chatbot bilgi bankası: Chatbot bilgi bankasının ne olduğunu ve RAG mantığını netleştirin

Müşterilerinin sorularına anında ve doğru cevaplar verebilen bir asistana ne dersin? İşte chatbot tam da bu işe yarıyor. Ancak bir chatbotun akıllı olabilmesi için onu doğru bilgilerle beslemen gerekir. Bu besleme işleminin temelinde ise bir **chatbot bilgi bankası** yatıyor. Bu, botunun beyni gibi düşünebileceğin, restoranınla ilgili tüm bilgileri (menüler, çalışma saatleri, alerjen bilgileri vb.) depoladığın dijital bir kütüphanedir. Bot, bir soru geldiğinde cevabı bu kütüphaneden bularak anında iletir. Bu süreci yöneten mantığa ise RAG (Retrieval-Augmented Generation) diyoruz. Yani bot, tahmin yürütmek yerine doğrudan senin sağladığın belgelerden doğru bilgiyi çekip getiriyor.

Bu sürece başlarken ilk ve en önemli adımın, elindeki tüm bilgi kaynaklarını listelemek olmalı. Buna **bilgi kaynağı envanteri** diyoruz. Dijital menülerin, web sitendeki yazılar, personel eğitim notların, hatta sosyal medyada paylaştığın kampanya duyuruları bile bu envanterin bir parçası olabilir. Hangi belgenin nerede olduğunu, ne içerdiğini ve ne kadar güncel olduğunu bilmek, projenin temelini sağlam atmanı sağlar. Bu envanter, projenin yol haritasıdır ve hangi bilgilerin öncelikli olduğunu görmene yardımcı olur.

Peki neden önce bu envanteri hazırlıyorsun da doğrudan belgeleri sisteme yüklemeye başlamıyorsun? Çünkü elindekilerin tam bir resmini görmeden belgeleri nasıl parçalayacağına karar veremezsin. `Chatbot bilgi bankasının ne olduğunu ve RAG mantığını netleştirin` aşaması, sana bu stratejik bakış açısını kazandırır. Envanterin olmadan yapacağın bir belge parçalama planı, eksik veya dağınık kalabilir. Önce neye sahip olduğunu bilmelisin ki sonra onu nasıl en verimli şekilde kullanacağını planlayabilesin. Bu ilk adım, sonraki tüm adımların başarısını doğrudan etkiler.

İlgili uygulama rehberi: WhatsApp’tan Toplu Mesaj Gönderme: Yasal ve Güvenli Yöntem: Kendi belgelerinizle bir chatbotu adım adım eğitip kaynağa dayalı doğru yanıtlar üretmesini sağlarsınız. için ilgili rehber.

Bota öğreteceğiniz belge ve içerik kaynaklarını derleyin

`Bota öğreteceğiniz belge ve içerik kaynaklarını derleyin` aşaması, envanter listendeki maddeleri ete kemiğe büründürdüğün yerdir. Artık teoriden pratiğe geçiyorsun. Listelediğin tüm PDF, Word, metin dosyaları ve hatta e-tabloları tek bir yerde toplaman gerekiyor. Bu aşamada sadece dosyaları bir klasöre atmakla kalma, aynı zamanda içeriklerini de gözden geçir. Güncel olmayan bir menüyü veya geçmiş bir kampanyanın detaylarını sisteme yüklemek, botunun yanlış cevaplar vermesine neden olur. Bu yüzden topladığın her belgenin doğruluğundan ve güncelliğinden emin olmalısın.

Belgeleri topladıktan sonraki kritik karar, bunları bota nasıl sunacağındır. İşte burada **belge parçalama planı** devreye giriyor. Örneğin, 20 sayfalık komple menünü tek bir dosya olarak yüklemek yerine, onu “Başlangıçlar”, “Ana Yemekler”, “Tatlılar” ve “İçecekler” gibi mantıksal bölümlere ayırmayı düşünebilirsin. Hatta daha da detaya inerek “Glutensiz Seçenekler” veya “Vegan Yemekler” gibi özel dosyalar oluşturabilirsin. Bu plan, botun aradığı bilgiye çok daha hızlı ve isabetli bir şekilde ulaşmasını sağlar. Botun kafasının karışmasını engellemek için bilgiyi ne kadar sindirilebilir lokmalar halinde sunarsan o kadar iyi.

Bu planı, müşterilerin sıkça sorduğu soruları düşünmeden önce yapman önemlidir. Çünkü elindeki bilginin yapısını ve düzenini netleştirmeden, hangi sorunun cevabının nerede olduğunu belirleyemezsin. Sağlam bir `belge parçalama planı`, müşteri soruları (yani sık sorulan soru listesi) geldiğinde botun doğru bilgi parçasına kolayca erişebilmesinin temelini oluşturur. Önce kütüphaneni düzenlersin, sonra okuyucuların hangi kitapları arayacağını düşünürsün. Mantık bu kadar basit ve etkilidir.

Resmî kaynak ve iddia kapsamı: NIST Generative AI Profile (NIST AI 600-1): üretken yapay zekâ kapsamı.

Belgeleri anlamlı parçalara bölüp bilgi bankasına aktarın

Planını hazırladıktan sonra sıra uygulamaya geldi. `Belgeleri anlamlı parçalara bölüp bilgi bankasına aktarın` adımı, dijital dosyalarını botun anlayabileceği küçük ve odaklanmış bilgi birimlerine dönüştürdüğün aşamadır. Bu parçalar ne kadar net ve spesifik olursa, botun performansı o kadar artar. Örneğin, “rezervasyon politikası” belgeni tek parça halinde yüklemek yerine; “hafta sonu rezervasyonları”, “grup rezervasyonları” ve “iptal koşulları” gibi ayrı parçalara bölmek, botun daha kesin cevaplar vermesine olanak tanır. Her bir bilgi parçasını, tek bir konuya odaklanacak şekilde oluşturmaya çalış.

Bu parçalama işlemini yaparken sana en iyi yol gösterecek araç, garsonlarının veya sosyal medya yöneticinin her gün karşılaştığı sorulardır. İşte bu noktada bir **sık sorulan soru listesi** (SSS) hazırlamak, süreci inanılmaz kolaylaştırır. “Evcil hayvan kabul ediyor musunuz?”, “Çocuk menünüz var mı?”, “Paket servis yapıyor musunuz?” gibi gerçek müşteri soruları, hangi bilgileri ayrı ve net bir şekilde ayırman gerektiği konusunda sana ipucu verir. Bu liste, belgelerindeki soyut bilgileri, müşterinin zihnindeki somut sorularla eşleştirmeni sağlar.

Bir `sık sorulan soru listesi` oluşturmak, botun niyetleri nasıl anlayacağını belirleyen teknik tablolara geçmeden önceki hayati bir adımdır. Çünkü botun bir soruyu doğru anlaması kadar, o sorunun cevabının bilgi bankasında net ve erişilebilir bir şekilde bulunması da önemlidir. Önce cevapları doğru yerlere koymalısın ki bot, daha sonra hangi sorunun hangi cevaba yönlendirileceğini öğrendiğinde işini hatasız yapabilsin. Bu adım, bilgi bankanın temel yapı taşlarını doğru bir şekilde yerleştirmektir.

İlgili uygulama rehberi: WhatsApp Business’ta Toplu Mesaj Nasıl Atılır?: Kendi belgelerinizle bir chatbotu adım adım eğitip kaynağa dayalı doğru yanıtlar üretmesini sağlarsınız. için ilgili rehber.

Resmî kaynak ve iddia kapsamı: Google Cloud Documentation Dialogflow ES intents overview: chatbot kapsamı.

Sık sorulan soruları niyetler ve eğitim ifadeleriyle eşleştirin

Bilgi bankanı anlamlı parçalara ayırdın ve artık botun cevapları nerede bulacağını biliyor. Şimdi ise botun, müşterinin ne sorduğunu anlamasını sağlamalısın. `Sık sorulan soruları niyetler ve eğitim ifadeleriyle eşleştirin` aşaması tam olarak bunu hedefler. Müşteriler aynı şeyi çok farklı şekillerde sorabilir. Örneğin, “rezervasyon yaptırmak istiyorum”, “yer ayırtabilir miyim?” veya “masaya ihtiyacım var” ifadelerinin hepsi aynı amaca, yani “rezervasyon yapma” niyetine hizmet eder. Senin görevin, bu farklı ifadeleri tek bir “niyet” altında toplamaktır.

