Technical Tutorials

Kişisel Bilgi Yönetimi (PKM) alanında hızla gelişen bir ortamda, statik veritabanları artık yeterli değil. Geliştiriciler ve bilgi çalışanları olarak, yalnızca anahtar kelimeleri değil, bağlamı anlayan sistemlere ihtiyacımız var. Bu makale, Notion'un sağlam arayüzü ile vektör veritabanlarının gücü arasındaki boşluğu, yerel gömme işlemlerini yapay zeka ile oluşturulan özetlerle birleştirerek nasıl kapatılabileceğini inceliyor. Sonuç? Dağınık notlarınızı anlamlı, aranabilir bir zeka ağına dönüştüren anlamsal bir bilgi grafiği.

Mimari: Neden Yerel Gömme İşlemleri?

Bulut tabanlı Büyük Dil Modelleri (LLM'ler) etkileyici özetleme yetenekleri sunarken, gecikme süresi, gizlilik endişeleri ve tekrarlayan maliyetler de beraberinde getirir. Gerçek bir "yerel öncelikli" PKM için, sentence-transformers gibi Python kütüphaneleri aracılığıyla yerel olarak çalışan all-MiniLM-L6-v2 gibi hafif gömme modellerinden yararlanıyoruz. Bu yaklaşım, hassas verileri harici API'lere göndermeden Notion sayfa içeriğinizin vektör temsillerini oluşturmanıza olanak tanır.

Temel iş akışı üç adımdan oluşur:

Çıkarma: API aracılığıyla Notion'dan sayfa içeriğini alın.
Gömme (Embedding): Metni yerel olarak yüksek boyutlu vektörlere dönüştürün.
Özetleme: Grafiğin düğümleri için kısa özetler oluşturmak üzere bir LLM kullanın.

Adım 1: Gömme İşlemi Hattını Kurma

Başlamak için, gömme modelini başlatan bir Python betiğine ihtiyacımız var. Bu model, metninizi, anlamsal olarak benzer kavramların matematiksel olarak birbirine yakın olduğu 384 boyutlu bir vektör alanına dönüştürecektir.

from sentence_transformers import SentenceTransformer

# Hafif ve verimli bir model yükleyin
model = SentenceTransformer('all-MiniLM-L6-v2')

def get_embedding(text: str) -> list:
    """
    Verilen metin için bir gömme vektörü oluşturur.
    """
    embedding = model.encode(text)
    return embedding.tolist()

# Örnek kullanım
page_content = "React useEffect kancalarının nüanslarını anlamak, bağımlılık dizilerini ustalıkla kullanmayı gerektirir."
vector = get_embedding(page_content)
print(f"Vektör boyutu: {len(vector)}")

Adım 2: Yerel LLM'ler ile AI Özetleri Oluşturma

Ham vektörler arama için güçlüdür ancak insan tarafından okunabilir bağlamdan yoksundur. Bir AI özeti entegre ederek "anlamsal çapalar" oluşturabiliriz. Yerel çalıştırma için llama-cpp-python gibi araçlar, Llama 3 veya Mistral gibi modelleri donanımınızda çalıştırmanıza olanak tanır.

import requests

def summarize_with_llm(text: str, model_endpoint: str = "http://localhost:8080/v1/completions") -> str:
    """
    Metni özetleme için yerel bir LLM uç noktasına gönderir.
    """
    payload = {
        "prompt": f"Aşağıdaki teknik notu 20 kelimeyle özetleyin: {text}",
        "max_tokens": 50,
        "temperature": 0.7
    }
    response = requests.post(model_endpoint, json=payload)
    return response.json().get('choices', [{}])[0].get('text', '')

Adım 3: Bilgi Grafiğini Görselleştirme

Gömme işlemleri ve özetlere sahip olduktan sonra, grafik oluşturma için networkx gibi kütüphaneler kullanabilir veya gömme blokları kullan doğrudan Notion'da görselleştirebilirsiniz. Burada kilit metrik kosinüs benzerliğidir. İki sayfa yüksek bir benzerlik puanına sahipse, büyük olasılıkla ilişkili konulardır.

import numpy as np

def cosine_similarity(vec1: list, vec2: list) -> float:
    """
    İki vektör arasındaki kosinüs benzerliğini hesaplar.
    """
    v1 = np.array(vec1)
    v2 = np.array(vec2)
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

# İki notu karşılaştırma
note_1_vec = get_embedding("React Hooks")
note_2_vec = get_embedding("Vue Composition API")
note_3_vec = get_embedding("Python Pandas DataFrames")

print(f"React ile Vue Benzerliği: {cosine_similarity(note_1_vec, note_2_vec)}")
print(f"React ile Pandas Benzerliği: {cosine_similarity(note_1_vec, note_3_vec)}")

Sonuç: Kişisel Verilerin Geleceği

Yerel gömme işlemlerini AI özetleriyle birleştirerek, Notion'u pasif bir depolama çözümünden aktif bir bilgi ortağına dönüştürürsünüz. Bu kurulum gizliliğinize saygı duyar, bulut bağımlılığını azaltır ve gerçek bir kişisel bilgi grafiği oluşturmak için ölçeklenebilir bir temel sağlar. Daha fazla veri biriktirdikçe, grafik daha zeki hale gelir ve yalnızca manuel etiketleme ile asla bulamayacağınız bağlantıları ortaya çıkarır. Küçük başlayın, gömme işlemleri hattınızda iterasyon yapın ve dijital zihninizin genişlediğini izleyin.