Semantik, Ontoloji ve Agentic AI: Yapay Zekâ Anlamı Nasıl Arıyor?

İki bin yıllık iki kavram, modern agent mimarilerinin tam kalbinde duruyor. Bu yazıda semantik ve ontolojinin ne olduğunu, agentic AI için neden vazgeçilmez olduklarını, sektördeki teknik çözümleri ve OBASE AIR’in bu problemi nasıl ele aldığını anlatıyoruz.

MIT’in 2025 raporuna göre kurumsal yapay zekâ pilotlarının %95’i ölçülebilir bir iş etkisi yaratmadan sonuçsuz kalıyor (Challapally vd., 2025). Gartner ise agentic AI projelerinin %40’ından fazlasının 2027 sonuna kadar iptal edileceğini öngörüyor (Gartner, 2025). Bu başarısızlıkların sebebi çoğu zaman modelin zekâsı değil: agent’ın şirketin verisini ve iş terimlerini doğru anlayamaması. Bu görünmeyen ama en kritik sorunun iki bin yıllık bir adı var: ontoloji ve semantik. Bu yazıda bu sorunu ve OBASE AIR’in çözümünü ele alıyoruz.

Bir bilgisayarın özünde ne yaptığını düşünün. Aslında tek bir şey yapar: sembolleri kurallara göre yer değiştirir. Sıfırları, birleri, harfleri ve işaretleri belli bir düzene sokar — ama bunların ne anlama geldiğine dair en ufak bir fikri yoktur. Tıpkı hiç bilmediğiniz bir alfabedeki harfleri, yalnızca şekillerine bakarak “şu şekle benzeyenler şu kutuya” diye ayıran biri gibi. İş kusursuz yapılabilir; yine de o kişi tek bir kelime okumamıştır.

İşte yapay zekânın en eski ve en derin problemi tam buradan doğar. Bilgisayar sembollerin biçimiyle çalışan bir makinedir; oysa dünyada anlamlı biçimde davranabilmek anlam gerektirir. Biçim ile anlam arasındaki bu boşluk — bu uçurum — yapay zekânın kalbindeki asıl meseledir. Ve bu meseleye iki bin yıldır iki farklı cepheden yaklaşıyoruz. Bu iki cephenin adı: ontoloji ve semantik.

“Ne vardır?” sorusu: Ontoloji

Kelimenin kökeni Yunanca: on (“var olan”) ve logos (“bilgi, akıl”) — birleşince “var olan üzerine düşünme”, yani varlık bilgisi çıkıyor. Bunu ilk soran Aristoteles’ti: Ne vardır, ve bunlar nasıl ilişkilidir? Var olan her şeyi kategorilere ayırarak tarihteki ilk büyük “sınıflandırma” işini o yaptı.

Bu yaklaşım size tanıdık gelmeli. Bir eczane ilaçlarını etken maddesine göre raflara dizdiğinde, bir banka müşterilerini risk segmentlerine ayırdığında, bir sigorta şirketi poliçelerini teminat türüne göre sınıflandırdığında, bir yazılım sistemi veritabanı kayıtlarını tablolara ve ilişkilere böldüğünde, hepsi aynı şeyi yapar: dünyanın bir parçasını alıp “şunlar vardır, şunlar şu türdendir, şunlar şununla ilişkilidir” diyerek düzenler. Bilgisayar bilimcilerin “ontoloji” derken kastettiği tam olarak budur. Alanın klasikleşmiş tanımıyla ontoloji, “bir kavramsallaştırmanın açık ve biçimsel bir belirtimidir” (Gruber, 1993) — yani belirli bir alanın, makinenin okuyabileceği açık bir haritası. Hangi kavramlar var (sınıflar), bunların hangi özellikleri var, neyin neyle bağı var, hangi kurallar geçerli.

Burada sessiz ama önemli bir kayma olur. Felsefede ontoloji keşfedilen bir gizemdi — evrenin tek bir büyük sorusu. Mühendislikte ise inşa edilen bir yapıttır. Bu yüzden tek bir “Ontoloji” değil, sayısız ontoloji vardır: bir tıbbi ontoloji, bir perakende ontolojisi, bir hukuki ontoloji, bir müşteri-veritabanı ontolojisi. Felsefeci varlığın doğasını arar; mühendis bir alanı çalışır hâle getirmek için onu düzenler.

Ama şunu unutmamak gerekir: bir veri mühendisi sisteminde “Müşteri” diye bir sınıf tanımladığında, aslında dünyayı nasıl dilimleyeceğine karar verir. Her ontoloji, sessiz bir dünya görüşü taşır. Bu masum bir teknik tercih değildir; modelin sonradan neyi görüp neyi göremeyeceğini baştan belirleyen bir tercihtir.

“Bu ne demek?” sorusu: Semantik

İkinci kelime de Yunancadan: sēma, “işaret” demek. Buradan türeyen semantik, en yalın haliyle anlamın bilimidir. Sorduğu soru antik kadar eskidir: Bir kelime, bir cümle, bir işaret — neyi kasteder?

Semantiğin kalbinde, yapay zekâ için hayati bir ayrım yatar: biçim ile anlam farklıdır. Chomsky’nin ünlü örneğini düşünün: “Renksiz yeşil fikirler öfkeyle uyur” (Chomsky, 1957) — gramer kusursuz, anlam sıfır. Bilgisayarın trajedisi tam budur: sembolleri kusursuz dizer ama anlamlarına erişemez.

Peki anlam nereden gelir? Wittgenstein’a göre bir kelimenin anlamı, gizli bir özünde değil, kullanımında yatar (Wittgenstein, 1953) — tıpkı “oyun” kelimesini bir tanımdan değil, satranca da saklambaca da “oyun” dendiğini gördüğünüz için bilmeniz gibi. Anlam, kullanımın içinde birikir. Bu fikir, kulağa felsefi bir incelik gibi gelse de, bugün büyük dil modellerinin doğrudan atasıdır. Ünlü dilbilimci John R. Firth'ün 1957 tarihli "Bir kelimeyi, arkadaşlık ettiği diğer kelimelerden tanırsınız" (You shall know a word by the company it keeps) ifadesi, bu felsefi yaklaşımın modern yapay zekâdaki tam karşılığıdır (Firth, 1957). Modern dil modelleri tam olarak bu ilke üzerine kuruludur: bir kelimeyi, yanında hangi kelimelerle göründüğüne bakarak tanırsın. “Çay” kelimesinin bazen “demli, bardak, şeker”, bazen “dere, akmak, köprü” sözcükleriyle göründüğünü milyonlarca örnekte gören bir model, hiçbir tanım ezberlemeden iki anlamı ayırt etmeyi öğrenir. Büyük dil modellerinin altında yatan sezgi budur: anlam, kullanımın istatistiğinden damıtılabilir.

Bu hem olağanüstü hem de rahatsız edici bir fikirdir. Çünkü bu modeller yalnızca biçimle eğitilir — bir sonraki kelimeyi tahmin ederek. Hiçbir zaman bir elmayı görmez, tutmaz, ısırmaz. Yine de “elma” hakkında anlamlıymış gibi konuşurlar. Gerçekten anlıyorlar mı? Bu, akademide bugün de hararetle tartışılan, henüz kapanmamış bir sorudur; yalnızca biçimle eğitilen bir sistemin anlama ulaşıp ulaşamayacağı sorusu, alanın en çok atıf alan tartışmalarından birinin de konusudur (Bender ve Koller, 2020).

Uçurum: Semboller anlamına nasıl kavuşur?

Şimdi iki kelime tek bir soruda buluşuyor. Ontoloji “ne vardır?” diye sorar, semantik “semboller neye karşılık gelir?” diye. İkisinin birleştiği yer şu tek sorudur: biçimsel semboller, anlamlarını nasıl kazanır?

Filozof John Searle’ün Çince Odası düşünce deneyi bunu çarpıcı biçimde gösterir (Searle, 1980): Çince bilmeyen biri, elindeki kural kitabıyla dışarıdan gelen Çince sorulara kusursuz Çince cevaplar üretir. Dışarıdakiler odanın Çince bildiğini sanır; oysa içeride tek kelime anlaşılmamıştır, yalnızca şekiller eşleştirilmiştir. Soru şu: kuralları kusursuz işlemek, anlamak anlamına gelir mi?

Bu soruyu felsefi olarak kesin biçimde yanıtlayamasak da, mühendislikte onunla yaşamayı öğrenebiliriz. İşte modern yapay zekânın bütün hüneri burada başlıyor.

Bu, agentic AI için neden bu kadar önemli?

Çünkü bir agent — yani kendi başına görev yürüten bir yapay zekâ — sadece metin üretmez. Bir dünyada eyleme geçer: bir veritabanını sorgular, bir rapor üretir, bir aracı çağırır, bir iş akışını tetikler. Ve eyleme geçmek için iki şeye birden ihtiyacı vardır.

Birincisi, dünyanın güvenilir bir haritası — yani bir ontoloji. “Müşteri” nedir, “sipariş” neyle ilişkilidir, hangi işlem hangi koşulda geçerlidir. Bu harita olmadan agent, attığı her adımda neyi etkilediğini bilemez. Harita ona güvenilirlik ve denetlenebilirlik verir: ne yaptığını izleyebilir, hatasını yakalayabilirsiniz.

İkincisi, kullanıcının dağınık, doğal, bazen müphem isteğini o haritaya bağlayabilme yeteneği — yani semantik. “Geçen ayki en büyük müşterinin son siparişini iptal et” cümlesindeki “en büyük”, “geçen ay”, “son” ifadelerini doğru kayıtlara eşleyebilmek. Bu, esnekliği ve doğal dile açıklığı verir.

Yapay zekâ tarihi boyunca bu iki ihtiyaç, iki farklı yaklaşımla karşılanmaya çalışıldı — ve her ikisi de madalyonun yalnızca bir yüzünü verebildi.

Birinci yaklaşım, sembolik yapay zekâydı: mühendisler dünyayı elle, açık kurallar ve tanımlarla modellediler — “müşteri şudur, sipariş şununla ilişkilidir, şu koşulda şu işlem geçerlidir.” Bu sistemlerin büyük gücü şeffaflıktı: her kararın gerekçesi adım adım izlenebiliyordu. Zayıflıkları ise iki katmanlıydı. Elle yazılan kurallar, gerçek dünyanın dağınıklığı ve doğal dilin sonsuz çeşitliliği karşısında kırılgandı. Daha derinde ise, sembollerin gerçek dünyayla bağını kurma sorunu duruyordu — literatürde sembol topraklama problemi (symbol grounding problem) olarak bilinen mesele (Harnad, 1990): sistem “müşteri” sembolünü kusursuz işler, ama bu sembolün dünyada neye karşılık geldiğine dair hiçbir kavrayışı yoktur. Tıpkı Çince Odası’ndaki kişi gibi.

İkinci yaklaşım, bugünün büyük dil modelleridir: kuralları elle yazmak yerine, milyarlarca örnekten istatistiksel olarak öğrenirler. Doğal dilin dağınıklığını şaşırtıcı bir esneklikle karşılarlar; “geçen ayki en büyük müşteri” gibi müphem bir ifadeyi çoğu zaman doğru yorumlarlar. Ama bu kez de başka bir şey kaybedilir: modelin bilgisi milyarlarca sayısal ağırlığın içine dağılmıştır, açıkça yazılı hiçbir kural yoktur. “Neden bu cevabı verdi?” sorusuna doyurucu bir yanıt almak zordur; model, içine bakılması güç bir kara kutudur.

Kısacası: sembolik sistemler denetlenebilirdi ama esnek değildi; dil modelleri esnek ama denetlenmesi zor. Bugünün agent mimarileri, bu iki dünyanın güçlü yanlarını aynı sistemde buluşturma çabasıdır — literatürde bu arayışa genel olarak nörosembolik yapay zekâ da denir. Kritik tasarım sorusu hep aynıdır: Ne kadarını sabit, açık bir yapıya bağlamalı; ne kadarını modelin örtük, istatistiksel “anlama”sına bırakmalı?

Teknik çözümler: uçurumun üzerine kurulan köprüler

Bugün bu uçurumu “kapatmaya” çalışmıyoruz — bunun felsefi cevabı belki hiç gelmeyecek. Bunun yerine üzerine işe yarar köprüler kuruyoruz. Sektördeki araçların tamamı, aslında aynı eksen üzerinde birer noktadır: bir uçta açık, sembolik yapı; diğer uçta örtük, istatistiksel anlama.

Yapı tarafında: ontolojiler, bilgi grafları ve semantik katman

Semantic Web geleneğinden gelen W3C standartları — RDF (varlıkları ve ilişkileri üçlüler hâlinde ifade etme), OWL (sınıflar, özellikler ve kurallarla ontoloji tanımlama) ve SPARQL (bu yapılar üzerinde sorgulama) — bir alanın bilgisini makinenin okuyabileceği açık bir biçimde modellemenin en olgun yoludur. Bu standartların pratikteki en yaygın karşılığı bilgi graflarıdır (knowledge graph): varlıkları düğüm, ilişkileri kenar olarak tutan ve Neo4j gibi graf veritabanlarıyla ölçeklenen yapılar.

Kurumsal veri dünyasında aynı ihtiyacın daha pragmatik bir karşılığı vardır: semantik katman (semantic layer). “Ciro”, “aktif müşteri”, “sepet büyüklüğü”, “ortalama işlem tutarı”, “hasar oranı”, “kredi riski” gibi iş terimlerini, veri ambarındaki tablolara ve hesaplama kurallarına bağlayan tanım katmanıdır bu. dbt Semantic Layer, Cube veya BI araçlarındaki semantik modeller bu yaklaşımın örnekleridir. Semantik katman, aslında bir işletmenin gündelik diline dökülmüş ontolojisidir — ve agent mimarileri için giderek daha kritik hâle gelmektedir, çünkü modelin “ciro” derken neyi kastettiğini tahmin etmesine gerek kalmaz; tanım açıkça oradadır.

Anlam tarafında: embedding’ler ve ince ayar

Karşı uçta, anlamı istatistikten damıtan araçlar durur. Embedding’ler, kelimeleri ve cümleleri çok boyutlu bir uzayda vektörlere dönüştürür; anlamca yakın ifadeler bu uzayda birbirine yakın düşer. Vektör veritabanları bu temsiller üzerinde “anlamca benzer olanı bul” sorgusunu mümkün kılar — modern RAG sistemlerinin altyapısı budur.İnce ayar (fine-tuning) ise bir modeli belirli bir alanın diliyle yeniden eğitir: bir sektörün jargonunu, bir işin mantığını modelin ağırlıklarına gömer. Kullanım yoluyla öğrenilen anlam, modele kalıcı olarak işlenir.

Köprüde: RAG, GraphRAG, yapısal çıktı ve araç çağırma

İki ucu birbirine bağlayan teknikler de var. RAG (Retrieval-Augmented Generation; Lewis vd., 2020), modeli yeniden eğitmek yerine, soru anında ona dışarıdan ilgili bilgiyi enjekte eder — bir belge, bir kayıt, bir şema parçası. GraphRAG (Edge vd., 2024), bu fikri bir adım ileri taşır: modele düz metin parçaları yerine bilgi grafından çekilen yapılandırılmış bağlam verilir; böylece model yalnızca “benzer” olanı değil, “ilişkili” olanı da görür.

Yapısal çıktı ve araç çağırma (structured output / function calling) ise belki de köprünün en kritik taşıdır: bulanık dil modelini, kesin bir biçimde — örneğin şemaya uyan bir JSON olarak — konuşmaya zorlarsınız. Böylece modelin “anlama”sı, deterministik bir sistemin güvenle işleyebileceği bir yapıya dönüşür. 2024’te açık standart olarak yayımlanan ve sektörde hızla benimsenen MCP (Model Context Protocol; Anthropic, 2024) gibi protokoller de bu yaklaşımı standartlaştırıyor: agent’ların araçlara ve veri kaynaklarına nasıl bağlanacağını tanımlayan ortak bir dil sunuyor.

Bu ailenin bilinen bir üyesi de text-to-SQL yaklaşımıdır: modele doğal dildeki soruyu doğrudan çalıştırılabilir SQL’e çevirtmek. Cazip ama kırılgandır — model, kesin kod üretiminde en zayıf olduğu yerde tek başına bırakılır; tek kelimelik bir halüsinasyon, yanlış veriyi sessizce geri getirebilir. Bu kırılganlık, birazdan göreceğimiz gibi, mimari bir tasarım kararını doğurur.

Ancak şunu unutmamak gerekir: bu araçların hiçbiri tek başına yeterli değildir. İnce ayar yapıyı vermez, RAG anlamı garanti etmez, yapısal çıktı bilgiyi tek başına üretmez. Gerçek çözüm, bunları doğru oranda karıştırmaktır. Modern bir yapay zekâ ürünü kurmak, büyük ölçüde bu karışımın reçetesini doğru ayarlamak demektir.

OBASE AIR bu işi nasıl yapıyor?

Bunu somutlaştırmak için gerçek bir senaryodan başlayalım. Bir işletme, verisinin kurum dışına çıkmamasını istiyor; asistan kendi sunucusunda, devasa bir GPU altyapısı olmadan çalışacak. Beklenti ise yüksek: kullanıcı asistana kendi diliyle soru sorup doğru cevap almak istiyor.

Kullanıcı şunu yazıyor: “Geçen ay en çok ciro getiren üç müşterim kimdi?”

Bu masum cümlenin altında baştan beri konuştuğumuz uçurum yatıyor. “En çok ciro getiren” bir hesaplama niyeti, “geçen ay” bir zaman aralığı, “müşteri” veritabanındaki belirli bir tabloya karşılık geliyor — ve her işletmenin tablo isimleri, sütunları, veri düzeni birbirinden farklı. OBASE AIR bu sorunu tek bir sihirli modele değil, bir iş bölümüne dayanarak çözüyor:

1. Ayrı bir katman olarak semantik model (semantik). Sistemin kalbinde genel amaçlı bir dil modeli var; ama “en çok ciro getiren”, “aktif müşteri”, “geçen ay”, “kıyasla” gibi ifadelerin işletme bağlamındaki anlamı modelin ağırlıklarına gömülmez. Bu tanımlar, dil modelinden ayrı bir semantik modelde tutulur ve çalışma anında modele bağlam olarak verilir. Böylece anlam tanımları açık, düzenlenebilir ve modelden bağımsızdır: dil modeli değişse bile işletmenin anlam katmanı korunur.
2. Çalışma anında enjekte edilen müşteri şeması (ontoloji). Her müşterinin dünyası farklı olduğu için, her müşteri başına ayrı model eğitmek pahalı ve sürdürülemez olurdu. Bunun yerine, o müşterinin “dünya haritası” — hangi tablolar var, hangi sütun neyi tutuyor, hangi iş terimi neye karşılık geliyor — soru anında modele enjekte edilir. Dil modeli geneldir; semantik model ve harita özeldir, çalışma anında baglama enjekte edilir. Sabit yapı ile esnek anlama, tam burada el sıkışır.
3. Ham SQL değil, yapısal bir karar (köprü). Kritik tasarım kararı şu: model doğrudan SQL yazmaz. Yukarıda değindiğimiz text-to-SQL kırılganlığına karşı, model niyeti önce temiz bir yapısal karara çevirir: “işlem: en-çok-N, ölçüt: ciro, boyut: müşteri, zaman: geçen ay, N: 3.” Bu, bulanık dilin denetlenebilir yapıya dönüştüğü andır. Bu yapısal karar loglanabilir, doğrulanabilir, gerekirse kullanıcıya “bunu mu kastettiniz?” diye geri gösterilebilir.
4. Deterministik bir motorun gerçek işi yapması. O yapısal kararı alıp gerçek hesabı yapan kısım artık bir dil modeli değil, hafif ve yerinde çalışan bir analitik motordur. Farklı veri kaynaklarını birleştirir, toplama işlemini kesin matematikle yürütür. Verinin doğruluğu burada modelin “iyi niyetine” değil, deterministik bir sürece emanet edilir.

Aynı yaklaşım sektörden sektöre değişmeden çalışır: perakendede “en çok satan ürün”, bankacılıkta “en yüksek kredi riski taşıyan portföy”, sigortada “en yüksek hasar oranına sahip poliçe grubu” gibi sorular da aynı dört adımdan geçer — değişen yalnızca şema ve iş terimleridir.

Akışın tamamı tek bir hatta dizilir:

Bu mimarinin işletmeye somut karşılığı üç kelimede toplanır. Doğruluk: rakamlar bir dil modelinin tahmininden değil, deterministik bir hesaplamadan gelir. Denetlenebilirlik: her cevabın arkasındaki yapısal karar izlenebilir; “asistan bu sonuca nasıl vardı?” sorusunun her zaman bir cevabı vardır. Maliyet etkinliği: ağır ve riskli iş deterministik motora bırakıldığı için dil modelinin görevi dar tutulur; küçük ve ekonomik modeller bile yeterli olur.

