AI Eğitimi · Kurumsal RAG
AI ve Veri Ekipleri için Kurumsal RAG Eğitimi
Bir vektör veritabanını prompt şablonuna bağlayıp birkaç saat içinde çalışan bir RAG demosu kurabilirsiniz. Ancak canlı kurumsal kullanımda sistemin ayakta kalması, doküman ayrıştırma disiplini, hibrit getirim kalitesi, doğrulanabilir atıflar ve matematiksel ölçüm altyapısına dayanır. Çoğu ekip bu mühendislik adımlarını ancak canlıda bir sorun yaşandıktan sonra ele alır.
Bu uygulamalı eğitimde AI ve veri mühendisleri getirim mimarisinin tamamını inşa ediyor: Yapı duyarlı doküman parçalama, hibrit arama ve yeniden sıralama, iddia düzeyinde atıf doğrulama ve gerilemeleri yakalayan regresyon eşikleri. Eğitimden çıktığınızda ekibinizin elinde rastgele denemeler değil, kendi veri kümenize uyarlanmış bir referans mimari ve ölçüm test seti kalıyor.
- modül
- 6
- saat
- 15
Çalıştığımız markalardan bazıları
Farklı sektörlerden birlikte çalıştığımız seçkin markalar.
MeteksanTürkiyeVaka Analizi
VisperaTürkiyeVaka Analizi
Neden bu eğitim
Neden bu yapay zeka becerisi?
Çoğu kurumsal ekip hızlı prototip yolunu denedi. Bir vektör veritabanını prompt şablonuna bağladı, seçilmiş birkaç soruya gelen akıcı cevapları gördü ve pilot çalışmanın hazır olduğunu düşündü. Canlı kurumsal ortamda ise bu basit kurgu hızla dağılıyor. Bilinçli bir doküman parçalama stratejisi kurulmadığında, hibrit arama ve yeniden sıralama işletilmediğinde ya da gömme modeli değiştiğinde sistemin gerileyip gerilemediği ölçülemediğinde kullanıcı güveni kayboluyor. Canlıya hazır bir getirim destekli üretim (RAG) mimarisi, demoların göz ardı ettiği veri hiyerarşisi, yetki denetimi, iddia düzeyinde atıf doğrulaması ve matematiksel değerlendirme disipliniyle ayakta kalır.
İki günlük yoğun program boyunca AI ve veri mühendisleriniz, kurumsal bir veri kümesi üzerinde boru hattının bütün katmanlarını bizzat inşa ediyor. Yapı duyarlı Docling araçlarıyla tablo ve başlıkları koruyarak parçalama yapıyoruz, BM25 ile yoğun vektör aramasını birleştiren hibrit getirim kuruyoruz ve yanıtları dil modeline göndermeden önce yeniden sıralıyoruz. Üretilen her yanıt için cümle düzeyinde kaynak atıfları oluşturuyor, çelişkili veya eski tarihli belgelerde modelin uydurma yapmasını engelleyen güvenli çekimser yanıt kurallarını sisteme bağlıyoruz. Görev uygunluk testinde yeşil ile doğrudan modele bırakılabilecek rutin aramaları, sarı ile uzman kontrolünde doğrulanması gereken karmaşık teknik analizleri, kırmızı ile de kesinlikle insan onayında kalması gereken kritik kurumsal kararları birbirinden ayırıyoruz.
Kapanış modülünde güvenlik ve canlıya geçiş adımlarını somutlaştırıyoruz. Doküman bazlı erişim yetkilerinin yalnızca veri yükleme sırasında değil, getirim sorgusu anında uygulanmasını sağlıyoruz. Getirilen içerikler üzerinden gelebilecek dolaylı prompt enjeksiyonu risklerini, zehirlenmiş dokümanları ve veri sızıntısı açıklarını test ediyoruz. NIST AI RMF, ISO 42001 ve KVKK ilkeleriyle uyumlu telemetri izleme, p95 gecikme ve sorgu başı maliyet sınırlarını belirliyoruz. Eğitimden çıktığınızda ekibinizin elinde onaylı bir mimari karar kaydı, kontrol toplamları modeli, operasyonel aksiyon günlüğü, denetim şablonu ve kullanıma hazır bir RAG iş akışı kütüphanesi kalıyor. Getirimi birden fazla otonom araçla birleştiren yapılar için AI agent eğitimimizle devam edebilir, kurumunuza özel diğer programları AI eğitimleri kataloğu üzerinden inceleyebilirsiniz.