Bu eşleştirmeyi yapmak için bir **niyet ve eğitim ifadesi tablosu** oluşturmalısın. Bu tablo, iki ana sütundan oluşur: Niyet (Intent) ve Eğitim İfadeleri (Utterances). “Niyet” sütununa müşterinin amacını yazarsın (örneğin, `calisma_saatlerini_sor`). “Eğitim İfadeleri” sütununa ise bu amacı ifade eden tüm olası cümleleri eklersin (“kaça kadar açıksınız?”, “çalışma saatleriniz nedir?”, “akşam kaçta kapatıyorsunuz?”). Bu tablo ne kadar zengin olursa, botun farklı soru kalıplarını anlama becerisi o kadar gelişir ve “anlamadım” deme olasılığı azalır.

Botun ne anladığını netleştirmek, ona nasıl bir kişilik vereceğini düşünmeden önce gelir. Yani, bir `yanıt tonu kılavuzu` hazırlamadan önce, botun gelen isteği doğru yorumladığından emin olmalısın. Çünkü samimi bir dille verilmiş yanlış bir bilgi, soğuk bir dille verilmiş yanlış bilgiden daha fazla hayal kırıklığı yaratabilir. Önce anlamayı sağla, sonra ifade tarzını şekillendir. Bu sıralama, chatbot projenin başarısı için kritik bir öneme sahiptir.

Kurgu senaryo — Kurgu vaka: orta ölçekli bir çevrim içi ev tekstili mağazası: Destek ekibi her gün kargo, iade ve ürün bakımıyla ilgili aynı soruları tekrar tekrar yanıtlamaktan yetişemiyor. Ekip, mevcut ürün, iade ve SSS belgeleriyle bir chatbotu eğitip yinelenen soruları otomatik yanıtlatmaya karar veriyor.

Botun yanıt tonunu ve kapsam sınırlarını tanımlayın

Botun artık müşterileri anlıyor ve doğru bilgiye nasıl ulaşacağını biliyor. Sıradaki adım, bu bilgiyi müşteriye nasıl sunacağını belirlemek. `Botun yanıt tonunu ve kapsam sınırlarını tanımlayın` aşaması, chatbotuna bir kişilik kazandırdığın yerdir. Markanın kimliğiyle uyumlu bir iletişim dili oluşturmalısın. Samimi ve esprili mi, yoksa daha resmi ve bilgilendirici mi olmalı? Bu kararı, hedef kitleni ve işletmenin genel atmosferini düşünerek vermelisin. Gençlerin takıldığı bir kafe ile şık bir restoranın botu aynı dilde konuşmamalıdır.

Bu kararlarını bir **yanıt tonu kılavuzu** içinde belgelemelisin. Bu kılavuz, botun kullanacağı selamlama ifadelerini, emoji kullanıp kullanmayacağını, cümlelerinin uzunluğunu ve genel üslubunu tanımlar. Örneğin, “Elbette, hemen yardımcı oluyorum!” gibi enerjik bir ifade mi, yoksa “Talebiniz üzerine bilgi aşağıda sunulmuştur.” gibi daha mesafeli bir dil mi kullanılacak? Bu kılavuz, botun tüm cevaplarında tutarlı bir dil kullanmasını sağlayarak marka imajını güçlendirir.

Yanıt tonunu belirlerken, aynı zamanda botun neleri yapıp neleri yapamayacağının sınırlarını da çizmiş olursun. Botun her şeyi bilmesi veya her konuda yardımcı olması beklenemez. Bu sınırlar, seni doğal olarak `kapsam dışı soru kuralları` oluşturmaya yönlendirir. Botun, uzmanlığı dışındaki bir soruyla karşılaştığında nasıl bir yanıt vereceği (örneğin, “Bu konuda sana yardımcı olamıyorum ama ekibimizi arayabilirsin.”) `yanıt tonu kılavuzu` ile belirlenen kişiliğe uygun olmalıdır. Önce genel karakteri ve yetenekleri belirlersin, sonra bu karakterin bilmediği konularla nasıl başa çıkacağını planlarsın.

