Yapay zeka ajanlar\u0131n\u0131n zamanla \u00f6\u011frendiklerini unutmas\u0131n\u0131 engellemek i\u00e7in etkili bellek sistemleri in\u015fa etmenin yollar\u0131n\u0131 ke\u015ffedin. Uzun s\u00fcreli haf\u0131za mimarileri ve pratik uygulamalarla bilgi kal\u0131c\u0131l\u0131\u011f\u0131n\u0131 sa\u011flayarak daha ak\u0131ll\u0131 ve tutarl\u0131 yapay zeka deneyimleri yarat\u0131n. Bu rehber, ajanlar\u0131n ge\u00e7mi\u015f etkile\u015fimlerden ders \u00e7\u0131kararak daha zengin ve ki\u015fiselle\u015ftirilmi\u015f yan\u0131tlar \u00fcretmesini sa\u011flaman\u0131n ad\u0131mlar\u0131n\u0131 sunuyor.<\/p>\n
G\u00fcn\u00fcm\u00fcz yapay zeka (YZ) sistemleri, \u00f6zellikle b\u00fcy\u00fck dil modelleri (LLM’ler), etkileyici yeteneklere sahip olsalar da, \u00f6nemli bir s\u0131n\u0131rlamayla kar\u015f\u0131 kar\u015f\u0131yad\u0131rlar: “unutma” e\u011filimi. Bir LLM ile sohbet ederken, modelin \u00f6nceki mesajlar\u0131 hat\u0131rlayabildi\u011fini fark edersiniz. Ancak bu haf\u0131za genellikle “ba\u011flam penceresi” ad\u0131 verilen s\u0131n\u0131rl\u0131 bir alana s\u0131k\u0131\u015fm\u0131\u015ft\u0131r. Bu pencerenin d\u0131\u015f\u0131na \u00e7\u0131kan bilgiler h\u0131zla unutulur. Yani, model bir \u00f6nceki g\u00fcnk\u00fc sohbetinizi, hatta birka\u00e7 saat \u00f6nceki \u00f6nemli bir detay\u0131 bile hat\u0131rlamayabilir. \u0130\u015fte tam da bu noktada ajan haf\u0131zas\u0131 kavram\u0131 devreye giriyor ve yapay zeka ajanlar\u0131n\u0131n bu do\u011fal unutkanl\u0131\u011f\u0131n\u0131 a\u015farak s\u00fcrekli \u00f6\u011frenen ve deneyimlerinden ders \u00e7\u0131karan sistemler in\u015fa etmemizi sa\u011fl\u0131yor.<\/p>\n
Ajan haf\u0131zas\u0131, bir yapay zeka sisteminin zaman i\u00e7indeki deneyimlerini, \u00f6\u011frendi\u011fi bilgileri ve etkile\u015fimlerini kal\u0131c\u0131 olarak depolamas\u0131n\u0131, gerekti\u011finde bu bilgilere eri\u015fmesini ve bunlar\u0131 yeni g\u00f6revleri yerine getirmek veya daha bilin\u00e7li kararlar almak i\u00e7in kullanmas\u0131n\u0131 sa\u011flayan mekanizmalar b\u00fct\u00fcn\u00fcd\u00fcr. Bu, t\u0131pk\u0131 insanlar\u0131n ge\u00e7mi\u015f deneyimlerini hat\u0131rlayarak bug\u00fcnk\u00fc davran\u0131\u015flar\u0131n\u0131 \u015fekillendirmesi gibi bir s\u00fcre\u00e7tir. Ajan haf\u0131zas\u0131, YZ ajanlar\u0131n\u0131n sadece anl\u0131k verilere tepki vermek yerine, birikmi\u015f bilgi birikimini kullanarak daha tutarl\u0131, ki\u015fiselle\u015ftirilmi\u015f ve ba\u011flamsal olarak uygun yan\u0131tlar \u00fcretmesini sa\u011flar. \u00d6rne\u011fin, bir m\u00fc\u015fteri hizmetleri botunun daha \u00f6nceki etkile\u015fimlerinizden edindi\u011fi tercihlerinizi veya ge\u00e7mi\u015f sorunlar\u0131n\u0131z\u0131 hat\u0131rlamas\u0131, size \u00e7ok daha verimli ve tatmin edici bir deneyim sunar. Bu t\u00fcr bir kal\u0131c\u0131 haf\u0131za olmadan, her etkile\u015fim s\u0131f\u0131rdan ba\u015flayan bir s\u00fcre\u00e7 olurdu ki bu hem kullan\u0131c\u0131 i\u00e7in yorucu hem de YZ ajan\u0131 i\u00e7in verimsizdir. Bu nedenle, ajan haf\u0131zas\u0131, \u00f6zellikle uzun s\u00fcreli etkile\u015fim gerektiren veya zamanla ki\u015fiselle\u015ftirme beklenen uygulamalarda kritik bir \u00f6neme sahiptir. Kal\u0131c\u0131 haf\u0131za, ajanlar\u0131n sadece bilgi tekrar\u0131n\u0131 \u00f6nlemekle kalmaz, ayn\u0131 zamanda karma\u015f\u0131k g\u00f6revlerde daha derinlemesine anlay\u0131\u015f geli\u015ftirmelerine ve zamanla daha ak\u0131ll\u0131 hale gelmelerine olanak tan\u0131r.<\/p>\n
Bir yapay zeka ajan\u0131n\u0131n ger\u00e7ekten “unutmayan” bir haf\u0131zaya sahip olabilmesi i\u00e7in, insan beynindeki k\u0131sa ve uzun s\u00fcreli haf\u0131za mekanizmalar\u0131na benzer bile\u015fenlere ihtiya\u00e7 duyar\u0131z. Bu bile\u015fenler, bilginin nas\u0131l al\u0131nd\u0131\u011f\u0131, i\u015flendi\u011fi, depoland\u0131\u011f\u0131 ve gerekti\u011finde nas\u0131l geri \u00e7a\u011fr\u0131ld\u0131\u011f\u0131 s\u00fcre\u00e7lerini y\u00f6netir. Bu temel bile\u015fenler olmadan, bir ajan sadece anl\u0131k verilere tepki veren, ge\u00e7mi\u015finden ders \u00e7\u0131karamayan bir sistem olarak kal\u0131r.<\/p>\n
K\u0131sa s\u00fcreli haf\u0131za, ajanlar\u0131n anl\u0131k etkile\u015fimler s\u0131ras\u0131nda aktif olarak kulland\u0131\u011f\u0131 bilgileri i\u00e7erir. B\u00fcy\u00fck dil modelleri (LLM’ler) ba\u011flam\u0131nda, bu genellikle “ba\u011flam penceresi” olarak adland\u0131r\u0131l\u0131r. Bir LLM’ye bir soru sordu\u011funuzda veya bir sohbet ba\u015flatt\u0131\u011f\u0131n\u0131zda, model bu pencereye sizin girdilerinizi ve kendi \u00fcretti\u011fi yan\u0131tlar\u0131 yerle\u015ftirir. Bu sayede, model sohbetin anl\u0131k ak\u0131\u015f\u0131n\u0131 takip edebilir ve \u00f6nceki mesajlar\u0131n\u0131za uygun yan\u0131tlar \u00fcretebilir. \u00d6rne\u011fin, “Bug\u00fcn hava nas\u0131l?” diye sordu\u011funuzda ve ard\u0131ndan “Peki yar\u0131n?” dedi\u011finizde, model “yar\u0131n” kelimesinin “hava durumu” ile ilgili oldu\u011funu k\u0131sa s\u00fcreli haf\u0131zas\u0131 sayesinde anlar.<\/p>\n
Ancak, bu k\u0131sa s\u00fcreli haf\u0131zan\u0131n \u00f6nemli bir s\u0131n\u0131rlamas\u0131 vard\u0131r: boyutu. Ba\u011flam penceresi, genellikle belirli bir token (kelime veya karakter par\u00e7as\u0131) say\u0131s\u0131yla s\u0131n\u0131rl\u0131d\u0131r. Bu pencere doldu\u011funda, en eski bilgiler d\u0131\u015far\u0131 at\u0131l\u0131r ve yerine yeni bilgiler gelir. Bu durum, modelin uzun sohbetlerde veya karma\u015f\u0131k g\u00f6revlerde tutarl\u0131l\u0131\u011f\u0131 s\u00fcrd\u00fcrmesini zorla\u015ft\u0131r\u0131r. \u00d6rne\u011fin, bir saat s\u00fcren bir toplant\u0131n\u0131n \u00f6zetini \u00e7\u0131karmas\u0131n\u0131 istedi\u011finizde, model toplant\u0131n\u0131n ba\u015f\u0131ndaki detaylar\u0131 unutabilir \u00e7\u00fcnk\u00fc bunlar ba\u011flam penceresinden d\u0131\u015far\u0131 itilmi\u015ftir. Bu s\u0131n\u0131rlama, ajanlar\u0131n ger\u00e7ekten “unutmayan” olabilmesi i\u00e7in sadece anl\u0131k ba\u011flam\u0131n \u00f6tesine ge\u00e7en bir mekanizmaya ihtiya\u00e7 duydu\u011funu a\u00e7\u0131k\u00e7a ortaya koyar. K\u0131sa s\u00fcreli haf\u0131za anl\u0131k etkile\u015fimler i\u00e7in hayati olsa da, uzun vadeli bilgi birikimi i\u00e7in yetersizdir.<\/p>\n
Uzun s\u00fcreli haf\u0131za, ajanlar\u0131n \u00f6\u011frendi\u011fi ve gelecekte kullanmak \u00fczere kal\u0131c\u0131 olarak saklad\u0131\u011f\u0131 bilgileri ifade eder. Bu, k\u0131sa s\u00fcreli haf\u0131zan\u0131n aksine, ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131na tabi de\u011fildir ve ajan kapat\u0131l\u0131p a\u00e7\u0131lsa bile bilgilerini korur. Uzun s\u00fcreli haf\u0131za, ajanlar\u0131n ge\u00e7mi\u015f deneyimlerini, \u00f6\u011frendikleri ger\u00e7ekleri, kullan\u0131c\u0131 tercihlerini ve genel d\u00fcnya bilgisini depolad\u0131\u011f\u0131 yerdir. Bu bilgiler genellikle yap\u0131land\u0131r\u0131lm\u0131\u015f veya yar\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f veritabanlar\u0131nda saklan\u0131r. \u00d6rne\u011fin, bir e-ticaret botu, sizin daha \u00f6nce sat\u0131n ald\u0131\u011f\u0131n\u0131z \u00fcr\u00fcnleri, favori kategorilerinizi veya beden bilgilerinizi uzun s\u00fcreli haf\u0131zas\u0131nda tutabilir.<\/p>\n
