Retrieval-augmented generation (RAG), bir AI sisteminin önce güvenilir bir belge kümesinde arama yaptığı ve ardından bulduklarını kullanarak yanıtını yazdığı bir yöntemdir. B2B pazarlama ekipleri için RAG; ürün sayfalarını, vaka çalışmalarını, satış sunumlarını ve destek makalelerini bir asistanın yararlanabileceği bir kaynağa dönüştürür, böylece taslaklar ve yanıtlar modelin genel bilgisi yerine şirket gerçeklerine dayanır.
RAG nasıl çalışır?
Bir RAG sisteminin iki parçası vardır. Arama kısmı belgeleri parçalara ayırır, bunları embeddings adı verilen sayısal temsillerine dönüştürür ve bir vektör veritabanında veya arama dizininde saklar. Bir soru geldiğinde, ona en uygun parçaları bulur. Üretim kısmı ise bu parçaları soruyla birlikte bir dil modeline iletir ve model bunlar temelinde bir yanıt yazar.
Birçok sistem, vektör aramasını anahtar kelime aramasıyla birleştirir, çünkü kesin ürün kodları veya adları anahtar kelimelerle daha güvenilir bir şekilde bulunur. İyi sistemler ayrıca alıntılar döndürür, böylece kullanıcılar bir cümlenin hangi belgeden geldiğini kontrol edebilir.
RAG, B2B pazarlama için neden önemlidir?
B2B ürünleri genellikle karmaşık, spesifik ve sık güncellenen ürünlerdir. Genel bir model, ürününüzün entegrasyon listesini, fiyatlandırma kademelerinizi veya geçen çeyrekteki vaka çalışmasının ayrıntılarını bilmez. Temellendirme olmadan, boşlukları makul tahminlerle doldurur.
RAG bu riski azaltır ve AI’yı şirket bilgisine dayalı görevler için yararlı hale getirir. Ayrıca pazarlamacıların doğru slaytı veya veri sayfasını aramak için paylaşılan sürücülerde harcadıkları süreyi kısaltır.
Hangi B2B pazarlama kullanım durumları RAG için en uygundur?
En iyi kullanım durumları doğru şirket gerçeklerine ihtiyaç duyar ve sık sık tekrarlanır. Başlangıç listesi:
- Onaylanmış spesifikasyonlardan ürün sayfalarının ve tek sayfalık dokümanların ilk versiyonlarının hazırlanması
- Satış ekibinin özellikler, entegrasyonlar ve rakipler hakkındaki sorularını yanıtlama
- Geçmiş onaylı yanıtlardan RFP ve güvenlik anketi yanıtlarının yazılması
- Doğru vaka çalışmalarına atıfta bulunan e-posta besleme içeriği oluşturma
- Alıcı sorularını belgelerden yanıtlayan bir web sitesi asistanını güçlendirme
- Müşteri görüşmelerini özetleme ve konuya göre alıntılar çıkarma
RFP yanıtları yaygın bir ilk projedir. Ekipler benzer soruları tekrar tekrar yanıtlar, geçmiş yanıtlar zaten mevcuttur ve doğruluk önemlidir, bu da tam olarak aramanın yardımcı olduğu yerdir.
Çalışan bir rehber: RAG’ı nasıl kurarsınız?
Kurulumun koddan çok içerikle ilgisi vardır. RAG projelerindeki sorunların çoğu dağınık veya güncel olmayan kaynak materyallerden kaynaklanır.
Adım 1: Kaynakları seçin ve temizleyin
Tanımlanmış bir setle başlayın: güncel ürün belgeleri, onaylanmış mesajlar, yayınlanmış vaka çalışmaları ve geçmiş RFP yanıtları. Güncel olmayan sürümleri kaldırın. Eğer üç farklı sunum fiyatlandırmayı farklı tanımlıyorsa, asistan da aynısını yapacaktır.
Adım 2: Bir platform seçin
Seçenekler kodsuzdan özel çözümlere kadar değişir. Birçok ekip yerleşik özelliklerle başlar: ChatGPT’de özel GPT’ler veya projeler, Claude Projects, Google NotebookLM veya SharePoint’e bağlı Microsoft Copilot. Daha büyük ekipler, Pinecone, Weaviate veya pgvector gibi bir vektör veritabanı ile LangChain veya LlamaIndex gibi çerçeveler üzerine inşa eder. Veri hassasiyetine, hacmine ve onu kimin koruyacağına göre seçim yapın.
Adım 3: Talimatları yazın
Modele yalnızca alınan içerikten yanıt vermesini, kaynak göstermesini ve bir yanıt bulamadığında bunu belirtmesini söyleyin. Ton ve terminoloji için stil kuralları ekleyin.
