İşin içinden notlar

İşin içinden notlar.

Yöntem, mimari ve üretim notları; doğrudan mühendislik işinden. Her not yayından önce gözden geçirilir; taslaklar paylaşılmaz.

  • Ekim 2026MimariAjan tabanlı yapay zekâ sistemleri

    A2A, iç mesaj yolunuz değildir.

    A2A, farklı kuruluşların işlettiği ajanların birbirine görev aktarması için bir protokoldür. Ne zaman doğru sınırdır, ne zaman bir iç kuyruk yeter?

    7 dk okuma

  • Ekim 2026MimariAjan tabanlı yapay zekâ sistemleri

    Çok ajanlı sistemleri ayakta tutan sıkıcı kalıplar

    Çok ajanlı bir sistemin kendi içine çökmesini ne önler: kapsamı sınırlı bağlam, açık iş aktarımları, hata bütçeleri, gözlemlenebilirlik ve bir kapatma anahtarı.

    9 dk okuma

  • Ekim 2026YöntemKüçük dil modelleri

    RAG mı, ince ayar mı? Önce verinize bakın

    Ne zaman bilgi erişimi, ne zaman ince ayar: modeliniz hakkında değil, veriniz hakkında dört soru. Bir de ikisini de yapmamanın gerekçesi.

    7 dk okuma

  • Ekim 2026Uygulama rehberiKüçük dil modelleri

    Canlı ortamda vektör veritabanları: alaka aşınmasını baştan planlayın

    Canlı ortamda vektör veritabanı işletmeye dair notlar: dizin kayması, dizinden çıkarma, sorgu bütçeleri ve alaka aşınması.

    8 dk okuma

  • Kasım 2026YöntemAjan tabanlı yapay zekâ sistemleri

    Agentic RAG mı, klasik RAG mı?

    Tek arama ne zaman yeter; bir soru ne zaman birkaç arama adımı, yeniden yazılmış bir sorgu, bir araç çağrısı ya da kendi kanıtının kontrolünü ister? Hangisi gerektiğini nasıl sınarsınız?

    7 dk okuma

  • Kasım 2026MimariAjan tabanlı yapay zekâ sistemleri

    Ajanınızın belleğe ihtiyacı var mı?

    Dosya belleği, uzun süreli bellek ya da hiç bellek: neyin ne kadar süre saklanacağı, kimin okuyabileceği ve ajanın belleğinde kişisel veri olduğunda silmenin nasıl işlediği.

    7 dk okuma

  • Kasım 2026YöntemAjan tabanlı yapay zekâ sistemleri

    İş akışı mı, ajan mı? Bir sonraki adımın değişip değişmediğine bakın

    Yol hiç değişmiyorsa sabit bir iş akışı kazanır. Ajan, ancak bir sonraki adım kanıta bağlı olduğunda yerini hak eder. Bunu nasıl ayırt edersiniz, çalışma çerçevesi (harness) neleri kapsar?

    7 dk okuma

  • Kasım 2026Uygulama rehberiAjan tabanlı yapay zekâ sistemleri

    İnsan döngüde mi, döngünün üstünde mi?

    Her adımı onaylamak mı, izleyip gerektiğinde durdurmak mı? Yanlış bir adımın bedeli ve geri alınabilirliği kararı nasıl belirler, sınırlar neden yazılıdır ve bir ajan hangi durma koşullarına ihtiyaç duyar?

    7 dk okuma

  • Kasım 2026YöntemMakine öğrenmesi modelleri

    Skor kartı mı, gradyan artırma mı? Kararı ayrılmış test verisi versin

    Bir skor kartı da gradyan artırmalı bir model de doğru seçim olabilir. İkisini ayrılmış ve zaman dışı veride karşılaştırmanın yolu: sıralama gücü, kalibrasyon, istikrar, gerekçeler ve dokümantasyon.

    8 dk okuma

  • Kasım 2026Uygulama rehberiMakine öğrenmesi modelleri

    Model mi kayıyor, yoksa popülasyon mu değişiyor?

    Popülasyon kayması, kavram kayması ve bozulmuş bir veri hattı izleme ekranında birbirine benzer. Canlıya alındıktan sonra bunları ayırt etmenin yolu ve her birinin gerektirdiği adım.

    7 dk okuma

  • Kasım 2026MimariMakine öğrenmesi modelleri

    Eşik mi, aksiyon matrisi mi: skor nerede aksiyona dönüşür?

    Olasılıktan aksiyona: kurumun yazdığı bantlar, geçmiş verisinde simüle edilen bir aksiyon matrisi, kendi karar motoruyla uygulama ve kontrol grubuna karşı ölçüm. Ayrıca ret çıkarımı uyarısı.

    7 dk okuma

  • Kasım 2026YöntemKüçük dil modelleri

    LoRA adaptörü mü, tam ince ayar mı?

    Düşük ranklı uyarlama bir dil modelinde neyi değiştirir; görev başına bir adaptör ne zaman yeter, tam ince ayar ya da sürekli ön eğitim ne zaman yerindedir; adaptörler tek temel modeli nasıl paylaşır.

    7 dk okuma

Bu konuda bir sorunuz mu var?Mühendisle konuşun

https://eqlx.ai/tr/blog · Basılı kopya; güncel sürüm web sitesindedir.