Verimli kullanım bağlantısı
RAG kullanırken yalnızca kaynak bulmak yetmez; kaynağın soruyu doğrudan destekleyip desteklemediği kontrol edilmelidir.
Modül 07 · İleri
RAG, Kaynak Getirme, Reranking ve Uzun Belge Analizi
Modelin kendi parametre belleğine ek olarak dış kaynaklardan ilgili parçaları nasıl seçtiğini öğren.
Soru embedding
Reranking
Kaynak isabeti0%
Seçilen chunk0 parça
Bu modülde ne öğreneceksin?
- RAG akışını belge parçalama, embedding ve arama olarak kavramak
- Reranking ve kaynak güvenilirliğinin neden önemli olduğunu görmek
- PDF/dosya analizinde chunking hatalarının etkisini anlamak
Neden RAG gerekir?
Modelin eğitim bilgisi sabit veya eksik olabilir. Güncel, özel veya dosya içi bilgi gerekiyorsa sistem dış kaynaktan ilgili parçaları bulup model bağlamına ekleyebilir. Bu yaklaşıma retrieval-augmented generation denir.
Chunking ve embedding arama
Uzun belgeler parçalara ayrılır. Her parça embedding vektörüne dönüştürülür. Kullanıcı sorusu da embedding’e çevrilir ve benzer parçalar aranır. Sonra en alakalı parçalar modelin bağlamına yerleştirilir.
Reranking ve kaynak kalitesi
İlk arama sonucu her zaman en doğru parça olmayabilir. Reranking, bulunan parçaları soruya gerçek yakınlıklarına göre yeniden sıralar. Kaynak tarihi, güvenilirliği, doğrudan destekleyip desteklemediği ve çelişkiler cevap kalitesini belirler.
Dosya analizinde riskler
Yanlış chunk boyutu, kopmuş tablo, eksik başlık, OCR hatası veya eski bölümün yeni bilgi sanılması yanlış özetlemeye yol açabilir. Bu yüzden uzun belgelerde yalnızca metni bulmak değil, bağlamı doğru yorumlamak da önemlidir.
Kısa teknik notlar
Not
RAG modeli internete “sonsuz hafıza” gibi bağlamaz; sadece seçilen parçaları bağlama taşır.
Not
Doğru kaynak seçimi, doğru cevap kadar önemlidir.
Not
Chunking tasarımı belge analizinin kalitesini belirler.
RAG kalitesi
RAG sisteminde kalite yalnızca kaynak bulmaya bağlı değildir. Chunk boyutu, overlap, vektör arama, reranking, kaynak tarihi ve çelişki kontrolü birlikte düşünülmelidir.
Model bir kaynağı bağlama aldı diye otomatik olarak doğru cevap vermez. Kaynak yanlış seçilmişse ya da metin yanlış yorumlanmışsa hatalı sonuç üretilebilir.
Sunumda RAG için “model kendi hafızasına ek olarak kütüphaneden ilgili sayfayı masasına koyar” benzetmesini kullanabilirsin.
Bu konuyu eğitim sırasında nasıl kurmalısın?
01
RAG akışını belge parçalama, embedding, arama, reranking ve cevap üretme sırasıyla anlat.
02
Kaynak isabeti düşükse modelin iyi yazsa bile yanlış sonuca gidebileceğini vurgula.
03
Güncel bilgi ve uzun dosya analizinde kaynak seçiminin modelden bağımsız bir kalite katmanı olduğunu belirt.
Bu modülde geçen teknik terimler
Bu bölümde geçen teknik kavramların kısa ve doğrudan açıklamaları.
RAG
Retrieval-Augmented Generation. Dış kaynaklardan ilgili bilgi getirip cevabı o bilgiyle destekleme yaklaşımıdır.
Retrieval
Kullanıcı sorusuyla ilgili belge veya bilgi parçalarını dış kaynaktan bulma aşamasıdır.
Vector Search
Soru ve belge embeddingleri arasındaki yakınlığa göre ilgili parçaları bulma yöntemidir.
Top-k
Arama sonucunda en alakalı ilk k parçanın seçilmesidir.
Reranking
İlk arama sonuçlarını ikinci bir kalite/alaka kontrolünden geçirip yeniden sıralama işlemidir.
Source Grounding
Cevabın belirli kaynak parçalarına dayandırılmasıdır.