Reklam Mobil Veri Güvenliği · BYODGuardioX AURA Bulutu kısıtlı kurumlar için on-premise mobil çalışma alanı.Bankalar, kamu kurumları ve savunma sanayii için veri kurum sınırları içinde kalır.AURA'yı keşfet ›GuardioXReklam Mobil Veri Güvenliği · BYODGuardioX AURA Zero Trust mobil erişim, iOS ve Android'de.DLP entegrasyonu ve merkezi yönetimle kurumsal veriye kontrollü erişim.Detaylı bilgi ›GuardioX
17 Kasım 2026 SalıRSSMarkaHakkımızda
SON DAKİKA
21:30 Puppet Enterprise'daki kritik açık (CVE-2026-115731) CISA KEV'e girdi: Puppet Server'da uzaktan kod çalıştırma21:00 AWS iki veri merkezi kampüsünü Blackstone ortaklığına satıp geri kiralıyor: yaklaşık 5 milyar dolar, 647 MW21:00 PIRG'in 2026 oyuncak raporu: üç yeni AI oyuncaktan biri çocuğa evde bıçak bulunabilecek yerleri saydı, biri kibrit yakmayı anlattı21:00 Kaliforniya, opt-out sinyallerini işlemediği gerekçesiyle Hertz'e 1,55 milyon dolar CCPA cezası verdi20:00 ABD'nin Pax Silica girişimi yeni aşamada: İngiltere dahil dokuz ülke AI tedarik zincirini 'düşman aktörlere' karşı koruma deklarasyonunu imzaladı20:00 Meta, Instagram mesajları için ayrı uygulama Direct'i test ediyor: ilk açılan ülkeler Türkiye ve Tayland20:00 NSA'nın gizli iç ağı NSA Net'te kesinti: Fort Meade'de kademeli giriş, kaynaklara göre siber saldırı değil teknik sorun19:30 ManageEngine ADAudit Plus'ta Reports API üzerinden SQL injection (CVE-2026-12062): build 8703 altındaki tüm kurulumlar etkileniyor19:30 Zyxel'den DSL/Ethernet CPE, Fiber ONT ve Wireless Extender için patch: libclinkc'de kimliksiz out-of-bounds write (CVE-2026-79614) ve iki ek açık19:00 DeepMind'dan ayrılan Isomorphic Labs 5 milyar dolar topladı: AI ile tasarlanan ilaç adayları klinik denemeye hazırlanıyor21:30 Puppet Enterprise'daki kritik açık (CVE-2026-115731) CISA KEV'e girdi: Puppet Server'da uzaktan kod çalıştırma21:00 AWS iki veri merkezi kampüsünü Blackstone ortaklığına satıp geri kiralıyor: yaklaşık 5 milyar dolar, 647 MW21:00 PIRG'in 2026 oyuncak raporu: üç yeni AI oyuncaktan biri çocuğa evde bıçak bulunabilecek yerleri saydı, biri kibrit yakmayı anlattı21:00 Kaliforniya, opt-out sinyallerini işlemediği gerekçesiyle Hertz'e 1,55 milyon dolar CCPA cezası verdi20:00 ABD'nin Pax Silica girişimi yeni aşamada: İngiltere dahil dokuz ülke AI tedarik zincirini 'düşman aktörlere' karşı koruma deklarasyonunu imzaladı20:00 Meta, Instagram mesajları için ayrı uygulama Direct'i test ediyor: ilk açılan ülkeler Türkiye ve Tayland20:00 NSA'nın gizli iç ağı NSA Net'te kesinti: Fort Meade'de kademeli giriş, kaynaklara göre siber saldırı değil teknik sorun19:30 ManageEngine ADAudit Plus'ta Reports API üzerinden SQL injection (CVE-2026-12062): build 8703 altındaki tüm kurulumlar etkileniyor19:30 Zyxel'den DSL/Ethernet CPE, Fiber ONT ve Wireless Extender için patch: libclinkc'de kimliksiz out-of-bounds write (CVE-2026-79614) ve iki ek açık19:00 DeepMind'dan ayrılan Isomorphic Labs 5 milyar dolar topladı: AI ile tasarlanan ilaç adayları klinik denemeye hazırlanıyor
Reklam Kurumsal veriniz cihazda değil, kontrolünüzde.GuardioX AURA: E-posta, dosya, takvim ve iç uygulamalar kişisel telefonda şifreli, izole bir alanda; veri kurum içinde kalır.AURA'yı keşfet ›GuardioX
KÖŞE YAZISI · GÖRÜŞ

Simurg Okulu #29 — Marifet vadisinde üçüncü durak: RAG, yani modele cevaptan önce doğru sayfayı okutmak

Embedding ile metni sayıya çevirdim, vector database ile en yakın parçaları buldum. Bugün ikisini birleştiren akışı öğrendim: RAG. Model cevap vermeden önce ilgili belgeleri bulup okuyor; ama bu halüsinasyonu bitirmiyor.

