Yerel LLM ile Tavaları Tekrar Tekrar Yıkamaktan Kurtuldum

Yerel LLM ile Tavaları Tekrar Tekrar Yıkamaktan Kurtuldum

Her mutfakta olduğu gibi benim mutfağımda da bulaşıklar birikirdi. Özellikle yemek yaparken kullanılan tavalar, sos tencereleri, fırın kapları… Her biri ayrı birer temizlik görevi demekti. Bazen sadece bir yumurta pişirmek için bile bir tava kullanır, sonra onu temizlemek yerine bir kenara koyar ve bir sonraki öğüne kadar bekletirdim. Bu durum hem hijyenik değildi hem de işleri daha da karmaşık hale getiriyordu. Peki ya bu soruna teknolojik bir çözüm bulsaydım? Yerel bir Büyük Dil Modeli (LLM) kullanarak, bulaşık yıkama döngüsünü nasıl optimize edebileceğimi düşündüm. Bu makalede, bu süreci nasıl başlattığımı, hangi adımları izlediğimi ve sonuçta nasıl daha az bulaşık yıkamaya başladığımı detaylıca anlatacağım. Amacım, benzer sorunlarla karşılaşan ve teknolojiye ilgi duyan herkese ilham vermek ve pratik bir yol haritası sunmaktır.

LLM Nedir ve Neden Yerel Olanı Seçtim?

Büyük Dil Modelleri (LLM), insan dilini anlama, üretme ve işleme yeteneğine sahip yapay zeka sistemleridir. Bu modeller, devasa metin ve kod veri kümeleri üzerinde eğitilir ve bu sayede çeşitli görevleri yerine getirebilirler. Örneğin, metin özetleme, çeviri yapma, soru yanıtlama, kod yazma gibi birçok alanda kullanılabilirler. Günümüzde popüler olan birçok LLM, bulut tabanlı hizmetler olarak sunulmaktadır. Ancak, bu tür hizmetlerin kullanımı genellikle veri gizliliği endişeleri, maliyetler ve internet bağlantısı gerekliliği gibi bazı kısıtlamaları beraberinde getirir. Benim durumumda, mutfak gibi özel bir alanda kullanacağım bir sistemi, kişisel verilerimin güvenliğini en üst düzeyde tutarak çalıştırmak istedim. Bu nedenle, yerel bir LLM kullanma kararı aldım. Yerel LLM, kendi bilgisayarınızda veya sunucunuzda çalıştırabileceğiniz bir modeldir. Bu, verilerinizin hiçbir yere gönderilmemesi anlamına gelir, bu da gizlilik açısından büyük bir avantaj sağlar. Ayrıca, internet bağlantısı kesildiğinde bile çalışmaya devam edebilir ve uzun vadede bulut tabanlı hizmetlere göre daha ekonomik olabilir. Elbette, yerel bir LLM kurmak ve çalıştırmak, bulut tabanlı hizmetlere göre daha fazla teknik bilgi ve donanım gerektirebilir. Ancak, benim için sağladığı kontrol ve güvenlik bu çabaya değdi.

Yerel LLM’in Avantajları ve Dezavantajları

Yerel LLM kullanmanın en belirgin avantajı, veri gizliliğidir. Tüm işlemler cihazınızda gerçekleştiği için hassas bilgilerin dışarı sızma riski ortadan kalkar. Bu, özellikle kişisel rutinleri otomatikleştirmek istediğinizde önemlidir. İkinci olarak, bağımsızlık. İnternet bağlantınız olmasa bile LLM’iniz çalışmaya devam eder. Bu, özellikle kesintisiz bir otomasyon istediğiniz durumlarda kritik öneme sahiptir. Üçüncü olarak, maliyet etkinliği. İlk kurulum maliyeti yüksek olsa da, uzun vadede bulut tabanlı hizmetlerin aylık abonelik ücretlerine kıyasla daha uygun olabilir. Ancak, yerel LLM’lerin bazı dezavantajları da vardır. En önemlisi, güçlü bir donanım gereksinimidir. LLM’ler, özellikle büyük modeller, önemli miktarda işlem gücü ve RAM gerektirir. Bu, yüksek performanslı bir bilgisayar veya özel bir sunucu anlamına gelebilir. Ayrıca, kurulum ve bakım süreci teknik bilgi gerektirir. Modelleri indirmek, yapılandırmak ve güncel tutmak, bazı kullanıcılar için zorlayıcı olabilir. Son olarak, bazı gelişmiş özellikler veya en yeni modeller, henüz yerel olarak optimize edilmemiş olabilir. Bu nedenle, yerel LLM seçimi, teknik yetenekleriniz, donanımınız ve beklentilerinizle dengelenmelidir. Benim amacım, karmaşık bir yapay zeka modeli oluşturmak değil, belirli bir problemi çözmek olduğu için, daha küçük ve optimize edilmiş modellerle başlamak mantıklı bir yoldu.

Mutfak Bulaşık Sorununu LLM ile Nasıl Çözebilirim?

Temel sorun şuydu: Yemek yaptıktan sonra kirli tavalar ve tencereler birikiyordu. Bu birikimi azaltmanın yolu, her kullanımdan sonra mümkün olduğunca hızlı bir şekilde temizlemekti. Ancak bu her zaman pratik değildi. Bazen sadece bir çay kaşığı kullanıyordum ve onu hemen yıkamak yerine diğer bulaşıklarla birlikte biriktiriyordum. LLM’i bu sürece dahil etmenin yolu, bulaşık yıkama eylemini tetikleyecek veya optimize edecek bir mantık kurmaktı. Bunu yapabilmek için öncelikle LLM’e hangi bulaşıkların ne zaman ve nasıl kirlendiği hakkında bilgi vermem gerekiyordu. Bu, bir tür “bulaşık envanteri” ve “kullanım takip sistemi” oluşturmak anlamına geliyordu. LLM’e, hangi yemeği pişirdiğimi, hangi araçları kullandığımı ve bu araçların ne kadar kirlendiğini anlayabileceği bir girdi sağlamalıydım. Ardından, LLM’in bu bilgilere dayanarak bana en uygun temizlik stratejisini önermesini veya doğrudan bir temizlik eylemini tetiklemesini sağlayabilirdim. Örneğin, “Bugün menemen yaptım, iki adet yumurta, bir adet domates kullandım. Bir adet orta boy tava ve bir adet spatula kullandım.” gibi bir girdi, LLM’in tavanın ve spatulanın orta derecede kirlendiğini anlamasına yardımcı olabilirdi. LLM, bu bilgiye dayanarak bana “Hemen yıka” diyebilirdi ya da “Bir sonraki öğünde kullanılacak diğer eşyalarla birlikte yıkayabilirsin” gibi bir öneride bulunabilirdi. Bu, tamamen kişisel tercihlerime ve mutfak alışkanlıklarıma göre özelleştirilebilirdi. Önemli olan, LLM’in bir karar verici veya önerici olarak hareket etmesini sağlamaktı. Bu, basit bir komut-yanıt sisteminden çok daha fazlasını ifade ediyordu; bu, bir tür akıllı asistanlık hizmetiydi.

Adım Adım: Yerel LLM Kurulumu ve Mutfak Entegrasyonu

Bu projeye başlarken, teknik altyapıyı oluşturmak en önemli adımdı. Öncelikle, yerel bir LLM çalıştırmak için uygun bir donanıma sahip olduğumdan emin olmam gerekiyordu. Yüksek bir işlemci, yeterli RAM ve hızlı bir depolama birimi, modellerin akıcı bir şekilde çalışması için şarttı. Ardından, açık kaynaklı LLM modellerini araştırmaya başladım. Llama 2, Mistral, Phi-2 gibi modeller, hem performansları hem de yerel olarak çalıştırılabilme potansiyelleri açısından öne çıkıyordu. Ben, nispeten daha hafif ve iyi optimize edilmiş olan Mistral 7B modelini seçtim. Kurulum süreci için Ollama gibi araçlar büyük kolaylık sağladı. Ollama, LLM modellerini indirmeyi, çalıştırmayı ve yönetmeyi basitleştiren bir platformdur. Birkaç komutla Mistral 7B modelini bilgisayarıma kurabildim. Bu, teknik bilgi seviyesi orta düzeyde olan biri için bile oldukça erişilebilirdi. Kurulum tamamlandıktan sonra, LLM ile etkileşim kuracak bir arayüz geliştirmem gerekiyordu. Bu arayüz, benim mutfaktaki eylemlerimi LLM’e aktaracak ve LLM’in yanıtlarını bana iletecekti. Başlangıçta basit bir komut satırı arayüzü kullandım. Örneğin, terminale şu komutu yazıyordum: ollama run mistral "Bugün spagetti yaptım, bir tencere ve bir süzgeç kullandım. Tencere biraz yapışkan." LLM, bu girdiyi işleyip bana “Tencereyi sıcak suyla önceden ıslatıp bekletmeniz yapışkan kalıntıları çıkarmayı kolaylaştıracaktır.” gibi bir yanıt veriyordu. Bu, ilk ve en temel entegrasyondu.

API ile LLM’i Akıllı Cihazlarla Konuşturmak

Komut satırı arayüzü işlevsel olsa da, mutfakta sürekli bilgisayar başında olmak pratik değildi. Bu nedenle, LLM’i daha akıllı hale getirmek ve mutfak işleriyle daha derinlemesine entegre etmek için bir API (Uygulama Programlama Arayüzü) kullanmaya karar verdim. Ollama, kendi API’sini sunmaktadır, bu da LLM ile programatik olarak etkileşim kurmamızı sağlar. Python dilini kullanarak, bu API ile konuşan bir script yazdım. Bu script, mutfaktaki belirli eylemleri algılayacak ve LLM’e gönderecekti. Örneğin, bir akıllı tartı kullanarak kullandığım malzeme miktarını veya bir akıllı kamera ile tavadaki yemek türünü algılayabilirdim. Ancak, bu tür entegrasyonlar başlangıçta biraz karmaşık olabilirdi. Bu yüzden, daha basit bir yaklaşımla başladım: Sesli komutlar. Bir mikrofon ve ses tanıma kütüphanesi (örneğin, SpeechRecognition Python kütüphanesi) kullanarak, mutfakta konuşarak LLM’e bilgi verebildim. “Hey asistan, bir tava kullandım, soslu bir yemek pişirdim.” dediğimde, script bu sesi metne çeviriyor, metni LLM’e gönderiyor ve LLM’in önerisini sesli olarak bana iletiyordu. Bu, bulaşık yıkama döngüsünü önemli ölçüde hızlandırmamı sağladı. Artık her kullanımdan sonra tavayı hemen yıkamam gerektiğini biliyordum ve bu bilgiyi LLM bana hatırlatıyordu. Bu, “yapışkan tencere” sorununu büyük ölçüde çözmeme yardımcı oldu. Artık bulaşıklar birikmeden, daha küçük ve yönetilebilir parçalar halinde temizleniyordu.

Gerçek Dünya Senaryoları ve Vaka Analizleri

Bu sistemi kurduktan sonra, günlük mutfak hayatımda birçok farklı senaryoda LLM’in bana nasıl yardımcı olduğunu gözlemledim. İşte birkaç örnek:

Vaka Analizi 1: Yapışmaz Tavada Yanmış Pirinç

Bir akşam, pirinç pilavı yaparken dikkatsizliğim sonucu tavanın dibi biraz yapışmıştı. Normalde bu, temizliği zorlu bir durum olurdu. Ancak LLM’e durumu bildirdiğimde, “Tavayı hemen sıcak suyla doldurup bir miktar bulaşık deterjanı ekleyin. 15-20 dakika beklettikten sonra yumuşak bir süngerle nazikçe temizleyin. Eğer inatçı lekeler varsa, bir miktar karbonat ve su macunu ile ovmayı deneyebilirsiniz.” şeklinde bir öneri aldım. Bu adımları izlediğimde, tavanın dibindeki yapışmış pirinç kalıntıları kolayca çıktı. LLM, olayın ciddiyetine göre en uygun ve en az çaba gerektiren çözümü sunmuştu.

