# RAG ve Kurumsal Bilgi Asistanı Çözümleri

**URL:** https://securesys.com.tr/tr/hizmetler/rag-kurumsal-bilgi-asistani

Kurumların sahip olduğu bilgi miktarı her yıl büyür. Dokümanlar, prosedürler, teknik raporlar, sözleşmeler, ürün dokümanları, proje çıktıları, politika metinleri, kullanıcı kılavuzları, e-postalar, ticket kayıtları, veritabanları ve dijital arşivler zaman içerisinde çok büyük bir kurumsal bilgi havuzu oluşturur.

Ancak bilgiye sahip olmak ile doğru bilgiye hızlı erişebilmek aynı şey değildir.

Çalışanlar çoğu zaman ihtiyaç duydukları bilgiye ulaşmak için farklı klasörleri, SharePoint alanlarını, dosya sunucularını, arşiv sistemlerini veya eski proje dokümanlarını tek tek aramak zorunda kalabilir.

**RAG – Retrieval-Augmented Generation**, Large Language Model sistemlerinin kurumun kendi bilgi kaynaklarını kullanarak daha doğru, daha güncel ve kuruma özel cevaplar üretmesini sağlayan yapay zekâ mimarisidir.

SecureSys **RAG & Kurumsal Bilgi Asistanları Hizmetleri** ile kurumların mevcut bilgi kaynaklarını [LLM](/tr/hizmetler/llm-generative-ai-cozumleri) teknolojileriyle birleştirerek güvenli, yetkilendirilmiş ve kaynak gösteren yapay zekâ bilgi sistemleri oluşturmasına destek sağlar.

Hizmet kapsamında;

- Retrieval-Augmented Generation – RAG,
- Enterprise RAG,
- Private RAG,
- Kurumsal Bilgi Asistanı,
- Enterprise Search,
- Semantic Search,
- Vector Database,
- Embedding,
- Hybrid Search,
- Reranking,
- Document Intelligence,
- Access-Controlled RAG,
- Knowledge Graph,
- AI Search,
- RAG Security,
- RAG Evaluation,
- RAGOps

süreçleri birlikte ele alınabilir.

Yaklaşımımız:

**Data Source → Ingestion → Parsing → Chunking → Metadata → Embedding → Vector Database → Retrieval → Reranking → LLM → Grounded Answer → Source Citation**

mimarisine dayanır.

Amaç yalnızca dokümanlara bağlanan bir chatbot oluşturmak değil; kurumun bilgi varlıklarını güvenli ve yönetilebilir bir **Enterprise Knowledge Platform** haline getirmektir.

### RAG Nedir?

RAG, **Retrieval-Augmented Generation** kavramının kısaltmasıdır.

RAG sistemleri bir kullanıcının sorusunu doğrudan yalnızca LLM'in genel bilgisine göndermez.

Öncelikle ilgili bilgi kurumun veri kaynaklarında aranır.

Bulunan içerikler modelin context alanına eklenir ve model bu verilere dayanarak cevap oluşturur.

Temel yapı:

#### Kullanıcı Sorusu

↓

#### Kurumsal Bilgi Araması

↓

#### İlgili Dokümanlar

↓

#### LLM

↓

#### Kurumsal Veriye Dayalı Cevap

Bu nedenle RAG özellikle kurumsal bilgi asistanları için güçlü bir yaklaşım sağlar.

### Neden RAG Kullanılır?

LLM modelleri genel bilgi konusunda güçlü olabilir ancak kurumun;

- kendi prosedürlerini,
- son projelerini,
- teknik dokümanlarını,
- sözleşmelerini,
- iç politikalarını,
- ürün bilgilerini

doğrudan bilmez.

Bu bilgiyi modele yeniden eğitim yoluyla eklemek her zaman doğru veya ekonomik değildir.

RAG yaklaşımı kurum bilgisini modele runtime sırasında sunar.

Bu sayede bilgi kaynağı güncellendiğinde modelin yeniden eğitilmesi gerekmez.

### RAG ile LLM Arasındaki Fark

LLM kendi eğitim verisine dayanarak cevap üretir.

RAG ise LLM'in cevap üretmeden önce kurumun özel bilgi kaynaklarını aramasını sağlar.

Basit şekilde:

#### LLM = Genel Model Bilgisi

**RAG = Genel Model + Kurumsal Bilgi**

olarak düşünülebilir.

### RAG ile Fine-Tuning Arasındaki Fark

Fine-Tuning, modelin davranışını veya belirli görevlerdeki performansını ek eğitimle değiştirir.

RAG ise modele yeni bilgi öğretmez; ilgili bilgiyi soru sırasında getirir.

Kurumsal dokümanların güncel tutulması gereken projelerde RAG çoğunlukla daha esnek bir yaklaşım sunar.

### Kurumsal Bilgi Asistanı Nedir?

Kurumsal Bilgi Asistanı, çalışanların kurum içerisindeki bilgi kaynaklarına doğal dil üzerinden erişmesini sağlayan AI uygulamasıdır.

Kullanıcı;

#### “Uzaktan çalışma prosedüründe ekipman iade süresi nedir?”

gibi bir soru sorabilir.

Sistem ilgili prosedürü bulur, gerekli bölümü modele aktarır ve kaynağa dayalı cevap üretir.

### Enterprise Knowledge Assistant

Enterprise Knowledge Assistant kurumun farklı bilgi kaynaklarını tek AI arayüzünde birleştirebilir.

Bilgi kaynakları;

- dijital arşiv,
- SharePoint,
- dosya sunucusu,
- database,
- intranet,
- wiki,
- ticket sistemi,
- doküman yönetimi

olabilir.

### Kurumsal Arama Motoru

RAG platformu klasik arama motorunun gelişmiş versiyonu olarak da kullanılabilir.

Kullanıcı yalnızca dosya bulmak yerine soru sorabilir.

Örneğin klasik arama:

#### “KVKK parola prosedürü”

RAG:

#### “Kurum politikamıza göre kullanıcı parolaları ne sıklıkla değiştirilmeli?”

şeklinde çalışabilir.

### Enterprise Search

Enterprise Search kurumun farklı sistemlerdeki bilgi varlıklarını merkezi olarak aranabilir hale getirir.

SecureSys;

- keyword search,
- semantic search,
- metadata filtering,
- AI answer generation

yaklaşımlarını birlikte kullanabilir.

