Azerbaycan Retrieval-Augmented Generation (RAG) Eğitimi

Bu eğitim, Retrieval-Augmented Generation (RAG) mimarisini ve tekniklerini end-to-end uygulamalarla öğretmeyi amaçlar. RAG, bir büyük dil modelinin (LLM) kendi eğitim verisinin dışındaki **güncel ve bağlama uygun bilgiyi dış kaynaklardan çekmesini ve bu bilgiyi otomatik olarak yanıtlar üretirken kullanmasını sağlar — böylece model yanıtlarının doğruluk ve açıklanabilirliği artar.

Bu program, katılımcıların:

• RAG kavramını öğrenmesini,
• veri kaynağı, embedding ve retrieval pipeline’larını kurmasını,
• ölçeklenebilir RAG servislerini geliştirmesini,
• metriklerle sistem performansını optimize etmesini sağlar.

Eğitim, aşağıdaki profesyoneller için uygundur:

• Veri Bilimcileri ve ML Mühendisleri
• NLP Araştırmacıları
• Backend/Platform Mühendisleri
• Ürün & Proje Yöneticileri
• AI/LLM çözümlerine ilgi duyan teknoloji profesyonelleri

Bu eğitim ile katılımcılar:

• RAG tabanlı LLM sistemleri kurabilir
• Dış kaynaklardan gerçek zamanlı bilgi çekebilir
• Hallucination riskini azaltabilir
• Güncel bilgilere dayalı doğru cevaplar üretebilir
• Ölçeklenebilir AI servisleri tasarlayabilir
• Performans metriklerini optimize edebilir

RAG’e Giriş ve Temel Kavramlar

RAG tanımı ve motivasyonu

LLM sınırlılıkları (staleness)

Retrieval + Generation pipeline

IR (information retrieval) ve Dense Retrieval teknikleri

RAG tarihçesi ve evrimi 

Veri Kaynakları, Chunking ve ETL

Kaynak tipleri: SQL, CSV, JSON, PDF, DOCX, resim-OCR vb.

Apache Tika, Unstructured, Tesseract-OCR gibi araçlarla ETL

Chunking stratejileri: semantik bölümleme, kaymalı pencere vb.

Metadata (belge ID, tarih, güvenlik etiketi) zenginleştirme 

Embedding Tasarımı ve Optimizasyonu

Embedding modelleri: MiniLM, bge, E5, LaBSE vb.

Çok dillilik ve domain-özel embedding

Boyut-kalite dengesinin optimizasyonu

Sentez-bazlı eğitim ve fine-tune pipeline

Embedding versiyonlama stratejileri 

Pipeline ve RAG Mimarisi

Veri hiyerarşisi: /data, /chunks, /embeddings, /index, /models

CI/CD, Container & Kubernetes ile dağıtım

Performans metrikleri (recall@k, nDCG, latency)

Otomatik test ve validasyon 

İzleme, Güvenlik & Etik

Gerçek zamanlı gözlemlenebilirlik

Veri ve model güvenliği (TLS, PII/PHI maskeleme)

Kaynak gösterme ve traceability

KVKK/GDPR ve regülasyon uyumu