tag Vektör
Bu sayfada Vektör etiketi ile işaretlenmiş 5 yapay zeka kavramını bulabilirsiniz.
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.
Embedding (Gömme / Vektörleştirme)
Embedding nedir sorusunun en kısa yanıtı şudur: Embedding (Türkçede gömme ya da vektörleştirme), kelimelerin, cümlelerin, görsellerin veya herhangi bir veri tipinin, yapay zekânın işleyebileceği sayısal dizilere, yani vektörlere dönüştürülmesi işlemidir. Bu dönüşüm rastgele sayılarla yapılmaz; verinin anlamsal (semantik) değerini koruyacak şekilde, çok boyutlu matematiksel bir uzayda koordinatlara yerleştirilmesiyle gerçekleşir. Benzer anlam taşıyan içerikler bu uzayda birbirine yakın, alakasız içerikler ise uzak konumlanır. "Kedi" ile "köpek" vektörleri yan yana dururken, "kedi" ile "traktör" arasındaki mesafe çok daha büyüktür. Embedding'in önemi, bilgisayarların metni doğrudan anlayamamasından gelir: makineler yalnızca sayılarla çalışır. Anlamı sayılara çevirmenin güvenilir bir yolu olmadan ne semantik arama ne öneri sistemleri ne de büyük dil modelleri çalışabilirdi. ChatGPT gibi modeller girdiyi önce token'lara ayırır, ardından her token'ı bir embedding vektörüne çevirir; modelin "anlama" dediğimiz tüm işlemleri bu vektörler üzerinde yürür. Pratikte embedding'ler en çok üç yerde karşımıza çıkar. Birincisi semantik arama ve RAG sistemleri: kullanıcının sorusu ile belgeler aynı vektör uzayına gömülür, kosinüs benzerliği ile en alakalı içerik bulunur. İkincisi öneri sistemleri: Spotify veya Netflix, beğendiğiniz içeriğe vektör uzayında en yakın duran içerikleri önerir. Üçüncüsü çok modlu uygulamalar: CLIP gibi modeller metin ve görseli aynı uzayda temsil ederek metinle görsel arama yapılmasına imkân tanır. Üretilen vektörler genellikle Pinecone, Weaviate veya pgvector gibi vektör veritabanlarında saklanır ve milyonlarca kayıt arasından milisaniyeler içinde en yakın komşular bulunur. Kısaca embedding, modern yapay zekâ uygulamalarında anlam ile matematik arasındaki köprüdür.
Soft Prompting (Yumuşak İstem)
Soft prompting (yumuşak istemleme), büyük dil modellerini (LLM) ince ayar yapmadan görev odaklı davranışa yönlendiren parametre verimli bir öğrenme tekniğidir. Geleneksel prompt mühendisliğinde insan tarafından yazılan metin talimatları (hard prompt) kullanılırken, soft prompting modelin giriş uzayına eklenen ve gradyan inişi yoluyla optimize edilen sürekli vektör gömmelerini (continuous embeddings) kullanır. Tekniğin çalışma prensibi şu şekilde özetlenebilir: Önceden eğitilmiş model tamamen dondurulur, ağırlıkları güncellenmez. Modelin token gömme katmanına sanal tokenlar (virtual tokens) eklenir; bu tokenlar gerçek sözcüklere karşılık gelmez, sadece yüksek boyutlu vektörlerdir. Eğitim sürecinde yalnızca bu sanal token vektörleri güncellenir ve model görev odaklı bağlam bilgisi edinir. Standart ince ayara (full fine-tuning) kıyasla eğitim süresi ve bellek kullanımı dramatik biçimde azalır. Soft prompting ile ince ayar arasındaki temel fark şudur: İnce ayarda milyarlarca parametre yeniden eğitilirken, soft prompting'de yalnızca birkaç yüz ila birkaç bin sanal token parametresi öğrenilir. Bu yaklaşım, özellikle T5, GPT ve LLaMA gibi büyük modelleri çeşitli downstream görevlere uyarlamak için son derece ekonomiktir. Gerçek dünya uygulamalarında soft prompting, metin sınıflandırma, soru yanıtlama, özetleme ve kod üretimi gibi alanlarda başarılı sonuçlar vermiştir. Prefix Tuning ve P-Tuning v2 gibi türevler, yalnızca giriş katmanına değil, modelin ara katmanlarına da sanal tokenlar ekleyerek performansı artırmıştır. Bu yöntemler düşük veri rejimlerinde de etkili bir uyarlama imkânı sunar. Her görev için bağımsız soft prompt eğitilir; aynı temel model birden fazla amaç için kullanılabilir. Her uyarlama ayrı bir tam model kopyası gerektirmez, bu da bellek ve depolama açısından büyük bir tasarruf anlamına gelir. Sonuç itibarıyla soft prompting, modern NLP boru hatlarında hem maliyet hem de esneklik açısından önemli bir yer tutmaktadır.
