MLX başlangıçta Apple Research tarafından deneysel bir çerçeve olarak başlatılmış olsa da, son aylarda sessiz ama önemli bir gelişme yaşandı: FileMaker 2025'in piyasaya sürülmesiyle Claris, MLX'i Apple Silicon için yerel bir yapay zeka altyapısı olarak sunucuya sağlam bir şekilde entegre etti. Bu, Mac ile çalışan ve Apple Silicon kullanan herkesin MLX modellerini yalnızca yerel olarak çalıştırabileceği değil, aynı zamanda bunları herhangi bir ara katman olmadan yerel işlevlerle doğrudan FileMaker'de kullanabileceği anlamına geliyor.
Yerel MLX deneyi ile profesyonel FileMaker uygulaması arasındaki sınırlar bulanıklaşmaya başlıyor - tamamen entegre, izlenebilir ve kontrol edilebilir bir yapay zeka iş akışı lehine.
FileMaker sunucusundaki yeni AI alanı: "AI Hizmetleri"
Bu yeni mimarinin merkezinde, FileMaker Server 2025'in Yönetici Konsolu'nda geliştiricilerin ve yöneticilerin kullanabileceği "AI Hizmetleri" alanı yer alıyor:
- AI Model Sunucusunu etkinleştirin,
- Modelleri yönetin (indirin, sağlayın, ince ayar yapın),
- Yetkili istemciler için API anahtarları atayın,
- ve devam eden yapay zeka operasyonlarını hedefli bir şekilde izlemek.
FileMaker sunucusu Apple Silicon'li bir Mac üzerinde çalışıyorsa, entegre AI Model Sunucusu otomatik olarak MLX'i çıkarım arka ucu olarak kullanır. Bu, MLX'in Apple cihazlarda sunduğu tüm avantajları beraberinde getirir: yüksek bellek verimliliği, Metal aracılığıyla yerel GPU kullanımı ve tıpkı Apple dünyasında olduğu gibi model ile altyapının net bir şekilde ayrılması.
MLX modellerinin doğrudan sunucu konsolu üzerinden sağlanması
Bir MLX modelini dağıtmak beklenenden daha kolaydır: AI yönetim konsolunda, desteklenen modeller doğrudan Claris uyumlu dil modellerinin büyüyen bir listesinden seçilebilir ve install sunucusuna dağıtılabilir. Bunlar, .npz formatında mevcut olan ve MLX için özel olarak dönüştürülmüş açık kaynaklı modellerdir (örneğin Mistral, LLaMA veya Phi varyantları). Ancak şu anda (Eylül 2025 itibariyle) mevcut modellerin sayısı hala oldukça sınırlıdır.
Alternatif olarak, kendi modellerinizi hazırlayabilirsiniz - örneğin sarılan yüz modellerini mlx-lm aracıyla dönüştürerek. Tek bir komutla bir modeli indirebilir, nicelleştirebilir ve uygun formata dönüştürebilirsiniz. Bu daha sonra Claris'in dahili olarak kullandığı aynı şemaya göre sunucu dizininde kullanılabilir hale getirilebilir. Bu modeller installiert olduktan sonra, FileMaker içindeki tüm desteklenen AI işlevleri için hemen kullanılabilir.
FileMaker Pro'da yerel yapay zeka işlevleri: dolambaçlı yollar yerine komut dosyası oluşturma
Eskiden harici API'ler, REST çağrıları ve manuel olarak oluşturulmuş JSON rutinleri aracılığıyla çalıştırılanlar artık FileMaker 2025'te özel komut dosyası komutları şeklinde mevcuttur. Modelin adı ve sunucuya bağlantı ile bir yapay zeka hesabı kurulduktan sonra, yapay zeka görevleri kullanıcı arayüzüne ve iş mantığına sorunsuz bir şekilde entegre edilebilir.
En önemli komutlar şunlardır
- "Modelden Yanıt Üret"metin yanıtları oluşturmak için kullanılabilir - örneğin otomatik metin önerileri, sohbet işlevleri veya e-posta taslakları için.
- "Doğal Dil ile Bulma Gerçekleştirin"basit bir formülasyonu ("Bana Berlin'den açık faturası olan tüm müşterileri göster") kesin bir veritabanı sorgusuna dönüştürür.
- "Doğal Dil ile SQL Sorgusu Gerçekleştirin"Birleştirmeler ve alt sorgular dahil olmak üzere karmaşık SQL yapılarını oluşturmak ve işlemek için de kullanılabilir.
- "Yerleştirmeyi Al" ve semantik vektör analizlerini mümkün kılan ilgili işlevler - örneğin benzer içeriğe sahip metinleri veya müşteri taleplerini aramak için.
Tüm bu komutlar, arka planda AI Model Sunucusu üzerinde çalışan seçili MLX modeline erişir. Yanıtlar hemen kullanılabilir ve metin, JSON veya gömülü vektör olarak doğrudan işlenebilir.
FileMaker'de yapay zeka için senaryo adımları ve olasılıklar
Yapay zeka için komut dosyası adımları, Büyük Dil Modelleri (LLM'ler) veya Core ML gibi güçlü yapay zeka modellerinin FileMaker iş akışlarına doğrudan entegrasyonunu sağlar. Doğal dil, veritabanı bilgisi ve makine öğrenimini birleştirmek için teknik temel oluştururlar. Aşağıdaki işlevler mevcuttur:
- Adlandırılmış bir AI hesabının yapılandırılması
Daha sonra tüm diğer komut dosyası adımlarında ve işlevlerinde kullanılacak olan belirli bir AI hesabı oluşturabilir ve adlandırabilirsiniz. Bu, kimlik doğrulama ve harici modellere veya hizmetlere erişim üzerinde kontrol sahibi olmanızı sağlar. - Bir istem temelinde metin yanıtı alma
Bir yapay zeka modeli, kullanıcı tarafından girilen bir komut istemine tepki verebilir ve karşılık gelen bir metin yanıtı oluşturabilir. Bu, otomatik metin oluşturma, öneriler veya diyalog işlevlerini mümkün kılar. - Bir istem ve veritabanı şemasına dayalı veritabanı sorgusu
Veritabanınızın yapısal şeması ile birlikte doğal dilde bir istem ileterek, model ilgili içeriği belirleyebilir ve hedeflenen bir sonuç döndürebilir. - SQL sorguları oluşturma
Model ayrıca bir komut istemine ve altta yatan veritabanı şemasına dayalı SQL sorguları da oluşturabilir. Bu sayede karmaşık sorgular otomatik olarak oluşturulabilir ve bunlar daha sonra veritabanı işlemleri için kullanılabilir. - FileMaker yerleşim alanlarına dayalı arama sorguları
Mevcut düzenin alanlarını doğal bir dil istemiyle birlikte modele aktararak, arama sorguları otomatik olarak formüle edilebilir ve uygun sonuç kümeleri alınabilir. - Veri kayıtlarına gömme vektörleri ekleme
Anlamsal katıştırmaları - yani anlamları temsil eden sayısal vektörleri - tek tek veri kayıtlarının alanlarına veya tüm sonuç kümelerine ekleme seçeneğiniz vardır. Bu, sonraki anlamsal karşılaştırmalar veya yapay zeka analizleri için temel oluşturur. - Anlamsal arama gerçekleştirin
Sistem, bir arama sorgusunun anlamına dayanarak, kelimeler tam olarak eşleşmese bile alan verileri benzer anlamlara sahip olan veri kayıtlarını belirleyebilir. Bu da akıllı veri aramaları için yeni yollar açıyor. - İstem şablonlarını ayarlama
Diğer komut dosyası adımlarında veya işlevlerinde kullanılabilecek yeniden kullanılabilir istem şablonları tanımlayabilirsiniz. Bu, tutarlılık sağlar ve yapılandırılmış istemler oluştururken zaman kazandırır. - Regresyon modelini yapılandırma
Tahminler, tahminler veya trend analizleri gibi görevler için bir regresyon modeli kurulabilir ve bu model daha sonra sayısal veri setleri üzerinde çalışır. Örneğin satış gelişmelerini veya risk değerlendirmelerini analiz etmek için uygundur. - RAG hesabınızı yapılandırma ve yönetme
Adlandırılmış bir RAG hesabı (Retrieval Augmented Generation) kurulabilir. Bu, veri eklemenize veya kaldırmanıza ve bir RAG alanına belirli istemler göndermenize olanak tanır. RAG sistemleri klasik aramaları yapay zeka tarafından üretilen cevaplarla birleştirir. - Eğitim verileriyle bir modele ince ayar yapma
Özel gereksinimlere, dil stillerine veya görev alanlarına göre daha iyi özelleştirmek için mevcut bir modeli kendi veri setinizle yeniden eğitebilirsiniz. İnce ayar, çıktının alaka düzeyini ve kalitesini artırır. - AI çağrılarını günlüğe kaydedin
İzleme ve analiz için tüm AI çağrılarının kaydı etkinleştirilebilir. Bu, istemleri optimize etmek, sorun giderme veya dokümantasyon için yararlıdır - Çekirdek ML modellerini yapılandırma
Bulut tabanlı LLM'lere ek olarak, yerel olarak yürütülen Core ML modelleri de yapılandırılabilir. Bu özellikle çevrimdışı uygulamalar için veya entegre ML desteğine sahip Apple cihazlarında kullanım için kullanışlıdır.