Bu t\u00fcr bir haf\u0131za, genellikle metin, say\u0131sal veriler veya daha da \u00f6nemlisi, “embedding” ad\u0131 verilen vekt\u00f6r temsilleri \u015feklinde depolan\u0131r. Embedding’ler, metinlerin veya di\u011fer veri t\u00fcrlerinin anlamsal anlam\u0131n\u0131 yakalayan say\u0131sal vekt\u00f6rlerdir. Bu vekt\u00f6rler sayesinde, bir ajan sadece anahtar kelime e\u015fle\u015ftirmesi yapmak yerine, kavramsal olarak benzer bilgileri bulabilir. \u00d6rne\u011fin, “k\u00f6pek” kelimesinin embedding’i, “kedi” kelimesinin embedding’ine “masa” kelimesininkinden daha yak\u0131n olacakt\u0131r. Bu vekt\u00f6rler, \u00f6zel olarak tasarlanm\u0131\u015f “vekt\u00f6r veritabanlar\u0131”nda saklan\u0131r. Vekt\u00f6r veritabanlar\u0131, milyarlarca vekt\u00f6r aras\u0131nda h\u0131zl\u0131 ve anlamsal benzerlik aramalar\u0131 yapabilen optimize edilmi\u015f sistemlerdir. Bu sayede ajan, belirli bir sorguya veya duruma en uygun ge\u00e7mi\u015f bilgiyi saniyeler i\u00e7inde geri \u00e7a\u011f\u0131rabilir. Uzun s\u00fcreli haf\u0131za, ajanlar\u0131n zamanla daha ak\u0131ll\u0131 hale gelmesini, ki\u015fiselle\u015ftirilmi\u015f deneyimler sunmas\u0131n\u0131 ve karma\u015f\u0131k, \u00e7ok ad\u0131ml\u0131 g\u00f6revlerde tutarl\u0131l\u0131\u011f\u0131 korumas\u0131n\u0131 sa\u011flayan temel mekanizmad\u0131r.<\/p>\n
Geri \u00c7a\u011f\u0131rma Art\u0131r\u0131lm\u0131\u015f \u00dcretim (RAG), uzun s\u00fcreli haf\u0131za ile b\u00fcy\u00fck dil modellerinin (LLM) yeteneklerini birle\u015ftiren g\u00fc\u00e7l\u00fc bir mimaridir. Temel olarak, bir LLM’nin sadece kendi e\u011fitim verileriyle s\u0131n\u0131rl\u0131 kalmamas\u0131n\u0131, ayn\u0131 zamanda harici bir bilgi taban\u0131ndan (uzun s\u00fcreli haf\u0131za) ilgili bilgileri “geri \u00e7a\u011f\u0131rarak” (retrieve) yan\u0131tlar\u0131n\u0131 bu bilgilerle zenginle\u015ftirmesini sa\u011flar. Bu mimari, LLM’lerin g\u00fcncel, do\u011fru ve ba\u011flamsal olarak daha zengin yan\u0131tlar \u00fcretmesine olanak tan\u0131r, ayn\u0131 zamanda “hal\u00fcsinasyon” olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimlerini de azalt\u0131r.<\/p>\n
RAG mimarisi \u015fu ad\u0131mlarla \u00e7al\u0131\u015f\u0131r:<\/p>\n
1. Sorgu Analizi:<\/strong> Kullan\u0131c\u0131 bir soru sordu\u011funda veya bir komut verdi\u011finde, ajan bu sorguyu analiz eder ve bir “embedding” (vekt\u00f6r temsili) olu\u015fturur. Bu s\u00fcre\u00e7 sayesinde, LLM sadece kendi genel bilgisini kullanmakla kalmaz, ayn\u0131 zamanda spesifik ve g\u00fcncel harici bilgilere de eri\u015febilir. \u00d6rne\u011fin, bir \u015firketin i\u00e7 dok\u00fcmanlar\u0131 hakk\u0131nda soru soruldu\u011funda, RAG mimarisi bu dok\u00fcmanlar\u0131 uzun s\u00fcreli haf\u0131zadan \u00e7eker ve LLM’nin bu bilgilere dayanarak yan\u0131t vermesini sa\u011flar. Bu, YZ ajanlar\u0131n\u0131n sadece genel sohbet botlar\u0131 olmaktan \u00e7\u0131k\u0131p, belirli bir alanda uzmanla\u015fm\u0131\u015f, s\u00fcrekli \u00f6\u011frenen ve bilgilere dayal\u0131 kararlar alabilen sistemler haline gelmesinin anahtar\u0131d\u0131r.<\/p>\n Unutmayan bir ajan haf\u0131zas\u0131 in\u015fa etmek, teorik kavramlar\u0131 pratik ad\u0131mlara d\u00f6kmeyi gerektirir. Bu b\u00f6l\u00fcmde, ajanlar\u0131n\u0131z\u0131n kal\u0131c\u0131 bilgiye sahip olmas\u0131n\u0131 sa\u011flamak i\u00e7in kullanabilece\u011finiz somut tekniklere ve ara\u00e7lara odaklanaca\u011f\u0131z. Bu teknikler, YZ ajanlar\u0131n\u0131z\u0131n zamanla daha ak\u0131ll\u0131, daha tutarl\u0131 ve daha ki\u015fiselle\u015ftirilmi\u015f deneyimler sunmas\u0131na olanak tan\u0131r.