<?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 Zeki Ünyildiz on Medium]]></title>
        <description><![CDATA[Stories by Zeki Ünyildiz on Medium]]></description>
        <link>https://medium.com/@zekiunyildiz?source=rss-57e0946a723c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*c9uh8eXbc7SbXXIiLr0QNQ.jpeg</url>
            <title>Stories by Zeki Ünyildiz on Medium</title>
            <link>https://medium.com/@zekiunyildiz?source=rss-57e0946a723c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 20:22:26 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@zekiunyildiz/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[Ell Kurulumu ve API Anahtarlarının Ayarlanması — 2]]></title>
            <link>https://zekiunyildiz.medium.com/ell-kurulumu-ve-api-anahtarlar%C4%B1n%C4%B1n-ayarlanmas%C4%B1-2-3fe96a56186b?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/3fe96a56186b</guid>
            <category><![CDATA[prompt]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[ell]]></category>
            <category><![CDATA[openai]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Sat, 21 Sep 2024 22:48:26 GMT</pubDate>
            <atom:updated>2024-09-21T22:48:26.532Z</atom:updated>
            <content:encoded><![CDATA[<h3>Ell Kurulumu ve API Anahtarlarının Ayarlanması — 2</h3><p>Bir önceki yazımda Ell kütüphanesinin prompt mühendisliğine yeni bir soluk getirdiğinden bahsetmiştim. Şimdi ise, bu güçlü aracı sistemimize nasıl entegre edebileceğimize ve API anahtarlarını nasıl doğru şekilde ayarlayabileceğimize odaklanacağım. Ben size dökümandaki kurulumu anlatacağım bununla beraber kendim Colab üzerinde yaptığım işlemleri sizlerle paylaşacağım. Ell, PyPI üzerinden kolayca indirilebilen, hızlı ve hafif bir Python kütüphanesi olarak, dil modelleriyle çalışma sürecini büyük ölçüde kolaylaştırıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*SyQeSMpUySYt7jwD" /></figure><h3><strong>Ell’in Kurulumu</strong></h3><p>Ell’i kullanmaya başlamak için yapmamız gereken ilk adım, kütüphaneyi sistemimize kurmaktır. Python ekosisteminde yaygın olarak kullanılan pip paket yöneticisi ile Ell’i hızlıca kurabiliriz. Bunun için terminal veya komut satırında şu komutu çalıştırmamız yeterli:</p><pre>pip install -U ell-ai</pre><p>Kurulumun başarılı olup olmadığını doğrulamak için aşağıdaki Python komutunu çalıştırabilirsiniz:</p><pre>python -c &quot;import ell; print(ell.__version__)&quot;</pre><p>Bu komut, Ell kütüphanesinin yüklendiği versiyonu gösterecektir. Eğer her şey sorunsuzsa, artık Ell’i kullanmaya hazırsınız demektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i2Q32vmD8MDYQ7EfNR0W0g.png" /></figure><h3><strong>API Anahtarlarının Ayarlanması</strong></h3><p>Ell’i kullanabilmek için OpenAI ve/veya Anthropic gibi modellerin API anahtarlarına ihtiyacınız olacaktır. Bu anahtarlar, dil modellerine erişim sağlamak için gereklidir. Aşağıda OpenAI ve Anthropic API anahtarlarının nasıl ayarlanacağı adım adım açıklanmıştır.</p><p><strong>OpenAI API Anahtarının Alınması ve Ayarlanması</strong></p><p>İlk olarak OpenAI API anahtarını edinmek için <a href="https://platform.openai.com/account/api-keys">OpenAI API</a> sayfasına giderek hesabınıza giriş yapın ve anahtarınızı alın. Daha sonra, OpenAI Python paketini sisteminize kurmanız gerekiyor:</p><pre>pip install openai</pre><p>API anahtarınızı çevresel değişken olarak ayarlamak için:</p><ul><li><strong>Windows Kullanıcıları</strong>:</li></ul><pre>setx OPENAI_API_KEY &quot;your-openai-api-key&quot;</pre><ul><li><strong>macOS/Linux Kullanıcıları</strong>:</li></ul><pre>export OPENAI_API_KEY=&#39;your-openai-api-key&#39;</pre><p>Bu ayarları yaptıktan sonra, OpenAI modellerini sorunsuz şekilde kullanmaya başlayabilirsiniz.</p><h3><strong>Anthropic API Anahtarının Alınması ve Ayarlanması</strong></h3><p>Anthropic API anahtarı için benzer bir süreç izliyoruz. <a href="https://www.anthropic.com/">Anthropic API</a> sayfasından anahtarınızı aldıktan sonra, Python paketini şu komut ile kurabilirsiniz:</p><pre>pip install anthropic</pre><p>Çevresel değişkeni ayarlamak için:</p><ul><li><strong>Windows Kullanıcıları</strong>:</li></ul><pre>setx ANTHROPIC_API_KEY &quot;your-anthropic-api-key&quot;</pre><ul><li><strong>macOS/Linux Kullanıcıları</strong>:</li></ul><pre>export ANTHROPIC_API_KEY=&#39;your-anthropic-api-key&#39;</pre><p><strong>Sorun Giderme İpuçları</strong></p><p>Kurulum sırasında sorun yaşarsanız, pip sürümünüzü güncellemek faydalı olabilir:</p><pre>pip install --upgrade pip</pre><p>Ayrıca, sanal bir Python ortamı (virtual environment) kullanarak temiz bir kurulum sağlayabilirsiniz. Eğer izin hataları alırsanız, Unix tabanlı sistemlerde sudo komutunu, Windows’ta ise yönetici haklarıyla işlemleri tekrar deneyebilirsiniz.</p><p>Ell’in kurulumunu ve API anahtarlarının nasıl ayarlanacağını adım adım inceledik. Şimdi ise, Ell ile geleneksel API çağrılarının nasıl daha modüler ve sürdürülebilir hale geldiğine odaklanacağız. Ell, dil modelleriyle çalışırken, geleneksel yöntemlere kıyasla daha işlevsel ve yönetilebilir bir yapı sunarak prompt mühendisliğini kolaylaştırıyor.</p><h3><strong>Geleneksel API Çağrılarından Ell’e Geçiş</strong></h3><p>Dil modelleriyle çalışırken, genellikle geleneksel API çağrılarına başvururuz. Aşağıda, OpenAI’nin ChatCompletion API’si ile basit bir “Sam Altman’a merhaba de” örneğini görebilirsiniz:</p><pre>import openai<br><br>openai.api_key = &quot;your-api-key-here&quot;<br><br>messages = [<br>    {&quot;role&quot;: &quot;system&quot;, &quot;content&quot;: &quot;You are a helpful assistant.&quot;},<br>    {&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: &quot;Say hello to Sam Altman!&quot;}<br>]<br><br>response = openai.ChatCompletion.create(<br>    model=&quot;gpt-4o&quot;,<br>    messages=messages<br>)<br><br>print(response[&#39;choices&#39;][0][&#39;message&#39;][&#39;content&#39;])</pre><p>Bu örnekte, bir dil modeli çağrısı yapmak için sistem prompt’u, kullanıcı prompt’u ve model parametreleri manuel olarak tanımlanmakta. Bu yöntem, özellikle daha karmaşık projelerde, kodun okunabilirliğini ve sürdürülebilirliğini zorlaştırabilir. Ancak Ell, bu süreci daha yönetilebilir hale getiriyor. İşte Ell’in aynı görevi nasıl daha basit ve işlevsel hale getirdiğini görelim:</p><pre>import ell<br><br>@ell.simple(model=&quot;gpt-4o&quot;)<br>def hello(name: str):<br>    &quot;&quot;&quot;You are a helpful assistant.&quot;&quot;&quot;  # Sistem prompt&#39;u<br>    return f&quot;Say hello to {name}!&quot;  # Kullanıcı prompt&#39;u<br><br>greeting = hello(&quot;Sam Altman&quot;)<br>print(greeting)</pre><p><strong>İşlevsellik ve Yeniden Kullanılabilirlik</strong></p><p>Ell’in sunduğu en önemli avantajlardan biri, dil modeli çağrılarını fonksiyonel birimlere dönüştürmesidir. Bu sayede, API çağrıları bir fonksiyon içerisinde sistem prompt’u ve kullanıcı prompt’u olarak yapılandırılır. Yukarıdaki örnekte, hello fonksiyonu ile “Sam Altman’a merhaba de” görevini yerine getirdik. Burada önemli olan nokta, sistem prompt’unun docstring olarak tanımlanması ve kullanıcı prompt’unun ise fonksiyonun dönen değeri olarak ifade edilmesidir.</p><p>Bu yaklaşım, geleneksel API çağrılarına göre birçok avantaj sunar:</p><ul><li><strong>Okunabilirlik:</strong> Fonksiyonlar, dil modeli çağrılarının ne yaptığına dair daha açık bir yapı sağlar. Örneğin, hello fonksiyonuna baktığınızda, sistem ve kullanıcı prompt’larının ne olduğunu doğrudan anlayabilirsiniz.</li><li><strong>Modülerlik:</strong> Fonksiyonlar, farklı argümanlarla tekrar kullanılabilir hale gelir. Aynı fonksiyonu başka isimlerle veya farklı kullanıcı girdileriyle yeniden kullanabilirsiniz.</li><li><strong>Sürdürülebilirlik:</strong> Prompt’lar fonksiyonel birimlere dönüştürüldüğü için, büyük projelerde dil modeli çağrılarını yönetmek ve düzenlemek daha kolay hale gelir.</li></ul><p><strong>Versionlama ve Görselleştirme</strong></p><p>Ell’in bir diğer önemli özelliği ise, dil modeli programlarının versiyonlanabilir ve görselleştirilebilir olmasıdır. Özellikle büyük projelerde, dil modeli çağrılarının her iterasyonunu izlemek, versiyonlamak ve gerektiğinde bu versiyonlar arasında geçiş yapabilmek kritik öneme sahiptir. Ell, bu süreci basitleştirir ve dil modeli programlarının gelişimini takip edebilmenizi sağlar.</p><p><strong><em>Ell</em></strong> ile dil modeli programlamasının temellerini ve kurulum sürecini ele aldığımız bu yazıda, dil modeli çağrılarının nasıl daha işlevsel hale getirilebileceğini gördük. Ell’in sunduğu modülerlik ve kullanım kolaylığı ile bu yeni yaklaşım, prompt mühendisliği sürecinizi daha verimli hale getirecek. Bir sonraki yazımızda, Ell’in ileri seviye özelliklerini ve dil modeli optimizasyonu için sunduğu çözümleri incelemeye devam edeceğiz.</p><p>Kaynakça:<br><a href="https://docs.ell.so/installation.html">https://docs.ell.so/installation.html</a></p><p><a href="https://docs.ell.so/getting_started.html">https://docs.ell.so/getting_started.html</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3fe96a56186b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ell: Prompt Mühendisliğine Yeni Bir Yaklaşım]]></title>
