Geleneksel sistemlerden farklı olarak AI Ajansları
Geleneksel sistemlerin belirli yollardan gitmesi beklenirken, AI ajansları otonom sistemlerdir. Bu sistemler, büyük dil modelleri (LLM’ler) kullanarak karar verir, değişen gereksinimlere uyum sağlar ve karmaşık akıl yürütme yapar.
Kendi Rapor Üretim Ajanınızı Oluşturma Atölyesine Hoş Geldiniz
Bu rehberde, rapor üretim ajanı oluşturmak için kendi hızınıza göre ilerleyebileceğiniz atölye çalışması ile şunları elde edeceksiniz:
- NVIDIA Nemotron: Açık veri ve ağırlıklara sahip bir model ailesi de dahil olmak üzere, herhangi bir AI ajansı için dört temel düşünceyi anlayacaksınız.
- Doküman üretim ajanı: Araştırma yapabilen ve rapor yazabilen işlevsel bir ajan geliştireceksiniz.
- LangGraph ve OpenRouter kullanarak ajan oluşturma bilgisi: Ajan inşasıyla ilgili bilgiler öğrenilecektir.
- Taşınabilir geliştirme ortamı: Kendi başınıza çalışabileceğiniz bir ortam sunulacaktır.
- Kişiselleştirilmiş ajanın: Kendinize ait bir ajan oluşturarak NVIDIA Launchable olarak paylaşabileceğiniz bir model elde edeceksiniz.
Atölye Çalışmasının Yayınlanması
Atölyeyi NVIDIA Brev Launchable aracılığıyla başlatın:
Projeye Özel Gizli Bilgileri Ayarlama
Bu atölyeye devam edebilmek için bazı proje gizli bilgilerini toplamanız ve yapılandırmanız gerekecek.
- OpenRouter API anahtarı: Bu, NVIDIA Nemotron Nano 9B V2 modeline OpenRouter üzerinden erişimi sağlar.
- Tavily API anahtarı: Bu, gerçek zamanlı web arama için Tavily web arama API’sine erişimi sağlar.
JupyterLab ortamınız çalışır durumdayken, atölye geliştirme ortamınız için bu gizli bilgileri yapılandırmak üzere JupyterLab Başlatıcısındaki Gizli Bilgi Yöneticisi seçeneğini kullanabilirsiniz. Gizli bilgilerin başarıyla eklendiğini kayıtlar sekmesinde doğrulayın.
Sonrasında, JupyterLab Başlatıcısındaki NVIDIA DevX Öğrenim Yolu bölümünü bulun. Laboratuvar talimatlarını açmak ve işe başlamak için 1. Ajanslara Giriş sekmesine tıklayın.
Ajans Mimarisi Tanıtımı
Atölye ortamınız kurulduğunda, ilk bölüm geliştiricileri ajanslarla tanıştırır. Uygulamanın yalnızca temel LLM uygulamalarından nasıl farklılaştığını anlamak önemlidir.
Geleneksel LLM tabanlı uygulamalardan farklı olarak, ajanslar dinamik olarak araç seçebilir, karmaşık akıl yürütme yapabilir ve duruma göre analiz yöntemlerini uyarlayabilir. Geliştiriciler, tüm ajanslar için temel olan dört kritik unsur hakkında bilgi edinecekler:
- Model: Araçları kullanma ve yanıt verme kararını veren bir LLM.
- Araçlar: LLM’nin matematiksel hesaplamalar, veritabanı sorgulamaları veya API çağrıları gibi çeşitli işlemler yapmasına olanak tanıyan işlemler.
- Hafıza ve durum: LLM’nin konuşmalar sırasında ve sonrasında erişebileceği bilgiler.
- Yönlendirme: Güncel duruma ve LLM kararlarına bağlı olarak ajansın ne yapması gerektiğini belirleyen mantık.
