LLM'ler için Özel Araçlar ve Eklentiler

«Araç Kullanımı ve Etmenlerle İleri Düzey İstem Oluşturma» kursumuzun son dersine hoş geldiniz! Bugün, Büyük Dil Modelleri (LLM'ler) için özel araçları ve eklentileri inceleyeceğiz.

Özel araçlar, LLM'lerin eğitim verilerinin ötesine geçerek gerçek dünyayla veya belirli sistemlerle etkileşim kurmasını sağlar. Bunları, bir LLM'ye öğrettiğiniz özel beceriler olarak düşünebilirsiniz.

• Yetenekleri Genişletin: Yeni işlevler ekleyin.
• Gerçek Zamanlı Verilere Erişin: Güncel bilgilere ulaşın.
• Eylemler Gerçekleştirin: Harici sistemlerde değişiklikler yapın.

Temel işlev çağırma ve API entegrasyonunu öğrendiniz. Özel araçlar bu yaklaşımı bir adım ileri taşır.

Bir LLM doğuştan «metni özetlemeyi» biliyor olabilir, ancak ona bir araç sağlamadığınız sürece «Londra'da hava durumunu kontrol etmeyi» bilmez. Özel araçlar bu boşluğu doldurarak LLM'ye temel bilgi tabanının parçası olmayan belirli, harici yetenekler kazandırır.

Her özel aracın, LLM'nin onu ne zaman ve nasıl kullanacağını bilmesi için net bir tanıma ihtiyacı vardır. Temel bileşenler şunlardır:

• Ad: Benzersiz bir tanımlayıcı (ör. get_current_time).
• Açıklama: Aracın ne yaptığını ve ne zaman kullanılması gerektiğini açıklar. Bu, LLM'nin karar verme süreci için çok önemlidir.
• Parametreler: Aracın çalışmak için ihtiyaç duyduğu girdiler (ör. bir saat aracı için timezone).
• Beklenen Çıktı: Aracın döndürdüğü bilgi türü.

Bir LLM'ye özel bir araç hakkında «öğretmek» için aracın tanımını genellikle JSON şeması gibi yapılandırılmış bir biçimde sunarız. Bu şema, LLM'ye aracı doğru şekilde çağırmak için bilmesi gereken her şeyi aktarır.

get_current_time aracımızın nasıl açıklanabileceğine dair basitleştirilmiş bir örneği aşağıda görebilirsiniz:

Uygulamalı bir örnek oluşturalım: get_current_time adlı bir araç. Bu araç, isteğe bağlı olarak belirtilen saat dilimi için geçerli saati döndürecektir.

LLM, (şemadaki) açıklamayı anlasa da açıklanan eylemi gerçekleştiren gerçek kodu yazmaktan biz sorumluyuz. LLM aracı çağırmaya karar verdiğinde bu kod harici olarak çalışır.

Bu Python kod parçası, get_current_time aracının arka planda nasıl görünebileceğini gösterir. LLM aracı çağırdığında bu işlevi (veya seçtiğiniz dildeki benzer mantığı) çalıştırır ve sonucu alır.

Çıktısını görmek için çalıştırmayı deneyin!

Bir LLM'nin özel bir aracı genellikle nasıl kullandığını aşağıda görebilirsiniz:

1. Kullanıcı İstemi: LLM'ye bir soru sorarsınız (ör. "New York'ta saat kaç?").
2. LLM Kararı: LLM, isteminizi ve kullanabileceği araç açıklamalarını analiz eder.
3. Araç Çağrısı: Bir araç ilgiliyse LLM bir araç çağrısı oluşturur (ör. get_current_time(timezone="America/New_York")).
4. Yürütme: Sisteminiz gerçek araç kodunu çalıştırır.
5. Sonuç: Aracın çıktısı LLM'ye döndürülür.
6. LLM Yanıtı: LLM, size vereceği son yanıtı oluşturmak için aracın çıktısını kullanır.

Özel araçlara erişimi olan bir LLM'ye istem verdiğinizde aracı kullanmasını açıkça söylemezsiniz. Bunun yerine, araca ihtiyaç olduğunu ima eden bir soru sormanız yeterlidir.

LLM'nin aracın açıklamasını anlayabilmesi temel öneme sahiptir. İyi bir açıklama, LLM'nin doğru aracı doğru zamanda seçmesine yardımcı olur.

• İstem: "What is the current time right now?"
• LLM Eylemi: get_current_time() çağrılır
• Araç Çıktısı: "Current time in UTC: 2023-10-27 10:30:00 (UTC basis)"
• LLM Yanıtı: "The current time is 10:30 AM UTC."

Özel araçlar, LLM'lerin güçlü yetenekler kazanmasını sağlar:

• Alana Özgülük: LLM'lere genel eğitimlerinin ötesinde bilgi sağlayın.
• Gerçek Zamanlı Etkileşim: En güncel bilgilere erişin (ör. hisse senedi fiyatları, hava durumu).
• Eylem Gerçekleştirebilen Yapay Zekâ: LLM'lerin eylemler gerçekleştirmesini sağlayın (ör. e-posta gönderme, randevu alma).
• Geliştirilmiş Doğruluk: Olgusal araç çıktılarına dayanarak halüsinasyonları azaltın.
• Modülerlik: LLM mantığını harici sistemlerle etkileşimlerden ayrı tutun.

Aşağıdakilerden hangileri, bir LLM için özel bir aracın tanımındaki temel bileşenlerdir?

Bu derste, LLM'lerin yeteneklerini genişletmenin güçlü bir yolu olan özel araçları ve eklentileri inceledik.

• Özel araçlar, LLM'lerin harici sistemler ve verilerle etkileşim kurmasını sağlar.
• Genellikle JSON şeması kullanılarak net bir tanım (ad, açıklama, parametreler) gerektirirler.
• LLM aracı çağırdığında çalışacak gerçek mantığı siz uygularsınız.
• Özel araçlar, LLM'lerin alana özgü bilgi edinmesini, gerçek zamanlı verilere erişmesini ve eylemler gerçekleştirmesini sağlayarak basit metin üretiminin ötesine geçer.

Özel araçlarda ustalaşarak gerçekten akıllı ve etkileşimli yapay zekâ uygulamaları geliştirebilirsiniz!