### Semantic Search

Semantic Search, yalnızca kelime eşleşmesine değil, içeriğin anlamına göre sonuç üretir.

Örneğin kullanıcı:

#### “Sistem kesintisinde hangi ekipleri aramalıyım?”

diye sorabilir.

Dokümanda tam olarak aynı cümle bulunmasa bile “Incident Escalation Procedure” içerisindeki ilgili bölüm getirilebilir.

### Keyword Search

Klasik keyword search bazı kullanım senaryolarında hâlâ çok değerlidir.

Özellikle;

- ürün kodu,
- sözleşme numarası,
- CVE,
- kişi adı,
- teknik terim

gibi birebir eşleşmelerde avantajlı olabilir.

### Hybrid Search

Hybrid Search;

#### Keyword Search + Semantic Search

yaklaşımlarını birlikte kullanır.

Bu model hem tam eşleşme hem anlamsal benzerlik avantajlarını birleştirebilir.

### Vector Database Nedir?

Vector Database, metin veya diğer içeriklerin embedding adı verilen sayısal temsillerini saklayan veritabanıdır.

RAG sistemi kullanıcı sorusunu embedding'e dönüştürerek benzer anlamdaki doküman parçalarını bulabilir.

### Embedding Nedir?

Embedding bir metnin anlamsal özelliklerini sayısal vektör olarak ifade eder.

Örneğin;

#### “Firewall güvenliği”

ve

#### “Güvenlik duvarı yapılandırması”

ifadeleri farklı kelimeler kullanmasına rağmen embedding space içerisinde birbirine yakın olabilir.

### Embedding Model Seçimi

RAG performansında yalnızca LLM değil embedding modeli de önemlidir.

Seçimde;

- Türkçe performansı,
- multilingual support,
- teknik terminoloji,
- embedding dimension,
- latency

gibi kriterler değerlendirilmelidir.

### Türkçe Semantic Search

Türkçe kurumsal bilgi kaynaklarında embedding modelinin Türkçe semantic similarity performansı ayrıca test edilmelidir.

Özellikle;

- hukuk,
- BT,
- finans,
- kamu,
- savunma

gibi sektörel terminolojiler model seçiminde önemlidir.

### Multilingual RAG

Uluslararası kurumlarda dokümanlar farklı dillerde olabilir.

Multilingual RAG ile kullanıcı Türkçe soru sorarken İngilizce dokümandan ilgili bilgiyi bulabilir.

### Cross-Lingual Retrieval

Bir dildeki sorgunun başka dildeki dokümanları bulması sağlanabilir.

### RAG Veri Kaynakları

RAG sistemi çok farklı kurumsal kaynaklara bağlanabilir.

Örneğin;

- PDF,
- Word,
- Excel,
- PowerPoint,
- HTML,
- text,
- wiki,
- SharePoint,
- file server,
- object storage,
- database,
- API

kaynakları kullanılabilir.

### PDF RAG

PDF dokümanlar parsing işleminden geçirilerek aranabilir hale getirilebilir.

Özellikle;

- teknik şartname,
- prosedür,
- sözleşme,
- rapor,
- kullanıcı kılavuzu

gibi içeriklerde yaygın kullanılır.

### Word Dokümanları

DOCX dosyalarındaki başlık, paragraf ve tablolar yapısal olarak işlenebilir.

### Excel ve Tablo Verileri

Excel içerisindeki tablolara RAG uygulanırken klasik text chunking her zaman yeterli olmayabilir.

Tablo yapısının korunması veya verinin SQL/structured retrieval üzerinden sunulması daha doğru olabilir.

### PowerPoint İçerikleri

Sunumların başlık, açıklama ve slide içerikleri bilgi tabanına eklenebilir.

### SharePoint RAG

SharePoint üzerinde bulunan kurumsal dokümanlar RAG sistemine bağlanabilir.

En önemli konu SharePoint permission modelinin RAG katmanına da taşınmasıdır.

### File Server RAG

Klasik network klasörlerindeki dokümanlar merkezi ingestion ile RAG platformuna dahil edilebilir.

### Object Storage RAG

SecureSys [Dijital İçerik Arşivleme](/tr/hizmetler/dijital-icerik-arsivleme-depolama) altyapısındaki object storage içerikleri RAG için kaynak olarak kullanılabilir.

### Database RAG

Her kurumsal bilgi unstructured document değildir.

Database içerisindeki structured data için;

- SQL retrieval,
- API,
- query service

kullanılabilir.

### Structured ve Unstructured RAG

Kurumsal AI asistanı hem dokümanlardan hem database verilerinden bilgi alabilir.

Örneğin:

**Doküman → Ürün garanti prosedürü**

**Database → Müşterinin ürün satın alma tarihi**

iki farklı kaynak bir cevapta birleştirilebilir.

### API-Based RAG

Kurumsal sistemlerin verileri doğrudan database'e erişmek yerine API üzerinden alınabilir.

Bu yaklaşım güvenlik ve business rule açısından daha kontrollüdür.

### Web İçeriklerinin RAG'e Alınması

Kurumun kendi web sitesi veya intranet içerikleri knowledge base'e dahil edilebilir.

### Ticket RAG

ITSM veya müşteri destek sistemlerindeki geçmiş ticket'lar bilgi kaynağı olarak kullanılabilir.

Bu sayede AI sistemi benzer eski sorunların nasıl çözüldüğünü bulabilir.

### E-Posta Knowledge Base

Belirli ve yetkilendirilmiş kurumsal e-posta arşivleri kullanım senaryosuna göre bilgi kaynağı olabilir.

Ancak privacy ve access control özellikle değerlendirilmelidir.

### Ingestion Nedir?

Ingestion, bilgi kaynaklarının RAG platformuna alınması sürecidir.

Ingestion sırasında;

- dosya alınır,
- parse edilir,
- temizlenir,
- metadata çıkarılır,
- chunk'lara bölünür,
- embedding oluşturulur,
- indekslenir.

### Document Parsing

Doküman yapısının doğru çıkarılması RAG performansı açısından kritik öneme sahiptir.

Başlık, paragraf, liste ve tablo ilişkilerinin mümkün olduğunca korunması gerekir.

### OCR Entegrasyonu

Tarama görüntüsü olarak bulunan PDF veya image dosyalarında OCR uygulanarak metin çıkarılabilir.

### Layout-Aware Parsing

Karmaşık rapor ve dokümanlarda yalnızca düz metin çıkarımı yeterli olmayabilir.

Layout-aware parsing ile;

- başlık,
- kolon,
- tablo,
- dipnot

ilişkileri korunabilir.

### Chunking Nedir?

Uzun dokümanların RAG sisteminde kullanılabilmesi için daha küçük bölümlere ayrılması gerekir.

Bu işlem chunking olarak adlandırılır.

### Fixed-Size Chunking

Metin belirli token veya karakter uzunluklarında parçalara ayrılabilir.

Basit ancak her doküman için en iyi sonuç olmayabilir.

### Semantic Chunking

Doküman anlamsal bölümlere göre parçalanabilir.

Örneğin prosedürde her bölüm ayrı chunk olarak tutulabilir.

### Hierarchical Chunking

Doküman;

**Doküman → Bölüm → Alt Bölüm → Paragraf**

hiyerarşisiyle indekslenebilir.

Bu yaklaşım uzun ve yapısal dokümanlarda avantaj sağlayabilir.

### Chunk Overlap

Komşu chunk'lar arasında belirli miktarda overlap bırakılarak bağlam kaybı azaltılabilir.

### Chunk Size Optimizasyonu

Çok küçük chunk bağlamı kaybedebilir.

Çok büyük chunk ise gereksiz bilgi ve token tüketimi yaratabilir.

Doğru değer gerçek evaluation testleriyle belirlenmelidir.

### Metadata Nedir?

Metadata dokümanın içeriği dışında onu tanımlayan bilgidir.

Örneğin;

- doküman adı,
- departman,
- tarih,
- versiyon,
- gizlilik seviyesi,
- sahibi,
- proje

metadata olarak tutulabilir.

### Metadata Filtering

Kullanıcı sorgusu sırasında semantic search'e ek olarak metadata filtreleri uygulanabilir.

Örneğin:

#### Departman = Hukuk

#### Tarih > 2025

#### Belge Türü = Sözleşme

### Metadata ile Erişim Kontrolü

Dokümanın yetki bilgisi metadata olarak indekslenebilir.

Retrieval sırasında yalnızca kullanıcının erişim hakkı bulunan dokümanlar getirilebilir.

### Access-Controlled RAG

Kurumsal RAG projelerinde en kritik konulardan biri erişim kontrolüdür.

Kullanıcının arama motorunda erişemediği bir dokümanı AI üzerinden görebilmesi ciddi veri ihlaline yol açabilir.

SecureSys yaklaşımında:

**User Identity → Permission Check → Retrieval → LLM**

sırası korunur.

### Permission-Aware Retrieval

Search query oluşturulurken kullanıcının;

- rolü,
- grubu,
- departmanı,
- belge erişim hakkı

dikkate alınır.

### Document-Level Security

Kullanıcı belirli dokümana tamamen erişebilir veya erişemeyebilir.

### Section-Level Security

Daha gelişmiş yapılarda aynı dokümanın belirli bölümleri farklı kullanıcı grupları için sınırlandırılabilir.

### Row-Level Security

Structured data retrieval sırasında kullanıcıya yalnızca erişim hakkı bulunan database kayıtları gösterilebilir.

### User Context Propagation

Kullanıcının identity ve permission bilgisi retrieval katmanından backend servislere kadar taşınabilir.

### SSO Entegrasyonu

Kurumsal Bilgi Asistanı Microsoft Entra ID, Active Directory veya farklı Identity Provider sistemleriyle SSO üzerinden entegre edilebilir.

### Role-Based Access Control

AI uygulamasının kendi yönetim fonksiyonları için;

- User,
- Knowledge Manager,
- AI Administrator,
- Auditor

rolleri oluşturulabilir.

### Reranking Nedir?

Vector search ilk aşamada en benzer dokümanları getirir.

Reranking modeli bu sonuçları tekrar değerlendirerek kullanıcının sorusuna en alakalı olanları üst sıraya çıkarabilir.

### Cross-Encoder Reranking

Query ve doküman birlikte analiz edilerek relevance skoru hesaplanabilir.

### Retrieval Pipeline

Gelişmiş retrieval akışı:

#### Query Rewrite

↓

#### Hybrid Search

↓

#### Metadata Filter

↓

#### Top-K Results

↓

#### Reranking

↓

#### Context Selection

↓

#### LLM

şeklinde oluşturulabilir.

### Query Rewrite

Kullanıcı sorusu search sisteminin daha iyi anlayacağı şekilde yeniden düzenlenebilir.

### Query Expansion

Tek sorgu yerine aynı anlamı taşıyan birden fazla arama oluşturulabilir.

Bu yaklaşım bazı karmaşık sorularda retrieval recall değerini artırabilir.

### Multi-Query RAG

Sistem kullanıcının sorusundan birden fazla arama sorgusu üretip sonuçları birleştirebilir.

### HyDE

Bazı retrieval senaryolarında model önce muhtemel cevap veya doküman taslağı üretip bunun embedding'i üzerinden arama yapabilir.

Bu yaklaşım her sistem için uygun olmayabilir ve evaluation gerektirir.

### Context Selection

Arama sonucunda çok fazla doküman bulunabilir.

LLM'e yalnızca en alakalı ve gerekli parçaların gönderilmesi önemlidir.

### Context Compression

Uzun doküman parçaları model öncesinde daha küçük ve soruyla ilişkili hale getirilebilir.

### Context Window Yönetimi

Modern modeller geniş context window sunsa bile tüm kurum dokümanlarını modele göndermek doğru değildir.

Retrieval sistemi yalnızca gerekli bilgiyi seçmelidir.

### Token Optimizasyonu

Gereksiz context token tüketimini ve AI maliyetini artırır.

Chunking, retrieval ve reranking optimizasyonuyla token maliyetleri azaltılabilir.

### Grounded Answer

RAG sisteminin temel hedeflerinden biri modelin cevaplarını getirilen kurumsal kaynaklara dayandırmaktır.

### Source Citation

AI cevabının yanında kullanılan kaynak dokümanlar gösterilebilir.

Örneğin:

#### Kaynak: Bilgi Güvenliği Politikası – Madde 7.2

Bu yaklaşım özellikle kurum içi bilgi asistanlarında güvenilirliği artırır.

### Clickable Sources

Kullanıcı cevabın kaynağına tıklayarak ilgili dokümanın orijinal versiyonunu açabilir.

Yetki kontrolleri bu aşamada da korunmalıdır.

### Hallucination Yönetimi

RAG hallucination riskini tamamen ortadan kaldırmaz ancak doğru retrieval ve grounding ile azaltabilir.

### “Bilmiyorum” Politikası

Kurumsal AI sisteminin yeterli kaynak bulunmadığında cevap uydurmak yerine:

#### “Bu bilgiye mevcut kaynaklarda ulaşamadım.”

demesi daha doğru olabilir.

### Confidence Threshold

Retrieval relevance belirli eşik değerinin altında olduğunda cevap üretimi sınırlandırılabilir.

### Answer Guardrails

AI'ın yalnızca sağlanan context içerisindeki bilgiye dayanarak cevap vermesi talimatlandırılabilir.

### RAG Evaluation

RAG sisteminin başarılı olup olmadığı ölçülmelidir.

Sadece birkaç manuel soru üzerinden karar verilmemelidir.

### Retrieval Evaluation

Retrieval katmanı için;

- Precision,
- Recall,
- Hit Rate,
- Mean Reciprocal Rank

gibi ölçümler kullanılabilir.

### Context Relevance

Getirilen dokümanların soruyla gerçekten ilgili olup olmadığı ölçülebilir.

### Answer Relevance

Modelin verdiği cevabın kullanıcının sorusuna uygunluğu değerlendirilebilir.

### Faithfulness

Model cevabının kendisine verilen context ile tutarlı olup olmadığı ölçülebilir.

### Groundedness

Cevabın kurumsal kaynaklara ne kadar dayandığı değerlendirilebilir.

### RAG Test Dataset

Kurumun gerçek kullanım senaryolarına dayanan soru-cevap test seti oluşturulabilir.

### Golden Dataset

Uzmanlar tarafından doğrulanmış sorular ve beklenen cevaplardan oluşan evaluation dataset tutulabilir.

### Regression Testing

Prompt, embedding modeli veya chunking değiştirildiğinde sistemin önceki doğruluğunu kaybedip kaybetmediği test edilebilir.

### A/B Test

Farklı retrieval veya prompt yaklaşımları gerçek kullanıcı gruplarında karşılaştırılabilir.

### RAGOps Nedir?

RAGOps, RAG sistemlerinin production ortamında yönetilmesi ve sürekli iyileştirilmesine yönelik operasyon yaklaşımıdır.

Kapsam;

- ingestion,
- index,
- embedding,
- evaluation,
- monitoring,
- versioning,
- data freshness

süreçlerini içerebilir.

### RAG Pipeline Monitoring

Ingestion ve indexing süreçlerinin başarılı çalışıp çalışmadığı izlenmelidir.

### Index Freshness

Kurumsal doküman değiştiğinde vector index'in ne kadar sürede güncellendiği önemli bir metriktir.

### Incremental Indexing

Her değişiklikte tüm bilgi tabanını yeniden indekslemek yerine yalnızca değişen dokümanlar işlenebilir.

### Document Change Detection

Dosyanın checksum veya version bilgisi kullanılarak değişiklik tespit edilebilir.

### Document Deletion

Kaynak sistemden silinen doküman RAG index'inden de kaldırılmalıdır.

Aksi halde AI artık var olmayan bilgiye cevap vermeye devam edebilir.

### Version Management

Bir prosedürün eski ve yeni versiyonları aynı anda index'te kalırsa çelişkili cevaplar üretilebilir.

Aktif ve eski versiyonların doğru yönetilmesi gerekir.

### Effective Date

Dokümanın geçerlilik tarihi metadata olarak tutulabilir.

### Temporal RAG

Kullanıcı belirli tarihte geçerli bilgiyi sorgulayabilir.

Örneğin:

#### “2024 yılında geçerli seyahat politikası neydi?”

Bu durumda version ve effective date bilgileri retrieval'a dahil edilebilir.

### Knowledge Base Governance

Kurumsal bilgi tabanına hangi içeriğin dahil edileceği yönetilmelidir.

### Knowledge Owner

Her knowledge source için iş birimi sahibi tanımlanabilir.

### Content Approval

Onaylanmamış taslak dokümanların AI'a bilgi kaynağı yapılması istenmeyebilir.

### Published Content Only

Sistem yalnızca yayınlanmış ve geçerli dokümanları indeksleyecek şekilde yapılandırılabilir.

### Knowledge Lifecycle

Bilgi yaşam döngüsü:

**Create → Review → Approve → Publish → Index → Update → Archive**

şeklinde yönetilebilir.

### Kurumsal Bilgi Kalitesi

RAG sisteminin kalitesi kaynak verinin kalitesine bağlıdır.

Eski, çelişkili veya yanlış dokümanlar AI cevaplarını da etkiler.

Bu nedenle RAG projeleri aynı zamanda bilgi yönetimi projeleridir.

### Duplicate Document Yönetimi

Aynı prosedürün farklı klasörlerde birden fazla kopyası bulunabilir.

Duplicate content detection uygulanabilir.

### Conflicting Information

İki dokümanda çelişkili bilgi varsa AI hangisini kullanacağını bilmeyebilir.

Version, authority ve effective date metadata'ları kullanılabilir.

### Canonical Source

Her bilgi alanı için güvenilir ana kaynak tanımlanabilir.

### Knowledge Graph

Bazı kurumsal bilgi senaryolarında document retrieval yanında Knowledge Graph kullanılabilir.

### Graph RAG

Graph RAG, varlıklar ve ilişkilerin grafik yapısı üzerinden retrieval gerçekleştirilmesini sağlar.

Özellikle çok karmaşık ilişki ağlarında değerlendirilebilir.

### Entity Extraction

Dokümanlardan;

- kişi,
- şirket,
- proje,
- ürün,
- lokasyon

gibi varlıklar otomatik çıkarılabilir.

### Relationship Extraction

Varlıklar arasındaki ilişkiler analiz edilebilir.

Örneğin:

**Proje A → Müşteri X → Sözleşme Y → Ürün Z**

### Knowledge Graph ve RAG

Vector Search anlam benzerliğini bulurken Knowledge Graph ilişkisel bağlantıları daha iyi temsil edebilir.

İki yaklaşım birlikte kullanılabilir.

