# İş ekipleri için RAG: yapay zeka belgelerinizden nasıl yanıt verir?

> Bu saha notunda veridive, erişimle zenginleştirilmiş üretimi (RAG) iş ekipleri için anlatıyor. Bir seyahat politikası örneğiyle, sorunun arama, pasajlar ve kaynak gösterme adımlarından geçerek nasıl kaynaklı bir yanıta dönüştüğünü gösteriyor. Kalite sorunlarının çoğunun modelde değil bilgi erişiminde başladığını savunuyor ve önce netleştirilecek altı konuyu sıralıyor: kaynaklar, sahipler, güncellik, yetkiler, kaynak gösterme ve değerlendirme.

Erişimle zenginleştirilmiş üretim (RAG) modelden çok kütüphaneyle ilgilidir: hangi belgeler onaylı, kim neyi görebilir, bilgi nasıl bulunur ve her yanıt kaynağını nasıl gösterir. Kalite sorunlarının çoğu da burada başlar.

## Öne çıkanlar

- RAG önce onaylı belgelerde arama yapar; ardından bir dil modeline yalnızca bulunan pasajlardan, her birinin kaynağını göstererek yanıt verdirir.
- Kalite sorunlarının çoğu bilgi erişiminde başlar: eski sürümler, bozulan tablolar, kötü bölünmüş pasajlar ya da hiç bulunamayan doğru paragraf.
- İnsanlar yalnızca kendilerinin açabileceği belgelerden yanıt almalı; “kaynak bulunamadı” da geçerli bir yanıttır.
- Kurmadan önce kaynakları, sahipleri, güncelliği, yetkileri, kaynak göstermeyi ve gerçek sorularla nasıl değerlendireceğinizi netleştirin.

Genel amaçlı bir sohbet robotuna şirketinizin seyahat politikasında neyin serbest olduğunu sorduğunuzda yine de bir yanıt alırsınız: eğitim sırasında başka şirketler hakkında öğrendiklerinden derlenmiş bir yanıt. İyi kurulmuş bir şirket asistanı ise başka türlü çalışır. Önce onaylı belgelerinizde arama yapar, bulduğu pasajlardan, yani belgelerden alınmış kısa metin bölümlerinden yanıt verir ve ilgili paragrafın bağlantısını ekler.

Bu yaklaşımın adı RAG’dir: İngilizcesiyle retrieval-augmented generation, Türkçesiyle erişimle zenginleştirilmiş üretim. “RAG nedir?” sorusunun yanıtı, adının düşündürdüğünden basittir ve sanıldığından daha az modelle ilgilidir. İşin de kalite sorunlarının da çoğu kütüphanede durur: hangi belgeler onaylı, kim neyi görebilir, bilgi nasıl bulunur ve her yanıt kaynağını nasıl gösterir.

## Tek paragrafta RAG nedir?

RAG’de yapay zeka sistemi önce onaylı belgelerden soruyla ilgili pasajları bulur; bu adıma bilgi erişimi (retrieval) denir. Ardından bir dil modeline, yani metin okuyup yazan türden bir yapay zekaya, yalnızca bu pasajları kullanarak yanıt vermesini söyler ve her ifadenin hangi pasaja dayandığını gösterir. Okumayı ve yazmayı model üstlenir; bilgiyi belgeleriniz sağlar. Model bu bilgilerle eğitilmez. Bir politika değiştiğinde belgeyi değiştirirsiniz, bir sonraki yanıt da yeni belgeye göre verilir.

## Bir soru nasıl kaynaklı bir yanıta dönüşür?

Temsili bir vakaya bakalım. Bir çalışan şirket asistanına şunu soruyor: “Müşteri toplantısı için altı saatlik bir uçuşta business class bilet alabilir miyim?”

1. **Soru.** Sistem, şirket hesabıyla yapılan girişten kimin sorduğunu bilir: rolünü ve politikaların farklılaştığı yerlerde hangi ülkede ya da hangi şirkette çalıştığını.
2. **Arama.** Yalnızca bu çalışanın açabileceği belgelerde hem anlama göre (“uzun mesafeli uçuş”) hem de tam ifadeye göre (“business class”) arar ve kısa bir liste çıkarır: seyahat politikasının uçuşlarla ilgili bölümü ve masrafını müşterinin karşıladığı seyahatlerle ilgili bir ek.
3. **Pasajlar.** Belgelerin tamamı değil, en uygun birkaç pasaj modele gider; modele yalnızca bunlardan yanıt vermesi söylenir.
4. **Yanıt.** Bu varsayımsal politikada beş saatten uzun uçuşlar direktör onayıyla business class olarak alınabilir. Bu yüzden yanıt “evet, onay alınması şartıyla” der ve onay adımını belirtir.
5. **Kaynak.** Her ifade, alıntılanan cümle ve belgenin sürümüyle birlikte kendi pasajına bağlanır; çalışan bunu saniyeler içinde kontrol edebilir.

Kütüphanede soruyu yanıtlayan bir şey yoksa doğru yanıt şudur: “Erişebildiğiniz belgelerde bunu bulamadım.” Yanında en yakın pasajlar ve politika sahibinin adı yer alır. “Kaynak bulunamadı” bir başarısızlık değil, geçerli bir yanıttır. Bunun nasıl tasarlanacağını [kaynak gösteren yanıtlar üzerine notumuz](https://veridive.com/tr/saha-notlari/kaynak-gosteren-yapay-zeka-yanitlari/) anlatıyor.

## RAG için belgelerinizde neler hazır olmalı?

Bir asistan, kütüphanesinden daha güncel ya da daha tutarlı olamaz. Herhangi bir model devreye girmeden önce kütüphanede şunlar olmalı:

- **Onaylı bir kapsam:** dahil edilen belge grupları ve taslaklar ya da kişisel klasörler gibi dışarıda kalanlar.
- **Her grup için bir sahip:** hangi sürümün güncel olduğunu söyleyen ve iki belge çeliştiğinde kararı veren kişi.
- **Tek bir güncel sürüm,** çünkü arama eski sürümleri de yenileri kadar kolay bulur.
- **Okunabilir metin:** taranmış belgeler için OCR (optik karakter tanıma) ve satırlarını, sütunlarını koruyan tablolar.
- **Meta veri:** sahip, yürürlük tarihi, durum, hedef kitle ve dil. Arama bunlarla filtreleme yapar, kaynaklar da sürümü gösterir.
- **Kontrol edilebilir yetkiler:** kaynak sistemden alınan erişim yetkileri.

Sonuncusu pazarlık konusu değildir. Asistan hiçbir zaman erişim yetkilerinizi aşmanın bir yolu olmamalı: insanlar yalnızca kendilerinin açabileceği belgelerden yanıt alır. Bu kontrol arama anında, model herhangi bir metni görmeden yapılır. [Asistanlarda erişim kontrolü](https://veridive.com/tr/saha-notlari/rag-erisim-kontrolu/) ayrı bir notta ele alınıyor.

## RAG sistemleri genellikle nerede yanılır?

Çoğu zaman model daha tek kelime yazmadan:

- **Yanlış sürüm bulundu.** Yürürlükten kalkmış bir politika hâlâ paylaşımlı bir klasörde durur ve güncel olanla birlikte ya da onun yerine getirilir.
- **Doğru pasaj hiç bulunmadı.** Soru farklı kelimeler kullanır ya da anlama dayalı aramanın zorlandığı bir ürün kodu, madde numarası veya isim içerir. Türkçedeki kelime biçimleri bunu daha da zorlaştırır.
- **Pasaj kötü bölündü.** Bir kural bir pasaja, istisnası bir sonrakine düşer.
- **Yapı kayboldu.** Tek satırlık bir sayı dizisine dönüşmüş bir tablo ya da metin katmanı olmayan bir tarama.
- **Sorunun netleştirilmesi gerekiyordu.** “İhbar süresi ne kadar?” sorusunun yanıtı ülkeye, sözleşmeye ve role göre değişir; sistem ise tahmin yürüttü.
- **Model bir şey ekledi.** Daha seyrek görülür: doğru pasaj oradaydı ama yanıt onun ötesine geçti.

> Yanlış yanıtların çoğu, model daha tek kelime yazmadan, arama sırasında belirlenir.

Bu yüzden her yanıt için getirilen pasajları kaydedin. Doğru pasaj aralarında yoksa promptu ya da modeli değiştirmek işe yaramaz. Teşhis adımlarını [doküman asistanlarının neden yanlış yanıt verdiğini anlatan notta](https://veridive.com/tr/saha-notlari/rag-hatalari-ve-nedenleri/) bulabilirsiniz.

## RAG ne zaman doğru yaklaşımdır, ne zaman değildir?

RAG; bilginin değişen belgelerde durduğu, insanların kaynağı kontrol etmesi gerektiği ve farklı kişilerin farklı belgeleri görebildiği durumlara uyar: politikalar, prosedürler, sözleşmeler, kılavuzlar. Komşu problemler için genellikle başka bir çözüm daha uygundur.

| İnsanların ihtiyacı… | Genellikle daha uygun olan… |
|---|---|
| ERP’den ya da veri ambarından bir rakam | Rakamın sahibi olan sistemde bir sorgu ya da rapor |
| Bir yanıtı değil, bir formu bulmak | Daha iyi arama: başlıklar, meta veri, eş anlamlılar |
| Sabit bir çıktı biçimi ya da tutarlı bir üslup | Daha iyi talimatlar ve örnekler, gerekirse ardından ince ayar (fine-tuning) |
| Politikaya istisna gibi bir takdir kararı | İlgili pasajlar önüne konmuş bir insan |

Bu satırlardan ikisinin kendi notu var: [RAG ile ince ayar arasındaki seçim](https://veridive.com/tr/saha-notlari/rag-mi-ince-ayar-mi/) ve [asistan mı, daha iyi arama mı sorusu](https://veridive.com/tr/saha-notlari/yapay-zeka-asistani-veya-kurumsal-arama/). Belgeler yoksa ya da kimse onları sahiplenmiyorsa ilk proje bir yapay zeka projesi değil, bir içerik projesidir.

## Kurmadan önce iş birimi hangi soruları sormalı?

Altı soru. Bunları yanıtlayabilen bir ekip kurmaya hazırdır; yanıtlayamayan ekip ise ilk işini bulmuş demektir.

1. **Kaynaklar.** Hangi belge grupları kapsamda, hangileri açıkça kapsam dışı?
2. **Sahipler.** Her grubun sahibi kim ve iki belge çeliştiğinde kim karar verir?
3. **Güncellik.** Değişen bir belge yanıtlara ne kadar hızlı yansımalı ve eski sürümler nasıl kaldırılır?
4. **Yetkiler.** Erişim arama anında, kaynak sistemin kurallarıyla kontrol ediliyor mu ve değişiklikler ne kadar sürede geçerli olur?
5. **Kaynak gösterme.** Her yanıt tam pasajı ve sürümü gösteriyor mu; kaynak bulunamadığında kullanıcı ne görüyor?
6. **Değerlendirme.** Sahibinin onayladığı yanıtlarıyla hangi gerçek sorular, sistemin canlıya geçmeden önce ve her değişiklikten sonra çalıştığını gösterecek?

Zamanla en önemlisi sonuncusu olur. “Asistan iyi görünüyor” izlenimini bir ölçüme dönüştürür ve bir belge güncellemesinin ya da model değişikliğinin işleri kimse fark etmeden kötüleştirdiği günü yakalar.

## Hangi kütüphaneyle başlamalı?

İK politikaları gibi sık soru gelen ve sahibi belli tek bir belge grubu seçin. Bu grup hakkında birkaç düzine gerçek soru toplayın ve altı soruyu yalnızca o grup için yanıtlayın.

Alttaki katmanlar, yani onaylı kaynaklar, yetkilere uyan bilgi erişimi ve değerlendirme, [veri ve yapay zeka altyapısı](https://veridive.com/tr/hizmetler/veri-ve-yapay-zeka-altyapisi/) çalışmamızın konusu. Kaynaklı yanıtların nerede kullanıldığını [bilgi ve doküman zekası](https://veridive.com/tr/cozumler/bilgi-ve-dokuman-zekasi/) sayfası gösteriyor. Belirli bir kütüphaneyi konuşmanın en kolay yolu ise bize [kısa bir proje özeti göndermek](https://veridive.com/tr/iletisim/).

## Sık sorulan sorular

### Basit bir dille RAG nedir?

RAG, yani erişimle zenginleştirilmiş üretim, bir yapay zeka sisteminin sizin belgelerinizden yanıt vermesi için kullanılan bir yöntemdir. Sistem önce onaylı bir kütüphanede soruyla ilgili pasajları arar, sonra bir dil modeline yalnızca bu pasajları kullanarak yanıt yazdırır ve her ifadeyi destekleyen pasajı gösterir. Model bu bilgilerle eğitilmez; bu yüzden bir belgeyi güncellediğinizde yanıtlar da güncellenir.

### RAG asistanı belge yetkilerine uyar mı?

Ancak buna göre kurulup test edildiyse. İyi kurulmuş bir RAG asistanı aramasını kaynak sistemdeki erişim yetkilerine göre filtreler; böylece insanlar yalnızca kendilerinin açabileceği belgelerden yanıt alır. Bu filtre model herhangi bir metni görmeden çalışmalı, erişim değiştiğinde senkron kalmalı ve yalnızca yanıtları değil, önbellekleri ve kayıtları da kapsamalıdır.

### RAG asistanı kurmadan önce neler gerekir?

Adı belli bir sahibi olan onaylı bir belge grubu, güncel sürümleri açıkça işaretlenmiş belgeler, sistemin okuyabileceği metin ve kontrol edebileceği erişim yetkileri gerekir. Onaylı yanıtları ve kaynaklarıyla birlikte birkaç düzineden birkaç yüze kadar gerçek soru da gerekir; böylece kaliteyi canlıya geçmeden önce ve belgelerde, promptlarda ya da modellerde yapılan her değişiklikten sonra ölçebilirsiniz.

## Kaynaklar

1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al.). arXiv. https://arxiv.org/abs/2005.11401