Akbank GenAI Bootcamp - RAG Tabanlı Yemek Tarifi Chatbot'u

Bu proje, Akbank GenAI Bootcamp kapsamında geliştirilmiş , RAG (Retrieval-Augmented Generation) temelli bir yemek tarifi chatbot'udur

Projenin Amacı

Projenin temel amacı, turkish_food.csv (veya benzer bir) veri setindeki yemek tariflerini kullanarak kullanıcıların doğal dilde sorduğu sorulara yanıt veren bir web tabanlı chatbot oluşturmaktır. Kullanıcılar, "Bana bir çorba tarifi ver" veya "İçinde et olan hangi yemekler var?" gibi sorular sorarak tarif veritabanını sorgulayabilir.

---

2. Veri Seti Hazırlama

Proje, turkish_food.csv (veya create_database.py betiğine --csv argümanı ile sağlanan herhangi bir) CSV dosyasını işleyerek bir vektör veritabanı oluşturur.

Veri Seti Bilgisi: Bu projede, turkish_food.csv adlı bir CSV dosyası kullanılmıştır. (Not: Kod, indian_food.csv gibi benzer yapıdaki diğer dosyalarla da çalışabilir).

Veri setinin, create_database.py betiğinin beklentilerine göre şu sütunları içermesi gerekmektedir:

• name: Yemeğin adı
• diet: Diyet türü (örn: vejetaryen, glutensiz)
• course: Kategori (örn: ana yemek, çorba, tatlı)
• flavor_profile: Lezzet profili (örn: tatlı, tuzlu, baharatlı)
• prep_time: Hazırlama süresi (dakika)
• cook_time: Pişirme süresi (dakika)
• state: (Bölge/Eyalet)
• region: (Bölge)
• ingredients: Malzemeler (virgülle ayrılmış metin)

Hazırlanış Metodolojisi: Veri seti, create_database.py betiği kullanılarak RAG mimarisine uygun hale getirilmiştir. Bu betik sırasıyla şu işlemleri yapar:

1. CSV Okuma: Pandas kütüphanesi ile --csv yolundaki veri seti okunur.
2. Sütun Doğrulama: name, diet, course, flavor_profile, prep_time, cook_time, state, region, ingredients sütunlarının varlığı kontrol edilir.
3. Veri Temizleme ve Normalizasyon:
   • norm_str fonksiyonu: Tüm metin alanlarındaki (örn: name, diet) başındaki/sonundaki boşluklar alınır ve birden fazla boşluk tek boşluğa indirgenir.
   • to_int fonksiyonu: prep_time ve cook_time sütunlarındaki değerler güvenli bir şekilde tamsayıya (integer) dönüştürülür. "-1" veya "N/A" gibi hatalı girdiler "0" olarak ayarlanır.
   • norm_ingredients fonksiyonu: ingredients sütunundaki virgül (,) veya noktalı virgül (;) ile ayrılmış malzeme listesi ayrıştırılır, her bir malzeme küçük harfe çevrilir, temizlenir ve yinelenen girdiler kaldırılır.
4. Doküman Oluşturma (build_doc_text):
   • Her bir tarif satırı, LLM'in (Büyük Dil Modeli) anlayabileceği yapılandırılmış bir metin dokümanına dönüştürülür. Bu doküman, model için "Bağlam (Context)" görevi görecektir.
5. Embedding ve Depolama:
   • Hazırlanan tüm metin dokümanları, Google'ın models/text-embedding-004 modeli kullanılarak vektörlere dönüştürülür.
   • Bu vektörler, tariflerin metadata'ları (isim, diyet, süre vb.) ile birlikte Chroma vektör veritabanına kaydedilir. Veritabanı, ./chroma_db dizininde saklanır.

---

3. Kodun Çalışma Kılavuzu

Bu proje bir Google Colab ortamında veya lokal bir makinede çalıştırılabilir.

1.Gereksinimler (requirements.txt)

Aşağıdaki kütüphanelerin kurulu olması gerekmektedir: flask flask-ngrok google-generativeai langchain-google-genai langchain-community chromadb markdown python-dotenv pandas pyngrok google-api-python-client google-auth 2. Kurulum ve Çalıştırma (Lokal/Sunucu)

1. Sanal Ortam (Önerilir):

2. Kütüphanelerin Kurulumu:]

3. Google API Anahtarı:

   • GOOGLE_API_KEY adında bir ortam değişkeni tanımlayın veya Colab kullanıyorsanız "Secrets" bölümüne ekleyin.

4. Veri Seti:

   • turkish_food.csv dosyasını ana dizine yerleştirin.

5. Veritabanını Oluşturma:

   • create_database.py betiğini çalıştırarak vektör veritabanını (./chroma_db) oluşturun:

   python create_database.py --csv turkish_food.csv

6. Sunucuyu Başlatma:

   • app.py betiğini çalıştırarak Flask sunucusunu başlatın:

   python app.py

   • Sunucu varsayılan olarak http://0.0.0.0:5000 adresinde çalışacaktır.

3. Çalıştırma (Google Colab)

1. API Anahtarı: Colab'in sol tarafındaki "Secrets" (Anahtar ikonu 🔑) bölümüne GOOGLE_API_KEY'inizi ekleyin.
2. Veri Seti: Colab'in sol tarafındaki "Files" bölümüne turkish_food.csv dosyasını yükleyin.
3. Kod Hücreleri: Proje notebook'undaki tüm !pip install hücrelerini çalıştırın.
4. %%writefile komutlarını içeren tüm hücreleri çalıştırarak create_database.py, templates/index.html ve app.py dosyalarını oluşturun.
5. !python create_database.py ... hücresini çalıştırarak veritabanını oluşturun.
6. API anahtarını yükleyen (Cell 11) ve sunucuyu başlatan (Cell 12: !python app.py &) hücreleri çalıştırın.
7. Son hücreyi (output.eval_js...) çalıştırarak proxy URL'sini alın ve chatbot arayüzüne erişin.