Demo bir günde kurulur, canlı sistem mühendislik disiplini ister
Her ekip bir vektör veritabanını prompt şablonuna bağlayıp birkaç saatte etkileyici bir prototip çıkarabilir. Canlı sistemde güvenilirlik ise doküman ayrıştırma kalitesi, getirim doğruluğu ve ölçüm disipliniyle ayakta kalır.
Dil modelinin yanıt kalitesini önce getirim belirler
Kusursuz bir sistem istemi yanlış getirilen bir bilgi parçasını kurtaramaz. RAG mimarilerindeki yanıt hatalarının büyük çoğunluğu, modele hiç iletilmemesi gereken eksik veya alakasız dokümanlardan kaynaklanır.
Eski veya çelişkili belgeler kaynak gösterildiğinde güven sarsılır
Modelin güncelliğini yitirmiş bir şirket politikasını veya çelişkili bir kılavuzu doğruymuş gibi referans vermesi, arama katmanında eksik üstveri, sürüm takipsizliği ve güncellik kontrolünün yapılmamasından doğar.
Getirim ve üretim kalitesi yayına çıkmadan önce ölçülmüyor
Temsilî bir altın veri seti ve somut metrikler olmadan, doküman parçalama yönteminde ya da gömme modelinde yapılan bir değişikliğin sistemi gerçekten iyileştirip iyileştirmediğini anlamak mümkün olmaz.
Erişim yetkileri ve gizlilik sınırları dokümanla birlikte ilerlemelidir
Kullanıcı yetkilerini ve departman sınırlarını yok sayan bir getirim sistemi, kurumsal bilgi tabanını veri sızıntısına açık hâle getirir. Yetki kontrolü modele giden istemde değil, doğrudan arama sorgusu anında uygulanmalıdır.
Müfredat
Eğitim müfredatı
RAG mimarisi nerede işe yarar, nerede maliyet üretir?
90 dkBaşlangıç
Getirim destekli üretim her bilgi ihtiyacı için otomatik doğru çözüm değildir. Bazı iş akışlarında maliyetini ve gecikmesini karşılarken, bazılarında yalnızca operasyonel yük oluşturur. Bu oturumda RAG, uzun bağlam penceresi, model ağırlıklarını güncelleme (fine-tuning) ve deterministik araç çağırma arasındaki teknik sınırları çiziyoruz. Katılımcılar eğitimden rastgele tercihlerle değil, gerekçelendirilmiş bir mimari karar kaydıyla ayrılıyor.
- RAG mimarisinin temel mantığı ve sistemin sessizce bozulduğu kritik noktalar
- RAG, uzun bağlam penceresi ve fine-tuning arasındaki mimari farklar
- Tek başına sistem isteminin veya deterministik araçların yeterli olduğu senaryolar
- Etkileyici sohbet demoları ile canlıya hazır kurumsal bilgi tabanı mimarisi
- Mimari karar kaydı (ADR) hazırlığı: Destek ve iç dokümantasyon senaryoları
Veri kümesi tasarımı, ayrıştırma ve çok modlu ingestion
150 dkOrta seviye
Sonraki bütün getirim kalitesini belirleyen temel veri hazırlığını ele alıyoruz. PDF, HTML, kılavuz ve taranmış belgeleri yapısal bozulma yaşamadan ayrıştırıyor, tabloları ve başlık hiyerarşisini koruyoruz. Her doküman parçasına kaynak kimliği, yetki etiketi, geçerlilik tarihi ve silme izi ekleyerek güvenli bir üstveri sözleşmesi kuruyoruz. Uygulamada gerçek senaryolara dayanan çift dilli bir endüstriyel veri kümesi üzerinde çalışıyoruz.
- Veri kümesini denetlemek: Kaynak sahipliği, sürüm takibi ve yetki sınırları
- Düz metin ayrıştırma ile yapı duyarlı Docling araçlarının karşılaştırılması
- Politika metinleri, kılavuz tabloları ve kod blokları için dokümana özel parçalama
- Üstveri sözleşmesi: Kaynak adresi, geçerlilik tarihi, ACL ve imha izi
- Çok modlu ingestion: Teknik çizimler, şemalar ve taranmış belgeleri işlemek
- Ingestion hattı kurmak ve silinen kaynakların indeksten temizlenmesi tatbikatı
Getirim mühendisliği: Hibrit arama, yeniden sıralama ve sorgu yönlendirme
180 dkOrta seviye
Yalnızca vektör benzerliğine dayanan temel yaklaşımlar kurumsal aramalarda hızla yetersiz kalır. Bu modülde anahtar sözcük araması (BM25) ile yoğun vektör temsilini birleştiren hibrit arama hattını kuruyoruz. Sorguları kullanıcı niyetine göre yönlendiriyor, hata kodları ile teknik kodları koruyor ve sonuçları dil modeline göndermeden önce yeniden sıralıyoruz. Laboratuvar süresinin en yoğun bölümünü bu modülde geçiriyoruz.
- Çok dilli gömme (embedding) modeli ve vektör veritabanı seçimi
- Hibrit arama: BM25 anahtar sözcük araması ile vektör aramasının birleştirilmesi
- Sorgu yönlendirme: Hata kodlarını koruma ve kısaltmaları kontrollü açma
- Aday havuzunu dil modeline göndermeden önce yeniden sıralama (reranking)
- Sorgu anında üstveri filtreleme, yetki sınırları ve sıfır sonuç yönetimi
- Doğru dokümanın ilk sıralarda yer almama nedenlerini teşhis etme yöntemleri
Kaynağa dayalı üretim: Atıf doğrulama, çelişki yönetimi ve çekimser yanıt
150 dkOrta seviye
Getirilen doküman parçalarını modelin güvenle sunabileceği doğrulanmış yanıtlara dönüştürüyoruz. Yanıt şemasında her iddiayı belirli bir kaynak paragrafına bağlıyor, süsleme amaçlı atıfları ayıklıyoruz. Çelişkili veya güncelliğini yitirmiş belgelerde modelin uydurma yapmasını engelliyor, yetersiz kanıt durumunda güvenli çekimser yanıt verme kurallarını sisteme yerleştiriyoruz.
- Sistem istemlerini getirilen bağlama tam dayalı kılma teknikleri
- Cümle düzeyinde atıf: Kaynak kimliği ve paragraf konumuyla tam doğrulama
- Birden fazla kaynak yarıştığında bağlam bütçesini ve belirteç sınırını yönetme
- Çelişkili veya eski tarihli belgelerde üstveri önceliği ve çelişki bildirimi
- Tek aramada çözülemeyen karmaşık sorular için çok adımlı (multi-hop) getirim
- Kanıt yetersiz olduğunda güvenli çekimser yanıt (abstention) ve eskalasyon kurgusu
Göz kararı kontroller yerine metriklerle değerlendirme
150 dkİleri seviye
Birkaç örnek soruya bakarak karar verme alışkanlığını bırakıyor, sistem kalitesini matematiksel olarak ölçüyoruz. Temsilî sorgulardan oluşan bir altın veri seti hazırlayarak getirim ve üretim aşamalarını bağımsız metriklerle değerlendiriyoruz. Dil modeli tabanlı değerlendiricileri (LLM-as-judge) insan puanlarıyla kalibre ediyor, her sürüm öncesinde çalıştırılacak katı bir regresyon eşiği belirliyoruz.
- Getirim metrikleri: Recall@k, MRR ve nDCG ile aday kalitesini ölçmek
- Temsilî iş senaryoları ve uç vakalardan altın değerlendirme veri seti oluşturmak
- Üretim kalitesi: Kaynağa sadakat (faithfulness) ve yanıt ilgisi ölçümü
- Otomatik değerlendiricileri (Ragas) insan uzman incelemeleriyle kalibre etmek
- Canlıya çıkış kararı için regresyon testleri ve korunan segment eşikleri
Güvenlik, gözlemlenebilirlik, maliyet kontrolü ve canlıya çıkış
150 dkİleri seviye
Kurumsal bir RAG sistemini canlı trafiğe açmanın gerektirdiği operasyonel ve güvenlik kontrollerini tamamlıyoruz. Getirilen belgelerden gelebilecek dolaylı prompt enjeksiyonu saldırılarını sınırlıyor, yetkisiz veri sızıntılarını test ediyoruz. Aşama düzeyinde telemetri izleme, p95 gecikme ve sorgu başı maliyet bütçelerini belirleyerek, ekibin bir yayın dosyasıyla karar almasını sağlıyoruz.
- Erişim kontrolünü prompt içinde değil getirim anında katı olarak uygulamak
- Getirilen belgeler üzerinden dolaylı prompt enjeksiyonu ve zehirleme testleri
- Aşama bazlı izleme (tracing): Gecikme, harcanan belirteç ve yanıt kalitesi takibi
- Kesinti yaşamadan yeniden indeksleme, önbellek temizleme ve acil imha süreci
- Gecikme (p95), belirteç tüketimi ve sorgu başı maliyet sınırlarını dengelemek
- Kırmızı çizgiler içeren canlıya çıkış dosyası ve 90 günlük pilot yol haritası
Kazanımlar
Kazanımlar ve katılımcılar
Neler öğreneceksiniz?
