Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma
RetrievalQA zinciri, özel istemler, kaynak gösterme, RAGAS ile RAG değerlendirmesi.
Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
RAG Nedir?
Getirmeyle Zenginleştirilmiş Üretim, bir LLM'i kendi verilerinizle temellendirir. Sorgu sırasında bir vektör deposundan ilgili parçaları getirip isteme yerleştirirsiniz; böylece model tahmin etmek yerine gerçeklere dayanarak yanıt verir.
RAG Akışı
Her RAG sorgusu dört adımı izler: (1) soruyu gömmek, (2) benzer parçaları getirmek, (3) bunları isteme bağlam olarak yerleştirmek, (4) LLM'in bu bağlama dayalı bir yanıt üretmesi.
Depoyu Getiriciye Dönüştürme
Vektör deponuzu as_retriever ile bir getiriciye dönüştürün. search_kwargs sözlüğü getirme işlemini, özellikle de soru başına alınacak parça sayısını belirleyen k değerini denetler.
retriever = db.as_retriever(
search_kwargs={"k": 4}
)search_kwargs'i Ayarlama
search_kwargs ayrıca bir puan eşiği veya MMR seçenekleri belirleyebilir. k=4 ile başlayın; yanıtlar bağlamı kaçırıyorsa değeri artırın, belirteç maliyetini ve gürültüyü azaltmak için düşürün.
retriever = db.as_retriever(
search_type="similarity_score_threshold",
search_kwargs={"k": 6, "score_threshold": 0.5}
)RetrievalQA Zinciri
RetrievalQA zinciri, getirme ve üretimi birbirine bağlar. Zinciri from_chain_type ile oluşturup llm ve retriever değerlerinizi verin. Artık tek bir çağrı, belgelerinizden soruları yanıtlar.
from langchain.chains import RetrievalQA
from langchain_openai import ChatOpenAI
qa = RetrievalQA.from_chain_type(
llm=ChatOpenAI(model="gpt-4o"),
retriever=retriever
)chain_type: Bağlam Nasıl Birleştirilir
chain_type, getirilen parçaların isteme nasıl ekleneceğini belirler. Varsayılan "stuff", tüm parçaları tek bir isteme yerleştirir; basittir ve parçalar bağlam penceresine sığdığında en iyi seçenektir. "map_reduce" gibi diğer türler çok sayıda büyük parçayı işler.
qa = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=retriever
)Soru Sorma
Sorunuzu query anahtarının altında vererek zinciri invoke ile çalıştırın. Zincir parçaları getirir, istemi oluşturur ve temellendirilmiş yanıtı döndürür.
response = qa.invoke({"query": "What is the refund window?"})
print(response["result"])Kaynak Belgeleri Döndürme
Yanıt için kullanılan parçaları almak üzere return_source_documents=True ayarını yapın. Bu, kaynak gösterimini mümkün kılar ve kullanıcıların her bilginin nereden geldiğini doğrulamasını sağlar; güven açısından kritik bir özelliktir.
qa = RetrievalQA.from_chain_type(
llm=llm,
retriever=retriever,
return_source_documents=True
)
resp = qa.invoke({"query": "Refund window?"})
for d in resp["source_documents"]:
print(d.metadata)RAG Neden Değerlendirilir?
RAG iki şekilde başarısız olabilir: getirme yanlış parçaları getirir veya üretim, iyi parçalar olmasına rağmen uydurma yanıtlar üretir. Hangi bölümü düzeltmeniz gerektiğini bilmek için ölçümlere ihtiyacınız vardır. Yanıtları gözle değerlendirmek ölçeklenebilir değildir.
RAGAS Ölçümleri
RAGAS, RAG kalitesini puanlayan bir kütüphanedir. Temel ölçümler şunlardır: faithfulness (yanıtın bağlam tarafından desteklenmesi), answer_relevancy (yanıtın soruyu ele alması) ve context_precision (getirilen parçaların ilgili olması).
pip install ragas
from ragas.metrics import faithfulness, answer_relevancy, context_precisionDeğerlendirme Çalıştırma
Sorulardan, oluşturulan yanıtlardan, getirilen bağlamlardan ve referans yanıtlardan oluşan bir veri kümesi oluşturun, ardından evaluate çağrısını yapın. Puanlar; parçalara ayırmayı, getirme işlemindeki k değerini veya istemi iyileştirmeniz gerekip gerekmediğini gösterir.
from ragas import evaluate
result = evaluate(
dataset,
metrics=[faithfulness, answer_relevancy, context_precision]
)
print(result)Hızlı Kontrol
RAG konusundaki bilginizi sınayın.
Özet: Uçtan Uca RAG
Tam bir RAG işlem hattı oluşturdunuz: search_kwargs ile db.as_retriever, llm ve getiriciniz üzerinde çalışan bir RetrievalQA.from_chain_type zinciri ve kaynak gösterimi için return_source_documents=True. Ayrıca sadakat ve bağlam kesinliği gibi RAGAS ölçümleriyle kaliteyi değerlendirmeyi öğrendiniz.
Sıkça Sorulan Sorular
“Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma” dersi ücretsiz mi?
Evet — “Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma” dersinde ne öğreneceğim?
RetrievalQA zinciri, özel istemler, kaynak gösterme, RAGAS ile RAG değerlendirmesi. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma” 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 Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python 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
- LangChain Mimarisi ve LCEL
- Belge Yükleme, Bölme ve Gömme
- Vektör Depoları: Chroma ve FAISS
- Uçtan Uca RAG Soru-Cevap Sistemi Oluşturma