İlgili uygulama rehberi: Yapay Zeka Müşteri Hizmetleri: 7/24 Yanıt Nasıl Verilir?: Kendi belgelerinizle bir chatbotu adım adım eğitip kaynağa dayalı doğru yanıtlar üretmesini sağlarsınız. için ilgili rehber.

Test sorularıyla yanlış ve eksik yanıtları ayıklayın

Her şey hazır olduğuna göre, chatbotunu gerçek müşterilerle buluşturmadan önce son bir kontrolden geçirme zamanı geldi. `Test sorularıyla yanlış ve eksik yanıtları ayıklayın` adımı, projenin kalite kontrol mekanizmasıdır. Bu aşamada, botun hem bildiği konuları doğru yanıtlayıp yanıtlamadığını hem de bilmediği konularda nasıl davrandığını ölçersin. Rastgele birkaç soru sormak yerine, süreci planlı ve sistematik bir şekilde yürütmek, olası hataları erkenden yakalamanı sağlar.

Bu test sürecinin temelini, önceden hazırlayacağın bir **test soru seti** oluşturur. Bu set, farklı senaryoları içermelidir. Menüdeki bir ürünün fiyatını sormak gibi basit sorular, “içinde fındık olmayan tatlılarınız neler?” gibi daha karmaşık sorular, “rezarvasyon” gibi yazım hataları içeren sorular ve en önemlisi, botun cevaplamaması gereken sorular bu sette yer almalıdır. Bu son kategori, belirlediğin `kapsam dışı soru kuralları`nın ne kadar iyi çalıştığını görmek için kritiktir.

Örneğin, `kapsam dışı soru kuralları` içinde “hava durumu” veya “siyasi konular” gibi başlıklar belirlediysen, test setine bu konularla ilgili sorular eklemelisin. Botun bu sorulara, belirlediğin tonda ve kibarca “Bu konuda yardımcı olamıyorum” gibi bir cevap verip vermediğini kontrol et. `Test soru seti`, teoride kurduğun kuralların pratikte ne kadar işe yaradığını gösteren en somut kanıttır. Bu titiz test süreci, müşterilerinin karşısına daha az hatayla çıkan, daha güvenilir bir chatbot sunmanı sağlar.

chatbot bilgi bankası için yedi somut teslim:

1. Chatbot bilgi bankasının ne olduğunu ve RAG mantığını netleştirin: bilgi kaynağı envanteri çıktısını sorumlusuyla tamamlayın.
2. Bota öğreteceğiniz belge ve içerik kaynaklarını derleyin: belge parçalama planı çıktısını sorumlusuyla tamamlayın.
3. Belgeleri anlamlı parçalara bölüp bilgi bankasına aktarın: sık sorulan soru listesi çıktısını sorumlusuyla tamamlayın.
4. Sık sorulan soruları niyetler ve eğitim ifadeleriyle eşleştirin: niyet ve eğitim ifadesi tablosu çıktısını sorumlusuyla tamamlayın.
5. Botun yanıt tonunu ve kapsam sınırlarını tanımlayın: yanıt tonu kılavuzu çıktısını sorumlusuyla tamamlayın.
6. Test sorularıyla yanlış ve eksik yanıtları ayıklayın: kapsam dışı soru kuralları çıktısını sorumlusuyla tamamlayın.
7. Canlıda yanıt kalitesini ve bilgi boşluklarını izleyin: test soru seti çıktısını sorumlusuyla tamamlayın.

Canlıda yanıt kalitesini ve bilgi boşluklarını izleyin

Chatbotun artık canlıda ve müşterilerinle sohbet etmeye başladı. Ancak işin burada bitmedi, aslında yeni başlıyor. `Canlıda yanıt kalitesini ve bilgi boşluklarını izleyin` süreci, botunun performansını sürekli olarak iyileştirmeni ve güncel tutmanı sağlayan adımdır. Gerçek kullanıcıların sorduğu sorular, senin en değerli geri bildirim kaynağındır. Onların sorduğu ama botunun cevaplayamadığı sorular, bilgi bankandaki boşlukları sana gösterir.

