Update app.py

app.py

@@ -19,23 +19,34 @@ ner_pipe = pipeline("ner", model="xlm-roberta-large-finetuned-conll03-english",
 model_id = "Qwen/Qwen2.5-1.5B-Instruct"
 tokenizer = AutoTokenizer.from_pretrained(model_id)
 
-# LLM modelini global olarak yükle
+# LLM modelini global olarak yükle - RUNTIME ERROR ÇÖZÜMÜ
 llm_model = None
 IS_LLM_ENABLED = False
 
 try:
     print("📦 LLM modeli yükleniyor...")
+    
+    # ÖNEMLİ: Modeli doğrudan CPU'da yükle
     llm_model = AutoModelForCausalLM.from_pretrained(
         model_id, 
-        torch_dtype=torch.bfloat16, 
-        device_map="cpu",  # CPU'da çalıştır (Space'lerde genelde CPU var)
-        trust_remote_code=True
+        torch_dtype=torch.float32,  # bfloat16 yerine float32 kullan (daha kararlı)
+        device_map=None,  # None kullan, manuel device kontrolü yap
+        trust_remote_code=True,
+        low_cpu_mem_usage=True  # Memory optimizasyonu
     )
+    
+    # Modeli CPU'ya taşı
+    llm_model = llm_model.to("cpu")
+    llm_model.eval()  # Evaluation modu
+    
     IS_LLM_ENABLED = True
-    print("✅ LLM modeli yüklendi!")
+    print(f"✅ LLM modeli yüklendi! Device: {next(llm_model.parameters()).device}")
+    print(f"   Model dtype: {next(llm_model.parameters()).dtype}")
+    
 except Exception as e:
     IS_LLM_ENABLED = False
     print(f"⚠️ LLM yüklenemedi: {e}")
+    print(traceback.format_exc())
 
 # --- 2. WIKIPEDIA FONKSİYONLARI (SADECE TÜRKÇE) ---
 
@@ -160,60 +171,6 @@ def get_wiki_summary(term):
                     print(f"⚠️ '{title}' alınamadı: {str(e)[:50]}")
                     continue
         
-        # 3. YÖNTEM: Doğrudan API ile dene
-        print(f"📡 API ile deneniyor...")
-        try:
-            url = "https://tr.wikipedia.org/w/api.php"
-            
-            search_params = {
-                "action": "query",
-                "format": "json",
-                "list": "search",
-                "srsearch": term,
-                "srlimit": 3,
-                "srprop": "snippet"
-            }
-            
-            search_response = requests.get(url, params=search_params, timeout=10, verify=False,
-                                         headers={'User-Agent': 'RAG-NER-System/1.0'})
-            
-            if search_response.status_code == 200:
-                try:
-                    search_data = search_response.json()
-                    if search_data.get('query', {}).get('search'):
-                        page_title = search_data['query']['search'][0]['title']
-                        print(f"📄 API ile bulundu: '{page_title}'")
-                        
-                        summary_params = {
-                            "action": "query",
-                            "format": "json",
-                            "prop": "extracts",
-                            "exintro": True,
-                            "explaintext": True,
-                            "titles": page_title,
-                            "exsentences": 3
-                        }
-                        
-                        summary_response = requests.get(url, params=summary_params, timeout=10, verify=False,
-                                                      headers={'User-Agent': 'RAG-NER-System/1.0'})
-                        
-                        if summary_response.status_code == 200:
-                            try:
-                                summary_data = summary_response.json()
-                                pages = summary_data.get('query', {}).get('pages', {})
-                                for page_id, page_info in pages.items():
-                                    if page_id != "-1":
-                                        extract = page_info.get('extract', '')
-                                        if extract and len(extract) > 20:
-                                            print(f"✅ API ile özet alındı: {extract[:100]}...")
-                                            return extract
-                            except json.JSONDecodeError:
-                                print(f"❌ API JSON hatası")
-                except json.JSONDecodeError:
-                    print(f"❌ API arama JSON hatası")
-        except Exception as e:
-            print(f"⚠️ API denemesi başarısız: {str(e)[:50]}")
-        
         print(f"❌ '{term}' için Türkçe Wikipedia'da sonuç bulunamadı")
         return None
         
