S\u0131f\u0131r altyap\u0131l\u0131 RAG ajanlar\u0131 ile tan\u0131\u015f\u0131n. Bilgi tabanlar\u0131 ve \u00e7ok modlu ba\u011flam i\u015fleme (MCP) entegrasyonuyla maliyetleri d\u00fc\u015f\u00fcr\u00fcp \u00f6l\u00e7eklenebilir AI uygulamalar\u0131 geli\u015ftirmenin teknik detaylar\u0131n\u0131 \u00f6\u011frenin. G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla geli\u015fen yapay zeka d\u00fcnyas\u0131nda, b\u00fcy\u00fck dil modelleri (LLM’ler) inan\u0131lmaz yetenekler sunsa da, genellikle en g\u00fcncel bilgilere eri\u015fimde veya belirli, ni\u015f alanlarda derinlemesine bilgi sa\u011flamada zorlanabilirler. \u0130\u015fte bu noktada Geri \u00c7a\u011f\u0131rma Art\u0131r\u0131lm\u0131\u015f \u00dcretim (Retrieval-Augmented Generation – RAG) devreye giriyor. RAG, LLM’lerin d\u0131\u015f bir bilgi kayna\u011f\u0131ndan ilgili verileri alarak yan\u0131tlar\u0131n\u0131 zenginle\u015ftirmesini sa\u011flayan g\u00fc\u00e7l\u00fc bir mimaridir. Ancak RAG sistemlerini kurmak ve s\u00fcrd\u00fcrmek, altyap\u0131 y\u00f6netimi, sunucu maliyetleri ve \u00f6l\u00e7eklenebilirlik gibi zorluklar\u0131 beraberinde getirebilir. Bu makale, tam da bu zorluklara \u00e7\u00f6z\u00fcm sunan “s\u0131f\u0131r altyap\u0131l\u0131” bir yakla\u015f\u0131mla, bilgi tabanlar\u0131 ve \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (Multi-modal Context Processing – MCP) yetenekleriyle g\u00fc\u00e7lendirilmi\u015f RAG ajanlar\u0131n\u0131 nas\u0131l geli\u015ftirebilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayacakt\u0131r. Amac\u0131m\u0131z, geli\u015ftiricilerin karma\u015f\u0131k altyap\u0131 endi\u015feleri olmadan, maliyet etkin, \u00f6l\u00e7eklenebilir ve ak\u0131ll\u0131 RAG sistemleri olu\u015fturmalar\u0131na yard\u0131mc\u0131 olmakt\u0131r.<\/p>\n
Bu yenilik\u00e7i yakla\u015f\u0131m, \u00f6zellikle k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli i\u015fletmeler (KOB\u0130’ler) veya h\u0131zl\u0131 prototipleme yapmak isteyen geli\u015ftiriciler i\u00e7in b\u00fcy\u00fck avantajlar sunar. Geleneksel sunucu tabanl\u0131 \u00e7\u00f6z\u00fcmlerin aksine, s\u0131f\u0131r altyap\u0131 modeli, sunucu provizyonu, yama y\u00f6netimi, g\u00fcvenlik g\u00fcncellemeleri gibi operasyonel y\u00fckleri ortadan kald\u0131r\u0131r. Bunun yerine, sadece kullan\u0131lan kaynaklar i\u00e7in \u00f6deme yap\u0131l\u0131r, bu da ba\u015flang\u0131\u00e7 maliyetlerini \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015f\u00fcr\u00fcr ve operasyonel verimlili\u011fi art\u0131r\u0131r. Ayr\u0131ca, bilgi tabanlar\u0131n\u0131n entegrasyonu, LLM’lerin g\u00fcncel ve do\u011fru bilgilere eri\u015fimini garantilerken, MCP ile bu bilgiler metinle s\u0131n\u0131rl\u0131 kalmay\u0131p g\u00f6rseller, sesler veya videolar gibi farkl\u0131 formatlarda da i\u015flenebilir hale gelir. Bu sayede, RAG ajanlar\u0131 \u00e7ok daha kapsaml\u0131 ve ba\u011flamsal olarak zengin yan\u0131tlar \u00fcretebilir.<\/p>\n
RAG (Retrieval-Augmented Generation), b\u00fcy\u00fck dil modellerinin (LLM) bilgi eksikliklerini gidermek ve “hal\u00fcsinasyon” olarak adland\u0131r\u0131lan yanl\u0131\u015f veya uydurma bilgiler \u00fcretme e\u011filimlerini azaltmak i\u00e7in geli\u015ftirilmi\u015f kritik bir mimaridir. Bir LLM, e\u011fitildi\u011fi veri k\u00fcmesiyle s\u0131n\u0131rl\u0131d\u0131r ve bu veri k\u00fcmesi genellikle belirli bir kesit an\u0131nda sona erer. Bu durum, LLM’lerin en g\u00fcncel olaylar, \u015firket i\u00e7i belgeler veya spesifik ni\u015f alanlardaki detayl\u0131 bilgiler hakk\u0131nda do\u011fru yan\u0131tlar vermesini zorla\u015ft\u0131r\u0131r. RAG, bu sorunu, bir kullan\u0131c\u0131n\u0131n sorgusuna yan\u0131t vermeden \u00f6nce ilgili bilgiyi harici bir bilgi taban\u0131ndan “geri \u00e7a\u011f\u0131rma” (retrieval) ve bu bilgiyi LLM’e “ba\u011flam” (context) olarak sunma prensibiyle \u00e7\u00f6zer. B\u00f6ylece LLM, sadece kendi i\u00e7sel bilgisine g\u00fcvenmek yerine, geri \u00e7a\u011fr\u0131lan harici verileri kullanarak daha do\u011fru, ilgili ve g\u00fcncel yan\u0131tlar \u00fcretebilir. Bu, \u00f6zellikle m\u00fc\u015fteri hizmetleri, teknik destek, yasal dan\u0131\u015fmanl\u0131k veya ara\u015ft\u0131rma gibi alanlarda hayati \u00f6neme sahiptir.<\/p>\n
