Sıfırdan bir RAG sistemi nasıl geliştirilir?

Serinin üçüncü etkinliğinde, model geliştirme sürecini gerçek dünya verileriyle buluşturuyoruz.

İlk etkinlikte model distillation yaklaşımını ele almış, büyük modellerdeki bilginin daha küçük ve verimli modellere nasıl aktarılabileceğini konuşmuştuk. İkinci etkinlikte ise küçük dil modellerinin eğitimi üzerine odaklanarak, belirli ihtiyaçlara göre daha özelleştirilmiş modellerin nasıl geliştirilebileceğini incelemiştik.

Şimdi serinin devamında, geliştirdiğimiz bu modellerin yalnızca eğitim sırasında öğrendiği bilgilerle sınırlı kalmamasını sağlayan RAG — Retrieval-Augmented Generation sistemlerine geçiyoruz.

Bu etkinlikte bir RAG sisteminin sıfırdan nasıl tasarlanıp geliştirildiğini uçtan uca ele alacağız. Dokümanların hazırlanması ve parçalanması, embedding modellerinin kullanılması, verilerin vektör veritabanlarına aktarılması, kullanıcı sorusuna en uygun içeriklerin bulunması ve bu içeriklerin dil modeline doğru bağlam olarak sunulması gibi temel adımları inceleyeceğiz.

Ayrıca yalnızca çalışan bir demo oluşturmakla kalmayıp; retrieval kalitesi, chunking stratejileri, metadata kullanımı, doğru embedding modeli seçimi, kaynak gösterimi ve daha güvenilir yanıt üretimi gibi gerçek projelerde kritik hâle gelen noktalara da değineceğiz.

Bu etkinlikle birlikte distillation, küçük model eğitimi ve RAG konularını birbirinden bağımsız başlıklar olarak değil, daha verimli, özelleştirilmiş ve kendi verisiyle çalışabilen yapay zekâ sistemleri geliştirme yolculuğunun birbirini tamamlayan parçaları olarak ele alacağız.