Üretken Yapay Zeka ve Prompt Mühendisliği Kullanıma Hazır 200'den Fazla Prompt Örneği Dr. Ezgi Avcı  - Kitap

Üretken Yapay Zeka ve Prompt Mühendisliği

Kullanıma Hazır 200'den Fazla Prompt Örneği

1. Baskı, 
Mayıs 2024
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa:
304
Barkod:
9789750293221
Kapak Türü:
Karton Kapaklı
Fiyatı:
340,00
24 saat içerisinde temin edilir.
Kitabın Açıklaması
Artık herkes her konuda yapay zekaya sorular sorarak yanıt alabiliyor. Diğer bir ifade ile, yapay zekaya prompt veriyor ve sonucunu alıyor.
Peki, siz gerçekten doğru soruyu sormayı biliyor musunuz?
Veya yapay zekanın size verdiği yanıtın gerçekten doğru olup olmadığını nasıl anlayabilirsiniz?
Bu alanın Türkçe olarak yazılmış ilk özgün kitabı olan bu eser, yapay zekaya doğru sorular sormayı, verilen yanıtların doğruluğunu değerlendirmeyi ve içerdiği bilgiyi doğru bir şekilde iletebilmenin inceliklerini ve püf noktalarını anlatıyor.
Hem mesleki deneyimi hem de akademik çalışmaları ile yapay zeka konusunda uzman olan Dr. Ezgi Avcı tarafından kaleme alınan bu eser, konuları sistematik olarak sınıflandırmış ve püf noktalarıyla okuyucuya aktarmıştır.
Anlatılan konuların daha iyi anlaşılması için, gerçek dünyadan 200'den fazla örnek prompta yer verilmiştir.
KİTAP HAKKINDAKİ GÖRÜŞLER:
Bu eser, çağımızın en çarpıcı teknolojik dönüşümlerinden birinin kalbine yolculuk ediyor, akademik mükemmelliği ve yenilikçi düşünceyi bir araya getirerek, geleceğin mühendislerine ilham veriyor.
Prof. Dr. İhsan SABUNCUOĞLU
Rektör, TED Üniversitesi
Bu eser, öğrencilerimizi yeni bir düşünce biçimiyle tanıştıran, onlara yapay zekanın ve dil modellerinin dünyasını açan bir kapı. Bu eser, gelecekteki öğretim metotlarını ve araştırmaları şekillendirecek olan bu yeni dili anlamamızı sağlıyor. Dolayısıyla her akademisyenin okuması gerektiğini düşünüyorum.
Prof. Dr. Kürşat AYDOĞAN
Rektör, Bilkent Üniversitesi
Dünyada yeni bir lisan doğuyor. Geleceğin liderlerinin misyonlarını başarılı bir şekilde yerine getirebilmeleri için, bu dile kayıtsız kalması mümkün değildir. Bu dil teknoloji dilidir, yapay zeka dilidir. Bu eser, üretken yapay zekanın ve prompt mühendisliğinin nasıl kullanılması gerektiğini öğreneceğiniz yolculukta size ışık tutacak.
SamiASLANHAN
YK Başkanı & Kurucu, Kontrolmatik & Plan-S
Üretken yapay zeka ve dil modellemesi, iş dünyasında yeni bir dönemin kapısını aralıyor ve bu eser bu dönemin anahtarını sunuyor. Bu eser, işletmenizin verimliliğini artırmanın ve rekabet avantajınızı korumanın yeni yollarını keşfetmek için mükemmel bir yol gösterici.
