Yapay zeka sohbet botlar\u0131, m\u00fc\u015fteri hizmetlerinden teknik deste\u011fe kadar bir\u00e7ok alanda devrim yarat\u0131yor. Ancak bu botlar\u0131 in\u015fa etmek, g\u00f6r\u00fcnd\u00fc\u011f\u00fcnden \u00e7ok daha karma\u015f\u0131k olabilir. \u0130lk chatbot geli\u015ftirme deneyimimde, beklentilerimin aksine bir\u00e7ok sorunla kar\u015f\u0131la\u015ft\u0131m. Bu makalede, bir AI sohbet botunu ‘yanl\u0131\u015f’ kurman\u0131n ne anlama geldi\u011fini, bu s\u00fcre\u00e7te Cloudflare AI’\u0131n arama yeteneklerini nas\u0131l ke\u015ffetti\u011fimi ve nihayetinde ne \u00f6\u011frendi\u011fimi ad\u0131m ad\u0131m payla\u015faca\u011f\u0131m.<\/p>\n
Yapay zeka sohbet botlar\u0131n\u0131n potansiyeli heyecan vericiydi. H\u0131zl\u0131, 7\/24 eri\u015filebilir ve s\u00fcrekli \u00f6\u011frenen bir destek sistemi kurma fikriyle yola \u00e7\u0131kt\u0131m. Amac\u0131m, \u015firketimizin teknik dok\u00fcmantasyonuna ve SSS (S\u0131k\u00e7a Sorulan Sorular) veritaban\u0131na eri\u015febilen, kullan\u0131c\u0131 sorular\u0131na an\u0131nda ve do\u011fru yan\u0131tlar verebilen bir bot olu\u015fturmakt\u0131. Ancak bu yolculuk, tahmin etti\u011fimden \u00e7ok daha fazla engelle doluydu. \u0130lk tasar\u0131m\u0131m, B\u00fcy\u00fck Dil Modelleri (LLM’ler) \u00fczerine do\u011frudan bir entegrasyonu i\u00e7eriyordu; yani, kullan\u0131c\u0131 sorusunu al\u0131p do\u011frudan bir LLM’e iletiyor ve gelen yan\u0131t\u0131 kullan\u0131c\u0131ya d\u00f6nd\u00fcr\u00fcyordum. Bu basit yakla\u015f\u0131m, k\u0131sa s\u00fcrede bir dizi ciddi sorunla y\u00fczle\u015fmeme neden oldu.<\/p>\n
Kar\u015f\u0131la\u015ft\u0131\u011f\u0131m en b\u00fcy\u00fck sorunlardan biri, “hal\u00fcsinasyon” olarak bilinen olguydu. Bot, ger\u00e7ek d\u0131\u015f\u0131 veya uydurma bilgilerle yan\u0131tlar \u00fcretiyordu. Kendi veri setimizdeki bilgiler yerine, LLM’in genel e\u011fitim verilerinden alakas\u0131z veya yanl\u0131\u015f \u00e7\u0131kar\u0131mlar yapmas\u0131, kullan\u0131c\u0131lar\u0131n g\u00fcvenini sars\u0131yordu. \u00d6zellikle teknik dok\u00fcmantasyon gibi kesinlik gerektiren konularda bu kabul edilemezdi. \u00d6rne\u011fin, bir kullan\u0131c\u0131 belirli bir API \u00e7a\u011fr\u0131s\u0131n\u0131n parametrelerini sordu\u011funda, bot bazen tamamen uydurma parametreler listesi sunuyordu. Bu durum, sadece zaman kayb\u0131na yol a\u00e7makla kalm\u0131yor, ayn\u0131 zamanda kullan\u0131c\u0131lar\u0131 yanl\u0131\u015f y\u00f6nlendirerek daha b\u00fcy\u00fck sorunlara neden oluyordu.<\/p>\n
Bir di\u011fer \u00f6nemli sorun, bilginin g\u00fcncelli\u011fiydi. LLM’ler belirli bir zamana kadar olan verilerle e\u011fitilir. Bu da demek oluyor ki, \u015firketimizin \u00fcr\u00fcnlerinde veya dok\u00fcmantasyonunda yap\u0131lan g\u00fcncel de\u011fi\u015fiklikler, botun bilgi taban\u0131na yans\u0131m\u0131yordu. Yeni bir \u00f6zellik veya bir hata d\u00fczeltmesi hakk\u0131nda bilgi edinmek isteyen kullan\u0131c\u0131lar, botun eski veya ge\u00e7ersiz bilgilerle yan\u0131t verdi\u011fini g\u00f6rd\u00fck\u00e7e hayal k\u0131r\u0131kl\u0131\u011f\u0131na u\u011fruyordu. Botu d\u00fczenli olarak yeniden e\u011fitmek ise hem zaman al\u0131c\u0131 hem de maliyetli bir s\u00fcre\u00e7ti. Ayr\u0131ca, botun her zaman en son bilgilere eri\u015febilmesi i\u00e7in dinamik bir mekanizmaya ihtiyac\u0131m\u0131z vard\u0131.<\/p>\n
Performans da \u00f6nemli bir engeldi. Gelen her sorguyu do\u011frudan b\u00fcy\u00fck bir dil modeline g\u00f6ndermek, \u00f6zellikle yo\u011fun saatlerde yan\u0131t s\u00fcrelerini uzat\u0131yordu. Kullan\u0131c\u0131lar an\u0131nda yan\u0131tlar beklerken, botun birka\u00e7 saniye beklemesi bile k\u00f6t\u00fc bir kullan\u0131c\u0131 deneyimine yol a\u00e7\u0131yordu. Ek olarak, LLM API \u00e7a\u011fr\u0131lar\u0131n\u0131n maliyeti, botun kullan\u0131m hacmi artt\u0131k\u00e7a h\u0131zla y\u00fckseliyordu. Bu, uzun vadede s\u00fcrd\u00fcr\u00fclebilir olmayan bir modeldi. B\u00fcy\u00fck bir dil modelini her k\u00fc\u00e7\u00fck soru i\u00e7in \u00e7a\u011f\u0131rmak, hem gereksiz yere kaynak t\u00fcketiyor hem de b\u00fct\u00e7eyi zorluyordu. Bu erken a\u015famadaki deneyimler, bir sohbet botunun sadece bir LLM’den ibaret olmad\u0131\u011f\u0131n\u0131, bilginin do\u011fru, g\u00fcncel ve verimli bir \u015fekilde sunulmas\u0131 i\u00e7in daha sofistike bir mimariye ihtiya\u00e7 duydu\u011funu anlamam\u0131 sa\u011flad\u0131.<\/p>\n
Yukar\u0131da bahsetti\u011fim zorluklarla y\u00fczle\u015firken, \u00e7\u00f6z\u00fcm\u00fc RAG (Retrieval Augmented Generation) mimarisinde buldum. RAG, B\u00fcy\u00fck Dil Modelleri’nin (LLM) bilgi s\u0131n\u0131rl\u0131l\u0131klar\u0131n\u0131 a\u015fmak ve daha do\u011fru, g\u00fcncel ve ba\u011flama uygun yan\u0131tlar \u00fcretmek i\u00e7in tasarlanm\u0131\u015f g\u00fc\u00e7l\u00fc bir y\u00f6ntemdir. Temelde, LLM’in bilgi \u00fcretme yetene\u011fini, harici, g\u00fcvenilir ve g\u00fcncel bir bilgi kayna\u011f\u0131nda arama yapma (retrieval) yetene\u011fiyle birle\u015ftirir. Bu sayede, bot art\u0131k sadece e\u011fitim verilerine ba\u011fl\u0131 kalmak yerine, spesifik bir soru i\u00e7in en alakal\u0131 bilgiyi ger\u00e7ek zamanl\u0131 olarak bulup kullanabilir. Bu yakla\u015f\u0131m, sohbet botlar\u0131n\u0131n “hal\u00fcsinasyon” sorununu b\u00fcy\u00fck \u00f6l\u00e7\u00fcde azalt\u0131rken, ayn\u0131 zamanda g\u00fcncel bilgilere eri\u015fimini de kolayla\u015ft\u0131r\u0131r.<\/p>\n
