Dağınık kurumsal dokümanlarınızı kaynak gösteren akıllı bilgi sistemine dönüştürün.

Dağınık Kurumsal Hafızayı Kaynak Gösteren Akıllı Asistana Dönüştüren RAG Altyapısı

Modern sanayi ve hizmet şirketlerinde binlerce sayfalık bilgi havuzu; ortak ağ klasörlerinde, e-posta arşivlerinde ve yerel bilgisayarlarda atıl vaziyette durur. Şirket içi süreçlerde çalışanlar kritik bir makine bakım toleransını, bir ihracat akreditif şartını veya bir satın alma garanti maddesini ararken saatler kaybeder.

Şirket içi dokümanlarla çalışan yapay zeka sistemi kuran Appsoni; kurumsal dokümanlarınızı semantik vektör uzayında indeksleyerek çalışanlarınızın doğal dilde sorduğu sorulara saniyeler içinde doğrudan referanslı yanıtlar üreten kurumsal bir RAG (Retrieval-Augmented Generation) mimarisi inşa eder. Sistemin ürettiği her cümlenin yanında dokümanın adı, versiyon tarihi, sayfa numarası ve ilgili paragraf tıklanabilir kaynak olarak yer alır.

---

Çok Katmanlı RAG ve Doküman İşleme Akış Şeması

Doküman işleme ve anlamsal yanıt üretimi 6 aşamalı yüksek performanslı bir boru hattıyla yürütülür:

[Kurumsal Doküman Kaynakları] (PDF, DOCX, XLSX, Taranmış Evrak, DYS/SharePoint)
                             │
                             ▼
     [Ayrıştırma & Yapısal OCR Katmanı (Document Ingestion Engine)]
     ├─ Akıllı Düzen Analizi: Başlık, Paragraf, Çoklu Sütun ve Dipnot Tespiti
     ├─ Tablo Çözümleme: Karmaşık Çizelgeleri Yapısal JSON/Markdown'a Çevirme
     └─ Taranmış Dokümanlar için Yüksek Doğruluklu Türkçe OCR
                             │
                             ▼
     [Anlamsal Parçalama & Vektörleştirme (Semantic Chunking & Embedding)]
     ├─ Bağlam Koruyan Parçalama: Cümle/Paragraf Bütünlüğü (512 Token, 64 Overlap)
     ├─ Çok Dilli Vektörleştirme: BGE-M3 / Text-Embedding-3-Large (1024 / 1536 Dim)
     └─ Meta Veri Damgalama: Doküman Adı, Versiyon, Sayfa No, Departman İzin Kodu
                             │
                             ▼
     [Hibrit Vektör Arama & Yeniden Sıralama (Hybrid Search & Re-Ranking)]
     ├─ Vektör Benzerliği (Dense Vector Cosine) + Anahtar Kelime (Sparse BM25)
     ├─ Kullanıcı Rolü Filtresi: Yalnızca yetkili olunan belgeler taranır
     └─ Cross-Encoder Re-Ranking: En alakalı ilk 5 parçanın hassas seçimi
                             │
                             ▼
     [Bağlamsal Yanıt Üretimi & Halüsinasyon Denetimi]
     ├─ Sıkı Kaynak Şartı (Strict Grounding): 'Sadece verilen metne dayan'
     ├─ Karşılıklı Doğrulama: Yanıtın her iddiası getiren parçayla eşleştirilir
     └─ Kaynak Gösterme: Tıklanabilir Doküman Adı, Sayfa No, Alıntı Paragraf

---

Veri Modeli ve Teknik Şema (50+ Benzersiz Veri Noktası)

Kurumsal doküman yapay zeka sisteminin veritabanı şeması, vektör parametreleri, indeksleme alanları ve doğrulama metrikleri:

Tablo Adı	Teknik Alan Adı	Veri Tipi	Süreç, Algoritma ve Kural Açıklaması
dokuman_katalog	dokuman_id	UUID	Sisteme yüklenen kurumsal belgenin tekil kimliği
dokuman_katalog	orijinal_dosya_adi	VARCHAR(255)	'ISO_9001_Kalite_El_Kitabi_Rev08.pdf', 'Teknik_Sartname_Kazan.docx'
dokuman_katalog	dosya_uzantisi	VARCHAR(10)	'PDF', 'DOCX', 'XLSX', 'TIFF', 'TXT'
dokuman_katalog	dosya_boyutu_bayt	BIGINT	Belgenin bayt cinsinden disk büyüklüğü
dokuman_katalog	toplam_sayfa_sayisi	INT	Belgedeki toplam sayfa adedi
dokuman_katalog	belge_versiyon_no	VARCHAR(20)	Kurumsal revizyon kodu (Ör: 'v2.4_2026')
dokuman_katalog	dokuman_kategorisi	VARCHAR(50)	'KALITE_PROSEDURU', 'HUKUK_SOZLESME', 'ARGE_RAPOR', 'BAKIM_REHBERI'
dokuman_katalog	gizlilik_derecesi	VARCHAR(20)	'GENEL_ERISIM', 'DEPARTMANA_OZEL', 'YONETIM_GIZLI'
dokuman_katalog	sahip_departman_kodu	VARCHAR(30)	'ARGE_DIREKTORLUGU', 'HUKUK_MUSAVIRLIGI', 'URETIM_KALITE'
dokuman_katalog	yukleme_tarih_saat	TIMESTAMP	Sisteme kaydedildiği tarih ve zaman
dokuman_katalog	dosya_sha256_hash	VARCHAR(64)	Dosya içeriğinin değiştirilmediğini kanıtlayan özet imza
dokuman_katalog	indeksleme_durumu	VARCHAR(20)	'BEKLEMEDE', 'OCR_ISLENIYOR', 'INDEKSLENDI', 'HATA_OLUSTU'
parca_chunk_kayit	chunk_uuid	UUID	Vektörleştirilen her metin parçasının tekil ID'si
parca_chunk_kayit	bagli_dokuman_id	UUID	dokuman_katalog tablosundaki ana belge ilişkisi
parca_chunk_kayit	bulundugu_sayfa_no	INT	Parçanın belgede geçtiği kesin sayfa numarası
parca_chunk_kayit	paragraf_sira_no	INT	İlgili sayfadaki paragraf indeksi
parca_chunk_kayit	parca_ham_metin	TEXT	Parçanın ham metin içeriği
parca_chunk_kayit	parca_token_uzunlugu	INT	Parçanın net token sayısı (Hedef: 512 ± 64)
parca_chunk_kayit	oncul_baglam_overlap	INT	Bir önceki parçayla paylaşılan ortak token (64 token)
parca_chunk_kayit	tablo_verisi_var_mi	BOOLEAN	Parça yapısal bir çizelge içeriyor mu (True/False)
parca_chunk_kayit	yapısal_json_tablo	JSONB	Çizelge satır ve sütunlarının JSON matrisi
vektor_embedding	embedding_id	UUID	Vektör indeks kaydının tekil kimliği
vektor_embedding	vektor_uzay_koleksiyon	VARCHAR(80)	Qdrant / pgvector koleksiyon adı ('dokuman_korpus_v1')
vektor_embedding	vektor_boyutu	INT	Vektör koordinat uzunluğu (1.536 veya 1.024)
vektor_embedding	kullanilan_model	VARCHAR(80)	'BAAI/bge-m3', 'text-embedding-3-large'
vektor_embedding	dense_vektor_float_dizi	VECTOR(1536)	Matematiksel yoğun vektör dizisi
vektor_embedding	sparse_bm25_vektor	JSONB	Anahtar kelime arama sıklık sözlüğü (TF-IDF / BM25)
arama_oturumu	sorgu_uuid	UUID	Kullanıcının yaptığı her tekil arama sorgusu kimliği
arama_oturumu	sorgulayan_kullanici	VARCHAR(60)	Sorguyu yapan kurumsal kullanıcı kodu
arama_oturumu	dogal_dil_sorusu	TEXT	Kullanıcının yazdığı orijinal soru cümlesi
arama_oturumu	kullanici_izin_filtresi	JSONB	AD gruplarına göre enjekte edilen yetki sorgusu
arama_oturumu	dense_arama_agirligi	FLOAT	Anlamsal vektör ağırlığı (Ör: 0.70)
arama_oturumu	sparse_bm25_agirligi	FLOAT	Anahtar kelime ağırlığı (Ör: 0.30)
arama_oturumu	kosinus_esik_degeri	FLOAT	Vektör aramasında kabul edilen minimum skor (0.78)
arama_oturumu	bulunan_aday_parca_sayisi	INT	İlk taramada getirilen aday parça adedi (Ör: 25)
arama_oturumu	reranker_model_adi	VARCHAR(80)	'cross-encoder/ms-marco-MiniLM-L-12-v2'
arama_oturumu	nihai_secilen_parca_k	INT	LLM prompt'una dahil edilen en iyi parça adedi (Ör: 5)
arama_oturumu	arama_sure_ms	INT	Vektör ve hibrit arama süresi (SLA: < 120 ms)
cevap_dogrulama	cevap_kayit_uuid	UUID	Üretilen cevabın tekil denetim kimliği
cevap_dogrulama	llm_model_adi	VARCHAR(80)	Yanıtı üreten çıkarım modeli ('llama-3.3-70b-instruct')
cevap_dogrulama	uretilen_cevap_metni	TEXT	Kullanıcıya gösterilen yanıt metni
cevap_dogrulama	kaynak_dokuman_listesi	JSONB	Yanıtta referans verilen dokümanlar, sayfalar ve alıntılar
cevap_dogrulama	guven_skoru	FLOAT	Cevabın kaynaklarla uyum güven skoru (0.00 - 1.00; Min: 0.88)
cevap_dogrulama	halusinasyon_tespit_edildi	BOOLEAN	Kaynak dışı iddia tespit edildi mi (True durumunda engellenir)
cevap_dogrulama	kullanici_geri_bildirimi	VARCHAR(15)	Kullanıcının verdiği oy ('FAYDALI', 'HATALI_SAYFA', 'YETERSIZ')
cevap_dogrulama	toplam_cevap_sure_ms	INT	Soru sorma ile cevabın ekrana gelmesi arası toplam süre (<1.400 ms)
sistem_kaynak	dakikalik_ocr_sayfa	INT	Sistemin dakikada OCR yapabildiği sayfa kapasitesi (Ör: 250 sayfa/dk)
sistem_kaynak	toplam_indeksli_parca	BIGINT	Vektör veritabanındaki toplam chunk adedi (Ör: 1.250.000)
sistem_kaynak	ram_bellek_kullanim_gb	FLOAT	Vektör motoru RAM tüketimi
sistem_kaynak	disk_alani_gb	FLOAT	İndeks ve ham doküman depolama alanı

