Embedding (Vektör Gömme) Nedir?

Embedding nedir? Embedding (İngilizce embedding, Türkçesiyle vektör gömme), bir metni, görseli veya sesi anlamını temsil eden sabit uzunlukta bir sayı dizisine — yani bir vektöre — çeviren yöntemdir. Bu sayede anlamca benzer içerikler, bu vektör uzayında birbirine yakın konumlanır ve makineler kelimeleri değil anlamı karşılaştırabilir.

Bilgisayarlar metni doğrudan "anlamaz"; onlar için her şey sayıdır. Bir dil modelinin veya arama sisteminin anlam üzerinde çalışabilmesi için, önce metnin anlamını sayısal bir forma çevirmesi gerekir. İşte embedding nedir sorusunun özü budur: dilin anlamını, matematiksel olarak karşılaştırılabilir bir vektör temsiline dönüştürmek. Bu rehber embedding nasıl çalışır, kosinüs benzerliği ve semantik arama ile ilişkisi nedir, hangi embedding modeli türleri vardır ve RAG mimarisinde neden merkezî olduğunu ele alıyor.

Tanım

Embedding (Vektör Gömme)

Bir metni, görseli veya sesi anlamını temsil eden sabit uzunlukta bir sayı dizisine (vektöre) çeviren yöntem. Anlamca benzer içerikler bu vektör uzayında birbirine yakın konumlanır; böylece makineler kelimeleri değil anlamı karşılaştırarak semantik arama, öneri ve RAG gibi sistemleri çalıştırabilir.

Ayrıca: Vektör gömme, gömme, embedding, vektör temsili

Embedding'in temelinde basit ama güçlü bir fikir yatar: anlamı uzayda bir konuma çevirmek. Bir embedding modeli, bir metni okur ve onu — örneğin 384, 768 veya 1536 sayıdan oluşan — bir vektöre dönüştürür. Bu sayıların her biri tek başına anlamlı değildir; anlam, tüm vektörün uzaydaki konumundadır.

Kritik özellik şudur: model, anlamca benzer metinleri birbirine yakın vektörlere yerleştirmeyi öğrenir. "Köpek" ve "kedi" vektörleri birbirine yakın olur çünkü ikisi de evcil hayvandır; "köpek" ve "vergi beyannamesi" ise uzakta kalır. Bu vektör temsili, model milyonlarca metin üzerinde eğitilirken, hangi kelimelerin hangi bağlamlarda birlikte geçtiğini öğrenmesiyle ortaya çıkar. Sonuç, dilin anlamını coğrafya gibi gezilebilir bir uzaya "gömen" bir haritadır — adı da buradan gelir.

Embedding'in değeri, iki vektörü karşılaştırabilmekten gelir. İki metnin anlamca ne kadar benzer olduğunu ölçmek için, onların vektörleri arasındaki yakınlığa bakılır. En yaygın ölçüt kosinüs benzerliğidir.

Kosinüs benzerliği, iki vektör arasındaki açının kosinüsünü hesaplar. Değer 1'e yakınsa vektörler aynı yöne bakar, yani metinler anlamca çok benzerdir; 0'a yakınsa ilgisiz, -1'e yakınsa zıt anlamlıdır. Bu yöntemin gücü, vektörün uzunluğundan değil yönünden etkilenmesidir — yani metnin uzunluğu değil, anlamı belirleyicidir. Böylece kısa bir soru ile uzun bir paragraf, aynı anlamı taşıyorlarsa yüksek benzerlik alabilir. Vektör temsili ve kosinüs benzerliği birlikte, "anlamca en yakını bul" işleminin matematiksel motorudur.

Geleneksel arama, kelime eşleştirir: aradığınız kelime belgede geçiyorsa sonuç döner. Bu yaklaşım, aynı şeyi farklı kelimelerle ifade eden içerikte başarısız olur. Embedding tabanlı semantik arama ise anlamı eşleştirdiği için bu sınırı aşar.

Anahtar kelime araması ile embedding tabanlı semantik arama karşılaştırması

Özellik	Anahtar kelime araması	Semantik arama (embedding)
Eşleştirme temeli	Birebir kelime	Anlam / vektör temsili
Eş anlamlılar	Kaçırır	Yakalar (iade ≈ para iadesi)
Yazım/ifade farkı	Hassas	Toleranslı
Ölçüt	Kelime frekansı	Kosinüs benzerliği
Zayıf yanı	Farklı ifadeyi bulamaz	Kaliteli embedding modeli gerektirir

Bu tabloyu tek cümlede özetlersek: anahtar kelime araması "aynı kelimeyi" arar, embedding tabanlı semantik arama ise "aynı anlamı" arar. Modern arama, öneri ve soru-cevap sistemlerinin çoğu bu yüzden ikisini birleştirir; ama gerçek zekâyı vektör temsili katmanı sağlar.

Tek bir "embedding" yoktur; farklı içerik türleri ve ihtiyaçlar için farklı embedding modeli aileleri gelişmiştir. Doğru modeli seçmek, sistemin kalitesini doğrudan belirler.

