> tpl_air_001
RAG Mimarisi Dokümanı ve Üretim Şartnamesi
Veri alım boru hatları, parçalama, hibrit erişim, çapraz kodlayıcı yeniden sıralama, dayanak politikaları ve RAG Üçlüsü değerlendirme çerçevesini kapsayan Geri Alım Destekli Üretim (RAG) mimari şartnamesi.
Kurumsal RAG ve Ajanlı sistemler için kapsamlı teknik mimari şartnamesi. Üretim ortamındaki halüsinasyonları engellemek için veri alım CDC'sini, parçalama stratejilerini, yoğun/leksikal hibrit arama algoritmalarını, katı atıf/dayanak eşiklerini ve otomatik değerlendirme metriklerini tanımlar.
Önemli Teknik Doküman Şablonu ve Hukuki Uyarı
TinyCTO.tv Teknik Doküman Şablon Bildirimi: Bu şablon genel eğitim ve operasyon amaçlı bir başlangıç materyalidir. Hukuki, vergisel, muhasebesel, yatırım, satın alma, mevzuat, güvenlik veya sertifikasyon danışmanlığı değildir. Gereklilikler ülkeye, kuruma, sözleşmeye ve riske göre değişir. Kullanmadan önce yetkin uzmanlarla gözden geçirip uyarlayın.
Çözülen Üretim Problemi
Canlı üretken yapay zekâ sistemlerinde ortaya çıkan yıkıcı halüsinasyonları, güncel olmayan bilgiye dayandırmayı, vektör alanlarındaki yetkisiz erişim sızıntılarını, fırlayan token maliyetlerini ve ölçülemeyen arama performans kayıplarını önler.
Ne Zaman Kullanılmalı?
- •Kurumsal sohbet ajanı, teknik dokümantasyon asistanı veya anlamsal arama motoru tasarlarken.
- •Basit bir kavram kanıtlama (POC) RAG kodundan ölçeklenebilir kurumsal üretim mimarisine geçerken.
- •LLM çıktılarının kaynak gerçeklikle doğrulanabilir olması gereken yasal uyum projelerinde.
- •Vektör veritabanı güvenliğini, kiracı veri yalıtımını ve erişim gecikme bütçelerini denetlerken.
Ne Zaman Kullanılmamalı?
- •Harici bilgi gerektirmeyen basit durumsuz LLM sınıflandırma veya duygu analizi görevlerinde.
- •Tüm içeriğin erişim gerektirmeden modern 128k+ bağlam penceresine sığdığı küçük bellek içi istemlerde.
- •Metinden SQL'e veya doğrudan ilişkisel raporlamanın daha deterministik olduğu saf yapılandırılmış SQL sorgularında.
7 Şablon Bölümü ve Yapısal İskelet
İş motivasyonu, bilgi külliyatı kapsamı ve beklenen operasyonel ROI.
Bağlayıcılar, Değişiklik Verisi Yakalama (CDC), dosya ayrıştırma ve mükerrer kayıt temizliği.
Parça boyutları, örtüşme pencereleri, özyinelemeli markdown bölme ve anlamsal sınırların korunması.
Yoğun gömme seçimi, boyut ödünleşimleri, indeks türü (HNSW vs IVFFlat) ve küme parçalama.
Yoğun vektör aramasını seyrek BM25 anahtar kelime eşleşmesiyle Karşılıklı Sıra Füzyonu (RRF) ile birleştirme.
Zorunlu kanıt atıf kuralları, kaynak referans çıpaları ve bağlam yetersizken kibar ret mekanizması.
Bağlam Uyumu, Dayanaklılık (Sadakat) ve Yanıt Uyumu otomatik kıyaslama testleri.
Doldurma ve Uygulama Yönergeleri
Bağımsız İnceleme ve Onay Kontrol Listesi
- Doküman alımı otomatik dosya temizliğini, OCR doğrulamasını ve üstveri etiketlemesini içeriyor mu?
- Parçalama sınırları rastgele token kesintisi yapmadan anlamsal başlıkları ve tablo yapılarını koruyor mu?
- Vektör veritabanı erişimi çok kiracılı satır düzeyinde güvenliği (RLS) ve durağan şifrelemeyi uyguluyor mu?
- Hibrit arama, özel kısaltmaları ve ürün kodlarını yakalamak için yoğun gömmeleri BM25 ile birleştiriyor mu?
- Yeniden sıralama modelinin gecikmesi ayrılan sorgu yanıt bütçesine (< 300ms) sığıyor mu?
- Sistem istemi doğrulanabilir doküman referanslarıyla kanıt atfını tavizsiz zorunlu kılıyor mu?
- Erişilen bağlam benzerliği güven eşiğinin altına düştüğünde yanıtsız bırakma güvenilir şekilde tetikleniyor mu?
- RAG Üçlüsü değerlendirme puanı sürümlenmiş bir altın test veri setine karşı sürekli ölçülüyor mu?
Çalışılmış Örnek: FinGuard Mevzuat Uyumluluk Zekâsı RAG Motoru
Örnek Organizasyon: FinGuard Uyum Yapay Zekâsı Teknolojileri A.Ş. (Kurgusal Kurum)
Risk yöneticilerinin katı madde düzeyinde yasal atıf ve sıfır halüsinasyon toleransı ile karmaşık gereksinimleri sorgulamasını sağlayan, 2.8 milyon sayfalık Avrupa bankacılık mevzuatını (EBA, ECB, GDPR, DORA) dizinleyen üretim mimarisi.
- •Doküman farkındalıklı hiyerarşik parçalama, yasal madde numaralandırmasını ve çapraz referansları korur.
- •Hibrit arama (BGE-M3 yoğun vektörler + BM25), maddeye özel sorgularda %96.4 hatırlama oranına ulaşır.
- •Otomatik çapraz kodlayıcı yeniden sıralama, token bütçesi sınırlarıyla gecikmeyi 1.4sn'den 420ms'ye düşürür.
Sıkça Sorulan Sorular
Neden saf vektör araması yerine hibrit arama (Yoğun + BM25) önerilir?
Yoğun vektör araması kavramsal ve anlamsal benzerlikte mükemmeldir, ancak ürün kodları, hata kodları, kanun madde numaraları ve benzersiz kısaltmalar gibi tam anahtar kelime aramalarında sıklıkla yetersiz kalır. Karşılıklı Sıra Füzyonu (RRF) ile birleştirilen hibrit arama her ikisinin de üstün yönlerini sunar.
RAG Üçlüsü (RAG Triad) değerlendirme çerçevesi nedir?
Yapay zekâ araştırma topluluğu (TruLens) tarafından geliştirilen RAG Üçlüsü şunları ölçer: 1. Bağlam Uyumu (erişilen dokümanlar sorguyla alakalı mı?), 2. Dayanaklılık (LLM yanıtı tamamen erişilen bağlama dayanıyor mu?), ve 3. Yanıt Uyumu (üretilen yanıt kullanıcının gerçek sorusunu cevaplıyor mu?).
Vektör veritabanında kiracılar arası veri sızıntısını nasıl önleriz?
Veri yalıtımı için asla yalnızca vektör uzayı ayrımına güvenmeyin. Vektör mesafesi hesaplanmadan önce veritabanı indeks katmanında her sorguya zorunlu üstveri filtrelemesi (örneğin tenant_id == user.tenant_id) uygulayın.
Teknik Doküman Şablon Paketi
Giriş GerekliTüm boş şablonları, işlenmiş senaryoları ve doğrulama manifestolarını tek bir arşivde indirin.
Yetkili Standartlar ve Kaynaklar
- NIST AI Risk Management Framework (AI RMF 1.0)NIST • OFFICIAL REQUIREMENT
- OWASP Top 10 for Large Language Model ApplicationsOWASP • OFFICIAL RECOMMENDATION
- Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis et al. (Meta AI Research) • INDUSTRY PRACTICE