Hibrit Arama: Anlamsal ve Anahtar Kelime Aramasını Birleştirmek

Hibrit arama nedir? Hibrit arama (hybrid search), anlamsal aramayı (embedding tabanlı vektör araması) klasik anahtar kelime aramasıyla (BM25) birleştiren ve iki yöntemin sonuçlarını tek bir sıralamaya harmanlayan bir bilgi getirme yöntemidir. Böylece sistem, hem kelimenin anlamını hem de tam eşleşmesini aynı anda yakalar; birinin kaçırdığını diğeri kurtarır.

Bu teknik derinlik yazısı, hibrit arama konusunu bir danışman titizliğiyle ve mühendislik ayrıntısıyla ele alıyor. Yalnızca anlamsal aramanın neyi kaçırdığını, anahtar kelime aramasının (özellikle BM25 algoritmasının) neden hâlâ vazgeçilmez olduğunu, iki yöntemin skorlarının nasıl birleştirildiğini (skor birleştirme, RRF, ağırlıklı toplam), ağırlık ayarının nasıl yapıldığını, kod ve kısaltma senaryolarında neden hibrit arama şart olduğunu ve arama kalitesini isabet oranı üzerinden nasıl ölçeceğinizi adım adım göreceksiniz. Amaç, hibrit arama mimarisini "duydum" seviyesinden "kurabilir ve ölçebilirim" seviyesine taşımaktır. Yazı boyunca somut sayısal örnekler, karşılaştırma tabloları ve adım adım kontrol listeleriyle ilerleyeceğiz; çünkü hibrit arama, ancak ölçülerek ve denenerek gerçekten öğrenilen bir mühendislik pratiğidir. Konu teknik olsa da anlatımı bilinçli olarak sade tuttuk: her kavramı ilk geçtiğinde açıklıyor, her kararı bir gerekçeye bağlıyoruz. Böylece hem arama altyapısı kuran bir mühendis hem de bu kararların iş etkisini anlamak isteyen bir yönetici için okunabilir bir kaynak ortaya çıkıyor.

Tanım

Hibrit Arama (Hybrid Search)

Anlamsal aramayı (embedding tabanlı vektör araması) klasik anahtar kelime aramasıyla (BM25) birleştiren ve iki yöntemin sonuçlarını bir skor birleştirme adımıyla tek bir sıralamaya harmanlayan bilgi getirme yöntemi. Anlamsal aramanın kavram ve eş anlamlı yakalama gücünü, anahtar kelime aramasının tam eşleşme gücüyle aynı anda kullanır; böylece arama kalitesi ve isabet oranı, tek başına vektör aramasına göre yükselir.

Ayrıca: hybrid search, hibrit getirme, BM25 vektör birleşimi, melez arama, skor birleştirme

Hibrit arama nedir sorusunun en kısa cevabı şudur: iki farklı arama yöntemini — anlama dayalı vektör araması ve kelimeye dayalı anahtar kelime araması — aynı sorgu üzerinde paralel çalıştırıp sonuçlarını akıllıca birleştiren yöntem. "Hibrit" kelimesi tam da bu birleşimi anlatır: tek bir arama tekniğine bağlı kalmak yerine, ikisinin güçlü yanlarını bir araya getirmek.

Neden bu birleşim gereklidir? Çünkü hiçbir tek arama yöntemi her sorgu tipinde en iyi değildir. Anlamsal arama, "iade politikası" diye sorduğunuzda belgede "para iadesi koşulları" yazsa bile doğru parçayı bulur — çünkü anlama bakar. Ama aynı anlamsal arama, "XR-4021" ürün kodunu ararken zorlanır; çünkü bu kod onun için anlamlı bir kavram değildir. Anahtar kelime araması ise tam tersidir: "XR-4021"i kusursuz bulur ama "iade" ile "para iadesi"ni eşleştiremez. Hibrit arama, bu iki dünyayı birleştirerek her iki sorgu tipinde de güçlü olur.

Bu ayrımı bir benzetmeyle netleştirelim. Anlamsal arama, konuyu anlayan ama isimleri karıştıran bir kütüphaneci gibidir: ne aradığınızın özünü kavrar, doğru rafı gösterir, ama tam kitap kodunu hatırlamaz. Anahtar kelime araması ise kod numarasını ezbere bilen ama konuyu anlamayan bir kataloglama sistemi gibidir: kesin eşleşmeyi anında bulur ama "bunun benzeri var mı" sorusuna cevap veremez. Hibrit arama, bu iki kütüphaneciyi aynı masaya oturtur; biri anlamı, diğeri kesin eşleşmeyi getirir ve siz her iki gücü birden kullanırsınız.

Hibrit arama, modern RAG (Retrieval-Augmented Generation) sistemlerinin getirme katmanında giderek varsayılan hale gelmiştir. RAG mimarisinin bütününü RAG nedir yazısında, anlamsal aramanın temelini ise semantik arama nedir yazısında ele alıyoruz. Bu yazıda odağımız, bu iki dünyanın nasıl birleştirileceği ve birleşimin nasıl ölçüleceğidir.

Anlamsal arama etkileyicidir; ama sınırlarını görmezden gelmek, hibrit arama ihtiyacını anlamamak demektir. Vektör araması metni bir embedding modeliyle anlamsal bir vektöre çevirir ve anlamca en yakın parçaları bulur. Bu yaklaşım kavramsal sorgularda parlar; ama belirli sorgu tiplerinde sistematik olarak isabet oranı kaybeder. Bu kayıpları görmek, hibrit arama gerekçesinin kalbidir.

Birinci kayıp, tam eşleşme gereken tokenlardır. Bir ürün kodu (XR-4021), bir SKU, bir fatura numarası, bir yasal madde referansı (örneğin "6698 sayılı Kanun madde 5") veya bir hata kodu (ERR_TIMEOUT_502) arandığında, embedding bu dizgiyi anlamlı bir kavrama oturtamaz. Bu tokenlar için "anlam" yoktur; onlar tam olarak eşleşmeleri gereken sembollerdir. Vektör araması, bu tür bir sorguda alakasız ama "sayısal olarak yakın" görünen parçalar döndürebilir ve doğru belgeyi hiç getirmeyebilir.

İkinci kayıp, nadir ve alana özgü terimlerdir. Embedding modelleri sık geçen kelimeleri iyi temsil eder; ama eğitim verisinde nadir geçen bir teknik terimi, bir marka adını veya kuruma özel bir kısaltmayı zayıf temsil eder. Bu durumda anlamca "yakın" sandığı şeyler aslında ilgisiz çıkar. Anahtar kelime araması ise bu nadir terimi harfiyen bulur; nadirlik onun için bir sorun değil, aksine ayırt edici bir sinyaldir.

Üçüncü kayıp, kesinlik ve olumsuzlamadır. "2024 dışındaki yıllar" veya "sadece kurumsal, bireysel değil" gibi ince ayrımlar, anlamsal aramada bulanıklaşabilir; çünkü vektör uzayı "yakınlık" ile çalışır, "kesinlik" ile değil. Dördüncü kayıp, çok kısa sorgulardır: tek kelimelik veya iki kelimelik sorgularda embedding'in yakalayacağı yeterli bağlam yoktur, dolayısıyla anlamsal sinyal zayıflar. Bu dört kayıp, tek başına vektör aramasının neden yeterli olmadığını ve hibrit arama ihtiyacının nereden doğduğunu somut biçimde açıklar.

Anlamsal arama modası, birçok ekibin klasik anahtar kelime aramasını "eski teknoloji" diye küçümsemesine yol açtı. Bu bir hatadır. Anahtar kelime araması, onlarca yıllık arama motoru mühendisliğinin ürünüdür ve belirli sorgu tiplerinde hâlâ yenilmezdir. Hibrit arama, tam da bu gücü anlamsal aramanın yanına koyar.

Anahtar kelime aramasının birinci gücü tam eşleşmedir. Bir kelime, kod veya isim belgede birebir geçiyorsa, anahtar kelime araması onu kesin olarak bulur ve yüksek skor verir. Bu, ürün kataloglarında, teknik dokümantasyonda, hukuki metinlerde ve kod tabanlarında kritiktir; buralarda kullanıcı çoğu zaman tam bir terimi veya kodu arar ve "yaklaşık" değil "kesin" sonuç bekler.

İkinci güç şeffaflık ve açıklanabilirliktir. Anahtar kelime araması neden bir belgeyi getirdiğini net biçimde söyleyebilir: "çünkü bu kelime belgede üç kez, başlıkta bir kez geçiyor." Bu şeffaflık, hata ayıklamayı kolaylaştırır ve regüle sektörlerde önemli olan açıklanabilirliği destekler. Vektör aramasında ise "neden bu geldi" sorusunun cevabı çok daha soyuttur.

Üçüncü güç maliyet ve hızdır. Anahtar kelime araması, ters indeks (inverted index) adı verilen olgun bir veri yapısına dayanır ve embedding hesaplaması gerektirmez; çok büyük koleksiyonlarda bile milisaniyelerde çalışır, ucuzdur ve altyapısı iyi bilinir. Dördüncü güç dile duyarlı sağlamlıktır: iyi bir anahtar kelime motoru, kök bulma (stemming) ve durak kelime (stop word) işlemeyle Türkçe gibi çekimli dillerde bile güçlü çalışır. Bu dört güç, anahtar kelime aramasının neden hibrit arama denkleminin yarısı olduğunu açıklar; onu atmak, aramanın yarısını atmak demektir.

