Bir şirketin en değerli varlığı nedir? Makineleri, binasından çok daha büyük bir ihtimalle **biriktirdiği bilgi**dir — satış notları, müşteri geçmişleri, teknik belgeler, e-postalar. Ancak bu bilgi; klasörlerde, e-posta arşivlerinde ve ERP sistemlerinde dağınık hâlde beklediği sürece hiçbir zaman gerçek potansiyelini gösteremez.
RAG (Retrieval-Augmented Generation) mimarisi, işte tam bu noktada devreye giren kurumsal yapay zekanın bel kemiğidir.
## RAG Mimarisi Nedir? Neden ChatGPT’den Farklıdır?
Standart bir Büyük Dil Modeli (LLM), eğitim tarihine kadar öğrendikleriyle cevap verir — şirketinizin özel süreçlerini, ürünlerinizi veya müşterilerinizi tanımaz. **RAG**, bu modelin yanına kurumsal bilgi tabanınızı bağlar: sorular önce şirket belgelerine yönlendirilir, ilgili parçalar bulunur ve ardından LLM bu bağlamla birlikte cevap üretir.
Sonuç: Şirketinize özel, güncel ve doğru bilgi veren bir yapay zeka asistanı.
## RAG’ın 4 Temel Bileşeni
Kurumsal bir RAG sistemi şu dört katmandan oluşur:
**1. Veri Entegrasyonu (Data Ingestion):**
– **Kaynaklar:** CRM (Salesforce, HubSpot), ERP (SAP, Microsoft Dynamics), SharePoint, Google Drive, OneDrive, e-posta arşivi, PDF dokümanlar, iç wiki sayfaları, Notion, Jira, GitHub
– **Formatlar:** PDF, Word, Excel, PowerPoint, PowerPoint, HTML, Markdown, e-postalar, JSON loglar
– **Otomasyon:** n8n ile “new_belge_yuklendi” tetikleyicisi
“`
[Google Drive: Dosya Eklendi] → [PDF Parse] → [Text Extract] → [Chunk 500 token] → [Embedding] → [Vector DB]
“`
– **Batch Upload:** Binlerce belgeyi tek seferde yüklemek için
**2. Vektör Veri Tabanı:**
– **Popüler Çözümler:** Pinecone (yönetimli), Weaviate (self-hosted), Chroma (Python-native), Qdrant, Milvus, pgvector
– **Embedding Modeller:** OpenAI embeddings, Cohere embeddings, Sentence Transformers (HuggingFace), multilingual embedding
– **Chunking Stratejileri:**
– Belge bazlı: Her belgenin kendi chunk’u
– Sembol bazlı: Sayfa numaralarına göre
– Anlam bazlı: Semantik benzerliğe göre
– **Örnek:** “Müşteri şikayet” sorgusu, “müşteri memnuniyeti düşük” belgeyle eşleşir
**3. Retrieval (Geri Getirme):**
– **Retrieval Stratejileri:**
– **Brute Force:** Tüm vektörleri tarar (küçük veri setleri için)
– **Vector Index:** Hızlı arama (HNSW, IVFFP16)
– **Hybrid Search:** Vektör + anahtar kelime arama (BM25)
– **Multi-vector:** Birden fazla kaynaklı sorgu
– **Top-K:** Kaç chunk getireceksiniz? (örn: 5-10 chunk)
– **Reranking:** Elde edilen chunk’ları puanlayıp en alakalıları seçme
– **Context Pipline:** Birden fazla kaynaklı veriyi birleştirme
**4. Generation (Üretim):**
– **Model Seçimi:**
– **GPT-4o:** En iyi kalite, pahalı
– **Claude 3.5:** Detaylı yanıtlar, uzun context
– **Llama 3.1:** Yerel alternatif, daha ucuz
– **Mistral:** Orta seviye performans
– **Optimizasyon:**
– **Temperature:** 0.7 (kreatif) vs 0.1 (deterministik)
– **Max Tokens:** Yanıt uzunluğu (örn: 512, 1024, 2048)
– **Top-P:** 0.9, 0.95, 0.99
– **Prompt Engineering:**
– **System Prompt:** “Sen şirketin yapay zeka asistanısın”
– **Context Prompt:** “İlgili belgeler: [chunk1, chunk2, chunk3]”
– **User Query:** “Şirketimizin müşteri memnuniyeti politikası nedir?”
– **Hallucination Önleme:**
– **Sorgula-Cevapla:** Soruyu kendi bilgisiyle cevaplamasın, sadece belgeye dayansın
– **Cite-Source:** Hangi belgeye dayandığını göster
– **Uncertainty:** Bilmediği şeyi “bilmiyorum” de
### Örnek Soru-Cevap Senaryosu
**Kullanıcı:** “2024 yılında satan müşteri memnuniyeti nasıl değişti?”
**RAG Pipeline:**
1. **Retrieval:** CRM’den 2024 satış verilerini, müşteri memnuniyeti verilerini bul
2. **Context:** “2024 Q1: %85, Q2: %87, Q3: %89, Q4: %91”
3. **Generation:** “2024 yılında müşteri memnuniyeti %85’ten %91’e yükseldi.”
### Veri Kalitesi
– **Temizlik:** Bozuk, eksik verileri temizle
– **Deduplikasyon:** Tekrarlayan verileri kaldır
– **Metadata:** Belgeye tarih, yazar, kaynak gibi metadata ekle
– **Güncellik:** Verilerin güncel olduğundan emin ol
### Maliyet Karşılaştırması
**Geleneksel Araştırma:**
– Araştırma: 2-3 saat (15.000-25.000 TL)
– Yanlış bilgi: %10-15 (200.000-500.000 TL risk)
– Hata: %5-10 (müşteri memnuniyeti düşüşü)
**RAG ile:**
– Yanıt: 10 saniye (100 TL vs 25.000 TL)
– Doğru bilgi: %95+ (0-100 TL risk)
– Hata: %1-2 (müşteri memnuniyeti stabil)
**Maliyet Tasarrufu:** %95+
### Kurumsal Uygulamalar
**Bankacılık:**
– Müşteri soruları (hesap bakiyesi, faiz oranları)
– Yönetim raporu oluşturma
– Regülasyon uyumluluk kontrolü
**Sağlık:**
– Hasta dosyalarına erişim
– Tıbbi araştırma
– Tedavi protokolleri sorgulama
**Teknoloji:**
– Kod dokümantasyonu
– API kullanımları
– Teknik destek otomasyonu
**E-Ticaret:**
– Ürün açıklamaları
– Müşteri yorumları
– Satış stratejileri
### Gelecek: AI Agentlar
RAG, sadece bilgi aramakla kalmayacak:
– **Planlama:** “Nasıl yapacağım?” sorusuna cevap bulma
– **İş Akışı:** Birden fazla araçla görev yapma
– **Otonom:** İnsan müdahalesi olmadan görev tamamlama
### Sonuç
RAG mimarisi, şirket verilerinizi yapay zeka ile birleştirerek doğru, güncel ve kişiselleştirilmiş yanıtlar alma yoludur. Era Dijital olarak, kurumsal RAG sistemlerini kurulum ve bakım hizmetlerini sunuyoruz.
Kendi RAG sisteminizi kurmak veya entegrasyon hakkında bilgi almak için Firmalara Özel Yapay Zeka sayfamızı inceleyebilir veya bizimle iletişime geçebilirsiniz.
**Era Dijital olarak**, kurumsal AI ve RAG altyapılarınızı yönetmek için ERA Dijital‘i tercih edin.
## Hangi Departmanlar Nasıl Kazanır?
RAG mimarisi, departman bazlı somut getiriler sunar:
– **Satış:** “Bu müşteri daha önce hangi teklifleri aldı ve neden reddetti?” sorusunun cevabı, geçmiş CRM kayıtlarından saniyeler içinde gelir.
– **İK:** Şirkete yeni katılan çalışan, iş süreçleri ve politikalar hakkında 7/24 doğru yanıt alır — İK departmanı yerine.
– **Hukuk & Uyum:** Sözleşme Veritabanındaki binlerce madde arasında, spesifik bir yükümlülüğe atıfta bulunan cümleler anında bulunur.
– **Teknik Destek:** Ürün kılavuzlarını tamamıyla bilen bir asistan, müşterilere veya saha teknisyenlerine adım adım rehberlik eder.
## n8n ile RAG Pipeline Örneği
Era Dijital’in danışmanlık projelerinde sıklıkla kullandığı temel n8n akışı şu şekildedir:
“`
[Tetikleyici: Yeni Belge Google Drive’a eklendi]
→ [HTTP Node: Belgeyi oku]
→ [Code Node: Text chunk’lara böl (500 token)]
→ [HTTP Node: OpenAI Embeddings API’ye gönder]
→ [Database Node: Pinecone’a vektör olarak kaydet]
“`
Sorgulama tarafında:
“`
[Tetikleyici: Kullanıcı sorusu (Slack/Web/API)]
→ [HTTP Node: Soruyu vektörize et]
→ [Database Node: En alakalı 5 chunk’ı Pinecone’dan getir]
→ [HTTP Node: GPT-4o’ya context + soru gönder]
→ [Response Node: Şirkete özel yanıt döndür]
“`
## Private Cloud ve Veri Güvenliği
Kritik şirket verilerini buluta göndermek istemeyen kuruluşlar için “Private RAG” çözümü geliştirilmiştir: Llama 3.1 veya Mistral gibi modeller şirket sunucusunda çalışır; hiçbir veri dışarı çıkmaz. Era Dijital bu modeli on-premise veya özel bulut altyapısında uçtan uca kurabilmektedir.
Yapay zekayı gerçekten şirketinize ait kılmak istiyorsanız, Firmalara Özel Yapay Zeka hizmeti sayfamızı inceleyebilir veya bizimle iletişime geçebilirsiniz.