Arda ÖDEMİŞ
YK Başkanı & Kurucu, ARD Grup
Bu eser, üretken yapay zeka ve prompt mühendisliği gibi modern kavramların akıllı sistemlerin geliştirilmesinde nasıl kullanıldığını derinlemesine analiz etmekte, bu teknolojilerin potansiyelinin nasıl tam anlamıyla keşfedilebileceğini araştırmaktadır. Akademisyenler, girişimciler ve teknoloji profesyonelleri için bir rehber niteliğinde olan bu çalışma, okuyucuları kendi yenilikçi çözümlerini üretmeye teşvik etmektedir. Ayrıca, okuyucuları geleceğin teknolojilerine yön vermeye ve kendi projelerini geliştirmeye yönlendiren ilham verici bir kaynaktır.
Mustafa AKMAZ
YK Üyesi & GM, Emeklilik Gözetim Merkezi
Kitabın Konu Başlıkları
.
Üretken Yapay Zeka
.
Büyük Dil Modelleri
.
Vektör Veri Tabanları
.
Prompt Mühendisliği
.
Prompt Tasarımı – İyileştirmesi
.
Prompt Değerlendirmesi – Optimize Etme
.
Prompt Güvenliği ve Etiği
.
Uygulamalı Örnekler
Yorumlar
Kitabın İçindekileri
Önsöz 
7
Yazar Hakkında 
9
Giriş 
25
ÜRETKEN YAPAY ZEKA
YAPAY ZEKA NEDİR? 
27
YAPAY ZEKA NEDEN ÖNEMLİDİR? 
27
YAPAY ZEKA NASIL ÇALIŞIR? 
29
ÜRETKEN YAPAY ZEKA NEDİR? 
32
ÜRETKEN YAPAY ZEKA VE YAPAY ZEKA ARASINDAKİ FARKLAR 
32
ÜRETKEN YAPAY ZEKAYA GEÇİŞ 
33
BÜYÜK DİL MODELİ (LLM) 
35
LLM Nedir? 
35
LLM'lerin Gelişimi 
35
LLM'lerin Üretken Yapay Zekaya Katkısı 
36
Semantik Anlam 
37
Semantik Anlamın Ortaya Çıkışı 
37
Semantik Anlamın Evrimi 
38
Semantik Anlamın Şu Anki Durumu 
38
Semantik Anlamın Seviyeleri 
39
Semantik Anlamın Bağlamı 
39
Semantik Anlamın Temel Çeşitleri 
39
Letarjik Anlam (Denotasyon) 
39
Yan Anlam (Konotasyon) 
40
Bağlamsal Anlam 
40
İlişkisel Anlam 
40
Metaforik Anlam 
40
Sembolik Anlam 
41
Dikkat Mekanizması 
41
Dikkat Mekanizmasının Ortaya Çıkışı 
41
Dikkat Mekanizmasının Gelişimi 
41
Dikkat Mekanizmasının Çalışma Prensibi 
42
En Yaygın Dikkat Mekanizması Modelleri 
43
Seq2Seq Modeli ve Dikkat 
43
Transformer Modelleri 
44
GPT ve BERT Gibi Öncü Dil Modelleri 
44
Dikkat Mekanizmasının Farklı Türleri 
44
Metin temsil modelleri 
45
Metin Temsil Modellerinin Çeşitleri 
45
One–Hot Encoding 
45
TF–IDF (Term Frequency–Inverse Document Frequency) 
45
Kelime Embeddingleri 
45
Kontekste Duyarlı Embeddingler 
46
Metin Temsil Modelleri ve Embedddings Arasındaki Farklar 
46
En Çok Kullanılan Büyük Dil Modelleri 
48
FLAN 
48
Genel Özellikleri 
48
Nasıl Çalışır? 
49
Avantajları 
49
Dezavantajları 
49
GPT–4 
50
Genel Özellikleri 
50
Nasıl Çalışır? 
50
Avantajları 
51
Dezavantajları 
51
BERT 
51
Genel Özellikleri 
51
Nasıl Çalışır? 
52
Avantajları 
52
Dezavantajları 
52
LLaMA 
53
Genel Özellikleri 
53
Nasıl Çalışır? 
53
Avantajları 
53
Dezavantajları 
54
BLOOM 
54
Genel Özellikleri 
54
Avantajları 
54
Dezavantajları 
55
Büyük Dil Modellerini Farklı Kılan Temel Faktörler 
55
Model Boyutu ve Parametre Sayısı 
55
Eğitim Verisi ve Çeşitliliği 
55
Mimari ve Yenilikler 
56
Pre–Training ve Fine–Tuning Stratejileri 
56
Çokdillilik ve Kültürel Çeşitlilik 
56
Açık Kaynak Erişimi ve Topluluk Desteği 
56
Büyük Dil Modelleri Eğitimi 
57
Veri Toplama ve Hazırlama 
57
Model Mimarisinin Seçimi 
57
Eğitim 
58
Fine–Tuning 
58
Değerlendirme ve Test 
58
Dağıtım ve Kullanım 
58
LLMOps (BÜYÜK DİL MODELİ YÖNETİMİ) 
59
Neden LLMOps? 
59
Model Yönetimi 
59
Performans ve Ölçeklendirme 
60
Güvenlik ve Uyumluluk 
60
Sürekli İyileştirme 
60
LLMOps İş Akışı 
61
Veri Ön İşleme (Pre–Processing) 
61
Yerelleştirme (Grounding) 
61
Sorumlu Yapay Zeka (Responsible AI) 
62
Veri Son İşleme (Post–Processing) 
62
LLMOps Süresi 
63
Gecikme 
63
Önbelleğe Alma 
63
Eş Zamanlı İşleme 
63
Dağıtık İşleme 
64
LLMOps'un Temel Bileşenleri 
64
Doğru Temel Modeli Seçme 
65
LLM Sağlayıcıları 
65
Özelleştirilmiş Modeller vs Açık Kaynak 
65
LLMOps’ta Model Seçim Kriterleri 
66
Maliyet 
66
Görev Türleri 
66
Performans Metrikleri 
66
Lisanslama 
67
LLMOps İnce Ayar Stratejileri 
67
Model Özelleştirme 
67
Eğitim Verisi Hazırlama 
69
Eğitim ve Çıkarım Parametreleri 
70
LLM’lerin Üretim Ortamına Dağıtımı ve İzlenmesi 
71
Üretim Ortamında Bir LLM’nin Kullanıma Hazır Hale Getirilmesi 
71
Üretimde Modelle Etkileşim Kuracak Arayüzün Ayarlanması 
72
API Dağıtımı 
72
Model Paketlemesi ve Sürümlemesi 
72
LLMOps Altyapısının Performansını Artırabilecek İleri Teknikler 
73
Yüksek Performanslı Kaynaklar 
73
Yük Dengeleme 
74
Coğrafi Dağılım 
74
LLMOps'ta CI/CD pipeline'ları 
75
LLMOps’da CI ve CD'nin Önemi 
75
LLMOps’ta CI’nın Önemi 
75
LLMOps’ta CD’nın Önemi 
75
CI/CD'nin LLMOps'taki Toplam Değeri 
76
LLM Ops için CI/CD Pipeline'larının Kurulumu 
76
Örnekler ve Uygulamalar 
77
LLMOps’ta Orkestrasyon 
78
Veri Akışının Yönetimi 
78
Yapılandırma Dosyaları ile Yönetim 
78
Otomasyon ve İş Akışları 
79
LLMOps Süreçlerinde Güvenlik 
80
Güçlü Veri Anonimleştirme Teknikleri 
80
Özel Kullanıcı Bilgilerinin Güvenli Saklanması 
80
LLMOps Altyapısında Güçlü Erişim Kontrolleri 
81
TOKEN BÜTÇELEME VE VERİMLİLİK 
82
Token Nedir? 
82
Bağlam Penceresi Nedir? 
82
Token Bütçeleme Nedir? 
82
Token Verimliliği Nedir? 
83
Belge Sorgulamada Token Bütçeleme 
84
Chunk (Parça) Üst Üste binmesi 
84
VEKTÖR VERİ TABANLARI 
85
Vektör Veri Tabanlarında Sorgulama Yapma 
85
K–En Yakın Komşu (K–NN) Araması 
85
Aralık Araması 
85
Tersine Çevrilebilir Dizinleme 
85
Hash Tabanlı Yöntemler 
86
Vektör Veri Tabanlarında Arama Algoritmaları 
86
K–En Yakın Komşular (K–NN) 
86
Küresel Yaklaşık Yakın Komşular (ANNS – Approximate Nearest Neighbors Search) 
87
Locality Sensitive Hashing (LSH) 
87
Ağaç Tabanlı Algoritmalar 
87
Hiyerarşik Navigable Small World (HNSW) Grafları 
87
İSTEĞE BAĞLI BELGE SORGULAMA İYİLEŞTİRMELERİ 
88
Semantik Arama Kapasitesini Geliştirme 
88
Kullanıcı Arayüzü ve Deneyimini İyileştirme 
89
Geri Bildirim Döngüsü Kurma 
89
Performans ve Ölçeklenebilirlik Optimizasyonları 
89
Örnek Uygulama Senaryosu 
89
PROMPT MÜHENDİSLİĞİ
PROMPT MÜHENDİSLİĞİ NEDİR? 
91
PROMPT MÜHENDİSLİĞİNİN GELİŞİMİ 
91
Yapay Zekanın Erken Dönemleri 
91
İnternetin Yükselişi ve Arama Motorları 
92
Makine Öğrenmesi ve Doğal Dil İşleme 
92
Derin Öğrenme Devrimi 
92
Prompt Mühendisliğinin Yükselişi 
92
PROMPT MÜHENDİSLİĞİ NEDEN ÖNEMLİDİR? 
94
Etkinlik ve Verimlilik 
94
Anlaşılırlık 
94
Esneklik 
94
Hata Toleransı 
95
Doğruluk ve Relevansın Artırılması 
95
Verimlilik ve Maliyet Tasarrufu 
95
Kullanıcı Deneyiminin İyileştirilmesi 
95
Özelleştirme ve Esneklik 
96
Yaratıcılığın ve Yenilikçiliğin Teşviki 
96
Veri Güvenliği ve Gizliliğin Korunması 
96
Kültürel ve Dil Çeşitliliğine Duyarlılık 
96
Eğitim ve Araştırma için Araç Olarak Kullanım 
96
Etik ve Sorumlu AI Kullanımının Desteklenmesi 
97
PROMPT MÜHENDİSLİĞİ TEMEL TERİMLERİ 
97
Prompt 
97
Model 
97
Çıktı 
97
Ölçüt 
97
Örnek: Bir Bilim Kurgu Hikayesi Yazdırma ve Çıktıyı Değerlendirme 
97
PROMPT MÜHENDİSLİĞİNİN ZORLUKLARI 
100
Doğru ve Etkili Bir Prompt Oluşturamamak 
100
Sistemin Çeşitli ve Kaliteli Cevaplar Vermesini Sağlayamamak 
100
Sistemin Güvenli ve Etik Olmasını Sağlayamamak 
101
YAPISINA GÖRE PROMPT TÜRLERİ 
101
Açık Prompt 
101
Kapalı Prompt 
101
Örnekli Prompt 
102
Örnekli Olmayan Prompt 
102
Soru–Cevap Prompt 
103
Tamamlama Promptu 
103
Yaratıcı Yazım 
104
Metin Tamamlama 
104
Öneri ve Fikir Üretme 
104
Alternatif Senaryolar 
104
Öğretim ve Eğitim 
105
AMACINA GÖRE PROMPT TÜRLERİ 
105
Bilgi Edinme Promptları 
105
Yaratıcı İçerik Üretme Promptları 
105
Eylem Gerçekleştirme Promptları 
106
Öğrenme ve Gelişme Promptları 
107
PROMPT TASARIMI 
107
Prompt Tasarımı Yöntemleri 
108
Örnek Tabanlı Yöntem 
108
Şablon Tabanlı Yöntem 
109