Ve işin püf noktası: bu tek bir reçete değil, esnek bir mimaridir. OBASE AIR, kurulum tarafında da aynı esnekliği taşır: verisinin dışarı çıkmasını istemeyen kurumlar için tamamen on-premise çalışabilir; bulut tarafında ise güncel cloud LLM’leriyle entegre olur — dil modeli, senaryoya göre yerel çalışan küçük bir model de olabilir, güncel bir bulut LLM’i de. Aynı şekilde karışımın kendisi de müşteriye göre ayarlanır: bir müşteride anlam çoğunlukla RAG ile dışarıdan beslenir, bir diğerinde zengin bir semantik model ağır basar; kimi senaryoda açık bir bilgi grafı devreye girer, kiminde sade bir araç çağırma zinciri yeter. Mimari, “ne kadar ontoloji, ne kadar semantik?” sorusunu tek seferde değil, her iş için ayrı ayrı yanıtlamaya olanak tanır. Esneklik burada bir lüks değil, problemin doğasının gereğidir — çünkü her işletmenin dünyası, dolayısıyla her uçurumun genişliği farklıdır.

Son söz

Yazının başındaki o görüntüyü hatırlayın: sembolleri yalnızca şekillerine göre dizen, tek kelime okuyamayan kişi. Yapay zekânın bütün serüveni, bir bakıma o kişiye okumayı öğretme çabasıdır. Ama belki de asıl ustalık, ona her şeyi tek başına okutmaya çalışmaktan vazgeçmektir.

Çünkü pratikte yaptığımız şey farklı: anlamı iyi yapan parçaya anlamı, kesinliği iyi yapan parçaya kesinliği bırakırız. Ontoloji dünyanın haritasını verir; semantik o haritayı insanın diline bağlar; yapısal çıktı ise ikisinin arasına güvenli bir köprü kurar. OBASE AIR, tam da bu iş bölümünü kuran bir mimaridir.

İki bin yıllık o soru — biçim anlama nasıl dönüşür — felsefi olarak hâlâ açık. Ama mühendislikte artık onunla barış içinde yaşamayı, hatta ondan zarif sistemler kurmayı öğreniyoruz.

Bir sonraki adım: OBASE AIR’i kendi veri altyapınızla denemek isterseniz bizimle iletişime geçin.

Kaynakça

• Challapally, A., Pease, C., Raskar, R. ve Chari, P. (2025). “The GenAI Divide: State of AI in Business 2025.” MIT NANDA. Fortune’daki haber (Kurumsal GenAI pilotlarının %95’inin sonuçsuz kaldığı bulgusu.)
• Gartner (2025). “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027.” Basın bülteni
• Kategoriler (Categoriae). MIT Classics çevrimiçi metni
• Chomsky, N. (1957). Syntactic Structures. (“Colorless green ideas sleep furiously” örneğinin kaynağı.)
• Firth, J. R. (1957). “A synopsis of linguistic theory 1930–1955.” Studies in Linguistic Analysis. (“You shall know a word by the company it keeps.”)
• Wittgenstein, L. (1953). Philosophical Investigations (Felsefi Soruşturmalar). Blackwell. (Anlamın kullanım kuramı, §43.)
• Searle, J. R. (1980). “Minds, Brains, and Programs.” Behavioral and Brain Sciences, 3(3), 417–457. Makale metni (Çince Odası deneyi.)
• Harnad, S. (1990). “The Symbol Grounding Problem.” Physica D, 42, 335–346. Makale metni
• Gruber, T. R. (1993). “A Translation Approach to Portable Ontology Specifications.” Knowledge Acquisition, 5(2), 199–220. Makale metni (Bilgisayar bilimindeki ontoloji tanımı.)
• Bender, E. M. ve Koller, A. (2020). “Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data.” Proceedings of ACL 2020. ACL Anthology (Biçim–anlam tartışması.)
• Lewis, P. vd. (2020). “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.” NeurIPS 2020. Makale sayfası (RAG’in tanımlandığı makale.)
• Edge, D. vd. (2024). “From Local to Global: A Graph RAG Approach to Query-Focused Summarization.” Microsoft Research. Yayın sayfası (GraphRAG.)
• Anthropic (2024). “Introducing the Model Context Protocol.” Duyuru
• W3C standartları: RDF 1.1, OWL 2, SPARQL 1.1

  #AgenticAI #Ontology #Semantics #KnowledgeGraph #EnterpriseAI #OBASEAIR