Bu bileşenleri bir araya getirerek code/intro_to_agents.ipynb dosyasında ilk temel hesap makinesi donanımlı ajanın nasıl inşa edileceğini öğreneceksiniz. Bu uygulama sonunda, aşağıdaki işlemleri gerçekleştiren bir ajana sahip olacaksınız:
[{'content': '3 ile 12'nin toplamı nedir?', 'role': 'user'},
{'content': None,
'role': 'assistant',
'tool_calls': [{'function': {'arguments': '{"a": 3, "b": 12}', 'name': 'add'},
'id': 'chatcmpl-tool-b852128b6bdf4ee29121b88490174799',
'type': 'function'}]},
{'content': '15',
'name': 'add',
'role': 'tool',
'tool_call_id': 'chatcmpl-tool-b852128b6bdf4ee29121b88490174799'},
{'content': 'Cevap 15'tir.', 'role': 'assistant'}]
Rapor Üretim Bileşenleri
Atölyenin geri kalan kısmı, LangGraph ve NVIDIA NIM’i OpenRouter endpoint’i olarak kullanarak çok katmanlı bir ajans sistemi inşa etmeye odaklanmaktadır. Yapı, doküman oluşturma sürecinin her aşamasını yöneten dört birbirine bağlı ajans bileşeninden oluşmaktadır:
- Başlangıç araştırması: Konu hakkında kapsamlı bilgi toplayın.
- İlk taslak planlama: Araştırmaya dayalı yapılandırılmış bir belge taslağı oluşturun.
- Bölüm yazımı: Her bölüm için ayrıntılı içerikler üretin ve gerekirse ek araştırmalar yapın.
- Son derleme: Tüm bölümleri profesyonel bir rapor halinde bir araya getirin.
Kodu Öğrenin ve Uygulayın
Artık kavramları anladığımıza göre, teknik uygulamanın derinlerine dalalım. Öncelikle daha önce belirtilen temelleri seçerek ajanın tamamına ulaştığımızda:
- Bir model seçin
- Araçları belirleyin
- Bir araştırmacı oluşturun
- Bir yazar oluşturun
- Son ajanı inşa edin
- Ajanı yönetin ve yönlendirin
Temeller: Model
Atölye, ajanın temel gücünü sağlayan NVIDIA NIM endpoint’lerini kullanmaktadır. NVIDIA NIM, şu yüksek performanslı çıkarım yeteneklerini sunmaktadır:
- Araç bağlama: Fonksiyon çağrıları için yerel destek.
- Yapılandırılmış çıktı: Pydantic modelleri için yerleşik destek.
- Asenkron işlemler: Eş zamanlı işleme için tam asenkron/await desteği.
- Kurumsal dayanıklılık: Üretim ölçeğinde çıkarım altyapısı.
Aşağıda, OpenRouter endpoint’inde barındırılan NVIDIA NIM’i kullanan ChatNVIDIA Bağlayıcısı örneği yer almaktadır.
from langchain_nvidia_ai_endpoints import ChatNVIDIA
llm = ChatNVIDIA(
base_url="https://openrouter.ai/api/v1",
model="nvidia/nemotron-nano-9b-v2:free",
api_key=os.getenv("OPENROUTER_API_KEY")
)
llm_with_tools = llm.bind_tools([tools.search_tavily])
Açık talimatların net olması, her LLM tabanlı uygulamada önemlidir, ancak ajanslarda belirsizliği ortadan kaldırma ve karar süreçlerini açıkladıkları için daha da büyük bir öneme sahiptir. code/docgen_agent/prompts.py içerisindeki örnek aşağıda sunulmuştur:
research_prompt: Final[str] = """
Amacınız, teknik rapor bölümünü yazmak için kapsamlı bilgi toplayacak hedef odaklı web arama sorguları oluşturmaktır.
Bu bölüm için tema:
{topic}
{number_of_queries} arama sorgusu üretirken, bunların:
1. Konunun farklı yönlerini kapsadığından emin olun (örneğin, temel özellikler, gerçek dünya uygulamaları, teknik mimari)
2. Konuya özgü teknik terimler içermesidir
3. Geçerli yıl işaretlerini içermelidir (örneğin, "2024") gibi güncel bilgi aramak.
4. Benzer teknolojilerden/ yaklaşımlardan karşılaştırmalar veya ayırt edici özellikleri aramak
5. Hem resmi dökümantasyonu hem de pratik uygulama örneklerini aramak
Arama sorgularınız, aşağıdaki olmalıdır:
- Genel sonuçlara neden olmayacak kadar spesifik
- Ayrıntılı uygulama bilgisi elde edebilecek kadar teknik
- Bölüm planının tüm yönlerini kapsayacak kadar çeşitli
- Yetkili kaynaklara (dökümantasyon, teknik bloglar, akademik makaleler) odaklı olmalıdır
"""
Bu talep, güvenilir LLM yönlendirmesi için birkaç önemli ilkeyi ortaya koymaktadır:
- Rol tanımı: Ajanın uzmanlık alanı ve sorumlulukları net bir şekilde belirtilmiştir.
- Görev parçalama: Karmaşık gereksinimlerin spesifik, uygulanabilir adımlara bölünmesi.
- Özgüllük: Zamansal özgüllük ve yetkili kaynaklar örnekleri verilmiştir.
- Yapısal giriş/çıkışlar: Cevap yapısı ve beklenen giriş yapısı için net talimatlar verilmiştir.
Temeller: Araçlar
Ajanın yetenekleri, onun araçları ile tanımlanmaktadır. Atölye, AI ajansları için özel olarak tasarlanmış bir arama API’si olan Tavily’i bilgi toplama için ana araç olarak kullanmaktadır.
# imports and constants omitted
@tool(parse_docstring=True)
async def search_tavily(
queries: list[str],
topic: Literal["general", "news", "finance"] = "news",
) -> str:
"""Tavily API'sini kullanarak webde arama yapar.
Argümanlar:
queries: Aranacak sorguların listesi.
topic: Verilen sorguların konusu.
general - Genel arama.
news - Haber araması.
finance - Finans araması.
Dönüş:
Arama sonuçlarından oluşan bir dize.
"""
search_jobs = []
for query in queries:
search_jobs.append(
asyncio.create_task(
tavily_client.search(
query,
max_results=MAX_RESULTS,
include_raw_content=INCLUDE_RAW_CONTENT,
topic=topic,
days=days, # type: ignore[arg-type]
)
)
)
search_docs = await asyncio.gather(*search_jobs)
return _deduplicate_and_format_sources(
search_docs,
max_tokens_per_source=MAX_TOKENS_PER_SOURCE,
include_raw_content=INCLUDE_RAW_CONTENT,
)
Araç modülü uygulamasındaki temel mimari kararları şunlardır:
- Asenkron operasyon: Eş zamanlı aramalar için `asyncio.gather()` kullanılması.
- Yinelenmeleri önleme: Birden fazla aramadan kaynaklanan çoklu sonuçları önleyen yardımcı bir işlev.
- Yapısal dökümantasyon: Google stilinde dokümantasyon, LLM’nin araç kullanımı hakkında netlik sağlamak için önemlidir.
Artık kodun temellerini belirlediğimize göre, gerçek, işleyen bir ajana dönüştürelim. Henüz durum yönetimi ve yönlendirme konularını ele almadık, ancak bileşenlerimizi oluşturduğumuzda daha sonra bunları tekrar gözden geçireceğiz.
Araştırmacıyı Uygulama
Ajanın araştırmacı bileşeni, araç kullanan ajanslar için en etkili mimarilerden biri olan ReAct akışını uygular. Bu akış, ajanın ne yapacağı konusunda düşünmesini, bir eylem gerçekleştirmesini ve sonuçlar doğrultusunda bir sonraki adımı belirlemesini sağlar. Bu işlem, ajanın bir görevi tamamlamak için daha fazla eylem gerektiğine karar verene kadar devam eder.
Aşağıdaki kod, ajanın Araştırmacı bileşenini code/docgen_agent/researcher.py içerisinde yürütmektedir ve code/researcher_client.ipynb ile test edilebilir.
state = ResearcherState(
topic="Farklı endüstrilerde AI ajanslarının örnekleri.",
number_of_queries=3,
)
state = await graph.ainvoke(state)
for message in state["messages"]:
print("ROL: ", getattr(message, "role", "tool_call"))
print(message.content[:500] or message.additional_kwargs)
print("")
Her çalışmanın gerçekleştiği aşamaları da görebilirsiniz.
INFO:docgen_agent.researcher:Modeli çağırıyor.
INFO:docgen_agent.researcher:Araç çağrılarını gerçekleştiriyor.
INFO:docgen_agent.researcher:Araç çağrısı yapılıyor: search_tavily
INFO:docgen_agent.tools:Tavily API'sini kullanarak webde arama yapılıyor.
INFO:docgen_agent.tools:Aranacak sorgu: 2024 sağlık sektöründe AI ajanslarının teknik yapısı.
INFO:docgen_agent.tools:Aranacak sorgu: AI ajanslarının finans sektöründeki makine öğrenimi çerçevelerinin karşılaştırılması.
INFO:docgen_agent.tools:Aranacak sorgu: 2024 müşteri hizmetleri için doğal dil işleme uygulamalarının gerçek dünya örnekleri.
INFO:httpx:HTTP İsteği: POST https://api.tavily.com/search "HTTP/1.1 200 OK"
INFO:httpx:HTTP İsteği: POST https://api.tavily.com/search "HTTP/1.1 200 OK"
INFO:httpx:HTTP İsteği: POST https://api.tavily.com/search "HTTP/1.1 200 OK"
INFO:docgen_agent.researcher:Modeli çağırıyor.
Ayrıca, araştırmacının uygulama sırasında gerçekleştirdiği son işlemi inceleyebilirsiniz.
ROL: assistant
{'tool_calls': [{'id': 'chatcmpl-tool-b7185ba8eb3a44259b0bdf930495ece5', 'type': 'function', 'function': {'name': 'search_tavily', 'arguments': '{"queries": ["2024 sağlık sektöründe AI ajanslarının teknik yapısı", "AI ajanslarının finans sektöründeki makine öğrenimi çerçevelerinin karşılaştırılması", "2024 müşteri hizmetleri için doğal dil işleme uygulamalarının gerçek dünya örnekleri"], "topic": "general"}'}}]}
ROL: tool_call
"KAYNAKLAR:nnAI Ajansları Modern Sağlık Alanında: Temelden Mükemmeliyete:n===nURL: https://www.preprints.org/manuscript/202503.1352/v1n===nKaynak: T. Guo ve diğerleri, "Büyük dil modeli tabanlı çoklu ajanslar: İlerlemeler ve zorluklar," arXiv ön baskı arXiv:2402.01680, 2024. J. Ruan ve diğerleri, "TPTU: Görev Planlama ve Araç Kullanımı için Büyük Dil Modeli Tabanlı AI Ajansları. | **Partner Ajan** | * Gerçek sağlık ekip ortakları * Klinik hipotezler üretir"
ROL: assistant
"Arama sonuçlarına dayanarak, farklı endüstrilerde AI ajansları hakkında teknik bir rapor bölümü oluşturmak için kullanılabilecek bazı potansiyel arama sorgularını aşağıda görebilirsiniz:"
1. "2024 sağlık sektöründe AI ajanslarının teknik yapısı"
2. "AI ajanslarının finans sektöründeki makine öğrenimi çerçevelerinin karşılaştırılması"
3. "2024 müşteri hizmetleri için doğal dil işleme uygulamalarının gerçek dünya örnekleri"
Yazarın Uygulanması
Basit ReAct ajansları çok güçlü olabilmesine rağmen, genellikle daha karmaşık iş akışları yapmak için ek aşamalarla birleştirilir. Bölüm yazarı, yalnızca gerektiğinde ek bölümle ilgili araştırma yapmalıdır. Gerekli araştırmalar tamamlandığında, bu bilgileri kullanarak bölüm yazmalıdır.
Değiştirilmiş mimari diyagramında, ReAct tarzı ajana ek bir geçiş işlevi eklenmiştir. Bu geçiş, ek araştırma gerekip gerekmediğini belirler ve sonunda bir yazma adımını içerir.
Bu yazar bileşeninin kodu code/docgen_agent/author.py içerisinde bulunmakta olup code/author_client.ipynb ile test edilebilir.
state = SectionWriterState(
index=1,
topic="Farklı endüstrilerde AI ajanslarının örnekleri.",
section=Section(
name="Gerçek Dünya Uygulamaları",
description="Farklı endüstrilerde AI ajanslarının örnekleri",
research=True,
content=""
),
)
state = await graph.ainvoke(state)
Markdown(state["section"].content)
Yazarın yürütme sırasında gerçekleştirdiği her eylemi de görebilirsiniz.
