Parsa Alizadeh’in blogu
Parsa Alizadeh’in web, mobil ve yapay zekâ için geliştirme üzerine yazıları: ne işe yaradı, ne bozuldu ve neden. Her yazı kaynaklarını belirtir.
14 yazı gösteriliyor
Dil modelleri metni nasıl okur: token’lar, BPE ve Türkçenin neden daha pahalı olduğu
Token nedir, BPE sözlüğü nasıl kurar, Farsça ve Türkçe neden İngilizceden daha fazla token tutar ve tahmin etmek yerine token nasıl sayılır.
Yapay zekâ4 dk okuma
30.000 nokta, 3D kütüphanesi yok: bu sitenin arka planı nasıl çiziliyor
Bu sitenin arkasındaki parçacık alanı ham WebGL ile nasıl çiziliyor: tek çizim çağrısı, shader’da harmanlanan beş şekil ve onu erişilebilir tutan seçimler.
Web3 dk okuma
Bir RAG sistemi nasıl değerlendirilir: erişim metrikleri, sadakat ve LLM hakemler
Erişimi ve üretimi ayrı ayrı ölçün: erişici için recall@k, MRR ve nDCG, cevap için sadakat; ayrıca dil modellerinin hakem olarak kullanılması hakkında araştırmaların söyledikleri.
Yapay zekâ5 dk okuma
Büyük dil modellerini nicelemek: 8 bit ve 4 bit ağırlıklar nasıl çalışır
7 milyar parametreli bir modelin 16 bitte neden 14 GB’a ihtiyaç duyduğu, nicelemenin bunu nasıl küçülttüğü, aykırı değerlerin işi neden zorlaştırdığı ve LLM.int8(), GPTQ, AWQ ile QLoRA’nın her birinin neyi değiştirdiği.
Yapay zekâ5 dk okuma
Arama motorları ve yapay zekâ asistanları aynı adı taşıyan kişileri neden karıştırır
Varlık bağlamanın bir adın hangi kişiyi kastettiğine nasıl karar verdiği, araştırmaların dil modellerini neden en çok az tanınan kişilerde zayıf bulduğu ve kendi profillerinizi kolayca ayırt edilebilir kılan şeyler.
Web4 dk okuma
Arama motorlarının ve yapay zekânın anlayabildiği kişisel bir web sitesi kurmak
Bu sitenin kimin hakkında olduğunu nasıl belirttiğine, makaleleri ve projeleri tek bir kimliğe nasıl bağladığına ve yayımlanmış kılavuzların her bir tercih hakkında ne söylediğine dair birinci elden bir anlatım.
Web3 dk okuma
Core Web Vitals neyi ölçer ve kendi sitemde LCP’yi düzeltmek bana ne öğretti
Üç Core Web Vitals metriği ve eşik değerleri, laboratuvar puanlarının neden asıl değerlendirme olmadığı ve bu web sitesinde yapılmış gerçek bir Largest Contentful Paint incelemesi.
Web3 dk okuma
Üretken Motor Optimizasyonu: Araştırma gerçekte neyi ölçtü
Üretken Motor Optimizasyonu kavramını ortaya koyan 2023 tarihli makalenin yakın okuması: Yapay zekâ tarafından üretilen yanıtlarda görünürlüğü hangi yöntemler artırdı, hangileri artırmadı ve sonuçlar neyi gösteriyor, neyi göstermiyor.
Web3 dk okuma
React Native’in Yeni Mimarisi: köprünün yerini ne aldı ve bu neden önemli
React Native Yeni Mimarisi’nin neleri değiştirdiği: JSI, Turbo Modules, Fabric işleyicisi ve olay döngüsü; resmî dokümantasyona ve 0.76 sürüm duyurusuna dayanarak.
Mobil3 dk okuma
İnsanlara saygı duyan hareket: prefers-reduced-motion ve WCAG
WCAG’nin hareketli içerik ve etkileşimle tetiklenen animasyon hakkında ne söylediği, prefers-reduced-motion medya özelliğinin nasıl çalıştığı ve bu sitenin bu tercihe uymak için kullandığı kalıplar.
Web3 dk okuma
Erişimle zenginleştirilmiş üretim: orijinal makaleden çalışan bir işlem hattına
Adını koyan 2020 tarihli makaleye göre RAG’in ne olduğu, pratik bir işlem hattının parçaları ve araştırmaların erişilen metnin istemde nereye konması gerektiği konusunda söyledikleri.
Yapay zekâ2 dk okuma
Kişisel bir web sitesi için yapılandırılmış veri: Person, ProfilePage ve sameAs
Kendinizi arama motorlarına JSON-LD ile nasıl tanıtacağınız, Google’ın ProfilePage dokümantasyonunun neler istediği ve yapılandırılmış veriyi dürüst tutan kurallar.
Web3 dk okuma
Orijinal makalesinden Transformer: geliştiriciler için dikkat mekanizması
Ölçeklenmiş nokta çarpımı dikkati, çok başlı dikkat ve konumsal kodlamanın nasıl çalıştığı; formüller ve ayarlar doğrudan “Attention Is All You Need” makalesinden alınmıştır.
Yapay zekâ3 dk okuma
Vektör arama komşuları nasıl hızla bulur: gömmeler, benzerlik ve HNSW
Tam en yakın komşu aramasının neden ölçeklenmediği, yaklaşık aramanın neyden ödün verdiği ve Malkov ile Yashunin’in makalesindeki HNSW grafının yakın vektörleri nasıl hızla bulduğu.
Yapay zekâ3 dk okuma