Nasıl Yapılır

Bir embedding modeli seçme adımları

Kendi kullanım senaryonuz için uygun embedding modelini belirlemenin pratik adımları.

1. 1

   İçerik türünü belirle

   Metin mi, görsel mi, çok modlu (multimodal) mu embedding çıkaracaksınız? Bu, model ailesini daraltır.

2. 2

   Dili ve alanı gözet

   Türkçe içerik için çok dilli veya Türkçe'de güçlü bir embedding modeli; hukuk/sağlık gibi alanlarda alana uygun model seçin.

3. 3

   Vektör boyutu ve maliyeti değerlendir

   Daha büyük boyut genellikle daha ince ayrım ama daha çok depolama ve gecikme demektir; ihtiyaca göre dengeleyin.

4. 4

   Kendi verinizle test edin

   Gerçek sorularınız ve belgelerinizle küçük bir değerlendirme yapın; kâğıt üstündeki skor değil, sizin verinizdeki sonuç önemlidir.

Pratikte modeller birkaç eksende ayrışır: metin embedding modelleri (arama, RAG), görsel/çok modlu embedding modelleri (görsel arama), ve alan-özel (domain) modeller. OpenAI, Google ve Hugging Face üzerindeki açık kaynak topluluğu, hem genel hem çok dilli birçok embedding modeli sunar. Türkçe için kritik nokta, modelin Türkçe morfolojisini ve anlamını ne kadar iyi yakaladığıdır — İngilizce'de iyi olan her model Türkçe'de aynı performansı göstermez.

Her embedding modeli, vektörü belirli sayıda boyutla üretir; bu sayıya vektör boyutu (dimension) denir. Örneğin bir model her metni 384 sayıya, bir başkası 1536 sayıya çevirebilir. Boyut, modelin anlamı ne kadar ince ayrımla temsil edebildiğinin kaba bir göstergesidir: daha yüksek boyut, genellikle daha zengin bir anlam uzayı demektir.

Ancak "daha büyük her zaman daha iyi" değildir. Yüksek boyutlu vektörler daha çok depolama alanı kaplar, vektör veritabanında aramayı yavaşlatır ve maliyeti artırır. Milyonlarca belge içeren bir sistemde 1536 boyutlu vektörler, 384 boyutlulara göre kat kat daha fazla bellek ister. Doğru karar, kullanım senaryosunun hassasiyet ihtiyacı ile ölçek ve maliyet arasındaki dengeye bağlıdır. Bazı modern modeller, aynı vektörü farklı boyutlarda kısaltarak kullanmaya (Matryoshka benzeri yaklaşımlar) izin verir; bu da tek bir embedding modeliyle hem hız hem doğruluk arasında geçiş yapmayı kolaylaştırır. Önemli olan, boyutu bir "ne kadar çok o kadar iyi" yarışı değil, bir mühendislik dengesi olarak görmektir.

Embedding'in bugünkü en yüksek etkili kullanımı, RAG (bilgi getirimiyle üretim) mimarisidir. Bir RAG sisteminde belgeler önce parçalara bölünür, her parça bir embedding modeliyle vektöre çevrilir ve bir vektör veritabanında saklanır. Kullanıcı soru sorduğunda sorunun da vektörü çıkarılır ve kosinüs benzerliği ile en yakın parçalar getirilir.

Bu, kurumsal bilgi erişiminin kalbidir: dil modeli, cevabı uydurmak yerine embedding'in bulduğu gerçek belgelere dayanır. Aynı mekanizma öneri sistemlerini (benzer ürün/içerik), kümeleme ve sınıflandırma sistemlerini de besler. Kısacası embedding, modern yapay zeka sistemlerinin "anlamı bulma" katmanıdır; getirme kalitesi doğrudan embedding kalitesine bağlıdır. Bu katmanın nasıl bir bütün içinde çalıştığını RAG nedir rehberinde ayrıntılı ele alıyoruz.

Embedding, günlük dijital deneyimin görünmez motorudur. Bir e-ticaret sitesinde "yazlık keten pantolon" araması, ürün başlığında bu kelimeler geçmese bile benzer ürünleri getiriyorsa, arka planda embedding tabanlı semantik arama çalışıyordur. Bir müşteri hizmetleri botunun, farklı ifade edilmiş soruları doğru cevaba bağlaması da aynı mekanizmaya dayanır.

Türkiye bağlamında somut senaryolar nettir: bir hukuk bürosunun binlerce sayfalık mevzuatta doğal dille arama yapması, bir bankanın çağrı merkezi kayıtlarını konu bazında kümelemesi, bir e-ticaret firmasının "buna benzer ürünler" önerisi. Hepsinin ortak temeli, metnin anlamını yakalayan bir vektör temsili ve kosinüs benzerliği ile en yakınları bulmaktır. Kişisel veri içeren metinlerin embedding'e çevrilip saklandığı senaryolarda ise KVKK uyumu — hangi verinin işlendiği, nerede saklandığı ve kimin eriştiği — en baştan tasarlanmalıdır.

Embedding, sıklıkla yakın kavramlarla karıştırılır; farkı netleştirmek doğru mimari kararlar için önemlidir. Embedding bir metnin anlamını temsil eden vektördür; token ise metnin dil modeli için bölündüğü en küçük parçadır. Bir metin önce token'lara ayrılır, sonra embedding'e çevrilir — bu iki kavram ardışıktır, aynı şey değildir.

Bir diğer karışıklık, embedding ile fine-tuning arasındadır. Embedding, mevcut bir modelle metni vektöre çevirmektir; modelin kendisini değiştirmez. Fine-tuning ise modelin ağırlıklarını yeni veriyle yeniden ayarlar. Kuruma özel bilgiye erişim çoğu zaman fine-tuning değil, embedding + vektör veritabanı + RAG ile çözülür; çünkü embedding tabanlı yaklaşım daha hızlı, daha ucuz ve güncel tutması kolaydır. Son olarak embedding ile vektör veritabanı da farklıdır: embedding vektörü üretir, vektör veritabanı ise bu vektörleri saklayıp aralarında hızlı arama yapar. Bu üç ayrımı — embedding vs token, embedding vs fine-tuning, embedding vs vektör veritabanı — netleştirmek, bir yapay zeka sisteminin hangi katmanının ne işe yaradığını anlamanın anahtarıdır.

Embedding güçlüdür ama sihir değildir; sık yapılan hatalar sistemin tamamını düşürebilir.

En yaygın hatalar şunlardır: dile/alana uygun olmayan embedding modeli seçmek; belgeleri yanlış yerlerden bölmek (kötü chunking), çünkü anlamı kopan bir parçanın embedding'i de bozulur; ve embedding'i tek başına yeterli sanıp reranking gibi katmanları atlamak. Ayrıca embedding statiktir: model güncellenmedikçe, eğitim verisindeki anlam sınırlarını taşır. Bu yüzden embedding kalitesi, seçim ve değerlendirme sürecinden ayrı düşünülemez.

Embedding ile token arasındaki fark nedir?

Token, metnin dil modeli için bölündüğü en küçük parçadır; embedding ise bir metnin (veya token'ın) anlamını temsil eden sayı dizisidir. Token metni parçalar, embedding ise o parçanın anlamını vektöre çevirir. İkisi ardışık adımlardır: önce tokenizasyon, sonra embedding.

Embedding neden anahtar kelime aramasından iyidir?

Çünkü embedding kelimeleri değil anlamı karşılaştırır. "Aracı iade etmek istiyorum" sorgusu, belgede "ürün iadesi koşulları" yazsa bile doğru parçayı bulabilir. Anahtar kelime araması aynı kelimeyi arar; semantik arama ise anlamca yakın olanı bulur, bu yüzden farklı ifade edilmiş içerikte daha güçlüdür.

Kosinüs benzerliği nedir ve neden kullanılır?

Kosinüs benzerliği, iki vektör arasındaki açının kosinüsünü ölçerek anlamsal yakınlığı hesaplayan bir yöntemdir. Değer 1'e yakınsa vektörler (yani metinler) anlamca çok benzer, 0'a yakınsa ilgisizdir. Vektörün uzunluğundan değil yönünden etkilendiği için embedding karşılaştırmasında yaygın kullanılır.

Hangi embedding modeli seçilmeli?

Seçim; dil (Türkçe performansı), alan (hukuk, sağlık, e-ticaret), vektör boyutu, gecikme ve maliyete göre yapılır. Türkçe içerik için çok dilli veya Türkçe'de iyi performans gösteren bir embedding modeli önemlidir. En pahalı model değil, sizin veri ve dilinize en uygun model doğru seçimdir.

Embedding tek başına yeterli mi?

Hayır. Embedding güçlü bir temeldir ama bir sistemin yalnızca bir katmanıdır. Kaliteli sonuç için doğru chunking (parçalama), uygun embedding modeli, iyi bir vektör veritabanı ve çoğu zaman reranking birlikte gerekir. Embedding kötüyse tüm zincir bozulur; ama embedding tek başına da mükemmel sonuç garanti etmez.

Özetle embedding nedir sorusunun cevabı şudur: bir metni, görseli veya sesi anlamını temsil eden bir vektöre çeviren yöntem. Anlamca benzer içerikler bu vektör temsilinde birbirine yakın konumlanır ve kosinüs benzerliği ile ölçülür; böylece semantik arama, öneri sistemleri ve RAG mimarisi mümkün olur. Temel için token nedir ve LLM nedir rehberlerine, uygulama için RAG nedir yazısına göz atabilir; kurumsal bir sistem için kurumsal RAG sistemleri çözümüyle ya da yapay zeka danışmanlığı ile başlayabilirsiniz. Kavramları uçtan uca öğrenmek için öğrenme merkezine de göz atın.