Python ve OpenAI ile RAG Sistemi Oluşturma

Python ve OpenAI ile RAG Sistemi Oluşturma

Günümüzün dijital dünyasında, büyük veri kümelerinden anlamlı bilgiler çıkarmak ve bu bilgileri kullanıcıların anlayabileceği şekilde sunmak giderek daha kritik hale geliyor. Özellikle yapay zeka alanında, dil modelleri (LLM’ler) inanılmaz yetenekler sergilese de, kendi özel veri setlerinizle entegre edildiğinde daha da güçlü hale gelirler. İşte tam bu noktada, Retrieval-Augmented Generation (RAG) sistemleri devreye giriyor. Peki, bu güçlü RAG sistemlerini Python ve OpenAI API’lerini kullanarak nasıl inşa edebiliriz? Bu makalede, RAG’ın ne olduğundan başlayarak, adım adım kendi RAG sisteminizi nasıl kurabileceğinizi ve bu süreci optimize etmek için nelere dikkat etmeniz gerektiğini detaylı bir şekilde inceleyeceğiz. Özellikle, kendi belgelerinizden akıllıca yanıtlar üretebilen bir sistem kurma yolculuğunda size rehberlik edeceğiz. Bu sistem, sadece bilgiye erişimi kolaylaştırmakla kalmayacak, aynı zamanda doğru ve bağlamsal olarak zengin yanıtlar sunarak kullanıcı deneyimini de üst seviyelere taşıyacaktır. Bu kapsamlı rehber, RAG sistemlerinin temel prensiplerini anlamaktan, pratik uygulamalarına kadar uzanan geniş bir yelpazeyi kapsayacaktır.

RAG Sistemi Nedir ve Neden Önemlidir?

Retrieval-Augmented Generation (RAG), büyük dil modellerinin (LLM’ler) cevap üretme yeteneklerini, harici bir bilgi kaynağından alınan bilgilerle zenginleştiren bir yapay zeka mimarisidir. Basitçe ifade etmek gerekirse, LLM’ler genellikle genel bir bilgi havuzuna sahiptir, ancak bu bilgi her zaman güncel veya sizin özel ihtiyaçlarınıza yönelik olmayabilir. RAG sistemleri, bu boşluğu doldurmak için tasarlanmıştır. Bir RAG sistemi, kullanıcının sorusunu veya isteğini alır, ardından bu istekle ilgili en alakalı bilgileri harici bir veritabanından (örneğin, şirket içi belgeler, web siteleri, teknik kılavuzlar vb.) çeker. Bu çekilen bilgiler, daha sonra LLM’ye girdi olarak verilir ve LLM, bu ek bağlamı kullanarak daha doğru, güncel ve spesifik bir yanıt üretir. Bu yaklaşım, LLM’lerin “halüsinasyon” görme eğilimini (yani, yanlış veya uydurma bilgiler üretme) azaltmada da etkilidir, çünkü modelin yanıtları gerçek verilere dayanır. RAG’ın önemi, günümüzün bilgiye dayalı ekonomisinde giderek daha belirgin hale gelmektedir. Şirketler, müşteri hizmetleri chatbot’larından, dahili bilgi yönetim sistemlerine, araştırma ve geliştirme araçlarına kadar birçok alanda LLM’lerin potansiyelinden yararlanmak istemektedir. Ancak, bu modellerin genel bilgilerle sınırlı kalması, özel sektör verileriyle entegrasyonunu zorlaştırmaktadır. RAG, LLM’leri kendi özel veri setlerinizle “konuşturmanın” bir yolunu sunarak, bu zorluğun üstesinden gelinmesine yardımcı olur. Örneğin, bir e-ticaret şirketi, ürün açıklamaları, müşteri yorumları ve sık sorulan sorular gibi kendi veri tabanını kullanarak bir chatbot oluşturmak isteyebilir. RAG olmadan, LLM sadece genel ürün bilgisi verebilirken, RAG ile entegre edildiğinde, belirli bir ürünün stok durumu, garanti süresi veya kullanıcıların yaşadığı özel bir sorun hakkında doğru ve detaylı yanıtlar üretebilir. Bu, hem müşteri memnuniyetini artırır hem de operasyonel verimliliği yükseltir. Bu nedenle, RAG sistemleri, LLM’lerin pratik ve ticari uygulamalarında kritik bir köprü görevi görmektedir.

