Admin Paneli - VDB Yönetimi

🔍 Query Transformation Ayarları

Sorgu Metodu:

Naive RAG (Standart) Soruyu olduğu gibi sor • Riskli, yanlış anlama ihtimali yüksek • Hızlı

MultiQuery Soruyu çeşitlendir, her açığı kapa • Daha fazla API maliyeti ama daha garanti sonuç • Orta hız

HyDE (Hypothetical Document Embeddings) Soruyu cevaba benzeterek ara • Soru ve belgenin formatı çok farklıysa en iyi yöntem • Yavaş

⚙️ MultiQuery Parametreleri

MultiQuery Oluşturulacak Sorgu Sayısı: Orijinal sorudan kaç farklı sorgu oluşturulacak. Daha fazla = daha kapsamlı ama daha yavaş ve maliyetli. Önerilen: 3-5 arası. Varsayılan: 3

MultiQuery LLM Provider: MultiQuery için kullanılacak LLM provider. Boş bırakılırsa genel LLM ayarları kullanılır.

MultiQuery LLM Model: MultiQuery için kullanılacak model. Provider seçildikten sonra model seçenekleri görünecektir. Boş bırakılırsa genel ayarlar kullanılır.

Temperature: LLM'in yaratıcılık seviyesi. 0 = deterministik, 2 = çok yaratıcı. Önerilen: 0.7. Boş bırakılırsa genel ayarlar kullanılır.

Max Tokens (Opsiyonel): LLM yanıtı için maksimum token sayısı. Boş bırakılırsa provider'ın varsayılan değeri kullanılır.

Orijinal Sorguyu da Sonuçlara Ekle İşaretlenirse, oluşturulan sorgulara ek olarak orijinal sorgu da retrieval için kullanılır.

🔧 Retrieval Ayarları

Retrieval Metodu:

Similarity Search Hızlı • En benzer sonuçları döndürür • Tekrarlayan sonuçlar olabilir

MMR (Maximum Marginal Relevance) Daha yavaş • Benzerlik ve çeşitliliği dengeler • Tekrarlayan sonuçları azaltır • Önerilen

Retrieval K (Alınacak Doküman Sayısı): Her retrieval işleminde kaç doküman alınacak. Daha yüksek = daha fazla context ama daha yavaş. Önerilen: 5-10 arası. Varsayılan: 5

Score Threshold (Benzerlik Eşiği): Doküman benzerlik eşiği (distance threshold). Daha düşük = daha katı filtre, daha yüksek = daha esnek. Önerilen: 1.0-2.0 arası. Varsayılan: 1.5

🔤 Hybrid BM25 (Lexical Retrieval)

Hybrid BM25 Kullan Vektör aramasına kelime tabanlı (BM25) adaylar ekler • E.D.T.A, müreksid gibi teknik terimlerde recall artırır • Ücretsiz

BM25 Aday Sayısı (Hybrid BM25 K): BM25'den vektör havuzuna eklenecek ek aday sayısı. Final sıralamayı reranker yapar. Varsayılan: 10

MMR Fetch K (Ön Arama Sonuç Sayısı): Ön aramada alınacak sonuç sayısı. Daha yüksek = daha çeşitli sonuçlar ama daha yavaş. Önerilen: 20-30 arası. Varsayılan: 30

MMR Lambda Multiplier (0.0 - 1.0): Lambda çarpanı: 0.0 = Çeşitlilik öncelikli (farklı konular), 1.0 = Benzerlik öncelikli (en benzer sonuçlar), 0.5 = Dengeli (önerilen). Varsayılan: 0.5

🔄 Cross-Encoder Reranking

Cross-Encoder Reranking Kullan Bi-Encoder sonuçlarını Cross-Encoder ile rerank eder • Daha doğru sonuçlar • Orta hız

Reranking Model: Cross-Encoder model seçimi. Daha büyük modeller daha doğru ama daha yavaştır.

Rerank Top K (Rerank için alınacak sonuç sayısı): Bi-Encoder'dan kaç sonuç alınıp rerank edilecek. Daha yüksek = daha iyi sonuçlar ama daha yavaş. Varsayılan: 20

Rerank Final Top K (Rerank sonrası final sonuç sayısı): Rerank sonrası LLM Grader'a kaç sonuç gönderilecek. Daha yüksek = daha fazla context ama daha yavaş. Varsayılan: 10

🤖 LLM Grader (Opsiyonel)

LLM Grader Kullan Rerank edilmiş sonuçları LLM ile filtreler • En doğru sonuçlar • Yavaş ve maliyetli

⚠️ Her doküman için LLM çağrısı yapılır. Yüksek maliyet ve latency. Sadece kritik durumlarda kullanın.

