tag vektör-veritabani
Bu sayfada vektör-veritabani etiketi ile işaretlenmiş 5 yapay zeka kavramını bulabilirsiniz.
Vektör Veritabanı, metin, görüntü ve ses gibi içeriklerin sayısal gömme vektörü (embedding) temsillerini depolayan ve bu vektörler arasında en yakın komşu araması (Approximate Nearest Neighbor, ANN) gerçekleştiren özelleşmiş veritabanı sistemidir. Geleneksel ilişkisel veritabanları tam eşleşme sorgularında güçlüyken vektör veritabanları anlamsal benzerlik sorgularında üstünlük sağlar. Temel işleyiş şu şekildedir: bir embedding modeli (BERT, OpenAI Embeddings, E5 gibi) metni yüksek boyutlu gerçek sayı vektörüne dönüştürür; bu vektör veritabanına kaydedilir. Sorgu zamanında sorgu cümlesi de aynı modelle vektöre dönüştürülür ve veritabanı, kosinüs benzerliği veya Öklid mesafesi ölçütüyle en yakın K vektörü geri döndürür. ANN algoritmaları (HNSW, IVF, FAISS) bu aramayı milyonlarca vektörde milisaniyeler içinde gerçekleştirir. Popüler vektör veritabanı çözümleri farklı kullanım senaryolarına hitap eder. Pinecone tam yönetilen bulut hizmetidir; Chroma ve Qdrant yerel veya kendi altyapısında barındırılabilir; Weaviate çok modlu destek ve GraphQL arayüzüyle öne çıkar; pgvector ise mevcut PostgreSQL veritabanına vektör yeteneği ekler. Büyük ölçeklerde Milvus ve Vespa tercih edilir. Vektör veritabanlarının birincil kullanım alanı RAG (Retrieval-Augmented Generation) sistemleridir: LLM'in bağlamına ilgili belgeler enjekte edilir; böylece model kendi eğitim verisinin ötesinde güncel bilgiyle yanıt üretir. Anlamsal arama motorları, öneri sistemleri, resim benzerliği arama ve kopya içerik tespiti diğer uygulama alanlarıdır. Vektör veritabanlarının performansı indeks yapısına bağlıdır. HNSW (Hierarchical Navigable Small World) yüksek sorgu hızı ve çok sayıda vektör için optimize edilmiş grafik yapısı kullanırken IVF (Inverted File Index) küme tabanlı bölümlemeyle arama uzayını daraltır. FAISS ise Facebook AI tarafından geliştirilen açık kaynak bir kütüphane olup milyarlarca vektörü GPU üzerinde indeksler. Vektör veritabanları, geleneksel tam metin aramasıyla birleştirildiğinde — hibrit arama olarak adlandırılan bu yöntem — hem anahtar kelime kesinliği hem anlamsal zenginlik sunar; kurumsal ölçekli belge arama ve chatbot sistemlerinde giderek standart mimari unsur haline gelmektedir.
Vektör Veritabanı (Vektör Veritabanı)
Vektör Veritabanı, metin, görüntü ve ses gibi içeriklerin sayısal gömme vektörü (embedding) temsillerini depolayan ve bu vektörler arasında en yakın komşu araması (Approximate Nearest Neighbor, ANN) gerçekleştiren özelleşmiş veritabanı sistemidir. Geleneksel ilişkisel veritabanları tam eşleşme sorgularında güçlüyken vektör veritabanları anlamsal benzerlik sorgularında üstünlük sağlar. Temel işleyiş şu şekildedir: bir embedding modeli (BERT, OpenAI Embeddings, E5 gibi) metni yüksek boyutlu gerçek sayı vektörüne dönüştürür; bu vektör veritabanına kaydedilir. Sorgu zamanında sorgu cümlesi de aynı modelle vektöre dönüştürülür ve veritabanı, kosinüs benzerliği veya Öklid mesafesi ölçütüyle en yakın K vektörü geri döndürür. ANN algoritmaları (HNSW, IVF, FAISS) bu aramayı milyonlarca vektörde milisaniyeler içinde gerçekleştirir. Popüler vektör veritabanı çözümleri farklı kullanım senaryolarına hitap eder. Pinecone tam yönetilen bulut