Büyük dil modellerinde çoklu ajan iş birliği ile dijital dokümanlardan bilgi çıkarım mimarisi geliştirilmesi
Development of an information extraction architecture from digital documents using multi-agent collaboration in large language models
- Tez No: 1015921
- Danışmanlar: PROF. DR. AHMET SAYAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, büyük dil modellerinin (LLM) halüsinasyon ve statik bilgi sınırlılıklarını aşmak için; sorgu analizini, Öz-düzeltici Almayla Artırılmış Üretim (Self-Corrective Retrieval Augmented Generation) ile birleştiren Adaptif RAG stratejisine sahip yenilikçi bir sistemi tanıtmıştır. Çalışmanın gerekçeleri, LLM'lerin güvenilirlik eksikliklerinin akademik araştırmalar ve endüstriyel uygulamalar gibi alanlarda ciddi sorunlara yol açması ve mevcut RAG yaklaşımlarının dinamik bilgi entegrasyonu ile öz-düzeltme kapasitesinde yetersiz kalmasıdır. Yapay zekanın hızla evrilen doğası, güncel bilgiye erişim ihtiyacı ve çoklu ajan iş birliğinin potansiyeli çalışmayı motive eden unsurlardır; bu da geliştirilen RAG sistemini hem pratik hem de teorik bir çözüm olarak öne çıkarmaktadır. Bu bağlamda, LLM orkestrasyonunda graf tabanlı yaklaşımları ve öz-düzeltme mekanizmalarını birleştirerek literatüre yenilikçi bir çerçeve sunmak amaçlanmaktadır. LangChain ve LangGraph tabanlı mimariye sahip olan sistem, soru yönlendirme, belge getirme, yanıt üretimi ve halüsinasyon kontrolü aşamalarını içeren yapılandırılmış bir iş akışı kullanmaktadır. Vektör depoları, yanıt değerlendiricileri ve belge doğrulayıcıları ile güvenilir, bağlamsal uygun yanıtlar üretilirken; vektör depolarına dayalı yanıtların yetersiz kaldığı durumlarda Tavily arama motoru entegrasyonuyla web aramasına yönelinmektedir. Bu, adaptif erişim, çoklu ajan iş birliği-öz-düzeltme ve dinamik orkestrasyonla sağlanmıştır. Gecikme süresi, halüsinasyon skoru, bağlamsal tutarlılık, doğruluk puanı ve ajan performansları gibi metrikler üzerinden test edilen sistem, güncel sorgularda %90-96 doğruluk ve %92 halüsinasyonsuz yanıt oranı elde etmiştir. Çalışma, sistemin başarısını ve potansiyelini ortaya koyarken; Geleneksel RAG çalışmalarından farkı, graf tabanlı LLM orkestrasyonu ve çoklu ajan koordinasyonuyla bütüncül bir çözüm sunmasıdır.
Özet (Çeviri)
This study introduces an innovative system employing an Adaptive Retrieval-Augmented Generation (RAG) strategy that integrates query analysis with Self-Corrective RAG to overcome the hallucination and static knowledge limitations of large language models (LLMs). The rationale for this work stems from the reliability deficiencies of LLMs, which pose significant challenges in domains such as academic research and industrial applications, as well as the shortcomings of existing RAG approaches in dynamic knowledge integration and self-correction capabilities. The rapidly evolving nature of artificial intelligence, the need for access to up-to-date information, and the potential of multi-agent collaboration serve as key motivators, positioning the proposed RAG system as both a practical and theoretical solution. In this context, the study aims to contribute a novel framework to the literature by combining graph-based approaches in LLM orchestration with self-correction mechanisms. Built on a LangChain and LangGraph-based architecture, the self-corrective RAG system employs a structured workflow encompassing query routing, document retrieval, response generation, and hallucination control. Leveraging vector stores, response evaluators, and document validators, the system generates reliable and contextually appropriate responses, while resorting to web searches via Tavily search engine integration when vector store-based responses prove inadequate. This is achieved through adaptive retrieval, multi-agent collaboration with self-correction, and dynamic orchestration. Evaluated across metrics such as latency, hallucination score, contextual consistency, accuracy score, and agent performance, the system achieves 90-96% accuracy and a 92% hallucination-free response rate for current queries. The study demonstrates the system's success and potential, distinguishing itself from traditional RAG approaches by offering a holistic solution through graph-based LLM orchestration and multi-agent coordination.
Benzer Tezler
- LLM based code generation and code integration with multi agent systems
Büyük dil modeli tabanlı kod üretimi ve çoklu ajan sistemleri ile kod entegrasyonu
YASİN BÜZGÜLÜ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM AKYOKUŞ
DR. SALİH SARP
- Robotikte üretken yapay zeka: Akıl yürütme yapan Büyük Dil Modellerinin kullanımı
Generative AI in robotics: The use of reasoning Large Language Models
MAHMOUD ANKA
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA EMRE AKÇAY
- A proposal for an agent-based framework structure for financial forecasting using large language models
Büyük dil modelleri kullanılarak finansal tahmin için ajan tabanlı bir çerçeve yapısı önerisi
MUHAMMED MUSTAFA AYDIN
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEMİH ÖZEL
- Makine öğrenmesi kullanılarak yanıltıcı haber ve ayrıştırıcı dil tespit algoritmaları geliştirilmesi
Developing fake news and hate speech detection algorithms using machine learning
FATİH SİNAN ESEN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN EMRAH
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA