maliyetleri kısmak için ciddi anlamda optimizasyon yaptığını görebiliyoruz. Công ty này đang sử dụng 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 và R1'in bu kartlarda eğitildiğine dikkat çekelim. Ya da MoE (Sự kết hợp của các chuyên gia) olarak adlandırılan ve modelin sahip olduğu toplam 671 milyar tham số içinden her işlemde yalnızca küçük bir bölümü (37 milyar paramet gibi) aktif olarak kullanılarak hesaplama maliyeti önemli ölçüde azaltan yöntemler örnek verilebilir. [12]

Son olarak DeepSeek-R1 'đang hoạt động rất hiệu quả và mô hình kinh tế đã được thực hiện bằng cách sử dụng phương pháp chưng cất (chưng cất) yöntemi de değinmeden geçmeyelim. Eğitim ve analıştırma maliyetlerinde kayda değer optimizasyonlar yapılmış olsa da R1 hala 671 milyar paramet içeriyor yani sadece çalıştırmak için bile >400GB VRAM (4 bit quantization'a rağmen) lazım (RTX 4090) không cần thiết phải có 24GB VRAM VRAM). Bạn có thể sử dụng công cụ này để tìm hiểu sâu về DeepSeek với người điều hành mô hình có thể sử dụng công cụ này, giúp bạn có được khả năng quản lý và sử dụng mô hình R1 modelinin ürettiği yine yüksek kaliteli yaklaşık 800 bin örneklik sanal veri kümesini kullanarak daha người điều hành mô hình không thể thiếu được. Bu şekilde 70, 32, 14, 8, 7 và 1,5 milyarlık distile edilmiş R1 modellerini paylaşarak DeepSeek herkese imkanı yettiği ölçüde kaliteli bir R1 think modeli sağlamış oldu. [13]

DeepSeek'in detaylarından sonra geldiğimiz noktayı kabaca özetlersek 3 yıl önce ChatGPT ile birlikte doğal dil ile modele ya da artık daha genl bir isim ile yapay zekaya goörev atayabilir hale geldik. Başlangıçta bunlar basit görevlerdi. Daha önce verdiğimiz örnekler gibi mesela bir metnin dilini sınıflandırmak ya da farklı bir ile ile Yeniden yazdırmak. Devamında ise beklentileri karşılamak adına birçok yêni teknik ortaya çıktı và yapay zekanın tek seferde tek bir nhắc nhở về việc bạn có thể tiếp cận các nghệ thuật của mình. Bunu şu grafikte çok net gorebiliriz [14]:

2023 yaz aylarında tiêu chuẩn thử nghiệm bạn đời %30 başarılı olan modeller artık %90 seviyesinde başarılılar. Daha iyi lý luận yani muhakeme yeteneğine sahipler. Daha nghiệp chướng có vấn đề.

Bạn có thể làm gì trong thời gian này? Elbette değil. Tôi không thể làm gì khác ngoài việc giúp tôi giải quyết vấn đề về vấn đề này. Öyle ki bir insanla aynı seviyede. Bạn có thể làm điều đó bằng cách không thể làm gì được nữa (genel) và uzmanlıkta bir yapay zeka mevcut değil. Bạn và một uzmanlar bu seviyeyi AGI (Trí tuệ tổng hợp nhân tạo) yani yapay genl zeka olarak isimlendiyorlar. Bu seviyede ki bir yapay zeka, kabaca bir insanla aynı seviyede muhakeme yeteneğine sahip olacak ve üretildiği an muhtemelen yapay zeka tarihinde ki Yeni kırılma noktası olacak.

Burada muhakeme yeteneğini kabaca bir başarı ölçütü olarak gorebiliriz. Bạn không cần phải làm gì với người gặp vấn đề về nghiệp chướng, bạn phải làm điều đó. Biz de Galaksiya olarak, bunlardan beri olan RAG'a (Retrieval Augmented Generation) và devamında mevcut modellerden daha yüksek muhakeme yeteneğinin elde edilmesi üzerine odaklandık. MindGraph là một dạng Sơ đồ tri thức (bilgi çizgesi) đang được sử dụng để giúp bạn có thể phát triển các âm thanh khác.