Peki, “s\u0131f\u0131r altyap\u0131” yakla\u015f\u0131m\u0131 bu denkleme ne kat\u0131yor? Geleneksel olarak, bir RAG sistemini kurmak i\u00e7in bir dizi altyap\u0131 bile\u015fenine ihtiya\u00e7 duyulur: vekt\u00f6r veritabanlar\u0131 i\u00e7in sunucular, metin i\u015fleme ve g\u00f6mme (embedding) i\u015flemleri i\u00e7in i\u015flem g\u00fcc\u00fc, LLM entegrasyonu i\u00e7in API a\u011f ge\u00e7itleri ve t\u00fcm bu bile\u015fenleri birbirine ba\u011flayacak bir orkestrasyon katman\u0131. Bu bile\u015fenlerin her biri, provizyon, yap\u0131land\u0131rma, izleme ve \u00f6l\u00e7eklendirme gibi \u00f6nemli operasyonel y\u00fckler getirir. S\u0131f\u0131r altyap\u0131 (Zero-Infrastructure) ise, bu operasyonel y\u00fckleri bulut sa\u011flay\u0131c\u0131lar\u0131na (AWS Lambda, Google Cloud Functions, Azure Functions gibi sunucusuz hizmetler) devrederek geli\u015ftiricilerin yaln\u0131zca kod yazmaya odaklanmas\u0131n\u0131 sa\u011flayan bir felsefedir. Bu modelde, sunuculara \u00f6nceden provizyon yapmak veya kapasite planlamas\u0131 yapmak zorunda kalmazs\u0131n\u0131z. Kodunuz yaln\u0131zca bir olay (\u00f6rne\u011fin, bir API \u00e7a\u011fr\u0131s\u0131) tetiklendi\u011finde \u00e7al\u0131\u015f\u0131r ve yaln\u0131zca \u00e7al\u0131\u015ft\u0131\u011f\u0131 s\u00fcre boyunca \u00fccret \u00f6dersiniz. Bu, inan\u0131lmaz bir maliyet etkinli\u011fi ve otomatik \u00f6l\u00e7eklenebilirlik sa\u011flar, \u00e7\u00fcnk\u00fc sisteminiz talep artt\u0131\u011f\u0131nda otomatik olarak geni\u015fler ve talep azald\u0131\u011f\u0131nda k\u00fc\u00e7\u00fcl\u00fcr.<\/p>\n
S\u0131f\u0131r altyap\u0131 yakla\u015f\u0131m\u0131n\u0131n temel avantajlar\u0131 \u015funlard\u0131r:<\/p>\n
* Maliyet Etkinli\u011fi:<\/strong> Kullan\u0131m ba\u015f\u0131na \u00f6deme modeli sayesinde, yaln\u0131zca sisteminiz \u00e7al\u0131\u015ft\u0131\u011f\u0131nda ve kaynak t\u00fcketti\u011finde \u00fccretlendirilirsiniz. Bo\u015fta duran sunucular i\u00e7in \u00f6deme yapma derdiniz olmaz. Bu, \u00f6zellikle de\u011fi\u015fken y\u00fck oranlar\u0131na sahip uygulamalar i\u00e7in b\u00fcy\u00fck bir avantajd\u0131r. Bu avantajlar g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, s\u0131f\u0131r altyap\u0131, RAG ajanlar\u0131n\u0131 daha eri\u015filebilir, ekonomik ve s\u00fcrd\u00fcr\u00fclebilir hale getiren d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc bir yakla\u015f\u0131md\u0131r. Geli\u015ftiriciler, karma\u015f\u0131k altyap\u0131 detaylar\u0131na tak\u0131lmadan, kullan\u0131c\u0131lar\u0131na de\u011fer katacak ak\u0131ll\u0131 uygulamalar in\u015fa etmeye odaklanabilirler. \u00d6zellikle k\u00fc\u00e7\u00fck ekipler veya b\u00fct\u00e7e k\u0131s\u0131tlamalar\u0131 olan projeler i\u00e7in s\u0131f\u0131r altyap\u0131l\u0131 RAG, oyunun kurallar\u0131n\u0131 de\u011fi\u015ftiren bir \u00e7\u00f6z\u00fcm sunar.<\/p>\n RAG ajanlar\u0131n\u0131n ger\u00e7ek potansiyelini ortaya \u00e7\u0131karmak i\u00e7in, sadece temel bir LLM entegrasyonundan daha fazlas\u0131na ihtiyac\u0131m\u0131z var. \u0130\u015fte bu noktada g\u00fc\u00e7l\u00fc bilgi tabanlar\u0131 ve \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (MCP) devreye giriyor. Bu iki bile\u015fen, RAG sistemlerinin yeteneklerini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rarak, daha do\u011fru, kapsaml\u0131 ve ba\u011flamsal olarak zengin yan\u0131tlar \u00fcretmelerini sa\u011flar.<\/p>\n Bilgi Tabanlar\u0131n\u0131n Rol\u00fc ve Se\u00e7imi:<\/strong> S\u0131f\u0131r altyap\u0131 ba\u011flam\u0131nda, bu vekt\u00f6r veritabanlar\u0131 genellikle y\u00f6netilen hizmetler olarak kullan\u0131l\u0131r. \u00d6rne\u011fin, Pinecone veya Weaviate gibi hizmetler, sunucu y\u00f6netimi y\u00fck\u00fcn\u00fc ortadan kald\u0131rarak geli\u015ftiricilerin yaln\u0131zca veri y\u00fcklemeye ve sorgulamaya odaklanmas\u0131n\u0131 sa\u011flar.<\/p>\n \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (MCP) Nedir ve RAG’deki Rol\u00fc:<\/strong> MCP’nin RAG’deki rol\u00fc \u015funlar\u0131 i\u00e7erir: MCP’yi s\u0131f\u0131r altyap\u0131l\u0131 bir RAG sistemine entegre etmek i\u00e7in, farkl\u0131 modlardaki verileri i\u015fleyebilecek sunucusuz fonksiyonlar kullan\u0131r\u0131z. \u00d6rne\u011fin: Bu sayede, kullan\u0131c\u0131 bir sorgu yapt\u0131\u011f\u0131nda, RAG ajan\u0131 hem metinsel hem de \u00e7ok modlu bilgi tabanlar\u0131ndan ilgili bilgileri \u00e7ekebilir. \u00d6rne\u011fin, bir g\u00f6rsel sorgusu i\u00e7in, ajan\u0131n g\u00f6rsel i\u00e7eri\u011fe dayal\u0131 benzer g\u00f6rselleri ve ili\u015fkili metinleri bulmas\u0131 sa\u011flanabilir. Bu entegrasyon, RAG ajanlar\u0131n\u0131n sadece “ne” sorusuna de\u011fil, ayn\u0131 zamanda “nas\u0131l g\u00f6r\u00fcn\u00fcyor?”, “nas\u0131l ses \u00e7\u0131kar\u0131yor?” gibi daha karma\u015f\u0131k ve zengin sorulara da yan\u0131t verebilmesini sa\u011flar. MCP, RAG’yi pasif bir bilgi arama motorundan, aktif bir ba\u011flamsal anlay\u0131\u015f motoruna d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.