Sorgu Tabanlı Yöntem 
111
Görev Tabanlı Yöntem 
112
Prompt Tasarımı Araçları 
115
Prompt Kütüphaneleri 
115
Hugging Face's Transformers 
115
AllenAI's AllenNLP 
116
spaCy 
117
NLTK (Natural Language Toolkit) 
117
Prompt Editörleri 
118
GPT–3 Sandbox 
118
ChatGPT Playground 
119
Hugging Face Transformers 
120
Prompt Üreteçleri 
120
Prompt Tasarımı Araçları Karşılaştırması 
121
Prompt Tasarımı Araçları Kullanımı 
122
Prompt Tasarımında Sık Karşılaşılan Sorunlar ve Çözümleri 
122
PROMPT İYİLEŞTİRME 
123
Prompt İyileştirme Yöntemleri 
123
Parametre Ayarlama Yöntemi (Limit Belirleme) 
123
Veri Artırma Yöntemleri 
124
Geribildirim Verme Yöntemi 
127
Açık Uçlu Sorular Kullanma 
129
İçerik Ekleme 
129
Tekrarlama ve Tefsir (Paraphrase) Kullanma 
129
Sistemli ve Kademeli Sorular Sorma 
130
Negatif Örnekler Sunma 
130
Prompt İyileştirme Araçları 
131
OptiPrompt 
131
PROMPT UYGULAMASI 
132
Promptu Uygun Bir Platformda Çalıştırmak 
132
Promptu Kullanıcıların İhtiyaçlarına Göre Ayarlamak 
133
Promptu Sürekli Olarak İzlemek ve Güncellemek 
133
Prompt Uygulamasında Kullanılan Araçlar ve Teknikler 
133
Streamlit 
133
Gradio 
133
OpenAI Codex API 
133
Hugging Face Inference API 
134
Prompt Uygulamasında Sık Karşılaşılan Sorunlar ve Çözümler 
134
Promptun Platformda Çalışmaması 
134
Promptun Kullanıcıların İhtiyaçlarına Uygun Olmaması 
134
Promptun Performansının veya Kullanıcı Memnuniyetinin Düşmesi 
134
PROMPT DEĞERLENDİRMESİ 
134
Dikkat Edilmesi Gereken Temel Prensipler 
134
Promptu Uygun Bir Metrikle Değerlendirmek 
135
Promptu Farklı Veri Setleriyle Değerlendirmek 
135
Promptu Farklı BDM’lerle Değerlendirmek 
135
Prompt Değerlendirmesinde Kullanılan Yöntem ve Araçlar 
135
Prompt Değerlendirme Yöntemleri 
135
Analiz Etme Yöntemi 
135
Karşılaştırma Yöntemi 
137
Test Etme Yöntemi 
138
Prompt Değerlendirme Metrikleri 
140
BLEU (Bilingualuation Understudy) Skoru 
140
ROUGE (Recall–Oriented Understudy for Gistinguation) Skoru 
140
METEOR (Metric foruation of Translation with Explicit ORdering) 
141
F1 Skoru 
141
Perplexity 
142
LIT (Language Interpretability Tool) 
142
GLUE (General Language Understandinguation) 
142
LM–BFF (Language Model Best Friend Forever) Veri Seti 
143
Prompt Değerlendirmesinde Sık Karşılaşılan Sorunlar ve Çözümleri 
144
Promptun Uygun Bir Metrikle Değerlendirilememesi 
145
Promptun Farklı Veri Setleriyle Tutarsız Sonuçlar Vermesi 
145
Promptun Farklı Yapay Zeka Modelleri İle Uyumsuz Olması 
146
PROMPT OPTİMİZE ETME 
147
Prompt Optimize Etme Yöntemleri 
