Dokümanlarınızdan kaynak göstererek cevap üreten AI.
Confluence, Notion, PDF arşivi, Drive ve veritabanlarınızı tek bir akıllı Q&A sistemine bağlıyoruz. Her cevap bir belgeye dayanır, halüsinasyon yok, denetlenebilir, izlenebilir kurumsal RAG mimarisi.
Manifesto
RAG, AI'ı şirket bilginize bağlar.
Klasik LLM'in en büyük problemi: şirketinizin son fiyat listesini, iç prosedürü, müşteri sözleşmesini bilmemesi. Bunlar internette eğitilmiş bir modelin veri setinde yoktur, soruyu sorduğunuzda model ya tahmin eder ya da reddeder.
RAG (Retrieval Augmented Generation) bu açığı kapatır: LLM cevap üretmeden önce şirketinizin dokümanlarında arar, ilgili pasajları bulur ve bunları cevabın temeli yapar. Her cümle bir kaynağa dayanır.
Sonuç; çalışanın iç soruyu, müşterinin SSS'yi, teknisyenin sahada kılavuzu, hepsini doğal dilde, doğrulanabilir biçimde sorabildiği akıllı bir şirket bilgi tabanı.
Use case'ler
RAG'in somut pratik kullanımı.
İç ekipten müşteri desteğine, hukuktan üretime, altı sektörde gerçek hayatta çalışan RAG senaryoları.
- İç ekip
Çalışan bilgi asistanı
Confluence, Notion, Drive ve dahili wiki'lerinizden cevap üreten asistan. Yeni çalışan onboarding'inde, IT ve İK sorularında dakikalar yerine saniyeler.
%70iç soru yanıtlama hızı - Müşteri destek
Self-service SSS chatbot
Web sitesi ve uygulama içinde, ürün dokümanları ve SSS'lerinizden kaynak göstererek cevap veren chatbot. Tier-1 desteği otomatize eder.
%55destek tikçt azalır - Hukuk & uyum
Mevzuat ve sözleşme arama
KVKK, ticaret hukuku, regülasyon belgeleri ve yüzlerce sayfa sözleşmede doğal dilli arama. Her cevap kaynak madde ve sayfa referanslı.
20×araştırma süresi düşer - Eğitim & e-öğrenme
Akıllı ders materyali arama
Yüzlerce sayfa müfredat, ders notu ve referans belgede öğrencinin sorusuna uygun pasajı bulup açıklayan asistan.
%43öğrenme tamamlanma artışı - Profesyonel hizmetler
Geçmiş proje ve teklif bilgisi
Geçmiş tekliflerden, vaka analizlerinden ve müşteri kayıtlarından benzer örnek bulan, yeni teklifte içerik öneren danışman asistan.
3×teklif hazırlık hızı - Üretim & operasyon
Teknik el kitabı sorgusu
Bakım kılavuzu, ürün şeması, parça katalogu ve standart prosedürlerde teknisyenin saha sorusuna anlık cevap. Mobil-öncelikli arayüz.
%48müdahale süresi azalır
Neden Prisma?
Kurumsal RAG'de altı ayırt edici nokta.
Demo değil production. Kaynak gösterimi, gizlilik ve sürekli güncellik, kurumsal RAG'in temel taşları.
Halüsinasyonsuz, kaynak alıntılı cevaplar
Cevabın her cümlesi bir belgeye dayanır; sistem hangi paragraftan alındığını gösterir. Cevap doğrulanabilir, denetlenebilir.
Çoklu veri kaynağı entegrasyonu
Confluence, Notion, Drive, SharePoint, Slack arşivi, PDF, SQL veritabanı, web sitesi, tek RAG sisteminde birleştiriyoruz.
Hybrid arama (semantic + keyword)
Sadece vektör similarity değil; BM25 keyword araması ile birleştirilmiş hybrid retrieval. Marka adı, ürün kodu gibi 'exact match' aramalarda doğruluk artar.
Otomatik güncelleme & versioning
Belgeleriniz değiştikçe vektör DB otomatik güncellenir; eski versiyonları arşivler; 'ne zaman ne değişti' takibi yapılır.
