tag AdvancedRAG

Bu sayfada AdvancedRAG etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Naive RAG (Temel RAG), erişim destekli üretim (Retrieval-Augmented Generation) yaklaşımının en basit biçimidir. Akış üç ana aşamadan oluşur: belgeleri sabit boyutlu parçalara (chunk) bölerek bir gömme modeli aracılığıyla vektör veritabanında indeksle; kullanıcı sorusunu da aynı gömme modeliyle vektöre dönüştürerek kosinüs benzerliğiyle en yakın parçaları getir; getirilen bağlamı bir sistem isteminin içine yerleştirerek büyük dil modeline ilet ve yanıt üret. Bu sıralı boru hattı, RAG kavramının 2020–2022 döneminde popülerleşmesiyle birlikte fiili standart uygulama biçimi haline geldi. Naive RAG'ın en belirgin güçlü yönleri sadeliği ve erişilebilirliğidir: minimum bileşen sayısı, belirli bir çerçeveye bağımlılık olmaksızın çalışabilme ve temel belge soru-cevap görevleri için kabul edilebilir kalite. Prototipleme, kavram kanıtlama aşamaları ile az sayıda homojen belge içeren senaryolar için hızlı ve etkili bir başlangıç noktası sunar. Açık kaynak kütüphaneler (LangChain, LlamaIndex) basit bir Naive RAG boru hattını birkaç satır kodla oluşturmayı mümkün kılar. Bununla birlikte yaklaşım ciddi sınırlılıklar taşır. Sabit boyutlu parçalama, cümle veya paragraf sınırlarını gözetmediğinde anlam kopuklukları ve bağlam kaybı yaratır. Yalnızca vektör benzerliğine dayalı getiri, anahtar kelime uyuşmazlığı durumunda alakasız parçaları bağlama dahil eder ve yanıt kesinliğini düşürür. Birden fazla belge veya akıl yürütme adımı gerektiren karmaşık sorgular (multi-hop reasoning) sistematiğinde başarısız olur. Çelişen veya tekrar eden parçalar büyük dil modelini yanıltabilir ve halüsinasyon riskini artırır. Bu eksiklikleri gidermek için Advanced RAG (yeniden sıralama, sorgu yeniden yazma, hibrit BM25+vektör arama, parent-child parçalama), Modular RAG ve GraphRAG gibi sonraki nesil mimariler geliştirilmiştir. GraphRAG, belge içeriğini bilgi grafiğinde kodlayarak Naive RAG'ın parçalama tabanlı yapısının karşılayamadığı tüm belge kümesini kapsayan global sorulara yanıt üretme kapasitesi kazandırır.

account_tree

Naive RAG (Temel RAG (Naive RAG))

Naive RAG (Temel RAG), erişim destekli üretim (Retrieval-Augmented Generation) yaklaşımının en basit biçimidir. Akış üç ana aşamadan oluşur: belgeleri sabit boyutlu parçalara (chunk) bölerek bir gömme modeli aracılığıyla vektör veritabanında indeksle; kullanıcı sorusunu da aynı gömme modeliyle vektöre dönüştürerek kosinüs benzerliğiyle en yakın parçaları getir; getirilen bağlamı bir sistem isteminin içine yerleştirerek büyük dil modeline ilet ve yanıt üret. Bu sıralı boru hattı, RAG kavramının 2020–2022 döneminde popülerleşmesiyle birlikte fiili standart uygulama biçimi haline geldi. Naive RAG'ın en belirgin güçlü yönleri sadeliği ve erişilebilirliğidir: minimum bileşen sayısı, belirli bir çerçeveye bağımlılık olmaksızın çalışabilme ve temel belge soru-cevap görevleri için kabul edilebilir kalite. Prototipleme, kavram kanıtlama aşamaları ile az sayıda homojen belge içeren senaryolar için hızlı ve etkili bir başlangıç noktası sunar. Açık kaynak kütüphaneler (LangChain, LlamaIndex) basit bir Naive RAG boru hattını birkaç satır kodla oluşturmayı mümkün kılar. Bununla birlikte yaklaşım ciddi sınırlılıklar taşır. Sabit boyutlu parçalama, cümle veya paragraf sınırlarını gözetmediğinde anlam kopuklukları ve bağlam kaybı yaratır. Yalnızca vektör benzerliğine dayalı getiri, anahtar kelime uyuşmazlığı durumunda alakasız parçaları bağlama dahil eder ve yanıt kesinliğini düşürür. Birden fazla belge veya akıl yürütme adımı gerektiren karmaşık sorgular (multi-hop reasoning) sistematiğinde başarısız olur. Çelişen veya tekrar eden parçalar büyük dil modelini yanıltabilir ve halüsinasyon riskini artırır. Bu eksiklikleri gidermek için Advanced RAG (yeniden sıralama, sorgu yeniden yazma, hibrit BM25+vektör arama, parent-child parçalama), Modular RAG ve GraphRAG gibi sonraki nesil mimariler geliştirilmiştir. GraphRAG, belge içeriğini bilgi grafiğinde kodlayarak Naive RAG'ın parçalama tabanlı yapısının karşılayamadığı tüm belge kümesini kapsayan global sorulara yanıt üretme kapasitesi kazandırır.

arrow_forward