tag OpenSource
Bu sayfada OpenSource etiketi ile işaretlenmiş 5 yapay zeka kavramını bulabilirsiniz.
Ollama, açık ağırlıklı büyük dil modellerini (Llama 3, Mistral, Gemma, Phi gibi) internet bağlantısı gerektirmeden kendi bilgisayarınızda çalıştırmanızı sağlayan açık kaynaklı bir araçtır. Tek satır komutla modeli indirir, GPU/CPU optimizasyonunu otomatik ayarlar ve yerel bir REST API sunar.
Ollama (Yerel LLM Çalıştırıcı)
Ollama, açık ağırlıklı büyük dil modellerini (Llama 3, Mistral, Gemma, Phi gibi) internet bağlantısı gerektirmeden kendi bilgisayarınızda çalıştırmanızı sağlayan açık kaynaklı bir araçtır. Tek satır komutla modeli indirir, GPU/CPU optimizasyonunu otomatik ayarlar ve yerel bir REST API sunar.
Open WebUI (Open WebUI)
Open WebUI, Ollama ve OpenAI uyumlu API'ler aracılığıyla yerel büyük dil modellerine erişmek için kendi sunucunuzda barındırabileceğiniz açık kaynaklı bir web arayüzüdür. ChatGPT benzeri bir deneyimi tamamen özel ortamda sunan Open WebUI; konuşma geçmişi, model yönetimi, RAG pipeline desteği ve çoklu kullanıcı özellikleriyle öne çıkar.
Open-Weight Model (Açık Ağırlıklı Model)
Açık Ağırlıklı Model (Open-Weight Model), eğitilmiş model ağırlıklarının araştırmacılara ve geliştiricilere indirilebilir biçimde sunulduğu yapay zeka modelidir. GPT-4 gibi kapalı modellerin aksine, açık ağırlıklı modeller kendi donanımınızda veya bulutunuzda barındırılabilir, ince ayar yapılabilir ve özelleştirilebilir. Meta'nın Llama ailesi bu kategorinin en yaygın örneğidir.
PyTorch (Açık Kaynak Derin Öğrenme Çerçevesi)
PyTorch, Meta AI Araştırma Laboratuvarı (FAIR) tarafından 2016 yılında geliştirilen, Python tabanlı açık kaynaklı bir derin öğrenme çerçevesidir. Facebook'un Lua diliyle oluşturduğu Torch kütüphanesinin modern Python uyarlaması olarak doğan PyTorch, sinir ağları ve makine öğrenimi modellerini tasarlamak, eğitmek ve üretim ortamına almak için kapsamlı bir araç seti sunar. PyTorch'u rakiplerinden ayıran en temel özellik, çalışma zamanında değiştirilebilen dinamik hesaplama grafları (define-by-run) yaklaşımıdır. TensorFlow gibi çerçevelerin erken sürümlerinde benimsenen statik grafların aksine, PyTorch'ta model kodu adım adım yürütülürken hesaplama grafı anlık olarak inşa edilir. Bu yaklaşım, araştırmacıların standart Python hata ayıklama araçlarını doğrudan kullanabilmesini ve model mimarisini denemeler sırasında kolayca değiştirebilmesini sağlar. Autograd sistemi, PyTorch'un otomatik diferansiyelleştirme motorunu oluşturur. Bir tensöre requires_grad=True atandığında, sistem bu tensör üzerinde gerçekleştirilen tüm matematiksel işlemleri sessizce kaydeder ve .backward() çağrısıyla gradyanları otomatik olarak hesaplar. Bu mekanizma, geri yayılım (backpropagation) algoritmasının elle kodlanmasına gerek kalmaksızın her türlü özel kayıp fonksiyonu ve katman tasarımına izin verir. Akademik araştırma dünyasında PyTorch, 2019-2020 yıllarından itibaren TensorFlow'u geçerek birincil derin öğrenme çerçevesi hâline gelmiştir. NLP alanında çığır açan BERT ve GPT serileri, bilgisayarla görüde yaygınlaşan ViT ve DINO, konuşma alanında Whisper — bu modellerin tamamı PyTorch üzerine inşa edilmiştir. Hugging Face Transformers kütüphanesi de birincil backend olarak PyTorch'u kullanır ve tek bir API ile yüz binlerce önceden eğitilmiş modele erişim sunar. GPU desteği açısından PyTorch, NVIDIA CUDA ile derin bir entegrasyona sahiptir; model veya tensörler .to('cuda') gibi tek satır kodla GPU'ya taşınabilir. Apple Silicon için MPS (Metal Performance Shaders) ve AMD için ROCm desteği de eklenmiştir. TorchVision, TorchAudio, PyTorch Lightning ve TorchServe gibi resmi ekosistem paketleri, PyTorch'u araştırma prototipinden üretim ortamına kadar tek çatı altında kullanan eksiksiz bir platform hâline getirir.
TensorFlow (TensorFlow)
TensorFlow, Google Brain ekibi tarafından 2015 yılında geliştirilen ve açık kaynaklı olarak yayımlanan kapsamlı bir makine öğrenimi ve derin öğrenme kütüphanesidir. Apache 2.0 lisansıyla ücretsiz kullanıma sunulan bu kütüphane, hem araştırma hem de endüstriyel üretim ortamları için güçlü bir altyapı sağlar. TensorFlow'un adı, "tensor" ve "flow" kelimelerinin birleşiminden gelmektedir. Tensorlar, çok boyutlu veri dizilerini temsil eden matematiksel nesnelerdir. "Flow" ise bu tensörlerin hesaplama grafikleri üzerinde nasıl aktığını tanımlar. Bu grafik tabanlı yapı, TensorFlow'un hem eğitim hem de çıkarım (inference) süreçlerini verimli biçimde yönetmesini sağlar. Kütüphanenin en önemli özelliklerinden biri, CPU, GPU ve TPU (Tensor Processing Unit) gibi farklı donanım platformlarında sorunsuz çalışabilmesidir. Google'ın kendi geliştirdiği TPU donanımıyla entegrasyon, büyük ölçekli model eğitiminde önemli hız avantajı sağlar. TensorFlow 2.0 (2019) ile birlikte gelen eager execution modeli, Python ortamında anlık hesaplama yapılmasını mümkün kılmış ve hata ayıklama süreçlerini büyük ölçüde kolaylaştırmıştır. Keras'ın resmi yüksek seviyeli API olarak benimsenmesiyle birlikte model oluşturma süreci önemli ölçüde sadeleşmiştir. 2026 itibarıyla TensorFlow 2.21.0 sürümü aktif destek görmektedir. Bu sürümde uç (edge) cihazlar için int2/int4 kuantizasyon desteği ve NumPy 2.0 uyumluluğu eklenmiştir. TensorFlow Lite'ın bağımsız LiteRT deposuna taşınmasıyla çerçeve, çekirdek kararlılığına ve üretim dağıtımına odaklanmıştır. TensorFlow, Google, YouTube, Airbnb ve Uber gibi şirketlerin üretim altyapılarında yaygın biçimde kullanılmaktadır. Bilgisayarlı görü, doğal dil işleme, öneri sistemleri ve konuşma tanıma gibi alanlarda sektör standardı çözümler sunmaktadır.