INFO:docgen_agent.author:İlgili bölüm için araştırma yapıyor: Gerçek Dünya Uygulamaları
INFO:docgen_agent.author:İlgili bölüm için araç çağrılarını gerçekleştiriyor: Gerçek Dünya Uygulamaları
INFO:docgen_agent.author:Araç çağrısı yapılıyor: search_tavily
INFO:docgen_agent.tools:Tavily API'sini kullanarak webde arama yapılıyor
INFO:docgen_agent.tools:Aranacak sorgu: Sağlık sektöründe AI ajansları 2024
INFO:docgen_agent.tools:Aranacak sorgu: Finans sektöründe AI ajanslarının uygulanması 2023
...
INFO:httpx:HTTP İsteği: POST https://api.tavily.com/search "HTTP/1.1 200 OK"
INFO:docgen_agent.author:Gerçek Dünya Uygulamaları bölümü için araştırma yapıyor.
INFO:docgen_agent.author:Gerçek Dünya Uygulamaları bölümü için yazım yapıyor.
Ayrıca yazılı bölüm içeriğinin markdown formatındaki nihai çıktısını da görebilirsiniz.
## Gerçek Dünya Uygulamaları
AI ajanslarının çeşitli endüstrilerde birçok uygulaması bulunmaktadır...
### Sağlık
AI ajansları sağlık alanında hasta bakımını ve tıbbi inovasyonu şekillendirmektedir. İdari görevleri otomatikleştirmek, tanı süreçlerini geliştirmek ve iş akışını iyileştirmek amacıyla kullanılmaktadır. Örneğin...
### Finans
AI ajansları finans sektöründe yenilik, başarı ve uyum sağlamaktadır. Veri girişi, işlem süreçlerinin otomasyonu ve uyum kontrolü gibi görevleri yerine getirmek için kullanılmaktadır. Ayrıca dolandırıcılık tespiti, müşteri hizmetlerinde iyileştirme ve kişiselleştirilmiş yatırım tavsiyesi gibi işlevleri de bulunmaktadır. Örneğin...
Son Ajanın Uygulanması
Bu iki bileşeni kullanarak, artık belgeleri oluşturan ajanın çalışma akışını bir araya getirebiliriz. Bu mimari, en basit olanıdır ve konuyu araştırarak, bölümleri yazarak ve raporu tamamlayarak lineer bir iş akışını takip etmektedir.
Bu araştırmacı bileşeninin kodu code/docgen_agent/agent.py içerisinde bulunmakta olup code/agent_client.ipynb ile test edilebilir.
state = AgentState(
topic="2025'te AI Ajansları ile ilgili son gelişmeler.",
report_structure="Bu makale şunları içermelidir..."
)
state = await graph.ainvoke(state)
Markdown(state["report"])
Her çalışma anında yazarın gerçekleştirdiği her eylemi de görebilirsiniz.
INFO:docgen_agent.agent:Başlangıç konusunu araştırıyor.
INFO:docgen_agent.researcher:Modeli çağırıyor.
INFO:docgen_agent.researcher:Araç çağrılarını gerçekleştiriyor.
INFO:docgen_agent.researcher:Araç çağrısı yapılıyor: search_tavily
INFO:docgen_agent.tools:Tavily API'sini kullanarak webde arama yapılıyor.
INFO:docgen_agent.tools:Aranacak sorgu: AI Ajansları 2025 temel özellikleri.
INFO:docgen_agent.tools:Aranacak sorgu: 2025'te AI Ajanslarının gerçek dünya uygulamaları.
...
INFO:httpx:HTTP İsteği: POST https://api.tavily.com/search "HTTP/1.1 200 OK"
INFO:docgen_agent.researcher:Modeli çağırıyor.
INFO:docgen_agent.agent:Raportlama planlayıcısını çağırıyor.
INFO:docgen_agent.agent:Bölüm yazım sürecini koordine ediyor.
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: Giriş
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: Otonom Karar Verme
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: Fiziksel Dünya ile Entegrasyon
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: Ajanik AI Eğilimleri
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: AI Ajansları Müşteri Destek Sistemlerinde
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: AI Ajansları Sağlık Alanında
INFO:docgen_agent.agent:Bölüm yazarı agentı oluşturuluyor: Sonuç
INFO:docgen_agent.agent:LLM çağrılarını kısıtlıyor.