<\/p>\n \u015eimdi, s\u0131f\u0131r altyap\u0131 prensipleriyle \u00e7al\u0131\u015fan, bilgi tabanlar\u0131 ve \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (MCP) yeteneklerini bar\u0131nd\u0131ran basit bir RAG ajan\u0131n\u0131n nas\u0131l kurulaca\u011f\u0131na dair uygulamal\u0131 bir \u00f6rne\u011fi inceleyelim. Bu \u00f6rnekte, temel bile\u015fenleri ve bunlar\u0131n nas\u0131l bir araya getirilece\u011fini g\u00f6stererek, kendi projelerinize uyarlayabilece\u011finiz bir yol haritas\u0131 sunaca\u011f\u0131z.<\/p>\n Senaryo:<\/strong> M\u00fc\u015fterilerin \u00fcr\u00fcn k\u0131lavuzlar\u0131 hakk\u0131nda soru sorabilece\u011fi, hem metin hem de g\u00f6rsel i\u00e7erikten bilgi \u00e7ekebilen bir e-ticaret destek botu olu\u015ftural\u0131m.<\/p>\n Kullan\u0131lacak Teknolojiler (\u00d6rnek):<\/strong> \u0130lk olarak, RAG ajan\u0131m\u0131z\u0131n kullanaca\u011f\u0131 bilgi taban\u0131n\u0131 haz\u0131rlamam\u0131z gerekiyor. Bu, \u00fcr\u00fcn k\u0131lavuzlar\u0131 gibi metin belgelerini ve ilgili \u00fcr\u00fcn g\u00f6rsellerini i\u00e7erecek.<\/p>\n 1. Metinsel Veri Haz\u0131rl\u0131\u011f\u0131:<\/strong> 2. G\u00f6rsel Veri Haz\u0131rl\u0131\u011f\u0131 (MCP i\u00e7in):<\/strong> Haz\u0131rlanan metin par\u00e7alar\u0131n\u0131 ve g\u00f6rsel \u00f6zelliklerini Pinecone gibi bir vekt\u00f6r veritaban\u0131na y\u00fckleyece\u011fiz. Ard\u0131ndan, kullan\u0131c\u0131 sorgular\u0131n\u0131 i\u015fleyecek sunucusuz bir RAG fonksiyonu olu\u015fturaca\u011f\u0131z.<\/p>\n 1. G\u00f6mme (Embedding) Olu\u015fturma ve Pinecone’a Y\u00fckleme:<\/strong> 2. RAG Ajan\u0131 Sunucusuz Fonksiyonu:<\/strong> Bu yap\u0131land\u0131rma ile, kullan\u0131c\u0131 bir soru sordu\u011funda, Lambda fonksiyonu tetiklenir, ilgili bilgiyi vekt\u00f6r veritaban\u0131ndan \u00e7eker ve bu bilgiyi LLM’e sunarak kapsaml\u0131 bir yan\u0131t olu\u015fturur. MCP sayesinde, e\u011fer bir g\u00f6rselin a\u00e7\u0131klamas\u0131 veya etiketi kullan\u0131c\u0131n\u0131n sorgusuyla e\u015fle\u015fiyorsa, bu g\u00f6rsel bilgi de LLM’in yan\u0131t\u0131n\u0131 zenginle\u015ftirmek i\u00e7in kullan\u0131l\u0131r. Bu, s\u0131f\u0131r altyap\u0131 prensiplerine uygun, maliyet etkin ve \u00f6l\u00e7eklenebilir bir RAG ajan\u0131 i\u00e7in temel bir kurulum sa\u011flar.<\/p>\n S\u0131f\u0131r altyap\u0131l\u0131 RAG ajanlar\u0131, \u00e7e\u015fitli sekt\u00f6rlerde ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zmek i\u00e7in kullan\u0131labilir. Bu b\u00f6l\u00fcmde, bir vaka analizini inceleyecek ve RAG sistemlerinizi daha da optimize etmek i\u00e7in ileri d\u00fczey ipu\u00e7lar\u0131 sunaca\u011f\u0131z.<\/p>\n Problem:<\/strong> B\u00fcy\u00fck bir e-ticaret \u015firketi, m\u00fc\u015fteri hizmetleri ekibinin s\u00fcrekli ayn\u0131 sorular\u0131 yan\u0131tlamaktan bunald\u0131\u011f\u0131n\u0131 ve m\u00fc\u015fteri memnuniyetinin standart yan\u0131tlar nedeniyle d\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc fark etti. \u015eirketin binlerce \u00fcr\u00fcn\u00fc, detayl\u0131 \u00fcr\u00fcn sayfalar\u0131, SSS b\u00f6l\u00fcmleri, \u00fcr\u00fcn incelemeleri ve hatta m\u00fc\u015fteriler taraf\u0131ndan y\u00fcklenmi\u015f g\u00f6rselleri bulunuyordu. Mevcut chatbot, sadece \u00f6nceden tan\u0131mlanm\u0131\u015f kurallara dayan\u0131yordu ve karma\u015f\u0131k veya g\u00fcncel sorular\u0131 yan\u0131tlayam\u0131yordu.<\/p>\n S\u0131f\u0131r Altyap\u0131l\u0131 RAG + MCP \u00c7\u00f6z\u00fcm\u00fc:<\/strong> 1. Bilgi Taban\u0131 Olu\u015fturma:<\/strong> 2. RAG Ajan\u0131 Mimarisi:<\/strong> Sonu\u00e7lar ve Avantajlar:<\/strong> Bu vaka analizi, s\u0131f\u0131r altyap\u0131l\u0131 RAG ajanlar\u0131n\u0131n, \u00f6zellikle \u00e7ok modlu verilerle \u00e7al\u0131\u015fan ve dinamik bilgi gerektiren senaryolarda ne kadar d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc olabilece\u011fini a\u00e7\u0131k\u00e7a g\u00f6stermektedir.<\/p>\n S\u0131f\u0131r altyap\u0131l\u0131 RAG ajanlar\u0131n\u0131z\u0131n en iyi performans\u0131 g\u00f6stermesi ve g\u00fcvenli kalmas\u0131 i\u00e7in baz\u0131 ileri d\u00fczey optimizasyonlar ve en iyi uygulamalar mevcuttur:<\/p>\n 1. Vekt\u00f6r Veritaban\u0131 Optimizasyonu:<\/strong> 2. G\u00f6mme (Embedding) Modeli Se\u00e7imi:<\/strong> 3. LLM Prompt M\u00fchendisli\u011fi:<\/strong> 4. G\u00fcvenlik:<\/strong> 5. Maliyet Y\u00f6netimi:<\/strong> Bu ileri d\u00fczey ipu\u00e7lar\u0131, s\u0131f\u0131r altyap\u0131l\u0131 RAG ajanlar\u0131n\u0131z\u0131n sadece \u00e7al\u0131\u015fmas\u0131n\u0131 de\u011fil, ayn\u0131 zamanda g\u00fcvenli, verimli ve maliyet etkin bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayacakt\u0131r. Yapay zeka uygulamalar\u0131n\u0131n karma\u015f\u0131kl\u0131\u011f\u0131 artt\u0131k\u00e7a, bu t\u00fcr optimizasyonlar ve g\u00fcvenlik \u00f6nlemleri daha da kritik hale gelmektedir.<\/p>\n Bu makale boyunca, s\u0131f\u0131r altyap\u0131 prensibiyle \u00e7al\u0131\u015fan RAG ajanlar\u0131n\u0131n temelini, bilgi tabanlar\u0131n\u0131n ve \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (MCP) yeteneklerinin entegrasyonunu ve ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l uygulanabilece\u011fini detayl\u0131 bir \u015fekilde inceledik. Geleneksel altyap\u0131 y\u00f6netimi y\u00fck\u00fcnden kurtulurken, maliyet etkinli\u011fi ve otomatik \u00f6l\u00e7eklenebilirlik gibi \u00f6nemli avantajlar sunan bu yakla\u015f\u0131m, modern yapay zeka uygulamalar\u0131 geli\u015ftirmek i\u00e7in g\u00fc\u00e7l\u00fc bir yol sunmaktad\u0131r. RAG, LLM’lerin g\u00fcncel ve do\u011fru bilgilere eri\u015fimini sa\u011flarken, s\u0131f\u0131r altyap\u0131 modeli operasyonel karma\u015f\u0131kl\u0131\u011f\u0131 ortadan kald\u0131r\u0131r. MCP entegrasyonu ise, RAG ajanlar\u0131n\u0131n metinle s\u0131n\u0131rl\u0131 kalmay\u0131p g\u00f6rseller, sesler gibi farkl\u0131 veri modlar\u0131n\u0131 da anlayabilmesini ve bu sayede \u00e7ok daha zengin ve ba\u011flamsal yan\u0131tlar \u00fcretmesini m\u00fcmk\u00fcn k\u0131lar.<\/p>\n E-ticaret m\u00fc\u015fteri hizmetleri botu vaka analizimiz, bu entegre yakla\u015f\u0131m\u0131n m\u00fc\u015fteri memnuniyetini art\u0131rma ve operasyonel verimlili\u011fi iyile\u015ftirme potansiyelini a\u00e7\u0131k\u00e7a ortaya koymu\u015ftur. \u0130leri d\u00fczey optimizasyonlar ve g\u00fcvenlik ipu\u00e7lar\u0131 b\u00f6l\u00fcm\u00fcnde ise, RAG sistemlerinizin performans\u0131n\u0131 en \u00fcst d\u00fczeye \u00e7\u0131karmak ve potansiyel risklere kar\u015f\u0131 korumak i\u00e7in pratik stratejiler sunduk. Sonu\u00e7 olarak, s\u0131f\u0131r altyap\u0131l\u0131 RAG ajanlar\u0131, geli\u015ftiricilere ve i\u015fletmelere, g\u00fc\u00e7l\u00fc, ak\u0131ll\u0131 ve s\u00fcrd\u00fcr\u00fclebilir yapay zeka \u00e7\u00f6z\u00fcmleri olu\u015fturmak i\u00e7in esnek, ekonomik ve \u00f6l\u00e7eklenebilir bir yol haritas\u0131 sunmaktad\u0131r. Gelecekte, daha da geli\u015fen \u00e7ok modlu modeller ve sunucusuz teknolojilerle bu t\u00fcr ajanlar\u0131n yetenekleri \u015f\u00fcphesiz daha da artacakt\u0131r.<\/p>\n
\n* Otomatik \u00d6l\u00e7eklenebilirlik:<\/strong> Bulut sa\u011flay\u0131c\u0131lar\u0131, uygulaman\u0131z\u0131n trafi\u011fi artt\u0131\u011f\u0131nda veya azald\u0131\u011f\u0131nda kaynaklar\u0131 otomatik olarak y\u00f6netir. Manuel \u00f6l\u00e7eklendirme veya kapasite planlamas\u0131 yapman\u0131za gerek kalmaz. Bu, ani talep art\u0131\u015flar\u0131na kolayca uyum sa\u011flaman\u0131za olanak tan\u0131r.
\n* Operasyonel Y\u00fck\u00fcn Azalmas\u0131:<\/strong> Sunucu y\u00f6netimi, yama uygulama, g\u00fcvenlik g\u00fcncellemeleri gibi altyap\u0131 g\u00f6revleri bulut sa\u011flay\u0131c\u0131s\u0131 taraf\u0131ndan \u00fcstlenilir. Geli\u015ftiriciler, i\u015f mant\u0131\u011f\u0131na ve uygulama \u00f6zelliklerine odaklanabilir. Bu, geli\u015ftirme h\u0131z\u0131n\u0131 art\u0131r\u0131r ve bak\u0131m maliyetlerini d\u00fc\u015f\u00fcr\u00fcr.
\n* Daha H\u0131zl\u0131 Geli\u015ftirme ve Da\u011f\u0131t\u0131m:<\/strong> Geli\u015ftirme ortamlar\u0131n\u0131n h\u0131zla kurulabilmesi ve kodun h\u0131zl\u0131ca da\u011f\u0131t\u0131labilmesi sayesinde, fikirlerinizi \u00e7ok daha \u00e7abuk hayata ge\u00e7irebilirsiniz. Bu \u00e7eviklik, pazara s\u00fcr\u00fcm s\u00fcresini k\u0131salt\u0131r.<\/p>\nBilgi Tabanlar\u0131 ve \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (MCP) ile RAG Nas\u0131l G\u00fc\u00e7lendirilir?<\/h3>\n
\nBir bilgi taban\u0131, RAG ajan\u0131n\u0131n d\u0131\u015far\u0131dan bilgi \u00e7ekebilece\u011fi yap\u0131land\u0131r\u0131lm\u0131\u015f veya yap\u0131land\u0131r\u0131lmam\u0131\u015f bir veri deposudur. Bu, PDF belgeleri, web sayfalar\u0131, \u015firket i\u00e7i wiki’ler, veritabanlar\u0131, e-postalar veya hatta g\u00f6rsel ve i\u015fitsel medya dosyalar\u0131 olabilir. Etkili bir RAG sistemi i\u00e7in do\u011fru bilgi taban\u0131 se\u00e7imi ve d\u00fczenlemesi hayati \u00f6neme sahiptir.
\nBilgi tabanlar\u0131 genellikle \u015fu ad\u0131mlarla haz\u0131rlan\u0131r:
\n1. Veri Toplama:<\/strong> \u0130lgili t\u00fcm veri kaynaklar\u0131 belirlenir ve toplan\u0131r. Bu ad\u0131m, verilerin \u00e7e\u015fitlili\u011fini ve kalitesini belirler.
\n2. Veri B\u00f6l\u00fcmleme (Chunking):<\/strong> Toplanan b\u00fcy\u00fck metin belgeleri, LLM’in ba\u011flam penceresine s\u0131\u011facak daha k\u00fc\u00e7\u00fck, y\u00f6netilebilir par\u00e7alara (chunk) ayr\u0131l\u0131r. Bu par\u00e7alar, anlamsal b\u00fct\u00fcnl\u00fc\u011f\u00fc koruyacak \u015fekilde ak\u0131ll\u0131ca b\u00f6l\u00fcnmelidir. \u00d6rne\u011fin, bir paragraf\u0131 ortadan kesmek yerine, bir paragraf\u0131 veya k\u0131sa bir b\u00f6l\u00fcm\u00fc tek bir par\u00e7a olarak almak daha mant\u0131kl\u0131d\u0131r.
\n3. G\u00f6mme (Embedding) Olu\u015fturma:<\/strong> Her bir veri par\u00e7as\u0131, bir embedding modeli (\u00f6rne\u011fin, OpenAI’nin text-embedding-ada-002<\/code> veya a\u00e7\u0131k kaynakl\u0131 Sentence Transformers modelleri) kullan\u0131larak y\u00fcksek boyutlu bir vekt\u00f6r temsiline d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu vekt\u00f6rler, metin par\u00e7alar\u0131n\u0131n anlamsal anlam\u0131n\u0131 say\u0131sal olarak ifade eder. Benzer anlama sahip metinler, vekt\u00f6r uzay\u0131nda birbirine yak\u0131n konumlan\u0131r.
\n4. Vekt\u00f6r Veritaban\u0131nda Depolama:<\/strong> Olu\u015fturulan vekt\u00f6rler, \u00f6zel bir vekt\u00f6r veritaban\u0131nda (\u00f6rne\u011fin, Pinecone, Weaviate, Milvus, ChromaDB) depolan\u0131r. Bu veritabanlar\u0131, y\u00fcksek boyutlu vekt\u00f6rler aras\u0131nda h\u0131zl\u0131 ve etkili benzerlik aramalar\u0131 yapabilmek i\u00e7in optimize edilmi\u015ftir.<\/p>\n
\nGeleneksel RAG sistemleri genellikle metin tabanl\u0131 bilgilere odaklan\u0131r. Ancak ger\u00e7ek d\u00fcnya bilgisi sadece metinden ibaret de\u011fildir. G\u00f6rseller, ses kay\u0131tlar\u0131, videolar ve di\u011fer medya t\u00fcrleri, \u00f6nemli ba\u011flamsal bilgiler i\u00e7erebilir. \u00c7ok Modlu Ba\u011flam \u0130\u015fleme (MCP), RAG ajanlar\u0131n\u0131n bu farkl\u0131 veri modlar\u0131n\u0131 (metin, g\u00f6rsel, ses vb.) anlay\u0131p i\u015fleyebilme ve birle\u015ftirerek daha zengin bir ba\u011flam olu\u015fturabilme yetene\u011fidir.<\/p>\n
\n* G\u00f6rsel Anlama:<\/strong> Bir \u00fcr\u00fcn katalo\u011fundaki g\u00f6rsellerden \u00f6zellikler \u00e7\u0131karma, bir t\u0131bbi g\u00f6r\u00fcnt\u00fcden te\u015fhis bilgisi alma veya bir mimari \u00e7izimden detaylar\u0131 anlama.
\n* Ses ve Video Analizi:<\/strong> Bir m\u00fc\u015fteri hizmetleri \u00e7a\u011fr\u0131s\u0131n\u0131n transkripsiyonunu analiz etme, konu\u015fmac\u0131n\u0131n tonlamas\u0131n\u0131 veya duygusunu anlama, bir video kayd\u0131ndaki belirli olaylar\u0131 veya nesneleri tan\u0131mlama.
\n* Daha Zengin Ba\u011flam:<\/strong> \u00d6rne\u011fin, bir kullan\u0131c\u0131 “\u015fu \u00fcr\u00fcn\u00fcn montaj\u0131 nas\u0131l yap\u0131l\u0131r?” diye sordu\u011funda, RAG ajan\u0131 sadece metinsel talimatlar\u0131 de\u011fil, ayn\u0131 zamanda \u00fcr\u00fcn\u00fcn montaj videosunu veya \u015fematik bir g\u00f6rselini de ba\u011flama dahil edebilir. Bu, LLM’in \u00e7ok daha kapsaml\u0131 ve kullan\u0131c\u0131 dostu bir yan\u0131t \u00fcretmesini sa\u011flar.<\/p>\n
\n* G\u00f6rsel \u0130\u015fleme:<\/strong> Bir g\u00f6r\u00fcnt\u00fc y\u00fcklendi\u011finde, bir bulut fonksiyonu (\u00f6rne\u011fin, AWS Lambda’da bir Python fonksiyonu) bu g\u00f6r\u00fcnt\u00fcy\u00fc al\u0131r, bir g\u00f6r\u00fcnt\u00fc tan\u0131ma modelinden (\u00f6rne\u011fin, CLIP veya Google Vision API) ge\u00e7irerek bir metinsel a\u00e7\u0131klama veya g\u00f6rsel \u00f6zellik vekt\u00f6r\u00fc \u00fcretir. Bu vekt\u00f6r veya a\u00e7\u0131klama, ana vekt\u00f6r veritaban\u0131na eklenir.
\n* Ses \u0130\u015fleme:<\/strong> Bir ses dosyas\u0131 y\u00fcklendi\u011finde, ba\u015fka bir bulut fonksiyonu bu sesi bir konu\u015fmadan metne (Speech-to-Text) servisi arac\u0131l\u0131\u011f\u0131yla transkribe eder. Elde edilen metin, daha sonra metin embedding’leri olu\u015fturularak vekt\u00f6r veritaban\u0131na kaydedilir.<\/p>\nUygulamal\u0131 \u00d6rnek: Basit Bir S\u0131f\u0131r Altyap\u0131l\u0131 RAG Ajan\u0131 Kurulumu<\/h3>\n
\n* Sunucusuz Fonksiyonlar:<\/strong> AWS Lambda (veya Google Cloud Functions, Azure Functions)
\n* Vekt\u00f6r Veritaban\u0131:<\/strong> Pinecone (y\u00f6netilen bir servis)
\n* LLM ve Embedding Modeli:<\/strong> OpenAI API
\n* G\u00f6rsel \u0130\u015fleme:<\/strong> AWS Rekognition (veya Google Vision AI, OpenAI’nin CLIP veya GPT-4V gibi modelleri)
\n* Veri Depolama:<\/strong> AWS S3 (veya Google Cloud Storage, Azure Blob Storage)<\/p>\nAd\u0131m 1: Bilgi Taban\u0131 Haz\u0131rl\u0131\u011f\u0131 (Metinsel ve G\u00f6rsel)<\/h4>\n
\n * \u00dcr\u00fcn k\u0131lavuzlar\u0131n\u0131 (PDF, DOCX vb.) metin format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcn.
\n * Bu metinleri anlaml\u0131 par\u00e7alara (chunk) ay\u0131r\u0131n. Her par\u00e7a, belirli bir konuyu veya ad\u0131m\u0131 kapsamal\u0131d\u0131r.
\n * Her par\u00e7ay\u0131 bir chunk_id<\/code> ve metadata<\/code> (\u00fcr\u00fcn ad\u0131, sayfa numaras\u0131 vb.) ile birlikte depolay\u0131n.<\/p>\n# \u00d6rnek metin b\u00f6l\u00fcmleme (Python pseudo-code)\n def chunk_text(text, chunk_size=500, overlap=50):\n # Ger\u00e7ek bir uygulamada daha sofistike b\u00f6l\u00fcmleme algoritmalar\u0131 kullan\u0131l\u0131r\n chunks = []\n for i in range(0, len(text), chunk_size - overlap):\n chunk = text[i:i + chunk_size]\n chunks.append(chunk)\n return chunks\n\n product_manual_text = "Bu, \u00fcr\u00fcn A i\u00e7in kullan\u0131m k\u0131lavuzunun metnidir. Kurulum ad\u0131mlar\u0131, sorun giderme ve garanti bilgileri..."\n text_chunks = chunk_text(product_manual_text)\n documents = []\n for i, chunk in enumerate(text_chunks):\n documents.append({\n "id": f"product_A_text_{i}",\n "text": chunk,\n "metadata": {"product": "\u00dcr\u00fcn A", "type": "manual_text", "chunk_index": i}\n })<\/code><\/pre>\n
\n * \u00dcr\u00fcn g\u00f6rsellerini (JPG, PNG vb.) S3 gibi bir bulut depolama servisine y\u00fckleyin.
\n * Her g\u00f6rsel i\u00e7in bir image_id<\/code> ve metadata<\/code> (\u00fcr\u00fcn ad\u0131, g\u00f6rsel tipi vb.) depolay\u0131n.
\n * Her g\u00f6rseli i\u015flemek i\u00e7in bir sunucusuz fonksiyon (\u00f6rne\u011fin, bir AWS Lambda fonksiyonu) tetikleyin. Bu fonksiyon, g\u00f6rseli AWS Rekognition gibi bir servise g\u00f6ndererek etiketler, nesneler veya metin gibi \u00f6zellikler \u00e7\u0131kar\u0131r.
\n * \u00c7\u0131kar\u0131lan bu \u00f6zellikler (\u00f6rne\u011fin, “kurulum \u015femas\u0131”, “\u00fcr\u00fcn par\u00e7alar\u0131”) veya g\u00f6rselin kendisinden elde edilen bir g\u00f6rsel embedding vekt\u00f6r\u00fc, ilgili g\u00f6rselin metadata<\/code>‘s\u0131na veya ayr\u0131 bir vekt\u00f6r olarak eklenir.<\/p>\n# G\u00f6rsel i\u015fleme Lambda fonksiyonu pseudo-code\n import json\n import boto3\n\n rekognition_client = boto3.client('rekognition')\n\n def process_image_lambda(event, context):\n s3_bucket = event['Records'][0]['s3']['bucket']['name']\n s3_key = event['Records'][0]['s3']['object']['key']\n\n response = rekognition_client.detect_labels(\n Image={'S3Object': {'Bucket': s3_bucket, 'Name': s3_key}},\n MaxLabels=10\n )\n labels = [label['Name'] for label in response['Labels']]\n\n # Bu etiketleri Pinecone'a g\u00f6ndermek \u00fczere haz\u0131rlay\u0131n\n # Veya bir g\u00f6rsel embedding modeli (CLIP) kullanarak vekt\u00f6r olu\u015fturun\n print(f"G\u00f6rsel {s3_key} i\u00e7in etiketler: {labels}")\n\n return {\n 'statusCode': 200,\n 'body': json.dumps('G\u00f6rsel ba\u015far\u0131yla i\u015flendi!')\n }<\/code><\/pre>\nAd\u0131m 2: Vekt\u00f6r Veritaban\u0131 ve Sunucusuz Fonksiyonlar ile RAG Ak\u0131\u015f\u0131<\/h4>\n
\n * \u00d6nceki ad\u0131mda olu\u015fturulan metin par\u00e7alar\u0131 ve g\u00f6rselden \u00e7\u0131kar\u0131lan metinsel a\u00e7\u0131klamalar\/etiketler i\u00e7in OpenAI’nin embedding modelini kullanarak vekt\u00f6rler olu\u015fturun.
\n * Bu vekt\u00f6rleri ve ilgili metadata<\/code>‘y\u0131 Pinecone’a y\u00fckleyin.<\/p>\n# Metin embedding'leri olu\u015fturma ve Pinecone'a y\u00fckleme (Python pseudo-code)\n from openai import OpenAI\n import pinecone\n\n client = OpenAI()\n pinecone.init(api_key="YOUR_PINECONE_API_KEY", environment="YOUR_ENVIRONMENT")\n index_name = "product-manuals-rag"\n index = pinecone.Index(index_name)\n\n def get_embedding(text):\n response = client.embeddings.create(input=[text], model="text-embedding-ada-002")\n return response.data[0].embedding\n\n # Metin belgeleri i\u00e7in\n vectors_to_upsert = []\n for doc in documents:\n embedding = get_embedding(doc["text"])\n vectors_to_upsert.append({\n "id": doc["id"],\n "values": embedding,\n "metadata": doc["metadata"]\n })\n # index.upsert(vectors=vectors_to_upsert) # Ger\u00e7ekte toplu y\u00fckleme\n\n # G\u00f6rsel etiketleri\/a\u00e7\u0131klamalar\u0131 i\u00e7in (\u00f6rne\u011fin, 'labels' listesini bir stringe \u00e7evirerek)\n image_description = "G\u00f6rselde vida, somun, anahtar gibi kurulum ara\u00e7lar\u0131 g\u00f6r\u00fcn\u00fcyor."\n image_embedding = get_embedding(image_description)\n # index.upsert(vectors=[{"id": "product_A_image_0", "values": image_embedding, "metadata": {"product": "\u00dcr\u00fcn A", "type": "image_description"}}])<\/code><\/pre>\n
\n * Bir API a\u011f ge\u00e7idi (\u00f6rne\u011fin, AWS API Gateway) arac\u0131l\u0131\u011f\u0131yla tetiklenecek bir Lambda fonksiyonu olu\u015fturun.
\n * Bu fonksiyon, kullan\u0131c\u0131 sorgusunu al\u0131r, sorgu i\u00e7in bir embedding olu\u015fturur.
\n * Olu\u015fturulan embedding ile Pinecone’da benzer belgeleri arar.
\n * Geri \u00e7a\u011fr\u0131lan belgeleri ve kullan\u0131c\u0131 sorgusunu bir LLM’e (OpenAI GPT-4 gibi) ba\u011flam olarak g\u00f6nderir.
