Danışmanlarımızın Hizmet Verdiği Kurumlar

Program
10 modül
Süre
Kapsama göre 2 ila 5 gün
Format
Yerinde, online veya hibrit
Belge
Katılım belgesi; talep halinde Boğaziçi Üniversitesi onaylı

Bir RAG sistemi nerede bozulur?

Demo çalışır, production zorlar. Eğitim bir RAG sisteminin altı aşamasını tek tek kurar; her aşamada en sık yapılan hatayı ölçerek bulmayı ve düzeltmeyi öğretir.

  1. Ingestion

    PDF, wiki ve proje dokümanlarını sisteme alma, parse etme ve temizleme.

    Sık hataTablolar ve başlıklar parse sırasında kaybolur.

  2. Chunking ve metadata

    Dokümanı anlamlı parçalara bölme; kaynak, tarih ve birim gibi alanları ekleme.

    Sık hataBir tablo iki chunk'a bölünür, yanıt yarım kalır.

  3. Embedding ve vektör DB

    Embedding modelini ve vektör veritabanını veri hacmine ve dile göre seçme.

    Sık hataTürkçe sorgularda zayıf kalan bir embedding modeli seçilir.

  4. Retrieval ve reranking

    BM25 ve semantic aramayı birleştiren hybrid retrieval; sonuçları reranker ile sıralama.

    Sık hataDoğru parça bulunur ama ilk sıralara çıkmaz.

  5. Generation

    Getirilen bağlamdan, her iddiayı kaynağına bağlayarak yanıt üretme.

    Sık hataModel kaynakta olmayan bilgiyi yanıta ekler.

  6. Evaluation ve guardrail

    Retrieval ve yanıt kalitesini ölçme; prompt injection ve veri sızıntısına karşı koruma.

    Sık hataKalite ölçülmez; sorunlar kullanıcı şikayetiyle fark edilir.

RAG mı, fine-tuning mi, long context mi?

Her kurumsal bilgi problemi RAG ile çözülmez. Eğitim, üç yaklaşım arasındaki seçimi problemin yapısına göre yapmayı öğretir.

İhtiyaç RAG Fine-tuning Long context
Bilgi sık değişiyor Uygunİndeks güncellenir, model değişmez. Uygun değilHer değişiklikte yeniden eğitim gerekir. KısmenHer zaman güncel, ama tüm dokümanlar her istekte gönderilir; maliyet ve gecikme artar.
Yanıt kaynak göstermeli UygunHer yanıt getirilen parçalara bağlanır. Uygun değilBilgi modelin içine gömülür, kaynak gösterilemez. KısmenMümkün, ama doküman sayısı sınırlıdır.
Doküman havuzu büyük UygunMilyonlarca chunk'a ölçeklenir. Uygun değilOlguları güvenilir biçimde öğretmez; bilgi için değil davranış için kullanılır. Uygun değilContext window'a sığmaz.
Üslup ve format öğretilecek KısmenPrompt ile sınırlı ölçüde. UygunBu iş için en uygun yöntemdir. KısmenÖrneklerle sınırlı ölçüde.
Kullanıcıya göre erişim yetkisi UygunRetrieval sırasında doküman düzeyinde yetki filtresi uygulanır. Uygun değilModele öğretilen bilgi her kullanıcıya açılır. KısmenYetkili dokümanlar istek başına seçilebilir, ama ölçek sınırlıdır.

Üç yaklaşım birbirini dışlamaz: RAG, üslup ve format için fine-tune edilmiş bir modelle, tekrarlanan bağlam için prompt caching ile birlikte kullanılabilir.

Kimler için?

Kurumsal arama, doküman arama ya da bilgi asistanı geliştirecek teknik ekipler için. Python ile çalışabilmek yeterli; LLM ve RAG kavramları baştan ele alınır.

  • Backend ve yazılım geliştiriciler

    Kurumsal arama, doküman asistanı ya da bilgi servisi geliştirecek ekipler.

  • AI ve ML mühendisleri

    Mevcut bir RAG prototipini ölçülebilir kaliteyle production'a taşımak isteyenler.

  • Veri bilimciler

    Retrieval kalitesini ölçmek, evaluation kurgulamak ve iyileştirmek isteyenler.

  • Teknik ekip liderleri

    RAG mimarisi, maliyet ve güvenlik kararlarını verecek ve ekibini yönlendirecek liderler.

Program

On modül. Temel pipeline'dan agentic RAG'e kadar her modül uygulamayla ilerler; modüllerin ağırlığı ekibinizin seviyesine ve hedefine göre belirlenir.

  1. RAG'e giriş ve kurumsal kullanım

    RAG neden gerekir, hangi senaryolarda fine-tuning yerine tercih edilir; grounded ve kaynaklı yanıt; doğruluk, güncellik ve izlenebilirlik ihtiyacı.

  2. Veri hazırlama ve retrieval temelleri

    PDF, wiki ve markdown ingestion, parsing ve temizleme; chunking stratejileri, metadata tasarımı; embedding modeli ve vektör veritabanı seçimi.

  3. Temel RAG pipeline

    Ingestion'dan yanıta uçtan uca akış; retrieval sonucunu prompt'a bağlama, kaynak gösterme ve hallucination'ı azaltmada retrieval'ın rolü.

  4. Uygulamalı mini RAG servisi

    FastAPI, bir LLM API'si ve vektör veritabanıyla çalışan soru-cevap servisi: doküman yükleme, embedding, retrieval ve generation.

    Atölye Her katılımcı kendi mini RAG servisini ayağa kaldırır.

  5. Prompt, evaluation ve debugging

    RAG için prompt yapıları ve structured output; recall@k ve MRR ile retrieval, faithfulness ve LLM-as-judge ile yanıt kalitesini ölçme; golden set ve regression testleri.

  6. Advanced RAG mimarileri

    Hybrid retrieval, reranking, multi-query ve query rewriting; Türkçe için BM25 analyzer ve stemming; context compression ve filtering; GraphRAG'e giriş.

  7. Agentic RAG

    Klasik RAG ile agent farkı; tool calling, planlama ve farklı veri kaynaklarını birlikte kullanan çok adımlı bilgi erişimi.

  8. Workflow entegrasyonu

    Harici API ve webhook entegrasyonu, rate limit ve hata yönetimi; kritik adımlarda human-in-the-loop onayı.

  9. Production, güvenlik ve guardrail

    API-first servis, latency ve token maliyeti; prompt injection ve data leakage'a karşı guardrail katmanı; retrieval sırasında doküman düzeyinde yetki filtresi ve role-based access control.

  10. Capstone: kurumsal bilgi asistanı

    Farklı kaynaklardaki dokümanlardan kaynaklı yanıt veren bir bilgi asistanının mimarisi, geliştirilmesi ve sunumu.

    Çıktı Kurumunuzun senaryosuna uyarlanabilir, çalışan bir prototip.

Teklif alın

Format ve belge

Belge

Tüm katılımcılara RuneLab Akademi katılım belgesi verilir. Talep halinde eğitim Boğaziçi Üniversitesi Yaşamboyu Eğitim Merkezi ile birlikte yürütülür ve belge BÜYEM onaylı düzenlenir.

Boğaziçi Üniversitesi Yaşamboyu Eğitim Merkezi logosu

Sıkça Sorulan Sorular

RAG nedir?

RAG, yani Retrieval-Augmented Generation, bir dil modelinin yanıt üretmeden önce ilgili bilgiyi kurumun kendi dokümanlarından getirmesi ve yanıtı bu kaynaklara dayandırmasıdır. Model yeniden eğitilmez; dokümanlar güncellendikçe yanıtlar da güncellenir ve her yanıt kaynağını gösterebilir.

Katılımcıların hangi bilgiye sahip olması gerekir?

Python ile çalışabilmek ve bir API'ye istek göndermeyi bilmek yeterli. LLM ve RAG kavramları ilk modülde baştan ele alınır; deneyimli ekipler için program advanced RAG ve agentic RAG modüllerine ağırlık verecek şekilde uyarlanır.

Süre neden 2 ila 5 gün arasında değişiyor?

Program ekibin seviyesine ve hedefine göre kurgulanır. Temel pipeline ve mini RAG servisine odaklanan program iki günde; advanced RAG, agentic RAG, entegrasyon ve capstone projesini kapsayan tam program beş günde tamamlanır.

Hangi araçlar kullanılıyor?

Uygulamalar LangChain veya LlamaIndex, BGE-M3 gibi embedding modelleri ve Qdrant, Milvus, Weaviate, pgvector ya da FAISS ile yapılır; seçenekler kullanım senaryosuna göre karşılaştırılır. Evaluation için RAGAS kullanılır. Kurumunuz bulut modellerini kullanamıyorsa uygulamalar kurum içinde çalışan açık kaynak modellerle de yapılabilir.

Uygulamalarda şirket verimiz kullanılıyor mu?

Hayır. Uygulamalar bizim hazırladığımız örnek doküman setleriyle yapılır; gerçek şirket verisi hiçbir araca girilmez. Capstone projesi kurumunuzun senaryosuna göre kurgulanır.

Local LLM Eğitimi'nden farkı ne?

Bu eğitim, kurumsal bilgiye kaynaklı erişim sağlayan sistemlerin tasarımına odaklanır ve bulutta ya da kurum içinde çalışan her modelle uygulanabilir. Local LLM Eğitimi ise modelin kendisini kurumunuzun sunucularında çalıştırmayı öğretir. Verisini dışarı çıkaramayan kurumlar iki programı birlikte planlayabilir. Local LLM Eğitimi'ni inceleyin.

RuneDesk varken neden RAG eğitimi?

RuneDesk, RuneLab'ın geliştirdiği ve kurumunuzda kurulup hemen kullanılan eksiksiz bir yazılım ürünüdür. Kullanıcı girişi ve yetkilendirme, yönetim paneli ve kaynak gösteren yanıtlarla gelir; SharePoint, Confluence ve SAP gibi kaynaklara, veri tabanlarına ve Microsoft Teams ya da Slack gibi kanallara bağlanır; bulutta ya da kurum içinde çalışır. RAG eğitimi ise ekibinizin bu tür sistemlerin nasıl çalıştığını anlamasını, kendi ürünlerine RAG tabanlı özellikler eklemesini ve bir RAG çözümünü doğru ölçütlerle değerlendirmesini sağlar. Amacı hazır bir ürünün yerini almak değil, ekibinizin bu alanda doğru kararlar vermesi ve kendi ihtiyaçlarına özel çözümler geliştirebilmesidir. Kurumsal doküman asistanı ihtiyacı için RuneDesk, ekibinizin yetkinliği için eğitim; iki yol birbirini tamamlar.

Belge veriyor musunuz?

Tüm katılımcılara RuneLab Akademi katılım belgesi verilir. Talep ettiğiniz durumda eğitim Boğaziçi Üniversitesi Yaşamboyu Eğitim Merkezi ile birlikte yürütülebilir ve katılım belgesi BÜYEM onaylı düzenlenebilir.

Eğitmenleriniz kimler?

Eğitimi, RuneLab'de kurumsal AI projeleri yürüten, sektörde deneyimli senior AI engineer ve data scientist'ler verir.

İçerik kurumumuza göre uyarlanıyor mu?

Evet. Eğitim öncesi kısa bir görüşmeyle ekibinizin seviyesini, doküman kaynaklarınızı ve çözmek istediğiniz senaryoları öğreniyor, modülleri ve capstone projesini buna göre hazırlıyoruz.

Ücret nasıl belirleniyor?

Katılımcı sayısı, format ve içerik uyarlamasının kapsamına göre kurumunuza özel bir teklif hazırlıyoruz. Formu doldurun, bir iş günü içinde dönüş yapalım.

Ekibiniz için teklif alın

Katılımcı sayısını, ekibin teknik profilini, format ve tarih tercihinizi yazın; bir iş günü içinde dönüş yapalım.

Teklif alın