<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Gürdal Yaman on Medium]]></title>
        <description><![CDATA[Stories by Gürdal Yaman on Medium]]></description>
        <link>https://medium.com/@gurdalyaman?source=rss-5712d6e9a895------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*h93BRoYDaGoEQyf2Y0W3mQ.jpeg</url>
            <title>Stories by Gürdal Yaman on Medium</title>
            <link>https://medium.com/@gurdalyaman?source=rss-5712d6e9a895------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 16:43:19 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@gurdalyaman/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Dil Modellerinde Çığır Açan Adımlar: Meta’nın Llama 2' si]]></title>
            <link>https://medium.com/academy-team/dil-modellerinde-%C3%A7%C4%B1%C4%9F%C4%B1r-a%C3%A7an-ad%C4%B1mlar-metan%C4%B1n-llama-2-si-4d9b0b0af005?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/4d9b0b0af005</guid>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[meta]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[llama-2]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Wed, 13 Sep 2023 21:33:24 GMT</pubDate>
            <atom:updated>2023-09-13T21:33:24.462Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/896/1*Ou5q4bnbOqaGR_3-eKZIGQ.png" /></figure><p>Gelişmiş yapay zeka teknolojilerinin, günümüzde merak uyandıran ve heyecan verici bir konu haline gelmesi hızla devam ediyor. Bu anlamda Meta’nın LlaMa2 ismi verilen açık kaynaklı Büyük Dil Modelini (LLM) piyasaya sürmesi, AI meraklıları arasında büyük bir heyecana sebep oldu. Her ne kadar Meta, kökeni sosyal medya platformlarına dayanan bir şirket olsa da, LlaMa2&#39; nin piyasaya sürülmesiyle birlikte, Meta’nın LLM yarışlarında güçlü bir konuma sahip olduğunu açıkça ortaya çıktı. Anlayacağımız o ki; Llama2 gelecekte de oyunun kurallarını değiştirmeye aday olduğunu şimdiden gösterdi.</p><p>ChatGPT’ nin devrim niteliğinde ortaya çıkmasıyla başlayan LLM (Large Language Models) yarışları tüm hızıyla devam ediyor. Yarış demenin çok ta yanlış bir tabir olmadığını söyleyebilirim. Çünkü o zamandan bu zamana bir çok farklı dil modelleri geliştirildi. Hemen hemen her gün farklı bir dil modelinin ortaya çıkışını konuşuyoruz ve tartışıyoruz. Büyük Dil Modellerinin nereye evrileceği konusu ise herkesin merak ettiği bir soru. Ancak bu trene ayak uydurabilmek gerçekten büyük bir çaba ve zaman gerektiriyor.</p><p>Bu yazımda; yarışı hiç de geriden takip etme gibi bir niyeti olmayan Meta’nın Llama2&#39; si hakkında sizlere detaylı bilgiler sunmaya çalışacağım. Öncelikle modelin ne olduğunu ve nasıl eğitildiğinden bahsedip ardından modelin derinliklerini ve yeteneklerini sizlerle paylaşacağım. Peki bu yenilikçi yapay zeka teknolojisinin gelecekteki potansiyelini şimdiden benimle keşfetmeye hazır mısınız?</p><p>Gelin birlikte Llama2&#39; nin eğitim sürecini biraz irdeleyelim.</p><h3><strong>Llama2 Nasıl Eğitildi?</strong></h3><p>Llama2 diyalog oluşturma ve konuşma yanıtı tahmini alanında büyük umut vaat eden güçlü bir derin öğrenme modelidir. Esnekliği ve uyarlanabilirliği ile birlikte tutarlı ve akıcı metin üretme yeteneği, onu çok çeşitli uygulamalar için değerli bir araç haline getirmektedir. Hala aşılması gereken zorluklar ve sınırlamalar olsa da, Llama2 doğal dil işleme alanında heyecan verici bir gelişmeyi temsil etmektedir.</p><p>Llama2 bir öncekine göre daha büyük bir veri kümesi ile eğitilmiştir ve context length iki katına çıkarılmıştır. Bu sayede, karmaşık dil yapılarını daha iyi anlama ve üretme açısından çok iyi bir hale gelmiştir. Llama2,’ yi farklı versiyonlarda kullanmanız mümkündür ve parametre sayısı 7 milyardan 70 milyara kadar değişebilmektedir. Bu durum kullanıcıların ihtiyaçlarına en uygun modeli seçmelerine olanak tanımaktadır.</p><p>Llama2 iki ana bileşenden oluşur: kodlayıcı ve kod çözücü. Kodlayıcı bir dizi kelime alır ve girdinin sabit uzunlukta bir vektör temsilini çıkarır. Kod çözücü daha sonra bu vektör temsilini alır ve çıktı olarak bir dizi kelime üretir.</p><figure><img alt="Llama2" src="https://cdn-images-1.medium.com/max/1024/1*aoO4MM1zYzf0qkwexX7a0A.jpeg" /><figcaption><em>Llama 2: Açık Kaynaklı ve İnce Ayarlı Sohbet Modeli</em></figcaption></figure><p>Llama2 diyalog oluşturma ve konuşma yanıtı tahmini alanında umut vaat eden güçlü bir derin öğrenme modelidir. Esnekliği ve uyarlanabilirliği ile birlikte tutarlı ve akıcı metin üretme yeteneği, onu çok çeşitli uygulamalar için değerli bir araç haline getirmektedir. Hala aşılması gereken zorluklar ve sınırlamalar olsa da, Llama2 doğal dil işleme alanında heyecan verici bir gelişmeyi temsil etmektedir.</p><h3>Llama 2 nasıl kullanılır?</h3><p>Meta AI’nın Llama2&#39; sını kendiniz deneyimlemek istiyorsanız, demo sürümünü Huggingface’ te kolayca bulmanız mevcuttur. Sadece şu basit adımları izlemeniz yeterli olacaktır.</p><ul><li><a href="https://huggingface.co/blog/llama2">Bu bağlantıya</a> gidin.</li><li>Web sayfasına girdikten sonra, “Demo” etiketli bir bölümle karşılaşana kadar aşağı kaydırmaya devam edin.</li><li>Orada bir sohbet kutusu bulacaksınız. Devam edin ve içine bir mesaj yazın.</li><li>Mesajınızı göndermek için enter tuşuna basın.</li></ul><p>Llama 2&#39; nin cevap vermesi biraz uzun sürebilir; şu anda çok hızlı değil. Bunun nedeni, daha fazla insan denedikçe yükün giderek artmasıdır.</p><blockquote>Meta’nın Microsoft ile işbirliği sayesinde sadece Windows’a değil, aynı zamanda Qualcomm’un Snapdragon çip üstü sistemiyle donatılmış akıllı telefonlara ve PC’lere de kullanıma hazırlandığı öne sürülüyor.</blockquote><h3>Rakipleri Yönüyle Performans Değerlendirmesi</h3><p>Llama 2, açık kaynaklı dil modeli arenasında güçlü bir rakip olarak ortaya çıkıyor ve diğer modellere kıyasla çoğu kategoride üstün performans sergiliyor. Özellikle 70B parametreli modeli, diğer açık kaynaklı modellerden daha iyi sonuçlar elde edebiliyor. Ayrıca, 7B ve 34B modelleri Falcon’u tüm kategorilerde geride bırakırken, MPT’yi ise kodlama dışındaki alanlarda gölgede bırakıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1014/1*8aLATb0gYntoFEqATqiQGg.png" /></figure><p>Llama 2, daha küçük boyutuna rağmen, Chat GPT 3.5 gibi daha büyük bir modele karşı rekabet edebilen bir performansa sahiptir. Elbette, GPT 4 ve PalM-2-L gibi daha büyük modeller, karmaşık dil görevlerinde daha iyi sonuçlar alıyor ancak Llama2&#39; nin daha büyük modellerle rekabet edebilme yeteneği, pazarda ne kadar etkili olduğunu dair bir gösterge sunuyor.</p><p>Llama2, daha küçük bir boyuta sahip olmasına rağmen, Chat GPT 3.5 gibi daha büyük bir modele karşı rekabet edebilen etkileyici bir performansa sahiptir. Elbette, GPT 4 ve PalM-2-L gibi daha büyük modeller, karmaşık dil görevlerinde daha iyi sonuçlar elde ediyor. Ancak Llama2&#39; nin başarısı burada gözardı edilecek kadar küçük değil. Bununla birlikte, Llama 2&#39;nin daha büyük modellerle rekabet edebilme yeteneği, pazarda ne kadar etkili olduğunu ve potansiyelini ortaya çıkarmada hiç de mütevazi olmadığını ortaya koyuyor.</p><blockquote>Ancak, Llama 2, kodlama ve matematik problemleri gibi konularda, özellikle de daha büyük boyutlu modellerle kıyaslandığında, bazı zorluklarla karşılaşabilir. Chat GPT 4, kodlama (HumanEval benchmark) ve matematik problemi görevleri (GSM2k benchmark) için Llama 2&#39;den önemli ölçüde daha iyi sonuçlar göstermiştir. Bununla birlikte, açık kaynaklı AI teknolojileri, kapalı kaynaklı modellere karşı güçlü bir rekabet sunarak sürekli olarak ilerlemektedir.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/782/1*9Ytr7a5Opy2Rm9mz4BgTwA.png" /></figure><p>Şimdi işi biraz daha eğlenceli hale getirmeye ne dersiniz? ChatGPT4 ile Llama2 arasındaki performans farkını sanırım herkes merak ediyordur. Bende bunu çok merak ettim ve deneme fırsatı buldum. İstemleri yazıp elde ettiğim çıktıları gördüğümde açıkcası heyecan verici oldu.</p><p><strong>İstem:</strong> “<em>Bana chatbot’ ların önemi hakkında 100 kelimelik uzun bir paragraf yazar mısın ?”</em></p><ul><li><strong>GPT-4:</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mhHinVOvGtvLqIAPeO9QWw.png" /></figure><p>GPT-4&#39;ün cevabının, 93 kelimede daha kısa ve özlü olmasına rağmen, doğru bilgileri başarıyla sağladığı görüldü.</p><ul><li><strong>Llama 2 demosu:</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SetIwhvbXl0qc4rbreVUsQ.png" /></figure><p>Llama 2, 122 kelimeyle daha kapsamlı bir cevap vermeye çalıştı. Verilen istem göz önünde bulundurulduğunda övgüye değer derecede güzel bilgiler verdi. Şimdi biraz daha kapsamlı bir kıyas örneğine gidelim.</p><p>Akıl yürütme, kodlama, yeterlilik ve bilgi testleri de dahil olmak üzere Llama2&#39; nin diğerlerine göre ne kadar iyi performans gösterdiğini aşağıdaki tabloda görebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FpoE7tfDSNn8IQl9ccokxw.jpeg" /></figure><p>Meta araştırmacıları, kısa bir süre önce Llama 2 ve Llama 2-Chat’in farklı parametre boyutlarına sahip varyantlarını yayınladı. Bu varyantlar, çeşitli hesaplama gereksinimlerine ve uygulama senaryolarına uygun olarak geliştirildi. Buna göre Araştırmacılar ve geliştiriciler, kendi özel görevleri için en uygun modeli seçebilirler. Ayrıca, yeni başlayanlar da Llama 2 modellerine erişerek çeşitli üretken yapay zeka uygulamaları veya Google’ın Bard’ı ve OpenAI’nin ChatGPT’si gibi sohbet robotları gibi kendi makine öğrenimi ürünlerini oluşturabilirler.</p><h3>Llama2&#39; nin Benzersiz Özellikleri</h3><p><strong>İnsan Geri Bildirimlerinden Pekiştirmeli Öğrenme</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rHS_6dVMotp-CS8DzwmLoQ.jpeg" /></figure><p>Meta, güvenlik ve yardımseverliğe öncelik vermek amacıyla Llama-2 sohbeti için İnsan Geri Bildiriminden Takviyeli Öğrenmeyi (RLHF) kullanıyor. Yapay Zeka modellerinde kullanılan bu eğitim tekniği, insan değerlendiricilerle etkileşimler yoluyla model performansını daha çok arttırmayı amaçlıyor.</p><p>180 örneklemden oluşan bir çalışma, ek açıklama platformu seçiminin aşağı akış AI modeli performansını etkilediğini ortaya koydu. Model çıktıları, insan ek açıklamalarıyla rekabet edebilirdi, bu da RLHF için performansa dayalı ek açıklamalara öncelik vermenin verimliliği artırabileceğini düşündürüyordu.</p><p><strong>Ghost Attention</strong></p><p>Ghost Attention, modelin girdi dizisindeki belirli belirteçlere veya öğelere, anlamsal olarak ilgili veya anlamlı olmasalar bile aşırı dikkat gösterdiği bir olguyu ifade eder. Bu, birden fazla etkileşimden sonra bile, modelin ilk talimatlarını hatırladığı ve konuşma boyunca daha tutarlı ve doğru yanıtlar sağladığı anlamına gelmektedir. Bu özellik, kullanıcı deneyimini önemli ölçüde geliştirmekte ve Llama 2&#39; yi etkileşimli uygulamalar için daha güvenilir bir dil modeli haline getirmektedir.</p><p><strong>Zamansal Yetenek: Bilgi Organizasyonunda Bir Sıçrama</strong></p><p>Meta, modelin bilgileri zaman alaka düzeyine göre düzenlediği çığır açan bir zamansal yetenek özelliğini açıkladı. Peki bu özellik ne? Modele yöneltilen her soru bir tarihle ilişkilendirilir ve sorunun alakasız hale geldiği olay tarihini dikkate alarak buna göre yanıt verir.</p><p>Örneğin, “Barack Obama ne kadar zaman önce başkan oldu?” sorusunu sorarsanız, bu sadece 2008&#39;den sonra geçerlidir. Bu zamansal farkındalık, Llama 2&#39; nin bağlamsal olarak daha doğru yanıtlar sunmasını sağlayarak kullanıcı deneyimini daha da zenginleştirmeye yönelik adımın başlangıcı olarak kabul edilebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*3vfxaFoDuGnjjk-E2uwnRQ.jpeg" /></figure><p><strong>Güvenlik</strong></p><p>Llama 2&#39; nin özellikleri arasında dikkat çeken bir ayrıntıda, bu modelin temel taşı olan güvenliği vurgulamasıdır. Meta’nın, doğru sonuçlar sunma ve kötüye kullanımı azaltma konusundaki kararlılığı, Llama 2&#39; nin geliştirilmesinde yol gösterici bir ilke olmuştur.</p><p>Meta, kötüye kullanımı önlemek ve uygunsuz kullanıma karşı koruma sağlamak için <a href="https://ai.meta.com/llama/use-policy/">kabul edilebilir bir kullanım politikası</a> uygulamıştır.</p><p>Bu anlamda Llama2 Chat, hem doğruluk hem de toksisite açısından önceden eğitilmiş versiyonuna göre önemli bir gelişme kaydetmiştir ve bu nedenle övgüyle karşılanmaktadır. Konu hakkında ise meta’ dan gelen açıklamayı sizlerle paylaşıyorum.</p><p><em>“Toksik nesillerin yüzdesi, her boyuttaki Llama 0-Chat için etkili bir şekilde % 2&#39; ye düşüyor: bu, karşılaştırılan tüm modeller arasında en düşük toksisite seviyesidir. Genel olarak, Falcon ve MPT ile karşılaştırıldığında, ince ayarlı Llama 2-Chat, toksisite ve doğruluk açısından en iyi performansı gösteriyor.