Doğrudan FileMaker'den ince ayar: Yeni standart olarak LoRA
En heyecan verici yeni özelliklerden biri, kendi modellerinize doğrudan FileMaker'de - tamamen tanıdık arayüz içinde - ince ayar yapabilme yeteneğidir. Tek ihtiyacınız olan bir komut dosyası komutu: "Fine-Tune Model".
FileMaker tablolarındaki veri kayıtları (örneğin destek geçmişleri, müşteri diyalogları, metin örnekleri) eğitim verisi olarak kullanılabilir. İnce ayar yöntemi, model parametrelerinin yalnızca küçük bir bölümünü değiştiren ve böylece sınırlı belleğe sahip cihazlarda bile hızlı ayarlamalar yapılmasını sağlayan, kaynak tasarrufu sağlayan bir prosedür olan LoRA'ya (Düşük Sıralı Uyarlama) dayanmaktadır.
Eğitim verileri ya mevcut bulunan bir setten alınır ya da bir JSONL dosyası aracılığıyla içe aktarılır. Eğitimden sonra, yeni bir model adı atanır - örneğin "fm-mlx-support-v1" - ve sonuç diğer AI işlevleri için hemen kullanılabilir. Bu, ton, kelime hazinesi ve davranış açısından ilgili uygulamaya tam olarak uyarlanmış özelleştirilmiş dil modellerinin oluşturulmasına olanak tanır.
Veri koruma ve performans - aynı madalyonun iki yüzü
FileMaker 2025'in MLX ile yerel modellere dayanması tesadüf değildir. Veri egemenliği, GDPR uyumluluğu ve iç güvenlik yönergelerinin giderek daha önemli hale geldiği bir dönemde, bu yaklaşım çeşitli avantajlar sunmaktadır:
- Bulut yok, harici sunucu yok, API maliyeti yokTüm talepler kendi ağınızda kalır.
- Yerel işleme sayesinde daha hızlı yanıt süreleri - özellikle tekrar eden süreçler için.
- Yüksek şeffaflık ve kontrol edilebilirlikHer cevap kontrol edilebilir, her değişiklik izlenebilir, her eğitim adımı belgelenebilir.
- Kendi verilerinize göre ince ayar yapmaŞirkete özgü bilgi artık harici sağlayıcılar aracılığıyla aktarılmıyor, tamamen şirketin kendi sistemi içinde kalıyor.
Aynı zamanda, kaynakları gerçekçi bir şekilde değerlendirmek de önemlidir: Büyük modeller ayrıca sağlam bir yerel altyapı gerektirir - örneğin 32 veya 64 GB RAM'li, muhtemelen SSD önbelleğe alma ve özel bir sunucu profiline sahip Apple Silicon Mac gibi. Ancak bu yolu seçenler uzun vadede tam esneklik ile maksimum kontrolden faydalanacaktır.
MLX ve FileMaker - profesyoneller için yeni bir ittifak
Başlangıçta paralel bir yol gibi görünen - bir yandan Apple'nin araştırma çerçevesi olarak MLX, diğer yandan klasik veritabanı platformu olarak FileMaker - şimdi birlikte kapalı bir sistem haline geldi.
Claris, modern iş uygulamalarının formlar, tablolar ve raporlardan daha fazlasına ihtiyaç duyduğunu fark etti. Uyarlanabilir, anlayışlı yapay zekaya ihtiyaçları var - entegre, eklenti değil. MLX için yerel destek, yeni AI komutları ve yerel ince ayar seçeneği ile FileMaker 2025, harici sağlayıcılara veya harici bulutlara güvenmek zorunda kalmadan ilk kez kendi AI süreçlerinizi oluşturmak, kontrol etmek ve verimli bir şekilde kullanmak için eksiksiz bir platform sunar.
Sizin gibi açık, muhafazakar bir şekilde düşünülmüş ve veri açısından güvenli bir mimariyi takdir eden geliştiriciler için bu, ilerlemeden daha fazlasıdır - yeni bir çalışma şeklinin başlangıcıdır.
Sıkça sorulan sorular
- FileMaker 2025'in "MLX'i desteklemesi" tam olarak ne anlama geliyor?
FileMaker Server 2025 ilk kez entegre bir AI Model Sunucusu içeriyor ve bu sunucu - Apple Silicon Mac install üzerine kurulduğunda - MLX modellerini yerel olarak kullanıyor. Bu, MLX uyumlu bir modeli (örn. Mistral veya Phi-2) doğrudan Yönetici Konsolu aracılığıyla dağıtabileceğiniz ve harici hizmetler veya REST çağrıları aracılığıyla dolambaçlı yollara sapmadan FileMaker çözümünüzde kullanabileceğiniz anlamına gelir. - Bunun için hangi özel donanım ve yazılıma ihtiyacım var?
