Yapay zeka modelleriyle, \u00f6zellikle de b\u00fcy\u00fck dil modelleri (LLM’ler) ile uzun s\u00fcreli etkile\u015fimlerinizde, ba\u015flang\u0131\u00e7taki p\u00fcr\u00fczs\u00fcz ve anlaml\u0131 sohbetin zamanla neden bozuldu\u011funu hi\u00e7 merak ettiniz mi? \u0130lk ba\u015flarda sorular\u0131n\u0131za nokta at\u0131\u015f\u0131 cevaplar veren, ba\u011flam\u0131 kusursuz anlayan bir yapay zeka asistan\u0131n\u0131n, birka\u00e7 saatlik yo\u011fun \u00e7al\u0131\u015fman\u0131n ard\u0131ndan konudan sapt\u0131\u011f\u0131n\u0131, alakas\u0131z bilgiler verdi\u011fini veya \u00f6nceki konu\u015fmalar\u0131 unutmu\u015f gibi davrand\u0131\u011f\u0131n\u0131 fark edebilirsiniz. Bu durum, yapay zeka ba\u011flam\u0131n\u0131n zamanla k\u00f6t\u00fcle\u015fmesi olarak adland\u0131r\u0131l\u0131r ve modern yapay zeka uygulamalar\u0131nda kar\u015f\u0131la\u015f\u0131lan en b\u00fcy\u00fck zorluklardan biridir. Bu makale, bu olgunun temel nedenlerini, teknik ayr\u0131nt\u0131lar\u0131n\u0131 ve bu sorunu a\u015fmak i\u00e7in kullanabilece\u011finiz stratejileri ad\u0131m ad\u0131m a\u00e7\u0131klayacakt\u0131r.<\/p>\n
Yapay zeka ba\u011flam\u0131, bir dil modelinin belirli bir anda \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131 veya referans ald\u0131\u011f\u0131 t\u00fcm bilgiyi ifade eder. Bu, bir sohbetin ge\u00e7mi\u015f konu\u015fmalar\u0131n\u0131, verilen talimatlar\u0131, sa\u011flanan belgeleri veya modelin o anki “d\u00fc\u015f\u00fcnce zincirini” i\u00e7erebilir. T\u0131pk\u0131 insanlar gibi, yapay zeka modelleri de anlaml\u0131 ve tutarl\u0131 yan\u0131tlar \u00fcretebilmek i\u00e7in ba\u011flama ihtiya\u00e7 duyar. \u00d6rne\u011fin, bir sohbet robotuna “Bana hava durumunu s\u00f6yle” dedi\u011finizde, robotun hangi \u015fehir i\u00e7in hava durumunu istedi\u011finizi bilmesi i\u00e7in \u00f6nceki konu\u015fmalardan “\u0130stanbul” bilgisini almas\u0131 gerekir. Bu, ba\u011flam\u0131n modelin anlama yetene\u011finin ve dolay\u0131s\u0131yla yan\u0131t kalitesinin temelini olu\u015fturdu\u011funu g\u00f6sterir.<\/p>\n
Ba\u011flam, \u00f6zellikle sohbet tabanl\u0131 yapay zeka uygulamalar\u0131nda kritik \u00f6neme sahiptir. Kullan\u0131c\u0131lar\u0131n sorular\u0131na do\u011fru, alakal\u0131 ve ki\u015fiselle\u015ftirilmi\u015f yan\u0131tlar verebilmek i\u00e7in modelin \u00f6nceki etkile\u015fimleri “hat\u0131rlamas\u0131” gerekir. Bu hat\u0131rlama yetene\u011fi, modelin tutarl\u0131l\u0131\u011f\u0131n\u0131 ve kullan\u0131c\u0131 deneyimini do\u011frudan etkiler. E\u011fer bir model ba\u011flam\u0131 kaybederse, ayn\u0131 sorular\u0131 tekrar tekrar sorabilir, alakas\u0131z bilgiler verebilir veya tamamen konudan sapabilir. Bu durum, kullan\u0131c\u0131 i\u00e7in sinir bozucu olabilir ve yapay zeka uygulamas\u0131n\u0131n de\u011ferini \u00f6nemli \u00f6l\u00e7\u00fcde azaltabilir. Dolay\u0131s\u0131yla, yapay zeka ba\u011flam\u0131n\u0131 etkili bir \u015fekilde y\u00f6netmek, ba\u015far\u0131l\u0131 bir yapay zeka sistemi geli\u015ftirmenin olmazsa olmaz\u0131d\u0131r. Ba\u011flam, modelin “k\u0131sa s\u00fcreli haf\u0131zas\u0131” gibi d\u00fc\u015f\u00fcn\u00fclebilir; bu haf\u0131za ne kadar net ve odaklanm\u0131\u015f olursa, modelin performans\u0131 da o kadar iyi olur. Ancak, bu haf\u0131zan\u0131n da belirli s\u0131n\u0131rlar\u0131 ve zay\u0131fl\u0131klar\u0131 bulunmaktad\u0131r, bu da zamanla bozulmas\u0131na yol a\u00e7ar.<\/p>\n
Bu ba\u011flam\u0131n olu\u015fturulmas\u0131 ve s\u00fcrd\u00fcr\u00fclmesi, modelin mimarisine ve kullan\u0131lan tekniklere ba\u011fl\u0131d\u0131r. Genellikle, bir modelin giri\u015fine (input) \u00f6nceki konu\u015fma par\u00e7alar\u0131, belgeler veya talimatlar eklenerek sa\u011flan\u0131r. Bu eklenen bilgiler, modelin mevcut iste\u011fi daha geni\u015f bir perspektiften de\u011ferlendirmesine olanak tan\u0131r. \u00d6rne\u011fin, bir metin \u00f6zetleme g\u00f6revinde, modelin sadece son c\u00fcmleyi de\u011fil, t\u00fcm paragraf\u0131 veya makaleyi ba\u011flam olarak almas\u0131 gerekir. Benzer \u015fekilde, bir kod tamamlama arac\u0131nda, modelin yazd\u0131\u011f\u0131n\u0131z kodun \u00f6nceki sat\u0131rlar\u0131n\u0131 ve genel yap\u0131s\u0131n\u0131 anlamas\u0131, do\u011fru ve i\u015flevsel \u00f6neriler sunmas\u0131 i\u00e7in hayati \u00f6nem ta\u015f\u0131r. Bu nedenle, yapay zeka ba\u011flam\u0131, modelin sadece dilbilgisel do\u011frulu\u011funu de\u011fil, ayn\u0131 zamanda anlamsal derinli\u011fini ve problem \u00e7\u00f6zme yetene\u011fini de belirleyen temel bir unsurdur. Ba\u011flam\u0131n do\u011fru ve eksiksiz bir \u015fekilde sa\u011flanmas\u0131, yapay zeka sistemlerinin insanlarla daha do\u011fal ve verimli bir \u015fekilde etkile\u015fim kurmas\u0131n\u0131 sa\u011flar.<\/p>\n
Yapay zeka ba\u011flam\u0131n\u0131n zamanla bozulmas\u0131n\u0131n ard\u0131nda yatan birka\u00e7 temel teknik ve kavramsal fakt\u00f6r bulunmaktad\u0131r. Bu fakt\u00f6rleri anlamak, sorunu \u00e7\u00f6zmeye y\u00f6nelik stratejiler geli\u015ftirmek i\u00e7in ilk ad\u0131md\u0131r.<\/p>\n
Ba\u011flam Penceresi Limitasyonu (Context Window Limitation):<\/strong> B\u00fcy\u00fck dil modellerinin en belirgin s\u0131n\u0131rlamalar\u0131ndan biri, i\u015fleyebilecekleri bilgi miktar\u0131n\u0131n belirli bir “ba\u011flam penceresi” veya “token s\u0131n\u0131r\u0131” ile s\u0131n\u0131rl\u0131 olmas\u0131d\u0131r. Tokenlar, kelimelerin veya kelime par\u00e7alar\u0131n\u0131n dijital temsilidir. Modelin bir seferde analiz edebilece\u011fi token say\u0131s\u0131 s\u0131n\u0131rl\u0131d\u0131r (\u00f6rne\u011fin, 4K, 8K, 16K, 32K veya hatta 128K token). Bir sohbet veya g\u00f6rev uzad\u0131k\u00e7a, bu pencereye s\u0131\u011fmas\u0131 gereken bilgi miktar\u0131 artar. Eski konu\u015fma par\u00e7alar\u0131 veya daha az \u00f6nemli detaylar, yeni bilgiler geldik\u00e7e pencereden d\u0131\u015far\u0131 itilir. Bu durum, modelin \u00f6nceki konu\u015fmalar\u0131 “unutmas\u0131na” neden olur, \u00e7\u00fcnk\u00fc bu bilgiler art\u0131k ba\u011flam penceresinde de\u011fildir. Bu, \u00f6zellikle uzun soluklu teknik destek g\u00f6r\u00fc\u015fmeleri veya karma\u015f\u0131k proje planlama s\u00fcre\u00e7lerinde b\u00fcy\u00fck bir sorun te\u015fkil eder. Model, daha \u00f6nce tart\u0131\u015ft\u0131\u011f\u0131n\u0131z \u00f6nemli noktalar\u0131 hat\u0131rlamakta zorlanabilir, bu da tutars\u0131z ve tekrarlayan yan\u0131tlarla sonu\u00e7lanabilir.<\/p>\n<\/li>\n Bilgi Yo\u011funlu\u011fu ve G\u00fcr\u00fclt\u00fc (Information Density and Noise):<\/strong> Ba\u011flam penceresi dolmaya ba\u015flad\u0131k\u00e7a, pencere i\u00e7indeki bilgi yo\u011funlu\u011fu artar. Bu durum, modelin \u00f6nemli bilgileri alakas\u0131z veya “g\u00fcr\u00fclt\u00fcl\u00fc” bilgilerden ay\u0131rt etmesini zorla\u015ft\u0131r\u0131r. Model, t\u00fcm bilgiyi e\u015fit derecede \u00f6nemli kabul edebilir veya yanl\u0131\u015fl\u0131kla daha az alakal\u0131 k\u0131s\u0131mlara odaklanabilir. Uzun ve karma\u015f\u0131k metinler, \u00e7ok say\u0131da farkl\u0131 konuyu i\u00e7eren sohbetler veya \u00e7ok fazla teknik jargon i\u00e7eren konu\u015fmalar, bu g\u00fcr\u00fclt\u00fc seviyesini art\u0131r\u0131r. Model, bir i\u011fne y\u0131\u011f\u0131n\u0131nda i\u011fne arar gibi, kritik bilgileri bulmakta zorlan\u0131r ve bu da yan\u0131t kalitesini d\u00fc\u015f\u00fcr\u00fcr. Bu durum, \u00f6zellikle teknik belgeler \u00fczerinde \u00e7al\u0131\u015fan veya karma\u015f\u0131k kodlar\u0131 analiz eden yapay zeka asistanlar\u0131nda belirginle\u015fir.<\/p>\n<\/li>\n Dikkat Mekanizmalar\u0131n\u0131n S\u0131n\u0131rlar\u0131 (Attention Mechanism Limitations):<\/strong> Modern dil modelleri, giri\u015f metninin farkl\u0131 k\u0131s\u0131mlar\u0131na farkl\u0131 a\u011f\u0131rl\u0131klar atayan “dikkat mekanizmalar\u0131” kullan\u0131r. Bu mekanizmalar, modelin hangi bilgilere odaklanmas\u0131 gerekti\u011fini belirlemesine yard\u0131mc\u0131 olur. Ancak, ba\u011flam penceresi b\u00fcy\u00fcd\u00fck\u00e7e ve bilgi yo\u011funlu\u011fu artt\u0131k\u00e7a, dikkat mekanizmas\u0131n\u0131n performans\u0131 d\u00fc\u015febilir. Model, en alakal\u0131 bilgilere odaklanmakta zorlanabilir ve dikkatini da\u011f\u0131tabilir. Bu, yan\u0131tlar\u0131n daha genel, y\u00fczeysel veya hatta yanl\u0131\u015f olmas\u0131na yol a\u00e7abilir. Dikkat mekanizmas\u0131, \u00e7ok say\u0131da token aras\u0131ndan do\u011fru ba\u011flant\u0131lar\u0131 kurmakta zorland\u0131\u011f\u0131nda, modelin “anlama” yetene\u011fi zay\u0131flar ve ba\u011flam bozulmas\u0131 h\u0131zlan\u0131r.<\/p>\n<\/li>\n Maliyet ve Performans Etkileri:<\/strong> Daha b\u00fcy\u00fck ba\u011flam pencereleri, daha fazla bilgi i\u015fleme anlam\u0131na gelir. Bu da hem hesaplama maliyetini hem de yan\u0131t gecikmesini (latency) art\u0131r\u0131r. Modellerin daha uzun ba\u011flamlar\u0131 i\u015flemesi i\u00e7in daha fazla i\u015flem g\u00fcc\u00fc ve zaman gerekir. Bu nedenle, geli\u015ftiriciler genellikle performans ve maliyet aras\u0131nda bir denge kurmak zorundad\u0131r. S\u00fcrekli olarak \u00e7ok b\u00fcy\u00fck ba\u011flam pencereleri kullanmak pratik veya ekonomik olmayabilir, bu da ba\u011flam y\u00f6netimi tekniklerinin \u00f6nemini art\u0131r\u0131r. Kullan\u0131c\u0131lar, h\u0131zl\u0131 ve verimli yan\u0131tlar bekledi\u011fi i\u00e7in, ba\u011flam penceresini s\u0131n\u0131rlamak veya ak\u0131ll\u0131ca y\u00f6netmek zorunlu hale gelir.<\/p>\n<\/li>\n<\/ul>\n Bir e-ticaret \u015firketinin yapay zeka destekli m\u00fc\u015fteri hizmetleri botunu d\u00fc\u015f\u00fcnelim. M\u00fc\u015fteri, bot ile bir sipari\u015fin durumu hakk\u0131nda ileti\u015fime ge\u00e7iyor. \u0130lk ba\u015fta, bot sipari\u015f numaras\u0131n\u0131 al\u0131yor ve \u00fcr\u00fcn\u00fcn kargoya verildi\u011fini s\u00f6yl\u00fcyor. M\u00fc\u015fteri daha sonra ayn\u0131 sipari\u015fle ilgili olarak iade s\u00fcrecini sormaya ba\u015fl\u0131yor. Bot, sipari\u015f numaras\u0131n\u0131 ve \u00fcr\u00fcn bilgisini ba\u011flam olarak kullanarak iade ko\u015fullar\u0131n\u0131 a\u00e7\u0131kl\u0131yor. Ancak, sohbet uzad\u0131k\u00e7a ve m\u00fc\u015fteri farkl\u0131 \u00fcr\u00fcnler, \u00f6deme y\u00f6ntemleri veya teslimat adresleri hakk\u0131nda sorular sormaya ba\u015flad\u0131k\u00e7a, botun performans\u0131 d\u00fc\u015fmeye ba\u015fl\u0131yor. Bot, daha \u00f6nce konu\u015fulan sipari\u015f numaralar\u0131n\u0131 kar\u0131\u015ft\u0131rabiliyor, iade ko\u015fullar\u0131n\u0131 tekrar tekrar anlatabiliyor veya m\u00fc\u015fteri hizmetleri temsilcisine ba\u011flanma talebini g\u00f6z ard\u0131 edebiliyor.<\/p>\n Bu senaryoda, ba\u011flam penceresi limitasyonu, botun \u00f6nceki konu\u015fmalar\u0131 “unutmas\u0131na” neden oluyor. Bilgi yo\u011funlu\u011fu, farkl\u0131 sipari\u015f numaralar\u0131 ve \u00fcr\u00fcn detaylar\u0131 aras\u0131nda ayr\u0131m yapmas\u0131n\u0131 zorla\u015ft\u0131r\u0131yor. Dikkat mekanizmas\u0131n\u0131n s\u0131n\u0131rlar\u0131 ise botun m\u00fc\u015fterinin as\u0131l amac\u0131n\u0131 (\u00f6rne\u011fin, bir temsilciyle konu\u015fmak) g\u00f6zden ka\u00e7\u0131rmas\u0131na yol a\u00e7\u0131yor. Sonu\u00e7 olarak, m\u00fc\u015fteri deneyimi k\u00f6t\u00fcle\u015fiyor ve botun etkinli\u011fi azal\u0131yor. Bu t\u00fcr ger\u00e7ek d\u00fcnya senaryolar\u0131, yapay zeka ba\u011flam y\u00f6netiminin ne kadar kritik oldu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Bu sorunlar\u0131 a\u015fmak i\u00e7in ak\u0131ll\u0131ca tasarlanm\u0131\u015f ba\u011flam y\u00f6netimi stratejilerine ihtiya\u00e7 duyulmaktad\u0131r.<\/p>\n Yapay zeka ba\u011flam\u0131n\u0131n zamanla bozulmas\u0131n\u0131 engellemek veya etkilerini azaltmak i\u00e7in \u00e7e\u015fitli stratejiler ve teknikler geli\u015ftirilmi\u015ftir. Bu y\u00f6ntemler, modelin daha uzun s\u00fcre tutarl\u0131 ve alakal\u0131 kalmas\u0131n\u0131 sa\u011flamay\u0131 hedefler.<\/p>\n Ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131n\u0131 a\u015fman\u0131n en do\u011frudan yollar\u0131ndan biri, ba\u011flamdaki bilgiyi daha verimli hale getirmektir. Bu, \u00f6zetleme ve s\u0131k\u0131\u015ft\u0131rma teknikleriyle sa\u011flan\u0131r.<\/p>\n \u00d6zetleme (Summarization):<\/strong> Uzun bir konu\u015fman\u0131n veya metnin ana noktalar\u0131n\u0131 \u00f6zetleyerek ba\u011flam penceresinde daha az yer kaplamas\u0131n\u0131 sa\u011flamak. Bu sayede, modelin sadece en kritik bilgilere odaklanmas\u0131 sa\u011flan\u0131r. Sohbet robotlar\u0131nda, belirli aral\u0131klarla veya belirli bir token s\u0131n\u0131r\u0131na ula\u015f\u0131ld\u0131\u011f\u0131nda \u00f6nceki diyaloglar\u0131n otomatik olarak \u00f6zetlenmesi yayg\u0131n bir y\u00f6ntemdir. Bu \u00f6zetler, yeni bir prompt ile birlikte modele g\u00f6nderilerek g\u00fcncel ba\u011flam\u0131n korunmas\u0131na yard\u0131mc\u0131 olur. \u00d6rne\u011fin, bir toplant\u0131 asistan\u0131, t\u00fcm toplant\u0131 tutana\u011f\u0131n\u0131 de\u011fil, sadece al\u0131nan kararlar\u0131 ve eylem maddelerini \u00f6zetleyerek ba\u011flam\u0131 koruyabilir.<\/p>\n Basit bir \u00f6zetleme mant\u0131\u011f\u0131n\u0131 sim\u00fcle eden bir kod blo\u011fu:<\/p>\n Ba\u011flam S\u0131k\u0131\u015ft\u0131rma (Context Compression):<\/strong> Bu y\u00f6ntem, \u00f6zetlemeden daha teknik bir yakla\u015f\u0131md\u0131r. Geli\u015fmi\u015f modeller veya teknikler (\u00f6rne\u011fin, Longformer, Reformer gibi modeller veya \u00f6zel s\u0131k\u0131\u015ft\u0131rma algoritmalar\u0131) kullan\u0131larak ba\u011flamdaki gereksiz kelimeleri, tekrarlar\u0131 veya daha az \u00f6nemli c\u00fcmleleri otomatik olarak kald\u0131rarak ba\u011flam\u0131 daha k\u0131sa ve \u00f6z hale getirmeyi ama\u00e7lar. Bu, modelin dikkat mekanizmas\u0131n\u0131n daha verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. \u00d6rne\u011fin, bir sohbet ge\u00e7mi\u015findeki “evet”, “hay\u0131r”, “tamam” gibi k\u0131sa ve ba\u011flamsal de\u011feri d\u00fc\u015f\u00fck yan\u0131tlar filtrelenebilir veya ayn\u0131 bilginin farkl\u0131 \u015fekillerde tekrarland\u0131\u011f\u0131 c\u00fcmleler tek bir ifadeye indirgenebilir. Ba\u011flam s\u0131k\u0131\u015ft\u0131rma, \u00f6zellikle \u00e7ok b\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken veya ger\u00e7ek zamanl\u0131 uygulamalarda performans kritik oldu\u011funda \u00f6nemlidir.<\/p>\n<\/li>\n<\/ul>\n Ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131n\u0131 a\u015fman\u0131n ve modelin bilgi taban\u0131n\u0131 geni\u015fletmenin en g\u00fc\u00e7l\u00fc yollar\u0131ndan biri Retrieval Augmented Generation (RAG – Geri \u00c7a\u011f\u0131rmayla Desteklenmi\u015f \u00dcretim) y\u00f6ntemidir. RAG, yapay zeka modelinin yan\u0131t \u00fcretmeden \u00f6nce harici bir bilgi kayna\u011f\u0131ndan ilgili bilgileri “geri \u00e7a\u011f\u0131rmas\u0131n\u0131” ve bu bilgiyi ba\u011flam olarak kullanmas\u0131n\u0131 sa\u011flar.<\/p>\n RAG Prensipleri:<\/strong> RAG, genellikle \u015fu ad\u0131mlar\u0131 i\u00e7erir:<\/p>\n Bu y\u00f6ntem, modelin “hal\u00fcsinasyon” yapma (uydurma) olas\u0131l\u0131\u011f\u0131n\u0131 azalt\u0131r ve yan\u0131tlar\u0131n\u0131n do\u011frulu\u011funu art\u0131r\u0131r. Ayn\u0131 zamanda, modelin ba\u011flam penceresine sadece en alakal\u0131 bilgilerin girmesini sa\u011flayarak verimlili\u011fi art\u0131r\u0131r.<\/p>\n<\/li>\n Vekt\u00f6r Veritabanlar\u0131 ve Anlamsal Arama:<\/strong> RAG’\u0131n temelinde genellikle vekt\u00f6r veritabanlar\u0131 (\u00f6rne\u011fin, Pinecone, Weaviate, Milvus) ve anlamsal arama yatar. Belgeler veya metin par\u00e7alar\u0131, say\u0131sal vekt\u00f6rlere (embedding’lere) d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve bu veritabanlar\u0131nda saklan\u0131r. Kullan\u0131c\u0131 sorgusu da bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve veritaban\u0131nda sorgu vekt\u00f6r\u00fcne en benzer belgeler (anlamsal olarak en alakal\u0131 olanlar) h\u0131zl\u0131ca bulunur. Bu sayede, modelin geni\u015f bir bilgi havuzundan dinamik olarak en alakal\u0131 bilgileri \u00e7ekmesi m\u00fcmk\u00fcn olur.<\/p>\n Basit bir RAG ak\u0131\u015f\u0131n\u0131 sim\u00fcle eden bir kod blo\u011fu:<\/p>\n Yukar\u0131daki \u00f6rnek, RAG’\u0131n temel mant\u0131\u011f\u0131n\u0131 g\u00f6stermektedir. Ger\u00e7ek bir uygulamada, Ba\u011flam y\u00f6netiminde etkili prompt m\u00fchendisli\u011fi ve model parametrelerinin do\u011fru ayarlanmas\u0131 da b\u00fcy\u00fck rol oynar.<\/p>\n Sistem Mesajlar\u0131 ve Rol Tan\u0131mlama:<\/strong> \u00c7o\u011fu LLM API’si, sohbet ge\u00e7mi\u015finin ba\u015flang\u0131c\u0131na bir “sistem mesaj\u0131” eklemenize olanak tan\u0131r. Bu mesaj, modele rol\u00fcn\u00fc, g\u00f6revini ve genel davran\u0131\u015f kurallar\u0131n\u0131 hat\u0131rlat\u0131r. \u00d6rne\u011fin, “Sen bir m\u00fc\u015fteri hizmetleri temsilcisisin ve her zaman nazik ve yard\u0131mc\u0131 olmal\u0131s\u0131n. Sadece \u015firketimizin \u00fcr\u00fcnleri hakk\u0131nda bilgi ver.” gibi bir sistem mesaj\u0131, modelin uzun sohbetlerde bile odaklanmas\u0131n\u0131 sa\u011flar. Bu, modelin ba\u011flamdan sapmas\u0131n\u0131 ve istenmeyen yan\u0131tlar \u00fcretmesini engellemek i\u00e7in g\u00fc\u00e7l\u00fc bir y\u00f6ntemdir.<\/p>\n<\/li>\n D\u00f6ng\u00fcsel (Iterative) Prompt Geli\u015ftirme:<\/strong> Prompt’lar\u0131n\u0131z\u0131 tek seferde olu\u015fturmak yerine, modelin yan\u0131tlar\u0131n\u0131 test ederek ve prompt’u s\u00fcrekli iyile\u015ftirerek ba\u011flam y\u00f6netimini geli\u015ftirebilirsiniz. Modelin ne zaman ba\u011flam\u0131 kaybetti\u011fini veya yanl\u0131\u015f anlad\u0131\u011f\u0131n\u0131 belirleyerek, prompt’u daha net hale getirebilir, daha fazla k\u0131s\u0131tlama ekleyebilir veya \u00f6rnekler sunabilirsiniz. Bu s\u00fcre\u00e7, modelin uzun s\u00fcreli etkile\u015fimlerde bile tutarl\u0131l\u0131\u011f\u0131n\u0131 korumas\u0131na yard\u0131mc\u0131 olur.<\/p>\n<\/li>\n S\u0131cakl\u0131k (Temperature) ve Top-P gibi Parametrelerin Ayarlanmas\u0131:<\/strong> LLM’lerin yan\u0131t \u00fcretme davran\u0131\u015f\u0131n\u0131 kontrol eden \u00e7e\u015fitli parametreler vard\u0131r. Yapay zeka ba\u011flam\u0131n\u0131n etkin y\u00f6netimi, sadece teorik bir kavram olmaktan \u00f6te, ger\u00e7ek d\u00fcnya uygulamalar\u0131nda kar\u015f\u0131la\u015f\u0131lan pratik zorluklar\u0131 a\u015fmak i\u00e7in hayati \u00f6neme sahiptir. \u00d6zellikle uzun soluklu projelerde veya karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131nda, yapay zeka sistemlerinin s\u00fcrekli olarak g\u00fcncel ve alakal\u0131 kalmas\u0131n\u0131 sa\u011flamak kritik ba\u015far\u0131 fakt\u00f6rlerinden biridir.<\/p>\n Bir yapay zeka modelinin ba\u011flam\u0131n\u0131n zamanla bozulmas\u0131n\u0131 engellemenin ileri d\u00fczey yakla\u015f\u0131mlar\u0131ndan biri, modelin s\u00fcrekli \u00f6\u011frenmesini ve de\u011fi\u015fen ko\u015fullara adapte olmas\u0131n\u0131 sa\u011flamakt\u0131r. Bu, \u00f6zellikle dinamik bilgi alanlar\u0131nda veya kullan\u0131c\u0131 davran\u0131\u015flar\u0131n\u0131n s\u00fcrekli de\u011fi\u015fti\u011fi ortamlarda \u00f6nemlidir.<\/p>\n Fine-tuning (\u0130nce Ayar) ve Adaptif Modeller:<\/strong> B\u00fcy\u00fck dil modelleri genellikle geni\u015f ve genel bir veri k\u00fcmesi \u00fczerinde e\u011fitilir. Ancak, belirli bir g\u00f6rev veya alan i\u00e7in daha iyi performans g\u00f6stermesi i\u00e7in bu modellerin “ince ayar” (fine-tuning) yap\u0131lmas\u0131 gerekebilir. Kendi \u00f6zel verilerinizle (\u00f6rne\u011fin, \u015firketinizin i\u00e7 dok\u00fcmanlar\u0131, ge\u00e7mi\u015f m\u00fc\u015fteri etkile\u015fimleri) bir modeli ince ayarlamak, modelin ilgili alan\u0131n dilini, terimlerini ve ba\u011flam\u0131n\u0131 daha iyi anlamas\u0131n\u0131 sa\u011flar. Bu, modelin uzun s\u00fcreli etkile\u015fimlerde bile daha tutarl\u0131 ve alakal\u0131 yan\u0131tlar \u00fcretmesine yard\u0131mc\u0131 olur. Adaptif modeller ise, zamanla yeni verileri \u00f6\u011frenerek veya kullan\u0131c\u0131 geri bildirimlerini entegre ederek kendilerini s\u00fcrekli g\u00fcncelleyen modellerdir. Bu modeller, ba\u011flam\u0131n bozulmas\u0131n\u0131 dinamik olarak telafi edebilir.<\/p>\n<\/li>\n Kullan\u0131c\u0131 Geri Bildirimlerini Entegre Etme:<\/strong> Kullan\u0131c\u0131lar\u0131n yapay zeka ile etkile\u015fimleri s\u0131ras\u0131nda verdikleri geri bildirimler (\u00f6rne\u011fin, “Bu yan\u0131t i\u015fime yarad\u0131”, “Bu alakas\u0131zd\u0131”) ba\u011flam y\u00f6netimini iyile\u015ftirmek i\u00e7in de\u011ferli bir kaynakt\u0131r. Bu geri bildirimler, modelin hangi durumlarda ba\u011flam\u0131 kaybetti\u011fini veya yanl\u0131\u015f anlad\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in kullan\u0131labilir. Toplanan geri bildirim verileri, modelin yeniden e\u011fitilmesi veya RAG sisteminin bilgi bankas\u0131n\u0131n g\u00fcncellenmesi i\u00e7in kullan\u0131labilir. Bu d\u00f6ng\u00fcsel s\u00fcre\u00e7, yapay zeka sisteminin zamanla daha ak\u0131ll\u0131 ve ba\u011flam\u0131 daha iyi anlayan bir hale gelmesini sa\u011flar. \u00d6rne\u011fin, bir yaz\u0131l\u0131m geli\u015ftirme asistan\u0131, kullan\u0131c\u0131lar\u0131n kod \u00f6nerilerini kabul etme veya reddetme oranlar\u0131na g\u00f6re kendi \u00f6neri mekanizmas\u0131n\u0131 zamanla iyile\u015ftirebilir.<\/p>\n<\/li>\n \u00c7ok A\u015famal\u0131 (Multi-stage) AI Sistemleri:<\/strong> Karma\u015f\u0131k g\u00f6revler i\u00e7in, tek bir b\u00fcy\u00fck dil modeli yerine birden fazla yapay zeka modelini veya mod\u00fcl\u00fcn\u00fc bir araya getiren \u00e7ok a\u015famal\u0131 sistemler kullan\u0131labilir. \u00d6rne\u011fin, bir a\u015fama kullan\u0131c\u0131 sorgusunu analiz edip niyetini belirlerken, di\u011fer bir a\u015fama ilgili bilgileri geri \u00e7a\u011f\u0131rabilir, \u00fc\u00e7\u00fcnc\u00fc bir a\u015fama ise nihai yan\u0131t\u0131 \u00fcretebilir. Bu mod\u00fcler yakla\u015f\u0131m, her mod\u00fcl\u00fcn kendi \u00f6zel g\u00f6revine odaklanmas\u0131n\u0131 sa\u011flar ve genel ba\u011flam\u0131n daha iyi y\u00f6netilmesine yard\u0131mc\u0131 olur. Her a\u015fama, bir \u00f6nceki a\u015famadan gelen ba\u011flam\u0131 al\u0131r ve kendi i\u015fleme sonucunu bir sonraki a\u015famaya iletir, b\u00f6ylece bilgi ak\u0131\u015f\u0131 daha kontroll\u00fc hale gelir ve ba\u011flam kayb\u0131 riski azal\u0131r.<\/p>\n<\/li>\n<\/ul>\n Ba\u011flam y\u00f6netiminin etkinli\u011fini \u00f6l\u00e7mek ve izlemek, iyile\u015ftirme alanlar\u0131n\u0131 belirlemek i\u00e7in kritik \u00f6neme sahiptir. Do\u011fru metrikler olmadan, ba\u011flam bozulmas\u0131n\u0131n ne zaman ba\u015flad\u0131\u011f\u0131n\u0131 veya hangi stratejilerin i\u015fe yarad\u0131\u011f\u0131n\u0131 anlamak zordur.<\/p>\n Tutarl\u0131l\u0131k (Coherence) ve Konu D\u0131\u015f\u0131na \u00c7\u0131kma Oranlar\u0131:<\/strong> Modelin yan\u0131tlar\u0131n\u0131n sohbetin genel ba\u011flam\u0131yla ne kadar uyumlu oldu\u011funu \u00f6l\u00e7mek i\u00e7in tutarl\u0131l\u0131k metrikleri kullan\u0131labilir. Konu d\u0131\u015f\u0131na \u00e7\u0131kma oran\u0131 ise, modelin ne s\u0131kl\u0131kla alakas\u0131z veya istenmeyen konulara sapt\u0131\u011f\u0131n\u0131 g\u00f6sterir. Bu metrikler, manuel olarak (insan de\u011ferlendiriciler taraf\u0131ndan) veya otomatik olarak (ba\u015fka bir dil modeli kullan\u0131larak) \u00f6l\u00e7\u00fclebilir. Y\u00fcksek bir konu d\u0131\u015f\u0131na \u00e7\u0131kma oran\u0131, ba\u011flam y\u00f6netiminde bir sorun oldu\u011funu g\u00f6sterir.<\/p>\n<\/li>\n Kullan\u0131c\u0131 Memnuniyeti Anketleri ve Geri Bildirimler:<\/strong> Do\u011frudan kullan\u0131c\u0131 geri bildirimleri, ba\u011flam kalitesini \u00f6l\u00e7mek i\u00e7in en de\u011ferli kaynaklardan biridir. Kullan\u0131c\u0131lardan yan\u0131tlar\u0131n alaka d\u00fczeyi, do\u011frulu\u011fu ve yard\u0131mc\u0131 olup olmad\u0131\u011f\u0131 hakk\u0131nda puanlama yapmalar\u0131 istenebilir. Uzun s\u00fcreli etkile\u015fimlerde, kullan\u0131c\u0131lar\u0131n modelin “haf\u0131zas\u0131ndan” ne kadar memnun kald\u0131klar\u0131 da \u00f6l\u00e7\u00fclebilir. D\u00fc\u015f\u00fck memnuniyet puanlar\u0131, ba\u011flam bozulmas\u0131n\u0131n bir g\u00f6stergesi olabilir.<\/p>\n<\/li>\n A\/B Testleri:<\/strong> Farkl\u0131 ba\u011flam y\u00f6netimi stratejilerini (\u00f6rne\u011fin, farkl\u0131 \u00f6zetleme algoritmalar\u0131 veya RAG yap\u0131land\u0131rmalar\u0131) kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in A\/B testleri kullan\u0131labilir. Kullan\u0131c\u0131lar\u0131n bir k\u0131sm\u0131na A stratejisi, di\u011fer k\u0131sm\u0131na B stratejisi sunulur ve performans metrikleri (tutarl\u0131l\u0131k, kullan\u0131c\u0131 memnuniyeti, g\u00f6rev tamamlama oran\u0131) kar\u015f\u0131la\u015ft\u0131r\u0131l\u0131r. Bu, hangi stratejinin belirli bir uygulama i\u00e7in en iyi sonucu verdi\u011fini belirlemeye yard\u0131mc\u0131 olur.<\/p>\n<\/li>\n<\/ul>\n Yapay zeka ba\u011flam\u0131n\u0131n zamanla bozulmas\u0131, modern yapay zeka sistemlerinin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 ka\u00e7\u0131n\u0131lmaz bir ger\u00e7ektir. Ancak bu, \u00fcstesinden gelinemez bir sorun de\u011fildir. Ba\u011flam penceresi s\u0131n\u0131rlamalar\u0131n\u0131, bilgi yo\u011funlu\u011funu ve dikkat mekanizmalar\u0131n\u0131n zorluklar\u0131n\u0131 anlayarak, etkili stratejiler geli\u015ftirebiliriz. \u00d6zetleme ve s\u0131k\u0131\u015ft\u0131rma teknikleri, RAG gibi bilgi geri \u00e7a\u011f\u0131rma sistemleri ve ak\u0131ll\u0131 prompt m\u00fchendisli\u011fi, yapay zeka modellerinin uzun s\u00fcreli etkile\u015fimlerde bile tutarl\u0131, alakal\u0131 ve do\u011fru yan\u0131tlar \u00fcretmesini sa\u011flar. Ayr\u0131ca, s\u00fcrekli \u00f6\u011frenme, kullan\u0131c\u0131 geri bildirimlerini entegre etme ve performans metriklerini izleme, yapay zeka sistemlerinin zamanla daha ak\u0131ll\u0131 ve adaptif hale gelmesine olanak tan\u0131r. Gelecekte, daha b\u00fcy\u00fck ba\u011flam pencereleri, daha geli\u015fmi\u015f dikkat mekanizmalar\u0131 ve \u00e7ok modlu (multimodal) ba\u011flam y\u00f6netimi teknikleri ile bu sorunlar daha da minimize edilecektir. Yapay zeka ile etkile\u015fimlerimizin kalitesi, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde bu ba\u011flam y\u00f6netimi stratejilerinin ne kadar iyi uyguland\u0131\u011f\u0131na ba\u011fl\u0131 olacakt\u0131r.<\/p>\n S1: Ba\u011flam penceresi ne kadar b\u00fcy\u00fck olmal\u0131?<\/strong><\/p>\n C1: Ba\u011flam penceresinin ideal boyutu, uygulaman\u0131z\u0131n gereksinimlerine, kullan\u0131lacak modelin yeteneklerine ve b\u00fct\u00e7enize ba\u011fl\u0131d\u0131r. Daha b\u00fcy\u00fck ba\u011flam pencereleri daha fazla bilgi tutabilir ancak daha maliyetli ve yava\u015f olabilir. \u00c7o\u011fu uygulama i\u00e7in, RAG gibi ek tekniklerle desteklenmi\u015f orta boyutlu (\u00f6rne\u011fin, 8K-32K token) bir ba\u011flam penceresi iyi bir denge sunar.<\/p>\n<\/li>\n S2: RAG her zaman en iyi \u00e7\u00f6z\u00fcm m\u00fcd\u00fcr?<\/strong><\/p>\n C2: RAG, bir\u00e7ok durumda ba\u011flam y\u00f6netimini iyile\u015ftirmek i\u00e7in son derece etkili bir \u00e7\u00f6z\u00fcmd\u00fcr, \u00f6zellikle g\u00fcncel, \u00f6zel veya geni\u015f bilgi tabanlar\u0131na eri\u015fim gerekti\u011finde. Ancak, her zaman tek ba\u015f\u0131na yeterli olmayabilir. Sohbet \u00f6zetleme, prompt m\u00fchendisli\u011fi ve gerekti\u011finde ince ayar gibi di\u011fer tekniklerle birle\u015ftirildi\u011finde en iyi sonu\u00e7lar\u0131 verir. Basit, k\u0131sa s\u00fcreli etkile\u015fimlerde RAG’a ihtiya\u00e7 duyulmayabilir.<\/p>\n<\/li>\n S3: Yapay zeka ba\u011flam\u0131 neden “hal\u00fcsinasyon” \u00fcretir?<\/strong><\/p>\n C3: Yapay zeka modelleri, ba\u011flam penceresindeki bilgilerin yetersiz veya \u00e7eli\u015fkili olmas\u0131, dikkat mekanizmas\u0131n\u0131n yanl\u0131\u015f bilgilere odaklanmas\u0131 veya modelin e\u011fitim verilerindeki \u00f6nyarg\u0131lar nedeniyle “hal\u00fcsinasyon” (ger\u00e7ek olmayan bilgi \u00fcretme) yapabilir. Model, bir yan\u0131t \u00fcretmek zorunda kald\u0131\u011f\u0131nda, mevcut ba\u011flamdan \u00e7\u0131kar\u0131m yapmaya \u00e7al\u0131\u015f\u0131r ve bu \u00e7\u0131kar\u0131mlar bazen yanl\u0131\u015f veya uydurma olabilir. RAG ve g\u00fc\u00e7l\u00fc ba\u011flam y\u00f6netimi, bu riski azaltmaya yard\u0131mc\u0131 olur.<\/p>\n<\/li>\n S4: Kendi verilerimle bir AI modelini nas\u0131l e\u011fitebilirim?<\/strong><\/p>\n C4: Kendi verilerinizle bir AI modelini e\u011fitmek genellikle “ince ayar” (fine-tuning) olarak adland\u0131r\u0131l\u0131r. Bu s\u00fcre\u00e7, \u00f6nceden e\u011fitilmi\u015f b\u00fcy\u00fck bir dil modelini al\u0131p, kendi \u00f6zel veri k\u00fcmeniz (\u00f6rne\u011fin, \u015firket i\u00e7i belgeler, m\u00fc\u015fteri destek kay\u0131tlar\u0131) \u00fczerinde ek e\u011fitim ad\u0131mlar\u0131 uygulayarak modelin belirli bir alana veya g\u00f6reve daha iyi adapte olmas\u0131n\u0131 i\u00e7erir. Bu, genellikle API’ler arac\u0131l\u0131\u011f\u0131yla veya a\u00e7\u0131k kaynakl\u0131 modelleri kullanarak yap\u0131labilir.