RAG nədir və şirkət məlumatları ilə işləyən AI sistemi necə qurulur?

Əsas LLM təlimdən sonra şirkətinizin yeni prosedurunu, cari qiymətini və ya daxili sənədini avtomatik bilmir. Hətta bir faktı keçmiş mətnlərdən görmüş olsa da, onun aktuallığına və konkret təşkilatınıza aidliyinə zəmanət yoxdur. RAG bu boşluğu sorğu vaxtı doldurur: istifadəçi sual verir, sistem uyğun sənəd hissələrini tapır, həmin hissələri modelə verir və model cavabı həmin kontekstə əsasən qurur. Məsələn, əməkdaş “məzuniyyət üçün hansı təsdiq lazımdır?” sualına rəsmi HR qaydasının aktual bölməsi ilə cavab ala bilər.

Bu yanaşma hallüsinasiyanı tam aradan qaldırmır, lakin onu idarə etməyə kömək edir. Modelin cavabına sənəd adı, bölmə və ya link əlavə oluna bilər; mənbə tapılmadıqda sistem “məlumat yoxdur” və ya “insan dəstəyi ilə dəqiqləşdirin” deyə bilər. RAG həm də məlumat yeniləməsini sadələşdirir: yeni qayda çıxanda modelin yenidən öyrədilməsi yox, sənəd bazasının yenilənməsi kifayət edir. Buna görə RAG korporativ bilik köməkçisi, müştəri dəstəyi və sənəd sual-cavabı üçün geniş istifadə olunan modeldir.

RAG sistemi sənədi bütöv halda modelə vermir. Mətn məna sərhədlərini qoruyan kiçik hissələrə — chunk-lara bölünür, sonra hər hissə axtarış üçün indekslənir. Hissə həddən artıq qısa olarsa kontekst itir, çox uzun olarsa axtarış qeyri-dəqiq və token xərcı böyük olur. Başlıq, bölmə, məhsul, tarix, sənəd sahibi, dil və giriş rolu kimi metadata axtarış keyfiyyətini yüksəldir. “Korporativ kart limiti” sualı üçün doğru mətnin tapılması yalnız semantik oxşarlıqdan deyil, həmin məhsul və aktuallıq filtrindən asılıdır.

Sənəd keyfiyyəti indeksləmədən əvvəl yoxlanmalıdır. Köhnə, bir-birinə zidd, skan edilmiş və ya natamam material RAG-ə daxil edilərsə, sistem də eyni qarışıqlığı qaytaracaq. Hər sənədin bir sahibi, son yenilənmə tarixi və etibarlılıq statusu olmalıdır. Mümkünsə köhnə versiyalar axtarışdan çıxarılır, amma audit üçün arxivdə saxlanılır. Bu intizam texniki lüks deyil; modelin cavabının hansı qaydaya söykəndiyini müəyyən edən əsas idarəetmə qatıdır.

RAG axtarışı istifadəçinin görməyə səlahiyyəti olmayan sənədi qaytarmamalıdır. Giriş yoxlaması yalnız interfeysdə deyil, retrieval mərhələsində tətbiq edilməlidir: istifadəçinin rolu, şöbəsi və ya sənəd səviyyəli icazəsi indeks filtrinə çevrilir. Modelə verilən kontekst artıq yalnız icazəli mənbələrdən ibarət olur. Bu qayda xüsusilə HR, hüquq, maliyyə və müştəri məlumatı ilə işləyən sistemlərdə vacibdir. “Model onsuz da cavabı qısa verir” məntiqi məlumat sızmasının qarşısını almır.

RAG sənədində zərərli və ya modelə yönəlik təlimat da ola bilər. Məsələn, mətn “əvvəlki qaydaları ignor et” kimi bir cümlə daşıya bilər. Sistem sənəd məzmununu etibarlı əməliyyat təlimatı kimi qəbul etməməli, sistem qaydalarını ayrıca və üstün səviyyədə saxlamalıdır. Axtarış nəticəsi mənbədir, icazə və qərar verən komanda deyil. Prompt injection testləri, sənəd keyfiyyət filtri və cavabın mənbə ilə yoxlanması bu riski azaltmaq üçün birlikdə işləməlidir.