Bạn có thể sử dụng LLM'lerin hayatımıza girmesiyle iyice anlam kazanmış và 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 nhắc'lara cevap üretebiliyorlar. Bạn đang làm gì với LLM'e “Avrupa'nın yüzölçümü nedir?” gibi bir soru sorarsanız doğru cevabı alırsınız (istisnalar dışında). Bạn có muốn làm điều đó không? Bạn có nên làm gì để giúp cô ấy có được cơ hội kinh doanh? LLM có phải là vấn đề cơ bản của bạn không? Başka bir örnek verelim. LLM'leri hayatımızın artık birçok alanında kullanabiliyoruz. Sorular soruyoruz và cevap alabiliyoruz. Bạn có muốn xác minh điều đó bằng cách sử dụng một công cụ xác thực (riêng tư) để kiểm tra sorularımıza nasıl cevap alacağız? Mesela bir şirket yönetmeliği, tài trợ cho yasalar. Kısaca LLM'lerin tư nhân có thể cung cấp dịch vụ xác minh tài khoản cá nhân cho bạn?

Đây là một trong những điều thú vị nhất mà tôi có thể làm với RAG. RAG'ın temel amacı sorulacak olan soruya uygun cevabı içeren veriyi soruyla birlikte nhắc nhở tôi về vermek. Böylece ilgili veriyle modeli yêniden eğitmeden LLM veri ile ilgili sorulara cevap verebilir hale geliyor(En azından teoride). Tôi đã từng làm điều đó với bạn. Bunlardan và önemlisi giới hạn cửa sổ ngữ cảnh. Cửa sổ ngữ cảnh có thể được cung cấp bởi LLM'in tekerde girdi ve çıktı olarak işleyebileceği toplam token (bknz: Tokenization ) sayısı. Bizim için önemli olan kısım ise özellikle girdi yani input sınırı. Tôi đã tìm thấy người lập mô hình cho mình. Bạn có thể yêu cầu cô ấy làm điều đó. Cô ấy là người mẫu của CNN, người mẫu nổi tiếng của cô ấy, nhưng lại là người mẫu của cô ấy. Bạn có lỗi về kỹ thuật và mô hình hóa công việc. Bạn có một nhà điều hành mô hình GPT với số tiền tối đa là 128,000 token. 75 kelimenin kabaca 100 token yaptığını düşünürsek bu da kabaca 250 sayfalık bir kitap yapar. Yani bizim riêng tư ya da dinamik verimiz bundan daha büyük ise modele tek seferde veremyiz. [15]

Đây là vấn đề mà bạn đang gặp phải vì mô hình thực sự khó khăn của cô ấy mà bạn đang làm. Đây là một công cụ xác thực giúp bạn an toàn hơn trong việc cung cấp thông tin và sorduğumuz soru bạn có thể làm được điều đó. Bạn có thể gặp khó khăn khi làm việc chăm chỉ để có được siêu phẩm cho kullanalım. Farz edelim ki bir insan uzmana 250 sayfalık bir kitap verip kitapta geçen isimleri alfabetik sırayla söylemesini isteyelim. Bạn có thể sử dụng nó để quảng cáo cho bạn:

1. Bạn có thể tham khảo ý kiến ​​​​của tôi về cách bạn có thể làm điều đó không phải là tất cả.
2. Daha sonra not alınan tüm isimleri alfabetik olarak sırala.

Bạn có thể làm điều đó bằng cách sử dụng công cụ của bạn và bạn có thể làm điều đó bằng cách bạn có thể làm điều đó bằng cách quảng cáo bạn có thể làm điều đó với bạn bằng cách bạn có thể làm điều đó với bạn. 

Bạn có gặp vấn đề gì không?

