# Karpathy's Wiki vs. Open Brain. One Fails When You Need It Most.

https://www.youtube.com/watch?v=dxq7WtWxi44
Translation: en

[00:00] Everybody is going nuts about the wiki idea that Andre Carpathy posted a couple of days ago.
  Herkes Andre Carpathy'nin birkaç gün önce paylaştığı wiki fikrine çıldırıyor.

[00:07] 41,000 people have bookmarked it.
  41.000 kişi bunu yer imlerine ekledi.

[00:08] And on the surface, it sounds ridiculously simple.
  Ve yüzeysel olarak bakıldığında, inanılmaz derecede basit görünüyor.

[00:10] You use your AI to build and maintain a personal wiki.
  Kişisel bir wiki oluşturmak ve sürdürmek için yapay zekanızı kullanırsınız.

[00:13] As someone who launched something somewhat similar with OpenBrain, I have gotten hundreds of DMs and emails saying, "Nate, is this the same thing? Nate, is this different? Nate, does this make OpenBrain obsolete? Nate, is the wiki better?"
  OpenBrain ile biraz benzer bir şey başlatan biri olarak, yüzlerce DM ve e-posta aldım, "Nate, bu aynı şey mi? Nate, bu farklı mı? Nate, bu OpenBrain'i modası geçmiş mi yapacak? Nate, wiki daha mı iyi?" diyorlardı.

[00:25] I want to actually step back and give you a different answer than you expected.
  Aslında geri adım atmak ve size beklediğinizden farklı bir cevap vermek istiyorum.

[00:30] We are going to go through, we are going to talk about what the wiki approach gets right, why Andre put it together, the principles underlying this wiki approach versus the open brain approach.
  İnceleyeceğiz, wiki yaklaşımının neleri doğru yaptığını, Andre'nin neden bunu bir araya getirdiğini, bu wiki yaklaşımının altında yatan prensipleri açık beyin yaklaşımına karşı konuşacağız.

[00:43] And I want to be honest about why we're doing that.
  Ve bunu neden yaptığımız konusunda dürüst olmak istiyorum.

[00:45] We're not doing that just for giggles.
  Bunu sadece şakasına yapmıyoruz.

[00:47] We're doing that because deciding how you organize your context layer is one of the single most important things you can do in 2026.
  Bunu yapıyoruz çünkü bağlam katmanınızı nasıl organize edeceğinize karar vermek, 2026'da yapabileceğiniz en önemli şeylerden biridir.

[00:52] It is a really big deal.
  Bu gerçekten büyük bir mesele.

[00:55] And Karpathy's approach is really different from OpenBrain.
  Ve Karpathy'nin yaklaşımı OpenBrain'den gerçekten farklı.

[00:58] It's not the same thing at all.
  Hiç de aynı şey değil.

[01:00] At all.
  Hiç.

[01:02] And there are specific reasons why he went with his decision and why I went with the decisions that I made to construct OpenBrain.
  Ve onun bu kararı almasının ve benim OpenBrain'i oluşturmak için aldığım kararların belirli nedenleri var.

[01:06] And I'm going to be really open about both.
  Ve her ikisi hakkında gerçekten açık olacağım.

[01:08] I'm not going to give you a steelman.
  Size bir çelik adam vermeyeceğim.

[01:09] I'm not going to say one is better than the other.
  Biri diğerinden daha iyidir demeyeceğim.

[01:11] So just get that out of your head.
  Yani bunu kafanızdan çıkarın.

[01:12] We're going to talk about where each one breaks, the scale issues that each have, and where each one is strong.
  Her birinin nerede kırıldığını, her birinin sahip olduğu ölçek sorunlarını ve her birinin nerede güçlü olduğunu konuşacağız.

[01:19] And then I promise you, I am going to help you solve the problem because I know that what most of you are going to say is, "I want the best of both worlds."
  Ve sonra size söz veriyorum, sorunu çözmenize yardım edeceğim çünkü biliyorum ki çoğunuz "Her iki dünyanın da en iyisini istiyorum" diyeceksiniz.

[01:26] We are going to get there.
  Oraya ulaşacağız.

[01:28] I put a plugin into OpenBrain that will help you have the best of both worlds.
  OpenBrain'e her iki dünyanın da en iyisine sahip olmanıza yardımcı olacak bir eklenti ekledim.

[01:33] So you can have the wiki approach Carpathy takes with the structured data that OpenBrain brings.
  Böylece Carpathy'nin OpenBrain'in getirdiği yapılandırılmış verilerle benimsediği wiki yaklaşımına sahip olabilirsiniz.

[01:37] And by the end of this video, you'll understand why it matters to be able to do both and you'll feel equipped to make that decision.
  Ve bu videonun sonunda, her ikisini de yapabilmenin neden önemli olduğunu anlayacaksınız ve bu kararı vermek için donanımlı hissedeceksiniz.

[01:45] So let me explain a little bit about what's under the surface that is a little bit more complex than it might appear at first glance.
  Yani ilk bakışta göründüğünden biraz daha karmaşık olan yüzeyin altında ne olduğunu biraz açıklayayım.

[01:49] Because on the surface, Carpathy's implementation is very simple.
  Çünkü yüzeyde, Carpathy'nin uygulaması çok basittir.

[01:52] It's just folders and it's text files.
  Sadece klasörler ve metin dosyalarıdır.

[01:56] That is the big idea for him.
  Onun için büyük fikir budur.

[01:59] And you might wonder why did he go so simple?
  Ve neden bu kadar basit gittiğini merak ediyor olabilirsiniz?

[02:01] Well, his insight is the idea
  Peki, onun içgörüsü fikri

[02:03] Simple? Well, his insight is the idea that everybody uses AI with their documents today all day, right?
  Basit mi? Eh, onun içgörüsü, herkesin bugün bütün gün belgeleriyle yapay zeka kullandığı fikridir, değil mi?

[02:06] You upload files to ChatGPT, you use NotebookLM, you use Cloud, and you always end up in a place where you have bunches of documents everywhere.
  ChatGPT'ye dosya yüklersiniz, NotebookLM kullanırsınız, Cloud kullanırsınız ve her zaman her yerde bir sürü belgenizin olduğu bir yerde bulursunuz.

[02:15] And then you ask a question and the AI has to go and find relevant chunks of documents, previous chats, reads them, gives you an answer.
  Ve sonra bir soru sorarsınız ve yapay zekanın ilgili belge parçalarını, önceki sohbetleri bulması, onları okuması ve size bir cevap vermesi gerekir.

[02:21] It's all hyper fragmented all over.
  Hepsi her yerde aşırı parçalanmış durumda.

[02:24] This works okay, but it's actually not ideal because what's happening under the hood is that AI is effectively rediscovering your knowledge from scratch every single time you ask a question.
  Bu işe yarar, ancak aslında ideal değildir çünkü arka planda olan şey, yapay zekanın her soru sorduğunuzda bilginizi sıfırdan yeniden keşfetmesidir.

[02:36] So, if you ask a question that requires connecting five different documents across six different chats, the AI has to find all five, read the six chats, figure out how they relate, and produce some kind of a synthesis.
  Yani, altı farklı sohbet boyunca beş farklı belgeyi birbirine bağlamayı gerektiren bir soru sorarsanız, yapay zekanın hepsini bulması, altı sohbeti okuması, nasıl ilişkili olduklarını anlaması ve bir tür sentez üretmesi gerekir.

[02:46] If you ask a similar question tomorrow, it does the whole thing over again.
  Yarın benzer bir soru sorarsanız, her şeyi tekrar yapar.

[02:51] Nothing was saved about that synthesis.
  O sentez hakkında hiçbir şey kaydedilmedi.

[02:54] It doesn't inherently preserve connections between documents, even if you're in the same chat application, let alone if you're in two or three different AIs like so many of us are.
  Aynı sohbet uygulamasında olsanız bile, belgeler arasındaki bağlantıları doğal olarak korumaz, hele ki çoğumuzun olduğu gibi iki veya üç farklı yapay zekada olsanız.

[03:02] In other words,
  Başka bir deyişle,

[03:03] Like so many of us are.
  Birçoğumuz gibi.

[03:03] In other words, the AI did real cognitive work and then threw it all away.
  Başka bir deyişle, yapay zeka gerçek bilişsel çalışma yaptı ve sonra hepsini çöpe attı.

[03:09] And that is what bothered Carpathy enough to put together a different solution.
  Ve bu, Carpathy'yi farklı bir çözüm bulmaya yetecek kadar rahatsız eden şeydi.

[03:12] What he asked is, what if instead of just finding relevant chunks and answering questions, the AI actually wrote down what it learned?
  Ona sorduğu şey şuydu: ilgili parçaları bulup soruları yanıtlamak yerine, yapay zeka öğrendiklerini gerçekten not alsaydı ne olurdu?

[03:20] What if every time you added a new source, the AI read that source, figured out what mattered and updated a set of organized notes that already contained everything it learned from the previous source?
  Her yeni kaynak eklediğinizde, yapay zeka o kaynağı okuyup neyin önemli olduğunu anlayıp, önceki kaynaktan öğrendiği her şeyi zaten içeren organize edilmiş bir not setini güncellerse ne olurdu?

[03:31] In other words, what if it started to auto update based on its own synthesis?
  Başka bir deyişle, kendi sentezine göre otomatik olarak güncellenmeye başlarsa ne olurdu?

[03:34] What if those notes already included cross references, flagged contradictions, tracked how your understanding evolved?
  O notlar zaten çapraz referanslar içerse, çelişkileri işaretlese, anlayışınızın nasıl geliştiğini takip etse ne olurdu?

[03:40] If you're trying to learn how you think and evolve over time, that's what this wiki idea is for.
  Nasıl düşündüğünüzü ve zamanla nasıl geliştiğinizi öğrenmeye çalışıyorsanız, bu wiki fikri bunun içindir.

[03:47] It essentially becomes not just a clever file organization system, but actually a persistent artifact as a whole where you're capturing the AI's evolving understanding of your thinking over time.
  Esasen sadece akıllı bir dosya organizasyon sistemi değil, aynı zamanda yapay zekanın zaman içindeki düşünceniz hakkındaki gelişen anlayışını yakaladığınız bütünsel olarak kalıcı bir eser haline gelir.

[03:59] So the AI might read a paper you
  Yani yapay zeka sizin okuduğunuz bir makaleyi okuyabilir

[04:04] So the AI might read a paper you give it on Monday, write up what it learned, and link back to it what it learned the previous week from some other thread that you were working on.
  Tako da AI može u ponedjeljak pročitati članak koji mu date, napisati ono što je naučio i povezati ga s onim što je naučio prošlog tjedna iz neke druge niti na kojoj ste radili.

[04:13] The next Friday when you ask a question, the AI doesn't have to reread everything from scratch.
  Sljedećeg petka kada postavite pitanje, AI ne mora ponovno čitati sve iz početka.

[04:19] Instead, it looks at the synthesis that is already sitting there, the cross references that are already built, the contradictions that have been flagged.
  Umjesto toga, gleda sintezu koja je već tamo, unakrsne reference koje su već izgrađene, kontradikcije koje su označene.

[04:24] And in Carpathy's own words, the knowledge is compiled once and then kept current.
  I prema Carpathyjevim riječima, znanje se jednom kompilira i zatim održava ažurnim.

[04:27] It's not rederived on every query.
  Ne izvodi se ponovno na svaki upit.

[04:30] And that is really the key here.
  I to je zaista ključ ovdje.

[04:31] Most AI knowledge tools spend compute and tokens to rederive.
  Većina AI alata za znanje troši računalnu snagu i tokene za ponovno izvođenje.

[04:37] Whereas his wiki compiles.
  Dok njegov wiki kompilira.

[04:40] That's a fundamentally different relationship between AI and your information and it has different strengths and weaknesses than a lot of other predominant memory paradigms including OpenBrain.
  To je temeljno drugačiji odnos između AI-a i vaših informacija te ima različite prednosti i nedostatke od mnogih drugih dominantnih memorijskih paradigmi, uključujući OpenBrain.

[04:50] He described his working setup as having the AI agent on one side and Obsidian which is just a note viewing app on the other side.
  Opisao je svoj radni postav kao da ima AI agenta na jednoj strani i Obsidian, koji je samo aplikacija za pregled bilješki, na drugoj strani.

[04:55] And so that allows the AI to make edits based on their conversation and he can browse the results in real time and follow links and check the graph view and read the updated pages.
  I tako to omogućuje AI-u da vrši uređivanja na temelju njihovog razgovora, a on može pregledavati rezultate u stvarnom vremenu i pratiti veze te provjeriti grafički prikaz i čitati ažurirane stranice.

[05:05] graph view and read the updated pages and kind of have an evolving conversation with the agent.
  grafik görünümünü ve güncellenmiş sayfaları okuyun ve ajanla gelişen bir sohbet yapın.

