B\u00fcy\u00fck Dil Modelleri (BDM’ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve “hal\u00fcsinasyon” olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM’lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.<\/p>\n
Yap\u0131sal olarak, g\u00fcn\u00fcm\u00fcz B\u00fcy\u00fck Dil Modelleri (BDM’ler) inan\u0131lmaz bir potansiyele sahip. Metin anlama, \u00f6zetleme, \u00e7eviri ve hatta yarat\u0131c\u0131 metin \u00fcretme kapasiteleri, dijital d\u00fcnyam\u0131zda bir\u00e7ok alanda devrim yarat\u0131yor. Ancak bu modellerin temel bir k\u0131s\u0131tlamas\u0131 var: e\u011fitim verileriyle s\u0131n\u0131rl\u0131 olmalar\u0131. Modeller, milyarlarca parametre \u00fczerinde e\u011fitilmi\u015f olsalar bile, e\u011fitim setlerinin son g\u00fcncellenme tarihinden sonraki bilgilere eri\u015femezler. Ayr\u0131ca, e\u011fitim verilerinde bulunmayan veya az temsil edilen alanlarda yetersiz kalabilirler. Bu durum, \u00f6zellikle h\u0131zla de\u011fi\u015fen end\u00fcstrilerde, g\u00fcncel olaylarda veya \u00f6zel \u015firket bilgilerinde kendini g\u00f6sterir. \u00d6rne\u011fin, bir BDM’ye \u015firketinizin son \u00e7eyrek raporu hakk\u0131nda soru sordu\u011funuzda, e\u011fer bu bilgi e\u011fitim verilerinde yoksa, ya “bilmiyorum” der ya da daha k\u00f6t\u00fcs\u00fc, alakas\u0131z veya tamamen yanl\u0131\u015f bir cevap \u00fcretir. Bu “hal\u00fcsinasyon” olarak adland\u0131r\u0131lan durum, BDM’lerin g\u00fcvenilirli\u011fini ciddi \u015fekilde zedeleyebilir.<\/p>\n
Peki, bu sorunu nas\u0131l a\u015fabiliriz? BDM’lere ger\u00e7ek zamanl\u0131, do\u011frulanm\u0131\u015f ve spesifik bilgilere eri\u015fim imkan\u0131 sa\u011flayarak. \u0130\u015fte tam da bu noktada Retrieval Augmented Generation (RAG) devreye giriyor. RAG, BDM’lerin bilgi taban\u0131n\u0131 geni\u015fletmekle kalm\u0131yor, ayn\u0131 zamanda yan\u0131tlar\u0131n\u0131n \u015feffafl\u0131\u011f\u0131n\u0131 ve do\u011frulu\u011funu art\u0131rarak g\u00fcvenilirliklerini de y\u00fckseltiyor. Geleneksel yakla\u015f\u0131mlar, modelleri s\u00fcrekli olarak yeni verilerle yeniden e\u011fitmeyi gerektirse de, bu s\u00fcre\u00e7 hem maliyetli hem de zaman al\u0131c\u0131d\u0131r. RAG ise, modelin temel mimarisini de\u011fi\u015ftirmeden, d\u0131\u015f kaynaklardan ilgili bilgiyi \u00e7ekip modele sunarak bu engelleri ortadan kald\u0131r\u0131r. Bu sayede, BDM’ler sadece \u00f6\u011frendikleriyle de\u011fil, ayn\u0131 zamanda anl\u0131k olarak eri\u015febildikleri bilgilerle de ak\u0131ll\u0131 hale gelir. Agentforce Data Library gibi ara\u00e7lar sayesinde, bu karma\u015f\u0131k g\u00f6r\u00fcnen s\u00fcre\u00e7 art\u0131k dakikalar i\u00e7inde kurulabilir hale geliyor, b\u00f6ylece geli\u015ftiriciler ve \u015firketler, BDM’lerin t\u00fcm potansiyelini h\u0131zl\u0131 ve etkili bir \u015fekilde kullanabilirler.<\/p>\n
BDM’lerin bu evrimi, onlar\u0131 sadece genel bilgi sa\u011flay\u0131c\u0131lar\u0131 olmaktan \u00e7\u0131kar\u0131p, sekt\u00f6re \u00f6zel uzmanlar, ki\u015fisel asistanlar veya dinamik i\u00e7erik olu\u015fturucular haline getirme potansiyelini ta\u015f\u0131yor. Art\u0131k bir BDM, \u015firketinizin \u00fcr\u00fcn katalo\u011fundan finansal raporlar\u0131na, m\u00fc\u015fteri geri bildirimlerinden teknik dok\u00fcmanlar\u0131na kadar her t\u00fcrl\u00fc \u00f6zelle\u015ftirilmi\u015f bilgiye an\u0131nda eri\u015febilir ve bu bilgiyi kullanarak \u00e7ok daha ba\u011flaml\u0131 ve do\u011fru yan\u0131tlar \u00fcretebilir. Bu, yaln\u0131zca \u00fcretkenli\u011fi art\u0131rmakla kalmaz, ayn\u0131 zamanda kullan\u0131c\u0131 deneyimini de k\u00f6kten de\u011fi\u015ftirir. G\u00fcvenilir ve do\u011fru bilgiye dayal\u0131 yan\u0131tlar, kullan\u0131c\u0131lar\u0131n BDM’lere olan inanc\u0131n\u0131 peki\u015ftirir ve onlar\u0131n g\u00fcnl\u00fck i\u015f ak\u0131\u015flar\u0131nda vazge\u00e7ilmez bir ara\u00e7 haline gelmelerini sa\u011flar. Bu d\u00f6n\u00fc\u015f\u00fcm, BDM teknolojisinin gelece\u011fi i\u00e7in kritik bir ad\u0131m\u0131 temsil etmektedir ve Agentforce gibi \u00e7\u00f6z\u00fcmler, bu d\u00f6n\u00fc\u015f\u00fcm\u00fc herkes i\u00e7in eri\u015filebilir k\u0131l\u0131yor.<\/p>\n
Retrieval Augmented Generation (RAG), BDM’lerin s\u0131n\u0131rl\u0131 e\u011fitim verisi sorununu \u00e7\u00f6zmek i\u00e7in geli\u015ftirilmi\u015f g\u00fc\u00e7l\u00fc bir mimaridir. Temel olarak, bir kullan\u0131c\u0131n\u0131n sorgusuna yan\u0131t verirken, BDM’nin kendi dahili bilgisini kullanman\u0131n yan\u0131 s\u0131ra, d\u0131\u015f bir bilgi deposundan (\u00f6rne\u011fin, belgeler, veritabanlar\u0131 veya web sayfalar\u0131) ilgili bilgileri “\u00e7ekip” (retrieval) bu bilgileri kullanarak bir yan\u0131t “\u00fcretmesidir” (generation). Bu yakla\u015f\u0131m, BDM’lerin g\u00fcncel, do\u011fru ve spesifik verilere eri\u015fmesini sa\u011flayarak hal\u00fcsinasyon riskini azalt\u0131r ve yan\u0131tlar\u0131n kalitesini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. RAG’\u0131n i\u015fleyi\u015fi genellikle \u00fc\u00e7 ana a\u015famadan olu\u015fur:<\/p>\n
RAG’\u0131n \u00f6nemi, sadece do\u011fru yan\u0131tlar \u00fcretmekle s\u0131n\u0131rl\u0131 de\u011fildir. Ayn\u0131 zamanda BDM’lerin \u015feffafl\u0131\u011f\u0131n\u0131 art\u0131r\u0131r. \u00c7\u00fcnk\u00fc BDM’nin \u00fcretti\u011fi yan\u0131tlar\u0131n hangi kaynaklara dayand\u0131\u011f\u0131n\u0131 belirterek, kullan\u0131c\u0131lar\u0131n bilginin do\u011frulu\u011funu teyit etmelerine olanak tan\u0131r. Bu, \u00f6zellikle hassas alanlarda (sa\u011fl\u0131k, hukuk, finans) veya i\u015fletme i\u00e7i bilgi y\u00f6netimi gibi kritik uygulamalarda vazge\u00e7ilmez bir \u00f6zelliktir. RAG, BDM’lerinizi kurumunuzun t\u00fcm \u00f6zel verileriyle donatarak, onlar\u0131 sadece genel bir sohbet robotundan, alan\u0131nda uzman bir bilgi asistan\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Bu sayede, m\u00fc\u015fteri hizmetlerinden i\u00e7 ileti\u015fime, ara\u015ft\u0131rma ve geli\u015ftirmeden i\u00e7erik \u00fcretimine kadar bir\u00e7ok alanda verimlilik ve do\u011fruluk art\u0131\u015f\u0131 sa\u011flan\u0131r. Ayr\u0131ca, yeni veriler geldik\u00e7e sadece bilgi deposunu g\u00fcncelleyerek, modelin yeniden e\u011fitilmesi gibi maliyetli ve zaman al\u0131c\u0131 s\u00fcre\u00e7lerden ka\u00e7\u0131nm\u0131\u015f olursunuz.<\/p>\n
RAG mimarisinin temelinde yatan baz\u0131 anahtar kavramlar \u015funlard\u0131r:<\/p>\n
Bu temel kavramlar\u0131 anlamak, RAG’\u0131n g\u00fcc\u00fcn\u00fc ve Agentforce gibi ara\u00e7lar\u0131n bu s\u00fcreci nas\u0131l basitle\u015ftirdi\u011fini kavramak i\u00e7in kritik \u00f6neme sahiptir. Agentforce, t\u00fcm bu karma\u015f\u0131k ad\u0131mlar\u0131 arka planda otomatize ederek, geli\u015ftiricilerin sadece veri sa\u011flamas\u0131na ve sorgu yapmas\u0131na olanak tan\u0131r, b\u00f6ylece RAG uygulamas\u0131n\u0131 kurma s\u00fcresini dramatik bir \u015fekilde azalt\u0131r.<\/p>\n
Agentforce Data Library, RAG mimarisinin karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 soyutlayarak, geli\u015ftiricilerin h\u0131zl\u0131ca g\u00fc\u00e7l\u00fc BDM uygulamalar\u0131 olu\u015fturmas\u0131n\u0131 sa\u011flar. Bu b\u00f6l\u00fcmde, Agentforce ile 15 dakika gibi k\u0131sa bir s\u00fcrede RAG yeteneklerini nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
\u0130lk olarak, Agentforce k\u00fct\u00fcphanesini Python ortam\u0131n\u0131za kurman\u0131z gerekiyor. Bu i\u015flem olduk\u00e7a basittir ve tek bir komutla halledilir. Ayr\u0131ca, Agentforce API’ye eri\u015fim i\u00e7in bir API anahtar\u0131na ihtiyac\u0131n\u0131z olacak. Bu anahtar\u0131 Agentforce paneli \u00fczerinden alabilirsiniz. Genellikle ortam de\u011fi\u015fkeni olarak ayarlamak iyi bir uygulamad\u0131r, ancak h\u0131zl\u0131 bir ba\u015flang\u0131\u00e7 i\u00e7in do\u011frudan kodunuzda da kullanabilirsiniz.<\/p>\n
\n # Agentforce k\u00fct\u00fcphanesini kurun\n pip install agentforce\n\n # Python kodunuzda Agentforce Data Library'yi i\u00e7e aktar\u0131n ve API anahtar\u0131n\u0131z\u0131 ayarlay\u0131n\n import os\n from agentforce.data_library import DataLibrary\n\n # API anahtar\u0131n\u0131z\u0131 ortam de\u011fi\u015fkeninden veya do\u011frudan atayarak ayarlay\u0131n\n # os.environ[\"AGENTFORCE_API_KEY\"] = \"sizin_agentforce_api_anahtar\u0131n\u0131z\"\n data_library = DataLibrary(api_key=os.getenv(\"AGENTFORCE_API_KEY\", \"sizin_agentforce_api_anahtar\u0131n\u0131z\"))\n print(\"Agentforce Data Library ba\u015far\u0131yla ba\u015flat\u0131ld\u0131!\")\n <\/pre>\n<\/code><\/p>\n
Yukar\u0131daki kod blo\u011fu, temel kurulumu ve Data Library nesnesinin ba\u015flat\u0131lmas\u0131n\u0131 g\u00f6sterir. API anahtar\u0131n\u0131z\u0131 g\u00fcvende tutmay\u0131 unutmay\u0131n. os.getenv<\/code> kullanarak anahtar\u0131 ortam de\u011fi\u015fkeninden almak, kodunuzu daha g\u00fcvenli ve ta\u015f\u0131nabilir hale getirir.<\/p>\nAd\u0131m 2: Veri Kaynaklar\u0131n\u0131z\u0131 Tan\u0131mlama ve Y\u00fckleme<\/h3>\n
Agentforce Data Library, \u00e7e\u015fitli veri kaynaklar\u0131n\u0131 destekler: metin dosyalar\u0131, PDF'ler, web sayfalar\u0131, veritabanlar\u0131 ve daha fazlas\u0131. Bu ad\u0131mda, RAG modelinizin referans almas\u0131n\u0131 istedi\u011finiz belgeleri Data Library'ye ekleyeceksiniz. Agentforce, bu verileri otomatik olarak i\u015fleyecek ve indekslemeye haz\u0131r hale getirecektir.<\/p>\n
