İçeriğe geç
parazade
Yapay Zeka

Vektör Veritabanı Nedir?

İngilizce: Vector Database

Yayın: · Son güncelleme:

Vektör Veritabanı Nedir? Kısaca

Vektör veritabanı, metin, görsel ya da ses gibi verilerin anlamını temsil eden sayısal vektörleri (embedding) saklayan ve bunlar arasında benzerlik araması yapmak için optimize edilmiş veri tabanı türüdür.

Vektör Veritabanı nedir?
İçindekiler
  1. Nasıl çalışır?
  2. Nerede kullanılır?
  3. Örnek
  4. Nelere dikkat etmeli?

Vektör veritabanı, verileri satır ve sütunlardaki kelimeler olarak değil, anlamlarını temsil eden sayı dizileri olarak saklar. Bu sayı dizilerine vektör ya da embedding denir. Anlamca birbirine yakın içeriklerin vektörleri de birbirine yakın olur; veritabanı bu yakınlığı hızlıca bulmak için tasarlanmıştır.

Nasıl çalışır?

  1. Dönüştürme: Belgeler önce parçalara ayrılır ve bir embedding modeli her parçayı vektöre çevirir.
  2. Saklama: Vektörler, kaynak metin ve ek bilgilerle (tarih, kategori gibi) birlikte kaydedilir.
  3. İndeksleme: Milyonlarca vektör arasında hızlı arama için özel indeksler kurulur. Bunlar genellikle "yaklaşık en yakın komşu" yöntemleriyle çalışır; çok hızlıdır ama nadiren en iyi sonucu kaçırabilir.
  4. Sorgu: Kullanıcının sorusu da vektöre çevrilir ve en benzer vektörler getirilir.

Bu süreç anlamsal aramanın altyapısını oluşturur.

Nerede kullanılır?

En yaygın kullanım alanı RAG sistemleridir: Dil modeli cevap vermeden önce şirket belgeleri gibi bir bilgi havuzundan ilgili parçalar vektör veritabanıyla bulunur. Öneri sistemleri, benzer görsel bulma ve tekrar eden içerik tespiti de diğer kullanım alanlarıdır.

Örnek

Varsayımsal bir bankanın yardım merkezinde "kartım kayboldu" sorusu, içinde aynı kelimeler geçmese bile "kart iptali ve yeni kart talebi" belgesine yakın bulunur.

Nelere dikkat etmeli?

Sonuç kalitesi; kullanılan embedding modeline, metinlerin nasıl parçalandığına ve verinin güncelliğine bağlıdır. Hassas belgeler vektöre çevrilse bile içerik bilgisi taşır; erişim yetkileri normal veri tabanlarındaki kadar dikkatle yönetilmelidir.

Sıkça Sorulan Sorular

Vektör veritabanı klasik veritabanının yerini alır mı?

Hayır, genellikle onu tamamlar. Klasik veritabanları kesin eşleşme ve işlem kayıtları için, vektör veritabanları anlam benzerliği araması için kullanılır.

RAG için vektör veritabanı şart mı?

Yaygın olarak kullanılır ama tek seçenek değildir. Küçük veri setlerinde basit arama yöntemleri ya da anahtar kelime aramasıyla birleşik yapılar da tercih edilebilir.

İlgili terimler

EmbeddingEmbedding, bir kelimenin, cümlenin, belgenin ya da görselin anlamını sayılardan oluşan bir vektörle temsil etme yöntemidir. Anlamca birbirine yakın içeriklerin vektörleri de birbirine yakın olduğu için anlamsal arama ve RAG sistemlerinin temelini oluşturur.Anlamsal Arama(Semantic Search)Anlamsal arama (semantic search), kelimelerin birebir eşleşmesi yerine sorgunun ve belgelerin anlamını karşılaştırarak sonuç getiren arama yöntemidir. Farklı kelimelerle sorulan aynı soruya da ilgili içerikleri bulabilir.RAG(Retrieval-Augmented Generation)RAG (Retrieval-Augmented Generation, erişimle zenginleştirilmiş üretim), bir dil modelinin soruyu cevaplamadan önce bir belge koleksiyonunda ilgili bölümleri bulup bu bölümlere dayanarak yanıt yazmasını sağlayan yöntemdir. Modeli yeniden eğitmeden kendi belgeleriniz hakkında soru sormanızı sağlar.Metin Parçalama(Chunking)Metin parçalama (chunking), uzun belgeleri arama ve yapay zekâ sistemlerinde işlenebilmesi için anlamlı, küçük parçalara bölme işlemidir. Özellikle RAG sistemlerinde doğru bilginin bulunup modele verilmesinde kritik rol oynar.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.Yapay Zekâ Okuryazarlığı(AI Literacy)Yapay zekâ okuryazarlığı (AI literacy), yapay zekânın temel olarak nasıl çalıştığını anlama, araçları amaca uygun ve güvenli biçimde kullanma, çıktılarını eleştirel değerlendirme ve etik riskleri fark etme becerilerinin bütünüdür.