</em></p><p><em>— Meta</em></p><h3>Sonuç</h3><p><strong>Açık kaynak ve ticari kullanım:</strong></p><p>Llama2 açık kaynaklı bir yazılımdır, yani herhangi bir lisans ücreti olmadan hem kişisel hem de ticari amaçlar için kullanılabilir. Bu, pahalı dil modelleri satın alacak bütçeye sahip olmayan geliştiriciler için erişilebilir olmasını sağlar.</p><p><strong>Performans, doğruluk ve genel dil anlama yetenekleri:</strong></p><p>Llama2 büyük bir veri kümesi üzerinde eğitilmiştir ve metin sınıflandırma, duygu analizi, adlandırılmış varlık tanıma ve makine çevirisi gibi çeşitli doğal dil işleme görevlerinde mükemmel performans göstermiştir. Ayrıca, karmaşık sorguları ve konuşmaları kolaylıkla ele almasını sağlayan güçlü genel dil anlama yeteneklerine sahiptir.</p><p><strong>Geniş uygulama yelpazesi:</strong></p><p>Çok yönlülüğü ve sağlamlığı nedeniyle Llama2, müşteri hizmetleri, pazarlama, sağlık, finans, eğitim ve eğlence dahil ancak bunlarla sınırlı olmamak üzere çok çeşitli sektörlere ve alanlara uygulanabilir. Büyük miktarda veriyi hızlı ve doğru bir şekilde işleme ve analiz etme yeteneği, iş akışlarını otomatikleştirmek ve verimliliği artırmak isteyen işletmeler için özellikle yararlı olmasını sağlar.</p><p><strong>Sürekli iyileştirme:</strong></p><p>Doğal dil işleme (NLP) alanı sürekli olarak gelişmekte ve düzenli olarak yeni atılımlar ve yenilikler yapılmaktadır. Sonuç olarak, bu gelişmelere ayak uydurabilen ve zaman içinde gelişmeye devam eden Llama2 gibi gelişmiş NLP teknolojilerine yüksek bir talep vardır.</p><p><strong>Rekabet ve gelecekteki gelişmeler:</strong></p><p>Yapay zeka ve NLP teknolojilerinin artan popülaritesiyle birlikte, bu alanda çalışan şirketler ve araştırmacılar arasında daha fazla rekabet görmeyi bekleyebiliriz. Ancak bu rekabetin inovasyonu teşvik etmesi ve gelecekte Llama2 gibi daha iyi ve daha güçlü araçların ortaya çıkmasına yol açması muhtemeldir.</p><ul><li><strong>Llama2 Paper:</strong> <a href="https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/">Llama 2: Open Foundation and Fine-Tuned Chat Models | Meta AI Research</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4d9b0b0af005" width="1" height="1" alt=""><hr><p><a href="https://medium.com/academy-team/dil-modellerinde-%C3%A7%C4%B1%C4%9F%C4%B1r-a%C3%A7an-ad%C4%B1mlar-metan%C4%B1n-llama-2-si-4d9b0b0af005">Dil Modellerinde Çığır Açan Adımlar: Meta’nın Llama 2&#39; si</a> was originally published in <a href="https://medium.com/academy-team">Academy Team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Açık Kaynaklı İnce Ayarlı Büyük Dil Modelleri (LLM) Listesi]]></title>
            <link>https://medium.com/academy-team/a%C3%A7%C4%B1k-kaynakl%C4%B1-i%CC%87nce-ayarl%C4%B1-b%C3%BCy%C3%BCk-dil-modelleri-llm-listesi-27e71a50e44f?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/27e71a50e44f</guid>
            <category><![CDATA[llamas]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[gpt]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[open-source]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Fri, 05 May 2023 19:57:39 GMT</pubDate>
            <atom:updated>2023-05-17T09:03:45.767Z</atom:updated>
            <content:encoded><![CDATA[<p>Bilgisayarınızda local olarak çalıştırabileceğiniz açık kaynaklı ince ayarlı Büyük Dil Modellerinin (LLM) güncel listesi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*jrGd4DZ26szkO01BKvZoZQ.jpeg" /></figure><p>Bilgisayarınızda local arak çalıştırabileceğiniz açık kaynaklı ince ayarlı Büyük Dil Modellerinin (LLM) güncel listesi.</p><p>Bu liste, local bilgisayarınızda kullanabileceğiniz açık kaynaklı ince ayarlı Büyük Dil Modellerinin eksik bir derlemesidir. Bunun nedeni ise her gün üçten fazla modelin duyurulmasıdır. Şimdilik bu listeyi en güncel hali ile sizlerle paylaşıyorum.</p><p>Hepsini listelemedim çünkü bu modelleri tam anlamıyla $100 daha az bir fiyata oluşturabilirsiniz. Burada listelenen modellerden biri olan Cabrita modeli $8 oluşturuldu — bu gerçekten şaşırtıcı değil mi?</p><p>Belgelere göre, bu modelleri farklı donanım seviyelerine sahip bir bilgisayarda çalıştırabilmeniz mümkün. Şimdilik herkes için en iyi seçenek llama.cpp’ dir. Çünkü 7 modeli destekler ve orta düzeyde özelliklere sahip bilgisayarlarda çalışabilir.</p><p>Listeyi oluştururken bulundukları Temel Modellere (Base Model) göre gruplandırmaya çalıştım.</p><ul><li>LLaMA | Alpaca | GPT4All | Chinese LLaMA/Alpaca | Vigogne (French) | Vicuna | Koala | OpenBuddy (Multilingual)<strong>LLaMA</strong></li></ul><p>Bu listedeki modeller, Temel Modellerin yeniden üretimi olan veya bunlara dayanan projelerin listesine göre alt gruplara ayrılmıştır.</p><ul><li>BigCode’s StarCoder | BigScience’s BLOOM | Cerebras’ Cerebras-GPT | EleutherAI’s GPT-J, GPT-NeoX, Polyglot, and Pythia | GLM | Google’s Flamingo, and FLAN | H2O.ai’s h2ogpt | Meta’s GALACTICA, LLaMA, and XGLM | Mosaic ML’s MPT | Nvidia’s GPT-2 and Megatron | OpenLLaMA | Replit’s Code | RWKV | StabilityAI’s StableLM.</li></ul><p><strong>Updates:</strong></p><ul><li>03/31/2023: Added HuggingGPT and Vicuna/FastChat (I have not tried GPT4All, but Vicuna/FastChat is pretty good)</li><li>04/02/2023: Added “A Survey of Large Language Models” and “LLMMaps — A Visual Metaphor for Stratified Evaluation of Large Language Models” to the Resources section.</li><li>04/04/2023: Added Baize and Koala.</li><li>04/05/2023: Added Segment Anything (Not really LLM, but it will be really helpful in CV pipeline.)</li><li>04/09/2023: Added Galpaca, GPT-J-6B instruction-tuned on Alpaca-GPT4, GPTQ-for-LLaMA, and List of all Foundation Models</li><li>04/11/2023: Added Dolly 2.0, StackLLaMA, and GPT4All-J</li><li>04/17/2023: Added Palmyra Base 5B and Camel 🐪 5B</li><li>04/19/2023: Added StableLM (I really hope this is good), h2oGPT, and The Bloke alpaca-lora-65B-GGML</li><li>04/25/2023: Added OpenAssistant Models (A nice collection of reproductions of or based on models). OpenAssistant LLaMa 30B SFT 6 also powers <a href="https://hf.co/chat.">https://hf.co/chat.</a></li><li>04/28/2023: Added StableVicuna and FastChat-T5</li><li>04/30/2023: Added couchpotato888, GPT4-x-Alpaca, LLaMA Adapter V2, WizardLM, and A brief history of LLaMA models (Resources section)</li><li>05/02/2023:Added OpenLLaMA</li><li>05/04/2023: Added BigCode StarCoder (Hugging Face + ServiceNow), Replit-Code (Replit), Pygmalion-7b, AlpacaGPT4-LoRA-7B-OpenLLaMA, Nvidia GPT-2B-001, The Bloke’s StableVicuna-13B-GPTQ, OpenAlpaca, crumb’s Hugging Face website, Teknium’s Hugging Face website, and Knut Jägersberg’s Hugging Face website (in Other Repositories section)</li></ul><h3>Alpaca / LLaMA (Meta/Stanford)</h3><p>Stanford Alpaca: Talimatları Takip Eden Bir LLaMA Modeli.</p><ul><li>Alpaka Web Sitesi: <a href="https://crfm.stanford.edu/2023/03/13/alpaca.html">https://crfm.stanford.edu/2023/03/13/alpaca.html</a></li><li>Alpaka GitHub: <a href="https://github.com/tatsu-lab/stanford_alpaca">https://github.com/tatsu-lab/stanford_alpaca</a></li><li>Ticari Kullanım: Hayır</li></ul><blockquote><strong><em>Meta’nın LLaMA veya Stanford Alpaca projesinin reprodüksiyonlarının listesi;</em></strong></blockquote><ul><li>Alpaca.cpp</li><li>Alpaca-LoRA</li><li>Baize</li><li>Cabrita</li><li>Chinese-Vicuna</li><li>GPT4-x-Alpaca</li><li>GPT4All</li><li>GPTQ-for-LLaMA</li><li>Koala</li><li>llama.cpp</li><li>LLaMA-Adapter V2</li><li>Lit-LLaMA<strong> ️</strong></li><li>OpenLLaMA</li><li>StackLLaMA</li><li>StableVicuna</li><li>The Bloke alpaca-lora-65B-GGML</li><li>Vicuna</li><li>WizardLM</li></ul><p><strong>Alpaca.cpp</strong></p><p>Cihazınızda yerel olarak ChatGPT benzeri hızlı bir model çalıştırabilirsiniz.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/antimatter15/alpaca.cpp">antimatter15/alpaca.cpp: Locally run an Instruction-Tuned Chat-Style LLM (github.com)</a></li></ul><p><strong>Alpaca-LoRA</strong></p><p>Düşük dereceli uyarlama (LoRA), önceki yöntemlere göre bazı avantajları olan modellere ince ayar yapmak için kullanılan bir tekniktir.</p><p><strong>Özellikleri:</strong></p><ul><li>Daha hızlıdır ve daha az bellek kullanır, bu da tüketici donanımında çalışabileceği anlamına gelir.</li><li>Çıktı çok daha küçüktür (gigabayt değil, megabayt).</li><li>Çalışma zamanında birden çok ince ayarlı modeli bir araya getirebilirsiniz.</li></ul><p>Bu repo, <a href="https://arxiv.org/pdf/2106.09685.pdf">düşük sıralı uyarlama (LoRA)</a> kullanarak <a href="https://github.com/tatsu-lab/stanford_alpaca">Stanford Alpaca</a> sonuçlarını yeniden üretmek için kod içerir. Raspberry Pi (araştırma için) üzerinde çalışabilen <em>text-davinci-003 </em>ile benzer kalitede bir Eğitmen modeli sunar ve kod <em>13b, </em><em>30b</em> ve <em>65b</em> modellerine kolayca genişletilebilir.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/tloen/alpaca-lora">tloen/alpaca-lora: Instruct-tune LLaMA on consumer hardware (github.com)</a></li><li><strong>Demo:</strong> <a href="https://huggingface.co/spaces/tloen/alpaca-lora">Alpaca-LoRA — a Hugging Face Space by tloen</a></li></ul><p><strong>Baize</strong></p><p>Baize, LoRA ile ince ayarlanmış açık kaynaklı bir sohbet modelidir. ChatGPT’nin kendisiyle sohbet etmesine izin vererek oluşturulan 100 bin diyaloğu kullanır. Performansını artırmak için Alpaca’nın verilerini de kullanır. 7B, 13B ve 30B modellerini yayınlandı.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/project-baize/baize">project-baize/baize: Baize is an open-source chatbot trained with ChatGPT self-chatting data, developed by researchers at UCSD and Sun Yat-sen University. (github.com)</a></li><li><strong>Paper:</strong> <a href="https://arxiv.org/pdf/2304.01196.pdf">2304.01196.pdf (arxiv.org)</a></li></ul><p><strong>Cabrita</strong></p><p>Doğal dil işlemede kullanılan büyük dil modelidir. Bu model, dil anlama görevlerinde iyi performans gösteren bir <em>pre-trained</em> dil modeli olan BERT’in Portekizce için uyarlanmış bir versiyonudur. Cabrita modeli, Portekizce dilindeki farklı görevler için finetuning yapılmıştır ve geniş bir yelpazedeki doğal dil işleme görevlerinde başarılı sonuçlar vermiştir. Özellikle, bu model, çeviri, anlamsal benzerlik, sınıflandırma ve etiketleme gibi görevlerde kullanılmıştır.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/22-hours/cabrita">https://github.com/22-hours/cabrita</a></li></ul><p><strong>Chinese-Vicuna</strong></p><p>Nvidia RTX-2080TI üzerinde çalışabilen ve talimatları takip eden bir Çin LLaMA modelidir.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/Facico/Chinese-Vicuna">Facico/Chinese-Vicuna: Chinese-Vicuna: A Chinese Instruction-following LLaMA-based Model — — 一个中文低资源的llama+lora方案，结构参考alpaca (github.com)</a></li></ul><p><strong>GPT4-x-Alpaca</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1020/1*o-A-bDvuDJZ_h5oKk9nFtA.jpeg" /></figure><p>GPT4-x-Alpaca, GPT4 konuşmaları koleksiyonu olan GPTeacher ile ince ayarı yapılmış bir LLaMA 13B modelidir. Eğitimi ve performansı hakkında çok fazla bilgi yoktur.</p><ul><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/chavinlo/gpt4-x-alpaca">chavinlo/gpt4-x-alpaca · Hugging Face</a></li></ul><p><strong>GPT4All</strong></p><p>LLaMA tabanlı ~ 800 kG PT-3,5 Turbo Nesillere sahip asistan tarzı büyük bir dil modelini eğitmek için demo, veri ve kod.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zLUMZtNXCJym5_42EODURw.png" /></figure><ul><li><strong>GitHub: </strong><a href="https://github.com/nomic-ai/gpt4all">nomic-ai/gpt4all: gpt4all: a chatbot trained on a massive collection of clean assistant data including code, stories and dialogue (github.com)</a></li><li><strong>GitHub:</strong> <a href="https://github.com/nomic-ai/pyllamacpp">nomic-ai/pyllamacpp: Official supported Python bindings for llama.cpp + gpt4all (github.com)</a></li><li><strong>Review: </strong><a href="https://www.youtube.com/watch?v=GhRNIuTA2Z0">Is GPT4All your new personal ChatGPT? — YouTube</a></li></ul><p><strong>GPTQ-for-LLaMA</strong></p><p>GPTQ-for-LLaMA, GPTQ adı verilen tek atışlı ağırlık niceleme yöntemi kullanılarak LLaMA modelinin 4 bit kuantizasyonunu gerçekleştiren bir çalışmadır. Bu çalışma, modelin boyutunu küçültmek ve çalışma hızını artırmak için tasarlanmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qs82za3v4GMW_05vHCqZMA.png" /></figure><p>GPTQ, tek atışlı ağırlık niceleme yöntemlerinin son zamanlarda popüler hale gelmesiyle geliştirilmiş bir yöntemdir. Bu yöntem, önceden belirlenmiş bir nicelik skalasında tüm ağırlıkları nicelendirir ve daha sonra bu niceliklere göre ağırlıkları düzeltir. Bu şekilde, daha küçük bir sayıda nicelik kullanarak, modelin boyutunu ve hesaplama maliyetini azaltmanız mümkün.</p><p>GPTQ-for-LLaMA, LLaMA modelinin doğruluğunu hafifçe düşürerek boyutunu %40 azaltmayı başarmıştır. Ayrıca, modelin çalışma hızını artırmıştır. Ancak, bu nicelendirme yöntemi bazı bilgi kaybına neden olabileceğinden, bu yöntemin performansı her zaman en iyi sonuçları vermeyebilir.