1 RAG (Retrieval-Augmented Generation) nedir, ne zaman tercih edilir?
2 RAG mimari evrimi: naive → advanced → modular RAG
3 Embedding modelleri: sentence-transformers, E5, BGE, multilingual seçim kriterleri
4 MTEB liderlik tablosu okuma ve dile özel model seçimi
5 Vector store'lar: ChromaDB, Qdrant, Pinecone, Weaviate karşılaştırma
6 PDF/DOCX/HTML doküman yükleme ve metadata çıkarımı
7 Chunking stratejileri: fixed-size, recursive character, semantic chunking
8 Dense retrieval, sparse retrieval (BM25), hybrid yaklaşımlar
9 MMR (Maximal Marginal Relevance) ile çeşitlilik
10 Cross-encoder reranker ve Cohere Rerank entegrasyonu
11 LangChain LCEL (LangChain Expression Language) ile zincir kurulumu
12 LangGraph ile state-machine tabanlı multi-step / multi-agent RAG akışı
13 RAGAS framework: faithfulness, answer relevance, context precision metrikleri
14 Production patterns: async streaming, structured output (Pydantic), response caching
15 Maliyet optimizasyonu: prompt caching, model routing, token budget
Kütüphaneler:
langchainlanggraphlangchain-communitychromadbqdrant-clientsentence-transformersrank-bm25ragaspypdfunstructured BTK Akademi Atölyesi
Bu atölyeye katılmak istiyorum
Bireysel kayıt için BTK Akademi başvuru süreçleri, kurumsal eğitim için Dr. Murat Altun ile doğrudan iletişim.