Embedding Nedir? Türkçe Modellerle Semantik Arama Rehberi

Embedding nedir? Embedding (Türkçesiyle gömme veya vektör temsili), bir metni ya da başka bir veriyi anlamını temsil eden sabit uzunlukta bir sayı dizisine — bir vektöre — dönüştüren yöntemdir. Anlamca benzer metinler bu çok boyutlu vektör uzayında birbirine yakın, alakasız metinler ise uzak konumlanır; böylece anlam benzerliği, ölçülebilir bir mesafeye dönüşür.

Bilgisayarlar aslında kelimeleri değil sayıları işler. Bir makinenin iade ile para iadesi kelimelerinin aynı şeyi kastettiğini anlaması için, metnin anlamını bir şekilde sayısal bir forma çevirmesi gerekir. İşte embedding tam olarak bunu yapar: dili, üzerinde matematik yapılabilen bir uzaya taşır. Bu rehberde embedding nedir, nasıl çalışır, vektör uzayı ve benzerlik neyi ifade eder, embedding modelleri ve boyut ne demektir, Türkçe embedding modellerinde hangi zorluklar vardır, RAG ve vektör veritabanı ile ilişkisi nedir, anahtar kelime araması ile semantik arama nasıl ayrışır, embedding maliyeti ve model seçimi nasıl yapılır, kalite nasıl ölçülür ve hangi yaygın hatalardan kaçınılmalı sorularını bir yapay zeka mühendisi ve danışman titizliğiyle ele alıyoruz.

Tanım

Embedding (Gömme / Vektör Temsili)

Bir metni, görüntüyü veya başka bir veriyi, anlamını temsil eden sabit uzunlukta bir sayı dizisine (vektöre) dönüştüren yöntem. Anlamca benzer öğeler bu çok boyutlu vektör uzayında birbirine yakın konumlanır; böylece anlam, ölçülebilir bir mesafeye (benzerlik) dönüşür. Embedding; semantik arama, öneri sistemleri, kümeleme, sınıflandırma ve RAG gibi uygulamaların temelini oluşturur.

Ayrıca: gömme, vektör temsili, kelime gömme, metin gömme, word embedding, text embedding, embedding

Embedding nedir sorusunun en kısa cevabı şudur: anlamı sayıya çeviren yöntem. Daha teknik söylersek, bir embedding modeli bir metin girdisini alır ve onu sabit uzunlukta bir vektöre — örneğin 768 ya da 1536 sayıdan oluşan bir listeye — dönüştürür. Bu sayılar rastgele değildir; her biri, metnin anlamının bir boyutunu kodlar. Sonuç, insan gözüyle anlamsız görünen ama makine için son derece anlamlı bir sayı dizisidir.

Bir benzetme yardımcı olur. Bir haritada her şehri iki sayıyla (enlem ve boylam) temsil ederiz; birbirine yakın şehirlerin koordinatları da yakındır. Embedding, bu fikri anlama taşır: her metni yüzlerce sayıyla temsil eder ve anlamca yakın metinlerin sayıları da birbirine yakın olur. Kral ile kraliçe, köpek ile kedi, fatura ile ödeme gibi anlamca ilişkili kelimeler bu uzayda kümelenir; alakasızlar uzaklaşır. Böylece anlam, coğrafi mesafe gibi ölçülebilir bir şeye dönüşür.

Bu dönüşümün gücü şudur: bir kez metinler vektöre çevrildiğinde, anlamsal sorular matematiksel işlemlere indirgenir. İki metnin ne kadar benzediği, iki vektör arasındaki mesafeyle; bir gruptaki en tipik öğe, vektörlerin ortalamasıyla; bir sorguya en uygun belgeler, en yakın vektörlerle bulunur. Embedding nedir sorusunu bir cümlede özetlersek: dili ve anlamı, üzerinde arama, karşılaştırma ve gruplama yapılabilen bir sayısal uzaya çeviren köprüdür. Dilin makineler tarafından nasıl işlendiğini anlamak için doğal dil işleme nedir ve modellerin metni önce nasıl parçalara böldüğünü görmek için token nedir rehberleri iyi bir başlangıçtır.

Embedding nedir sorusuna verilecek en ikna edici cevap, onun hangi temel problemi çözdüğünü göstermektir. Bilgisayarlar onlarca yıl boyunca metni yalnızca karakter dizileri olarak işledi; iki kelimenin aynı anlama gelip gelmediğini anlayamazdı. Klasik arama, iade yazan bir sorguyu yalnızca içinde iade geçen belgelerle eşleştirirdi; para iadesi yazan mükemmel bir belgeyi kaçırırdı. Bu, anlamı görmeyen, yalnızca harfleri karşılaştıran bir dünyaydı.

Embedding bu duvarı yıktı. Anlamı sayısallaştırarak, makinelerin ilk kez kavramsal benzerliği yakalamasını sağladı. Artık bir sistem, otomobil ile araç kelimelerinin yakın, otomobil ile muz kelimelerinin uzak olduğunu bilir — çünkü bunu eğitim verisindeki milyonlarca bağlamdan öğrenmiştir. Bu yetenek, yapay zekadaki pek çok kırılmanın sessiz temelidir; arama, öneri, sınıflandırma ve üretken yapay zeka uygulamalarının hepsi bir yerde embedding'e dayanır.

Önemi üç somut kazanımda görünür. Birincisi anlamsal arama: kullanıcı ne dediğini tam olarak bilmeden, kastını yakalayan sonuçlar döndürmek. İkincisi ölçek: milyonlarca belge arasından anlamca en yakınları milisaniyeler içinde bulmak, ancak vektör aramasıyla mümkündür. Üçüncüsü diller ve kipler arası köprü: iyi tasarlanmış bir embedding uzayında Türkçe bir sorgu, İngilizce bir belgeyle; hatta bir metin, bir görselle eşleşebilir. Dil modellerinin bu temsilleri nasıl kullandığını anlamak için LLM nedir ve embedding'in içinde doğduğu mimari için transformer nedir yazıları bağlam sağlar.

Embedding nedir sorusunun teknik kalbi, bir metnin nasıl olup da anlamlı bir vektöre dönüştüğüdür. Süreç, bir embedding modeliyle başlar. Bu model, genellikle transformer mimarisine dayanan ve devasa metin yığınları üzerinde eğitilmiş bir yapay sinir ağıdır. Model, eğitim sırasında dilin örüntülerini — hangi kelimelerin hangi bağlamlarda birlikte geçtiğini — öğrenir ve bu bilgiyi vektörlere kodlamayı öğrenir.

Metin modele girdiğinde önce token adı verilen küçük parçalara bölünür, sonra model bu tokenleri katman katman işleyerek her birinin bağlamsal anlamını hesaplar ve nihayetinde tüm metni tek bir vektörle özetler. Kritik nokta şudur: bu vektör bağlama duyarlıdır. Yüz kelimesi, yüzmek fiilinden mi yoksa insan yüzünden mi bahsedildiğine göre farklı temsil edilir; çünkü model kelimeyi tek başına değil, cümledeki komşularıyla birlikte değerlendirir. Bu bağlamsallık, modern embedding'leri eski, bağlamdan bağımsız yöntemlerden ayıran temel özelliktir.

Ortaya çıkan vektör, çok boyutlu bir uzayda bir nokta gibi düşünülebilir. İnsan üç boyutu görselleştirebilir; embedding uzayı yüzlerce boyutludur ve gözümüzde canlandıramayız. Ama matematik aynı çalışır: bu uzayda birbirine yakın noktalar anlamca benzer metinleri, uzak noktalar alakasız metinleri temsil eder. İşte bu yüzden embedding uzayına bazen anlam uzayı denir — konum, anlamı taşır. Bir vektörün her bir boyutu tek başına yorumlanabilir bir özelliğe karşılık gelmese de, boyutların bütünü metnin anlamsal parmak izini oluşturur.

Peki iki metnin ne kadar benzediğini nasıl ölçeriz? İki vektör arasındaki benzerlik, aralarındaki açıya veya mesafeye bakılarak hesaplanır. En yaygın ölçüt kosinüs benzerliğidir: iki vektörün işaret ettiği yönlerin ne kadar örtüştüğüne bakar; aynı yöne bakıyorlarsa benzerlik yüksek, dik iseler düşüktür. Bu benzerlik hesabı, embedding tabanlı her aramanın motorudur. Bir sonraki bölümde benzerliğin nasıl ölçüldüğünü daha yakından ele alacağız; ama şimdiden akılda tutulması gereken şudur: embedding anlamı bir konuma çevirir, benzerlik ölçütü ise iki konumun ne kadar yakın olduğunu söyler.

Embedding'in tüm pratik değeri, iki vektör arasındaki benzerliği ölçebilmemizden gelir. Bu ölçüm olmadan vektörler yalnızca anlamsız sayı yığınları olurdu. Benzerlik hesabı, embedding uzayındaki iki nokta arasındaki ilişkiyi tek bir sayıya indirger ve arama, öneri, kümeleme gibi tüm uygulamalar bu sayıya dayanır. Üç yaygın ölçüt vardır ve aralarındaki fark, pratikte önemlidir.

En sık kullanılan kosinüs benzerliğidir. İki vektör arasındaki açının kosinüsünü hesaplar; sonuç genellikle -1 ile 1 arasındadır. İki vektör aynı yöne bakıyorsa (anlamca çok benzer) değer 1'e yaklaşır; dik iseler (ilişkisiz) 0'a; zıt yönlerdeyseler negatife gider. Kosinüs benzerliğinin cazibesi, vektörlerin uzunluğunu değil yalnızca yönünü dikkate almasıdır; bu, metin uzunluğu farklı olsa bile anlam karşılaştırmasını adil kılar. Semantik aramada varsayılan tercih genellikle budur.

İkinci ölçüt nokta çarpımıdır (dot product). Kosinüse benzer ama vektör uzunluğunu da hesaba katar; bu yüzden bazı modeller nokta çarpımıyla daha iyi çalışacak şekilde eğitilir. Üçüncüsü Öklid mesafesidir: iki nokta arasındaki düz çizgi uzaklığı. Küçük mesafe yakınlık, büyük mesafe uzaklık demektir. Hangi ölçütün kullanılacağı, çoğu zaman embedding modelinin nasıl eğitildiğine bağlıdır; model normalize edilmiş vektörler üretiyorsa kosinüs ile nokta çarpımı benzer sonuç verir. Doğru ölçütü seçmek, modelin belgeleriyle birlikte gelen öneriye uymakla başlar.

Yaygın benzerlik ölçütleri ve pratikteki davranışları

Ölçüt	Neye bakar	Güçlü yanı	Dikkat
Kosinüs benzerliği	Vektörler arası açı	Uzunluktan bağımsız, anlam odaklı	En yaygın varsayılan
Nokta çarpımı	Açı + uzunluk	Bazı modeller için doğal	Uzunluk sonucu etkiler
Öklid mesafesi	Noktalar arası düz mesafe	Sezgisel, geometrik	Yüksek boyutta ayrım zayıflayabilir

Pratikte önemli olan, sorgu ve belgeler için aynı ölçütü ve aynı modeli tutarlı biçimde kullanmaktır. Farklı modellerin ürettiği vektörler aynı uzayda olmadığından karşılaştırılamaz; benzerlik ancak aynı embedding modeliyle üretilmiş vektörler arasında anlamlıdır. Bu tutarlılık kuralı, embedding tabanlı sistemlerin en sık ihlal edilen ama en temel ilkelerinden biridir.

Piyasada çok sayıda embedding modeli vardır ve hepsi aynı işi yapmaz. Bir embedding modeli seçerken bakılacak temel özellikler; ürettiği vektörün boyutu, desteklediği diller, alabildiği maksimum metin uzunluğu, hızı, maliyeti ve hangi görevlerde iyi olduğudur. Ticari sağlayıcıların API tabanlı modelleri (örneğin OpenAI, Cohere ve Google'ın embedding servisleri) ile açık kaynak modeller (sentence-transformers ekosistemi, BGE, E5, çok dilli E5 ve benzerleri) arasında bir seçim yaparsınız; ilki kurulum kolaylığı, ikincisi ise veri egemenliği ve kendi altyapınızda çalıştırma esnekliği sunar.

En çok karıştırılan kavram boyuttur. Embedding boyutu, her metnin kaç sayıdan oluşan bir vektörle temsil edildiğidir. Yaygın boyutlar 384, 768, 1024, 1536 ve daha yükseğine kadar uzanır. Sezgi der ki yüksek boyut her zaman daha iyidir; ama gerçek daha inceliklidir. Yüksek boyut, anlamın daha ince ayrımlarını kodlayabilir ve karmaşık görevlerde ayrım gücünü artırabilir; buna karşılık daha çok bellek tüketir, aramayı yavaşlatır ve depolama ile hesaplama maliyetini yükseltir. Düşük boyut ise hızlı ve ucuzdur, çoğu pratik görevde şaşırtıcı derecede iyi çalışır, ama en ince nüansları kaçırabilir.

Bazı modern modeller, tek bir modelden farklı boyutlarda vektör alabilmeyi (boyutu sonradan kısaltabilmeyi) mümkün kılan tekniklerle gelir; bu, aynı modelden hem hızlı-ucuz hem de yüksek-nüanslı bir mod seçmenize izin verir. Yine de temel kural değişmez: doğru boyut, görevinizin gerektirdiği ayrım gücü ile maliyet-hız bütçeniz arasındaki dengeyle belirlenir ve en sağlam yol, birkaç boyutu kendi verinizle ölçmektir.

Embedding boyutunun etkileri (illüstratif; kendi verinizle ölçün)

Boyut aralığı	Ayrım gücü	Hız ve maliyet	Tipik kullanım
Düşük (ör. 256-384)	Temel anlam ayrımı	En hızlı, en ucuz	Büyük ölçek, basit arama
Orta (ör. 768-1024)	Dengeli nüans	Makul	Çoğu kurumsal RAG
Yüksek (ör. 1536-3072)	En ince ayrım	En yavaş, en pahalı	Karmaşık, ayrım-kritik görevler

Bir uyarı önemlidir: embedding modelini sonradan değiştirmek ucuz değildir. Çünkü her model kendi vektör uzayını kurar; modeli değiştirdiğinizde koleksiyonunuzdaki tüm belgeleri yeni modelle baştan vektörlemeniz gerekir. Bu yüzden model ve boyut seçimi, projenin başında dikkatle yapılması gereken bir mimari karardır; deneme-yanılmayı erken, üretime geçmeden yapmak en akıllıcasıdır. Modelin metni bölme sınırını anlamak için context window nedir yazısı yardımcı olur, çünkü embedding modellerinin de alabildiği maksimum bir metin uzunluğu vardır.

Embedding'in en görünür pratik sonucu semantik aramadır; bu yüzden onu klasik anahtar kelime aramasıyla yan yana koymak, embedding nedir sorusunu somutlaştırır. Anahtar kelime araması, onlarca yıldır arama motorlarının temelini oluşturan yaklaşımdır: sorgudaki kelimeleri alır, belgelerde bu kelimelerin (veya köklerinin) geçip geçmediğine bakar ve eşleşme sıklığına göre sıralar. Hızlı, öngörülebilir ve tam terim eşleşmesinde çok güçlüdür.

Ama anahtar kelime aramasının kör noktası anlamdır. iade politikası arayan bir kullanıcı, belgede para iadesi koşulları yazıyorsa sonucu bulamayabilir; çünkü kelimeler farklıdır, oysa anlam aynıdır. Eş anlamlılar, farklı ifade biçimleri, çekim ekleri ve dolaylı anlatımlar anahtar kelime aramasını zorlar. İşte semantik arama tam bu boşluğu doldurur: sorgu ve belgeleri embedding'e çevirip anlam yakınlığına göre eşleştirir. Kelimeler farklı olsa bile anlam yakınsa, semantik arama doğru belgeyi getirir. Bu konuyu ayrıntısıyla semantik arama nedir yazısında ele alıyoruz.

Ancak semantik aramanın da zayıf noktası vardır: tam eşleşme gereken durumlar. Bir ürün kodu, bir fatura numarası, nadir bir teknik terim veya bir özel isim arandığında, semantik arama bazen çok yakın ama yanlış bir sonuca kayabilir. Anahtar kelime araması burada kusursuzdur çünkü tam eşleşmeyi doğrudan yakalar. Bu yüzden olgun sistemler ikisini birleştirir: hybrid search, semantik aramanın anlam gücü ile anahtar kelime aramasının kesinlik gücünü tek bir sonuçta toplar. Kurumsal, terim yoğun içerikte bu birleşim çoğu zaman tek başına her iki yöntemden de üstündür.

Anahtar kelime araması ile semantik arama karşılaştırması

Boyut	Anahtar kelime araması	Semantik arama (embedding)
Eşleşme temeli	Kelime/kök eşleşmesi	Anlam yakınlığı (vektör mesafesi)
Eş anlamlı yakalama	Zayıf	Güçlü
Tam kod/isim eşleşmesi	Güçlü	Zayıf olabilir
Doğal dil sorusu	Zorlanır	Doğal
En iyi kullanım	Kesin terim, kod arama	Kavramsal, doğal dil soru

Doğru bakış, ikisini rakip değil tamamlayıcı görmektir. Semantik arama, embedding sayesinde anlamı yakalar; anahtar kelime araması kesinliği garantiler. Kurumsal bir arama veya RAG sisteminde en iyi sonuç, çoğu zaman ikisinin dengeli birleşiminden gelir; hangisinin ne kadar ağırlık taşıyacağı ise ölçümle ayarlanır.

Embedding'in genel ilkeleri dilden bağımsızdır; ama iş Türkçe içerikle çalışmaya gelince kendine özgü zorluklar öne çıkar ve bunları görmezden gelmek kaliteyi sessizce düşürür. Türkçe, sondan eklemeli (agglütinatif) yapısı, zengin çekim sistemi ve bir kökten çok sayıda türev üretmesiyle, embedding ve arama açısından İngilizceden farklı davranır. ev kelimesi evler, evimde, evlerimizden gibi onlarca yüzeysel biçime bürünebilir; bir embedding modelinin bunların hepsini aynı köke ve anlama bağlaması gerekir.

Birinci zorluk embedding kalitesidir. Bazı çok dilli embedding modelleri Türkçeyi yeterince iyi temsil edemez; anlamı zayıf yakalar ve alakasız parçalar döndürür. Bu yüzden Türkçe ağırlıklı bir bilgi tabanında, embedding modelini yalnızca genel popülaritesine göre değil, Türkçe performansına göre seçmek kritiktir. Türkçe embedding kararı verilirken aday modelleri (Türkçeye özel eğitilmiş modeller ile güçlü çok dilli modeller) aynı Türkçe içerikte karşılaştırmak, doğru seçimi kanıta dayandırır. Türkçe embedding alanında hem yerel çabalarla eğitilmiş modeller hem de Türkçeyi kapsayan güçlü çok dilli modeller mevcuttur; genel-doğru ilke, hiçbir modeli test etmeden en iyi diye kabul etmemektir.

İkinci zorluk arama ve eşleşmededir. Türkçenin çekim zenginliği, aynı kavramın onlarca farklı yüzeysel biçimde görünmesine yol açar. Semantik arama bunu büyük ölçüde tolere eder çünkü anlama bakar; ama tam eşleşme gereken terimlerde (kodlar, isimler, madde numaraları) hybrid search'ün anahtar kelime bileşeni, Türkçeye uygun bir kök bulma (stemming) ile desteklenmelidir. Üçüncü zorluk parçalama (chunking) aşamasında belirir: Türkçe cümlelerin uzunluğu ve yapısı, parça sınırlarının dikkatli seçilmesini gerektirir. Dördüncüsü üretme aşamasında akıcı ve doğru Türkçe üretimidir; bazı modeller İngilizcede güçlüyken Türkçede ton ve dilbilgisi hataları yapabilir.

Bu zorluklar aşılmaz değildir; yalnızca farkındalık ve Türkçeye özel bir değerlendirme gerektirir. Türkiye'de yapay zeka benimsemesinin yüksekliği düşünüldüğünde, Türkçeyi iyi yapan bir semantik arama veya RAG sistemi ciddi bir rekabet avantajıdır. Türkçe doğal dilin inceliklerini doğal dil işleme nedir yazısında, kişisel veri içeren Türkçe belgelerin işlenmesinde uyulması gereken çerçeveyi ise KVKK nedir yazısında ele alıyoruz.

Embedding'in bugün en çok konuşulan uygulaması RAG (Retrieval-Augmented Generation) mimarisidir ve embedding, bu mimarinin tam kalbinde durur. RAG, bir dil modelini yanıt üretmeden önce dış bir bilgi kaynağından getirilen ilgili belgelerle besleyen bir yaklaşımdır; ve bu getirme işini mümkün kılan şey embedding'dir. Embedding olmadan RAG'in anlamsal getirme yeteneği çöker. RAG'in bütününü RAG nedir yazısında ele alıyoruz; burada embedding'in bu boru hattındaki rolüne odaklanıyoruz.

Süreç iki evrede işler. Çevrimdışı hazırlık evresinde kurumsal belgeleriniz anlamlı parçalara bölünür (chunking) ve her parça bir embedding modeliyle bir vektöre çevrilerek vektör veritabanına yazılır. Bu, bir kez ve periyodik olarak yapılan hazırlıktır. Çevrimiçi sorgu evresinde ise kullanıcı bir soru sorduğunda, sorunun da embedding'i hesaplanır ve vektör veritabanı, bu soru vektörüne anlamca en yakın belge parçalarını benzerlik ölçütüyle bulur. İşte embedding, sorunun anlamı ile belgelerin anlamını aynı vektör uzayında buluşturarak doğru bilginin bulunmasını sağlar.

Kritik gerçek şudur: RAG kalitesinin büyük kısmı bu embedding tabanlı getirmenin kalitesine bağlıdır. Yanlış veya zayıf bir embedding, alakasız parçalar getirir; model ne kadar güçlü olursa olsun, önüne yanlış belge konursa doğru cevap veremez. Bu yüzden RAG projelerinde emeğin önemli bir kısmı, en pahalı üretme modelini seçmeye değil, getirme katmanını — yani chunking ve embedding'i — doğru kurmaya harcanır. Parçalama stratejilerini chunking nedir, getirilen adayları yeniden sıralayarak kaliteyi artıran adımı ise reranker nedir yazısında inceliyoruz.

Nasıl Yapılır

RAG'de embedding'in yaşam döngüsü

Belgelerin vektöre çevrilmesinden sorguya en yakın parçanın bulunmasına kadar embedding'in RAG içindeki adımları.

1. 1

   Belgeleri parçala

   Belgeler anlamlı, örtüşmeli parçalara bölünür; her parça embedding için hazırlanır.

2. 2

   Parçaları vektöre çevir

   Her parça bir embedding modeliyle bir vektöre dönüştürülür ve meta veriyle birlikte saklanır.

3. 3

   Vektör veritabanına yaz

   Vektörler, hızlı benzerlik araması için bir vektör veritabanına indekslenir.

4. 4

   Sorguyu vektöre çevir

   Kullanıcının sorusu aynı embedding modeliyle bir vektöre dönüştürülür.

5. 5

   En yakın parçaları getir

   Vektör veritabanı, soru vektörüne benzerlik ölçütüyle en yakın parçaları bulur ve modele bağlam olarak verir.

Bu döngüde bir kural altın değerindedir: sorgu ve belgeler mutlaka aynı embedding modeliyle vektörlenmelidir. Farklı modellerin uzayları uyuşmaz ve karşılaştırma anlamsızlaşır. Bu yüzden embedding modelini değiştirmek, RAG'de tüm koleksiyonu yeniden indekslemeyi gerektiren büyük bir karardır. Embedding'in ötesinde tam bir kurumsal RAG mimarisini uçtan uca RAG mimarisi nasıl kurulur yazısında ele alıyoruz.

Embedding'ler tek başına bir dosyada saklandığında değerlerini büyük ölçüde yitirir; çünkü asıl güç, milyonlarca vektör arasından bir sorguya en yakın olanları hızla bulabilmekte yatar. İşte vektör veritabanı tam olarak bunun için vardır: embedding'leri saklar, indeksler ve bir sorgu vektörüne anlamca en yakın parçaları milisaniyeler içinde döndürür. Embedding anlamı üretir, vektör veritabanı ise o anlamı ölçekte aranabilir kılar; ikisi bir madalyonun iki yüzüdür.

Naif bir yaklaşım, bir sorgu geldiğinde onu koleksiyondaki her vektörle tek tek karşılaştırmak olurdu; ama milyonlarca belge için bu çok yavaştır. Vektör veritabanları bunun yerine yaklaşık en yakın komşu (approximate nearest neighbor, ANN) algoritmaları kullanır. Bu algoritmalar — örneğin HNSW gibi graf tabanlı veya IVF gibi kümeleme tabanlı yöntemler — küçük bir doğruluk ödünü karşılığında aramayı muazzam hızlandırır. Kusursuz sonuç yerine yeterince iyi ve çok hızlı sonuç verirler; kurumsal ölçekte bu ödünleşim neredeyse her zaman doğru tercihtir.

Piyasada özel vektör veritabanları (Pinecone, Weaviate, Qdrant, Milvus, Chroma gibi) ve mevcut veritabanlarına eklenen vektör yetenekleri (örneğin PostgreSQL için pgvector) bulunur. Seçim; ölçek, gecikme hedefi, maliyet, mevcut altyapıya uyum ve veri egemenliği gereksinimlerine bağlıdır. Kendi altyapınızda mı yoksa bulutta mı çalıştıracağınız, özellikle KVKK ve veri egemenliği açısından önemli bir karardır. Bu bileşenin ayrıntısını vektör veritabanı nedir yazısında derinlemesine ele alıyoruz.

Embedding ile vektör veritabanının işbölümü

Katman	Görevi	Kötü kurgulanırsa
Embedding modeli	Metni anlamsal vektöre çevirir	Alakasız sonuçlar döner
Vektör veritabanı	Vektörleri saklar ve hızlı arar	Gecikme ve ölçek sorunu
Benzerlik ölçütü	Yakınlığı sayısallaştırır	Yanlış sıralama
Meta veri filtresi	Erişim ve kapsamı sınırlar	Yetkisiz erişim riski

Önemli bir detay meta veridir. İyi kurulmuş bir vektör veritabanı, her vektörle birlikte kaynak, tarih, bölüm ve erişim düzeyi gibi meta verileri saklar; böylece arama yalnızca anlam yakınlığına göre değil, kullanıcının yetkisine göre de filtrelenebilir. Bu, kurumsal bağlamda kritik bir güvenlik özelliğidir: kullanıcının görmeye yetkili olmadığı bir belge, benzerlik ne kadar yüksek olursa olsun getirilmemelidir. Embedding anlamı bulur; meta veri filtresi ise o bulmayı güvenli kılar.

Embedding nedir sorusundan hemen sonra gelmesi gereken soru şudur: bu embedding ne kadar iyi? Çünkü ölçülmeyen bir embedding kalitesi yönetilemez ve iki model arasında kanıta dayalı seçim yapılamaz. Embedding kalitesi, soyut bir iyi kötü yargısıyla değil, göreve dayalı ölçümle değerlendirilir; yani modelin sizin gerçek görevinizde ne kadar doğru sonuç getirdiğine bakılır.