Bu izleme sürecini yönetmek için düzenli olarak yanıt kalitesi raporlarını incelemelisin. Bu raporlar, hangi sorulara doğru, hangilerine yanlış cevap verildiğini, en çok hangi konuların sorulduğunu ve botun hangi noktalarda “anlamadım” dediğini gösterir. Başlangıçta hazırladığın **test soru seti**, botun temel yeteneklerini ölçmek için harikaydı. Ancak canlı kullanım verileri, o test setinde hiç aklına gelmemiş yeni soru türlerini ve müşteri ihtiyaçlarını ortaya çıkaracaktır. Bu yüzden müşteri etkileşimlerini analiz etmek, botunu sürekli geliştirmenin anahtarıdır.

Başlangıçtaki `test soru seti` bir temel çizgisi oluştururken, `yanıt kalitesi izleme raporu` dinamik bir yol haritası sunar. Örneğin, müşteriler sürekli olarak o günkü “günün çorbasını” soruyorsa ve bu bilgi bankanda yoksa, bu bir bilgi boşluğudur. Bu veriye dayanarak bilgi bankanı güncelleyebilir ve botunu daha yetenekli hale getirebilirsin. Unutma, en iyi chatbotlar bir kere kurulup unutulanlar değil, sürekli olarak izlenen, öğrenen ve geliştirilenlerdir.

İlgili uygulama rehberi: MY Asistan rehberleri: müşteri desteği konu kümesi.

chatbot bilgi bankası hakkında uygulama soruları ve kısa yanıtlar

desteklenen belge formatları başlamadan önce hangi kanıt aranmalı?

Teknik formatlardan (PDF, DOCX vb.) önce elinizdeki bilgilerin tam bir listesi olan `bilgi kaynağı envanteri` dökümanını hazırlamalısın. `Chatbot bilgi bankasının ne olduğunu ve RAG mantığını netleştirin` aşamasında bu envanter, bota ne öğretmek istediğinin kanıtıdır ve projenin kapsamını belirler.

bilgi bankası güncelleme sıklığı için sınır ve sorumlu nasıl belirlenir?

Güncelleme sıklığını belirlerken `sık sorulan soru listesi` değişikliklerini takip et. Menü değiştiğinde veya yeni bir kampanya başladığında bilgi bankası güncellenmelidir. Sorumlu kişi, `Belgeleri anlamlı parçalara bölüp bilgi bankasına aktarın` sürecine hakim olan, işletme operasyonlarını bilen biri olmalıdır.

çok dilli bilgi bankası kurulumu sırasında hangi kayıt karar vermeyi kolaylaştırır?

Çok dilli kurulumda her dil için ayrı bir `yanıt tonu kılavuzu` oluşturmak kritik. Bu kılavuz, `Botun yanıt tonunu ve kapsam sınırlarını tanımlayın` adımını netleştirir ve her dilde markanın sesinin kültürel farklılıklara uygun, tutarlı kalmasını sağlar. Karar verme sürecini bu kılavuz kolaylaştırır.

yanlış yanıtların düzeltilmesi bozulduğunda önce hangi işaret incelenir?

Sistem bozulduğunda ilk olarak, botun canlıya çıkmadan önce geçtiği `test soru seti` sonuçlarını incele. Eğer bot bu temel testte bile başarısız oluyorsa, sorun bilgi bankasındadır. `Canlıda yanıt kalitesini ve bilgi boşluklarını izleyin` raporları ise sonradan oluşan, daha karmaşık sorunları gösterir.

KVKK uyumu ve veri sınırı hangi durumda yeniden değerlendirilmelidir?

Yeni bir `chatbot bilgi bankası` oluştururken veya mevcut bilgi kaynaklarına müşteri verisi içerebilecek yeni belgeler eklerken KVKK uyumu yeniden değerlendirilmelidir. `Belge parçalama planı` aşamasında kişisel veri içeren kısımları ayıklayarak riski en aza indirebilirsin.