Aralık 27 2024

30 Dakikada Ev Yapımı Ramen: Paketten İyi Tarif

Dışarıda saatlerce kaynatılmış kemik sularıyla yapılan o derin lezzetli ramen kasesini hepimiz çok seviyoruz. Ancak evde canımız çektiğinde mutfakta 12 saat harcamak istemiyoruz. İşte tam da bu anlar için, kedi maması kokulu hazır paketleri çöpe attıracak, hazırlaması son derece kolay ve pratik bir ev yapımı ramen tarifi ile karşınızdayız. Bu yemek, yoğun bir günün ardından kendinizi şımartmanın en kestirme ve en sıcak yolu olacak.

Porsiyon: 2 Kişilik
Hazırlık Süresi: 10 Dakika
Pişirme Süresi: 20 Dakika

Neden Paketten Daha İyi?

Süpermarketlerde satılan hazır ramen paketleri pratik görünse de içlerindeki sodyum ve koruyucu miktarı korkutucu boyutta. Üstelik o paketlerden çıkan yapay aroma tozları asla gerçek bir çorba derinliği sunmuyor. Bu tarifte, taze sarımsak ve zencefili susam yağında hafifçe soteleyerek kendi hızlı broth (çorba suyu) bazımızı oluşturuyoruz. Bu sayede hem taze hem de derinliği olan bir lezzet elde ediyoruz. Yani hem hızlı hem de ne yediğinizi biliyorsunuz!

Malzemeler

Ramen esnektir. Evde ne varsa ona göre şekil alabilir. İşte bizim önerdiğimiz temel liste ve pratik alternatifleri:

  • Ramen Eriştesi: 2 paket (Bulamazsanız düz noodle, hatta ince spagetti bile olur.)
  • Tavuk Suyu: 4 su bardağı (Gerçek tavuk suyu lezzeti katlar ama organik bulyon da iş görür.)
  • Sarımsak: 2 diş (Ezilmiş)
  • Taze Zencefil: 1 başparmak büyüklüğünde (İnce dilimlenmiş veya rendelenmiş)
  • Soya Sosu: 3 yemek kaşığı (Tuz oranını ayarlayan ana unsurumuz)
  • Susam Yağı: 1 yemek kaşığı (Asya mutfağının o karakteristik kokusunu veren gizli kahraman)
  • Toppings (Üzeri için): 2 adet yumurta, ince kıyılmış taze soğan, sotelenmiş mantar ve isteğe göre haşlanmış tavuk dilimleri.

Adım Adım Ev Yapımı Ramen

Karmaşık mutfak jargonlarını bir kenara bırakalım. Adımları sırayla takip ettiğinizde yarım saat içinde masada dumanı tüten bir kase olacak.

  1. Sihirli Suyu Hazırlayın (Broth): Derin bir tencerede susam yağını ısıtın. Sarımsak ve zencefili ekleyip kokusu çıkana kadar yaklaşık 1 dakika soteleyin. Üzerine tavuk suyunu ve soya sosunu ekleyin. Kaynama noktasına geldikten sonra altını kısıp 15 dakika boyunca tüm aromaların birbirine geçmesi için tıngırdatın.
  2. Mükemmel Yumurtayı Pişirin: Ramen’in olmazsa olmazı içi hafif akışkan yumurtadır. Küçük bir sos tenceresinde suyu kaynatın. Yumurtaları yavaşça suya bırakın ve tam 6 dakika 30 saniye haşlayın. Süre dolar dolmaz yumurtaları buzlu suya alın. Bu işlem pişmeyi durdurur ve soymayı kolaylaştırır.
  3. Erişteleri ve Mantarları Halledin: Ayrı bir tencerede erişteleri paket talimatına göre haşlayın (genelde 3 dakika yeterlidir) ve süzün. Erişteleri doğrudan çorbanın içinde haşlamayın; çünkü nişastaları çorbanın berraklığını bozar. Bu sırada küçük bir tavada mantarları yüksek ateşte az yağla soteleyin.
  4. Kaseleri Birleştirin: Geniş ve derin iki kase alın. Önce haşlanmış erişteleri paylaştırın. Üzerine süzgeç yardımıyla zencefil ve sarımsak tanelerinden arındırdığınız sıcak çorba suyunu dökün.
  5. Görsel Şölen (Toppings): Eriştelerin üzerine sotelenmiş mantarları, tavuk dilimlerini ve ince kıyılmış bolca taze soğanı yerleştirin. En son, ortadan ikiye kestiğiniz o mükemmel kayısı kıvamındaki yumurtaları yerleştirerek servis yapın.

Püf Noktası

Ramen yerken çorbanın sıcaklığı çok önemlidir. Kaselerinizi birleştirmeden önce, boş kaselerin içine biraz sıcak su koyup bekleterek kaseleri ısıtın. Çorbayı dökmeden hemen önce bu suyu dökün. Böylece soğuk kase, binbir emekle hazırladığınız sıcak çorbanızın ısısını saniyeler içinde düşürmez. Afiyet olsun!

Category: Genel | LEAVE A COMMENT
Aralık 20 2024

Prompt Engineering: ChatGPT’den En İyi Yanıtı Almanın Formülü

Yapay zeka (AI) dünyasında son dönemde en çok duyduğumuz kavramlardan biri şüphesiz prompt engineering (istemi mühendisliği). Birçoğumuz ChatGPT ya da diğer LLM (büyük dil modeli) araçlarının karşısına geçip sanki Google’da arama yaparmış gibi tek cümlelik sorular soruyoruz. Sonuç? Genellikle ruhsuz, ansiklopedik ve tam olarak işimize yaramayan yanıtlar. Peki, bu araçlardan maksimum verimlilik elde etmek gerçekten mümkün mü? Evet, ama bunun yolu yapay zekaya nasıl hitap edeceğimizi bilmekten geçiyor. Bu yazıda, “goygoy” yapmadan, bizzat test ettiğim ve çalışan pratik formülleri paylaşıyorum.

Prompt Engineering Nedir ve Neden Önemlidir?

Kısaca açıklayalım: Prompt engineering, yapay zekaya neyi, nasıl yapacağını doğru kelimelerle anlatma sanatıdır. LLM’ler (Large Language Models) aslında birer sihirbaz değil, gelişmiş birer kelime tahmin motorudur. Siz bir kelime yazarsınız, o da arkasından gelebilecek en mantıklı kelimeyi matematiksel olarak hesaplar.

Eğer yapay zekaya “Bana bir e-posta yaz” derseniz, internetteki milyonlarca ortalama e-postadan bir karma sunar. Ama ona bağlam, rol ve format verirseniz, tam olarak sizin kaleminizden çıkmış gibi duran bir metin elde edersiniz. Yani mesele “akıllıca sormak”.

Sihirli Formüller: En İyi Teknikleri Test Ediyoruz

Lafı uzatmayalım ve doğrudan test edip onayladığım, günlük işlerinizi kolaylaştıracak üç temel tekniğe bakalım.