RAG Sisteminin Temel Bileşenleri Nelerdir?

Bir RAG sisteminin etkili bir şekilde çalışabilmesi için birkaç temel bileşenin bir araya gelmesi gerekir. Bu bileşenleri anlamak, kendi sisteminizi kurarken size yol gösterecektir. İlk olarak, Veri Kaynağı (Data Source) bulunur. Bu, sisteminizin “bilgi bankasıdır”. Bu kaynak, düz metin dosyaları, PDF’ler, veritabanları, web sayfaları veya yapılandırılmış veriler gibi çeşitli formatlarda olabilir. Önemli olan, sistemin bu verilere erişebilmesi ve bunları işleyebilmesidir. Ardından, Belge Bölümleme (Document Chunking) gelir. Büyük belgeler, LLM’ler için işlenmesi zor olabilir. Bu nedenle, belgeler genellikle daha küçük, yönetilebilir “parçalara” (chunks) bölünür. Bu parçaların boyutu ve nasıl bölündüğü, sistemin performansını doğrudan etkiler. Örneğin, bir paragrafı bir parça olarak almak, bir cümleyi veya birkaç cümleyi parça olarak almaktan farklı sonuçlar doğurabilir. Bu bölümleme işlemi, bağlamı korurken bilgiyi etkili bir şekilde temsil etmeyi amaçlar. Bir sonraki kritik adım ise Gömme (Embedding) işlemidir. Bu aşamada, metin parçaları, vektör temsillerine dönüştürülür. Bu vektörler, metnin anlamsal anlamını yakalar. Yani, benzer anlamlara sahip metinler, vektör uzayında birbirine yakın konumlanır. OpenAI’nin embedding modelleri (örneğin, text-embedding-ada-002) bu işlem için yaygın olarak kullanılır. Bu vektörler, daha sonra Vektör Veritabanı (Vector Database) adı verilen özel bir veritabanında saklanır. Vektör veritabanları, vektörler üzerinde hızlı ve etkili arama yapabilme yeteneğine sahiptir. Pinecone, Weaviate, ChromaDB gibi popüler seçenekler mevcuttur. Kullanıcı bir soru sorduğunda, bu soru da bir vektöre dönüştürülür ve vektör veritabanında en benzer vektörler aranır. Bu arama sonucunda, kullanıcının sorusuyla en alakalı metin parçaları (yani, belgelerden çekilen bölümler) bulunur. Bu çekilen bilgiler, Bilgi Alma (Retrieval) aşamasıdır. Son olarak, bu çekilen bilgiler ve kullanıcının orijinal sorusu, bir Büyük Dil Modeli (LLM)‘ne girdi olarak verilir. LLM, bu bağlamı kullanarak kullanıcının sorusuna en uygun ve bilgilendirici yanıtı üretir. Bu süreç, genellikle prompt mühendisliği (prompt engineering) ile optimize edilir, böylece LLM, sağlanan bilgileri en iyi şekilde kullanabilir. Bu bileşenlerin her biri, RAG sisteminin genel verimliliğini ve doğruluğunu belirlemede önemli bir rol oynar. Bu bileşenlerin kusursuz entegrasyonu, güçlü ve güvenilir bir RAG sisteminin temelini oluşturur.

