Çoğu insan yapay zekayı cevaplar için bir otomat gibi kullanır.
Bir belge yükle. Bir soru sor. Bir cevap al. Sekmeyi kapat. Yarın, aynı belgeyi tekrar yükle. Biraz farklı bir soru sor. Modelin dün hiç olmamış gibi sıfırdan başlamasını izle.
Bugün "AI üretkenliği" için varsayılan düzen budur. İlk birkaç seferde büyülü gelir çünkü sistem, önüne attığınız hemen her şeyi özetleyebilir, açıklayabilir ve içgörüler çıkarabilir. Ancak birkaç hafta sonra, büyü garip bir şekilde tek kullanımlık hissettirmeye başlar. Bilgi inşa etmiyorsunuzdur. Kısa süreli zeka patlamaları kiralıyorsunuzdur.
Sorun modellerin çok zayıf olması değil. Sorun, iş akışının biriken bir hafızaya sahip olmaması.
Andrej Karpathy daha iyi bir düzen tanımladı: kişisel bilgi tabanları oluşturmak ve sürdürmek için LLM'leri kullanmak. Sadece yüklenmiş PDF'lerden oluşan bir klasör değil. Sadece belgeler üzerinde bir sohbet robotu değil. Bir LLM'nin zaman içinde güncellediği, kalıcı, yapılandırılmış, birbirine bağlı bir wiki.
Önemli olan kısım wiki değil. Onlarca yıldır wikilerimiz var.
Önemli olan kısım bakım.
Yapay zekadan önce neredeyse her "ikinci beyin" sistemini öldüren eksik parça buydu. İnsanlar kişisel bir bilgi tabanı fikrini severler. Obsidian grafiklerini, Zettelkasten diyagramlarını, PARA klasörlerini, etiketlenmiş notları, geri bağlantıları, kalıcı notları, panoları ve diğer her şeyi severler. Ancak ilk coşku patlamasından sonra genellikle aynı şey olur: sistem, bakımı yapılması gereken başka bir sisteme dönüşür.
Makaleleri kırparsınız ama özetlemezsiniz. Notlar oluşturursunuz ama birbirine bağlamazsınız. Şeyleri tutarsız bir şekilde etiketlersiniz. Yeni bilgiler geldiğinde eski iddiaları güncellemeyi unutursunuz. Güzel bir yapı oluşturur ve sonra yavaşça ondan kaçınırsınız çünkü her etkileşim daha fazla defter tutma işi yaratır.
İkinci beyin başarısız olur çünkü hâlâ onun arkasını toplaması için bir birinci beyne ihtiyaç duyar.
Karpathy'nin LLM wiki düzeni ekonomiyi değiştiriyor. Bilgi tabanına kişisel bir defterden çok bir kod tabanı gibi davranıyor. Ham kaynaklar içeri girer. LLM onları okur, önemli kısımları çıkarır, markdown sayfaları oluşturur veya günceller, çapraz referansları korur, çelişkileri takip eder ve indeksleri güncel tutar. İnsan wiki'yi elle yazmaz. İnsan kaynakları seçer, sorular sorar, çıktıları inceler ve neyin önemli olduğuna karar verir.
Andrej Karpathy gönderisi
https://x.com/karpathy/status/2039805659525644595
Bu çok daha ilginç bir iş bölümü.
Alma İşleminden Biriken Bilgiye
Günümüzdeki çoğu AI belge iş akışı almaya dayanır. Dosyaları yüklersiniz, sistem onları parçalara ayırır, parçaları gömer ve bir soru sorduğunuzda ilgili pasajları arar. Bu, birçok RAG sisteminin ardındaki temel fikirdir ve kullanışlıdır. Modelin eğitim verilerinde olmayan materyaller hakkında soruları yanıtlamasını sağlar.
Ancak almanın bir tavanı vardır.
Bir soru sorduğunuzda, sistem arar, bir avuç parçayı bağlama çeker ve bir cevap üretir. Cevap iyi olabilir, ancak konuşma sona erdiğinde iş genellikle kaybolur. Sentez otomatik olarak dayanıklı bir yapının parçası haline gelmez. Bir sonraki soru başka bir alma döngüsü başlatır.
Bu, tek seferlik sorular için iyidir. Öğrenme, araştırma, yazma ve strateji için zayıftır; çünkü buralarda asıl amaç anlayışın birikmesidir.
Bir LLM tarafından sürdürülen bir wiki farklı çalışır. Her şeyi sorgu anında sıfırdan sentezlemek için beklemez. Bilgiyi önceden derler.
Yeni bir kaynak eklediğinizde, LLM onu okur ve mevcut sisteme entegre eder. Bir makale bir kavram sayfasını güncelleyebilir. Bir şirket profili bir rakip sayfasını revize edebilir. Bir transkript, bir müşteri sorununa kanıt ekleyebilir. Yeni bir makale daha eski bir özetle çelişebilir, bu yüzden wiki gerilimi sessizce bir belge yığınına gömmez, işaretler.
Soru, "Doğru paragrafı alabilir miyim?" sorusundan "Bu kaynağı eklediğim için bilgi tabanım daha mı akıllı hale geldi?" sorusuna dönüşür.
Asıl değişim budur: bilgi kümülatif hale gelir.
Üç Katman
Mimari o kadar basittir ki basitliğini gözden kaçırmak kolaydır.
İlk katman ham kaynaklardır. Bunlar orijinal materyallerdir: makaleler, PDF'ler, notlar, transkriptler, bildiriler, web kırpıntıları, görseller, depolar, veri kümeleri ve sistemin bilmesini istediğiniz diğer her şey. Bu katman değişmez olarak ele alınmalıdır. AI onu okuyabilir, alıntılayabilir ve özetleyebilir, ancak kanıtı yeniden yazmamalıdır.
İkinci katman wiki'dir. Bu, LLM tarafından sürdürülen bir markdown dosyaları dizinidir. Kaynak özetleri, kavram sayfaları, varlık sayfaları, zaman çizelgeleri, karşılaştırmalar, açık sorular, indeksler ve araştırma brifingleri içerebilir. Bu derlenmiş katmandır. Ham malzemenin kullanılabilir bilgi haline geldiği yerdir.
Üçüncü katman şemadır. Bu, LLM'ye bir bakıcı olarak nasıl davranacağını söyleyen talimatlar kümesidir. Hangi klasörler var? Kaynak özeti sayılan nedir? Alıntılar nasıl çalışmalı? Eski bir sayfayı güncellemek yerine ne zaman yeni bir kavram sayfası oluşturmalı? Çelişkiler nasıl kaydedilmeli? Bir sağlık kontrolü neyi arar?
Şema, bir sohbet robotunu bir operatöre dönüştüren şeydir.
O olmadan, doğaçlama yapan bir modeliniz olur. Onunla birlikte, ev stilini, dosyalama sistemini ve bakım ritüellerini bilen kıdemli bir araştırmacıya daha yakın bir şeye sahip olursunuz.
Obsidian, geri bağlantıları, grafik görünümleri ve hızlı navigasyonu ile zaten yerel bir markdown ortamı olduğu için bu iş akışına doğal olarak uyar. Karpathy'nin çerçevesi kullanışlıdır: Obsidian IDE'dir, LLM programcıdır ve wiki kod tabanıdır.
Bu metafor önemlidir. Kod tabanları dosya içerdikleri için değerli değildir. Dosyaların kurallara uyması, birbirine referans vermesi, yeniden düzenlenebilmesi, denetlenebilmesi ve sıfırdan başlamadan iyileştirilebilmesi nedeniyle değerlidir. Ciddi bir bilgi tabanı da aynı şekilde çalışmalıdır.
İnsan Katip Olmamalı
Eski kişisel bilgi yönetimi modeli, sessizce insanın her şeyi yapacağını varsayıyordu.
Kaynağı okursunuz. Vurgularsınız. Özetlersiniz. Klasörü seçersiniz. Etiketler eklersiniz. Bağlantılar oluşturursunuz. Daha eski bir notun artık güncellenmesi gerektiğini hatırlarsınız. İki kaynağın aynı fikirde olmadığını fark edersiniz. İndeksleri temiz tutarsınız. Sahipsiz bir notun silinmesi, birleştirilmesi veya bağlanması gerekip gerekmediğine karar verirsiniz.
Bu, tam olarak birinci haftada üretken hissettiren ve üçüncü ayda dayanılmaz hale gelen türden bir iştir.
Aynı zamanda LLM'lerin iyi olduğu türden bir iştir.
Tekrarlayan yapıdan yorulmazlar. Tek seferde on beş dosyayı güncellemeyi umursamazlar. Eski iddiaları, eksik geri bağlantıları, yinelenen kavramları, tutarsız adlandırmaları ve çözülmemiş çelişkileri tarayabilirler. Dağınık bir kaynağı beş kullanışlı esere dönüştürebilirler: bir özet, bir iddia listesi, bir varlık sayfası güncellemesi, bir kavram sayfası güncellemesi ve daha sonra araştırmaya değer bir soru.
İnsan muhakemeye daha yakın durmalı.
Hangi kaynaklar sisteme ait? Hangi iddialar gerçekten önemli? Sırada hangi soruyu sormaya değer? Hangi sentez doğru, kullanışlı, şaşırtıcı veya yanlış geliyor? Ne bir makaleye, nota, sunuma, karara, ürün fikrine veya araştırma yönüne dönüştürülmeli?
Zevkin önemli olduğu kısım burasıdır.
LLM, bilginin büro işini yapmalı. İnsan, anlamın editörlük işini yapmalı.
Pratikte Bu Nasıl Görünüyor
Bir pazar araştırdığınızı hayal edin. Birkaç analist raporu, rakip blog yazısı, müşteri görüşmesi, ürün sayfası ve satış görüşmesi transkripti ile başlıyorsunuz. Eski iş akışında bunlar bir belge yığını haline gelirdi. Belki bir sohbet robotuna bunlar hakkında sorular sorardınız. Belki bir elektronik tablo tutardınız. Belki sonunda yeni bilgiler geldiği anda bayatlayan bir not yazardınız.
LLM wiki iş akışında, her yeni kaynak yaşayan haritayı günceller.
Bir rakip duyurusu, rakibin sayfasını günceller. Bir müşteri görüşmesi, itirazlar, sorun noktaları, satın alma tetikleyicileri ve müşterilerin gerçekte kullandığı dil hakkındaki bir sayfayı günceller. Bir pazar raporu, fiyatlandırma, düzenleme, benimseme veya dağıtım etrafındaki kavram sayfalarını günceller. Yeni bir çelişki göz ardı edilmek yerine kaydedilir. Kullanışlı bir sorgu, gelecekteki sorguların üzerine inşa edebileceği kaydedilmiş bir brifing haline gelebilir.
Birkaç hafta sonra, sistem artık sadece bir belge deposu değildir. Bir araştırma ortamıdır.
Aynı düzen yazarlar için de işe yarar. Geçmiş denemelerinizi, notlarınızı, röportajlarınızı, kaydedilmiş makalelerinizi ve taslaklarınızı içeri alın. Wiki, yinelenen argümanlarınızı, örneklerinizi, iddialarınızı, referanslarınızı ve bitmemiş fikirlerinizi takip edebilir. Yazmak için oturduğunuzda, bir konu hakkında daha önce ne söylediğinizi, hangi örneklerin en güçlü olduğunu, düşüncenizin nerede değiştiğini ve henüz keşfetmediğiniz hangi açının olduğunu sorabilirsiniz.
Kendi kendine eğitim için işe yarar. Dersleri, okumaları, alıştırmaları ve bildirileri içeri alın. Wiki, kurs zorlaştıkça gelişen kavram sayfalarını sürdürebilir. Yedinci haftanın ikinci haftayı nasıl revize ettiğini açıklayabilir. Gözden geçirme sayfaları oluşturabilir, zayıf alanları belirleyebilir ve kafa karışıklığını bir çalışma planına dönüştürebilir.
Ekipler için işe yarar. Toplantı notlarını, Slack konularını, müşteri görüşmelerini, planlama belgelerini, strateji notlarını, destek biletlerini ve ölüm sonrası analizlerini besleyin. Wiki, proje sayfalarını, müşteri sayfalarını, ürün karar günlüklerini, rakip sayfalarını ve yinelenen risk temalarını sürdürebilir. Fayda sadece arama değildir. Fayda, organizasyonun bağlamı araçlar arasındaki çatlaklarda kaybetmeyi bırakmasıdır.
