LLM Explained'i Geliştirdim: Sizi Token'lardan Yapay Zeka Ajanlarına Taşıyan 43 Etkileşimli Sayfa

Büyük dil modelleri (LLM) öğrenirken sürekli aynı sorunla karşılaşıyordum. Dikkat (attention) mekanizması hakkında bir yazı okuyor, anladığımı sanıyor ancak iki gün sonra neden $\sqrt{d_k}$ değerine böldüğümüzü açıklayamıyordum. Makalelerde "GQA", "MLA", "MoE", "LoRA", "HNSW" veya "context rot" gibi kavramları görüp beş sekme açıyor, konuyu tam oturtamadan kapatıyordum. Alan hızla ilerlediği için tam kavrayamadığım terimlerin üzerine sürekli yenileri ekleniyordu.

Bu yüzden kendi ihtiyaç duyduğum kaynağı geliştirdim: LLM Explained. "RNN'ler neden duvara tosladı?" sorusundan başlayıp "Üretim ortamındaki bir ajan nasıl bilgi getirir, akıl yürütür, hareket eder ve değerlendirilir?" noktasına kadar uzanan ücretsiz, etkileşimli bir kurs. Yazılım geliştirme sürecinde her sayfayı kodlamak ve yazmak, kavramları yüzeysel geçmek yerine derinlemesine anlamamı sağladı.

Canlı site: https://llm-explained-lovat.vercel.app/
Kaynak kodu: https://github.com/amananandrai/llm-explained
Katkı ve geri bildirim: Proje gelişmeye devam ediyor. Faydalı bulursanız GitHub deposuna yıldız verebilir, hata veya fikirler için issue açabilir ya da doğrudan pull request gönderebilirsiniz.

LLM Explained Nedir?#

Yedi bölümde toplanan 42 modül ve bir bitirme projesinden (KL ıraksaması alt sayfasıyla birlikte 43 etkileşimli sayfadan) oluşur. Her kavram, denklemini görmeden önce kurcalayabileceğiniz bir görsel olarak karşınıza çıkar. Yazılım öğreniminde soyut matematiği somutlaştırmak için her sayfayı şu altı temel ilke şekillendirdi:

Önce görsel, sonra sembol: Her denklem, onu hesaplayan animasyonun yanında durur ve aynı renkleri kullanır. Sorgu (query) diyagramda maviyse formülde de mavidir.
Her kaydırma adımında tek fikir: Animasyonlar siz sayfayı kaydırdıkça ilerler, sizden bağımsız akıp gitmez.
Küçük ölçekte gerçek sayılar: 4 boyutlu gömmeler (embeddings) ve 3–5 token'lık cümleler kullanılır; böylece her değer ekrana sığar ve doğruluğunu bizzat kontrol edebilirsiniz.
Parametrelerle oynayın: Her modülde kontrol edebileceğiniz en az bir etkileşimli bileşen (widget) bulunur.
Kendiniz çalıştırın: Tarayıcı içi isteğe bağlı Python (NumPy) hücreleri, görsellerdeki hesaplamaları birebir yeniden üretir.
Dürüst sınırlar: Basitleştirilmiş diyagramlar yanıltıcı olabileceği için her modül, "bu görselin dışarıda bıraktıkları" kutusuyla biter.

Ayrıca ekrandaki her sayı doğrudan tarayıcınızda hesaplanır. Bir şey simülasyon veya çizim olduğunda sayfa bunu açıkça belirtir.

Site Nasıl Kullanılır?#

1. Müfredat Haritasıyla Başlayın#

Üst menüdeki Curriculum bağlantısı tüm kursu gösterir. 1. ve 2. bölümler sırayla okunmak üzere tasarlanmıştır ve sonrasındaki her şey dikkat (attention) modülünün üzerine inşa edilir. Bunun ötesinde ihtiyacınıza göre ilerleyebilirsiniz:

Bölüm 3, 4 ve 7: Kendi içlerinde herhangi bir sırayla okunabilir.
Bölüm 5 (RAG): Bir bilgi getirme (retrieval) hattının doğal sırasını takip eder.
Bölüm 6 (Ajanlar): Ajanlar ve ReAct modülünden başlar.

Transformer mimarisini iyi biliyorsanız merak ettiğiniz konuya atlayabilirsiniz; yeniyseniz Modül 1'den (veya isteğe bağlı matematik hazırlığı olan Modül 0'dan) başlayabilirsiniz.

2. Derinliğinizi Seçin: Sezgi, Mekanik veya Matematik#

Her sayfada öğrenme aşamanıza göre geçiş yapabileceğiniz üç seviyeli bir derinlik anahtarı bulunur:

Intuition (Sezgi): Sembol yok; yalnızca görseller ve sade bir dil. İlk okuma veya hızlı tekrar için idealdir.
Mechanics (Mekanik): Tensör boyutları ve adım adım işlemler. Sistemi kodlamak ve uygulamak isteyen mühendisler içindir.
Maths (Matematik): Tam türetmeler ve renk bağlantılı KaTeX denklemleri. Derine inmek veya teknik mülakatlara hazırlanmak için uygundur.

Bir sayfayı önce Sezgi seviyesinde okuyup bir hafta sonra Mekanik seviyesine geçebilirsiniz; kaynak sizin teknik gelişiminizle birlikte büyür.