<\/p>\n<\/li>\n S5: Ba\u011flam y\u00f6netimi i\u00e7in haz\u0131r ara\u00e7lar var m\u0131?<\/strong><\/p>\n C5: Evet, ba\u011flam y\u00f6netimi i\u00e7in bir\u00e7ok haz\u0131r ara\u00e7 ve k\u00fct\u00fcphane bulunmaktad\u0131r. LangChain, LlamaIndex gibi framework’ler RAG ak\u0131\u015flar\u0131 olu\u015fturmay\u0131, sohbet ge\u00e7mi\u015flerini y\u00f6netmeyi ve farkl\u0131 modelleri entegre etmeyi kolayla\u015ft\u0131r\u0131r. Ayr\u0131ca, vekt\u00f6r veritaban\u0131 hizmetleri (Pinecone, Weaviate) ve LLM API’leri (OpenAI, Anthropic) de ba\u011flam y\u00f6netimi i\u00e7in temel bile\u015fenler sunar.<\/p>\n<\/li>\n<\/ul>\n #YapayZeka #Ba\u011flamY\u00f6netimi #LLM #PromptM\u00fchendisli\u011fi #RAG #Teknoloji<\/p>\nVaka Analizi: Bir M\u00fc\u015fteri Hizmetleri Sohbet Botu Senaryosu<\/h4>\n
Ba\u011flam Bozulmas\u0131n\u0131 Engellemek \u0130\u00e7in Hangi Y\u00f6ntemler Kullan\u0131l\u0131r?<\/h3>\n
Etkili Ba\u011flam Y\u00f6netimi Teknikleri: \u00d6zetleme ve S\u0131k\u0131\u015ft\u0131rma<\/h4>\n
\n
\ndef ozetle_baglam(konusma_gecmisi, max_token_sayisi):\n \"\"\"\n Konu\u015fma ge\u00e7mi\u015fini belirli bir token say\u0131s\u0131na g\u00f6re \u00f6zetler.\n Bu, ger\u00e7ek bir LLM \u00f6zetlemesi de\u011fil, basit bir sim\u00fclasyondur.\n \"\"\"\n toplam_metin = \" \".join(konusma_gecmisi)\n \n # Basit bir sim\u00fclasyon: Metni kelime say\u0131s\u0131na g\u00f6re k\u0131rp\n kelimeler = toplam_metin.split()\n \n # max_token_sayisi'n\u0131 kelime say\u0131s\u0131na yakla\u015f\u0131k olarak e\u015fde\u011fer kabul edelim\n # Ger\u00e7ek LLM'lerde tokenizasyon daha karma\u015f\u0131kt\u0131r.\n if len(kelimeler) > max_token_sayisi:\n # En son ve en \u00f6nemli oldu\u011fu varsay\u0131lan k\u0131s\u0131mlar\u0131 tut\n ozet_kelimeler = kelimeler[len(kelimeler) - max_token_sayisi:]\n return \" \".join(ozet_kelimeler) + \" ... (\u00f6nceki konu\u015fma \u00f6zeti)\"\n else:\n return toplam_metin\n\n# \u00d6rnek kullan\u0131m\ngecmis = [\n \"Kullan\u0131c\u0131: Merhaba, bir sipari\u015fimin durumunu \u00f6\u011frenmek istiyorum.\",\n \"Asistan: Elbette, sipari\u015f numaran\u0131z\u0131 alabilir miyim?\",\n \"Kullan\u0131c\u0131: Sipari\u015f numaram 123456789.\",\n \"Asistan: Te\u015fekk\u00fcrler. Sipari\u015finiz kargoya verilmi\u015f ve yolda.\",\n \"Kullan\u0131c\u0131: Harika! Peki iade s\u00fcreci nas\u0131l i\u015fliyor?\",\n \"Asistan: \u0130ade i\u00e7in 14 g\u00fcn s\u00fcreniz var. \u00dcr\u00fcn kutusunda olmal\u0131.\",\n \"Kullan\u0131c\u0131: Ba\u015fka bir \u00fcr\u00fcn i\u00e7in de iade yapabilir miyim?\",\n \"Asistan: Evet, her \u00fcr\u00fcn i\u00e7in ayr\u0131 iade talebi olu\u015fturman\u0131z gerekiyor.\"\n]\n\nozetlenmis_baglam = ozetle_baglam(gecmis, 30) # 30 kelime s\u0131n\u0131r\u0131\nprint(f\"Ozetlenmi\u015f Ba\u011flam: {ozetlenmis_baglam}\")\n# \u00c7\u0131kt\u0131: \"Sipari\u015f numaram 123456789. Asistan: Te\u015fekk\u00fcrler. Sipari\u015finiz kargoya verilmi\u015f ve yolda. Kullan\u0131c\u0131: Harika! Peki iade s\u00fcreci nas\u0131l i\u015fliyor? Asistan: \u0130ade i\u00e7in 14 g\u00fcn s\u00fcreniz var. \u00dcr\u00fcn kutusunda olmal\u0131. Kullan\u0131c\u0131: Ba\u015fka bir \u00fcr\u00fcn i\u00e7in de iade yapabilir miyim? Asistan: Evet, her \u00fcr\u00fcn i\u00e7in ayr\u0131 iade talebi olu\u015fturman\u0131z gerekiyor. ... (\u00f6nceki konu\u015fma \u00f6zeti)\"\n <\/code><\/pre>\n<\/p><\/div>\n<\/li>\nRAG (Retrieval Augmented Generation) ile Bilgi Geri \u00c7a\u011f\u0131rma Nas\u0131l Yap\u0131l\u0131r?<\/h4>\n
\n
\n
\nimport random\n\ndef get_embedding(text):\n \"\"\"\n Metnin vekt\u00f6r temsilini (embedding) sim\u00fcle eder.\n Ger\u00e7ekte bu, bir embedding modeli (\u00f6rn. OpenAI Embeddings) taraf\u0131ndan yap\u0131l\u0131r.\n \"\"\"\n return [random.random() for _ in range(10)] # 10 boyutlu rastgele vekt\u00f6r\n\ndef semantik_arama(sorgu_embedding, bilgi_bankasi):\n \"\"\"\n Bilgi bankas\u0131nda sorguya en benzer bilgiyi sim\u00fcle eder.\n Ger\u00e7ekte vekt\u00f6r veritabanlar\u0131 kosin\u00fcs benzerli\u011fi vb. kullan\u0131r.\n \"\"\"\n # En basit haliyle, sorgu kelimelerini i\u00e7eren belgeleri d\u00f6nd\u00fcrelim\n sorgu_kelimeleri = sorgu_embedding.split() # Burada sorgu_embedding'i metin olarak alal\u0131m\n ilgili_belgeler = []\n for belge_adi, belge_icerigi in bilgi_bankasi.items():\n if any(kelime in belge_icerigi for kelime in sorgu_kelimeleri):\n ilgili_belgeler.append(belge_icerigi)\n return ilgili_belgeler[:2] # En alakal\u0131 2 belgeyi d\u00f6nd\u00fcr\n\ndef generate_response_with_rag(kullanici_sorgusu, bilgi_bankasi, llm_modeli_simulasyonu):\n \"\"\"\n RAG kullanarak yan\u0131t \u00fcretme s\u00fcrecini sim\u00fcle eder.