</p><ul><li><strong>GitHub: </strong><a href="https://github.com/qwopqwop200/GPTQ-for-LLaMa">qwopqwop200/GPTQ-for-LLaMa: 4 bits quantization of LLaMA using GPTQ (github.com)</a></li></ul><p><strong>Koala</strong></p><p>Koala, LLaMA’nın üzerine ince ayar yapılmış bir dil modelidir. Blog yazısına göz atın! Bu dokümantasyon, Koala model ağırlıklarının indirilmesi, kurtarılması ve Koala sohbet botunun yerel olarak çalıştırılması sürecini açıklayacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*etWzrbIN7cUZZ6yEwrZEUQ.png" /></figure><ul><li><strong>Blog:</strong> <a href="https://bair.berkeley.edu/blog/2023/04/03/koala/">Koala: A Dialogue Model for Academic Research — The Berkeley Artificial Intelligence Research Blog</a></li><li><strong>GitHub:</strong> <a href="https://github.com/young-geng/EasyLM/blob/main/docs/koala.md">EasyLM/koala.md at main · young-geng/EasyLM (github.com)</a></li><li><strong>Demo:</strong> <a href="https://chat.lmsys.org/?model=koala-13b">FastChat (lmsys.org)</a></li><li><strong>Review: </strong><a href="https://www.youtube.com/watch?v=A4rcKUZieEU">Investigating Koala a ChatGPT style Dialogue Model — YouTube</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=kSLcedGSez8">Running Koala for free in Colab. Your own personal ChatGPT? — YouTube</a></li></ul><p><strong>llama.cpp</strong></p><p>LLaMA modelinin saf C/C++ cinsinden çıkarımı. Llama.cpp, LLM’ler için C dilinde yazılmış bir çalışma zamanıdır. Ağırlıkları 4 bit’e kadar sayısallaştırarak, M1 Mac’te büyük LLM’leri gerçekçi sürede çıkarmak mümkündür.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/ggerganov/llama.cpp">ggerganov/llama.cpp: Port of Facebook’s LLaMA model in C/C++ (github.com)</a></li><li>Supports three models: LLaMA, Alpaca, and GPT4All</li></ul><p><strong>LLaMA-Adapter V2</strong></p><p>Yapay zeka alanında, büyük dil modelleri (LLM’ler) doğal dil anlayışı üzerinde önemli bir etki yaratmıştır. Bununla birlikte, bu güçlü LLM’leri talimatları takip edecek ve görsel girdileri ele alacak şekilde uyarlama zorluğu devam ediyor. LLaMA-Adapter V2, çok modlu akıl yürütme yeteneklerinde önemli iyileştirmeler sunarak bu sorunu çözmeyi ve bu sorunu sahada önemli bir gelişme haline getirmeyi amaçlamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eprr_gODNlv1v_9YbM1mLQ.png" /></figure><blockquote><strong>Gerçek Dünya Uygulamaları: Genişleyen Kullanım Durumları</strong></blockquote><p>LLaMA-Adapter V2&#39;nin potansiyel uygulamaları, aşağıdakiler de dahil olmak üzere çeşitli alanları kapsar:</p><ul><li>Geliştirilmiş erişilebilirlik için ayrıntılı görüntü açıklamaları oluşturma.</li><li>Görsel anlayışa yanıt vermek, nüanslı akıl yürütme için istemler.</li><li>Chatbot sistemlerine image- ile ilgili sorgularda yardımcı olmak, context-aware bilgi veya öneriler sunmak.</li><li><strong>GitHub: </strong><a href="https://github.com/ZrrSkywalker/LLaMA-Adapter">ZrrSkywalker/LLaMA-Adapter: Fine-tuning LLaMA to follow Instructions within 1 Hour and 1.2M Parameters (github.com)</a></li></ul><p><strong>Lit-LLaMA</strong> ️</p><p>Apache 2.0 lisansı altında tamamen açık kaynak olan bağımsız LLaMA uygulamasıdır. Bu uygulama nanoGPT üzerine inşa edilmiştir. Ağırlıklar Meta tarafından sadece araştırma lisansı altında dağıtılmaktadır. Topluluk, Yapay zekanın tamamen açık kaynak olması ve kolektif bilginin bir parçası olması gerektiğine inanıyor.</p><p>Orijinal LLaMA kodu GPL lisanslıdır, bu da onu kullanan herhangi bir projenin de GPL altında yayınlanması gerektiği anlamına gelir. Bu, diğer tüm kodları “lekeliyor” ve ekosistemin geri kalanıyla entegrasyonu engelliyor. Lit-LLaMA bunu tamamen çözmeyi amaçlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jGL-nNiKxRJ84WAwcB11FQ.png" /></figure><ul><li><strong>GitHub:</strong> <a href="https://github.com/Lightning-AI/lit-llama">Lightning-AI/lit-llama: Implementation of the LLaMA language model based on nanoGPT. Supports quantization, LoRA fine-tuning, pre-training. Apache 2.0-licensed. (github.com)</a></li></ul><p><strong>OpenLLaMA</strong></p><p>Bu repoda, Meta AI’nin LLaMA büyük dil modelinin izinli lisanslı açık kaynaklı bir çoğaltmasını yer alır. Bu sürümde, 200 milyar token eğitilmiş ve 7B OpenLLaMA modelinin genel bir önizlemesini yayınlanmıştır. Önceden eğitilmiş OpenLLaMA modellerinin PyTorch ve Jax ağırlıklarının yanı sıra değerlendirme sonuçları ve orijinal LLaMA modelleriyle bir karşılaştırmasını bulmanız mümkün. Güncellemeler için Github repolarını takip edebilirsiniz.</p><ul><li><strong>GitHub: </strong><a href="https://github.com/openlm-research/open_llama">openlm-research/open_llama (github.com)</a></li></ul><p><strong>StableVicuna</strong></p><p>İnsan geri bildiriminden güçlendirilmiş öğrenme (RHLF) yoluyla eğitilen ilk büyük ölçekli açık kaynaklı sohbet robotu olan StableVicuna. StableVicuna, Vicuna v0 13b’nin talimatlara göre ince ayarlanmış ve RLHF ile eğitilmiş bir versiyonudur ve talimatlara göre ince ayarlanmış bir LLaMA 13b modelidir. İlgilenen okuyucular için Vicuna hakkında daha fazla bilgiye aşağıdaki linklerden ulaşabilirsiniz.</p><ul><li><strong>Website: </strong><a href="https://stability.ai/blog/stablevicuna-open-source-rlhf-chatbot">Stability AI releases StableVicuna, the AI World’s First Open Source RLHF LLM Chatbot — Stability AI</a></li><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/spaces/CarperAI/StableVicuna">StableVicuna — a Hugging Face Space by CarperAI</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=m_xD0algP4k">StableVicuna: The New King of Open ChatGPTs? — YouTube</a></li></ul><p><strong>StackLLaMA</strong></p><p>Bir LlaMa modeli, RLHF ile Stack Exchange’deki cevaplar ve sorular üzerinde aşağıdakilerin bir kombinasyonu yoluyla eğitilmiştir:</p><ul><li>Denetimli İnce Ayar (SFT)</li><li>Ödül/tercih modellemesi (RM)</li><li>İnsan Geri Bildiriminden Takviyeli Öğrenme (RLHF)</li></ul><p><strong>Website:</strong> <a href="https://huggingface.co/blog/stackllama">https://huggingface.co/blog/stackllama</a></p><p><strong>The Bloke alpaca-lora-65B-GGML</strong></p><p>llama.cpp ile CPU çıkarımı için changsung’un alpaca-lora-65B’sinin nicelleştirilmiş 4bit ve 2bit GGML’leri.</p><ul><li><strong>Hugging Face: </strong><a href="https://huggingface.co/TheBloke/alpaca-lora-65B-GGML">TheBloke/alpaca-lora-65B-GGML · Hugging Face</a></li></ul><p><strong>Vicuna (FastChat)</strong></p><p>ShareGPT’den toplanan kullanıcı paylaşımlı konuşmaları kullanan yeni açık kaynaklı sohbet robotu ince ayarlı LLaMA olan Vicuna-13B başlangıç noktası olarak LLaMA-13B ağırlıklarını kullanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KNiYt27pb44CzjLw6kCU3g.jpeg" /></figure><p>UC Berkeley, CMU, Standford ve UC San Diego’daki öğrencilerden oluşan ekip, ChatGPT’ye kıyasla yaklaşık %90 oranında doğru olduğunu iddia ediyor. Vicuna-13B eğitiminin maliyeti 300 dolar civarında.<a href="https://github.com/lm-sys/FastChat"> Kod </a>ve <a href="https://github.com/lm-sys/FastChat#vicuna-weights">ağırlıklar</a>, çevrimiçi bir <a href="https://chat.lmsys.org/">demo </a>ile birlikte, ticari olmayan kullanım için halka açıktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E0wAUqXXy4YnNxVz49Zs4g.jpeg" /></figure><ul><li><strong>GitHub:</strong> <a href="https://github.com/lm-sys/FastChat">lm-sys/FastChat: The release repo for “Vicuna: An Open Chatbot Impressing GPT-4” (github.com)</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=4VByC2NpV30">Vicuna — 90% of ChatGPT quality by using a new dataset? — YouTube</a></li></ul><p><strong>WizardLM</strong></p><p>Evol-Instruct Kullanarak Talimat Takip Eden Bir LLM. Karmaşık Talimatları Takip Etmek için Önceden Eğitilmiş Büyük Dil Modellerini Güçlendirme.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/844/1*-AhkEXjGSAp8DoRmuJgWGA.png" /></figure><ul><li><strong>GitHub:</strong> <a href="https://github.com/nlpxucan/WizardLM">nlpxucan/WizardLM: WizardLM: Empowering Large Pre-Trained Language Models to Follow Complex Instructions (github.com)</a></li><li><strong>Review: </strong><a href="https://www.youtube.com/watch?v=5IAxCL4dHWk">WizardLM: Evolving Instruction Datasets to Create a Better Model — YouTube</a></li></ul><p><strong>BLOOM (BigScience)</strong></p><p>BigScience Büyük Açık bilim Açık erişim Çok Dilli Dil Modelidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N1ejnlEXCetawLLXf_Lu-w.png" /></figure><ul><li>BLOOM durumunda 176 milyar parametre olmak üzere çok sayıda parametre üzerinde eğitilmiş dil modelleri.</li><li>Sonuçlar sıfır atış veya az atış öğrenme ile elde edilebilir. Başka bir deyişle, şaşırtıcı sonuçlar öğrenme/eğitim olmadan veya sadece birkaç cümle talimatla elde edilebilir.</li><li>LLM’ler donanım kapasitesi, işleme ve depolama açısından kaynak yoğundur.</li><li>Değişen derecelerde karmaşıklıkta <a href="https://cobusgreyling.medium.com/fine-tuning-co-here-natural-language-generation-41afe51344aa">ince ayar </a>mevcuttur.</li><li>LLM’ler genellikle <a href="https://cobusgreyling.medium.com/fine-tuning-co-here-natural-language-generation-41afe51344aa">oluşturma </a>(diğer adıyla tamamlama), <a href="https://cobusgreyling.medium.com/building-a-summarisation-chatbot-using-cohere-and-telegram-b7047651e0fc">özetleme</a>, <a href="https://cobusgreyling.medium.com/using-openai-embeddings-for-search-clustering-83840e971e97">gömmeler </a>(verileri <a href="https://cobusgreyling.medium.com/using-openai-embeddings-for-search-clustering-83840e971e97">kümeleme </a>ve görsel olarak temsil etme), <a href="https://cobusgreyling.medium.com/fine-tuned-text-classification-with-co-here-7dea77a187c5">Sınıflandırma</a>, <a href="https://cobusgreyling.medium.com/pinecone-in-the-simplest-terms-d18b9bce7cd">anlamsal arama </a>ve <a href="https://cobusgreyling.medium.com/language-translation-using-meta-ai-nllb-no-language-left-behind-and-sms-281cce5c6bf3">dil çevirisi </a>için kullanılır.</li></ul><p><a href="https://huggingface.co/bigscience/bloom">BLOOM</a>, 46 dilde ve 13 programlama dilinde metin üretebilir. Model, endüstriyel ölçekli hesaplama kaynakları kullanılarak çok miktarda metin verisi üzerinde eğitilmiştir.</p><ul><li><strong>Hugging Face: </strong><a href="https://huggingface.co/bigscience/bloom">bigscience/bloom · Hugging Face</a></li><li><strong>Hugging Face Demo: </strong><a href="https://huggingface.co/spaces/huggingface/bloom_demo">Bloom Demo — a Hugging Face Space by huggingface</a></li></ul><blockquote><strong>BLOOM projesinin reprodüksiyonlarının bir listesi:</strong></blockquote><ul><li>BLOOM-LoRA</li><li>Petals</li></ul><p><strong>BLOOM-LoRA</strong></p><p>Çeşitli Instruct-Tuning veri kümeleri için Low-Rank uyarlaması.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2Mk_a9ym86JAvB7PFskccg.png" /></figure><ul><li>GitHub: <a href="https://github.com/linhduongtuan/BLOOM-LORA">linhduongtuan/BLOOM-LORA: Due to restriction of LLaMA, we try to reimplement BLOOM-LoRA (much less restricted BLOOM license here https://huggingface.co/spaces/bigscience/license) using Alpaca-LoRA and Alpaca_data_cleaned.json (github.com)</a></li></ul><p><strong>Petals</strong></p><p>Dağıtılmış 176B parametreli BLOOM veya BLOOMZ kullanarak metin oluşturabilir ve kendi görevleriniz için ince ayar yapabilirsiniz.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/bigscience-workshop/petals">bigscience-workshop/petals: 🌸 Run 100B+ language models at home, BitTorrent-style. Fine-tuning and inference up to 10x faster than offloading (github.com)</a></li></ul><p><strong>Cerebras-GPT (Cerebras)</strong></p><p>Açık, Hesaplama Verimli, Büyük Dil Modelleri Ailesi. Cerebras, 111 milyon ila 13 milyar parametre arasında yedi GPT-4 modelini açık kaynak olarak sunuyor. Chinchilla formülü kullanılarak eğitilen bu modeller, doğruluk ve hesaplama verimliliği açısından yeni ölçütler belirliyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5-_bw2kl87JXIoDOLvDFNg.jpeg" /></figure><ul><li><strong>Website: </strong><a href="https://www.cerebras.net/blog/cerebras-gpt-a-family-of-open-compute-efficient-large-language-models/">Cerebras-GPT: A Family of Open, Compute-efficient, Large Language Models — Cerebras</a></li><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/cerebras">cerebras (Cerebras) (huggingface.co)</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=9P3_Zw_1xpw">Checking out the Cerebras-GPT family of models — YouTube</a></li></ul><p><strong>Flamingo (Google/Deepmind)</strong></p><p>Tek bir görsel dil modeliyle birden fazla görevin üstesinden gelebilirsiniz.