RAG Nedir? Hukuk Yapay Zekâsında Kaynaklı Yanıt Üretimi

RAG (Retrieval-Augmented Generation, "erişimle güçlendirilmiş üretim"), bir yapay zekâ modelinin soruyu yanıtlamadan önce bir belge havuzundan ilgili metinleri bulması ve yanıtını bu metinlere dayandırması yöntemidir. Hukukta RAG, modelin kanun maddesi veya karar "hatırlamak" yerine gerçek bir kaynaktan alıntı yaparak yanıt vermesini amaçlar; böylece yanıtın nereden geldiği gösterilebilir. RAG uydurma riskini azaltır ama sıfırlamaz: yanlış belge bulunabilir, doğru belge yanlış yorumlanabilir, bu yüzden kaynak kontrolü yine avukatın işidir.

Bu yazıda RAG'in nasıl çalıştığını, hukuk alanında neden ilgi gördüğünü, hangi hatalara açık olduğunu ve bir hukuk yapay zekâsı aracını değerlendirirken sorulacak soruları anlatıyoruz.

RAG nasıl çalışır?

RAG, bir soru geldiğinde önce arama, sonra yazma yapan iki aşamalı bir sistemdir. Genel amaçlı bir sohbet modeli, eğitim verisinden öğrendiklerine dayanarak yanıt üretir; RAG ise yanıt anında bir belge havuzuna başvurur.

1. Belgelerin hazırlanması: Kararlar, mevzuat veya büro belgeleri küçük parçalara (paragraf, bölüm) ayrılır ve aranabilir hale getirilir. Çoğu sistem bunun için metni sayısal temsillere ("embedding") dönüştürür.
2. Erişim (retrieval): Kullanıcının sorusu da aynı şekilde temsil edilir ve havuzdan anlamca en yakın parçalar bulunur. Bazı sistemler bunu klasik anahtar kelime aramasıyla birleştirir.
3. Bağlam oluşturma: Bulunan parçalar, soruyla birlikte modele "bu metinlere dayanarak yanıtla" talimatıyla verilir.
4. Üretim (generation): Model, verilen parçaları kullanarak yanıtı yazar; iyi kurulmuş sistemlerde hangi parçaya dayandığını da belirtir.

Basit bir benzetmeyle: RAG'siz model, ezberinden konuşan bir stajyere benzer; RAG'li model ise önce kütüphaneye gidip ilgili kararları masaya koyan, sonra konuşan bir stajyere. İkinci stajyer daha güvenilirdir, ama yanlış rafa gitmiş veya kararı yanlış okumuş olabilir.

RAG hukukta neden önemlidir?

RAG hukukta önemlidir, çünkü hukuki yanıtın değeri büyük ölçüde dayandığı kaynağa bağlıdır ve genel modeller kaynak uydurma eğilimi gösterebilir. Bir avukat için "Yargıtay bu konuda şöyle diyor" cümlesi, ancak künyesi ve metni gösterilebiliyorsa kullanılabilir.

RAG'in hukukta sağladığı başlıca faydalar:

• İzlenebilirlik: Yanıtın hangi karar veya maddeye dayandığı görülebilir.
• Güncellik: Model yeniden eğitilmeden, havuza yeni kararlar eklenerek güncel bilgi kullanılabilir.
• Kapsam kontrolü: Yanıt yalnız seçilmiş kaynaklarla (ör. belli bir mahkemenin kararları veya büronun kendi belgeleri) sınırlanabilir.
• Uydurmanın azalması: Model, elinde metin olduğunda boşluğu hayal gücüyle doldurmaya daha az ihtiyaç duyar.

Uydurma içtihat sorununun neden ciddi olduğunu yapay zekâ uydurma içtihat riski yazımızda ayrıntılı anlattık. Genel kavram için hukuk yapay zekâsı nedir yazısına da bakabilirsiniz.

RAG ile genel sohbet modeli arasındaki fark nedir?

Temel fark, yanıtın bilgi kaynağıdır: genel sohbet modeli eğitim verisinden, RAG ise yanıt anında erişilen belgelerden yararlanır.