            <link>https://zekiunyildiz.medium.com/ell-prompt-m%C3%BChendisli%C4%9Fine-yeni-bir-yakla%C5%9F%C4%B1m-b12b0dc74b35?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/b12b0dc74b35</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[prompt]]></category>
            <category><![CDATA[langchain]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[ell]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Thu, 19 Sep 2024 22:30:07 GMT</pubDate>
            <atom:updated>2024-09-19T22:30:53.476Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazımda son dönemde konuşulan önemli konulardan biri olan <strong>Ell</strong> hakkında bir yazı yazmak istedim. Prompt mühendisliği, büyük dil modellerinin gücünü ortaya çıkarmak için kullandığımız en önemli araçlardan biri haline geldi. Fakat prompt’larla çalışırken karşılaştığımız zorluklar, bu süreci karmaşık ve zaman alıcı bir hale getirebiliyor. İşte tam da bu noktada, <strong>Ell</strong> adını verdiğimiz yeni bir kütüphane devreye giriyor. <strong>Ell</strong>, prompt mühendisliğine yepyeni bir soluk getirerek, bu süreci daha verimli, anlaşılır ve ölçeklenebilir hale getiriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DiyQA-0O-3CoMxkTIEj4sA.png" /></figure><blockquote>Prompt’lar Sadece Metin Değil, Programdır</blockquote><p><strong>Ell</strong>’in en temel prensibi, prompt’lara sadece metinler olarak değil, aynı zamanda programlar olarak yaklaşmaktır. Bu yaklaşım, prompt’ları fonksiyonlar şeklinde tanımlamamıza olanak tanır. Böylece, prompt’larımızı daha modüler ve yeniden kullanılabilir hale getirebiliriz.</p><pre>import ell<br><br>@ell.simple(model=&quot;gpt-4o-mini&quot;)<br>def hello(world: str):<br>    &quot;&quot;&quot;Sen yardımcı bir asistansın&quot;&quot;&quot;  # Sistem prompt&#39;u<br>    name = world.capitalize()<br>    return f&quot;{name}&#39;a merhaba de!&quot;  # Kullanıcı prompt&#39;u<br><br>hello(&quot;sam altman&quot;)</pre><blockquote>Prompt Mühendisliği Bir Optimizasyon Sürecidir</blockquote><p>Prompt mühendisliği, tıpkı makine öğrenmesindeki gibi, birçok yineleme gerektiren bir optimizasyon sürecidir. <strong>Ell</strong>, bu süreci kolaylaştırmak için otomatik versiyonlama, serileştirme ve hatta gpt-4o-mini ile otomatik commit mesajları oluşturma gibi özellikler sunar. Bu sayede, prompt&#39;larımızın gelişimini takip edebilir ve iyileştirmeler yapabiliriz.</p><pre>import ell<br><br>ell.init(store=&#39;./logdir&#39;)  # LMP&#39;lerinizi ve çağrımlarını sürümlendirir<br><br>hello(&quot;çilek&quot;)  # LMP&#39;nin kaynak kodu mağazaya kaydedilir</pre><h3>İzleme, Versiyonlama ve Görselleştirme Araçları</h3><p><strong>Ell Studio</strong>, prompt’larımızı versiyon kontrolü altında tutmamızı, izlememizi ve görselleştirmemizi sağlayan yerel ve açık kaynaklı bir araçtır. Bu araç sayesinde, prompt optimizasyon sürecimizi daha bilimsel bir temele oturtabiliriz.</p><pre>ell-studio --storage ./logdir</pre><h3>Test Zamanı Hesaplama Önemlidir</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wdED0l-LqpbYcKQvQ76hWQ.png" /></figure><p>Gerçek dünyada çalışan bir uygulama geliştirmek, genellikle birden fazla dil modeli çağrısı yapmayı gerektirir. <strong>Ell</strong>, bu süreci kolaylaştırmak için fonksiyonel bir ayrıştırma yaparak, test zamanı hesaplama tekniklerini daha okunabilir ve modüler bir şekilde uygulamamıza olanak tanır.</p><pre>import ell<br><br>@ell.simple(model=&quot;gpt-4o-mini&quot;, temperature=1.0, n=10)<br>def write_ten_drafts(idea: str):<br>    &quot;&quot;&quot;Yetkin bir hikaye yazarı olmalısın. Hikaye sadece 3 paragraf olmalı.&quot;&quot;&quot;<br>    return f&quot;{idea} hakkında bir hikaye yaz.&quot;<br><br>@ell.simple(model=&quot;gpt-4o&quot;, temperature=0.1)<br>def choose_the_best_draft(drafts: list[str]):<br>    &quot;&quot;&quot;Sen uzman bir kurgu editörüsün.&quot;&quot;&quot;<br>    return f&quot;Listeden en iyi taslağı seç: {&#39;\n&#39;.join(drafts)}.&quot;<br><br>drafts = write_ten_drafts(&quot;Mars’a yolculuk&quot;)<br>best_draft = choose_the_best_draft(drafts)</pre><p>Dil modeli çağrıları, ince ayar, distilasyon, k-shot prompting, pekiştirmeli öğrenme ve daha birçok alanda kullanılır. <strong>Ell</strong>, bu çağrıları birinci sınıf kavramlar olarak ele alarak, her bir çağrıyı yerel olarak kaydetmemize olanak tanır. Böylece, veri setleri oluşturabilir, LMP çıktıları karşılaştırabilir ve prompt mühendisliği sürecinde daha fazla kontrol sahibi olabiliriz.</p><blockquote>Karmaşıklık Gerektiğinde, Sadelik İstendiğinde</blockquote><p>Dil modelleriyle çalışırken bazen basit metin çıktıları yeterli olurken, bazen daha karmaşık veya multimodal çıktılara ihtiyaç duyabiliriz. <strong>Ell</strong>, bu ihtiyaçları karşılamak için @ell.simple ve @ell.complex dekoratörlerini sunar.</p><pre>import ell<br><br>@ell.tool()<br>def scrape_website(url : str):<br>    # Verilen URL&#39;deki web sayfasının içeriğini getirir<br>    return requests.get(url).text<br><br>@ell.complex(model=&quot;gpt-5-omni&quot;, tools=[scrape_website])<br>def get_news_story(topic : str):<br>    # Dil modeline web kullanarak bir haber bulması talimatını verir<br>    return [<br>        ell.system(&quot;&quot;&quot;Bu konuyla ilgili bir haber bulmak için web&#39;i kullan&quot;&quot;&quot;),<br>        ell.user(f&quot;{topic} hakkında bir haber bul.&quot;)<br>    ]<br><br>message_response = get_news_story(&quot;stock market&quot;)<br><br># Eğer araç çağrıları varsa, bunlar üzerinde işlem yap<br>if message_response.tool_calls:<br>    for tool_call in message_response.tool_calls:<br>        # Araç çağrıları burada işlenebilir<br>        pass<br><br># Eğer metin yanıtı varsa, bu yanıtı yazdır<br>if message_response.text:<br>    print(message_response.text)<br><br># Eğer sesli yanıt varsa, desteklendiği zaman sesli oynatma işlevi çalışacak<br>if message_response.audio:<br>    # message_response.play_audio() - Sesli yanıtları oynatır<br>    pass</pre><p>Büyük dil modelleri, metin, resim, ses ve video gibi çeşitli içerik türlerini işleyebilir ve üretebilir. <strong>Ell</strong>, bu içerik türleriyle çalışmayı kolaylaştırarak, multimodal prompt mühendisliği yapmamıza olanak tanır.</p><pre>from PIL import Image<br>import ell<br><br>@ell.simple(model=&quot;gpt-4o&quot;, temperature=0.1)<br>def describe_activity(image: Image.Image):<br>    return [<br>        ell.system(&quot;Sen VisionGPT&#39;sin. Cevap &lt;5 kelime tüm küçük harflerle.&quot;),<br>        ell.user([&quot;Kişinin resimde ne yaptığını tarif et:&quot;, image])<br>    ]<br><br>describe_activity(capture_webcam_image())  # &quot;kitap tutuyorlar&quot;</pre><blockquote>İş Akışınıza Engel Olmaz</blockquote><p><strong>Ell</strong>, hafif ve göze batmayan bir kütüphane gibi duruyor. Kodlama stilinizi ve Langchain ile yazdığınız kod stilini değiştirmenizi veya özel editörler kullanmanızı gerektirmez. Mevcut Python kodunuzu kullanmaya devam ederken, <strong>Ell’</strong>in sunduğu özellikleri kullanarak prompt’larınızı görselleştirebilir ve analiz edebilirsiniz. Hatta, Langchain’den <strong>Ell</strong>’e geçişi kademeli olarak, fonksiyon fonksiyon gerçekleştirebilirsiniz.</p><p>Bundan sonra Ell ile ilgili yazılar yazmayı düşünüyorum. Burada Dökümanı okuyup uygulayıp Türkçe kaynak oluşturmayı hedef edinmiştim. Umarım faydalı olur bu yazım.</p><p>kaynakça:<br><a href="https://docs.ell.so/#">https://docs.ell.so/#</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b12b0dc74b35" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenAI’nin Yeni Yapay Zeka Modeli ChatGPT-4o ve Call Center Sektöründe Yolculuğu]]></title>
            <link>https://zekiunyildiz.medium.com/openainin-yeni-yapay-zeka-modeli-chatgpt-4o-ve-call-center-sekt%C3%B6r%C3%BCnde-yolculu%C4%9Fu-94f2bfa431b9?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/94f2bfa431b9</guid>
            <category><![CDATA[gpt-4o]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[openai]]></category>
            <category><![CDATA[gpt-4]]></category>
            <category><![CDATA[gpt]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Sun, 19 May 2024 11:35:19 GMT</pubDate>
            <atom:updated>2024-05-19T13:23:22.998Z</atom:updated>
