Embedding Model (Gömme Modeli)

Embedding Model Nasıl Çalışır?

Klasik one-hot encoding'de her kelime, çoğu sıfırdan oluşan devasa ve seyrek bir vektörle temsil edilir; "araba" ile "otomobil" arasındaki ilişki matematiksel olarak görünmez. Embedding modeli ise transformer tabanlı bir sinir ağını milyarlarca metin çifti üzerinde eğiterek her cümleyi 256-4096 boyutlu yoğun bir vektöre dönüştürür. Eğitim sırasında kontrastif kayıp fonksiyonları (InfoNCE, MultipleNegativesRankingLoss) benzer çiftleri yakınlaştırır, negatif örnekleri uzaklaştırır. Sonuçta "kral - erkek + kadın ≈ kraliçe" gibi anlamsal ilişkiler vektör aritmetiğiyle ifade edilebilir hâle gelir. Çıkarım aşamasında sorgu ve belgeler aynı uzaya gömülür; benzerlik kosinüs benzerliği veya iç çarpımla hesaplanır. Bi-encoder mimarisi her metni bağımsız işlediğinden milyonlarca belge önceden indekslenebilir ve arama milisaniyeler içinde tamamlanır — cross-encoder'ın aksine sorgu-belge çifti her seferinde birlikte işlenmez.

2026'nın Önde Gelen Embedding Modelleri

Embedding Modellerin Kullanım Alanları

• check_circle RAG (Retrieval-Augmented Generation): Belge parçaları embedding'e çevrilip vektör veritabanına yazılır; sorguya en yakın parçalar LLM'e bağlam olarak verilir. Kurumsal yapay zeka asistanlarının standart mimarisi.
• check_circle Semantik Arama: Anahtar kelime eşleşmesi yerine anlam eşleşmesi: "ucuz uçak bileti" sorgusu "ekonomik hava yolu fiyatları" içeren belgeyi bulur. E-ticaret ve kurum içi aramada dönüşümü ölçülebilir şekilde artırır.
• check_circle Öneri Sistemleri: Kullanıcı geçmişi ve ürün açıklamaları aynı uzaya gömülür; en yakın komşu araması kişiselleştirilmiş öneri üretir. Spotify ve Netflix benzeri platformların temel tekniklerinden.
• check_circle Kümeleme ve Sınıflandırma: Binlerce müşteri yorumu veya destek talebi embedding uzayında kümelenerek etiketsiz veri otomatik gruplanır; az örnekli sınıflandırma (few-shot) embedding üzerinde lojistik regresyonla kurulabilir.
• check_circle Duplikasyon ve Anomali Tespiti: Kosinüs benzerliği eşiğiyle yinelenen içerik, intihal veya olağan dışı kayıtlar yakalanır. Veri temizleme boru hatlarında yaygın kullanım.
• check_circle Çok Modlu Arama: CLIP ve Cohere Embed v4 gibi modeller görsel ile metni aynı uzaya gömer; "kırmızı spor ayakkabı" yazarak görsel arşivde arama yapılabilir.

Doğru Embedding Modeli Nasıl Seçilir?

Seçimin ilk durağı MTEB (Massive Text Embedding Benchmark): retrieval, sınıflandırma ve kümeleme dahil onlarca görevde modelleri karşılaştırır; çok dilli MMTEB tablosu Türkçe projeler için daha anlamlıdır. Ancak liderlik tablosu tek başına yeterli değildir — kendi verinizden 50-100 soru-belge çiftiyle küçük bir değerlendirme seti kurup recall@k ölçmek en güvenilir yöntemdir. Pratik karar ağacı şöyle işler: veri dışarı çıkabiliyorsa ve kolaylık öncelikliyse OpenAI text-embedding-3-small veya Gemini Embedding; veri gizliliği ya da maliyet kritikse BGE-M3 veya Qwen3-Embedding lokal olarak GPU'da (hatta 0.6B varyantı CPU'da) çalıştırılır. Boyut kararında Matryoshka destekli modellerde 256-768 boyut çoğu görevde 1024+ boyutun yüzde 90'ından fazlasını korur; 10 milyon vektörlük bir indekste 3072'den 768'e inmek depolamayı dörtte bire indirir. Hukuk, tıp gibi özel alanlarda genel modeller yetersiz kalabilir; Sentence Transformers ile kontrastif ince ayar, alan içi recall'u belirgin biçimde yükseltir.

Bi-Encoder, Cross-Encoder ve Reranking

Embedding tabanlı arama iki aşamalı boru hattının ilk ayağıdır. Bi-encoder (embedding modeli) sorgu ve belgeyi ayrı ayrı gömdüğünden milyonlarca belge önceden indekslenir ve HNSW gibi yaklaşık en yakın komşu (ANN) algoritmalarıyla milisaniyede taranır; bedeli bir miktar hassasiyet kaybıdır. Cross-encoder ise sorgu-belge çiftini tek girdide işleyip çok daha isabetli bir alaka skoru üretir ama her çift için ayrı çıkarım gerektirdiğinden yavaştır. Üretim sistemlerinde standart desen ikisini birleştirir: bi-encoder ilk 50-100 adayı getirir, Cohere Rerank 3.5, BGE-reranker-v2 veya Voyage rerank-2 gibi bir cross-encoder bu adayları yeniden sıralar. Bu iki aşamalı yaklaşım, RAG sistemlerinde yanlış bağlam getirmeyi azaltarak halüsinasyon oranını düşürür. Ek olarak BGE-M3'ün sparse çıktısı veya BM25 ile hibrit arama kurulursa, nadir terimler ve ürün kodları gibi tam eşleşme gerektiren sorgular da yakalanır.

Vektör Veritabanı Entegrasyonu: Pratik Notlar

• check_circle Küçük ve orta ölçek: pgvector / Chroma: Zaten PostgreSQL kullanan projelerde pgvector ek altyapı gerektirmez; 1-5 milyon vektöre kadar HNSW indeksiyle rahat ölçeklenir. Prototip için Chroma en hızlı başlangıçtır.
• check_circle Büyük ölçek: Qdrant, Milvus, Pinecone: On milyonlarca vektör, filtreli arama ve yatay ölçekleme gerekiyorsa özel vektör veritabanları devreye girer; Pinecone yönetilen servis, Qdrant ve Milvus açık kaynak alternatiflerdir.
• check_circle Chunking stratejisi kaliteyi belirler: 512-1024 token'lık, yüzde 10-15 örtüşmeli (overlap) parçalar çoğu RAG kurulumunda iyi sonuç verir; başlık ve bölüm sınırlarına saygılı semantik chunking recall'u daha da yükseltir.
• check_circle Quantization ile maliyet düşürme: float32 yerine int8 veya binary quantization, bellek kullanımını 4-32 kat azaltır; binary embedding'de kalite kaybı rerank aşamasıyla telafi edilir.
• check_circle Model değişimi tam yeniden indeksleme gerektirir: Farklı modellerin vektör uzayları uyumsuzdur; embedding modelini güncellerken tüm koleksiyonun yeniden gömülmesi gerekir. Bu maliyet, model seçiminde uzun vadeli düşünmeyi zorunlu kılar.

Sık Sorulan Sorular

• check_circle Embedding model nedir, ne işe yarar?: Metin, görüntü veya kodu anlamını koruyan sayısal vektörlere dönüştüren yapay zeka modelidir. Semantik arama, RAG, öneri sistemleri ve kümeleme gibi görevlerde metinler arası anlam benzerliğini ölçmek için kullanılır.
• check_circle Embedding ile LLM arasındaki fark nedir?: LLM metin üretir, embedding modeli metni vektöre çevirir ve hiçbir şey üretmez. RAG sistemlerinde ikisi birlikte çalışır: embedding modeli ilgili belgeleri bulur, LLM bu belgelerle cevabı yazar.
• check_circle Türkçe için hangi embedding modeli kullanılmalı?: API tarafında OpenAI text-embedding-3-small veya Gemini Embedding; açık kaynakta BGE-M3 ve Qwen3-Embedding Türkçe dahil 100'den fazla dilde güçlü sonuç verir ve lokal çalıştırılabilir.
• check_circle Embedding boyutu kaç olmalı?: Çoğu RAG uygulaması için 768-1536 boyut yeterlidir. Matryoshka (MRL) destekli modellerde 256-768'e kısaltmak performansın yüzde 90'ından fazlasını korurken depolama maliyetini dörtte bire indirir.
• check_circle Embedding modeli ücretsiz kullanılabilir mi?: Evet; BGE-M3, Qwen3-Embedding, Nomic Embed ve E5 serisi Apache-2.0 veya MIT lisanslıdır, HuggingFace'ten indirilip kendi donanımınızda sıfır API maliyetiyle çalıştırılır. Qwen3-Embedding-0.6B CPU'da bile makul hızda koşar.
• check_circle Kosinüs benzerliği nedir, neden kullanılır?: İki vektör arasındaki açının kosinüsünü ölçen, -1 ile 1 arası değer üreten benzerlik metriğidir. Vektör uzunluğundan bağımsız olduğu için embedding karşılaştırmasının standart yöntemidir; 0,8 üzeri skorlar genellikle güçlü anlam benzerliğine işaret eder.