RAG ile kurumsal bilgi asistanı
RAG (Retrieval-Augmented Generation), bir dil modelinin soruyu cevaplamadan önce şirket dokümanlarınızda ilgili bölümleri bulduğu ve cevabını bu bölümlere dayandırdığı yöntemdir. Corrplus olarak prosedür, sözleşme, teknik doküman ve politika arşivinizden kaynak göstererek cevap veren, kullanıcının yetkisi olmayan belgeyi hiç kullanmayan bir bilgi asistanı kuruyoruz.
Ücretsiz görüşme planlayınSüre
Tek belge kümesiyle ilk çalışan sürüm genellikle 3–6 hafta içinde
Fiyatlandırma
Keşif görüşmesinden sonra sabit kapsamlı proje teklifi; model ve barındırma maliyeti sizin hesabınızda; isteğe bağlı aylık işletme.
Kullandığımız araçlar
pgvector (PostgreSQL), Qdrant, Supabase, OpenAI, Anthropic Claude ve Google Gemini modelleri, Azure OpenAI, Açık kaynak embedding modelleri
Kimler için
- Prosedür, talimat ve politika belgeleri SharePoint, Google Drive veya dosya sunucusunda dağınık duran şirketler
- Satış, destek veya saha ekibi teknik dokümanlarda cevap aramaya zaman harcayan üreticiler ve teknoloji firmaları
- Sözleşme, mevzuat ve iç yazışma arşivinde arama yapan hukuk, finans ve insan kaynakları birimleri
- Çalışanların şirket belgelerini kişisel ChatGPT hesaplarına yüklemesinden endişe eden BT ve uyum ekipleri
Ne zaman uygun değil
- Belgesi az olan veya belgelerini güncel tutmayan ekipler. Asistan, beslendiği içerik kadar doğru cevap verir; önce içerik düzeni gerekir.
- Sayısal analiz ve raporlama ihtiyacı. 'Geçen çeyrekte hangi bayi ne kadar sattı' sorusu veritabanı sorgusu ve raporlama işidir, RAG değil.
Teslim ettiklerimiz
- Kaynak envanteri ve erişim haritasıHangi belge kümelerinin dahil edileceği, kimin neyi görebileceği ve hangi verinin maskeleneceğinin yazılı dökümü.
- İndeksleme akışıBelgeleri parçalayan, vektörleştiren ve belge güncellendiğinde indeksi yenileyen otomatik akış (pgvector veya Qdrant).
- Kaynak gösteren asistanHer cevabın altında dayandığı belge ve bölümün bağlantısı; kaynak bulamadığında bunu açıkça söyleyen davranış.
- Erişim kontrolüKullanıcının yalnız yetkili olduğu belgelerden cevap almasını sağlayan, mevcut kimlik sisteminize (Microsoft Entra ID, Google Workspace) bağlı filtre.
- Kalite ölçümüGerçek sorulardan oluşan test seti ve cevap doğruluğunu düzenli ölçen değerlendirme raporu.
- Kullanım arayüzüWeb arayüzü veya Microsoft Teams ve Slack içinden erişim; gerektiğinde diğer yazılımlarınız için API.
Nasıl çalışıyoruz
Keşif
Ekiplerin en sık sorduğu soruları ve cevabın bugün hangi belgede durduğunu topluyoruz. Bu liste hem kapsamı hem ilk test setini belirler.
Tasarım
Belge kaynaklarını, yetki modelini, veritabanı seçimini ve verinin nerede barındırılacağını KVKK açısından yazılı hale getiriyoruz.
Kurulum
Tek bir belge kümesiyle başlıyor, test setiyle ölçüp iyileştiriyor, sonra yeni kaynakları ekliyoruz.
İşletme
Cevaplanamayan soruları izliyor, eksik içeriği belge sahiplerine bildiriyor ve indeksi güncel tutuyoruz.
Kurumsal bilgi asistanı ne işe yarar?
Çoğu şirkette bilgi var ama bulunmuyor. İş güvenliği talimatı bir klasörde, ürün teknik föyü başka bir klasörde, bayi sözleşmesinin son hali birinin e-postasında. Yeni çalışan soruyu kıdemli arkadaşına sorar, o da işini bırakıp cevaplar.
Bilgi asistanı bu soruyu doğal dilde alır, ilgili belgelerde arar ve cevabı kaynağıyla birlikte verir: “Bu bilgi Satın Alma Prosedürü, madde 4.2’den.” Kullanıcı tek tıkla belgeye gidip doğrulayabilir. Asistan cevabı bulamazsa uydurmaz, bulamadığını söyler.
RAG nasıl çalışır?
Belgeler küçük parçalara ayrılır ve her parça anlamını temsil eden bir sayı dizisine (embedding) çevrilir. Bu diziler pgvector veya Qdrant gibi bir vektör veritabanında tutulur. Soru geldiğinde anlamca en yakın parçalar bulunur, kullanıcının yetkisine göre süzülür ve dil modeline “yalnız bunlara dayanarak cevapla” talimatıyla verilir.
Aynı yöntemi kendi ürünümüz Promptor’da kullanıyoruz. Promptor, WordPress sitesinin sayfa ve yazılarını indeksleyip ziyaretçi sorularını bu içeriğe dayanarak cevaplıyor. Kurumsal projelerde ölçek ve yetki modeli farklı, ilke aynı.
Cevap kalitesini en çok belirleyen şey model değil, belgelerin nasıl parçalandığı ve doğru parçanın bulunup bulunmadığıdır. Bu yüzden ölçümü iki adımda yapıyoruz: doğru parça bulundu mu, bulunduysa model onu doğru kullandı mı?
RAG asistanı, chatbot ve LLM entegrasyonundan nasıl ayrılır?
| Konu | RAG bilgi asistanı | Chatbot | LLM entegrasyonu |
|---|---|---|---|
| Kim kullanır | Çalışanlar, iç kullanım | Web sitesi ve WhatsApp ziyaretçileri | Mevcut yazılımınızın kullanıcıları |
| Bilgi kaynağı | Çok sayıda iç belge, yetkiye göre süzülür | Herkese açık site içeriği, SSS, ürün bilgisi | Uygulamanın o anki kaydı |
| Kritik gereksinim | Kaynak gösterme ve erişim kontrolü | Konuşma akışı ve insana devir | Maliyet, hız ve tutarlılık |
| Nerede çalışır | Ayrı arayüz veya Teams içinde | Site penceresi ve WhatsApp hattı | Mevcut ekranlarınızda yeni bir düğme |
Bir chatbot da RAG kullanabilir; fark, kimin için ve hangi belgelerle çalıştığıdır. Dışarıya açık bir chatbot’a iç belge bağlanmaz. LLM entegrasyonu ise ayrı bir asistan değil, yazılımınızın bir ekranına eklenen özelliktir. Destek ekibiniz müşteri cevaplarında bu bilgi tabanını kullanacaksa yapay zeka müşteri hizmetleri sayfasına da bakın.
Nasıl başlıyoruz?
İlk görüşmede ekiplerinizin en sık sorduğu soruları ve cevaplarının durduğu yeri birlikte listeliyoruz. Bu liste ilk test setidir. Tek bir belge kümesiyle, örneğin İK politikaları veya ürün teknik dokümanlarıyla başlıyor, cevap kalitesini ölçüyor, sonra genişletiyoruz. Hangi belgelerin asistana girebileceğini KVKK açısından bu aşamada netleştiriyoruz. Daha geniş bir yol haritası için iki haftalık yapay zeka keşif programı ile başlayabiliriz.
Bu hizmet işinize nasıl uyar?
Mevcut durumunuzu ücretsiz ilk görüşmede anlatın; nereden başlamanın mantıklı olduğunu açıkça söyleyelim.
İlgili hizmetler ve kullanım senaryoları
İlgili yazılar
Chatbot mu, temsilci asistanı mı?Chatbot, temsilci asistanı ve ajan arasında seçim: talep türleri, insana devir, AI Act şeffaflığı ve kalite ölçümü.
RAG sistemi nasıl değerlendirilir?RAG sistemlerinde getirme ve üretim kalitesini ölçmek için test seti, metrik seçimi, LLM ile değerlendirme ve canlı izleme.
WordPress için RAGRAG'in WordPress sitelerinde arama, destek ve içerik keşfi için nasıl çalıştığı ve kurulumda hangi kararların önemli olduğu.Kendi ürünlerimiz
Müşteri projelerinde kullandığımız araçları ve kontrol listelerini kendi ürünlerimizde de kullanıyoruz.
Tüm ürünler →Terimler
- RAG (Retrieval-Augmented Generation)RAG (Retrieval-Augmented Generation), bir dil modelinin cevap üretmeden önce şirketinizin belgelerinden ilgili bölümleri bulup bağlam olarak kullanmasını sağlayan bir yapay zeka mimarisidir.
- Vektör veritabanıVektör veritabanı, metin, görsel veya ses gibi içerikleri temsil eden sayısal vektörleri saklayan ve bir sorguya anlamca en yakın kayıtları hızlıca bulan bir veritabanıdır.
- Embedding (vektör temsili)Embedding, bir kelimeyi, cümleyi, belgeyi veya görseli anlamını koruyacak şekilde sabit uzunlukta bir sayı dizisine (vektöre) çeviren ve benzer içerikleri birbirine yakın konumlandıran bir temsil yöntemidir.
- Yapay zeka halüsinasyonuYapay zeka halüsinasyonu, bir dil modelinin gerçekte var olmayan bir bilgiyi, kaynağı veya rakamı akıcı ve kendinden emin bir dille doğruymuş gibi üretmesi durumudur.
- Fine-tuning (ince ayar)Fine-tuning (ince ayar), önceden eğitilmiş bir yapay zeka modelini belirli bir görev, üslup veya çıktı biçimi için kendi örnek verilerinizle ek eğitimden geçirme işlemidir.
Sık sorulan sorular
RAG mı, modeli kendi verimizle eğitmek (fine-tuning) mi?
Şirket bilgisini cevaplatmak için çoğunlukla RAG. Belge değiştiğinde indeksi yenilemek yeter ve cevap kaynağını gösterir. Fine-tuning modelin üslubunu veya belirli bir çıktı biçimini öğretmek için uygundur; güncel bilgi taşımak için pahalı ve denetlemesi zordur.
Asistan uydurma cevap verir mi?
Risk sıfır değildir ama azaltılabilir. Asistanı yalnız bulunan belgelerden cevap verecek, kaynak bulamadığında bunu söyleyecek şekilde kuruyoruz. Her cevapta kaynak bağlantısı olduğu için kullanıcı doğrulayabilir; doğruluğu test setiyle düzenli ölçüyoruz.
Herkes her belgeyi görebilir mi?
Hayır. Arama aşamasında kullanıcının yetkisi kontrol edilir; yetkisi olmayan belgeden bir parça modele hiç gitmez. Yetkiler mümkün olduğunca mevcut SharePoint, Google Drive veya kimlik sisteminizden alınır.
Verilerimiz yurt dışına çıkar mı?
Tasarıma bağlı. Vektör veritabanını kendi sunucunuzda veya seçtiğiniz bölgede tutabiliriz. Model tarafında bulut sağlayıcıda bölge seçimi veya kendi sunucunuzda açık model seçenekleri var. Yurt dışına aktarım değerlendirmesini hukuk danışmanınızla birlikte yapıyoruz.
pgvector mı, Qdrant mı?
Zaten PostgreSQL veya Supabase kullanıyorsanız pgvector ayrı bir sistem gerektirmez ve çoğu belge hacmi için yeterlidir. Çok büyük hacim, gelişmiş filtreleme veya ayrı ölçekleme gerektiğinde Qdrant'ı öneriyoruz.
Taranmış PDF'ler ve Excel dosyaları da kullanılabilir mi?
Evet, ama ön işlem gerekir. Taranmış belgeler önce metne çevrilir (OCR), tablolar yapısı bozulmadan parçalanır. Kalitesiz taramalarda cevap kalitesi düşer; bunu keşif aşamasında örnek belgelerinizle test ediyoruz.
RAG ile kurumsal bilgi asistanı için ilk adımı birlikte atalım
Mevcut durumunuzu bir görüşmede anlatın; size uygun kapsamı ve yol haritasını yazılı olarak paylaşalım.
Nasıl başlıyoruz?
- Ücretsiz ilk görüşmeSorunu ve hedefi birlikte netleştiriyoruz.
- 2 haftalık keşif programıVeriye, sürece ve araçlara bakıp nereden başlanacağını belirliyoruz.
- Yazılı teklifKapsamı, mimariyi ve takvimi yazılı olarak sunuyoruz.