</p><ul><li><strong>Website:</strong> <a href="https://www.deepmind.com/blog/tackling-multiple-tasks-with-a-single-visual-language-model">Tackling multiple tasks with a single visual language model</a></li></ul><blockquote><strong>Flamingo projesinin reprodüksiyonlarının listesi:</strong></blockquote><ul><li>Flamingo — Pytorch</li><li>OpenFlamingo</li></ul><p><strong>Flamingo — Pytorch</strong></p><p>Pytorch’ta son teknoloji ürünü az sayıda görsel soru cevaplama dikkat ağı olan Flamingo’nun uygulanması. Algılayıcı yeniden örnekleyiciyi (öğrenilen sorguların, medya katıştırmalarına ek olarak katılacak anahtarlara / değerlere katkıda bulunduğu şema dahil), özel maskeli çapraz dikkat bloklarını ve son olarak çapraz dikkat + karşılık gelen ileri besleme bloklarının uçlarındaki <strong><em>“tanh” </em></strong>geçidini içerir.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/lucidrains/flamingo-pytorch">https://github.com/lucidrains/flamingo-pytorch</a></li></ul><p><strong>OpenFlamingo</strong></p><p>DeepMind’ın Flamingo modelinin açık kaynak sürümüdür. Bu repoda, OpenFlamingo modellerini eğitmek ve değerlendirmek için bir PyTorch uygulaması hakkında detaylı bilgiler bulabilirsiniz. Ayrıca yeni bir Multimodal C4 veri seti üzerinde eğitilmiş ilk OpenFlamingo 9B modelini de duyurulacak(çok yakında).</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/mlfoundations/open_flamingo">mlfoundations/open_flamingo: An open-source framework for training large multimodal models (github.com)</a></li></ul><p><strong>FLAN (Google)</strong></p><p>Bu depo, talimat ayarlama veri kümesi koleksiyonları oluşturmak için kod içerir. Birincisi, <a href="https://arxiv.org/abs/2109.01652">Finetuned Language Models are Zero-Shot Learners</a>’da belgelenen orijinal Flan 2021, ikincisi ise The Flan Collection’da açıklanan Flan Collection adlı genişletilmiş sürümdür: <a href="https://arxiv.org/abs/2301.13688">Etkili Talimat Ayarlaması için Veri ve Yöntem Tasarlama</a> ve <a href="https://huggingface.co/docs/transformers/model_doc/flan-t5">Flan-T5 </a>ve Flan-PaLM’yi üretmek için kullanılmıştır.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/google-research/FLAN">google-research/FLAN (github.com)</a></li></ul><blockquote><strong>FLAN projesine ait reprodüksiyonların bir listesi:</strong></blockquote><ul><li>FastChat-T5</li><li>Flan-Alpaca</li><li>Flan-UL2</li></ul><p><strong>FastChat-T5</strong></p><p>FastChat-T5 modeli, NLP alanında özellikle sohbet botları gibi uygulamalarda kullanılmak üzere tasarlanmıştır. Bu model, soru-cevap sistemleri ve metin üretimi gibi görevleri yerine getirebilir. FastChat-T5 modeli, hızlı bir şekilde çalışmak için özel olarak optimize edilmiştir. Bu modele ayrıca, eğitim verilerini etkin bir şekilde kullanmak için özel bir veri önişleme işlemi de dahil edilmiştir.</p><ul><li>Flan-T5’ten ince ayarlanmış, ticari kullanıma hazır!</li><li>4 kat daha az parametre ile Dolly-V2&#39;den daha iyi performans gösterir.</li><li><strong>GitHub:</strong> <a href="https://github.com/lm-sys/FastChat#FastChat-T5">lm-sys/FastChat: The release repo for “Vicuna: An Open Chatbot Impressing GPT-4” (github.com)</a></li><li><strong>Hugging Face: </strong><a href="https://github.com/lm-sys/FastChat/blob/main/fastchat/serve/huggingface_api.py">https://github.com/lm-sys/FastChat/blob/main/fastchat/serve/huggingface_api.py</a></li></ul><p><strong>Flan-Alpaca</strong></p><p>İnsanlardan ve Makinelerden Talimat Ayarlama. Bu depo, Stanford Alpaca sentetik komut ayarlamasını Flan-T5 gibi mevcut komut ayarlı modellere genişletmek için kod içerir. Önceden eğitilmiş modeller ve demolar HuggingFace’te mevcuttur.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/declare-lab/flan-alpaca">declare-lab/flan-alpaca: This repository contains code for extending the Stanford Alpaca synthetic instruction tuning to existing instruction-tuned models such as Flan-T5. (github.com)</a></li></ul><p><strong>Flan-UL2</strong></p><p>Flan-UL2, T5 mimarisine dayanan bir kodlayıcı kod çözücü modelidir. Geçen yılın başlarında piyasaya sürülen UL2 modeliyle aynı yapılandırmayı kullanır. <strong>“Flan”</strong> hızlı ayarlama ve veri seti toplama kullanılarak ince ayar yapılmıştır.</p><ul><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/google/flan-ul2">google/flan-ul2 · Hugging Face</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=cMT3RzjawEc">Trying Out Flan 20B with UL2 — Working in Colab with 8Bit Inference — YouTube</a></li></ul><p><strong>GALACTICA</strong></p><p>GALACTICA modeli, nasıl eğitildiği ve amaçlanan kullanım durumları hakkında bilgi vermektedir. Modelin nasıl eğitildiği ve değerlendirildiği ile ilgili tüm ayrıntıları aşağıdaki dokümantasyon’ dan bulabilirsiniz.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/paperswithcode/galai/blob/main/docs/model_card.md">galai/model_card.md at main · paperswithcode/galai (github.com)</a></li></ul><blockquote><strong>GALACTICA projesinin reprodüksiyonlarının listesi:</strong></blockquote><ul><li>Galpaca</li></ul><p>GALACTICA 30B Alpaca veri setinde ince ayar yapıldı.</p><ul><li><strong>Hugging Face: </strong><a href="https://huggingface.co/GeorgiaTechResearchInstitute/galpaca-30b">GeorgiaTechResearchInstitute/galpaca-30b · Hugging Face</a></li><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/TheBloke/galpaca-30B-GPTQ-4bit-128g">TheBloke/galpaca-30B-GPTQ-4bit-128g · Hugging Face</a></li></ul><p><strong>GLM (General Language Model)</strong></p><p>GLM, otoregresif boşluk doldurma hedefi ile önceden eğitilmiş bir Genel Dil Modelidir ve çeşitli doğal dil anlama ve oluşturma görevlerinde ince ayar yapılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BlNH2Uhi9W0eMC_oYEqLKg.png" /></figure><p><a href="https://aclanthology.org/2022.acl-long.26"><strong>GLM: </strong></a>Tsinghua Üniversitesi, Pekin Yapay Zeka Akademisi (BAAI), MIT CSAIL ve Şangay Qi Zhi Enstitüsü tarafından <a href="https://aclanthology.org/2022.acl-long.26"><strong>Otomatik Gerici Boş Doldurma ile Genel Dil Modeli Ön Eğitimi</strong></a>, <strong>GLM</strong>,</p><ul><li>Genel Dil Modeli (GLM), otoregresif boş dolguya dayalı olarak önerilmektedir.</li><li>GLM, 2D konumsal kodlamalar ekleyerek ve açıklıkları tahmin etmek için keyfi bir düzene izin vererek boş doldurma ön eğitimini geliştirir.</li><li>Bu arada, GLM, boşlukların sayısını ve uzunluklarını değiştirerek farklı görev türleri için önceden eğitilebilir.</li><li>Daha sonra, <strong>GLM-130B </strong>GLM’ye Dayalı Olarak Üretildi ve <strong>2023 ICLR’de</strong> Kabul Edildi.</li></ul><blockquote><strong>GLM projesinin reprodüksiyonlarının listesi:</strong></blockquote><ul><li><strong>ChatGLM-6B</strong></li></ul><p><strong>ChatGLM-6B</strong></p><p>ChatGLM-6B, 6,2 milyar parametre ile Genel Dil Modeli (GLM) çerçevesine dayanan açık bir iki dilli dil modelidir. Niceleme tekniği ile kullanıcılar yerel olarak tüketici sınıfı grafik kartlarına dağıtabilirler (INT4 niceleme seviyesinde sadece 6GB GPU belleği gereklidir).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VYIvCIYVomf-xWUc5PhYnw.png" /></figure><p>ChatGLM-6B, Çince QA ve diyalog için optimize edilmiş ChatGPT’ye benzer bir teknoloji kullanır. Model, denetimli ince ayar, geri bildirim önyükleme ve insan geri bildirimi ile pekiştirmeli öğrenme ile desteklenen yaklaşık 1T Çince ve İngilizce külliyat için eğitilmiştir. Model, yalnızca yaklaşık 6,2 milyar parametre ile insan tercihlerine uygun yanıtlar üretebilmektedir.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/THUDM/ChatGLM-6B">THUDM/ChatGLM-6B: ChatGLM-6B：开源双语对话语言模型 | An Open Bilingual Dialogue Language Model (github.com)</a></li></ul><p><strong>GPT-J</strong></p><p>GPT-J, <a href="https://en.wikipedia.org/wiki/EleutherAI">EleutherAI</a> tarafından geliştirilen açık kaynaklı bir <a href="https://en.wikipedia.org/wiki/Artificial_intelligence">yapay zeka</a> dil modelidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YgehOs6-_ZyPsKi-YxPiTA.png" /></figure><p>[1] GPT-J, çeşitli sıfır atışlı aşağı akış görevlerinde <a href="https://en.wikipedia.org/wiki/OpenAI">OpenAI</a>’nin <a href="https://en.wikipedia.org/wiki/GPT-3">GPT-3&#39;</a>üne çok benzer performans gösterir ve hatta kod oluşturma görevlerinde ondan daha iyi performans gösterebilir. [2] En yeni sürüm olan GPT-J-6B, <a href="https://en.wikipedia.org/wiki/EleutherAI#The_Pile">The Pile </a>adlı bir veri setine dayanan bir dil modelidir.[3] The Pile, 22 küçük veri setine bölünmüş açık kaynaklı 825 gibibyte’lık bir dil modelleme veri setidir.[4] GPT-J, bir sohbet botu olarak değil, yalnızca bir metin tahmincisi olarak işlev görmesine rağmen, yetenek açısından <a href="https://en.wikipedia.org/wiki/ChatGPT">ChatGPT</a>’ye benzer.[5]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q5-xr3PV40-yJGUTkPkwtg.png" /></figure><ul><li><strong>GitHub: </strong><a href="https://github.com/kingoflolz/mesh-transformer-jax/#gpt-j-6b">https://github.com/kingoflolz/mesh-transformer-jax/#gpt-j-6b</a></li><li><strong>Demo: </strong><a href="https://6b.eleuther.ai/">https://6b.eleuther.ai/</a></li></ul><blockquote><strong>GPT-J projesinin yeniden üretimlerinin listesi:</strong></blockquote><ul><li>Dolly</li><li>GPT-J-6B instruction-tuned on Alpaca-GPT4</li></ul><p><strong>Dolly (Databricks)</strong></p><p><a href="https://www.databricks.com/product/machine-learning">Databricks Makine Öğrenimi</a> Platformu üzerinde eğitilen büyük bir dil modeli olan Databricks Dolly, iki yıllık bir açık kaynak modelinin (<a href="https://huggingface.co/EleutherAI/gpt-j-6b">GPT-J</a>), 50 bin kayıttan oluşan odaklanmış bir derlem (<a href="https://crfm.stanford.edu/2023/03/13/alpaca.html">Stanford Alpaca</a>) üzerinde sadece 30 dakikalık ince ayarlara tabi tutulduğunda, dayandığı temel modelin karakteristiği olmayan davranışları takip ederek şaşırtıcı derecede yüksek kaliteli talimatlar sergileyebileceğini göstermektedir. Bu bulgunun önemli olduğuna inanmak istiyoruz çünkü güçlü yapay zeka teknolojileri yaratma becerisinin daha önce fark edilenden çok daha erişilebilir olduğunu gösteriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2cFVQdOO1QShBD64-6heAQ.png" /></figure><ul><li><strong>GitHub: </strong><a href="https://github.com/databrickslabs/dolly">databrickslabs/dolly: Databricks’ Dolly, a large language model trained on the Databricks Machine Learning Platform (github.com)</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=AWAo4iyNWGc">Meet Dolly the new Alpaca model — YouTube</a></li></ul><p><strong>GPT-J-6B instruction-tuned on Alpaca-GPT4</strong></p><p>Bu model, dört V100S’de 7 saatten fazla süren 30.000 adım (128 parti boyutu) için LoRA kullanılarak Alpaca istemlerinin GPT-4 nesilleri üzerinde ince ayarlanmıştır.</p><ul><li>Hugging Face: <a href="https://huggingface.co/vicgalle/gpt-j-6B-alpaca-gpt4?text=My+name+is+Teven+and+I+am">vicgalle/gpt-j-6B-alpaca-gpt4 · Hugging Face</a></li></ul><p><strong>GPT4All-J</strong></p><p>GPT-J tabanlı açık kaynak asistan tarzı büyük dil modelini eğitmek için demo, veri ve kod.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/nomic-ai/gpt4all">nomic-ai/gpt4all: gpt4all: an ecosystem of open-source chatbots trained on a massive collections of clean assistant data including code, stories and dialogue (github.com)</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=5icWiTvDQS0">GPT4ALLv2: The Improvements and Drawbacks You Need to Know! — YouTube</a></li></ul><p><strong>GPT-NeoX</strong></p><p>Bu repo, EleutherAI’nin GPU’larda büyük ölçekli dil modellerini eğitmeye yönelik bir kütüphanesidir. Mevcut çerçeve NVIDIA’nın <a href="https://github.com/NVIDIA/Megatron-LM">Megatron Dil Modeline</a> dayanmaktadır ve <a href="https://www.deepspeed.ai/">DeepSpeed’</a>den alınan tekniklerin yanı sıra bazı yeni optimizasyonlarla zenginleştirilmiştir. Bu repo, büyük ölçekli otoregresif dil modellerini eğitmeye yönelik teknikleri bir araya getirmek ve büyük ölçekli eğitim araştırmalarını hızlandırmak için merkezi ve erişilebilir bir yer haline getirmeyi amaçlamıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/670/1*caTeISlrOjWR1Mae1XzWxw.png" /></figure><ul><li><strong>GitHub:</strong> <a href="https://github.com/EleutherAI/gpt-neox">EleutherAI/gpt-neox: An implementation of model parallel autoregressive transformers on GPUs, based on the DeepSpeed library. (github.com)</a></li></ul><p><strong>h2oGPT</strong></p><p>Bu model “amacımız dünyanın en iyi açık kaynak GPT’sini yapmak!” sloganı ile piyasaya çıkmıştır ve şu an geliştirilmeye devam etmektedir.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/h2oai/h2ogpt">h2oai/h2ogpt: Come join the movement to make the world’s best open source GPT led by H2O.ai (github.com)</a></li><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/spaces/h2oai/h2ogpt-oasst1-256-6.9b-hosted">H2ogpt Oasst1 256 6.9b App — a Hugging Face Space by h2oai</a></li></ul><p><strong>HuggingGPT</strong></p><p>HuggingGPT, denetleyici olarak bir LLM ve işbirlikçi yürütücüler olarak çok sayıda uzman modelden oluşan işbirlikçi bir sistemdir (HuggingFace Hub’dan).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6-Flnv4iTdgkJCrn-G0TAw.png" /></figure><ul><li><strong>GitHub:</strong> <a href="https://github.com/microsoft/JARVIS">microsoft/JARVIS: JARVIS, a system to connect LLMs with ML community (github.com)</a></li></ul><p><strong>OpenAssistant Models</strong></p><p>Herkes için diyalogsal yapay zeka.</p><ul><li><strong>Website:</strong> <a href="https://open-assistant.io/">Open Assistant (open-assistant.io)</a></li><li><strong>GitHub:</strong> <a href="https://github.com/LAION-AI/Open-Assistant">LAION-AI/Open-Assistant: OpenAssistant is a chat-based assistant that understands tasks, can interact with third-party systems, and retrieve information dynamically to do so. (github.com)</a></li><li><strong>Hugging Face: </strong><a href="https://huggingface.co/OpenAssistant">OpenAssistant (OpenAssistant) (huggingface.co)</a></li></ul><p><strong>Palmyra Base 5B (Writer)</strong></p><p>Palmyra Base öncelikle İngilizce metinlerle önceden eğitilmiştir. CommonCrawl aracılığıyla erişilen eğitim derleminde hala eser miktarda İngilizce olmayan veri bulunduğunu unutmayın. Modelin ön eğitim sürecinde nedensel bir dil modelleme (CLM) hedefi kullanılmıştır.</p><p>GPT-3&#39;e benzer şekilde Palmyra Base de yalnızca kod çözücü içeren aynı model ailesinin bir üyesidir. Sonuç olarak, kendi kendine denetimli nedensel dil modelleme hedefi kullanılarak ön eğitime tabi tutulmuştur. Palmyra Base, GPT-3&#39;e göre değerlendirmesini yapmak için GPT-3&#39;teki istemleri ve genel deney düzeneğini kullanır.</p><ul><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/Writer/palmyra-base">Writer/palmyra-base · Hugging Face</a></li></ul><blockquote><strong>Palmyra Base projesinin reprodüksiyonlarının listesi:</strong></blockquote><ul><li>Camel 5B</li></ul><p><strong>Camel </strong>🐪<strong> 5B</strong></p><p>Olağanüstü performans ve çok yönlülük sunmak üzere tasarlanmış, son teknoloji ürünü talimat takip eden büyük dil modeli Camel-5b ile tanışın. <a href="https://huggingface.co/Writer/palmyra-base"><strong><em>Palmyra-Base</em></strong></a>’in temel mimarisinden türetilen Camel-5b, gelişmiş doğal dil işleme ve anlama yeteneklerine yönelik artan talebi karşılamak için özel olarak tasarlanmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wg6gkJHzaxKsgAeB6gEWXA.png" /></figure><ul><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/Writer/camel-5b-hf">Writer/camel-5b-hf · Hugging Face</a></li></ul><p><strong>Polyglot</strong></p><p>Çok Dilde İyi Dengelenmiş Yeterliliğin Büyük Dil Modelleri. mBERT, BLOOM ve XGLM gibi çeşitli çok dilli modeller piyasaya sürülmüştür. Mevcut çok dilli modellerin İngilizce dışındaki dillerdeki performansından duyulan memnuniyetsizlik üzerine piyasaya çıkmıştır. Daha yüksek İngilizce dışı dil performansına sahip çok dilli modeller yapmaya devam edilmektedir. Yeniden çok dilli modellere ‘Polyglot’ adını verilmesinin nedeni budur.</p><ul><li><strong>GitHub:</strong> <a href="https://github.com/EleutherAI/polyglot">EleutherAI/polyglot: Polyglot: Large Language Models of Well-balanced Competence in Multi-languages (github.com)</a></li></ul><p><strong>Pythia</strong></p><p>Zaman ve Ölçek Boyunca Otoregresif Dönüşümlerin Yorumlanması.</p><ul><li><strong>GitHub: </strong><a href="https://github.com/EleutherAI/pythia">EleutherAI/pythia (github.com)</a></li></ul><blockquote><strong>Pythia projesinin reprodüksiyonlarının listesi.</strong></blockquote><ul><li>Dolly 2.0</li></ul><p><strong>Dolly 2.0 (Databricks)</strong></p><p>Dolly 2.0, <a href="https://www.eleuther.ai/">EleutherAI</a> <a href="https://arxiv.org/abs/2304.01373">pythia</a> model ailesine dayanan 12B parametreli bir dil modelidir ve yalnızca Databricks çalışanları arasında kitle kaynaklı yeni, yüksek kaliteli insan yapımı talimat takip veri kümesi üzerinde ince ayar yapılmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hG3tVesvLVtf_r5DVX177Q.jpeg" /></figure><ul><li><strong>Website:</strong> <a href="https://www.databricks.com/blog/2023/04/12/dolly-first-open-commercially-viable-instruction-tuned-llm">Free Dolly: Introducing the World’s First Open and Commercially Viable Instruction-Tuned LLM — The Databricks Blog</a></li><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/databricks">databricks (Databricks) (huggingface.co)</a></li><li><strong>GutHub: </strong><a href="https://github.com/databrickslabs/dolly/tree/master/data">dolly/data at master · databrickslabs/dolly (github.com)</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=grEp5jipOtg">Dolly 2.0 by Databricks: Open for Business but is it Ready to Impress! — YouTube</a></li></ul><p><strong>The RWKV Language Model</strong></p><p><strong>RWKV:</strong> Transformatör düzeyinde LLM Performansı ile Paralelleştirilebilir RNN (“RwaKuv” olarak telaffuz edilir, 4 ana parametre: R W K V)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Z7J_Pw7FWQd9pVCpOYyBVQ.png" /></figure><ul><li><strong>GitHub:</strong> <a href="https://github.com/BlinkDL">BlinkDL</a>/<a href="https://github.com/BlinkDL/RWKV-LM">RWKV-LM</a></li><li><strong>ChatRWKV</strong>: with “stream” and “split” strategies and INT8. 3G VRAM is enough to run RWKV 14B :) <a href="https://github.com/BlinkDL/ChatRWKV">https://github.com/BlinkDL/ChatRWKV</a></li><li><strong>Hugging Face Demo:</strong> <a href="https://huggingface.co/spaces/BlinkDL/ChatRWKV-gradio">HuggingFace Gradio demo (14B ctx8192)</a></li><li><strong>Hugging Face Demo:</strong> <a href="https://huggingface.co/spaces/BlinkDL/Raven-RWKV-7B">Raven (7B finetuned on Alpaca) Demo</a></li><li><strong>RWKV pip package: </strong><a href="https://pypi.org/project/rwkv/">https://pypi.org/project/rwkv/</a></li><li><strong>Review: </strong><a href="https://www.youtube.com/watch?v=B3Qa2rRsaXo">Raven — RWKV-7B RNN’s LLM Strikes Back — YouTube</a></li></ul><p><strong>Segment Anything</strong></p><p>Segment Anything Model (SAM), nokta veya kutu gibi girdi istemlerinden yüksek kaliteli nesne maskeleri üretir ve bir görüntüdeki tüm nesneler için maske üretmek için kullanılabilir. SAM, 11 milyon görüntü ve 1,1 milyar maskeden oluşan bir veri kümesi üzerinde eğitilmiştir ve çeşitli segmentasyon görevlerinde güçlü sıfır atış performansına sahiptir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*axpXQdAOedBZpfHifn-kNQ.jpeg" /></figure><ul><li><strong>Website: </strong><a href="https://ai.facebook.com/blog/segment-anything-foundation-model-image-segmentation/?utm_source=twitter&amp;utm_medium=organic_social&amp;utm_campaign=segmentanything&amp;utm_content=gif">Introducing Segment Anything: Working toward the first foundation model for image segmentation (facebook.com)</a></li><li><strong>GitHub:</strong> <a href="https://github.com/facebookresearch/segment-anything">facebookresearch/segment-anything: The repository provides code for running inference with the SegmentAnything Model (SAM), links for downloading the trained model checkpoints, and example notebooks that show how to use the model. (github.com)</a></li></ul><p><strong>StableLM</strong></p><p>Yeni bir açık kaynak dil modeli, <a href="https://github.com/stability-AI/stableLM/">StableLM</a>. Modelin Alfa sürümü 3 milyar ve 7 milyar parametreli olarak mevcuttur ve bunu 15 milyar ila 65 milyar parametreli modeller takip edecektir. Geliştiriciler, CC BY-SA-4.0 lisansının şartlarına tabi olarak, StableLM temel modellerimizi ticari veya araştırma amaçlı olarak serbestçe inceleyebilir, kullanabilir ve uyarlayabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*VkdXhP73NUJAJdtySRf-PA.jpeg" /></figure><p><strong><em>StableLM</em></strong>, The Pile üzerine inşa edilmiş, ancak 1,5 trilyon token içerikle üç kat daha büyük olan yeni bir deneysel veri kümesi üzerinde eğitilmiştir. Veri setiyle ilgili ayrıntılar şu ana kadar açıklanmadı. Bu veri setinin zenginliği, 3 ila 7 milyar parametreden oluşan küçük boyutuna rağmen StableLM’ye konuşma ve kodlama görevlerinde şaşırtıcı derecede yüksek performans sağlar (karşılaştırma yapmak gerekirse, GPT-3 175 milyar parametreye sahiptir)</p><ul><li><strong>Website: </strong><a href="https://stability.ai/blog/stability-ai-launches-the-first-of-its-stablelm-suite-of-language-models">Stability AI Launches the First of its StableLM Suite of Language Models — Stability AI</a></li><li><strong>GitHub: </strong><a href="https://github.com/stability-AI/stableLM/">Stability-AI/StableLM: StableLM: Stability AI Language Models (github.com)</a></li><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/spaces/stabilityai/stablelm-tuned-alpha-chat">Stablelm Tuned Alpha Chat — a Hugging Face Space by stabilityai</a></li><li><strong>Review:</strong> <a href="https://www.youtube.com/watch?v=0uI7SoMn0Es">Stable LM 3B — The new tiny kid on the block. — YouTube</a></li></ul><p><strong>XGLM</strong></p><p><a href="https://arxiv.org/abs/2112.10668">XGLM modeli Çok Dilli Dil Modelleri</a> ile Az Atışlı Öğrenme’de önerilmiştir.</p><p><strong>GitHub:</strong><a href="https://github.com/facebookresearch/fairseq/tree/main/examples/xglm">https://github.com/facebookresearch/fairseq/tree/main/examples/xglm</a></p><p><strong>Hugging Face:</strong> <a href="https://huggingface.co/docs/transformers/model_doc/xglm">https://huggingface.co/docs/transformers/model_doc/xglm</a></p><p><strong>Other Repositories</strong></p><p><strong>couchpotato888</strong></p><ul><li><strong>Hugging Face:</strong> <a href="https://huggingface.co/couchpotato888">couchpotato888 (Phil Wee) (huggingface.co)</a></li></ul><p><em>Umarım bu makaleyi beğenmişsinizdir. Herhangi bir sorunuz veya yorumunuz varsa, lütfen buradan iletin.</em></p><p><strong>Tüm Temel Modellerinin Listesi</strong></p><p><strong>Kaynak:</strong> 1 Milyardan Fazla Parametreli LLM’lerin Listesi (matt-rickard.com)</p><ul><li>GPT-J (6B) (EleutherAI)</li><li>GPT-Neo (1.3B, 2.7B, 20B) (EleutherAI)</li><li>Pythia (1B, 1.4B, 2.8B, 6.9B, 12B) (EleutherAI)</li><li>Polyglot (1.3B, 3.8B, 5.8B) (EleutherAI)</li><li>J1/Jurassic-1 (7.5B, 17B, 178B) (AI21)</li><li>J2/Jurassic-2 (Large, Grande, and Jumbo) (AI21)</li><li>LLaMa (7B, 13B, 33B, 65B) (Meta)</li><li>OPT (1.3B, 2.7B, 13B, 30B, 66B, 175B) (Meta)</li><li>Fairseq (1.3B, 2.7B, 6.7B, 13B) (Meta)</li><li>GLM-130B YaLM (100B) (Yandex)</li><li>UL2 20B (Google)</li><li>PanGu-α (200B) (Huawei)</li><li>Cohere (Medium, XLarge)</li><li>Claude (instant-v1.0, v1.2) (Anthropic)</li><li>CodeGen (2B, 6B, 16B) (Salesforce)</li><li>RWKV (14B)</li><li>BLOOM (1B, 3B, 7B)</li><li>GPT-4 (OpenAI)</li><li>GPT-3.5 (OpenAI)</li><li>GPT-3 (ada, babbage, curie, davinci) (OpenAI)</li><li>Codex (cushman, davinci) (OpenAI)</li><li>T5 (11B) (Google)</li><li>CPM-Bee (10B)</li><li>Cerebras-GPT</li></ul><p>Kaynaklar:</p><ul><li>PRIMO.ai Large Language Model (LLM): <a href="https://primo.ai/index.php?title=Large_Language_Model_(LLM)">https://primo.ai/index.php?title=Large_Language_Model_(LLM)</a></li><li>A Survey of Large Language Models: <a href="https://arxiv.org/abs/2303.18223">[2303.18223] A Survey of Large Language Models (arxiv.org)</a></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/993/1*p1STJAfcTRtL6zU2yGSG5Q.jpeg" /></figure><ul><li>LLMMaps — A Visual Metaphor for Stratified Evaluation of Large Language Models: <a href="https://arxiv.org/abs/2304.00457">https://arxiv.org/abs/2304.00457</a></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jKcw_sJXKQJmKgOx5iMg2g.jpeg" /></figure><ul><li>A brief history of LLaMA models (<a href="https://agi-sphere.com/llama-models/">A brief history of LLaMA models — AGI Sphere (agi-sphere.com)</a>)</li><li>Google “We Have No Moat, And Neither Does OpenAI” (<a href="https://www.semianalysis.com/p/google-we-have-no-moat-and-neither">https://www.semianalysis.com/p/google-we-have-no-moat-and-neither</a>)</li><li>Chatbot Arena (<a href="https://chat.lmsys.org/?arena">Chat with Open Large Language Models (lmsys.org)</a>)</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=27e71a50e44f" width="1" height="1" alt=""><hr><p><a href="https://medium.com/academy-team/a%C3%A7%C4%B1k-kaynakl%C4%B1-i%CC%87nce-ayarl%C4%B1-b%C3%BCy%C3%BCk-dil-modelleri-llm-listesi-27e71a50e44f">Açık Kaynaklı İnce Ayarlı Büyük Dil Modelleri (LLM) Listesi</a> was originally published in <a href="https://medium.com/academy-team">Academy Team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[What is Prompt Engineering? Why Future Professions? Relationship with ChatGPT usage]]></title>