\n \"\"\"\n # 1. Bilgi Geri \u00c7a\u011f\u0131rma (Retrieval)\n # Ger\u00e7ekte sorgu embedding'e d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve vekt\u00f6r veritaban\u0131nda aran\u0131r.\n # Burada basit\u00e7e sorgu kelimelerini i\u00e7eren belgeleri bulal\u0131m.\n ilgili_bilgiler = semantik_arama(kullanici_sorgusu, bilgi_bankasi)\n \n # 2. Ba\u011flam Olu\u015fturma (Context Augmentation)\n prompt_icerigi = f\"Kullan\u0131c\u0131n\u0131n sorusu: {kullanici_sorgusu}\\n\\n\"\n if ilgili_bilgiler:\n prompt_icerigi += \"A\u015fa\u011f\u0131daki bilgiler de dikkate al\u0131narak yan\u0131t verin:\\n\"\n for i, bilgi in enumerate(ilgili_bilgiler):\n prompt_icerigi += f\"Bilgi {i+1}: {bilgi}\\n\"\n \n # 3. Yan\u0131t \u00dcretimi (Generation)\n # LLM modeli sim\u00fclasyonu, bu prompt'u i\u015fler ve yan\u0131t \u00fcretir.\n yanit = llm_modeli_simulasyonu(prompt_icerigi)\n return yanit\n\n# \u00d6rnek bilgi bankas\u0131\nbilgi_bankasi_ornek = {\n \"urun_a_ozellikleri\": \"\u00dcr\u00fcn A, 128 GB depolama, 8 GB RAM ve 6.1 in\u00e7 OLED ekrana sahiptir. Su ge\u00e7irmezlik \u00f6zelli\u011fi bulunur.\",\n \"urun_a_garanti\": \"\u00dcr\u00fcn A i\u00e7in garanti s\u00fcresi 2 y\u0131ld\u0131r ve yetkili servisler arac\u0131l\u0131\u011f\u0131yla sa\u011flan\u0131r.\",\n \"iade_politikasi\": \"T\u00fcm \u00fcr\u00fcnlerde 14 g\u00fcn i\u00e7inde ko\u015fulsuz iade hakk\u0131 vard\u0131r. \u00dcr\u00fcn kutusu a\u00e7\u0131lmam\u0131\u015f ve hasars\u0131z olmal\u0131d\u0131r.\",\n \"kargo_bilgisi\": \"Sipari\u015fler 3 i\u015f g\u00fcn\u00fc i\u00e7inde kargoya verilir ve teslimat s\u00fcresi b\u00f6lgeye g\u00f6re 1-5 i\u015f g\u00fcn\u00fcd\u00fcr.\"\n}\n\ndef llm_simulasyon(prompt):\n \"\"\"Basit bir LLM yan\u0131t sim\u00fclasyonu.\"\"\"\n if \"\u00dcr\u00fcn A\" in prompt and \"garanti\" in prompt:\n return \"\u00dcr\u00fcn A'n\u0131n garanti s\u00fcresi 2 y\u0131ld\u0131r. Detayl\u0131 bilgi i\u00e7in yetkili servise ba\u015fvurabilirsiniz.\"\n elif \"iade\" in prompt:\n return \"\u0130ade politikam\u0131za g\u00f6re, \u00fcr\u00fcnlerde 14 g\u00fcn i\u00e7inde ko\u015fulsuz iade hakk\u0131n\u0131z bulunmaktad\u0131r. \u00dcr\u00fcn\u00fcn\u00fcz\u00fcn kutusu a\u00e7\u0131lmam\u0131\u015f ve hasars\u0131z olmal\u0131d\u0131r.\"\n else:\n return \"Sorunuzu anlad\u0131m ama yeterli bilgiye sahip de\u011filim.\"\n\nkullanici_sorgusu_1 = \"\u00dcr\u00fcn A'n\u0131n garanti s\u00fcresi ne kadar?\"\nyanit_1 = generate_response_with_rag(kullanici_sorgusu_1, bilgi_bankasi_ornek, llm_simulasyon)\nprint(f\"Kullan\u0131c\u0131: {kullanici_sorgusu_1}\\nAsistan: {yanit_1}\\n\")\n\nkullanici_sorgusu_2 = \"\u0130ade politikas\u0131 hakk\u0131nda bilgi verebilir misiniz?\"\nyanit_2 = generate_response_with_rag(kullanici_sorgusu_2, bilgi_bankasi_ornek, llm_simulasyon)\nprint(f\"Kullan\u0131c\u0131: {kullanici_sorgusu_2}\\nAsistan: {yanit_2}\\n\")\n <\/code><\/pre>\n<\/p><\/div>\nget_embedding<\/code> ve semantik_arama<\/code> fonksiyonlar\u0131 \u00e7ok daha karma\u015f\u0131k olup, b\u00fcy\u00fck \u00f6l\u00e7ekli vekt\u00f6r veritabanlar\u0131 ve geli\u015fmi\u015f embedding modelleri kullan\u0131r. Ancak prensip ayn\u0131d\u0131r: d\u0131\u015far\u0131dan alakal\u0131 bilgi getir ve modeli bu bilgiyle besle.<\/p>\n<\/li>\n<\/ul>\nGeli\u015fmi\u015f Prompt M\u00fchendisli\u011fi ve Model Ayarlar\u0131<\/h4>\n
\n
temperature<\/code> (s\u0131cakl\u0131k), modelin yan\u0131tlar\u0131n\u0131n ne kadar rastgele veya yarat\u0131c\u0131 olaca\u011f\u0131n\u0131 belirler. D\u00fc\u015f\u00fck s\u0131cakl\u0131k de\u011ferleri (\u00f6rne\u011fin, 0.2), modelin daha tahmin edilebilir ve odaklanm\u0131\u015f yan\u0131tlar vermesini sa\u011flar, bu da uzun sohbetlerde ba\u011flamdan sapma riskini azaltabilir. top_p<\/code> ise, modelin yan\u0131t \u00fcretirken dikkate alaca\u011f\u0131 olas\u0131 tokenlar\u0131n olas\u0131l\u0131k da\u011f\u0131l\u0131m\u0131n\u0131 s\u0131n\u0131rlar. Bu parametrelerin do\u011fru ayarlanmas\u0131, modelin tutarl\u0131l\u0131\u011f\u0131n\u0131 art\u0131rabilir ve ba\u011flam\u0131n korunmas\u0131na yard\u0131mc\u0131 olabilir.<\/p>\n<\/li>\n<\/ul>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131nda Ba\u011flam Y\u00f6netimi ve \u0130pu\u00e7lar\u0131<\/h3>\n
Uzun S\u00fcreli Projelerde S\u00fcrekli \u00d6\u011frenme ve Adaptasyon<\/h4>\n
\n
Performans Metrikleri ve \u0130zleme: Ba\u011flam Kalitesini Nas\u0131l \u00d6l\u00e7eriz?<\/h4>\n
\n
Sonu\u00e7: Daha Ak\u0131ll\u0131 ve Tutarl\u0131 Yapay Zeka Deneyimleri \u0130\u00e7in Yol Haritas\u0131<\/h3>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h4>\n
\n