[{"data":1,"prerenderedAt":56},["ShallowReactive",2],{"video-rag-nedir-yapay-zekayi-kendi-verinle-konusturmak":3,"video-related-rag-nedir-yapay-zekayi-kendi-verinle-konusturmak":22},{"videoId":4,"title":5,"slug":6,"description":7,"thumbnailUrl":8,"videoUrl":9,"videoProvider":10,"duration":11,"channel":10,"musicUrl":12,"transcript":12,"viewCount":13,"likeCount":13,"commentCount":13,"isPublished":14,"publishedAt":15,"categoryId":16,"categoryName":17,"isActive":14,"isDeleted":18,"createDate":19,"updatedDate":20,"deletedDate":12,"createdUserId":21,"updatedUserId":21,"deletedUserId":12},"4c87b887-2f2c-468a-aa64-83849ba06e89","Yapay Zekaya Kendi Dosyalarını Nasıl Okutursun? RAG","rag-nedir-yapay-zekayi-kendi-verinle-konusturmak","ChatGPT senin şirket belgelerini ya da bugünkü haberleri bilmez — bilmediği yerde de uydurur. RAG (Retrieval-Augmented Generation) tam da bu sorunu çözer: yapay zekayı kendi verinle, güncel bilgilerinle konuşturur, üstelik kaynak göstererek. Bu videoda RAG'i sıfırdan, animasyonla öğreniyoruz: modelin neden senin verini bilmediği, \"önce ara sonra üret\" mantığı, belgelerin embedding ve vektör veritabanıyla nasıl bulunduğu (anlamsal arama) ve bunun halüsinasyonu nasıl azalttığı. Hiçbir ön bilgi gerekmiyor.\n\n\"Yapay Zeka & LLM Nasıl Çalışır\" serisinin dokuzuncu videosu.\n\nBölümler:\n0:00 Giriş — Ya kendi verinle konuşsaydı?\n0:29 Bu bölümde ne öğreneceğiz\n0:49 Önce problem (donmuş bilgi + özel veri)\n1:26 RAG fikri (önce ara, sonra üret)\n2:01 Doğru belgeyi nasıl bulur? (embedding, anlamsal arama)\n2:42 Bağlamla cevap (kaynak göstererek)\n3:23 RAG'in dört kazanımı\n4:07 Sınırları (çöp girer, çöp çıkar)\n4:43 Özet\n5:12 Kapanış\n\nBu videoda öğrenecekleriniz:\n- bir modelin neden senin özel/güncel verini bilmediği\n- RAG'in \"önce getir, sonra üret\" mantığı\n- belgelerin chunk'lara bölünüp embedding'lerle vektör veritabanında saklanması\n- anlamsal arama: kelime değil, anlam eşleşmesi\n- bağlam enjeksiyonu ve kaynak göstererek cevap verme\n- RAG'in faydaları (güncellik, özel veri, kaynak, ucuz güncelleme) ve sınırları\n\nSabit soru: Sen RAG'i kendi hayatında ya da işinde nerede kullanırdın? Yorumlara yaz.\n\nBeni takip et:\nWeb: https://bapati.com\nX: https://x.com/FG_1903\nYouTube: https://youtube.com/@BapatiTech\nLinkedIn: https://linkedin.com/in/fırat-gurkan\nGitHub: https://github.com/FiratGurkan\n\n📚 Serinin tüm bölümleri: https://bapati.com/news/yapay-zeka-llm-nasil-calisir-rehber","https://img.youtube.com/vi/y4dDWFw2rUM/maxresdefault.jpg","https://youtu.be/y4dDWFw2rUM",1,348,null,0,true,"2026-07-27T21:33:48","f316c5b4-4a96-4d84-8bbc-2fa95f1ee7bc","Yapay Zeka & LLM Nasıl Çalışır",false,"2026-06-10T15:36:02.8832147","2026-09-17T15:15:37.2745944","ea4ea297-567a-491b-ac52-37db0674498b",[23,34,45],{"videoId":24,"title":25,"slug":26,"description":27,"thumbnailUrl":28,"videoUrl":29,"videoProvider":10,"duration":30,"channel":10,"musicUrl":12,"transcript":12,"viewCount":13,"likeCount":13,"commentCount":13,"isPublished":14,"publishedAt":31,"categoryId":16,"categoryName":17,"isActive":14,"isDeleted":18,"createDate":32,"updatedDate":33,"deletedDate":12,"createdUserId":21,"updatedUserId":21,"deletedUserId":12},"5bec5ff2-a5d4-4d77-9c35-5a6b7b08a829","Yerel Yapay Zeka Kurulumları Neden Batıyor? 🤖","yerel-yapay-zeka-kurulumlari-neden-batiyor","\"17 GB'lık model, 16 GB ekran kartıma sığar\" — sığmıyor. Çünkü o rakam ekran kartı belleği değil, sistemin toplam belleği. Asıl unutulan ikinci sebep KV önbelleği: modelin o ana kadar okuduğu her kelime için tuttuğu bir not defteri. Hesap üç kalem: ağırlıklar (17 GB'lık dosyanın 4 bitlik sürümü yaklaşık 9 GB) + KV önbelleği (birkaç bin kelimede 1-2 GB) + sistem payı (yaklaşık 1 GB) = 12 GB, 16 GB'lık kartta rahat çalışır. Kırılma noktası uzun belgeyi yapıştırdığın an: 32 bin kelimelik bağlamda not defteri tek başına 8 GB'a çıkabiliyor. Çözüm de aynı yerde — bağlam penceresini ihtiyacın kadar tut ve mümkünse not defterini de kuantize et. 🤖\n\nAbone olarak yeni içeriklere ulaşabilirsiniz.\n\n📚 Serinin tüm bölümleri: https://bapati.com/news/yapay-zeka-llm-nasil-calisir-rehber","https://img.youtube.com/vi/bjt3L6vHqrE/maxresdefault.jpg","https://www.youtube.com/watch?v=bjt3L6vHqrE",93,"2026-09-09T12:00:00","2026-09-17T12:18:26.9319348","2026-09-17T15:14:59.8590609",{"videoId":35,"title":36,"slug":37,"description":38,"thumbnailUrl":39,"videoUrl":40,"videoProvider":10,"duration":41,"channel":10,"musicUrl":12,"transcript":12,"viewCount":13,"likeCount":13,"commentCount":13,"isPublished":14,"publishedAt":42,"categoryId":16,"categoryName":17,"isActive":14,"isDeleted":18,"createDate":43,"updatedDate":44,"deletedDate":12,"createdUserId":21,"updatedUserId":21,"deletedUserId":12},"16a86731-735d-46ed-9759-ed0a3948f955","Yapay Zeka Modeli Neden JPEG Gibi Küçülüyor? 🤖","yapay-zeka-modeli-neden-jpeg-gibi-kuculuyor","Bir yapay zeka modelinin dosyası 54 gigabayt; sıradan bir dizüstünde 8 gigabayt bellek var. Yine de aynı model o dizüstünde çalışıyor. Sırrın adı kuantizasyon: modelin içindeki her sayı 16 bit yerine 4 bitle saklanıyor ve dosya dörtte birine iniyor. Aynı fikri her gün kullanıyorsun — telefonunun çektiği ham fotoğraf JPEG'e dönerken gözünün fark etmediği detay atılıyor. Peki bedeli? 4 bitte kayıp o kadar küçük ki çoğu zaman farkı göremiyorsun; 3 bitte model saçmalamaya başlıyor. Ve laptopa giren aslında devin kendisi değil, 7 milyarlık küçük kardeşi: 4 bitten yaklaşık 4 gigabayt. 🤖\n\nAbone olarak yeni içeriklere ulaşabilirsiniz.