            <link>https://medium.com/academy-team/what-is-prompt-engineering-why-future-professions-relationship-with-chatgpt-usage-daf0fcc22844?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/daf0fcc22844</guid>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[news]]></category>
            <category><![CDATA[prompt-engineering]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Thu, 06 Apr 2023 22:52:21 GMT</pubDate>
            <atom:updated>2023-04-06T22:52:21.688Z</atom:updated>
            <content:encoded><![CDATA[<p>Prompt engineering is a comprehensive process that encompasses the entire cycle of interaction between humans and AI.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*lxFXK1X5pUQx12sC-WdAUQ.jpeg" /></figure><p><strong>The Future of Human-AI Interaction Lies in Prompt Engineering. </strong>As AI becomes a more integral part of our daily lives, our relationship with technology is changing. Whether we’re using virtual assistants, chatbots, or voice-activated devices, we’re communicating with AI systems more and more. And for these interactions to be truly successful, they must be clear, efficient, and effective. The key to unlocking this potential is prompt engineering, a crucial component in the human-AI relationship that ensures we can communicate with technology in a natural and intuitive way.</p><h3>Prompt Engineering</h3><p>Prompt engineering is a comprehensive process that encompasses the entire cycle of interaction between humans and AI. It involves deliberate and systematic design and refinement of prompts and underlying data structures to manipulate AI systems toward achieving specific and desired outputs.</p><blockquote>The reader should note, Prompt Engineering is a rapidly developing field but is still in its infancy, and there’s a lack of universal definitions or standards, leading to confusion for both newcomers and seasoned professionals.</blockquote><p>Prompt engineering is a field that emerged out of necessity as the creators of AI models and systems struggled to effectively communicate with their creations. Initially, even the creators of these AI models and systems did not know how to get them effectively to produce desired outputs.</p><p>Prompt engineering was not a field that someone developed from scratch, but rather an area of expertise that emerged over time as people sought to improve the functionality and accuracy of AI systems. As people worked with AI models and systems, they discovered that prompt engineering has been necessary for achieving optimal results.</p><p>As the demand for advanced AI systems grows, prompt engineering will become an even more critical field, and continue to evolve and develop as new techniques and technologies emerge. Today, prompt engineering is a vital aspect of AI development, and it is constantly evolving as new challenges arise.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bf7LFSsBjSRAVDhCjTo0ew.jpeg" /></figure><p>Prompt Engineering, which has managed to quickly enter the category of professions of the future, continues to attract attention and research every day. Well, how about getting some more exploratory information about Prompt Engineering now? Then let’s continue.👇👇👇</p><p>There are some great ways to achieve great results through Prompt Engineering. Discovering these methods can significantly speed up your work and help you get the information you need quickly.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3Z9WTf9afRr1vTCD7ZVAQg.png" /></figure><p>Here’s an example of that: KDnuggets, a publishing platform that compiles content about data science on a daily basis, created an image for the Chat GPT Chat Page. That must be great. It makes things easier, doesn’t it?</p><p>To give another example, imagine that you want to analyze a movie review using a language model. To make the model perform better at this task, you can prefix the input text with a prefix such as “What do you think about this movie review?”. This prefix makes the model’s response more relevant to the review text and improves the accuracy of the results.</p><h3>Understanding Prompt Engineering</h3><p>Prompt Engineering is a key, emergent property of the current AI paradigm. One of the most interesting aspects of Prompt Engineering is the fact that it came out as an emergent property of scaling up the transformer architecture to train large language models.</p><p>Just like the wishes you express can turn against you, when you prompt the machine, <strong>the way you express what it needs to do can dramatically change the output.</strong></p><h3><strong>And the most interesting part?</strong></h3><p>Prompting was not a developed feature by AI experts. It was an emergent feature. In short, by developing these huge machine learning models, prompting became the way to have the machine execute the inputs.</p><p>None asked for it; it just happened! In a paper in 2021, researchers from Stanford highlighted how transformer-based models had become foundational models.</p><p><strong>As explained in the same paper:</strong></p><p><em>The story of AI has been one of increasing emergence and homogenization. With the introduction of machine learning, how a task is performed emerges (is inferred automatically) from examples; with deep learning, the high-level features used for prediction emerge; and with foundation models, even advanced functionalities such as in-context learning emerge. At the same time, machine learning homogenizes learning algorithms (e.g., logistic regression), deep learning homogenizes model architectures (e.g., Convolutional Neural Networks), and foundation models homogenizes the model itself (e.g., GPT-3).</em></p><h3>What is the Importance of Prompt Engineering?</h3><p>Actually, I want to talk about the importance of a Prompt Engineer here. Prompt Engineering is not only about asking questions to Chat GPT or other AI robots and getting answers. In fact, Prompt Engineering is an argument that trains AI with questions and contributes to its development process.</p><p>When discussing Prompt Engineering, it does not make sense to talk only about Chat GPT. Because dozens of artificial intelligence tools are emerging every day and they need training. At this stage, Prompt Engineers are needed. That’s why the Prompt Engineering trend is growing rapidly in surveys and surveys conducted in 2023.🦾</p><blockquote>Sam Altman, CEO of OpenAI, the developer of ChatGPT, spoke about the need for prompt engineers. In a recent tweet, he said that “writing a really great prompt for a chatbot persona is an incredibly high-leverage skill.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q0IKMiolVwlw46wtH2Mp3w.png" /></figure><blockquote>Try It For Yourself</blockquote><blockquote>To test the prompt today, copy the text below:</blockquote><blockquote>I want you to act as proofreader and writer. I will give you an extract. Proofread for grammatical errors and make sure it is written clearly. Statements that could be written more clearly should be done so. Write the summary with the relevant changes and share a list of improvements made. Citation: “[insert citation]”</blockquote><p>Yeah, when we examine the issue of prompt engineering from many aspects, it does not escape our attention that it is a subject that needs to be emphasized. In this respect, those who want to make a career in this field need to address more technical and comprehensive issues related to Prompt Engineering. For more resources on Prompt Engineering, be sure to check out our other articles.🤚🤚</p><ul><li>Other articles:</li><li><a href="https://medium.com/academy-team/what-is-google-bard-how-to-use-it-b605bd001654">https://medium.com/academy-team/what-is-google-bard-how-to-use-it-b605bd001654</a></li><li><a href="https://medium.com/academy-team/machine-learning-use-cases-with-blockchain-technology-aea87f23e1c2">https://medium.com/academy-team/machine-learning-use-cases-with-blockchain-technology-aea87f23e1c2</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=daf0fcc22844" width="1" height="1" alt=""><hr><p><a href="https://medium.com/academy-team/what-is-prompt-engineering-why-future-professions-relationship-with-chatgpt-usage-daf0fcc22844">What is Prompt Engineering? Why Future Professions? Relationship with ChatGPT usage</a> was originally published in <a href="https://medium.com/academy-team">Academy Team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[What is Google Bard? How to use it?]]></title>
            <link>https://medium.com/academy-team/what-is-google-bard-how-to-use-it-b605bd001654?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/b605bd001654</guid>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[google-bard]]></category>
            <category><![CDATA[tech]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[news]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Wed, 29 Mar 2023 15:11:46 GMT</pubDate>
            <atom:updated>2023-03-29T15:11:46.527Z</atom:updated>
            <content:encoded><![CDATA[<p>What is Google Bard and How to Use It? How to use the artificial intelligence-supported chatbot recently launched by software giant Google? For those who are curious about the answers to these questions, you can check out our article and share your valuable ideas in the comments section.</p><p>One of the most curious questions, especially recently, is about what Google Bard is. In this article, we will answer some of the questions about Bard, which was opened to early access by Google and attracted great interest from the first day.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a4C-kvbRtstl_4LwQmoAnA.png" /><figcaption>Google Bard AI</figcaption></figure><h3><strong>What is Google Bard?</strong></h3><p>Bard responds faster than its competitors and offers three different responses to users. With the chatbot, you can ask various questions about a topic, get movie or TV show recommendations and more.</p><p>Developed by the software giant, Bard uses the LaMDA language model. LaMDA, introduced in recent years, is built on Transformer, a neural network architecture. The biggest benefit of LAMDA is that it uses less computing power, allows for scalability and provides a more effective feedback system.</p><p>Bard stands out with its real-time data advantage. With its Google search engine integration, Bard uses information from the web to provide up-to-date and easy-to-understand answers.</p><p>Similar to digital assistants like Alexa or Siri, Bard aims to provide simple, conversational answers to questions. Beyond that, it can also help you plan your next trip.</p><h3><strong>What is the Difference Between ChatGPT and Google Bard?</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/662/1*sC8Vskx61vyjba1qIXTcsg.jpeg" /><figcaption>Google Bard-Chat GPT</figcaption></figure><p>Google has around one billion daily users, compared to ChatGPT’s 100 million users. This means that many more people will interact with the language model, and with a large amount of feedback, the model can evolve much more effectively.</p><p>Bard, which can give different answers to the same question, uses the LaMDA model, while ChatGPT is based on GPT. The biggest difference between Bard and ChatGPT is that Bard currently only supports the English language. ChatGPT has Turkish language support as well as English.</p><h3><strong>Will Google BARD be Integrated into Search Results?</strong></h3><p>Google Bard is likely to be integrated with Google Search. When using Google Bard, you will only need to change one Google setting to get to your regular search. Google also plans to make Google Bard available to third-party developers in the future.</p><h3><strong>How to Use Google Bard?</strong></h3><p>To access the beta version of Google Bard, you need to register on the Google Bard website (<a href="https://bard.google.com/">https://bard.google.com/</a>). A Google account is required for access.</p><p>A blue “Join the waiting list” button will appear; click to join the list. When you join the list you will receive a “You have been added to the waiting list” email from <a href="/service/mailto:bard-noreply@google.com">bard-noreply@google.com</a>.</p><p>When the time is right, you will receive another email with the title “It’s your turn to try Bard”. You will receive a Google invitation for Bard in a few hours, but sometimes it can take longer.</p><blockquote>If you do not live in the United States or the United Kingdom, you can perform the following steps.</blockquote><ul><li>Download VPN software.</li><li>Activate it after installation.</li><li>Select the US or UK from the servers.</li><li>Visit Bard’s official site.</li><li>Click on the <strong>“Join Waitlist</strong>” button.</li><li>Sign in to your Google account.</li><li>Complete the process.</li></ul><p>Google Bard has been in development for several years, and as of March 21, 2023, it is only available early for users in the United States and the United Kingdom. Users in other countries can try to join the waitlist with VPN programs.</p><p>People in these countries can join the waiting list by clicking the “Join Waitlist” button on Bard’s official website and completing the steps. You must be at least 18 years old to use the service.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7EAawTod5jZ1onYGMbRulQ.jpeg" /><figcaption>Google Bard 2023</figcaption></figure><h3>When will Google Bard be rolled out to the general public?</h3><p>There is no clear date for when Google Bard will be available to all users. But as someone who follows the big language models closely, it’s not hard to imagine that this will happen in the coming days. I have the impression that Google Bard will be the talk of the town when it becomes available to everyone. What do you think, are you ready for the battle of the giants?</p><p>In this article, I talked about some information about Google Bard, which has recently been released in beta version but is accessible to users living in the US and UK. Thank you for reading my article. You can share this article on social media platforms as you wish. Hope to see you in the next article…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b605bd001654" width="1" height="1" alt=""><hr><p><a href="https://medium.com/academy-team/what-is-google-bard-how-to-use-it-b605bd001654">What is Google Bard? How to use it?</a> was originally published in <a href="https://medium.com/academy-team">Academy Team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Machine Learning Use Cases with Blockchain Technology]]></title>