            <content:encoded><![CDATA[<p>Teknoloji dünyasında büyük bir heyecan yaratan OpenAI, en yeni amiral gemisi modeli GPT-4o’yu tanıttı. “Omni” olarak adlandırılan bu model, metin, ses ve görüntü işlemede gerçek zamanlı performansıyla gerçekten tüm dikkatleri üstüne çekti. Yapay zeka ile etkileşim şeklimizi kökten değiştirecek olan GPT-4o, call center sektöründe çalışan bizleri de heyecanlandırdı. Bu haliyle birçok alanda devrim yaratma potansiyeline sahip.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9EKKUGwNX-hNeLKE.jpg" /></figure><h4>GPT-4o’nun Temel Özellikleri</h4><p><strong>Gerçek Zamanlı Çoklu Model İşleme</strong>: GPT-4o, metin, ses ve görüntüleri aynı anda işleyerek kullanıcılarla daha doğal ve kesintisiz etkileşimler sağlıyor.</p><p><strong>Hız ve Maliyet Etkinliği</strong>: GPT-4o, ses girdilerine 232 milisaniye gibi kısa bir sürede yanıt verebilir ve bu performansı GPT-4&#39;e kıyasla daha hızlı ve daha düşük maliyetle sunuyor ve bizi en çok call center dünyasında ilgimizi çeken konu da bu.</p><p><strong>Gelişmiş Dil Desteği</strong>: GPT-4o, sadece İngilizce metin ve kodlarda üstün performans göstermekle kalmadığını, aynı zamanda İngilizce dışındaki dillerde de başarılı sonuçlar verdiğini Türkçe gibi dillerde çok iyi performans verdiğini görebiliyoruz.</p><h4>GPT-4o’nun GPT-4&#39;ten Farkları</h4><p>GPT-4o, önceki versiyon olan GPT-4&#39;e göre birçok önemli iyileştirme sunuyor. Çoklu model yeteneği sayesinde metin, ses ve görüntüleri tek bir modelde işleyebiliyoruz. Ayrıca, daha hızlı yanıt süreleri ve azaltılmış maliyetler ile kullanıcılara daha erişilebilir bir çözüm sunuyor. Gelişmiş dil desteği, İngilizce dışındaki dillerde de üstün performans göstermesini sağlıyor. Maliyet konusu startup şirketler için biraz düşünüdürücüydü. Bu model ile maliyetlerin düşmesiyle pek çok şirket rahat bir nefes aldı diyebiliriz.</p><p><strong>Geliştirilmiş Doğal Dil Anlama</strong>: GPT-4o’nun gelişmiş dil anlama yeteneği, daha karmaşık dil yapıları ve bağlamları kavrama imkanı sunarak daha ince ayrıntılı ve bağlamsal olarak farkındalığı yüksek anlama sağlar. Bu özellik, espri, deyim ve insan konuşmasının inceliklerini anlama konusunda bu modelin diğer modellere göre daha iyi geliştiğini gösteriyor.</p><p><strong>Sağlık Sektöründe Kullanım</strong>: GPT-4o, hasta iletişimini kolaylaştırma, kayıtları yönetme ve ön tıbbi tavsiye verme konularında sağlık sektörüne büyük katkı sağlayabilir. AloTech şirketinin bir çalışanı olarak sağlık sektöründe pek çok müşterimiz var. Bunları yakından gören ve işin içinde olan biri olarak bu tarafta ileride yapılacak olan Chat ve Voice botların müşterilere çok iyi bir hizmet anlayışı olacaktır.</p><p><strong>Eğitimde Devrim</strong>: Eğitim alanında, kişiselleştirilmiş ders anlatımı, ödev yardımı, yapılamayan soruların çözümü ve eğitim içerikleri oluşturma gibi alanlarda eğitimi dönüştürebilir. Çoklu model yetenekleri, öğrenmeyi daha interaktif ve ilgi çekici hale getirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-gcfqS-883gnVuCKY-W1sA.png" /></figure><h4>Müşteri Etkileşimlerinde Gelişmiş Konuşma Yeteneği</h4><p>GPT-4o, gelişmiş doğal dil anlama ve üretme yetenekleri sayesinde müşteri temsilcileri ile müşteriler arasındaki etkileşimleri daha akıcı ve doğal hale getirebiliyor. Bu model, karmaşık sorguları anlayabilir, bağlamı koruyabilir ve müşteri taleplerine hızla yanıt verebilir. Bu da müşteri memnuniyetini artırır ve çözüm süresini kısaltır.</p><h4>7/24 Otomatik Müşteri Desteği</h4><p>Call center’lar için en büyük zorluklardan biri, müşteri taleplerine kesintisiz yanıt verebilmektir. GPT-4o, 7/24 hizmet verebilecek otomatik destek sistemleri oluşturmak için ideal bir çözümdür. Bu model, hem metin hem de sesli etkileşimlerde yüksek doğrulukla yanıt verebilir, böylece gece gündüz fark etmeksizin müşteri desteği sağlayabilir.</p><h4>Kapsamlı Eğitim ve Kaynak Yönetimi</h4><p>Yeni müşteri temsilcilerinin eğitimi zaman alıcı ve maliyetli olabilir. GPT-4o, kapsamlı eğitim materyalleri ve interaktif eğitim modülleri oluşturmak için kullanılabilir. Ayrıca, temsilcilerin ihtiyacı olan bilgiye hızla erişebilmesi için bilgi tabanları ve sıkça sorulan sorular gibi kaynakları daha etkili bir şekilde yönetebilir.</p><h4>Duygu Analizi ve Müşteri Deneyimi İyileştirme</h4><p>GPT-4o, müşteri etkileşimleri sırasında duygu analizleri yapabilir. Müşterilerin duygu durumunu ve memnuniyet seviyesini anında tespit edebilir ve bu bilgileri müşteri temsilcilerine ileterek daha empatik ve etkili hizmet sunmalarını sağlayabilir. Bu da müşteri deneyimini önemli ölçüde iyileştirir.</p><h4>Çoklu Dil Desteği</h4><p>GPT-4o’nun gelişmiş dil desteği, call center’ların farklı dillerde hizmet vermesini kolaylaştırır. Bu model, dil engelini ortadan kaldırarak global müşteri tabanına daha iyi hizmet sunulmasını sağlar. Çok dilli destek, müşteri memnuniyetini artırır ve şirketlerin uluslararası pazarda daha rekabetçi olmasına yardımcı olur.</p><h4>Verimlilik ve Maliyet Tasarrufu</h4><p>GPT-4o, tekrarlayan ve rutin görevleri otomatikleştirerek insan kaynaklarının daha verimli kullanılmasını sağlar. Bu, call center’ların operasyonel maliyetlerini düşürürken, çalışanların daha stratejik ve yaratıcı görevlerle ilgilenmesine olanak tanır. Sonuç olarak, şirketler hem maliyet tasarrufu yapar hem de hizmet kalitesini artırır bu yolla.</p><p>OpenAI’nin tanıttığı GPT-4o, yapay zekanın evriminde önemli bir kilometre taşıdır. Gelişmiş özellikleri ve yetenekleri, çeşitli sektörlerde ve call center sektöründe devrim yaratma potansiyeline sahiptir ve teknolojiyle olan etkileşimlerimizi daha doğal ve etkili hale getirecektir. Call center içerisinde gelişmiş konuşma yetenekleri, 24/7 müşteri desteği, kapsamlı eğitim ve kaynak yönetimi, çağrı analizi, duygu analizi, çoklu dil desteği ve verimlilik artışı gibi özellikleriyle, müşteri hizmetleri süreçlerini daha etkili ve verimli hale getirecektir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=94f2bfa431b9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI Modelleri]]></title>
            <link>https://zekiunyildiz.medium.com/generative-ai-modelleri-9a15b532401d?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/9a15b532401d</guid>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <category><![CDATA[google-ai]]></category>
            <category><![CDATA[vertex-ai]]></category>
            <category><![CDATA[vertex]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Thu, 15 Feb 2024 22:08:15 GMT</pubDate>
            <atom:updated>2024-02-15T22:08:15.405Z</atom:updated>
            <content:encoded><![CDATA[<p>Vertex AI, farklı fiyat etiketleriyle sunulan ve belirli kullanım durumları göre ince ayar yapılmış temel modeller içeren geniş bir AI modeli ve API listesi sunuyor. Bu yazımda, Vertex AI’nin sunduğu temel model API’lerine ve bu modellerin özelliklerine yakından bakmaya çalışacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3g0NsgUXM4Utz_lFERMc3Q.jpeg" /></figure><h3>Vertex AI Temel Model API’leri</h3><p>Vertex AI, metin, kod ve chat’i kapsayan Gemini API; metin, chat ve embedding için PaLM API; kod üretimi, kod sohbeti ve kod tamamlama için Codey API’leri; ve görüntü üretimi, görüntü düzenleme, görüntü altyazısı, görsel soru cevaplama ve çok modlu gömme için Imagen API olmak üzere bir çok temel model API’si sunuyor bizlere.</p><h4>Gemini API Modelleri</h4><ul><li><strong>Gemini 1.0 Pro</strong>: Doğal dil görevlerini, çok dönüşlü metin ve kod sohbetlerini ve kod üretimini ele almak üzere tasarlanmıştır. Yalnızca metin içeren komutlar için Gemini 1.0 Pro’yu kullanın.</li><li><strong>Gemini 1.0 Pro Vision</strong>: Metin veya sohbet komutlarına görüntü ve video eklemeyi destekleyen çok modlu bir modeldir. Metin veya kod yanıtı için çok modlu komutlar kullanın.</li><li><strong>Gemini 1.0 Ultra ve Ultra Vision</strong>: Google’ın en yetenekli çok modlu ve çok modlu görüş modelleri, karmaşık görevler için optimize edilmiştir. Bu modeller, belirli müşterilere genel olarak sunulmaktadır.</li><li><strong>Gemini 1.5 Pro</strong>: Google’ın geniş bir görev yelpazesi boyunca ölçeklendirme için optimize edilmiş orta boyutlu çok modlu modelidir. Uzun bağlam anlayışını destekler.</li></ul><p>Peki biz hangi modeli seçmeliyiz?</p><p>Yukarıdaki sorunun cevabı için isterlere bakmalıyız. Böyle durumlarda model seçimi, projenizin gereksinimlerine bağlıdır. Eğer projeniz yalnızca metin içeriyorsa, Gemini 1.0 Pro bizim için iyi bir seçenektir. Metin, görüntü veya video içeren daha karmaşık görevler için, Gemini 1.0 Pro Vision veya daha yetenekli olan Gemini 1.0 Ultra modelleri idealdir. Özellikle, Gemini 1.5 Pro, uzun metinler veya büyük veri setleri ile çalışmanız gerektiğinde tercih edilmelidir.</p><p>Şimdi ise PaLM modellerini inceleyelim. PaLM API modelleri, metin sınıflandırma, özetleme, çıkarma ve çok dönüşlü sohbetler gibi çeşitli dil görevlerinde iyi bir performans sağlamak üzere özel olarak ince ayarlanmıştır. Bu yazıda, PaLM API’nin sunduğu modellere ve özelliklerine detaylı bakalım.</p><h4>PaLM 2 için Metin (text-bison ve text-unicorn)</h4><ul><li><strong>Text-bison</strong>: Doğal dilin tavsiyelerini takip etmek için ince ayar yapılmış ve çeşitli dil görevleri için uygundur. Bu model, 8192&#39;ye kadar giriş ve 1024&#39;e kadar çıkış token’ı destekler ve Şubat 2023&#39;e kadar olan eğitim verileri ile eğitilmiştir.</li><li><strong>Text-unicorn</strong>: PaLM modelleri içierisinde en gelişmiş metin modelidir ve karmaşık doğal dil görevleri için kullanılmak üzere tasarlanmıştır. Bu model, distilasyon teknolojisi ile geliştirilmiş ve yine 8192&#39;ye kadar giriş ve 1024&#39;e kadar çıkış token’ı desteklemektedir.</li></ul><h4>PaLM 2 için Metin 32k (text-bison-32k)</h4><ul><li>Bu mode Text-bison ile benzer tavsiyeleri takip etmek için özel geliştirilmiş ve 32,768&#39;e kadar token (giriş + çıkış) ve 8,192&#39;ye kadar çıkış token’ı desteklemektedir. Ağustos 2023&#39;e kadar olan eğitim verileri ile eğitilmiştir ve genişletilmiş token limiti ile daha uzun metin görevlerini işleyebilir.</li></ul><h4>PaLM 2 için Sohbet (chat-bison ve chat-bison-32k)</h4><ul><li><strong>Chat-bison</strong>: Sohbet kullanım durumları için ince ayar yapılmıştır ve 8192&#39;ye kadar giriş, 2048&#39;e kadar çıkış token’ı destekler.</li><li><strong>Chat-bison-32k</strong>: Chat-bison yapısına benziyor ve sohbet için tasarlanmış ayrıca 32,768&#39;e kadar token (giriş + çıkış) ve 8,192&#39;ye kadar çıkış token’ı desteklemektedir.</li></ul><p>Projelerimizin ihtiyaçlarına göre doğru PaLM API modelini seçmek çok önemlidir. Eğer karmaşık doğal dil işleme görevleriyle uğraşıyorsanız, text-unicorn modeli en gelişmiş özellikleri sunar. Uzun metinler veya genişletilmiş diyaloglarla çalışıyorsanız, 32k modelleri daha uygun olabilir.</p><p>Vertex AI’ ile ilgili yazımı okuduğunuz için teşekkür ederim. Gemini ve PaLM modellerinden bahsetmeye çalıştım. Bu “Generative AI Studio’ya Giriş — 1” yazımın devamı gibi görüyorum ve yapay zekanın derinliklerinde daha fazlasını keşfetmek için sabırsızlanıyorum. Bir sonraki yazımızda görüşmek üzere, iyi günler dilerim!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9a15b532401d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LangChain — 5 Büyük Dil Modelleri (LLMs) ile Çalışma]]></title>