147
Prompt Tuning 
147
Hard Prompt Tuning 
148
Soft Prompt Tuning 
148
Prompt Tuning’in Avantajları 
149
Prompt tuning’in dezavantajları 
149
Prompt Tuning Yöntemleri 
150
Fine–Tuning 
150
Ekleme (Insertion) 
151
Değiştirme (ment) 
151
Prompt Tuning’in Uygulama Alanları 
152
Prompt Tuning’in Gelecek Potansiyeli 
154
Prefix Tuning 
155
Prefix–Tuning’in Avantajları 
156
Prefix–Tuning’in Dezavantajları 
156
Prefix–Tuning Yöntemleri 
156
Adaptif Prefix–Tuning 
156
Meta Prefix–Tuning 
157
Prefix–Tuning’in Uygulama Alanları 
158
Prefix–Tuning’in Gelecek Potansiyeli 
159
Chain–of–Thought (Düşünce Zinciri) 
160
Chain–of–Thought’un Avantajları 
160
Chain–of–Thought’un Dezavantajları 
160
Chain–of–Thought’un Türleri 
160
Sıralı Chain–of–Thought 
160
Hierarchical Chain–of–Thought 
163
Conditional Chain–of–Thought (Koşullu Düşünce Zinciri) 
164
Chain–of–Thought’un Uygulama Alanları 
167
Chain–of–Thought’un Gelecek Potansiyeli 
168
Zero–Shot Prompting 
168
Ne Zaman ve Ne İçin Kullanılır? 
168
Zero–Shot Prompting Adımları 
168
Örnekler 
169
Few–Shot Prompting 
170
Ne Zaman ve Ne İçin Kullanılır? 
170
Few–Shot Prompting Adımları 
171
Örnekler 
171
Öz Tutarlılık Yönlendirme 
172
Ne Zaman ve Ne İçin Kullanılır? 
172
Öz Tutarlı Yönlendirme Adımları 
173
Örnekler 
173
Üretilen Bilgi Yönlendirmesi (Guided by Generated Information, GGI) 
174
Ne Zaman ve Ne İçin Kullanılır? 
174
Üretilen Bilgi Yönlendirmesi Adımları 
175
Örnekler 
175
Düşünce Ağacı (ToT) Yönlendirmesi 
176
Ne Zaman ve Ne İçin Kullanılır? 
177
Düşünce Ağacı (ToT) Yönlendirme Yöntemi Adımları 
178
Örnekler 
178
Otomatik Akıl Yürütme ve Araç Kullanımı (ART) 
179
Ne Zaman ve Ne İçin Kullanılır? 
180
ART Yöntemi Adımları 
180
Örnekler 
180
Otomatik Prompt Mühendisliği 
181
Ne Zaman ve Ne İçin Kullanılır? 
181
Otomatik Prompt Mühendisliği Adımları 
182
Örnekler 
182
Aktif Prompt Verme 
183
Ne Zaman ve Ne İçin Kullanılır? 
183
Aktif Prompt Adımları 
184
Örnekler 
184
Yönlendirici Uyarı Prompt 
185
Ne Zaman ve Ne İçin Kullanılır? 
185
Yönlendirici Uyarı–Prompt Adımları 
186
Örnekler 
186
Program Destekli Dil Modelleri (PAL) 
187
Ne Zaman ve Ne İçin Kullanılır? 
187
Program Destekli Dil Modelleri Adımları 
188
Örnekler 
188
ReAct Yönlendirmesi 
190
Ne Zaman ve Ne İçin Kullanılır? 
190
Adımlar 
190
Örnekler 
191
Çok Modlu CoT (MMCoT) 
192
Ne Zaman ve Ne İçin Kullanılır? 
192
Adımlar 
193
Örnekler 
193
RİSKLER VE KÖTÜYE KULLANIM 
194
Adversarial Prompt Gönderme 
194
Ne Zaman ve Ne İçin Kullanılır? 
