# Yapay zekâ sözlüğü: kurumsal yapay zekâ terimleri

> Kurumsal yapay zekâ terimlerinin kısa Türkçe tanımları: LLM, RAG, embedding, AI gateway, agent harness, fine-tuning, KVKK ve dahası, ALTAI örnekleriyle.

Bu sözlük, kurumsal yapay zekâ projelerinde sık geçen terimleri kısa ve Türkçe olarak tanımlar. Terimlerin altında, varsa ALTAI’nin o kavramı hangi ürün veya açık kaynak projede kullandığını ve konuyu ayrıntılı anlatan rehberi bulabilirsiniz.

## Yapay zekâ

Yapay zekâ (artificial intelligence, AI), dil anlama, görüntü tanıma, tahmin ve karar verme gibi normalde insan zekâsı gerektiren işleri yapabilen bilgisayar sistemleri geliştiren bilgisayar bilimi alanıdır. Makine öğrenmesi, bilgisayarlı görü ve doğal dil işleme bu alanın alt dallarıdır; bugün kurumlarda en çok konuşulan uygulaması büyük dil modelleridir. ALTAI kurumlar için yapay zekâ geliştirir: model erişimi ve veri kontrolü için [Yada](https://altai.dev/tr/products/yada/), ajan altyapısı [isanagent](https://altai.dev/tr/products/isanagent/), özel modeller ve açık kaynak Türkçe NLP araçları. Kurumların nereden başlayabileceğini [Kurumsal yapay zekâ rehberi](https://altai.dev/tr/rehber/kurumsal-yapay-zeka/) anlatır.

## LLM

LLM (large language model, büyük dil modeli), çok büyük metin derlemleri üzerinde eğitilmiş, metni anlayıp yeni metin üreten bir yapay sinir ağı modelidir. Çoğu LLM Transformer mimarisine dayanır, metni token adı verilen parçalar hâlinde işler ve yanıtını token token üretir; GPT, Gemini, Claude, Llama, Qwen ve Gemma yaygın model aileleridir. ALTAI’nin geliştirdiği [Yada](https://altai.dev/tr/products/yada/), uygulamaların hangi LLM’i kullanacağını yönetir: istek, kurallara göre yerel bir modele ya da Gemini, OpenAI veya Anthropic bulut modellerine gider.

## Yerel model

Yerel model (local model), istekleri dışarıdaki bir model sağlayıcısına göndermeden kurumun kendi sunucularında veya kendisine ait bulut ortamında çalıştırılan yapay zekâ modelidir. Genellikle ağırlıkları açık olarak yayımlanmış modeller Ollama, vLLM veya llama.cpp gibi sunucu yazılımlarıyla çalıştırılır; veri kurum dışına çıkmaz, buna karşılık donanım ve bakım kurumun sorumluluğundadır. ALTAI veri erişimini belirlerken yerel modelle çalışmayı ilk seçenek olarak değerlendirir; [Yada](https://altai.dev/tr/products/yada/)’da hassas veri taraması çalışmazsa istek yerel modelde kalır. Kurulum adımları için [Yerel LLM kurulumu rehberine](https://altai.dev/tr/rehber/yerel-llm-kurulumu/) bakabilirsiniz.

## AI gateway

AI gateway (model erişim katmanı), uygulamalarla yapay zekâ modelleri arasına yerleşip model isteklerini tek noktadan yönlendiren, denetleyen ve kaydeden ara katmandır. Uygulamalar tek bir API adresine bağlanır; hangi isteğin hangi modele gideceği, hangi verinin gönderilebileceği ve neyin kaydedileceği gateway’deki kurallarla belirlenir. ALTAI’nin AI gateway’i [Yada](https://altai.dev/tr/products/yada/), OpenAI uyumlu bir API sunar ve kurallarınıza göre isteği yerel modelde tutar, tespit ettiği hassas bilgileri maskeler veya isteği engeller. Ayrıntılar için [AI gateway nedir?](https://altai.dev/tr/rehber/ai-gateway-nedir/) rehberine bakabilirsiniz.