Peki RAG nas\u0131l \u00e7al\u0131\u015f\u0131r? S\u00fcre\u00e7 genellikle \u015fu ad\u0131mlar\u0131 i\u00e7erir: \u0130lk olarak, bir kullan\u0131c\u0131 bir soru sordu\u011funda, bu soru bir “g\u00f6mme modeli” (embedding model) arac\u0131l\u0131\u011f\u0131yla say\u0131sal bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu vekt\u00f6r, sorunun anlamsal anlam\u0131n\u0131 temsil eder. Ard\u0131ndan, bu sorgu vekt\u00f6r\u00fc, \u00f6nceden haz\u0131rlanm\u0131\u015f ve vekt\u00f6rle\u015ftirilmi\u015f bir bilgi taban\u0131 (genellikle bir vekt\u00f6r veritaban\u0131) i\u00e7inde en benzer belgeleri bulmak i\u00e7in kullan\u0131l\u0131r. Bu belgeler, teknik dok\u00fcmanlar, makaleler, SSS sayfalar\u0131 veya herhangi bir metin verisi olabilir. Benzerlik, vekt\u00f6rlerin birbirine olan yak\u0131nl\u0131\u011f\u0131na g\u00f6re hesaplan\u0131r; bu sayede, sorguya anlamsal olarak en alakal\u0131 belgeler h\u0131zl\u0131ca tespit edilir. Bu a\u015fama, “Retrieval” (Bilgi \u00c7ekme) olarak adland\u0131r\u0131l\u0131r. Bu \u00e7ekilen bilgiler, botun kendi bilgi kayna\u011f\u0131 olur.<\/p>\n
\u0130kinci a\u015fama olan “Augmented Generation” (Art\u0131r\u0131lm\u0131\u015f \u00dcretim) k\u0131sm\u0131nda ise, \u00e7ekilen bu alakal\u0131 belgeler, orijinal kullan\u0131c\u0131 sorgusuyla birlikte bir LLM’e girdi olarak verilir. LLM, bu ba\u011flam\u0131 kullanarak, daha \u00f6nce sadece kendi e\u011fitim verileriyle yapamayaca\u011f\u0131 kadar do\u011fru ve spesifik bir yan\u0131t \u00fcretir. Bu sayede, botun verdi\u011fi yan\u0131tlar hem g\u00fcncel hem de \u00e7ekilen bilgilerin do\u011frulu\u011fuyla desteklenmi\u015f olur. \u00d6rne\u011fin, \u015firketimin yeni bir \u00fcr\u00fcn \u00f6zelli\u011fi hakk\u0131nda bilgi almak isteyen bir kullan\u0131c\u0131 i\u00e7in, RAG tabanl\u0131 bir bot \u00f6nce bu yeni \u00f6zellik hakk\u0131ndaki en son dok\u00fcmanlar\u0131 vekt\u00f6r veritaban\u0131ndan \u00e7eker, ard\u0131ndan bu dok\u00fcmanlar\u0131 kullanarak LLM’den do\u011fru ve detayl\u0131 bir a\u00e7\u0131klama ister. Bu yakla\u015f\u0131m, sadece hal\u00fcsinasyonlar\u0131 engellemekle kalmaz, ayn\u0131 zamanda LLM \u00e7a\u011fr\u0131lar\u0131n\u0131n maliyetini ve gecikmesini de azaltmaya yard\u0131mc\u0131 olabilir, \u00e7\u00fcnk\u00fc LLM’e g\u00f6nderilen ba\u011flam, t\u00fcm bilgi taban\u0131 yerine sadece alakal\u0131 k\u0131s\u0131mlard\u0131r.<\/p>\n
RAG’nin hayati \u00f6nemi, yaln\u0131zca daha do\u011fru yan\u0131tlar \u00fcretmesiyle s\u0131n\u0131rl\u0131 de\u011fildir. Ayn\u0131 zamanda, i\u015fletmelere esneklik ve \u00f6l\u00e7eklenebilirlik de sunar. Bilgi taban\u0131n\u0131 g\u00fcncel tutmak, sadece vekt\u00f6r veritaban\u0131ndaki belgeleri g\u00fcncellemekle m\u00fcmk\u00fcn hale gelir; t\u00fcm LLM’i yeniden e\u011fitmeye gerek kalmaz. Bu, s\u00fcrekli de\u011fi\u015fen bilgi ortam\u0131nda chatbot’lar\u0131n g\u00fcncel kalmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca, RAG’nin mod\u00fcler yap\u0131s\u0131, farkl\u0131 LLM’ler ve vekt\u00f6r veritabanlar\u0131 aras\u0131nda kolayca ge\u00e7i\u015f yapma imkan\u0131 sunar, bu da teknoloji se\u00e7iminde b\u00fcy\u00fck bir \u00f6zg\u00fcrl\u00fck sa\u011flar. T\u00fcm bu avantajlar g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, RAG, modern ve g\u00fcvenilir bir yapay zeka sohbet botu geli\u015ftirmek isteyen herkes i\u00e7in vazge\u00e7ilmez bir mimari haline gelmi\u015ftir.<\/p>\n
RAG’nin faydalar\u0131n\u0131 anlad\u0131ktan sonra, bu mimariyi pratikte nas\u0131l uygulayaca\u011f\u0131m\u0131 ara\u015ft\u0131rmaya ba\u015flad\u0131m. Geli\u015ftirme s\u00fcrecimde, hem h\u0131zl\u0131 hem de \u00f6l\u00e7eklenebilir bir \u00e7\u00f6z\u00fcm aray\u0131\u015f\u0131ndayd\u0131m. \u0130\u015fte tam bu noktada Cloudflare AI ekosistemiyle tan\u0131\u015ft\u0131m. Cloudflare, \u00f6zellikle Workers AI ve Vekt\u00f6r Veritaban\u0131 gibi ara\u00e7lar\u0131yla, RAG tabanl\u0131 sohbet botlar\u0131 geli\u015ftirmek i\u00e7in e\u015fsiz avantajlar sunuyor. Cloudflare’\u0131n k\u00fcresel a\u011f\u0131 \u00fczerinde da\u011f\u0131t\u0131lm\u0131\u015f bir yap\u0131ya sahip olmas\u0131, uygulamalar\u0131m\u0131n son kullan\u0131c\u0131lara daha yak\u0131n \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayarak gecikmeyi minimuma indirme potansiyeli ta\u015f\u0131yordu.<\/p>\n
