Bilgi Erişimi Destekli Üretim (RAG) Eğitimi

Eğitim Hakkında

Bu eğitim, büyük dil modellerini kurumun kendi belgeleri, politikaları ve bilgi tabanlarıyla besleyen bilgi erişimi destekli üretim (RAG) sistemleri geliştirecek teknik ekipler için tasarlanmış ileri düzey bir programdır. Katılımcılar belge işleme, parçalama, gömme, hibrit arama, yeniden sıralama, değerlendirme ve erişim kontrolünü uçtan uca uygular.

Neden Bu Eğitim?

Kurum Bilgisiyle Yanıt. Modelin genel bilgisine değil, güncel kurum belgelerine dayanan ve kaynak gösteren yanıtlar üreten sistemler kurun.

Erişim Kalitesine Odak. RAG başarısının büyük kısmını belirleyen parçalama, hibrit arama ve yeniden sıralama adımlarını ölçerek iyileştirin.

Kurumsal Gereksinimler. Belge bazlı yetkilendirme, kişisel veri koruma ve izlenebilirlik gereksinimlerini mimarinin parçası yapın.

“İyi bir RAG sistemi her şeyi bilen bir model değil, doğru belgeyi bulan, ona sadık kalan ve bilmediğini açıkça söyleyen bir asistandır.”

Ön Koşullar

Python Geliştirme — Python ile modüler kod yazabilmek, sanal ortam ve paket yönetimini kullanabilmek.
LLM API Deneyimi — Bir LLM API'sine istek gönderip yanıtı işlemiş, istem yapısını biliyor olmak.
Veri ve Arama Temeli — JSON, SQL ve temel veritabanı kavramlarına aşinalık; arama deneyimi avantajdır.
Docker ve Ortam — Docker ile konteyner çalıştırabilen, Python 3 ve editör kurulu bir geliştirme ortamı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiRAG mimarisinin bileşenlerini ve kullanım koşullarını kavramak, farklı formatlardaki belgeleri işleyip parçalamak, gömme modellerini seçmek ve ilk RAG hattını kurmak.

Modül 1

RAG Mimarisine Giriş

LLM'lerin bilgi sınırları ve halüsinasyon problemi
RAG, ince ayar ve uzun bağlam penceresi karşılaştırması
İndeksleme, erişim ve üretim aşamalarının akışı
Kurumsal senaryolar: politika, mevzuat, teknik doküman
LlamaIndex, LangChain ve Haystack çerçevelerine bakış
Demo: Yirmi satırda basit bir RAG prototipi

Modül 2

Belge Ayrıştırma ve Veri Hazırlığı

PDF, Word, HTML ve taranmış belgelerden metin çıkarma
Docling ve Unstructured ile yapı korumalı ayrıştırma
Tablo, başlık hiyerarşisi ve görsellerin ele alınması
Meta veri zenginleştirme: tarih, birim, gizlilik düzeyi
Yinelenen, eski ve çelişen belgelerin temizlenmesi
Laboratuvar: Karışık formatlı yönetmelik arşivini işleme

Modül 3

Parçalama Stratejileri

Sabit boyutlu ve özyinelemeli karakter bölme
Başlık ve bölüm yapısına duyarlı parçalama
Anlamsal parçalama ve örtüşme (overlap) ayarı
Ebeveyn-çocuk parçalar ve bağlam genişletme
Bağlamsal erişim: parçalara belge özeti ekleme
Laboratuvar: Parçalama stratejilerinin karşılaştırılması

Modül 4

Gömme Modelleri ve Vektör Veritabanları

Yoğun gömmeler, boyut ve benzerlik ölçüleri
Türkçe için çok dilli gömme modellerinin seçimi
MTEB sonuçlarını kendi verinizle doğrulama
Qdrant, pgvector, Milvus ve Azure AI Search seçenekleri
HNSW indeksi, meta veri filtreleme ve performans
Laboratuvar: Qdrant ile ilk uçtan uca RAG hattı

Günün hedefiHibrit arama, yeniden sıralama ve sorgu dönüşümüyle erişim isabetini artırmak, kaynak gösteren yanıt üretmek ve çizge tabanlı ile etmen tabanlı RAG desenlerini uygulamak.