Python ile RAG Sistemi Kurulumu: Adım Adım Rehber

Şimdi, bu temel bileşenleri bir araya getirerek kendi RAG sistemimizi Python ile nasıl kuracağımıza dair pratik bir rehbere geçelim. Bu süreç, birkaç ana adımdan oluşacaktır. İlk olarak, gerekli kütüphaneleri kurmamız gerekiyor. Bu kütüphaneler arasında OpenAI API’si ile etkileşim kurmak için openai, belge işleme için langchain veya llama_index gibi frameworkler, metin bölümleme için nltk veya spacy ve vektör veritabanı için seçtiğimiz bir kütüphane (örneğin, chromadb) yer alabilir. Kurulumu tamamladıktan sonra, ilk adımımız belgelerimizi yüklemek ve hazırlamaktır. Diyelim ki, bir şirketin ürün kılavuzları gibi birkaç PDF dosyamız var. Langchain gibi bir framework, bu PDF’leri okuyup metin olarak ayıklamak için kullanışlı araçlar sunar. Ardından, ayıklanan metinleri daha küçük parçalara bölmemiz gerekiyor. Bu “chunking” işlemi, metinlerin bağlamını kaybetmeden anlamlı bir şekilde ayrılmasını sağlamalıdır. Örneğin, RecursiveCharacterTextSplitter gibi bir araç, metni belirli bir karakter sayısına göre bölerken, özel karakterleri veya kelime sınırlarını da dikkate alabilir. Bu parçalar oluşturulduktan sonra, her bir parçanın anlamsal temsilini elde etmek için embedding işlemini gerçekleştireceğiz. OpenAI API’sini kullanarak, her bir metin parçası için bir vektör embeddings oluşturacağız. Bu embedding’ler, daha sonra bir vektör veritabanına kaydedilecektir. ChromaDB gibi bir vektör veritabanı, bu embedding’leri saklamak ve hızlıca arama yapmak için idealdir. Belgelerimiz hazır olduğunda ve vektör veritabanımız doldurulduğunda, kullanıcıdan gelen soruları işlemeye hazırız. Kullanıcı bir soru sorduğunda, ilk olarak bu sorunun embedding’ini oluştururuz. Ardından, bu embedding’i kullanarak vektör veritabanında en alakalı belgeleri (yani, en yakın vektörlere sahip metin parçalarını) ararız. Bu arama sonucunda elde ettiğimiz metin parçaları, kullanıcının orijinal sorusuyla birlikte bir prompt (komut istemi) içine yerleştirilir. Bu prompt, LLM’ye gönderilir ve LLM, sağlanan bağlamı kullanarak bir yanıt üretir. Bu tüm süreci özetleyen temel kod yapısı şu şekilde olabilir:

import openai
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain.llms import OpenAI

# OpenAI API anahtarınızı ayarlayın
openai.api_key = "YOUR_OPENAI_API_KEY"

# 1. Belgeleri Yükleme ve Bölümleme
loader = PyPDFLoader("your_document.pdf")
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = text_splitter.split_documents(documents)

# 2. Embedding Oluşturma ve Vektör Veritabanına Kaydetme
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(texts, embeddings, persist_directory="./chroma_db")
vectorstore.persist()

# Vektör veritabanını yükleme (eğer önceden oluşturulduysa)
# vectorstore = Chroma(persist_directory="./chroma_db", embedding_function=embeddings)

# 3. LLM ve RetrievalQA Zinciri Oluşturma
llm = OpenAI(temperature=0) # temperature=0 daha deterministik yanıtlar için
qa_chain = RetrievalQA.from_chain_type(
    llm,
    retriever=vectorstore.as_retriever()
)

# 4. Soru Sorma ve Yanıt Alma
query = "Ürün garantisi hakkında bilgi verebilir misiniz?"
response = qa_chain({"query": query})
print(response["result"])
        

Bu kod örneği, temel bir RAG akışını göstermektedir. Gerçek dünya uygulamalarında, bu adımları daha karmaşık hale getirmek, farklı veri kaynaklarını entegre etmek ve performansı optimize etmek için ek ayarlamalar yapmak gerekebilir. Ancak, bu temel yapı, kendi RAG sisteminizi oluşturmak için sağlam bir başlangıç noktası sunmaktadır. Bu adımları izleyerek, belgelerinizle etkileşim kurabilen ve bağlamsal olarak doğru yanıtlar üretebilen bir sistem oluşturabilirsiniz.

Vaka Analizi: Bir E-Ticaret Şirketi İçin Müşteri Desteği Chatbot’u

Haydi, şimdi RAG sistemlerinin gerçek dünyada nasıl kullanılabileceğine dair bir vaka analizi yapalım. Bir e-ticaret şirketi olan “TechGadgetler”, ürün yelpazesi geniş ve müşteri soruları oldukça çeşitli olduğu için müşteri desteği konusunda zorluklar yaşıyor. Müşteriler, ürün özellikleri, stok durumu, iade politikaları, garanti koşulları ve teknik destek gibi konularda sürekli sorular soruyor. Geleneksel destek yöntemleri, çağrı merkezi çalışanlarının yoğunluğu ve bilgiye hızlı erişimdeki zorluklar nedeniyle yetersiz kalıyor. Bu noktada, TechGadgetler, kendi ürün bilgileri, SSS (Sıkça Sorulan Sorular) belgeleri, iade politikası kılavuzları ve müşteri destek kayıtlarından oluşan bir veri tabanını kullanarak akıllı bir müşteri desteği chatbot’u geliştirmeye karar veriyor. İşte RAG sistemi burada devreye giriyor.