Vaka Analizi 2: Soslu Tencere Temizliği

Bir başka gün, yoğun bir sos hazırlamıştım ve tencerenin içinde bol miktarda sos kalıntısı vardı. LLM’e durumu bildirdiğimde, “Sos kalıntılarının olduğu tencereyi hemen sıcak suyla çalkalayın. Ardından, bir miktar sirke ekleyip kısık ateşte birkaç dakika kaynatın. Sirke, sos kalıntılarının gevşemesine yardımcı olacaktır. Kaynadıktan sonra suyu boşaltın ve normal şekilde yıkayın.” dedi. Bu öneri, sos kalıntılarının kolayca temizlenmesini sağladı ve tencerenin tekrar parlak görünmesini sağladı. Bu, LLM’in sadece genel temizlik önerileri sunmakla kalmayıp, aynı zamanda kullanılan malzemeye (sos) özel çözümler üretebildiğini gösteriyordu.

Vaka Analizi 3: Çoklu Tava Kullanımı ve Önceliklendirme

Bazen, aynı anda birden fazla yemek pişirirken birkaç farklı tava kullanmak zorunda kalıyorum. Bu durumda, hangi tavanın önce temizlenmesi gerektiğini veya hangi tavayı bir sonraki adıma kadar bekletebileceğimi kararlaştırmak zor olabiliyor. LLM, bu konuda da yardımcı oluyor. Örneğin, “İki adet tava kullandım, biri sebze sotelemek için, diğeri ise et mühürlemek için. Sebze sotelediğim tava daha az kirli.” dediğimde, LLM “Et mühürlediğiniz tavayı hemen temizlemeniz önerilir. Sebze sotelediğiniz tavayı ise bir sonraki öğünde kullanacağınız eşyalarla birlikte yıkayabilirsiniz.” şeklinde bir önceliklendirme yapabiliyor. Bu, mutfaktaki iş akışını daha verimli hale getiriyor ve bulaşıkların gereksiz yere birikmesini engelliyor.

İleri Düzey Optimizasyonlar ve Gelecek Vizyonu

Mutfak bulaşıklarını LLM ile yönetme projem, başlangıçta basit bir otomasyon denemesi olarak başladı. Ancak, zamanla sistemi daha da geliştirmek ve daha ileri düzey optimizasyonlar yapmak istedim. Bunlardan biri, “bulaşık türü” ve “kirlilik seviyesi”nin daha detaylı bir şekilde sınıflandırılmasıydı. LLM’e, her bulaşık türü için farklı temizlik stratejileri öğretebilirim. Örneğin, döküm tava temizliği, yapışmaz tava temizliğinden farklıdır. LLM’in bu farkları anlaması ve buna göre önerilerde bulunması, temizlik sürecini daha da kişiselleştirecektir. Ayrıca, “bulaşık zamanlayıcısı” gibi özellikler ekleyebilirim. LLM, bir bulaşığın ne kadar süredir kirli olduğunu takip edebilir ve belirli bir süre geçtiğinde beni uyarabilir. Bu, özellikle yoğun olduğum zamanlarda unutkanlığın önüne geçecektir. Gelecekte, bu sistemi daha da genişleterek, mutfaktaki diğer görevleri de otomatikleştirebilirim. Örneğin, buzdolabındaki malzemeleri takip ederek tarif önerileri sunabilir veya alışveriş listeleri oluşturabilirim. Akıllı ev sistemleriyle entegrasyon da bir diğer heyecan verici olasılık. LLM’in, diğer akıllı cihazlarla (örneğin, akıllı çöp kutuları, akıllı bulaşık makineleri) etkileşim kurarak mutfak yönetimini daha da kolaylaştırması mümkün.

Kişisel Veri Güvenliği ve LLM Etiketi

Yerel LLM kullanmanın en büyük avantajlarından biri, veri güvenliğidir. Mutfak alışkanlıklarım, kullandığım malzemeler gibi kişisel bilgilerim asla dışarıya gönderilmiyor. Ancak, bu tür sistemleri kurarken etik konuları da göz ardı etmemek gerekir. LLM’e verdiğim bilgilerin ne kadar doğru ve ne kadar güvenilir olduğu önemlidir. Örneğin, yanlış bir temizlik önerisi, bulaşıkların zarar görmesine neden olabilir. Bu nedenle, LLM’den gelen önerileri her zaman mantık çerçevesinde değerlendirmek ve gerektiğinde kendi bilgimi kullanmak önemlidir. Ayrıca, LLM’in “öğrenme” süreci de etik bir konudur. Eğer LLM, benim temizlik alışkanlıklarımdan öğreniyorsa, bu öğrenmenin nasıl gerçekleştiği ve hangi verilerin kullanıldığı konusunda şeffaf olmalıdır. Benim kurduğum sistemde, LLM’in öğrenme süreci tamamen yerel ve kontrollü bir şekilde gerçekleşiyor. Bu, hem gizliliğimi koruyor hem de sistemin zamanla daha da akıllı hale gelmesini sağlıyor.

Sonuç

Yerel bir LLM kullanarak mutfak bulaşıklarını yönetme deneyimim, teknolojinin günlük hayatımızdaki sorunlara nasıl pratik çözümler sunabileceğinin harika bir örneği oldu. Başlangıçta karmaşık gibi görünen bir sorun, doğru araçlar ve yaklaşımla kolayca çözülebildi. Yerel LLM’ler, veri gizliliği ve kontrol avantajları sayesinde, kişisel otomasyon projeleri için mükemmel bir seçenek sunuyor. Bu makalede, LLM’in ne olduğunu, neden yerel bir çözüm seçtiğimi, adımları nasıl izlediğimi ve gerçek dünya senaryolarında nasıl kullanıldığını detaylıca anlattım. Umarım bu deneyimim, benzer sorunlarla karşılaşan ve teknolojiye ilgi duyan diğer kişilere ilham verir ve onlara kendi çözümlerini oluşturmaları için bir yol haritası sunar. Unutmayın, en karmaşık sorunlar bile, doğru yaklaşımla basit çözümlere ulaşabilir.

Sıkça Sorulan Sorular (SSS)

• Yerel bir LLM kurmak için ne kadar güçlü bir bilgisayara ihtiyacım var?

  Bu, kullanmak istediğiniz LLM modelinin boyutuna ve karmaşıklığına bağlıdır. Genel olarak, iyi bir işlemci (Intel Core i7 veya eşdeğeri), en az 16 GB RAM ve hızlı bir SSD depolama birimi önerilir. Daha büyük modeller için daha güçlü donanım gerekebilir.

• Yerel LLM’ler ücretsiz midir?

  Çoğu açık kaynaklı LLM modeli ücretsizdir. Ancak, bunları çalıştırmak için gereken donanım maliyetini ve potansiyel enerji tüketimini göz önünde bulundurmalısınız.

• Bu sistemi mutfak dışında başka alanlarda da kullanabilir miyim?

  Kesinlikle evet! Yerel LLM’ler, kişisel asistanlar oluşturmak, veri analizi yapmak, metin tabanlı oyunlar geliştirmek gibi birçok farklı alanda kullanılabilir. Anahtar, LLM’in anlayabileceği şekilde girdi sağlamak ve istediğiniz çıktıyı elde etmektir.

• LLM’in önerileri her zaman doğru mudur?

  LLM’ler, eğitildikleri verilere dayanarak tahminlerde bulunurlar. Bu nedenle, önerileri her zaman %100 doğru olmayabilir. Özellikle kritik durumlarda, LLM’in önerilerini kendi muhakemenizle doğrulamak önemlidir.

#Teknoloji #YapayZeka #LLM #Otomasyon #MutfakHileleri #YerelLLM