RAG: Şirket Belgelerinden Yanıt ve Ambardan Farkı
RAG, yapay zekânın şirket belgelerinden kaynak göstererek yanıt vermesini sağlar; veri ambarı ise sayıları hesaplar. İkisinin farkı, doğru işi doğru araca vermek.

Yeni bir çalışan sorar: 'Yıllık izin devri kaç gün?' Başka biri sorar: 'Geçen çeyrekte Ege bölgesinin cirosu ne kadardı?' İkisi de bir yapay zekâ asistanına yöneltilebilir, ama iki soru farklı türde bilgiyi gerektirir. Birincisi bir metin parçasında yazar, ikincisi bir hesaplamanın sonucudur. Karıştırılırsa ya yanlış sayı ya da uydurma bir madde ortaya çıkar.
RAG nedir
RAG (retrieval-augmented generation, getirmeyle zenginleştirilmiş üretim), bir dil modelinin yanıtını vermeden önce ilgili belge parçalarını bulup bağlama koymasıdır. Kavramı ortaya koyan makale (Lewis ve ark., 2020), modelin önceden eğitilmiş belleğini, bir vektör dizinine erişen bir getirici ile birleştirdiğini anlatır; orijinal çalışmada bu dizin Wikipedia'dır. Şirket uygulamasında dizin, sizin belgelerinizdir. Kaynak: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
Hangi soru hangi araca
- Belge sorusu (RAG): prosedür, sözleşme maddesi, politika, ürün kılavuzu, geçmiş yazışma. Cevap bir metinde yazar ve kaynağı gösterilebilir.
- Sayı sorusu (veri ambarı): ciro, stok, alacak bakiyesi, sapma. Cevap bir toplama, süzme ve karşılaştırma ister; tanımı tek yerde yazılı bir ölçüden çıkmalıdır.
- Karışık soru: 'Bu müşterinin sözleşmesindeki vade ile fiili tahsilat süresi arasındaki fark ne?' İlk yarı belgeden, ikinci yarı ambardan gelir; ikisini ayrı araçlardan alıp birleştirmek gerekir.
RAG'ı sayı için kullanmanın riski
RAG belgelerden parça getirir; getirilen parçada yazan sayıyı doğru aktarır, ama toplamayı, süzmeyi ya da dönemsel karşılaştırmayı belge parçalarından yapmaya çalışırsa hata yapma payı yüksektir. Bir PDF raporun içindeki tabloyu 'getirmek', o tablonun tanımını ve güncelliğini doğrulamaz. Sayılar için model aritmetik yapmamalı; hesap ambarda yapılmalı, modele yalnızca sonucun anlatımı kalmalıdır.
Bir RAG kurarken
- Belge envanteri: hangi belgeler dizine girecek, kim sahibi, ne kadar güncel? Eski ve çelişkili sürümler yanıtı bozar.
- Erişim hakları: kullanıcı normalde göremeyeceği belgeden yanıt almamalı. Yetkiyi getirme aşamasında uygulayın; yanıttan sonra değil.
- Kaynak gösterme: her yanıt, dayandığı belgeyi ve bölümü göstermeli; kullanıcı doğrulayabilmeli.
- 'Bulamadım' demek: ilgili belge yoksa asistan tahmin yürütmemeli.
- Gerçek sorularla sınama: kullanıcıların sorduğu elli kadar soruyu ve doğru kaynağını yazın; her değişiklikten sonra yeniden koşun.
- Kişisel veri: özlük dosyası, müşteri yazışması gibi belgeler dizine girecekse KVKK değerlendirmesi önce yapılır.
Floemdata'da durum
RAG, Floemdata'nın bir özelliği değildir. Ürün belgelerinde yapay zekâ asistanı yol haritasında yer alır ve tasarım kararlarından biri, panel ile asistanın sayıları aynı ölçü derleyicisinden alması olarak kayıtlıdır. Asistanın şirket belgelerinde arama yapacağına dair bir kayıt bulamadık; bu doğrulanmadı. Bu yazı genel bilgidir ve Floemdata'nın bugünkü bir özelliğini anlatmaz.
Başlangıç için çalışanların son ay boyunca sorduğu soruları iki yığına ayırın: belgede yazanlar ve hesaplanması gerekenler. Oran, nereye yatırım yapacağınızı gösterir. Sorularınız için Floemdata ekibine info@floemdata.com adresinden ulaşabilirsiniz.