KVKK & gizlilik öncelikli
Hassas veri için on-prem deployment, role-based access (kullanıcı sadece yetkili belgelere erişir), audit log, PII maskeleme, kurumsal standart.
Şeffaf kalite izleme
Hangi sorulara doğru cevap verildi, hangileri kaçırıldı, hangi belge eksik, sürekli iyileştirme için RAGAS metrikleri ve geri bildirim döngüsü.
Süreç
Veriden devreye 5 adım.
Kaynak haritalamadan production deploy'a, eval ile her aşamada doğrulanan teslim süreci.
- 01
Veri kaynaklarınızı haritalandırma
Confluence, Notion, Drive, SharePoint, PDF arşivi, web sitesi, veritabanı, e-posta, bilgi nerede yaşıyor, nasıl erişiyoruz?
Kaynak envanteri + erişim planı1. hafta - 02
İçerik parçalama ve embedding
Belgeler optimum boyutta chunk'lara ayrılır; metadata ile etiketlenir; OpenAI veya Cohere embedding modelleriyle vektör hâline getirilir.
Hazır vektör veritabanı2-3. hafta - 03
Retrieval pipeline kurulumu
Hybrid search (semantic + keyword), re-ranking, metadata filtreleme, alıntı/source tracking, kaliteli RAG'in temelini oluşturan parça.
Retrieval API + test paneli3-5. hafta - 04
Eval & doğruluk testleri
Halüsinasyon riski, doğru kaynak bulma oranı (recall), cevap doğruluğu (precision), prompt injection dayanıklılığı, RAGAS çerçevesiyle ölçüm.
Eval raporu + iyileştirme planıSürekli - 05
Devreye alma & otomatik güncelleme
Web/Slack/WhatsApp arayüzünde yayına alma; yeni belgelerin otomatik index'lenmesi; kullanım analitiği ve sürekli kalite izleme.
Canlı RAG sistemi + monitorAylık
Veri kaynakları
Bağlandığımız kaynak ekosistemi.
Kurumsal SaaS'lerden veritabanlarına, PDF arşivinden web sitesine, bilgi nerede yaşıyorsa orada bağlanıyoruz.
Confluence
Notion
Google Drive
SharePoint
Microsoft 365
Slack
Jira
Zendesk
PostgreSQL
MySQL
MongoDB
Amazon S3
Azure Blob
Salesforce
HubSpot- Confluence
- Notion
- Google Drive
- SharePoint
- Microsoft 365
- Slack
- Jira
- Zendesk
- PostgreSQL
- MySQL
- MongoDB
- Amazon S3
- Azure Blob
- Salesforce
- HubSpot
- HubSpot
- Salesforce
- Azure Blob
- Amazon S3
- MongoDB
- MySQL
- PostgreSQL
- Zendesk
- Jira
- Slack
- Microsoft 365
- SharePoint
- Google Drive
- Notion
- Confluence
- HubSpot
- Salesforce
- Azure Blob
- Amazon S3
- MongoDB
- MySQL
- PostgreSQL
- Zendesk
- Jira
- Slack
- Microsoft 365
- SharePoint
- Google Drive
- Notion
- Confluence
İlişkili hizmet
RAG yetmez, ajan da gerekiyorsa?
RAG soruları cevaplar, ajan ise aksiyon alır (e-posta gönderir, CRM kaydı açar, randevu planlar). İhtiyaçlarınız ikisi birden olabilir; iki sistemi aynı altyapıda birleştirebiliyoruz.
Bir sonraki adım
Şirket bilgi tabanınızı akıllı Q&A sistemine çevirelim.
RAG nedir ve neden chatbot'tan farklı?
RAG (Retrieval Augmented Generation), bir LLM'i şirketinizin kendi belgeleriyle besleyen mimaridir. Klasik chatbot önceden tanımlı kurallarla cevap verir, klasik LLM 'tahmin' eder ve halüsinasyon yapabilir; RAG ise her cevabı sizin dokümanınızdan çıkarır ve kaynak gösterir. Sonuç: doğrulanabilir, denetlenebilir, sürekli güncel kalan kurumsal Q&A sistemi.