[05:08] And of course being a programmer the way he talks about it is the LLM is sort of the programmer for the codebase of the wiki.
  Ve elbette bir programcı olarak, bunu anlatma şekli, LLM'nin vikinin kod tabanı için programcı olmasıdır.

[05:14] which means in plain English the note app is where he actually reads and the AI is the one writing in the notes app based on a collected series of built documents.
  bu da basit İngilizce ile not uygulamasının aslında okuduğu yer olduğu ve yapay zekanın oluşturulmuş bir dizi belgeye dayanarak not uygulamasına yazan olduğu anlamına gelir.

[05:25] Some of them are raw sourced that he inputs from previous chats.
  Bazıları önceki sohbetlerden girdiği ham kaynaklıdır.

[05:28] Some of them are docs.
  Bazıları belgelerdir.

[05:30] Some of them are synthesis the AI puts together.
  Bazıları yapay zekanın bir araya getirdiği sentezlerdir.

[05:31] Think of it like most AI tools are like having a brilliant research assistant who reads your entire filing cabinet every time you ask a question and then it gives you a really great answer and then immediately forgets everything that it figured out.
  Bunu, çoğu yapay zeka aracının, her soru sorduğunuzda tüm dosya dolabınızı okuyan ve ardından size gerçekten harika bir cevap veren ve sonra bulduğu her şeyi hemen unutan parlak bir araştırma asistanına sahip olmak gibi düşünün.

[05:42] Andre Carpathy's wiki is like that same assistant keeping a running set of notes that are organized and cross-referenced and updated so that each question builds on the last one instead of starting over.
  Andre Carpathy'nin vikisi, her sorunun baştan başlamak yerine bir öncekinin üzerine inşa edilmesi için organize edilmiş, çapraz referanslı ve güncellenmiş bir dizi not tutan aynı asistan gibidir.

[05:54] I think that idea of being able to build on your learnings is why 41,000 people jumped on it and bookmarked the post.
  Öğrenmelerinizin üzerine inşa edebilme fikrinin, 41.000 kişinin buna atlamasının ve gönderiyi yer imlerine eklemesinin nedeni olduğunu düşünüyorum.

[06:02] Right? It's not because the folders and the text files themselves are exciting.
  Değil mi? Klasörler ve metin dosyalarının kendileri heyecan verici olduğu için değil.

[06:05] The files themselves are exciting.
  Dosyaların kendisi heyecan verici.

[06:07] It's because an AI that builds understanding over time instead of starting from zero is something we're all hungry for right now.
  Çünkü sıfırdan başlamak yerine zamanla anlayış geliştiren bir yapay zeka, hepimizin şu anda aç olduğu bir şeydir.

[06:13] It's the thing everyone's been waiting for.
  Herkesin beklediği şey bu.

[06:14] It's what made people really excited about OpenBrain.
  İnsanları OpenBrain konusunda gerçekten heyecanlandıran şey buydu.

[06:15] But there's a catch that almost nobody in these 41,000 bookmarks is thinking about yet.
  Ancak bu 41.000 yer iminin neredeyse hiç kimsenin henüz düşünmediği bir zorluğu var.

[06:23] Every time the AI turns a raw source into a wiki page, it is making editorial decisions.
  Yapay zeka her ham kaynağı bir wiki sayfasına dönüştürdüğünde, editoryal kararlar alıyor.

[06:28] It's making decisions about how to frame the connections between ideas that may be right or wrong, but those are the AI's choices, right?
  Doğru veya yanlış olabilecek fikirler arasındaki bağlantıları nasıl çerçeveleyeceğine dair kararlar alıyor, ancak bunlar yapay zekanın seçimleri, değil mi?

[06:34] They're not the human's choices.
  Bunlar insanın seçimleri değil.

[06:37] It's making synthesis choices somewhat independently of what you may or may not think.
  Ne düşünebileceğinizden veya düşünmeyebileceğinizden biraz bağımsız olarak sentez seçimleri yapıyor.

[06:41] And so important nuance could get dropped that might matter a few months from now and you would literally never know.
  Ve bu nedenle, birkaç ay sonra önemli olabilecek önemli bir nüans düşürülebilir ve siz bunu kelimenin tam anlamıyla asla bilemezsiniz.

[06:46] You wouldn't know what's missing because the wiki reads so cleanly.
  Wiki çok temiz okunduğu için neyin eksik olduğunu bilemezsiniz.

[06:51] This is sort of the same trap as dashboards and analytics.
  Bu, gösterge tabloları ve analitiklerdeki aynı tuzak gibidir.

[06:53] A dashboard is so much easier to read than a spreadsheet, but it is a condensation of data, right?
  Bir gösterge tablosunu bir elektronik tablodan okumak çok daha kolaydır, ancak bu verinin bir yoğunlaşmasıdır, değil mi?

[07:00] It can hide exactly the thing you need to see because it just shows only the thing that it thinks you
  Görmeniz gereken şeyi tam olarak gizleyebilir çünkü sadece sizin düşündüğünüz şeyi gösterir.

[07:05] It shows only the thing that it thinks you want to see in the moment.
  Pokazuje tylko to, co według niego chcesz zobaczyć w danym momencie.

[07:07] And to his credit, Andre Carpath has been very honest about this, right?
  I na jego korzyść, Andre Carpath był bardzo szczery w tej sprawie, prawda?

[07:09] His architecture keeps all the raw sources untouched in their own folders.
  Jego architektura przechowuje wszystkie surowe źródła nietknięte we własnych folderach.

[07:13] So he can always go back to the originals, which is a really smart design.
  Więc zawsze może wrócić do oryginałów, co jest naprawdę inteligentnym projektem.

[07:17] But to be honest, most people building on his pattern are not going to maintain the discipline to go back to raw sources.
  Ale szczerze mówiąc, większość ludzi budujących na jego wzorcu nie będzie utrzymywać dyscypliny, aby wracać do surowych źródeł.

[07:23] In practice, I think the wiki will become the thing that is trusted as this open source project rolls out.
  W praktyce myślę, że wiki stanie się rzeczą, której ufamy, gdy ten projekt open source będzie wdrażany.

[07:28] And the source of truth is quietly going to shift from raw material to an AI summary of that material, which may be correct 80% of the time.
  A źródło prawdy cicho przesunie się z surowego materiału do podsumowania tego materiału przez AI, które może być poprawne w 80% przypadków.

[07:40] Maybe 90% of the time, but where it misses something or where it frames something slightly wrong, there are going to be issues that arise.
  Może w 90% przypadków, ale tam, gdzie coś przeoczy lub coś lekko źle przedstawi, pojawią się problemy.

[07:47] And that errors will now be baked into our understanding if that is the only way we're approaching memory.
  I że błędy zostaną teraz wbudowane w nasze rozumienie, jeśli jest to jedyny sposób, w jaki podchodzimy do pamięci.

[07:51] And you won't get in the habit of questioning it because the whole premise of this when I started this video is that we are lazy people.
  I nie wyrobisz sobie nawyku kwestionowania tego, ponieważ całe założenie tego, kiedy zacząłem ten film, jest takie, że jesteśmy leniwymi ludźmi.

[07:57] It's really nice to have a wiki where you can just chuck stuff in and it sort of automatically organizes, learns, and comes back with written artifacts.
  Naprawdę miło jest mieć wiki, do której można po prostu wrzucić rzeczy, a ona je w pewnym sensie automatycznie organizuje, uczy się i wraca z napisanymi artefaktami.

[08:05] And so this is where open brain enters.
  I tak oto wkracza otwarty mózg.

[08:07] And so this is where open brain enters the picture and things get really really interesting.
  Ve bu yüzden açık beyin devreye giriyor ve işler gerçekten çok ilginçleşiyor.

[08:11] Every knowledge system with an AI at its core has to answer one question.
  Temelinde yapay zeka olan her bilgi sistemi bir soruyu yanıtlamak zorundadır.

[08:15] When does the AI do the hard thinking?
  Yapay zeka ne zaman zor düşünmeyi yapar?

[08:19] Is it when information comes in or is it when you ask about that information?
  Bilgi geldiğinde mi yoksa o bilgi hakkında sorduğunda mı?

[08:24] You got to pick that's the fork everything else follows from that.
  Seçim yapmalısın, her şey bundan sonra gelir.

[08:26] Carpathy's wiki is a right time system.
  Carpathy'nin vikisi doğru zamanlı bir sistemdir.

[08:29] So when a new source arrives like an article, a paper, a set of notes, the AI does not just store it.
  Yani bir makale, bir bildiri, bir notlar kümesi gibi yeni bir kaynak geldiğinde, yapay zeka onu sadece depolamaz.

[08:38] The AI actually actively works against it.
  Yapay zeka aslında ona aktif olarak karşı çalışır.

[08:40] It reads the source.
  Kaynağı okur.

[08:42] It extracts what matters and it writes that understanding into the wiki.
  Önemli olanı çıkarır ve o anlayışı vikinin içine yazar.

[08:47] It will update topic pages for you.
  Sizin için konu sayfalarını güncelleyecektir.

[08:50] It will write relevant summaries for you.
  Sizin için ilgili özetler yazacaktır.

[08:52] You get the idea, right?
  Fikri anladınız, değil mi?

[08:55] It's going to actively work to add links between related ideas, develop concepts, note where new data contradicts something that was filed last week.
  İlgili fikirler arasında bağlantılar eklemek, kavramları geliştirmek, yeni verilerin geçen hafta kaydedilen bir şeyle çeliştiği yerleri not etmek için aktif olarak çalışacaktır.

[09:02] It will do a lot of that thinking at input, right?
  Bunun çoklu düşünmeyi girdi aşamasında yapacaktır, değil mi?

[09:05] The hard work then happens one time at
  Zor iş o zaman bir kez olur

[09:08] The hard work then happens one time at the beginning, the moment the information comes in the door.
  Ağır iş o zaman bir kez başlangıçta, bilgi içeri girdiğinde gerçekleşir.

[09:12] After that, you can browse the wiki and get pre-built understanding without the AI doing virtually any work at all.
  Bundan sonra, yapay zeka neredeyse hiç iş yapmadan wiki'ye göz atabilir ve önceden oluşturulmuş bir anlayış elde edebilirsiniz.

[09:19] It's just retrieving.
  Sadece alıyor.

[09:20] Open brain is different.
  Açık beyin farklıdır.

[09:23] It is a query time system.
  Bu bir sorgu zamanı sistemidir.

[09:25] When new information arrives, OpenBrain is designed to store it faithfully.
  Yeni bilgi geldiğinde, OpenBrain onu sadakatle saklamak için tasarlanmıştır.

[09:27] It tags it.
  Onu etiketler.

[09:27] It categorizes it.
  Onu kategorize eder.

[09:30] It makes it searchable.
  Onu aranabilir hale getirir.

[09:33] But we're not assuming that you need to synthesize that information yet.
  Ancak, bu bilgiyi henüz sentezlemeniz gerektiğini varsaymıyoruz.

[09:36] Nobody's synthesizing.
  Kimse sentezlemiyor.

[09:36] Nobody's doing work.
  Kimse iş yapmıyor.

[09:38] The data is sitting in structured tables waiting.
  Veriler yapılandırılmış tablolarda bekliyor.

[09:41] When you or your AI agent asks a question, that's when the AI goes to work.
  Siz veya yapay zeka temsilciniz bir soru sorduğunda, yapay zeka o zaman işe koyulur.

[09:46] It reads the relevant entries.
  İlgili girişleri okur.

[09:49] At that point at query time.
  Sorgu zamanında o noktada.

[09:51] It does the thinking fresh and it produces an answer on the fly.
  Düşünmeyi taze yapar ve anında bir cevap üretir.

[09:53] So the hard work happens at the moment you need it, not before you need it.
  Yani ağır iş, ihtiyacınız olmadan önce değil, ihtiyacınız olduğunuz anda gerçekleşir.

[09:58] So think of it this way.
  Yani bunu şu şekilde düşünün.

[10:00] Carpathy's wiki is like a study guide that a really good tutor writes for you as you learn the subject.
  Carpathy'nin wiki'si, siz konuyu öğrenirken gerçekten iyi bir öğretmenin sizin için yazdığı bir çalışma rehberi gibidir.

[10:04] Every time you cover new material, the tutor will update the guide for you so
  Her yeni materyal ele aldığınızda, öğretmen rehberi sizin için güncelleyecektir, böylece

[10:10] The tutor will update the guide for you so you don't get lost along the way.
  Tutor size rehberinizi sizin için güncelleyecek, böylece yol boyunca kaybolmayacaksınız.