            <link>https://zekiunyildiz.medium.com/langchain-5-b%C3%BCy%C3%BCk-dil-modelleri-llms-ile-%C3%A7al%C4%B1%C5%9Fma-07a489351390?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/07a489351390</guid>
            <category><![CDATA[model]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[langchain]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Tue, 23 Jan 2024 22:33:27 GMT</pubDate>
            <atom:updated>2024-01-23T22:36:55.870Z</atom:updated>
            <content:encoded><![CDATA[<h3>LangChain — 5 Büyük Dil Modelleri (LLMs) ile Çalışma</h3><p>Herkese merhaba! Generative AI Studio serisindeki son yazımdan sonra, LangChain ile ilgili yazılarıma devam etmek istedim. Bu beşinci yazım da, yapay zekanın dil işleme kapasitesine odaklanmaya çalışacağım. LangChain’in, çeşitli LLM sağlayıcılarına nasıl bir arayüz sunduğunu ve bu sayede yapay zekanın dil anlama ve üretme yeteneklerinin nasıl geliştiğini göstermeye çalışacağım.</p><p>Öncelikle OpenAI veya Hugging Face gibi önemli LLM sağlayıcılarının LangChain ile nasıl etkileşimde bulunduğunu ve bu teknolojilerin günlük hayatımızı nasıl dönüştürebileceğini inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dhpLhou_JJosXrWUFjskIQ.png" /></figure><h3>LangChain’in LLM’ler ile Etkileşimi</h3><p>Yapay zeka ve doğal dil işleme (NLP) alanlarında hızla gelişen teknolojiler, iş ve günlük yaşamımızı çok fazla etkiliyor ve hayran bırakıyor. Bu etkilerin merkezinde ise Büyük Dil Modelleri (LLMs) bulunuyor. LangChain, çeşitli LLM sağlayıcıları ile etkileşim kurmak için standart bir arayüz sunuyor. Bu yazımda, LangChain’in LLM’lerle nasıl etkileşimde bulunduğunu ve OpenAI örneği üzerinden LLM’lerin nasıl kullanılacağını öncelikle ele alalım diğer sağlayıcılarıda diğer yazılarda vakit buldukça anlatırız.</p><h3>LLM’lerin Önemi ve LangChain’in Rolü</h3><p>Bilinenin akisne LangChain, kendi LLM’lerini sunmaktan ziyade, OpenAI, Anthropic, Hugging Face gibi birçok farklı LLM sağlayıcısıyla etkileşim kurmak için bir arayüz sağlıyor. Bu standartlaştırılmış arayüz, biz geliştiricilere farklı LLM sağlayıcıları arasında sorunsuz bir geçiş yapma ve bu modelleri kendi projelerine entegre etme olanağı tanıyor.</p><h3>LangChain ve OpenAI LLM’leri ile Çalışmak</h3><h4>Öncelikle Kurulum Adımları</h4><p>LangChain ile çalışmaya başlamak için ilk adım, OpenAI Python paketini kurmaktır. Bu, basit bir pip install openai komutu ile gerçekleştirilebilir(Colab’ta çalışıyorsanız başına ünlem koymayı unutmayın :)). Ancak, API&#39;ye erişmek için bir API anahtarımızın olması gerekir.</p><p>API anahtarınızı aldıktan sonra, bunu bir ortam değişkeni olarak ayarlayarak (export OPENAI_API_KEY=&quot;...&quot;) veya OpenAI LLM sınıfını başlatırken doğrudan bir parametre olarak geçirerek (OpenAI(openai_api_key=&quot;...&quot;)) kullanabilirsiniz.</p><p><strong>LangChain Expression Language (LCEL)</strong>, Büyük Dil Modelleri (LLMs) ile etkileşimi kolaylaştıran güçlü bir araçtır. LCEL’in temelini oluşturan Runnable interface, LLM’lerin farklı metotlarına erişim sağlar. Bu metotlar arasında invoke, ainvoke, stream, astream, batch, abatch, ve astream_log bulunur. Bu metotlar, LLM&#39;lerin çeşitli kullanım senaryolarında esneklik ve etkinlik sunar.</p><h4>Invoke Metodu Kullanımı</h4><p>invoke metodu, LLM&#39;lerin en temel çağrı metodudur. Örneğin, &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot; sorusu, invoke metodu ile LLM&#39;ye sorulabilir:</p><pre>llm.invoke(<br>    &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;<br>)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*972n707woph98_gvMgo8cA.png" /></figure><p>Bu metot, bizlere detaylı bir yanıt sunar, kitapları sıralar ve her birinin açıklamasını verir.</p><h4>stream Metodu ile Sürekli Yanıt Alma</h4><p>stream metodu, LLM&#39;den sürekli akış şeklinde yanıt almak için kullanılır. Bu, büyük veri setleri veya uzun süreçler için idealdir. Örneğin:</p><pre>for chunk in llm.stream(<br>    &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;<br>):<br>    print(chunk, end=&quot;&quot;, flush=True)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E8JZJFGOWmQnGmWAluJurQ.png" /></figure><h4>batch Metodu ile Toplu İşleme</h4><p>batch metodu, birden çok sorguyu aynı anda işlemek için kullanılır. Bu, verimliliği artırır ve zaman kazandırır. Örneğin:</p><pre>llm.batch(<br>    [<br>        &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;<br>    ]<br>)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KNrjrfuO_6po8ku3J2vkjA.png" /></figure><p>Bu metot, verilen birden çok sorguya aynı anda yanıt verir.</p><h3>Asenkron Metotlar: ainvoke ve astream</h3><p>Asenkron metotlar, ainvoke ve astream, daha karmaşık ve zaman alıcı işlemler için idealdir. Bu metotlar, işlemin tamamlanmasını beklemek yerine, diğer görevlere devam ederken yanıtın gelmesini sağlar.</p><h4>ainvoke kullanımı</h4><p>ainvoke, asenkron bir şekilde tek bir sorguya yanıt almak için kullanılır:</p><pre>await llm.ainvoke(<br>    &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;<br>)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*umOQmivUxK4m1aSsHyZZYA.png" /></figure><h4>astream ile Sürekli Asenkron Akış</h4><p>astream, sürekli bir yanıt akışı için asenkron bir metodtur. Bu metotla, yanıtlar parça parça ve zamanla alınır:</p><pre>async for chunk in llm.astream(<br>    &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;<br>):<br>    print(chunk, end=&quot;&quot;, flush=True)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rxFCXGNmVTs48sMQ0O6wfg.png" /></figure><h3>astream_log ile Yanıt Sürecini İzleme</h3><p>astream_log, LLM&#39;den gelen yanıtları ve süreci izlemek için kullanılır. Bu, özellikle hata ayıklama ve performans analizi için yararlıdır.</p><pre>async for chunk in llm.astream_log(<br>    &quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;<br>):<br>    print(chunk)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IxbLHiFCM4zKax07Yf0STg.png" /></figure><p>Metotları anlattığım yazımın son metotuastream_log ‘du yazıma bir diğer önemli konu olan Caching işlemi ile devam edeceğim.</p><h3>Caching Neden Önemli?</h3><p>LangChain, Büyük Dil Modelleri için kullanabileceğimiz bir önbellekleme katmanı sunar. Bu özellik iki önemli avantaj sağlar: Maliyet tasarrufu ve uygulamanızın hızlanması. LangChain bize sunduğu iki Caching yöntemi var. InMemory ve SQLite.</p><h3>InMemoryCache</h3><p>Bellek içi önbellekleme, hızlı ve etkili bir Caching yöntemidir. Aşağıdaki örnek, bu yöntemin kullanımını göstermektedir:</p><pre>%%time<br>from langchain.cache import InMemoryCache<br><br>set_llm_cache(InMemoryCache())<br><br>llm.predict(&quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;)<br></pre><pre>%%time<br>llm.predict(&quot;Enflasyonu anlatan kitap önerilerin var mı?&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Im0bTXhdtl7l430bCV1nHQ.png" /></figure><p>Bu yöntem, ilk sorgu sonrasında sonuçları hızla belleğe kaydeder. İkinci sorgu yapıldığında, daha önce kaydedilen sonuç bellekten hızla çekilerek kullanıcıya sunulur.</p><h3>SQLite ile Caching işlemi(SQLiteCache)</h3><p>SQLite ile önbellekleme, sonuçları bir veritabanında saklar. Bu yöntem, özellikle uygulamanızı yeniden başlattığınızda bile önbelleği korumanız gereken durumlar için uygundur.</p><pre># We can do the same thing with a SQLite cache<br>from langchain.cache import SQLiteCache<br><br>set_llm_cache(SQLiteCache(database_path=&quot;.langchain.db&quot;))<br></pre><pre>%%time<br># The first time, it is not yet in cache, so it should take longer<br>llm.predict(&quot;Tarih boyunca İstanbul&#39;un örnek isimleri nelerdir?&quot;)<br></pre><pre>%%time<br># The second time it is, so it goes faster<br>llm.predict(&quot;Tarih boyunca İstanbul&#39;un örnek isimleri nelerdir?&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uZSIaAAMutRPkAItTxQ4XA.png" /></figure><p>Bu kullanım, sonuçları bir SQLite veritabanında saklar ve ihtiyaç duyulduğunda bu veritabanından sonuçları hızla geri yükler.</p><p>Önbellekleme, ilk sorgu ve sonrasındaki sorgular arasında belirgin bir performans farkı yaratır. İlk sorgu API üzerinden gerçekleşir ve biraz zaman alır. Ancak sonuç önbelleğe alındıktan sonra, aynı sorgu için tekrar API çağrısı yapmak gerekmez. Bu, sonraki sorguların hemen hemen anında gerçekleşmesini sağlar.</p><p>Bugünkü yazımda, LangChain ve Büyük Dil Modelleri’nin sunduğu farklı uygulamaları anlatmaya çalıştım. Önbellekleme tekniklerinden LLM sağlayıcılarının kullanımına kadar birçok konuya değinmeye çalıştım. Bu seride daha fazlasını keşfetmeyi umuyorum. Burada ana LangChain dökümanını kendime kaynak olarak alıp uygulamalar geliştirirken öğrendiğim kısımları size anlatmak istedim. Aşağıda kaynakçaları belirtiyorum. Bir sonraki yazıda görüşürüz :)</p><ul><li><a href="https://python.langchain.com/docs/modules/model_io/llms/">LLMs | 🦜️🔗 Langchain</a></li><li><a href="https://python.langchain.com/docs/modules/model_io/llms/quick_start">Quick Start | 🦜️🔗 Langchain</a></li><li><a href="https://python.langchain.com/docs/modules/model_io/llms/custom_llm">Custom LLM | 🦜️🔗 Langchain</a></li><li><a href="https://python.langchain.com/docs/modules/model_io/llms/llm_caching">Caching | 🦜️🔗 Langchain</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=07a489351390" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Generative AI Studio’ya Giriş — 1]]></title>