### GraphRAG Kullanım Alanları

Özellikle;

- kurumsal bilgi ağı,
- araştırma,
- teknik sistem ilişkileri,
- müşteri/proje ilişkileri

gibi senaryolarda değerlendirilebilir.

### RAG ve Dijital Arşiv

SecureSys Dijital İçerik Arşivleme altyapısı RAG sistemi için güçlü bilgi kaynağı oluşturabilir.

Arşiv içerisinde bulunan;

- PDF,
- görsel OCR çıktıları,
- video transkriptleri,
- ses transkriptleri

semantic search sistemine dahil edilebilir.

### Medya Arşivi ve RAG

Kullanıcı yalnızca doküman değil medya içerikleri üzerinde de arama yapabilir.

Örneğin:

#### “Geçen yılki etkinlikte CEO'nun siber güvenlik hakkında konuştuğu videoyu bul.”

Video transkript ve metadata bilgileri üzerinden ilgili içerik getirilebilir.

### RAG ve LLM

RAG sisteminin generation katmanında farklı LLM modelleri kullanılabilir.

Model değişse bile bilgi retrieval altyapısı büyük ölçüde korunabilir.

### Multi-Model RAG

Farklı sorular için farklı LLM'ler kullanılabilir.

Örneğin;

- basit FAQ → küçük model,
- karmaşık analiz → güçlü model.

### Private RAG

Private RAG, kurum verilerinin ve retrieval altyapısının private environment içerisinde çalıştırıldığı mimaridir.

### On-Premise RAG

Tüm;

- embedding,
- vector database,
- LLM,
- document store

bileşenleri kurum veri merkezinde çalıştırılabilir.

### Air-Gapped RAG

Savunma, kamu ve kritik altyapı gibi yüksek güvenlikli ortamlarda sistem tamamen internetten ayrılabilir.

Örnek:

#### Kırmızı Ağ Kullanıcısı

↓

#### Private AI Portal

↓

#### Private Embedding

↓

#### Private Vector DB

↓

#### Private LLM

↓

#### İzole Doküman Arşivi

### Kırmızı Ağ Kurumsal Bilgi Asistanı

Kritik kurum dokümanları için tamamen izole yapay zekâ bilgi asistanı kurulabilir.

Bu sistem dış AI sağlayıcılarına veri göndermez.

### RAG Security

RAG sistemleri klasik LLM güvenlik risklerinin yanında retrieval katmanına özgü güvenlik problemleri içerir.

### RAG Data Leakage

Yanlış permission modeli yetkisiz kullanıcının hassas dokümana ulaşmasına neden olabilir.

### Prompt Injection via Documents

RAG'in okuduğu doküman içerisinde kötü niyetli talimatlar bulunabilir.

Bu durum **Indirect [Prompt Injection](/tr/hizmetler/ai-llm-sizma-testi-hizmeti)** oluşturabilir.

### Poisoned Document

Saldırgan knowledge base'e yanlış veya kötü niyetli doküman ekleyerek AI cevaplarını manipüle edebilir.

### Retrieval Poisoning

Search index'e manipüle edilmiş bilgi eklenmesi yanlış sonuçların üst sıralara gelmesine neden olabilir.

### Knowledge Base Write Security

RAG sisteminin bilgi tabanına kimlerin doküman ekleyebileceği kontrol edilmelidir.

### Source Trust Level

Farklı kaynaklara farklı güven seviyeleri atanabilir.

Örneğin;

**Approved Procedure → High Trust**

**User Uploaded Document → Low Trust**

### Trusted Source Prioritization

Retrieval sırasında yüksek güven seviyesine sahip kaynaklar önceliklendirilebilir.

### Input Security

Kullanıcı sorguları prompt injection veya abuse açısından kontrol edilebilir.

### Output Security

Model cevabında hassas bilgi veya politika dışı içerik bulunması durumunda filtre uygulanabilir.

### RAG DLP Entegrasyonu

Kullanıcı prompt ve model cevapları [DLP](/tr/hizmetler/dlp-ddr-cozumleri) politikalarından geçirilebilir.

### PII Detection

RAG'e dahil edilen dokümanlarda kişisel veriler otomatik olarak tespit edilebilir.

### Data Masking

Belirli hassas alanlar embedding veya model kullanımından önce maskelenebilir.

### Vector Database Security

Vector Database'in kendisi de kritik bilgi varlığıdır.

### Vector Database Access Control

Index ve collection erişimleri authentication ve authorization ile sınırlandırılmalıdır.

### Encryption

Vector verileri ve metadata;

- at rest,
- in transit

şifrelenebilir.

### Vector Backup

Vector index gerektiğinde yeniden üretilebilir olsa da büyük sistemlerde backup ve DR süreçleri oluşturulabilir.

### Vector Database High Availability

Kritik RAG sistemlerinde vector database cluster yüksek erişilebilir tasarlanabilir.

### RAG SIEM Entegrasyonu

Kurumsal AI sisteminde;

- başarısız login,
- hassas doküman araması,
- admin değişikliği,
- unusual query volume

gibi olaylar SIEM'e aktarılabilir.

### SOC 7x24 RAG İzleme

SecureSys [SOC](/tr/hizmetler/soc-7x24-izleme-managed-soc-hizmeti) kritik RAG sistemlerinin güvenlik olaylarını diğer identity ve network verileriyle birlikte değerlendirebilir.

### RAG Audit Trail

Kullanıcıların;

- hangi soruyu sorduğu,
- hangi dokümanların retrieve edildiği,
- hangi modelin kullanıldığı,
- hangi cevabın üretildiği

gerektiğinde audit amacıyla kayıt altına alınabilir.

Kişisel veri ve privacy gereksinimleri log tasarımında dikkate alınmalıdır.

### Kurumsal Bilgi Asistanı Kullanım Alanları

Farklı departmanlar için özel knowledge assistant oluşturulabilir.

### İnsan Kaynakları Bilgi Asistanı

Çalışanlar;

- izin politikası,
- yan haklar,
- seyahat,
- onboarding,
- şirket prosedürleri

hakkında doğal dilde soru sorabilir.

### Hukuk Bilgi Asistanı

Hukuk ekibi;

- sözleşme şablonları,
- mevzuat notları,
- eski görüşler,
- şirket politikaları

üzerinde arama yapabilir.