Modül 1

Hibrit Arama ve Yeniden Sıralama

BM25 anahtar kelime aramasının güçlü yönleri
Yoğun ve seyrek aramanın RRF ile birleştirilmesi
Çapraz kodlayıcı ile yeniden sıralama (reranking)
Açık kaynak ve API tabanlı yeniden sıralayıcılar
Top-k, eşik ve bağlam bütçesi ayarı
Laboratuvar: Hibrit arama ve reranker ile isabet artışı

Modül 2

Sorgu Dönüşümü ve Yönlendirme

Sohbet geçmişine göre sorgu yeniden yazma
Çoklu sorgu üretimi ve alt sorulara ayrıştırma
HyDE: varsayımsal belge üreterek arama yapma
Meta veri filtresi çıkarımı: tarih, birim, belge tipi
Sorguyu doğru indekse veya araca yönlendirme
Laboratuvar: Çok adımlı soru için sorgu ayrıştırma

Modül 3

Atıflı Yanıt Üretimi

Bağlam sıralaması ve "ortada kaybolma" etkisi
Kaynak gösterme ve parça düzeyinde atıf üretimi
Yanıt bulunamadığında reddetme davranışı
Çelişen ve güncelliğini yitirmiş kaynakların yönetimi
Yapılandırılmış yanıt ve bölüm referansı formatı
Laboratuvar: Madde numarasıyla atıf veren mevzuat asistanı

Modül 4

GraphRAG ve Etmen Tabanlı RAG

Bilgi çizgesi tabanlı erişim ve GraphRAG yaklaşımı
Varlık-ilişki çıkarımı ile çizge oluşturma
Etmen tabanlı RAG: araç seçimi ve yinelemeli arama
LangGraph ile durum yönetimli RAG akışı
Tablo ve SQL verisini RAG ile birleştirme
Demo: LangGraph ile çok kaynaklı araştırma asistanı

Günün hedefiErişim ve yanıt kalitesini metriklerle ölçmek, yetkilendirme ve güvenlik risklerini yönetmek, ölçeklenebilir üretim mimarisi tasarlamak ve uçtan uca projeyi sunmak.

Modül 1

RAG Değerlendirmesi

Soru-cevap-kaynak üçlüsünden değerlendirme seti oluşturma
Erişim metrikleri: Recall@k, MRR ve nDCG
Yanıt metrikleri: sadakat, alaka ve bağlam kesinliği
Ragas ile otomatik değerlendirme ve sınırları
Hata analizi: erişim hatası mı, üretim hatası mı?
Laboratuvar: RAG hattı için değerlendirme raporu

Modül 2

Erişim Kontrolü ve Güvenlik

Belge düzeyinde yetkilendirme ve kullanıcıya göre filtre
Belgeye gömülü dolaylı istem enjeksiyonu riski
Kişisel veri tespiti, maskeleme ve KVKK uyumu
OWASP LLM riskleri açısından RAG saldırı yüzeyi
Denetim kaydı: soru, erişilen kaynak ve yanıt izi
Uygulama: Yetkisiz belge sızıntısı testi

Modül 3

Üretim Mimarisi ve İşletim

Artımlı indeksleme ve belge güncelleme hatları
Önbellekleme, gecikme bütçesi ve maliyet optimizasyonu
Langfuse ile iz kaydı ve kullanıcı geri bildirimi
Azure AI Foundry, Bedrock ve Vertex AI'da yönetilen RAG
Kullanım, isabet ve memnuniyet için izleme panosu
Vaka: İnsan kaynakları politika asistanının canlıya alınması

