Akıllı geri alma artırılmış üretim: Büyük dil modellerinde bağlamsal hassasiyet ve verimliliği geliştirmek
Intelligent retrieval-augmented generation: Enhancing contextual sensitivity and efficiency in large language models
- Tez No: 1019561
- Danışmanlar: DOÇ. DR. FERHAT UÇAR
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin amacı, büyük dil modellerinin bağlamsal doğruluğunu ve hesaplama verimliliğini artırmak için akıllı Geri Alma Destekli Üretim (Retrieval Augmented Generation - RAG) yöntemleri geliştirmektir. Şu anda bilgi yoğun görevlerde kullanılan bu modeller, dış bilgilere erişim eksikliği ve yüksek hesaplama maliyetleri gibi sınırlamalarla karşı karşıyadır. Bu çalışma, bağlamsal doğruluk ve hesaplama verimliliğinin aynı anda optimize edilebileceği hipotezini ortaya koymaktadır. Operasyonel olarak, önerilen RAGSmart yönteminin temel RAG yaklaşımlarına kıyasla sadakat metriğinde en az %8, bağlam hassasiyetinde en az %7 ve yanıt alaka düzeyinde en az %9 oranında iyileşme sağlaması beklenmektedir. Büyük dil modelleri (LLM'ler), doğal dil işleme alanında devrim yaratmış olsa da, güncel bilgilere erişim ve bağlam doğrulama ile ilgili bazı sınırlamaları bulunmaktadır. RAG kavramı, bu sınırlamaların üstesinden gelmek için harici bilgi kaynaklarını LLM üretim sürecine entegre etmeyi içerir. Bununla birlikte, mevcut RAG sistemleri dinamik bağlam yönetimi, arama verimliliği ve hesaplama maliyeti açısından sınırlıdır. Bu çalışmada, dinamik semantik segmentasyon, hibrit vektör arama, çapraz kodlayıcı yeniden sıralama ve uyarlanabilir bağlam sıkıştırma (ACC) tekniklerini içeren RAGSmart adlı akıllı bir RAG mimarisi önerilmiştir. Sistem, Natural Questions (NQ) veri seti kullanılarak değerlendirilmiş; sadakat, bağlam hassasiyeti, yanıt alaka düzeyi ve geri alma verimliliği metrikleri dikkate alınarak temel RAG yaklaşımlarıyla karşılaştırmalı analiz yapılmıştır. Sonuçlara göre, önerilen RAGSmart çerçevesi, temel RAG yaklaşımlarına kıyasla tüm değerlendirme metriklerinde önemli bir iyileşme göstermiştir; sadakat %91'e, bağlam hassasiyeti %89'a ve yanıt alaka düzeyi %92'ye ulaşmıştır.
Özet (Çeviri)
The aim of this thesis is to develop intelligent Retrieval Augmented Generation (RAG) methods to improve the contextual accuracy and computational efficiency of large language models. Currently, these models, used in information-intensive tasks, face limitations such as lack of access to external information and high computational costs. This study proposes the hypothesis that contextual accuracy and computational efficiency can be optimized simultaneously. Operationally, the proposed RAGSmart method is expected to provide at least an %8 improvement in faithfulness, at least a %7 improvement in contextual precision, and at least a %9 improvement in answer relevance compared to basic RAG approaches. Although large language models (LLMs) have revolutionized the field of natural language processing, they have some limitations related to access to current information and context validation. The concept of retrieval augmented generation (RAG) involves integrating external information sources into the LLM generation process to overcome these limitations. However, current RAG systems are limited in terms of dynamic context management, search efficiency, and computational cost. This study proposes an intelligent RAG architecture called RAGSmart, incorporating dynamic semantic segmentation, hybrid vector search, cross-encoder reordering, and adaptive context compression techniques. The system was evaluated using the Natural Questions (NQ) dataset; a comparative analysis was conducted with basic RAG approaches, considering faithfulness, context sensitivity, answer relevance, and retrieval efficiency metrics. According to the results, the proposed RAGSmart framework showed significant improvement in all evaluation metrics compared to basic RAG approaches; faithfulness reached %91, context sensitivity %89, and answer relevance %92.
Benzer Tezler
- Effects of industry 4.0 on automobile marketing strategiesa research among auto executives in Turkey
Endüstri 4.0'ın pazarlama stratejileri üzerine etkisi Türkiye'deki otomobil marka müdürleri ile bir araştırma
MEHMET KORHAN HAŞMET
- Machine learning applications for optimization and traceability in the coffee supply chain
Kahve tedarik zincirinde optimizasyon ve izlenebilirlik için makine öğrenimi uygulamaları
FARAZ GHOLAMZADEH GHAREHGHESHLAGHI
Yüksek Lisans
İngilizce
2026
Endüstri ve Endüstri MühendisliğiAnkara Yıldırım Beyazıt ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GERÇEK BUDAK
- Türk inşaat sektöründe dijital dönüşüm stratejileri
Digital transformation strategies in Turkish construction industry
KÜBRA ÇİMEN
Yüksek Lisans
Türkçe
2024
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ELÇİN FİLİZ TAŞ
- Implementation of a super-resolution algorithm using model composer
Bir yüksek çözünürlük algoritmasının model composer ile gerçeklenmesi
BERKAY UÇKUN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- Enflasyonla mücadelede istikrar politikaları
Başlık çevirisi yok
BİLGİN ORHAN ÖRGÜN
Yüksek Lisans
Türkçe
1998
EkonomiMarmara Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. OSMAN ZEKAYİ ORHAN