\n # \u00d6rnek metin verisi ekleme\n data_library.add_document(\n \"K\u0131sa Vadeli Yat\u0131r\u0131m Stratejileri: D\u00fc\u015f\u00fck riskli yat\u0131r\u0131mlar genellikle tahviller, para piyasas\u0131 fonlar\u0131 ve k\u0131sa vadeli mevduatlar\u0131 i\u00e7erir. Bu t\u00fcr stratejiler, sermayeyi korumay\u0131 ve enflasyona kar\u015f\u0131 k\u00fc\u00e7\u00fck bir getiri sa\u011flamay\u0131 hedefler.\",\n metadata={\"category\": \"finans\", \"source\": \"blog_post_1\"}\n )\n data_library.add_document(\n \"Uzun Vadeli Yat\u0131r\u0131m Stratejileri: Hisse senetleri, gayrimenkul ve yat\u0131r\u0131m fonlar\u0131 gibi y\u00fcksek riskli varl\u0131klar uzun vadede daha y\u00fcksek getiri potansiyeli sunar. Bile\u015fik faizin g\u00fcc\u00fcnden faydalanmak i\u00e7in uzun bir yat\u0131r\u0131m ufku gereklidir.\",\n metadata={\"category\": \"finans\", \"source\": \"blog_post_2\"}\n )\n\n # Bir web sayfas\u0131n\u0131n i\u00e7eri\u011fini ekleme (\u00f6rne\u011fin)\n # data_library.add_webpage(\"https:\/\/example.com\/yeni-rapor\", metadata={\"category\": \"haberler\"})\n\n # Bir PDF dosyas\u0131n\u0131 ekleme (dosya yolunu belirtin)\n # data_library.add_pdf(\"path\/to\/your\/document.pdf\", metadata={\"category\": \"rapor\", \"year\": 2023})\n\n print(\"Veri kaynaklar\u0131 ba\u015far\u0131yla eklendi.\")\n <\/pre>\n<\/code><\/p>\n
Burada, basit metinleri nas\u0131l ekleyece\u011finizi g\u00f6sterdik. add_document<\/code>, add_webpage<\/code> veya add_pdf<\/code> gibi y\u00f6ntemlerle farkl\u0131 veri t\u00fcrlerini kolayca y\u00fckleyebilirsiniz. metadata<\/code> alan\u0131, verilerinizi daha iyi kategorize etmek ve gelecekteki sorgularda filtreleme yapmak i\u00e7in \u00e7ok kullan\u0131\u015fl\u0131d\u0131r.<\/p>\nAd\u0131m 3: Veriyi \u0130\u015fleme ve Vekt\u00f6rle\u015ftirme<\/h3>\n
Verileriniz eklendikten sonra, Agentforce bunlar\u0131 RAG sorgular\u0131 i\u00e7in kullan\u0131labilecek bir formata d\u00f6n\u00fc\u015ft\u00fcrmelidir. Bu ad\u0131m, verileri par\u00e7alama (chunking), bu par\u00e7alar\u0131 vekt\u00f6r embedding'lerine d\u00f6n\u00fc\u015ft\u00fcrme ve bir vekt\u00f6r veritaban\u0131nda indeksleme s\u00fcre\u00e7lerini i\u00e7erir. Agentforce Data Library, bu karma\u015f\u0131k s\u00fcreci build_index()<\/code> y\u00f6ntemiyle otomatik olarak y\u00f6netir.<\/p>\n\n # Eklenen verileri i\u015fleyip bir vekt\u00f6r indeksi olu\u015fturun\n data_library.build_index()\n print(\"Veri indeksi ba\u015far\u0131yla olu\u015fturuldu!\")\n <\/pre>\n<\/code><\/p>\n
Bu komut, ekledi\u011finiz t\u00fcm belgelerinizi al\u0131r, onlar\u0131 anlaml\u0131 par\u00e7alara b\u00f6ler, her bir par\u00e7ay\u0131 bir vekt\u00f6r embedding'ine d\u00f6n\u00fc\u015ft\u00fcr\u00fcr ve bunlar\u0131 Agentforce'un dahili vekt\u00f6r veritaban\u0131nda depolar. Bu i\u015flem, genellikle verinizin boyutuna ba\u011fl\u0131 olarak birka\u00e7 saniye veya dakika s\u00fcrebilir. Bu ad\u0131m tamamland\u0131\u011f\u0131nda, RAG i\u00e7in temel altyap\u0131n\u0131z haz\u0131r demektir.<\/p>\n
Ad\u0131m 4: RAG Sorgular\u0131n\u0131 Olu\u015fturma<\/h3>\n
Art\u0131k her \u015fey haz\u0131r oldu\u011funa g\u00f6re, Agentforce Data Library \u00fczerinden RAG sorgular\u0131 yapmaya ba\u015flayabiliriz. query()<\/code> metodunu kullanarak, BDM'ye sorunuzu y\u00f6neltecek ve ekledi\u011finiz veri taban\u0131ndan en alakal\u0131 bilgileri \u00e7ekerek zenginle\u015ftirilmi\u015f bir yan\u0131t alacaks\u0131n\u0131z.<\/p>\n\n # RAG sorgusu yap\u0131n\n question = \"K\u0131sa vadeli yat\u0131r\u0131mlar i\u00e7in hangi se\u00e7enekler var?\"\n response = data_library.query(question)\n\n print(f\"Soru: {question}\")\n print(f\"Yan\u0131t: {response['answer']}\")\n print(\"Kullan\u0131lan Kaynaklar:\")\n for source in response['sources']:\n print(f\"- {source['text']} (Metadata: {source['metadata']})\")\n\n # Ba\u015fka bir sorgu\n question_2 = \"Uzun vadeli yat\u0131r\u0131mlarda nelere dikkat etmeliyim?\"\n response_2 = data_library.query(question_2)\n print(f\"\\nSoru: {question_2}\")\n print(f\"Yan\u0131t: {response_2['answer']}\")\n print(\"Kullan\u0131lan Kaynaklar:\")\n for source in response_2['sources']:\n print(f\"- {source['text']} (Metadata: {source['metadata']})\")\n <\/pre>\n<\/code><\/p>\n
Yukar\u0131daki \u00f6rnekte g\u00f6rebilece\u011finiz gibi, query()<\/code> metodu sadece bir yan\u0131t d\u00f6nd\u00fcrmekle kalmaz, ayn\u0131 zamanda bu yan\u0131t\u0131n olu\u015fturulmas\u0131nda kullan\u0131lan kaynaklar\u0131 da sa\u011flar. Bu, RAG'\u0131n \u015feffafl\u0131k ve g\u00fcvenilirlik avantaj\u0131n\u0131 \u00f6n plana \u00e7\u0131kar\u0131r. Art\u0131k BDM'niz, sadece genel bilgileri de\u011fil, sizin \u00f6zel veri taban\u0131n\u0131zdaki bilgileri de kullanarak ak\u0131ll\u0131 ve ba\u011flaml\u0131 yan\u0131tlar \u00fcretebiliyor.<\/p>\nBu d\u00f6rt ad\u0131mda, Agentforce Data Library'yi kullanarak kendi RAG uygulaman\u0131z\u0131 ba\u015far\u0131yla kurmu\u015f oldunuz. G\u00f6rd\u00fc\u011f\u00fcn\u00fcz gibi, karma\u015f\u0131k g\u00f6r\u00fcnen bu teknoloji, Agentforce'un sa\u011flad\u0131\u011f\u0131 basit aray\u00fcz sayesinde olduk\u00e7a h\u0131zl\u0131 ve eri\u015filebilir hale geliyor. Bu, BDM'lerin potansiyelini kurumunuzun \u00f6zel ihtiya\u00e7lar\u0131 do\u011frultusunda maksimize etmek i\u00e7in harika bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r.<\/p>\n
Ger\u00e7ek D\u00fcnya Senaryolar\u0131: Agentforce RAG Nerelerde Fark Yarat\u0131r?<\/h2>\n
Agentforce Data Library ile kurdu\u011fumuz RAG sistemi, teorik bir ba\u015far\u0131dan \u00e7ok daha fazlas\u0131n\u0131 temsil ediyor. Ger\u00e7ek d\u00fcnyada, bu teknoloji pek \u00e7ok sekt\u00f6rde somut faydalar sa\u011flayarak i\u015f s\u00fcre\u00e7lerini d\u00f6n\u00fc\u015ft\u00fcrme g\u00fcc\u00fcne sahip. \u0130\u015fte Agentforce RAG'\u0131n fark yaratabilece\u011fi iki temel vaka analizi:<\/p>\n
Vaka Analizi 1: M\u00fc\u015fteri Destek Sohbet Botu<\/h3>\n
Problem:<\/strong> Bir\u00e7ok \u015firketin m\u00fc\u015fteri destek hatlar\u0131nda kulland\u0131\u011f\u0131 geleneksel sohbet botlar\u0131, genellikle s\u0131k\u00e7a sorulan sorulara (SSS) ve \u00f6nceden tan\u0131mlanm\u0131\u015f script'lere dayal\u0131d\u0131r. Bu botlar, \u00fcr\u00fcn veya hizmetlerdeki g\u00fcncellemeler, yeni politikalar veya karma\u015f\u0131k teknik sorunlar hakk\u0131nda bilgi sahibi olmad\u0131klar\u0131 i\u00e7in m\u00fc\u015fterilere yetersiz veya yanl\u0131\u015f bilgi verebilir. Bu durum, m\u00fc\u015fteri memnuniyetsizli\u011fine, destek ekibinin y\u00fck\u00fcn\u00fcn artmas\u0131na ve nihayetinde m\u00fc\u015fteri kayb\u0131na yol a\u00e7abilir.<\/p>\n\u00c7\u00f6z\u00fcm:<\/strong> Agentforce Data Library kullanarak, \u015firket t\u00fcm \u00fcr\u00fcn k\u0131lavuzlar\u0131n\u0131, SSS dok\u00fcmanlar\u0131n\u0131, g\u00fcncel hizmet \u015fartlar\u0131n\u0131, garanti bilgilerini, teknik destek makalelerini ve hatta dahili e\u011fitim materyallerini bir RAG sistemine entegre edebilir. Bu, sohbet botunun art\u0131k sadece \u00f6nceden programlanm\u0131\u015f yan\u0131tlarla s\u0131n\u0131rl\u0131 kalmay\u0131p, bu kapsaml\u0131 ve g\u00fcncel bilgi deposundan an\u0131nda bilgi \u00e7ekebilmesini sa\u011flar.<\/p>\n\n # M\u00fc\u015fteri destek botu i\u00e7in Agentforce Data Library kurulumu\n # (Ad\u0131m 1 ve 2'deki gibi ba\u015flat\u0131l\u0131r ve t\u00fcm belgeler eklenir)\n # data_library.add_pdf(\"urun_kilavuzu_v2.pdf\", metadata={\"type\": \"product_manual\", \"version\": \"2\"})\n # data_library.add_document(\"yeni_garanti_kosullari.txt\", metadata={\"type\": \"legal\"})\n # data_library.build_index()\n\n # M\u00fc\u015fteri sorgusu\n customer_question = \"X \u00fcr\u00fcn\u00fcn\u00fcn garantisi ne kadar s\u00fcreyle ge\u00e7erli ve garanti kapsam\u0131 d\u0131\u015f\u0131ndaki durumlar nelerdir?\"\n bot_response = data_library.query(customer_question)\n\n print(f\"M\u00fc\u015fteri: {customer_question}\")\n print(f\"Bot Yan\u0131t\u0131: {bot_response['answer']}\")\n print(\"Kaynaklar:\")\n for source in bot_response['sources']:\n print(f\"- {source['text'][:100]}... (Kaynak: {source['metadata']['type']})\")\n <\/pre>\n<\/code><\/p>\n
Faydalar\u0131:<\/strong><\/p>\n\n- Daha Do\u011fru ve G\u00fcncel Yan\u0131tlar:<\/strong> Bot, \u015firket veritaban\u0131ndaki en g\u00fcncel bilgilere eri\u015fti\u011fi i\u00e7in yanl\u0131\u015f veya eski bilgi verme riski ortadan kalkar.<\/li>\n
- Geli\u015fmi\u015f M\u00fc\u015fteri Deneyimi:<\/strong> M\u00fc\u015fteriler, sorular\u0131na h\u0131zl\u0131 ve do\u011fru yan\u0131tlar ald\u0131klar\u0131nda daha memnun kal\u0131r. Bu, marka sadakatini art\u0131r\u0131r.<\/li>\n
- Destek Ekibi Y\u00fck\u00fcn\u00fcn Azalmas\u0131:<\/strong> Bot, karma\u015f\u0131k sorular\u0131 bile yan\u0131tlayabildi\u011fi i\u00e7in insan operat\u00f6rlerin daha az s\u0131kl\u0131kta m\u00fcdahale etmesi gerekir, bu da operasyonel maliyetleri d\u00fc\u015f\u00fcr\u00fcr.<\/li>\n
- H\u0131zl\u0131 Adaptasyon:<\/strong> Yeni bir \u00fcr\u00fcn piyasaya s\u00fcr\u00fcld\u00fc\u011f\u00fcnde veya politika de\u011fi\u015fti\u011finde, sadece ilgili belgeleri Data Library'ye ekleyip indeksi g\u00fcncelleyerek botun bilgi taban\u0131n\u0131 an\u0131nda g\u00fcncelleyebilirsiniz.<\/li>\n<\/ul>\n
Vaka Analizi 2: \u0130\u00e7erik Olu\u015fturma ve Ara\u015ft\u0131rma Asistan\u0131<\/h3>\n
Problem:<\/strong> Pazarlama departmanlar\u0131, blog yazarlar\u0131, ara\u015ft\u0131rmac\u0131lar veya i\u00e7erik \u00fcreticiler, s\u00fcrekli olarak yeni ve do\u011fru bilgilere ihtiya\u00e7 duyarlar. Geleneksel ara\u015ft\u0131rma y\u00f6ntemleri zaman al\u0131c\u0131 olabilir ve bilgi kirlili\u011fi nedeniyle yanl\u0131\u015f veya eksik bilgilere ula\u015fma riski ta\u015f\u0131r. Ayr\u0131ca, belirli bir konuda derinlemesine uzmanl\u0131k gerektiren i\u00e7erikler olu\u015fturmak, s\u00fcrekli bir bilgi taramas\u0131 ve sentezi gerektirir.<\/p>\n\u00c7\u00f6z\u00fcm:<\/strong> Agentforce Data Library, \u015firketin t\u00fcm i\u00e7 raporlar\u0131n\u0131, pazar ara\u015ft\u0131rmalar\u0131n\u0131, rakip analizlerini, teknik makalelerini ve sekt\u00f6r yay\u0131nlar\u0131n\u0131 toplayan bir merkezi bilgi deposu olarak kullan\u0131labilir. \u0130\u00e7erik olu\u015fturucular veya ara\u015ft\u0131rmac\u0131lar, belirli bir konu hakk\u0131nda bilgi edinmek veya bir makale i\u00e7in arka plan materyali toplamak istediklerinde, bu RAG sistemine do\u011fal dil sorgular\u0131 y\u00f6neltebilirler.<\/p>\n\n # \u0130\u00e7erik olu\u015fturma asistan\u0131 i\u00e7in kurulum\n # (Ad\u0131m 1 ve 2'deki gibi ba\u015flat\u0131l\u0131r ve t\u00fcm ilgili belgeler eklenir)\n # data_library.add_pdf(\"2024_pazar_trendleri_raporu.pdf\", metadata={\"type\": \"market_research\"})\n # data_library.add_webpage(\"https:\/\/analystreports.com\/ai-impact\", metadata={\"type\": \"industry_analysis\"})\n # data_library.build_index()\n\n # \u0130\u00e7erik \u00fcretici sorgusu\n content_creator_question = \"2024 y\u0131l\u0131nda yapay zeka pazar\u0131ndaki en b\u00fcy\u00fck b\u00fcy\u00fcme alanlar\u0131 nelerdir ve bu b\u00fcy\u00fcme hangi fakt\u00f6rlere dayan\u0131yor?\"\n assistant_response = data_library.query(content_creator_question)\n\n print(f\"Sorgu: {content_creator_question}\")\n print(f\"Asistan Yan\u0131t\u0131: {assistant_response['answer']}\")\n print(\"Referans Kaynaklar:\")\n for source in assistant_response['sources']:\n print(f\"- {source['text'][:150]}... (Metadata: {source['metadata']})\")\n <\/pre>\n<\/code><\/p>\n
Faydalar\u0131:<\/strong><\/p>\n\n- H\u0131zl\u0131 ve G\u00fcvenilir Ara\u015ft\u0131rma:<\/strong> Ara\u015ft\u0131rmac\u0131lar, dakikalar i\u00e7inde ilgili bilgilere ula\u015fabilir, bu da ara\u015ft\u0131rma s\u00fcre\u00e7lerini h\u0131zland\u0131r\u0131r ve hatal\u0131 bilgi riskini azalt\u0131r.<\/li>\n
- Derinlemesine \u0130\u00e7erik Olu\u015fturma:<\/strong> BDM, \u00e7ekilen bilgilere dayanarak daha zengin, detayl\u0131 ve yetkili i\u00e7erikler \u00fcretebilir.<\/li>\n
- Tutarl\u0131l\u0131k ve Marka Sesi:<\/strong> \u015eirketin kendi verilerine dayand\u0131\u011f\u0131 i\u00e7in, \u00fcretilen i\u00e7eriklerde marka sesi ve tutarl\u0131l\u0131k korunur.<\/li>\n
- Verimlilik Art\u0131\u015f\u0131:<\/strong> \u0130\u00e7erik olu\u015fturucular, ara\u015ft\u0131rma i\u00e7in harcad\u0131klar\u0131 zamandan tasarruf ederek daha \u00e7ok yarat\u0131c\u0131 i\u015flere odaklanabilirler.<\/li>\n<\/ul>\n
Bu vaka analizleri, Agentforce Data Library'nin RAG yeteneklerini nas\u0131l kullanarak somut i\u015f de\u011ferleri yaratabilece\u011fini a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Esnekli\u011fi ve kolay entegrasyonu sayesinde, bir\u00e7ok farkl\u0131 sekt\u00f6r ve kullan\u0131m senaryosu i\u00e7in uyarlanabilir bir \u00e7\u00f6z\u00fcm sunar.<\/p>\n
\u0130leri D\u00fczey Optimizasyonlar ve \u0130pu\u00e7lar\u0131: Agentforce RAG'dan Maksimum Verimi Alma<\/h2>\n
Agentforce Data Library ile RAG'\u0131 h\u0131zl\u0131ca kurmak harika bir ba\u015flang\u0131\u00e7t\u0131r, ancak sisteminizden maksimum verimi almak ve onu daha karma\u015f\u0131k senaryolara uyarlamak i\u00e7in baz\u0131 ileri d\u00fczey optimizasyon tekniklerini bilmek \u00f6nemlidir. \u0130\u015fte RAG performans\u0131n\u0131z\u0131 ve do\u011frulu\u011funuzu art\u0131rabilecek ipu\u00e7lar\u0131:<\/p>\n
Chunking Stratejileri: Verilerinizi Ak\u0131ll\u0131ca Par\u00e7alama<\/h3>\n
Veriyi nas\u0131l par\u00e7alad\u0131\u011f\u0131n\u0131z (chunking), retrieval a\u015famas\u0131n\u0131n kalitesini do\u011frudan etkiler. \u00c7ok k\u00fc\u00e7\u00fck par\u00e7alar ba\u011flam\u0131 kaybetme riskini ta\u015f\u0131rken, \u00e7ok b\u00fcy\u00fck par\u00e7alar BDM'nin ba\u011flam penceresini a\u015fabilir veya alakal\u0131 bilgiyi bulmay\u0131 zorla\u015ft\u0131rabilir. Agentforce, varsay\u0131lan bir chunking stratejisi sunsa da, \u00f6zel ihtiya\u00e7lar\u0131n\u0131z i\u00e7in ayar yapabilirsiniz:<\/p>\n
\n- Sabit Boyutlu Chunking:<\/strong> Belirli bir karakter veya kelime say\u0131s\u0131na g\u00f6re par\u00e7alamak. En basit y\u00f6ntemdir.<\/li>\n
- Anlamsal Chunking:<\/strong> Metnin anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc koruyarak, paragraflara, b\u00f6l\u00fcmlere veya ba\u015fl\u0131k etiketlerine g\u00f6re par\u00e7alama. Bu, \u00f6zellikle PDF'ler veya yap\u0131land\u0131r\u0131lm\u0131\u015f belgeler i\u00e7in etkilidir.<\/li>\n
- Overlap (\u00c7ak\u0131\u015fma):<\/strong> Par\u00e7alar aras\u0131nda k\u00fc\u00e7\u00fck bir \u00e7ak\u0131\u015fma b\u0131rakmak, bir bilginin iki par\u00e7aya b\u00f6l\u00fcnmesi durumunda ba\u011flam\u0131n kaybolmamas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ul>\n
\n # Agentforce'da geli\u015fmi\u015f chunking ayarlar\u0131 (\u00f6rnek bir kullan\u0131m)\n # Agentforce API'niz \u00fczerinden bu t\u00fcr ayarlar\u0131 yap\u0131land\u0131rman\u0131z gerekebilir.\n # Genellikle DataLibrary ba\u015flat\u0131l\u0131rken veya add_document metodu \u00e7a\u011fr\u0131l\u0131rken parametre olarak iletilebilir.\n # Bu \u00f6zellik Agentforce'un API dok\u00fcmantasyonunda belirtilir.\n # data_library = DataLibrary(..., chunk_size=500, chunk_overlap=50)\n # Bu k\u0131s\u0131m Agentforce'un spesifik API'sine g\u00f6re de\u011fi\u015fiklik g\u00f6sterebilir.\n print(\"Chunking stratejinizi optimize ederek daha iyi sonu\u00e7lar alabilirsiniz.\")\n <\/pre>\n<\/code><\/p>\n