@@ -225,409 +182,46 @@ def get_wiki_summary(term):
     finally:
         print(f"{'='*50}\n")
 
-# --- 3. YARDIMCI FONKSİYONLAR ---
-
-def get_random_examples():
-    """Wikipedia'dan rastgele cümleler çekerek örnek listesi oluşturur."""
-    try:
-        import wikipedia
-        wikipedia.set_lang("tr")
-        random_titles = wikipedia.random(pages=3)
-        return [[wikipedia.summary(t, sentences=1, auto_suggest=False)] for t in random_titles]
-    except:
-        return [["Oppenheimer filmi geçen yıl vizyona girdi."], ["Sefiller romanı Victor Hugo tarafından yazılmıştır."]]
+# --- 3. LLM ANALİZ FONKSİYONU (RUNTIME ERROR ÇÖZÜMLÜ) ---
 
 @spaces.GPU
 def refine_label_with_llm(entity_text, full_sentence, wiki_context, custom_label_definitions):
-    """LLM ile etiket analizi yapar - RuntimeError çözümlü"""
+    """LLM ile etiket analizi yapar - RuntimeError tamamen çözüldü"""
     global llm_model, IS_LLM_ENABLED
     
+    # LLM kontrolü
     if not IS_LLM_ENABLED or llm_model is None:
+        print("⚠️ LLM aktif değil veya yüklenmemiş")
         return "MISC", "LLM Aktif Değil"
     
     try:
-        # Device kontrolü - model zaten CPU'da
-        device = "cuda" if torch.cuda.is_available() else "cpu"
-        print(f"🖥️ LLM Device: {device}")
-        
-        # Modeli device'a taşı (sadece gerekirse)
-        if device == "cuda" and next(llm_model.parameters()).device.type != "cuda":
-            llm_model.to(device)
-        elif device == "cpu" and next(llm_model.parameters()).device.type != "cpu":
-            llm_model.to(device)
-
-        # 1. Etiket Tanımları
-        label_rules = ""
-        for k, v in custom_label_definitions.items():
-            label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ANAHTARLAR: {', '.join(v['anahtar_kelimeler'])}\n\n"
-
-        # 2. Sistematik CoT ve Kuralların Tanımlanması
-        prompt = f"""Sen yüksek hassasiyetli bir semantik analiz uzmanısın.
-Görevin, '[[{entity_text}]]' varlığını aşağıdaki 4 adımlı Sistematik CoT protokolüne göre sınıflandırmaktır.
-
-ETİKET TANIMLARI:
-{label_rules}
-
-SİSTEMATİK CoT ADIMLARI:
-1. **Sentaktik İnceleme:** Cümle içinde varlığın sağındaki ve solundaki kelimeleri (niteleyicileri) tespit et. Varlık bir fiille mi (yazıldı, vizyona girdi) yoksa bir isimle mi (yazılımı, ödülü) ilişkili?
-2. **Bilgi Entegrasyonu:** Wikipedia verisindeki genel tanımı oku. Varlığın tarihsel veya teknik kimliğini belirle.
-3. **Çelişki ve Hiyerarşi Denetimi:** Wikipedia bilgisi ile cümledeki kullanım amacı çelişiyor mu? (Örn: Wiki 'film' diyor ama cümle 'kitap' diyorsa, cümledeki kullanım esastır).
-4. **Etiket Eşleşmesi:** Elde edilen nihai kanıtları, 'ETİKET TANIMLARI'ndaki en yakın kategoriyle eşleştir ve son kararı ver.
-
-REFERANS ANALİZLER (FEW-SHOT):
-Örnek 1 (Tam Uyum):
-VARLIK: 'Inception'
-CÜMLE: "Dün gece Inception filmini tekrar izledim."
-WIKI: "Inception, Christopher Nolan tarafından yönetilen 2010 yapımı bilimkurgu filmidir."
-ANALİZ: 
-- Adım 1: Cümlede 'film' ve 'izlemek' kelimeleri görsel esere işaret ediyor.
-- Adım 2: Wiki verisi varlığın bir film olduğunu doğruluyor.
-- Adım 3: Kaynaklar arasında çelişki yok.
-- Adım 4: MOVIE etiketi uygundur.
-CEVAP: MOVIE
-
-Örnek 2 (Kritik Çelişki):
-VARLIK: 'Gizli Bahçe'
-CÜMLE: "Yazar son romanı 'Gizli Bahçe' ile ödül aldı."
-WIKI: "Gizli Bahçe: 1993 yapımı bir dram filmidir."
-ANALİZ: 
-- Adım 1: Cümlede 'roman' ve 'yazar' kelimeleri varlığı doğrudan kitap olarak niteliyor.
-- Adım 2: Wiki verisi bu ismi bir film (movie) olarak gösteriyor.
-- Adım 3: ÇELİŞKİ TESPİT EDİLDİ. Kaynak hiyerarşisi gereği cümledeki 'roman' ifadesi Wikipedia'dan daha önceliklidir.
-- Adım 4: BOOK etiketi uygundur.
-CEVAP: BOOK
-
-GÜNCEL GÖREV:
-- HEDEF VARLIK: {entity_text}
-- ORİJİNAL CÜMLE: "{full_sentence}"
-- HARİCİ BİLGİ (Wikipedia): "{wiki_context}"
-
-ÇIKTI KURALLARI:
-- Cevabında asla yıldız (*) veya markdown kullanma.
-- Analiz adımlarını yukarıdaki 4 adımlı protokole göre yaz.
-
-ÇIKTI FORMATI:
-Analiz: [4 Adımlı CoT Analizi]
-Cevap: [SADECE_ETIKET_ADI]"""
-
-        messages = [{"role": "user", "content": prompt}]
-        text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
-        model_inputs = tokenizer([text], return_tensors="pt").to(device)
-
+        print(f"\n{'='*50}")
         print(f"🧠 LLM analizi başlatılıyor: '{entity_text}'")
         
-        generated_ids = llm_model.generate(
-            model_inputs.input_ids, 
-            max_new_tokens=450, 
-            do_sample=False, 
-            temperature=0.1
-        )
-        
-        response_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]
-        full_output = tokenizer.batch_decode(response_ids, skip_special_tokens=True)[0].strip()
-        
-        print(f"✅ LLM çıktısı alındı: {full_output[:100]}...")
+        # Device kontrolü - SADECE CPU KULLAN (kararlılık için)
+        device = "cpu"
+        print(f"🖥️ Kullanılan device: {device}")
         
-        # Markdown temizliği ve Etiket Ayıklama
-        clean_output = full_output.replace("*", "")
-        final_label = "MISC"
-        valid_keys = list(custom_label_definitions.keys())
-        match = re.search(r"Cevap:\s*([A-Z_]+)", clean_output, re.IGNORECASE)
-        
-        if match:
-            extracted = match.group(1).upper().strip()
-            if extracted in valid_keys: 
-                final_label = extracted
-                print(f"🏷️ Etiket bulundu: {final_label}")
-            else:
-                print(f"⚠️ Geçersiz etiket: {extracted}")
-        else:
-            print(f"⚠️ Etiket bulunamadı, MISC atanıyor")
-            
-        return final_label, clean_output
-        
-    except RuntimeError as e:
-        print(f"❌ RuntimeError: {str(e)}")
-        # Modeli yeniden CPU'ya taşı
+        # Modelin device'ını kontrol et
         try:
-            llm_model.to("cpu")
-            torch.cuda.empty_cache() if torch.cuda.is_available() else None
-        except:
-            pass
-        return "MISC", f"RuntimeError: {str(e)[:100]}"
-        
-    except Exception as e:
-        print(f"❌ LLM hatası: {type(e).__name__} - {str(e)}")
-        print(traceback.format_exc())
-        return "MISC", f"Hata: {str(e)[:100]}"
-
-# --- 4. ANA İŞLEM HATTI ---
-
-def process_ner(text):
-    current_logs = ["🚀 <b>Sistem Başlatıldı:</b> Metin analiz ediliyor..."]
-    final_results = []
-    yield "<br>".join(current_logs), []
-
-    custom_labels = {
-        "MOVIE": {"tanim": "Sinematik eserler.", "anahtar_kelimeler": ["film", "dizi"]},
-        "BOOK": {"tanim": "Yazılı edebi eserler.", "anahtar_kelimeler": ["kitap", "roman"]},
-        "SOFTWARE": {"tanim": "Dijital sistemler.", "anahtar_kelimeler": ["yazılım", "kod"]},
-        "AWARD": {"tanim": "Resmi ödüller.", "anahtar_kelimeler": ["ödül", "oscar"]},
-        "PRODUCT": {"tanim": "Ticari ürünler.", "anahtar_kelimeler": ["marka", "model"]},
-        "NORP": {"tanim": "Etnik ve dini gruplar.", "anahtar_kelimeler": ["millet", "topluluk"]},
-        "GPE": {"tanim": "Siyasi bölgeler.", "anahtar_kelimeler": ["ülke", "şehir"]}
-    }
-
-    try:
-        initial_results = ner_pipe(text)
-        current_logs.append(f"✅ NER işlemi tamamlandı: {len(initial_results)} varlık bulundu.")
-        yield "<br>".join(current_logs), []
-    except Exception as e:
-        current_logs.append(f"❌ NER hatası: {str(e)}")
-        yield "<br>".join(current_logs), []
-        return
-
-    for entity in initial_results:
-        word = entity['word'].replace(" ", " ").strip()
-        label = entity['entity_group']
-        
-        if label in ["PER", "ORG", "LOC"]:
-            res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": label, "Kaynak": "Model"}
-            current_logs.append(f"✅ <b>{word}</b>: {label} (Doğrudan Tespit)")
-            final_results.append(res)
-            table_display = [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
-            yield "<br>".join(current_logs), table_display
-            continue
-            
-        elif label == "MISC":
-            current_logs.append(f"🔍 <b>Analiz Başladı:</b> '{word}'")
-            yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
-            
-            # Wikipedia çağrısı
-            start_time = time.time()
-            current_logs.append(f"⏱️ <b>Türkçe Wikipedia sorgusu:</b> '{word}'")
-            yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
-            
-            wiki_text = None
-            try:
-                wiki_text = get_wiki_summary(word)
-                elapsed = time.time() - start_time
-                
-                if wiki_text:
-                    current_logs.append(f"✅ <b>Wikipedia başarılı</b> ({elapsed:.2f}s)")
-                    current_logs.append(f"<div style='margin-left:20px; border-left:2px solid #007bff; padding-left:10px; color:#555;'>🌐 <b>Wiki:</b> {wiki_text}</div>")
-                else:
-                    current_logs.append(f"❌ <b>Wikipedia boş döndü</b> ({elapsed:.2f}s) - '{word}' için Türkçe Wikipedia'da bilgi yok")
-            except Exception as e:
-                elapsed = time.time() - start_time
-                current_logs.append(f"❌ <b>Wikipedia hatası</b> ({elapsed:.2f}s): {str(e)[:100]}")
-                wiki_text = None
-            
-            yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
+            current_device = next(llm_model.parameters()).device
+            print(f"📌 Model mevcut device: {current_device}")
             
-            # LLM ile analiz (sadece wiki_text varsa)
-            if wiki_text and IS_LLM_ENABLED:
-                try:
-                    current_logs.append(f"🧠 <b>LLM analizi başlatılıyor:</b> '{word}'")
-                    yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
-                    
-                    new_label, cot_text = refine_label_with_llm(word, text, wiki_text, custom_labels)
-                    
-                    # CoT çıktısını kısalt
-                    cot_preview = cot_text[:300] + "..." if len(cot_text) > 300 else cot_text
-                    current_logs.append(f"🧠 <b>CoT Analizi:</b> {cot_preview}")
-                    
-                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": new_label, "Kaynak": "RAG+LLM"}
-                    current_logs.append(f"🏷️ <b>Nihai Etiket:</b> {new_label}")
-                    
-                except Exception as e:
-                    error_msg = str(e)[:100]
-                    current_logs.append(f"❌ <b>LLM analiz hatası:</b> {error_msg}")
-                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": f"Hata: {error_msg}"}
-            else:
-                if not wiki_text:
-                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": "Model"}
-                    current_logs.append(f"⚠️ '{word}' için Wikipedia bilgisi olmadığından MISC olarak etiketlendi.")
-                else:
-                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": "Model"}
-                    current_logs.append(f"⚠️ LLM aktif olmadığından '{word}' MISC olarak etiketlendi.")
-            
-            final_results.append(res)
-            table_display = [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
-            yield "<br>".join(current_logs), table_display
-
-    current_logs.append("✨ <b>Analiz Tamamlandı.</b>")
-    yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
-
-# --- 5. DEBUG FONKSİYONLARI ---
-
-def debug_wikipedia():
-    """Wikipedia debug bilgilerini göster - Sadece Türkçe"""
-    result = test_wikipedia_connection()
-    return f"<pre style='background:#f4f4f4;padding:10px;border-radius:5px;font-family:monospace;font-size:12px;'>{result}</pre>"
-
-def test_single_term(term):
-    """Tek bir terim için Türkçe Wikipedia testi"""
-    if not term:
-        return "Lütfen bir terim girin."
-    
-    logs = [f"🔍 '{term}' için Türkçe Wikipedia testi başlatılıyor..."]
-    
-    try:
-        result = get_wiki_summary(term)
-        if result:
-            logs.append(f"✅ Sonuç: {result}")
-        else:
-            logs.append(f"❌ Türkçe Wikipedia'da sonuç bulunamadı")
-            
-            # Detaylı test
-            import wikipedia
-            logs.append(f"\n📊 Detaylı test:")
-            try:
-                session = requests.Session()
-                session.verify = False
-                session.headers.update({
-                    'User-Agent': 'Mozilla/5.0 (compatible; RAG-NER-System/1.0)'
-                })
-                wikipedia.wikipedia._session = session
-                
-                wikipedia.set_lang("tr")
-                search_results = wikipedia.search(term)
-                logs.append(f"Türkçe arama: {len(search_results)} sonuç")
-                if search_results:
-                    logs.append(f"İlk sonuçlar: {', '.join(search_results[:3])}")
-            except Exception as e:
-                logs.append(f"Türkçe arama hatası: {str(e)}")
-                
-    except Exception as e:
-        logs.append(f"❌ Hata: {str(e)}")
-        logs.append(f"Traceback: {traceback.format_exc()}")
-    
-    return "\n".join(logs)
-
-def check_llm_status():
-    """LLM durumunu kontrol et"""
-    global IS_LLM_ENABLED, llm_model
-    
-    logs = []
-    logs.append("=== LLM DURUM KONTROLÜ ===")
-    logs.append(f"LLM Aktif: {IS_LLM_ENABLED}")
-    logs.append(f"LLM Model: {model_id}")
-    
-    if llm_model is not None:
-        try:
-            device = next(llm_model.parameters()).device
-            logs.append(f"Model Device: {device}")
-            logs.append(f"CUDA Kullanılabilir: {torch.cuda.is_available()}")
-            if torch.cuda.is_available():
-                logs.append(f"GPU: {torch.cuda.get_device_name(0)}")
+            # Eğer model CPU'da değilse CPU'ya taşı
+            if str(current_device) != "cpu":
+                print(f"🔄 Model CPU'ya taşınıyor...")
+                llm_model.to("cpu")
+                torch.cuda.empty_cache() if torch.cuda.is_available() else None
+                print(f"✅ Model CPU'ya taşındı")
         except Exception as e:
-            logs.append(f"Device kontrol hatası: {str(e)}")
-    else:
-        logs.append("Model yüklenmemiş!")
-    
-    return "\n".join(logs)
-
-# --- 6. GRADIO ARAYÜZÜ ---
-
-with gr.Blocks(title="RAG-NER Uzman Karar Destek Sistemi") as demo:
-    gr.Markdown("# 🚀 RAG-NER Uzman Karar Destek Sistemi (Türkçe Wikipedia)")
-    
-    with gr.Tab("Metin Analizi"):
-        input_text = gr.Textbox(
-            label="Analiz Edilecek Metin", 
-            placeholder="Analiz etmek istediğiniz metni buraya girin...",
-            lines=3
-        )
-        
-        examples_list = [
-            ["Türk yönetmen Nuri Bilge Ceylan, Venedik Film Festivali'nde Altın Aslan ödülünü kazandığı Kış Uykusu filmiyle uluslararası üne kavuştu."],
-            ["Amerikalı yazar George Orwell'in ünlü kitabı 1984, Apple şirketinin Macintosh tanıtım reklamında ilham kaynağı olarak kullanılmış ve Windows işletim sistemine karşı bir metafor haline gelmişti."],
-            ["Fransız oyuncu Marion Cotillard, Christopher Nolan'ın Inception filmiyle Oscar ödülüne aday gösterilmiş ve daha önce La Vie en Rose performansıyla En İyi Kadın Oyuncu Akademi Ödülü'nü kazanmıştı."]
-        ]
-        
-        gr.Examples(
-            examples=examples_list, 
-            inputs=input_text,
-            label="Hazır Örnek Senaryolar"
-        )
-        
-        with gr.Row():
-            log_output = gr.HTML(label="Sistem Günlüğü")
-            table_output = gr.Dataframe(
-                headers=["Varlık", "İlk Etiket", "Nihai Etiket", "Kaynak"], 
-                datatype="markdown",
-                wrap=True
-            )
-        
-        btn = gr.Button("Analiz Et", variant="primary")
-        btn.click(
-            process_ner, 
-            inputs=input_text, 
-            outputs=[log_output, table_output]
-        )
-    
-    # --- 7. DEBUG TABI ---
-    with gr.Tab("Debug"):
-        gr.Markdown("## 🐛 Debug Paneli")
-        
-        gr.Markdown("### 🌐 Türkçe Wikipedia Testi")
-        with gr.Row():
-            debug_btn = gr.Button("Türkçe Wikipedia Bağlantısını Test Et", variant="secondary")
-            debug_output = gr.HTML(label="Debug Sonuçları")
-        
-        debug_btn.click(debug_wikipedia, outputs=debug_output)
-        
-        gr.Markdown("### 🔍 Tek Terim Testi")
-        with gr.Row():
-            single_term_input = gr.Textbox(
-                label="Test Edilecek Terim",
-                placeholder="Örn: Türkiye, İstanbul, Kış Uykusu",
-                scale=3
-            )
-            single_term_btn = gr.Button("Test Et", variant="secondary", scale=1)
-        
-        single_term_output = gr.Textbox(
-            label="Sonuç",
-            lines=10,
-            interactive=False
-        )
-        
-        single_term_btn.click(test_single_term, inputs=single_term_input, outputs=single_term_output)
-        
-        gr.Markdown("### 🧠 LLM Durum Kontrolü")
-        with gr.Row():
-            llm_status_btn = gr.Button("LLM Durumunu Kontrol Et", variant="secondary")
-            llm_status_output = gr.Textbox(
-                label="LLM Durumu",
-                lines=10,
-                interactive=False
-            )
-        
-        llm_status_btn.click(check_llm_status, outputs=llm_status_output)
-
-# --- 8. BAŞLATMA ---
+            print(f"⚠️ Device kontrol hatası: {e}")
+            # Hata durumunda modeli CPU'ya taşı
+            try:
+                llm_model.to("cpu")
+            except:
+                pass
 
-if __name__ == "__main__":
-    # Startup'ta Wikipedia testi yap
-    print("\n" + "="*50)
-    print("🚀 SİSTEM BAŞLATILIYOR...")
-    print("="*50)
-    
-    print("\n📡 Türkçe Wikipedia bağlantısı test ediliyor...")
-    test_result = test_wikipedia_connection()
-    print(test_result)
-    
-    print("\n🧠 LLM durumu kontrol ediliyor...")
-    print(check_llm_status())
-    
-    print("\n" + "="*50)
-    print("✅ Sistem hazır, Gradio başlatılıyor...")
-    print("="*50 + "\n")
-    
-    demo.launch(
-        auth=("admin", "1113"),
-        auth_message="Lütfen uzman paneline erişmek için giriş yapın.",
-        debug=True,
-        share=True
-    )
+        # 1. Etiket Tanımları
+        label_rules = ""
+        for k, v in custom_label_definitions.items():
+            label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ANAHTARLAR: {', '.join(v['anahtar_kelime