[10:12] The tutor will add new sections, revise old sections, connect ideas across chapters, and really help you dig in so that when exam day comes, you just read the guide, and you're good to go.
  Tutor yeni bölümler ekleyecek, eski bölümleri gözden geçirecek, bölümler boyunca fikirleri birbirine bağlayacak ve gerçekten derinlemesine yardımcı olacak, böylece sınav günü geldiğinde rehberi okuyacak ve işiniz bitecek.

[10:21] Which is exactly kind of how that wiki is supposed to work.
  Bu da tam olarak vikinin çalışma şekli gibidir.

[10:24] Ideally, the thinking has been done for you.
  İdeal olarak, düşünme sizin için yapılmıştır.

[10:26] The tutor has prepared everything so perfectly, you can't fail.
  Tutor her şeyi o kadar mükemmel hazırladı ki, başarısız olamazsınız.

[10:29] Open brain is like a perfectly organized filing cabinet with a brilliant librarian standing next to that filing cabinet for you.
  Açık beyin, yanınızda duran parlak bir kütüphaneci ile mükemmel bir şekilde düzenlenmiş bir dosya dolabı gibidir.

[10:34] Every document is filed.
  Her belge dosyalanmıştır.

[10:36] It's indexed.
  İndekslenmiştir.

[10:38] It's searchable.
  Aranabilir.

[10:41] So that when you need an answer, the librarian can very quickly pull the relevant file, read through that relevant file for you, and then pinpoint exactly what you need to find in that file.
  Böylece bir cevaba ihtiyacınız olduğunda, kütüphaneci ilgili dosyayı çok hızlı bir şekilde çekebilir, sizin için o ilgili dosyayı okuyabilir ve ardından o dosyada bulmanız gerekeni tam olarak belirleyebilir.

[10:45] It will tell you what you're looking for.
  Aradığınızı size söyleyecektir.

[10:52] The filing is really clean and pristine, and that enables the metaphorical librarian to do the thinking fresh in a very efficient way every time you ask, so you get exactly the synthesis you're looking for.
  Dosyalama gerçekten temiz ve bozulmamış, bu da metaforik kütüphanecinin her sorduğunuzda taze ve çok verimli bir şekilde düşünmesini sağlar, böylece tam olarak aradığınız sentezi elde edersiniz.

[11:05] To be honest with you, I'm not here to compare and contrast and give you an easy
  Dürüst olmak gerekirse, karşılaştırma ve zıtlaştırma yapmak ve size kolay bir şey vermek için burada değilim

[11:10] And contrast and give you an easy winner.
  Ve karşılaştırıp size kolay bir kazanan sunar.

[11:12] Study guides and filing cabinets can both be useful, but they're good at different things, and I don't want them compared inaccurately.
  Çalışma rehberleri ve dosya dolapları her ikisi de faydalı olabilir, ancak farklı şeylerde iyidirler ve onların yanlış karşılaştırılmasını istemem.

[11:17] And that's really important.
  Ve bu gerçekten önemlidir.

[11:19] So, why does this matter for you?
  Peki, bu sizin için neden önemli?

[11:20] This is the way to think about it that's not about architecture.
  Bu, mimariyle ilgili olmayan bir düşünme biçimidir.

[11:22] If you only store stuff, your AI has to figure out what it all means every time you ask.
  Eğer sadece şeyler depolarsanız, yapay zekanız her sorduğunuzda bunların hepsinin ne anlama geldiğini çözmek zorunda kalır.

[11:27] You've been feeding it articles, meeting notes, and research for months and months and months and months.
  Aylar ve aylar ve aylar ve aylar boyunca ona makaleler, toplantı notları ve araştırmalar beslediniz.

[11:32] You ask a question that requires connecting a bunch of different sources together.
  Birçok farklı kaynağı bir araya getirmeyi gerektiren bir soru soruyorsunuz.

[11:36] And the AI has to go and burn tokens.
  Ve yapay zeka gidip jeton yakmak zorunda kalır.

[11:39] It has to find those sources.
  O kaynakları bulmak zorunda.

[11:41] It has to make sense of them.
  Onları anlamlandırmak zorunda.

[11:44] It has to read them.
  Onları okumak zorunda.

[11:46] It has to think through them.
  Onları düşünmek zorunda.

[11:48] It has to understand what's going on, figure out how they relate together.
  Neler olup bittiğini anlamak, nasıl birbiriyle ilişkili olduklarını çözmek zorunda.

[11:51] And ultimately, it has to produce a synthesis that actually works from scratch.
  Ve nihayetinde, gerçekten sıfırdan işe yarayan bir sentez üretmek zorunda.

[11:57] And it has to do that every single time.
  Ve bunu her seferinde yapmak zorunda.

[12:00] Nothing has been pre-built.
  Hiçbir şey önceden oluşturulmamış.

[12:03] Now, here's the other side.
  Şimdi, diğer tarafa bakalım.

[12:05] If you only build a wiki, your AI can read the summary, but it cannot do anything precise with the raw data underneath.
  Eğer sadece bir wiki oluşturursanız, yapay zekanız özeti okuyabilir, ancak altındaki ham verilerle hassas bir şey yapamaz.

[12:11] Precise with the raw data underneath.
  Прецизно с необработанными данными под ним.

[12:14] You want to pull every deal over $50,000 from the last quarter.
  Вы хотите извлечь каждую сделку на сумму более 50 000 долларов за последний квартал.

[12:17] You want to filter all your meetings by client name.
  Вы хотите отфильтровать все свои встречи по имени клиента.

[12:19] You want to have three different AI tools that query your knowledge base at the same time.
  Вы хотите иметь три разных ИИ-инструмента, которые одновременно запрашивают вашу базу знаний.

[12:23] A folder of text files cannot answer complex questions like that.
  Папка текстовых файлов не может ответить на такие сложные вопросы.

[12:25] The understanding is there in synthesized form, but the detailed structured data to make meaningful decisions just isn't there.
  Понимание есть в синтезированной форме, но подробных структурированных данных для принятия обоснованных решений просто нет.

[12:31] And it isn't there by design.
  И этого нет по замыслу.

[12:36] It's just not going to be there.
  Его просто не будет.

[12:38] In addition, if you have three or more agents, that's just going to break when they're all trying to write Markdown files at once.
  Кроме того, если у вас три или более агента, это просто сломается, когда они все одновременно попытаются записать файлы Markdown.

[12:44] The wiki structure presupposes a single agent working for you that just writes in one place.
  Структура вики предполагает наличие одного агента, работающего на вас, который просто пишет в одном месте.

[12:50] Whereas the open brain structure assumes you may want to hook in multiple agents at multiple points to contribute to or pull from a structured database.
  В то время как структура открытого мозга предполагает, что вы можете захотеть подключить несколько агентов в нескольких точках для внесения вклада или извлечения данных из структурированной базы данных.

[13:00] Let's move on from structured data to talk about a different kind of challenge with AI.
  Перейдем от структурированных данных к обсуждению другого рода проблем с ИИ.

[13:06] It is difficult right now to actually trace how an AI learns or
  Сейчас трудно проследить, как ИИ учится или

[13:12] Actually trace how an AI learns or improves over time when there is no memory architecture under the system.
  De facto, bir yapay zeka hafıza mimarisi olmadan zamanla nasıl öğrendiğini veya geliştiğini izleyin.

[13:17] And I want to talk about a distinction between remembering detailed facts which open brain is designed to do and remembering narrative or synthesis which the wiki is designed to do.
  Ve açık beynin yapmaya çalıştığı ayrıntılı gerçekleri hatırlamak ile wiki'nin yapmaya çalıştığı anlatı veya sentezi hatırlamak arasındaki bir ayrım hakkında konuşmak istiyorum.

[13:31] And I want to help you understand how that plays out for a team because it's really important to understand that our storage architectures shape the futures that we are unlocking for teams because that we're effectively choosing a context layer that you need to make sense of, use, input information into, believe, trust, and depend on for decisions.
  Ve bunun bir ekip için nasıl sonuçlandığını anlamanıza yardımcı olmak istiyorum çünkü depolama mimarilerimizin, ekipler için açtığımız gelecekleri şekillendirdiğini anlamak gerçekten önemlidir, çünkü etkili bir şekilde anlamanız, kullanmanız, bilgi girmeniz, inanmanız, güvenmeniz ve kararlar için güvenmeniz gereken bir bağlam katmanı seçiyoruz.

[13:52] The stakes could not be higher.
  Riskler daha yüksek olamazdı.

[13:54] Most organizations are generating enormous volumes of AI touched knowledge right now.
  Çoğu kuruluş şu anda muazzam miktarda yapay zeka dokunuşlu bilgi üretiyor.

[13:59] We're generating meeting summaries.
  Toplantı özetleri üretiyoruz.

[14:00] We're generating strategy documents touched by AI.
  Yapay zeka tarafından dokunulan strateji belgeleri üretiyoruz.

[14:02] We're generating research outputs.
  Araştırma çıktıları üretiyoruz.

[14:04] We're generating Slack threads.
  Slack konuşmaları üretiyoruz.

[14:06] And almost all of it is write once, read never because nobody is maintaining any of it.
  Ve bunun neredeyse tamamı bir kere yaz, asla okuma şeklinde çünkü kimse bunu sürdürmüyor.

[14:12] Nobody is synthesizing across any
  Kimse herhangi bir şeyi sentezlemiyor

[14:14] Of it. Nobody is synthesizing across any of those documents.
  De. Kimse bu belgelerden herhangi birini sentezlemiyor.

[14:17] Nobody is flagging of those documents.
  Kimse bu belgeleri işaretlemiyor.

[14:20] Nobody is flagging that the Q2 strategy deck contradicts what the CEO said in last week's all hands.
  Kimse, 2. çeyrek strateji sunumunun CEO'nun geçen haftaki genel kurulda söyledikleriyle çeliştiğini işaretlemiyor.

[14:24] Your company's AI generated knowledge right now is either a compounding asset or it's just a growing pile of noise.
  Şirketinizin yapay zeka tarafından üretilen bilgisi şu anda ya birikimli bir varlık ya da sadece büyüyen bir gürültü yığınıdır.

[14:29] And so the choice between the two memory structures here is a lot more than a design decision.
  Yani buradaki iki bellek yapısı arasındaki seçim, bir tasarım kararından çok daha fazlasıdır.

[14:34] It's actually the thing that most teams are making by accident that determines how reliable their northstar compass in product decisioning is.
  Aslında çoğu ekibin kazara yaptığı ve ürün karar alma sürecindeki kuzey yıldızı pusulalarının ne kadar güvenilir olduğunu belirleyen şeydir.

[14:42] And the subtlety that matters here is that sometimes contradictions are the most valuable thing in your knowledge base.
  Ve burada önemli olan incelik, bazen çelişkilerin bilgi tabanınızdaki en değerli şey olmasıdır.

[14:51] And one of the things that you worry about is that you're going to lose the distinctions that you need to make good decisions in a wiki format.
  Ve endişelendiğiniz şeylerden biri, wiki formatında iyi kararlar vermek için ihtiyacınız olan ayrımları kaybetmenizdir.

[14:58] So engineering might think the timeline for the build is 12 weeks and sales promise the client 8.
  Yani mühendislik, inşaat süresinin 12 hafta olduğunu düşünebilir ve satış ekibi müşteriye 8 hafta söz verir.

[15:03] And something like a smart wiki might resolve that contradiction into one coherent narrative rather than flagging that you have a fundamental misalignment.
  Ve akıllı bir wiki gibi bir şey, temel bir uyumsuzluğunuz olduğunu işaretlemek yerine, o çelişkiyi tutarlı tek bir anlatıya dönüştürebilir.

[15:10] And that is a strategic signal in the system that you would not want to synthesize across with an
  Ve bu, sistemde sentezlemek istemeyeceğiniz stratejik bir sinyaldir.

[15:14] I want to synthesize across with an estimate of 10 weeks.
  Chci syntetizovat s odhadem 10 týdnů.

[15:16] The gap between estimate of 10 weeks.
  Rozdíl mezi odhadem 10 týdnů.

[15:19] The gap between what engineering knows and what sales promised is exactly the problem your leadership would need to see in that situation.
  Rozdíl mezi tím, co inženýrství ví, a tím, co prodej slíbil, je přesně problém, který by vaše vedení v dané situaci muselo vidět.

[15:23] A database that stores both views without resolving them preserves that tension and a well-meaning wiki might smooth those all away.
  Databáze, která ukládá oba pohledy bez jejich řešení, zachovává toto napětí a dobře míněná wiki by to vše mohla vyhladit.

[15:29] So those are some of the structural differences.
  Takže to jsou některé ze strukturálních rozdílů.

[15:31] But if we go past the structural differences in these two memory systems, the open brain system and the wiki system, I want to talk a little bit about the job that the AI does in each system and why it's important to name the AI job description really clearly.
  Ale pokud půjdeme za strukturální rozdíly v těchto dvou paměťových systémech, systému otevřeného mozku a systému wiki, chci trochu mluvit o práci, kterou AI v každém systému dělá, a proč je důležité jasně pojmenovat popis práce AI.

[15:43] One of the sharpest practical differences between these approaches is what the AI will spend its time doing.
  Jeden z nejvýraznějších praktických rozdílů mezi těmito přístupy je to, čím AI stráví svůj čas.

[15:47] And you need to decide like where do you want to invest in your AI.
  A musíte se rozhodnout, kam chcete investovat do své AI.

[15:54] In Karpathy's system, the AI is primarily a writer.
  V Karpathyho systému je AI primárně spisovatel.

[15:58] The job is to maintain a document.
  Úkolem je spravovat dokument.

[16:00] And when you add a new source, you have to write to that, right?
  A když přidáte nový zdroj, musíte k němu napsat, že ano?

[16:04] You have to read the raw material, synthesize it, write what you think about it.
  Musíte si přečíst surový materiál, syntetizovat ho, napsat, co si o něm myslíte.

[16:08] Update wiki pages, connect new links, make sense of it, add concept explanations, cross
  Aktualizovat wiki stránky, propojit nové odkazy, pochopit to, přidat vysvětlení konceptů, křížové

[16:16] Add concept explanations, cross-reference it, create an index.
  Konsept açıklamaları ekle, çapraz referans ver, bir dizin oluştur.

[16:18] There's a ton to do.
  Yapılacak çok şey var.

[16:21] It's effectively doing editorial work.
  Etkin bir şekilde editöryel iş yapıyor.

[16:23] It's making judgment calls about what's important, about what connects to what, and where those contradictions might lie.
  Neyin önemli olduğu, neyin neyle bağlantılı olduğu ve bu çelişkilerin nerede yatabileceği konusunda yargı kararları veriyor.

[16:28] Whereas in open brain, we think of the AI as primarily a reader.
  Oysa açık beyinde, yapay zekayı öncelikli olarak bir okuyucu olarak düşünüyoruz.

[16:30] Its job is to answer questions by pulling from the structured data.
  Görevi, yapılandırılmış verilerden çekerek soruları yanıtlamaktır.

[16:33] And when you or an agent will ask something, the AI will just search the database that has been carefully read and carefully organized.
  Ve siz veya bir temsilci bir şey sorduğunuzda, yapay zeka dikkatlice okunmuş ve dikkatlice organize edilmiş veritabanını arayacaktır.

[16:41] Read the relevant entries and come back with a precise, fresh synthesis based on all of the available data.
  İlgili girişleri oku ve mevcut tüm verilere dayanan kesin, taze bir sentezle geri dön.

[16:49] So effectively, it is doing the analytical work on the fly, but it's able to produce more detailed results because all of the detail is immediately available in the database.
  Yani etkin bir şekilde, analiz işini anında yapıyor, ancak tüm detaylar veritabanında hemen mevcut olduğu için daha ayrıntılı sonuçlar üretebiliyor.

[16:59] And so those different job descriptions have real consequences.
  Ve bu farklı iş tanımlarının gerçek sonuçları var.

[17:01] When the AI is a writer, you interact with it intensively when new information comes in.
  Yapay zeka bir yazar olduğunda, yeni bilgiler geldiğinde onunla yoğun bir şekilde etkileşim kurarsınız.

[17:07] Is that a job that you want to do?
  Yapmak istediğiniz bir iş mi bu?

[17:09] Do you want to interact with it a lot when the new information comes in?
  Yeni bilgiler geldiğinde onunla çok etkileşim kurmak ister misiniz?

[17:12] It does adding a single research paper trigger updates.
  Tek bir araştırma makalesi eklemek güncellemeleri tetikler.

[17:16] Single research paper triggers updates across a dozen wiki pages, and is that something you're comfortable doing as you think through and figure out the connections?
  Tek bir araştırma makalesi bir düzine wiki sayfasında güncellemeleri tetikler ve bu, bağlantıları düşündüğünüz ve anladığınız sürece yapmaktan rahat olduğunuz bir şey mi?

[17:23] It's a somewhat heavy operation on the front end, but afterward you end up getting answers that are very cheap because all of your thinking is captured in that wiki.
  Ön uçta biraz ağır bir işlemdir, ancak sonrasında düşüncelerinizin tamamı o wiki'de yakalandığı için çok ucuz cevaplar alırsınız.

[17:31] The thinking has been done.
  Düşünme işlemi tamamlanmış.

[17:34] When the AI is more of a reader, as in open brain, what you get is adding new information is lazy and cheap.
  Yapay zeka daha çok okuyucu olduğunda, açık beyin gibi, elde ettiğiniz şey yeni bilgi eklemenin tembel ve ucuz olmasıdır.

[17:40] That's sort of why I did it because I'm a lazy person and I want my stuff autocategorized as cheaply and easily as possible.
  Bunu yapmamın nedeni de bu, çünkü ben tembel bir insanım ve eşyalarımın mümkün olduğunca ucuz ve kolay bir şekilde otomatik olarak kategorize edilmesini istiyorum.

[17:48] We just write a row, we tag it and we're done.
  Sadece bir satır yazarız, etiketleriz ve işimiz biter.

[17:50] The heavy operation is when you ask a question because the AI has to reconstruct understanding from the data each time.
  Ağır işlem, bir soru sorduğunuzda gerçekleşir çünkü yapay zeka her seferinde verilerden anlayışı yeniden yapılandırmak zorundadır.

[17:56] So simple lookups can be fast and complex lookups will take time as the AI does deep synthesis because it's actually interrogating the raw data.
  Yani basit aramalar hızlı olabilir ve yapay zeka ham verileri sorguladığı için derin sentez yaptığında karmaşık aramalar zaman alacaktır.

[18:06] That cost is going to recur every time if you ask something similar.
  Benzer bir şey sorarsanız bu maliyet her seferinde tekrarlanacaktır.

[18:10] But on the other hand, you are not going to lose detail if you need to get into the grounds and really understand what is going on.
  Ancak diğer yandan, ayrıntılara inmeniz ve neler olup bittiğini gerçekten anlamanız gerekirse ayrıntıları kaybetmeyeceksiniz.

[18:16] The difference between these
  Bunlar arasındaki fark

[18:17] Going on.
  Продолжается.

[18:19] The difference between these approaches raises a question that I think most of us aren't asking yet.
  Разница между этими подходами поднимает вопрос, который, я думаю, большинство из нас еще не задают.

[18:21] Whose understanding matters here?
  Чье понимание здесь имеет значение?

[18:25] When your AI maintains a wiki, what you are effectively saying is that when a colleague asks you about a topic, you are willing to check the wiki and trust what the AI says before answering.
  Когда ваш ИИ ведет вики, вы фактически говорите, что когда коллега спрашивает вас о теме, вы готовы проверить вики и довериться тому, что говорит ИИ, прежде чем отвечать.

[18:31] And you are trusting that the AI's capture of your understanding or your thinking or the article you gave it is good enough to share with your colleagues as yours.
  И вы доверяете тому, что ИИ уловил ваше понимание или ваши мысли, или статью, которую вы ему дали, достаточно хорошо, чтобы поделиться ею с коллегами как своей.

[18:49] Whereas if you have an open brain style database, the providence is very clear.
  В то время как, если у вас есть база данных в стиле открытого разума, происхождение очень ясно.

[18:51] These are facts from identified sources with timestamps.
  Это факты из идентифицированных источников с временными метками.

[18:53] You can trace any claim back to where it came from.
  Вы можете проследить любое утверждение до его источника.

[18:57] What you know, you know, and you know why you know it.
  Что вы знаете, вы знаете, и вы знаете, почему вы это знаете.

[18:59] And you can come back with a fair bit of authority and say, "I'm not just trusting the AI's ability to synthesize information.
  И вы можете вернуться с изрядной долей авторитета и сказать: «Я не просто доверяю способности ИИ синтезировать информацию.

[19:05] I'm actually saying this is the raw material I got.
  Я фактически говорю, что это сырой материал, который я получил.

[19:10] This is the facts that I'm basing this on, and this is a considered opinion based on a query across all of the data that I've collected over the last few months or the last few weeks or whatever.
  Это факты, на которых я основываюсь, и это обдуманное мнение, основанное на запросе по всем данным, которые я собрал за последние несколько месяцев или последние несколько недель или что-то в этом роде.

[19:19] months or the last few weeks or whatever it is for you.
  mes veya son birkaç hafta veya sizin için her neyse.

[19:20] That is a deeper and more consequential kind of trust.
  Bu daha derin ve daha sonuç odaklı bir güven türüdür.

[19:22] It also means the instructions you give the AI that tells it how to organize your wiki becomes the highest leverage document in the whole system.
  Aynı zamanda, wiki'nizi nasıl organize edeceğini söyleyen yapay zekaya verdiğiniz talimatların tüm sistemdeki en yüksek kaldıraç belgesi haline gelmesi anlamına gelir.

[19:27] Because if you're building a wiki, I want you to think about this for a second.
  Çünkü bir wiki oluşturuyorsanız, bunu bir saniye düşünmenizi istiyorum.

[19:33] If you're building a wiki, you basically are telling in one markdown file the AI to organize and synthesize in a way that's profoundly useful to you and profoundly accurate.
  Bir wiki oluşturuyorsanız, temelde tek bir markdown dosyasında yapay zekaya sizin için son derece faydalı ve son derece doğru bir şekilde organize etmesini ve sentezlemesini söylüyorsunuz.

[19:45] and you're betting your career that it will get it right or you're going to invest time on every single ingest to make sure it's correct and to doublecheck it.
  ve kariyerinizi doğru yapacağına dair bahse giriyorsunuz ya da her bir alımı doğru olduğundan emin olmak ve iki kez kontrol etmek için zaman ayıracaksınız.

[19:52] Most people will underinvest in that and the wiki will be worse than it should be as a result.
  Çoğu insan buna yeterince yatırım yapmayacak ve sonuç olarak wiki olması gerekenden daha kötü olacaktır.

[19:58] Not because it can't be good, but because we're lazy.
  İyi olamayacağı için değil, çünkü tembeliz.

[20:00] If we were to talk about what each approach is good at and where the advantages are, I would say that Carpathy's wiki wins when you're deep in research mode, when you're reading 10 papers on a topic over a couple of weeks, which sounds a lot like what Andre does, right?
  Her yaklaşımın ne konuda iyi olduğunu ve avantajlarının nerede olduğunu konuşacak olursak, Carpathy'nin wiki'sinin araştırma modunda derinleştiğinizde, bir konu hakkında birkaç hafta boyunca 10 makale okuduğunuzda kazandığını söylerdim, ki bu Andre'nin yaptığına çok benziyor, değil mi?

[20:15] like it's written for him.
  onun için yazılmış gibi.

[20:17] You could tell, right?
  Anlayabilirdin, değil mi?

[20:19] And each one might build on.
  Ve her biri üzerine inşa edebilir.

[20:19] It might contradict the last.
  Sonuncusuyla çelişebilir.

[20:19] It's a thinking person's tool.
  Bu, düşünen bir insanın aracıdır.

[20:21] It's a thinking person's tool.
  To je alat za razmišljanje.

[20:23] The wiki approach is going to be dramatically better in that situation.
  Wiki pristup će u toj situaciji biti znatno bolji.

[20:25] Because by paper five, you're continuing to wrestle with it.
  Jer do petog rada, nastavljate se boriti s tim.

[20:27] You're continuing to read.
  Nastavljate čitati.

[20:29] You're giving input.
  Dajete unos.

[20:30] The wiki contains a synthesis of the first four.
  Wiki sadrži sintezu prva četiri.

[20:32] You've read all of the primary sources.
  Pročitali ste sve primarne izvore.

[20:34] You have them in your head as well.
  Također ih imate u glavi.

[20:36] And paper 5 can get integrated into that existing picture and help you evolve your thinking.
  I rad 5 se može integrirati u tu postojeću sliku i pomoći vam da razvijete svoje razmišljanje.

[20:41] Contradictions get flagged at the moment of ingest and you can see them really quickly.
  Kontradikcije se označavaju u trenutku unosa i možete ih vidjeti vrlo brzo.

[20:44] Cross references get built automatically.
  Unakrsne reference se automatski grade.

[20:46] It's basically an academic researcher's dream.
  U osnovi je to san akademskog istraživača.

[20:48] And so by paper 10, you have a really rich navigable artifact that represents the current state of your understanding of a very difficult subject.
  I tako do rada 10, imate vrlo bogat navigacijski artefakt koji predstavlja trenutno stanje vašeg razumijevanja vrlo teškog predmeta.

[20:55] It's sort of like notebook LM on steroids.
  To je pomalo kao Notebook LM na steroidima.

[20:58] It's not just the current state of your files.
  Nije samo trenutno stanje vaših datoteka.

[21:01] It also wins because your personal knowledge evolves over months and you can actually see it grow.
  Također pobjeđuje jer vaše osobno znanje evoluira tijekom mjeseci i zapravo ga možete vidjeti kako raste.

[21:07] Right?
  Zar ne?

[21:08] So if you're thinking about your health over months about self-improvement about competitive analysis for any domain where the value is in the connections between the sources rather than in any single source alone then that's where Carpathy's
  Dakle, ako razmišljate o svom zdravlju tijekom mjeseci, o samopoboljšanju, o komparativnoj analizi za bilo koju domenu gdje je vrijednost u vezama između izvora, a ne u bilo kojem pojedinačnom izvoru samom, onda je to tamo gdje Carpathyjev

[21:22] Alone, then that's where Carpathy's approach is going to win, right?
  Yalnız, o zaman Carpathy'nin yaklaşımının kazanacağı yer orası, değil mi?

[21:23] Because you're really looking at how it can help you understand a complex synthesis problem.
  Çünkü karmaşık bir sentez problemini nasıl anlayabileceğinize gerçekten bakıyorsunuz.

[21:30] But OpenBrain wins when you need precise structured operations across your knowledge base.
  Ancak OpenBrain, bilgi tabanınızda hassas yapılandırılmış işlemlere ihtiyaç duyduğunuzda kazanır.

[21:34] If you want to ask, "Show me every meeting note from Q1 where pricing was discussed," that's an OpenBrain type question.
  Eğer "Fiyatlandırmanın tartışıldığı 1. çeyrekteki tüm toplantı notlarımı göster" diye sormak isterseniz, bu bir OpenBrain türü sorudur.

[21:40] If you want to pull the three most recent competitor updates and compare them, that's an OpenBrain question.
  En son üç rakip güncellemesini çekip karşılaştırmak isterseniz, bu bir OpenBrain sorusudur.

[21:46] Or find all actionable items assigned to me in the last two weeks, OpenBrain.
  Veya son iki haftada bana atanan tüm eyleme geçirilebilir öğeleri bul, OpenBrain.

[21:50] Again, these are database queries, right?
  Yine, bunlar veritabanı sorguları, değil mi?

[21:52] You are digging in for specific facts.
  Belirli gerçekleri araştırıyorsunuz.

[21:54] They return exact filterable results.
  Kesin filtrelenebilir sonuçlar döndürürler.

[21:56] A folder of text files can approximate this with some keyword search, but it's not going to be perfect, right?
  Bir metin dosyası klasörü, bazı anahtar kelime aramalarıyla bunu yaklaşık olarak yapabilir, ancak mükemmel olmayacaktır, değil mi?

[22:01] It's going to miss stuff.
  Bazı şeyleri kaçıracaktır.

[22:03] It's going to break fast and it's not really what that whole wiki system was designed for, especially when you need to combine filters, sort by date, or work across hundreds of entries.
  Hızlı bir şekilde bozulacaktır ve özellikle filtreleri birleştirmeniz, tarihe göre sıralamanız veya yüzlerce girdi üzerinde çalışmanız gerektiğinde, tüm wiki sisteminin tasarlandığı şey bu değildir.

[22:14] OpenBrain also wins for multi-access when you have clouded code and chat GPT and cursor and a scheduled
  Ayrıca, bulutlu kod, chat GPT, imleç ve planlanmış bir şey olduğunda OpenBrain çoklu erişim için de kazanır.

[22:23] And ChatGPT and Cursor and a scheduled automation, all working against the same data source at once, all needing to read from and write to the same knowledge store at the same time.
  Ve ChatGPT, Cursor ve zamanlanmış bir otomasyon, hepsi aynı anda aynı veri kaynağına karşı çalışıyor, hepsi aynı anda aynı bilgi deposundan okuma ve yazma ihtiyacı duyuyor.

[22:30] Well, you need a database that handles simultaneous access in that situation, not a directory of files where two agents editing the same page creates a complete mess.
  Pekala, bu durumda eşzamanlı erişimi yöneten bir veritabanına ihtiyacınız var, aynı sayfayı düzenleyen iki ajanın tam bir karmaşa yarattığı bir dosya dizini değil.

[22:36] And OpenBrain wins on volume, too, right?
  Ve OpenBrain hacim konusunda da kazanıyor, değil mi?

[22:39] OpenBrain can handle thousands of entries across dozens of categories with search, with metadata, with relational queries.
  OpenBrain, arama, meta veri, ilişkisel sorgular ile onlarca kategoride binlerce girdiyi yönetebilir.

[22:44] And and Carpathy absolutely acknowledges this.
  Ve Carpathy kesinlikle bunu kabul ediyor.

[22:46] It works best at roughly 100 to 10,000 high signal documents.
  Yaklaşık 100 ila 10.000 yüksek sinyalli belgede en iyi şekilde çalışır.

[22:51] It is not corporate level memory.
  Kurumsal düzeyde bir hafıza değildir.

[22:53] And I hear corporations saying we should just use this for our company level context layer.
  Ve şirketlerin bunu şirket düzeyinde bağlam katmanı için kullanmamız gerektiğini söylediğini duyuyorum.

[22:56] And that will not work.
  Ve bu işe yaramayacak.

[22:58] And at the upper end, 10,000 documents, you already need extra search tooling just to stay manageable.
  Ve üst uçta, 10.000 belge ile, yönetilebilir kalmak için zaten ekstra arama araçlarına ihtiyacınız var.

[23:02] And so when you're dealing with thousands of contacts and transactions and events and tasks and documents on top of all of that, structured storage is the only sane option that scales.
  Yani tüm bunların üzerine binlerce kişi, işlem, olay, görev ve belge ile uğraşırken, yapılandırılmış depolama ölçeklenebilen tek mantıklı seçenektir.

[23:10] But to be fair, we should look at where both systems break, right?
  Ancak adil olmak gerekirse, her iki sistemin de nerede çöktüğüne bakmalıyız, değil mi?

[23:16] Every system has a load where it starts to break.
  Her sistemin kırılmaya başladığı bir yükü vardır.

[23:18] They just tend to break in different ways.
  Sadece farklı şekillerde kırılma eğilimindedirler.

[23:20] So as I've called out, the wiki approach tends
  Yani belirttiğim gibi, wiki yaklaşımı eğilimi

[23:24] I've called out, the wiki approach tends to break at scale.
  Ya uyardım, wiki yaklaşımı ölçekte bozulma eğilimindedir.

[23:25] So, if you have a team that's using it where you are starting to hit that wiki structure from multiple directions, well, now the wiki doesn't know how to autooptimize, right?
  Yani, onu kullanan ve wiki yapısına birden fazla yönden ulaşmaya başladığınız bir ekibiniz varsa, şimdi wiki otomatik olarak optimize etmeyi bilmiyor, değil mi?

[23:35] If person A has an understanding that's evolving differently than person B or or agent A and agent B all have different approaches and they're trying to update the same wiki page.
  Eğer A kişisinin B kişisinden farklı gelişen bir anlayışı varsa veya A ve B ajanlarının farklı yaklaşımları varsa ve aynı wiki sayfasını güncellemeye çalışıyorlarsa.

[23:42] One, you have a conflict and that's going to be a problem.
  Birincisi, bir çatışmanız var ve bu bir sorun olacak.

[23:46] But two, the wiki is going to look like a weird merge of these different approaches that doesn't reflect deep personal understanding.
  Ancak ikincisi, wiki, derin kişisel anlayışı yansıtmayan bu farklı yaklaşımların garip bir birleşimi gibi görünecek.

[23:53] Fundamentally, the semantic understanding that you're evolving with the wiki is designed for a world that's kind of like Andre's world where he's a researcher and he's thinking deeply about a problem and it's for him and it's his evolving understanding with the agent.
  Temelde, wiki ile geliştirdiğiniz anlamsal anlayış, araştırmacı olduğu ve bir sorun hakkında derinlemesine düşündüğü ve onun için olduğu ve ajanla gelişen anlayışı olduğu Andre'nin dünyasına benzeyen bir dünya için tasarlanmıştır.

[24:04] So for a solo practitioner, you don't get issues here.
  Yani tek başına çalışan biri için burada sorun yaşamazsınız.

[24:06] But for a team, this becomes a really serious problem.
  Ancak bir ekip için bu gerçekten ciddi bir sorun haline gelir.

[24:10] If your knowledge changes daily, if you are an operation where you have project status, you have competitive positioning, you have live deal flow, the cost of reynthesizing the wiki every time something comes in becomes really punishing because every change potentially ripples across multiple
  Bilginiz her gün değişiyorsa, proje durumunuzun olduğu, rekabetçi konumlandırmanızın olduğu, canlı anlaşma akışınızın olduğu bir operasyonsanız, bir şey geldiğinde wiki'yi yeniden sentezlemenin maliyeti gerçekten cezalandırıcı hale gelir çünkü her değişiklik potansiyel olarak birden fazla alana yayılır.

[24:25] Potentially ripples across multiple pages in ways that you can't control.
  Potencialmente se propaga a través de múltiples páginas de maneras que no puedes controlar.

[24:27] And it should not, right?
  Y no debería, ¿verdad?

[24:28] It should just be another data point in the row.
  Debería ser solo otro punto de datos en la fila.

[24:31] And so, think of the wiki system as being optimized for like papers and articles speed, not Slack message and ticket update speed.
  Y así, piensa en el sistema wiki como optimizado para la velocidad de artículos y documentos, no para la velocidad de mensajes de Slack y actualizaciones de tickets.

[24:38] And that's the thing that worries me the most is that people don't recognize that a particular knowledge system is designed to work at a particular speed of business.
  Y eso es lo que más me preocupa, que la gente no reconozca que un sistema de conocimiento particular está diseñado para funcionar a una velocidad de negocio particular.

[24:45] And if you don't think about it that way, you might implement the wrong one.
  Y si no lo piensas de esa manera, podrías implementar el incorrecto.

[24:49] A neglected database has gaps, but the old facts are still true.
  Una base de datos descuidada tiene lagunas, pero los hechos antiguos siguen siendo ciertos.

[24:54] As opposed to a wiki.
  En contraposición a una wiki.

[24:57] A neglected wiki tends to drift because old syntheses become increasingly wrong as new information is not integrated, but they still read with the confidence that comes from well-written prose.
  Una wiki descuidada tiende a desviarse porque las síntesis antiguas se vuelven cada vez más incorrectas a medida que no se integra nueva información, pero aún se leen con la confianza que proviene de una prosa bien escrita.

[25:08] And so database staleness can look like ignorance.
  Y así, la desactualización de la base de datos puede parecer ignorancia.

[25:11] It can look like you're missing something.
  Puede parecer que te falta algo.

[25:12] I forgot to put stuff into my open brain.
  Olvidé poner cosas en mi cerebro abierto.

[25:14] But wiki staleness looks differently.
  Pero la desactualización de la wiki se ve diferente.

[25:16] It actually looks like active misinformation because you don't know that you're wrong because the page reads like it knows what it's talking about because that is the entire purpose.
  En realidad, parece desinformación activa porque no sabes que estás equivocado porque la página parece saber de lo que está hablando porque ese es el propósito completo.

[25:24] It's supposed to synthesize
  Se supone que debe sintetizar

[25:26] Purpose.
  Amaç.

[25:27] It's supposed to synthesize stuff and write confident pros that helps you understand a situation.
  Bir şeyleri sentezlemesi ve bir durumu anlamanıza yardımcı olacak kendinden emin artılar yazması amaçlanmıştır.

[25:32] And you might not question the gap that you do not see.
  Ve görmediğiniz boşluğu sorgulamayabilirsiniz.

[25:34] Now, let's get at some of the scale breakpoints for OpenBrain.
  Şimdi, OpenBrain için bazı ölçek kırılma noktalarına bakalım.

[25:35] And by the way, yes, I am launching fixes for these because that's what we're all about with AI.
  Ve bu arada, evet, bunlar için düzeltmeler yayınlıyorum çünkü yapay zeka ile ilgili her şeyimiz bu.

[25:39] We make things better over time.
  Zamanla şeyleri daha iyi hale getiririz.

[25:43] In the past, Open Brain has really cracked around deep synthesis quality.
  Geçmişte, Open Brain derin sentez kalitesi konusunda gerçekten ustalaştı.

[25:47] If you try to synthesize 15 different facts at once, the AI can do it, but it tends to do it in slightly unpredictable ways because it has no previous map of how that worked in the past to do it well.
  Aynı anda 15 farklı gerçeği sentezlemeye çalışırsanız, yapay zeka bunu yapabilir, ancak bunu iyi yapmak için geçmişte nasıl çalıştığına dair önceki bir haritası olmadığı için bunu biraz öngörülemeyen şekillerde yapma eğilimindedir.

[25:55] It's essentially searching the shelves of the database every single time from scratch.
  Temelde her seferinde veritabanının raflarını sıfırdan arıyor.

[26:02] Now, the answer is usually good because the AI is good, but it's rarely as good as a pre-built synthesis that had the time to integrate everything deliberately from the beginning.
  Şimdi, cevap genellikle iyidir çünkü yapay zeka iyidir, ancak baştan her şeyi kasıtlı olarak entegre etmek için zamana sahip önceden oluşturulmuş bir sentez kadar iyi olması nadirdir.

[26:11] And that is something that we're addressing.
  Ve bu ele aldığımız bir şey.

[26:14] Browsability is another area that we can think about here.
  Göz atılabilirlik, burada düşünebileceğimiz başka bir alandır.

[26:18] Open brain is deliberately headless.
  Açık beyin kasıtlı olarak başsızdır.

[26:20] There's no artifact you open and wander through.
  Açıp dolaşacağınız bir eser yok.

[26:23] And I built it that way because it gives you the flexibility to decide how you want to access it.
  Ve bunu bu şekilde inşa ettim çünkü ona nasıl erişmek istediğinize karar verme esnekliği sağlıyor.

[26:26] To decide how you want to access it.
  Karar vermek için ona nasıl erişmek istediğinize.

[26:28] Now, the nice thing is it's very very easy to build the right head over the top.
  Şimdi, güzel olan şey, tepenin üzerine doğru başı inşa etmek çok çok kolay.

[26:32] There are people who have added Obsidian to OpenBrain.
  Obsidian'ı OpenBrain'e ekleyen insanlar var.

[26:34] There's a plugin for that already.
  Bunun için zaten bir eklenti var.

[26:35] So, if that's something where you're like, I just I just can't browse the database, you're absolutely right.
  Yani, eğer bu sizin için 'veritabanına göz atamıyorum' gibi bir şeyse, kesinlikle haklısınız.

[26:40] Just pick the plugin of your choice and you can browse it.
  Sadece seçtiğiniz eklentiyi seçin ve ona göz atabilirsiniz.

[26:43] Whether that's Obsidian or something else.
  Bu Obsidian veya başka bir şey olsun.

[26:45] Here's another one we're building to improve in the wiki.
  İşte vikiyi iyileştirmek için inşa ettiğimiz bir diğeri.

[26:47] Contradictions surface when new information comes in as long as your initial markdown file deliberately says look for contradiction.
  Çelişkiler, ilk markdown dosyanız kasıtlı olarak çelişki ara dediği sürece yeni bilgi geldiğinde yüzeye çıkar.

[26:54] Because the AI is actively integrating against existing pages following your prompt.
  Çünkü yapay zeka, isteminizi takip ederek mevcut sayfalara karşı aktif olarak entegre oluyor.

[27:00] But in a database environment, the contradiction might just sit silently in adjacent rows unless you specifically ask the right question to expose that contradiction.
  Ancak bir veritabanı ortamında, o çelişkiyi ortaya çıkarmak için doğru soruyu özellikle sormadığınız sürece çelişki bitişik satırlarda sessizce oturabilir.

[27:09] I'm building a plugin that helps with that.
  Buna yardımcı olan bir eklenti inşa ediyorum.

[27:11] If you are interested in essentially running audits that check for contradictions in your data set, we're launching a plug-in that helps you use OpenBrain as a contradiction surfacing tool.
  Veri kümenizdeki çelişkileri kontrol eden denetimleri çalıştırmakla ilgileniyorsanız, OpenBrain'i bir çelişki yüzeye çıkarma aracı olarak kullanmanıza yardımcı olan bir eklenti başlatıyoruz.

[27:21] You can actually build out and understand a map.
  Aslında bir harita oluşturabilir ve anlayabilirsiniz.

[27:27] Actually build out and understand a map of the contradictions in your team or your org data sets really, really easily.
  Aslında ekibinizdeki veya kuruluşunuzun veri kümelerindeki çelişkilerin bir haritasını gerçekten, gerçekten kolay bir şekilde oluşturabilir ve anlayabilirsiniz.

[27:32] Because you can look through the raw material and see it right away.
  Çünkü ham maddeye göz atabilir ve onu hemen görebilirsiniz.

[27:34] Yes, databases store facts.
  Evet, veritabanları gerçekleri depolar.

[27:36] They're not contradiction aware by default, but it's relatively easy in the age of AI to extend something like Open Brain and make it aware of those contradictions.
  Varsayılan olarak çelişki farkındalığına sahip değillerdir, ancak yapay zeka çağında Open Brain gibi bir şeyi genişletmek ve onu bu çelişkilerden haberdar etmek nispeten kolaydır.

[27:45] That's what I did.
  Ben de öyle yaptım.

[27:46] And I know I've spent a lot of time talking about differences, but one of the things I want to call out is that there are a lot of common principles that these systems share.
  Ve farklılıklardan çok konuştuğumu biliyorum, ancak belirtmek istediğim şeylerden biri, bu sistemlerin paylaştığı çok sayıda ortak ilkenin olmasıdır.

[27:55] They might disagree on implementation details, but a lot of the underlying thesis or principles about AI and about data they agree on.
  Uygulama ayrıntılarında anlaşamayabilirler, ancak yapay zeka ve veri hakkındaki temel tez veya ilkelerin çoğu konusunda hemfikirdirler.

[28:01] They agree that you own the artifact, not the tool.
  Aracın değil, eserin sahibi olduğunuz konusunda hemfikirdirler.

[28:03] So, Carpathy's files are text in a folder you control.
  Yani, Carpathy'nin dosyaları kontrol ettiğiniz bir klasördeki metinlerdir.

[28:05] Open Brain's data is in a database you own.
  Open Brain'in verileri sahip olduğunuz bir veritabanındadır.

[28:07] It's the same principle.
  Aynı prensip.

[28:10] Neither system hands your knowledge to a platform that can reprice or lock you in.
  Hiçbir sistem, yeniden fiyatlandırabilecek veya sizi kilitleyebilecek bir platforma bilginizi vermez.

[28:14] Carpathy calls this file over app.
  Carpathy buna dosya üstü uygulama diyor.

[28:16] I've called it building with no SAS middlemen.
  Ben buna SAS aracısız inşa etmek dedim.

[28:17] It's a very similar mindset.
  Çok benzer bir zihniyet.

[28:20] It's the same conviction at root.
  Kökten aynı inanç.

[28:22] In the age of AI, we should own our own context layer.
  Yapay zeka çağında, kendi bağlam katmanımıza sahip olmalıyız.

[28:24] Right?
  Değil mi?

[28:26] There should not be someone who is out there.
  Dışarıda biri olmamalı.

[28:29] Should not be someone who is out there whom we are paying just to own our context layer.
  Olmasın, bizim bağlam katmanımızı sahiplenmek için para ödediğimiz biri.

[28:33] Also, in both systems, the human's job is curation and questioning.
  Ayrıca, her iki sistemde de insanın görevi kürasyon ve sorgulamadır.

[28:38] We have to ask what sources go in.
  Hangi kaynakların gireceğini sormalıyız.

[28:40] We have to figure out what questions to ask.
  Ne soracağımızı bulmalıyız.

[28:43] We humans retain a big job in both cases.
  Biz insanlar her iki durumda da büyük bir işe sahibiz.

[28:45] There's no substitute for thinking carefully about how to organize your personal context layer.
  Kişisel bağlam katmanınızı nasıl organize edeceğinizi dikkatlice düşünmenin yerini tutamaz.

[28:52] And yes, the AI has lots of work to do.
  Ve evet, yapay zekanın yapacak çok işi var.

[28:54] It has to understand the facts that you put in an open brain.
  Açık bir beyne koyduğunuz gerçekleri anlamalıdır.

[28:57] It has to be able to effectively synthesize on the wiki side.
  Wiki tarafında etkili bir şekilde sentezleyebilmelidir.

[29:00] It's effectively a similar division of labor.
  Etkin olarak benzer bir iş bölümüdür.

[29:04] It's just timing that work differently because on the carpathy wiki approach, it's doing all of that up front.
  Sadece işlerin farklı çalışmasının zamanlamasıdır çünkü Karpathy'nin wiki yaklaşımında, tüm bunları önceden yapar.

[29:09] And on the open brain approach, it's doing all of that at query time when you ask.
  Ve açık beyin yaklaşımında, siz sorduğunuzda tüm bunları sorgulama zamanında yapar.

[29:13] In both cases, memory compounds through intentional structure, not just through random accumulation.
  Her iki durumda da bellek, rastgele birikimle değil, kasıtlı yapı aracılığıyla birikir.

[29:18] The only difference is how that structure is positioned and where that structure lives.
  Tek fark, o yapının nasıl konumlandırıldığı ve nerede yaşadığıdır.

[29:24] So it might live in a wiki in Karpathy's case and it lives in a SQL database in OpenBrain's case.
  Yani Karpathy'nin durumunda bir wiki'de yaşayabilir ve OpenBrain'in durumunda bir SQL veritabanında yaşar.

[29:30] a SQL database in OpenBrain's case.
  un casier de base de données SQL dans le cas d'OpenBrain.

[29:32] But in both cases, the structure is intentionally framed to enable a certain kind of connection to occur.
  Mais dans les deux cas, la structure est intentionnellement conçue pour permettre un certain type de connexion.

[29:39] And so for wiki work where you might want the connections to be between documents, that makes a ton of sense, right?
  Et donc pour le travail wiki où vous pourriez vouloir que les connexions soient entre les documents, cela a beaucoup de sens, n'est-ce pas ?

[29:45] You want all of the documents there.
  Vous voulez tous les documents là.

[29:46] You want the AI thinking it through.
  Vous voulez que l'IA y réfléchisse.

[29:48] And that's an intentional structure.
  Et c'est une structure intentionnelle.

[29:49] Whereas for OpenBrain, the intentional structure is a SQL database that you know can scale and it is designed to hold operational facts and make sure that they are in a neat place where you can reason against them and get audit ready results from day one.
  Alors que pour OpenBrain, la structure intentionnelle est une base de données SQL qui, vous le savez, peut évoluer et est conçue pour contenir des faits opérationnels et s'assurer qu'ils se trouvent dans un endroit ordonné où vous pouvez raisonner contre eux et obtenir des résultats prêts pour l'audit dès le premier jour.

[30:03] Both systems assume that the primary user of the knowledge base isn't you reading in a browser.
  Les deux systèmes supposent que l'utilisateur principal de la base de connaissances n'est pas vous lisant dans un navigateur.

[30:08] It's an AI agent working on your behalf.
  C'est un agent IA travaillant en votre nom.

[30:10] And I think increasingly that's going to be the assumption of all of these memory systems.
  Et je pense que de plus en plus, ce sera l'hypothèse de tous ces systèmes de mémoire.

[30:13] Human readability is a bonus.
  La lisibilité humaine est un bonus.

[30:15] Asian accessibility is actually the requirement.
  L'accessibilité asiatique est en fait l'exigence.

[30:19] So now we come to what I've built because let's be honest, we want a mature system that gives us the strength of both approaches.
  Alors maintenant, nous arrivons à ce que j'ai construit, car soyons honnêtes, nous voulons un système mature qui nous donne la force des deux approches.

[30:26] It's not either of those alone.
  Ce n'est pas l'un ou l'autre seul.

[30:29] And so the specific
  Et donc le spécifique

[30:31] Those alone.
  Samo to.

[30:33] And so the specific architecture that I'm putting together and proposing is the next major open brain extension.
  I tako je specifična arhitektura koju sastavljam i predlažem sljedeće veliko proširenje mozga.

[30:38] You want to keep OpenBrain as your permanent store.
  Želite zadržati OpenBrain kao svoje trajno spremište.

[30:41] Don't change that.
  Nemojte to mijenjati.

[30:42] It's a great spot for fax.
  To je sjajno mjesto za faks.

[30:45] Everything goes in there.
  Sve ide tamo.

[30:47] That's fantastic.
  To je fantastično.

[30:47] Every meeting note, every article clip, every research finding, every task, every contact, it's all tagged.
  Svaka bilješka sa sastanka, svaki isječak članka, svaki istraživački nalaz, svaki zadatak, svaki kontakt, sve je označeno.

[30:51] It's all searchable.
  Sve je pretraživo.

[30:53] It's all queryable.
  Sve je moguće upitati.

[30:53] That makes sense.
  To ima smisla.

[30:55] That is your durable memory layer right there.
  To je vaš sloj trajne memorije.

[30:57] And it can handle high volumes.
  I može podnijeti velike količine.

[30:59] It can handle precise query.
  Može podnijeti precizne upite.

[31:01] It can recall across multiple domains in your life.
  Može se prisjetiti više domena u vašem životu.

[31:03] It can be the source of truth.
  Može biti izvor istine.

[31:06] And a wiki layer can act as a compiled view on demand.
  A sloj wikija može djelovati kao kompiliran pogled na zahtjev.

[31:10] And and so I'm launching a new process, a new plug-in where a compilation agent can run on a schedule daily, weekly, on demand.
  I pokrećem novi proces, novi dodatak gdje agent za kompilaciju može raditi prema rasporedu dnevno, tjedno, na zahtjev.

[31:19] And the agent can read from OpenBrain structured data.
  I agent može čitati iz strukturiranih podataka OpenBrain.

[31:21] Effectively, it becomes an OpenBrain graph.
  Učinkovito, postaje OpenBrain graf.

[31:24] It can synthesize across entries.
  Može sintetizirati između unosa.

[31:27] It can produce wiki pages on demand.
  Može generirati wiki stranice na zahtjev.

[31:29] It can produce topic summaries.
  Može generirati sažetke tema.

[31:31] All driven by the idea that if you form
  Sve pokreće ideja da ako formirate

[31:33] All driven by the idea that if you form a graph of your knowledge base, you can get the advantages of the wiki approach with the solidity and the factuality that comes from an open-brain SQL database.
  Hepsi, bilgi tabanınızın bir grafiğini oluşturursanız, wiki yaklaşımının avantajlarını açık beyinli bir SQL veritabanından gelen sağlamlık ve gerçeklikle elde edebileceğiniz fikriyle yönlendiriliyor.

[31:46] And so these pages can be generated artifacts for you.
  Ve bu sayfalar sizin için oluşturulmuş yapıtlar olabilir.

[31:47] Think of them like a daily briefing that a really good chief of staff writes by reading everything in your files and distilling it into something you can browse.
  Onları, gerçekten iyi bir genelkurmay başkanının dosyalarınızdaki her şeyi okuyarak ve göz atabileceğiniz bir şeye damıtarak yazdığı günlük bir brifing gibi düşünün.

[31:56] The graph approach allows you to follow Karpathy's patterns for synthesis to cross reference to link related topics to flag contradictions to maintain an evolving synthesis but it works from structured data not raw files and that means it can do things Carpathy's ingest can't like filter entries by date or category before synthesizing.
  Graf yaklaşımı, sentez için Karpathy'nin kalıplarını izlemenize, çapraz referans vermenize, ilgili konuları bağlamanıza, çelişkileri işaretlemenize, gelişen bir sentezi sürdürmenize olanak tanır, ancak yapılandırılmış verilerden çalışır, ham dosyalardan değil ve bu da Karpathy'nin sindiriminin yapamayacağı, sentezlemeden önce girdileri tarihe veya kategoriye göre filtrelemek gibi şeyleri yapabileceği anlamına gelir.

[32:18] It can wait by confidence.
  Güvenliğe göre bekleyebilir.

[32:20] It can exclude outdated items.
  Eskimiş öğeleri hariç tutabilir.

[32:22] In other words, the synthesis is richer because the underlying data is more detailed.
  Başka bir deyişle, altta yatan veri daha ayrıntılı olduğu için sentez daha zengindir.

[32:26] The wiki pages are an easy to read layer and you can browse them in Obsidian.
  Wiki sayfaları okunması kolay bir katmandır ve onları Obsidian'da gezinebilirsiniz.

[32:31] You can browse them in a note app, but they're all powered by a pre-built context graph.
  Onları bir not uygulamasında gezinebilirsiniz, ancak hepsi önceden oluşturulmuş bir bağlam grafiği tarafından desteklenmektedir.

[32:37] All powered by a pre-built context graph that lives on your structured data.
  Hepsi, yapılandırılmış verileriniz üzerinde yaşayan önceden oluşturulmuş bir bağlam grafiği tarafından desteklenmektedir.

[32:39] That lives on your structured data that would not exist without your structured data.
  Yapılandırılmış verileriniz üzerinde yaşayan, yapılandırılmış verileriniz olmadan var olmayacak olan.

[32:43] They end up being your hot reference for when you're actively working on a topic.
  Aktif olarak bir konu üzerinde çalışırken sıcak referansınız haline gelirler.

[32:47] And the structured data ends up being like the raw files that Carpathy uses when he wants to look at the raw material in his wiki.
  Ve yapılandırılmış veriler, Carpathy'nin vikisindeki ham materyale bakmak istediğinde kullandığı ham dosyalar gibi olur.

[32:54] But unlike the raw files, these are easily queryable and organized in a SQL database.
  Ancak ham dosyaların aksine, bunlar kolayca sorgulanabilir ve bir SQL veritabanında organize edilmiştir.

[33:00] So you can scale them in a way that you can't with raw files.
  Yani onları ham dosyalarla yapamayacağınız bir şekilde ölçeklendirebilirsiniz.

[33:02] You do not have a 10,000 file limit with OpenBrain in the same way.
  OpenBrain ile aynı şekilde 10.000 dosya sınırınız yoktur.

[33:06] So the database stays the single source of truth.
  Yani veritabanı gerçeğin tek kaynağı olarak kalır.

[33:10] New information always goes into the core SQL open brain first.
  Yeni bilgiler her zaman önce çekirdek SQL açık beyne girer.

[33:13] The wiki is never edited directly and this prevents the error compounding problem that several commenters on Carpathy's post flagged.
  Viki doğrudan düzenlenmez ve bu, Carpathy'nin gönderisindeki birkaç yorumcunun işaret ettiği hata birikimi sorununu önler.

[33:19] If the AI writes something slightly wrong into the wiki and it stays there, the next answer will build on that wrong thing and you start to get drift and errors start to accumulate.
  Yapay zeka vikye biraz yanlış bir şey yazıp orada kalırsa, bir sonraki cevap o yanlış şey üzerine kurulacak ve sürüklenme ve hataların birikmeye başlamasıyla karşılaşırsınız.

[33:30] Whereas in the hybrid model that I'm proposing with OpenBrain, the database is always authoritative.
  Oysa OpenBrain ile önerdiğim hibrit modelde, veritabanı her zaman yetkilidir.

[33:34] The wiki is generated from a graph built off of that.
  Viki, ondan oluşturulan bir grafikten üretilir.

[33:39] Generated from a graph built off of that database.
  Oluşturulan bu veritabanından bir grafik oluşturuldu.

[33:42] So if the wiki has an error, well, you fix the source data and you regenerate.
  Yani wiki'de bir hata varsa, kaynak veriyi düzeltir ve yeniden oluşturursunuz.

[33:48] You're not dependent on the wiki as a source of truth.
  Doğruluk kaynağı olarak wiki'ye bağlı değilsiniz.

[33:49] The wiki never drifts from reality because it's always rebuilt from ground reality in the SQL database.
  Wiki gerçeklikten asla sapmaz çünkü her zaman SQL veritabanındaki temel gerçeklikten yeniden oluşturulur.

[33:55] In open brain terms, this is like a recipe.
  Açık beyin terimleriyle, bu bir tarife benziyor.

[33:57] It's a composable workflow that reads from the database and produces an output based on a graph.
  Veritabanından okuyan ve bir grafiğe dayalı bir çıktı üreten, birleştirilebilir bir iş akışıdır.

[34:01] A wiki compiler recipe can query relevant tables, synthesize pages through AI, and effectively develop a network of relationships and write that output to a wiki directory.
  Bir wiki derleyici tarifi, ilgili tabloları sorgulayabilir, yapay zeka aracılığıyla sayfaları sentezleyebilir ve etkili bir şekilde bir ilişki ağı geliştirebilir ve bu çıktıyı bir wiki dizinine yazabilir.

[34:11] And if you're wondering, yes, it can run on an automated schedule.
  Ve merak ediyorsanız, evet, otomatik bir programda çalışabilir.

[34:14] It can get better every cycle because the underlying data hopefully, if you're committing to it, grew since last time.
  Her döngüde daha iyi hale gelebilir çünkü temel veri, umarım, ona bağlıysanız, geçen seferden beri büyüdü.

[34:19] It becomes a compounding loop as long as you are good at putting data in.
  Veri eklemekte iyi olduğunuz sürece bir birleşen döngü haline gelir.

[34:24] And so what you end up with is OpenBrain for structured storage and Asian access and a Carpathy style wiki over the top for compiled understanding and human browsability.
  Sonuç olarak elde ettiğiniz şey, yapılandırılmış depolama ve Asya erişimi için OpenBrain ve derlenmiş anlayış ve insan gezinilebilirliği için üstte bir Carpathy tarzı wiki'dir.

[34:35] The database ends up feeding the wiki and the wiki never contradicts the.
  Veritabanı wiki'yi besler ve wiki asla çelişmez.

[34:41] And the wiki never contradicts the database.
  A wiki nem téveszti össze az adatbázist.

[34:43] You can query either one depending on what you need, whether it's a precise fact or a synthesized narrative.
  Bármelyiket lekérdezheted attól függően, mire van szükséged, legyen az egy pontos tény vagy egy szintetizált narratíva.

[34:49] And you can decide which you want to go for depending on the kind of problem that you're solving.
  És eldöntheted, melyiket választod attól függően, hogy milyen problémát oldasz meg.

[34:53] And so just to be really really blunt about which of these because I know I'm going to get asked which do I build?
  És hogy nagyon-nagyon őszinte legyek ezekkel kapcsolatban, mert tudom, hogy meg fogják kérdezni, melyiket építsem?

[34:56] If you are going deep on a single research topic, if you're a solo user, if you don't need precise queries, if you don't need multi-agent access, if you want to think by reading and by browsing, you want something running in 30 minutes with zero infrastructure.
  Ha egyetlen kutatási témába mélyedsz el, ha egyedüli felhasználó vagy, ha nincs szükséged pontos lekérdezésekre, ha nincs szükséged több ügynök hozzáférésére, ha olvasással és böngészéssel szeretnél gondolkodni, akkor valami olyat szeretnél, ami 30 percen belül fut, nulla infrastruktúrával.

[35:14] In those situations, then it absolutely makes sense to use straight up Carpathy's wiki that he posted on the GitHub because the AI will build the whole system for you and it's designed for exactly that kind of solo use case.
  Azokban a helyzetekben abszolút értelme van Carpathy wiki-jének használatának, amit a GitHubon tett közzé, mert az AI felépíti neked az egész rendszert, és pontosan az ilyen egyedüli használati esetekre tervezték.

[35:27] But you should build with open brain if you need multiple AI tools accessing the same memory.
  De az open brain-nel kell építkezned, ha több AI eszközt szeretnél ugyanahhoz a memóriához hozzáférni.

[35:32] If you are assuming that you have a team working with this information, if you're capturing high volume information across many categories, if that information is not necessarily narrative based, if it's
  Ha feltételezed, hogy egy csapat dolgozik ezzel az információval, ha nagy mennyiségű információt rögzítesz sok kategóriában, ha az információ nem feltétlenül narratíva alapú, ha az

[35:41] Not necessarily narrative-based, if it's numbers-based.
  Zorunlu olarak anlatı tabanlı değil, eğer sayı tabanlıysa.

[35:42] Numbers-based, if you need structured queries.
  Sayı tabanlı, yapılandırılmış sorgulara ihtiyacınız varsa.

[35:44] If you need structured queries, if you're building automated agent workflows off of this.
  Yapılandırılmış sorgulara ihtiyacınız varsa, bunun üzerine otomatikleştirilmiş ajan iş akışları oluşturuyorsanız.

[35:48] Workflows off of this, if you're thinking about this as infrastructure that lasts for a long time and needs to scale and not just for a single project.
  Bunun üzerine iş akışları, bunu uzun süre dayanacak ve sadece tek bir proje için değil, ölçeklenecek bir altyapı olarak düşünüyorsanız.

[35:54] Scale and not just for a single project.
  Ölçeklenmesi ve sadece tek bir proje için olmaması.

[35:57] In a sense, a lot of what the wiki feels like is a better, cooler version of Notebook LM, which is an amazing tool.
  Bir anlamda, wiki'nin hissettirdiği şeylerin çoğu, harika bir araç olan Notebook LM'nin daha iyi, daha havalı bir versiyonu gibi.

[36:03] But not a tool that you can use for an entire team.
  Ancak tüm bir ekip için kullanabileceğiniz bir araç değil.

[36:07] And so, right now, I tend to say have it both ways.
  Yani şu anda, her iki şekilde de sahip olduğumu söyleme eğilimindeyim.

[36:10] Have your open brain running, and if you want a browsable presynthesized understanding layer, just grab the graph plugin and add that over the top.
  Açık beyninizi çalıştırın ve göz atılabilir, önceden sentezlenmiş bir anlayış katmanı istiyorsanız, grafik eklentisini alın ve üzerine ekleyin.

[36:16] Layer, just grab the graph plugin and add that over the top.
  Katman, sadece grafik eklentisini alın ve üzerine ekleyin.

[36:18] And then neither replaces the other, and you get the benefits of both.
  Ve sonra hiçbiri diğerini değiştirmez ve her ikisinin de faydalarından yararlanırsınız.

[36:21] None of this is to say that Andre Carpathy isn't right about what he built.
  Bunların hiçbiri, Andre Carpathy'nin inşa ettiği şey hakkında haklı olmadığı anlamına gelmez.

[36:23] He built a phenomenal tool for himself and for other researchers in a similar position.
  Kendisi ve benzer pozisyondaki diğer araştırmacılar için harika bir araç inşa etti.

[36:26] Tool for himself and for other researchers in a similar position.
  Kendisi ve benzer pozisyondaki diğer araştırmacılar için bir araç.

[36:28] And regardless of which system you end up going with, there are two ideas from Karpathy's post that are worth adopting right away.
  Ve hangi sistemi kullanacağınıza karar verirseniz verin, Karpathy'nin gönderisinden hemen benimsenmeye değer iki fikir var.

[36:32] Going with, there are two ideas from Karpathy's post that are worth adopting right away.
  Bununla gitmek, Karpathy'nin gönderisinden hemen benimsenmeye değer iki fikir var.

[36:34] The idea file as a publishing format is one of those.
  Yayın formatı olarak dosya fikri bunlardan biridir.

[36:37] Publishing format is one of those.
  Yayın formatı bunlardan biridir.

[36:39] And one of those is really simple.
  Ve bunlardan biri gerçekten basit.

[36:41] It's the
  Bu, o

[36:41] One of those is really simple.
  Bunlardan biri gerçekten basit.

[36:41] It's the way he shared it.
  Onu nasıl paylaştığıdır.

[36:43] The idea file is his publishing format.
  Fikir dosyası onun yayın formatıdır.

[36:45] Carpathy didn't ship a tool.
  Carpathy bir araç sunmadı.

[36:47] He published a high-level description of an idea that was designed to be pasted into an AI agent that would build the specifics with you.
  O, sizinle birlikte ayrıntıları oluşturacak bir yapay zeka aracına yapıştırılmak üzere tasarlanmış bir fikrin üst düzey bir açıklamasını yayınladı.

[36:53] This is what I have been saying when I tell you to take my YouTube transcript and feed it to an AI.
  Bu, YouTube transkriptimi alıp bir yapay zekaya beslememi söylediğimde söylediğim şeydir.

[36:59] It is a genuinely new way to share technical knowledge.
  Teknik bilgiyi paylaşmanın gerçekten yeni bir yoludur.

[37:01] It is a great blueprint for an AI to execute.
  Bir yapay zekanın uygulayabileceği harika bir taslaktır.

[37:05] And I think we're going to see more of it because it's much simpler than just having to give an exhaustive step by step that a human has to follow.
  Ve bunun daha fazlasını göreceğimizi düşünüyorum çünkü bir insanın takip etmesi gereken ayrıntılı bir adım adım bilgi vermekten çok daha basit.

[37:12] It ends up respecting the reader's agency because they can give their own commentary on the idea and then them and the agent can decide the details together while giving them a proven pattern to start from.
  Okuyucunun kendi fikirleri hakkında yorum yapabilmesi ve ardından kendilerinin ve aracın ayrıntıları birlikte kararlaştırabilmesi, onlara başlamaları için kanıtlanmış bir desen sunarken okuyucunun özerkliğine saygı duymasıyla sonuçlanır.

[37:24] And yes, if you're wondering, you can absolutely take the transcript from this YouTube video and get started on your own memory project as we've been going through this video together.
  Ve evet, merak ediyorsanız, bu YouTube videosunun transkriptini alıp, bu videoyu birlikte izlediğimiz gibi kendi hafıza projenize başlayabilirsiniz.

[37:33] Just plug it into your agent and go.
  Sadece aracınıza takın ve başlayın.

[37:35] But the deepest insight here is that Carpathy is moving the AI from Oracle to maintainer.
  Ancak buradaki en derin içgörü, Carpathy'nin yapay zekayı Oracle'dan bakımcıya taşımasıdır.

[37:41] The role AI plays is starting to change.
  Yapay zekanın oynadığı rol değişmeye başlıyor.

[37:41] Most of us
  Çoğumuz

[37:43] Plays is starting to change.
  Oyunlar değişmeye başlıyor.

[37:45] Most of us have treated AI as something you ask questions to.
  Çoğumuz yapay zekayı sorular sorduğumuz bir şey olarak gördük.

[37:50] Whereas Karpathy correctly treats it as something that has an ongoing job, maintaining a knowledge artifact that gets better over time.
  Oysa Karpathy onu doğru bir şekilde, zamanla gelişen bir bilgi eserini sürdüren devam eden bir işi olan bir şey olarak ele alıyor.

[37:54] The AI isn't here for magical pie in the sky one-off answers from the clouds.
  Yapay zeka, gökyüzünden gelen sihirli, gökten üç kuruşluk cevaplar için burada değil.

[38:00] It's here for building sustained work that compounds.
  Birikerek artan sürdürülebilir işler inşa etmek için burada.

[38:03] And the question that we're all facing is just is this the right interface for that maintenance role.
  Ve hepimizin karşılaştığı soru, bu bakım rolü için doğru arayüzün bu olup olmadığıdır.

[38:07] Right?
  Değil mi?

[38:09] I don't want to lose the fact that underneath that there is a profound insight here about moving from an answer engine mindset to moving to a mindset where AI is a maintainer of thinking systems that allow you to think deliberately and do your work better.
  Bunun altında, cevap üreten bir zihniyetten, yapay zekanın düşünme sistemlerinin bir bakıcısı olduğu, bilinçli düşünmenizi ve işinizi daha iyi yapmanızı sağlayan bir zihniyete geçiş hakkında derin bir içgörü olduğunu kaybetmek istemiyorum.

[38:23] I think that's a profound insight because it allows us to be the ones who curate, who think, who select, who explore, and it allows the AI to support us, right?
  Bunun derin bir içgörü olduğunu düşünüyorum çünkü küratörlüğünü yapan, düşünen, seçen, keşfeden biz olmamıza izin veriyor ve yapay zekanın bize destek olmasına izin veriyor, değil mi?

[38:37] As we ask the right questions, the AI can help us by doing so much of the grunt work.
  Doğru soruları sorduğumuzda, yapay zeka bu angaryanın çoğunu yaparak bize yardımcı olabilir.

[38:42] And isn't that what we
  Ve bu bizim...

[38:43] Grunt work.
  Tehdäänkö työtä?

[38:43] And isn't that what we wanted in the first place?
  Eikö juuri sitä me alun perin halusimmekin?

[38:45] Didn't we want that division of labor in the AI dream world to be the AI doing more of the grunt work and human judgment being relevant?
  Eikö halunneet, että työnjako tekoälyn unelmamaailmassa olisi niin, että tekoäly tekee enemmän raskasta työtä ja ihmisen harkinta on relevanttia?

[38:51] That's the dream.
  Se on unelma.

[38:54] What Andre Karpathy is describing is one way to get there, especially if you are in a deep solo research project.
  Se, mitä Andre Karpathy kuvaa, on yksi tapa päästä sinne, varsinkin jos olet syvässä yksittäisessä tutkimusprojektissa.

[39:01] And OpenBrain describes another way to do the same thing.
  Ja OpenBrain kuvaa toisen tavan tehdä sama asia.

[39:02] It's just focused on more scalable structured data.
  Se keskittyy vain skaalautuvampaan jäsenneltyyn dataan.

[39:07] And yes, you can have the best of both worlds because we can build a graph over the top of OpenBrain.
  Ja kyllä, voit saada molempien maailmojen parhaat puolet, koska voimme rakentaa graafin OpenBrainin päälle.

[39:13] This is exactly why I built it Extensible because I knew that we would have more stuff coming out around memory in 2026 and I wanted to build a foundation we could build on.
  Tämä on juuri syy, miksi rakensin sen laajennettavaksi, koska tiesin, että muistiin liittyviä asioita tulisi enemmän ulos vuonna 2026 ja halusin rakentaa perustan, jolle voisimme rakentaa.

[39:21] So here we are.
  Joten tässä me olemme.

[39:21] It's our first major test and we can build something over the top that allows us to have the best of this wiki approach as well as the best of the structure data that open brain gives us.
  Se on ensimmäinen suuri testimme ja voimme rakentaa sen päälle jotain, joka antaa meille parhaat puolet tästä wiki-lähestymistavasta sekä parhaat puolet jäsennellystä datasta, jota avoin aivo antaa meille.

[39:31] Ultimately, I think the lesson that we get from Karpathy's wiki is that we need to become thinkers about how we want our memory and our context layers to work in
  Viime kädessä uskon, että oppi, jonka saamme Karpathyn wikistä, on se, että meidän on alettava ajatella, miten haluamme muistimme ja kontekstikerroksemme toimivan.

[39:44] memory and our context layers to work in order to be effective builders of agents.
  hafıza ve bağlam katmanlarımızın etkili ajan oluşturucuları olabilmesi için çalışması.

[39:47] order to be effective builders of agents and effective partners with AI over the second half of 2026 and into 2027.
  2026'nın ikinci yarısı ve 2027'ye kadar etkili ajan oluşturucuları ve etkili yapay zeka ortakları olmak.

[39:53] None of what I am describing excuses us from doing that thinking.
  Tanımladığım hiçbir şey bizi bu düşünceyi yapmaktan muaf tutmaz.

[39:57] In fact, it's the opposite.
  Aslında, tam tersi.

[39:59] What I've been spending time telling you in this video is that there is no substitute for making really clear distinctions and really clear decisions about the way you want your knowledge structured.
  Bu videoda size anlatmak için zaman harcadığım şey, bilgi yapınızı nasıl istediğinize dair gerçekten net ayrımlar ve gerçekten net kararlar vermenin yerini tutacak hiçbir şeyin olmadığıdır.

[40:12] Whether that's just you in your room with a laptop and it's your personal knowledge base or whether it's for your team or whether it's for your org.
  Bu, ister sadece dizüstü bilgisayarınızla odanızda bulunan ve kişisel bilgi tabanınız olan siz olun, ister ekibiniz için olsun, ister kurumunuz için olsun.

[40:21] It is up to you to say I want structured data because I know that I need to query against structured data and get reliable results above 10,000 artifacts.
  10.000'den fazla yapıt üzerinde yapılandırılmış veriye sorgu yapmam ve güvenilir sonuçlar almam gerektiğini bildiğim için yapılandırılmış veri istiyorum demeniz size kalmış.

[40:29] Or it's up to you to say you know what I want the best of both world.
  Ya da ne bileyim, her ikisinin de en iyisini istiyorum demeniz size kalmış.

[40:31] There's going to be some stuff where I'm going to actually want to query with multiple agents and get structured results for three different reports at the same time.
  Aynı anda üç farklı rapor için birden fazla ajanla sorgu yapmak ve yapılandırılmış sonuçlar almak isteyeceğim bazı şeyler olacak.

[40:39] But over the top of that, I want a graph database that allows me to think in connections between materials.
  Ancak bunun üzerine, materyaller arasındaki bağlantılarda düşünmeme olanak tanıyan bir grafik veritabanı istiyorum.

[40:43] That would be a little bit
  Bu biraz olurdu

[40:45] Materials. That would be a little bit more difficult to do if I was just...
  Materyaller. Sadece yapsaydım biraz daha zor olurdu...

[40:47] More difficult to do if I was just querying structured data by itself.
  Sadece yapılandırılmış verileri sorgulayarak yapsaydım daha zor olurdu.

[40:49] It's up to you.
  Bu sana kalmış.

[40:49] It is not up to me.
  Bana kalmış değil.

[40:52] We all have to wrestle with this.
  Hepimiz bununla boğuşmak zorundayız.

[40:53] And if you are an engineer thinking about this or a product manager thinking about this in an org, you cannot substitute for that level of thoughtfulness.
  Ve eğer bunun hakkında düşünen bir mühendis veya bir organizasyonda bunun hakkında düşünen bir ürün yöneticisiyseniz, bu düzeyde düşüncelilik yerine geçemezsiniz.

[41:00] I'm sorry.
  Üzgünüm.

[41:02] You got to do the thinking.
  Düşünmeyi yapmalısın.

[41:02] And so I hope this video has helped give you the tools to make that decision clearly.
  Umarım bu video, bu kararı net bir şekilde vermeniz için size araçlar sunmuştur.