Problem: Müşteri sorularına hızlı, doğru ve kişiselleştirilmiş yanıtlar verme zorluğu. Destek ekibinin üzerindeki yükü azaltma ihtiyacı.

Çözüm: Python ve OpenAI API’lerini kullanarak bir RAG tabanlı chatbot geliştirme.

Uygulama Adımları:

1. Veri Toplama ve Hazırlama: TechGadgetler, tüm ürün açıklamalarını (web sitesinden çekilmiş), SSS belgelerini, garanti ve iade politikası PDF’lerini ve geçmiş müşteri destek konuşmalarından anonimleştirilmiş verileri toplar. Bu veriler, sistemin temelini oluşturacaktır.
2. Belge Bölümleme ve Embedding: Toplanan belgeler, langchain kütüphanesi kullanılarak anlamlı parçalara bölünür. Örneğin, her bir ürünün özellikleri ayrı bir parça, bir iade prosedürünün adımları ayrı bir parça olarak işlenir. Ardından, OpenAI’nin embedding modeli kullanılarak bu parçaların vektör temsilleri oluşturulur.
3. Vektör Veritabanı Oluşturma: Oluşturulan vektörler, chromadb gibi bir vektör veritabanında saklanır. Bu veritabanı, milyarlarca vektör arasında bile hızlı bir şekilde benzerlik araması yapabilme yeteneğine sahiptir.
4. LLM Entegrasyonu: Bir OpenAI LLM (örneğin, GPT-4) modeli, chatbot’un “beyni” olarak kullanılır. Kullanıcıdan gelen her soru, önce embedding’e dönüştürülür ve vektör veritabanında en alakalı bilgi parçaları bulunur.
5. Yanıt Üretimi: Bulunan ilgili bilgi parçaları ve kullanıcının sorusu, LLM’ye bir prompt olarak verilir. LLM, bu bağlamı kullanarak müşteriye özel, doğru ve anlaşılır bir yanıt üretir. Örneğin, bir müşteri “X model akıllı saat suya dayanıklı mı?” diye sorduğunda, sistem ilgili ürün açıklamasından ve garanti belgesinden suya dayanıklılıkla ilgili bilgileri çeker ve LLM bu bilgiyi kullanarak “Evet, X model akıllı saat 5 ATM’ye kadar suya dayanıklıdır, ancak derin deniz dalışı için uygun değildir.” gibi bir yanıt verir.

Sonuçlar:

• Artan Müşteri Memnuniyeti: Müşteriler, sorularına 7/24 hızlı ve doğru yanıtlar alabildikleri için daha memnun kalırlar.
• Azalan Destek Maliyetleri: Basit ve tekrarlayan soruların chatbot tarafından yanıtlanması, insan destek ekibinin yükünü azaltır ve maliyetleri düşürür.
• Gelişmiş Verimlilik: Destek ekibi, daha karmaşık ve acil sorunlara odaklanarak verimliliklerini artırabilir.
• Veriye Dayalı İçgörüler: Chatbot etkileşimleri analiz edilerek, hangi ürünlerin daha çok sorulduğu, hangi konularda sorun yaşandığı gibi değerli içgörüler elde edilebilir.

Bu vaka analizi, RAG sistemlerinin sadece teknik bir çözüm olmakla kalmayıp, aynı zamanda iş süreçlerini iyileştirme ve müşteri deneyimini zenginleştirme potansiyeline sahip olduğunu göstermektedir. TechGadgetler örneğinde olduğu gibi, kendi verilerinizi kullanarak LLM’lerin gücünü özel ihtiyaçlarınıza uyarlayabilirsiniz.

Gelişmiş RAG Teknikleri ve Optimizasyon İpuçları

Temel bir RAG sistemi kurduktan sonra, performansını ve doğruluğunu daha da artırmak için uygulayabileceğiniz çeşitli gelişmiş teknikler ve optimizasyon stratejileri bulunmaktadır. Bu ipuçları, sisteminizin daha akıllı, daha verimli ve daha güvenilir olmasını sağlayacaktır. İlk olarak, belge bölümleme stratejilerinizi (chunking strategies) optimize etmek önemlidir. Sadece sabit bir boyutta bölmek yerine, metnin anlamsal yapısını dikkate alan daha akıllı bölümleme yöntemleri kullanabilirsiniz. Örneğin, paragraf sınırlarını korumak, başlıkları dikkate almak veya belirli anahtar kelimeler etrafında bölmek, LLM’nin daha tutarlı bağlamlar elde etmesine yardımcı olabilir. Langchain gibi frameworkler, bu konuda çeşitli gelişmiş splitter’lar sunar. İkinci olarak, embedding modellerini dikkatli seçmek kritik öneme sahiptir. OpenAI’nin farklı embedding modelleri mevcuttur ve her birinin farklı güçlü yönleri vardır. Göreviniz için en uygun olanı seçmek, arama doğruluğunu önemli ölçüde artırabilir. Ayrıca, daha yeni ve daha yetenekli embedding modellerini takip etmek de faydalı olacaktır. Üçüncü olarak, vektör veritabanı optimizasyonu üzerinde durulmalıdır. Vektör veritabanının indeksleme yöntemleri, arama algoritmaları ve sorgu optimizasyonu, sorgu sürelerini ve arama doğruluğunu doğrudan etkiler. Veritabanınızın yapılandırmasını ve parametrelerini doğru ayarlamak, performansı önemli ölçüde iyileştirebilir. Dördüncü olarak, gelişmiş sorgu işleme teknikleri kullanabilirsiniz. Kullanıcının sorusunu doğrudan embedding’e dönüştürmek yerine, soruyu önce yeniden yazmak (query rewriting), birden fazla sorgu oluşturmak veya sorguyu daha spesifik hale getirmek (query expansion) gibi yöntemler, daha alakalı belgelerin bulunmasına yardımcı olabilir. Beşinci olarak, LLM’yi daha iyi yönlendirmek için gelişmiş prompt mühendisliği (prompt engineering) teknikleri uygulayın. LLM’ye, sağlanan belgeleri kullanması, spekülasyon yapmaması ve yalnızca verilen bilgilere dayanarak yanıt vermesi gerektiğini açıkça belirtin. “Few-shot learning” (birkaç örnek göstererek öğrenme) teknikleri de LLM’nin istenen çıktı formatını ve tarzını anlamasına yardımcı olabilir. Altıncı olarak, hibrit arama (hybrid search) yöntemlerini değerlendirin. Sadece vektör tabanlı anlamsal aramaya güvenmek yerine, anahtar kelime tabanlı geleneksel arama (örneğin, BM25) ile vektör aramasını birleştirmek, hem anlamsal olarak alakalı hem de anahtar kelime bazında doğru sonuçları getirebilir. Bu, özellikle belirli terimlerin veya kod adlarının arandığı durumlarda faydalıdır. Yedinci olarak, çıktıların doğrulanması ve filtrelemesi için mekanizmalar ekleyin. LLM’nin ürettiği yanıtları, elde edilen belgelerle karşılaştırarak veya belirli doğruluk kontrollerinden geçirerek yanlış bilgilerin önüne geçebilirsiniz. Son olarak, sisteminizi sürekli olarak izleyin ve güncelleyin. Kullanıcı geri bildirimlerini toplayın, sorgu loglarını analiz edin ve sistemin performansını düzenli olarak değerlendirin. Yeni veriler eklendikçe veya LLM’ler güncellendikçe, sisteminizi de buna göre uyarlayın. Bu gelişmiş teknikler, RAG sisteminizi bir prototipten, gerçek dünya uygulamaları için güvenilir ve güçlü bir araca dönüştürmenize yardımcı olacaktır.

Sıkça Sorulan Sorular (SSS)

RAG sistemleri hakkında sıkça sorulan bazı soruları ve cevaplarını aşağıda bulabilirsiniz:

• RAG sistemi ile LLM’ler neden daha doğru yanıtlar üretir?

  RAG sistemleri, LLM’lerin yanıtlarını harici, güncel ve spesifik bilgi kaynaklarıyla zenginleştirerek “halüsinasyon” görme olasılığını azaltır. LLM, sadece kendi genel bilgisine değil, aynı zamanda çekilen gerçek verilere dayanarak yanıt ürettiği için daha doğru ve güvenilir sonuçlar elde edilir.

• Hangi tür belgeler RAG sistemleri için uygundur?

  Temel olarak herhangi bir metin tabanlı belge RAG sistemleri için uygundur. Bu, PDF’ler, Word belgeleri, web sayfaları, e-tablolar, veritabanı kayıtları, kod depoları veya düz metin dosyaları olabilir. Önemli olan, verinin yapılandırılmış veya yarı yapılandırılmış olması ve sistem tarafından erişilebilir olmasıdır.

• RAG sistemleri için hangi vektör veritabanını seçmeliyim?

  Seçim, projenizin ölçeğine, bütçenize ve teknik gereksinimlerinize bağlıdır. Popüler seçenekler arasında ChromaDB (açık kaynaklı, hafif), Pinecone (bulut tabanlı, ölçeklenebilir) ve Weaviate (açık kaynaklı, gelişmiş özellikler) bulunmaktadır. Başlangıç için ChromaDB iyi bir seçenek olabilir.

• RAG sistemlerinin kurulumu zor mudur?

  Temel bir RAG sistemi kurmak, Python ve ilgili kütüphanelere aşina olanlar için yönetilebilir bir süreçtir. Langchain veya LlamaIndex gibi frameworkler, kurulumu basitleştiren modüler bir yapı sunar. Ancak, gelişmiş optimizasyonlar ve büyük ölçekli uygulamalar daha fazla uzmanlık gerektirebilir.

• RAG sistemi, LLM’nin kendi bilgisini unutmasına neden olur mu?

  Hayır, RAG sistemi LLM’nin temel bilgisini “unutturmaz”. Aksine, LLM’nin genel bilgisini, sağlanan harici bilgilerle destekleyerek daha bağlamsal ve doğru yanıtlar üretmesini sağlar. LLM, kendi öğrendiklerini hala kullanır, ancak ek bağlam sayesinde daha iyi performans gösterir.

Sonuç

Bu kapsamlı rehberde, Python ve OpenAI API’lerini kullanarak güçlü bir RAG (Retrieval-Augmented Generation) sistemi oluşturmanın temellerini, adımlarını ve ileri düzey tekniklerini inceledik. RAG, büyük dil modellerinin (LLM’ler) potansiyelini kendi özel veri setlerinizle birleştirerek, daha doğru, bağlamsal ve güvenilir yanıtlar üretmenin anahtarıdır. Belgeleri hazırlamaktan, embedding oluşturmaktan, vektör veritabanlarını kullanmaktan ve LLM’leri etkili bir şekilde yönlendirmekten, her adımı detaylı bir şekilde ele aldık. E-ticaret şirketi örneği üzerinden, RAG sistemlerinin müşteri desteği gibi gerçek dünya problemlerini nasıl çözebileceğini gösterdik. Gelişmiş optimizasyon teknikleri ve sıkça sorulan sorulara verilen yanıtlar ise, sistemlerinizi daha da ileriye taşımanız için size rehberlik edecektir. RAG, yapay zeka destekli bilgi erişimi ve üretimi alanında heyecan verici bir gelişmedir ve bu teknolojiyi anlamak ve uygulamak, günümüzün veri odaklı dünyasında rekabet avantajı sağlamak için kritik öneme sahiptir. Kendi RAG sisteminizi kurmaya başlayarak, yapay zekanın gücünü kendi ihtiyaçlarınıza göre şekillendirebilir ve bilgiye erişim ve kullanım şeklinizi kökten değiştirebilirsiniz. Bu yolculukta, denemekten, öğrenmekten ve sistemlerinizi sürekli olarak iyileştirmekten çekinmeyin.

#RAG #Python #OpenAI #YapayZeka #LLM #BilgiErişimi #Chatbot