Modül 4

Uçtan Uca RAG Projesi ve Kapanış

Grup projesi: veri, erişim, üretim, değerlendirme
Proje sunumları ve metrik karşılaştırmaları
Kurumsal bilgi asistanı yol haritası çalışması
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

RAG Mimarisi — İndeksleme, erişim ve üretim bileşenlerinden oluşan bir RAG mimarisini ihtiyaca göre tasarlayabileceksiniz.
Belge İşleme — PDF, Word ve taranmış belgeleri yapıyı koruyarak ayrıştırıp meta veriyle zenginleştirebileceksiniz.
Parçalama Stratejisi — Belge türüne uygun parçalama ve bağlam genişletme yöntemlerini deneyle seçip uygulayabileceksiniz.
Hibrit Arama — BM25, vektör arama ve yeniden sıralamayı birleştirerek erişim isabetini ölçülebilir biçimde artırabileceksiniz.
Atıflı Yanıtlar — Kaynak gösteren, bilgi yoksa yanıt vermeyi reddeden ve çelişkileri belirten asistanlar geliştirebileceksiniz.
Metrikli Değerlendirme — Recall@k, sadakat ve bağlam kesinliği gibi metriklerle RAG hatasının kaynağını tespit edebileceksiniz.
Güvenli Erişim — Belge bazlı yetkilendirme, kişisel veri maskeleme ve enjeksiyon önlemleriyle güvenli sistemler kuracaksınız.
Üretim İşletimi — Artımlı indeksleme, önbellekleme ve izleme ile sürdürülebilir bir kurumsal RAG hizmeti işletebileceksiniz.

Kimler İçin Uygundur?

Yazılım geliştiriciler
yapay zeka ve makine öğrenmesi mühendisleri
çözüm mimarları
arama ve bilgi yönetimi uzmanları ile kurumsal asistan geliştiren teknik ekipler.

Sıkça Sorulan Sorular

Bilgi Erişimi Destekli Üretim (RAG) Eğitimi kimler için uygundur?

Program; kurum belgeleri, politikaları veya bilgi tabanları üzerinde soru yanıtlayan asistanlar geliştirecek yazılım geliştiriciler, yapay zeka mühendisleri, çözüm mimarları ve arama ile bilgi yönetimi uzmanları için tasarlanmıştır.

RAG ile modele ince ayar yapmak arasındaki fark nedir?

RAG, modeli yeniden eğitmeden soru anında ilgili belgeleri bulup bağlama ekler; bilgi güncel tutulabilir ve yanıt kaynağı gösterilebilir. İnce ayar ise modelin davranışını, üslubunu veya görev becerisini değiştirmek için daha uygundur.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün belge işleme, parçalama ve vektör veritabanları, ikinci gün hibrit arama, yeniden sıralama, sorgu dönüşümü ve GraphRAG, üçüncü gün değerlendirme, güvenlik, üretim ve proje işlenir.

Katılım için hangi ön koşullar var?

Python ile modüler kod yazabilmek, bir LLM API'si kullanmış olmak, JSON ve temel veritabanı kavramlarını bilmek ve Docker ile konteyner çalıştırabilmek beklenir.

Hangi araçlar kullanılıyor ve sertifika veriliyor mu?

Laboratuvarlarda LlamaIndex, LangChain, LangGraph, Docling, Qdrant, pgvector, çok dilli gömme modelleri, yeniden sıralayıcılar, Ragas ve Langfuse kullanılır. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

BİLGİ ERİŞİMİ DESTEKLİ ÜRETİM EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

RAG Mimarisine Giriş

Belge Ayrıştırma ve Veri Hazırlığı

Parçalama Stratejileri

Gömme Modelleri ve Vektör Veritabanları

Hibrit Arama ve Yeniden Sıralama

Sorgu Dönüşümü ve Yönlendirme

Atıflı Yanıt Üretimi

GraphRAG ve Etmen Tabanlı RAG

RAG Değerlendirmesi

Erişim Kontrolü ve Güvenlik

Üretim Mimarisi ve İşletim

Uçtan Uca RAG Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi