RAG sistemlerinde halüsinasyonları azaltmak için hangi best practices uygulanmalı?

Merhaba,

RAG (Retrieval-Augmented Generation) sistemlerinde halüsinasyonları azaltmak için uygulanabilecek best practice’leri daha iyi anlamak istiyorum. Temel olarak, modelin cevabı üretmeden önce ilgili dokümanları retrieve etmesinin halüsinasyon riskini azalttığını biliyorum; ancak bunun tek başına yeterli olmadığını düşünüyorum.

Şu ana kadar embedding kalitesi, chunking stratejisi, top-k retrieval, metadata filtering, reranking ve prompt içinde “yalnızca verilen kaynaklara dayanarak cevap ver” gibi kuralların önemli olduğunu öğrendim. Ayrıca kaynak gösterme/citation eklemenin ve retrieval sonucu yetersizse modelin “bilmiyorum” diyebilmesinin faydalı olduğunu biliyorum.

Fakat pratikte şu noktaları netleştirmek istiyorum: Retrieval kalitesini nasıl ölçmek gerekir? Chunk boyutu ve overlap nasıl seçilmeli? Reranker kullanımı hangi senaryolarda gerçekten fark yaratır? Modelin bağlamda olmayan bilgileri uydurmasını önlemek için prompt, confidence threshold ve answer validation tarafında hangi yaklaşımlar önerilir?

Özellikle production ortamında uygulanabilir, yaygın kullanılan bir kontrol listesi veya mimari yaklaşım paylaşabilir misiniz? Mümkünse kısa örneklerle de açıklanmasını isterim.

Teşekkürler.