194
Adımlar 
194
Örnekler 
195
Prompt Enjeksiyon Saldırıları 
196
Ne Zaman ve Ne İçin Kullanılır? 
196
Adımları 
197
Korunma Yolları 
197
Örnekler 
199
Prompt Sızdırma 
199
Ne Zaman ve Ne İçin Kullanılır? 
200
Adımları 
200
Prompt Sızıntısının Nedenleri 
200
Prompt Sızıntısının Sonuçları 
202
Korunma Yolları 
203
Örnekler 
204
Jailbreaking 
205
Nasıl Yapılır? 
205
Korunma Yolları 
206
Örnek 
206
DAN 
207
Nasıl Yapılır? 
207
Nasıl Engellenir? 
208
Örnekler 
208
Önyargılar 
208
Sebepleri 
209
Sonuçları 
209
Korunma Yolları 
209
Örnekler 
210
Halüsinasyon 
211
Sebepleri 
211
Sonuçları 
211
Korunma Yolları 
212
Örnekler 
214
PROMPT GÜVENLİĞİ VE ETİĞİ 
215
Dikkat Edilmesi Gereken Ana Konular 
215
Cevapların Doğrulanması ve Denetlenmesi 
215
Cevapların Çeşitliliğinin ve Kapsayıcılığının Desteklenmesi 
216
Cevapların Önyargılardan veya Ayrımcılıktan Arındırılması 
217
Cevapların Yasalara ve Etik Kurallara Uygun Olması 
217
Yöntemler 
218
Önceden Tanımlanmış Yanıt Sınırlamaları 
219
Kontekst Farkındalığı 
219
Sürekli Öğrenme ve Güncelleme 
219
Prompt Bileşenlerinin Parametreleştirilmesi 
219
Filtreleme 
221
Düzenleme 
223
Uyarı Verme 
226
PROMPT MÜHENDİSLİĞİNİN GELECEĞİ VE TRENDLERİ 
232
Daha Sofistike Yöntemler 
232
Otomatik Prompt Optimizasyonu 
232
Transfer Öğrenme ve Meta–Öğrenme 
232
Kişiselleştirilmiş Prompt Mühendisliği 
232
Yeni Dil Modeli Mimarileri ve Eğitim Stratejileri 
233
Etik ve Güvenlik Konuları 
233
Daha Fazla Sektörel Uygulamanın Ortaya Çıkması 
233
Sürdürülebilirliğe Katkı Sağlaması 
233
UYGULAMALAR 
233
GPT–4 ile Uygulamalar 
233
Promptları Net Yazmak 
233
Prompta Detaylar Eklemek 
234
Modele Bir Kişiliği Benimsetmek 
234
Girdideki Farklı Bölümleri Açıkça Belirtmek 
235
Bir Görevi Tamamlamak İçin Gereken Adımları Belirtmek 
236
Örnekler Sağlamak 
236
Çıktının İstenen Uzunluğunu Belirtmek 
237
Referans Metin Sağlamak 
237
Modeli Bir Referans Metni Kullanarak Cevap Vermesi İçin Yönlendirmek 
237
Modelin Referans Metinden Alıntılarla Cevap Vermesini İstemek 
238
Karmaşık Görevleri Daha Basit Alt Görevlere Bölmek 
238
Kullanıcı Promptunun En Alakalı Talimatlarını Belirlemek İçin Niyet Sınıflandırmasını Kullanmak 
238
Diyalog Uygulamaları İçin Çok Uzun Konuşmalar Gerektiğinde, Önceki Diyalogları Özetlemek veya Filtrelemek 
241
Uzun Dokümanları Parça Parça Özetlemek ve Tam Bir Özet Oluşturmak İçin Özetlerin Özetlerini Oluşturmak 
241
Modellere "Düşünme" Zamanı Vermek 
241
Modeli Acele Etmeden Kendi Çözümünü Bulması İçin Yönlendirin 