Özellik	Genel sohbet modeli	RAG tabanlı sistem
Bilgi kaynağı	Eğitim verisi	Seçilmiş belge havuzu + model
Kaynak gösterme	Genellikle yok veya güvenilmez	Bulunan belgeye bağlanabilir
Güncellik	Eğitim tarihiyle sınırlı	Havuz güncellendikçe güncel
Uydurma riski	Yüksek	Daha düşük, ama var
Kurulum maliyeti	Düşük	Havuz, arama ve bakım gerekir

Bu farkın pratik karşılığını ChatGPT mi, hukuk yapay zekâsı mı? yazısında tartıştık.

RAG hangi hatalara açıktır?

RAG, erişim aşamasında yanlış veya eksik belge bulunduğunda ya da model bulunan belgeyi yanlış yorumladığında hatalı yanıt üretir. "Kaynak gösteriyor" olması, yanıtın doğru olduğu anlamına gelmez.

Erişim hataları

• Yanlış belge: Anlamca benzer ama hukuken farklı bir konu getirilebilir (ör. kira tespit yerine kira alacağı).
• Eksik belge: Asıl belirleyici karar havuzda yoksa, sistem elindeki en yakın ama zayıf kaynağa dayanır.
• Eski kaynak: Değişmiş bir maddenin eski hali veya içtihat değişikliğinden önceki karar getirilebilir.
• Parçalama sorunu: Karar paragraflara bölündüğünde, "bozma" ile "onama" kısmı farklı parçalara düşüp bağlam kaybolabilir.

Üretim hataları

• Yanlış yorum: Kararın karşı oy yazısı, çoğunluk görüşü gibi aktarılabilir.
• Aşırı genelleme: Somut olaya özgü bir sonuç genel kural gibi sunulabilir.
• Karışık alıntı: İki farklı kararın cümleleri tek kararmış gibi birleşebilir.
• Bağlam dışı ekleme: Model verilen metinlerin dışına çıkıp kendi "bilgisini" ekleyebilir.

Bu yüzden RAG çıktısında da şu kural geçerlidir: gösterilen kaynağı açın, okuyun, künyeyi doğrulayın. Bir kararın nasıl okunacağını Yargıtay kararı nasıl okunur yazımızda anlattık.

Bir hukuk yapay zekâsı aracını değerlendirirken ne sorulmalı?

Bir aracın "kaynaklı yanıt" verdiğini söylemesi yeterli değildir; kaynağın ne olduğu, nasıl güncellendiği ve kaynağa erişimin ne kadar kolay olduğu sorulmalıdır. Aşağıdaki sorular, araç seçiminde işe yarar:

1. Belge havuzu neleri kapsıyor? Hangi mahkemeler, hangi tarih aralığı?
2. Havuz ne sıklıkla güncelleniyor?
3. Yanıttaki her iddia için tam metne tıklanabilir bağlantı var mı?
4. Kaynak bulunamadığında sistem "bulunamadı" diyor mu, yoksa yine de yanıt üretiyor mu?
5. Kendi belgelerinizi yüklediğinizde bunlar nerede işleniyor ve saklanıyor?
6. Sorgularınız saklanıyor mu, model eğitiminde kullanılıyor mu?
7. Ceza dosyası gibi hassas içerikleri dışarıda tutmanın yolu var mı?

Seçim ölçütlerinin genişi için avukat büro programı seçimi yazımıza bakabilirsiniz.

Avukat olarak kaynaklı çalışmayı nasıl uygularsınız?

Hangi aracı kullanırsanız kullanın, kaynaklı çalışmanın özü aynıdır: yapay zekâyı bir arama ve özet yardımcısı olarak kullanmak, hukuki sonucu ise doğrudan kaynaktan kendiniz çıkarmak.

• Önce arama, sonra özet: Kararları bir arama ekranında bulun, tam metni açın, ardından gerekiyorsa özetleyin.
• Belgeyi siz verin: Modelden bilgi istemek yerine, elinizdeki belgeyi verip "bu belgeye göre" diye sorun. Bu, kendi elinizle kurduğunuz küçük bir RAG'dir.
• Künye tablosu tutun: Dilekçede kullanacağınız her kararın daire, esas, karar ve tarih bilgisini tam metinden kopyalayın.
• Belirsizliği yazın: Kaynağı doğrulanamayan bilgiyi notlarınızda açıkça "doğrulanmadı" diye işaretleyin.

Emsal aramanın pratik adımları için yapay zekâ ile emsal karar arama yazısını okuyabilirsiniz. Belge üzerinde soru sorma yaklaşımının sözleşmelerdeki uygulaması için yapay zekâ ile sözleşme inceleme yazımıza bakın.

Av. Asistan kaynaklı çalışmayı nasıl destekler?

Av. Asistan, UYAP ve UETS verisini tarayıcı eklentisiyle otomatik aktaran, Türk avukatlar için yapay zekâ destekli büro yönetim uygulamasıdır. Av. Asistan'da kaynaklı çalışma, yapay zekâdan bilgi istemek yerine gerçek kararlara ve kendi belgelerinize dayanan araçlarla desteklenir.

• Emsal karar arama: Yargıtay, Danıştay, Anayasa Mahkemesi, Uyuşmazlık Mahkemesi, istinaf mahkemeleri, yerel mahkemeler ve KİK, Rekabet Kurumu, Sayıştay, BDDK gibi kurumlar dahil 13 yargı organının kararlarında doğal dille arama, tarih ve daire filtresi, tam metin görüntüleme ve kararı davaya ekleme. Olay anlatımınızı "Geliştir" ile arama sorgusuna çevirebilirsiniz. Sorgular saklanmaz.
• Av. Asistan yapay zekâ asistanı: Yüklediğiniz belgenin (dilekçe, bilirkişi raporu, sözleşme, gerekçeli karar) özetini çıkarır ve aynı belge üzerinde soru sormanızı sağlar; taranmış belgelerde OCR yapar.

AI Asistan hukuki görüş vermez, strateji kurmaz ve süre hesaplamaz; çıktısı kaynak değildir, doğrulanmalıdır. Ceza dosyalarında yapay zekâ sunucu tarafında kapalıdır, tebligatlar ve ekleri yapay zekâya gönderilmez.

Türkçe hukuk metinlerinde RAG'in özel zorlukları nelerdir?

Türkçe hukuk metinlerinde RAG, dilin eklemeli yapısı, uzun ve iç içe cümleler, yerleşik kısaltmalar ve karar metinlerinin standart olmayan biçimi nedeniyle ek zorluklarla karşılaşır. Bu zorluklar özellikle erişim aşamasında, yani doğru metnin bulunmasında kendini gösterir.

• Eklemeli yapı: "kiracının", "kiraya verenin", "kiralananın" gibi biçimler, anahtar kelime aramasında aynı kökü kaçırabilir. Anlamsal arama bunu kısmen çözer, ama tamamen değil.
• Kısaltmalar: HMK, TBK, İİK, HAGB gibi kısaltmalar ile açık adları aynı kavram olarak eşleştirilmelidir.
• Kanun değişiklikleri: Aynı madde numarası, farklı tarihlerde farklı içerik taşıyabilir. Eski Borçlar Kanunu ile Türk Borçlar Kanunu madde numaraları da farklıdır. Sistem, kararın verildiği tarihteki metni dikkate almıyorsa yanıltıcı sonuç çıkabilir.
• Karar yapısı: Kararlarda olay, ilk derece gerekçesi, kanun yolu incelemesi ve hüküm aynı metinde iç içe durur. Parçalama yanlış yapılırsa, ilk derece mahkemesinin bozulan gerekçesi Yargıtay'ın görüşü gibi getirilebilir.
• Anonimleştirme: Yayımlanan kararlarda taraf adları gizlenir; bu, olay benzerliği aramasını zorlaştırabilir.

