Eğitimin Amacı ve Kapsamı
Yalnızca vektör benzerliğine (dense similarity) dayanan RAG sistemleri; eski yılın fiyat listesini güncel sanır, farklı departmanların dokümanlarını birbirine karıştırır ve kullanıcının görmeye yetkili olmadığı parçaları bağlama taşır. Bu eğitim, RAG ve agent mimarilerinde yüksek doğruluklu arama ve güvenlik sağlayan metadata katmanını uçtan uca tasarlamayı öğretir.
Doküman ve chunk seviyesinde metadata şeması, LLM/GLiNER ile yapılandırılmış metadata çıkarımı, self-querying retriever ile doğal dil sorusundan metadata filtresi üretme, zamansal geçerlilik (valid_from/valid_to), kaynak atfı (citation) ve belge bazlı ACL filtreleme uygulamalı olarak işlenir. Katılımcılar kurumun bilgi tabanı için bir metadata şeması ve filtreleme pipeline'ı geliştirir.
Kimler Katılmalı?
- Kurumsal RAG, arama ve bilgi asistanı geliştiren yapay zeka mühendisleri
- Vektör indekslerini ve doküman hazırlama hatlarını kuran veri mühendisleri
- Agent araçlarını (tools) ve bilgi kaynaklarını tanımlayan platform geliştiricileri
- Ön koşul: Python, temel RAG/vektör veri tabanı kavramları ve LLM API kullanımı
Kazanımlar
- Arama uzayını daraltan ve halüsinasyonu azaltan doküman ve chunk seviyesi metadata şeması tasarlar
- Ingestion sırasında başlık hiyerarşisi, özet, varlık (entity), tarih ve kategori bilgilerini otomatik çıkarır
- Kullanıcı sorgusundan yapısal filtreler (self-query) üreterek hibrit arama ve pre-filtering uygular
- Sürüm ve geçerlilik tarihi metadata'sı ile yürürlükten kalkmış dokümanların yanıt üretmesini engeller
- Kullanıcı kimliğini (RBAC/ABAC/grup) vektör sorgusuna bağlayarak yetkisiz bilgi sızıntısını önler
Konular
RAG ve Agent Sistemlerinde Metadata'nın Rolü
- Saf vektör aramasının (naive RAG) başarısız olduğu zamansal, yapısal ve yetki senaryoları
- Doküman seviyesi, chunk seviyesi ve araç (tool) seviyesi metadata katmanları
Otomatik Metadata Çıkarımı ve Zenginleştirme
- Deterministik çıkarım (dosya yolu, yazar, breadcrumb başlıklar) ve NER/GLiNER kullanımı
- Yapısal çıktılı (structured output) LLM'lerle özet, anahtar kavram ve varsayımsal soru (HyPE) üretimi
Payload İndeksleme, Pre-Filtering ve Self-Querying
- Vektör veri tabanlarında (Qdrant, Milvus, pgvector, OpenSearch) filtreli HNSW arama performansı
- Kullanıcı sorusundan tarih, ürün ve departman filtresi çıkaran self-querying retriever'lar
Zamansal Geçerlilik, Sürüm Yönetimi ve Kaynak Atfı (Citations)
- valid_from, valid_to, is_latest ve supersedes alanlarıyla güncel bilgiyi garanti etme
- Sayfa, bölüm ve kaynak URL bilgisini LLM yanıtında doğrulanabilir referans olarak sunma
Güvenlik (ACL) Metadata'sı ve Agent Tool Seçimi
- SharePoint/Drive/Confluence izinlerini chunk metadata'sına senkronize etme ve güvenlik filtreleri
- Agent'ların doğru veri kaynağını ve MCP aracını seçmesini sağlayan zengin tool/katalog metadata'sı
Bu Kategorideki Diğer Eğitimler
-
Web Scraping (Web Kazıma)
BeautifulSoup, Scrapy ve Playwright ile statik ve dinamik web kaynaklarından ölçeklenebilir veri toplama, anti-bot engellerini aşma, LLM destekli veri çıkarımı ve Pandas ile veri doğrulama süreçlerini kapsayan uygulamalı Web Scraping eğitimi.
- Canlı Kurs
- 13 modül
-
Data Science (Veri Bilimi)
Python, Pandas, SQL ve Scikit-learn ile veri analizi ve makine öğreniminden PyTorch/TensorFlow ile derin öğrenme, LLM'ler, Apache Spark ve MLOps süreçlerine uzanan uçtan uca Data Science eğitimi.
- Canlı Kurs
- 18 modül
-
Veri bilimi yaşam döngüsü (CRISP-DM), keşifsel veri analizi, temel makine öğrenmesi kavramları ve model değerlendirme; veriyle karar almak isteyen analist ve iş ekipleri için uçtan uca ilk proje deneyimi.
- Canlı Kurs
- 5 modül
-
NumPy, pandas, Matplotlib/Seaborn ve scikit-learn ile veri okuma, temizleme, dönüştürme ve görselleştirme; Jupyter ortamında tekrar kullanılabilir analiz notebook'ları yazmak isteyen analist ve geliştiriciler için.
- Canlı Kurs
- 5 modül
-
Betimsel istatistik, olasılık dağılımları, hipotez testleri, güven aralıkları, A/B testi ve regresyon; Python ile uygulamalı olarak veri bilimci ve analistlerin istatistiksel olarak doğru karar vermesi için.
- Canlı Kurs
- 5 modül
-
Gradient boosting (XGBoost, LightGBM), hiperparametre optimizasyonu, zaman serisi tahmini, SHAP ile açıklanabilirlik ve MLflow ile deney takibi; modelleri production'a taşımak isteyen deneyimli veri bilimciler için.
- Canlı Kurs
- 6 modül
Bizimle iletişime geçin
