Gemini Deep Research

Temsilci tabanlı bir sistem

Deep Research'ü geliştirmek için, Gemini uygulamasının karmaşık problemleri çözmesini sağlayan yeni bir planlama sistemi tasarladık. Deep Research için Gemini modellerini aşağıdaki işlevleri yerine getirecek şekilde eğittik:

• Sorunu bileşenlerine ayırma: Sistem karmaşık bir kullanıcı sorgusu ile karşılaşıldığında öncelikle sorunu yönetilebilir küçük alt görevlere bölerek ayrıntılı bir araştırma planı oluşturur. Planın kontrolü sizdedir: Gemini'ın size sunduğu planı düzenleyerek doğru alanlara odaklanmasını sağlayabilirsiniz.

• Araştırma: Model, bu planın yürütülmesini denetler ve hangi alt görevlerin aynı anda, hangilerinin sırayla yerine getirilmesi gerektiğini belirler. Model, arama ve web'e göz atma gibi araçları kullanarak bilgi toplayabilir ve bunlar üzerinde akıl yürütebilir. Her adımda mevcut bilgiler üzerinde akıl yürüterek bir sonraki hamlesine karar verir. Kullanıcılar, modelin o ana kadar öğrendiklerini ve bir sonraki adımda yapmayı planladığını düşünce panelinden takip edebilirler.

• Sentez: Model, yeterli bilginin toplandığına kanaat getirdikten sonra bulguları kapsamlı bir raporda sentezler. Gemini, raporu hazırlarken bilgileri eleştirel bir şekilde değerlendirir, önemli temaları ve tutarsızlıkları belirler, raporu mantıklı ve bilgilendirici bir şekilde yapılandırır. Hatta raporu daha anlaşılır ve ayrıntılı hale getirmek için birden fazla kez eleştirel bir yaklaşımla test eder.

Yeni kategori, yeni sorunlar, yeni çözümler

Deep Research'ü geliştirirken karşımıza üç önemli teknik sorun çıktı:

Çok adımlı planlama

Araştırma görevleri, birden fazla adımdan oluşan tekrara dayalı bir planlama süreci gerektirir. Her adımda, modelin o ana kadar toplanan tüm bilgileri temel alması, ardından incelemek istediği eksik bilgileri ve tutarsızlıkları belirlemesi gerekir. Tüm bunları yaparken kapsamlı bir sonuç sağlama ile işlem ve kullanıcı bekleme süresi arasındaki dengeyi gözetir. Modeli çok adımlı uzun planlama süreçlerinde verileri etkin olarak kullanacak şekilde eğitmek, Deep Research'ü tüm konularda geniş bir veritabanından yararlanabilir hale getirmemizi sağladı.

Uzun vadeli çıkarım

Tipik bir Deep Research görevi, birkaç dakikada birçok model çağrısını içerir. Bu da temsilci geliştirmeyi zorlaştıran bir durumdur: Temsilcinin, model çağrılarından birinde hata olması durumunda göreve baştan başlamak zorunda kalmayacak şekilde geliştirilmesi gerekir.

Bu sorunu çözmek için, planlayıcı ve görev modelleri arasında ortak durumu koruyarak tüm görevin baştan başlatılmasına gerek kalmadan hatanın kontrollü bir şekilde giderilmesini sağlayan yeni bir eşzamansız görev yöneticisi geliştirdik. Bu sistem gerçekten eşzamansızdır: Deep Research projesine başladıktan sonra farklı bir uygulamaya geçebilir ya da bilgisayarınızı kapatabilirsiniz. Gemini'ı tekrar ziyaret ettiğinizde, araştırmanız tamamlandığı zaman bildirim alırsınız.

Bağlam yönetimi

Gemini, araştırma oturumu boyunca yüzlerce sayfalık içeriği işleyebilir. Sürekliliği ve ek soruların sorulabilmesini sağlamak için Gemini'ın sektör lideri 1 milyon parçalık bağlam penceresini RAG (almayla artırılmış üretim) yapılandırmasıyla birlikte kullanırız. Bu yöntem, sistemin sohbet oturumunda öğrendiği her şeyi etkili bir şekilde "hatırlamasını" ve onunla etkileşiminiz arttıkça daha akıllı hale gelmesini sağlar.

Artık 2.0 Flash Thinking (deneysel) tarafından destekleniyor

Deep Research, Aralık'ta çıktığında Gemini 1.5 Pro tarafından destekleniyordu. Gemini 2.0 Flash Thinking (deneysel) modelinin kullanılmaya başlamasıyla birlikte bu ürünün hem kalitesini hem de hizmet sunma verimliliğini önemli ölçüde artırmayı başardık. Düşünen modellerde Gemini'ın sonraki adımı atmadan önce yaklaşımını planlaması daha uzun sürer. Özünde var olan bu kendi kendine düşünme ve planlama özelliği onu bu tür uzun süreli temsilci tabanlı görevler için ideal hale getirir. Araştırmanın tüm aşamalarında artık daha başarılı olan Gemini, daha ayrıntılı raporlar hazırlayabiliyor. Aynı zamanda, Flash modelinin işlem verimliliği sayesinde Deep Research'e daha fazla kullanıcının erişmesini sağlayabiliyoruz. Genel olarak Flash ve düşünen modellerde geliştirme fikri bizi heyecanlandırıyor ve Deep Research'ün zamanla daha da gelişeceğini düşünüyoruz.

Sonraki adımlar

Sistemi çok yönlü olacak şekilde geliştirdik. Dolayısıyla, zamanla sistemin nelere göz atabileceği üzerinde daha fazla kontrol sahibi olmanızı sağlayarak ve sisteme açık web'in dışında da kaynaklar vererek özelliklerini geliştirebiliriz.

Deep Research'ün nasıl kullanıldığını görmekten memnuniyet duyacağız. Gerçek kullanıcı deneyimleri, Deep Research'ü geliştirme ve daha iyi hale getirme yolculuğumuzda bize yol gösterecek. Nihai hedefimiz, gerçek anlamda temsilci tabanlı ve tüm dünyanın faydalanabileceği bir yapay zeka asistanı geliştirmek.