hizmetidir; Chroma ve Qdrant yerel veya kendi altyapısında barındırılabilir; Weaviate çok modlu destek ve GraphQL arayüzüyle öne çıkar; pgvector ise mevcut PostgreSQL veritabanına vektör yeteneği ekler. Büyük ölçeklerde Milvus ve Vespa tercih edilir. Vektör veritabanlarının birincil kullanım alanı RAG (Retrieval-Augmented Generation) sistemleridir: LLM'in bağlamına ilgili belgeler enjekte edilir; böylece model kendi eğitim verisinin ötesinde güncel bilgiyle yanıt üretir. Anlamsal arama motorları, öneri sistemleri, resim benzerliği arama ve kopya içerik tespiti diğer uygulama alanlarıdır. Vektör veritabanlarının performansı indeks yapısına bağlıdır. HNSW (Hierarchical Navigable Small World) yüksek sorgu hızı ve çok sayıda vektör için optimize edilmiş grafik yapısı kullanırken IVF (Inverted File Index) küme tabanlı bölümlemeyle arama uzayını daraltır. FAISS ise Facebook AI tarafından geliştirilen açık kaynak bir kütüphane olup milyarlarca vektörü GPU üzerinde indeksler. Vektör veritabanları, geleneksel tam metin aramasıyla birleştirildiğinde — hibrit arama olarak adlandırılan bu yöntem — hem anahtar kelime kesinliği hem anlamsal zenginlik sunar; kurumsal ölçekli belge arama ve chatbot sistemlerinde giderek standart mimari unsur haline gelmektedir.
Embedding Model (Gömme Modeli)
Embedding model (gömme modeli), metin, görüntü, ses veya kod gibi verileri anlamsal olarak benzer öğelerin vektör uzayında yakın, farklı öğelerin uzak konumlanacağı yoğun (dense) sayısal vektörlere dönüştüren yapay zeka modelidir. Örneğin "kedi maması nereden alınır" ile "evcil hayvan yemi satan mağazalar" cümleleri tek ortak kelime içermese de embedding uzayında birbirine yakın düşer; klasik anahtar kelime aramasının kaçırdığı bu anlam eşleşmesini yakalamak embedding modellerin ana işidir. Teknik olarak model, bir transformer ağının son katman çıktısını sabit boyutlu bir vektöre indirger: OpenAI text-embedding-3-small 1536, text-embedding-3-large 3072, açık kaynak BGE-M3 ise 1024 boyut üretir. İki metnin benzerliği bu vektörler arasındaki kosinüs benzerliğiyle (cosine similarity) ölçülür. Eğitimde kontrastif öğrenme kullanılır: benzer metin çiftleri vektör uzayında yakınlaştırılır, alakasız çiftler uzaklaştırılır. Embedding modeller 2024-2026 döneminde RAG (Retrieval-Augmented Generation) sistemlerinin patlamasıyla kritik altyapı hâline geldi: kurumsal belgeler parçalanıp (chunking) embedding'e çevrilir, bir vektör veritabanına (Qdrant, pgvector, Pinecone, Milvus) yazılır ve kullanıcı sorgusuna en yakın parçalar LLM'e bağlam olarak verilir. Aynı mekanizma semantik arama, öneri sistemleri, kümeleme, duplikasyon tespiti ve anomali tespitinde de çalışır. 2026 itibarıyla önde gelen seçenekler: API tarafında OpenAI text-embedding-3 serisi, Google Gemini Embedding (gemini-embedding-001, MTEB çok dilli tabloda üst sıralarda), Cohere Embed v4 ve Voyage AI (voyage-3.5); açık kaynak tarafında BAAI BGE-M3, Alibaba Qwen3-Embedding (0.6B-8B varyantları), Nomic Embed ve Jina Embeddings v3. Türkçe dahil çok dilli projelerde BGE-M3 ve Qwen3-Embedding, MTEB skorları ve ücretsiz lisanslarıyla öne çıkar. Matryoshka temsil öğrenimi (MRL) destekleyen modellerde vektör 256 boyuta kısaltılarak depolama maliyeti yüzde 75'e varan oranda düşürülebilir; kalite kaybı çoğu görevde yüzde 10'un altında kalır.
Vector (Vektör)
Vektör, matematiksel bir nesne olarak hem büyüklük hem de yön bilgisi taşır; n boyutlu uzayda sayı dizisiyle temsil edilir. Yapay zeka ve makine öğrenimi bağlamında vektörler, metinleri, görüntüleri, sesleri veya diğer verileri sayısal temsillere dönüştürmek için kullanılır. Bir cümle ya da belge, embedding modeli tarafından yüzlerce veya binlerce boyutlu bir vektöre dönüştürüldüğünde, benzer anlamlı içerikler geometrik olarak birbirine yakın konumlanır. Makine öğreniminde vektörler iki temel biçimde karşımıza çıkar: seyrek vektörler (sparse vectors) ve yoğun vektörler (dense vectors). TF-IDF veya one-hot kodlama gibi geleneksel yöntemler çoğu boyutu sıfır olan seyrek vektörler üretir. Embedding modelleri ise anlamı sıkıştırılmış, boyut sayısı sınırlı (genellikle 128-4096 arası) yoğun vektörler üretir. Word2Vec, GloVe ve modern Sentence-BERT gibi modeller bu yoğun vektörlerin örnekleridir. Vektörler arasındaki mesafe ve benzerlik, anlamsal yakınlığı ölçmek için kullanılır. Kosinüs benzerliği (cosine similarity) yön benzerliğini ölçerek uzunluktan bağımsız karşılaştırma yapar; iki vektör aynı yöne işaret ediyorsa (kosinüs ≈ 1) semantik olarak benzer kabul edilir. Öklid mesafesi (L2) ise iki nokta arasındaki doğrudan uzaklığı ölçer; görüntü ve ses embeddinglerde yaygın kullanılır. Vektör veritabanları (Pinecone, Qdrant, Weaviate, pgvector) bu yoğun vektörleri büyük ölçekte depolayarak milisaniyede en yakın komşu araması yapar. HNSW ve IVF gibi yaklaşık en yakın komşu (ANN) algoritmaları milyarlarca vektör üzerinde hızlı arama imkânı sunar. Bu altyapı semantik arama, RAG sistemleri ve öneri motorlarının temelini oluşturur. Pratik boyutlandırma rehberi: text-embedding-3-small (1536 boyut) çoğu RAG ve semantik arama uygulaması için maliyet-performans dengesi açısından iyi bir başlangıç noktasıdır. Kuantizasyon (int8, binary) vektörleri sıkıştırarak 4-32× bellek tasarrufu elde edilebilir; buna karşılık doğrulukta küçük bir kayıp kabul edilmelidir. Türkçe metinler için multilingual-e5-large (1024 boyut) veya multilingual-MiniLM (384 boyut) çok dilli görevlerde etkili seçeneklerdir.
RAG (Geri Getirim Artırılmış Üretim)
RAG (Retrieval-Augmented Generation — Geri Getirme Destekli Üretim), büyük dil modellerini (LLM) harici bilgi kaynaklarıyla dinamik olarak güçlendiren bir mimaridir. Bir LLM, eğitim sırasında öğrendiği bilgiyle sınırlıdır; güncel olmayan veya alana özgü bilgiye sahip değildir. RAG bu sorunu, yanıt üretmeden önce ilgili belgeleri gerçek zamanlı olarak getirerek (retrieve) çözer. RAG sürecinin temel adımları şöyle özetlenebilir: kullanıcının sorusu bir embedding modeliyle vektörleştirilir, bu vektör temsili bir vektör veri tabanında (Pinecone, Weaviate, pgvector, Chroma, Qdrant) benzerlik araması yapılarak en alakalı metin parçaları (chunk) bulunur. Bu chunk'lar LLM'in sistem promptuna bağlam olarak eklenir ve model bu zenginleştirilmiş girdiyle yanıt üretir. RAG birçok kritik avantaj sunar: halüsinasyonları azaltır, güncelliği korur (bilgi tabanı yeniden eğitim gerektirmeksizin güncellenebilir), kaynak gösterilebilir ve ölçeklenebilir bir yapı sunar. Hukuk, finans ve tıp gibi yüksek güvenilirlik gerektiren sektörlerde her yanıtın kaynağını gösterme zorunluluğu RAG'ı vazgeçilmez kılmaktadır. Bu özellikler RAG'ı kurumsal yapay zeka uygulamalarının omurgası hâline getirmiştir. Chunk stratejisi RAG performansını doğrudan etkiler. Sabit uzunluklu bölme, özyinelemeli karakter bölme ve anlamsal bölme farklı senaryolara göre seçilir. Genel öneri 512–1024 token chunk, yüzde on ila yirmi örtüşmedir. Büyük chunk bağlam penceresini tıkarken küçük chunk bağlam kaybına yol açar. İyi bir chunk stratejisi, sistemin doğruluğunu temel embedding modeli seçiminden daha fazla etkileyebilir. İleri RAG teknikleri arasında query expansion, HyDE (Hypothetical Document Embeddings), re-ranking ve hybrid search (yoğun vektör ile BM25 anahtar kelime aramasının birleşimi) sayılabilir. GraphRAG ise bilgi grafiği entegrasyonuyla mantıksal ilişki zincirlerini sorgulayan Microsoft kaynaklı gelişmiş uzantıdır. Türkiye'deki geliştiriciler için LangChain ve LlamaIndex gibi çerçeveler RAG pipeline'larını hızla hayata geçirmeyi kolaylaştırır; pgvector ve Qdrant yerel barındırma için öne çıkan açık kaynak seçeneklerdir.
Cosine Similarity (Kosinüs Benzerliği)
Kosinüs benzerliği (Cosine Similarity), iki vektör arasındaki açının kosinüsünü ölçen ve vektörlerin yönleri arasındaki benzerliği sayısal olarak ifade eden matematiksel bir metriktir. Değeri [-1, 1] aralığında değişir: 1 tam benzer (aynı yön), 0 ortogonal (ilgisiz) ve -1 zıt anlamlıdır. Formülü: cos(θ) = (A·B)/(‖A‖×‖B‖), yani iki vektörün iç çarpımını her birinin uzunluklarının çarpımına böler. Yapay zeka ve doğal dil işleme alanlarında kosinüs benzerliği, çok boyutlu embedding vektörleri arasındaki anlamsal yakınlığı ölçmek için tercih edilir. Vektörlerin büyüklüğünden bağımsız olarak yalnızca yönü dikkate alması, belge uzunluğuna duyarsız bir ölçüm sağlar; bu nedenle tf-idf ve embedding vektörlerinde öklid mesafesine kıyasla daha güvenilir sonuçlar verir. Örneğin kısa bir tweet ile uzun bir makale, aynı konuyu ele alıyorsa benzer kosinüs skoru alırken öklid mesafesi büyük fark gösterir. Vektör veritabanlarında (Pinecone, Weaviate, Qdrant, ChromaDB, pgvector) ve semantik arama motorlarında sorgular önce bir embedding modeline gönderilir; elde edilen vektörle veritabanındaki tüm vektörler arasındaki kosinüs benzerliği hesaplanır ve en yakın k komşu (k-NN) döndürülür. Modern vektör veritabanları HNSW (Hierarchical Navigable Small World) veya IVF (Inverted File Index) gibi yaklaşık en yakın komşu (ANN) algoritmaları sayesinde milyonlarca vektörde bu aramaları milisaniyeler içinde tamamlar. RAG (Retrieval-Augmented Generation) sistemlerinde kosinüs benzerliği kritik bir role sahiptir: kullanıcı sorgusu embedding vektörüne dönüştürülür; bu vektörle belge parçaları (chunk) arasındaki kosinüs benzerliği hesaplanır; en yüksek skoru alan parçalar bağlam olarak LLM'e iletilir. Yaygın kullanılan pratik eşik değeri 0.70–0.85 arasında seçilir. L2-normalize vektörlerde kosinüs benzerliği, nokta çarpımına (dot product) eşdeğer olduğundan GPU matris çarpım işlemleri önemli ölçüde hızlanır. Python'da sklearn.metrics.pairwise.cosine_similarity, torch.nn.functional.cosine_similarity veya NumPy ile np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)) şeklinde hesaplanabilir. Öneri sistemlerinde kullanıcı profilleri ve içerik özellikleri vektör uzayına yansıtılarak kosinüs benzerliğiyle eşleştirme yapılır. Kümeleme ve sınıflandırma görevlerinde de benzerlik matrisi olarak yaygın biçimde kullanılmaktadır. Sıfır vektörlerle tanımsız olduğu ve izotropik olmayan dağılım üreten modellerde MIPS (Maximum Inner Product Search) daha uygun olabilir.