Hibrit aramanın anahtar kelime tarafında bugün fiilî standart, BM25 (Best Matching 25) algoritmasıdır. BM25'i anlamak, skor birleştirmeyi ve ağırlık ayarını doğru kurmak için gereklidir; çünkü BM25 vektör birleşimi dediğimiz şeyin bir yarısı tam olarak budur. BM25, bir belgenin bir sorguya ne kadar ilgili olduğunu üç sezgiyi birleştirerek puanlar.

Birinci sezgi terim sıklığıdır (term frequency, TF): bir sorgu kelimesi bir belgede ne kadar çok geçerse, o belge o kadar ilgilidir. Ama bu ilişki doğrusal değildir — BM25 burada bir doygunluk uygular: kelimenin ikinci geçişi birinciden az katkı verir, onuncu geçişi neredeyse hiç fark etmez. Bu doygunluk, bir kelimeyi yüz kez tekrarlayan spam bir belgenin skoru şişirmesini engeller.

İkinci sezgi ters belge sıklığıdır (inverse document frequency, IDF): bir kelime koleksiyondaki ne kadar az belgede geçerse, o kadar ayırt edicidir ve o kadar değerlidir. "ve", "bir", "ile" gibi her yerde geçen kelimeler düşük IDF alır ve neredeyse hiç ağırlık taşımaz; "trombosit" veya "XR-4021" gibi nadir terimler yüksek IDF alır ve sorguyu belirleyen sinyal olur. IDF, tam da anlamsal aramanın zayıf olduğu nadir terimlerin BM25'te neden güçlü bir sinyal olduğunu açıklar.

Üçüncü sezgi belge uzunluğu normalizasyonudur: uzun bir belgede bir kelimenin geçmesi, kısa bir belgede geçmesinden daha az şaşırtıcıdır; BM25 bu yüzden uzun belgeleri hafifçe cezalandırır, böylece kısa ve odaklı bir parçanın uzun bir belgenin içinde kaybolmasını önler. Bu üç sezgi iki parametreyle ayarlanır: k1 (terim sıklığı doygunluğunun ne kadar hızlı olacağı, tipik olarak 1.2–2.0) ve b (uzunluk normalizasyonunun ne kadar güçlü olacağı, tipik olarak 0.75). Bu parametreler, hibrit arama ağırlık ayarından ayrı, BM25'in kendi iç ayarıdır ve içerik tipine göre ince ayar gerektirebilir.

BM25'in üç bileşeni ve sezgisel karşılığı

Bileşen	Ne ölçer	Pratik etkisi
Terim sıklığı (TF)	Kelime belgede kaç kez geçiyor	Doygunlukla spam tekrarı engellenir
Ters belge sıklığı (IDF)	Kelime ne kadar nadir	Nadir/ayırt edici terim yüksek ağırlık alır
Uzunluk normalizasyonu (b)	Belge ne kadar uzun	Kısa, odaklı parça kaybolmaz
k1 parametresi	TF doygunluk hızı	İçerik tipine göre ince ayar

Hibrit aramanın diğer yarısı anlamsal aramadır ve onu da net anlamak gerekir; çünkü skor birleştirme, iki yöntemin çıktısını harmanlar ve her iki çıktının ne anlama geldiğini bilmeden ağırlık ayarı yapılamaz. Anlamsal arama, metni bir embedding modeliyle çok boyutlu bir vektöre çevirir; anlamca benzer metinler bu uzayda birbirine yakın konumlanır. Embedding'in nasıl çalıştığını embedding nedir ve bu vektörlerin nasıl saklanıp arandığını vektör veritabanı nedir yazılarında ayrıntılandırıyoruz.

Sorgu geldiğinde, sorunun vektörü hesaplanır ve vektör veritabanı, ona en yakın parçaları bir benzerlik ölçüsüyle bulur. En yaygın ölçü kosinüs benzerliğidir (cosine similarity): iki vektör arasındaki açının kosinüsü, ne kadar "aynı yöne baktıklarını" ölçer. 1'e yakın değer güçlü anlamsal yakınlık, 0'a yakın değer ilgisizlik demektir. Anahtar nokta şudur: bu skor sürekli bir benzerlik değeridir (örneğin 0.87), oysa BM25 skoru sınırsız ve farklı ölçekte bir sayıdır. Bu ölçek farkı, birazdan göreceğimiz skor birleştirmenin temel zorluğudur.

Anlamsal aramanın gücü, kelimelerin ötesine geçip kavramı yakalamasıdır. "Çalışan işten ayrılırken ne yapılır" sorgusu, belgede "personel çıkış süreci" yazsa bile doğru parçayı bulur; çünkü bu iki ifade vektör uzayında yakındır. Bu yetenek, doğal dilde sorulan, uzun, kavramsal sorularda anahtar kelime aramasını açık ara geçer. İşte hibrit aramanın güzelliği buradadır: anlamsal arama kavramsal sorguları, BM25 tam eşleşmeli sorguları alır; ikisi birbirinin kör noktasını kapatır.

Ancak anlamsal aramanın kalitesi, embedding modelinin kalitesine sıkı biçimde bağlıdır. Türkçe için Türkçeyi iyi temsil eden bir model seçmek kritiktir; çok dilli bazı modeller Türkçe nüansları zayıf yakalar ve bu zayıflık doğrudan isabet oranına yansır. Bu yüzden hibrit arama kurarken yalnızca "birleştirme yöntemini" değil, birleştirdiğiniz iki bileşenin her birinin kendi kalitesini de ölçmek gerekir.

Hibrit aramanın kalbi, skor birleştirme (score fusion) adımıdır: iki ayrı arama yönteminin ürettiği aday listelerini ve skorları tek bir sıralamaya nasıl harmanlayacağınız. Bu adım doğru kurulmazsa, iki güçlü yöntemi birleştirmek yerine ikisini de bozabilirsiniz. Skor birleştirmenin iki ana ailesi vardır: skor tabanlı birleştirme ve sıra (rank) tabanlı birleştirme.

Skor tabanlı birleştirme, iki yöntemin sayısal skorlarını doğrudan birleştirir. Buradaki temel sorun, ölçek uyumsuzluğudur: BM25 skoru 0 ile örneğin 40 arasında sınırsızca değişebilirken, kosinüs benzerliği 0 ile 1 arasındadır. Bu iki skoru doğrudan toplarsanız, BM25 sayısal olarak baskın çıkar ve anlamsal katkıyı ezer. Bu yüzden skor tabanlı birleştirmede önce normalizasyon şarttır — iki skoru da karşılaştırılabilir bir aralığa (genellikle 0–1) çekmek. Bir sonraki bölümde bu ağırlıklı toplamı ayrıntılandıracağız.

Sıra tabanlı birleştirme ise skorların mutlak değerini görmezden gelir ve yalnızca belgelerin her listedeki sırasına bakar. Buradaki en popüler yöntem RRF'tir (Reciprocal Rank Fusion). Sıra tabanlı yaklaşımın büyük avantajı, ölçek uyumsuzluğu sorununu tamamen ortadan kaldırmasıdır: "birinci sıra birinci sıradır", skoru 0.99 da olsa 38 de olsa fark etmez. Bu sağlamlık, RRF'i pratikte en çok tercih edilen BM25 vektör birleşimi yöntemi yapar.

Skor birleştirme yaklaşımları: skor tabanlı vs sıra tabanlı

Boyut	Ağırlıklı toplam (skor tabanlı)	RRF (sıra tabanlı)
Neye bakar	Normalize edilmiş skorlar	Belgenin sırası (rank)
Normalizasyon	Zorunlu ve hassas	Gerekmez
Ağırlık ayarı	alpha katsayısıyla esnek	k sabiti ve liste ağırlığıyla
Sağlamlık	Ölçeğe duyarlı	Çok sağlam, aykırı skora dayanıklı
En iyi kullanım	İnce ayar mümkünse	Hızlı, güvenli varsayılan

Pratik öneri nettir: eğer sağlam ve düşük bakımlı bir varsayılan istiyorsanız RRF ile başlayın; eğer belirli bir alan için ince ayar yapıp son bir yüzde puan sıkacaksanız normalize edilmiş ağırlıklı toplama geçin. İkisi de geçerli skor birleştirme yaklaşımıdır; seçim, elinizdeki değerlendirme disiplinine ve alanın hassasiyetine bağlıdır.

RRF, hibrit aramada en sık kullanılan skor birleştirme yöntemidir ve popülerliğini basitliğine ve sağlamlığına borçludur. Mantığı tek bir formülde özetlenir: her belge için, o belgenin her arama listesindeki sırasına bakılır ve 1 / (k + sıra) değerleri toplanır. Burada "sıra" belgenin listedeki konumudur (1, 2, 3, ...) ve k bir yumuşatma sabitidir, genellikle 60 alınır. Bir belgenin nihai RRF skoru, bütün listelerdeki bu terslerinin toplamıdır.

Bu formülün neden işe yaradığını görelim. Bir belge hem vektör listesinde hem BM25 listesinde üst sıralardaysa, iki büyük katkı toplanır ve belge yükselir — yani "iki yöntem de bunu beğendi" sinyali ödüllendirilir. Bir belge yalnızca bir listede üstteyse, tek katkı alır ama yine de sıralamaya girer. k sabiti, üst sıralar arasındaki farkı yumuşatır: k=60 ile birinci ve ikinci sıra arasındaki fark, çok keskin değildir; bu, tek bir listenin birinci sırasının tüm sonucu tek başına belirlemesini engeller.

RRF'in üç büyük avantajı vardır. Birincisi, normalizasyon gerektirmemesidir: skorların ölçeği önemsizdir, yalnızca sıra önemlidir; bu, BM25 vektör birleşiminin en can sıkıcı sorunu olan ölçek uyumsuzluğunu tamamen ortadan kaldırır. İkincisi, aykırı skorlara dayanıklı olmasıdır: bir yöntemin anormal yüksek bir skor üretmesi sonucu bozmaz. Üçüncüsü, ikiden fazla listeyi birleştirmenin kolay olmasıdır: vektör, BM25 ve örneğin bir başlık araması — üçünü de aynı formülde toplarsınız.

RRF'in ayar noktası k sabitidir ve listelere ağırlık vermek isterseniz her listenin katkısını bir çarpanla ölçekleyebilirsiniz (örneğin vektör listesine 1.0, BM25 listesine 0.8). Ama pratikte RRF'in güzelliği, varsayılan k=60 ile çoğu senaryoda zaten çok iyi çalışmasıdır. Bu yüzden birçok ekip için doğru başlangıç noktası şudur: RRF ile hibrit aramayı kur, ölç, ancak metrikler ince ayar gerektiğini gösterirse ağırlıklı toplama geç.

Normalize edilmiş ağırlıklı toplam, skor birleştirmenin skor tabanlı ailesidir ve doğru kurulduğunda RRF'ten biraz daha fazla ince ayar imkânı verir. Formülü basittir: son skor = alpha × normalize(vektör skoru) + (1 − alpha) × normalize(BM25 skoru). Burada alpha, 0 ile 1 arasında bir katsayıdır ve iki yöntemin nihai sıralamaya katkı oranını belirler. alpha=1 saf vektör araması, alpha=0 saf BM25, alpha=0.5 eşit ağırlık demektir.

Bu yaklaşımın kritik ön koşulu normalizasyondur ve en sık burada hata yapılır. BM25 skoru sınırsız ve koleksiyona bağlıyken, kosinüs benzerliği 0–1 arasındadır; bu iki skoru normalize etmeden toplamak, ağırlık ayarını anlamsız kılar. En yaygın normalizasyon min-max'tir: her skoru, o sorgu için dönen adaylar içindeki minimum ve maksimuma göre 0–1 aralığına çekmek. Alternatif olarak z-skoru (ortalamadan kaç standart sapma uzakta) kullanılabilir; bu, aykırı değerlere karşı daha dayanıklıdır ama yorumu zordur.

Normalizasyonun ince bir tuzağı vardır: min-max normalizasyon, her sorgu için ayrı hesaplandığından, sorgular arası karşılaştırmayı bozabilir. Ayrıca yalnızca bir aday dönen bir listede min ve max aynı olur ve normalizasyon tanımsızlaşır; bu uç durumları kodda ele almak gerekir. Bu incelikler, ağırlıklı toplamın neden RRF'ten daha fazla bakım istediğini açıklar: daha esnektir ama daha kırılgandır.

Buna rağmen ağırlıklı toplamın bir üstünlüğü vardır: alpha üzerinden alanınıza göre sürekli ve ince ayar yapabilirsiniz. Terim yoğun bir hukuk arşivinde alpha'yı düşürüp BM25'e daha çok ağırlık verebilir; doğal dille soru sorulan bir destek asistanında alpha'yı yükseltip anlamsal aramaya yaslanabilirsiniz. İşte bu esneklik, bir sonraki bölümün konusu olan ağırlık ayarını hibrit aramanın en önemli pratik kararlarından biri yapar.

Ağırlık ayarı, hibrit aramada "ne kadar anlam, ne kadar tam eşleşme" sorusunun cevabıdır ve doğru yapıldığında arama kalitesini gözle görülür biçimde yükseltir. En sık sorulan soru şudur: "alpha kaç olmalı?" Dürüst cevap: sabit bir doğru sayı yoktur; alana, sorgu dağılımına ve içerik yoğunluğuna bağlıdır. Ama ağırlık ayarını tahminle değil, deneyle yapmanın sağlam bir yöntemi vardır.

Yöntem şudur: önce etiketli bir değerlendirme kümesi hazırlayın — gerçek kullanıcı sorgularından oluşan bir liste ve her sorgu için "doğru" belgenin/parçanın işareti. Sonra alpha'yı sistematik biçimde tarayın: örneğin 0.0, 0.1, 0.2 ... 1.0 değerlerinde arama kalitesini ölçün. Her alpha için recall, MRR ve nDCG gibi metrikleri hesaplayın ve isabet oranının en yüksek olduğu değeri seçin. Bu, ağırlık ayarını bir "his" meselesi olmaktan çıkarıp bir optimizasyon problemine dönüştürür.

Ağırlık ayarında birkaç pratik gerçek vardır. Birincisi, çoğu genel kurumsal senaryoda optimum alpha 0.5 ile 0.8 arasında, yani anlamsal aramaya hafif ağırlık verecek şekilde çıkar; ama terim/kod yoğun alanlarda 0.3–0.5'e kayabilir. İkincisi, tek bir alpha tüm sorgu tiplerinde en iyi olmayabilir: kısa, kod benzeri sorgularda BM25 ağırlığı; uzun, kavramsal sorgularda vektör ağırlığı daha iyidir. Gelişmiş sistemler bu yüzden sorgu tipine göre alpha'yı dinamik ayarlar (query routing).

Alan/sorgu tipine göre tipik ağırlık eğilimi (illustratif başlangıç noktası)

Bağlam	Eğilim	Neden
Teknik dokümantasyon, kod	BM25'e daha çok ağırlık	Tam eşleşme ve terim baskın
Destek/SSS, doğal dil	Vektöre daha çok ağırlık	Kavramsal, eş anlamlı sorgular
Hukuk/mevzuat arşivi	Dengeli, BM25 tarafına eğik	Madde no + kavram karışık
Kısa sorgu (1-2 kelime)	BM25 lehine kaydır	Anlamsal sinyal zayıf
Uzun doğal dil sorgu	Vektör lehine kaydır	Bağlam zengin, kavram baskın

Bu tablo bir başlangıç sezgisidir, kesin reçete değil; asıl doğru değerler her zaman sizin verinizle ölçülerek bulunur. Ağırlık ayarını bir kez yapıp unutmak da yanlıştır: içerik değiştikçe, kullanıcı sorguları evrildikçe ve embedding modeli güncellendikçe optimum ağırlık kayabilir. Bu yüzden ağırlık ayarı, RAG değerlendirmesinin kalıcı bir parçası olmalıdır. RAG kalitesinin bütününü LLM değerlendirme nedir yazısında da ele alıyoruz.

Hibrit aramanın en somut değerini, tam eşleşme gereken senaryolarda görürsünüz. Bu senaryolar, yalnızca anlamsal aramanın en çok isabet oranı kaybettiği ve BM25 vektör birleşiminin en çok kazandırdığı yerlerdir. Bir danışman olarak sahada gözlemim şudur: hibrit aramaya geçiş kararını çoğu zaman tam bu tür bir "kod bulunamıyor" şikayeti tetikler.

Birinci senaryo ürün kodları ve SKU'lardır. Bir e-ticaret veya kurumsal katalog aramasında kullanıcı "XR-4021" yazar; vektör araması bu kodu anlamlı bir kavrama oturtamaz ve benzer görünen ama yanlış ürünleri döndürebilir. BM25 ise bu kodu birebir bulur. Hibrit arama, kullanıcı bazen "kırmızı kablosuz kulaklık" (kavramsal) bazen "XR-4021" (kod) diye aradığında, her iki sorgu tipinde de doğru sonucu verir.

İkinci senaryo kısaltmalar ve teknik terimlerdir. "KVKK", "RAG", "SLA", "ERP" gibi kısaltmalar veya "idempotency", "backpressure" gibi nadir teknik terimler, embedding için zayıf sinyaldir ama BM25 için güçlü, ayırt edici sinyaldir. Üçüncü senaryo hata kodları ve log aramasıdır: "ERR_TIMEOUT_502" gibi bir dizgiyi bulmak tam eşleşme işidir. Dördüncü senaryo kişi ve kurum adlarıdır: özel isimler, anlamsal uzayda kolayca karışır ama anahtar kelime aramasında kesin bulunur.

Bu senaryoların ortak dersi şudur: gerçek kurumsal sorgu trafiği heterojendir; kavramsal ve tam eşleşmeli sorgular iç içedir. Hibrit arama, bu heterojenliği tek bir getirme katmanında karşılamanın en pratik yoludur. RAG bağlamında bu, doğrudan daha yüksek isabet oranı ve dolayısıyla daha doğru, daha dayanaklı model yanıtı demektir; çünkü modelin yanıtı ancak önüne konan parça kadar iyidir.

Türkçe içerikte hibrit arama kurmak, İngilizceye göre ek incelikler taşır; ve bu inceliklerin ihmali, arama kalitesini sessizce düşürür. Türkçenin eklemeli (agglutinative) yapısı, zengin çekim sistemi ve tek kökten çok sayıda türev üretmesi, hem BM25 tarafını hem vektör tarafını etkiler.

BM25 tarafında en kritik konu kök bulmadır (stemming). "İzin", "izni", "iznini", "izinler" — hepsi aynı kökten gelir ama BM25 bunları ayrı kelimeler sayarsa tam eşleşme zayıflar. İyi bir Türkçe analiz zinciri (tokenizasyon, kök bulma, durak kelime işleme), bu çekimleri normalleştirir ve BM25'in gücünü Türkçede de ortaya çıkarır. Türkçe kök bulma İngilizceden zordur; bu yüzden arama motorunun Türkçe analizörünü doğru yapılandırmak, hibrit aramanın BM25 yarısı için belirleyicidir.

Vektör tarafında kritik konu embedding modelinin Türkçe kalitesidir. Çok dilli bazı modeller Türkçe nüansları — özellikle çekim eklerinin taşıdığı anlamı — zayıf yakalar; bu, anlamsal aramanın isabet oranını düşürür. Türkçe içerikte, modeli genel popülerliğine göre değil, sizin verinizdeki Türkçe performansına göre seçmek gerekir; iki modeli aynı değerlendirme kümesinde karşılaştırmak, doğru seçimi kanıta bağlar. Türkçe doğal dil işlemenin inceliklerini semantik arama nedir yazısında da ele alıyoruz.

Bir ek incelik, karışık dilli içeriktir: Türkçe kurumsal belgeler sıklıkla İngilizce teknik terimler içerir ("deployment", "pipeline", "compliance"). Hibrit arama burada özellikle değerlidir; çünkü kullanıcı bu terimleri bazen İngilizce bazen Türkçe karşılığıyla arar. BM25 İngilizce terimin tam eşleşmesini, vektör ise Türkçe-İngilizce kavram köprüsünü yakalar. Türkiye'de üretken yapay zeka benimsemesinin yüksekliği düşünüldüğünde, Türkçeyi iyi yapan bir hibrit arama katmanı, kurumsal bilgi erişiminde belirgin bir rekabet avantajıdır.

Hibrit arama, tek başına bir arama motoru olarak da kullanılabilir; ama en yüksek değerini bir RAG boru hattının getirme katmanı olarak üretir. RAG mimarisinin bütününü RAG nedir yazısında ele aldık; burada hibrit aramanın bu hattaki tam yerini gösterelim. RAG boru hattı kabaca şöyledir: veri alımı, chunking, embedding, saklama, getirme, yeniden sıralama ve üretme. Hibrit arama, tam olarak "getirme" adımında devreye girer.

Getirme adımında hibrit arama şöyle çalışır. Kullanıcı sorusu iki paralel yola gider: bir yol soruyu embedding'e çevirip vektör veritabanında anlamsal aday parçaları bulur; diğer yol soruyu BM25 motoruna verip anahtar kelime aday parçalarını bulur. Sonra bir skor birleştirme adımı (RRF veya ağırlıklı toplam) bu iki aday listesini tek bir sıralamaya harmanlar. Bu birleşik ve isabetli aday listesi, sonraki adıma — reranking'e — girdi olur.

Bu mimaride hibrit aramanın chunking ile ilişkisi önemlidir. İyi bir chunking, hem BM25'in hem vektörün üzerinde çalıştığı parçaların kalitesini belirler; kötü kesilmiş bir parça, iki arama yöntemini de zora sokar. Chunking stratejilerini chunking nedir yazısında ele alıyoruz. Pratik bir not: BM25 ve vektör aynı parça sınırları üzerinde çalıştığında birleştirme daha temiz olur; iki yöntem için farklı parçalama kullanmak, skor birleştirmeyi karmaşıklaştırır.

Bir başka mimari karar, hibrit aramanın nerede yapılacağıdır. Bazı vektör veritabanları ve arama motorları hibrit aramayı yerleşik olarak sunar (tek sorguda hem BM25 hem vektör + birleştirme); bu, kurulumu basitleştirir. Alternatif olarak iki ayrı sistemi (bir vektör veritabanı + bir metin arama motoru) kendiniz birleştirebilirsiniz; bu daha esnektir ama orkestrasyon yükü getirir. Kendi altyapınızda, veri ikametgâhı ve KVKK gereksinimleriyle çalışıyorsanız, bu bileşenlerin nerede barındığı önem kazanır; on-premise kurulum tercihlerini on-premise ve egemen AI altyapısı yazısında ele alıyoruz.

Hibrit aramanın en önemli disiplini ölçümdür; çünkü ölçülmeyen bir arama kalitesi yönetilemez ve iyileştirilemez. "Hibrit arama kurdum, daha iyi çalışıyor" cümlesi, bir metrikle desteklenmedikçe bir histen ibarettir. Arama kalitesini nesnel biçimde ölçmek için etiketli bir değerlendirme kümesi ve bir dizi standart metrik gerekir. Bu ölçüm, ağırlık ayarının ve skor birleştirme seçiminin de dayandığı temeldir.

Değerlendirme kümesi şöyle kurulur: gerçek (veya gerçekçi) kullanıcı sorgularından oluşan bir liste hazırlanır ve her sorgu için hangi belgenin/parçanın "doğru cevap" olduğu insan tarafından işaretlenir. Bu etiketleme emek ister ama arama kalitesi ölçümünün olmazsa olmazıdır; etiketsiz bir sistemde "daha iyi" iddiası kanıtlanamaz. Değerlendirme kümesi hazırlarken sorgu çeşitliliğine dikkat edilmelidir: kavramsal, tam eşleşmeli, kısa, uzun ve karışık sorguların hepsi temsil edilmelidir; aksi halde ölçüm gerçek trafiği yansıtmaz. Etiketli veri hazırlığının disiplinini veri etiketleme stratejisi yazısındaki ilkelerden de esinlenerek kurabilirsiniz.

Ölçümün iki temel sorusu vardır. Birincisi getirme isabeti: doğru parça sonuçlar arasında geldi mi (recall) ve kaçıncı sırada geldi (sıralama kalitesi)? İkincisi RAG bağlamında etki: hibrit aramaya geçince modelin nihai yanıt doğruluğu ve dayanaklılığı arttı mı? İlk soru arama katmanını, ikincisi tüm boru hattını değerlendirir. İkisi birlikte, hibrit aramanın gerçekten değer kattığını kanıtlar.

Ölçümü bir kez değil, sürekli yapmak gerekir. Belgeler değişir, sorgular evrilir, modeller güncellenir; bir değerlendirme kümesini regresyon testi gibi her değişiklikte tekrar çalıştırmak, arama kalitesinin sessizce bozulmasını önler. Üretimde bu sürekliliği sağlamak operasyon disiplini gerektirir; bunu LLMOps nedir yazısında ele alıyoruz.

Hibrit arama kalitesini ölçmek için birkaç standart metrik vardır ve her biri farklı bir soruya cevap verir; doğru metriği seçmek, ölçtüğünüz şeyin gerçekten önemli olmasını sağlar. En çok kullanılan üç metrik recall, MRR ve nDCG'dir.

Recall@k (ilk k'daki geri çağırma), "doğru parça ilk k sonuç içinde geldi mi" sorusuna cevap verir. Örneğin Recall@10 = 0.9 demek, sorguların %90'ında doğru parçanın ilk on sonuç arasında bulunduğu anlamına gelir. Recall, RAG için özellikle önemlidir; çünkü doğru parça getirilen adaylar arasında yoksa, reranking veya model onu kurtaramaz. İsabet oranını en doğrudan yansıtan metrik budur: doğru parça geldi mi, gelmedi mi?

MRR (Mean Reciprocal Rank, ortalama karşılıklı sıra), doğru parçanın kaçıncı sırada geldiğine odaklanır. Her sorgu için doğru sonucun sırasının tersi (1/sıra) alınır ve ortalanır. Doğru parça birinci sıradaysa 1.0, ikinci sıradaysa 0.5, üçüncü sıradaysa 0.33 katkı verir. MRR, "doğru cevabı ne kadar üste koyabiliyoruz" sorusunu ölçer; tek bir doğru cevabın olduğu senaryolarda çok kullanışlıdır.

nDCG (normalized Discounted Cumulative Gain), en zengin metriktir ve birden fazla ilgili sonucun olduğu, üstelik farklı ilgi derecelerinin bulunduğu durumlar için tasarlanmıştır. nDCG hem sırayı hem her sonucun ilgi derecesini hesaba katar: üst sıralardaki ilgili sonuçlar daha çok ödüllendirilir, alt sıralara inildikçe katkı logaritmik olarak azalır ("discount"). nDCG, sıralama kalitesini bütüncül ölçmek için en yaygın kabul gören metriktir. Bu üç metriği birlikte kullanmak, hibrit aramanın hem isabet oranını hem sıralama kalitesini kapsamlı biçimde gösterir.