            <link>https://zekiunyildiz.medium.com/generative-ai-studioya-giri%C5%9F-1-d65abc74c266?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/d65abc74c266</guid>
            <category><![CDATA[vertex]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[google-ai]]></category>
            <category><![CDATA[vertex-ai]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Thu, 30 Nov 2023 21:32:08 GMT</pubDate>
            <atom:updated>2023-11-30T21:32:08.091Z</atom:updated>
            <content:encoded><![CDATA[<h3>Generative AI Studio’ya Giriş — 1</h3><p>Yapay zeka (AI), hayatımızın birçok alanında yükselmeye devam ediyor. Bu yükselişte bugün Google Cloud’un sunduğu Generative AI Studio’yu inceleyeceğim. Bu araç, generative AI modellerini hızlı bir şekilde prototipleme ve test etme imkanı sunuyor. Peki, Generative AI Studio tam olarak nedir ve bize neler sunuyor?</p><p>Generative AI Studio, temelde bir Google Cloud konsol aracı. Bu platform, örnek promptlarla modelleri test etmenize, kendi promptlarınızı tasarlamanıza ve uygulamanızın ihtiyaçlarına uygun görevleri yerine getirecek şekilde temel modelleri özelleştirmenize olanak tanıyor. Bu yazıda, Generative AI Studio’da gerçekleştirebileceğiniz farklı görevleri ele alacağım. Bunlar arasında şunlar var:</p><ul><li>Örnek promptlar kullanarak modelleri test etme.</li><li>Kendi promptlarınızı tasarlama ve kaydetme.</li><li>Bir temel modeli ayarlama (tune etme).</li><li>Konuşma ve metin arasında dönüşüm yapma.</li></ul><h3>Örnek Promptlarla Modelleri Test Etme</h3><p>Generative AI Studio’nun Language bölümünde yer alan Prompt Galerisi, model yeteneklerini göstermeye yardımcı olmak için önceden tasarlanmış çeşitli örnek promptlar içeriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cyo2rlACoty-o3TghjjWMQ.png" /></figure><p>Bu örnek promptlar, Chat, Summarization ve Classification gibi görev türlerine göre kategorize edilmiş. Her bir prompt, belirli bir model ve parametre değerleriyle önceden yapılandırılmış durumda, böylece sadece örnek promptu açıp Gönder’e tıklamanız yeterli oluyor ve model bir yanıt üretiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iRg6sSDtp_lyfAqg9UiVwg.png" /></figure><p>Generative AI Studio, yapay zeka üzerinde kullanıcıların yaratıcılıklarını artıran bir platform olarak öne çıkıyor. Bu araç sayesinde, AI modellerini daha iyi anlayabilir ve onları kendi ihtiyaçlarımıza göre nasıl şekillendirebileceğimizi keşfedebiliriz. İster bir geliştirici olun, ister yapay zeka konusunda meraklı biri, Generative AI Studio’nun sunduğu olanaklar kesinlikle dikkatinizi çekecektir.</p><p>Generative AI Studio’nun en heyecan verici özelliklerinden biri, kendi promptlarınızı tasarlama ve kaydetme imkanı sunması. Peki, bu süreç nasıl işliyor ve neden bu kadar önemli?</p><h3>Prompt Tasarımı: Yapay Zekayı İstediğiniz Yönde Yönlendirme Sanatı</h3><p>Prompt tasarımı, bir dil modelinden istenen yanıtı elde etmek için manuel olarak promptlar oluşturma sürecidir. Promptları dikkatlice tasarlayarak, modeli istediğiniz sonucu üretmeye yönlendirebiliriz. Özellikle belirli bir kullanım durumu için bir dil modelini uyarlamak istediğinizde, prompt tasarımı oldukça etkili bir yöntem olabilir.</p><p>Generative AI Studio’da kendi promptlarınızı oluşturabilir ve kaydedebilirsiniz. Yeni bir prompt oluştururken, prompt metnini giriyorsunuz, kullanılacak modeli belirliyorsunuz, parametre değerlerini yapılandırıyorsunuz ve bir yanıt üreterek promptu test ediyorsunuz. İstediğiniz sonuçları elde edene kadar prompt ve yapılandırmaları üzerinde iterasyon yapabilirsiniz. Prompt tasarımınızı tamamladığınızda, onu Generative AI Studio’da kaydedebilirsiniz. Örneğin, belirli bir teknolojik ürünün kullanıcı deneyimini iyileştirmek isteyen bir ürün geliştiricisi için özel promptlar tasarlayabilir veya belirli bir eğitim programı için etkili öğretim teknikleri sunacak promptlar geliştirebilirsiniz. Generative AI Studio’nun bu esnekliği, yapay zekanın eğitim ve ürün geliştirme alanlarında nasıl yenilikçi çözümler sunabileceğini keşfetmenize olanak tanıyor. Generative AI Studio ile yapay zekanın sunduğu olanakları tam anlamıyla kişiselleştirebilir ve benzersiz ihtiyaçlarınıza göre şekillendirebiliriz.</p><p>Generative AI Studio’da yanıt kalitesini, ‘temperature’ (çıktı rastgeleliği) ayarını değiştirerek ve diğer yanıt parametreleriyle deney yaparak ayarlayabilirsiniz. Bu, modelin ürettiği yanıtların çeşitliliğini ve yaratıcılığını artırmanıza olanak tanır. Böylece, daha özgün ve beklenmedik yanıtlar elde edebilirsiniz.</p><p>Generative AI Studio bir web sayfasından uzun alıntılar yaparsa, bu alıntıları çıktıda belirtir. Bu özellik, yapay zekanın sorumlulukla kullanımı açısından kritik bir öneme sahip. Alıntı yaptığı içerikleri açıkça belirterek, hem şeffaflığı hem de içerik sahiplerinin haklarını koruyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rZmAd_MA1vlBArpub8gW1A.png" /></figure><p>Bu yazı serisinde, Generative AI Studio’nun temel özelliklerini nasıl keşfedileceğinizi ele alıcam. Her bir bölüm, yapay zekanın bu heyecan verici dünyasına dair derinlemesine bilgiler sunması en büyük arzum ve bu teknolojinin nasıl kişiselleştirilebileceğini göstermek çok istiyorum. Bir sonraki yazılarda görüşürüz.</p><p>Kaynakça:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fvideoseries%3Flist%3DPLIivdWyY5sqLRCzKJyixrIDPQKwU6XHpn&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fplaylist%3Flist%3DPLIivdWyY5sqLRCzKJyixrIDPQKwU6XHpn&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F-3Olw-C4FN4%2Fhqdefault.jpg%3Fsqp%3D-oaymwEWCKgBEF5IWvKriqkDCQgBFQAAiEIYAQ%3D%3D%26rs%3DAOn4CLBf4s4lzyi_R8vztsXvuXZg0labQQ%26days_since_epoch%3D19691&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="853" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/a5033923c4b769e64a70417307212955/href">https://medium.com/media/a5033923c4b769e64a70417307212955/href</a></iframe><ul><li><a href="https://cloud.google.com/vertex-ai/docs/generative-ai/learn-resources?utm=vgai009">Learn about LLMs, PaLM models, and Vertex AI | Google Cloud</a></li><li><a href="https://cloud.google.com/vertex-ai/docs/generative-ai/learn/generative-ai-studio">Introduction to Generative AI Studio | Vertex AI | Google Cloud</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d65abc74c266" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LangChain — 4 - Chat Models]]></title>
            <link>https://zekiunyildiz.medium.com/langchain-4-chat-models-f57836cd3114?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/f57836cd3114</guid>
            <category><![CDATA[model]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[langchain]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Thu, 02 Nov 2023 20:15:55 GMT</pubDate>
            <atom:updated>2023-11-02T20:16:32.834Z</atom:updated>
            <content:encoded><![CDATA[<h3>LangChain — 4 - Chat Models</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qnkCRQql2hNUM9E2Wymgrg.png" /></figure><p>Dijital dünyada, yapay zeka temelli sohbetler artık günlük hayatın bir parçası haline geldi. Bu sohbetleri mümkün kılan şey ise “sohbet modelleri”dir. Peki, bu sohbet modelleri nedir ve dil modellerinden nasıl farklılar?</p><p>Aslında sohbet modelleri, dil modellerinin özel bir türüdür. Dil modelleri, kapsamlı veri setlerinden öğrenerek insan gibi konuşmayı taklit edebilen yapay zeka sistemleridir. Sohbet modelleri ise bu dil modellerini temel alır, fakat kullanımları biraz farklıdır. Geleneksel “metin gir, metin çık” şeklinde çalışan API’lerin aksine, sohbet modelleri “sohbet mesajları” ile iletişim kurarlar.</p><p>Kullanıcı tarafından girilen sohbet mesajlarını alır, anlamlandırır ve bu mesajlara uygun, akıcı ve doğal yanıtlar üretir. Böylece, insanlarla doğal bir sohbet akışı içinde interaktif bir diyalog kurabilirler. Bu modeller, müşteri hizmetleri, eğitim uygulamaları veya kişisel asistanlar gibi birçok alanda kullanılıyor ve kullanıcı deneyimini zenginleştiriyor.</p><p>Kısacası, sohbet modelleri, teknolojinin dilimizi konuşmasını ve bizimle etkileşimde bulunmasını sağlayan ileri düzey yapay zeka uygulamalarıdır. Gelişmiş algoritmaları ve kullanıcı dostu arayüzleri ile günümüzün ve geleceğin dijital iletişimine yön veriyorlar.</p><p>Başlamadan önce, OpenAI’nin Python paketini bilgisayarınıza yüklemeniz gerekecek. Bu paket, OpenAI’nin sunduğu yapay zeka yeteneklerine erişim sağlayacak ve dil modeli tabanlı sohbet botlarını kolayca oluşturmanıza olanak tanıyacak bir araçtır. İşte başlamak için izlemeniz gereken adımlar:</p><ol><li><strong>Paket Kurulumu</strong>: İlk olarak, OpenAI Python paketini kurmak için terminalinize veya komut istemcinize pip install openai yazın ve enter tuşuna basın. Bu, gerekli tüm dosyaların bilgisayarınıza indirilip kurulmasını sağlar.</li><li><strong>API Anahtarına Erişim</strong>: OpenAI API’sini kullanabilmek için bir API anahtarına ihtiyacınız olacak. Eğer henüz bir API anahtarınız yoksa, bir OpenAI hesabı oluşturarak bu anahtarı elde edebilirsiniz. Anahtarı elde ettikten sonra, bunu bir çevre değişkeni olarak bilgisayarınızda ayarlayabilirsiniz. Bunun için terminalinize export OPENAI_API_KEY=&quot;...&quot; komutunu girerek yerine elde ettiğiniz anahtarınızı yazın.</li><li><strong>Python Kodunda Kullanım</strong>: Eğer çevre değişkeni oluşturmak istemiyorsanız, anahtarı doğrudan Python kodunuzda da kullanabilirsiniz. Bunu yapmak için:</li></ol><pre>from langchain.chat_models import ChatOpenAI  <br>chat = ChatOpenAI(openai_api_key=&quot;API_ANAHTARINIZ&quot;)</pre><p>şeklinde bir kod bloğu kullanabilirsiniz. Burada &quot;API_ANAHTARINIZ&quot; ifadesinin yerine gerçek API anahtarınızı yazmayı unutmayın.</p><p>4.<strong> Varsayılan Ayarlarla Başlatma</strong>: Eğer bir API anahtarınız zaten çevre değişkeni olarak ayarlıysa veya OpenAI’nin paketi bu anahtarı otomatik olarak bulabiliyorsa, herhangi bir parametre vermeden de sınıfı başlatabilirsiniz:</p><pre>from langchain.chat_models import ChatOpenAI  chat = ChatOpenAI()</pre><p>Bu adımlarla, OpenAI’nin sohbet modelini kullanmaya başlayabilir ve kendi sohbet botunuzu oluşturabilirsiniz. Bu işlemler, sohbet modelleri ile etkileşim kurmanın temellerini oluşturur ve size yapay zeka destekli sohbetler yapma gücü verir.</p><p>Günümüzde yapay zeka, sohbet robotları ile iletişimimizi kolaylaştıran yenilikçi yöntemler sunuyor. Bu robotlar, dil modellemesinin bir adım ötesinde, sohbet bazlı bir yapı kullanarak insanlarla etkileşime giriyorlar. LangChain’in sohbet modelleri, bu etkileşimde çeşitli mesaj tiplerini destekliyor: insan mesajları (HumanMessage), AI mesajları (AIMessage), sistem mesajları (SystemMessage), işlevsel mesajlar (FunctionMessage) ve rol parametresine sahip genel sohbet mesajları (ChatMessage). Ancak genellikle insan ve AI mesajları ile sistem mesajları en çok kullanılan tiplerdir.</p><p>LCEL (LangChain Expression Language), LangChain içindeki sohbet modellerinin temel yapı taşını oluşturan Runnable arayüzünü implemente eder. Bu, sohbet modellerinin invoke, ainvoke, stream, astream, batch, abatch, ve astream_log gibi çağrıları desteklediği anlamına gelir.</p><p>Sohbet modelleri, giriş olarak List[BaseMessage] veya mesaja dönüştürülebilen nesneleri kabul eder. Bu, bir str nesnesinin HumanMessage&#39;a dönüştürülmesi ya da PromptValue gibi nesneleri içerir.</p><p>İşte bir Python kod parçası örneği:</p><pre>from langchain.schema.messages import HumanMessage, SystemMessage<br><br># Chat modeline gönderilecek mesajlar listesi oluşturuluyor<br>messages_to_send = [<br>    SystemMessage(content=&quot;I am designed to assist you efficiently&quot;),<br>    HumanMessage(content=&quot;How does model regularization prevent overfitting?&quot;),<br>]<br><br># chat.invoke metodu ile sohbet modelinden asenkron bir şekilde yanıt alınır<br>async_response = chat.invoke(messages_to_send)<br><br>print(async_response.content)<br># Bu satır, alınan AIMessage yanıtının içeriğini ekrana yazdırır.</pre><p>invoke metodunu kullanarak, sohbet modeline bir dizi mesaj gönderirsiniz ve modelden bir AIMessage alırsınız. Bu mesaj, öğrenme modellerinde düzenlileştirme yapılmasının amacını açıklar: modelin aşırı öğrenmesini önlemek ve genelleme yeteneğini artırmak.</p><pre># Sohbetin akışını yineleyici olarak almak<br>for chunk in chat.stream(messages):<br>    print(chunk.content, end=&quot;&quot;, flush=True)</pre><p>stream metodunu kullanarak, sohbet modeli, gelen mesajları yineleyici bir biçimde işler ve sonuçları bir akış olarak döndürür. Bu sayede, modelden gelen yanıtları gerçek zamanlı olarak alabilir ve işleyebilirsiniz.</p><p>chat.batch ve chat.ainvoke metodları da benzer bir işlevsellik sunar, ancak bu sefer yanıtları toplu halde ya da asenkron bir biçimde alırsınız. Toplu çağrılarda, birden fazla mesaj grubu için bir seferde sonuçlar alabilirsiniz. Asenkron çağrılarda ise, yanıtları beklerken diğer işlemlerinizi sürdürebilirsiniz.</p><p>astream ve astream_log asenkron akış metodlarıdır ve stream&#39;in asenkron versiyonları olarak düşünülebilir. Bu çağrılar sayesinde, asenkron bir şekilde mesaj akışı alabilir ve log kayıtlarını inceleyebilirsiniz.</p><pre># Asenkron akış ile mesajları almak ve yazdırmak<br>async for chunk in chat.astream(messages):<br>    print(chunk.content, end=&quot;&quot;, flush=True)</pre><p>Son olarak, sohbet modellerini bir fonksiyon gibi çağırarak (__call__ yöntemi ile) kolaylıkla bir mesaj elde edebilirsiniz. Bu çağrı yöntemi, arka planda invoke işlevselliğini kullanır.</p><pre># Sohbet modelini fonksiyon olarak kullanarak yanıt al<br>response = chat([<br>    HumanMessage(content=&quot;Please convert this phrase from English to German: Life is beautiful.&quot;)<br>])<br><br>print(response.content)<br># Beklenen çıktı &quot;Das Leben ist schön.&quot; olacaktır.</pre><p>generate metodunu kullanarak, daha zengin çıktılar elde edebilir ve birden fazla mesaj grubu için sonuçları alabilirsiniz. LLMResult nesnesi, her bir üretim hakkında ek bilgiler içerir.</p><pre># Toplu çağrılar için generate metodunu kullanmak<br>result = chat.generate(batch_messages)<br>print(result.llm_output)<br># Token kullanımı ve diğer API çağrı bilgilerini içeren bilgileri yazdırır.</pre><p>Her bir bu yöntem, sohbet modelinin farklı senaryolarda nasıl kullanılabileceği konusunda size esneklik sağlar ve ihtiyacınıza göre senkron veya asenkron işlemleri gerçekleştirmenize olanak tanır.</p><h3><strong>LangChain ile Sohbet Modelleri için Belleğe Alma (Caching) ve Performans Optimizasyonu</strong></h3><p><strong>LangChain</strong>, chat modellerinde zeka ve hızı bir araya getiren yenilikçi bir özellik sunarak bu alanda önemli bir adım attı: opsiyonel bir önbellekleme katmanı. Önbellekleme, hem finansal açıdan tasarruf etmenizi hem de uygulamanızın hızını artırmanızı sağlar.</p><p>Nasıl mı? 😊</p><p>İşte bu iki temel nedenle önbellekleme bu kadar önemli:</p><ol><li><strong>Maliyet Tasarrufu</strong>: Eğer sık sık aynı yanıtları talep ediyorsanız, LangChain’in önbellek katmanı, yapay zeka servis sağlayıcısına yapılacak API çağrılarının sayısını azaltarak bütçenize katkı sağlar.</li><li><strong>Hız Artışı</strong>: API çağrı sayısını düşürerek uygulamanızın tepki süresini iyileştirir. Sonuçta, kullanıcı deneyiminiz daha akıcı ve etkileyici hale gelir.</li></ol><pre>from langchain.globals import set_llm_cache<br>from langchain.chat_models import ChatOpenAI<br><br># Yapay zeka sohbet modelini başlatıyoruz.<br>llm = ChatOpenAI()<br><br># Bellekte önbellek kullanımı için gerekli modülü import ediyoruz.<br>from langchain.cache import InMemoryCache<br># InMemoryCache nesnesini global önbellek olarak ayarlıyoruz.<br>set_llm_cache(InMemoryCache())<br><br># Bir şaka talep ediyoruz. İlk seferde önbellekte olmadığı için daha uzun sürüyor.<br>response = llm.predict(&quot;Tell me a joke&quot;)<br>print(response)  # İlk cevap<br><br># Aynı talebi tekrarlıyoruz. Bu kez önbellekte olduğu için yanıt hızlı geliyor.<br>response = llm.predict(&quot;Tell me a joke&quot;)<br>print(response)  # İkinci cevap, önbellekten dolayı daha hızlı</pre><p>Bu kısım, ChatOpenAI modelini kullanarak bir şaka talep eder ve cevabın önbelleğe alınmasını sağlar. İlk çağrı önbellekte olmadığı için daha uzun sürerken, ikinci çağrı önbelleğe alınmış olduğundan çok daha hızlı bir yanıt verir.</p><p>SQLite tabanlı bir önbellek kullanmak da benzer bir avantaj sağlar. İlk sorgu biraz zaman alır çünkü veritabanına yazılması gerekir. Ancak ikinci sorguda veriler hızla alınır, çünkü artık yerel bir SQLite veritabanında depolanmıştır.</p><pre>rm .langchain.db  # SQLite önbellek veritabanı dosyasını siler.</pre><pre>from langchain.cache import SQLiteCache<br># SQLite önbelleğini ayarlıyoruz.<br>set_llm_cache(SQLiteCache(database_path=&quot;.langchain.db&quot;))<br><br># Bir şaka talep ediyoruz. İlk seferde önbellekte olmadığı için daha uzun sürüyor.<br>response = llm.predict(&quot;Tell me a joke&quot;)<br>print(response)  # İlk cevap, önbellekte olmadığı için yavaş<br><br># Aynı talebi tekrarlıyoruz. Bu kez önbellekte olduğu için yanıt hızlı geliyor.<br>response = llm.predict(&quot;Tell me a joke&quot;)<br>print(response)  # İkinci cevap, önbellekten dolayı daha hızlı</pre><p>Burada ise SQLiteCache kullanılarak bir önbellekleme mekanizması oluşturulur ve bu, önbellek olarak bir SQLite veritabanı dosyası kullanır. İlk çağrı, veritabanına kaydedilene kadar normal sürede gerçekleşir. İkinci çağrı ise önbellekten anında alınır, bu yüzden çok daha hızlı bir yanıta sahip olursunuz.</p><p>Kaynakça:</p><ul><li><a href="https://python.langchain.com/docs/modules/model_io/models/chat/">Chat models | 🦜️🔗 Langchain</a></li><li><a href="https://python.langchain.com/docs/modules/model_io/models/chat/chat_model_caching">Caching | 🦜️🔗 Langchain</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f57836cd3114" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Google ‘Cloud Run ☁️’]]></title>