Một số vấn đề có thể xảy ra khi bạn kiểm tra cửa sổ ngữ cảnh của mình bằng cách sử dụng cửa sổ ngữ cảnh. Yani veriyi bir şekilde kısaltmamız ya da filtrelememiz lazım và bunu yaparken mümkünse sorunun cevabını içeren kısma zarar vermememiz lazım. Bu noktada sıklıkla tercih edilen yollardan biri vektörleri kullanmak [15]:

1. Öncelike metin chunk (küçük metin parçaları) bölünür.
2. Ardından parçalar önceden eğitilmiş bir embedding modeli yardımıyla vektorlere dönüştürülür.
3. Bạn có thể làm điều đó bằng cách xác thực sự thật.
4. Kullanıcı soru soruğu zaman ilgili soruda vektöre dönüştürülür.
5. Sorunun vektorüne en yakın (genelde kosinüs benzerliği kullanılıyor) olan k sayıda vektör getirilip soru ile birlikte LLM'e verilir.

Bạn có thể gặp cách giải quyết bằng cách sử dụng bộ lọc ngữ cảnh và cửa sổ ngữ cảnh một cách dễ dàng. Vektor çözümü genl basit ve bu alanda sıklıkla kullanılan bir çözüm.

Vấn đề ở đây là vấn đề daha zor. Çünkü sorulan soruyu alt sorunlara parçalamayı và alt çözüm adımları oluşturmayı gerektiriyor. Farkettiyseniz giải quyết vấn đề mà bạn đang gặp phải khi bạn tin tưởng vào vấn đề mà bạn đang gặp phải. Kabaca LLM'lerden nasıl daha yüksek muhakeme yeteneği elde edebiliriz? 

Doğal olarak bu alan üzerine çalışan Neredeyse herkes bu problem üzerine eğilmiş durumda. Bunlara là người xây dựng mô hình tư duy mà bạn có thể thực hiện một cách nhanh chóng và hiệu quả. Biz ise ise hem birinci hem de ikinci problemi çözebilmek in MindGraph is mini verdiğimiz farklı yaklaşım kullandık.

MindGraph'in temelini oluşturan bilgi çizgesi, yapısal olarak veriyi node and edge yani düğüm và kenarlar olarak tutmakta. Tôi đang tìm kiếm một cách tốt nhất để có được một công việc tuyệt vời mà bạn có thể làm được. Bu açıdan beyne ve nöronların yapısına benzetebiliriz [17].

Bạn có biết MindGraph có vấn đề gì không? Öncelikek birinci có vấn đề về başlayalım. Một số vấn đề liên quan đến vấn đề mà bạn đang gặp phải trong việc xác minh những vấn đề mà bạn đang gặp phải khi làm việc với bạn. Burada ne kadar iyi bir filtreleme yaparsak o kadar iyi bir cevap alabildiğimizden và bu problem için genl olarak vektör tabanlı çözümler kullanıldığından daha önce bahsetmiştik. Lakin vektor tabanlı yaklaşımlarında kendine có bazı alt sorunları mevcut.

Tôi có thể sử dụng bộ lọc này để thực hiện các công việc liên quan đến việc quản lý các công việc của mình bằng cách sử dụng các công cụ quản lý, 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 lựa chọn từ chối). Kullanılan sabit sayı bu çözümde bir hiper parameter olmuş oluyor ve ne olacağı verinin türüne, içeriğe ve konuya göre değişiklik gösterebiliyor.

Tôi đang làm điều này và tôi đã gặp một số vấn đề về kinh doanh. Cô ấy đã làm rất nhiều việc để có được một khoảng thời gian tuyệt vời và bạn có thể làm điều đó với một số thông số hiper hiper olarak belirleniyor mesela 800 karakter. Bạn có muốn làm điều đó không? Hem soruğumuz soruyu parçalanan chunklar ile eşleştiremiyoruz hemde ilgili alanı neredeyse tam ortadan ikiye böldüğümüz için ciddi miktarda informationasyon kaybediyoruz. Bạn có thể làm điều đó bằng cách nói rằng bạn có thể làm được điều đó. Ama bu da aynı miktarda öznitelike daha çok infomasyonu ifade etmeyi zorunlu kılıyor. Dahası tam ters bir etki yaparak cevabı çok küçük bir alan (mesela 2000 karakter) bir bölgeyi bulmamızı çok daha zor hale getiriyor.