Hibrit arama değerlendirme metrikleri: hangisi neyi ölçer

Metrik	Ne sorar	En iyi kullanım
Recall@k	Doğru parça ilk k'da mı?	RAG isabet oranı, kaçırma riski
MRR	Doğru parça kaçıncı sırada?	Tek doğru cevaplı sorgular
nDCG	Sıralama+ilgi derecesi kaliteli mi?	Çok ilgili sonuçlu sıralama
Precision@k	İlk k'nın ne kadarı ilgili?	Gürültü/isabetsiz sonuç kontrolü

Ağırlık ayarını ve skor birleştirme parametrelerini doğru bulmanın yolu, disiplinli bir deney kurulumundan geçer. Bu bölüm, hibrit aramayı "kurdum ve umuyorum" seviyesinden "ölçtüm ve optimize ettim" seviyesine taşıyan somut adımları verir. Aşağıdaki adım listesi, bir hibrit arama optimizasyon deneyini uçtan uca tarif eder.

Nasıl Yapılır

Hibrit arama ağırlık ve parametre optimizasyonu

Etiketli bir değerlendirme kümesiyle hibrit aramanın skor birleştirme ve ağırlık parametrelerini deneysel olarak optimize etmenin adımları.

1. 1

   Değerlendirme kümesi hazırla

   Kavramsal, tam eşleşmeli, kısa ve uzun sorguları temsil eden gerçekçi bir sorgu listesi kur; her sorgu için doğru parçayı işaretle.

2. 2

   Temel çizgileri ölç

   Önce saf vektör ve saf BM25 için recall, MRR ve nDCG değerlerini ayrı ayrı ölç; bunlar karşılaştırma zeminidir.

3. 3

   Skor birleştirme yöntemini seç

   RRF ile başla (k=60); paralel olarak normalize edilmiş ağırlıklı toplamı da kur ve ikisini aynı kümede karşılaştır.

4. 4

   Ağırlığı/parametreyi tara

   Ağırlıklı toplamda alpha'yı 0.0'dan 1.0'a tara; RRF'te k'yi birkaç değerde dene; her ayarda metrikleri hesapla.

5. 5

   Sorgu tipine göre kır

   Metrikleri sorgu tipine göre ayrıştır; tek bir alpha yerine sorgu tipine göre dinamik ağırlık gerekip gerekmediğini gör.

6. 6

   En iyiyi sabitle ve regresyon kur

   İsabet oranını en yükselten ayarı seç; değerlendirme kümesini regresyon testi olarak sakla ve her değişiklikte tekrar çalıştır.

Bu deney kurulumunda birkaç tuzağa dikkat etmek gerekir. Birincisi, aşırı uydurmadır (overfitting): değerlendirme kümesi çok küçükse, bulduğunuz "optimum" alpha yalnızca o küçük kümede iyidir, gerçek trafikte değil. Bu yüzden küme yeterince büyük ve çeşitli olmalıdır. İkincisi, tek metriğe kilitlenmektir: yalnızca recall'a bakıp nDCG'yi ihmal ederseniz, doğru parçayı getiren ama kötü sıralayan bir sistemi "iyi" sanabilirsiniz. Üçüncüsü, BM25'in kendi parametrelerini (k1, b) sabit unutmaktır; bazen asıl kazanç, ağırlık ayarından değil, BM25 analizörünü ve parametrelerini düzeltmekten gelir.

Optimizasyonun getirisi somuttur: iyi kurulmuş bir deneyle, aynı belgeler ve aynı model üzerinde yalnızca skor birleştirme ve ağırlık ayarını iyileştirerek isabet oranında gözle görülür artış elde edebilirsiniz. Bu, hibrit aramanın en tatmin edici yanıdır: model veya donanım değiştirmeden, yalnızca getirme katmanını akıllıca ayarlayarak arama kalitesini yükseltmek.

Hibrit aramayı daha derin bir düzeyde anlamak için, iki arama yönteminin aslında iki farklı vektör temsili olduğunu görmek gerekir. Bu bakış, skor birleştirmenin neden doğal bir işlem olduğunu ve BM25 vektör birleşiminin matematiksel zeminini netleştirir. Modern literatürde hibrit arama sıklıkla "seyrek + yoğun" (sparse + dense) birleşimi olarak da adlandırılır.

Anlamsal aramanın kullandığı embedding'ler yoğun vektörlerdir (dense vectors): birkaç yüz veya bin boyutlu, hemen her boyutu dolu, sürekli sayılardan oluşan temsiller. Bu vektörlerin her boyutu tek başına yorumlanamaz; anlam, boyutların birlikte oluşturduğu desende gizlidir. Yoğun vektörler kavramı ve eş anlamlıyı yakalamada güçlüdür, çünkü anlamca yakın metinler bu uzayda gerçekten yakınlaşır.

BM25 ise aslında bir seyrek vektör (sparse vector) temsili olarak düşünülebilir: koleksiyondaki her kelime bir boyut olur, bir belge yalnızca içerdiği kelimelerin boyutlarında sıfırdan farklı değer taşır, geri kalan on binlerce boyut sıfırdır. Bu yüzden "seyrek" denir — vektörün ezici çoğunluğu boştur. Seyrek temsilin gücü tam eşleşmededir: bir kelime ya vardır ya yoktur, bu yüzden ürün kodu ve nadir terim gibi kesin sinyaller net yakalanır.

Bu çerçevede hibrit arama, bir metni aynı anda iki farklı uzayda temsil edip iki aramayı birleştirmektir: yoğun uzayda anlam, seyrek uzayda tam eşleşme. Skor birleştirme, bu iki temsilin verdiği kanıtı harmanlamaktan başka bir şey değildir. Bazı ileri yaklaşımlar, "öğrenilmiş seyrek" (learned sparse) temsiller kullanarak iki dünyanın avantajını tek bir modelde toplamaya çalışır; ama pratikte en yaygın ve en sağlam yol, ayrı bir yoğun embedding ile ayrı bir BM25'i skor birleştirmeyle birleştirmektir. Bu ikili temsil bakışı, hibrit aramanın neden bu kadar doğal ve güçlü olduğunu açıklar: iki temsil, bilginin iki farklı yüzünü yakalar ve birleşim ikisini birden görür.

Skor birleştirmeyi somutlaştırmak için tek bir sorgu üzerinde sayısal bir örnek işleyelim; bu, RRF ile ağırlıklı toplamın davranış farkını çıplak biçimde gösterir. Diyelim ki bir sorgu için iki yöntem şu ilk üç adayı döndürdü. Vektör araması: A belgesi (kosinüs 0.82), B belgesi (0.79), C belgesi (0.75). BM25 araması: C belgesi (skor 24.1), D belgesi (18.7), A belgesi (12.3). Amacımız bu iki listeyi tek bir sıralamaya harmanlamak.

Önce RRF ile birleştirelim (k=60). Her belge için 1/(k+sıra) değerlerini toplarız. A belgesi: vektörde 1. sıra → 1/61 = 0.0164; BM25'te 3. sıra → 1/63 = 0.0159; toplam 0.0323. C belgesi: vektörde 3. sıra → 1/63 = 0.0159; BM25'te 1. sıra → 1/61 = 0.0164; toplam 0.0323. B belgesi: yalnızca vektörde 2. sıra → 1/62 = 0.0161. D belgesi: yalnızca BM25'te 2. sıra → 1/62 = 0.0161. Sonuç: A ve C başa baş en üstte (ikisi de her iki listede yer aldığı için), B ve D onların hemen altında. RRF'in "iki yöntem de beğendiyse öne çıkar" mantığı burada net görülür; skorların mutlak değeri hiç kullanılmadı, yalnızca sıra.

Şimdi normalize edilmiş ağırlıklı toplamla, alpha=0.5 ile birleştirelim. Önce her listeyi min-max ile 0–1'e normalize ederiz. Vektör: A=1.0 (en yüksek 0.82), B=(0.79−0.75)/(0.82−0.75)=0.57, C=0.0. BM25: C=1.0 (en yüksek 24.1), D=(18.7−12.3)/(24.1−12.3)=0.54, A=0.0. Sonra son skor = 0.5×vektör + 0.5×BM25 (bir listede olmayan belge o listede 0 alır). A: 0.5×1.0 + 0.5×0.0 = 0.50. C: 0.5×0.0 + 0.5×1.0 = 0.50. B: 0.5×0.57 + 0 = 0.285. D: 0 + 0.5×0.54 = 0.27. Yine A ve C başta çıkar, ama normalizasyonun uç değer davranışı burada görünür: bir listede en düşük olan belge o listeden 0 katkı alır ve bu, sonucu RRF'ten farklı biçimde etkileyebilir.

Bu örneğin dersi şudur: iki yöntem çoğu zaman benzer bir üst sıralama üretir, ama ayrıntıda farklılaşır ve bu farklılık isabet oranını etkiler. RRF sağlam ve ölçekten bağımsızdır; ağırlıklı toplam ise alpha ile ince ayara açıktır ama normalizasyonun uç durumlarına duyarlıdır. Hangisinin sizin verinizde daha iyi olduğunu ancak değerlendirme kümesiyle ölçerek bilebilirsiniz — sayısal sezgi, ölçümün yerini tutmaz.

Hibrit arama yalnızca "anlam mı, kelime mi" meselesi değildir; gerçek kurumsal sistemlerde getirme, meta veri filtreleriyle iç içe çalışır ve bu filtreler doğrudan erişim kontrolü ve KVKK uyumuyla bağlantılıdır. Bir belge parçasına eklenen meta veri — kaynak, tarih, departman, gizlilik düzeyi, dil — hem hibrit aramanın kalitesini hem güvenliğini belirler.

Meta veri filtreleme, aramayı çalıştırmadan önce veya sırasında aday havuzunu daraltır. Örneğin kullanıcı yalnızca "2024 sonrası" veya "yalnızca İK departmanı" belgelerini görmeli ise, hem vektör hem BM25 araması bu filtreyle sınırlandırılır. Bu, hibrit aramada ince bir mühendislik gerektirir: filtre çok erken uygulanırsa (pre-filter) doğru adaylar daha aday olmadan elenebilir; çok geç uygulanırsa (post-filter) ilk k aday filtreyle boşalabilir ve sonuç yetersiz kalır. Doğru tasarım, filtreyi arama motorunun yerleşik filtreleme yeteneğiyle bütünleştirmektir.

Erişim kontrolü açısından bu, kritik bir güvenlik katmanıdır. Bir hibrit arama sisteminde en tehlikeli hata, tüm belgeleri tek havuza koyup filtresiz aramaktır; bu, bir çalışanın yetkisi olmayan bir belgeye arama yoluyla ulaşması demektir. Doğru kurulumda, her parçanın erişim düzeyi meta verisi olur ve getirme katmanı — hem vektör hem BM25 tarafı — kullanıcının yetkisine göre filtrelenir. Yani izin kontrolü, sonuç gösterilirken değil, arama yapılırken uygulanır. Bu ilkenin RAG bağlamındaki bütününü RAG nedir yazısında, kişisel veri boyutunu ise KVKK nedir yazısında ele alıyoruz.

Meta verinin bir başka faydası, hibrit aramanın zayıf noktalarını kapatmasıdır. Tarih meta verisi, "en güncel sürüm" tercihini mümkün kılar; departman meta verisi, bağlamı daraltarak isabet oranını yükseltir; kaynak meta verisi, kaynak göstermeyi güçlendirir. Bu yüzden olgun bir hibrit arama tasarımı, yalnızca skor birleştirmeyi değil, meta veri şemasını da baştan planlar. İyi bir meta veri, hibrit aramanın görünmeyen ama en belirleyici bileşenlerinden biridir; onsuz kurulan bir sistem hem daha az isabetli hem daha az güvenlidir.

Hibrit aramanın kalitesi yalnızca birleştirme yöntemine değil, arama motoruna giden sorgunun kalitesine de bağlıdır. Kullanıcının ham sorgusu çoğu zaman eksik, belirsiz veya çok kısadır; sorgu yeniden yazma (query rewriting) ve sorgu genişletme (query expansion), bu ham sorguyu her iki arama yöntemi için daha etkili hale getirir ve isabet oranını yükseltir.

Sorgu yeniden yazma, sorguyu netleştirir veya bağlamla zenginleştirir. Özellikle çok turlu bir sohbette, "peki ya bunun garantisi?" gibi bağlama gömülü bir sorgu, önceki konuşmayla birleştirilerek "XR-4021 kablosuz kulaklığın garantisi" gibi tam bir sorguya dönüştürülür. Bu yeniden yazılmış sorgu, hem vektör hem BM25 tarafında çok daha isabetli çalışır; çünkü ham "peki ya bunun garantisi?" ifadesi tek başına iki yöntem için de zayıf bir sinyaldir.

Sorgu genişletme ise sorguya eş anlamlı, ilgili terim veya alternatif yazımlar ekler. Bu, özellikle BM25 tarafını güçlendirir: "iade" araması "geri iade", "para iadesi", "ürün iadesi" ile genişletilirse, anahtar kelime araması eş anlamlı boşluğunu kısmen kapatır. İlginç biçimde, genişletme hibrit aramanın iki tarafını farklı derecede etkiler: vektör araması eş anlamlıyı zaten yakaladığı için genişletmeden az fayda görür, ama BM25 tam eşleşmeye dayandığı için genişletmeden çok fayda görür. Bu asimetri, genişletmenin özellikle seyrek (BM25) tarafa yönelik akıllı bir güçlendirme olduğunu gösterir.

Bu tekniklerin bir maliyeti vardır: yeniden yazma ve genişletme genellikle ek bir model çağrısı gerektirir, bu da gecikme ve maliyet ekler. Ayrıca yanlış bir yeniden yazma, sorguyu doğru anlamdan uzaklaştırıp isabet oranını düşürebilir. Bu yüzden bu adımlar da ölçülerek eklenmelidir: yeniden yazma açık/kapalı iki senaryoyu aynı değerlendirme kümesinde karşılaştırıp gerçekten fayda sağladığını doğrulamak gerekir. Doğru uygulandığında, sorgu yeniden yazma ve genişletme, skor birleştirme ve ağırlık ayarının yanında hibrit arama kalitesini yükselten üçüncü büyük kaldıraçtır.

Hibrit arama teoride basit görünür — "iki aramayı birleştir" — ama pratikte sessizce kaliteyi düşüren birçok hata vardır. Deneyimli bir gözle bakıldığında, başarısız hibrit arama kurulumları benzer hatalarla bozulur. En yaygınları şunlardır:

• Normalizasyonu atlamak: BM25 ve vektör skorlarını normalize etmeden toplamak, en sık yapılan hatadır. Ölçek uyumsuzluğu yüzünden bir yöntem diğerini ezer ve ağırlık ayarı anlamsızlaşır. RRF kullanmak bu tuzağı tamamen atlatır.
• Ağırlığı ölçmeden seçmek: alpha'yı "hisle" 0.5 koyup geçmek, çoğu zaman optimumu kaçırır. Ağırlık ayarı, etiketli değerlendirme kümesiyle taranarak bulunmalıdır.
• Değerlendirme kümesinin çeşitsizliği: Yalnızca uzun doğal dil sorgularından oluşan bir kümeyle ölçüm yaparsanız, hibrit aramanın asıl kazandırdığı tam eşleşmeli sorguları hiç test etmemiş olursunuz ve yanlış sonuç çıkarırsınız.
• BM25 analizörünü ihmal etmek: Türkçe için kök bulma ve durak kelime işleme yapılandırılmazsa, BM25 yarısı zayıf çalışır ve hibrit aramanın potansiyeli açığa çıkmaz.
• İki yöntem için farklı chunking: Vektör ve BM25 farklı parça sınırları üzerinde çalışırsa, skor birleştirme kirlenir ve aynı belgenin farklı parçaları çelişir.
• Reranking ile karıştırmak: Hibrit aramayı reranking'in yerine koymak. İkisi farklı katmandır; hibrit arama aday toplar, reranking sıralar — biri diğerinin yerini tutmaz.
• Ölçmeden 'daha iyi' demek: Metrik olmadan hibrit aramanın kazandırdığını iddia etmek. Recall, MRR ve nDCG olmadan iyileşme kanıtlanamaz.

Hibrit arama güçlüdür ama her senaryoda gerekli değildir; ek karmaşıklık getirdiği için, ne zaman gerekmediğini bilmek de bir uzmanlık işaretidir. Hibrit aramayı gereksiz yere eklemek, çözdüğünden fazla bakım yükü yaratabilir. Birkaç durumda saf vektör araması veya saf anahtar kelime araması yeterlidir.

Saf vektör araması, kullanıcıların neredeyse yalnızca uzun, doğal dil, kavramsal sorular sorduğu ve tam eşleşme (kod, kısaltma, isim) ihtiyacının çok düşük olduğu senaryolarda yeterli olabilir. Örneğin genel bir "kavram anlatan" bilgi tabanında, sorgular çoğunlukla kavramsalsa, BM25'in eklediği kazanç marjinal kalabilir ve hibrit aramanın karmaşıklığı gereksiz olur. Yine de bunu varsaymak yerine ölçmek gerekir: gerçek sorgu trafiğine bakıp tam eşleşmeli sorgu oranını görmek, kararı kanıta bağlar.

Saf anahtar kelime araması ise, kullanıcıların neredeyse yalnızca kesin terim/kod aradığı ve kavramsal, eş anlamlı toleransı gerektirmeyen senaryolarda yeterli olabilir; örneğin bir parça numarası kataloğunda. Bu durumda embedding altyapısının maliyeti ve karmaşıklığı, sağladığı marjinal faydayı haklı çıkarmayabilir. Karar her zaman aynı ilkeye dayanır: sorgu trafiğinin profilini ölçün, iki uçtaki saf yöntemleri temel çizgi olarak değerlendirin, hibrit aramanın kattığı isabet oranı artışını bu temele göre kanıtlayın.

Genel kural şudur: gerçek kurumsal bilgi tabanlarının çoğunda sorgu trafiği karışıktır — hem kavram hem tam eşleşme aranır — ve bu yüzden hibrit arama çoğu zaman doğru varsayılandır. Ama "çoğu zaman", "her zaman" değildir; ve doğru mühendislik kararı, varsayımla değil, kendi sorgu verinizle verilir. Basitlikle başlamak, karmaşıklığı ancak ölçülmüş bir ihtiyaç ortaya çıktığında eklemek, hibrit arama dahil her getirme kararının sağlam ilkesidir.

Hibrit aramayı tam kavramanın en iyi yolu, tek bir sorgunun sistem içindeki yolculuğunu adım adım izlemektir. Varsayalım ki bir kullanıcı kurumsal bilgi tabanına şunu soruyor: "XR-4021 kablosuz kulaklığın garanti süresi ne kadar?" Bu sorgu hem bir tam token (XR-4021) hem bir kavram (garanti süresi) içerir; yani tam da hibrit aramanın parladığı karışık sorgu tipidir.

Önce sorgu iki paralel yola ayrılır. Vektör yolunda soru bir embedding'e çevrilir; "garanti süresi", "kablosuz kulaklık" gibi kavramlar anlamsal uzayda temsil edilir ve vektör veritabanı, garanti koşullarını anlatan parçaları — belgede "garanti süresi" yerine "garanti kapsamı" veya "cihaz teminatı" yazsa bile — anlamsal yakınlıkla bulur. Bu yol, kavramsal kısmı iyi yakalar ama "XR-4021"i muhtemelen zayıf temsil eder.

BM25 yolunda ise aynı sorgu anahtar kelime motoruna gider. Burada "XR-4021" tokenı yüksek IDF ile güçlü bir sinyaldir; motor, bu kodu tam olarak içeren belgeleri kesin biçimde bulur. Böylece vektör yolunun kaçırdığı tam eşleşme, BM25 yolunda kurtarılır. Şimdi iki aday listemiz var: biri kavramsal olarak ilgili parçalar, diğeri "XR-4021"i birebir içeren parçalar.

Skor birleştirme adımı devreye girer. Diyelim ki RRF kullanıyoruz: her belgenin iki listedeki sırasına bakılır ve 1/(k+sıra) değerleri toplanır. XR-4021'in garanti bilgisini içeren belge — ki hem BM25 listesinde (kod eşleşmesi) hem vektör listesinde (garanti kavramı) üst sıralarda çıkar — iki katkıyı birden alır ve nihai sıralamada en üste yükselir. İşte hibrit aramanın büyüsü: ne saf vektör ne saf BM25 bu belgeyi tek başına bu kadar güvenle en üste koyamazdı; birleşim, ikisinin ortak oyunu sayesinde doğru cevabı öne çıkardı. Bu birleşik ve isabetli aday listesi sonra reranking'e, oradan da modele gider ve model, doğru parçaya dayanarak kaynak gösteren bir yanıt yazar.

Hibrit arama ve reranking sık karıştırılır; oysa farklı katmanlardır ve en iyi sonucu birlikte kullanıldığında verirler. Bu ayrımı netleştirmek, getirme boru hattını doğru tasarlamak için gereklidir. Reranking'in ayrıntısını reranker nedir yazısında ele alıyoruz; burada iki katmanın işbölümünü gösterelim.

Hibrit arama bir "aday toplama" katmanıdır: iki farklı arama yönteminin (vektör + BM25) sonuçlarını birleştirerek geniş ve isabetli bir aday listesi üretir. Amacı, doğru parçanın adaylar arasında bulunmasını (yüksek recall) sağlamaktır. Reranking ise bir "aday sıralama" katmanıdır: hibrit aramanın ürettiği aday listesini alır ve her adayı soruyla birlikte daha güçlü bir modelden (cross-encoder) geçirerek gerçek alaka düzeyine göre yeniden sıralar. Amacı, en ilgili birkaç parçayı en üste koymak (yüksek precision) ve modele temiz bir bağlam vermektir.

İkisi arasındaki hesaplama farkı önemlidir. Hibrit arama hızlıdır ve geniş bir aday kümesini ucuza tarar; bu yüzden ilk, geniş adımdır. Reranking pahalıdır (her aday için model çağrısı) ve bu yüzden yalnızca hibrit aramanın süzdüğü sınırlı aday üzerinde çalıştırılır. Doğru sıralama şudur: önce hibrit arama ile yüzlerce belgeden onlarca isabetli adayı ucuza topla, sonra reranking ile o onlarcadan en iyi birkaçını pahalı ama hassas biçimde seç.

Hibrit arama ve reranking: işbölümü

Boyut	Hibrit arama	Reranking
Katman	Aday toplama (getirme)	Aday sıralama (yeniden)
Amaç	Yüksek recall (kaçırma)	Yüksek precision (temizlik)
Yöntem	Vektör + BM25 + skor birleştirme	Cross-encoder ile puanlama
Maliyet	Düşük, geniş tarama	Yüksek, sınırlı aday
Sıra	Önce (geniş)	Sonra (dar)

Kısacası hibrit arama ile reranking rakip değil, ardışık ortaktır. Hibrit arama "doğru adayları kaçırma" sorununu, reranking "doğru adayı en üste koy" sorununu çözer. İkisini birlikte kullanan bir boru hattı, tek başına her birinden daha yüksek arama kalitesi üretir; bu, üretim kalitesinde RAG sistemlerinin tipik getirme mimarisidir.

Hibrit arama, iki arama yöntemini birlikte çalıştırdığı için, tek bir yönteme göre ek maliyet ve gecikme getirir; bu dengeyi bilinçli yönetmek, üretim kalitesinde bir sistem için şarttır. Kaliteyi yükseltirken hızı ve maliyeti gözden kaçırmak, laboratuvarda iyi çalışan ama üretimde yavaş veya pahalı kalan bir sistem üretir.

Gecikme tarafında, hibrit arama iki paralel arama gerektirir: vektör araması ve BM25 araması. İyi haber, bunların paralel çalıştırılabilmesidir; iki arama aynı anda başlatılırsa, toplam gecikme ikisinin toplamı değil, yavaş olanın süresi kadar olur. Skor birleştirme adımının kendisi (RRF veya ağırlıklı toplam) hesaplama açısından ucuzdur ve gecikmeye kayda değer katkı yapmaz. Asıl gecikme kaynağı, arkasından gelen reranking'tir; bu yüzden aday sayısını akıllıca sınırlamak (örneğin her yöntemden ilk 50 aday) hem gecikmeyi hem maliyeti kontrol eder.

Maliyet tarafında iki kalem öne çıkar. Birincisi altyapı: hem bir vektör veritabanı hem bir metin arama motoru (veya ikisini birleştiren tek bir sistem) barındırmak gerekir; tek yönteme göre biraz daha fazla bileşen demektir. İkincisi embedding maliyeti, ki bu hibrit aramaya özgü değildir, vektör tarafının doğal maliyetidir. Skor birleştirme ise neredeyse bedavadır. Genel olarak hibrit aramanın ek maliyeti, sağladığı isabet oranı artışının yanında çoğu kurumsal senaryoda fazlasıyla haklıdır; ama yine de ölçülmeli ve izlenmelidir.

Doğru yaklaşım, bu dengeyi bir kez kurup unutmak değil, ölçüp yönetmektir. Her sorgunun gecikmesini, aday sayısını ve isabet oranını izleyen bir panoyla, "aday sayısını artırırsam isabet oranı ne kadar artar, gecikme ne kadar büyür" sorusuna somut cevap verebilirsiniz. Böylece kurum, körlemesine değil bilinçli bir denge seçer: bir destek asistanında hız kritikken, bir hukuk analiz aracında isabet oranı her şeyin önünde gelebilir. Bu operasyonel dengeyi sürdürmenin çerçevesini LLMOps nedir yazısında ele alıyoruz.

Hibrit aramanın kalitesi, yalnızca skor birleştirme ve ağırlık ayarıyla değil, belgenin nasıl yapılandırıldığıyla da yakından ilgilidir. İki teknik burada özellikle belirleyicidir: alan ağırlıklandırma (field boosting) ve chunk boyutu. İkisi de BM25 vektör birleşiminin her iki tarafını farklı biçimde etkiler ve doğru ayarlandığında isabet oranını gözle görülür yükseltir.

Alan ağırlıklandırma, bir belgenin farklı bölümlerine (başlık, özet, gövde, etiketler) arama sırasında farklı önem vermektir. Sezgi basittir: bir kelime başlıkta geçiyorsa, gövdenin ortasında geçmesinden daha güçlü bir alaka sinyalidir. BM25 tarafında bu, başlık alanına bir çarpan (boost) vererek uygulanır; başlıkta eşleşen bir sorgu kelimesi, gövdede eşleşenden daha yüksek skor alır. Vektör tarafında ise başlığı ve gövdeyi ayrı embedding'lemek veya başlığı parçanın metnine önek olarak eklemek benzer bir etki yaratır. Alan ağırlıklandırma, özellikle yapılandırılmış belgelerde (ürün sayfaları, SSS, teknik kartlar) hibrit aramanın isabet oranını belirgin biçimde artırır.

Chunk boyutu ise hem BM25 hem vektör tarafını aynı anda etkileyen ortak bir parametredir. Çok büyük parçalar, BM25'in IDF sinyalini seyreltir (bir kelime büyük bir parçada geçtiğinde ayırt ediciliği azalır) ve vektörün anlamsal odağını bulanıklaştırır. Çok küçük parçalar ise bağlamı koparır ve her iki yöntemin de yanlış eşleşme yapmasına yol açar. Hibrit aramada ilginç bir gerilim vardır: BM25 genellikle biraz daha büyük parçalarla, vektör ise biraz daha küçük ve odaklı parçalarla daha iyi çalışır. Bu yüzden iki yöntemin aynı parça sınırlarını paylaşması, bir uzlaşma gerektirir. Chunk boyutu stratejilerini chunking nedir yazısında ayrıntılandırıyoruz.

Pratik sonuç şudur: alan ağırlıklandırma ve chunk boyutu, ağırlık ayarı kadar önemli ama çok daha sık ihmal edilen kaldıraçlardır. Bir hibrit arama sistemini optimize ederken yalnızca alpha'yı taramak, resmin yarısıdır; başlık boost'unu ve chunk boyutunu da aynı değerlendirme kümesiyle denemek, çoğu zaman ağırlık ayarından daha büyük kazanç sağlar. Bu iki parametre, hibrit aramanın "getirme katmanı bir bütündür" ilkesinin somut örnekleridir.

Hibrit arama üretimde beklenmedik sonuçlar verdiğinde — "doğru belge neden gelmedi" veya "bu alakasız parça neden en üstte" — sistematik bir hata ayıklama disiplini gerekir. Hibrit aramanın büyük avantajı, iki ayrı arama yönteminin skorlarını ayrı ayrı inceleyebilmenizdir; bu, sorunun nerede olduğunu şaşırtıcı biçimde netleştirir.

Hata ayıklamanın ilk adımı, birleştirmeden önce her yöntemin ham çıktısına bakmaktır. Doğru belge vektör listesinde var mı ama BM25'te yok mu? Öyleyse sorun tam eşleşmededir — belki bir terim çekimi veya yazım farkı BM25'i şaşırtıyor. Doğru belge BM25'te var ama vektörde yok mu? Öyleyse sorun embedding kalitesindedir — belki model bu kavramı zayıf temsil ediyor. Doğru belge her ikisinde de yok mu? Öyleyse sorun daha temeldir: chunking belgeyi kötü kesmiş, belge indekslenmemiş veya bir filtre onu elemiş olabilir. Bu üç durum, üç farklı çözüm gerektirir ve ancak skorları ayrı okuyarak ayırt edilir.

İkinci adım, skor birleştirmenin davranışını incelemektir. Doğru belge iki listede de var ama birleşimden sonra alta düşüyorsa, sorun ağırlık ayarında veya normalizasyonda olabilir: belki alpha bir yönteme aşırı yükleniyor, belki normalizasyon bir uç değer yüzünden bozuluyor. Burada, bir önceki bölümde işlediğimiz sayısal örnek türünden bir elle hesap, sorunu şaşırtıcı hızda ortaya çıkarır. Skorları bir tabloya dökmek — her aday için vektör skoru, BM25 skoru, normalize değerler ve son skor — hibrit aramanın en güçlü hata ayıklama aracıdır.

Bu şeffaflık, hibrit aramanın anlamsal aramaya göre bir üstünlüğüdür: saf vektör aramasında "neden bu geldi" sorusunun cevabı soyut kalırken, hibrit aramada en azından BM25 tarafı net bir açıklama verir. Olgun ekipler bu yüzden bir hibrit arama sisteminin yanına bir "arama denetçisi" (search inspector) aracı kurar: bir sorguyu girip her iki yöntemin skorlarını, sıralarını ve birleşik sonucu yan yana görmek. Bu araç, arama kalitesi sorunlarını tahminle değil kanıtla çözmenin en pratik yoludur ve isabet oranını iyileştirmenin günlük mutfağıdır.

Aşağıdaki kontrol listesi, bir hibrit arama katmanını fikirden üretime sağlam biçimde taşımanın pratik rehberidir. Bu adımları sırayla işaretleyebiliyorsanız, hibrit aramayı yalnızca "kurmuş" değil, ölçmüş ve optimize etmiş olursunuz.

Nasıl Yapılır

Hibrit arama uygulama kontrol listesi

Bir hibrit arama getirme katmanını dar bir pilottan güvenilir üretime taşıyan adım adım kontrol listesi.

1. 1

   Sorgu profilini çıkar

   Gerçek sorgu trafiğine bak; kavramsal ve tam eşleşmeli sorguların oranını gör, hibrit aramanın gerekliliğini kanıtla.

2. 2

   İki tarafı ayrı kur

   Türkçe analizörüyle BM25 motorunu ve Türkçeyi iyi temsil eden bir embedding ile vektör aramasını ayrı ayrı çalışır hale getir.

3. 3

   Değerlendirme kümesi hazırla

   Çeşitli sorgu tiplerini temsil eden etiketli bir set kur; recall, MRR ve nDCG ölçümünü otomatikleştir.

4. 4

   Skor birleştirmeyi seç

   RRF (k=60) ile başla; ağırlıklı toplamı da kur ve iki yöntemi aynı kümede karşılaştır.

5. 5

   Ağırlığı optimize et

   alpha'yı veya k'yi tara; sorgu tipine göre kır; isabet oranını en yükselten ayarı sabitle.

6. 6

   Reranking ekle

   Hibrit aramanın ürettiği aday listesine bir reranking katmanı ekle; precision'ı yükselt.

7. 7

   Maliyet-gecikmeyi izle

   Aday sayısını sınırla, aramaları paralel çalıştır, her sorgunun gecikme ve maliyetini panoyla izle.

8. 8

   Regresyon kur ve sürdür

   Değerlendirme kümesini regresyon testi olarak sakla; içerik ve model değiştikçe tekrar çalıştır, arama kalitesinin bozulmasını önle.

Bu kontrol listesini dar bir pilotta uygulamak, büyük bir dönüşüm vaadinden çok daha değerlidir; çünkü ölçülmüş küçük bir kazanım, ölçülmemiş büyük bir iddiadan her zaman daha ikna edicidir. Hibrit aramayı önce tek bir bilgi tabanında kurup ölçün, kazancı kanıtlayın, sonra kapsamı büyütün. Bir RAG sistemini uçtan uca kurgulamak ve hibrit arama katmanını doğru tasarlamak için ekiplerinizin yetkinliğini kurumsal eğitim ile geliştirebilir, tüm kavramları öğrenme merkezinde derinleştirebilirsiniz.

Kısaca, hibrit arama nedir sorusunun cevabı: anlamsal aramayı (embedding tabanlı vektör araması) klasik anahtar kelime aramasıyla (BM25) birleştiren ve iki yöntemin sonuçlarını bir skor birleştirme adımıyla harmanlayan getirme yöntemi. Anlamsal arama kavram ve eş anlamlıyı, BM25 tam eşleşmeyi yakalar; hibrit arama ikisini birden kullanarak arama kalitesini ve isabet oranını tek başına vektör aramasına göre yükseltir. Bu birleşim, özellikle terim, kod ve isim içeren kurumsal sorgularda ve RAG boru hatlarında belirleyici bir fark yaratır.

En önemli mesaj şudur: hibrit arama bir "aç-kapa" özelliği değil, ölçülerek ayarlanan bir mühendislik kararıdır. Skor birleştirme yönteminin seçimi (RRF mi, ağırlıklı toplam mı), ağırlık ayarı (alpha kaç), BM25 analizörünün Türkçe kalitesi ve embedding modelinin Türkçe performansı — bunların hepsi arama kalitesini etkiler ve hepsinin doğru değeri, etiketli bir değerlendirme kümesiyle recall, MRR ve nDCG üzerinden ölçülerek bulunur. BM25 vektör birleşimi doğru kurulduğunda, model veya donanım değiştirmeden yalnızca getirme katmanını iyileştirerek isabet oranını yükseltebilirsiniz.

Son bir çerçeve olarak, hibrit aramayı bir "yöntem seçimi" değil, bir "kanıt birleştirme" disiplini olarak görmek en doğru zihniyettir. Anlamsal arama bir tür kanıt sunar (anlamca yakınlık), BM25 başka bir tür kanıt sunar (tam eşleşme sıklığı ve nadirlik); skor birleştirme, bu iki bağımsız kanıtı tek bir karara harmanlar. Bu bakış, neden birleşimin tek yöntemden üstün olduğunu istatistiksel olarak da açıklar: bağımsız iki sinyalin ortak oyu, tek bir sinyalden daha güvenilirdir. Bir belgeyi hem anlamsal arama hem BM25 öne çıkarıyorsa, bu belgenin gerçekten ilgili olma olasılığı belirgin biçimde artar; işte hibrit aramanın isabet oranını yükseltmesinin temelinde bu bağımsız doğrulama yatar. Kurumsal bir bilgi tabanı kurarken bu ilkeyi baştan benimsemek — iki kanıtı birleştir, ağırlığı ölç, sonucu izle — sizi hem daha isabetli hem daha açıklanabilir bir arama katmanına götürür. Ve unutmayın: hibrit arama, en pahalı model veya en büyük donanımla değil, en disiplinli ölçümle kazanılır.

Temel kavramları derinleştirmek için RAG nedir, semantik arama nedir, embedding nedir ve reranker nedir yazılarına bakabilirsiniz. Kurumunuza özel bir hibrit arama ve RAG mimarisi tasarlamak, bülten aracılığıyla yeni içeriklerden haberdar olmak veya bir başlangıç yol haritası konuşmak için iletişime geçebilir, ekiplerinizin yetkinliği için kurumsal eğitim seçeneklerini inceleyebilir ve tüm konuları blog üzerinden takip edebilirsiniz. Doğru kurulmuş bir hibrit arama katmanı, kurumsal bilgi erişiminin sessiz ama en belirleyici kaldıraçlarından biridir.