INFO:docgen_agent.author:Bölü yazıyor: Giriş
INFO:docgen_agent.author:Otonom Karar Verme bölümünü araştırıyor.
...
Sonuçta, nihai rapor markdown formatında üretilecektir. Bu ajanın ürettiği örnek araştırma raporuna göz atmak isterseniz, örnek markdown çıktısı bağlantısını takip edebilirsiniz.
Temeller: Durum Yönetimi ve Yönlendirme
Ajan bileşenlerini inşa ettikten sonra, LangGraph‘ın gelişmiş durum yönetimi ve akış kontrolü için nasıl kullanılacağını gözden geçirelim. Bütün bileşenleri, tek bir ajansik AI sistemi haline getirelim. LangGraph’ın bazı önemli avantajları bulunmaktadır:
- Koşullu yönlendirme: Dinamik akış kontrolü, ajansların bir sonraki eylemlerini akıllı şekilde belirleyebilmesini sağlar.
- Grafik derleme ve yürütme: Derlenmiş grafikler, asenkron olarak çağrılabilir ve eşzamanlı işleme ile karmaşık yönlendirme desenlerine olanak tanır, bu da çok ajanslı sistemler için çok önemlidir.
Aşağıda, code/docgen_agent/agent.py dosyasından bir örnek bulabilirsiniz. Bu örnekte, daha önce oluşturduğumuz bileşenlerin hangi düğümlere karşılık geldiğini ve ara çıktıların bir düğümden diğerine yönlendirildiği kenarları görebilirsiniz.
main_workflow = StateGraph(AgentState)
main_workflow.add_node("topic_research", topic_research)
main_workflow.add_node("report_planner", report_planner)
main_workflow.add_node("section_author_orchestrator", section_author_orchestrator)
main_workflow.add_node("report_author", report_author)
main_workflow.add_edge(START, "topic_research")
main_workflow.add_edge("topic_research", "report_planner")
main_workflow.add_edge("report_planner", "section_author_orchestrator")
main_workflow.add_edge("section_author_orchestrator", "report_author")
main_workflow.add_edge("report_author", END)
Tebrikler! Bu geliştirici atölyesi boyunca kendi LangGraph ajanınınızı oluşturdunuz. Yeni ajanınizi code/agent_client.ipynb defteri ile test edebilirsiniz.
Özet
AI ajansları inşa etmek, hem teorik altyapıyı hem de pratik uygulama zorluklarını anlamayı gerektirir. Bu atölye, temel kavramlardan karmaşık ajansik sistemlere kadar kapsamlı bir yol sunarak, üretim düzeyinde araçlar ve tekniklerle pratik bir öğrenim sağlamaktadır.
Bu atölye çalışmasını tamamlayarak şu konularda pratik deneyimler kazanacaksınız:
- Temel ajans kavramları: İş akışları ile akıllı ajanslar arasındaki farkı anlayacaksınız.
- Durum yönetimi: Karmaşık durum geçişlerini ve sürekliliğini uygulama becerisi kazanacaksınız.
- Araç entegrasyonu: Harici araç yeteneklerini oluşturma ve yönetme deneyimi edineceksiniz.
- Modern AI yığını: LangGraph, NVIDIA NIM ve ilişkili araçlarla çalışma tecrübesi edineceksiniz.
Öğrenmeye Devam Edin
Pratik öğrenim, ipuçları ve püf noktaları için, 16 Eylül Salı günü saat 11:00 PT’de düzenlenecek NVIDIA Nemotron ile OpenRouter üzerinde AI Ajanı Oluşturma etkinliğimize katılabilirsiniz.
- NVIDIA Nemotron ile OpenRouter ve Hugging Face üzerinde deneyimlerinizi artırabilirsiniz. Atölyeye GitHub üzerinde erişebilirsiniz.
- Soru sormak için Nemotron geliştirici forumuna veya Discord üzerinden Nemotron kanalına başvurabilirsiniz.
AI ajansları, Nemotron ve daha fazlası hakkında güncel kalmak için NVIDIA haberlerine abone olmayı, topluluğa katılmayı ve LinkedIn, Instagram, X ve Facebook üzerinden NVIDIA AI’yi takip etmeyi unutmayın. Kendinize ait hızınıza göre video eğitimleri ve canlı yayınları buradan keşfedebilirsiniz.