            <link>https://zekiunyildiz.medium.com/google-cloud-run-%EF%B8%8F-c3eda85c22df?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/c3eda85c22df</guid>
            <category><![CDATA[containers]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <category><![CDATA[google-cloud-run]]></category>
            <category><![CDATA[google-cloud]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Thu, 26 Oct 2023 22:45:08 GMT</pubDate>
            <atom:updated>2023-10-26T22:45:08.010Z</atom:updated>
            <content:encoded><![CDATA[<p>Bugün sizlere AloTech’te çokça kullandığımız heyecan verici bir konudan bahsetmek istiyorum: <strong>Google Cloud Run</strong>. Peki, Cloud Run tam olarak nedir?</p><p><strong>Google Cloud Run</strong>, Google Cloud Platform’un bir servisidir. Bu servis, Docker konteynerlerimizi tamamen yönetilen bir ortamda, talep üzerine otomatik olarak ölçeklendirerek çalıştırmamızı sağlar. Aslında, uygulamamızı bir konteyner içinde paketleyip <strong>Cloud Run</strong>’da çalıştırmaya karar verdiğimizde, altta yatan tüm sunucu ve altyapı yönetimiyle uğraşmamıza gerek kalmaz 🫠.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*f16XEWgNFw485fXMaoJZ6w.png" /></figure><p><strong>Cloud Run</strong>’da çalıştırabileceğimiz kodlar için herhangi bir kısıtlama yoktur. Temel olarak herhangi bir programlama dilinde yazılmış kodu <strong>Cloud Run</strong>’da çalıştırabiliriz, yeter ki bu koddan bir docker konteyner imajı oluşturabiliyor olalım.</p><p>Ancak konteyner imajı oluşturmak zorunlu değildir. Eğer kodunuzu Go, Node.js, Python, Java, .NET Core veya Ruby gibi popüler dillerden birinde yazdıysanız, bu diller için hazırlanmış en iyi uygulamaları kullanarak konteyner imajı oluşturma işlemini atlayabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*brxKniJoaNF890WIzC9ovA.png" /></figure><p>Bu diller için Google Cloud, kaynak kodunuzu alıp otomatik olarak konteyner imajı oluşturup <strong>Cloud Run</strong>’da çalıştıran kaynak tabanlı dağıtım seçeneğini sunmaktadır.</p><p><strong>Cloud Run</strong>’da kodunuzu çalıştırmanın iki yolu vardır: Hizmetler ve İşler.</p><p><strong>-</strong> <strong>Cloud Run Hizmetleri</strong>: Web isteklerine veya olaylara yanıt veren kodları sürekli çalışır şekilde çalıştırmak için kullanılır.</p><p><strong>- Cloud Run İşleri</strong>: Belirli bir işi yapıp iş bitince sonlandırılan kodları çalıştırmak için kullanılır.</p><p>Her ikisi de aynı ortamda çalışır ve Google Cloud üzerindeki diğer servislerle aynı entegrasyonlara sahiptir.</p><p>Bir servisin ya da işin <strong>Cloud Run</strong>’a dağıtılabilmesi için bir konteyner imajı içinde paketlenmesi gerekmektedir. Bir konteyner imajı, servisinizin çalışması için gereken her şeyi içeren bir pakettir. Bu, inşa edilen ürünleri, varlıkları, sistem paketlerini bir çalışma zamanını kapsar. Bu, konteynerleştirilmiş bir uygulamanın doğuştan taşınabilir olduğu anlamına gelir bir konteynerin çalışabileceği her yerde çalışır. İnşa edilen ürünlerin örnekleri arasında derlenmiş ikililer veya komut dosyaları bulunurken, çalışma zamanı örnekleri Node.js JavaScript çalışma zamanı veya bir Java sanal makinesi (JVM) olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*r9brDLyYlZHoLYi-bz81Dw.png" /><figcaption>Konteyner Oluşturma Süreci</figcaption></figure><p>Biz AloTech’te, Cloud Run’ın kodlarını çalıştırmada ek yük getirmediği için çok değerli bulup kullanıyoruz: Cloud Run’da herhangi bir ikiliyi çalıştırabilirsiniz. Daha fazla kolaylık arayan veya uygulamalarını konteynerleştirmeyi Google’a devretmek isteyen kullanıcılar için Cloud Run, kaynak tabanlı bir dağıtım sunmak üzere açık kaynaklı Google Cloud Buildpacks ile entegre olmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LWQQzvm7mdOk0WKr9_qA4Q.png" /><figcaption>Cloud Run arayüzü</figcaption></figure><h3>Google Cloud Run’a Python Servisi Nasıl Yüklenir?</h3><ul><li>Google Cloud hesabınız olmalı ve projenizde Cloud Run API’si etkinleştirilmiş olmalıdır.</li><li>Google Cloud SDK’sı bilgisayarınıza kurulu olmalıdır.</li><li>Docker bilgisayarınızda kurulu ve çalışır durumda olmalıdır.</li></ul><h3>Uygulamayı Deploy Etme</h3><p>Öncelikle Dockerfile adında bir dosya oluşturun:</p><pre># Python resmi imajını kullanıyoruz<br>FROM python:3.8-slim<br><br># Çalışma dizinini ayarlayın<br>WORKDIR /app<br><br># Bağımlılıkları kopyalayıp yükleyin<br>COPY requirements.txt .<br>RUN pip install --no-cache-dir -r requirements.txt<br><br># Uygulamanızı kopyalayın<br>COPY . .<br><br># Uygulamanın çalışacağı port<br>EXPOSE 8080<br><br># Uygulamanızı çalıştırın<br>CMD [&quot;python&quot;, &quot;app.py&quot;]</pre><p>İçinde main.py adında bir dosya oluşturun ve şunları yapıştırın:</p><pre>import os<br>from flask import Flask<br><br>app = Flask(__name__)<br><br>@app.route(&quot;/&quot;)<br>def hello_world():<br>    &quot;&quot;&quot;Örnek Merhaba Dünya rota.&quot;&quot;&quot;<br>    name = os.environ.get(&quot;NAME&quot;, &quot;Dünya&quot;)<br>    return f&quot;Merhaba {name}!&quot;<br><br>if __name__ == &quot;__main__&quot;:<br>    app.run(debug=True, host=&quot;0.0.0.0&quot;, port=int(os.environ.get(&quot;PORT&quot;, 8080)))</pre><p>Bu kod, “Merhaba Dünya” selamıyla yanıt veren temel bir Flask web sunucusunu kurar.</p><p>Sonraki adımda, bağımlılıklarımızı belirtelim. requirements.txt adlı bir dosya oluşturun ve içine şunları yapıştırın:</p><pre>Flask==2.1.0<br>gunicorn==20.1.0<br>Werkzeug==2.3.7</pre><p>Bu dosyalarla birlikte, uygulamamız deploy edeceğiz.</p><h3>Docker İmajını Oluşturma ve Yükleme</h3><p>Öncelikle lokalde bir Docker imajı oluşturalım:</p><pre>docker build -t my-python-app .</pre><p>Bu imajı Google Container Registry&#39;ye (GCR) yükleyelim:</p><pre># İmajı GCR&#39;ye yükleyin<br>docker tag my-python-app gcr.io/YOUR_PROJECT_ID/my-python-app<br>docker push gcr.io/YOUR_PROJECT_ID/my-python-app</pre><h3>Cloud Run&#39;da Servisi Başlatma</h3><p>Artık imaj GCR&#39;de olduğuna göre, onu Cloud Run&#39;da başlatabiliriz:</p><pre>gcloud run deploy my-python-service --image gcr.io/YOUR_PROJECT_ID/my-python-app --platform managed</pre><p>Kaynakça:</p><ul><li><a href="https://cloud.google.com/run/docs/quickstarts/build-and-deploy/deploy-python-service">Quickstart: Build and deploy a Python web app to Google Cloud with Cloud Run | Cloud Run Documentation</a></li><li><a href="https://www.sphereinc.com/blogs/when-to-choose-app-engine-vs-cloud-functions-or-cloud-run-in-gcp/">The Differences Between GCP App Engine, Cloud Run &amp; Cloud Function</a></li><li><a href="https://www.coursera.org/lecture/application-development-with-cloud-run/what-is-cloud-run-7jrXp?utm_medium=sem&amp;utm_source=gg&amp;utm_campaign=B2C_EMEA__coursera_FTCOF_career-academy_pmax-multiple-audiences-country-multi&amp;campaignid=20665163467&amp;adgroupid=&amp;device=c&amp;keyword=&amp;matchtype=&amp;network=x&amp;devicemodel=&amp;adposition=&amp;creativeid=&amp;hide_mobile_promo&amp;gclid=CjwKCAjwnOipBhBQEiwACyGLuimwJmXkukNySuIMBq1Drrcv1vtEQLTKJpJ5hYHXrei7oDFfjosmtRoC1DUQAvD_BwE">What is Cloud Run - Introduction to Cloud Run | Coursera</a></li><li><a href="https://66degrees.com/blog/applications/what-is-cloud-run/">What Is Cloud Run? Going Serverless for Efficiency and Scale | 66degrees</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c3eda85c22df" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Vertex AI ile Makine Öğrenimi]]></title>
            <link>https://zekiunyildiz.medium.com/vertex-ai-ile-makine-%C3%B6%C4%9Frenimi-deb5db253af8?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/deb5db253af8</guid>
            <category><![CDATA[vertex-ai]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[generative]]></category>
            <category><![CDATA[vertex]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Sat, 21 Oct 2023 23:42:55 GMT</pubDate>
            <atom:updated>2023-10-21T23:42:55.205Z</atom:updated>
            <content:encoded><![CDATA[<p>Teknolojinin süratle ilerlediği bu dönemde, yapay zeka ve makine öğrenimi, iş dünyasından günlük yaşantımıza kadar her alanda kendine yer buluyor. Daha önce bu devrimle ilgili pek çok araç gereç ile ilgili yazılar yazmaya çalıştım. Bu alandaki devrim niteliğindeki araçlardan biri de Google Cloud’un Vertex AI platformu. Peki, Vertex AI tam olarak nedir ve bize ne gibi kolaylıklar sunuyor?</p><h3><strong>Vertex AI Nedir?</strong></h3><p><strong>Vertex AI</strong>, makine öğrenimi modellerinizi eğitmenize, dağıtmanıza ve hatta dil modellerinizi özelleştirmenize yardımcı olan harika bir platformdur. Esasen veri bilimi, mühendislik ve makine öğrenimi iş akışlarını bir araya getirerek, ekiplerin daha hızlı ve etkili bir şekilde çalışmasını sağlıyor. Böylece, projenizin her aşamasında Google Cloud’un sunduğu avantajlardan yararlanabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*gUpt6HVc_POVRCcHk-qGUQ.jpeg" /><figcaption>Vertex AI logo</figcaption></figure><p><strong>Peki neden Vertex AI?</strong></p><p><strong>Vertex AI</strong>, model eğitimi ve dağıtımı için bize sunduğu seçenekler ile dikkat çekiyor bu seçenekler:</p><ul><li><strong>AutoML</strong>: Kod yazmadan veya veri bölümlerini hazırlamadan tablo, resim, metin veya video verilerini eğitmenizi sağlar.</li><li><strong>Özel Eğitim</strong>: Eğitim süreci üzerinde tam kontrol, tercih ettiğiniz ML çerçevesini kullanma, kendi eğitim kodunuzu yazma ve hiperparametre ayarlama seçeneklerini seçme olanağı sunar.</li><li><strong>Model Garden</strong>: Vertex AI ve seçili açık kaynaklı modelleri ve varlıkları keşfetmenizi, test etmenizi, özelleştirmenizi ve dağıtmanızı sağlar.</li><li><strong>Generative AI</strong>: Çeşitli modeller (metin, kod, resim, konuşma) için Google’ın büyük yaratıcı AI modellerine erişim sağlar. Google’ın LLM’lerini ihtiyaçlarınıza göre ayarlayabilir ve AI destekli uygulamalarınızda kullanmak üzere onları dağıtabilirsiniz.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZI4YByew7RneZpo_bq5g3A.png" /></figure><h3>Vertex AI ve Makine Öğrenimi İş Akışı Özeti</h3><ul><li><strong>Veri Hazırlığı</strong>: Verileri çıkarma, temizleme ve veri analizi yapma aşaması. Vertex AI, Cloud Storage ve BigQuery ile entegrasyon sayesinde veri işlemlerini hızlandırır.</li><li><strong>Model Eğitimi</strong>: Kod yazmadan (AutoML ile) veya kendi kodunuzu yazarak model eğitimi. Farklı parametreler ve farklı ML teknikleriyle deney yapma olanağı sağlar.</li><li><strong>Model Değerlendirmesi ve Yinelenmesi</strong>: Eğitilmiş modellerin performansını değerlendirebilme ve gerektiğinde modeli iyileştirebilme aşaması.</li><li><strong>Model Sunumu</strong>: Eğitilmiş modelleri gerçek zamanlı veya toplu tahminler için dağıtma aşaması. Ayrıca, modelin nasıl çalıştığını anlamak için açıklamalı AI özellikleri de mevcut.</li><li><strong>Model İzleme</strong>: Dağıtılmış modellerin performansını izleme ve gerekli durumda yeniden eğitme aşaması.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lk1pbVIcmDzSlNiIUa--Bw.png" /></figure><p>Makine öğrenimi, verilerden değerli bilgiler elde etmek ve bu bilgileri otomatik karar mekanizmalarında kullanmak için giderek daha fazla önem kazanıyor. Vertex AI, bu süreci kolaylaştırmak ve optimize etmek için tasarlanmış kapsamlı güzel bir platform. Bu platfomr bize A’dan Z’ye rehberlik eder. Özellikle büyük veri setleri ve karmaşık projeler için, Vertex AI’nin sunduğu entegre araçlar ve özellikler, makine öğrenimi süreçlerini daha hızlı, etkili ve hatasız bir şekilde yürütmek için vazgeçilmezdir. Kısacası, Vertex AI ile makine öğrenimi süreciniz daha kolay, anlaşılır ve etkili hale gelir.</p><p>Kaynakça:</p><ul><li><a href="https://cloud.google.com/vertex-ai/docs/start/introduction-unified-platform">Introduction to Vertex AI | Google Cloud</a></li><li><a href="https://cloud.google.com/vertex-ai/docs/start/introduction-mlops">MLOps on Vertex AI | Google Cloud</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=deb5db253af8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Vektör Veritabanlarının Gücünü Anlamak]]></title>
            <link>https://zekiunyildiz.medium.com/vekt%C3%B6r-veritabanlar%C4%B1n%C4%B1n-g%C3%BCc%C3%BCn%C3%BC-anlamak-8944037afea8?source=rss-57e0946a723c------2</link>
            <guid isPermaLink="false">https://medium.com/p/8944037afea8</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[vector-database]]></category>
            <category><![CDATA[pinecone]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Zeki Ünyildiz]]></dc:creator>
            <pubDate>Tue, 12 Sep 2023 23:00:36 GMT</pubDate>
            <atom:updated>2023-09-12T23:00:36.616Z</atom:updated>
            <content:encoded><![CDATA[<p>Dijital çağın hızla ilerlediği ve Yapay Zeka’nın birçok sektörde dönüşüme öncülük ettiği bu dönemde yaşıyoruz. Semantik aramadan öneri sistemlerine kadar YZ uygulamaları giderek daha karmaşık hale geliyor. Bu, özellikle veri yönetimi söz konusu olduğunda kendi zorluklarını da beraberinde getiriyor. İşte burada devreye vektör veritabanları giriyor. Vektör veritabanları, YZ modelleri tarafından üretilen vektör embeddings’in karmaşıklığıyla başa çıkabilen özelleşmiş bir veritabanı türüdür. Semantik arama algoritmaları, bu tür veritabanları ile entegre bir şekilde çalışabilir, böylece kullanıcı sorguları daha etkili ve anlamlı bir şekilde işlenebilir. Bu yazıda, Pinecone’un bu konuda kapsamlı rehberinden esinlenerek, semantik arama ve vektör veritabanlarının ne olduğu ve beraber nasıl kullanılacağına değineceğim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*99OsNeBZ8PIYUm84ZYC3rw.jpeg" /><figcaption>Pinecone logo</figcaption></figure><h3>Vektör Embeddings Nedir?</h3><p>Vektör veritabanlarına dalmadan önce, vektör embeddings’in ne olduğunu anlamak önemlidir. Bunlar, Large Language Models (LLM) gibi YZ modelleri tarafından üretilen yüksek boyutlu vektörlerdir. Semantik bilgi taşırlar ve YZ’nin bağlamı anlaması ve karmaşık görevler için uzun vadeli hafıza oluşturması için kritiktir. Zorluk, bu embeddings’in etkin bir şekilde saklanması ve sorgulanmasıdır. İşte burada vektör veritabanları devreye girer.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PqX7e75TdqRYx54Dbl09Ig.png" /></figure><h3>Peki Neden Vektör Veritabanlarına İhtiyaç Duyuyoruz?</h3><p>Geleneksel scalar-based (skaler tabanlı) veritabanları, temel olarak sayılar, metinler ve tarihler gibi basit, tek boyutlu veri tiplerini işler. Bu tür veritabanları, yapılandırılmış veri setlerinde oldukça etkilidir; ancak, vektör embeddings’in karmaşıklığına ve yüksek boyutluluğuna uygun değildirler. Bu nedenle, makine öğrenimi ve semantik arama gibi uygulamalarda, bu veritabanları yetersiz kalabilir. Onlar, genellikle gerçek zamanlı analiz ve karmaşık sorgu işlemleri için optimize edilmemişlerdir, bu da onları vektör embeddings’in etkin bir şekilde işlemek için uygun olmamalarına yol açar.</p><h3>Vektör İndeksi mi Vektör Veritabanı mı?</h3><p><strong>FAISS (Facebook AI Benzerlik Araması)</strong> gibi bir vektör indeksi kullanarak işimi görmüş olmaz mıyım?” diye merak edebilirsiniz. Vektör indeksleri, arama ve getirme işlemlerini iyileştirebilir, ancak veri yönetimi, meta veri depolama ve gerçek zamanlı güncellemeler gibi temel veritabanı yeteneklerinden yoksundurlar. Vektör veritabanları, bağımsız vektör indekslerine göre birkaç avantaj sunar:</p><ul><li><strong>Veri Yönetimi</strong>: Veriyi eklemek, silmek ve güncellemek için özellikler sunarlar, bu da vektör verisinin yönetimini kolaylaştırır.</li><li><strong>Meta Veri Depolama</strong>: Daha ince taneli sorgular için ek meta veri saklayabilirler.</li><li><strong>Ölçeklenebilirlik</strong>: Büyüyen veri hacimleriyle ölçeklenebilirler ve dağıtılmış ve paralel işlem için daha iyi destek sunarlar.</li><li><strong>Gerçek Zamanlı Güncellemeler</strong>: Yeni veri için tam yeniden indeksleme gerektiren bağımsız vektör indekslerinin aksine, vektör veritabanları gerçek zamanlı güncellemeleri destekler.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Mn9Tz2k-2bI-ebwAysWBFQ.png" /><figcaption>FAISS Homepage</figcaption></figure><h3>Bir Vektör Veritabanı Nasıl Çalışır?</h3><p>Vektör veritabanları, geleneksel veritabanlarından farklı bir şekilde çalışır. Tam eşleşmeler için sorgu yapmak yerine, sorgu ile en çok benzer olan vektörü bulmak için bir benzerlik metriği uygularlar. <strong>Approximate Nearest Neighbor (ANN) </strong>araması için bir dizi algoritma kullanırlar, aramayı ‘hashing’, ‘quantization’ veya ‘graph-based search’ gibi tekniklerle optimize ederler.</p><h3>Yaygın Algoritmalar</h3><ol><li><strong>Random Projection</strong>: Daha hızlı arama için verinin boyutunu azaltır.</li><li><strong>Product Quantization (PQ)</strong>: Vektörün her bir parçasının temsilini basitleştiren bir veri sıkıştırma tekniğidir.</li><li><strong>Locality-Sensitive Hashing (LSH)</strong>: Benzer vektörleri gruplar yerleştirerek daha hızlı arama yapılmasını sağlar.</li><li><strong>Hierarchical Navigable Small World (HNSW)</strong>: Etkili arama için hiyerarşik, ağaç benzeri bir yapı oluşturur.(Bununla ilgili ekstra yazı yazmayı hedefliyorum)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zzA931vyPxteHPaeyCTyNg.png" /><figcaption>HNSW’nin katmanlı grafiği</figcaption></figure><h3>Ek söylenebilecek özellikler:</h3><ul><li><strong>Meta Veri Filtreleme</strong>: Vektör veritabanları, daha ayrıntılı sorgular için ayrı bir meta veri indeksi tutarlar.</li><li><strong>Performans ve Hata Toleransı</strong>: Yüksek performans ve hata toleransı sağlamak için parçalama ve replikasyon kullanırlar.</li><li><strong>Monitoring</strong>: Veritabanının performansını, sağlığını ve genel durumunu izlemek için güzel izleme sistemleri vardır.</li><li><strong>Erişim Kontrolü</strong>: Dahili veri güvenliği özellikleri ve erişim kontrol mekanizmaları sunarlar.</li><li><strong>API ve SDK’lar</strong>: Kullanıcı dostu arayüzler ve SDK’lar, geliştiricilerin veritabanıyla etkileşimde bulunmasını kolaylaştırır.</li></ul><p>YZ uygulamaları geliştikçe, vektör veritabanlarının önemi de giderek artıyor. Geleneksel veritabanları ve bağımsız vektör indekslerinin sınırlamalarını zorlayarak, vektör embeddings’i yönetmek için üstün bir çözüm sunuyorlar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8944037afea8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>