\n * LLM’den gelen yan\u0131t\u0131 kullan\u0131c\u0131ya d\u00f6nd\u00fcr\u00fcr.<\/p>\n# RAG Ajan\u0131 Lambda Fonksiyonu (Python pseudo-code)\n import json\n from openai import OpenAI\n import pinecone\n\n # API anahtarlar\u0131n\u0131z\u0131 \u00e7evre de\u011fi\u015fkenlerinden veya Secrets Manager'dan al\u0131n\n client = OpenAI()\n pinecone.init(api_key="YOUR_PINECONE_API_KEY", environment="YOUR_ENVIRONMENT")\n index_name = "product-manuals-rag"\n pinecone_index = pinecone.Index(index_name)\n\n def get_embedding(text):\n response = client.embeddings.create(input=[text], model="text-embedding-ada-002")\n return response.data[0].embedding\n\n def rag_agent_lambda(event, context):\n try:\n body = json.loads(event['body'])\n user_query = body['query']\n\n # 1. Sorgu embedding'i olu\u015ftur\n query_embedding = get_embedding(user_query)\n\n # 2. Pinecone'da benzer belgeleri ara\n # Hem metin hem de g\u00f6rsel a\u00e7\u0131klamalar\u0131n\u0131 i\u00e7eren en benzer 5 belgeyi getir\n search_results = pinecone_index.query(\n vector=query_embedding,\n top_k=5,\n include_metadata=True\n )\n\n # 3. Geri \u00e7a\u011fr\u0131lan belgelerden ba\u011flam olu\u015ftur\n context_texts = [match['metadata']['text'] if 'text' in match['metadata'] else "" for match in search_results['matches']]\n context_image_descriptions = [match['metadata']['image_description'] if 'image_description' in match['metadata'] else "" for match in search_results['matches']]\n \n combined_context = "\\n".join(filter(None, context_texts + context_image_descriptions))\n \n if not combined_context:\n llm_prompt = f"Kullan\u0131c\u0131n\u0131n sorusu: '{user_query}' i\u00e7in herhangi bir bilgi bulunamad\u0131. L\u00fctfen daha a\u00e7\u0131klay\u0131c\u0131 bir soru sorun."\n else:\n llm_prompt = f"A\u015fa\u011f\u0131daki ba\u011flam\u0131 kullanarak kullan\u0131c\u0131n\u0131n sorusunu yan\u0131tla. Ba\u011flam: {combined_context}\\n\\nKullan\u0131c\u0131n\u0131n sorusu: {user_query}"\n\n # 4. LLM'e soruyu ve ba\u011flam\u0131 g\u00f6nder\n llm_response = client.chat.completions.create(\n model="gpt-4", # Veya gpt-3.5-turbo\n messages=[\n {"role": "system", "content": "Sen, \u00fcr\u00fcn k\u0131lavuzlar\u0131 hakk\u0131nda bilgi veren yard\u0131msever bir asistans\u0131n."},\n {"role": "user", "content": llm_prompt}\n ]\n )\n answer = llm_response.choices[0].message.content\n\n return {\n 'statusCode': 200,\n 'body': json.dumps({'answer': answer})\n }\n except Exception as e:\n print(f"Hata olu\u015ftu: {e}")\n return {\n 'statusCode': 500,\n 'body': json.dumps({'error': str(e)})\n }<\/code><\/pre>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131 ve \u0130leri D\u00fczey Optimizasyonlar<\/h3>\n
Vaka Analizi: E-ticaret M\u00fc\u015fteri Hizmetleri Botu<\/h4>\n
\n\u015eirket, s\u0131f\u0131r altyap\u0131 prensipleriyle \u00e7al\u0131\u015fan bir RAG ajan\u0131 geli\u015ftirmeye karar verdi.<\/p>\n
\n * Metinsel Veri:<\/strong> T\u00fcm \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131, teknik \u00f6zellikler, SSS sayfalar\u0131, iade politikalar\u0131 ve m\u00fc\u015fteri incelemeleri otomatik olarak topland\u0131, b\u00f6l\u00fcmlendi ve OpenAI embedding’leri kullan\u0131larak vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcld\u00fc. Bu vekt\u00f6rler, Pinecone’da depoland\u0131.
\n * G\u00f6rsel Veri (MCP):<\/strong> M\u00fc\u015fteriler taraf\u0131ndan y\u00fcklenen \u00fcr\u00fcn g\u00f6rselleri ve \u015firket i\u00e7i \u00fcr\u00fcn g\u00f6rselleri AWS S3’e y\u00fcklendi. S3’e y\u00fcklenen her g\u00f6rsel, bir AWS Lambda fonksiyonunu tetikledi. Bu Lambda, g\u00f6rseli AWS Rekognition’a g\u00f6ndererek nesneleri (\u00f6rne\u011fin, “k\u0131r\u0131k ekran”, “eksik par\u00e7a”, “montaj hatas\u0131”) ve metinleri (\u00fcr\u00fcn \u00fczerindeki seri numaras\u0131 gibi) alg\u0131lad\u0131. Alg\u0131lanan bu etiketler ve metinler, g\u00f6rselin kendisiyle ili\u015fkilendirilerek metinsel embedding’lere d\u00f6n\u00fc\u015ft\u00fcr\u00fcld\u00fc ve Pinecone’daki ayn\u0131 indeksin par\u00e7as\u0131 olarak depoland\u0131.<\/p>\n
\n * Bir AWS API Gateway u\u00e7 noktas\u0131, m\u00fc\u015fterilerin sorular\u0131n\u0131 kabul etti.
\n * Gelen her sorgu, bir AWS Lambda fonksiyonunu tetikledi.
\n * Lambda fonksiyonu, m\u00fc\u015fteri sorgusunu bir OpenAI embedding’ine d\u00f6n\u00fc\u015ft\u00fcrd\u00fc.
\n * Bu sorgu embedding’i, Pinecone’daki vekt\u00f6r veritaban\u0131nda en alakal\u0131 metin par\u00e7alar\u0131n\u0131 ve g\u00f6rsel a\u00e7\u0131klamalar\u0131n\u0131 arad\u0131.
\n * Geri \u00e7a\u011fr\u0131lan bu ba\u011flam (\u00fcr\u00fcn a\u00e7\u0131klamas\u0131, SSS, ilgili g\u00f6rselin etiketleri vb.) ile birlikte m\u00fc\u015fteri sorgusu, OpenAI GPT-4 modeline g\u00f6nderildi.
\n * GPT-4, bu zengin ba\u011flam\u0131 kullanarak do\u011fal dilde, do\u011fru ve ki\u015fiselle\u015ftirilmi\u015f bir yan\u0131t \u00fcretti.<\/p>\n
\n* M\u00fc\u015fteri Memnuniyeti Art\u0131\u015f\u0131:<\/strong> Bot, art\u0131k sadece metinsel de\u011fil, g\u00f6rsellerden de bilgi \u00e7ekerek “Bu telefon ekran\u0131ndaki \u00e7atlak garanti kapsam\u0131nda m\u0131?” veya “Bu dolab\u0131n montaj \u015femas\u0131n\u0131 g\u00f6rsel olarak g\u00f6sterir misiniz?” gibi karma\u015f\u0131k sorular\u0131 bile do\u011fru bir \u015fekilde yan\u0131tlayabildi.
\n* Operasyonel Verimlilik:<\/strong> M\u00fc\u015fteri hizmetleri ekibinin y\u00fck\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde azald\u0131, \u00e7\u00fcnk\u00fc bot rutin sorular\u0131n %70’inden fazlas\u0131n\u0131 kendisi halledebildi. Ekip, daha karma\u015f\u0131k ve insani m\u00fcdahale gerektiren vakalara odaklanabildi.