Uzman \u0130pucu: Belge tipinize g\u00f6re farkl\u0131 chunking stratejileri denemekten \u00e7ekinmeyin. Teknik dok\u00fcmanlar i\u00e7in daha uzun, sohbet kay\u0131tlar\u0131 i\u00e7in daha k\u0131sa par\u00e7alar daha uygun olabilir.<\/div>\nEmbedding Modelleri Se\u00e7imi<\/h3>\n
Vekt\u00f6r embedding'lerini olu\u015fturan modellerin kalitesi, retriever'\u0131n ne kadar iyi \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 belirler. Agentforce varsay\u0131lan olarak g\u00fc\u00e7l\u00fc bir embedding modeli kullan\u0131r, ancak baz\u0131 durumlarda alan\u0131n\u0131za \u00f6zel daha iyi performans g\u00f6steren modelleri kullanma esnekli\u011fi sunabilir. \u00d6rne\u011fin, finansal metinler i\u00e7in finansal terminolojiye daha duyarl\u0131 bir model veya hukuki metinler i\u00e7in hukuki dil konusunda uzmanla\u015fm\u0131\u015f bir model daha iyi sonu\u00e7lar verebilir.<\/p>\n
\n # Embedding modelini se\u00e7me (Agentforce'un destekledi\u011fi modeller aras\u0131ndan)\n # Bu, genellikle DataLibrary'yi ba\u015flat\u0131rken veya indeks olu\u015ftururken bir parametre olarak belirlenir.\n # data_library = DataLibrary(api_key=..., embedding_model=\"specific-model-name\")\n # Alternatif olarak, Agentforce'un kendi model optimizasyonlar\u0131n\u0131 da kullanabilirsiniz.\n print(\"Farkl\u0131 embedding modelleri test etmek, retrieval kalitesini art\u0131rabilir.\")\n <\/pre>\n<\/code><\/p>\n
Sorgu \u0130yile\u015ftirme Teknikleri<\/h3>\n
Kullan\u0131c\u0131n\u0131n sordu\u011fu soru (raw query) her zaman retrieval i\u00e7in en uygun formatta olmayabilir. Sorgu iyile\u015ftirme, bu \"ham\" sorgular\u0131 daha etkili retrieval'lar i\u00e7in optimize etmeyi ama\u00e7lar:<\/p>\n
\n- Sorgu Geni\u015fletme:<\/strong> Orijinal sorguya e\u015f anlaml\u0131 kelimeler veya ilgili terimler eklemek.<\/li>\n
- Sorgu Yeniden Yazma:<\/strong> BDM'nin kendisinden yararlanarak orijinal sorguyu, retriever i\u00e7in daha a\u00e7\u0131k ve hedefe y\u00f6nelik bir hale getirmek.<\/li>\n
- Yeniden S\u0131ralama (Re-ranking):<\/strong> Retrieval a\u015famas\u0131nda bulunan en alakal\u0131 ilk N belgeyi, farkl\u0131 bir model (genellikle daha b\u00fcy\u00fck bir BDM) kullanarak yeniden s\u0131ralamak, en iyi e\u015fle\u015fenleri \u00f6ne \u00e7\u0131kar\u0131r.<\/li>\n<\/ul>\n
\n # Sorgu iyile\u015ftirme \u00f6rnekleri (Agentforce API'sinin bu t\u00fcr \u00f6zellikleri desteklemesi durumunda)\n # response = data_library.query(\n # question=\"K\u0131sa vadeli yat\u0131r\u0131mlar nelerdir?\",\n # optimize_query=True, # Sorguyu otomatik olarak iyile\u015ftirme\n # rerank_results=True # \u00c7ekilen sonu\u00e7lar\u0131 yeniden s\u0131ralama\n # )\n print(\"Sorgu iyile\u015ftirme ve yeniden s\u0131ralama, yan\u0131tlar\u0131n alaka d\u00fczeyini art\u0131rabilir.\")\n <\/pre>\n<\/code><\/p>\n
Veri G\u00fcncelleme ve Senkronizasyon Stratejileri<\/h3>\n
Bilgi s\u00fcrekli de\u011fi\u015fti\u011fi i\u00e7in, Data Library'nizin g\u00fcncel kalmas\u0131 \u00e7ok \u00f6nemlidir. Agentforce, mevcut indeksi yeni veya g\u00fcncellenmi\u015f belgelerle nas\u0131l senkronize edece\u011finize dair mekanizmalar sunmal\u0131d\u0131r. Belirli aral\u0131klarla tam indeks yenilemesi yapmak veya sadece de\u011fi\u015fen belgeleri g\u00fcncelleyen art\u0131ml\u0131 indeksleme kullanmak \u00f6nemlidir. Bu, sisteminizin her zaman en g\u00fcncel bilgilere sahip olmas\u0131n\u0131 sa\u011flar.<\/p>\n
Mobil Uyumlu Tasar\u0131m D\u00fc\u015f\u00fcnceleri (HTML \u00c7\u0131kt\u0131s\u0131 \u0130\u00e7in A\u00e7\u0131klama)<\/h3>\n
Bu makale bir HTML body i\u00e7eri\u011fi \u00fcretti\u011fi i\u00e7in, burada do\u011frudan medya sorgular\u0131 yazmak m\u00fcmk\u00fcn olmasa da, bir RAG uygulamas\u0131n\u0131n kullan\u0131c\u0131 aray\u00fcz\u00fcn\u00fc tasarlarken mobil uyumlulu\u011fu d\u00fc\u015f\u00fcnmek \u00f6nemlidir. Kullan\u0131c\u0131lar\u0131n RAG destekli botunuzla mobil cihazlardan etkile\u015fim kuraca\u011f\u0131n\u0131 varsayarsak, responsive tasar\u0131m prensiplerini uygulamal\u0131s\u0131n\u0131z:<\/p>\n
\n- Esnek Izgaralar ve Resimler:<\/strong> CSS'de y\u00fczdelik de\u011ferler ve
max-width: 100%<\/code> kullanarak i\u00e7eri\u011fin ekran boyutuna g\u00f6re \u00f6l\u00e7eklenmesini sa\u011flay\u0131n.<\/li>\n- Media Query'ler:<\/strong> Farkl\u0131 ekran boyutlar\u0131 i\u00e7in farkl\u0131 CSS stilleri tan\u0131mlay\u0131n. \u00d6rne\u011fin:\n
\n @media screen and (max-width: 768px) {\n .container {\n flex-direction: column;\n }\n .sidebar {\n display: none;\n }\n }\n <\/pre>\n<\/code>\n <\/li>\n
- Dokunmatik Odakl\u0131 Tasar\u0131m:<\/strong> Butonlar ve etkile\u015fimli \u00f6\u011feler, dokunmatik ekranlarda kolayca t\u0131klanabilir boyutlarda olmal\u0131d\u0131r.<\/li>\n<\/ul>\n
Bu ileri d\u00fczey optimizasyonlar ve ipu\u00e7lar\u0131, Agentforce Data Library ile kurdu\u011funuz RAG sisteminin sadece \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flamakla kalmay\u0131p, ayn\u0131 zamanda en y\u00fcksek performansta, en do\u011fru yan\u0131tlarla ve en iyi kullan\u0131c\u0131 deneyimiyle hizmet vermesine yard\u0131mc\u0131 olacakt\u0131r. Her ad\u0131m\u0131 kendi verinize ve kullan\u0131m senaryonuza g\u00f6re uyarlamay\u0131 unutmay\u0131n.<\/p>\n
Sonu\u00e7: Gelece\u011fin Ak\u0131ll\u0131 Sistemleri \u0130\u00e7in RAG'\u0131n Vazge\u00e7ilmez Yeri<\/h2>\n
B\u00fcy\u00fck Dil Modelleri'nin (BDM'ler) bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve hal\u00fcsinasyon sorunlar\u0131, yapay zekan\u0131n ger\u00e7ek d\u00fcnyadaki g\u00fcvenilir uygulamalar\u0131 \u00f6n\u00fcnde \u00f6nemli bir engel te\u015fkil ediyordu. Ancak Retrieval Augmented Generation (RAG) teknolojisi, bu engelleri a\u015farak BDM'lerin potansiyelini tamamen farkl\u0131 bir boyuta ta\u015f\u0131d\u0131. Bu makalede g\u00f6rd\u00fc\u011f\u00fcm\u00fcz gibi, Agentforce Data Library sayesinde RAG mimarisi art\u0131k karma\u015f\u0131k ve zaman al\u0131c\u0131 bir s\u00fcre\u00e7 olmaktan \u00e7\u0131k\u0131p, sadece 15 dakikada kurulabilir, h\u0131zl\u0131 ve eri\u015filebilir bir \u00e7\u00f6z\u00fcm haline geldi.<\/p>\n
Agentforce ile geli\u015ftiriciler, \u015firketler ve ara\u015ft\u0131rmac\u0131lar, \u00f6zel veri setlerini kullanarak BDM'lerini g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirebilirler. Bu, m\u00fc\u015fteri destek sohbet botlar\u0131ndan i\u00e7erik olu\u015fturma asistanlar\u0131na kadar geni\u015f bir uygulama yelpazesinde somut faydalar sa\u011flar. Daha az hal\u00fcsinasyon, daha do\u011fru yan\u0131tlar, artan \u015feffafl\u0131k ve verimlilik, RAG'\u0131n sundu\u011fu temel avantajlard\u0131r. Ayr\u0131ca, verileri s\u00fcrekli olarak yeniden e\u011fitmek yerine sadece indeksleme ve sorgulama ile g\u00fcncel tutabilme yetene\u011fi, hem maliyetleri d\u00fc\u015f\u00fcr\u00fcr hem de h\u0131zla de\u011fi\u015fen bilgi ortamlar\u0131na adapte olmay\u0131 kolayla\u015ft\u0131r\u0131r.<\/p>\n
Gelecekte, yapay zeka sistemlerinin daha da ak\u0131ll\u0131, daha g\u00fcvenilir ve daha ba\u011flam odakl\u0131 olmas\u0131 ka\u00e7\u0131n\u0131lmazd\u0131r. RAG, bu hedefe ula\u015fmada kilit bir rol oynamaktad\u0131r ve Agentforce gibi ara\u00e7lar, bu teknolojiyi geni\u015f kitlelere ula\u015ft\u0131rarak inovasyonun \u00f6n\u00fcn\u00fc a\u00e7maktad\u0131r. Kendi BDM uygulamalar\u0131n\u0131z\u0131 geli\u015ftirirken, RAG'\u0131 ve Agentforce Data Library'yi kullanarak rekabet avantaj\u0131 elde edebilir ve gelece\u011fin ak\u0131ll\u0131 sistemlerini bug\u00fcnden in\u015fa edebilirsiniz.<\/p>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n\n- RAG (Retrieval Augmented Generation) nedir?<\/strong><\/dt>\n
- RAG, B\u00fcy\u00fck Dil Modelleri'nin (BDM) kendi e\u011fitim verilerinin d\u0131\u015f\u0131ndaki bilgi kaynaklar\u0131ndan (belgeler, veritabanlar\u0131) ilgili bilgileri \u00e7ekerek (retrieval) bu bilgilerle zenginle\u015ftirilmi\u015f yan\u0131tlar \u00fcretmesini (generation) sa\u011flayan bir yapay zeka mimarisidir. B\u00f6ylece BDM'ler daha do\u011fru, g\u00fcncel ve kaynakland\u0131r\u0131labilir yan\u0131tlar verebilir.<\/dd>\n
- Agentforce Data Library kullanmak ne gibi avantajlar sa\u011flar?<\/strong><\/dt>\n
- Agentforce Data Library, RAG kurulum s\u00fcrecini basitle\u015ftirir ve h\u0131zland\u0131r\u0131r. Karma\u015f\u0131k vekt\u00f6rle\u015ftirme, indeksleme ve sorgulama i\u015flemlerini soyutlayarak geli\u015ftiricilerin yaln\u0131zca veri eklemesine ve sorgu yapmas\u0131na olanak tan\u0131r. Bu sayede, RAG tabanl\u0131 uygulamalar\u0131 dakikalar i\u00e7inde hayata ge\u00e7irmek m\u00fcmk\u00fcn olur.<\/dd>\n
- Agentforce Data Library hangi t\u00fcr veri kaynaklar\u0131n\u0131 destekler?<\/strong><\/dt>\n
- Agentforce Data Library genellikle metin dosyalar\u0131, PDF'ler, web sayfalar\u0131 gibi yap\u0131land\u0131r\u0131lmam\u0131\u015f verilerin yan\u0131 s\u0131ra, API entegrasyonlar\u0131 arac\u0131l\u0131\u011f\u0131yla veritabanlar\u0131 gibi yap\u0131land\u0131r\u0131lm\u0131\u015f kaynaklar\u0131 da destekler. Spesifik desteklenen formatlar ve entegrasyonlar i\u00e7in Agentforce'un g\u00fcncel dok\u00fcmantasyonuna bak\u0131lmas\u0131 \u00f6nerilir.<\/dd>\n
- RAG ile BDM hal\u00fcsinasyonlar\u0131 tamamen ortadan kalkar m\u0131?<\/strong><\/dt>\n
- RAG, BDM hal\u00fcsinasyon riskini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r, ancak tamamen ortadan kald\u0131rmaz. BDM hala bir \u00fcretim modelidir ve \u00e7ekilen bilgilerden tamamen ba\u011f\u0131ms\u0131z olarak bazen yanl\u0131\u015f \u00e7\u0131kar\u0131mlar yapabilir veya mevcut bilgiyi hatal\u0131 yorumlayabilir. Ancak, d\u0131\u015f kaynaklardan gelen do\u011frulanm\u0131\u015f bilgi, bu t\u00fcr durumlar\u0131n s\u0131kl\u0131\u011f\u0131n\u0131 ve etkisini minimize eder.<\/dd>\n
- Agentforce Data Library ile olu\u015fturdu\u011fum RAG sistemini nas\u0131l g\u00fcncel tutabilirim?<\/strong><\/dt>\n
- Verileriniz de\u011fi\u015ftik\u00e7e veya yeni bilgiler geldik\u00e7e, ilgili belgeleri (metin, PDF, web sayfas\u0131 vb.)
add_document()<\/code> gibi metotlarla Data Library'ye yeniden eklemeniz ve ard\u0131ndan build_index()<\/code> metodunu tekrar \u00e7al\u0131\u015ft\u0131rman\u0131z gerekir. Bu i\u015flem, indeksinizi g\u00fcncel tutar ve BDM'nizin her zaman en son bilgilere eri\u015fmesini sa\u011flar. Agentforce'un art\u0131ml\u0131 indeksleme gibi \u00f6zellikler sunup sunmad\u0131\u011f\u0131n\u0131 dok\u00fcmantasyondan kontrol etmek, b\u00fcy\u00fck veri setleri i\u00e7in verimli g\u00fcncellemelere yard\u0131mc\u0131 olabilir.<\/dd>\n<\/dl>\n<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"B\u00fcy\u00fck Dil Modelleri (BDM’ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve “hal\u00fcsinasyon” olarak bilinen yanl\u0131\u015f bilgi…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-34501","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri<\/title>\n<meta name=\"description\" content=\"B\u00fcy\u00fck Dil Modelleri (BDM'ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve "hal\u00fcsinasyon" olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM'lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri\" \/>\n<meta property=\"og:description\" content=\"B\u00fcy\u00fck Dil Modelleri (BDM'ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve "hal\u00fcsinasyon" olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM'lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-11-17T19:31:03+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"23 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri\",\"datePublished\":\"2025-11-17T19:31:03+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\"},\"wordCount\":3823,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\",\"name\":\"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-11-17T19:31:03+00:00\",\"description\":\"B\u00fcy\u00fck Dil Modelleri (BDM'ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve \\\"hal\u00fcsinasyon\\\" olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM'lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri","description":"B\u00fcy\u00fck Dil Modelleri (BDM'ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve \"hal\u00fcsinasyon\" olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM'lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/","og_locale":"tr_TR","og_type":"article","og_title":"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri","og_description":"B\u00fcy\u00fck Dil Modelleri (BDM'ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve \"hal\u00fcsinasyon\" olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM'lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.","og_url":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-11-17T19:31:03+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"23 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri","datePublished":"2025-11-17T19:31:03+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/"},"wordCount":3823,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/","url":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/","name":"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-11-17T19:31:03+00:00","description":"B\u00fcy\u00fck Dil Modelleri (BDM'ler), yapay zeka d\u00fcnyas\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7sa da, bilgi k\u0131s\u0131tl\u0131l\u0131\u011f\u0131 ve \"hal\u00fcsinasyon\" olarak bilinen yanl\u0131\u015f bilgi \u00fcretme e\u011filimiyle kar\u015f\u0131la\u015f\u0131r. Bu makale, Retrieval Augmented Generation (RAG) teknolojisini Agentforce Data Library ile yaln\u0131zca 15 dakikada nas\u0131l entegre edece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayarak BDM'lerinizi g\u00fcncel, do\u011fru ve kaynakland\u0131r\u0131labilir bilgilerle g\u00fc\u00e7lendirmenize yard\u0131mc\u0131 olacak pratik bir rehber sunmaktad\u0131r.","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/15-dakikada-rag-agentforce-ile-verimli-buyuk-dil-modelleri\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"15 Dakikada RAG: Agentforce ile Verimli B\u00fcy\u00fck Dil Modelleri"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/34501","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=34501"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/34501\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=34501"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=34501"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=34501"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}