Cloudflare Workers AI<\/strong>, k\u00fcresel da\u011f\u0131t\u0131k GPU a\u011f\u0131 \u00fczerinde \u00e7e\u015fitli a\u00e7\u0131k kaynakl\u0131 B\u00fcy\u00fck Dil Modellerini (LLM’ler) ve di\u011fer AI modellerini \u00e7al\u0131\u015ft\u0131rmam\u0131z\u0131 sa\u011flayan bir platformdur. Bu, kendi sunucular\u0131n\u0131z\u0131 kurmak veya pahal\u0131 GPU’lar kiralamak zorunda kalmadan, do\u011frudan Cloudflare’\u0131n altyap\u0131s\u0131n\u0131 kullanarak modelleri \u00e7al\u0131\u015ft\u0131rmak anlam\u0131na geliyor. Workers AI ile metin g\u00f6mme (text embedding) modellerini \u00e7al\u0131\u015ft\u0131rabilir, bu sayede belgelerimi vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrebilir ve hatta sorular\u0131 yan\u0131tlamak i\u00e7in daha k\u00fc\u00e7\u00fck, optimize edilmi\u015f LLM’leri kullanabilirdim. Bu platformun “sunucusuz” do\u011fas\u0131, sadece kulland\u0131\u011f\u0131m kadar \u00f6deme yapaca\u011f\u0131m ve \u00f6l\u00e7eklendirme konusunda endi\u015felenmeme gerek kalmayaca\u011f\u0131 anlam\u0131na geliyordu. Yo\u011fun d\u00f6nemlerde otomatik olarak \u00f6l\u00e7eklenecek, d\u00fc\u015f\u00fck kullan\u0131mda ise maliyetlerim minimumda kalacakt\u0131. Bu esneklik, ba\u015flang\u0131\u00e7taki y\u00fcksek maliyet ve \u00f6l\u00e7eklenebilirlik sorunlar\u0131ma do\u011frudan bir \u00e7\u00f6z\u00fcmd\u00fc.<\/p>\n Cloudflare Vekt\u00f6r Veritaban\u0131<\/strong> ise, RAG mimarisinin kalbinde yer alan, y\u00fcksek boyutlu vekt\u00f6r verilerini depolamak ve h\u0131zl\u0131 bir \u015fekilde anlamsal arama yapmak i\u00e7in tasarlanm\u0131\u015f optimize edilmi\u015f bir veritaban\u0131d\u0131r. Bu veritaban\u0131, belge vekt\u00f6rlerimi saklamak ve kullan\u0131c\u0131 sorgusunun vekt\u00f6r\u00fcne en yak\u0131n belgeleri bulmak i\u00e7in idealdi. Cloudflare’\u0131n global a\u011f\u0131 \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131 i\u00e7in, veritaban\u0131na eri\u015fim de d\u00fc\u015f\u00fck gecikme s\u00fcreleriyle ger\u00e7ekle\u015fecekti. Vekt\u00f6r veritaban\u0131, \u00f6zellikle b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken kritik \u00f6neme sahip olan h\u0131zl\u0131 yak\u0131n kom\u015fu arama (Approximate Nearest Neighbor – ANN) algoritmalar\u0131n\u0131 destekler. Bu, binlerce hatta milyonlarca belge aras\u0131ndan alakal\u0131 olanlar\u0131 milisaniyeler i\u00e7inde bulabilece\u011fim anlam\u0131na geliyordu. Kurulumu ve y\u00f6netimi de olduk\u00e7a kolayd\u0131r, bu da geli\u015ftirme s\u00fcrecimi h\u0131zland\u0131rd\u0131.<\/p>\n Cloudflare AI ekosisteminin sundu\u011fu bu kombinasyon, tam da arad\u0131\u011f\u0131m \u00e7\u00f6z\u00fcmd\u00fc. Workers AI ile belgelerimi g\u00f6mme modellerinden ge\u00e7irip vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrebilir, bu vekt\u00f6rleri Cloudflare Vekt\u00f6r Veritaban\u0131’nda saklayabilir ve ard\u0131ndan kullan\u0131c\u0131 sorgular\u0131n\u0131 i\u015fleyerek en alakal\u0131 belgeleri \u00e7ekebilirdim. Son olarak, \u00e7ekilen bu belgelerle birlikte kullan\u0131c\u0131 sorgusunu tekrar Workers AI \u00fczerindeki bir LLM’e g\u00f6ndererek nihai yan\u0131t\u0131 olu\u015fturabilirdim. Bu entegre yakla\u015f\u0131m, RAG mimarisini u\u00e7tan uca, Cloudflare’\u0131n g\u00fcvenli, h\u0131zl\u0131 ve \u00f6l\u00e7eklenebilir altyap\u0131s\u0131 \u00fczerinde kurmam\u0131 sa\u011flad\u0131. Bu sayede, ba\u015flang\u0131\u00e7taki hal\u00fcsinasyon, g\u00fcncellik, performans ve maliyet sorunlar\u0131m\u0131n her birine etkin bir \u00e7\u00f6z\u00fcm bulmu\u015f oldum. Geli\u015ftirici dostu API’leri ve kapsaml\u0131 dok\u00fcmantasyonu da s\u00fcreci olduk\u00e7a kolayla\u015ft\u0131rd\u0131.<\/p>\n Cloudflare Vekt\u00f6r Veritaban\u0131’n\u0131 kullanarak ak\u0131ll\u0131 arama motoru entegre etmek, RAG mimarisinin temelini olu\u015fturur. Bu b\u00f6l\u00fcm, ad\u0131m ad\u0131m nas\u0131l bir arama yetene\u011fi ekleyece\u011finizi g\u00f6steriyor. Bu s\u00fcre\u00e7, belgeleme, veri g\u00f6mme (embedding), depolama ve sorgulama olmak \u00fczere d\u00f6rt ana a\u015famadan olu\u015fur.<\/p>\n \u0130lk ad\u0131m, arama yapmak istedi\u011finiz metin verilerini haz\u0131rlamakt\u0131r. B\u00fcy\u00fck metin belgelerini do\u011frudan g\u00f6mme modellerine vermek yerine, bunlar\u0131 “chunk” ad\u0131 verilen daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir par\u00e7alara ay\u0131rmak en iyi yakla\u015f\u0131md\u0131r. Her bir chunk, genellikle 200-500 kelime veya belirgin bir paragraf gibi kendi ba\u015f\u0131na anlaml\u0131 bir metin par\u00e7as\u0131n\u0131 temsil etmelidir. Bu, arama sonu\u00e7lar\u0131n\u0131n daha alakal\u0131 olmas\u0131n\u0131 sa\u011flar ve ayn\u0131 zamanda g\u00f6mme modellerinin daha verimli \u00e7al\u0131\u015fmas\u0131na yard\u0131mc\u0131 olur.<\/p>\n \u00d6rnek bir metin haz\u0131rl\u0131\u011f\u0131:<\/p>\n <\/code><\/p>\n Haz\u0131rlad\u0131\u011f\u0131n\u0131z her bir metin par\u00e7as\u0131n\u0131 (chunk) say\u0131sal bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in bir g\u00f6mme modeline ihtiyac\u0131n\u0131z var. Cloudflare Workers AI, bu i\u015flem i\u00e7in pop\u00fcler ve verimli modeller sunar. Bu vekt\u00f6rler, metnin anlamsal anlam\u0131n\u0131 y\u00fcksek boyutlu bir uzayda temsil eder.<\/p>\n Workers AI kullanarak g\u00f6mme olu\u015fturma \u00f6rne\u011fi:<\/p>\n <\/code><\/p>\n Bu kod blo\u011fu, Olu\u015fturdu\u011funuz vekt\u00f6rleri, metadata (\u00f6rne\u011fin, orijinal metin, kaynak URL, belge ID'si) ile birlikte Cloudflare Vekt\u00f6r Veritaban\u0131'na kaydetmelisiniz. Bu, gelecekte sorgulama yaparken alakal\u0131 metin par\u00e7alar\u0131n\u0131 geri alman\u0131z\u0131 sa\u011flar.<\/p>\n Wrangler CLI kullanarak bir vekt\u00f6r veritaban\u0131 olu\u015fturma:<\/p>\n <\/code><\/p>\n Burada Worker i\u00e7inden vekt\u00f6r ekleme \u00f6rne\u011fi:<\/p>\n <\/code><\/p>\n Kullan\u0131c\u0131dan gelen bir sorguyu ald\u0131\u011f\u0131n\u0131zda, bu sorguyu da ayn\u0131 g\u00f6mme modeliyle vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcrmelisiniz. Ard\u0131ndan, bu sorgu vekt\u00f6r\u00fcn\u00fc kullanarak Vekt\u00f6r Veritaban\u0131'nda en benzer (en yak\u0131n) vekt\u00f6rleri arars\u0131n\u0131z. Bu i\u015flem, kullan\u0131c\u0131 sorgusuna anlamsal olarak en alakal\u0131 metin par\u00e7alar\u0131n\u0131 d\u00f6nd\u00fcr\u00fcr.<\/p>\n <\/code><\/p>\n Bu ad\u0131mlar\u0131 izleyerek, Cloudflare AI ekosistemini kullanarak g\u00fc\u00e7l\u00fc bir anlamsal arama motoru olu\u015fturabilir ve chatbot'unuzun bilgi alma yetene\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde geli\u015ftirebilirsiniz. Bu, RAG mimarisinin temel ta\u015f\u0131d\u0131r ve chatbot'unuzun daha ak\u0131ll\u0131, do\u011fru ve ba\u011flama duyarl\u0131 yan\u0131tlar vermesini sa\u011flar.<\/p>\n \u0130lk chatbot denememin ya\u015fad\u0131\u011f\u0131 zorluklar, beni tamamen farkl\u0131 bir mimariye y\u00f6neltti: Cloudflare AI ile g\u00fc\u00e7lendirilmi\u015f RAG. Bu yeniden yap\u0131land\u0131rma s\u00fcreci, sadece teknolojik bir de\u011fi\u015fimden ibaret de\u011fildi; ayn\u0131 zamanda chatbot'umun temel yeteneklerini ve performans\u0131n\u0131 k\u00f6kten d\u00f6n\u00fc\u015ft\u00fcren bir \u00f6\u011frenme deneyimi oldu. Mevcut botumu, art\u0131k do\u011frudan bir LLM'e ba\u011fl\u0131 olmayan, harici ve g\u00fcncel bir bilgi kayna\u011f\u0131yla beslenen ak\u0131ll\u0131 bir sisteme d\u00f6n\u00fc\u015ft\u00fcrd\u00fcm.<\/p>\n Yeniden Yap\u0131land\u0131rma Ad\u0131mlar\u0131:<\/strong><\/p>\n Elde Edilen Faydalar ve Vaka Analizi Sonu\u00e7lar\u0131:<\/strong><\/p>\n Bu yeniden yap\u0131land\u0131rma, ba\u015flang\u0131\u00e7taki \"yanl\u0131\u015f\" chatbot projesini, ger\u00e7ek d\u00fcnya ihtiya\u00e7lar\u0131na uygun, g\u00fcvenilir ve verimli bir \u00e7\u00f6z\u00fcme d\u00f6n\u00fc\u015ft\u00fcrd\u00fc. Cloudflare AI ekosistemi, RAG mimarisini uygulamak i\u00e7in gerekli t\u00fcm ara\u00e7lar\u0131, performans\u0131 ve \u00f6l\u00e7eklenebilirli\u011fi tek bir platformda sunarak bu d\u00f6n\u00fc\u015f\u00fcm\u00fc m\u00fcmk\u00fcn k\u0131ld\u0131.<\/p>\n Cloudflare AI ekosistemini kullan\u0131rken, performans ve maliyeti dengelemek, uzun vadeli s\u00fcrd\u00fcr\u00fclebilirlik i\u00e7in kritik \u00f6neme sahiptir. Uygulamalar\u0131n\u0131z\u0131n h\u0131zl\u0131 yan\u0131t vermesi ve b\u00fct\u00e7enizi a\u015fmamas\u0131 i\u00e7in dikkat etmeniz gereken baz\u0131 ipu\u00e7lar\u0131 bulunmaktad\u0131r.<\/p>\n Kulland\u0131\u011f\u0131n\u0131z g\u00f6mme modeli, hem performans hem de maliyet \u00fczerinde b\u00fcy\u00fck etkiye sahiptir. Cloudflare Workers AI, farkl\u0131 boyutlarda ve yeteneklerde g\u00f6mme modelleri sunar. \u00d6rne\u011fin, Toplu \u0130\u015fleme (Batch Processing):<\/strong> E\u011fer ayn\u0131 anda birden fazla metin par\u00e7as\u0131n\u0131 g\u00f6mme i\u015fleminden ge\u00e7irecekseniz, bunlar\u0131 tek tek g\u00f6ndermek yerine toplu olarak (batch) g\u00f6ndermek, Workers AI API \u00e7a\u011fr\u0131lar\u0131n\u0131n say\u0131s\u0131n\u0131 azaltarak hem gecikmeyi hem de maliyeti d\u00fc\u015f\u00fcr\u00fcr.<\/p>\n <\/code><\/p>\n S\u0131k\u00e7a sorulan sorular\u0131n veya s\u0131k\u00e7a eri\u015filen belgelerin g\u00f6mme vekt\u00f6rlerini \u00f6nbelleklemek, her seferinde Workers AI'\u0131 \u00e7a\u011f\u0131rma ihtiyac\u0131n\u0131 ortadan kald\u0131r\u0131r. Cloudflare Workers'\u0131n kendi Cache API's\u0131n\u0131<\/a> kullanarak veya Cloudflare KV gibi anahtar-de\u011fer depolar\u0131n\u0131 kullanarak bu \u00f6nbelleklemeyi uygulayabilirsiniz. Bu, \u00f6zellikle veri taban\u0131n\u0131zdaki belgeler s\u0131k g\u00fcncellenmiyorsa \u00e7ok etkilidir.<\/p>\n <\/code><\/p>\n Metadata Kullan\u0131m\u0131:<\/strong> Vekt\u00f6r Veritaban\u0131'na ekledi\u011finiz metadata, arama sonu\u00e7lar\u0131n\u0131 filtrelemek i\u00e7in kullan\u0131labilir. \u00d6rne\u011fin, sadece belirli bir departmana ait dok\u00fcmanlarda arama yapmak istiyorsan\u0131z, metadata'y\u0131 kullanarak sorguyu daraltabilirsiniz. Bu, arama alan\u0131n\u0131 k\u00fc\u00e7\u00fclterek performans\u0131 art\u0131r\u0131r ve daha alakal\u0131 sonu\u00e7lar elde edilmesini sa\u011flar.<\/p>\n Cloudflare Workers'\u0131n loglama<\/a> ve analiz ara\u00e7lar\u0131n\u0131<\/a> kullanarak AI model \u00e7a\u011fr\u0131lar\u0131n\u0131z\u0131 ve vekt\u00f6r veritaban\u0131 etkile\u015fimlerinizi izleyin. Hangi modellerin ne s\u0131kl\u0131kta kullan\u0131ld\u0131\u011f\u0131n\u0131, yan\u0131t s\u00fcrelerini ve olas\u0131 hata oranlar\u0131n\u0131 takip etmek, darbo\u011fazlar\u0131 tespit etmenize ve maliyetleri optimize etmenize yard\u0131mc\u0131 olur. Anormal kullan\u0131m paternlerini veya yava\u015flamalar\u0131 erkenden fark etmek, h\u0131zl\u0131 m\u00fcdahale etmenizi sa\u011flar.<\/p>\n Cloudflare AI API'lar\u0131n\u0131za eri\u015fimi, API token'lar\u0131<\/a> ve Workers servislerini kullanarak g\u00fcvence alt\u0131na al\u0131n. Hassas verilerle \u00e7al\u0131\u015f\u0131yorsan\u0131z, Cloudflare Access<\/a> gibi ara\u00e7larla yaln\u0131zca yetkili kullan\u0131c\u0131lar\u0131n veya hizmetlerin chatbot'unuza ve arkas\u0131ndaki AI kaynaklar\u0131na eri\u015febildi\u011finden emin olun. Bu, hem veri g\u00fcvenli\u011fini sa\u011flar hem de yetkisiz kullan\u0131mdan kaynaklanabilecek maliyet art\u0131\u015flar\u0131n\u0131 \u00f6nler.<\/p>\n Bu ipu\u00e7lar\u0131n\u0131 uygulayarak, Cloudflare AI ekosisteminin sundu\u011fu g\u00fcc\u00fc tam olarak kullan\u0131rken, bir yandan da projelerinizin performans\u0131n\u0131 ve maliyet etkinli\u011fini en \u00fcst d\u00fczeye \u00e7\u0131karabilirsiniz. Optimize edilmi\u015f bir RAG sistemi, hem geli\u015ftiriciler hem de son kullan\u0131c\u0131lar i\u00e7in daha iyi bir deneyim sunar.<\/p>\n Harika bir backend mimarisine sahip olmak, tek ba\u015f\u0131na yeterli de\u011fildir. Kullan\u0131c\u0131lar chatbot'unuzla genellikle mobil cihazlar \u00fczerinden etkile\u015fime girecekleri i\u00e7in, mobil uyumlu ve eri\u015filebilir bir \u00f6n y\u00fcz (front-end) geli\u015ftirmek kritik \u00f6neme sahiptir. Kullan\u0131c\u0131 deneyimi (UX), chatbot'unuzun ba\u015far\u0131s\u0131nda b\u00fcy\u00fck rol oynar. Karma\u015f\u0131k olmayan, h\u0131zl\u0131 ve her cihazda sorunsuz \u00e7al\u0131\u015fan bir aray\u00fcz, kullan\u0131c\u0131lar\u0131n botla etkile\u015fimini art\u0131racakt\u0131r.<\/p>\n Chatbot aray\u00fcz\u00fcn\u00fcz\u00fc olu\u015ftururken, duyarl\u0131 tasar\u0131m ilkelerine uymak esast\u0131r. Bu, aray\u00fcz\u00fcn\u00fcz\u00fcn ekran boyutuna ve cihaz t\u00fcr\u00fcne (masa\u00fcst\u00fc, tablet, mobil) otomatik olarak uyum sa\u011flamas\u0131 anlam\u0131na gelir. CSS Media Query'leri bu konuda en temel ara\u00e7lardan biridir. \u00d6rne\u011fin, mobil cihazlarda sohbet penceresinin geni\u015fli\u011fini tam ekran yapabilir, yaz\u0131 tipi boyutlar\u0131n\u0131 optimize edebilir ve giri\u015f alanlar\u0131n\u0131 daha g\u00f6r\u00fcn\u00fcr hale getirebilirsiniz.<\/p>\n <\/code><\/p>\n Yukar\u0131daki CSS \u00f6rne\u011fi, Chatbot'unuzun herkes taraf\u0131ndan kullan\u0131labilir olmas\u0131 \u00f6nemlidir. Bu, g\u00f6rme engelli kullan\u0131c\u0131lar i\u00e7in ekran okuyucu dostu olmas\u0131, klavye ile navigasyonun sa\u011flanmas\u0131 ve yeterli renk kontrast\u0131 gibi konular\u0131 i\u00e7erir.<\/p>\n Mobil a\u011flarda genellikle daha yava\u015f ba\u011flant\u0131lar oldu\u011fu i\u00e7in, front-end'inizin h\u0131zl\u0131 y\u00fcklenmesi ve yan\u0131t vermesi hayati \u00f6nem ta\u015f\u0131r. Javascript ve CSS dosyalar\u0131n\u0131z\u0131 optimize edin, gereksiz k\u00fct\u00fcphanelerden ka\u00e7\u0131n\u0131n ve resim gibi a\u011f\u0131r varl\u0131klar\u0131 s\u0131k\u0131\u015ft\u0131r\u0131n. Cloudflare Workers \u00fczerinden sunulan backend, d\u00fc\u015f\u00fck gecikme s\u00fcreleriyle \u00e7al\u0131\u015ft\u0131\u011f\u0131 i\u00e7in, front-end'in de bu h\u0131z\u0131 yakalamas\u0131 \u00f6nemlidir.<\/p>\n Unutmay\u0131n ki kullan\u0131c\u0131lar, etkile\u015fimde bulunduklar\u0131 ilk \u015fey olan \u00f6n y\u00fcz \u00fczerinden botunuz hakk\u0131nda bir izlenim edinirler. Ne kadar geli\u015fmi\u015f bir yapay zeka arka planda \u00e7al\u0131\u015f\u0131rsa \u00e7al\u0131\u015fs\u0131n, k\u00f6t\u00fc bir kullan\u0131c\u0131 deneyimi, t\u00fcm \u00e7abalar\u0131n\u0131z\u0131 bo\u015fa \u00e7\u0131karabilir. Bu nedenle, mobil uyumluluk ve genel kullan\u0131c\u0131 deneyimi, chatbot projenizin ayr\u0131lmaz bir par\u00e7as\u0131 olmal\u0131d\u0131r.<\/p>\n Yapay zeka sohbet botu geli\u015ftirme yolculu\u011fum, beklentilerle ger\u00e7eklerin nas\u0131l \u00f6rt\u00fc\u015fmedi\u011fini ve do\u011fru ara\u00e7lar ile yakla\u015f\u0131mlar\u0131n ne kadar \u00f6nemli oldu\u011funu g\u00f6steren de\u011ferli bir ders oldu. Ba\u015flang\u0131\u00e7ta kar\u015f\u0131la\u015ft\u0131\u011f\u0131m hal\u00fcsinasyonlar, g\u00fcncel bilgi eksikli\u011fi, performans sorunlar\u0131 ve y\u00fcksek maliyetler, basit bir LLM entegrasyonunun karma\u015f\u0131k ve dinamik d\u00fcnya sorunlar\u0131na \u00e7\u00f6z\u00fcm olmayaca\u011f\u0131n\u0131 a\u00e7\u0131k\u00e7a ortaya koydu. Bu deneyim, sadece bir sohbet botu in\u015fa etme s\u00fcrecini de\u011fil, ayn\u0131 zamanda problemi do\u011fru tan\u0131mlaman\u0131n ve uygun mimariyi se\u00e7menin \u00f6nemini de anlamam\u0131 sa\u011flad\u0131.<\/p>\n Cloudflare AI ekosisteminin (Workers AI ve Vekt\u00f6r Veritaban\u0131) RAG (Retrieval Augmented Generation) mimarisi ile birle\u015fimi, t\u00fcm bu sorunlara g\u00fc\u00e7l\u00fc ve \u00f6l\u00e7eklenebilir bir \u00e7\u00f6z\u00fcm sundu. Art\u0131k botum, \u015firketimin en g\u00fcncel dok\u00fcmantasyonundan beslenen, do\u011fru ve ba\u011flama duyarl\u0131 yan\u0131tlar \u00fcretebiliyordu. Cloudflare'\u0131n k\u00fcresel a\u011f\u0131 \u00fczerinde da\u011f\u0131t\u0131k olarak \u00e7al\u0131\u015fmas\u0131, gecikme s\u00fcrelerini d\u00fc\u015f\u00fcr\u00fcrken, kulland\u0131k\u00e7a \u00f6de modeli maliyetleri optimize etmeme yard\u0131mc\u0131 oldu. Bu d\u00f6n\u00fc\u015f\u00fcm, yapay zeka projelerinin sadece modelleri de\u011fil, ayn\u0131 zamanda veriyi nas\u0131l i\u015fledi\u011finizi, depolad\u0131\u011f\u0131n\u0131z\u0131 ve eri\u015fti\u011finizi de kapsayan b\u00fct\u00fcnsel bir yakla\u015f\u0131m gerektirdi\u011fini g\u00f6sterdi.<\/p>\n \u00d6zetle, \u00f6\u011frendi\u011fim en \u00f6nemli dersler \u015funlard\u0131r:<\/p>\n Bu makale, umar\u0131m kendi AI chatbot projelerinizde benzer hatalardan ka\u00e7\u0131nman\u0131za ve daha sa\u011flam, verimli \u00e7\u00f6z\u00fcmler in\u015fa etmenize yard\u0131mc\u0131 olur. Yapay zeka d\u00fcnyas\u0131 s\u00fcrekli evriliyor ve bu s\u00fcre\u00e7te en g\u00fcncel ara\u00e7lar\u0131 ve en iyi uygulamalar\u0131 takip etmek, ba\u015far\u0131n\u0131n anahtar\u0131d\u0131r. Cloudflare AI, bu yolculukta kesinlikle g\u00fc\u00e7l\u00fc bir m\u00fcttefik olabilir.<\/p>\n Cloudflare Workers AI, kulland\u0131k\u00e7a \u00f6de (pay-as-you-go) modelini benimser. Bu, yaln\u0131zca ger\u00e7ekle\u015ftirdi\u011finiz AI \u00e7a\u011fr\u0131lar\u0131 (g\u00f6mme olu\u015fturma, LLM \u00e7\u0131kar\u0131m\u0131 vb.) i\u00e7in \u00f6deme yapt\u0131\u011f\u0131n\u0131z anlam\u0131na gelir. Fiyatland\u0131rma, kullan\u0131lan modele ve \u00e7a\u011fr\u0131 say\u0131s\u0131na g\u00f6re de\u011fi\u015fiklik g\u00f6sterir. Genellikle k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli projeler i\u00e7in olduk\u00e7a ekonomiktir ve b\u00fcy\u00fck \u00f6l\u00e7eklerde de otomatik \u00f6l\u00e7eklenme avantaj\u0131 sunar.<\/p>\n<\/li>\n Evet, RAG mimarisi, belirli bir bilgi taban\u0131na dayal\u0131, do\u011fru ve g\u00fcncel yan\u0131tlar gerektiren hemen hemen her t\u00fcr chatbot i\u00e7in son derece uygundur. M\u00fc\u015fteri deste\u011fi, teknik dok\u00fcmantasyon botlar\u0131, e-ticaret yard\u0131mc\u0131lar\u0131 veya dahili bilgi y\u00f6netim sistemleri gibi alanlarda b\u00fcy\u00fck fayda sa\u011flar. Yarat\u0131c\u0131 yaz\u0131m veya genel sohbet gerektiren botlarda ise RAG'nin \u00f6nemi daha az olabilir, ancak yine de ba\u011flamsal do\u011frulu\u011fu art\u0131rmak i\u00e7in kullan\u0131labilir.<\/p>\n<\/li>\n Vekt\u00f6r Veritaban\u0131'na y\u00fckledi\u011finiz as\u0131l \u015fey, metinlerinizin veya di\u011fer verilerinizin (resimler, sesler vb.) g\u00f6mme vekt\u00f6rleridir. Bu vekt\u00f6rler, kaynak metin veya medyan\u0131n anlamsal temsilleridir. Vekt\u00f6rlerin yan\u0131 s\u0131ra, bu verilere ait meta-data (\u00f6rne\u011fin, belge ba\u015fl\u0131\u011f\u0131, URL, yazar, tarih, kategori) da saklayabilirsiniz. Bu meta-data, arama sonu\u00e7lar\u0131n\u0131 filtrelemek ve kullan\u0131c\u0131lara daha zengin bilgi sunmak i\u00e7in \u00e7ok de\u011ferlidir.<\/p>\n<\/li>\n Cloudflare AI (Workers AI, Vekt\u00f6r Veritaban\u0131) genellikle Cloudflare Workers \u00fczerinde \u00e7al\u0131\u015f\u0131r. Mevcut sisteminiz bir API arac\u0131l\u0131\u011f\u0131yla Workers'\u0131n\u0131za istek g\u00f6ndererek veya Workers'\u0131n\u0131zdaki HTTP u\u00e7 noktalar\u0131n\u0131 kullanarak entegre edilebilir. Workers, HTTP isteklerini i\u015fleyebilir, arka plandaki AI modelleri ve veritabanlar\u0131yla etkile\u015fime girebilir ve yan\u0131tlar\u0131 mevcut sisteminize geri d\u00f6nd\u00fcrebilir. Bu, mevcut altyap\u0131n\u0131z\u0131 minimal d\u00fczeyde de\u011fi\u015ftirerek AI yetenekleri eklemenizi sa\u011flar.<\/p>\n<\/li>\n Cloudflare Workers AI platformu, \u015fu anda genellikle Cloudflare taraf\u0131ndan sa\u011flanan ve optimize edilmi\u015f a\u00e7\u0131k kaynakl\u0131 modelleri desteklemektedir. Kendi \u00f6zel modellerinizi do\u011frudan y\u00fcklemek yerine, mevcut modellere benzer \u00e7\u0131kt\u0131lar sa\u011flayan modelleri kullanman\u0131z veya \u00f6zel modelinizin \u00e7\u0131kt\u0131s\u0131n\u0131 Cloudflare Workers i\u00e7inde i\u015fleyip kullanman\u0131z gerekebilir. Ancak Cloudflare'\u0131n s\u00fcrekli geli\u015fen bir platform oldu\u011funu unutmamak gerekir, bu nedenle gelecekte \u00f6zel model y\u00fckleme yetenekleri eklenebilir. En g\u00fcncel bilgiler i\u00e7in Cloudflare dok\u00fcmantasyonunu kontrol etmek her zaman en iyisidir.<\/p>\n<\/li>\n<\/ul>\n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Yapay zeka sohbet botlar\u0131, m\u00fc\u015fteri hizmetlerinden teknik deste\u011fe kadar bir\u00e7ok alanda devrim yarat\u0131yor. Ancak bu botlar\u0131 in\u015fa etmek,…","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":[1341],"tags":[],"class_list":{"0":"post-35176","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-cloud","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nCloudflare Vekt\u00f6r Veritaban\u0131 ile Ak\u0131ll\u0131 Arama Nas\u0131l Uygulan\u0131r? Ad\u0131m Ad\u0131m Rehber<\/h2>\n
1. Veri Haz\u0131rl\u0131\u011f\u0131 ve Chunking<\/h3>\n
\n const documentText = Cloudflare Workers AI, sunucusuz ortamda yapay zeka modellerini \u00e7al\u0131\u015ft\u0131rman\u0131z\u0131 sa\u011flar.\n Bu sayede, kendi GPU'lar\u0131n\u0131za yat\u0131r\u0131m yapmadan veya karma\u015f\u0131k altyap\u0131 y\u00f6netimiyle u\u011fra\u015fmadan, modellerinizi k\u00fcresel \u00f6l\u00e7ekte da\u011f\u0131tabilirsiniz.\n Cloudflare Vekt\u00f6r Veritaban\u0131 ise, bu modellerden \u00fcretilen y\u00fcksek boyutlu vekt\u00f6rleri depolamak ve h\u0131zl\u0131 anlamsal aramalar yapmak i\u00e7in tasarlanm\u0131\u015ft\u0131r.<\/code>;\n\n const chunks = documentText.split('\\n').filter(chunk => chunk.trim() !== '');\n \/\/ chunks: [\"Cloudflare Workers AI, sunucusuz ortamda yapay zeka modellerini \u00e7al\u0131\u015ft\u0131rman\u0131z\u0131 sa\u011flar.\", ...]\n <\/pre>\n2. G\u00f6mme (Embedding) Olu\u015fturma<\/h3>\n
\n import { Ai } from '@cloudflare\/ai';\n\n export default {\n async fetch(request, env) {\n const ai = new Ai(env.AI);\n const textToEmbed = \"Cloudflare Workers AI nedir?\";\n\n const embeddings = await ai.run('@cf\/baai\/bge-small-en-v1.5', {\n text: textToEmbed,\n });\n\n \/\/ embeddings.data art\u0131k bu metnin vekt\u00f6r temsili\n \/\/ console.log(embeddings.data[0]);\n\n return new Response(JSON.stringify(embeddings.data[0]));\n },\n };\n <\/pre>\n@cf\/baai\/bge-small-en-v1.5<\/code> modelini kullanarak bir metnin g\u00f6mme vekt\u00f6r\u00fcn\u00fc nas\u0131l olu\u015fturabilece\u011finizi g\u00f6sterir. env.AI<\/code> de\u011fi\u015fkeni, Workers AI ba\u011flam\u0131n\u0131 sa\u011flar.<\/p>\n3. Vekt\u00f6rleri Vekt\u00f6r Veritaban\u0131nda Depolama<\/h3>\n
\n wrangler vectorize create my-ai-search-index --dimensions=384\n <\/pre>\ndimensions<\/code> de\u011feri, kulland\u0131\u011f\u0131n\u0131z g\u00f6mme modelinin \u00e7\u0131kt\u0131 vekt\u00f6r boyutuna g\u00f6re ayarlanmal\u0131d\u0131r. \u00d6rne\u011fin, @cf\/baai\/bge-small-en-v1.5<\/code> genellikle 384 boyutlu vekt\u00f6rler \u00fcretir.<\/p>\n\n \/\/ Vekt\u00f6r veritaban\u0131 bindings'i wrangler.toml dosyas\u0131nda tan\u0131mlanmal\u0131:\n \/\/ [[vectorize]]\n \/\/ binding = \"VECTOR_INDEX\"\n \/\/ index_name = \"my-ai-search-index\"\n\n export default {\n async fetch(request, env) {\n const ai = new Ai(env.AI);\n const documentId = \"doc-123\";\n const chunkText = \"Cloudflare Workers AI sunucusuz yapay zeka modelleri i\u00e7in harikad\u0131r.\";\n\n const embeddings = await ai.run('@cf\/baai\/bge-small-en-v1.5', {\n text: chunkText,\n });\n const vector = embeddings.data[0];\n\n \/\/ Vekt\u00f6r veritaban\u0131na ekle\n await env.VECTOR_INDEX.upsert([\n {\n id: documentId,\n values: vector,\n metadata: { text: chunkText, source: \"docs.example.com\" }\n }\n ]);\n\n return new Response(\"Vekt\u00f6r ba\u015far\u0131yla eklendi.\");\n },\n };\n <\/pre>\n4. Vekt\u00f6r Veritaban\u0131nda Sorgulama<\/h3>\n
\n export default {\n async fetch(request, env) {\n const ai = new Ai(env.AI);\n const userQuery = \"Cloudflare Workers AI hakk\u0131nda bilgi ver.\";\n\n \/\/ 1. Kullan\u0131c\u0131 sorgusunu vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\n const queryEmbeddings = await ai.run('@cf\/baai\/bge-small-en-v1.5', {\n text: userQuery,\n });\n const queryVector = queryEmbeddings.data[0];\n\n \/\/ 2. Vekt\u00f6r veritaban\u0131nda en yak\u0131n e\u015fle\u015fmeleri ara\n const searchResults = await env.VECTOR_INDEX.query(queryVector, {\n topK: 3, \/\/ En yak\u0131n 3 sonucu getir\n returnMetadata: true,\n returnValues: false, \/\/ Vekt\u00f6r de\u011ferlerini d\u00f6nd\u00fcrme, sadece metadata yeterli\n });\n\n const relevantChunks = searchResults.matches.map(match => match.metadata.text);\n\n return new Response(JSON.stringify(relevantChunks));\n },\n };\n <\/pre>\nMevcut Sohbet Botumu Cloudflare AI ile Yeniden Yap\u0131land\u0131rmak: Bir Vaka Analizi<\/h2>\n
\n
@cf\/baai\/bge-small-en-v1.5<\/code>) kullanarak vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrd\u00fcm. Bu vekt\u00f6rler, metinlerin anlamsal anlam\u0131n\u0131 say\u0131sal olarak temsil ediyordu.<\/li>\n@cf\/meta\/llama-2-7b-chat-int8<\/code>) g\u00f6nderdim. LLM, bu ek ba\u011flam\u0131 kullanarak, daha do\u011fru, detayl\u0131 ve g\u00fcncel bir yan\u0131t olu\u015fturdu.<\/li>\n\n
Performans ve Maliyet Optimizasyonu i\u00e7in \u0130pu\u00e7lar\u0131: Cloudflare AI'\u0131 En Verimli \u015eekilde Kullanma<\/h2>\n
G\u00f6mme Modeli Se\u00e7imi ve Optimizasyonu<\/h3>\n
@cf\/baai\/bge-small-en-v1.5<\/code> gibi daha k\u00fc\u00e7\u00fck modeller, genellikle daha h\u0131zl\u0131 ve daha uygun maliyetlidir, ancak \u00e7ok karma\u015f\u0131k semantik sorgularda daha b\u00fcy\u00fck modellere g\u00f6re biraz daha az hassas olabilir. Projenizin ihtiya\u00e7lar\u0131na g\u00f6re do\u011fru dengeyi bulmal\u0131s\u0131n\u0131z. \u00c7ok detayl\u0131 bilgi gerektirmeyen durumlarda k\u00fc\u00e7\u00fck modelleri tercih etmek, ciddi maliyet tasarrufu sa\u011flayabilir.<\/p>\n\n \/\/ Birden fazla metni toplu olarak g\u00f6mme\n const textsToEmbed = [\"metin 1\", \"metin 2\", \"metin 3\"];\n const embeddings = await ai.run('@cf\/baai\/bge-small-en-v1.5', {\n text: textsToEmbed, \/\/ Dizi olarak g\u00f6nderilebilir\n });\n <\/pre>\n\u00d6nbellekleme (Caching) Stratejileri<\/h3>\n
\n const cacheKey = new Request(request.url + \"-embedding-cache-\" + textToEmbed);\n let cachedResponse = await caches.default.match(cacheKey);\n\n if (cachedResponse) {\n \/\/ \u00d6nbellekten d\u00f6nd\u00fcr\n return new Response(await cachedResponse.json());\n }\n\n const embeddings = await ai.run('@cf\/baai\/bge-small-en-v1.5', { text: textToEmbed });\n const response = new Response(JSON.stringify(embeddings.data[0]));\n\n \/\/ Yan\u0131t\u0131 \u00f6nbelle\u011fe al\n event.waitUntil(caches.default.put(cacheKey, response.clone()));\n return response;\n <\/pre>\nVekt\u00f6r Veritaban\u0131 Optimizasyonu<\/h3>\n
topK<\/code> De\u011ferinin Ayarlanmas\u0131:<\/strong> query<\/code> metodundaki topK<\/code> parametresi, ka\u00e7 tane en yak\u0131n sonucun d\u00f6nd\u00fcr\u00fclece\u011fini belirler. \u00c7ok y\u00fcksek bir topK<\/code> de\u011feri, gereksiz yere daha fazla veri \u00e7ekilmesine ve LLM'e daha fazla ba\u011flam g\u00f6nderilmesine neden olabilir, bu da maliyeti ve gecikmeyi art\u0131r\u0131r. \u0130htiya\u00e7lar\u0131n\u0131za g\u00f6re optimum bir topK<\/code> de\u011feri (\u00f6rne\u011fin 3-5 aras\u0131) se\u00e7mek \u00f6nemlidir. Bu, LLM'in i\u015fleyece\u011fi ba\u011flam miktar\u0131n\u0131 do\u011frudan etkiler.<\/p>\nMonitoring ve Loglama<\/h3>\n
G\u00fcvenlik ve Eri\u015fim Kontrol\u00fc<\/h3>\n
Mobil Uyumluluk ve Kullan\u0131c\u0131 Deneyimi: Front-end'i Unutmay\u0131n!<\/h2>\n
Duyarl\u0131 Tasar\u0131m (Responsive Design) \u0130lkeleri<\/h3>\n
\n \/* Genel sohbet konteyneri stilleri *\/\n .chat-container {\n max-width: 800px;\n margin: 20px auto;\n padding: 20px;\n border-radius: 8px;\n box-shadow: 0 4px 8px rgba(0,0,0,0.1);\n background-color: #ffffff;\n display: flex;\n flex-direction: column;\n height: 70vh;\n }\n\n \/* Mesajlar\u0131n g\u00f6r\u00fcnt\u00fclendi\u011fi alan *\/\n .message-list {\n flex-grow: 1;\n overflow-y: auto;\n padding-right: 10px;\n margin-bottom: 15px;\n }\n\n \/* Mesaj giri\u015f alan\u0131 ve g\u00f6nder butonu *\/\n .input-area {\n display: flex;\n gap: 10px;\n }\n\n .message-input {\n flex-grow: 1;\n padding: 10px 15px;\n border: 1px solid #ddd;\n border-radius: 20px;\n font-size: 1rem;\n }\n\n .send-button {\n padding: 10px 20px;\n background-color: #007bff;\n color: white;\n border: none;\n border-radius: 20px;\n cursor: pointer;\n font-size: 1rem;\n }\n\n \/* Mobil cihazlar i\u00e7in medya sorgular\u0131 *\/\n @media (max-width: 768px) {\n .chat-container {\n width: 95%; \/* Mobil cihazlarda daha geni\u015f *\/\n margin: 10px auto;\n height: 85vh; \/* Mobil ekran\u0131n daha b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131 kaplas\u0131n *\/\n border-radius: 0; \/* K\u00f6\u015feleri yuvarlamay\u0131 kald\u0131rabiliriz *\/\n box-shadow: none; \/* G\u00f6lgeyi kald\u0131rabiliriz *\/\n }\n\n .input-area {\n flex-direction: column; \/* Mobil'de alt alta hizala *\/\n gap: 5px;\n }\n\n .message-input, .send-button {\n width: 100%; \/* Tam geni\u015flik *\/\n box-sizing: border-box; \/* Padding ve border geni\u015fli\u011fi etkilemesin *\/\n }\n\n .send-button {\n padding: 12px; \/* Buton y\u00fcksekli\u011fini art\u0131r *\/\n }\n }\n <\/pre>\n.chat-container<\/code>, .input-area<\/code>, .message-input<\/code> ve .send-button<\/code> gibi temel sohbet botu bile\u015fenlerinin mobil cihazlarda nas\u0131l daha iyi g\u00f6r\u00fcnebilece\u011fini g\u00f6steriyor. @media (max-width: 768px)<\/code> kural\u0131, ekran geni\u015fli\u011fi 768 piksel veya daha az oldu\u011funda ge\u00e7erli olacak stil de\u011fi\u015fikliklerini i\u00e7erir.<\/p>\nEri\u015filebilirlik (Accessibility - A11y)<\/h3>\n
\n
aria-live<\/code> b\u00f6lgeleri).<\/li>\ntabindex<\/code> de\u011ferleri ve odak y\u00f6netimi sa\u011flay\u0131n.<\/li>\nH\u0131z ve Performans<\/h3>\n
Sonu\u00e7 ve \u00d6\u011frenilen Dersler<\/h2>\n
\n
topK<\/code> de\u011feri ayarlar\u0131 gibi bir\u00e7ok fakt\u00f6r, uygulaman\u0131z\u0131n verimlili\u011fini do\u011frudan etkiler. Bu parametreleri d\u00fczenli olarak g\u00f6zden ge\u00e7irmek ve ayarlamak gerekir.<\/li>\nS\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n