RAG Nedir? Şirket Verilerinizi Yapay Zekâya Güvenle Bağlamanın Yolu

YZ Merkezi Editörü Yayın: 17 Ağustos 2026 Güncelleme: 10 Ekim 2026 9 dk okuma 271 görüntülenme
RAG Nedir? Şirket Verilerinizi Yapay Zekâya Güvenle Bağlamanın Yolu
Özet: Yapay zekânın şirket belgelerinize dayanarak kaynak göstererek yanıt vermesini sağlayan RAG mimarisini adımları, araçları, riskleri ve ince ayardan farkıyla öğrenin.

ChatGPT, Gemini ve Claude gibi büyük dil modelleri genel bilgide çok güçlü; ancak şirketinizin iç yönergelerini, ürün kataloğunu, sözleşmelerini ya da dün güncellenen fiyat listesini bilmezler. Onlara bu bilgileri "öğretmek" için modeli yeniden eğitmek hem pahalı hem de her güncellemede tekrarlanması gereken bir iştir.

RAG (Retrieval-Augmented Generation, getirme ile zenginleştirilmiş üretim) bu sorunu farklı bir yoldan çözer: Model bir soruyu yanıtlamadan önce şirket belgelerinizde arama yapar, en alakalı parçaları bulur ve yanıtını bu parçalara dayandırır. Böylece yanıt güncel olur, kaynağı gösterilebilir ve model bilmediği bir konuda uydurmak yerine "belgelerde bu bilgi yok" diyebilir.

Tek cümlede RAG: Önce ilgili belgeleri bul, sonra yanıtı yalnızca bu belgelere dayanarak ve kaynak göstererek üret.

RAG nasıl çalışır?

  1. Belgeleri parçalama (chunking): PDF, doküman, web sayfası ve veritabanı kayıtları anlam bütünlüğü korunacak şekilde paragraf ya da bölüm boyutunda parçalara ayrılır. Parça çok küçükse bağlam kaybolur, çok büyükse arama isabeti düşer.
  2. Vektöre çevirme (embedding): Her parça, anlamını temsil eden sayısal bir vektöre dönüştürülür. Bu sayede "izin hakkı" ile "yıllık tatil süresi" gibi farklı kelimelerle yazılmış ama aynı anlama gelen ifadeler birbirine yakın düşer. Embedding nedir?
  3. Saklama: Vektörler ve ilgili metin parçaları bir vektör veritabanında (ya da vektör desteği olan klasik bir veritabanında) saklanır.
  4. Arama (retrieval): Kullanıcı soru sorduğunda soru da vektöre çevrilir ve en benzer parçalar bulunur. İyi sistemler anlam aramasını anahtar kelime aramasıyla birleştirir ve sonuçları yeniden sıralar (reranking). Vektör arama nedir?
  5. Yanıt üretme: Bulunan parçalar soruyla birlikte modele verilir ve modelden yalnızca bu parçalara dayanarak, kaynak göstererek yanıt vermesi istenir.

RAG mı, ince ayar mı, uzun bağlam mı?

  • RAG: Bilgi sık değişiyorsa, kaynak göstermek gerekiyorsa ve belge sayısı çoksa en uygun yöntem.
  • İnce ayar (fine-tuning): Modelin bilgisinden çok davranışını, üslubunu ya da belirli bir çıktı biçimini değiştirmek için uygundur. Güncel bilgi eklemek için verimli değildir.
  • Uzun bağlam: Güncel modeller çok uzun metinleri tek seferde okuyabilir. Birkaç belgeyle sınırlı, tek seferlik işlerde belgeleri doğrudan yüklemek RAG kurmaktan daha pratiktir; ancak binlerce belgede maliyet ve isabet sorunu yaşanır.

Kod yazmadan RAG: Hazır araçlar

RAG'ın mantığını kullanan hazır araçlarla kod yazmadan başlayabilirsiniz:

  • Gemini Notebook (eski adıyla NotebookLM): Yüklediğiniz belgelere dayanarak atıflı yanıt verir. Nasıl kullanılacağını rehberimizde anlattık.
  • ChatGPT ve Claude Projeleri: Bir projeye eklediğiniz dosyalar, o projedeki tüm sohbetlerde bağlam olarak kullanılır.
  • Kurumsal arama özellikleri: Microsoft 365 Copilot, Google Workspace'teki Gemini ve Notion AI gibi araçlar, kurumun kendi belgelerinde yetkiye göre arama yapar.

Kendi sisteminizi kuracak geliştiriciler için açık kaynaklı orkestrasyon kütüphaneleri, PostgreSQL'in vektör eklentisi ve özel vektör veritabanları yaygın seçeneklerdir.

Güvenlik ve KVKK açısından dikkat edilecekler

  • Yetkiye göre erişim: RAG sistemi, kullanıcının normalde göremeyeceği belgeleri yanıtlara taşımamalı. Arama aşamasında belge izinleri mutlaka uygulanmalı.
  • Kişisel veriler: Kişisel veri içeren belgeler sisteme eklenmeden önce gerekliliği değerlendirilmeli; yurt dışındaki bir servise veri aktarılıyorsa KVKK'nın yurt dışına aktarım hükümleri dikkate alınmalı.
  • Prompt enjeksiyonu: Belgelerin içine gizlenmiş talimatlar modelin davranışını değiştirmeye çalışabilir. Dış kaynaklı belgeleri güvenilir belgelerden ayırın. Prompt enjeksiyonu nedir?

Sık yapılan hatalar

  • Belgeleri temizlemeden yüklemek: Eski sürümler, tekrar eden dosyalar ve taranmış kötü PDF'ler arama kalitesini düşürür.
  • Kaynak göstermemek: Kullanıcı yanıtın hangi belgeye dayandığını göremezse hatayı fark edemez.
  • Değerlendirme yapmamak: Gerçek kullanıcı sorularından oluşan bir test seti hazırlayıp yanıtların doğruluğunu düzenli ölçmek gerekir.
  • Her şeyi RAG ile çözmeye çalışmak: Hesaplama, sayım ve rapor gibi işler için veritabanına doğrudan sorgu atan araçlar daha doğru sonuç verir.

RAG kavramının kısa tanımı için sözlük sayfamıza, kurumunuzda yapay zekâya nereden başlayacağınız için KOBİ'ler için yapay zekâya geçiş kılavuzumuza göz atın.

Etiketler:
Bu yazıyı paylaş: