Model Online/Fiziksel
Süre
Modüller 6 modül

Eğitimin Amacı ve Kapsamı

Standart (naive) RAG; tek bir arama yapıp gelen parçaları doğrudan modele verir. Oysa "2024 ve 2025 tedarikçi sözleşmelerindeki fesih maddelerini karşılaştırıp mevcut SLA tablosuna göre riskimizi çıkar" gibi çok adımlı kurumsal sorular; alt sorgulara bölme, birden fazla veri kaynağını (vektör indeksi, SQL, API) çağırma ve ilk aramada eksik kanıt geldiğinde sorguyu değiştirip yeniden arama yapma yeteneği gerektirir.

Bu eğitim; Adaptive RAG, Corrective RAG (CRAG) ve Self-RAG kalıplarını, LangGraph/LlamaIndex Workflows ile durum makineli (stateful) arama döngülerini ve sonsuz döngü/gecikme bütçesi kontrollerini uygulamalı olarak ele alır.

Kimler Katılmalı?

  • Tek adımlı RAG'ın yetersiz kaldığı karmaşık araştırma ve analiz asistanları geliştiren yapay zeka mühendisleri
  • Doküman aramasını SQL, API ve iç araçlarla birleştiren yazılım mühendisleri ve mimarlar
  • İleri seviye RAG ve agent mimarileri üzerinde çalışan veri bilimciler
  • Ön koşul: RAG temelleri, tool calling ve Python ile uygulama geliştirme deneyimi

Kazanımlar

  • Basit soruları hızlı RAG'a, çok adımlı soruları agentic döngüye yönlendiren Adaptive RAG kurar
  • Karmaşık soruları bağımsız veya sıralı alt sorgulara (query decomposition / multi-hop) ayırır
  • Getirilen parçaların alaka düzeyini değerlendirip (document grading) yetersizse sorguyu yeniden yazar
  • Vektör veritabanı, tam metin arama, SQL ve iç API'leri araç olarak kullanan birleşik bir ajan tasarlar
  • Maksimum adım, token bütçesi ve erken çıkış (early stopping) kurallarıyla latency ve maliyeti sınırlar

Konular

Doğrusal RAG'dan Döngüsel Agentic RAG'a Geçiş
  • Tek adımlı retrieval'ın sınırları: karşılaştırma, çoklu kanıt birleştirme (multi-hop) ve belirsiz sorgular
  • Serbest otonom ajan (ReAct) ile kontrollü durum grafiği (state graph) yaklaşımlarının farkı
Sorgu Planlama, Ayrıştırma ve Kaynak Yönlendirme
  • Paralel alt sorgu üretimi ve bir önceki adımdan gelen cevaba göre ikinci adımı sorma (multi-hop)
  • Vektör indeksi, ilişkisel veritabanı ve harici API'ler arasında akıllı yönlendirme (routing)
Corrective RAG (CRAG) ve Self-RAG Kalıpları
  • Getirilen belgelerin alaka kontrolü (relevance grader) ve düşük skorda sorgu yeniden yazımı
  • Üretilen yanıtın kanıta sadakatini ve soruyu tam yanıtlayıp yanıtlamadığını denetleyen öz-düzeltme döngüsü
LangGraph ile Durumlu (Stateful) Agentic RAG İnşası
  • Graf durumu (state schema), düğümler, koşullu kenarlar ve paralel Map-Reduce arama dalları
  • Kullanıcıya ara adımları ("Şu kaynaklar taranıyor...") canlı akışla (streaming) bildirme
Maliyet, Gecikme ve Döngü Güvenliği
  • Sonsuz yeniden yazma döngülerini önleme, maksimum iterasyon ve token bütçesi sınırı
  • Ara değerlendirme adımlarında hızlı küçük modeller (SLM) kullanarak gecikmeyi düşürme
Uygulama: Çok Kaynaklı Kurumsal Araştırma Asistanı
  • Kurum senaryosu üzerinde doküman + yapısal veri kullanan LangGraph tabanlı Agentic RAG
  • Tek adımlı RAG ile çok adımlı Agentic RAG'ın doğruluk ve latency karşılaştırması

Bu Kategorideki Diğer Eğitimler

Bizimle iletişime geçin