## Yapay zekâ ajanı

Yapay zekâ ajanı (AI agent), bir dil modelinin dosya okuma, API çağırma veya kod çalıştırma gibi araçları kullanarak çok adımlı bir görevi yürüttüğü yazılımdır. Ajan her adımda aracın döndürdüğü sonucu okuyup sonraki adıma karar verir; bu yüzden hangi araçları kullanabileceği, nerede duracağı ve hangi adımda insan onayı isteyeceği baştan tanımlanmalıdır. ALTAI kurumlara özel ajanları [isanagent](https://altai.dev/tr/products/isanagent/) altyapısı üzerinde geliştirir. Konunun ayrıntısı [Yapay zekâ ajanı nedir?](https://altai.dev/tr/rehber/yapay-zeka-ajani-nedir/) rehberindedir.

## Agent harness

Agent harness (ajan altyapısı), bir dil modelinin etrafında çalışan ve modelin araç kullanmasını, görevin durumunu takip etmesini ve tanımlı izinler içinde kalmasını sağlayan yazılım katmanıdır. Görev talimatları, araç bağlantıları, erişim izinleri, onay noktaları ve kayıtlar harness’in parçasıdır; aynı model farklı bir harness ile farklı işler yapan bir ajana dönüşür. ALTAI’nin özelleştirilebilir agent harness’i olan [isanagent](https://altai.dev/tr/products/isanagent/), görevleri skill ve plugin’lerle tanımlamayı; ajanın kullanabileceği araçları, çalışma dizinini ve onay gerektiren komutları belirlemeyi sağlar. Hook’larla her araç çağrısından önce kontrol, sonrasında kayıt eklenebilir.

## MCP

MCP (Model Context Protocol), yapay zekâ uygulamalarının dış araçlara, veri kaynaklarına ve servislere standart bir arayüzle bağlanmasını sağlayan açık bir protokoldür. Anthropic tarafından 2024’te yayımlanmıştır; bir araç bir kez MCP sunucusu olarak yazıldığında MCP’yi destekleyen farklı uygulamalar ve ajanlar tarafından kullanılabilir. ALTAI’nin ajan altyapısı [isanagent](https://altai.dev/tr/products/isanagent/) için yazılan plugin’ler; talimatları, MCP araç bağlantılarını, alt ajanları ve hook’ları birlikte taşır.

## RAG

RAG (Retrieval-Augmented Generation, erişimle zenginleştirilmiş üretim), bir dil modelinin yanıt vermeden önce ilgili belge parçalarını bir arama sisteminden alıp yanıtını bu parçalara dayandırdığı yöntemdir. Model yeniden eğitilmeden kurumun güncel belgeleriyle çalışabilir ve yanıtın kaynağı gösterilebilir; yanıtın kalitesi büyük ölçüde arama adımının doğru parçayı bulmasına bağlıdır. ALTAI’nin geliştirdiği [Doküman Asistanı](https://altai.dev/tr/products/document-assistant/) uygulamalarında kılavuz, prosedür ve ürün belgelerinde arama yapılır ve her yanıt dayandığı belge bölümüyle birlikte gösterilir. Ayrıntılar için [RAG nedir?](https://altai.dev/tr/rehber/rag-nedir/) rehberine bakabilirsiniz.

## Embedding

Embedding (vektör temsili), bir metnin anlamını sabit uzunlukta bir sayı dizisiyle, yani bir vektörle temsil etme yöntemi ve bu yöntemin ürettiği vektördür. Anlamca yakın metinlerin vektörleri birbirine yakın düşer; bu yakınlık genellikle kosinüs benzerliğiyle ölçülür ve anlamsal aramanın temelini oluşturur. ALTAI iki açık Türkçe embedding modeli yayımlamıştır: BGE-M3 Distill 4L (1024 boyut, dört Transformer katmanı) ve Model2Vec TurboQuant 2-bit (256 boyut, statik). Modeller [Türkçe embedding modelleri](https://altai.dev/tr/open-source/models/) sayfasında, model seçimi ise [Türkçe embedding modelleri rehberinde](https://altai.dev/tr/rehber/turkce-embedding-modelleri/) anlatılır.

## Vektör veritabanı

Vektör veritabanı (vector database), [embedding](https://altai.dev/tr/rehber/sozluk/#embedding) vektörlerini saklayan ve bir sorgu vektörüne en yakın vektörleri hızlıca bulmak için özel indeksler kullanan veritabanıdır. Milyonlarca vektörü tek tek karşılaştırmak yavaş olduğu için çoğu sistem HNSW gibi yaklaşık en yakın komşu (approximate nearest neighbor, ANN) indeksleri kullanır; Qdrant, Milvus, Weaviate ve PostgreSQL eklentisi pgvector yaygın açık kaynak seçeneklerdir. ALTAI’nin açık kaynak projesi [letsearch](https://altai.dev/tr/open-source/letsearch/), metin koleksiyonlarını vektör olarak indeksler ve bir arama servisi olarak sunar; proje erken aşamadadır.

## Anlamsal arama

Anlamsal arama (semantic search), metinleri embedding vektörleri üzerinden karşılaştırarak sorguyla ortak kelime içermese de anlamca ilgili sonuçları bulan arama yöntemidir. Örneğin “Ürün çok gürültülü çalışıyor” sorgusu, “Fan sesi artarsa yatakları yağlayın” kaydını tek bir ortak kelime olmadan bulabilir. ALTAI’nin açık kaynak projelerinden [letsearch](https://altai.dev/tr/open-source/letsearch/) ve [Akana](https://altai.dev/tr/open-source/akana/) anlamsal arama sağlar; Akana’daki 2,5 MB’lık yerleşik Türkçe embedding modeli, projenin kendi testlerine göre saniyede 20.000 cümle işler.

## Hibrit arama

Hibrit arama (hybrid search), anlamsal (vektör) arama ile anahtar kelime aramasının sonuçlarını birleştiren arama yöntemidir. Vektör arama eş anlamlıları ve farklı ifadeleri yakalar; [BM25](https://altai.dev/tr/rehber/sozluk/#bm25) gibi anahtar kelime yöntemleri ise ürün kodu, özel ad ve madde numarası gibi birebir eşleşmesi gereken terimlerde güçlüdür. İki sonuç listesi genellikle Reciprocal Rank Fusion (RRF) gibi bir sıralama birleştirme yöntemiyle tek listeye indirilir. ALTAI’nin [Akana](https://altai.dev/tr/open-source/akana/) kütüphanesi kendi geliştirdiği bir hibrit arama yöntemi kullanır: 1-bit vektörler morfolojik BM25 ile birleşir ve arama yalnız CPU ile çalışabilir.

## BM25

BM25 (Best Matching 25), bir belgenin sorguyla ilgisini terimlerin belgede geçme sıklığına, derlemdeki nadirliğine ve belge uzunluğuna göre puanlayan klasik anahtar kelime sıralama fonksiyonudur. Okapi BM25 olarak da bilinir; Elasticsearch ve OpenSearch gibi arama motorlarında varsayılan sıralama yöntemidir ve hibrit aramada vektör aramanın tamamlayıcısı olarak kullanılır. Türkçede “kitabıma” ile “kitap” farklı sözcük sayıldığı için BM25’ten önce sözcükleri kök ve eklerine ayırmak sık başvurulan bir yöntemdir. ALTAI’nin [Akana](https://altai.dev/tr/open-source/akana/) kütüphanesi hibrit aramasında BM25’i morfolojik analizle birlikte kullanır.

## Tokenizer

Tokenizer (sözcük ayırıcı), metni bir dil modelinin veya metin işleme aracının işleyebileceği, token adı verilen parçalara (sözcük, alt sözcük veya karakter) bölen bileşendir. Dil modelleri genellikle BPE veya SentencePiece gibi alt sözcük (subword) yöntemleri kullanır; İngilizce ağırlıklı eğitilmiş tokenizer’larda Türkçe bir sözcük çoğu zaman birden fazla token’a bölündüğü için aynı içerik daha fazla token tutar. ALTAI’nin [Akana](https://altai.dev/tr/open-source/akana/) kütüphanesindeki kurala dayalı tokenizer; kesme işaretli özel adları (İstanbul’da), kısaltmaları, tarihleri ve para birimlerini doğru ayırır ve projenin kendi testlerine göre saniyede yaklaşık 950.000 token işler.

## Morfolojik analiz

Morfolojik analiz (morphological analysis, biçimbilimsel çözümleme), bir sözcüğü kök ve eklerine ayırıp her ekin dilbilgisel işlevini (iyelik, hâl, zaman gibi) belirleyen dil işleme adımıdır. Türkçe eklemeli bir dil olduğu için tek sözcük çok bilgi taşır: “okullarımızdakilerden” bir kök ve altı ekten oluşur. Arama, yazım denetimi ve kişisel veri tespiti gibi işler bu ayrıştırmadan yararlanır; ALTAI’nin [Akana](https://altai.dev/tr/open-source/akana/) kütüphanesi 93.167 köklük bir sözlükle kök ve ek analizi, birleşik sözcük ayrıştırma ve analizden sözcük üretme yapar. Türkçe metin işlemenin genel çerçevesi için [Türkçe doğal dil işleme rehberine](https://altai.dev/tr/rehber/turkce-dogal-dil-isleme/) bakabilirsiniz.

## Fine-tuning

Fine-tuning (ince ayar), önceden eğitilmiş bir modelin belirli bir görev, alan veya yanıt biçimi için daha küçük ve hedefe yönelik bir veri setiyle eğitilmeye devam edilmesidir. Tüm ağırlıkları güncellemek yerine LoRA gibi yöntemlerle yalnız küçük ek ağırlıklar eğitilebilir; bu, gereken GPU belleğini ve maliyeti belirgin biçimde düşürür. ALTAI özel model projelerinde [AfterImage](https://altai.dev/tr/open-source/afterimage/) ile eğitim örnekleri hazırlar, model boyutunu kurumun donanımına göre seçer ve sonuçları eğitimde kullanılmayan örneklerle test eder. RAG ile karşılaştırması için [Fine-tuning mi RAG mı?](https://altai.dev/tr/rehber/fine-tuning-mi-rag-mi/) rehberine bakabilirsiniz.

## Distilasyon

Distilasyon (knowledge distillation, bilgi damıtma), büyük bir “öğretmen” modelin davranışını taklit edecek şekilde daha küçük bir “öğrenci” modelin eğitildiği model sıkıştırma yöntemidir. Hinton ve arkadaşlarının 2015 tarihli çalışmasıyla yaygınlaşan yöntemde öğrenci yalnız doğru etiketlerden değil, öğretmenin çıktılarından da öğrenir; sonuç daha hızlı çalışan ve daha az bellek kullanan bir modeldir. ALTAI, 24 katmanlı BGE-M3 modelini dört katmanlı BGE-M3 Distill 4L modeline damıtmış; ayrıca aynı modeli statik bir Model2Vec modeline damıtıp 2-bit kuantizasyonla yaklaşık 2,2 GB’tan 2,5 MB’a indirmiştir. İki model de [Türkçe embedding modelleri](https://altai.dev/tr/open-source/models/) sayfasında açık olarak yayımlanmıştır.

## Kuantizasyon

Kuantizasyon (quantization), bir modelin ağırlıklarını veya vektörlerini 16 ya da 32 bitlik sayılar yerine 8, 4 veya 2 bit gibi daha düşük hassasiyetle saklayarak bellek ve hesaplama ihtiyacını azaltan yöntemdir. Yerel LLM kurulumlarında sık kullanılır: 4-bit bir model, ağırlıklar için aynı modelin 16-bit sürümünün yaklaşık dörtte biri kadar bellek kaplar; doğruluk kaybı yönteme ve bit sayısına göre değişir ve ölçülmelidir. ALTAI’nin TurboQuant ile 2 bite indirdiği Türkçe embedding modeli 2,50 MB’tır ve ALTAI’nin ölçümlerine göre STSb-TR testinde FP16 sürümüyle benzer sonuç verir (2-bit sürüm %92,19, FP16 sürüm %91,36). Model [Türkçe embedding modelleri](https://altai.dev/tr/open-source/models/) sayfasında yer alır.

## Sentetik veri

Sentetik veri (synthetic data), gerçek kayıtlardan toplanmak yerine bir model veya program tarafından üretilen ve model eğitiminde ya da değerlendirmesinde kullanılan veridir. Çoğu kurumda belge bulunur ama modele öğretilecek soru-cevap veya konuşma örneği bulunmaz; bir dil modeli bu belgelerden farklı kişilerin ağzından sorular ve belgeye dayalı yanıtlar üretebilir. Sentetik örnek doğruluk kanıtı değildir: üretilen veri incelenmeli ve model, eğitimde kullanılmamış ayrı bir test setiyle ölçülmelidir. ALTAI’nin açık kaynak projesi [AfterImage](https://altai.dev/tr/open-source/afterimage/) bu veriyi üretir; ayrıntılar [Sentetik veri rehberinde](https://altai.dev/tr/rehber/sentetik-veri/).

## SFT

SFT (Supervised Fine-Tuning, denetimli ince ayar), bir dil modelinin örnek istek ve beklenen yanıt çiftleriyle, bu yanıtları üretecek şekilde eğitildiği fine-tuning yöntemidir. Talimat takip eden sohbet modelleri genellikle önce SFT ile, ardından DPO gibi tercih verisine dayalı yöntemlerle eğitilir. Eğitim verisi çoğunlukla JSONL dosyalarında, ShareGPT veya Hugging Face mesaj biçiminde konuşmalar olarak tutulur. ALTAI’nin [AfterImage](https://altai.dev/tr/open-source/afterimage/) projesi belgelerden SFT’ye hazır, çok turlu konuşma verisi üretir ve bu biçimlerde dışa aktarır.

## LLM-as-a-judge

LLM-as-a-judge (yargıç model yaklaşımı), bir dil modelinin başka bir modelin yanıtlarını belirli ölçütlere göre puanladığı veya iki yanıttan hangisinin daha iyi olduğuna karar verdiği değerlendirme yöntemidir. İnsan değerlendirmesinden hızlı ve ucuzdur, ancak yargıç modelin kendi yanlılıkları olabilir; bu yüzden sonuçlarını insan değerlendirmesiyle düzenli olarak karşılaştırmak gerekir. ALTAI, Gemma 3 4B modelini Prometheus-Eval veri setleriyle puanlama ve ikili karşılaştırma için ayrı ayrı ince ayarlayıp iki modeli tek bir yargıç modelde birleştirmiştir. [AfterImage](https://altai.dev/tr/open-source/afterimage/) da üretilen veriyi kontrol etmek için LLM-as-a-judge tarzı değerlendirmeleri destekler.

## Halüsinasyon

Halüsinasyon (hallucination), bir dil modelinin gerçeğe ya da verilen kaynağa dayanmayan bir bilgiyi akıcı ve kendinden emin bir dille üretmesidir. Model bir sonraki token’ı olasılığa göre ürettiği için bilmediği bir konuda da makul görünen bir yanıt yazabilir; yanıtı RAG ile kaynağa dayandırmak, kaynağı göstermek ve değerlendirme setleriyle ölçmek riski azaltır ama ortadan kaldırmaz. ALTAI’nin [Doküman Asistanı](https://altai.dev/tr/products/document-assistant/) her yanıtla birlikte dayandığı belge bölümünü gösterir; çalışan bilgiyi özgün belgeyle karşılaştırabilir.