1. Rol Atama (Persona Prompting)

Yapay zekanın en sevdiği şey bir role bürünmektir. Ona kim olduğunu söylemezseniz, her konuda yarım yamalak fikri olan bir lise öğrencisi gibi davranır. Ona bir uzmanlık yükleyin.

Kötü Prompt: “Yeni mobil uygulamam için pazarlama fikirleri ver.”

İyi Prompt:

Sen, bütçesi kısıtlı startup'lar konusunda uzmanlaşmış, 10 yıllık kıdemli bir büyüme pazarlamacısı (growth marketer) gibisin. 
Senden yeni geliştirdiğimiz meditasyon uygulaması için 3 adet yaratıcı ve sıfır bütçeli büyüme stratejisi üretmeni istiyorum. 
Format: Başlık, Uygulama Adımları ve Beklenen Sonuç şeklinde olsun.

Bu şekilde sorduğunuzda ChatGPT, genel pazarlama klişelerini bir kenara bırakıp doğrudan hedef odaklı gerilla pazarlama taktiklerine odaklanacaktır.

2. Örneklerle Eğitme (Few-Shot Prompting)

Yapay zekanın sizin tarzınızı anlamasını istiyorsanız, ona “ne istediğinizi” tarif etmek yerine “nasıl yapıldığını” gösterin. Buna literatürde Few-Shot Prompting denir. Hiç örnek vermezseniz buna da Zero-Shot deniyor ki, genellikle hüsranla sonuçlanır.

Örnek Prompt Şablonu:

Girdi: Kitap okuma alışkanlığı kazanmak.
Çıktı: Sayfalar arasında kaybolmak, her gün kendinize yapacağınız en entelektüel yatırımdır.

Girdi: Erken uyanmak.
Çıktı: Güneşten önce uyananlar, günün ritmini kendi belirler.

Girdi: Sağlıklı beslenmek.
Çıktı: [Lütfen bu formata göre doldur]

Bu yöntemi kullandığınızda, modelin çıktıyı tamamen sizin istediğiniz edebi tonda yazdığını göreceksiniz.

[Görsel: Few-shot prompting tekniği kullanılarak elde edilen özel tonlama ve standart bir prompt ile alınan sıradan yanıtın yan yana ekran görüntüsü karşılaştırması]

3. Adım Adım Düşündürme (Chain-of-Thought)

Özellikle matematik, mantık veya karmaşık analiz gerektiren konularda yapay zeka aceleci davranıp saçmalayabilir (buna halisünasyon diyoruz). Onu yavaşlatın. Promptun sonuna ekleyeceğiniz sihirli bir cümle her şeyi değiştirir: “Adım adım düşünelim.”

Bu cümle, LLM’nin cevabı üretirken ara adımları da hesaplamasını sağlar ve hata payını neredeyse sıfıra indirir.

Hangi Görev İçin Hangi LLM Modelini Seçmeli?

Her iş için aynı aracı kullanmak, her vidayı çekiçle çakmaya çalışmaya benzer. Güncel modellerin güçlü oldukları alanlar farklıdır:

  • Yaratıcı Yazarlık ve Türkçe Esneklik: Claude 3.5 Sonnet şu an Türkçe nüansları anlama ve doğal yazma konusunda ChatGPT’den bir tık önde.
  • Kodlama ve Teknik Analiz: GPT-4o ve Claude 3.5 Sonnet başa baş yarışıyor ancak GPT-4o’nun veri analiz aracı (Advanced Data Analysis) hala rakipsiz.
  • Hızlı ve Güncel Bilgi Tarama: Perplexity AI veya Google Gemini, güncel web aramaları konusunda standart ChatGPT’den daha verimli sonuçlar sunuyor.

Prompt Tekniklerinin Karşılaştırması

Aşağıdaki tabloda, denediğimiz tekniklerin pratik hayattaki artı ve eksilerini derledim:

Teknik En İyi Kullanım Alanı Artıları Eksileri
Rol Atama İçerik üretimi, mentorluk Tonu ve bakış açısını anında özelleştirir. Bazen çok klişe “uzman” dili kullanabilir.
Few-Shot (Örnekleme) Veri formatlama, marka dili oluşturma Tam olarak istediğiniz şablonu ve üslubu verir. Prompt uzunluğunu (token tüketimini) artırır.
Chain-of-Thought Mantık, matematik, kod analizi Hataları ve mantık dışı uydurmaları engeller. Yapay zekanın daha uzun ve bazen sıkıcı yazmasına neden olur.

Fiyatlar ve Ücretsiz Alternatifler

Bu işi profesyonel boyuta taşımak istiyorsanız cebinizden biraz para çıkması gerekiyor. Ancak ücretsiz yollar da yok değil.

  • Ücretli Seçenekler: ChatGPT Plus ve Claude Pro aylık $20 + KDV civarında bir abonelik ücretine sahip. Eğer günde 2-3 saatten fazla yapay zekayla çalışıyorsanız bu parayı kesinlikle hak ediyorlar.
  • Ücretsiz Alternatifler:
    • ChatGPT Free: GPT-4o mini modelini ücretsiz sunuyor, günlük basit işler için fazlasıyla yeterli.
    • Microsoft Copilot: Arka planda ücretsiz olarak GPT-4 modelini kullanıyor ve internet erişimi var.
    • Hugging Face Chat: Llama 3 gibi en güçlü açık kaynaklı (open-source) modelleri tamamen ücretsiz deneyebileceğiniz harika bir platform.

Son Söz: Denemekten Korkmayın

Prompt engineering bir programlama dili değil, bir uzlaşma sanatıdır. Karşınızda dünyanın en geniş kütüphanesine sahip ama ne yapacağını bilemeyen bir stajyer olduğunu hayal edin. Ona ne kadar net yönergeler verirseniz, o kadar iyi bir asistan kazanmış olursunuz. Klavyenizin başına geçin, yukarıdaki şablonları kopyalayıp kendi işinize uyarlayın ve aradaki farkı kendiniz görün!

Category: Genel | LEAVE A COMMENT
Aralık 20 2024

Prompt Engineering: ChatGPT’den En İyi Yanıtı Almanın Formülü

Yapay zeka hayatımıza girdiğinden beri hepimiz birer “yapay zeka fısıldayıcısı” olduk. Ancak chatgpt ekranının karşısına geçip “Bana bir diyet listesi yaz” veya “Şu e-postayı profesyonelce yanıtla” dediğimizde aldığımız yanıtlar genellikle can sıkıcı derecede genel ve ruhsuz oluyor. İşte tam bu noktada, ai dünyasından maksimum verimlilik elde etmemizi sağlayan sihirli değnek devreye giriyor: prompt engineering. Peki ama bu kavram sadece yapay zeka gurularına özel bir teknik mi, yoksa günlük işlerimizi kolaylaştıracak pratik bir formülü var mı? Lafı uzatmadan, kendi deneyimlerimizle test ettiğimiz yöntemleri masaya yatıralım.

Neden Doğrudan Sormak Yetmiyor? (İşin Arkasındaki Mantık)

Bir llm (Büyük Dil Modeli), sizin ne düşündüğünüzü veya şirketinizin kültürünü tahmin edemez. O, özünde devasa bir “sonraki kelime tahmin motorudur”. Ona ne kadar çok bağlam (context) ve sınır verirseniz, olasılık havuzunu o kadar daraltır ve tam hedefi vuran bir yanıt üretir. Yani kötü yanıt aldığınızda suç yapay zekada değil, büyük ihtimalle ona verdiğiniz eksik talimatlardadır.

[Görsel: Sıradan ve yüzeysel bir prompt ile detaylı yapılandırılmış bir promptun ürettiği sonuçların yan yana karşılaştırması]

—

En Etkili 3 Prompt Engineering Tekniği ve Test Sonuçlarımız

1. Rol Atama (Role Prompting)

Yapay zekaya bir kimlik kazandırmak, alacağınız yanıtın tonunu ve derinliğini tamamen değiştirir. Sadece “Sosyal medya için başlık yaz” demek yerine, ona bir rol verin.

Denediğimiz Şablon:

"Sen 10 yıllık kıdemli bir dijital pazarlama uzmanısın. Hedef kitlen teknolojiye meraklı genç profesyoneller. Yeni bir üretkenlik uygulaması için merak uyandıran 3 farklı Instagram başlığı yaz."

Neden işe yarıyor?: Yapay zeka, “dijital pazarlama uzmanı” rolünü üstlendiğinde sıradan kelimeleri eliyor ve hedef kitleye uygun, sektörel jargona hakim bir dil kullanıyor.

2. Few-Shot Prompting (Örnekleme)

Modelin nasıl bir çıktı üretmesini istediğinizi anlatmakta zorlanıyorsanız, ona birkaç örnek gösterin. Bu teknik, özellikle veri formatlama veya belirli bir üslubu yakalama konusunda hayat kurtarır.

Denediğimiz Şablon:

Müşteri yorumlarını analiz etmeni istiyorum.
Örnek 1: "Kargo çok hızlı geldi, ürün harika." -> [Durum: Olumlu, Kategori: Lojistik]
Örnek 2: "Arayüzü hiç beğenmedim, çok karışık." -> [Durum: Olumsuz, Kategori: UX/Tasarım]
Şimdi bu yorumu analiz et: "Ödeme adımında sürekli hata alıyorum, kartımı kabul etmedi." ->

Neden işe yarıyor?: Yapay zeka kuralları tahmin etmek yerine verdiğiniz şablonu doğrudan kopyalar. Sonuç sıfır hata!

3. Chain-of-Thought (Düşünce Zinciri)

Eğer mantık yürütme, matematik veya karmaşık kodlama gerektiren bir iş yapıyorsanız, yapay zekaya doğrudan cevabı sormayın. Ondan “adım adım düşünmesini” isteyin.

Denediğimiz Şablon:

"Şirketimiz bu ay %15 büyüdü. Geçen ayki gelirimiz 120.000 TL ise, bu ayki net kârımızı bulmak için önce yeni geliri hesapla, ardından %20 vergi oranını düşerek adım adım açıkla."

Neden işe yarıyor?: LLM’ler işlem sırasını atladıklarında saçmalayabilirler (buna halüsinasyon diyoruz). Adım adım gitmesini söylediğinizde, kendi yaptığı hataları işlem sırasında fark edip düzeltir.

—

Hangi Görev İçin Hangi Modeli Seçmeli?

Her iş için aynı modeli kullanmak, her çiviyi aynı çekiçle çakmaya çalışmaya benzer. İşte sahada yaptığımız testlere göre en iyi modeller:

  • Yaratıcı Yazarlık ve Metin Tonlama: Claude 3.5 Sonnet. Türkçe dil hakimiyeti ve insan benzeri yazım tonu konusunda şu an ChatGPT’nin bir adım önünde.
  • Hızlı Bilgi Arama ve Kod Yazma: GPT-4o. Hızı ve mantıksal problem çözme yeteneği inanılmaz düzeyde.
  • Büyük Doküman Analizi: Google Gemini 1.5 Pro. Dev devasa bağlam penceresi sayesinde yüzlerce sayfalık PDF’leri tek seferde yutup analiz edebiliyor.

—

Prompt Engineering Artı ve Eksi Analizi

Avantajları (Artılar) Zorlukları (Eksiler)
Yapay zekadan alınan yanıtların kalitesini %80’e kadar artırır. Doğru promptu yazmak ilk başta zaman alır ve deneme-yanılma gerektirir.
Tekrar eden işleri (raporlama, formatlama) tamamen otomatize eder. Modeller güncellendikçe bazen aynı prompt farklı sonuçlar verebilir.
Halüsinasyon (uydurma bilgi) oranını minimuma indirir. Uzun promptlar, API kullanımında daha fazla token tüketimi (maliyet) demektir.

—

Maliyetler ve Ücretsiz Alternatifler

Prompt engineering yeteneğinizi geliştirmek tamamen ücretsizdir. Bu bir yazılım değil, bir düşünme biçimidir. Ancak bu teknikleri uygulayabileceğiniz platformların maliyet durumları şöyle:

  • Ücretli Seçenekler: ChatGPT Plus (aylık 20$) veya Claude Pro (aylık 20$). En gelişmiş modellere (GPT-4o, Claude 3.5 Sonnet) sınırsız erişim sağlarlar.
  • Ücretsiz Alternatifler:
    • ChatGPT Free: GPT-4o mini modelini ücretsiz sunar. Günlük basit işler ve prompt denemeleri için fazlasıyla yeterli.
    • Microsoft Copilot: Arka planda ücretsiz GPT-4 kullanır ve güncel internet erişimi vardır.
    • Hugging Face & LM Studio: Bilgisayarınızın gücü yetiyorsa, Llama 3 gibi açık kaynaklı modelleri tamamen ücretsiz ve internetsiz olarak lokalde çalıştırabilirsiniz.

Son Söz: Denemekten Korkmayın

Prompt engineering gözünüzü korkutmasın. Yapay zeka ile konuşurken karşınızda stajyer bir üniversite öğrencisi varmış gibi hayal edin. Ona görevi ne kadar net anlatır, ne kadar çok örnek gösterir ve sınırları ne kadar iyi çizerseniz, akşam masanıza gelecek olan rapor o kadar kusursuz olur. Şimdi ChatGPT ekranını açın ve ilk rol tanımlamanızı yaparak farkı kendi gözlerinizle görün!

Category: Genel | LEAVE A COMMENT
Aralık 13 2024

Kendi Lokalinizde LLM Çalıştırmak: Ollama Kurulum Rehberi

Verilerimizin internette uçuştuğu, yazdığımız her satırın ve gönderdiğimiz her prompt’un bir yerlerde sunuculara kaydedildiği bu dönemde, veri gizliliği yani privacy meselesi her zamankinden daha kritik bir hale geldi. Peki, OpenAI veya Anthropic gibi devlere mahkum olmadan, tamamen kendi bilgisayarınızda çalışan bir yapay zeka kurmak mümkün mü? Cevap kesinlikle evet. Ollama sayesinde, internet bağlantısına bile ihtiyaç duymadan local llm dünyasına adım atabilir; bilgisayarınızda llama, mistral ve Phi-3 gibi devasa açık kaynaklı modelleri koşturabilirsiniz. Bu yazıda, “Benim bilgisayarım bunu kaldırır mı?” korkusunu bir kenara bırakıp, adım adım kendi yapay zekamızı nasıl kuracağımızı test edip göreceğiz.

Neden Kendi Bilgisayarımızda LLM Çalıştıralım?

Bulut tabanlı modeller harika iş çıkarıyor, orası kesin. Ancak her sorgu için internete bağımlı olmak, API ücretleri ödemek ve en önemlisi gizli verilerinizi (örneğin şirket içi belgelerinizi veya kişisel günlüklerinizi) üçüncü parti sunuculara göndermek her zaman iyi bir fikir olmayabilir. Local LLM çalıştırmak size tam bir egemenlik verir. Bilgisayarınızın fişini çekseniz bile yapay zekanız çalışmaya devam eder. Üstelik tamamen ücretsizdir ve sansürsüz model kullanma özgürlüğü sunar.

Ollama Nedir ve Nasıl Çalışır?

Eskiden kendi bilgisayarımızda model çalıştırmak tam bir işkenceydi. Python kütüphaneleriyle boğuşur, CUDA sürücü hataları alır, en sonunda bilgisayara format atmak isterdik. Ollama, bu karmaşayı tek bir paketle çözen bir runtime ve model yönetim aracıdır. Docker kullanmaya aşina olanlar için söyleyelim; Ollama, LLM’ler için Docker neyse tam olarak odur. Modeli tek bir komutla indirir, arka planda API sunucusunu başlatır ve sizin için hazır hale getirir.

[Görsel: Mac terminalinde Ollama kurulum adımları ve ilk indirme ekranı]

Adım Adım Ollama Kurulumu

Ollama; macOS ve Linux platformlarında yerel olarak, Windows’ta ise önizleme sürümüyle harika çalışıyor. Biz bu rehberde Mac ve Linux adımlarına odaklanacağız.

macOS Kurulumu

Mac kullanıcıları için süreç oldukça konforlu. Resmi web sitesinden indireceğiniz bir DMG dosyasıyla kurulumu saniyeler içinde tamamlayabilirsiniz. Veya bilgisayarınızda Homebrew kuruluysa terminalden şu komutu vermeniz yeterli:

brew install ollama

Linux Kurulumu

Linux kullanıcıları için de süreç tek bir curl komutundan ibaret. Terminalinizi açın ve aşağıdaki komutu yapıştırın:

curl -fsSL https://ollama.com/install.sh | sh

İlk Modeli Ayaklandırmak

Kurulum bittikten sonra en keyifli kısma geliyoruz: Modeli indirmek ve onunla konuşmak. Ollama kütüphanesinde pek çok model var ancak başlangıç için Meta’nın popüler modeli Llama 3 veya Microsoft’un küçük ama yetenekli modeli Phi-3 harika birer seçenektir.

Terminalinize şu komutu yazın ve arkaya yaslanın:

ollama run llama3

Bu komut, modelin yaklaşık 4.7 GB boyutundaki “8B” (8 milyar parametreli) sürümünü otomatik olarak indirecek ve ardından size bir sohbet satırı açacaktır. Artık kendi bilgisayarınızda çalışan, tamamen offline bir yapay zekanız var!

GPU Olmadan Performans Optimizasyonu (CPU ile Hayatta Kalmak)

Peki ya güçlü bir Nvidia ekran kartınız ya da Apple Silicon (M1/M2/M3) işlemciniz yoksa? Sadece standart bir işlemci (CPU) ve RAM ile bu modelleri çalıştırabilir misiniz? Evet, ama bazı kurallara dikkat ederek.

Modellerin boyutları küçüldükçe, ihtiyaç duydukları donanım gücü de azalır. LLM dünyasında bu durum quantization (kuantizasyon) denilen bir yöntemle çözülür. Büyük modeller matematiksel olarak sıkıştırılır. Örneğin, 8B parametreli bir modeli CPU ile çalıştırmak yerine, Microsoft’un 3.8B parametreli Phi-3 modelini çalıştırmak çok daha mantıklıdır. Phi-3, boyutu küçük olmasına rağmen mantık yürütme konusunda devasa modellerle yarışır seviyededir.

Performans için altın kurallar:

  • En az 16 GB sistem RAM’ine sahip olduğunuzdan emin olun.
  • Eğer model çok yavaş yanıt veriyorsa (saniyede 1-2 kelime), hemen ollama run phi3 komutuyla daha hafif bir modele geçiş yapın.
  • Arka plandaki yüksek RAM tüketen uygulamaları (evet, Chrome sekmelerinden bahsediyorum) kapatın.

Terminalden Sıkılanlara: Open WebUI Entegrasyonu

Terminalde siyah ekrana bakarak yapay zekayla sohbet etmek bir süre sonra sıkıcı gelebilir. Kendinize tıpkı ChatGPT arayüzü gibi şık bir arayüz kurmak istemez misiniz? İşte burada devreye Open WebUI giriyor.

[Görsel: Open WebUI arayüzünde Llama 3 ile Türkçe sohbet örneği]

Eğer bilgisayarınızda Docker kuruluysa, Open WebUI’yi kurmak ve Ollama ile bağlamak tek bir satır komutla mümkün:

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

Bu komutun ardından tarayıcınızdan http://localhost:3000 adresine giderek, kendi bilgisayarınızda çalışan muhteşem bir yapay zeka arayüzüne kavuşabilirsiniz. Buradan geçmiş sohbetlerinizi görebilir, belgelerinizi yükleyip onlar üzerinde analizler yapabilirsiniz.

Model Karşılaştırmaları

Peki hangi modeli ne zaman kullanmalısınız? Sizin için en popüler üç modeli karşılaştırdık:

Model Adı Parametre Boyutu Güçlü Yönleri Zayıf Yönleri
Llama 3 (8B) 8 Milyar Genel kültür, Türkçe dil desteği, yaratıcı yazarlık. RAM tüketimi yüksektir, eski CPU’larda yavaş çalışır.
Mistral (7B) 7 Milyar Kod yazma becerisi, hızlı yanıt süresi, dengeli performans. Bazen karmaşık mantık yürütme adımlarında tökezleyebilir.
Phi-3 (3.8B) 3.8 Milyar Çok hızlıdır, inanılmaz düşük sistem kaynağı tüketir. Uzun metin yazımlarında yaratıcılığı görece düşüktür.

Maliyetler ve Ücretsiz Alternatifler

Ollama tamamen ücretsiz ve açık kaynaklıdır. İndirdiğiniz modeller için hiçbir ücret ödemezsiniz. Tek maliyetiniz, bilgisayarınızın harcayacağı elektrik faturası olacaktır.

Eğer Ollama’ya alternatif daha görsel bir araç arıyorsanız, LM Studio harika bir seçenektir. LM Studio da tamamen ücretsizdir (kapalı kaynak kodlu olsa da) ve arayüzü üzerinden tek tıkla Hugging Face üzerindeki binlerce modeli indirip test etmenize olanak tanır.

Sonuç: Gelecek Bizim Disklerde

Kendi bilgisayarınızda bir LLM çalıştırmak sadece teknik bir fantezi değil; aynı zamanda veri egemenliğinizi geri kazanma hareketidir. Ollama bize gösteriyor ki, çok da uzak olmayan bir gelecekte her birimizin kişisel asistanı tamamen kendi cihazlarımızda, internete bile ihtiyaç duymadan çalışacak. Siz de bugün ufak bir adım atın, terminalinizi açın ve bu benzersiz deneyimi kendi lokalinizde test edin!

Category: Genel | LEAVE A COMMENT
Aralık 13 2024

Kendi Lokalinizde LLM Çalıştırmak: Ollama Kurulum Rehberi

Son dönemde yapay zeka hayatımızın merkezine oturdu ancak veri güvenliği, yani privacy konusu hâlâ büyük bir soru işareti. İşte tam da bu yüzden, bulut servislerine bağımlı kalmadan kendi bilgisayarınızda bir local llm (yerel büyük dil modeli) çalıştırmak altın değerinde bir alternatif haline geldi. Bu rehberde, Mac ve Linux üzerinde llama, mistral ve Phi-3 gibi dev modelleri saniyeler içinde ayağa kaldırmanızı sağlayan sihirli aracımız ollama kurulumunu ve gerçek dünya testlerimizi ele alacağız.

Neden Local LLM? (Neden OpenAI Değil?)

Şimdi dürüst olalım; ChatGPT, Claude veya Gemini gibi devler harika çalışıyor. Ancak her prompt gönderdiğinizde verilerinizin o şirketlerin sunucularına gittiğini, modellerini eğitmek için kullanılabileceğini biliyorsunuz. Eğer şirket sırrı barındıran kodlar yazıyorsanız, günlük tutuyorsanız veya sadece kişisel verilerinizin güvende kalmasını istiyorsanız bulut modelleri risklidir.

Kendi lokalinizde model çalıştırmak ise size şu avantajları sağlar:

  • Sonsuz Gizlilik (Privacy): İnternet kablosunu çekseniz bile modeliniz çalışmaya devam eder. Hiçbir veri bilgisayarınız dışına çıkmaz.
  • Sıfır Maliyet: API anahtarlarına, aylık abonelik ücretlerine son.
  • Özelleştirme Özgürlüğü: Modeli kendi dökümanlarınızla besleyebilir, tamamen kendi ihtiyaçlarınıza göre ayarlayabilirsiniz.

Ollama Nedir ve Nasıl Kurulur?

Eskiden yerel bilgisayarda model çalıştırmak; karmaşık kütüphanelerle, CUDA sürücüleriyle ve terminal hatalarıyla boğuşmak demekti. Ollama, tüm bu karmaşayı tek bir paketle çözen, Docker benzeri çalışan bir komut satırı aracıdır.

macOS Kurulumu

Mac kullanıyorsanız kurulum oldukça basittir. Homebrew kullanıyorsanız terminali açıp şu komutu yazmanız yeterli:

brew install ollama

Alternatif olarak, Ollama’nın resmi web sitesinden .dmg dosyasını indirip klasik yöntemle de kurabilirsiniz.

Linux Kurulumu

Linux (Ubuntu/Debian) kullanıcıları için tek bir curl komutu işi çözüyor:

curl -fsSL https://ollama.com/install.sh | sh

[Görsel: Ollama Linux terminal kurulum ekranı ve başarıyla tamamlandı mesajı]

Modelleri Deniyoruz: Llama 3, Mistral ve Phi-3

Kurulum bittikten sonra arkamıza yaslanıp en popüler açık kaynaklı modelleri test etmeye başlayabiliriz. Promis etmek yok, deniyoruz ve raporluyoruz!

1. Llama 3 (Meta’nın Güçlü Oyuncusu)

Meta’nın açık kaynak dünyasına hediyesi olan Llama 3 (8B parametreli versiyonu), genel sohbet ve Türkçe anlama konusunda oldukça başarılı. Çalıştırmak için şu komutu yazıyoruz:

ollama run llama3

Test Raporumuz: Türkçe dil desteği şaşırtıcı derecede akıcı. Şiir yazmasını veya teknik bir konuyu açıklamasını istediğimizde kelime haznesi oldukça genişti. Ancak 8 milyar parametre, en az 16 GB RAM’e sahip bilgisayarlarda tam performans veriyor.

2. Mistral (Avrupa’nın Hızlı Kodcusu)

Fransa menşeili Mistral, özellikle kod yazma ve mantıksal akıl yürütme konularında çok popüler. Çalıştırmak için:

ollama run mistral

Test Raporumuz: Mistral, Llama 3’e göre biraz daha “doğrudan konuya giren” bir karaktere sahip. Kod blokları oluştururken daha az hata yaptı. İngilizce performansı muazzam, Türkçe performansı ise fena değil.

3. Phi-3 (Küçük Ama Zehir Gibi)

Microsoft’un geliştirdiği Phi-3, “küçük dil modelleri” (SLM) kategorisinin liderlerinden biri. Sadece 3.8B parametreye sahip. Çalıştırmak için:

ollama run phi3

Test Raporumuz: Şaşkınız! Çok az kaynak tüketmesine rağmen yanıt hızları inanılmaz yüksek. Eğer GPU’nuz yoksa ve işlemci (CPU) üzerinden çalışıyorsanız, kullanmanız gereken model kesinlikle Phi-3’tür.

[Görsel: Terminalde ollama run phi3 komutu ile sorulan bir soruya gelen anlık cevap ekranı]

Grafik Arayüz Olmadan Olmaz: Open WebUI Entegrasyonu

Terminalde çalışmak havalı olsa da, günlük kullanımda ChatGPT benzeri bir web arayüzü arıyoruz. İşte burada devreye Open WebUI giriyor. Docker yüklü bilgisayarınızda şu tek satırlık komutla arayüzü ayağa kaldırabilirsiniz:

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

Tarayıcınızdan http://localhost:3000 adresine girdiğinizde, Ollama’ya indirdiğiniz tüm modelleri seçebileceğiniz, sohbet geçmişinizi tutabileceğiniz harika bir arayüz sizi karşılar.

[Görsel: Open WebUI arayüzü, Llama 3 modeli seçilmiş ve sol tarafta geçmiş sohbetler listeleniyor]

GPU Olmadan Performans Optimizasyonu Nasıl Yapılır?