            <link>https://medium.com/academy-team/machine-learning-use-cases-with-blockchain-technology-aea87f23e1c2?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/aea87f23e1c2</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[blockchain]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[defi]]></category>
            <category><![CDATA[crypto]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Sat, 25 Mar 2023 20:37:28 GMT</pubDate>
            <atom:updated>2023-03-25T20:37:28.133Z</atom:updated>
            <content:encoded><![CDATA[<p>Artificial Intelligence (AI) continues to revolutionise the way technology companies work. With the ability to analyse large amounts of data and make predictions based on that data, AI enables companies to make smarter decisions and streamline their processes. Companies such as Google, Amazon and Microsoft are investing heavily in AI and using it to develop new products and services.</p><p>AI is also being used to improve customer service, detect fraud and optimise supply chain management. As AI continues to evolve, we can expect to see even more innovative solutions from tech companies that will change the way we live and work.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kh2PmxhPSg6aC0TOT7JExQ.png" /><figcaption>BlockchainAI</figcaption></figure><p>Blockchain technology and AI (Artificial Intelligence) are two of the most innovative and revolutionary technologies of our time. Both are capable of transforming industries and changing the way we live and work.</p><p>Blockchain technology is a decentralized and secure way of storing and sharing information. It is essentially a digital ledger that records transactions and information in a way that is transparent and immutable. AI, on the other hand, is the ability of machines to learn and perform tasks that would normally require human intelligence.</p><p>When these two technologies are combined, the possibilities are endless. For example, blockchain technology can be used to create a secure and transparent platform for AI to learn and make decisions. This can be particularly useful in industries such as healthcare, where AI can be used to diagnose and treat patients, while blockchain technology can be used to securely store and share patient data.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o8bO092m7U56MmAfsEOGYQ.png" /><figcaption>Blockchain Data</figcaption></figure><p>Blockchain and AI can also be used together to create smart contracts. These are self-executing contracts that are stored on a blockchain and automatically execute when certain conditions are met. AI can be used to monitor these contracts and ensure that they are being executed correctly, without the need for human intervention.</p><p>In today’s scenario, there are various companies, large and small, applying both techniques, either integrated or integrated with each other, in different efforts of a system working to provide a single output. A few of the use cases of machine learning and blockchain technology are listed below:</p><ul><li>IBM has launched a blockchain-based micro-financing strategy for food vendors in collaboration with Twiga Foods. Where they have successfully applied some machine learning techniques. where data purchased from mobile devices using blockchain is processed using machine learning techniques to determine credit scores and predict the credit worthiness of different users. Thus, lenders can facilitate lending and repayment using blockchain technology.</li><li>Porsche, a popular car manufacturing company, is one of the early adopters of technology where machine learning and IT are integrated to improve car capabilities and safety. The company uses blockchain technology to exchange data more securely and offers peace of mind to its users; by making it easier for parking, charging, and third parties to temporarily access their cars.</li><li>A New York-based company is using a blockchain-based innovation to enable energy generation and trading for local communities. The technology uses microgrid smart meters that operate based on machine learning models and blockchain-based smart contracts to monitor and manage energy transactions.</li><li>Some other companies related to the food industries, such as Unilever and Nestlé, are using blockchain and machine learning to deal with food disasters such as food waste and contamination to efficiently maintain supply chains.</li><li>Hannah Systems brings AI and blockchain to autonomous vehicles. The company’s portfolio includes an AI-powered data exchange platform, real-time mapping tool, an insights dashboard and blockchain so an autonomous vehicle can quickly absorb, interpret and safely store data. Hannah System’s <a href="https://builtin.com/machine-learning/what-is-deep-learning">deep learning</a> predicts road information based on human behavior such as jaywalking and speeding, and it takes into account up-to-date weather and traffic congestion notifications.</li></ul><p>In this article, we have provided an overview of the use cases of Artificial Intelligence in blockchain technology with its components and applications. We then explored the opportunity to integrate blockchain technology with machine learning.</p><p>I hope this article has been useful for you.The combination of blockchain and artificial intelligence has the potential to revolutionise the way we live and work. As these technologies continue to evolve, we can expect more innovative use cases to emerge that will lead to a more secure, efficient and reliable future.</p><p>If you want to follow the Blockchain and Artificial Intelligence agenda closely, follow us and stay informed about developments. See you in the next article. Thank You</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aea87f23e1c2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/academy-team/machine-learning-use-cases-with-blockchain-technology-aea87f23e1c2">Machine Learning Use Cases with Blockchain Technology</a> was originally published in <a href="https://medium.com/academy-team">Academy Team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Image Sharpening Nedir? Nasıl Kullanılır?]]></title>
            <link>https://medium.com/@gurdalyaman/i%CC%87mage-sharpening-nedir-nas%C4%B1l-kullan%C4%B1l%C4%B1r-ded007ab5c09?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/ded007ab5c09</guid>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Thu, 23 Mar 2023 20:12:42 GMT</pubDate>
            <atom:updated>2023-03-24T23:21:02.316Z</atom:updated>
            <content:encoded><![CDATA[<p>Sharpening, bir image processing tekniğidir ve görüntüdeki kenarları veya ayrıntıları clearer hale getirmek için kullanılır. Genel bir fotoğrafın veya görüntünün çıktısının kalitesini artırmak için kullanılır.</p><p>Sharpening işlemi, piksellerin tonları arasındaki farkları artırarak çalışır. Böylece, piksellerin yoğunluğundaki değişikliklerin daha belirgin hale gelmesini sağlar. Sharpening, özellikle dijital kameralarla çekilen fotoğraflarda kullanışlı bir işlemdir, çünkü bu tür fotoğraflar genellikle<strong> biraz yumuşak veya bulanık görünebilirler.</strong></p><figure><img alt="İmage Sharpening" src="https://cdn-images-1.medium.com/max/1024/1*pUg33wGZXfjYzasoQ1pQoA.png" /></figure><p>Şimdi biraz daha işin teknik kısımlarına inelim. Sharpening, <strong>image processing,</strong> üzerinde işlemler yapmak için matematiksel ve algoritmik tekniklerin kullanımını içeren bir bilgi-işlem disiplinidir. Şimdi bu tekniği neden ve ne amaçla kullandığımıza kısa bir değinelim.</p><p><strong>Peki Neden Sharpening Tekniğine İhtiyaç Duyarız?</strong></p><p>Görüntüleri keskinleştirmek (Sharpening) için -kamera ekipmanının neden olduğu bulanıklığın üstesinden gelmek, -belirli alanlara dikkat çekmek ya da okunabilirliği artırmak.</p><p>Herhangi bir modern fotoğraf makinesinden alınan RAW dosyaları her zaman net bir görüntüye sahip değildir. Görüntü yakalama sürecinin her adımı bulanıklığa neden olabilir. Işık lens elemanlarından geçerken -ne kadar iyi yapılmış olursa olsun- bir miktar -bulanık detaylar olur. Sensör, üzerine düşen fotonları işlediğinde, en keskin geçişlerin ortalaması alınır ve hafifçe bulanıklaşır. Nihai görüntüyü oluşturmak için üç farklı renk kanalı <strong>enterpole </strong><em>(yükselti eğrileri veya noktaları arasındaki ara eğriyi çizme ve kestirme tekniği) </em>edildiğinde, yine az miktarda bulanıklık ortaya çıkar.</p><figure><img alt="Relative Luminance" src="https://cdn-images-1.medium.com/max/1024/1*MYHp7cFKnl-Ep4SVF7YnCQ.png" /></figure><p><strong>Sharpening,</strong> yükselme mesafesini azaltarak sınırlardaki görüntü kontrastını artırır. Kenar aşımına neden olabilir. (Üstteki kırmızı eğride küçük bir aşım vardır.) Küçük aşımlar keskinlik algısını artırır, ancak büyük aşımlar, kameralı telefonlar gibi küçük ekranlarda iyi görünebilen, ancak yüksek büyütmelerde göze batacak kadar belirgin hale gelebilen ve görüntü kalitesini düşüren sınırların yakınında “halos” neden olur.</p><blockquote>&gt;&gt; Halos (Haleler) image processing işleme terimi olarak, görüntü işleme işlemleri sırasında oluşabilen istenmeyen parlaklık halkalarıdır. Genellikle, yüksek kontrastlı alanlarla düşük kontrastlı alanların bir arada bulunduğu bölgelerde meydana gelirler. Halos, genellikle görüntü işleme işlemleri sırasında kontrast artırma, keskinleştirme veya ışıklandırma gibi işlemler sonrasında oluşurlar.</blockquote><p><strong>Sharpening,</strong> transfer function sahip linear bir işlemdir ve yukarıda gösterilen basit keskinleştirme algoritmasının formülü şöyledir.</p><blockquote><strong>&gt;&gt; Transfer function; bir işlemin giriş ve çıkış arasındaki ilişkiyi matematiksel olarak ifade eden bir fonksiyondur. Yani, bir işlemdeki giriş sinyalini belirli bir fonksiyon aracılığıyla çıkış sinyaline dönüştüren matematiksel bir ifadedir.</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FbHgkCv_FQKf00OSXWSd0g.png" /></figure><p>Examples:</p><p>Image sharpening using the smoothing technique / Yumuşatma tekniğini kullanarak görüntü keskinleştirme</p><p>MATLAB’de Laplace Filtresi Kullanarak Sharpening Tekniğini Uygulama</p><p><strong>Laplace Filter</strong></p><ul><li>İkinci dereceden bir türevdir operatör/filtre/maske.</li><li><strong>Görüntüyü yatay ve dikey yönlerle birlikte, toplu olarak algılar.</strong></li><li>Kenarları yatay ve dikey yönlerle birlikte algılamak için ayrı ayrı uygulamaya gerek yoktur.</li><li><strong>Bu filtrenin değerlerinin toplamı 0’dır.</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cVRVHSLO5ZAs0xL30r9OlA.png" /></figure><p>Output:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bssCjaP93Jmk9DLx5PAEmg.png" /></figure><p><strong>Code Review:</strong><br> <br><strong>a = imread (“cameraman.jpg”); </strong>Bu satır a değişkenindeki görüntüyü okur.</p><p><strong>Lap = [0 1 0; 1 -4 1; 0 1 0]; </strong>Bu satır Laplace filtresini tanımlar.