\n\n📚 Serinin tüm bölümleri: https://bapati.com/news/yapay-zeka-llm-nasil-calisir-rehber","https://img.youtube.com/vi/HuM2xoxZjqI/maxresdefault.jpg","https://www.youtube.com/watch?v=HuM2xoxZjqI",89,"2026-09-08T12:00:00","2026-09-17T12:18:26.5642168","2026-09-17T15:15:00.2254745",{"videoId":46,"title":47,"slug":48,"description":49,"thumbnailUrl":50,"videoUrl":51,"videoProvider":10,"duration":52,"channel":10,"musicUrl":12,"transcript":12,"viewCount":13,"likeCount":13,"commentCount":13,"isPublished":14,"publishedAt":53,"categoryId":16,"categoryName":17,"isActive":14,"isDeleted":18,"createDate":54,"updatedDate":55,"deletedDate":12,"createdUserId":21,"updatedUserId":21,"deletedUserId":12},"f3cf1d98-8ec2-410a-8c79-fd1ccff61117","54 GB'lık Yapay Zeka 8 GB Laptopa Nasıl Sığıyor?","54-gb-lik-yapay-zeka-8-gb-laptopa-nasil-sigiyor","Bir yapay zeka modelinin ağırlıkları düz haliyle yüz gigabaytlarca yer tutar ve onu çalıştıran makineler bir arabadan pahalıdır. Ama aynı modelin küçültülmüş bir sürümü, internet bağlantısı bile olmayan sıradan bir dizüstünde çalışıyor. Arada sihir yok — üç mühendislik hilesi var.\n\nBu video \"nasıl kurulur\" anlatmıyor. Bir sorunun peşinden gidiyor: yapay zeka neden bulut istiyordu, ve neden artık istemiyor?\n\nBirinci hile kuantizasyon. Model ağırlıkları on altı bitlik sayılar olarak saklanıyordu; o hassasiyetin çoğu israftı. Sayıları dört bite indirdiğinizde dosya dörtte birine iniyor ve cevaplar hâlâ işe yarıyor — çünkü bir ağırlığın tam değeri değil, komşularına göre yeri önemli.\n\nİkinci hile uzman karışımı. Otuz milyar parametrelik bir modelin her soruda otuz milyarı birden çalışmıyor. Bir yönlendirici hangi uzmanların uyanacağına karar veriyor; geri kalanı uyumaya devam ediyor. Diskte büyük, hesapta küçük.\n\nÜçüncü hile bellek muhasebesi. Çoğu kurulum burada batıyor, çünkü insanlar yalnız model dosyasına bakıyor. Oysa belleğe model artı KV önbelleği artı işletim sistemi giriyor. KV önbelleği siz yazdıkça büyüyen bir not defteri — hesaba katılmayınca sistem takas alanına düşüyor ve her şey beş on kat yavaşlıyor.\n\nSonra somut rakamlar: 8 GB belleğe ne sığar, 16 GB'ın tatlı noktası nerede, saniyede kaç kelime okuma hızını geçer. Ve asıl ilginç soru: küçük model neden hâlâ akıllı? Çünkü küçültülmedi — damıtmayla yetiştirildi.\n\nKapanışta dürüst kısım da var: yerel model bulutun yerini tutmuyor, ve \"bedava\" olan şey aslında bir hamle.\n\n🤖 İLGİLİ VİDEO\n\nAbone olarak yeni içeriklere ulaşabilirsiniz.\n\n📚 Serinin tüm bölümleri: https://bapati.com/news/yapay-zeka-llm-nasil-calisir-rehber","https://img.youtube.com/vi/Qyv4uQuT8TQ/maxresdefault.jpg","https://www.youtube.com/watch?v=Qyv4uQuT8TQ",563,"2026-09-07T12:00:00","2026-09-17T12:18:26.1786574","2026-09-17T15:15:00.59597",1789725845659]