Bu nedenle Türkçe hukuk için kurulan bir sistemin, genel amaçlı bir RAG kurulumundan daha fazla alan bilgisi gerektirdiği söylenebilir. Avukat açısından pratik sonuç değişmez: getirilen kararın hangi bölümünün alıntılandığına bakın ve kararın hüküm kısmıyla karşılaştırın.

Büro içi belgelerle RAG kurmak mantıklı mı?

Büronun kendi dilekçe arşivi, görüş yazıları ve sözleşme şablonları üzerinde RAG kurmak, "daha önce benzer bir dosyada ne yazmıştık?" sorusunu hızlandırabilir; ancak gizlilik, erişim yetkisi ve arşivin kalitesi önceden çözülmelidir.

Değerlendirilecek noktalar:

1. Yetki: Sistem, bir avukatın görmemesi gereken dosyalardaki belgeleri ona getirmemeli. Büroda rol ve yetki düzeni bu yüzden önemlidir; bkz. büroda rol ve yetki.
2. Arşiv kalitesi: Eski, hatalı veya sonradan değişmiş içtihada dayanan dilekçeler havuza girerse, sistem bunları da "kaynak" olarak getirir.
3. Müvekkil sırrı: Bir müvekkilin belgesinden alınan bilgi, başka bir müvekkilin işinde yanlışlıkla görünür hale gelmemeli.
4. İşleme yeri: Belgelerin hangi sunucuda, hangi ülkede işlendiği bilinmeli.

Bu soruların yanıtı net değilse, büro belgeleri için RAG kurmak yerine iyi bir klasör düzeni ve arama ile başlamak daha güvenlidir.

RAG ile ilgili temel terimler nelerdir?

RAG tartışmalarında sık geçen birkaç terimi bilmek, araç tanıtımlarını ve teknik açıklamaları değerlendirmeyi kolaylaştırır.

• Embedding (gömme): Bir metnin anlamını temsil eden sayı dizisi. Anlamca yakın metinlerin temsilleri de birbirine yakındır.
• Vektör veritabanı: Bu temsillerin saklandığı ve benzerliğe göre arandığı veritabanı.
• Chunk (parça): Belgenin bölündüğü küçük metin birimi. Parça boyutu, erişim kalitesini doğrudan etkiler.
• Hibrit arama: Anlamsal arama ile anahtar kelime aramasının birlikte kullanılması. Hukukta madde numarası ve künye gibi kesin ifadeler için anahtar kelime araması hâlâ önemlidir.
• Yeniden sıralama (reranking): İlk aramada bulunan sonuçların ikinci bir modelle yeniden sıralanması.
• Bağlam penceresi: Modelin tek seferde okuyabildiği metin miktarı. Çok uzun kararlar bu sınırı zorlayabilir.

Diğer legaltech terimleri için legaltech sözlüğü yazımıza bakabilirsiniz.

Sık Sorulan Sorular

RAG kısaltması neyin açılımıdır?

Retrieval-Augmented Generation; Türkçede "erişimle güçlendirilmiş üretim" veya "erişim destekli üretim" olarak karşılanır.

RAG kullanan bir yapay zekâ hiç uydurmaz mı?

Uydurur. RAG riski azaltır ama yanlış belge bulunması veya doğru belgenin yanlış yorumlanması mümkündür. Gösterilen kaynak her zaman açılıp okunmalıdır.

RAG için büronun kendi belgeleri kullanılabilir mi?

Teknik olarak evet. Ancak bu belgeler müvekkil sırrı ve kişisel veri içerdiğinden, nerede işlendiği, kimlerin erişebildiği ve saklama süresi açıkça bilinmelidir.

RAG ile ince ayar (fine-tuning) aynı şey mi?

Hayır. İnce ayar modelin kendisini ek veriyle yeniden eğitir; RAG ise modeli değiştirmeden, yanıt anında belge getirir. Hukukta güncellik ve kaynak gösterme açısından RAG daha sık tercih edilir.

Kaynaklı yanıtı dilekçede doğrudan kullanabilir miyim?

Hayır. Yanıttaki kararın tam metnini açıp künyesini ve içeriğini doğruladıktan sonra, kendi değerlendirmenizle kullanmalısınız.