- Apple Silicon (M1, M2, M3, M4), ideal olarak 32-64 GB RAM'e sahip bir Mac,
- FileMaker Sunucu 2025, bu Mac'te installiert,
- Gerçek çözüm için FileMaker Pro 2025,
- ve bir veya daha fazla MLX uyumlu model - Claris tarafından sağlanmış veya kendiniz tarafından dönüştürülmüş (örn. mlx-lm aracılığıyla). - Böyle bir modeli FileMaker çözümüme nasıl entegre edebilirim?
Hangi modelin kullanılacağını belirtmek için FileMaker Komut Dosyalarındaki yeni "AI Hesabını Yapılandır" işlevini kullanın. Sunucu adı, model adı ve kimlik doğrulama anahtarı tanımlanır. Daha sonra diğer AI işlevlerini hemen kullanabilirsiniz - örneğin metin oluşturma, gömme veya anlamsal arama için. Her şey yerel komut dosyası adımlarıyla çalışır, artık web görüntüleyici veya "URL'den ekle" müdahalesi gerekmez. - FileMaker'de hangi AI işlevlerini kullanabilirim?
Aşağıdaki fonksiyonlar mevcuttur (model tipine bağlı olarak):
- Metin oluşturma ("Generate Response from Model")
- Doğal arama ("Doğal Dil ile Bulma Gerçekleştir")
- Günlük dilde SQL ("Doğal Dil ile SQL Sorgusu Gerçekleştir")
- Anlamsal vektörler ("Get Embedding", "Cosine Similarity")
- İstem şablonu yönetimi ("İstem Şablonunu Yapılandır")
- Kendi verileriyle LoRA ince ayarı ("İnce Ayar Modeli")
Tüm işlevler kod adımı tabanlıdır ve mevcut çözümlere sorunsuz bir şekilde entegre edilebilir. - FileMaker'de ince ayar doğrudan nasıl çalışır?
FileMaker 2025'te, mevcut bir MLX modeline doğrudan LoRA aracılığıyla ince ayar yapabilirsiniz - yani kendi verilerinizle özelleştirebilirsiniz. Bunu yapmak için ya bir tablodaki veri kayıtlarını (örn. sorular + cevaplar) ya da bir JSONL dosyasını kullanırsınız. Yeni, özelleştirilmiş bir model oluşturmak için tek bir komut dosyası komutu ("Fine-Tune Model") yeterlidir - bu daha sonra çözümde hemen kullanılabilir. - Python, JSON, API'ler veya model formatları hakkında bilgi sahibi olmam gerekiyor mu?
Hayır, öyle olması gerekmiyor. Claris kasıtlı olarak bu teknik ayrıntıların çoğunun arka planda kalmasını sağlamıştır. Yerel komut dosyası komutlarıyla çalışabilir, verileri FileMaker'de kendiniz yönetebilir ve geri dönüşleri metin veya vektör olarak işleyebilirsiniz. İsterseniz daha derine inebilirsiniz - ancak artık bunu programlama bilgisi olmadan da yapabilirsiniz. - MLX'i FileMaker aracılığıyla kullanmanın harici API'lere kıyasla avantajları nelerdir?
Avantajlar veri güvenliği, maliyet kontrolü ve performansta yatmaktadır:
- Bulut bağlantısı gerekmez, tüm veriler kendi ağınızda kalır.
- API maliyeti veya token sınırı yok - installiert bir kez kullanıldığında, kullanımı ücretsizdir.
- Arada ağ gecikmesi olmadığı için çok kısa yanıt süreleri.
- Eğitim verileri üzerinde tam kontrol, ince ayar ve model versiyonlama.
Bu, özellikle dahili uygulamalar, endüstri çözümleri veya hassas süreçler için gerçek bir oyun değiştiricidir. - Herhangi bir kısıtlama veya dikkat edilmesi gereken bir şey var mı?
Evet - MLX yalnızca Apple Silicon üzerinde çalışır, yani bir Intel sunucusu hariçtir. Ayrıca daha büyük modellerin güvenilir bir şekilde çalışabilmesi için yeterli RAM'e ihtiyacınız vardır. Tüm modeller hemen uyumlu değildir - bazılarının dönüştürülmesi gerekir. Ve son olarak: Birçok şey "otomatik" olarak çalışsa da, verimli kullanım için her zaman özel bir test çalışması gerçekleştirmelisiniz - örneğin, az miktarda veri, net hedef tanımları ve iyi bir günlük kaydı stratejisi ile.
Resim malzemesi (c) Claris Inc. ve Kohji Asakawa on Pixabay