- RAG, uzun bağlam penceresi ve fine-tuning alternatiflerini kıyaslayan onaylı mimari karar kaydı ve yönetici karar notu hazırlamak
- Getirim kalitesi, nDCG değerleri ve doküman bazlı erişim yetkilerini doğrulayan arama kontrol toplamları modeli kurmak
- İndeks güncelleme, eski sürüm belgeleri yayından kaldırma ve prompt enjeksiyonu vakaları için operasyonel aksiyon günlüğü tutmak
- Cümle düzeyinde iddia-kaynak bağıntısı, yetkisiz getirim ve halüsinasyon riskini denetleyen bağımsız inceleme şablonu oluşturmak
- Yapılandırılmış JSON yanıt şeması, sorgu yönlendirme kuralları ve güvenli çekimser yanıt senaryolarını içeren RAG iş akışı kütüphanesi geliştirmek
- Doküman hiyerarşisini, tabloları ve teknik kodları koruyan yapı duyarlı parçalama ve hibrit arama hattını canlıya almak
- NIST AI RMF, ISO 42001 ve KVKK ilkeleriyle uyumlu katı canlıya çıkış eşikleri ve 90 günlük pilot yaygınlaştırma planı yönetmek
Kimler katılmalı?
- Kurum içi getirim ve bilgi tabanı sistemleri geliştiren veya sürdüren AI ve makine öğrenmesi mühendisleri
- Veri ekiplerinde doküman ayrıştırma, indeksleme ve ingestion süreçlerini yöneten veri mühendisleri
- Kurumsal bilgi asistanlarının mimari sınırlarını, veri akışını ve yatırım kapsamını belirleyen çözüm mimarları
- Şirket içi destek, operasyon ve dokümantasyon asistanlarını canlıya alan uygulamalı AI ekipleri
- Kurum genelinde RAG kalite standartlarını, kabul kriterlerini ve yayın politikalarını belirleyen teknik ekip liderleri
- Canlı sistemlerde gözlemlenebilirlik, gecikme, güvenlik ve maliyet takibini yürüten MLOps ve DevOps ekipleri
Format
Eğitim formatı
RAG ekipleri için hazırlanan program iki günde toplam 14.5 saatlik (870 dakika) uygulamalı çalışmayı kapsar. Sprint takvimini bölmemek adına yarım günlük oturumlar hâlinde de planlanabilir. Yerinde ve canlı online formatlar aynı zengin laboratuvar içeriğine sahiptir. Kurulum ve değerlendirme oturumları kurumunuza ait temsilî bir veri kesitiyle yürütüldüğünde en yüksek faydayı sağlar.
- Format
- Yerinde veya canlı online
- Süre
- 2 gün (14.5 saat, yarım günlük oturumlara bölünebilir)
- Grup büyüklüğü
- Grup başına en fazla 16 katılımcı
- Dil
- Türkçe veya İngilizce
- Materyaller
- Referans RAG mimarisi, değerlendirme altyapısı şablonları ve elinizde kalan kod deposu
- Sertifika
- Tamamlama sertifikası
Keşfetmeye devam edin
İlgili programlar
Sonraki adım
Ekibinizin güvenebileceği bir RAG mimarisini birlikte kuralım
Sorular
Sıkça sorulan sorular
RAG ile model ağırlıklarını güncelleme (fine-tuning) arasındaki fark nedir?
RAG mimarisi sorgu anında kurumunuza ait güncel ve yetkilendirilmiş dokümanları bularak dil modeline kanıt olarak sunar. Böylece model yalnızca eğitim sırasında öğrendiği genel bilgilerle sınırlı kalmaz ve şirketinizin yaşayan verisi üzerinden cevap üretir. Fine-tuning ise modelin davranış biçimini, üslubunu veya belirli bir çıktı formatını sabit bir veri setiyle özelleştirmek için kullanılır, sık değişen kurumsal bilgileri saklamak için uygun bir yöntem değildir. Bu eğitim doğrudan RAG mimarisine, bilgi tabanı yönetimine ve getirim kalitesine odaklanır. İhtiyacınızın fine-tuning olduğu durumlarda bunu müfredat netleşmeden önce açıkça belirtiriz.
Eğitime katılmak için ileri düzey makine öğrenmesi geçmişi gerekiyor mu?
Model eğitmenizi veya karmaşık yapay zeka matematiği çözmenizi beklemiyoruz. Katılımcıların temel Python okuryazarlığına, JSON ve API kavramlarına aşina olması ve veri akışlarını anlayabilmesi yeterlidir. Slaytlar üzerinden soyut anlatım yapmak yerine canlı bir getirim hattı üzerinde çalışıyoruz. Mühendislik ekipleri parametreleri ve arama bileşenlerini doğrudan optimize ederken, mimarlar ve teknik liderler değerlendirme metrikleri, yetki sınırları ve yayın eşikleri üzerinde uzmanlaşır. Her seviyedeki katılımcı için hazır şablonlar ve yönlendirici çalışma kartları sunuyoruz.
