Model Online/Fiziksel
Süre
Modüller 6 modül

Eğitimin Amacı ve Kapsamı

Dil modelleri kurum içi güncel prosedürleri, ürün dokümanlarını veya sözleşmeleri eğitim verisinde barındırmaz; RAG (Retrieval-Augmented Generation), modeli yeniden eğitmeden kurumsal bilgi kaynaklarıyla güvenli ve kaynak göstererek buluşturmanın temel yöntemidir. Bu eğitim; bir RAG sisteminin indeksleme (ingestion) ve sorgulama (retrieval + generation) aşamalarını baştan sona yalın bir mimariyle açıklar.

Katılımcılar kurum dokümanlarını temsil eden bir veri seti üzerinde parçalama (chunking), embedding üretimi, vektör arama ve kaynak atıflı yanıt üretiminden oluşan ilk çalışan RAG asistanını geliştirir ve sık yapılan hataları inceler.

Kimler Katılmalı?

  • Kurum içi bilgi tabanı ve doküman soru-cevap projelerine başlayan yazılım geliştiriciler
  • LLM uygulamalarını şirket verisiyle bağlamak isteyen veri bilimciler ve yapay zeka mühendisleri
  • RAG projelerinin teknik işleyişini ve sınırlarını anlamak isteyen çözüm mimarları ve teknik liderler
  • Ön koşul: Temel Python bilgisi ve LLM API kavramlarına aşinalık

Kazanımlar

  • Bir RAG mimarisinin indeksleme, retrieval ve generation aşamalarını uçtan uca kurar
  • Ne zaman RAG, ne zaman uzun context veya fine-tuning kullanılacağını teknik gerekçeyle seçer
  • Belge temizleme, chunk boyutu ve overlap ayarlarının arama kalitesine etkisini deneyerek görür
  • Yalnızca getirilen kaynaklara dayanan ve kaynak referansı veren grounded prompt'lar yazar
  • Yanlış getirme (retrieval failure) ile yanlış üretim (generation failure) sorunlarını birbirinden ayırır

Konular

Neden RAG? Mimari Genel Bakış
  • Parametrik bilgi ile harici kurumsal bilginin birleştirilmesi
  • İndeksleme (offline) ve sorgulama (online) boru hatlarının bileşenleri
Belge Yükleme ve Temel Chunking
  • PDF, Word, Markdown ve HTML belgelerinden temiz metin ve metadata çıkarımı
  • Sabit boyutlu ve yapı duyarlı (recursive/başlık bazlı) parçalama temelleri
Embedding Modelleri ve Vektör Arama
  • Metinlerin vektör uzayında temsili ve kosinüs benzerliğiyle semantik arama
  • Vektör indeksleme ve top-k komşu getirme mantığı
Prompt Kurulumu, Grounding ve Kaynak Gösterimi
  • Getirilen parçaların metadata ve kaynak kimlikleriyle prompt'a yerleştirilmesi
  • "Bilmiyorum" diyebilen ve satır içi kaynak referansı üreten talimat tasarımı
Tipik RAG Hata Modları ve İlk Kalite Kontrolleri
  • Eksik parça getirme, gürültülü context ve halüsinasyon ayrımı
  • Örnek soru-cevap setiyle hızlı doğruluk kontrolü
Uygulama: Kaynak Gösteren İlk Kurumsal RAG Asistanı
  • Örnek kurumsal doküman seti üzerinde uçtan uca RAG prototipi
  • Farklı chunk ve top-k ayarlarının canlı karşılaştırması

Bu Kategorideki Diğer Eğitimler

  • Embedding Modelleri ve Semantik Arama (Semantic Search)

    Dense, sparse (SPLADE/BM25), Matryoshka ve late-interaction (ColBERT) embedding modellerini; çok dilli/Türkçe arama kalitesini, domain uyarlamasını ve yüksek doğruluklu semantik arama sistemlerini kapsayan program.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • Vector Database Mimarileri (pgvector, Milvus, FAISS, Weaviate, Pinecone)

    HNSW, IVF, DiskANN ve PQ indeksleme algoritmalarını; pgvector, Milvus, Qdrant, Weaviate, FAISS ve Pinecone mimarilerini; filtreli ANN aramasını, multi-tenancy ve ölçekleme kararlarını kapsayan mühendislik programı.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • RAG için Veri Hazırlama, Belge Ayrıştırma ve Chunking

    Karmaşık PDF, Word, tablo ve taranmış kurumsal belgeleri Docling, Unstructured ve VLM'lerle ayrıştırma; yapısal, semantik, parent-child ve contextual chunking stratejileriyle yüksek kaliteli RAG indeksi kurma programı.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • RAG Sistemlerinde Kaynak Gösterimi, Grounding ve Halüsinasyon Kontrolü

    Kurumsal RAG asistanlarında yanıtların yalnızca getirilen kanıtlara dayanmasını (grounding), satır içi doğrulanabilir kaynak atfı (citation) üretmesini, çelişkili bilgileri yönetmesini ve kanıt yoksa çekimser kalmasını sağlayan program.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele
  • İleri Seviye RAG İleri Seviye RAG

    BM25-dense hibrit arama, ColBERT, neural reranking, kendi kendini doğrulayan Agentic RAG, GraphRAG, Text-to-SQL ve GPU hızlandırmalı kurumsal RAG mimarileri.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal, Bireysel
    Canlı Kurs
    10 modül
    İncele
  • Hibrit Arama ve Yeniden Sıralama (Hybrid Search & Reranking)

    BM25/SPLADE anahtar kelime araması ile vektör aramasını RRF/ağırlıklı füzyonla birleştiren, sorgu genişletme (HyDE, multi-query) ve cross-encoder/ColBERT reranker modelleriyle RAG isabetini yükselten program.

    RAG ve Kurumsal Bilgi Sistemleri Kurumsal
    Canlı Kurs
    6 modül
    İncele

Bizimle iletişime geçin