<\/p>\n Uzun s\u00fcreli haf\u0131zan\u0131n temelini, bilgiyi anlamsal olarak depolayabilen ve geri \u00e7a\u011f\u0131rabilen sistemler olu\u015fturur. Burada kilit rol oynayan iki kavram, “embedding”ler ve “vekt\u00f6r veritabanlar\u0131”d\u0131r.<\/p>\n * Embedding Nedir ve Nas\u0131l Olu\u015fturulur?<\/strong> * Vekt\u00f6r Veritaban\u0131 Se\u00e7imi:<\/strong> Kod \u00d6rne\u011fi: Basit Bir Metin Embedding ve Vekt\u00f6r Veritaban\u0131na Ekleme Sim\u00fclasyonu<\/strong><\/p>\n A\u015fa\u011f\u0131daki Python kodu, metinleri embedding’lere d\u00f6n\u00fc\u015ft\u00fcrme ve bunlar\u0131 basit bir s\u00f6zl\u00fck yap\u0131s\u0131nda (ger\u00e7ek bir vekt\u00f6r veritaban\u0131 yerine bir sim\u00fclasyon) depolama s\u00fcrecini g\u00f6sterir. Ger\u00e7ek uygulamalarda, bu s\u00f6zl\u00fck yerine yukar\u0131da bahsedilen vekt\u00f6r veritabanlar\u0131ndan biri kullan\u0131l\u0131r.<\/p>\n <\/code><\/p>\n Bu \u00f6rnekte, Sadece bilgiyi depolamak yeterli de\u011fildir; do\u011fru zamanda do\u011fru bilgiyi geri \u00e7a\u011f\u0131rabilmek de kritik \u00f6neme sahiptir. Bu, \"geri \u00e7a\u011f\u0131rma stratejileri\" ile sa\u011flan\u0131r.<\/p>\n * Anahtar Kelime Tabanl\u0131 Arama:<\/strong> Geleneksel arama motorlar\u0131nda oldu\u011fu gibi, sorgudaki anahtar kelimelerin depolanan metinlerde aranmas\u0131d\u0131r. Basit ve h\u0131zl\u0131d\u0131r ancak anlamsal e\u015fle\u015fmeleri ka\u00e7\u0131rabilir. \u00d6rne\u011fin, \"otomobil\" arand\u0131\u011f\u0131nda sadece \"otomobil\" i\u00e7eren sonu\u00e7lar\u0131 getirir, \"araba\" i\u00e7erenleri de\u011fil. Bir ajan haf\u0131zas\u0131n\u0131n \"unutmayan\" olmas\u0131, ayn\u0131 zamanda \"\u00f6\u011frenen\" olmas\u0131 anlam\u0131na gelir. Bu, haf\u0131zan\u0131n dinamik olmas\u0131 ve zamanla g\u00fcncellenebilmesi gerekti\u011fi anlam\u0131na gelir.<\/p>\n * Yeni Bilgileri Entegre Etme:<\/strong> Ajan yeni bir bilgi edindi\u011finde (\u00f6rne\u011fin, bir kullan\u0131c\u0131dan yeni bir tercih \u00f6\u011frendi\u011finde veya yeni bir belge okudu\u011funda), bu bilginin embedding'i olu\u015fturulur ve uzun s\u00fcreli haf\u0131zaya eklenir. Bu, ajanlar\u0131n s\u00fcrekli olarak bilgi tabanlar\u0131n\u0131 geni\u015fletmesini sa\u011flar. Yapay zeka ajanlar\u0131 i\u00e7in unutmayan bir haf\u0131za in\u015fa etmenin temel prensiplerini anlad\u0131ktan sonra, daha karma\u015f\u0131k ve ger\u00e7ek d\u00fcnya senaryolar\u0131na uygun ileri d\u00fczey tekniklere ge\u00e7ebiliriz. Bu teknikler, ajanlar\u0131n sadece metin tabanl\u0131 bilgileri de\u011fil, ayn\u0131 zamanda farkl\u0131 formatlardaki verileri de y\u00f6netmesini ve daha sofistike \u00e7\u0131kar\u0131mlar yapmas\u0131n\u0131 sa\u011flar. Ancak bu geli\u015fmi\u015f yakla\u015f\u0131mlar beraberinde belirli zorluklar\u0131 da getirir.<\/p>\n G\u00fcn\u00fcm\u00fczdeki yapay zeka uygulamalar\u0131 genellikle sadece metin verileriyle s\u0131n\u0131rl\u0131 kalmaktad\u0131r. Ancak ger\u00e7ek d\u00fcnya, metinlerin yan\u0131 s\u0131ra g\u00f6rseller, sesler, videolar ve di\u011fer duyusal verilerle doludur. \u00c7ok modlu haf\u0131za, bir ajan\u0131n bu farkl\u0131 veri t\u00fcrlerini anlamas\u0131n\u0131, depolamas\u0131n\u0131 ve geri \u00e7a\u011f\u0131rmas\u0131n\u0131 sa\u011flayan yetenektir. \u00d6rne\u011fin, bir e-ticaret botunun sadece \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131n\u0131 de\u011fil, ayn\u0131 zamanda \u00fcr\u00fcn g\u00f6rsellerini de \"hat\u0131rlamas\u0131\" ve bir kullan\u0131c\u0131n\u0131n tarif etti\u011fi bir g\u00f6rsel \u00f6zelli\u011fe g\u00f6re \u00fcr\u00fcn \u00f6nermesi, \u00e7ok modlu haf\u0131zaya bir \u00f6rnektir.