241
Modelin Akıl Yürütme Sürecini Gizlemek İçin İç Monolog veya Sorgu Dizisi Kullanmak 
243
Modelin Önceki Geçişlerde Bir Şeyi Kaçırıp Kaçırmadığını Sormak 
245
Dış araçları kullanmak 
246
Etkin Bilgi Erişimi Sağlamak İçin Embedding Tabanlı Aramayı Kullanmak 
246
Daha Doğru Hesaplamalar Yapmak veya Dış API'ları Çağırmak İçin Kod Çalıştırmayı Kullanmak 
246
Modele Belirli Fonksiyonlara Erişim Sağlamak 
247
Değişiklikleri Sistematik Olarak Test Etmek 
247
Model Çıktılarını Altın Standart Cevaplarla Değerlendirmek 
248
Günlük Uygulamalar 
251
Metin Üretme 
251
Metin Özetleme 
253
Soru Cevaplama 
254
Sohbet 
254
Python Yorumlayıcısı Olarak Kullanma 
257
Metin Sınıflandırma 
257
Metin Çevirisi 
258
Soru Cevaplama 
258
Metin Çeşidini Dönüştürme 
258
Farklı Türlerde, Tonlarda veya Tarzlarda İçerik Üretimi 
259
LLMOps’ta Prompt Mühendisliği Uygulamaları 
261
Prompt Şablonları 
262
A/B Testi ile Promptların Optimizasyonu 
263
RAG (Retrieval Augmented Generation) Uygulaması 
263
RAG Prompt Verimliliği Nasıl Sağlanır? 
264
GenAI Uygulamalarının Performansını Artırmak İçin RAG Neden Kullanılır? 
265
Maliyet–Etkinlik Perspektifinden RAG Neden Tercih Edilen Bir Yaklaşımdır? 
267
RAG Nasıl Çalışır? 
269
Araştırma Yapma ve Makale Yazımı 
271
Literatür Taraması 
271
Literatur Taraması Puanlaması 
272
Konferans Sunumu Hazırlanması 
273
En Uygun Dergi Seçimi 
275
Makalenin Otomatik Olarak Düzeltilmesi ve İyileştirilmesi 
276
Makale Özeti Çıkarılması 
278
İlginç ve Yenilikçi Bir Araştırma Sorusu Oluşturmak 
278
Hipotez Testi İçin En Uygun Yöntemin Seçilmesi 
279
Makale Yazımı 
280
Makale Düzenleme 
284
Büyük Dil Modellerinin Alan Özel Eğitimi (Sigorta Sektörü Örneği) 
287
Veri Toplama 
287
Veri Hazırlığı 
287
Tokenizasyon 
288
Normalizasyon 
288
Vektörleştirme 
289
Padding (Dizi Uzunluklarını Sabitleme) 
289
Sıralama 
290
Veri Etiketleme 
290
Veri Temizleme 
291
Veri Setinin Yapılandırılması 
292
Model Mimarisi Seçimi 
292
Pre–Training 
292
Geri Yayılım ve Optimizasyon 
293
İterasyonlar ve Erken Durma 
293
Fine–Tuning 
293
Değerlendirme 
293
Dağıtım 
293
Langchain Kullanarak Bir LLM i Sigorta Sektöründe Eğitme 
293
Veri Toplama ve Hazırlama 
294
LangChain Kurulumu ve Konfigürasyonu 
294
Pre–Training 
294
Fine–Tuning 
294
Veri Setinin Hazırlanması 
295
Model Seçimi ve Yükleme 
295
Özelleştirilmiş Veri Seti ile Fine–Tuning 
295
Model Değerlendirme ve Fine–Tuning 
296
Uygulama Geliştirme ve Entegrasyon 
296
Model Entegrasyonu 
297
Kaynakça 
299
Kavram Dizini 
302