Retrieval Grader Eşzamanlılık (max workers): Paralel grader çağrısı sayısı. Daha yüksek = daha hızlı ama daha fazla eşzamanlı API yükü. Varsayılan: 5

Cevap Halüsinasyon Kontrolü (Generation Grader) Üretilen cevabın belgelere dayalı olup olmadığını kontrol eder • Sorgu başına ~2 LLM çağrısı • Retrieval grader'dan çok daha ucuz

⚙️ RAG Chunking Ayarları

Embedding Model Provider: Hugging Face: Geliştirmede yerel (CPU), production'da HF Inference API desteklenir. Ücretsizdir. OpenAI: Bulut tabanlıdır, her işlem ücretlidir, verileriniz sunucuya gider.

Hugging Face Embedding Runtime: Production'da HF token varsa API modu bellek kullanımını düşürür. İndeksleme ve sorgu aynı embedding uzayını kullanmalıdır.

Hugging Face Embedding Model: Türkçe teknik metin için multilingual-e5-large önerilir. Model değişince VDB yeniden indekslenmelidir.

OpenAI Embedding Model: OpenAI API kullanır. Her işlem ücretlidir (çok ucuz olsa da) ve verileriniz sunucuya gider. OPENAI_API_KEY veya OPENAI_EMBEDDING_API_KEY gerekir.

OpenAI Embedding Boyutu (Dimensions): Daha yüksek boyut = daha iyi kalite ama daha pahalı.

Chunking Metodu:

Character Çok Hızlı • Bedava • Basit log kayıtları için

Recursive Hızlı • Bedava • Genel belgeler (PDF, Word) için

Semantic Yavaş • Düşük Maliyet • Konu geçişli makaleler için

Agentic (LLM) En Yavaş • Yüksek Maliyet • Karmaşık, yapılandırılmamış veriler için

Chunk Size (Parça Boyutu): Her chunk'ın maksimum karakter sayısı. Daha büyük değer = daha uzun chunk'lar (daha fazla bağlam, daha yavaş işleme). Önerilen: 1000-2000.

Chunk Overlap (Parça Örtüşme): Ardışık chunk'lar arasındaki örtüşme miktarı (karakter). Daha yüksek değer = daha fazla bağlam korunur ama daha fazla duplicate. Önerilen: 100-300 (chunk size'ın %10-20'si).

Semantic Chunking için Embedding Model:

🔄 Routing (Yönlendirme) Ayarları

Routing Metodu:

Semantic Routing (Embedding-based) Çok Hızlı • Ücretsiz • Embedding benzerliği ile yönlendirir • Düşük güven durumunda LLM fallback

LLM Routing (Classification-based) Yavaş • Maliyetli • LLM ile sınıflandırma yapar • Karmaşık sorular için daha doğru

Hibrit (Semantic → LLM Fallback) Önerilen • Önce semantic, düşük güven durumunda LLM • Hız ve doğruluk dengesi

📐 Semantic Routing Parametreleri

Güven Eşiği (0.0 - 1.0): Semantic routing'in güven eşiği. Bu değerin üzerindeki güven skorları için semantic routing kullanılır, altındakiler için LLM fallback devreye girer. Daha yüksek = daha az LLM çağrısı ama daha az esneklik. Varsayılan: 0.75

📁 Dosya/Klasör Ekle

Dosya veya Klasör Seç:

İşleniyor...

📋 VDB'deki Dosyalar

Dosyaları yüklemek için "Dosyaları Yükle" butonuna tıklayın

🤖 Model Ayarları

🌐 Genel Ayarlar (Varsayılan)

Genel LLM Sağlayıcı (Varsayılan) * Özel ayar yapılmadığında kullanılacak varsayılan provider

Genel LLM Model (Varsayılan) *

⚙️ Genel Model Parametreleri

Bu parametreler tüm node'lar için varsayılan değerlerdir. Her node için özel ayar yapılmadığında bu değerler kullanılır.

Temperature 0.0-2.0 arası, varsayılan: 0.7

Max Tokens Boş bırakılırsa sınırsız

Top P 0.0-1.0 arası, boş bırakılırsa provider varsayılanı

Frequency Penalty -2.0-2.0 arası (OpenAI/Groq/OpenRouter/Cerebras)

Presence Penalty -2.0-2.0 arası (OpenAI/Groq/OpenRouter/Cerebras)

🎯 Özel Model Ayarları

Her bir bileşen için ayrı model seçebilirsiniz. Boş bırakırsanız genel ayarlar kullanılır.