Bạn có thể sử dụng phương pháp MindGraph để làm việc với các tabanlın KG của bạn. Bunun için önce veriyi bir bilgi çizgesine oturtuyoruz. Bạn có thể sử dụng yani düzensiz không có cấu trúc và ham metin verisini có cấu trúc yani düzenli mà bạn có thể nhận được. Daha sonra ise công cụ đồ thị dilinde SQL benzeri sorgular yazarak veriyi filtreliyoruz [18].

Örneğin yukarıda bulunan KG'a bakalım. Kullanıcı Iron Man ' sẽ được thực hiện bằng cách này hoặc cách khác. Bạn có thể tham khảo ý kiến ​​​​của mình về việc bạn có thể làm điều đó với Cypher kodu với Iron Man hay không, bạn có thể tìm thấy nó và tìm thấy nó trong LLM'e vermek.

Bu sayede sorulan soruyla ilgili greken tüm bilgileri, parçalamadan, có cấu trúc yani düzgün và öz bir biçimde LLM'e verebilmiş oluyoruz. Filtrelemeyi ise sorulan soruda geçen özneye göre çok rahat bir şekilde yapabildik.

Tôi có thể làm điều đó nếu bạn muốn tìm hiểu về vấn đề mà MindGraph đang gặp phải và có thể đạt được điều đó [19].

Yukarıdaki bilgi çizgesini incelediğimizde kişileri, arkadaşlarını và calıştıkları şirketleri çeren basit bir yapı görüyoruz. Farz edelim ki kullanıcı Jennifer'in tüm arkadaşlarını và calıştıkları companyaları sırala lütfen. şeklinde bir soru sormuş olsun. Bạn có thể làm điều đó bằng cách sử dụng benzerlik hoặc cevaplamak isteseydik, sorulan soruyu vektöre dönüştürüp ardından tüm chunk vektörleri ile benzerliğine bakmamız gerekecekti. Tôi đã nói rất nhiều về điều đó. Bạn có muốn không?

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. Tôi không thể làm được điều đó và tôi có thể làm điều đó với bạn:

Jennifer'in Arkadaşlarını bul.

Bulunan arkadaşların çalıştıkları şirketleri bul.

bạn đã có thể kiểm tra và cung cấp thông tin cho bạn về bộ lọc LLM'e verdiğimiz farz etsek bile LLM'e ham veriyi verip veriler arasında ilişki kurmasını yani muhakeme yeteneği göstermesi bekliyoruz. Tôi muốn hiçbir yol göstermeden.

Bạn đang làm gì với MindGraph và bạn có thể sử dụng MindGraph một cách dễ dàng:

• Jennifer'Tôi,
• LÀ BẠN_CÓ üzerinden arkadaşlarını
• CÔNG_CỨU_CHO üzerinden çalıştıkları şirketleri

getiren basit bir Truy vấn Cypher yazmak. Daha sonra dönen bilgiyi soru ile LLM'e vermek. Bu sayede LLM'i az ve öz miktarda bilgi ile beslemiş và gereksiz bilgiden arındırmış oluyoruz. Daha önemlisi ise bilgilerde geçen nesne, özne và kavramları yani kısaca Entity'leri node ve edge yapısında birbirlerine bağlı şekilde verdiğimiz için muhtemel muhakeme yollarını LLM'e işaret etmiş oluyoruz.

Công cụ này đã giúp MindGraph có khả năng kiểm tra người thử nghiệm và người thử nghiệm có thể kiểm tra âm thanh cũ của mình. 

MindGraph'ı klasik RAG bạn có thể sử dụng các kỹ năng của mình để làm cho nó trở nên thú vị và mang lại nhiều lợi ích cho nghệ thuật của bạn. Buna örnek olarak daha önce bir müşterimizde, RAG yerine doğrudan tinh chỉnh yöntemini tercih ettik và tamamen müşteriye özel, oldukça özelleşmiş bir model geliştirdik. Bạn chắc chắn sẽ kiếm được 9000 đô la. MindGraph đã giúp bạn có được một công việc tuyệt vời, bạn có thể làm điều đó bằng cách sử dụng các công cụ âm thanh tốt nhất có thể.

MindGraph'ın avantajlarını daha iyi ifade etmek için somut örnekler üzerinden illerleyelim. Bạn có thể làm điều đó bằng cách giúp bạn có được một công việc tốt hơn. Bạn có thể yêu cầu một người làm công việc này có thể giúp bạn thực hiện công việc của mình một cách dễ dàng và nhanh chóng. "Paketleme makinesi durursa, önümüzdeki ay nhâm nhi teslimatlarımız, stoklarımız ve lojistik nasıl etkilenir?" gibi bir soruya geleneksel vektör RAG yöntemleriyle doğru cevap almak oldukça zor olacaktır. Bạn có thể làm điều đó bằng cách xác minh rằng bạn đang phân tích các vấn đề và nghiệp chướng của bạn. Oysa MindGraph đã nói rằng, bạn đã làm được điều đó, bạn đã có thể làm điều đó một cách dễ dàng và nhanh chóng.

Bạn có thể có một chiến lược phù hợp với mục đích của mình. Erdem, Galaksiya'nın büyük ortağıdır. Galaksiya ise Deepin'in, Deepin de Twinize'ın büyük ortağı konumundadır. Şimdi Erdem, chiến lược gia của bạn có thể làm được điều đó:

• "Deepin şirketindeki hisse oranımız %20 azalırsa, Twinize üzerindeki doğrudan ve dolaylı kontrolümüz nasıl etkilenir?"
• "Galaksiya olarak Twinize'ın büyümesinden elde edeceğimiz toplam değer artışı, Deepin'deki olası bir küçülmenin yaratacağı zararı telafi eder mi?"

Bu tarz çok katmanlı và 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 and verimli şekilde çözebilen, akıllı sorgularla çalışır. Böylece herhangi bir uzman müdahalesine veya yêni bir eğitim sürecine gerek kalmadan, bu soruların yanıtlarını net olarak alabilmekteyiz.

MindGraph đang được thiết kế để tạo ra lợi thế cho bạn. Người điều chỉnh tinh chỉnh mô hình của cô ấy sẽ giúp cô ấy có thể làm việc tốt hơn, MindGraph'ın esnek yapısı sayesinde bilgi çizgesini güncelleyerek ürekli và 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 dahaı da ileri taşmayı sürdürmekteyiz. Bạn có thể sử dụng công cụ này để xác định điểm chuẩn của âm thanh hoặc thanh toán olacağız. O Zamana Kadar

Giữ an toàn…

Behçet ŞENTÜRK, Kỹ sư máy học

[ 1]: viso.ai. 2024. “AlexNet: Một kiến ​​trúc học sâu mang tính cách mạng.” Truy cập lần cuối ngày 5 tháng 5. https://viso.ai/deep-learning/alexnet/.

[2]: CNBC. 2025. “Nvidia lại vượt qua Apple để trở thành công ty có giá trị nhất thế giới.” Truy cập lần cuối ngày 5 tháng 5. https://www.cnbc.com/2025/01/21/nvidia-passes-apple-again-to-become-worlds-most-valuable-company-.html.

[3]: Mạng nơ-ron và học sâu. 2019. “Tại sao mạng nơ-ron sâu lại khó đào tạo?.” Truy cập lần cuối ngày 5 tháng 5. http://neuralnetworksanddeeplearning.com/chapXNUMX.html.

[4]: Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser và Illia Polosukhin. 2017. “Tất cả những gì bạn cần là sự chú ý.” arXiv (Đại học Cornell), tháng 10.48550. https://doi.org/1706.03762/arxiv.XNUMX.

[5]: kaggle. 2020. “Trích xuất cảm xúc trên Tweet.” Truy cập lần cuối vào ngày 5 tháng XNUMX. https://www.kaggle.com/competitions/tweet-sentiment-extraction/overview.

[6]: Forbes. 2025. “ChatGPT đạt 1 tỷ người dùng? 'Tăng gấp đôi chỉ trong vài tuần' - Giám đốc điều hành OpenAI cho biết.” Truy cập lần cuối ngày 5 tháng 5. https://www.forbes.com/sites/martineparis/2025/04/12/chatgpt-hits-1-billion-users-openai-ceo-says-doubled-in-weeks/.

[7]: Tạp chí Công nghệ. 2024. “Sự bùng nổ của thế hệ AI thúc đẩy giá trị của Nvidia vượt qua Microsoft.” Truy cập lần cuối ngày 5 tháng 5. https://technologymagazine.com/digital-transformation/gen-ai-boom-causes-nvidia-value-to-overtake-microsoft.

[8]: EPOCH AI. 2025. “Notable AI Models.” Truy cập lần cuối ngày 5 tháng XNUMX. https://epoch.ai/data/notable-ai-models.

[9]: SEC. 2024. “NVIDIA CORPORATION.” Truy cập lần cuối ngày 5 tháng 1045810. https://www.sec.gov/Archives/edgar/data/000104581024000029/20240128/nvda-XNUMX.htm.

[10]: Reuters. 2025. “DeepSeek mang đến cho các công ty công nghệ châu Âu cơ hội bắt kịp cuộc đua AI toàn cầu” Truy cập lần cuối ngày 5 tháng 2025. 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. “Các tỷ phú công nghệ mất gần 100 tỷ đô la trong đợt bán tháo trên thị trường chứng khoán do DeepSeek gây ra.” Truy cập lần cuối ngày 5 tháng 5. https://www.theguardian.com/technology/2025/jan/28/deepseek-selloff.

[12]: github. 2025. “FlashMLA.” Truy cập lần cuối vào ngày 5 tháng XNUMX. https://github.com/deepseek-ai/FlashMLA.

[13]: ollama. 2025. “deepseek-r1.” Truy cập lần cuối ngày 5 tháng 5. https://ollama.com/library/deepseek-r1:671b.

[14]: EPOCH AI. 2025. “Các mô hình của Hoa Kỳ hiện đang hoạt động tốt hơn các mô hình không phải của Hoa Kỳ.” Truy cập lần cuối vào ngày 5 tháng XNUMX. https://epoch.ai/data-insights/us-vs-non-us-performance.

[15]: openai. 2025. “Token là gì và cách đếm chúng như thế nào?” Truy cập lần cuối ngày 5 tháng 5. https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them.

[16]: E2E Cloud. 2025. “Thực hiện các kỹ thuật RAG nâng cao với Elasticsearch Vector DB.” Truy cập lần cuối ngày 5 tháng 5. https://www.e2enetworks.com/blog/implementing-advanced-rag-techniques-with-elasticsearch-vector-db.

[17]: Xiao, Mingqing, Yixin Zhu, Di He và Zhouchen Lin. 2024. “Mạng thần kinh xung nhịp thời gian với độ trễ khớp thần kinh cho suy luận đồ thị.” arXiv (Đại học Cornell), tháng 5. https://doi.org/10.48550/arxiv.2405.16851.

[18]: Li, Junyi, Tianyi Tang, Wayne Xin Zhao, Zhicheng Wei, Nicholas Jing Yuan và Ji-Rong Wen. 2021. “Tạo đồ thị tri thức ít mẫu thành văn bản với các mô hình ngôn ngữ được đào tạo trước.” arXiv (Đại học Cornell), tháng 1. https://doi.org/10.48550/arxiv.2106.01623.

[19]: Analytics Yogi. 2022. “Nvidia lại vượt qua Apple để trở thành công ty có giá trị nhất thế giới.” Truy cập lần cuối vào ngày 5 tháng XNUMX. https://vitalflux.com/nosql-data-models-concepts-examples/.