README.md

metadata

title: RAG Tabanlı Türkçe Tıbbi Chatbot
emoji: 🏢
colorFrom: indigo
colorTo: blue
sdk: streamlit
sdk_version: 1.37.0
app_file: app.py
pinned: false

RAG Tabanlı Türkçe Tıbbi Chatbot

Bu proje, Türkçe tıbbi makaleler üzerinde Retrieval-Augmented Generation (RAG) teknolojisi kullanarak çalışan akıllı bir chatbot sistemidir. HuggingFace'ten yüklenen Türk hastanelerinin tıbbi makalelerini analiz ederek, kullanıcıların tıbbi sorularına profesyonel cevaplar verir.

Özellikler

• 4000+ Tıbbi Makale: Türk hastanelerinden toplanmış güncel tıbbi içerik
• Türkçe Embedding Modeli: trmteb/turkish-embedding-model ile optimize edilmiş arama
• Google Gemini 2.0 Flash: Gelişmiş dil modeli ile doğal cevaplar
• ChromaDB Vector Store: Hızlı ve etkili vektör arama
• Streamlit Web Arayüzü: Kullanıcı dostu web arayüzü

Proje Yapısı

rag-based-chatbot/
├── rag_env/                 # Python sanal ortamı
├── app.py                   # Ana uygulama
├── data_processing.py       # Veri yükleme ve işleme
├── embedding_model.py       # Türkçe embedding modeli
├── vector_store.py          # ChromaDB vector store yönetimi
├── rag_pipeline.py          # RAG pipeline mantığı
├── gemini_integration.py    # Google Gemini API entegrasyonu
├── requirements.txt         # Python bağımlılıkları
├── README.md              
└── chroma_db/              # Vector store veritabanı (otomatik oluşur)

Teknik Detaylar

Veri İşleme Pipeline

1. Veri Yükleme: HuggingFace'ten umutertugrul/turkish-hospital-medical-articles veri seti
2. Document Oluşturma: Makaleler LangChain Document formatına dönüştürülür
3. Veri Temizleme: Boş ve kısa içerikler filtrelenir
4. Kalite Kontrolü: %98.6 başarı oranı ile işleme

Kullanılan Teknolojiler

Kategori	Teknoloji	Versiyon	Açıklama
LLM	Google Gemini 2.0 Flash	Latest	Ana dil modeli
Embedding	trmteb/turkish-embedding-model	Latest	Türkçe vektörleştirme
Vector DB	ChromaDB	0.4.0+	Vektör veritabanı
Framework	LangChain	0.1.0+	RAG framework
Web UI	Streamlit	1.28.0+	Web arayüzü
Data	HuggingFace Datasets	2.14.0+	Veri yönetimi

Kurulum

1. Projeyi Klonlayın

git clone <repository-url>
cd rag-based-chatbot

2. Sanal Ortam Oluşturun

# Sanal ortam oluştur
python -m venv rag_env

# Sanal ortamı aktifleştir
# Windows:
rag_env\Scripts\activate
# macOS/Linux:
source rag_env/bin/activate

3. Bağımlılıkları Yükleyin

pip install -r requirements.txt

4. API Anahtarlarını Ayarlayın

.env dosyası oluşturun:

# .env dosyası oluştur
touch .env

.env dosyasına aşağıdaki anahtarları ekleyin:

# Google Gemini API Anahtarı
GOOGLE_API_KEY=your_gemini_api_key_here

# HuggingFace Token (opsiyonel)
HUGGINGFACE_TOKEN=your_hf_token_here

API Anahtarlarını Nasıl Alırsınız?

Google Gemini API:

1. Google AI Studio adresine gidin
2. Google hesabınızla giriş yapın
3. "Create API Key" butonuna tıklayın
4. Oluşturulan anahtarı kopyalayın

HuggingFace Token:

1. HuggingFace adresine gidin
2. "New token" butonuna tıklayın
3. "Read" yetkisi ile token oluşturun

Kullanım

1. Konsol Uygulaması

python app.py

Bu komut:

• Veri setini yükler
• Document'ları oluşturur
• Embedding modelini yükler
• Vector store oluşturur/yükler
• RAG pipeline'ı test eder
• Etkileşimli chat modunu başlatır

2. Streamlit Web Arayüzü

streamlit run app.py

Web arayüzü http://localhost:8501 adresinde açılır.

3. Google Colab ile Deneme

Hızlı Başlangıç için Colab:

1. Colab Notebook'u Açın:

   # Colab'da çalıştırın
   !git clone https://github.com/your-username/rag-based-chatbot.git
   %cd rag-based-chatbot
   !pip install -r requirements.txt
   

2. API Anahtarlarını Ayarlayın:

   # Colab'da çalıştırın
   import os
   from google.colab import userdata
   
   # Gemini API anahtarınızı girin
   os.environ['GOOGLE_API_KEY'] = userdata.get('GOOGLE_API_KEY')
   
   # HuggingFace token (opsiyonel)
   os.environ['HUGGINGFACE_TOKEN'] = userdata.get('HUGGINGFACE_TOKEN')
   

3. Veri Setini Analiz Edin:

   # Colab'da çalıştırın
   from data_processing import hf_load_dataset, explore_dataset
   
   # Veri setini yükle ve analiz et
   dataset = hf_load_dataset()
   explore_dataset(dataset)
   

4. RAG Pipeline'ı Test Edin:

   # Colab'da çalıştırın
   from app import main
   
   # Ana uygulamayı çalıştır
   main()
   

Örnek Kullanım

Tıbbi Tarayıcı ile test edebileceğiniz örnek sorular:

• "Migren ağrısı nasıl geçer?"

• "Kalp krizi belirtileri nelerdir?"

• "Grip aşısı ne zaman yaptırmalıyım?"

• "Yüksek tansiyon nasıl kontrol edilir?"

• "Baş ağrısı çeşitleri nelerdir?"