Eğitimde hangi vektör veritabanları ve orkestrasyon kütüphaneleri kullanılıyor?
Eğitimin temel amacı ekibinizi tek bir sağlayıcının arayüzüne bağımlı kılmak değildir. Laboratuvarlarda açık kaynaklı ve yerel çalışabilen Qdrant ile pgvector üzerinde uygulama yapıyoruz, anahtar sözcük araması için BM25 altyapısını kuruyoruz. Orkestrasyon tarafında bağımsız kod sözleşmelerini esas alırken, LangGraph, Haystack ve LlamaIndex gibi kütüphaneleri referans adaptörler olarak inceliyoruz. Azure AI Search, AWS Bedrock Knowledge Bases veya Google Cloud Vertex AI kullanan ekipler için bu mimarilerin bulut eşdeğerlerini birebir eşliyoruz.
Eğitim kaç gün sürüyor ve çalışma takvimi nasıl planlanıyor?
Eğitim iki tam gün, toplam 14.5 saatlik (870 dakika) uygulamalı oturumdan oluşur. Ekiplerinizin yoğun iş temposunu ve proje teslimlerini aksatmamak için programı dört yarım günlük bloklar hâlinde de organize edebiliyoruz. İhtiyacınıza göre şirket ofisinizde yüz yüze ya da etkileşimli canlı online oturumlar şeklinde yürütüyoruz.
Eğitimi şirketimizin kendi veri kümesi ve mevcut teknoloji yığınımızla yapabilir miyiz?
Evet, en yüksek verim bu şekilde elde edilir. Eğitim öncesinde kısa bir hazırlık görüşmesi yaparak veri kaynaklarınızı, belge formatlarınızı, güvenlik politikalarınızı ve mevcut altyapınızı inceliyoruz. Şirket verilerinin doğrudan kullanılamadığı durumlarda ise 28 farklı doküman türünü, Türkçe kılavuzları ve kasıtlı olarak eklenmiş çelişkili senaryoları içeren zengin sentetik veri kümemizi devreye alıyoruz. Böylece veri gizliliği onay süreçlerine takılmadan eksiksiz bir laboratuvar deneyimi yaşanır.
Sistem kalitesini ölçerken yanıtlara yalnızca göz kararı mı bakılıyor?
Kesinlikle hayır. Birkaç rastgele soru sorup gelen metne göz gezdirerek sistemin çalıştığına karar vermek kurumsal risk yaratır. Eğitimde getirim ve üretim aşamalarını birbirinden ayırıyoruz. Getirim kalitesini recall@k, MRR ve nDCG metrikleriyle ölçerken, üretim tarafında kaynağa sadakat (faithfulness), yanıt ilgisi ve atıf doğruluğunu hesaplıyoruz. Otomatik dil modeli değerlendiricilerini insan uzman puanlarıyla kalibre ediyor, canlıya çıkış için aşılması zorunlu katı regresyon eşikleri kuruyoruz.
RAG mimarisinde güvenlik, kullanıcı yetkileri ve KVKK uyumu nasıl sağlanıyor?
Güvenlik konusunu sonradan eklenen bir yama olarak değil, ilk veri ayrıştırma anından itibaren temel bir kontrol olarak ele alıyoruz. Kullanıcı yetkilerini model istemine bırakmak yerine, doğrudan arama sorgusu anında üstveri filtreleriyle sınırlandırıyoruz. Getirilen belgeler üzerinden gelebilecek dolaylı prompt enjeksiyonu açıklarını, zehirlenmiş içerikleri ve yetkisiz veri sızıntılarını test ediyoruz. KVKK ilkeleri ve veri minimizasyonu gereğince loglarda kişisel veri birikimini önleyen, izlenebilir telemetri kayıtları tasarlıyoruz.
Eğitim yatırımı ve bütçelendirme nasıl belirleniyor?
Katılımcı sayısı, eğitimin yerinde veya canlı online yapılması, laboratuvarların kurumunuzun veri kaynaklarına göre özelleştirilme derinliği bütçeyi şekillendirir. Ekibinizin mevcut rol dağılımını, veri mimarimizi ve öncelikli hedeflerinizi paylaştığınız kısa bir tanışma görüşmesinin ardından kurumunuza en uygun program teklifini hazırlıyoruz.