Worknano

RAG ve fine-tuning farkı: yapay zeka şirketinizi nasıl öğrenir?

Updated 2026-11-15

RAG ve fine-tuning farkı kısaca şu: ikisi de bir yapay zekayı kendi şirketiniz için yararlı hale getirmenin yollarıdır. RAG ile yapay zeka, siz sorduğunuz anda şirketinizin bilgisine bakar ve bulduklarından cevap verir. Fine-tuning ile yapay zeka kendi örneklerinizle ek olarak eğitilir, böylece davranışı kalıcı olarak değişir. RAG ona bilgi verir. Fine-tuning ona alışkanlık kazandırır.

RAG: açık kitap sınavı

RAG, retrieval-augmented generation'ın kısaltmasıdır. Sade bir dille: önce bak, sonra cevapla. Bir soru sorduğunuzda belgelerinizde ve kayıtlarınızda bir arama çalışır. En iyi uyan bölümler yapay zekanın önüne konur ve cevabını onlardan yazar. Yapay zekanın kendisi tıpkı eskisi gibi kalır.

“Ev sahibimizle ne kadar ihbar süresi üzerinde anlaşmıştık?” diye sorarsanız arama, kira sözleşmesindeki maddeyi bulur. Yapay zeka o maddeden cevap verir ve nereden geldiğini size gösterebilir.

Fine-tuning: ek eğitim

Fine-tuning, var olan bir yapay zekayı alır ve sizin hazırladığınız örneklerle ek olarak eğitir. Bu genellikle yüzlerce ya da binlerce örnek gerektirir; her biri bir isteği ve ideal cevabı gösterir. Sonuç, bu kalıpları her seferinde söylenmeden izleyen, yapay zekanın yeni bir sürümüdür.

Bir şirket, her taslak şirketin kendi üslubuyla çıksın diye bir yapay zekayı geçmiş iki bin destek cevabıyla fine-tune edebilir.

Fark tek bir tabloda

RAGFine-tuning
Ne değişirYapay zekaya gösterilenlerYapay zekanın kendisi
Ne işe yararBilgiler, belgeler, güncel kayıtlarÜslup, biçim, dar tek bir görev
Bilgi değiştiğindeBir sonraki cevap yeni sürümü kullanırEğitimin tekrarlanması gerekir
Cevabın nereden geldiğini gösterirEvetHayır
Başlamak için gereken işİçeriğinizin aranabilir olması gerekirÇok sayıda iyi örnek toplanıp kontrol edilmeli

Yaygın bir yanlış anlama

Birçok işletme sahibi fine-tuning'in “yapay zekaya şirketimizi öğretmenin” yolu olduğunu düşünür: el kitabını, fiyat listesini ve müşteri dosyalarını verirsiniz, o da bunları bilir. Fine-tuning böyle çalışmaz. Bir yapay zeka metni bir dosya dolabı gibi saklamaz. Kalıpları öğrenir. Sonra bir fiyatı ya da ismi yanlış söyleyebilir ve yine de emin konuşabilir. Bilgilerin yeri, bakılabileceği, güncellenebileceği ve kontrol edilebileceği bir yerdir.

Hangisine ihtiyacınız var? Dört soru

  1. Yapay zekanın müşterileriniz, ürünleriniz ya da kurallarınız hakkında bilgiye ihtiyacı var mı? RAG.
  2. Bu bilgi yıl içinde değişiyor mu? RAG.
  3. Farklı kişiler farklı bilgileri görebilir mi? RAG. Bir arama her kişiye yalnızca görmeye yetkili olduğunu gösterebilir. Eğitilmiş bir yapay zeka bu ayrımı yapamaz.
  4. İçerik doğru, yalnızca üslup ya da biçim mi yanlış? Önce daha net talimatlar yazın ve onlara birkaç örnek ekleyin. Fine-tuning'i yalnızca bu yetmezse düşünün.

Çoğu küçük şirket için ilk üç soru işi çözer. Fine-tuning, büyük bir iyi örnek kümesi ve ona bakacak biri gerektirir. Esas olarak çok sayıda yapılan dar tek bir görev için karşılığını verir.

İkisi birlikte de kullanılabilir. Biri cevabın nasıl duyulacağını, diğeri neyi içereceğini belirler.

RAG neye bağlıdır?

RAG, ancak bulabildiği kadar iyidir. İçeriğinizin aramanın ulaşabileceği bir yerde olması gerekir. Güncel olmalı. Aynı dosyanın birbirinden farklı şeyler söyleyen üç eski sürümü de olmamalı.

Worknano bunu nasıl ele alıyor?

Worknano, bakıp bulma yolunu izler. Metni anlamına göre bulan bir arama olan anlamsal araması; belgeleri, görevleri, anlaşmaları, kişileri ve OKR'leri, yüklenen PDF, Word, Excel ve PowerPoint dosyalarının içindeki metin dahil kapsar. AI Assistant ve ajanlar, bulduğu bölümlerden cevap verir. Yeni ve değişen içerik otomatik olarak aranabilir hale gelir, yani yeniden eğitilecek bir şey yoktur. İnsanlar yalnızca okumaya yetkili olduklarını bulur. Asistanın nasıl duyulacağı da bir ayardır: marka sesi, Organization, Settings altında durur.

Ücretsiz bir workspace oluşturun, birkaç belge yükleyin ve asistana içlerinde ne olduğunu sorun.