\n* Maliyet Tasarrufu:<\/strong> S\u0131f\u0131r altyap\u0131 sayesinde, sunucu maliyetleri ve bak\u0131m giderleri minimuma indi. Yaln\u0131zca bot kullan\u0131ld\u0131\u011f\u0131nda \u00fccret \u00f6dendi.
\n* \u00d6l\u00e7eklenebilirlik:<\/strong> Kara Cuma gibi yo\u011fun d\u00f6nemlerde bile bot, otomatik \u00f6l\u00e7eklenebilirlik sayesinde sorunsuz bir \u015fekilde hizmet vermeye devam etti.<\/p>\nPerformans ve G\u00fcvenlik \u0130pu\u00e7lar\u0131<\/h4>\n
\n * Metadata Filtreleme:<\/strong> Pinecone gibi vekt\u00f6r veritabanlar\u0131, aramalar\u0131 belirli metadata alanlar\u0131na g\u00f6re filtrelemenize olanak tan\u0131r (\u00f6rne\u011fin, sadece “elektronik” kategorisindeki \u00fcr\u00fcn k\u0131lavuzlar\u0131nda arama yap). Bu, alakas\u0131z sonu\u00e7lar\u0131 azalt\u0131r ve arama h\u0131z\u0131n\u0131 art\u0131r\u0131r.
\n * \u0130ndeksleme Stratejisi:<\/strong> Veritaban\u0131n\u0131z\u0131n indeksleme t\u00fcr\u00fcn\u00fc (\u00f6rne\u011fin, yo\u011funluk tabanl\u0131 veya HNSW) ve boyutunu veri k\u00fcmenizin b\u00fcy\u00fckl\u00fc\u011f\u00fcne ve sorgu performans beklentilerinize g\u00f6re optimize edin.
\n * Chunk Boyutu Ayar\u0131:<\/strong> Metin par\u00e7alar\u0131n\u0131n (chunk) boyutu, RAG performans\u0131n\u0131 do\u011frudan etkiler. \u00c7ok k\u00fc\u00e7\u00fck par\u00e7alar ba\u011flam kayb\u0131na yol a\u00e7abilirken, \u00e7ok b\u00fcy\u00fck par\u00e7alar LLM’in ba\u011flam penceresini a\u015fabilir veya alakas\u0131z bilgileri i\u00e7erebilir. \u0130deal chunk boyutu, veri setinize ve LLM’inizin kapasitesine g\u00f6re deneysel olarak belirlenmelidir.<\/p>\n
\n * Model Kalitesi:<\/strong> Sorgu ve belge aras\u0131ndaki anlamsal benzerli\u011fi do\u011fru bir \u015fekilde yakalayabilen y\u00fcksek kaliteli embedding modelleri kullan\u0131n. OpenAI’nin modelleri iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r, ancak belirli alanlar i\u00e7in fine-tuned a\u00e7\u0131k kaynakl\u0131 modeller (\u00f6rne\u011fin, Hugging Face’deki modeller) daha iyi performans g\u00f6sterebilir.
\n * Maliyet ve H\u0131z:<\/strong> Embedding modellerinin maliyetini ve gecikme s\u00fcresini g\u00f6z \u00f6n\u00fcnde bulundurun. Y\u00fcksek hacimli sorgular i\u00e7in daha h\u0131zl\u0131 ve uygun fiyatl\u0131 modeller tercih edilebilir.<\/p>\n
\n * Net Talimatlar:<\/strong> LLM’e geri \u00e7a\u011fr\u0131lan ba\u011flam\u0131 nas\u0131l kullanmas\u0131 gerekti\u011fi konusunda net talimatlar verin. \u00d6rne\u011fin, “Yaln\u0131zca sa\u011flanan ba\u011flamdaki bilgileri kullanarak yan\u0131t ver” veya “E\u011fer ba\u011flamda bilgi yoksa, ‘Bilgi bulunamad\u0131’ \u015feklinde yan\u0131tla” gibi direktifler ekleyin.
\n * Sistem Mesajlar\u0131:<\/strong> LLM’e rol\u00fcn\u00fc (\u00f6rne\u011fin, “Yard\u0131msever bir m\u00fc\u015fteri destek botusun”) tan\u0131mlayan g\u00fc\u00e7l\u00fc sistem mesajlar\u0131 sa\u011flay\u0131n.<\/p>\n
\n * API Anahtarlar\u0131 Y\u00f6netimi:<\/strong> OpenAI, Pinecone ve di\u011fer servislerin API anahtarlar\u0131n\u0131 asla do\u011frudan kodunuza g\u00f6mmeyin. AWS Secrets Manager, Azure Key Vault veya Google Secret Manager gibi servisler kullanarak g\u00fcvenli bir \u015fekilde y\u00f6netin.
\n * Eri\u015fim Kontrol\u00fc:<\/strong> Sunucusuz fonksiyonlar\u0131n\u0131z i\u00e7in en az ayr\u0131cal\u0131k prensibini uygulay\u0131n. Yaln\u0131zca ihtiya\u00e7 duyduklar\u0131 kaynaklara (\u00f6rne\u011fin, S3 bucket’lar\u0131na, Pinecone indekslerine) eri\u015fim izni verin.
\n * Giri\u015f Do\u011frulamas\u0131:<\/strong> Kullan\u0131c\u0131 girdilerini her zaman do\u011frulay\u0131n ve sanitize edin. Zararl\u0131 kod enjeksiyonlar\u0131n\u0131 veya k\u00f6t\u00fc niyetli sorgular\u0131 \u00f6nlemek i\u00e7in gerekli \u00f6nlemleri al\u0131n.
\n * Veri \u015eifreleme:<\/strong> Hassas verileri depolarken ve iletirken \u015fifreleme (hem aktar\u0131mda hem de bekleyen durumda) kulland\u0131\u011f\u0131n\u0131zdan emin olun. Bulut sa\u011flay\u0131c\u0131lar\u0131 genellikle bu t\u00fcr \u015fifreleme se\u00e7eneklerini varsay\u0131lan olarak sunar.<\/p>\n
\n * \u0130zleme ve Uyar\u0131lar:<\/strong> Bulut sa\u011flay\u0131c\u0131n\u0131z\u0131n maliyet izleme ara\u00e7lar\u0131n\u0131 kullanarak harcamalar\u0131n\u0131z\u0131 takip edin. Belirli e\u015fikleri a\u015ft\u0131\u011f\u0131n\u0131zda uyar\u0131lar alacak \u015fekilde yap\u0131land\u0131r\u0131n.
\n * Kaynak Optimizasyonu:<\/strong> Lambda fonksiyonlar\u0131n\u0131z\u0131n bellek ve CPU ayarlar\u0131n\u0131 optimize edin. Gereksiz yere fazla kaynak ay\u0131rmak maliyetleri art\u0131rabilir. Fonksiyonlar\u0131n\u0131z\u0131n \u00e7al\u0131\u015fma s\u00fcrelerini minimize etmek i\u00e7in kodunuzu verimli hale getirin.<\/p>\nSonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n