## Prompt

Prompt (istem), bir dil modeline verilen ve modelden ne beklendiğini anlatan girdi metnidir. Genellikle modelin rolünü ve kurallarını belirleyen bir sistem prompt’u ile kullanıcının mesajından oluşur; RAG’de arama sisteminin bulduğu belge parçaları da prompt’a eklenir. ALTAI’nin [Yada](https://altai.dev/tr/products/yada/) gateway’i prompt modele gitmeden önce TCKN, erişim anahtarı ve şifre gibi hassas bilgileri tarar; ham istemler varsayılan olarak kaydedilmez.

## Bağlam penceresi

Bağlam penceresi (context window), bir dil modelinin tek bir istekte birlikte işleyebileceği en fazla token sayısıdır. Prompt, eklenen belgeler, konuşma geçmişi ve modelin ürettiği yanıt bu sınırın içinde kalmalıdır; günümüz modellerinde sınır birkaç bin token’dan bir milyon token’ın üzerine kadar değişir. Pencere doldukça maliyet ve yanıt süresi artar, uzun bağlamın ortasındaki bilgiyi kullanmak da zorlaşabilir; [RAG](https://altai.dev/tr/rehber/rag-nedir/), tüm belgeleri pencereye koymak yerine yalnız ilgili parçaları ekleyerek bu sorunu azaltır.

## Kişisel veri maskeleme

Kişisel veri maskeleme (PII masking), bir metindeki ad, kimlik numarası, telefon ve IBAN gibi kişisel verilerin ve şifre, API anahtarı gibi gizli bilgilerin tespit edilip yer tutucularla değiştirilmesidir. Böylece metin bir modele, örneğin bir bulut modeline, bu bilgileri içermeden gönderilebilir; kayıpsız maskelemede yer tutucular yanıt döndükten sonra özgün değerlerle geri değiştirilebilir. ALTAI’nin [Yada](https://altai.dev/tr/products/yada/) gateway’i model isteklerinde tespit edilen kişisel bilgileri ve sırları maskeler; açık kaynak [Akana](https://altai.dev/tr/open-source/akana/) kütüphanesi kimlik numarasından API anahtarına kadar 50’den fazla kategoriyi tanır ve maskelenen değerleri kayıpsız geri yükleyebilir. Konunun KVKK ile ilişkisi [KVKK ve yapay zekâ rehberinde](https://altai.dev/tr/rehber/kvkk-ve-yapay-zeka/) anlatılır.

## KVKK

KVKK, Türkiye’de kişisel verilerin işlenmesini düzenleyen 6698 sayılı Kişisel Verilerin Korunması Kanunu’dur. 2016’da yayımlanan kanun; kişisel verilerin hangi şartlarla işlenebileceğini, veri sahiplerinin haklarını, veri sorumlularının yükümlülüklerini ve yurt dışına aktarım koşullarını belirler, uygulamayı ise [Kişisel Verileri Koruma Kurumu](https://www.kvkk.gov.tr/) denetler. Yapay zekâ projelerinde bu kurallar, kişisel veri içeren metinlerin bulut modellerine gönderilmesi gibi verinin kurum veya ülke dışına çıktığı durumlarda özellikle önem kazanır; teknik önlemler [KVKK ve yapay zekâ rehberinde](https://altai.dev/tr/rehber/kvkk-ve-yapay-zeka/) anlatılır. Bu metin hukuki danışmanlık değildir; kendi durumunuz için bir hukukçuya danışın.

## On-premise

On-premise (kurum içi kurulum), yazılımın veya modelin bir bulut sağlayıcısının ortak altyapısında değil, kurumun kendi veri merkezinde ve donanımında kurulup çalıştırılmasıdır. Veri kurumun ağından çıkmadığı için hassas veya düzenlemeye tabi veriler için sık tercih edilir; buna karşılık donanım, güncelleme ve bakım kurumun sorumluluğundadır. ALTAI [Doküman Asistanı](https://altai.dev/tr/products/document-assistant/) gibi uygulamaları kurum içinde, kuruma ayrılmış bir sanal özel bulutta (VPC) veya seçilen bulut ortamında kurabilir.

