Databricks, Yapay Zeka Ajanlarının Verimliliğini Artıran Yeni Bir Yaklaşım Geliştirdi

Yapay Zeka Ajanlarının Performansını Artırmanın Anahtarı: Bilgi Erişimi

Yapay zeka (YZ) alanındaki gelişmeler hızla devam ederken, şirketlerin YZ ajanlarını uygulamadaki zorlukları da gözler önüne seriyor. 2025 yılının YZ ajanları için bir dönüm noktası olacağı düşünülse de, birçok şirket hala deneme aşamasında kalmış durumda. Databricks, bu durumu aşmak için yeni bir çözüm sunuyor: Bilgi erişimini iyileştirmek.

RAG’ın Sınırları ve Databricks’in Çözümü

Şirketler, YZ ajanlarının doğru bilgilere erişmesini sağlamak için genellikle “retrieval augmented generation” (RAG) yöntemini kullanıyor. RAG, YZ sistemlerinin, dahili kaynaklardan veya internetten ilgili belgeleri ve verileri alarak yanıtlarını veya eylemlerini bu verilere göre şekillendirmesini sağlıyor. Ancak, RAG’ın da bazı eksiklikleri bulunuyor. YZ modelleri, kullanıcı istemlerini etkili bir şekilde arama kriterlerine dönüştürmekte zorlanabiliyor ve bazen de arama sonuçlarını doğru şekilde filtreleyemiyor.

Databricks Araştırma Direktörü Michael Bendersky, “Çoğu zaman, YZ ajanları veri üzerinde akıl yürütemediği için değil, doğru veriyi alamadığı için başarısız oluyor” diyor.

Instructed Retriever: Yeni Nesil Bilgi Erişim Mimarisi

Databricks, bu sorunları çözmek için “Instructed Retriever” adı verilen yeni bir mimariyi tanıttı. Instructed Retriever, kullanıcı istemlerini ve özel gereksinimleri (örneğin, bir belgenin güncelliği veya bir ürünün müşteri yorumları) çok aşamalı bir arama planına dönüştürerek hem yapılandırılmış hem de yapılandırılmamış verilere ve meta verilere erişimi sağlıyor. Bu sayede, YZ modeline doğru bilgiyi ulaştırılıyor.

Databricks’in Nöral Ağlar CTO’su Hanlin Tang, “Sihirli olan, doğal dili özel bir arama sorgu diline çevirme şeklidir ve bu bazen çok zor olabilir. Gerçekten iyi bir sorgu çevirme modeli oluşturmak gerekiyor” şeklinde açıklıyor.

Performans Artışı ve Test Sonuçları

Databricks, Instructed Retriever’ın performansını değerlendirmek için kendi geliştirdiği ve gerçek dünya kurumsal kullanım senaryolarını yansıtan bir dizi benchmark testi gerçekleştirdi. Bu testlerde, Instructed Retriever mimarisi, basit bir RAG yöntemine göre %70 daha yüksek doğruluk sağladı. Çok aşamalı bir ajanlık sürecinde kullanıldığında ise, RAG üzerine inşa edilmiş aynı süreçten %30 daha iyi performans gösterdi ve ortalama olarak sonuca ulaşmak için %8 daha az adım gerektirdi.

Öne Çıkan Özellikler:

• Geliştirilmiş Doğruluk: Instructed Retriever, RAG yöntemine göre %70 daha yüksek doğruluk sağlıyor.
• Daha Verimli Süreç: Aynı sonuca ulaşmak için %8 daha az adım gerektiriyor.
• Zayıf İstemleri Yönetme: Yetersiz tanımlanmış sorguları bile işleyebiliyor.
• Çok Aşamalı Arama Planı: Kullanıcı istemlerini ve özel gereksinimleri çok aşamalı bir arama planına dönüştürüyor.

Gelecek Vizyonu

Databricks’in Instructed Retriever mimarisi, YZ ajanlarının performansını artırmak ve şirketlerin YZ uygulamalarındaki zorlukları aşmalarına yardımcı olmak için önemli bir adım olarak değerlendiriliyor. Bu gelişme, YZ ajanlarının daha geniş bir şekilde benimsenmesine ve daha karmaşık görevleri yerine getirmesine olanak tanıyabilir.