Qiymətləndirməni iki hissəyə ayırın: sistem doğru sənədi tapdımı və model həmin sənədə əsaslanan doğru cavabı verdimi? Birinci hissə retrieval recall, düzgün mənbənin ilk nəticələrdə görünməsi və metadata filtrinin dəqiqliyi ilə yoxlanır. İkinci hissə cavabın faktiki dəstəyi, sitat uyğunluğu, Azərbaycan dilinin aydınlığı və bilmədiyi halda davranışı ilə ölçülür. Bu ayrım vacibdir, çünki zəif cavabın səbəbi bəzən model deyil, yanlış və ya köhnə retrieval nəticəsidir.

Test dəstinə real sorğularla yanaşı, cavabı sənəddə olmayan suallar, bir-birinə bənzər qaydalar, köhnə versiya istəyi, yazı səhvləri və icazəsiz məlumat sorğuları daxil edin. Hər səhv kateqoriyasına sahib təyin edin: data komandası, axtarış, prompt, model və ya məhsul qaydası. Bu dövr qurulduqda RAG sistemi “chatbot demomuz var” səviyyəsindən şirkət biliyi ilə etibarlı işləyən məhsula keçir. Azərbaycan dilli LLM bu arxitekturada təbii dil qatını gücləndirə bilər.

“RAG nədir və şirkət məlumatları ilə işləyən AI sistemi necə qurulur?” mövzusunda növbəti addımı texnologiyadan deyil, konkret istifadəçi problemindən başlayaraq seçin. Hədəf auditoriyanı, cavabın təsir etdiyi qərarı, istifadə olunacaq məlumatı və qəbul edilən risk səviyyəsini bir səhifəlik sənəddə aydınlaşdırın. Sonra həmin ssenaridə bu gün nə qədər vaxt sərf olunduğunu, hansı səhvlərin baş verdiyini və istifadəçinin hansı çətinliklə üzləşdiyini ölçün. Bu ilkin göstərici olmadan AI həllinin həqiqi faydasını və ya yan təsirini qiymətləndirmək mümkün deyil.

Kiçik pilotda nəticəni Azərbaycan dili, fakt və ya mənbə dəqiqliyi, istifadəçi təcrübəsi, gecikmə və təhlükəsizlik baxımından birgə yoxlayın. Yalnız ideal sorğunu deyil, qısa, səhv yazılmış, qeyri-müəyyən və riskli müraciətləri də sınayın. Cavabın modeldən, məlumatdan, axtarışdan və ya proses qaydasından hansı səbəblə yarandığını izləmək üçün versiyaları qeyd edin. Bu yanaşma problemi tez tapmağa, məhsulu təhlükəsiz təkmilləşdirməyə və komandanın qərarını fikrə yox, dəlilə əsaslandırmağa kömək edir.

Ən sonda insanın rolunu açıq saxlayın. Aşağı riskli işdə AI qaralama və axtarış köməkçisi ola bilər, yüksək təsirli qərarda isə səlahiyyətli ekspertin yoxlaması, rəsmi mənbə və eskalasiya yolu qorunmalıdır. Modelin və ya məlumat bazasının imkanları dəyişdikcə eyni qiymətləndirmə dövrünü yenidən işə salın. Qərar jurnalında istifadə olunan məlumat versiyasını, model konfiqurasiyasını, cavabın harada istifadə edildiyini və kimin təsdiqlədiyini qeyd edin. Bu məlumat sonradan keyfiyyət araşdırması, audit və komanda təlimi üçün praktik sübuta çevrilir. Beləliklə, bu mövzudakı AI təşəbbüsü bir dəfəlik demo deyil, istifadəçiyə real fayda verən və məsuliyyətlə idarə olunan məhsul imkanına çevrilir.