### Satış Bilgi Asistanı

Satış ekipleri;

- ürün özellikleri,
- fiyat politikaları,
- geçmiş teklifler,
- referans projeler

hakkında hızlı bilgi alabilir.

### Teknik Destek Asistanı

IT ekipleri;

- runbook,
- troubleshooting guide,
- geçmiş incident,
- vendor dokümanı

üzerinden çözüm arayabilir.

### SOC Knowledge Assistant

SOC analistleri;

- playbook,
- threat intelligence,
- MITRE ATT&CK,
- ürün dokümanı,
- geçmiş incident

bilgilerini doğal dil üzerinden sorgulayabilir.

### Developer Knowledge Assistant

Developer ekipleri;

- internal API,
- coding standard,
- architecture,
- [DevSecOps](/tr/hizmetler/devops-devsecops-hizmetleri) policy

dokümanlarına doğal dille erişebilir.

### Proje Bilgi Asistanı

Her büyük proje için ayrı knowledge space oluşturulabilir.

### Müşteri Bilgi Asistanı

Belirli müşteri hesabına ait;

- sözleşme,
- toplantı notu,
- proje dokümanı,
- destek kayıtları

tek AI asistanı üzerinden sorgulanabilir.

### Teknik Şartname Asistanı

İhale ve proje ekipleri eski teknik şartnameleri ve gereksinimleri doğal dilde sorgulayabilir.

### Ürün Bilgi Asistanı

Müşteri ve satış ekipleri ürün teknik dokümanlarından hızlı cevap alabilir.

### Self-Service Knowledge Portal

Çalışanların sık tekrarlanan bilgi taleplerini kendi başına çözmesi sağlanabilir.

### AI Help Center

Klasik FAQ sayfalarının yerine kurumsal bilgi kaynaklarını kullanan AI destek merkezi oluşturulabilir.

### External Customer RAG

RAG yalnızca kurum çalışanları için değildir.

Müşterilere yönelik ürün ve destek chatbot'ları da oluşturulabilir.

Ancak public AI sisteminde knowledge source ve data leakage riskleri daha sıkı kontrol edilmelidir.

### Multi-Tenant RAG

Grup şirketleri veya farklı müşteriler aynı altyapıyı tenant bazında kullanabilir.

Her tenant için;

- ayrı index,
- ayrı permissions,
- ayrı data source

kullanılabilir.

### Tenant Isolation

Bir tenant'ın diğer tenant verisine erişmesi kesin olarak engellenmelidir.

### Department Isolation

Tek kurum içerisinde departman bazlı knowledge collection'lar oluşturulabilir.

### Federated RAG

Bilgi tek merkezi database'e kopyalanmadan farklı sistemler üzerinde federated search yapılabilir.

### Data Virtualization

Bazı structured data kaynaklarına kopyalama yerine kontrollü runtime erişimi sağlanabilir.

### Real-Time RAG

Bazı kullanım senaryolarında sürekli değişen verinin anlık olarak çekilmesi gerekir.

Örneğin;

- stock,
- ticket status,
- incident status,
- application metrics

runtime API üzerinden getirilebilir.

### Static ve Dynamic Knowledge

RAG sistemi iki tip bilgi kullanabilir:

#### Static Knowledge

Dokümanlar, prosedürler.

#### Dynamic Knowledge

API ve database üzerinden anlık bilgi.

### RAG + Tool Calling

Kurumsal Bilgi Asistanı bir sorunun cevabı için önce RAG kullanıp daha sonra gerekli güncel bilgiyi API üzerinden çekebilir.

### Agentic RAG

Daha karmaşık sorularda AI Agent birden fazla retrieval ve tool kullanımına karar verebilir.

Bu yapı [Agentic AI](/tr/hizmetler/ai-agent-agentic-ai-cozumleri) sayfamızdaki çözümlerle birlikte kullanılabilir.

### RAG Chatbot

Basit arayüz olarak web tabanlı chatbot kullanılabilir.

### RAG Web Portal

Daha gelişmiş platformda kullanıcı;

- sohbet,
- kaynak doküman,
- geçmiş aramalar,
- favoriler,
- feedback

özelliklerini kullanabilir.

### Mobil RAG Asistanı

Kurumsal bilgi asistanı SecureSys [Mobil Uygulama Geliştirme](/tr/hizmetler/mobil-uygulama-gelistirme-hizmetleri) çözümleri üzerinden mobil cihazlarda sunulabilir.

### Teams Entegrasyonu

Kurumsal bilgi asistanı Microsoft Teams benzeri collaboration platformlarına entegre edilebilir.

### Portal Entegrasyonu

Mevcut intranet veya kurumsal uygulama içerisine AI search komponenti eklenebilir.

### API Olarak RAG

RAG platformu API olarak farklı uygulamalara bilgi servisi sunabilir.

### RAG as a Service

Kurum içerisinde farklı ekipler ortak retrieval platformunu servis olarak kullanabilir.

### Enterprise RAG Platform

Büyük kurumlarda tek tek chatbot geliştirmek yerine merkezi Enterprise RAG Platform kurulabilir.

Platform;

- ingestion,
- vector DB,
- embedding,
- permissions,
- evaluation,
- LLM gateway,
- monitoring

servislerini ortak sunabilir.

### Knowledge as a Service

Kurumsal bilgi farklı AI uygulamaları tarafından ortak servis olarak kullanılabilir.

### Platform Engineering ve RAG

[Internal Developer Platform](/tr/hizmetler/platform-engineering-internal-developer-platform-idp) üzerinden developer ekiplerine hazır;

- RAG template,
- Vector Database,
- Embedding Service,
- LLM Gateway

servisleri sunulabilir.

### RAG ve DevSecOps

RAG uygulamasının klasik kaynak kodu;

- SAST,
- SCA,
- [SBOM](/tr/hizmetler/software-supply-chain-security-sbom),
- secret scanning

kontrollerinden geçirilmelidir.

### RAG CI/CD

Prompt, chunking veya retrieval configuration değişiklikleri CI/CD süreçleriyle kontrollü şekilde production'a alınabilir.

### RAG Configuration as Code

Index, retrieval ve prompt konfigürasyonları version control altında tutulabilir.

### Prompt Versioning

RAG cevap prompt'larının versiyonlanması evaluation sonuçlarıyla karşılaştırma yapılmasını sağlar.

### Embedding Versioning

Embedding modeli değiştirildiğinde index'in yeniden oluşturulması gerekebilir.

Bu nedenle embedding version metadata tutulmalıdır.

### Index Versioning

Production'a yeni index alınmadan önce test ortamında doğrulanabilir.

### Blue-Green RAG Index

Yeni index hazırlanırken mevcut production index çalışmaya devam edebilir.

Test sonrasında trafik yeni index'e geçirilebilir.

### RAG Disaster Recovery

Kritik bilgi asistanlarında;

- configuration,
- metadata,
- vector database,
- document source mapping,
- evaluation dataset

için DR yaklaşımı oluşturulabilir.

### RAG Backup

Orijinal dokümanlar zaten kurumsal sistemlerde bulunabilir ancak vector index ve configuration backup'ları recovery süresini azaltabilir.

### RAG High Availability

LLM Gateway, vector database ve application katmanları yüksek erişilebilir tasarlanabilir.

### RAG Auto Scaling

Kullanıcı sayısı yükseldiğinde retrieval ve application servisleri otomatik ölçeklenebilir.

### RAG Cost Management

RAG toplam maliyeti yalnızca LLM tokenlarından oluşmaz.

Maliyetler;

- embedding,
- vector database,
- storage,
- retrieval,
- reranking,
- LLM

katmanlarından gelebilir.

### Cost per Query

Her sorgunun ortalama maliyeti hesaplanabilir.

### RAG Cache

Sık sorulan ve değişmeyen sorular için kontrollü caching kullanılabilir.

### Semantic Cache

Benzer sorularda geçmiş cevapların yeniden kullanılması değerlendirilebilir.

Yetkilendirme cache tasarımında korunmalıdır.

### RAG Analytics

Kullanıcıların en çok hangi konuları aradığı görülebilir.

Bu veri kurumun hangi alanlarda bilgi eksikliği yaşadığını da gösterebilir.

### Unanswered Questions

Sistemin cevap veremediği sorular listelenebilir.

Bu sorular knowledge base iyileştirme backlog'una dönüştürülebilir.

### Knowledge Gap Analysis

Çalışanların çok sorduğu ancak dokümanda bulunmayan konular belirlenebilir.

### Search Analytics

En çok aranan;

- ürün,
- prosedür,
- proje,
- konu

raporlanabilir.

### Feedback Sistemi

Kullanıcılar cevaplar için;

- doğru,
- yanlış,
- yararlı,
- eksik

feedback verebilir.

### Feedback-Based Improvement

Düşük puan alan sorular değerlendirilerek;

- chunking,
- metadata,
- source data,
- prompt

iyileştirilebilir.

### RAG Dashboard

Teknik dashboard içerisinde;

- query count,
- latency,
- retrieval quality,
- token use,
- cost,
- failed query

gösterilebilir.

### Yönetici RAG Raporu

Üst yönetim için;

- aktif kullanıcı,
- kullanım oranı,
- çözülen bilgi talepleri,
- en sık kullanılan knowledge domain,
- kullanıcı memnuniyeti

raporlanabilir.

### AI Adoption

Kurumsal Bilgi Asistanı başarısında teknik accuracy kadar çalışanların sistemi kullanması da önemlidir.

### Kullanıcı Eğitimi

Kullanıcılara;

- nasıl soru sorulacağı,
- kaynakların nasıl kontrol edileceği,
- hangi verinin AI'a girilemeyeceği

anlatılabilir.

### AI Usage Policy

Kurum içerisinde AI bilgi asistanının kullanım kuralları tanımlanabilir.

### RAG Governance

Hangi data source'ların AI'a bağlanabileceği ve hangi kullanıcıların hangi knowledge alanına erişebileceği merkezi olarak yönetilmelidir.

### Knowledge Source Inventory

Tüm RAG data source'ları envanterde tutulabilir.

### RAG Owner

Her production RAG uygulaması için business owner ve technical owner belirlenebilir.

### RAG Risk Classification

Sistemler;

- public knowledge,
- internal,
- confidential,
- highly restricted

seviyelerine ayrılabilir.

### ISO/IEC 42001 ve RAG

Kurumsal RAG sistemlerinin;

- kullanım amacı,
- sahiplik,
- data source,
- risk,
- evaluation,
- monitoring,
- lifecycle

süreçleri ISO/IEC 42001 AI Management System yaklaşımıyla birlikte yönetilebilir.

### ISO/IEC 27001 ve RAG

RAG projelerinde;

- access control,
- information classification,
- logging,
- secure development,
- supplier management,
- backup

bilgi güvenliği açısından önemlidir.

### KVKK ve RAG

Kişisel veri içeren dokümanların RAG'e dahil edilmesi durumunda erişim ve veri minimizasyonu özellikle değerlendirilmelidir.

### GDPR ve RAG

Uluslararası projelerde data source ve model sağlayıcılarının kişisel veri işleme süreçleri ayrıca değerlendirilmelidir.

### Data Residency

Kurumsal doküman, embedding, vector database ve LLM processing lokasyonu belirlenebilir.

### Private AI Data Boundary

Hassas kullanım senaryolarında tüm RAG işleme zinciri kurumun private data boundary içerisinde tutulabilir.

### RAG Red Team

Kurumsal RAG sistemleri adversarial testlerden geçirilebilir.

Testlerde;

- prompt injection,
- document poisoning,
- permission bypass,
- information disclosure,
- retrieval manipulation

değerlendirilebilir.

### RAG Penetration Testing

Web/API güvenliği ile LLM ve retrieval güvenliği birlikte test edilebilir.

### RAG Security Assessment

SecureSys mevcut RAG uygulamalarının;

- identity,
- permissions,
- data source,
- prompt,
- vector DB,
- logging,
- model access

güvenlik durumunu analiz edebilir.

### RAG Readiness Assessment

RAG projesine başlamadan önce kurumun;

- veri kalitesi,
- document inventory,
- permission model,
- infrastructure,
- AI governance

hazırlığı değerlendirilebilir.

### Knowledge Discovery Workshop

Kurumsal bilgi kaynakları ve kullanıcı soruları workshop çalışmasıyla çıkarılabilir.

### RAG PoC

İlk aşamada belirli bir departman ve sınırlı doküman setiyle Proof of Concept hazırlanabilir.

### RAG MVP

PoC sonrasında gerçek kullanıcıların kullanabileceği güvenli portal ve permission modeli oluşturulabilir.

### RAG Pilot

Sınırlı kullanıcı grubuyla;

- accuracy,
- relevance,
- latency,
- user satisfaction

ölçülebilir.

### Enterprise Production RAG

Başarılı pilot sonrasında sistem diğer departman ve data source'lara ölçeklenebilir.

### SecureSys RAG & Kurumsal Bilgi Asistanı Hizmet Süreci

#### \1. Use Case Analizi

Kullanıcıların hangi bilgiye erişmekte zorlandığı belirlenir.

#### \2. Bilgi Kaynağı Envanteri

Doküman, SharePoint, arşiv, database ve diğer kaynaklar çıkarılır.

#### \3. Veri ve Yetki Analizi

Doküman erişim seviyeleri ve bilgi sınıflandırması değerlendirilir.

#### \4. RAG Mimari Tasarımı

Embedding, vector database, search ve LLM mimarisi belirlenir.

#### \5. Ingestion

Doküman parsing, chunking, metadata ve indexing süreçleri oluşturulur.

#### \6. Retrieval Optimization

Semantic search, Hybrid Search ve Reranking yapılandırılır.

#### \7. Access-Controlled RAG

Kullanıcı yetkileri retrieval katmanına entegre edilir.

#### \8. AI Application

Kurumsal Bilgi Asistanı web, mobil veya mevcut portal üzerinde geliştirilir.

#### \9. Evaluation

Retrieval, groundedness, relevance ve hallucination testleri uygulanır.

#### \10. Security

Prompt Injection, data leakage ve knowledge poisoning senaryoları test edilir.

#### \11. RAGOps ve Monitoring

Index freshness, query quality, cost ve kullanım değerleri izlenir.

#### \12. AI Governance ve Sürekli İyileştirme

Knowledge lifecycle ve ISO/IEC 42001 süreçleriyle sistem sürekli geliştirilir.

### Neden SecureSys RAG & Kurumsal Bilgi Asistanları?

Kurumsal RAG projesi yalnızca dokümanları vector database'e yükleyip LLM'e bağlamak değildir.

Gerçek bir Enterprise RAG platformunun;

**Data + Search + Metadata + Permission + LLM + Security + Evaluation + Governance**

katmanlarının birlikte çalışması gerekir.

SecureSys RAG yaklaşımı, yapay zekâ geliştirme yetkinliğini kurumsal altyapı ve siber güvenlik kabiliyetleriyle birleştirir.

Özellikle;

- erişim kontrolü,
- bilgi sınıflandırma,
- kaynak gösterimi,
- RAG Security,
- private deployment,
- Kırmızı Ağ / Air-Gapped AI

senaryolarını mimarinin temel parçası olarak ele alır.

Yaklaşımımız:

**Find the Right Information → Respect the Right Permissions → Generate from Trusted Sources → Show the Evidence.**

### Sık Sorulan Sorular

#### RAG nedir?

Retrieval-Augmented Generation, LLM'in cevap üretmeden önce kurumun bilgi kaynaklarından ilgili içerikleri bulup bu bilgilerden yararlanmasını sağlayan mimaridir.

#### RAG neden kullanılır?

LLM'in kuruma özel ve güncel bilgiye erişmesini sağlar ve cevapların kurumun gerçek bilgi kaynaklarına dayanmasına yardımcı olur.

#### RAG ile Fine-Tuning aynı şey midir?

Hayır. RAG bilgi retrieval eder; Fine-Tuning model davranışını eğitim yoluyla değiştirir.

#### Vector Database nedir?

Metinlerin embedding adı verilen sayısal temsillerini saklayarak semantic search yapılmasını sağlayan database türüdür.

#### RAG SharePoint ile entegre edilebilir mi?

Evet. SharePoint dokümanları RAG'e dahil edilebilir ve mevcut permission yapısı retrieval katmanında korunabilir.

#### RAG kaynak gösterebilir mi?

Evet. Cevapların yanında kullanılan dokümanlar ve ilgili bölümler gösterilebilir.

#### Kullanıcı yetkisi olmayan belgeyi AI görebilir mi?

Doğru tasarlanmış Access-Controlled RAG mimarisinde hayır. Retrieval kullanıcı izinlerine göre filtrelenmelidir.

#### RAG tamamen kurum içerisinde kurulabilir mi?

Evet. Embedding, vector database ve LLM tamamen on-premise veya Kırmızı Ağ içerisinde kurulabilir.

#### RAG hallucination problemini tamamen çözer mi?

Hayır. Ancak doğru retrieval, source citation, evaluation ve answer guardrail kullanımı hallucination riskini önemli ölçüde azaltabilir.

#### RAG Agentic AI ile birlikte kullanılabilir mi?

Evet. AI Agent RAG sistemini kurumsal bilgiye erişmek için bir tool olarak kullanabilir.

### Kurumsal Bilginizi SecureSys RAG ile Güvenli Bir AI Hafızasına Dönüştürün

Kurumların en büyük sorunlarından biri artık bilgi eksikliği değil, mevcut bilginin doğru zamanda bulunamamasıdır.

Yüz binlerce dokümanın farklı klasörlerde bulunması, çalışanların aynı soruları tekrar tekrar sorması ve kritik kurumsal bilginin yalnızca belirli kişilerin hafızasında kalması operasyonel verimliliği azaltabilir.

SecureSys RAG & Kurumsal Bilgi Asistanları ile;

**Kurumsal Dokümanlar → Metadata → Vector Search → RAG → LLM → Kaynak Gösteren Kurumsal AI Asistanı**

mimarisini oluşturabilirsiniz.

SharePoint, file server, dijital arşiv, database ve diğer bilgi kaynaklarınızı tek bir AI bilgi katmanında birleştirebilir; kullanıcıların yalnızca erişim yetkisine sahip olduğu bilgi üzerinden doğal dilde soru sormasını sağlayabilirsiniz.

İhtiyaç halinde sistemin tamamını **Private RAG, On-Premise LLM veya Air-Gapped Kırmızı Ağ AI mimarisi** içerisinde çalıştırabilirsiniz.

**Kurumsal bilgi kaynaklarınızı analiz ettirin, sınırlı bir departmanda RAG PoC ile başlayın ve başarılı modeli tüm kuruma ölçeklenebilir Enterprise Knowledge Assistant platformuna dönüştürün.**