Her durumda, düzen aynıdır: kaynaklar toplanır, bilgi derlenir, sorular çıktılar üretir ve kullanışlı çıktılar sisteme geri dosyalanır.
Keşif birikir.
Sağlık Kontrolü Üründür
Karpathy'nin düzeninin en az değer verilen kısımlarından biri denetlemedir.
Normal bir not sistemi sessizce bozulur. Bağlantılar kırılır. Sayfalar çoğalır. Özetler bayatlar. İddialar birbiriyle çelişir. Önemli kaynaklar işlenmemiş kalır. Sisteme gerçek bir iş için ihtiyaç duyana ve ona artık güvenmeyene kadar bozulmayı fark etmezsiniz.
Bir LLM tarafından sürdürülen bir wiki kontrol edilebilir.
Sahipsiz sayfaları bulmasını isteyebilirsiniz. Yinelenen kavramları belirlemesini isteyebilirsiniz. Hangi iddiaların alıntıya ihtiyacı olduğunu sorabilirsiniz. Daha yeni kaynakların daha eskilerle nerede çeliştiğini sorabilirsiniz. Hangi sayfaların çok belirsiz, çok uzun, çok ince veya bariz çapraz referanslardan yoksun olduğunu sorabilirsiniz.
Bu kulağa küçük geliyor, ancak bir not yığını ile işleyen bir bilgi tabanı arasındaki farktır.
Sağlık kontrolü bir yan özellik değildir. Güveni canlı tutan mekanizmadır.
Güvenmediğiniz bir bilgi tabanı sadece başka bir arşivdir. Kendini inceleyebilen, zayıflıklarını açıklayabilen ve onarımlar önerebilen bir bilgi tabanı, altyapı gibi hissettirmeye başlar.
Markdown Neden Önemlidir
Markdown'un mütevazı seçimi göründüğünden daha önemlidir.
Markdown dosyaları taşınabilirdir. Normal bir klasörde yaşayabilirler. Obsidian'da açılabilir, herhangi bir metin düzenleyici tarafından düzenlenebilir, git ile sürümlenebilir, komut satırı araçlarıyla aranabilir, web sitelerine dönüştürülebilir, slaytlara dönüştürülebilir veya betiklerle işlenebilir.
Bu, sistemi bir kara kutu haline gelmekten korur.
Birçok AI ürünü, bilginizi özel bir arayüze çekmek ister. Bu kullanışlı olabilir, ancak aynı zamanda anlayışınızı başka birinin veritabanına, fiyatlandırmasına, yol haritasına ve dışa aktarma düğmesine bağımlı hale getirir.
Yerel bir markdown wiki, mümkün olan en iyi şekilde sıkıcıdır. İncelenebilirdir. Dayanıklıdır. Yedeklenebilir. Farkı alınabilir. Modelin neyi değiştirdiğini görebilirsiniz. Kötü düzenlemeleri geri alabilirsiniz. Etrafında küçük araçlar oluşturabilirsiniz.
Ciddi bilgi çalışmaları için sıkıcı altyapı kazanır.
Var Olmak İsteyen Ürün
Karpathy bunu bir dizi hack betik olarak tanımladı, ancak çok daha büyük bir ürün kategorisine işaret ediyor.
Bir sonraki büyük bilgi aracı muhtemelen yükleme düğmeli bir sohbet robotu gibi görünmeyecek. Daha çok AI yerel bir araştırma ortamı gibi görünecek: yerel öncelikli depolama, yapılandırılmış alım, alıntı bilincine sahip sentez, otomatik bakım, görsel çıktılar, sağlık kontrolleri, sürüm geçmişi ve tüm bilgi tabanı üzerinde çalışabilen aracı iş akışları.
Sadece soruları yanıtlamayacak. Daha iyi soruları mümkün kılan bağlamı sürdürecek.
Bu ayrım önemlidir. Bir sohbet robotu tepkiseldir. Sürdürülen bir bilgi tabanı kümülatiftir. Bir sohbet robotu size bir yanıt verir. Bir wiki, gelecekteki benliğinize daha iyi bir başlangıç noktası verir.
Bu aynı zamanda "ikinci beyin" ifadesinin nihayet daha az utanç verici hale gelebileceğinin nedenidir. Yıllar boyunca, genellikle hırslı bir dosya dolabı anlamına geliyordu: Gelecekteki sizin onları düzenleyeceği umuduyla bir şeyler koyduğunuz bir yer. Ancak gerçek bir ikinci beyin sadece anıları depolamamalıdır. Yapıyı korumalı, inançları güncellemeli, bağlantıları yüzeye çıkarmalı ve birikmiş düşünceyi yeniden kullanmayı kolaylaştırmalıdır.
Şimdiye kadar, bu çok fazla insan disiplini gerektiriyordu.
Artık bakım devredilebilir.
Gerçek İş Akışı
Pratik iş akışı neredeyse hayal kırıklığı yaratacak kadar basittir.
Ham kaynakları toplayın. LLM'nin bunları yapılandırılmış bir markdown wiki'sinde derlemesine izin verin. Sonucu göz atmak için Obsidian veya başka bir markdown arayüzü kullanın. Wiki'ye karşı sorular sorun. Önemli yanıtları wiki'ye geri kaydedin. Periyodik sağlık kontrolleri yapın. Tekrarlayın.
Önemli olan volan etkisidir.
Her kaynak wiki'yi daha iyi hale getirir. Her iyi soru bir eser yaratır. Her eser gelecekteki bağlam haline gelir. Her sağlık kontrolü güvenilirliği artırır. Zamanla, sistem gerçekte neyi çalıştığınızı, yazdığınızı, inşa ettiğinizi ve karar verdiğinizi yansıtan bir şekil geliştirir.
Bu, bir AI'dan bir PDF özetlemesini istemekten çok farklıdır.
Ana işi nihai cevaplar üretmek değil, entelektüel çalışma alanınızı tutarlı tutmak olan bir araştırma asistanına sahip olmaya daha yakındır.
Bu, mevcut LLM'lerin en yüksek kaldıraçlı kullanımlarından biri olabilir. Düşüncenizin yerini almak değil. Her şeyi biliyormuş gibi yapmak değil. Sonsuz tek kullanımlık metin üretmek değil. Sadece ciddi düşüncenin birikmesini sağlayan bakım işini yapmak.
Çıkarılacak Ders
Eski ikinci beyin, disiplin sorunu olan bir depolama sistemiydi. Size her şeyi koyabileceğiniz bir yer verdi, ancak yine de onu organize etmesi, bağlaması, güncellemesi ve temizlemesi için gelecekteki size bağlıydı. Bu yüzden birçok not alma sistemi güzel haritalar olarak başlar ve sessiz arşivler olarak biter.
LLM wiki modeli tersine çeviriyor. Ham kaynaklar kanıt katmanı olarak kalıyor. Markdown wiki derlenmiş katman haline geliyor. Şema, AI'ya onu nasıl sürdüreceğine dair kurallar veriyor. Sağlık kontrolleri sistemi güvenilir tutuyor. Obsidian veya başka bir markdown arayüzü, işi incelediğiniz, sorguladığınız ve yeniden kullandığınız yer haline geliyor.
RAG, bir belge yığınından bir soruyu yanıtlamanıza yardımcı olabilir. Bir LLM tarafından sürdürülen bir wiki, gelecekteki her soru için başlangıç noktasını değiştirir.
Temel fikir budur. Değer sadece daha hızlı özetler, daha temiz notlar veya daha güzel grafikler değildir. Değer, birikmiş bağlamdır. Her kaynak, her sorgu, her çelişki ve her kullanışlı çıktı, başka bir sohbet dizisinde kaybolmak yerine sistemi güçlendirebilir.
İnsan rolü daha dar ve daha değerli hale gelir: daha iyi girdiler seçmek, daha keskin sorular sormak, zayıf senteze meydan okumak ve neyin önemli olduğuna karar vermek. AI rolü tekrarlayıcı ve yapısal hale gelir: özetlemek, bağlamak, revize etmek, alıntılamak, denetlemek ve sürdürmek.
Bilgi çalışması böyle birikmeye başlar.
İkinci beyninizin daha fazla klasöre ihtiyacı yok.
Onu sürdürecek birine ihtiyacı var.
Ve ilk kez, o kişi siz olmak zorunda değil.
Bu makaleyi beğendiyseniz daha fazla yapay zeka ve obsidian tavsiyesi için beni takip edin: @Degen_calls_sol
