Vector Database (Vektör Veritabanı)

storage Neden Geleneksel SQL Yetmez?

Geleneksel veritabanları (SQL) kelime eşleşmesi ile çalışır; 'kedi' aratırsanız sadece içinde 'kedi' geçen satırları bulur. Vektör veritabanları ise 'anlam eşleşmesi' (Semantik Arama) ile çalışır. 'Süt içen tüylü evcil hayvan' arattığınızda, içinde kedi kelimesi geçmese bile matematiksel yakınlık (Cosine Similarity) hesaplamasıyla kediyle ilgili belgeleri saniyeler içinde önünüze getirir.

Popüler Vektör Veritabanları

Vektör Veritabanı Seçim Kriterleri

• check_circle Ölçeklenebilirlik ve Performans: Milyonlarca vektörde milisaniye gecikmesiyle benzerlik araması yapabilme kapasitesi. HNSW (Hierarchical Navigable Small World) ve IVF (Inverted File Index) gibi Approximate Nearest Neighbor (ANN) algoritmaları bu hızı sağlar. Pinecone ve Weaviate bulut ölçekli dağıtık vektör arama sunar.
• check_circle Filtreleme (Metadata Filtering): Yalnızca vektör benzerliği yeterli değildir; çoğu zaman 'belirli bir tarihten sonra', 'şu kategoride' gibi metadata koşullarıyla birlikte arama yapılır. Güçlü metadata filtreleme hem Pinecone hem Qdrant hem de Weaviate'in desteklediği kritik bir özelliktir.
• check_circle Self-Hosted vs Yönetilen Bulut: Chroma ve Qdrant self-hosted seçenekleri; veri gizliliği hassas uygulamalar ve maliyet kontrolü için uygun. Pinecone, Weaviate Cloud ve Zilliz (Milvus'un bulut versiyonu) yönetilen hizmet olarak altyapı yönetimini ortadan kaldırır. pgvector, mevcut PostgreSQL veritabanına vektör arama ekler; ayrı bir sistem kurmak istemeyenler için pratik başlangıç noktasıdır.
• check_circle Embedding Boyutu ve Model Uyumluluğu: OpenAI text-embedding-3-small 1536 boyutlu, text-embedding-3-large 3072 boyutlu vektör üretir. Çok dilli arama için multilingual-e5 veya paraphrase-multilingual-mpnet modellerinin Türkçeyi iyi temsil ettiğini doğrulayın. Veritabanı seçimi embedding boyutunu desteklemeli; bazı sistemler yüksek boyutlarda performans düşüşü yaşar.

RAG ve Vektör Veritabanlarının Rolü

Retrieval-Augmented Generation (RAG), büyük dil modellerinin kendi eğitim verisi dışındaki bilgilere erişmesini sağlar. Sistem şu şekilde çalışır: 1) Kaynak belgeler (PDF, web sayfası, veritabanı) küçük parçalara (chunk) bölünür. 2) Her parça bir embedding modeli ile vektöre dönüştürülür ve vektör veritabanına eklenir. 3) Kullanıcı sorusu aynı embedding modeliyle vektöre çevrilir; veritabanında en yakın (semantik olarak en benzer) parçalar bulunur. 4) Bu parçalar LLM'e bağlam olarak verilir; LLM bu bağlamı kullanarak yanıt üretir. Chunk boyutu (genellikle 256-1024 token), örtüşme (overlap) ve embedding modelinin kalitesi RAG sisteminin başarısını doğrudan etkiler. Vektör veritabanı bu sürecin kalbindedir: hızlı ve alakalı belge getirmeden RAG sistemi gerçek zamanlı çalışamaz.

Sıkça Sorulan Sorular

• check_circle Vektör veritabanı nedir?: Vektör veritabanı, yüksek boyutlu sayısal vektörleri depolayan ve bu vektörler arasında benzerlik araması yapan özelleşmiş veritabanıdır. Metin, görüntü veya ses gibi verilerin embedding modelleriyle dönüştürüldüğü vektörler arasında 'anlamsal yakınlık' sorgulanır. RAG sistemleri, öneri motorları ve anlamsal arama için temel altyapıdır.
• check_circle Embedding nedir ve vektör veritabanı ile nasıl ilişkilidir?: Embedding, bir metin, görüntü veya sesi yüksek boyutlu sayı dizisine (vektöre) dönüştüren sinir ağı çıktısıdır. Anlamca benzer içerikler birbirine yakın vektörlere sahip olur. Vektör veritabanı bu vektörleri saklar ve sorgu vektörüne en yakın komşuları milisaniyeler içinde bulur.
• check_circle pgvector ile Pinecone arasındaki fark nedir?: pgvector: PostgreSQL eklentisi; mevcut PostgreSQL altyapısına vektör arama ekler. Küçük-orta ölçekli projeler için idealdir; ayrı sistem kurmaya gerek yoktur. Pinecone: vektör araması için tasarlanmış, tam yönetilen bulut hizmeti. Milyarlarca vektörde düşük gecikme ve otomatik ölçekleme sağlar; büyük ölçekli üretim ortamları için tercih edilir.