FileMaker’den Buluta: SchallOS, iş yazılımlarını yapay zeka, çalışma zamanı ortamı ve güncellemelerle nasıl birleştiriyor?

SchallOS - Akıllı Uygulama Platformu

Bir iş uygulaması geliştirilirken, ilk etapta görünür görevler odak noktası olur. Tablolar oluşturulur, ilişkiler tanımlanır, giriş formları tasarlanır ve iş süreçleri otomatikleştirilir. İlk kullanıcılar çözümü kullanmaya başladığında, projenin büyük bir kısmı tamamlanmış gibi görünür. Ancak uygulamaya geçildiğinde, uzun vadede daha zorlu bir aşama başlar. İş amaçlı kullanılan bir uygulama, bakımdan geçirilmeli, genişletilmeli ve yeni gereksinimlere uyarlanmalıdır. Değişiklikler belgelenmeli, yeni sürümler dağıtılmalı ve mevcut veriler güvenli bir şekilde aktarılmalıdır. Buna ek olarak, farklı kullanıcı hakları, veri yedeklemeleri, hata analizleri ve çözümün yerel olarak, kendi sunucusunda mı yoksa bulutta mı çalıştırılacağı sorusu da gündeme gelir.

Birçok geliştirme platformu, öncelikle asıl uygulamanın oluşturulmasına odaklanır. Güncellemeler, dokümantasyon, dağıtım ve işletim için daha sonra ek araçlar ve özel prosedürler eklenir. Zamanla, birbirinden ayrı birçok bileşenden oluşan ve ancak büyük bir çaba sarf edilerek bir arada tutulabilen bir teknik ortam ortaya çıkar. Bu nedenle SchallOS, daha kapsamlı bir yaklaşım benimsemektedir. Platform, bir iş uygulamasını yalnızca oluşturulma aşamasında değil, tüm yaşam döngüsü boyunca desteklemeyi amaçlamaktadır: geliştirmeden dokümantasyon ve devreye almaya, güncellemelerden sürekli işletime kadar.

Devamını oku

ChatGPT veri aktarımından kendi bilgi yapay zekanıza: Ollama ve Qdrant ile adım adım

Kendi yapay zeka belleğinize giden yol

Bu yazı dizisinin ilk bölümünde ChatGPT veri aktarımının teknik bir işlevden çok daha fazlası olduğunu gördük. Dışa aktarılan verileriniz, uzun bir süre boyunca biriken düşünceler, fikirler, analizler ve konuşmalardan oluşan bir koleksiyon içerir. Ancak bu veriler sabit diskinizde yalnızca bir arşiv olarak saklandığı sürece, yalnızca bir arşiv olarak kalır. Önemli olan adım, bu bilgileri tekrar kullanılabilir hale getirmektir. Kişisel bilgi yapay zekasının geliştirilmesi tam da bu noktada başlar.

Fikir aslında şaşırtıcı derecede basit: bir yapay zeka yalnızca genel bilgilerle çalışmamalı, aynı zamanda kendi verilerinize de erişebilmelidir. Önceki konuşmalar arasında arama yapabilmeli, uygun içeriği bulabilmeli ve bunu yeni cevaplara dahil edebilmelidir. Bu, sıradan bir YZ'yi bir tür dijital belleğe dönüştürür. Bu, yazı dizisinin ikinci bölümüdür ve şimdi işin pratik yönüne bakmaktadır.

Devamını oku

Kendi verileri için evrensel bir arama motoru olarak Ollama ve Qdrant ile RAG

RAG, Ollama ve Qdrant kullanarak yerel yapay zekayı veritabanlarıyla genişletin

Giderek karmaşıklaşan bilgi dünyasında, kendi veritabanlarınızı hedefe yönelik bir şekilde aranabilir hale getirmek giderek daha önemli hale geliyor - klasik tam metin aramaları yoluyla değil, anlamsal olarak alakalı yanıtlar yoluyla. İşte tam da bu noktada RAG veritabanı prensibi devreye giriyor - iki temel bileşenden oluşan yapay zeka destekli bir arama çözümü:

Devamını oku

Ollama Qdrant ile buluşuyor: Mac'te yapay zekanız için yerel bir bellek

Ollama ve Qdrant ile yerel yapay zeka için bellek

Hafızalı yerel yapay zeka - bulut olmadan, abonelik olmadan, saptırma olmadan

Bir önceki makaleler Mac install üzerinde Ollama'nin nasıl yapılandırılacağını anlattım. Bu adımı zaten tamamladıysanız, artık Mistral, LLaMA3 veya REST API aracılığıyla adreslenebilen başka bir uyumlu model gibi güçlü bir yerel dil modeline sahipsiniz demektir.

Ancak, model yalnızca mevcut istemde ne olduğunu "bilir". Önceki konuşmaları hatırlamaz. Eksik olan şey bir hafıza.

Devamını oku