Adım 4: Gerçek sorularla test edin
Satış, destek ve pazarlamadan 50 ila 100 gerçek soru toplayın. Bunları çalıştırın, yanıtları kaynağa göre kontrol edin ve hataları kaydedin. Hataların çoğu eksik veya çelişkili belgelere dayanacaktır.
RAG hangi veri hijyenini gerektirir?
RAG kalitesi, sadece lansman anında değil, zaman içinde belge kalitesine bağlıdır. Kaynaklara sahipler atayın ve inceleme tarihleri belirleyin.
- Her belgeye net bir sahip ve “son inceleme” tarihi verin
- Eski sürümleri dizine eklenmiş klasörde bırakmak yerine arşivleyin
- Arama iyi yapılandırılmış metinde daha iyi çalıştığı için net başlıklar kullanın
- Sözleşme şartları gibi gizli materyalleri geniş çapta paylaşılan dizinlerin dışında tutun
- Büyük ürün sürümlerinden sonra yeniden dizine ekleyin
Erişim kontrolü hijyenin bir parçasıdır. Bir RAG asistanı, bir kullanıcının görmesine izin verilmeyen belgeleri açmamalıdır. Kurumsal araçlar genellikle mevcut izinlere saygı duyar; özel yapılar bunu açıkça uygulamalıdır.
Bir RAG sistemini nasıl ölçersiniz?
Hem yanıt kalitesini hem de iş etkisini ölçün. Kalite için sabit bir test soru seti tutun ve yanıtları doğruluk, tamlık ve doğru alıntılar için aylık olarak puanlayın. Sistemin yanıt vermeyi reddettiği soruların payını takip edin, bu içerikteki boşlukları gösterir.
İş etkisi için, RFP başına saat gibi belirli görevlerde tasarruf edilen süreyi ve hedeflenen ekip tarafından benimsenmesini ölçün. Kimsenin kullanmadığı bir sistem, ne kadar doğru olursa olsun hiçbir değere sahip değildir.
Alien Road, RAG’ı B2B müşterileri için nasıl uygular
Tipik bir çalışmada ajans bir içerik envanteri ile başlar: ürün, mesajlaşma ve vaka çalışması belgelerinin nerede yaşadığı, hangi sürümlerin güncel olduğu ve onlara kimin sahip olduğu. Bu, genellikle herhangi bir asistanı şaşırtacak çelişkili belgeleri ortaya çıkarır.
Kurulum genellikle RFP yanıtları veya satış etkinleştirme soruları gibi bir kullanım durumuyla başlar. Ekip kaynak setini temizler, müşterinin güvenlik ihtiyaçlarına uyan bir platform seçer, talimatlar yazar ve satış ekibi tarafından sağlanan gerçek sorulardan bir test seti oluşturur. Yanıtlar, kullanıcıların bunları doğrulayabilmesi için alıntılar içermelidir.
Raporlama aylık olarak yapılır: test seti doğruluğu, reddedilen sorular, ekip tarafından kullanım ve hedef görevde tasarruf edilen süre. Reddedilen sorular bir içerik birikimini besler, böylece sistem kullanıldıkça bilgi tabanı iyileşir.
Hangi hatalar RAG projelerinin başarısız olmasına neden olur?
Yaygın başarısızlıklar tahmin edilebilirdir. Ekipler taslaklar ve eski fiyatlandırmalar dahil olmak üzere paylaşılan sürücüdeki her şeyi dizine ekler ve asistan bunları alıntılamaya başlar. Veya insanlar zaten kullandıkları araçların dışında yaşadığı için kimsenin açmadığı akıllı bir sistem kurarlar.
- Küratörlü, sahip olunan bir set yerine her dosyayı dizine eklemek
- Belgeleri bağlamın kaybolacağı kadar küçük parçalara ayırmak
- Alıntıları atlamak, böylece kullanıcılar yanıtları kontrol edemez
- Test seti olmadan başlatmak, böylece kalite asla ölçülmez
- Asistanı Slack, Teams veya CRM yerine ayrı bir uygulamaya yerleştirmek
Bunları erken düzeltmek az maliyetlidir. Kullanıcılar güvenini kaybettikten sonra düzeltmek çok daha maliyetlidir.
Bu hafta nereden başlamalı
Satış ekibinize pazarlamaya veya ürüne en sık gönderdikleri yirmi soruyu sorun. Onları yanıtlaması gereken belgeleri toplayın ve bu belgelerin güncel ve tutarlı olup olmadığını kontrol edin.
Temizlenmiş seti Claude Project, özel bir GPT veya NotebookLM gibi basit bir araca yükleyin ve yirmi soruyu sorun. Hangi yanıtların yanlış olduğunu ve nedenini not edin. Bu liste, ilk içerik temizleme planınız ve düzgün bir RAG kurulumu için başlangıç noktasıdır.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu