Google'dan Yerel Donanımlara Özel Yapay Zekâ Hamlesi: EmbeddingGemma 2 Tanıtıldı

Google, metin, ses, görüntü ve video verilerini yerel donanımlarda çevrimdışı işleyebilen, 740 milyon parametreli ve Apache 2.0 lisanslı EmbeddingGemma 2 yapay zekâ modelini kullanıma sundu.

Google, yapay zekâ uygulamalarında metinlerin yanı sıra görüntü, ses ve video verilerini de işleyebilen yeni modeli EmbeddingGemma 2'yi kullanıma sundu. Gemma 4 mimarisi temel alınarak geliştirilen model, 740 milyon parametreye sahip yapısı sayesinde mobil cihazlar ve yerel donanımlar üzerinde çalışacak şekilde optimize edildi. Apache 2.0 lisansı ile yayınlanan yazılım, verileri sayısal vektörlere dönüştürerek; ses kayıtları içinde arama yapma veya görsel içeriklerin metinle bulunması gibi işlemleri çevrimdışı gerçekleştirmeye olanak tanıyor. Şirket verilerine göre, EmbeddingGemma 2 modeli 'Matryoshka Representation Learning' teknolojisi ile çıktı boyutlarını esnek bir şekilde küçültebiliyor. Bu özellik, yerel veri tabanlarında depolama alanından tasarruf sağlarken, cihazın bellek kullanımını da optimize ediyor. 8 bin belirteçlik (token) bağlam penceresi sunan model, Google'ın açıklamasına göre kısa süreli ses ve video kesitlerini yerel donanım üzerinden işleyebiliyor. Geliştiriciler, modeli Hugging Face ve Kaggle gibi platformlar üzerinden erişebilirken, MediaPipe ve LiteRT araçları ile uygulama geliştirme süreçlerine entegre edebiliyor. Modelin modüler tasarımı, geliştiricilere ihtiyaç duydukları iş yüküne göre özelleştirme imkânı tanıyor. Sadece metin tabanlı işlemler için temel yapı yeterli olurken, görsel veya işitsel verilerin işlenmesi gerektiğinde ek kodlayıcılar sisteme dahil edilebiliyor. Bu esneklik, modelin kaynak kısıtlı ortamlarda verimli çalışmasını destekliyor. Ayrıca, modelin Gemma 4 ile paylaştığı ortak teknolojik altyapı, her iki modelin aynı işlem hattında birleştirilerek daha düşük bellek tüketimiyle çalıştırılmasına olanak sağlıyor. Bu entegrasyon, karmaşık verilerin yerel cihazlarda anlamlandırılmasını kolaylaştırarak, gizlilik odaklı ve çevrimdışı çalışan gelişmiş arama veya içerik getirme sistemlerinin kurulmasını destekliyor. Geliştiriciler, bu yetenekleri kullanarak medya kütüphanelerinde anlamsal benzerlik üzerinden hızlı eşleşmeler bulabiliyor veya video içerikleri içinde belirli anları metin ya da sesli sorgularla tespit edebiliyor. EmbeddingGemma 2, özellikle kod performansı konusundaki yetkinliğiyle dikkat çekiyor. Yerel kod tabanlarının dizinlenmesi ve anlamsal kod araması gibi süreçlerde yüksek başarı gösteren model, geliştiricilerin karmaşık yazılım projelerinde daha etkili sonuçlar almasına yardımcı oluyor. Ayrıca, modelin sunduğu çok modlu yetenekler, sınıflandırma ve yönlendirme gibi karar mekanizmalarının gerçek zamanlı olarak çalıştırılmasına imkân tanıyor. Geliştiriciler, MediaPipe üzerinden sunulan araçlarla bu özellikleri kendi uygulamalarına entegre edebilirken, farklı platformlar ve kütüphaneler aracılığıyla modelin dağıtımını gerçekleştirebiliyor. Bu yapı, hem bireysel projeler hem de daha geniş ölçekli kurumsal uygulamalar için esnek bir geliştirme ortamı sunarak, yerel donanım üzerinde çalışan yapay zekâ çözümlerinin kapsamını genişletiyor. Modelin sunduğu yüksek performans, özellikle veri gizliliğini ön planda tutan projeler için kritik bir avantaj sağlıyor. Verilerin yerel cihazlarda işlenmesi, bulut tabanlı sistemlere olan bağımlılığı azaltarak gecikme sürelerini düşürüyor ve kullanıcı verilerinin cihaz dışına çıkmadan korunmasına yardımcı oluyor. Geliştiriciler, bu yetenekleri kullanarak çevrimdışı çalışan, karmaşık verileri anlamlandırabilen ve hızlı yanıt verebilen uygulamalar tasarlayabiliyor. Ayrıca, modelin farklı geliştirme araçları ve kütüphanelerle geniş çapta uyumluluğu, mevcut yazılım ekosistemlerine entegrasyonu kolaylaştırıyor. Bu geniş destek ağı, modelin hem basit arama araçlarında hem de daha karmaşık karar destek mekanizmalarında etkin bir şekilde kullanılabilmesini mümkün kılıyor. Kaynak: Google Teknoloji Blogu