</p><p><strong>a1 =conv2(a Lap,’ same’); </strong>Bu satır görüntüyü Laplace filtresi ile konvolize eder.</p><p>Konvolusyondan -gelişmiş bir sinyal işleme tekniği’ nden- sonra, bazı piksellerin değerleri [0 255] aralığının dışına çıkar. Bu nedenle bir sonraki satır kullanılır.</p><p><strong>a2 = uint8(a1); </strong>Bu satır piksel aralığını normalleştirir.</p><p>Sharpened image = Original image — Edge detected image if the central pixel of Laplacian filter is a negative value. (Laplace filtresinin merkezi pikseli negatif bir değer ise kenar algılanmış görüntü)</p><p><strong>imtool ( abs (a-a2), [] )</strong> Bu satır keskinleştirilmiş görüntüyü görüntüler.</p><p><strong>lap=[-1 -1 -1; -1 8 -1; -1 -1 -1];</strong> Bu satır, merkezi piksel değeri pozitif olan güçlü Laplacian filtresini tanımlar. Bu fonksiyona biraz daha değinelim.</p><ul><li>Bu fonksiyon, laplace operatörünü ifade eden bir matrisi oluşturur.</li><li>Matematiksel olarak bir fonksiyonun ikinci türevine karşılık gelir.</li><li>Genellikle çevresel gradyanları hesaplamak için kullanılan bir matris olarak ifade edilir.</li><li>Bu matris, komşu pikseller arasındaki farkların toplamını hesaplar.</li><li>Verilen matris, 3x3 boyutunda bir matris’dir.</li><li>Orta noktası 4&#39;e eşit değil, Laplace operatörü için bir etkileşim matrisi olduğundan diğer noktalardan farklı olarak -4&#39;e eşittir.</li><li>Diğer noktalar ise, dikey ve yatay yöndeki komşu pikseller arasındaki farkların toplamını hesaplar ve bu farklar negatif veya pozitif olabilir.</li><li>Bu matris, Laplace operatörünü uygulamak için bir çerçeve görevi görür ve genellikle görüntü işleme algoritmalarında kenar tespiti ve keskinleştirme için kullanılır.</li></ul><p><strong>a3 = conv2 (a lap,’ same’);</strong> Bu satır orijinal görüntüyü bu filtre ile konvolize eder.</p><p><strong>a4 = uint8 (a3);</strong> Bu satır piksel değerleri aralığını normalleştirir.</p><p><strong>imtool (abs (a+a4), []) </strong>Bu satır keskinleştirilmiş görüntüyü görüntüler.</p><p><strong>Şimdi Laplace Filter’ ın ne işe yaradığını tekrar edelim.</strong></p><p>Laplace Filtresi, bir görüntüdeki kenarları ve diğer özellikleri vurgulamak için kullanılan bir image processing filtresidir. Bu filtre, <strong>bir pikselin çevresindeki diğer piksellerin değerlerinden farklılaştırarak kenarları belirleyen bir matematiksel işlem</strong>e dayanır.</p><p>Laplace Filtresi, birçok image processing uygulamasında, özellikle kenar tespiti, gürültü azaltma ve kenar algılama gibi işlemlerde kullanılır.</p><p>Laplace Filtresi, Laplace operatörü olarak adlandırılan <strong>matematiksel bir operatöre dayanır</strong> ve farklı varyasyonlarda uygulanabilir. Laplace Filtresi, görüntünün kenarlarını, kenar çizgilerini ve kenarların yoğunluklarındaki transformation belirlemek için kullanılan bir araçtır.</p><p><strong>Bir diğer teknikte</strong> -Using the sharpening mask: Keskinleştirme maskesini kullanma: Yüksek Güçlendirme Filtreleme tekniğidir.</p><p>Düşük frekanslı bileşenleri ortadan kaldırmadan görüntü ayrıntılarını temsil eden yüksek frekanslı bileşenleri vurgulayan bir keskinleştirme tekniğidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AtFVnPOeYCsD_Y_zZbpbZA.png" /></figure><p><strong>HPF = High pass filtering </strong>bu da düşük frekanslı bileşenler orijinal görüntüden atılırken yüksek frekanslı bileşenlerin geçmesine izin verildiği anlamına gelir.</p><p><strong>LPF = Low pass filtering</strong>, bu da yüksek frekanslı bileşenler orijinal görüntüden atılırken düşük frekanslı bileşenlerin geçmesine izin verildiği anlamına gelir.</p><p><strong>HPF’nin Laplacian Filtresine göre avantajı:</strong></p><p>-Laplacian filtresini kullanırken, kullanılan Laplacian filtresinin merkezi piksel değeri negatifse kenar tespit edilen görüntüyü orijinal görüntüden çıkarmamız, aksi takdirde kenar tespit edilen görüntüyü orijinal görüntüye eklememiz gerekir. Dolayısıyla Laplacian filtresi seçilirken iki işlem gerçekleştirilmiştir.</p><p>Yüksek destekli filtrelemede (HBF) bir konvolusyon işlemini yalnızca bir kez kullanmamız gerekir. Bu bize keskinleştirilmiş bir görüntü verecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WxYJfeZAjdW695ubn8Rx3w.png" /></figure><p>Output:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AasEo639U8_n-Je5KveebQ.png" /></figure><p><strong>Code review:</strong></p><p>a = imread (“cameraman.jpg”);</p><p><strong>Bu satır a değişkenindeki kameraman görüntüsünü okur.</strong></p><p>HBF = [0 -1 0; -1 5 -1; 0 -1 0];</p><p><strong>Bu satır Laplacian filtresini tanımlar.</strong></p><p>a1 = conv2 (a,HBF,’same’);</p><p><strong>Bu satır görüntüyü HBF ile konvolize eder.</strong></p><p>konvolusyon’ dan sonra, bazı piksellerin değerleri [0 255] aralığının dışına çıkar. Bu nedenle bir sonraki satır kullanılır.</p><p>a2 = uint8 ( a1 );</p><p><strong>Bu satır piksel aralığını normalleştirir.</strong></p><p>imtool (a2), [])</p><p><strong>Bu satır keskinleştirilmiş görüntüyü görüntüler.</strong></p><p>SHBF = [-1 -1 -1; -1 8 -1; -1 -1 -1];</p><p><strong>Bu satır, A=1 ve Central=8 ile güçlü HBF’yi tanımlar.</strong></p><p>a3 = conv2(aSHBF,’ same’);</p><p><strong>Bu satır orijinal görüntüyü bu filtre ile konvolize eder.</strong></p><p>a4 = uint8(a3);</p><p><strong>Bu satır piksel değerleri aralığını normalleştirir.</strong></p><p>imtool (a4, [])</p><p><strong>Bu satır keskinleştirilmiş görüntüyü görüntüler.</strong></p><p><strong>Sharpening Hangi Alanlarda Kullanılıyor?</strong></p><ol><li><strong>Tıp:</strong> Tıbbi görüntüleme sistemlerinde (MRI, röntgen, ultrason vb.) elde edilen görüntülerin netleştirilmesi için <strong>sharpening algoritmaları</strong> kullanılmaktadır.</li><li><strong>Güvenlik: </strong>Güvenlik kameraları veya drone görüntüleri gibi uygulamalarda, görüntülerin netleştirilmesi ile hedef nesnelerin daha doğru bir şekilde tanımlanması mümkündür.</li><li><strong>Otomotiv:</strong> Sürücüsüz araç teknolojilerinde, araçların çevresindeki nesneleri daha doğru bir şekilde tanımlamak için görüntü işleme teknikleri ve sharpening algoritmaları kullanılır.</li><li><strong>Sanayi:</strong> Sanayi tesislerinde, kalite kontrol süreçlerinde üretilen ürünlerin görüntülerinin analizi yapılırken, görüntülerin netleştirilmesi için sharpening teknikleri kullanılır. Bu sayede, hatalı ürünlerin tespiti daha doğru bir şekilde yapılabilmektedir.</li><li><strong>Yüz tanıma: </strong>Yüz tanıma uygulamalarında, görüntülerin netleştirilmesi ile yüz özelliklerinin daha doğru bir şekilde tanınması ve eşleştirilmesi mümkündür.</li></ol><p>Sizlere image sharpening hakkında hazırladığım bu makaleyi okuduğunuz için teşekkür ederim.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ded007ab5c09" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Veri Bilimi Neden Çok Önemlidir?]]></title>
            <link>https://medium.com/@gurdalyaman/veri-bilimi-neden-%C3%A7ok-%C3%B6nemlidir-c3af89f3529c?source=rss-5712d6e9a895------2</link>
            <guid isPermaLink="false">https://medium.com/p/c3af89f3529c</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Gürdal Yaman]]></dc:creator>
            <pubDate>Wed, 01 Mar 2023 17:02:24 GMT</pubDate>
            <atom:updated>2023-03-04T12:38:56.721Z</atom:updated>
            <content:encoded><![CDATA[<p>Size bu makalede Veri Bilimin öneminden bahsedeceğim. Son zamanlarda Yapay Zeka’ nın ortaya çıkardığı bir çok teknoloji Veri Bilimin önemini daha da arttırmış, bu alandaki çalışmalara odaklanan şirketler bir çok yönden veri’ yi kullanmaya başlamıştır. Peki Veri neden bu kadar önemli ve gelecekte veri dünyası nasıl bir yöne doğru ivme kazanacak bunların detaylarını okumak için lütfen yazımı okumaya devam edin.</p><p><strong>Veri Bilimi İlk Olarak Ne Zaman Ortaya Çıktı</strong></p><p>Veri bilimi aslında çok eski bir konu değildir ancak temelleri uzun zaman önce atılmıştır. İstatistik, matematik, bilgisayar bilimi ve veri madenciliği gibi konuların bir araya gelmesiyle oluşmuştur.</p><p>Veri biliminin modern formu, 1960&#39;larda ve 1970&#39;lerde, özellikle de IBM gibi şirketlerin büyük veri analizi için kullanılan sistemler geliştirmesiyle ortaya çıkmıştır. Ancak veri bilimi, büyük ölçüde, 2000&#39;li yıllarda internet ve dijital teknolojilerin yaygınlaşmasıyla önem kazanmıştır.</p><p><em>IDC’nin bir raporuna göre, dünya genelinde 2025 yılına kadar 175 zetabyte (175 milyar terabyte) veri üretilmesi bekleniyor. 2030 yılında bu rakamın ne kadar artacağına ilişkin kesin bir tahmin bulunmamakla birlikte, veri üretiminin hızla artmaya devam edeceği ve 2030 yılında da çok yüksek bir seviyede olacağı tahmin edilmektedir.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*2L-ZFN3mKB7AjOcpLxHqRQ.jpeg" /><figcaption>Data Science</figcaption></figure><p>Veri bilimi günümüz dünyasında da çok önemli bir yere sahiptir. Çünkü hemen hemen her sektörde kullanılmaktadır. Veri bilimi, büyük miktarda veri toplama, analiz etme ve sonuçları yorumlama sürecini içerir. Bu süreç, işletmelerin ve hükümetlerin daha doğru kararlar almasına yardımcı olabilir. Ayrıca, veri bilimi, tıp, çevre bilimi, spor ve eğlence gibi alanlarda da kullanılır. Bazı temel nedenleri şunlardır:</p><p><strong>1- Doğru Kararlar Almaya Yardımcı Olur:</strong> Veri bilimi, işletmelerin ve hükümetlerin daha doğru kararlar almasına yardımcı olabilir. Büyük miktarda veriyi analiz ederek, işletmeler ve hükümetler, gelecekteki trendleri, müşteri davranışlarını ve pazar koşullarını daha iyi anlayabilirler.</p><p><strong>2- Verimliliği Artırır: </strong>Veri bilimi, işletmelerin daha verimli hale gelmesine yardımcı olabilir. Büyük veri analizi, işletmelerin stok yönetimi, üretim planlaması ve işletme yönetimi gibi alanlarda daha iyi kararlar almasına olanak tanır.</p><blockquote>“Veri bilimi bir öykü anlatımı sanatıdır. Veriler, öykülerinizi anlatmanız için bir fırsat sağlar.” — Hilary Mason</blockquote><p><strong>3- Yeni Fırsatlar Sunar: </strong>Veri bilimi, işletmelerin ve hükümetlerin yeni fırsatlar keşfetmelerine yardımcı olabilir. Büyük miktarda veri analizi, yeni pazarlara, müşteri segmentlerine ve iş modellerine işaret edebilir.</p><p><strong>4- Müşteri Deneyimini Geliştirir: </strong>Veri bilimi, işletmelerin müşteri deneyimini geliştirmelerine yardımcı olabilir. Müşterilerin davranışlarını ve ihtiyaçlarını anlamak, işletmelerin ürün ve hizmetlerini müşteriye göre özelleştirmesine olanak tanır.</p><p><strong>5- Verilerin Güvenliğini Sağlar: </strong>Veri bilimi, veri güvenliğini artırabilir. Büyük miktarda veri toplamak ve depolamak, işletmelerin ve hükümetlerin verilerini korumak için daha iyi teknolojiler ve stratejiler geliştirmelerine olanak tanır.</p><p><strong>6- Rekabet Avantajı Sağlar: </strong>Veri bilimi, işletmelerin rekabet avantajı elde etmelerine yardımcı olabilir. Büyük veri analizi, rakiplerin piyasada ne yaptığını anlamak ve işletmenin stratejilerini buna göre ayarlamak için kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*OW89jWQaF-wGQsmGw7tb6A.jpeg" /><figcaption>Veri Bilimi</figcaption></figure><p><strong>7- İnovasyonu Destekler: </strong>Veri bilimi, yenilikleri destekleyebilir. Büyük miktarda veri, işletmelerin yeni ürünler ve hizmetler geliştirmelerine, iş süreçlerini iyileştirmelerine ve daha iyi hizmet sunmalarına yardımcı olabilir.</p><p><strong>8- Sorunları Çözer: </strong>Veri bilimi, işletmelerin sorunları çözmelerine yardımcı olabilir. Büyük miktarda veri analizi, işletmelerin sorunlu alanları tanımlamasına ve bunları çözmek için stratejiler geliştirmesine olanak tanır.</p><p><strong>9- Öngörülebilirlik Sağlar:</strong> Veri bilimi, işletmelerin geleceği öngörmelerine yardımcı olabilir. Büyük miktarda veri analizi, işletmelerin gelecekteki trendleri tahmin etmelerine, riskleri azaltmalarına ve fırsatları belirlemelerine yardımcı olabilir.</p><p><strong>10- Toplumsal Yarar Sağlar:</strong> Veri bilimi, toplumsal yarar sağlayabilir. Örneğin, tıbbi verilerin analizi, hastalıkları önceden teşhis etmeye ve daha iyi tedaviler geliştirmeye yardımcı olabilir. Çevresel verilerin analizi, doğal kaynakları daha verimli kullanmaya ve sürdürülebilir bir gelecek için planlama yapmaya yardımcı olabilir.</p><p>Son olarak söylemek gerekirse veri bilimi günümüzde her sektörde çok önemlidir. Büyük miktarda veriyi analiz ederek, işletmelerin ve büyük şirketlerin daha doğru kararlar almasına, verimliliği artırmasına, yeni fırsatlar keşfetmesine, müşteri deneyimini geliştirmesine ve rekabet avantajı elde etmesine yardımcı olur. Ayrıca, toplumsal yarar sağlamak için de kullanılabilir. Umarım sizler için faydalı bir yazı olmuştur. Sonuna kadar okuduğunuz için teşekkürler.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c3af89f3529c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>