Derinlemesine
Meta Veri Tasarımı: RAG'de Filtrelemenin Temeli
Meta veri tasarımı, RAG'de doğru parçayı doğru kullanıcıya getirmenin temelidir: zorunlu alan seti, yetki alanı, tarih ve sürüm alanı, filtreleme RAG kalitesi.
30 dk
58 yazı
RAG ve Bilgi Erişimi
Kurumsal yapay zekada en sık kurulan mimari RAG'dir, çünkü şirketin bilgisi modelin içinde değil belgelerindedir. Bu kümedeki yazılar parçalama (chunking) stratejisinden embedding modeli seçimine, hibrit aramadan yeniden sıralamaya (reranking) ve değerlendirme yöntemlerine kadar RAG hattının her halkasını ele alır.
Tanım
- RAG ve Bilgi Erişimi
- RAG (Retrieval-Augmented Generation), bir dil modelinin cevabını üretmeden önce kurumun kendi belgelerinden ilgili parçaları getirip bağlama eklediği mimaridir; böylece model eğitim verisiyle sınırlı kalmaz ve cevabını kaynağa dayandırır.
- Wikidata: Q121276171
Bu küme neleri kapsıyor
- Parçalama (chunking) stratejileri
- Embedding modeli seçimi ve Türkçe
- Vektör veritabanları ve pgvector
- Hibrit arama ve reranking
- RAG değerlendirme ve metrikler
- Meta veri tasarımı
Formata göre daralt
Güncel
Bu kümede son yayınlananlar
Derinlemesine
RAG Değerlendirmesi: Getirme ve Üretim Kalitesini Ayrı Ölçmek
RAG değerlendirme, getirme kalitesini (recall@k, MRR, nDCG) ve üretim kalitesini (kaynak sadakati, yanıt ilgisi) ayrı ölçen ölçüm metodolojisidir. Katman katman rehber.
30 dk
Karşılaştırma
Embedding Modeli Seçimi: Türkçe İçerikte Nelere Bakmalı
Embedding modeli seçimi, Türkçe RAG kalitesinin kaderini belirler. Çok dilli mi Türkçeye özel mi, boyut ve performans, benchmark okuma ve test kurma rehberi.
30 dk
Derinlemesine
Hibrit Arama: Anlamsal ve Anahtar Kelime Aramasını Birleştirmek
Hibrit arama nedir? Anlamsal (vektör) aramayı BM25 anahtar kelime aramasıyla birleştiren, skor birleştirme ile arama kalitesini ve isabet oranını yükselten yöntem.
30 dk
Rehber
Kurumsal RAG: Mimari, Kurulum ve Ölçüm Rehberi
Kurumsal RAG nasıl kurulur? Boru hattı katmanları, doküman hazırlığı, getirme, üretim ve kalite ölçümü; kurumsal rag mimarisi ve kurulumu için teknik rehber.
12 dk
Makale
RAG'de Chunking Stratejisi: Doküman Tipine Göre Doğru Seçim
RAG'de chunking stratejisi tek bir ayar değildir; doküman tipine göre değişir. Sözleşme, tablo ve kılavuz için doğru parça boyutu ve overlap oranı seçimi.
8 dk
Kavram
Veri Kalitesi Nedir? 6 Boyut, Ölçüm ve Yapay Zeka Etkisi
Veri kalitesi nedir? Veri kalitesi, verinin kullanım amacına uygunluğunu belirleyen doğruluk, bütünlük, tutarlılık, güncellik, teklik ve geçerlilik gibi boyutların toplamıdır. Bu rehber: net tanım, altı kalite boyutu, ölçüm metrikleri, veri temizleme süreci, yapay zeka ve RAG projelerine etkisi, yaygın hatalar ve sık sorulan sorular.
11 dk
Derinlemesine
RAG Değerlendirme: RAGAS ile Faithfulness, Context Precision ve Recall
RAG sistemlerini ölçmenin dört temel metriği: faithfulness, answer relevancy, context precision ve recall. RAGAS ile değerlendirme, eşikler ve bağlam güveni.
19 dk
Derinlemesine
Hibrit Arama: RAG'de BM25 ve Vektör Aramayı Birleştirmek
Saf vektör arama tam kelimeleri kaçırır, saf anahtar kelime araması anlamı. RAG'de BM25 ve vektör aramayı RRF ve contextual retrieval ile birleştirmenin pratik rehberi.
