Agentic AI – RAG Kullanımı

Agentic AI – RAG Kullanımı

Retrieval-Augmented Generation (RAG), büyük dil modelleri (LLM) ile bilgi tabanlarının (knowledge base) birleştirilmesi sayesinde güvenilir, güncel ve bağlama duyarlı (context-aware) yanıtlar üretmeye imkan sağlayan modern bir yapay zeka tekniğidir.

Günümüzde RAG, tek başına bir sistem olmaktan çıkarak Agentic AI akışlarının temel bir bileşeni haline gelmiştir. Ajan tabanlı sistemlerde RAG, dış bilgi kaynaklarına erişim için en yaygın kullanılan araç entegrasyonudur. Bu eğitim programı, RAG'in ajan mimarisindeki yeri ve rolünün birlikte ele alınması için hazırlanmıştır.

Eğitim Gereksinimleri

• Temel Python bilgisi
• Agentic AI Giriş Eğitimi tamamlanmış olması önerilir (zorunlu değil)

Katılımcılar ile Paylaşılacak Eğitim Materyalleri

• Eğitim sunumları ve ders notları
• Kaynak kod örnekleri
• Okuma parçaları ve makaleler

Hedef Kitle

• Makine öğrenmesi ve doğal dil işleme alanında çalışan mühendisler
• Veri bilimciler ve araştırmacılar
• Yazılımcılar
• AI danışmanları ve ürün yöneticileri

Eğitim İçeriği

1. Gün – RAG Temelleri ve Kavramsal Yapı

• Büyük Dil Modelleri (LLM), güçlü yönleri ve sınırlamaları
• Retrieval kavramı: Bilgiye erişim ve arama yöntemleri
• RAG'in amacı: Halüsinasyon problemini azaltmak
• Agentic AI bağlamında RAG: Ajan neden bilgi almaya ihtiyaç duyar?
• RAG as a Tool: Ajanların RAG'i bir araç olarak nasıl kullandığı
• RAG Mimarisi:
  • Query understanding
  • Retriever (vektör arama, BM25, hybrid)
  • Reranker
  • Generator (LLM)
• Veri kaynaklarının hazırlanması
• Vektör veritabanları (pgvector, FAISS)
• RAG'in avantajları ve zorlukları

2. Gün – İleri Konular ve Tasarım Desenleri

• Chunking yöntemleri (recursive, semantic, context-enriched)
• Embedding modelleri ve seçim kriterleri
• Retrieval teknikleri: Dense, sparse, hybrid retrieval
• Reranking: Ne zaman gerekli, nasıl uygulanır?
• Prompt engineering ve RAG için özel teknikler
• Subquery üretimi, query genişletme teknikleri
• Multi-turn RAG: Diyalog bağlamında bellek yönetimi
• Agentic RAG Desenleri:
  • Self-querying retriever: Ajanın kendi retrieval parametrelerini üretmesi
  • Iterative RAG: Ajanın yeterli bilgiye ulaşana dek tekrar sorgulama yapması
  • Multi-source RAG: Birden fazla bilgi kaynağını yöneten ajan akışları
• RAG değerlendirme yöntemleri:
  • Doğruluk, kapsam, cevap süresi
  • Ground truth testleri
• RAG optimizasyon stratejileri
• Gerçek dünyada kullanım senaryoları

3. Gün – Hands-On & Mini Challenge

Bu günün amacı, öğrenilen kavramları uçtan uca bir RAG sistemi geliştirerek pekiştirmektir:

• Python ile temel bir RAG pipeline geliştirmesi yapılması hedeflenecektir.
• PostgreSQL veritabanında pgvector ile doküman arama yapısı kurulacaktır.
• OpenAI / Ollama entegrasyonu sağlanacaktır.
• Doküman yükleme pipeline'ı kurulacaktır.
• Kullanıcıdan gelen soruya göre doküman taraması ve yanıt üretme akışı tasarlanacaktır.
• Geliştirilen RAG pipeline'ının LangGraph ile basit bir ajana araç olarak bağlanması sağlanacaktır.