Mimir'in ÇırağıSimurg Okulu · sıfırdan yapay zekâ · · 2 dk okuma

Yol günlüğü

Öğle bölümünde milyonlarca vector arasından en yakın komşuyu hızla bulmayı öğrendim. Aklımda tek soru kaldı: bulduğum parçalarla ne yapacağım? Marifet vadisinin üçüncü durağında cevap, iki önceki durağı birbirine bağlayan bir akış: RAG.

Bugün öğrendim

Nedir?

RAG, "retrieval-augmented generation" demek: getirerek zenginleştirilmiş üretim. Model soruya kendi parametrelerinde ezberlediği bilgiyle cevap vermek yerine, önce kurumun belgelerinden ilgili parçaları getirir, sonra cevabı bu parçalara bakarak yazar. Adı 2020'de Facebook AI araştırmacılarının (Lewis ve arkadaşları) "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" makalesinden geliyor. Model değişmiyor; değişen, ona soruyla birlikte verilen metin.

Reklam Gao Kaptan: GPU gücüne ve LLM servislerine saniyeler içinde erişin.Pod'lar saniyeler içinde; NVIDIA GPU saatlik, LLM token bazlı. OpenAI uyumlu API, air-gapped kurulum.Detaylı bilgi ›İşNet

Nasıl çalışıyor?

Akış üç adım, adı da buradan:

  1. Hazırlık (chunking): Belgeler küçük parçalara bölünür. Parça çok büyükse içinde alakasız bilgi de gelir; çok küçükse cümle bağlamını kaybeder. Her parça embedding modeliyle vector'e çevrilir ve vector database'e yazılır; yanına belge adı, tarih, yetki etiketi gibi metadata eklenir.
  2. Retrieve (getir): Kullanıcının sorusu da vector'e çevrilir, depodan en yakın birkaç parça bulunur.
  3. Augment ve generate (zenginleştir, üret): Bu parçalar soruyla birlikte modelin context window'una konur ve modele "yalnızca bu metinlere dayanarak cevap ver, hangisinden aldığını söyle" denir.

Kaynak gösterme bu yüzden mümkün: model hangi parçayı okuduğunu bildiği için cevabın yanına belge adını koyabilir. Ama bu bir garanti değil, bir talimat.

Ne yapılabilir?

  • Kurum içi politika, prosedür ve teknik doküman üzerinde soru-cevap asistanı.
  • Destek ekibi için ürün kılavuzlarından kaynaklı cevap taslağı.
  • Güvenlik ekibi için eski olay raporları ve runbook'lar içinde arama: "Bu IOC daha önce hangi vakada görüldü?"
  • NotebookLM gibi kaynaklı not defterleri bu fikrin kullanıcıya hazır paketlenmiş hali.

Tüyü yaktım

Deney tarifi: 27. ve 28. bölümdeki on cümlelik depoya bir soru sorup önce RAG'siz, sonra getirilen üç parçayla cevap almak; sonra cevabı olmayan bir soru sorup modelin "belgelerde yok" deyip demediğine bakmak. Ortamı hâlâ kurmadım; sonuç uydurmuyorum. Deney borcum büyüyor, bunu da yazıyorum.

Okuduğum kadarıyla bildiğim üç zayıf nokta var: retrieval yanlış parçayı getirirse model yanlış metne dayanarak kendinden emin cevap verir; doğru parça getirilse de model onu yanlış okuyabilir ya da kendi ezberini karıştırabilir; parça context'in ortasında kalırsa Lost in the Middle sorunu geri döner. Yani RAG halüsinasyonu azaltır, bitirmez.

Heybeme koyduğum

RAG modele cevaptan önce doğru sayfayı okutur; sayfa yanlışsa cevap da kaynaklı ama yanlış olur.

Kafama takılan

Asistan cevabın yanına bir kaynak koyduğunda, o cümlenin gerçekten o kaynakta yazdığını kullanıcı tek tek açıp bakmadan nasıl anlayabilir?

Son söz

Sıradaki durak: bir modeli kendi verimle değiştirmek, yani fine-tuning. RAG modele kitap okutuyordu; fine-tuning ona ders çalıştırıyor. Farkı bir sonraki bölümde.

Simurg OkuluMarifetRAGretrievalchunkingembeddingvector databasekaynak göstermehalüsinasyon
Görüş Köşe yazıları yazarlarının görüşünü yansıtır; haber değildir. Yazar adları takma addır ve yazılar SiberMagazin yayın ekibi tarafından yapay zekâ desteğiyle hazırlanır. Yazılarda geçen olgular ilgili haberlerimizde kaynaklarıyla birlikte yer alır. Yazar görselleri yapay zekâ ile üretilmiştir; gerçek kişileri temsil etmez.

Diğer Köşe Yazıları

Dedem Korkut

Arşivden: NotPetya — Bir muhasebe programının güncellemesi dünyayı nasıl durdurdu?

Trinity Begüm

Agent yetkiyi aldı, faturayı kim ödeyecek? Bir haftada üç sinyal: dava, izin ekranı ve kayıp iz

Wise Tuna

Ajan Cüzdan · Makine Odası: Claude'un görüşü portföye nasıl çevriliyor?

Mimir'in Çırağı

Simurg Okulu #28 — Marifet vadisinde ikinci durak: vector database, yani en yakın komşuyu hızla bulmak