# Rehber: kurumsal yapay zekâ

> Kurumsal yapay zekâ üzerine Türkçe rehberler: nereden başlanır, veri nasıl korunur, modeller nerede çalışır, ajanlar ve RAG nasıl kurulur, Türkçe metin nasıl işlenir.

- [Kurumsal yapay zekâ: şirketler yapay zekâya nereden başlamalı?](https://altai.dev/tr/rehber/kurumsal-yapay-zeka/index.html.md): Kurumsal yapay zekâya tek bir işle başlanır; işin bugünkü durumu ölçülür, veri sınırı belirlenir, küçük bir deneme kurulur ve sonuca göre büyütülür.
- [KVKK ve yapay zekâ: kişisel veriyi modele göndermeden yapay zekâ kullanmak](https://altai.dev/tr/rehber/kvkk-ve-yapay-zeka/index.html.md): Kişisel veriyi modele göndermeden yapay zekâ kullanmak için veriyi sınıflandırın, kişisel alanları maskeleyin ve hassas istekleri yerel modelde tutun.
- [Yerel (on-premise) LLM kurulumu: ne zaman gerekir, nasıl yapılır?](https://altai.dev/tr/rehber/yerel-llm-kurulumu/index.html.md): Yerel LLM, veri kurum dışına çıkmamalıysa veya iş hacmi yüksek ve sürekliyse anlamlıdır; donanım, model sunucusu ve yönlendiren bir gateway gerektirir.
- [AI gateway nedir? Kurumlar model erişimini ve veri kurallarını nasıl yönetir](https://altai.dev/tr/rehber/ai-gateway-nedir/index.html.md): AI gateway, uygulamalarla yapay zekâ modelleri arasındaki ortak katmandır; model seçimini, hassas veri kurallarını ve kayıtları tek yerden yönetir.
- [Yapay zekâ ajanı (AI agent) nedir, şirketler için nasıl geliştirilir?](https://altai.dev/tr/rehber/yapay-zeka-ajani-nedir/index.html.md): Yapay zekâ ajanı, dil modelinin araç kullanarak bir görevi adım adım yürüttüğü yazılımdır. Sohbet botundan farkını, izinleri ve testi anlatıyoruz.
- [RAG nedir? Belgelerinizden kaynak göstererek yanıt veren yapay zekâ](https://altai.dev/tr/rehber/rag-nedir/index.html.md): RAG, dil modelinin yanıt vermeden önce belgelerinizde arama yaptığı, bulduğu bölümlere dayanarak ve kaynağını göstererek yanıt verdiği yöntemdir.
- [Fine-tuning mi, RAG mı? Şirket verisiyle model nasıl uyarlanır](https://altai.dev/tr/rehber/fine-tuning-mi-rag-mi/index.html.md): Sık değişen ve kaynak gösterilmesi gereken bilgi için RAG, biçim, terim ve davranış için fine-tuning uygundur; ikisi birlikte de kullanılabilir.
- [Sentetik veri ile model eğitimi: ne zaman işe yarar, nasıl yapılır?](https://altai.dev/tr/rehber/sentetik-veri/index.html.md): Sentetik veri, belgelerinizden bir dil modeliyle üretilen eğitim örnekleridir; kaynağa bağlı, çeşitli ve ayrı bir test setiyle ölçülürse işe yarar.
- [Türkçe doğal dil işleme (NLP): neden zor, hangi araçlar var?](https://altai.dev/tr/rehber/turkce-dogal-dil-isleme/index.html.md): Türkçe NLP eklemeli yapı ve Türkçe karakterler yüzünden zordur; Zemberek, Zeyrek ve Akana gibi açık kaynak araçlar kök bulma, düzeltme ve arama yapar.
- [Türkçe embedding modelleri: nasıl seçilir, hangisi ne işe yarar?](https://altai.dev/tr/rehber/turkce-embedding-modelleri/index.html.md): Türkçe embedding modelini kalite, boyut ve hıza göre seçin; kararı kendi sorgularınızla ölçtüğünüz arama başarısına, örneğin Recall@10’a dayandırın.
- [Yapay zekâ sözlüğü: kurumsal yapay zekâ terimleri](https://altai.dev/tr/rehber/sozluk/index.html.md): Kurumsal yapay zekâ terimlerinin kısa Türkçe tanımları: LLM, RAG, embedding, AI gateway, agent harness, fine-tuning, KVKK ve dahası, ALTAI örnekleriyle.

Source: https://altai.dev/tr/rehber/