## Model yönlendirme

Model yönlendirme (model routing), gelen her isteğin hangi modele gideceğine kurallara veya isteğin özelliklerine göre karar verilmesidir. Basit istekleri küçük ve ucuz modellere, karmaşık olanları daha yetenekli modellere göndermek maliyeti düşürür; hassas veri içeren istekleri yerel modelde tutmak ise veri kurallarını uygulamanın bir yoludur. [Yada](https://altai.dev/tr/products/yada/)’da uygulama tek bir API’ye bağlanır ve yazdığınız kurallar yerel veya bulut modelini seçer; model değiştiğinde bu seçim uygulama kodundan ayrı yönetilir. Ayrıntılar için [AI gateway nedir?](https://altai.dev/tr/rehber/ai-gateway-nedir/) rehberine bakabilirsiniz.

## Değerlendirme

Değerlendirme (evaluation), bir yapay zekâ modelinin veya uygulamasının önceden belirlenmiş sorular ve ölçütler üzerinde ne kadar doğru, hızlı ve güvenilir çalıştığının ölçülmesidir. İyi bir değerlendirme seti gerçek kullanıcı sorularından seçilir ve eğitimde kullanılmamış örneklerden oluşur; doğruluğun yanında yanıt süresi, maliyet ve insan düzeltmesi ihtiyacı da ölçülür. ALTAI işe başlamadan önce mevcut süreyi, hata oranını veya maliyeti kaydeder ve geliştirilen uygulamada aynı ölçümleri tekrarlar ([Nasıl çalışıyoruz](https://altai.dev/tr/how-we-work/)). [Doküman Asistanı](https://altai.dev/tr/products/document-assistant/) projelerinde test soruları çalışanların günlük sorularından seçilir.

## Recall@10

Recall@10 (recall at 10), bir arama sisteminin ilk 10 sonucunda, sorguyla ilgili belgelerin ne kadarının bulunduğunu gösteren ölçüttür. Her sorgunun tek bir doğru belgesi olan testlerde, doğru belgenin ilk 10 sonuç içinde çıktığı sorguların oranına eşittir; RAG’de model yalnız getirilen parçaları görebildiği için arama adımını ölçmekte yaygın olarak kullanılır. ALTAI’nin [Akana](https://altai.dev/tr/open-source/akana/) kütüphanesindeki hibrit arama, projenin kendi testlerine göre Türkçe RAG testlerinde yalnız CPU ile %96,7–100 Recall@10’a ulaşır.

## Belge asistanı

Belge asistanı (document assistant), çalışanların kılavuz, prosedür ve ürün belgeleri gibi kurum belgelerinde doğal dille soru sorup yanıt aldığı ve yanıtın dayandığı belge bölümünü gördüğü yapay zekâ uygulamasıdır. Arka planda genellikle belge dönüştürme, arama ([RAG](https://altai.dev/tr/rehber/rag-nedir/)) ve bir dil modeli birlikte çalışır; erişim izinleri kurumun kimlik sistemine bağlanır ki kullanıcı yalnız görmeye yetkili olduğu belgelerden yanıt alsın. ALTAI’nin [Doküman Asistanı](https://altai.dev/tr/products/document-assistant/) projelerinde PDF ve DOCX belgeleri işlenip indekslenir; uygulama Türkçe sorular ve kurum terimleriyle test edilir ve kurum içinde, VPC’de veya seçilen bulut ortamında kurulabilir. ALTAI’nin açık kaynak araçlarından [llm-food](https://altai.dev/tr/open-source/llm-food/) belgeleri arama uygulamalarına hazırlamak için, [Akana](https://altai.dev/tr/open-source/akana/) ve [letsearch](https://altai.dev/tr/open-source/letsearch/) ise belge aramasında kullanılır.

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