Eğer güçlü bir ekran kartınız (GPU) yoksa, LLM çalıştırmak bilgisayarınızı bir kalorifer peteğine dönüştürebilir. Ancak üzülmeyin, bazı optimizasyonlarla CPU üzerinden de verim almak mümkün:

  • Kuantize Modeller Seçin: Ollama varsayılan olarak modellerin kuantize edilmiş (sıkıştırılmış, örn: Q4_K_M) versiyonlarını indirir. Bu, modelin doğruluğunu neredeyse hiç kaybetmeden RAM kullanımını yarı yarıya düşürür.
  • Sistem Belleğini Boşaltın: Modeli çalıştırmadan önce arka plandaki tarayıcı sekmelerini ve RAM canavarı uygulamaları kapatın. Bellek yetersiz kaldığında sistem diskten (swap) yemeye başlar ve hız yerlerde sürünür.
  • Doğru Boyutu Seçin: GPU’nuz yoksa 8B veya daha büyük modeller yerine 3B (Phi-3) ya da Qwen 1.5B gibi mikro modelleri tercih edin. Yanıt hızınız saniyede 1-2 kelimeden saniyede 15-20 kelimeye fırlayacaktır.

Karşılaştırma Tablosu: Yerel (Local) vs Bulut (Cloud)

Hangi senaryoda hangisini tercih etmelisiniz? İşte net bir karşılaştırma:

Özellik Ollama (Local LLM) Cloud APIs (OpenAI/Claude)
Fiyat Tamamen Ücretsiz Kullandığın kadar öde / Aylık abonelik
Gizlilik (Privacy) Maksimum (Veri dışarı çıkmaz) Düşük (Sunucuya gönderilir)
İnternet Gereksinimi Gerekmez (Çevrimdışı çalışır) Zorunlu
Hız Bilgisayarınızın gücüne bağlı Genellikle çok hızlı
Donanım İhtiyacı Yüksek RAM / İyi GPU önerilir Sıfır donanım ihtiyacı

Fiyat ve Ücretsiz Alternatifler

Ollama tamamen ücretsiz ve açık kaynak kodlu bir araçtır. Ancak donanımınız yerel modeller için yetersiz kalıyorsa ve yine de gizlilik odaklı, uygun maliyetli alternatifler arıyorsanız şunlara göz atabilirsiniz:

  • LM Studio: Ollama’ya en büyük alternatif. Kod yazmadan, tamamen görsel bir arayüz üzerinden yerel modelleri indirip çalıştırmanızı sağlar (Ücretsiz).
  • AnythingLLM: Belge analizi (RAG) odaklı çalışan, yerel modellerle entegre olabilen ücretsiz bir masaüstü uygulaması.
  • Groq: Eğer lokalde çalıştıramayacak kadar eski bir bilgisayarınız varsa, Groq bulut üzerinde Llama 3 ve Mistral modellerini ultra yüksek hızlarda ve şu an için oldukça cömert ücretsiz limitlerle sunuyor.

Son Söz

Kendi bilgisayarınızda çalışan, sizin sözünüzden çıkmayan ve verilerinizi kimseyle paylaşmayan bir yapay zekaya sahip olmak inanılmaz bir lüks. Ollama, bu lüksü herkes için erişilebilir kılıyor. Kurulumu yapın, Phi-3 veya Llama 3’ü indirin ve terminalden yapay zekaya “Merhaba” deyin. Gerçek gücün kendi donanımınızda olduğunu hissetmek paha biçilemez.

Category: Genel | LEAVE A COMMENT
Aralık 6 2024

Perplexity ile Araştırma Yapmak: Google’ı Nasıl Geçiyor?

İnternette bir şey aratmak artık adeta bir hayatta kalma mücadelesine döndü. Reklamlar, SEO canavarı içerik çiftlikleri ve “X nedir?” sorusuna ancak beş paragraf sonra cevap veren siteler… Tam bu noktada, geleneksel aramaya kafa tutan yeni nesil bir ai search motoru olan perplexity, araştırma alışkanlıklarımızı kökten değiştiriyor. Bu yazıda, modern llm dünyasının en pratik ve devrimsel tools listelerinde zirveye oynayan bu platformun neden Google’ı tahtından etmeye başladığını bizzat test ederek, lafı dolandırmadan inceledik.

Arama Motorlarının Alacakaranlık Kuşağı: Neden Google Yetmiyor?

Klasik bir arama motoruna bir soru sorduğunuzda size mavi linklerden oluşan bir liste verir. O linklere tek tek tıklamak, çerez (cookie) uyarılarını kabul etmek, pop-up reklamları kapatmak ve aradığınız o tek cümlelik bilgiyi bulmak için sayfayı aşağı kaydırmak zorundasınızdır. Yani işi aslında siz yaparsınız.

Perplexity ise bu süreci tersine çeviriyor. Siz soruyorsunuz, o sizin yerinize internetteki en güvenilir kaynakları tarıyor, okuyor, süzgeçten geçiriyor ve size doğrudan bir sentez sunuyor. En önemlisi de sunduğu her bilginin üzerine küçük numaralar yerleştirerek “Ben bu bilgiyi şu web sitesinden aldım” diyerek şeffaf bir şekilde kaynak gösteriyor.

[Görsel: Perplexity arayüzünde yapılan güncel bir arama ve kaynakların üst kısımda logolarıyla listelenmesi]

RAG Teknolojisi Nedir? Neden Halüsinasyon Görmüyor?

ChatGPT gibi klasik yapay zeka modelleri bazen bilmedikleri konularda son derece ikna edici yalanlar söyleyebilirler (buna yapay zeka literatüründe halüsinasyon diyoruz). Perplexity bu sorunu RAG (Retrieval-Augmented Generation) adı verilen bir mekanizmayla çözüyor.

Siz bir soru sorduğunuzda sistem önce web’de canlı bir arama yapıyor, bulduğu güncel metinleri kendi hafızasına alıyor ve cevabı sadece bu taze verilere dayanarak yazıyor. Bu sayede uydurma bilgi riski neredeyse sıfıra iniyor.

Gerçek Testler: Perplexity ile Araştırma Yapmak

Biz vaatleri değil, somut sonuçları severiz. Bu yüzden Perplexity’yi günlük hayattan iki zorlu senaryoda test ettik.

Senaryo 1: Sıcak ve Güncel Bir Gelişme

Soru: “SpaceX’in son Starship fırlatmasında ne tür yenilikler denendi ve uçuş başarılı oldu mu?”

Google’da bu aramayı yaptığımızda karşımıza onlarca haber sitesinin sansasyonel başlıkları, 40 dakikalık YouTube videoları ve eski uçuşlara ait karışık bilgiler çıktı. Net bir özet bulmak için en az 3-4 farklı siteye girmemiz gerekti.

Perplexity Sonucu: Araç saniyeler içinde uçuşun gerçekleştiği tarihi, denenen yeni fırlatma kulesi yakalama tekniğini (Mechazilla) ve uçuşun başarı durumunu maddeler halinde yazdı. Metnin içinde uzay sektörüyle ilgili analiz yapan güvenilir kaynaklara (Spaceflight Now, Reuters vb.) doğrudan linkler verdi. Tek bir ekranda tüm resmi görebildik.