🔄 Router (Soru Yönlendirme)

Router Provider

Router Model

Router Parametreleri

Temperature Boş bırakılırsa genel ayarlar kullanılır (varsayılan: 0)

Max Tokens

Top P

Frequency Penalty

Presence Penalty

✍️ Generation (Cevap Üretme)

Generation Provider

Generation Model

Generation Parametreleri

Temperature Boş bırakılırsa genel ayarlar kullanılır (varsayılan: 0.7)

Max Tokens

Top P

Frequency Penalty

Presence Penalty

📊 Grader (Değerlendirme)

Grader Provider

Grader Model

Answer Grader, Retrieval Grader ve Hallucination Grader için kullanılır

Grader Parametreleri

Temperature Boş bırakılırsa genel ayarlar kullanılır (varsayılan: 0)

Max Tokens

Top P

Frequency Penalty

Presence Penalty

🖼️ Image Analyzer (Görüntü Analizi)

Image Analyzer Provider Sadece vision yetenekli modeller kullanılabilir

Image Analyzer Model

Kaplanmış parça görüntülerindeki hataları tespit etmek için kullanılır

Image Analyzer Parametreleri

Temperature Boş bırakılırsa genel ayarlar kullanılır (varsayılan: 0.2)

Max Tokens

Top P

Frequency Penalty

Presence Penalty

🎯 Segmentasyon Modeli Ayarları

Segmentasyon Modeli Metal parça segmentasyonu için kullanılacak model

YOLOv8 Model Dosya Yolu Eğitilmiş YOLOv8-seg modelinin dosya yolu

Güven Eşiği (Confidence) 0.0-1.0 arası, varsayılan: 0.5 (nokta kullanın: 0.5, virgül değil)

IoU Eşiği 0.0-1.0 arası, varsayılan: 0.45 (nokta kullanın: 0.45, virgül değil)

MaskRCNN Model Dosya Yolu Eğitilmiş MaskRCNN modelinin dosya yolu

Güven Eşiği (Confidence) 0.0-1.0 arası, varsayılan: 0.5

UNet Model Dosya Yolu Eğitilmiş UNet modelinin dosya yolu

Segmentasyon Eşiği 0.0-1.0 arası, varsayılan: 0.5

Metal parçaları arka plandan ayırmak için kullanılır

Embedding Model *

💬 Chatbot Konuşma Geçmişi

Tümünü İşaretle

Konuşmalar yükleniyor… Sekmeye her gelişte liste otomatik yenilenir; gerekirse Yenile butonunu kullanın.

👥 Kullanıcı Yönetimi

📎 Menü Erişim İzinleri

Hangi kullanıcı türünün sohbette hangi ek menüsünü (Dosya / İmaj / Kamera / Video) kullanabileceğini belirler. Backend de bu izinleri uygular (izinsiz yükleme 403 alır).

Rol	📁 Dosya	🖼️ İmaj	📷 Kamera	🎬 Video
Yükleniyor…

Kullanıcılar yükleniyor...

🔧 Admin Paneli

🔍 Query Transformation Ayarları

⚙️ MultiQuery Parametreleri

🔧 Retrieval Ayarları

🔤 Hybrid BM25 (Lexical Retrieval)

🔄 Cross-Encoder Reranking

🤖 LLM Grader (Opsiyonel)

⚙️ RAG Chunking Ayarları

🔄 Routing (Yönlendirme) Ayarları

📐 Semantic Routing Parametreleri

📁 Dosya/Klasör Ekle

📋 VDB'deki Dosyalar

🤖 Model Ayarları

🌐 Genel Ayarlar (Varsayılan)

⚙️ Genel Model Parametreleri

🎯 Özel Model Ayarları

🔄 Router (Soru Yönlendirme)

Router Parametreleri

✍️ Generation (Cevap Üretme)

Generation Parametreleri

📊 Grader (Değerlendirme)

Grader Parametreleri

🖼️ Image Analyzer (Görüntü Analizi)

Image Analyzer Parametreleri

🎯 Segmentasyon Modeli Ayarları

💬 Chatbot Konuşma Geçmişi

Konuşma Detayları

📝 Toplu Mesaj Düzenleme

Mesaj Düzenle

👥 Kullanıcı Yönetimi

📎 Menü Erişim İzinleri

Kullanıcı Düzenle