Sınırları aşan yapay zekâ: chiffon
- Intelligence Artificielle
Noesis News- 0
- 21 minutes de lecture
Temel Rag Harikadır, Ancak Daha Karmaşık Soruları Yanıtlamak Ve Doğruluğu Artırmak Için Geliştiririlmiş Stratejiler Mevcuttur:
Multi-Quey (Çoklu Sorgu):
- Problème: Kullanıcının Sorusu Bazen Çok Genel Veya Belliziz OLILIL. Örneğin, «Bana X-Pro Kahve Makinesini Anlat». BU Tür Bir Soruyla Yapılan Tek Bir Arama, Genellikle Yüzeysel Sonuçlar Getirir.
- Çözüm: Bu noktada rag sistemi, ana llm’i bir «beyin fırtınası partenaire» olarak kullanır. Kullanıcının Orijinal Sorusunu llm’e gönderir ve adan bu soruyu farklı açılardan ele alan alternative, daha spefik sorular üretmesini ister.
Örnek Senaryo:
Kullanıcı Sorusu: « Bana x-pro Kahve Makinesini Anlat. »
Llm’in ürettiği alt sorulle:
- « X-Pro Kahve Makinesine Teknik Özellikleri Nelerdir? »
- « X-Pro Kahve Makinesi Nasıl Kullanılır ve Temizlenir? »
- « X-Pro Kahve Makinesi Için Kullanıcı Yorumları Nelerdir? »
- « X-Pro Kahve Makinesine Garanti Süresi ve koşulları Nedir? »
Sonuç: Sistem, bu dört Sorunun Hepsi için Ayrı Ayrı Semantik Arama Yapar. Topladığı Zengin ve çok yönlü bilgileri birleştirerek kullanıcıya tek, kapsamlı ve son derece bilgilendirici bir cevap sunar.
RERANKER (Yeniden Sıralayıcı):
- Problème: Vektör Araması, anlamsal olarak yakın olan belgeleri getirir ank bu belgelerin hepsi sorunun özüne tam olarak cevap vermeyebilir. Arama Sonuçları Arasında «Gürültü» Veya Daha az ilgili Bilgiler OLabilir.
- Çözüm: Arama Aşamasından Sonra, Daha Küçük ve özel olarak eğititilmiş bir «reranker» Modeli Devreye Girer. BU Modèle, ilk aramanın getirdiği, diyelim ki 20 belgeyi alır ve bunları kullanıcının orijinal sorusuna göre tek tek yeniden puanlar.
Örnek Senaryo:
Kullanıcı Sorusu: «Makinenine Su Haznesi Nasıl çıkarılır?»
İlk arama Sonuçları:
- Belge 1: Su Haznesini çıkarmayı Anlatan Kılavuz Bölümü. (Çok İlgili)
- Belge 2: ürünün Genel Temizlik Talimatları. (İlgili)
- Belge 3: Su Haznesinin Kapasitesini Bellirten Teknik Özellikler Tablosu. (AZ İlgili)
- Belge 4: Su Haznesi Sızıntısı Sorununu Gideren Bir Bölüm. (Çok İlgili)
RERANKER DEVREDE: Reranker, bu dört belgeyi analzer eder ve belge 1 ile belge 4’e en yüksek puanları veir.
Sonuç: Llm’e sadece en alakalı olan belge 1 ve 4 gönderilir. BU Sayede Modelin Kafası Karışmaz ve Doğrudan, Net Bir Cevap üretir.
Recherche hybride (Hibrit Arama):
- Problème: Sémantik (Anlamsal) Arama, «Cihaz Bakımı» Gibi Kavramları anlar ama «Model-Trx-2025» Gibi Özel Bir ürün Kodunu Kaçırabilir. Geleneksel Anahtar Kelime Araması ise bu kodu bulur ama anlamı ıskalar.
- Çözüm: İki Arama Türünü Birleştirir. Hem anlamsal benzerlik hem de anahtar kelime eşleşmesi aynı anda yapılır ve sonuçlar birleştirilir.
Örnek Senaryo:
Kullanıcı Sorusu: «Modèle-TRX-2025 Için Bakım Kiti Uyumlu Mu?»
Arama Süreci:
- Vektör arama: «Bakım kiti uyumluluğu» gibi anlamsal olarak yakın metinleri bulur.
- Anahtar Kelime Arama: Mettin Içinde Tam Olarak «Modèle-TRX-2025» Ifadesinin Geçtiği Yerleri Bulur.