---

Halüsinasyona Karşı Çift Yönlü Güvenlik Mekanizması

Teknik ve hukuki süreçlerde yapay zekanın yanlış bilgi üretmesi telafisi imkansız sonuçlar doğurabilir. Mimarimiz bu riski 3 seviyeli korumayla bertaraf eder:

1. Katı Kaynak Zorunluluğu (Strict Grounding): Çıkarım motoruna verilen sistem prompt'u, modelin kendi eğitim verisindeki genel bilgileri kullanmasını yasaklar. Model yalnızca kendisine o sorgu için sağlanan 5 doküman parçasındaki kanıtlarla konuşabilir.
2. Kendi Kendini Doğrulayan Hakem Modeli (Critic/Evaluator LLM): Üretilen yanıt kullanıcıya iletilmeden önce arka planda bağımsız bir hakem modeli çalıştırılır. Hakem model, üretilen yanıttaki her iddianın kaynak parçalar tarafından desteklenip desteklenmediğini satır satır denetler. Desteklenmeyen iddia varsa yanıt reddedilir.
3. Kullanıcı Doğrulama Arayüzü: Yanıtın altında yer alan referans numarasına tıklandığında ekranın sağ tarafında orijinal PDF sayfası açılır ve ilgili cümlenin geçtiği paragraf sarı renkle vurgulanmış olarak doğrudan gösterilir.

---

Kurulum Takvimi ve Mühendislik Bütçesi

Aşama	Yapılacak İşler ve Teknik Çıktılar	Efor
Aşama 1: Doküman Envanteri & Mimari	Şirket doküman formatlarının (PDF, Word, taranmış) tespiti, yetki matrisinin modellenmesi	4 İş Günü
Aşama 2: OCR & İndeksleme Hattı	OCR motoru kurulumu, tablo ayrıştırıcılar, vektör veritabanı (Qdrant/pgvector) yapılandırması	10 İş Günü
Aşama 3: Hibrit Arama & Yeniden Sıralama	BM25 + Vektör entegrasyonu, Cross-Encoder Re-ranker ve departman erişim filtreleri	8 İş Günü
Aşama 4: Kullanıcı Arayüzü & DYS Entegre	Kurumsal arama arayüzü, PDF görüntüleyici referans paneli, SharePoint/klasör senkronizasyonu	6 İş Günü
Aşama 5: Test & Doğruluk Kalibrasyonu	Halüsinasyon testleri, soru-cevap doğruluk optimizasyonu ve canlı devreye alma	4 İş Günü
Toplam Teslimat	Şirket içi dokümanlarla çalışan anahtar teslim yapay zeka sistemi	6.5 Hafta (32 Adam/Gün)

Kurumunuzun tüm teknik şartnamelerini, sözleşmelerini ve kılavuzlarını saniyeler içinde kaynak göstererek konuşturan bir yapay zeka sistemi kurmak için mühendislerimizle hemen görüşebilirsiniz.