En pratik yol, etiketli bir değerlendirme kümesi hazırlamaktır. Gerçek kullanıcı sorularından oluşan bir liste alınır ve her soru için hangi belgenin doğru cevap olduğu önceden işaretlenir. Sonra sistemin, o soruya karşılık doğru belgeyi ilk sonuçlar arasında getirip getirmediği ölçülür. Burada yaygın ölçütler; ilk-k içinde doğru belgeyi bulma oranı (recall@k), isabet oranı ve sıralama kalitesini yansıtan ölçütlerdir. Bu ölçüm, iki aday embedding modelini aynı sorularla karşılaştırıp hangisinin daha isabetli olduğunu somut sayıyla göstermenin en dürüst yoludur.

Genel karşılaştırma paketleri de vardır. MTEB (Massive Text Embedding Benchmark) gibi topluluk kaynaklı lider tabloları, modellerin arama, sınıflandırma, kümeleme gibi farklı görevlerdeki genel performansını gösterir ve bir başlangıç filtresi olarak yararlıdır. Ancak nihai karar asla yalnızca genel bir lider tablosuna dayanmamalıdır; çünkü orada üstte görünen bir model, sizin özel ve Türkçe içeriğinizde beklenmedik biçimde zayıf kalabilir. Genel benchmark bir aday listesi verir; asıl seçim, kendi verinizdeki ölçümle yapılır. Modellerin değerlendirilmesine dair genel yöntemleri LLM değerlendirme nedir yazısında da ele alıyoruz.

Embedding değerlendirmesinin katmanları ve örnek ölçütler

Katman	Ne sorar	Örnek ölçüt
Getirme isabeti	Doğru belge ilk-k içinde mi?	recall@k, isabet oranı
Sıralama kalitesi	En ilgili en üstte mi?	sıralama tabanlı skorlar
Türkçe performansı	Türkçede isabet düşüyor mu?	Türkçe test kümesi skoru
Genel benchmark	Genel yetenek nasıl?	MTEB türü karşılaştırma

Değerlendirmeyi bir kez değil, sürekli yapmak gerekir. Belgeler değişir, kullanıcı soruları evrilir, yeni modeller çıkar; bir değerlendirme kümesi oluşturup her önemli değişiklikte tekrar çalıştırmak (regresyon testi gibi), kalitenin sessizce bozulmasını önler. Üretimde bu ölçümleri izlemek için gereken operasyon disiplinini LLMOps nedir yazısında ele alıyoruz.

Embedding güçlüdür ama bedavaya gelmez; bir kurumsal projede maliyeti baştan öngörmek, sürprizlerden kaçınmanın yoludur. Embedding maliyeti iki ana kalemde toplanır. Birincisi ilk indekslemedir: tüm belge koleksiyonunu bir kez vektöre çevirme maliyeti. Büyük belge yığınlarında bu, tek seferlik ama kayda değer bir gider olabilir; özellikle API tabanlı ticari bir model kullanıyorsanız işlenen metin miktarına göre ücretlenir. İkincisi süreklidir: her yeni sorguda hesaplanan embedding çağrıları, yeni eklenen belgelerin vektörlenmesi ve vektör veritabanının barındırma maliyeti.

Maliyeti düşürmenin birkaç pratik yolu vardır. Daha küçük ve verimli bir embedding modeli seçmek, çoğu görevde yeterli kaliteyi çok daha ucuza sağlayabilir. Gereğinden yüksek boyut kullanmamak hem depolama hem arama maliyetini düşürür. Aynı metni tekrar tekrar embed etmemek için önbellekleme yapmak, özellikle tekrarlı sorgularda ciddi tasarruf sağlar. Belgeleri gereksiz kopyalar ve gürültüden temizlemek, hem vektörlenecek hacmi azaltır hem de arama kalitesini artırır. Açık kaynak bir modeli kendi altyapınızda çalıştırmak, ölçek büyüdükçe API maliyetini ortadan kaldırabilir ama donanım ve işletme yükü getirir; bu ödünleşimi açık kaynak LLM nedir yazısında değerlendiriyoruz.

Rakamlara dair dürüst bir uyarı gerekir: embedding maliyeti modele, sağlayıcıya, boyuta, belge hacmine ve sorgu trafiğine göre büyük farklılık gösterir. Bu yüzden bu yazıdaki her maliyet değerlendirmesi illüstratiftir ve tek doğru yol, kendi hacminizle küçük bir pilot üzerinde ölçüm yapmaktır. Bütçeye eklenmesi kolayca unutulan bir kalem de şudur: embedding modelini değiştirdiğinizde tüm belgeleri yeniden vektörlemeniz gerekir; bu yeniden indeksleme maliyeti, model değişikliği kararının gizli bedelidir ve planlamada göz önünde tutulmalıdır.

Doğru embedding modelini seçmek, bir semantik arama veya RAG sisteminin en belirleyici kararlarından biridir; çünkü bu seçim, hem kaliteyi hem maliyeti hem de sonradan değiştirmenin zorluğunu belirler. Tek bir en iyi model yoktur; en iyi model, sizin göreviniz, diliniz, ölçeğiniz ve kısıtlarınız için en uygun olandır. Seçimi birkaç somut kritere dayandırmak, kararı sezgiden çıkarıp kanıta bağlar.

Birinci kriter dil ve alan uyumudur: model Türkçeyi ve sizin alanınızın terminolojisini ne kadar iyi yakalıyor? Bu, Türkçe embedding kararında en ağır basan kriterdir. İkinci kriter kalite-görev uyumudur: modelin arama, sınıflandırma veya kümeleme gibi sizin asıl görevinizdeki ölçülmüş performansı. Üçüncü kriter boyut ve kaynak dengesidir: yüksek boyutun getirdiği nüans, sizin ölçeğinizde katlanılabilir maliyet ve gecikme ile geliyor mu? Dördüncü kriter maksimum metin uzunluğudur: modelin tek seferde alabildiği metin, sizin parça boyutunuza yetiyor mu?

Beşinci kriter dağıtım modelidir: API tabanlı bir bulut servisi mi, yoksa kendi altyapınızda çalıştıracağınız açık kaynak bir model mi? Bu karar; kolaylık, maliyet, gecikme ve en önemlisi veri egemenliği ile KVKK uyumu açısından belirleyicidir. Kişisel veya hassas veriyle çalışıyorsanız, verinin nereye gittiği hukuki bir sorudur. Altıncı kriter kararlılık ve süreklilik: modelin sağlayıcısı, sürüm politikası ve uzun vadeli erişilebilirliği. Bir modeli seçip tüm koleksiyonu ona göre indeksledikten sonra o modelin desteğinin kesilmesi maliyetli bir sürprizdir.

Embedding modeli seçim kriterleri ve neye baktığı

Kriter	Sorulacak soru	Neden önemli
Dil/alan uyumu	Türkçeyi ve alanı iyi yakalıyor mu?	Getirme isabetinin temeli
Görev performansı	Benim görevimde ölçülmüş mü?	Genel şöhret yanıltıcı olabilir
Boyut/kaynak	Nüans mı, hız-maliyet mi öncelik?	Ölçekte sürdürülebilirlik
Maks. metin uzunluğu	Parça boyutuma yetiyor mu?	Uzun parçalar kesilebilir
Dağıtım/veri egemenliği	Bulut mu, yerinde mi?	KVKK ve maliyet etkisi

Pratik öneri şudur: kriterlere göre iki-üç aday modeli kısa listeye alın, sonra bu adayları kendi Türkçe değerlendirme kümenizde aynı görevde karşılaştırın ve kazananı ölçümle seçin. Model seçimini bir kez ve doğru yapmak, sonradan tüm koleksiyonu yeniden indekslemenin ağır maliyetinden sizi korur. Bu kararı kurumunuza özel bir bağlamda vermek için RAG mi fine-tuning mi karşılaştırması ve fine-tuning nedir yazısı da yardımcı olur; çünkü bazen embedding yerine veya yanında bir uyarlama kararı da gündeme gelir.

Embedding nedir sorusunu teoride anlamak bir şey, onunla çalışan bir semantik arama sistemi kurmak başka bir şeydir. Aşağıdaki adımlar, bir fikirden üretime kadar embedding tabanlı bir aramayı sağlam biçimde kurmanın pratik bir kılavuzudur. Bu adımları sırayla işaretleyebiliyorsanız, sağlam bir temel atmışsınız demektir.

Nasıl Yapılır

Embedding tabanlı semantik arama kurulum kontrol listesi

Belge hazırlığından ölçüme kadar embedding tabanlı bir semantik arama veya RAG sistemini kurmanın adımları.

1. 1

   Görevi ve kapsamı tanımla

   Hangi soruları, hangi belgeler üzerinde yanıtlayacağınızı ve başarıyı nasıl ölçeceğinizi netleştirin.

2. 2

   Veriyi hazırla ve temizle

   Kaynak belgeleri toplayın, metni doğru çıkarın, kopyaları ve gürültüyü temizleyin, meta veriyi tanımlayın.

3. 3

   Parçalama stratejisini kur

   Belge yapısına uygun, örtüşmeli bir chunking tasarlayın; Türkçe cümle yapısına dikkat edin.

4. 4

   Embedding modelini seç

   Türkçeyi iyi temsil eden bir model ve uygun bir boyut seçin; iki adayı kendi verinizle karşılaştırın.