<\/p>\n \u00c7ok modlu haf\u0131za in\u015fa etmek i\u00e7in, her bir veri t\u00fcr\u00fc (metin, g\u00f6rsel, ses) i\u00e7in ayr\u0131 ayr\u0131 veya birle\u015fik \"\u00e7ok modlu embedding modelleri\" kullan\u0131l\u0131r. Bu modeller, farkl\u0131 modlardaki verileri ortak bir vekt\u00f6r uzay\u0131nda temsil eden embedding'ler olu\u015fturur. B\u00f6ylece, bir g\u00f6rselin embedding'i ile o g\u00f6rselin a\u00e7\u0131klamas\u0131n\u0131 i\u00e7eren bir metnin embedding'i birbirine yak\u0131n olabilir. Bu embedding'ler daha sonra ayn\u0131 vekt\u00f6r veritaban\u0131nda depolanabilir. Bir kullan\u0131c\u0131 g\u00f6rsel bir sorgu (\u00f6rne\u011fin, bir foto\u011fraf y\u00fckleyerek) veya metinsel bir sorgu (\u00f6rne\u011fin, \"bana k\u0131rm\u0131z\u0131 ayakkab\u0131lar\u0131 g\u00f6ster\") yapt\u0131\u011f\u0131nda, ajan ilgili moddaki embedding'i olu\u015fturur ve \u00e7ok modlu haf\u0131zas\u0131nda benzer embedding'leri arar. Bu sayede, ajan sadece metinle de\u011fil, g\u00f6rsel veya sesle de zenginle\u015ftirilmi\u015f bir anlay\u0131\u015fa ve tepki yetene\u011fine sahip olur. Bu, \u00f6zellikle sanal asistanlar, i\u00e7erik \u00f6neri sistemleri ve art\u0131r\u0131lm\u0131\u015f ger\u00e7eklik uygulamalar\u0131 i\u00e7in b\u00fcy\u00fck potansiyel ta\u015f\u0131r.<\/p>\n Basit bir vekt\u00f6r veritaban\u0131nda t\u00fcm bilgiyi d\u00fcz bir liste olarak depolamak, belirli bir noktaya kadar i\u015fe yarar. Ancak ajanlar\u0131n daha karma\u015f\u0131k ak\u0131l y\u00fcr\u00fctme yapabilmesi, olaylar aras\u0131ndaki neden-sonu\u00e7 ili\u015fkilerini anlamas\u0131 veya soyut kavramlar aras\u0131nda ba\u011flant\u0131 kurmas\u0131 gerekti\u011finde, daha sofistike haf\u0131za modellerine ihtiya\u00e7 duyulur.<\/p>\n * Hiyerar\u015fik Haf\u0131za:<\/strong> Bilgiyi farkl\u0131 soyutluk seviyelerinde organize etmeyi i\u00e7erir. \u00d6rne\u011fin, bir \u015firketin organizasyon yap\u0131s\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcn: en \u00fcstte CEO, alt\u0131nda departman ba\u015fkanlar\u0131, onlar\u0131n alt\u0131nda ekipler ve en altta bireysel \u00e7al\u0131\u015fanlar. Ajan, bir \u00e7al\u0131\u015fan\u0131n hangi departmanda oldu\u011funu veya bir departman\u0131n hangi ba\u015fkana ba\u011fl\u0131 oldu\u011funu bu hiyerar\u015fik yap\u0131dan kolayca \u00e7\u0131karabilir. Bu, ajan\u0131n daha geni\u015f ba\u011flamlar\u0131 anlamas\u0131na ve daha spesifik detaylara inmesine olanak tan\u0131r. Geli\u015fmi\u015f haf\u0131za sistemleri in\u015fa ederken, \u00f6l\u00e7eklenebilirlik ve performans, g\u00f6z ard\u0131 edilemeyecek<\/p>\n","protected":false},"excerpt":{"rendered":"Unutmayan Ajan Haf\u0131zas\u0131 Nas\u0131l \u0130n\u015fa Edilir?","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-41403","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\n2. Bilgi Geri \u00c7a\u011f\u0131rma (Retrieval):<\/strong> Olu\u015fturulan sorgu embedding’i, uzun s\u00fcreli haf\u0131zada (genellikle bir vekt\u00f6r veritaban\u0131) depolanan t\u00fcm bilgi par\u00e7ac\u0131klar\u0131n\u0131n (dok\u00fcmanlar, makaleler, ge\u00e7mi\u015f etkile\u015fimler vb.) embedding’leriyle kar\u015f\u0131la\u015ft\u0131r\u0131l\u0131r. Bu kar\u015f\u0131la\u015ft\u0131rma, anlamsal benzerli\u011fe dayan\u0131r ve sorguya en alakal\u0131 bilgi par\u00e7ac\u0131klar\u0131 bulunur.
\n3. Ba\u011flam Olu\u015fturma:<\/strong> Geri \u00e7a\u011fr\u0131lan bu alakal\u0131 bilgi par\u00e7ac\u0131klar\u0131, orijinal kullan\u0131c\u0131 sorgusuyla birle\u015ftirilerek bir “ba\u011flam” olu\u015fturulur. Bu ba\u011flam, LLM’nin ba\u011flam penceresine s\u0131\u011fabilecek \u015fekilde d\u00fczenlenir.
\n4. \u00dcretim (Generation):<\/strong> Olu\u015fturulan bu zenginle\u015ftirilmi\u015f ba\u011flam (orijinal sorgu + geri \u00e7a\u011fr\u0131lan bilgiler) daha sonra LLM’ye g\u00f6nderilir. LLM, bu ba\u011flam\u0131 kullanarak kullan\u0131c\u0131ya en do\u011fru, ilgili ve kapsaml\u0131 yan\u0131t\u0131 \u00fcretir.<\/p>\nPratik Uygulamalarla Unutmayan Haf\u0131za Sistemleri Nas\u0131l Geli\u015ftirilir?<\/h3>\n
Vekt\u00f6r Veritabanlar\u0131 ve Embedding’ler ile Bilgi Depolama Nas\u0131l Yap\u0131l\u0131r?<\/h4>\n
\n Embedding’ler, metinler, g\u00f6rseller veya sesler gibi karma\u015f\u0131k verilerin say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fclm\u00fc\u015f halleridir. Bu vekt\u00f6rler, verinin anlamsal anlam\u0131n\u0131 yo\u011fun bir \u015fekilde kodlar. Birbirine anlamsal olarak yak\u0131n olan verilerin embedding’leri, vekt\u00f6r uzay\u0131nda birbirine yak\u0131n konumlan\u0131r. \u00d6rne\u011fin, “elma” ve “armut” kelimelerinin embedding’leri, “araba” kelimesinin embedding’inden daha yak\u0131nd\u0131r. Bu embedding’ler, genellikle “embedding modelleri” (\u00f6rne\u011fin, Sentence Transformers, OpenAI’nin embedding API’si) kullan\u0131larak olu\u015fturulur. Bir metin par\u00e7as\u0131n\u0131 bu modele verdi\u011finizde, model size o metni temsil eden bir say\u0131 dizisi (vekt\u00f6r) d\u00f6nd\u00fcr\u00fcr.<\/p>\n
\n Olu\u015fturdu\u011funuz bu embedding’leri depolamak ve h\u0131zl\u0131ca aramak i\u00e7in \u00f6zel veritabanlar\u0131na, yani “vekt\u00f6r veritabanlar\u0131na” ihtiyac\u0131n\u0131z vard\u0131r. Geleneksel veritabanlar\u0131 metin veya say\u0131sal e\u015fle\u015fmelerde iyi olsa da, anlamsal benzerlik aramalar\u0131 i\u00e7in optimize edilmemi\u015ftir. Vekt\u00f6r veritabanlar\u0131, milyarlarca vekt\u00f6r aras\u0131nda milisaniyeler i\u00e7inde en benzer olanlar\u0131 bulmak i\u00e7in tasarlanm\u0131\u015ft\u0131r. Pop\u00fcler vekt\u00f6r veritaban\u0131 se\u00e7enekleri \u015funlard\u0131r:
\n * Pinecone:<\/strong> Y\u00fcksek performansl\u0131, y\u00f6netilen bir bulut vekt\u00f6r veritaban\u0131d\u0131r.
\n * Weaviate:<\/strong> A\u00e7\u0131k kaynakl\u0131, GraphQL tabanl\u0131, kendi kendine bar\u0131nd\u0131r\u0131labilen veya y\u00f6netilen bir se\u00e7enek.
\n * ChromaDB:<\/strong> Hafif, a\u00e7\u0131k kaynakl\u0131 ve kullan\u0131m\u0131 kolay, k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli projeler i\u00e7in ideal.
\n * FAISS (Facebook AI Similarity Search):<\/strong> Yerel olarak \u00e7al\u0131\u015ft\u0131r\u0131labilen, y\u00fcksek performansl\u0131 bir k\u00fct\u00fcphane, ancak kendi depolama ve y\u00f6netimini gerektirir.<\/p>\n\nfrom sentence_transformers import SentenceTransformer\nimport numpy as np\n\n# 1. Embedding modelini y\u00fckle\n# Bu model, metinleri anlamsal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrecektir.\nmodel = SentenceTransformer('all-MiniLM-L6-v2')\n\n# 2. Bilgi par\u00e7ac\u0131klar\u0131 (dok\u00fcmanlar)\ndocuments = {\n \"doc1\": \"Yapay zeka, makinelerin insan zekas\u0131n\u0131 taklit etmesini sa\u011flayan bir aland\u0131r.\",\n \"doc2\": \"Makine \u00f6\u011frenimi, yapay zekan\u0131n bir alt k\u00fcmesidir ve verilerden \u00f6\u011frenmeyi i\u00e7erir.\",\n \"doc3\": \"Derin \u00f6\u011frenme, yapay sinir a\u011flar\u0131 kullanarak karma\u015f\u0131k desenleri \u00f6\u011frenir.\",\n \"doc4\": \"Vekt\u00f6r veritabanlar\u0131, embedding'leri depolamak i\u00e7in kullan\u0131l\u0131r.\",\n \"doc5\": \"Ajan haf\u0131zas\u0131, YZ ajanlar\u0131n\u0131n ge\u00e7mi\u015fi hat\u0131rlamas\u0131n\u0131 sa\u011flar.\"\n}\n\n# 3. Her dok\u00fcman i\u00e7in embedding olu\u015ftur ve 'vekt\u00f6r veritaban\u0131'na ekle (sim\u00fclasyon)\n# Ger\u00e7ek bir vekt\u00f6r veritaban\u0131 bu i\u015flemi \u00e7ok daha verimli yapar.\nvector_db_simulation = {}\nfor doc_id, text in documents.items():\n embedding = model.encode(text)\n vector_db_simulation[doc_id] = {\n \"text\": text,\n \"embedding\": embedding\n }\n\nprint(\"Vekt\u00f6r Veritaban\u0131 (Sim\u00fclasyon) Olu\u015fturuldu.\")\nprint(f\"Toplam dok\u00fcman say\u0131s\u0131: {len(vector_db_simulation)}\")\n\n# 4. Bir sorgu i\u00e7in embedding olu\u015ftur\nquery = \"YZ sistemlerinin ge\u00e7mi\u015f bilgileri nas\u0131l saklad\u0131\u011f\u0131?\"\nquery_embedding = model.encode(query)\n\n# 5. Sorguya en benzer dok\u00fcman\u0131 bul (basit kosin\u00fcs benzerli\u011fi ile)\n# Ger\u00e7ek vekt\u00f6r veritabanlar\u0131 bu aramay\u0131 \u00e7ok daha optimize edilmi\u015f algoritmalarla yapar.\nmost_similar_doc = None\nmax_similarity = -1\n\nfor doc_id, data in vector_db_simulation.items():\n doc_embedding = data[\"embedding\"]\n # Kosin\u00fcs benzerli\u011fi hesapla\n similarity = np.dot(query_embedding, doc_embedding) \/ (np.linalg.norm(query_embedding) * np.linalg.norm(doc_embedding))\n \n if similarity > max_similarity:\n max_similarity = similarity\n most_similar_doc = doc_id\n\nif most_similar_doc:\n print(f\"\\nSorgu: '{query}'\")\n print(f\"En benzer dok\u00fcman: '{vector_db_simulation[most_similar_doc]['text']}' (Benzerlik: {max_similarity:.4f})\")\nelse:\n print(\"\\nBenzer dok\u00fcman bulunamad\u0131.\")\n <\/code><\/pre>\n<\/div>\nSentenceTransformer<\/code> k\u00fct\u00fcphanesi ile metinleri say\u0131sal vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcyoruz. Ard\u0131ndan, bu vekt\u00f6rleri ve orijinal metinleri bir Python s\u00f6zl\u00fc\u011f\u00fcnde saklayarak basit bir vekt\u00f6r veritaban\u0131 sim\u00fclasyonu olu\u015fturuyoruz. Bir sorgu geldi\u011finde, bu sorgunun da embedding'ini olu\u015fturup, mevcut dok\u00fcman embedding'leriyle kosin\u00fcs benzerli\u011fi kullanarak en alakal\u0131 dok\u00fcman\u0131 buluyoruz. Bu, RAG mimarisinin \"Retrieval\" (geri \u00e7a\u011f\u0131rma) k\u0131sm\u0131n\u0131n temelini olu\u015fturur.<\/p>\nBa\u011flamsal Geri \u00c7a\u011f\u0131rma Stratejileri Nas\u0131l Geli\u015ftirilir?<\/h4>\n
\n* Anlamsal (Semantic) Arama:<\/strong> Embedding'lerin g\u00fcc\u00fcn\u00fc kullanarak, sorgunun anlam\u0131n\u0131 depolanan bilgilerin anlam\u0131yla e\u015fle\u015ftirir. Yukar\u0131daki kod \u00f6rne\u011finde g\u00f6sterilen kosin\u00fcs benzerli\u011fi, anlamsal araman\u0131n bir bi\u00e7imidir. \"Otomobil\" arand\u0131\u011f\u0131nda \"araba\" i\u00e7eren sonu\u00e7lar\u0131 da getirebilir. Bu, ajanlar\u0131n daha do\u011fal ve insan benzeri sorgular\u0131 anlamas\u0131n\u0131 sa\u011flar.
\n* Hibrit Yakla\u015f\u0131mlar:<\/strong> En etkili stratejiler genellikle anahtar kelime ve anlamsal araman\u0131n bir kombinasyonunu kullan\u0131r. \u00d6nce anahtar kelimelerle dar bir arama yap\u0131l\u0131r, ard\u0131ndan bu daralt\u0131lm\u0131\u015f k\u00fcme i\u00e7inde anlamsal benzerlik aramas\u0131yla en alakal\u0131 sonu\u00e7lar bulunur. Bu, hem h\u0131z hem de do\u011fruluk a\u00e7\u0131s\u0131ndan avantaj sa\u011flar.
\n* Filtreleme ve S\u0131ralama Teknikleri:<\/strong> Geri \u00e7a\u011fr\u0131lan bilgileri daha da iyile\u015ftirmek i\u00e7in metadata (olu\u015fturma tarihi, yazar, konu etiketi vb.) kullan\u0131labilir. \u00d6rne\u011fin, \"son bir y\u0131ldaki yapay zeka makaleleri\" gibi bir sorguda, \u00f6nce \"yapay zeka\" ile ilgili makaleler anlamsal olarak bulunur, ard\u0131ndan bu makaleler olu\u015fturma tarihine g\u00f6re filtrelenir.<\/p>\nHaf\u0131za G\u00fcncelleme ve Evrim Mekanizmalar\u0131 Nelerdir?<\/h4>\n
\n* Eski Bilgileri G\u00fcncelleme veya Unutma (Forgeting) Stratejileri:<\/strong> Bilgiler zamanla eskiyebilir veya yanl\u0131\u015f olabilir. Bu durumda, mevcut bilgilerin g\u00fcncellenmesi veya art\u0131k alakas\u0131z olanlar\u0131n silinmesi gerekebilir. \u00d6rne\u011fin, bir \u00fcr\u00fcn\u00fcn fiyat\u0131 de\u011fi\u015fti\u011finde, haf\u0131zadaki eski fiyat bilgisi yeniyle g\u00fcncellenmelidir. Belirli bir s\u00fcre sonra kullan\u0131lmayan veya d\u00fc\u015f\u00fck \u00f6nem derecesine sahip bilgilerin otomatik olarak silinmesi (garbagge collection) de bir unutma stratejisi olabilir. Bu, haf\u0131zan\u0131n gereksiz bilgilerle \u015fi\u015fmesini engeller ve performans\u0131 art\u0131r\u0131r.
\n* Geribildirim D\u00f6ng\u00fcleri ile \u00d6\u011frenme:<\/strong> Ajan\u0131n verdi\u011fi yan\u0131tlar\u0131n kullan\u0131c\u0131 taraf\u0131ndan be\u011fenilip be\u011fenilmedi\u011fi veya do\u011fru olup olmad\u0131\u011f\u0131 gibi geribildirimler, haf\u0131za sistemini iyile\u015ftirmek i\u00e7in kullan\u0131labilir. \u00d6rne\u011fin, bir yan\u0131t yanl\u0131\u015f bulundu\u011funda, ajan\u0131n bu bilgiyi gelecekte kullanmamas\u0131 veya d\u00fczeltmesi i\u00e7in i\u015faretlenebilir. Bu, ajanlar\u0131n zamanla daha do\u011fru ve faydal\u0131 yan\u0131tlar \u00fcretmesini sa\u011flayan s\u00fcrekli bir \u00f6\u011frenme d\u00f6ng\u00fcs\u00fc olu\u015fturur.<\/p>\n\u0130leri D\u00fczey Haf\u0131za Y\u00f6netimi Teknikleri ve Zorluklar<\/h3>\n
\u00c7ok Modlu Haf\u0131za (Multimodal Memory) Nedir ve Nas\u0131l Kullan\u0131l\u0131r?<\/h4>\n
Hiyerar\u015fik ve \u0130li\u015fkisel Haf\u0131za Modelleri Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h4>\n
\n* \u0130li\u015fkisel Haf\u0131za (Bilgi Grafikleri - Knowledge Graphs):<\/strong> Bilgiyi d\u00fc\u011f\u00fcmler (varl\u0131klar, kavramlar) ve kenarlar (bu d\u00fc\u011f\u00fcmler aras\u0131ndaki ili\u015fkiler) olarak temsil eden grafik tabanl\u0131 bir yap\u0131d\u0131r. \u00d6rne\u011fin, \"Ankara T\u00fcrkiye'nin ba\u015fkentidir\" bilgisi, \"Ankara\" ve \"T\u00fcrkiye\" d\u00fc\u011f\u00fcmleri ile aralar\u0131ndaki \"ba\u015fkenti\" ili\u015fkisi olarak temsil edilebilir. Bu yap\u0131lar, ajanlar\u0131n karma\u015f\u0131k ili\u015fkileri sorgulamas\u0131n\u0131, \u00e7\u0131kar\u0131mlar yapmas\u0131n\u0131 ve yeni, daha \u00f6nce a\u00e7\u0131k\u00e7a belirtilmemi\u015f ba\u011flant\u0131lar\u0131 ke\u015ffetmesini sa\u011flar. Bir bilgi grafi\u011fi \u00fczerinde yap\u0131lan sorgular, ajan\u0131n sadece belirli bir bilgi par\u00e7as\u0131n\u0131 geri \u00e7a\u011f\u0131rmakla kalmay\u0131p, o bilgiyle ili\u015fkili di\u011fer t\u00fcm bilgileri de anlamas\u0131na yard\u0131mc\u0131 olur. \u00d6rne\u011fin, bir hasta dosyas\u0131ndaki semptomlar, hastal\u0131klar ve ila\u00e7lar aras\u0131ndaki ili\u015fkileri bir bilgi grafi\u011fi olarak modellemek, ajan\u0131n daha do\u011fru te\u015fhis veya tedavi \u00f6nerileri sunmas\u0131na yard\u0131mc\u0131 olabilir. Bu modeller, \u00f6zellikle karma\u015f\u0131k karar verme s\u00fcre\u00e7leri gerektiren alanlarda (sa\u011fl\u0131k, hukuk, finans) b\u00fcy\u00fck avantajlar sunar.<\/p>\n\u00d6l\u00e7eklenebilirlik ve Performans Zorluklar\u0131 Nelerdir?<\/h4>\n