Vector Space (Vektör Uzayı)
Vektör uzayı (vector space), matematiksel olarak vektörlerin tanımlandığı ve bu vektörler üzerinde toplama ile skaler çarpma işlemlerinin belirli aksiyomları karşılayacak şekilde gerçekleştirilebildiği soyut bir yapıdır. Makine öğrenmesi ve yapay zeka bağlamında ise vektör uzayı, veri noktalarının (metin, görüntü, ses, kullanıcı davranışı gibi) sayısal temsillere dönüştürüldüğü ve bu temsiller arasındaki anlamsal ilişkilerin geometrik mesafe ve yön kavramlarıyla ifade edildiği çok boyutlu bir uzaydır. Doğal dil işleme alanında kelime gömmeleri (word embeddings) bu kavramın en çarpıcı uygulamasını sunar. Word2Vec, GloVe ve fastText gibi modeller, her kelimeyi vektör uzayında bir noktayla temsil eder; anlamca yakın kelimeler geometrik olarak da birbirine yakın konumlanır. Bu sayede "kral - adam + kadın = kraliçe" gibi vektör aritmetiği işlemleri anlam taşıyan sonuçlar verir. Benzer ilişkiler ülke-başkent çiftlerinde, fiil zamanlarında ve cinsiyet analoglarında da gözlemlenir. Transformatör tabanlı dil modellerinde (BERT, GPT, LLaMA) ise gizli katmanların ürettiği gömme vektörleri latent space (gizil uzay) olarak adlandırılır. Bu yüksek boyutlu uzay, modelin öğrendiği soyut özellikleri barındırır; benzer semantik yapıdaki girdiler bu uzayda yakın kümelerde bulunur. Retrieval-Augmented Generation (RAG) sistemlerinde belgeler ve sorgular bu uzayda temsil edilerek kosinüs benzerliğiyle eşleştirilir. Görüntü işlemede CNN ve Vision Transformer modelleri, pikselleri vektör uzayındaki noktalara dönüştürür ve nesne tanıma, yüz tanıma ile stil aktarımı gibi işlemleri bu uzay üzerinde gerçekleştirir. Öneri sistemlerinde kullanıcı ve ürün vektörleri aynı uzaya gömülerek etkileşim olasılığı hesaplanır. Vektör veritabanları (Pinecone, Weaviate, Milvus) bu vektörleri indeksleyerek milyonlarca boyut arasında milisaniyeler içinde benzerlik araması yapar. Boyutsallık laneti (curse of dimensionality) yüksek boyutlu uzaylarda mesafe metriklerinin anlamsızlaşmasına yol açabilir; bu nedenle boyut indirgeme teknikleri (PCA, UMAP, t-SNE) ve Yaklaşık En Yakın Komşu (ANN) algoritmaları modern yapay zeka sistemlerinin vazgeçilmez araçlarıdır.
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.