5. 5

   Vektörle ve indeksle

   Parçaları embed edip meta veriyle birlikte bir vektör veritabanına yazın.

6. 6

   Benzerlik aramasını kur

   Sorguyu aynı modelle vektöre çevirin ve benzerlik ölçütüyle en yakın parçaları getirin; gerekiyorsa hybrid search ekleyin.

7. 7

   Erişim kontrolünü ekle

   Aramayı kullanıcının yetkisine göre meta veriyle filtreleyin; KVKK yükümlülüklerini baştan tasarlayın.

8. 8

   Ölç, iyileştir, ölçekle

   Etiketli bir değerlendirme kümesiyle isabeti ölçün, en zayıf katmanı iyileştirin, sonra kapsamı genişletin.

Bu adımların sırası önemlidir. En yaygın hata, doğrudan model seçimine atlayıp veri hazırlığını ve değerlendirmeyi atlamaktır; oysa embedding kalitesinin büyük kısmı, göz alıcı model çalışmasından değil, sıkıcı ama belirleyici veri ve parçalama disiplininden gelir. Küçük ve temsili bir pilotla başlamak, riski düşürür ve öğrenmeyi hızlandırır. Kurumunuza özel bir semantik arama veya RAG çözümünü uçtan uca tasarlamak için kurumsal RAG sistemleri çözümüne ve genel bir yol haritası için yapay zeka danışmanlığı sayfasına göz atabilirsiniz.

Embedding'i teoride anlamak kolaydır; üretimde iyi çalışan bir sistem kurmak zordur. Deneyimli bir gözle bakıldığında, başarısız embedding ve semantik arama projeleri benzer hatalarla tökezler. En yaygınları şunlardır:

• Sorgu ve belgeleri farklı modellerle vektörlemek: En temel ama sinsi hata. Farklı modellerin vektörleri aynı uzayda olmadığından benzerlik sonuçları anlamsızlaşır. Sorgu ve belgeler her zaman aynı embedding modeliyle vektörlenmelidir.
• Modeli test etmeden seçmek: Bir modeli yalnızca genel popülaritesine veya bir lider tablosundaki sırasına göre seçmek, özellikle Türkçe içerikte hayal kırıklığı üretir. Karar, kendi verinizdeki ölçüme dayanmalıdır.
• Kötü parçalama: Belgeleri anlamı koparacak biçimde bölmek, embedding ne kadar iyi olursa olsun yanlış veya eksik parçalar getirir. Chunking, embedding kalitesini sessizce belirler.
• Gereğinden yüksek boyut kullanmak: Yüksek boyut her zaman daha iyi değildir; gereksiz boyut, maliyeti ve gecikmeyi artırır ama kaliteye katkısı sınırlı kalabilir.
• Meta veri ve erişim kontrolünü ihmal etmek: Yalnızca anlam benzerliğine göre getirme yapmak, kullanıcının görmemesi gereken belgeleri açığa çıkarabilir. Meta veri filtresi baştan tasarlanmalıdır.
• Yalnızca semantik aramaya güvenmek: Tam eşleşme gereken kod, isim ve terimlerde semantik arama tek başına yetersiz kalabilir; hybrid search ihmal edilmemelidir.
• Ölçmemek: Kaliteyi ölçmeden iyi çalışıyor varsaymak, sistemin zamanla sessizce bozulmasına yol açar. Değerlendirme kümesi olmadan iyileştirme kanıta değil tahmine dayanır.
• Model değişikliğinin maliyetini unutmak: Embedding modelini değiştirmek tüm koleksiyonu yeniden indekslemeyi gerektirir; bunu planlamamak bütçe ve zaman sürprizleri yaratır.

Bu hatalardan kaçınmanın en pratik yolu, dar kapsamlı bir pilotla başlayıp ölçerek büyümektir. Tüm kurumu bir kerede dönüştürmeye çalışmak yerine, tek bir belge kümesi ve tek bir soru tipiyle başlamak, riski düşürür ve doğru kararları erken öğretir.

Embedding çoğunlukla semantik arama ve RAG ile anılır; ama uygulama alanı çok daha geniştir. Anlamı bir vektör uzayına taşıma fikri, benzerliğin ve örüntünün işe yaradığı her yerde değer üretir. Embedding'in ne olduğunu tam kavramak için, aramanın ötesindeki bu kullanımları görmek yararlıdır.

Öneri sistemleri en yaygın örneklerden biridir. Kullanıcılar ve ürünler embedding'lenerek aynı uzaya yerleştirilir; bir kullanıcıya, vektör uzayında ilgi alanına yakın ürünler önerilir. Benzer şekilde kümeleme (clustering), embedding'ler üzerinde çalışarak binlerce belgeyi veya müşteri yorumunu anlamsal gruplara ayırır; hangi temaların öne çıktığını insan eliyle etiketlemeye gerek kalmadan ortaya koyar. Sınıflandırma ve duygu analizi de embedding temsilleri üzerine kurulabilir; metnin vektörü, bir kategoriye veya duygu etiketine eşlenir. Bu senaryoların temelini makine öğrenmesi nedir ve yapay zeka nedir yazılarında ele alıyoruz.

Embedding metinle de sınırlı değildir. Görüntü embedding'leri görselleri anlamsal olarak arar ve gruplar; ses ve video embedding'leri benzer içerikleri bulur. Çok kipli (multimodal) embedding modelleri, metin ile görseli aynı uzayda temsil ederek bir metinle görsel aramak veya bir görseli metinle açıklamak gibi senaryoları mümkün kılar. Tekilleştirme ve anomali tespiti de embedding'e dayanabilir: birbirine çok yakın vektörler kopyaları, uzağa düşen vektörler ise sıra dışı örnekleri işaret eder. Ortak fikir hep aynıdır — anlamı veya örüntüyü, benzerliğin ölçülebildiği bir vektör uzayına taşımak. Bu geniş kullanım yelpazesi, embedding'i modern yapay zekanın en temel yapı taşlarından biri yapar; ekiplerin bu yeteneği doğru kullanabilmesi için kurumsal yapay zeka eğitimi nedir yazısı ve kurumsal eğitim seçenekleri yol gösterir.

Embedding etrafında sık karışan birkaç kavram vardır ve bunları netleştirmek, embedding nedir sorusunun anlaşılmasını derinleştirir. İlk karışıklık token ile embedding arasındadır. Token, bir metnin bölündüğü küçük birimdir — bir kelime, kelimenin bir parçası veya bir noktalama işareti. Embedding ise bu tokenlere veya tüm bir metne karşılık gelen anlamsal vektördür. Yani önce metin tokenlere ayrılır, sonra model bu tokenleri işleyerek bir embedding üretir. İkisi ardışık aşamalardır, aynı şey değildir; token birim, embedding ise anlamdır. Ayrıntı için token nedir yazısına bakabilirsiniz.

İkinci karışıklık embedding ile vektör arasındadır. Embedding bir işlemin adıdır: metni anlamsal bir temsile çevirme süreci. Vektör ise bu işlemin çıktısıdır: sabit uzunlukta bir sayı dizisi. Günlük konuşmada ikisi yer değiştirse de, teknik olarak embedding yöntem veya temsil, vektör ise o temsilin somut sayısal biçimidir. Bir embedding modeli bir metin alır ve onun vektörünü üretir; bu vektör, bir vektör veritabanında saklanır ve benzerlik aramasında kullanılır.

Üçüncü karışıklık embedding ile fine-tuning arasındadır. Embedding üretmek, bir metni mevcut bir modelle vektöre çevirmektir; modelin kendisini değiştirmez. Fine-tuning ise bir modeli yeni verilerle yeniden eğiterek davranışını kalıcı olarak değiştirmektir. Bir embedding modelini de fine-tune edebilirsiniz — örneğin kendi alanınızın terminolojisini daha iyi yakalaması için — ama bu, embedding üretmekten farklı ve daha ağır bir işlemdir. Çoğu kurumsal senaryoda, hazır güçlü bir embedding modeliyle başlamak ve ancak ölçülen bir ihtiyaç varsa uyarlamaya geçmek doğru yoldur. Bu ayrımları fine-tuning nedir ve transformer nedir yazılarında derinleştiriyoruz.

Embedding tabanlı bir sistem, tanımı gereği kurumsal belgeleri alır ve onları vektörlere çevirip bir veritabanında saklar. Bu belgeler kişisel veri içeriyorsa, tüm KVKK yükümlülükleri devreye girer ve embedding süreci baştan bu çerçeveyle tasarlanmalıdır. Aşağıdaki çerçeve tanımsal ve bilgilendirme amaçlıdır; hukuki tavsiye değildir ve kurumunuzun hukuk ile uyum birimiyle birlikte uygulanmalıdır.

İlk önemli soru şudur: embedding, kişisel veriyi geri elde edilemez biçimde mi saklar? Yaygın bir yanılgı, vektörlerin anlamsız sayı dizileri olduğu ve bu yüzden kişisel veri taşımadığıdır. Gerçek daha inceliklidir: bir embedding orijinal metni birebir geri veremese de, hassas bilgi hakkında çıkarım yapılmasına imkân tanıyabilir. Bu yüzden kişisel veri içeren belgelerin vektörleri de KVKK kapsamında değerlendirilmeli; amaçla sınırlılık, saklama süresi, erişim kontrolü ve denetim kaydı gibi ilkeler bu vektörlere de uygulanmalıdır. Kişisel verinin ne olduğunu kişisel veri nedir yazısında ele alıyoruz.

İkinci kritik konu veri egemenliğidir. Embedding üretmek için API tabanlı bir bulut servisi kullandığınızda, metinleriniz işlenmek üzere bir dış sağlayıcıya gider. Kişisel veya hassas veriyle çalışıyorsanız, verinin nereye gittiği ve orada nasıl işlendiği hukuki bir sorudur. Bazı kurumlar bu nedenle embedding modelini kendi altyapısında (on-premises veya özel bulut) çalıştırmayı tercih eder; bu, veri egemenliğini korur ama işletme yükü getirir. Erişim kontrolü de baştan tasarlanmalıdır: bir vektör veritabanında arama yalnızca anlam yakınlığına göre değil, kullanıcının yetkisine göre meta veriyle filtrelenmeli; kullanıcının görmeye yetkili olmadığı bir belge, benzerlik ne kadar yüksek olursa olsun getirilmemelidir.

Bu konu, KVKK ile uyumlu bir yapay zeka mimarisi kurmanın parçasıdır; genel çerçeveyi KVKK nedir yazısında ele alıyoruz. Türkiye bağlamında güvenli bir embedding ve semantik arama sistemi, sonradan yamanan değil, baştan KVKK ve erişim kontrolü ile birlikte tasarlanan bir mimaridir; kurumunuza özel bir tasarım için yapay zeka danışmanlığı iyi bir başlangıç noktasıdır.

Embedding teknolojisi hızla olgunlaşıyor ve birkaç net eğilim öne çıkıyor. Birincisi, embedding modellerinin anlamı yakalamada giderek daha iyi hale gelmesidir; yeni modeller, aynı boyutta daha yüksek isabet ve daha az dil yanlılığı sunuyor. Bu, özellikle Türkçe gibi görece daha az kaynağa sahip diller için önemlidir: çok dilli modeller geliştikçe, Türkçe embedding kalitesi de yükseliyor ve semantik aramanın Türkçedeki başarısı artıyor.

İkinci eğilim çok kipliliktir. Metin, görüntü, ses ve videoyu aynı vektör uzayında temsil eden modeller yaygınlaşıyor; bu, bir metinle görsel aramak veya farklı kipteki içerikleri anlamsal olarak ilişkilendirmek gibi senaryoları standart hale getiriyor. Üçüncü eğilim esneklik: tek bir modelden farklı boyutlarda vektör alabilme, boyutu maliyet-kalite dengesine göre ayarlayabilme gibi teknikler, embedding'i daha uyarlanabilir kılıyor. Dördüncüsü, embedding'in ajan mimarilerine daha derin entegrasyonudur; bir AI agent nedir ve agentic AI nedir yazılarında ele aldığımız ajanlar, hangi bilgiyi ne zaman getireceğine karar verirken embedding tabanlı getirmeyi bir araç gibi kullanıyor.

Bu eğilimlerin ortak sonucu şudur: embedding, geçici bir teknik değil, modern yapay zekanın kalıcı bir temel taşıdır. Modeller ne kadar gelişirse gelişsin, anlamı bir vektör uzayına taşıyıp benzerlik üzerinden aramak, karşılaştırmak ve gruplamak ihtiyacı ortadan kalkmaz. Bu yüzden embedding nedir sorusunu bugün doğru anlamak, yalnızca güncel bir kavramı değil, gelecekte de merkezde kalacak bir yapı taşını anlamaktır. Ekiplerin bu temeli edinmesi için yapay zeka okuryazarlığı nedir yazısı ve öğrenme merkezi iyi kaynaklardır.

Embedding nedir sorusunu tam kavramak için, bu fikrin nereden geldiğine kısaca bakmak aydınlatıcıdır; çünkü bugünkü güçlü modeller, on yılı aşkın bir gelişimin ürünüdür. İlk kırılma, kelimeleri anlamlarına göre yakın konumlandıran erken kelime gömme yöntemleriyle geldi. Bu yöntemler, bir kelimenin anlamının onu çevreleyen kelimelerden çıkarılabileceği fikrine — dilbilimdeki dağılımsal hipoteze — dayanıyordu: benzer bağlamlarda geçen kelimeler, benzer anlamlara sahiptir. Böylece her kelimeye tek ve sabit bir vektör atanıyor, kral eksi erkek artı kadın gibi anlamsal aritmetik örnekleri şaşırtıcı biçimde çalışıyordu.

Ama bu ilk nesil yöntemlerin büyük bir kısıtı vardı: bağlamdan bağımsızlık. Her kelime, geçtiği cümleden bağımsız olarak aynı vektörü alıyordu; yani yüz kelimesi, ister insan yüzü ister yüzmek fiili kastedilsin, tek bir temsille sıkışıp kalıyordu. Bu, çok anlamlı kelimelerde ve nüanslı ifadelerde ciddi bir kayıptı. Türkçe gibi çekim açısından zengin diller içinse durum daha da zorluydu; çünkü aynı kökten türeyen onlarca biçimin ilişkisini yakalamak, sabit sözlük tabanlı yöntemler için sınırlıydı.

İkinci ve asıl büyük kırılma, transformer mimarisiyle geldi. Bu mimariye dayanan modeller, bir kelimeyi tek başına değil, cümledeki tüm komşularıyla birlikte değerlendirerek bağlamsal embedding üretmeyi mümkün kıldı. Artık aynı kelime, geçtiği bağlama göre farklı vektörlerle temsil ediliyordu; bu, semantik aramanın kalitesinde büyük bir sıçrama yarattı. Cümle ve paragraf düzeyinde embedding üreten modellerin gelişmesiyle birlikte, embedding yalnızca kelime düzeyinde değil, tüm bir metnin anlamını tek bir vektörde özetleyecek olgunluğa ulaştı. Bu evrimin arkasındaki mimariyi transformer nedir ve dilin makinelerce işlenmesinin genel çerçevesini doğal dil işleme nedir yazısında ele alıyoruz.

Bu tarihsel yolculuğun dersi şudur: embedding tek bir icat değil, giderek anlamı daha iyi yakalayan bir yaklaşımlar zinciridir. Bugün kullandığımız modeller bu zincirin son halkasıdır ve yarın daha iyileri gelecektir. Bu yüzden bir embedding sistemi kurarken, belirli bir modele değil, modeli değiştirebileceğiniz esnek bir mimariye yatırım yapmak akıllıcadır; çünkü tarih, embedding modellerinin sürekli geliştiğini gösteriyor.

Embedding tabanlı aramada sık atlanan ama kaliteyi belirgin etkileyen bir incelik, sorgu ile belgenin doğası gereği farklı olmasıdır. Bir kullanıcı sorgusu genellikle kısa, eksiltili ve soru biçimindedir: iade süresi ne kadar. Bir belge parçası ise uzun, açıklayıcı ve düz cümle biçimindedir: satın alınan ürünler, teslim tarihinden itibaren on dört gün içinde iade edilebilir. İkisi anlamca ilgili olsa da yüzeysel biçimleri çok farklıdır; işte asimetrik arama tam bu farkı yönetmeye çalışır.

Bazı embedding modelleri simetrik aramaya göre eğitilir: iki benzer cümleyi eşleştirmek için. Bazıları ise asimetrik aramaya göre eğitilir: kısa bir sorguyu, ona cevap veren uzun bir pasajla eşleştirmek için. Bu ayrım pratikte önemlidir; çünkü bir modeli yanlış senaryoda kullanmak, benzerlik hesabının isabetini düşürür. Kurumsal RAG ve arama çoğunlukla asimetrik bir problemdir — kısa soru, uzun belge — bu yüzden bu tür görevler için eğitilmiş modeller genellikle daha iyi sonuç verir. Modelin belgelerinde sorgu ve pasaj için ayrı yönergeler veya önekler öneriliyorsa, bunlara uymak isabeti artırır.

Bu asimetriyi yönetmenin bir başka yolu, sorguyu belgeye yaklaştırmaktır. Sorgu genişletme (query expansion) ve sorgu yeniden yazma teknikleri, kısa ve belirsiz bir sorguyu, belgelerin diline daha yakın, daha zengin bir forma dönüştürür. Örneğin iade süresi sorgusu, iade politikası, iade süresi, ürün iadesi koşulları gibi genişletilmiş bir forma çevrilip embed edildiğinde, doğru belgeyle benzerliği artabilir. Benzer biçimde, belge tarafında her parçaya kısa bir özet veya başlık eklemek de eşleşmeyi güçlendirir.

Pratik ders şudur: embedding tabanlı semantik aramada, sorgu ve belgeyi aynı naif biçimde ele almak çoğu zaman yeterince iyi değildir. Görevinizin asimetrik olup olmadığını fark etmek, ona uygun bir model seçmek ve gerektiğinde sorgu tarafını zenginleştirmek, getirme isabetini belirgin biçimde artırır. Bu incelik, RAG kalitesinde reranker nedir yazısında ele aldığımız yeniden sıralama kadar önemli ama daha az konuşulan bir kaldıraçtır.

