Sözlük

Yapay Zeka (AI)

AI, genellikle insan zekası gerektiren görevleri gerçekleştirebilen bilgisayar sistemlerini ifade eder. Büyük miktarda veri üzerinde eğitilirler, kalıpları öğrenir ve bu bilgilere dayalı kararlar alırlar.

Bağlam penceresi

Bağlam penceresi, bir kerede işlenebilecek maksimum metin miktarıdır. Modelin metni okumak ve üretmek için kullandığı kelime parçaları olan token'larla ölçülür. Modele bağlı olarak bağlam pencereleri 128k ile 1 milyondan fazla token arasında değişir — bu kabaca 100 ile 750+ sayfa metindir. Bağlam penceresi boyutlarının listesini burada bulabilirsiniz.

Bağlam penceresi prompt'unuz, ekli belgeler ve bir sohbetteki önceki mesajlarla dolar (bu hakkında daha fazla bilgi burada). Bağlam penceresi dolduğunda sohbetten veya belgelerden bazı bilgiler kesilir; bu da yanıt kalitesini ve hızı düşürür.

En iyi performans için bağlam penceresini düzenli temizlemek üzere lütfen yeni bir sohbet açın

Veri analizi

Veri analizi, sohbette CSV, Excel ve Google Sheets gibi tablo dosyalarıyla çalışma sürecidir. ajan satırları ve sütunları inceleyebilir, metrikler hesaplayabilir, grafikler oluşturabilir ve dosyalar üretebilir. Bunu daha ayrıntılı olarak burada anlatıyoruz.

Embedding

Modellerin belgelerle çalışma biçiminin iki yolu vardır. Biri tüm metni prompt ile birlikte bağlam penceresinde AI modeline göndermektir. Diğeri bağlam penceresine yalnızca ilgili bölümleri göndermektir. İkinci seçenek çok uzun belgeler veya büyük sayıda dosya için kullanılır; örneğin Bilgi tabanlarınde.

İlgili bölümleri bulmak için yüklenen belgeler birçok daha küçük bölüme dilimlenir. Bu bölümler, bölümün konusunu tanımlayan uzun bir sayı olan bir vektör alır. Bu bölüme ardından embedding denir. Hangi bölümlerin ilgili olduğu seçim süreci bir embedding aramasıdır (sonraki bölüme bakın).

Daha sonra embedding'ler veya embedding'lerin arkasındaki bölümler bağlam penceresine konur.

Embedding araması

Bir embedding araması, belirli bir prompt için ilgili farklı embedding'leri tanımlar. Belirli bir konu hakkında sorduğunuzda embedding araması ekli belgelerdeki hangi bölümlerin bu konuyla bağlantılı olduğunu kontrol eder, bunları prompt'a ekler ve modele gönderir. İlgililik, belirli bir konuyu betimlemenin matematiksel bir yolu olan vektörlerle kontrol edilir (aşağıdaki vektörler bölümüne bakın).

Halüsinasyon

Large Language Model'ler veri üzerinde eğitilir. Bir yanıt üretmek için en olası sonraki token'ı (veya kelime parçasını) tahmin etmek üzere bu veriyi kullanırlar. Bazı durumlarda, örneğin modelin prompt'ta veya ekli belgelerde doğru bağlamı olmadığında, prompt'u yanıtlamak için eğitim verisine fazla dayanabilir. Ardından eğitim bilgisiyle bir yanıt üretir; oysa bu şu anda bulunduğunuz durumda yanlış olabilir. Halüsinasyon, model tarafından uydurulmuş bilgidir.

Ne yazık ki bu davranış (hâlâ) AI modellerinin çalışma biçiminin bir parçasıdır. Bazı modeller diğerlerinden daha az halüsinasyon üretir; ancak genel olarak çıktıyı her zaman doğruluk açısından kontrol etmelisiniz.

Large Language Model (LLM)

Large Language Model'ler insan dilini anlamak ve üretmek için tasarlanmış AI modelleridir. Büyük miktarda metin ve bilgi üzerinde eğitilirler; bu da bağlamı anlamalarına ve buna dayalı yanıt vermelerine olanak tanır. AI modellerinin temellerini anlatan bir makale burada.

Makine öğrenmesi (ML)

Makine öğrenmesi, AI'nin bir görevi daha iyi nasıl gerçekleştireceğini öğrenmesi nedeniyle görev performansının zamanla iyileştiği bir AI alt kümesidir.

Prompt

Prompt, kullanıcı olarak AI modeline gönderdiğiniz mesajdır. Modeli belirli bir görev gerçekleştirmeye, bir soruyu yanıtlamaya veya herhangi bir şekilde yanıt vermeye yönlendirmelidir. Prompt vermenin en iyi yolu yalnızca tekil kelimelerle (Google araması gibi) değil, eksiksiz, doğal cümlelerle yapmaktır. Prompting hakkında daha fazla bilgiyi prompt engineering rehberimizde öğrenebilirsiniz.

Retrieval-Augmented Generation (RAG)

Model yeteneklerini eğitim bilgisinin ötesine taşımak için AI araçları RAG kullanır. RAG modele bilgi eklemeye yardımcı olur. Bu, bağlam penceresinde tam metinle bir belge ekleyerek bilgi eklemek olabilir. Sıklıkla "RAG" ile kastedilen diğer biçim, bir vektör veritabanını aramak ve ilgili vektörleri prompt'a eklemek için embedding aramasını (yukarıya bakın) kullanmaktır.

Token

Token'lar metin üretimi için kullanılan kelime parçalarıdır. Modeller yanıtı token token üretir; böylece bir sonraki parçayı yazmak için ilk kelime parçasıyla başlarlar, ardından sonraki parça vb. Bir yanıt ne kadar uzunsa yanıtı üretmek için o kadar çok token kullanılır. Model tarafından işlenebilecek maksimum token miktarı (yukarıdaki bağlam penceresine bakın) ve bir modelin üretebileceği maksimum token limiti vardır.

Tool calling / function calling

Large Language Model'ler bir işlem gerçekleştirmek için farklı araçlar kullanabilir. Bu araçlar modelin parçası değildir; bir mühendis tarafından oluşturulan ve modelin iletişim kurabileceği bir özelliktir. Bazı araçlar web arama aracı veya veri analizi aracıdır.

Vektör

Bir vektör, çok boyutlu bir uzayda matematiksel bir nesnedir. Bir sayı dizisidir ve belirli bir embedding'e veya metin bölümüne atanır. Sayılar bölümün konusunu birden fazla kategoride tanımlar. Vektörler ardından birbirlerinden belirli bir uzaklığa sahip olabilir. Örneğin pizza hakkındaki bir bölümün vektörü, bilgisayarlar hakkındaki bir bölümün vektörü kadar yapay zeka hakkındaki bir bölümün vektörüne yakın değildir.

Vektör veritabanı

Bir vektör veritabanı, yüklenen dosyaları vektör olarak saklar; böylece embedding araması bir sorgu için ilgili bölümleri bulabilir. Bilgi tabanları ve senkronize entegrasyon klasörlerindeki metin belgeleri arka planda vektör araması kullanır. Senkronize e-tablolar bunun yerine tam dosya okuma kullanır. Ayrıca kendi vektör veritabanınızı bir Ajana bağlayabilirsiniz.

Vision

Vision, AI modellerinin görselleri işleme ve analiz etme yeteneğidir. Tüm modeller buna yetenekli değildir. Görselleri işleyebilen modeller, modeli seçtiğinizde uygulamada bunu gösterir. Ayrıca burada listelenirler.