---

4. Çözüm Mimarisi

Çözülen Problem: Bu proje, yapılandırılmış bir CSV dosyasında (yemek tarifleri) bulunan bilgilere doğal dil ile erişim problemini çözmektedir. Kullanıcıların, SQL veya filtreleme mantığı bilmeden, "Bana 30 dakikadan az süren bir tarif bul" gibi karmaşık sorgular yapabilmesini sağlar.

Kullanılan Teknolojiler:

• Generation (Üretken) Model: gemini-2.5-flash (Google Gemini API)
• Embedding Modeli: models/text-embedding-004 (Google)
• Vektör Veritabanı (Vector DB): Chroma (Lokal disk tabanlı)
• RAG Pipeline Framework: LangChain
• Web Framework & Arayüz: Flask & HTML/CSS/JavaScript

RAG Mimarisi: Mimari iki ana aşamadan oluşur:

1. İndeksleme (Offline) - create_database.py Bu aşama, veri hazırlandıktan sonra bir kez çalıştırılır:

1. Yükle: turkish_food.csv dosyası Pandas DataFrame'e yüklenir.
2. Dönüştür: Her satır, build_doc_text fonksiyonu ile yapılandırılmış bir metin dokümanına çevrilir.
3. Göm (Embed): Her doküman GoogleGenerativeAIEmbeddings (text-embedding-004) kullanılarak vektörel bir temsile dönüştürülür.
4. Depola: Bu vektörler ve ilişkili meta veriler (isim, diyet, süre vb.) Chroma veritabanına kaydedilir.

2. Sorgulama (Online) - app.py (get_answer fonksiyonu) Bu aşama, kullanıcı her mesaj gönderdiğinde çalışır:

1. Sorgu (Query): Kullanıcının (örn: "Hafif bir tatlı tarifi") mesajı alınır.
2. Sorgu Gömme (Query Embedding): Kullanıcının sorgusu da aynı text-embedding-004 modeli ile bir vektöre dönüştürülür.
3. Getir (Retrieve): Bu sorgu vektörü, Chroma veritabanında similarity_search yapmak için kullanılır. Veritabanı, sorguya anlamsal olarak en yakın k=5 adet tarifi (dokümanı) döndürür.
4. Büyüt (Augment): Alınan bu 5 tarif dokümanı, bir "Bağlam (Context)" bloğu olarak birleştirilir.
5. Üret (Generate): Bu bağlam, gemini-2.5-flash modeline bir sistem talimatı (prompt) ile birlikte gönderilir.
6. Yanıt: Modelin ürettiği yanıt, Flask üzerinden web arayüzüne geri gönderilir.

---

5. Web Arayüzü & Product Kılavuzu

Deploy Linki: Proje Google Colab üzerinde çalıştırıldığında, proxy URL'si (örn: https://5000-m-s-2dgccsbfqwft2-a.us-west4-1.prod.colab.dev/) deploy linki olarak kullanılır.

Çalışma Akışı ve Arayüz Testi: Bunları destekleyen ekran görüntüleri image klasöründedir Web arayüzü (index.html), sol tarafta bir sohbet geçmişi listesi ve sağ tarafta ana sohbet penceresi bulunan klasik bir chatbot tasarımıdır.

1. Ana Sayfa: Kullanıcı linki açtığında, index.html yüklenir. Eğer mevcut bir sohbet yoksa, "Yemek Tarifi Chatbot" başlığı ve örnek bir soru (Örn: “Air fryer’da patates var mı?”) görünür.
2. Yeni Sohbet: Soldaki "Yeni Sohbet +" butonuna tıklayarak mevcut sohbeti temizleyebilir ve yeni bir oturum (session_id) başlatabilirsiniz.
3. Mesaj Gönderme: Alttaki giriş kutusuna sorunuzu yazıp "Gönder" butonuna tıkladığınızda:
   • Mesajınız "user" (mavi) olarak ekrana eklenir.
   • "Yazıyor..." göstergesi belirir.
   • /send_message endpoint'ine (uç noktasına) bir POST isteği gönderilir.
   • app.py içindeki get_answer fonksiyonu çalışır (RAG süreci).
   • Modelden gelen yanıt "bot" (gri) olarak ekranda görünür.
4. Sohbet Geçmişi:
   • Gönderdiğiniz ilk mesaj, o sohbetin başlığı olarak (örn: "Bana bir çorba tarifi...") sol taraftaki listeye eklenir.
   • Geçmiş sohbet başlıklarına tıklayarak o konuşmaları geri yükleyebilirsiniz.

Projenin Kabiliyetlerini Test Etme Senaryoları: Botun kabiliyetlerini test etmek için aşağıdaki gibi sorular sorabilirsiniz:

• Genel Tarif İsteği: "Bana bir ana yemek tarifi verebilir misin?"
• Spesifik Malzeme Sorgusu: "İçinde patlıcan olan hangi tarifler var?"
• Diyet/Kategori Filtrelemesi: "Vejetaryen tatlı tarifi arıyorum."
• Süre Filtrelemesi: "Hazırlaması 15 dakikadan az süren bir yemek var mı?"
• Veri Setinde Olmayan Soru (Negatif Test): "Bana İtalyan pizzası tarifi ver." (Eğer turkish_food.csv içinde yoksa, modelin "Veritabanımda bu tarif yok." demesi beklenir).
• Konu Dışı Soru (Güvenlik Testi): "Türkiye'nin başkenti neresidir?" (Modelin, "Sadece tariflerle ilgili soruları yanıtla." kuralına uyması beklenir)