Renk teması
Demo talep edin

Şirket verisiyle yapay zekâ nasıl çalışır? Eğitmek mi, aramak mı?

Yayın Güncelleme

“Yapay zekâyı şirket verimizle nasıl kullanırız?” sorusunun iki yaygın cevabı var: modeli şirketin belgeleriyle eğitmek ya da belgelerde arayıp bulduklarına dayanarak cevap verdirmek. İkisi aynı sonuca benzer görünür, ama bilginin nerede durduğu, güncellemenin nasıl yapıldığı, kaynağın gösterilip gösterilemediği ve kimin neyi görebildiği bakımından çok farklıdır. Bu rehber şirket verisiyle yapay zekânın nasıl çalıştığını, iki yolu ve hangisinin ne zaman uygun olduğunu anlatır.

Model şirketinizin belgelerini neden bilmez?

Büyük dil modeli, büyük metin veri kümeleri üzerinde önceden eğitilmiş bir modeldir. Kişisel Verileri Koruma Kurumu’nun üretken yapay zekâ rehberi (Kasım 2025), eğitim süreci tamamlandığında modelin öğrendiği kalıplar doğrultusunda çıktı ürettiğini anlatır. Şirketinizin sözleşmeleri, yönetmelikleri ve raporları bu eğitimin parçası değildir; model onları ancak ona gösterirseniz görür. Gösterme biçimleri ikidir.

Yol 1: modeli ek eğitimle ince ayarlamak

İnce ayar (fine-tuning), bir temel modelin belirli bir görev için daha fazla eğitilmesidir (Kurum’un rehberindeki sözlük tanımı). Pratikte şirket belgelerinden örnekler hazırlanır ve model bu örneklerle yeniden eğitilir; model değişir. LoRA gibi yöntemler, önceden eğitilmiş ağırlıkları sabit tutup her katmana küçük eğitilebilir matrisler ekler ve eğitilecek parametre sayısını çok azaltır; ama ortaya çıkan sonuç yine ayarlanmış bir modeldir.

Bu yolun sınırları belgelerle çalışırken öne çıkar:

  • Bilgi modelin ağırlıklarında durur. Bir belge değiştiğinde, modelin yeni sürümü için yeniden eğitim gerekir.
  • Cevabın hangi belgeden geldiği doğrudan izlenemez. 2020 tarihli RAG makalesinin yazarları, bilgiyi yalnız parametrelerinde taşıyan modellerde kararın kaynağını göstermenin ve bilgiyi güncellemenin o tarihte açık araştırma sorunları olduğunu söyler.
  • Yetki belge düzeyinde tutulur, ağırlıklar belge düzeyinde değildir. Bir belgenin içeriği modele işlendiğinde, o belgeyi görmeye yetkisi olmayan bir kullanıcıya verilen cevaba karışıp karışmadığını ayırmak zorlaşır.

İnce ayar, belirli bir görevin biçimini ve üslubunu ayarlamak için yerindedir: bir cevabın hep aynı şablonda gelmesi gibi.

Yol 2: belgelerde arayıp cevaplamak

Belgelerde arama (retrieval-augmented generation, RAG), RAG makalesinde önceden eğitilmiş bir dil modelinin (parametrik bellek) bir belge dizinine (parametrik olmayan bellek) bağlanması olarak tarif edilir. İş akışı şöyle işler:

  1. Belgeler yüklenir, parçalara ayrılır ve aranabilir bir dizine konur.
  2. Kullanıcı bir soru sorar.
  3. Sistem, soruyla ilgili belge parçalarını bulur.
  4. Model, yalnız bu parçaları okuyarak cevabı yazar ve hangi parçalara dayandığını gösterebilir.

Model değişmez; bilgi belgelerde ve dizinde durur.

İki yolun karşılaştırması

İnce ayar Belgelerde arama
Bilgi nerede durur Modelin ağırlıklarında Belgelerde ve dizinde; model değişmez
Belge değişince Yeniden eğitim gerekir Belgeyi güncelleyip yeniden dizinlemek yeterli
Kaynak gösterme Cevabın belgesi doğrudan izlenemez Cevap, getirilen parçalara dayanır ve parça gösterilebilir
Kim hangi belgeyi görür Belge düzeyinde ayrım zor Arama sırasında kullanıcının yetkisine göre süzülebilir
İlk emek Eğitim verisi hazırlamak, eğitmek, değerlendirmek Belgeleri yüklemek ve dizinlemek
Güncel tutmak Yeni sürüm eğitmek Belgeleri güncel tutmak

Kim hangi belgeyi görür? Yetki sorunu

Şirket belgeleri herkesin görmesi için yazılmamıştır: bir ücret tablosunu yalnız İK, bir sözleşmeyi yalnız hukuk görür. Belgelerde arama, yetkiyi aramanın ve cevabın içine kurabileceğiniz bir yoldur: kullanıcının görmeye yetkili olmadığı belge parçası aramaya hiç girmezse cevaba da karışmaz. Ayarlanmış bir modelde bu ayrımı yapmak çok daha zordur. Bu nedenle belge tabanlı bir asistan seçerken ilk soru “yetkiyi arama sırasında mı denetliyor?” olmalıdır.

Kaynak göstermek neyi çözer, neyi çözmez?

Cevabın dayandığı belgeyi ve sayfayı görmek, doğrulamayı kolaylaştırır; ama kendi başına doğruluk kanıtı değildir. NIST’in üretken yapay zekâ profili, modellerin cevabı haklı gösteren uydurma mantık ve alıntı da üretebildiğini ve bunun kullanıcıyı yanlış güvene itebileceğini belirtir; profil, çıktıdaki kaynak ve alıntıların gözden geçirilmesini önerir. Bu nedenle kaynak kartını açıp belgeye bakmak gerekir; bunun için yapay zekâ cevabının doğrulanması rehberine bakın.

Ne zaman hangisi?

  • Belgeleriniz sık değişiyor, cevabın kaynağı gösterilmeli ve herkes her belgeyi görmemeliyse belgelerde arama.
  • Belirli bir görevin biçimini, üslubunu ya da terimlerini ayarlamak istiyorsanız ve bunun için hazır örnekleriniz varsa ince ayar.
  • İkisi birlikte de kullanılabilir. NIST’in profili de ince ayarı ve belgelerle dayandırmayı (RAG) ayrı yöntemler olarak ele alır; belge sorularında arama genellikle daha basit ve izlenebilir bir başlangıçtır.

Sık yanlış anlamalar

Yanlış anlama Doğrusu
Belgeleri yüklemek modeli eğitmek demektir. Belgelerde aramada belgeler dizinlenir; model değişmez
Belgelerde arama yanlış cevap riskini ortadan kaldırır. Kaynak göstermek doğrulamayı kolaylaştırır; modelin uydurma alıntı da üretebileceğini NIST belirtir
İnce ayarlı model belgelerin son hâlini bilir. Belge değiştiğinde modelin yeniden eğitilmesi gerekir
Yetki yalnız uygulamada ayarlanır. Yetkiyi arama sırasında uygulamak, kullanıcının göremeyeceği parçanın cevaba girmesini engeller

Belgelerde kişisel veri varsa

Kurum’un rehberine göre kişisel veri, bir üretken yapay zekâ sisteminin yaşam döngüsünün çeşitli aşamalarında işlenebilir: eğitim veri kümelerinin oluşturulması ve eğitim, kullanıma sunulduktan sonra ek bilgilerin çıkarılması, sistem çalışırken girilen veri ve üretilen çıktı. Rehber, 6698 sayılı Kanun’un teknolojiden bağımsız, kişisel verinin işlendiği her durumda geçerli olduğunu da söyler. Yani eğitmek de aramak da, belgelerde kişisel veri varsa işlemedir; hangisini seçerseniz seçin aynı sorular sorulur (hangi veri, hangi amaç, kimin erişimi, ne kadar süre). Ayrıntılar için KVKK ve yapay zekâ rehberine bakın. Bu yazı hukuki tavsiye değildir.

AURA’da nasıl çalışır?

AURA, belgelerinizi yalnız arama için dizinler. AURA müşteri belgeleriyle hiçbir modeli eğitmez ya da ince ayarlamaz; modeller açık ağırlıklıdır ve olduğu gibi kullanılır. Bilgi tabanına Word ve Excel dahil birçok belge türü yüklenir. Bilgi tabanının sahibi kimlerin göreceğini belirler: kurumdaki herkese açabilir ya da kişi bazında okuma ve belge ekleme-silme izni verebilir (kişi bazlı izin bugün API ile verilir); yetki hem uygulamada hem veritabanında denetlenir ve yönetici başkalarının sohbetlerini ve belgelerini açamaz. Bilgi tabanından gelen cevapta, model atıf yazdığında, dayanılan belge ve yer gösterilir; kaynağa tıklayınca sayfa (sayfası olmayan biçimlerde alıntılanan bölüm) açılır. Şirket Sunucusu ve Bu Bilgisayar kurulumlarında modeller şirketin donanımında çalışır. Web araması Şirket Sunucusu ve Bu Bilgisayar’da kapalı başlar, kurumunuz açarsa çalışır; Voiser Bulut’ta açık gelir, kurumunuz isterse kapatılır. Açıkken dışarı yalnız arama sorgusu ve açılan sayfaların adresleri çıkar. Voiser Bulut’ta sunucuları Voiser işletir.

Ayrıntılar için şirket belgeleriyle yapay zekâ ve kurum içi yapay zekâ asistanı sayfalarına bakabilir ya da demo isteyebilirsiniz.

Sık sorulan sorular

Yapay zekâ şirketimin belgelerini kendiliğinden öğrenir mi?

Hayır. Bir model eğitimi tamamlandıktan sonra, öğrendiği kalıplara göre cevap üretir; şirketinizin belgelerini ya ona verirsiniz ya da onunla birlikte eğitirsiniz. Belgeleri verme yolu, belgelerde arayıp cevaplamaktır.

RAG nedir?

Bir dil modelinin, cevap üretmeden önce belgelerde ilgili parçaları bulup onlara dayanarak cevaplamasıdır. Model değişmez; bilgi belgelerde ve bir dizinde durur.

İnce ayar ile belgelerde arama birlikte kullanılabilir mi?

Evet. İnce ayar modelin üslubunu ya da görev biçimini ayarlamak, belgelerde arama ise güncel ve kaynaklı bilgi vermek için kullanılabilir; belge sorularında arama genellikle daha basit bir başlangıçtır.

Belgelerimde kişisel veri varsa neye dikkat etmeliyim?

Kişisel veri; eğitim aşamasında, çalışırken girilen veride ve üretilen çıktıda işlenebilir ve Kanun hangi araçla işlendiğinden bağımsız uygulanır. Ayrıntılar için KVKK rehberine ve hukuk danışmanınıza bakın.

Kaynaklar

Bu yazıdaki dış bilgiler şu kaynaklara dayanır. Tarih, kaynağın yayın tarihidir; tarihsiz canlı bir belgede erişim tarihidir.

  1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis ve diğerleri)Yayımlayan: arXiv · Tarih:
  2. LoRA: Low-Rank Adaptation of Large Language Models (Hu ve diğerleri)Yayımlayan: arXiv · Tarih:
  3. Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda)Yayımlayan: Kişisel Verileri Koruma Kurumu · Tarih:
  4. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1)Yayımlayan: National Institute of Standards and Technology (NIST) · Tarih:

AURA’yı kendi belgelerinizle görün.

Demo talep edin