0Pricing
AI Agents · Ders

RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar)

RAG, sorgu sırasında ilgili bağlamı getirir; böylece LLM gerçek kaynakları belirtir ve gerçekleri uydurmaz.

RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar), CoddyKit'te ücretsiz bir AI Agents dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents kursu toplamda 4 dersten oluşur.

Saf LLM'lerle İlgili İki Sorun

En iyi LLM'lerin bile yapısal olarak iki sorunu vardır:

  1. Bilgi kesim tarihi — yalnızca eğitim verilerinde bulunan bilgileri bilirler. GPT-4'e dün gerçekleşen bir olay hakkında soru sorarsanız hiçbir fikri olmaz.
  2. Halüsinasyon — model bilmediğinde, kendinden emin bir şekilde bilgi uydurur.

RAG Nedir

Getirmeyle Güçlendirilmiş Üretim (RAG) şu anlama gelir:

  1. İlgili parçaları bulmak için bir bilgi tabanında arama yapın
  2. Bu parçaları istemin içine yerleştirin
  3. LLM'den yanıtını ONLY bu parçaları kullanarak vermesini isteyin

Model, donmuş ağırlıklarına güvenmek yerine dış bilgilerin üzerinde çalışan bir "okuyucuya" dönüşür.

Somut Bir Örnek

Kullanıcı: "Açılmış elektronik ürünler için iade politikamız nedir?"

  1. Şirketin KB'sinde "elektronik ürünler iade politikası" için arama yapın — yardım belgelerinden 3 paragraf alın
  2. İstemi oluşturun: "Aşağıdaki bağlamı kullanarak yanıtlayın: ..."
  3. Model, kaynak gösteren güvenilir bir yanıt üretir

RAG Neden İnce Ayardan Daha İyi?

Olgusal bilgi için RAG > ince ayar; çünkü:

  • Yeniden eğitim yapmadan KB'yi güncelleyebilirsiniz
  • Kullanıcıya veya kiracıya özel veriler kolayca ayrılabilir
  • Kaynak gösterilebilir (yanıtı WHICH parçanın ürettiğini bilirsiniz)
  • Bakımı daha ucuzdur

RAG Halüsinasyonu Neden Azaltır?

Model yalnızca sağlanan bağlamdan yanıt vermesi için yönlendirilirse ve bağlam doğru bilgiyi içerirse, modelin doğru yanıt verme olasılığı belleğine güvenmeye kıyasla çok daha yüksektir.

Bu kusursuz değildir — modeller yine de zaman zaman bilgi uydurur — ancak halüsinasyonu büyük ölçüde azaltır.

Üç Aşama

Her RAG sisteminin üç aşaması vardır:

  1. Veri alma (çevrim dışı) — belgeleri parçalara ayırın, gömün ve saklayın
  2. Getirme (çevrim içi) — sorguyu gömün ve en iyi K parçayı bulun
  3. Üretim (çevrim içi) — LLM, getirilen parçaları kullanarak yanıt üretir

Basit RAG ve Gelişmiş RAG

Basit RAG (5 satırlık prototip):

  • Sabit boyutlu parçalama
  • Tek vektörlü getirme
  • En iyi K sonucu istemin içine yerleştirme

Gelişmiş RAG; yeniden sıralama, sorguyu yeniden yazma, HyDE, çoklu vektör ve değerlendirme ekler — her biri kaliteyi artırırken karmaşıklığı da artırır.

RAG Ne Zaman Faydalıdır?

  • Şirket bilgi tabanları ve belgeleri
  • Bir ürün kılavuzu üzerinden müşteri desteği
  • Uzun kuyruklu olgusal soru-cevap
  • Kullanıcı verileri üzerinde çalışan kişisel yardımcılar

RAG Ne Zaman Zararlıdır?

  • Basit sohbetler (olgusal bilgi gerekmez)
  • Bilgi değil, akıl yürütme gerektiren görevler
  • Derlem, zaten bağlama sığacak kadar küçük olduğunda

İstem Şablonu

Tipik bir RAG istemi şöyle görünür:

prompt = f'''
Answer the user\'s question using ONLY the context below.
If the answer is not in the context, say 'I do not know'.

Context:
{retrieved_chunks}

Question:
{user_question}

Answer:
'''

Kaynak Gösterme

Parçaları kaynak kimlikleriyle biçimlendirin ve modelden bunlara kaynak göstermesini isteyin:

context = '\n'.join(
    f'[doc {i+1}] {chunk.text}'
    for i, chunk in enumerate(chunks)
)
# Then ask: 'Cite the relevant [doc N] for each claim.'

RAG'nin Amacı

RAG öncelikle hangi sorunu ele alır?

Özet

RAG, LLM'leri açık kitap sınavına giren öğrencilere dönüştürür. Sıradaki konu: belgeleri getirme amacıyla nasıl parçalara ayıracağınız.

Sıkça Sorulan Sorular

“RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar)” dersi ücretsiz mi?

Evet — “RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar)” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents kursu toplamda 4 dersten oluşur.

“RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar)” dersinde ne öğreneceğim?

RAG, sorgu sırasında ilgili bağlamı getirir; böylece LLM gerçek kaynakları belirtir ve gerçekleri uydurmaz. AI Agents ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Agents öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Agents, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.

“RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar)” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Agents dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Agents dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

  1. RAG Ne İşe Yarar (Bilgi Kesim Tarihi, Halüsinasyonlar)
  2. Parçalama Stratejileri (Sabit, Cümle, Anlamsal)
  3. Belge Kümesini Dizinleme
  4. FAISS veya Chroma ile Naif RAG Oluşturma
← AI Agents Sayfasına Dön