RAG vs Fine-tune 2026: Türkçe İçerik Sahipliği için Hangi Strateji?

Türkçe içerik sahipliği için bir LLM mimarisi seçerken 2026'nın pragmatik kuralı net: bilgi sahipliği için RAG (Retrieval-Augmented Generation), davranış sahipliği için fine-tune. NVIDIA'nın 2024 teknik analizinden bu yana production paterni bu iki yaklaşımı hibrit mimari ile birleştirme yönünde evrildi; OpenAI Cookbook'un meşhur özeti — "use RAG for knowledge, fine-tune for behavior" — hâlâ geçerli ancak Türkçe domain için ek bir katmanı var: tokenization ve embedding seçimi. Sheltron'un Mart 2026'da 12 müşteri RAG pipeline'ı üzerinde yaptığı production testte Türkçe-spesifik RAG %94 doğruluk ortalamasında çalışırken, fine-tune-only çözümler aynı domainlerde overfitting nedeniyle %78-86 aralığına sıkıştı.

Bu yazıda RAG ve fine-tune'un teknik mimari farklarını, Türkçe morfolojisinin neden chunking stratejisini değiştirdiğini, hangi durumda hangisinin seçilmesi gerektiğini ve e-ticaret, finans, sağlık üç sektör için Türkçe production örnekleri üzerinden hibrit mimariyi açıklayacağız. Sonunda Sheltron'un anonim e-ticaret SaaS müşterisinde 180K ürün katalog + 24K ticket geçmişi üzerinde uygulanan hibrit (RAG + LoRA fine-tune cosmos-7B) mimarisinin %96 doğruluk ile $0.024/sorgu maliyette nasıl 4. ayda ROI kırdığını okuyacaksınız.

RAG ve Fine-tune: İki Farklı Bilgi Sahipliği Modeli

RAG (Lewis et al., Meta AI, 2020) parametric memory ile non-parametric memory'i birleştiren bir mimari. Generative modelin (LLM) ağırlıkları sabit kalır; bilgi external vector database'de (Pinecone, Weaviate, pgvector, Qdrant) embedding olarak saklanır. Sorgu geldiğinde önce semantic search ile en alakalı pasajlar retrieve edilir, sonra bu pasajlar LLM'in context window'una eklenerek cevap üretilir.

Fine-tune ise modelin ağırlıklarını domain veriyle yeniden eğitir. Full fine-tune tüm parametreleri günceller (Llama-3 8B için ~16 GB VRAM, 1-3 gün H100); LoRA (Low-Rank Adaptation) sadece adapter ağırlıklarını eğitir (8B model için ~4 GB VRAM, saatler içinde tamamlanır). Modern production'da full fine-tune nadiren tercih edilir — LoRA + QLoRA standart kalıp oldu.

İki yaklaşımın temel farkı bilginin nerede yaşadığı:

Anthropic'in 2025 prompt caching dökümantasyonu RAG'in en büyük production maliyetini — uzun context window — %90 oranında azalttı. Sistem promptu + retrieved passages caching ile RAG production'da ekonomik anlamda fine-tune'a yaklaştı. Bu değişim 2026'da RAG'i default tercih yapan en kritik faktör.

Türkçe için Neden Önemli: Morfoloji, Tokenization, Embedding

Türkçe, agglutinative (eklemeli) bir dil. Bir kök sözcük yedi-sekiz ek alabilir: evlerimizden = ev-ler-imiz-den. İngilizce tokenizer'lar (BPE, tiktoken) bu morfolojiyi tek token olarak görmez; kelimeyi 3-5 subword'e böler. Bu da iki pratik soruna yol açar: (1) context window'da etkili kelime sayısı düşer; (2) embedding kalitesi morfemler arası anlam ilişkisini kaybeder.

Bu sorunun çözümünde Türkçe için embedding seçimi RAG'ın doğruluğunu doğrudan belirliyor. Sheltron testinde dört embedding modeli karşılaştırıldı:

• text-embedding-ada-002 (OpenAI): Türkçe RAG'da %71 retrieval doğruluğu. Ekonomik ama Türkçe morfolojiyi zayıf kavrıyor.
• text-embedding-3-large (OpenAI): %86 retrieval doğruluğu. Multilingual embedding'in en güçlü genel-amaçlı seçeneği.
• multilingual-e5-large (Microsoft): %88 retrieval doğruluğu. Açık ağırlıklı, self-host edilebilir.
• BAAI/bge-m3: %91 retrieval doğruluğu. Türkçe morfolojiyi en iyi yakalayan açık ağırlıklı seçenek; self-host tercih edilirse default.

Tokenization tarafında Llama-3 ve Qwen-2.5 ailesi tokenizer'ları Türkçe için OpenAI tiktoken'dan daha verimli — ortalama %18 daha kompakt Türkçe metin temsili sağlıyor. Bu, fine-tune planında base model seçiminin neden kritik olduğunun teknik nedeni.

TÜBİTAK BİLGEM'in 2026 Türkçe LLM çalışmaları Türkçe-spesifik fine-tune için minimum 50.000 kaliteli sample gereksinimini belgeliyor. Sample altında bu sayı, fine-tune sıklıkla generic Türkçe yeteneği kaybediyor — "catastrophic forgetting" denilen klasik fine-tune problemi.

GEO nedir rehberimizde işlediğimiz embedding ve retrieval kavramları AI görünürlük tarafında da geçerli; aynı vector search mantığı ChatGPT'nin retrieval-augmented cevap üretiminde de çalışıyor.

Ne Zaman RAG, Ne Zaman Fine-tune: Karar Matrisi

İki yaklaşım arasında karar verirken altı pratik kriter işliyor. Bu matrix Sheltron'un müşteri danışmanlığında kullandığı default formdur:

Üç sektör için pratik öneri:

E-ticaret (ürün arama, recommendation, müşteri ticket): RAG-dominant + light LoRA. Ürün kataloğu sürekli değişiyor (RAG için ideal); müşteri ticket cevap üslubu standart olmalı (LoRA için ideal). Trendyol Cosmos Türk e-ticaret domain LoRA fine-tune'un açık kaynak referans örneği — production'da bu modelin üzerine RAG layer eklenir.

Finans (rapor analiz, regülasyon Q&A, müşteri danışman desteği): RAG-only (LoRA önerilmiyor). Mevzuat sık güncelleniyor (SPK, BDDK düzenli rapor yayınlıyor) — fine-tune bilgisi hızla eskir. Halüsinasyon regülasyon cevaplarında kabul edilemez; citation gösterimi compliance gereksinimini karşılıyor.

Sağlık (klinik bilgi, hasta soru, ilaç etkileşim — non-diagnostic): RAG + strict LoRA + validation layer. Türk Tabipleri Birliği ve Sağlık Bakanlığı kaynakları için RAG zorunlu; cevap formatı (disclaimer, yönlendirme protokolü, "doktorunuza danışın" template'i) için fine-tune. Validation layer modelden çıkan her cevabı diagnostic-claim filter'dan geçiriyor.

Hibrit Mimari: Production-Grade Default Patern

NVIDIA Technical Blog (2024) ve OpenAI Cookbook 2025 güncellemesi hibrit mimariyi production-grade default olarak konumlandırdı. Hibrit pipeline beş katmandan oluşuyor:

1. Base LLM seçimi: Türkçe için Llama-3.1-8B, Qwen-2.5-7B, Cosmos-7B (Trendyol Türkçe SFT) güçlü adaylar. Self-host gerektirmiyorsa Claude Sonnet veya GPT-4o-mini direkt API kullanımı en hızlı path.
2. Domain LoRA fine-tune: 50K-200K Türkçe domain sample üzerinde LoRA. Hedef: model üslubu, yapısal çıktı, domain terminolojisi. Eğitim 4-12 saat (H100 üzerinde).
3. Embedding + vector DB: BAAI/bge-m3 embedding + pgvector veya Qdrant. Chunk size 512 token, overlap 64 token (Türkçe morfoloji için optimize).
4. Retrieval + reranker: Hybrid search (BM25 + semantic). Cross-encoder reranker top-50 → top-5 daraltma.
5. Generation + validation: LoRA-tuned model + retrieved context. Output schema validation (Pydantic/Zod). Citation enforcement (her cevapta retrieved source ID görünmeli).

Bu pipeline'ın ekonomisi: ilk kurulum 6-10 hafta, $30-80K (Türkiye fiyat aralığı). İşletme maliyeti ortalama $0.02-0.04 per sorgu (Sheltron 12-müşteri ortalaması). Karşılaştırma için RAG-only $0.018/sorgu, fine-tune-only $0.008/sorgu (ama doğruluk dezavantajlı).

Yapay Zeka Çözümleri Maliyet Rehberi yazımız RAG ve fine-tune dahil farklı AI uygulamalarının Türkiye fiyat aralıklarını karşılaştırıyor; karar öncesi okumakta fayda var. Detaylı sektör derinlik araştırmaları için The GEO Authority'nin RAG mimarisi yazıları faydalı bir referans noktası.

Anonim Vaka: İstanbul E-Ticaret SaaS Hibrit Mimarisi

İstanbul merkezli bir e-ticaret SaaS firması (Sheltron danışmanlık müşterisi — gizlilik nedeniyle isim verilmiyor) 180K ürün katalog + 24K müşteri ticket geçmişi üzerinde Türkçe LLM'li müşteri destek otomasyonu planlıyordu. İlk denemeleri RAG-only çözüm: %86 doğruluk, $0.018/sorgu — ekonomik ama cevap üslubu marka diliyle uyumsuz, ticket sınıflandırma %71 doğrulukla zayıf.

Sheltron danışmanlık planı dört adımda hibrit mimariye geçişi tanımladı:

Faz 1 — Veri hazırlama (Hafta 1-3): 24K ticket geçmişinden 38K eğitim sample'ı oluşturuldu (Q&A format + ticket sınıflandırma format). Cosmos-7B Türkçe SFT model base seçildi. BAAI/bge-m3 embedding tercih edildi.

Faz 2 — LoRA fine-tune (Hafta 3-5): LoRA rank=16, alpha=32, 3 epoch eğitim (12 saat, H100). Eğitim sonrası ticket sınıflandırma doğruluğu %71 → %93'e çıktı, cevap üslubu marka diliyle uyumlu.

Faz 3 — Vector DB + RAG layer (Hafta 5-7): 180K ürün pgvector'a embeded edildi. Chunk 512 token, overlap 64. Hybrid search (BM25 + bge-m3) + cross-encoder reranker. Top-5 retrieval ortalama 280ms.

Faz 4 — Production deployment + monitoring (Hafta 7-10): Output schema validation, citation enforcement, daily quality eval (LLM-as-judge + insan QA sample). Otomatik retry on validation fail. Cost monitoring + alert.

Hafta 12 sonuç: %96 cevap doğruluğu (vs. RAG-only %86), %93 ticket sınıflandırma (vs. RAG-only %71), $0.024/sorgu maliyet (vs. RAG-only $0.018). Hibrit modelin ek $0.006/sorgu maliyetine karşılık müşteri destek FTE talebi %42 azaldı; ROI 4. ayda kırıldı.

ROI Hesaplama ve Karar Yardımı

RAG, fine-tune, hibrit üç yaklaşımın ROI'sini Türkiye fiyat aralığında somut ölçmek için AI Otomasyon ROI Hesaplayıcı aracını kullanabilirsiniz — sektör, FTE, ticket hacmi, hedef otomasyon oranı girdileriyle 60 saniyede uygulama paketinin geri ödeme süresini hesaplıyor.

Karar verirken üç ana soruyu sırayla cevaplamak en hızlı yol:

1. Bilgi statik mi dinamik mi? Dinamik (haftalık+ güncelleme) → RAG zorunlu.
2. Davranış/üslup standardı kritik mi? Evet → LoRA gerekli (RAG + LoRA hibrit).
3. Citation gösterimi compliance gereği mi? Evet → RAG yine zorunlu.

Üç soruya da "evet" cevabı veriyorsanız hibrit (RAG + LoRA) production-grade default. Sadece bir kategoride "evet" varsa o yaklaşım yeterli.

Türkçe Chunking Stratejisi: Pratik Reçete

Türkçe RAG için chunk boyutu ve overlap kararı doğrudan retrieval doğruluğunu belirliyor. İngilizce optimize 1024 token chunk Türkçe için sıklıkla bağlam kaybına yol açıyor — agglutinative morfoloji uzun kelimeler üretiyor; tek bir cümle bile 25-40 token aralığında. 1024 token chunk Türkçe'de ortalama 30-40 cümle barındırıyor; bu retrieval sırasında "doğru cümle bulundu ama yanlış pasaj çekildi" hatasını artırıyor.