Senaryo 2: Akademik Literatür Taraması

Perplexity’nin en güçlü yanlarından biri “Focus” (Odak) özelliği. Arama yapmadan önce odağınızı “Academic” olarak seçtiğinizde, sistem popüler blogları eliyor ve sadece hakemli bilimsel makalelerin yer aldığı veritabanlarını (örneğin Semantic Scholar) tarıyor.

Soru: “Mikroplastiklerin insan beyni üzerindeki bariyerleri aşabildiğine dair güncel çalışmalar neler gösteriyor?”

[Görsel: Perplexity ‘Academic’ odak modu seçeneğinin seçilmesi ve sadece bilimsel makalelerden derlenen sonuç ekranı]

Perplexity, doğrudan 2023 ve 2024 yıllarında yayımlanmış olan tıp makalelerini referans göstererek fizyolojik mekanizmaları açıkladı. Üstelik “Yöntemler neydi?”, “Hangi hayvanlar üzerinde test edildi?” gibi takip sorularıyla konuyu derinleştirmemize olanak tanıdı.

Ücretsiz Sürüm vs Pro Sürüm: 20 Dolar Vermeye Değer mi?

Perplexity’yi tamamen ücretsiz olarak kullanabilirsiniz. Ancak profesyonel olarak araştırma yapanlar için aylık 20 dolarlık bir Pro seçeneği de mevcut. Peki aradaki fark nedir?

  • Standart Model vs Gelişmiş Modeller: Ücretsiz sürümde Perplexity’nin kendi optimize edilmiş hızlı modeli çalışır. Pro sürümde ise aramalarınızı GPT-4o, Claude 3.5 Sonnet veya Sonar Large gibi dünyanın en güçlü yapay zeka modelleriyle yapabilirsiniz.
  • Dosya Analizi: Pro sürümde yüzlerce sayfalık PDF dosyalarını, Excel tablolarını yükleyip “Bu verideki trendleri internetteki güncel verilerle karşılaştır” diyebiliyorsunuz.
  • Pro Arama (Copilot) Limiti: Pro aramalar, sorunuzu analiz edip size “Hangi yılı kastediyorsunuz?” veya “Hangi ülkeye odaklanalım?” gibi netleştirici sorular sorarak çok daha derinlemesine araştırmalar yapar. Ücretsiz sürümde bu arama günlük 5 adetle sınırlıyken, Pro’da günde 300’den fazladır.

Artılar ve Eksiler Tablosu

Her güzel şeyin bir kusuru vardır. Perplexity’nin güçlü ve zayıf yönlerini objektif bir şekilde listeledik:

Artı Yönleri (Pros) Eksi Yönleri (Cons)
Reklamsız ve doğrudan bilgi odaklı arayüz. Bazen çok hızlı değişen anlık verilerde (örn. canlı maç skorları) hatalı kaynak seçebiliyor.
Her iddiaya doğrudan tıklanabilir kaynak linki vermesi. Uzun ve yaratıcı yazarlık (hikaye, şiir vb.) süreçlerinde ChatGPT veya Claude kadar esnek değil.
“Focus” özelliği ile aramayı akademik, YouTube veya Reddit ile sınırlayabilme. Türkçe dil desteği iyi olsa da en derinlemesine kaynak sentezini İngilizce aramalarda yapıyor.
Gelişmiş LLM modelleri arasında tek tıkla geçiş imkanı (Pro). Pro abonelik ücreti (aylık 20 USD) Türkiye şartlarında biraz yüksek kalabiliyor.

Fiyatlandırma ve Ücretsiz Alternatifler

Eğer bütçeniz kısıtlıysa veya ayda 20 dolar vermek istemiyorsanız üzülmeyin. Benzer işleri yapabileceğiniz harika alternatifler var:

  • Ücretsiz Alternatifler:
    • Microsoft Copilot: GPT-4 tabanlıdır, web’de arama yapar ve kaynak gösterir. Tamamen ücretsizdir.
    • Google Gemini: Google’ın kendi ekosistemine entegredir, hızlıdır ancak kaynak gösterme hassasiyeti Perplexity kadar gelişmiş değildir.
    • Phind: Özellikle yazılımcılar ve teknik araştırma yapanlar için harika bir ücretsiz yapay zeka arama motorudur.
  • Perplexity Fiyatı: Standart kullanım ücretsizdir. Pro üyeliği ise aylık 20 USD veya yıllık ödemede aylık 16.60 USD seviyesindedir.

Son Söz: Google Öldü mü?

Google henüz ölmedi ancak tahtı ciddi şekilde sallantıda. “Yakınımdaki en iyi lahmacuncu nerede?” veya “Hava durumu bugün nasıl?” gibi basit ve yerel aramalar için hala Google oldukça pratik. Ancak bir konuyu öğrenmek, sektörel bir rapor hazırlamak, akademik makale taramak veya karmaşık bir teknik sorunu çözmek istiyorsanız Perplexity size saatler kazandırıyor.

Teknolojiye meraklıysanız, Perplexity’yi günlük arama rutininize en azından bir haftalığına dahil edin. Google aramalarına geri dönmenin ne kadar yorucu olduğunu fark ettiğinizde şaşıracaksınız.

Category: Genel | LEAVE A COMMENT
Aralık 6 2024

Perplexity ile Araştırma Yapmak: Google’ı Nasıl Geçiyor?

İnternette derinlemesine bir araştırma yapmak son yıllarda tam bir işkenceye dönmedi mi? Google’a bir şey yazıyorsunuz; ilk üç sonuç reklam, sonraki beş sonuç ise sadece Google algoritmasını memnun etmek için yazılmış, içi boşaltılmış SEO siteleri. Aradığımız o saf bilgiye ulaşmak için adeta bir dijital çöplükte madencilik yapıyoruz. İşte tam bu noktada, geleneksel arama motoru mantığını kökten değiştiren, llm (Büyük Dil Modeli) destekli ai search araçları hayatımıza girdi. Bu araçların en popüler ve iddialı olanı ise şüphesiz perplexity. Peki, bu yeni nesil arama motoru gerçekten Google’ın tahtını sallayabilir mi, yoksa sadece geçici bir heves mi?

Kertenkerem ekibi olarak bu yazıda lafı hiç dolandırmayacağız. “Yapay zeka her şeyi değiştiriyor” gibi ezber cümleleri bir kenara bırakıp, Perplexity’yi bizzat test masasına yatıracağız. Neden böyle çalıştığını, arkasındaki mantığı ve günlük araştırmalarınızı nasıl 10 kat hızlandırabileceğini somut örneklerle göreceğiz.

Perplexity Nedir ve Neden Farklı? (RAG Teknolojisi)

Perplexity’yi klasik bir yapay zeka sohbet robotundan (örneğin standart bir ChatGPT veya Claude) ayıran çok temel bir fark var: Güncellik ve dürüstlük. Klasik bir LLM, eğitimi sırasında öğrendiği bilgilerle sınırlıdır ve bilmediği konularda “halüsinasyon” görerek size çok ikna edici yalanlar söyleyebilir.

Perplexity ise arkasında RAG (Retrieval-Augmented Generation) adı verilen bir mekanizma kullanır. Siz bir soru sorduğunuzda, Perplexity önce arka planda interneti tarar, en alakalı kaynakları bulur, bu kaynakları okur ve ardından size bu kaynaklardan derlediği bilgileri tek bir özet halinde sunar. En güzel yanı da ne biliyor musunuz? Söylediği her cümlenin yanına kliklenebilir bir kaynak numarası koyar.

[Görsel: Perplexity arayüzünde arama yapıldığında üstte listelenen kaynaklar ve kaynak numaralarıyla desteklenmiş cevap ekranı]

Yalansız Yapay Zeka Mümkün mü?

Tam olarak değil, ama Perplexity bu riski minimuma indiriyor. Bilgiyi uydurmak yerine internetteki mevcut makalelerden referans aldığı için, hata payı ciddi oranda düşüyor. Eğer yapay zekanın verdiği bir bilgiden şüphe duyarsanız, hemen yanındaki minik sayıya tıklayıp orijinal web sitesine giderek kontrolü kendiniz sağlayabiliyorsunuz. Google’da 10 farklı sekmeyi açıp okuma yükünü Perplexity tek bir ekranda sizin için üstleniyor.

Gerçek Kullanım Senaryoları: Google vs. Perplexity

Lafı uzatmayalım ve gerçek dünyada bu aracın nasıl performans gösterdiğine bakalım. İki farklı senaryoda Perplexity’yi zorlu testlere tabi tuttuk.

Senaryo 1: Akademik ve Teknik Araştırma

Arama Sorgumuz: “Otonom araçların kaza anındaki etik ikilemleri (Trolley Problem) üzerine yazılmış güncel makaleler ve temel argümanlar nelerdir?”

  • Google’ın Tepkisi: Google bize felsefe blogları, popüler bilim haberleri ve birkaç PDF bağlantısı verdi. Her birine tek tek tıklayıp, içindeki uzun metinleri tarayıp argümanları kendimiz çıkarmak zorunda kaldık. Toplam harcanan süre: ~25 dakika.
  • Perplexity’nin Tepkisi: Araç saniyeler içinde akademik veri tabanlarını (arXiv, ResearchGate vb.) taradı. Karşımıza 4 temel etik yaklaşımı başlıklar halinde çıkardı ve her bir yaklaşımın altına güncel makalelerin referanslarını ekledi. Hangi araştırmacının neyi savunduğunu tek bir bakışta gördük. Toplam harcanan süre: 15 saniye.

Senaryo 2: Güncel Haber Takibi ve Karşılaştırma

Yapay zekanın en çok çuvalladığı yer güncel olaylardır. Bakalım Perplexity burada ne yapıyor?

Arama Sorgumuz: “Bu hafta açıklanan en son Nvidia ekran kartı sürücüsündeki bilinen hatalar (known issues) neler?”

# Perplexity'nin arka planda çalıştırdığı arama sorgusu mantığı:
Searching: Nvidia driver [version number] known issues forums reddit 2024

Saniyeler içinde Reddit, Nvidia resmi forumları ve teknoloji sitelerinden gelen şikayetleri analiz etti. “Şu oyunda FPS düşüşü var, Discord açıkken çökme yaşanıyor” gibi spesifik bilgileri, doğrudan kaynak linkleriyle önümüze serdi. Google’da olsak yine reklamlar ve “sürücü nasıl yüklenir” gibi alakasız rehber yazıları arasında kaybolacaktık.

Ücretsiz Versiyon vs. Perplexity Pro: 20 Dolar Vermeye Değer mi?

Perplexity’yi tamamen ücretsiz olarak kullanabilirsiniz. Ancak bir de aylık 20 dolar fiyat etiketine sahip Perplexity Pro seçeneği var. Peki bu parayı ödemeli misiniz?

Ücretsiz sürümde standart bir arama motoru ve Perplexity’nin kendi hızlı LLM modeli çalışır. Pro sürümünde ise oyunun kuralları değişiyor. Pro kullanıcıları, dünyanın en gelişmiş yapay zeka modellerini (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro) arama motorunun motoru olarak seçebiliyorlar.

Ayrıca “Pro Search” modu aktif edildiğinde, sistem size ek sorular sorarak aramanızı daraltıyor. Örneğin, “En iyi kulaklıklar” yazdığınızda, Pro Search size “Bütçeniz nedir?” veya “Kullanım amacınız spor mu yoksa stüdyo mu?” diye sorup, verdiğiniz yanıta göre derinlemesine bir web taraması yapıyor.

[Görsel: Perplexity Pro ayarlar menüsünde model seçimi (Claude 3.5 Sonnet, GPT-4o seçeneği) ekranı]

Karşılaştırma Tablosu: Ücretsiz vs. Pro

Özellik Ücretsiz Sürüm Perplexity Pro ($20/ay)
Temel Arama Sınırsız Sınırsız + Daha Derinlemesine
Pro Search (Gelişmiş Arama) Günlük 5 adet Günlük 300+ adet
Model Seçimi Standart Perplexity Modeli GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro
Dosya/Görsel Yükleme Sınırlı Sınırsız (PDF analiz etme, kod dosyası okuma)

Ücretsiz Alternatifler Neler?

Eğer ayda 20 dolar vermek istemiyor ama benzer bir deneyim arıyorsanız, piyasada güçlü tools ve alternatifler mevcut:

  • ChatGPT Search: OpenAI’ın ChatGPT içine entegre ettiği yeni arama özelliği. ChatGPT Plus abonesiyseniz veya ücretsiz sürümdeyseniz yavaş yavaş kullanıma sunuluyor.
  • Google Gemini: Google’ın kendi yapay zekası da doğrudan internete bağlıdır ve kaynak gösterebilir. Ancak Google ekosisteminin reklam odaklı yapısı bazen objektifliği gölgeleyebiliyor.
  • Phind: Özellikle yazılımcılar ve teknik araştırma yapanlar için harika, internet taraması yapabilen ücretsiz bir alternatif.
  • Genspark: Yeni nesil, her arama için özel bir mini web sayfası (Sparkpage) oluşturan yapay zeka destekli arama motoru.

Son Söz: Google Öldü mü?

Perplexity ile araştırma yapmak kesinlikle çok daha konforlu, hızlı ve odaklanmış bir deneyim sunuyor. “Şu konu hakkında bana hızlı ve doğru bir özet ver, kaynaklarını da göster” dediğiniz her senaryoda Perplexity, Google’ı nakavt ediyor.

Ancak Google’ın hala güçlü olduğu alanlar var: Yerel aramalar (yakındaki nöbetçi eczane, restoran yorumları), harita entegrasyonu ve anlık pratik bilgiler. Dolayısıyla, Google henüz tamamen ölmedi; ancak akademik, teknik veya entelektüel bir araştırma yapacaksanız, tarayıcınızın ana sayfasını Perplexity olarak değiştirmek hayatınızda vereceğiniz en verimli kararlardan biri olabilir.

Category: Genel | LEAVE A COMMENT