18 dk
Derinlemesine
RAG Değerlendirme 2026: RAGAS, Faithfulness, OpenTelemetry ve Başarılı Çıktı Başına Maliyet
RAG kurmak kolay, güvenilir olduğunu kanıtlamak zor. Getirme/üretim metrikleri, RAGAS ile referanssız değerlendirme, OpenTelemetry span’leri ve başarılı çıktı başına maliyet.
15 dk
Derinlemesine
Adaptif ve Agentic RAG 2026: Üretim Desenleri, Reranking ve Gözlemlenebilirlik
2026 RAG artık doğrusal değil. Adaptif yönlendirme, agentic getir-düşün-getir döngüsü, beş üretim deseni ve en yüksek getirili müdahale: hibrit getirme + reranker.
14 dk
Rehber
Vektör Veritabanları 2026: pgvector Yükselişi, 'Özellik Olarak Vektör' ve Üretim Seçim Rehberi
2026'da 'özellik olarak vektör' kazanıyor: PostgreSQL + pgvector çoğu senaryoya yetiyor. Üç mimari eşik, değerlendirme tuzakları ve seçim kriterleri.
15 dk
Derinlemesine
Agentic RAG'te Bağlam Mühendisliği: Token Maliyetini Düşüren Üretim Desenleri (2026)
Getirmeyi ajanın döngüsüne alan agentic RAG, bağlam mühendisliğiyle token kullanımını %19-53 düşürüyor. Üretimde işleyen desenler ve karar çerçevesi.
15 dk
Derinlemesine
Multimodal (Görsel) RAG: Belgelerdeki Tablo ve Grafikleri Nihayet Aranabilir Kılmak
Metin RAG belgelerdeki tablo, grafik ve düzeni kaçırır. Multimodal RAG mimarilerini (ColPali, görsel gömme), değerlendirmeyi ve KVKK'yı sahadan anlatıyorum.
16 dk
Karşılaştırma
Vektör Veritabanı Karşılaştırması 2026: Pinecone, Weaviate, Qdrant, Milvus, pgvector
2026 vektör veritabanı rehberi: Pinecone, Weaviate, Qdrant, Milvus, pgvector karşılaştırma tablosu, karar çerçevesi, maliyet, KVKK ve 'önce pgvector' tavsiyesi.
14 dk
Derinlemesine
RAG'de Hibrit Arama: BM25 + Vektör + Yeniden Sıralama ile Doğruluğu Yükseltmek
RAG doğruluğunu artırmanın yolu hibrit arama: BM25 ve vektörü RRF ile birleştirip cross-encoder reranker eklemek. Rakamlar, mimari ve Türkçe ipuçları.
15 dk
Karşılaştırma
Vektör Veritabanı Karşılaştırması 2026: Qdrant, Pinecone, Weaviate, Milvus ve pgvector
Qdrant, Pinecone, Weaviate, Milvus ve pgvector'ı ölçek, gecikme, hibrit arama ve KVKK açısından karşılaştırdık. 2026 karar akışı, tablo ve seçim kontrol listesi.
14 dk
Karşılaştırma
RAG mı, Uzun Bağlam Penceresi mi? 2026'da Doğru Mimariyi Seçmek
1 milyon token çağında RAG mı uzun bağlam mı? Hibrit mimari, BM25 + vektör, RRF, reranking, bağlamsal getirme ve KVKK açısından doğru seçimin pratik rehberi.
14 dk
Karşılaştırma
Vektör Veritabanı Seçimi 2026: Qdrant, pgvector, Pinecone ve Milvus Kıyaslaması
Hangisi değil 'hangisi bana uyar' sorusu. Gerçek kıyaslama verileri, karar çerçevesi, recall-gecikme dengesi ve KVKK/veri konumu. Sentetik kıyaslamalar yalan söyler.
11 dk
Derinlemesine
RAG Değerlendirmesi 2026: Faithfulness, Context Precision ve Ragas ile Kaliteyi Ölçmek
RAG sisteminizin gerçek kalitesini dört temel metrikle ölçün: faithfulness, answer relevance, context precision ve recall. Ragas, LLM-as-a-judge ve Türkçe zorlukları.
13 dk
Derinlemesine
Late Chunking ve Contextual Retrieval: RAG Doğruluğunu Artıran 2026 Teknikleri
RAG ölmedi, olgunlaştı. Late chunking, contextual retrieval, hibrit arama ve reranking ile retrieval doğruluğunu artırın. Türkçe ve KVKK bağlamında pratik 2026 rehberi.
15 dk
Karşılaştırma
Yönetilen mi Self-Hosted mı? Pinecone ve Qdrant 2026
Vektör veritabanı seçimi ölçek, gecikme ve operasyona bağlı. pgvector, Qdrant, Milvus ve Pinecone'u 2026 kıyaslamalarıyla, karar çerçevesiyle anlatıyorum.
15 dk
Derinlemesine
Agentic RAG Mimari Desenleri: Router'dan Self-RAG'e 5 Pattern (2026)
Agentic RAG sıradan RAG değil. Router, ReAct, plan-execute, multi-agent retrieval ve self-RAG desenlerini, ne zaman hangisini seçmeniz gerektiğini anlatıyorum.
15 dk
Rehber
Reranker Gerçekten Gerekli mi? Benchmark ve Karar Rehberi
Reranker gerçekten gerekli mi? RAG retrieval hattında yeniden sıralamanın değer kattığı ve gereksiz olduğu durumlar, cross-encoder, benchmark ve karar rehberi.
32 dk
Tam dizin
Bu kümedeki 58 yazının tamamı
Formata göre gruplanmış; her grup içinde en yeniden eskiye.
Karşılaştırma ve Karar Yazıları15
- Embedding Modeli Seçimi: Türkçe İçerikte Nelere BakmalıRAG
- Vektör Veritabanı Karşılaştırması 2026: Pinecone, Weaviate, Qdrant, Milvus, pgvectorRAG
- Vektör Veritabanı Karşılaştırması 2026: Qdrant, Pinecone, Weaviate, Milvus ve pgvectorRAG
- RAG mı, Uzun Bağlam Penceresi mi? 2026'da Doğru Mimariyi SeçmekRAG
- Vektör Veritabanı Seçimi 2026: Qdrant, pgvector, Pinecone ve Milvus KıyaslamasıRAG
- Yönetilen mi Self-Hosted mı? Pinecone ve Qdrant 2026RAG
- Vektör Veritabanı Karşılaştırması: Qdrant, Milvus, Weaviate, pgvectorRAG
- RAG için Vektör Veritabanı 2026: Chroma'dan Milvus'aRAG
- Vektör Veritabanı Benchmark 2026: HNSW ve KuantizasyonRAG
- GraphRAG mı Vektör RAG mı? Üretim İçin Hibrit Router Karar Rehberi (2026)RAG
- Vektör Veritabanı Karşılaştırması: pgvector, Qdrant, Milvus, Weaviate (2026)RAG
- GraphRAG mı, Vektör RAG mı? 2026'da Üretim İçin Doğru Retrieval Mimarisini SeçmekRAG
- Embedding Modeli Seçimi 2026: Türkçe RAG İçin Doğru Vektörleştiriciyi Bulmak (Qwen3, Cohere, OpenAI, BGE-M3)RAG
- Kurumsal RAG için Vektör Veritabanı Seçimi 2026: pgvector mı, dedicated çözüm mü?RAG
- Context Engineering Çağı: Prompt Caching, Long Context vs RAG ve Runtime State Management (2026 Rehberi)RAG
Kavram Açıklayıcıları9
- Veri Kalitesi Nedir? 6 Boyut, Ölçüm ve Yapay Zeka EtkisiRAG
- Semantik Arama Nedir? Anlamsal Arama ve Embedding RehberiRAG
- Yapay Zeka Halüsinasyonu Nedir? Nedenleri ve Önleme YollarıRAG
- Vektör Veritabanı Nedir? Anlamsal Arama ve Embedding RehberiRAG
- Reranker Nedir? Erişim Kalitesini Yükselten İkinci Aşama RehberiRAG
- GraphRAG Nedir? Vektör RAG ile Hibrit Mimari KararıRAG
- Chunking (Belge Bölümleme) Nedir?RAG
- Embedding Nedir? Türkçe Modellerle Semantik Arama RehberiRAG
- RAG Nedir? Kurumsal Bilgi Erişimi İçin Kapsamlı Türkçe RehberRAG
Uygulama Rehberleri10
- Kurumsal RAG: Mimari, Kurulum ve Ölçüm RehberiRAG
- Vektör Veritabanları 2026: pgvector Yükselişi, 'Özellik Olarak Vektör' ve Üretim Seçim RehberiRAG
- Reranker Gerçekten Gerekli mi? Benchmark ve Karar RehberiRAG
- Late Chunking ve Bağlamsal Getirme: 2026 RAG Parçalama RehberiRAG
- RAG Mimarisi Nasıl Kurulur? Chunking'den Eval'e Üretim RehberiRAG
- RAG (Retrieval-Augmented Generation) Üretim Rehberi: Türk Şirketleri İçin Uçtan Uca MimariRAG
- Doğru Dosya Geliyor Ama Cevap Neden Hâlâ Yanlış? RAG Sistemlerinde Chunking, Evidence Selection ve Grounding RehberiRAG
- Text Classification, NER, Summarization ve QA Sistemleri için Doğru NLP Yaklaşımı Nasıl Seçilir?RAG
- Hybrid Search, Metadata Filtering ve Query Rewriting ile RAG Kalitesi Nasıl Artırılır?RAG
- Kurumsal RAG Sistemi Nasıl Tasarlanır? Chunking, Embedding, Retrieval ve Reranking RehberiRAG
Derinlemesine İncelemeler22
- Meta Veri Tasarımı: RAG'de Filtrelemenin TemeliRAG
- RAG Değerlendirmesi: Getirme ve Üretim Kalitesini Ayrı ÖlçmekRAG
- Hibrit Arama: Anlamsal ve Anahtar Kelime Aramasını BirleştirmekRAG
- RAG Değerlendirme: RAGAS ile Faithfulness, Context Precision ve RecallRAG
- Hibrit Arama: RAG'de BM25 ve Vektör Aramayı BirleştirmekRAG
- RAG Değerlendirme 2026: RAGAS, Faithfulness, OpenTelemetry ve Başarılı Çıktı Başına MaliyetRAG
- Adaptif ve Agentic RAG 2026: Üretim Desenleri, Reranking ve GözlemlenebilirlikRAG
- Agentic RAG'te Bağlam Mühendisliği: Token Maliyetini Düşüren Üretim Desenleri (2026)RAG
- Multimodal (Görsel) RAG: Belgelerdeki Tablo ve Grafikleri Nihayet Aranabilir KılmakRAG
- RAG'de Hibrit Arama: BM25 + Vektör + Yeniden Sıralama ile Doğruluğu YükseltmekRAG
- RAG Değerlendirmesi 2026: Faithfulness, Context Precision ve Ragas ile Kaliteyi ÖlçmekRAG
- Late Chunking ve Contextual Retrieval: RAG Doğruluğunu Artıran 2026 TeknikleriRAG
- Agentic RAG Mimari Desenleri: Router'dan Self-RAG'e 5 Pattern (2026)RAG
- Chunking Stratejileri: RAG'de Belge Bölümleme En İyi UygulamalarıRAG
- RAG Neden Çöküyor? Üretimde Retrieval Hataları ve Adaptif Yönlendirme (2026)RAG
- Vektör Veritabanı Ölçeklendirme: 10M-50M, KVKK ve BDDKRAG
- RAG'de Reranking ve Hibrit Arama: Cross-Encoder ile Üretim Kalitesi (2026)RAG
- LLM ve RAG Değerlendirme 2026: 'Çalışıyor Gibi'den Ölçülebilir Kaliteye (Eval Setleri, LLM-as-Judge, RAGAS)RAG
- Agentic RAG ile Klasik RAG'ı 2026'da Tamamen Bitirin: LangGraph Üzerinde Üretim MimarisiRAG
- Prompt Engineering Yetmezse Ne Yapmalı? Workflow, Retrieval ve Tool Use Gerektiren DurumlarRAG
- RAG Projeleri Neden Başarısız Olur? Veri Hazırlığı, Evaluation ve Prompt Katmanındaki Kritik HatalarRAG
- Doküman Tabanlı AI Asistanı Geliştirme: PDF, Wiki, SOP ve Politika Verileriyle Güvenli RAGRAG
Derlemeler ve Listeler1
Daha derine
RAG Çözüm Mimarisi
RAG (Retrieval-Augmented Generation), büyük dil modellerinin cevaplarını organizasyonun kendi belge / veri kaynaklarından alınan parçalar (chunks) ile zenginleştirerek hem güncellik hem de kaynak izi (citation) sağlayan bir mimari yaklaşımdır.