Sonuç: Hibrit arama, son iki aramanın kesişimini önceliklendirir. Yani, Hem « Uyumluluk » ve « bakım » gibi konuları işleyen hem de tam olarak « Model-trx-2025 » kodunu içeren belgeler en üst sıraya çıkar. Bu, En Doğru Cevabı Garanti Eder.
Rag de l’agentique (Rag Ajan Tabanlı):
- Problème: «Rakipirine Kıyasla X-Pro Modelinin en Güçlü ve Zayıf Yönleri Nelerdir? Gibi Çok Adımlı Analliz Gerektiren Bir Soru, Tek Bir Arama Ile Cevaplanamaz.
- Çözüm: Llm, pasif bir cevap üretici olmaktan çıkıp aktif bir “araştırma ajanı” gibi davranır. Soruyu parçalara Ayırır, plan Bir oluşturur ve bu planı adım adım uygular.
Örnek Senaryo:
Kullanıcı Sorusu: «X-pro’yu, rakibi y-brew ile kahve démleme hızı ve su kapasisisi açısından karşılaştır.»
Ajan’ın planı ve eylemleri:
- Adım 1: X-Pro Verilerini Topla. Ajan, Kendi Kendine «X-Pro Demleme Hızı ve su kapasisisi nedir?» Diye Sorar, Arama Yapar ve Sonucu Not Eder: «Hız: 45 Sn, Kapasite: 1,5L».
- Adım 2: Y-Brew Verilerini Topla. Ajan, Ikinci Bir Arama Yapar: « Y-Brew Demleme Hızı ve su Kapasisisi Nedir? » Ve Sonucu Not Eder: «Hız: 60 Sn, Kapasite: 1,8L».
- Adım 3: Sentezle ve cevapla. Ajan, topladığı tüm bu bilgileri bir araya getirrir ve llm’e nihai bir talimat verir: «bu verileri kullanarak x-pro ve y-brew’u karşılaştıran bir cevap oluştur.
Sonuç: Tek Bir Aramayla Imkânsız Olan, Veriye Dayalı, Yapılandırılmış Bir Karşılaştırma cevabı üretililir.
Chiffon auto-corrigé (Kendi Kendini Düzelten Rag):
Problème: Bazen ilk aramanın getirdiği belgeler quitersiz oLabil ve llm’in ürettiği ilk cevap zayıf kalabilil.
Çözüm: Modèle, ürettiği cevabı kullanıcıya sunmadan önce bir iç denetimden geçirir. Cevabın kalitesini ve kaynaklarla tutarlılığını sorgular. Eğer Cevap Yetersizse, Kendini Düzeltmek Için Yeni Bir Eylem Başlatır.
Örnek Senaryo:
Kullanıcı Sorusu: « X-Pro’nun Enerji Tüketimi Nedir? »
- İlk Deeme: Sistem, ürünün Genel Pazarlama metnini bulur. Metinde sadece «enerji verrimli» yazdığı için llm şu cevabı üretir: «x-pro modeli enerji verimliliği sunar.»
- İç Denetim: Sistem, cevabı kontrol eder ve kendine sorar: «bu cevap spefik bir Veri (watt değeri gibi) içeriyor mu? Kaynakta bu bilgi var mıydı?» CEVAP: «Hayır».
- Düzeltme Döngüsü: Cevabın Yetersiz Olduğuna Karar Veren Sistem, Otomatik Olarak Daha Spesifik Bir Arama Başlatır: « X-Pro » « Watt » « Enerji Tüketimi » « Teknik özellikler ». Bu arama, ürünün teknik veri sayfasını bulur.
Nihai Sonuç: Sistem, bu yeni ve doğru kaynağı kullanarak cevabını günceller: «x-pro modéline enerji tüketimi, çalışma sırasında 1200w, bekleme modunda ise 1w’tır.»
Bunlar Gibi Birçok Ileri Seviye Rag Tekniği Mevcuttur. İhtiyacınıza Göre Aralarından Seçip Kullanabilirsiniz.
Rag, Büyük Dil Modellerini Kapalı Kutu « Her şeyi Bilen » Varlıklar Olmaktan çıkarıp, Onlara Sizin Belirlediğiniz Kaynaklarla Araştırma Yapabilen, Kanıt Sunabilen ve sürekli güncel Motorları ”Eklemektir.
Eğer Kendi Verilerinizle çalışan, Halüsinasyon Kurmayan, Güvenilir ve Güncel Bir Yapay Zekâ çözümü Hedefliyorsanız, Rag Artık Bir Seçenek Değil, Bir Zorunluluktur. BU Teknoloji, Yapay Zekânın Sadece «üretken» Değil, Aynı Zamanda «Bilge» Olmasının da Kapılarını aralıyor.