Hangi veri kaynaklarınla çalışıyorsunuz?
Confluence, Notion, Google Drive, SharePoint, Microsoft 365, Slack arşivi, Jira, Zendesk, PDF/Word/Excel dosyaları, web sitesi, PostgreSQL/MySQL/MongoDB veritabanları, S3/Azure Blob depolama, Salesforce, HubSpot, kurumsal SaaS ve dosya sistemlerinin tamamına bağlanabiliyoruz. Brief'te ihtiyaç listesi netleşir.
Belgelerimi paylaşmak güvenli mi?
Evet. PII maskeleme, encrypted vektör veritabanı, role-based access (kullanıcı sadece yetkili olduğu belgeleri sorgulayabilir), audit log ve KVKK uyumlu altyapı standart. Hassas veri için on-prem deployment (kendi sunucularınızda) opsiyonu sunuyoruz; bu modelde hiçbir veri Prisma veya üçüncü taraf sağlayıcıya çıkmaz.
Halüsinasyon yapmaz mı gerçekten?
RAG saf LLM'e göre halüsinasyon riskini önemli ölçüde azaltır ama sıfırlayamaz. Doğru retrieval + iyi prompt mühendisliği + RAGAS eval ile doğruluk oranı %90+ seviyelerine taşınır. Ayrıca sistem 'bilmiyorum, bu konu dokümanlarda yok' diyebilir, uydurma cevap yerine bilgi eksikliğini açıkça bildirir.
Kaç sürede çalışır hâle gelir?
Veri hacmi ve kaynak çeşitliliğine göre değişir: tek kaynaklı (örn. yalnızca Confluence) RAG 3-4 haftada production'a hazır; çok kaynaklı kurumsal RAG 6-10 haftada tamamlanır. Brief → kaynak haritalama → embedding → retrieval pipeline → eval → deploy şeklinde ilerler.
Belgelerim güncellendikçe sistem otomatik öğrenir mi?
Evet. Webhook, scheduled sync veya delta tarama ile veri kaynaklarınız değiştikçe vektör veritabanı otomatik güncellenir. Eski versiyonları arşivleyebilir, 'şu tarihte şu belge şöyleydi' geçmiş sorgusunu destekleyebiliriz. Manuel re-index gerekmez.
Hangi LLM modelini kullanıyorsunuz?
Görev ve gizlilik düzeyine göre değişir. Bağlam uzunluğu ve güvenlik kritik ise Claude Opus/Sonnet; genel performans için GPT-4; gizlilik/maliyet için Llama 3 veya Mistral self-hosted. Embedding tarafında OpenAI text-embedding-3-large, Cohere veya açık kaynak BGE/E5 modelleri kullanılıyor.
Türkçe içerikte performans nasıl?
Çok iyi. Modern embedding modelleri (text-embedding-3-large, BGE-M3) Türkçe'de güçlü; Claude ve GPT-4 Türkçe cevap üretiminde İngilizce'ye yakın kalitede çalışır. Türkçe sektörel terim, hukuki dil veya jargonlu içerikler için fine-tuning ve prompt engineering ile sonuç optimize edilir.
Maliyet nasıl hesaplanır?
İki bileşen: (1) bir kerelik geliştirme ücreti, veri hacmi, kaynak sayısı, eval seviyesine göre değişir; (2) aylık operasyon maliyeti, embedding/sorgu LLM tokenları, vektör DB hosting, monitoring. Orta ölçekli bir kurumsal RAG'in aylık op maliyeti ~₺3.000-20.000 arasında değişir. Brief sonrası size özel teklif çıkar.
AI Ajanları sayfasından farkı ne?
AI Ajanları sayfası 'görev devralan' sistemler, sipariş iade eder, e-posta gönderir, randevu açar (action). Bu sayfa 'soruları cevaplar' sistemler, şirket içi belgelerden Q&A yapar, doküman arar, alıntı verir (knowledge). İki sayfa örtüşür ama farklı satın alma motivasyonları için ayrı positioning sağlar. İhtiyacınız ikisi birden olabilir; brief'te netleştiriyoruz.