Sheltron production testlerinde optimize parametre seti şu şekilde belirginleşti:

• Chunk boyutu: 512 token (Türkçe ortalama 12-18 cümle). Daha küçük chunk daha yüksek precision; ama recall kaybı için overlap kritik.
• Overlap: 64 token (chunk arası yumuşak geçiş). Türkçe paragrafların bitiş-başlangıç ilişkisi cümle bütünlüğü için kritik — sıfır overlap %12-18 recall kaybı yaratıyor.
• Splitting strategy: Recursive character splitter (LangChain default) yerine semantic splitter (paragraf + cümle bütünlüğü koruyarak). Türkçe noktalama (özellikle parantez içinde virgül ve tire-bağlantı) standart İngilizce splitter'ı yanlış kesmeye götürüyor.
• Metadata enrichment: Her chunk'a domain tag (kategori, alt kategori, doküman tipi, tarih) eklenmeli. Hybrid search (BM25 + semantic) bu metadata üzerinde filtering yapabiliyor — Türkçe sinonim kaybını telafi ediyor.

Domain'e göre ayrıştırılmış chunk koleksiyonları (örn. ürün açıklamaları, FAQ, müşteri ticket geçmişi, blog) genelde tek havuz koleksiyondan +%12-18 retrieval doğruluğu sağlıyor. Trade-off: collection orchestration karmaşıklığı — production'da değer.

Trendyol'un açık kaynak Cosmos modeli Türkçe e-ticaret domain için chunk + LoRA referans uygulaması içeriyor; production-ready repository olarak Türk LLM ekosisteminin en güçlü açık kaynak temeli. NVIDIA RAPIDS ve cuVS Türkçe vector search için Türkiye'deki H100 erişimli AI ekipleri için pratik hızlandırma sağlıyor.

Citation Sahipliği: AI Cevap Motorlarında Türkçe Otorite

Türkçe içerik sahipliği RAG/fine-tune kararından önce daha temel bir soruyu sorduruyor: bu içerik LLM training data'sında "consensus" oluşturuyor mu? Outpace SEO'nun 2026 araştırması (362.188 LLM cevabı üzerinde 6 davranışsal test) LLM'in önce hangi markayı önereceğine training data'sından parametrik recall ile karar verdiğini, sonra bu kararı destekleyecek citation aradığını gösterdi. Yani RAG veya fine-tune pipeline kurmadan önce Türkçe LLM training data'sında varlık kritik altyapı.

Türkçe training data otorite kanalları sıralaması:

1. Earned media: LLM marka mention citation'larının %48'i earned media kaynaklı. HBR Türkiye, Capital, Fortune Turkey, Sözcü, Hürriyet Ekonomi, NTV gibi yayınlar Türkçe LLM training data'sında ağırlıklı.
2. Sektör yayın + dergi: AA Bilim, Bloomberg HT, Webrazzi, Donanım Haber, Webtekno — Türkçe teknoloji haber ekosisteminin LLM training etkisi yüksek.
3. Akademik + araştırma: TÜBİTAK, BİLGEM, ODTÜ AI Center, Boğaziçi Üniversitesi NLP grubu — Türkçe LLM ekosistem otoritesi.
4. GitHub + açık kaynak: Trendyol Cosmos, Kanarya, TURNA Türkçe LLM projeleri training data'sında doğal referans.
5. Forum + community: Eksisözlük, LinkedIn Türkçe yorumlar, Donanım Haber forum — kapsayıcı Türkçe internet sinyali.

Bu beş kanaldan "consensus" oluşmuş işletmeler RAG veya fine-tune yatırımından çok daha hızlı sonuç alıyor. Kanal eksiği olan işletme önce content syndication + earned media stratejisi yapmalı; RAG sonradan gelir.

Sheltron'un GEO maturity model 2026 yazısında işlediğimiz beş aşamalı olgunluk modeli AI sahipliği için adım atılması gereken sırayı detaylandırıyor; RAG ve fine-tune ileri olgunluk aşamalarının altyapısı.

Sheltron'un AI Mimari Danışmanlığı — Türkçe Domain için

Sheltron, Türkçe domain LLM uygulamalarında uçtan uca mimari danışmanlık veriyor. AiSEO modülü içerik sahipliği bağlamında RAG vs fine-tune kararını otomatize ediyor; AI Automation modülü hibrit pipeline implementasyonu için referans mimari sağlıyor; SME-Index sektörünüzdeki AI olgunluk durumunuzu karşılaştırıyor.

Yapay Zeka Çözümleri sektör sayfamız Türkçe LLM uygulama paketlerini detaylandırıyor; Hızlı Değerlendirme aracımızla işletmenizin RAG, fine-tune veya hibrit mimari için hazır olduğunu 60 saniyede ölçebilirsiniz. Ajans desteği arayanlar için partner GEO ajansımız Lein Digital Türkçe domain LLM kampanyalarında aktif.