Yapay Zekâ · 22 Ağustos 2026 · 2 dk okuma
RAG Nedir? Yapay Zekâya Kendi Verinizi Öğretmek
RAG (Retrieval-Augmented Generation) nedir, nasıl çalışır? Yapay zekâya şirket verinizi güvenle kullandırmanın standart yöntemi, sade anlatım.
Kısa cevap
RAG (Retrieval-Augmented Generation, getirmeyle güçlendirilmiş üretim), bir yapay zekâ modelinin cevap üretmeden önce ilgili belgeleri arayıp bulduğu ve cevabı o kaynaklara dayandırdığı mimaridir. Belgeler embedding'e çevrilip bir vektör veritabanında saklanır; soru geldiğinde anlamca en yakın parçalar bulunur ve modele 'bu kaynaklara dayanarak cevapla' denir. Bilgisi sık değişen işlerde fine-tuning'e göre standart ve daha ucuz yöntemdir.
Büyük dil modellerinin iki doğal sınırı var: eğitim verisi bir tarihte donmuştur ve sizin şirketinizin belgelerini hiç görmemiştir. "Bu modele bizim ürün dokümanlarını nasıl öğretiriz?" sorusunun sektör standardı cevabı RAG'dir: Retrieval-Augmented Generation, yani getirmeyle güçlendirilmiş üretim.
RAG nasıl çalışır?
Fikir, açık kitap sınavı gibidir. Modele her şeyi ezberletmek yerine, soru geldiğinde ilgili sayfayı önüne koyarsınız:
- Hazırlık: Belgeleriniz (PDF, yardım makaleleri, sözleşmeler) parçalara bölünür ve her parça, anlamını temsil eden sayısal bir imzaya (embedding) çevrilip özel bir vektör veritabanında saklanır.
- Getirme (retrieval): Kullanıcı soru sorduğunda, sorunun imzasına en çok benzeyen parçalar bulunur. Kelime eşleşmesi değil anlam eşleşmesi yapılır; "ücret iadesi" arayan, "para geri alma" yazan belgeyi de bulur.
- Üretim (generation): Bulunan parçalar, soruyla birlikte modele verilir: "Bu kaynaklara dayanarak cevapla." Model, cevabı kendi ezberinden değil önündeki metinden kurar.
Neden ince ayar (fine-tuning) değil?
İki yaklaşım karışır ama işleri farklıdır. İnce ayar, modelin davranışını ve üslubunu değiştirir; bilgi güncellemek için pahalı ve hantaldır. RAG ise bilgiyi dışarıda tutar: doküman değişince veritabanını güncellersiniz, model aynı kalır. Bilgisi her gün değişen işlerde (destek, mevzuat, ürün dokümanı) RAG bu yüzden standarttır. İkisi rakip de değildir; üslup için ince ayar, bilgi için RAG birlikte kullanılabilir.
Nerede işe yarar?
Teknik destek geçmişim bana şunu öğretti: kullanıcıların sorularının büyük kısmının cevabı bir yerlerde yazılıdır; sorun, kimsenin o yazıyı bulamamasıdır. RAG tam bu yaraya merhemdir:
- Destek botunun şirket bilgi tabanından cevap vermesi
- Şirket içi "bu prosedür neydi?" aramaları
- Sözleşme ve mevzuat sorgulama
- Ürün içi yardım asistanları
RAG ayrıca halüsinasyonu azaltmanın en etkili yollarından biridir; çünkü model cevabı kaynağa dayandırır ve kaynak gösterebilir.
Kurarken bilinmesi gerekenler
RAG demosu bir günde kurulur; iyisi haftalar ister. Kalite üç yerde belli olur: belgeleri nasıl parçaladığınız (bölünmüş bir tablo anlamını yitirir), getirmenin isabeti (yanlış sayfa gelirse cevap da yanlış olur) ve modelin kaynağa sadakati. "Demoda çalışıyor" ile "üründe çalışıyor" arasındaki fark, bu üç ayrıntının işçiliğidir.
Sıkça sorulan sorular
RAG için verilerim buluta mı gider?
Kurulum tercihine bağlı. Tamamı kendi sunucunuzda çalışan açık kaynak yığınlar da var, yönetilen bulut hizmetleri de. Hassas veride bu soruyu mimariden önce sorun.
Kaç belgeyle anlamlı olur?
Üst sınır pratikte yok; alt sınır da düşük. Elli sayfalık bir yardım dokümanı bile, model ezberine göre ciddi isabet farkı yaratır.
RAG, AI agent ile aynı şey mi?
Değil ama sık birlikte çalışırlar. RAG bilgiye erişim tekniğidir; agent ise iş yapan mimari. Çoğu agent, bilgi gerektiğinde RAG'i araç olarak kullanır.
RAG kurmak için hangi modeli kullanmalıyım?
İki ayrı model devrede: metni vektöre çeviren küçük ve ucuz bir embedding modeli, cevabı üreten büyük bir LLM. İkisinin aynı sağlayıcıdan olması zorunlu değil; çoğu ciddi kurulum, ucuz embedding modeliyle güçlü bir dil modelini birlikte kullanır.
Etiketler