Embedding uzayı yüzlerce boyutludur ve insan gözü bunu doğrudan göremez; ama embedding'lerin ne yaptığını sezgisel olarak anlamanın güçlü bir yolu vardır: boyut indirgeme ile görselleştirme. Boyut indirgeme teknikleri (örneğin t-SNE ve UMAP gibi yöntemler), yüzlerce boyutlu vektörleri, anlamsal komşuluk ilişkilerini olabildiğince koruyarak iki veya üç boyuta indirger. Böylece binlerce belgenin embedding'ini bir dağılım grafiğinde noktalar olarak görebilir ve anlamca benzer olanların nasıl kümelendiğini gözlemleyebilirsiniz.

Bu görselleştirme yalnızca güzel bir resim değil, pratik bir teşhis aracıdır. Bir belge koleksiyonunun embedding'lerini haritaladığınızda, konuların birbirinden ayrı kümeler oluşturup oluşturmadığını görürsünüz. İyi ayrışan kümeler, embedding modelinizin bu içerikte anlamı iyi yakaladığına işaret eder; iç içe geçmiş, dağınık noktalar ise modelin bu alandaki ayrım gücünün zayıf olabileceğini düşündürür. Özellikle Türkçe içerikte, iki farklı konunun embedding uzayında birbirine karışması, o model için bir Türkçe embedding zayıflığının erken uyarısı olabilir.

Görselleştirme, veri kalitesi sorunlarını da açığa çıkarır. Beklenmedik bir yerde duran aykırı noktalar, çoğu zaman bozuk çıkarılmış metin, yanlış dil veya alakasız şablon içeriktir. Birbirinin üstüne binmiş yoğun noktalar ise tekrar eden, neredeyse aynı belgeleri (kopyaları) işaret eder ve bunlar getirmeyi kirletir. Bu yüzden bir embedding sistemini üretime almadan önce koleksiyonu görselleştirmek, sorunları erken yakalamanın ucuz ve etkili bir yoludur.

Bir uyarı gerekir: boyut indirgeme, kaçınılmaz olarak bilgi kaybeder; iki boyuta sıkıştırılmış bir harita, gerçek yüksek boyutlu ilişkilerin yalnızca bir gölgesidir. Bu yüzden görselleştirme, karar vermek için tek başına yeterli değildir; sezgi ve teşhis için değerlidir, ama nihai model kararı yine de sayısal bir değerlendirme kümesindeki ölçüme dayanmalıdır. Görselleştirme size nereye bakacağınızı söyler; ölçüm ise hangi modelin gerçekten daha iyi olduğunu söyler. Kümeleme ve gruplamanın temelini makine öğrenmesi nedir yazısında ele alıyoruz.

Embedding kalitesini belirleyen ama sıklıkla modelin gölgesinde kalan bir faktör, embed edilen metnin boyutudur; yani parçalama (chunking) ile embedding arasındaki ilişki. Bir embedding, kendisine verilen metnin anlamını tek bir vektörde özetler; metin çok uzunsa, o vektör birçok farklı fikri ortalamak zorunda kalır ve hiçbirini iyi temsil edemez. Metin çok kısaysa, bağlam kopar ve vektör anlamını yitirir. Bu yüzden chunk boyutu, doğrudan embedding'in ne kadar keskin bir anlam taşıdığını belirler.

Fazla büyük bir parça düşünün: birkaç farklı konuyu içeren uzun bir bölüm. Bunun embedding'i, tüm bu konuların bulanık bir ortalaması olur; iade politikasıyla ilgili bir sorgu geldiğinde, o parça hem iade hem kargo hem garanti içerdiği için benzerlik sinyali zayıflar. Tersine, tek bir cümlelik çok küçük bir parça, bu koşul yalnızca kurumsal müşteriler için geçerlidir dediğinde, hangi koşuldan bahsedildiği başka bir parçada kaldıysa, bu parçanın embedding'i tek başına işe yaramaz. İki uçta da benzerlik araması yanıltıcı sonuç verir.

Bu yüzden chunk boyutu, embedding modelinin maksimum girdi uzunluğuyla ve içeriğin doğal yapısıyla birlikte düşünülmelidir. İyi bir denge, her parçanın tek bir tutarlı fikri temsil edecek kadar odaklı, ama bağlamı koruyacak kadar bütün olmasıdır. Ardışık parçalar arasında bir miktar örtüşme (overlap) bırakmak, sınırda kalan bağlamın kaybolmasını önler. Ayrıca her parçaya başlık ve bölüm bilgisi eklemek, embedding'in o parçayı doğru anlamsal bölgeye yerleştirmesine yardımcı olur. Bu ilişkiyi ve parçalama tekniklerini chunking nedir yazısında ayrıntılandırıyoruz.

Sonuç olarak, embedding kalitesini tek başına model seçimine indirgemek yanıltıcıdır; aynı modelle bile, chunk boyutunu görevinize göre ayarlamak isabeti belirgin biçimde değiştirir. Bu yüzden bir semantik arama sistemini iyileştirirken, modeli değiştirmeden önce chunk boyutunu ölçerek ayarlamak çoğu zaman daha ucuz ve daha etkili bir kaldıraçtır. Embedding ve chunking, ayrı ayrı değil, birlikte optimize edilmesi gereken bir ikilidir.

Embedding tabanlı bir sistemi doğru kurmanın sık atlanan ama sonucu doğrudan etkileyen bir detayı, vektörlerin normalizasyonudur. Normalizasyon, bir vektörün uzunluğunu (büyüklüğünü) sabit bir değere — genellikle bire — ölçeklemek, yani yalnızca yönünü korumaktır. Bu neden önemlidir? Çünkü kosinüs benzerliği zaten yalnızca yönle ilgilenir; ama nokta çarpımı gibi ölçütler vektör uzunluğundan etkilenir. Vektörler normalize edilmemişse, uzun bir metnin embedding'i yapay olarak daha yüksek benzerlik skoru üretebilir ve sıralamayı bozabilir.

Pratikte kural nettir: vektör veritabanınızda hangi benzerlik ölçütünü kullandığınız ile embedding modelinin ürettiği vektörlerin normalize olup olmadığı uyumlu olmalıdır. Birçok modern model zaten normalize vektörler üretir; bu durumda kosinüs benzerliği ile nokta çarpımı neredeyse aynı sonucu verir. Ama karıştırılırsa — örneğin normalize olmayan vektörlerde nokta çarpımı kullanmak — benzerlik sonuçları beklenmedik biçimde çarpıtılır. Bu, sessizce kaliteyi düşüren ve teşhisi zor bir hatadır.

Bu yüzden bir embedding sistemi kurarken, modelin belgelerinde önerilen benzerlik ölçütünü ve normalizasyon davranışını okumak ilk adımlardan biri olmalıdır. Küçük bir teknik detay gibi görünse de, yanlış eşleştirilmiş bir ölçüt-normalizasyon çifti, en iyi modelin bile getirme isabetini düşürebilir. Doğru kurulumda ise bu detay görünmez biçimde çalışır ve benzerlik hesabı güvenilir sonuçlar verir. Vektör aramasının bu teknik temelini vektör veritabanı nedir yazısında da ele alıyoruz.

Embedding tabanlı bir semantik arama veya RAG sistemi teknik bir proje gibi görünse de, başarısı tek bir kişinin değil, birkaç farklı yetkinliğin bir araya gelmesine bağlıdır. Kimin neyden sorumlu olduğunu baştan tanımlamak, projenin en sık atlanan ama en belirleyici adımlarından biridir. Alan uzmanı, hangi belgelerin doğru ve güncel olduğunu bilir; değerlendirme kümesinde doğru cevabı tanımlar. Veri veya makine öğrenmesi mühendisi, veri hazırlığı, parçalama, embedding ve vektör veritabanı katmanlarını kurar. Yazılım mühendisi, arama arayüzünü ve mevcut sistemlerle entegrasyonu geliştirir. Uyum ve hukuk sorumlusu, erişim kontrolü ve KVKK yükümlülüklerine karar verir.

Bu rollerin ötesinde, çoğu projede eksik kalan kritik bir sorumluluk vardır: değerlendirme sahipliği. Embedding kalitesi zamanla bozulabildiği için, birinin sürekli olarak değerlendirme kümesini güncellemekten, isabeti ölçmekten ve sapmaları yakalamaktan sorumlu olması gerekir. Bu sorumluluk kimseye verilmezse, sistem sessizce kötüleşir ve kimse fark etmez. Özellikle Türkçe embedding kararında, yeni modeller çıktıkça mevcut modelin hâlâ en iyi seçim olup olmadığını yeniden ölçmek bu sahipliğin parçasıdır.

Küçük bir kurumda bu roller tek bir kişide birleşebilir; büyük bir kurumda ayrı ekipler olabilir. Önemli olan rol sayısı değil, her sorumluluğun bilinçli olarak birine verilmesidir. Herkesin işi, kimsenin işi tuzağı, özellikle değerlendirme ve veri tazeliği alanında embedding projelerinde sık görülür. Bu roller arasında en kritik köprü, alan uzmanı ile mühendis arasındaki iletişimdir; çünkü bir belgenin neden doğru cevap olduğunu yalnızca alan uzmanı bilir, ama bunu ölçülebilir bir değerlendirme kümesine çevirmek mühendisin işidir. İki taraf düzenli konuşmazsa, teknik olarak kusursuz bir embedding sistemi bile yanlış soruları çözerek değer üretemez. Ekiplerin bu yetkinlikleri kazanması için gereken eğitim çerçevesini kurumsal yapay zeka eğitimi nedir yazısında ele alıyor, kurumunuza özel bir program için kurumsal eğitim seçeneklerini sunuyoruz.

Embedding nedir ve ne işe yarar?

Embedding, bir metni ya da başka bir veriyi anlamını temsil eden sabit uzunlukta bir sayı dizisine (vektöre) çeviren yöntemdir. İşe yararı, bilgisayarın metinleri kelimelerin harflerine göre değil, kavramsal anlamına göre karşılaştırabilmesini sağlamaktır. Anlamca benzer metinler vektör uzayında birbirine yakın konumlandığından, embedding; semantik arama, öneri, kümeleme, sınıflandırma ve RAG gibi uygulamaların temelini oluşturur. Kısacası embedding, anlamı makinelerin işleyebileceği matematiksel bir forma çevirir.

Embedding ile vektör arasındaki fark nedir?

Embedding bir işlemin adıdır: metni anlamsal bir temsile dönüştürme sürecidir. Vektör ise bu işlemin çıktısıdır: sabit uzunlukta bir sayı dizisi. Yani embedding modeli bir metni alır ve onun embedding'ini, yani bir vektörünü üretir. Günlük kullanımda ikisi bazen yer değiştirir ama teknik olarak embedding yöntem ya da temsil, vektör ise o temsilin somut sayısal biçimidir. Bu vektörler bir vektör veritabanında saklanır ve benzerlik aramasında kullanılır.

Semantik arama ile anahtar kelime araması arasındaki fark nedir?

Anahtar kelime araması, sorgudaki kelimelerin belgede geçip geçmediğine (harf veya kök eşleşmesine) bakar; iade politikası ararken belgede aynen bu kelimeler yoksa sonucu kaçırabilir. Semantik arama ise embedding kullanarak anlam yakınlığına bakar; para iadesi koşulları yazan bir belgeyi, iade politikası sorgusuyla eşleştirebilir çünkü ikisi anlamca yakındır. Anahtar kelime araması tam terim ve kod eşleşmesinde, semantik arama kavramsal ve doğal dil sorularında güçlüdür; ikisini birleştiren yaklaşıma hybrid search denir.

Türkçe embedding için hangi modeli seçmeliyim?

Tek bir doğru cevap yoktur; seçim, içeriğinize ve görevinize bağlıdır. Genel ilke, modeli yalnızca popülaritesine göre değil, sizin Türkçe verinizdeki performansına göre seçmektir. Bazı çok dilli modeller Türkçeyi iyi temsil ederken bazıları sondan eklemeli yapı ve zengin çekim nedeniyle nüansı zayıf yakalar. Doğru yöntem, aday iki-üç modeli kendi Türkçe değerlendirme kümenizde aynı sorularla karşılaştırmak ve isabeti ölçmektir. Türkçe embedding kararı, tahminle değil ölçümle verilmelidir.

Embedding boyutu ne anlama gelir, yüksek boyut daha mı iyidir?

Embedding boyutu, her metnin kaç sayıdan oluşan bir vektörle temsil edildiğidir (örneğin 384, 768, 1024 veya 1536). Yüksek boyut, anlamın daha ince nüanslarını yakalayabilir ama daha çok bellek, daha yavaş arama ve daha yüksek maliyet demektir. Düşük boyut daha hızlı ve ucuzdur ama bazı ince ayrımları kaçırabilir. Yüksek boyut her zaman daha iyi değildir; doğru boyut, görevinizin gerektirdiği ayrım gücü ile maliyet ve hız arasındaki dengeyle belirlenir. En sağlam yol, farklı boyutları kendi verinizle ölçmektir.

Embedding RAG'de tam olarak ne yapar?

RAG mimarisinde embedding, getirme aşamasının motorudur. Önce tüm belge parçaları bir embedding modeliyle vektörlere çevrilip vektör veritabanına yazılır. Bir kullanıcı soru sorduğunda, sorunun da embedding'i hesaplanır ve vektör veritabanı, soruya anlamca en yakın belge parçalarını benzerlik ölçütüyle bulur. Bu parçalar modele bağlam olarak verilir. Yani embedding, sorunun anlamı ile belgelerin anlamını aynı uzayda buluşturarak doğru bilginin bulunmasını sağlar; RAG kalitesinin büyük kısmı bu embedding tabanlı getirmenin kalitesine bağlıdır.

Embedding kalitesi nasıl ölçülür?

Embedding kalitesi, soyut bir iyi kötü yargısıyla değil, göreve dayalı ölçümle değerlendirilir. En pratik yol, etiketli bir değerlendirme kümesi hazırlamaktır: her sorgu için hangi belgenin doğru cevap olduğu önceden işaretlenir, sonra modelin o belgeyi ilk sonuçlar arasında getirip getirmediği ölçülür (isabet, ilk-k içinde bulma oranı gibi ölçütler). Ayrıca MTEB gibi genel karşılaştırma paketleri modellerin farklı görevlerdeki genel performansını gösterir; ancak nihai karar, sizin kendi Türkçe verinizdeki ölçüme dayanmalıdır. Genel bir lider tablosunda iyi görünen bir model, sizin özel içeriğinizde zayıf kalabilir.

Embedding maliyeti nasıl oluşur ve nasıl düşürülür?

Embedding maliyeti iki ana kalemden oluşur: ilk indeksleme (tüm belgeleri bir kez vektöre çevirme) ve sorgu anında yapılan embedding çağrıları ile vektör veritabanı barındırma maliyeti. Maliyeti düşürmenin yolları arasında daha küçük ve verimli bir model seçmek, gereğinden yüksek boyut kullanmamak, aynı metni tekrar tekrar embed etmemek için önbellekleme yapmak ve belgeleri gereksiz kopyalardan temizlemek sayılabilir. Rakamlar modele ve sağlayıcıya göre değişir; bu yüzden maliyet tahmini illüstratiftir ve kendi hacminizle ölçülmelidir. Ayrıca modeli değiştirdiğinizde tüm belgeleri yeniden vektörlemek gerektiğini bütçeye eklemek önemlidir.

Aynı metni farklı embedding modelleriyle üretilen vektörler karşılaştırılabilir mi?

Hayır. Her embedding modeli kendi vektör uzayını oluşturur; A modelinin ürettiği bir vektör ile B modelinin ürettiği bir vektör aynı uzayda değildir ve doğrudan karşılaştırılamaz. Bir benzerlik araması yaparken sorgu ve belgeler mutlaka aynı modelle vektörlenmiş olmalıdır. Bu yüzden embedding modelini değiştirdiğinizde, hem sorguları hem de tüm belge koleksiyonunu yeni modelle baştan vektörlemeniz gerekir; eski ve yeni vektörleri karıştırmak anlamsız benzerlik sonuçları üretir.

Embedding yalnızca metin için mi kullanılır?

Hayır. Embedding fikri her tür veriye genellenebilir. Metin embedding en yaygın olanıdır, ama görüntü, ses, video ve hatta kullanıcı-ürün etkileşimleri de embedding'e dönüştürülebilir. Çok kipli embedding modelleri, metin ve görüntüyü aynı vektör uzayında temsil ederek bir metinle görsel arama gibi senaryoları mümkün kılar. Öneri sistemlerinde kullanıcılar ve ürünler embedding'lenerek benzerlik üzerinden öneri üretilir. Ortak fikir hep aynıdır: anlamı veya örüntüyü, benzerliğin ölçülebildiği bir vektör uzayına taşımak.

Kısaca, embedding nedir sorusunun cevabı: bir metni ya da başka bir veriyi anlamını temsil eden sabit uzunlukta bir vektöre çeviren yöntem. Anlamca benzer öğeler bu vektör uzayında birbirine yakın konumlanır; iki öğenin ne kadar benzediği bir benzerlik ölçütüyle (çoğunlukla kosinüs benzerliği) hesaplanır. Embedding sayesinde bilgisayar, kelimelerin harflerini değil anlamını karşılaştırır; bu da semantik arama, öneri, kümeleme ve RAG mimarisinin temelini oluşturur. Bir sorgu geldiğinde vektör veritabanı, sorgunun vektörüne anlamca en yakın parçaları milisaniyeler içinde bulur.

En önemli mesaj şudur: embedding tek başına bir model seçimi değil, bir sistem disiplinidir. Doğru model ve boyut seçimi, iyi bir parçalama, uygun benzerlik ölçütü, meta veriyle güvenli arama ve sürekli değerlendirme bir araya geldiğinde, ortalama bileşenlerle bile güvenilir bir semantik arama kurulur; bunlar ihmal edildiğinde en pahalı model bile hayal kırıklığı yaratır. Türkçe içerikte ise modelin Türkçe performansını kendi verinizle ölçmek, doğru Türkçe embedding kararının anahtarıdır. Temel kavramlar için RAG nedir, vektör veritabanı nedir ve semantik arama nedir yazılarına bakabilir; kurumunuza özel bir semantik arama veya RAG sistemi tasarlamak için kurumsal RAG sistemleri çözümüyle ve yapay zeka danışmanlığı ile başlayabilir, ekipleriniz için kurumsal eğitim seçeneklerini inceleyebilir ve tüm kavramları öğrenme merkezinde derinleştirebilirsiniz.