# Bilgi Grafiği (Knowledge Graph) Nedir? Varlık, İlişki ve Ontoloji Rehberi > Source: https://sukruyusufkaya.com/blog/bilgi-grafigi-nedir > Updated: 2026-07-05T16:07:49.179Z > Type: blog > Category: yapay-zeka **TLDR:** Bilgi grafiği nedir? Bilgi grafiği (knowledge graph), gerçek dünyadaki varlıkları (kişi, yer, ürün, kavram) ve bunlar arasındaki ilişkileri, makinenin sorgulayabileceği bir ağ olarak modelleyen yapıdır. Bu rehber: net tanım, varlık ve ilişki, ontoloji, nasıl çalışır, GraphRAG, arama motorları ve yapay zeka bağlantısı, kurumsal bilgi yönetimi, Türkiye örnekleri ve sık sorulan sorular. Bilgi grafiği nedir? Bilgi grafiği (knowledge graph), gerçek dünyadaki varlıkları (kişi, yer, ürün, kavram) düğüm; bunlar arasındaki ilişkileri kenar olarak temsil eden bir bilgi ağıdır. Veriyi birbirinden kopuk tablolar yerine anlamlı bir graf yapısında saklar; böylece makine, tek tek gerçekleri değil, gerçekler arasındaki bağlamı da anlayabilir. Klasik veri sistemleri "Ankara" ile "Türkiye"yi iki ayrı hücrede tutar ve aralarındaki bağı programcının kurmasını bekler. Bilgi grafiği ise bu bağın kendisini — "Ankara, Türkiye'nin başkentidir" ilişkisini — birinci sınıf bir bilgi olarak saklar. Bu rehber bilgi grafiği nedir, varlık ve ilişki neyi ifade eder, ontoloji neden gereklidir, arama motorları ve yapay zeka ile bağlantısı nedir ve kurumsal bilgi yönetiminde nasıl değer ürettiğini ele alıyor. Bir kurumdaki verinin çoğu izole adalar hâlinde durur: müşteri bir sistemde, ürünler başka bir tabloda, sözleşmeler bir belge deposunda. Her biri tek başına doğrudur ama aralarındaki bağ görünmez. "Bu müşteriyle imzalanan sözleşmede geçen ürünün tedarikçisi kim?" gibi bir soru, bu adalar arasında elle köprü kurmayı gerektirir. İşte bilgi grafiği tam bu köprüleri kalıcı ve sorgulanabilir kılar. Değerin özü şudur: bilgi grafiği, veriyi değil ilişkiyi birinci sınıf vatandaş yapar. İnsanlar dünyayı zaten böyle düşünür — kavramları izole değil, bağlantılı biçimde. Bilgi grafiği bu insani anlama biçimini makineye taşır; böylece sistem yalnızca "ne" olduğunu değil, bir şeyin başka şeylerle "nasıl bağlı" olduğunu da bilir. Bu bağlam, hem arama motorlarının hem de modern yapay zeka sistemlerinin isabetli çalışmasının temelidir. ## Bilgi Grafiği Nasıl Çalışır? Varlık ve İlişki Bir bilgi grafiğinin çalışma mantığı şaşırtıcı derecede sadedir ve tek bir yapıya dayanır: varlık ve ilişki. Varlık (entity), grafta bir düğümdür — somut ya da soyut bir şey: bir kişi, bir şehir, bir ürün, bir kavram. İlişki (relation), iki varlığı birbirine bağlayan yönlü bir kenardır: "başkentidir", "üretir", "çalışır". Bilginin atomik birimi bu üçlüdür (triple): özne–yüklem–nesne. Bu üçlüler biriktikçe, tek tek gerçekler devasa bir ağa dönüşür. "Ankara — Türkiye'nin başkenti", "Türkiye — Avrupa ile Asya arasında", "Ankara — nüfusu 5 milyondan fazla" gibi üçlüler bir araya geldiğinde, sistem artık "Avrupa ile Asya arasındaki bir ülkenin başkenti nedir?" gibi çok adımlı soruları grafın üzerinde gezerek yanıtlayabilir. Anahtar kelime araması bunu yapamaz; bilgi grafiği ise ilişkileri izleyerek yapar. ## Ontoloji Nedir ve Grafta Ne İşe Yarar? Bir bilgi grafiğinin tutarlı olması için, hangi varlık türlerinin var olduğu ve aralarında hangi ilişkilerin kurulabileceği önceden tanımlanmalıdır. Bu tanım kümesine ontoloji denir. Ontoloji, grafın kurallar kitabıdır: "Şehir bir türdür", "Ülke bir türdür", "bir şehir bir ülkede yer alabilir" gibi kavramsal kuralları belirler. Graf ise bu kurallara göre doldurulan gerçek veridir. Bu ayrım kritik bir soruyu yanıtlar: ontoloji ile bilgi grafiği aynı şey değildir. Ontoloji soyut şemadır — türler ve kurallar; bilgi grafiği ise bu şemanın somut örnekleriyle doldurulmuş hâlidir. Ontoloji "her sözleşmenin bir tarafı vardır" der; bilgi grafiği "X sözleşmesinin tarafı Y şirketidir" örneğini taşır. İyi tasarlanmış bir ontoloji, grafın hem tutarlı büyümesini hem de üzerinde güvenilir çıkarım yapılmasını sağlar; ontoloji olmadan graf, birbiriyle çelişen etiketlerin karmaşasına dönüşür. ## Bilgi Grafiği ile İlişkisel Veritabanı Farkı Nedir? Bilgi grafiğini anlamanın en pratik yolu, onu tanıdık ilişkisel veritabanıyla karşılaştırmaktır. İkisi de veri saklar, ama ilişkiye bakışları temelden farklıdır. Bu karşılaştırma, bilgi grafiğinin veritabanının yerini almadığını gösterir; farklı bir soru sınıfını çözer. Bir bankanın işlem kayıtları için tablo hâlâ doğru araçtır. Ama "bu müşteri, şu şirketin ortağı olan kişiyle nasıl bağlantılı?" gibi ilişki-yoğun sorular söz konusu olduğunda, bilgi grafiği kat kat daha güçlüdür. Doğru mimari çoğu zaman ikisini birlikte kullanır. ## Bilgi Grafiği Türleri: Açık, Kurumsal ve Alan-Özel Her bilgi grafiği aynı amaçla kurulmaz; kapsamına ve sahipliğine göre birkaç türe ayrılır. Açık (public) bilgi grafikleri, herkesin erişebildiği geniş kapsamlı ağlardır; Wikidata ve DBpedia bu türün en bilinen örnekleridir ve milyonlarca varlık ile ilişkiyi kamuya açık biçimde barındırır. Bunlar hem araştırmacılar hem de yapay zeka uygulamaları için ortak bir gerçeklik zemini sağlar. İkinci tür, kurumsal (enterprise) bilgi grafiğidir: bir şirketin kendi verilerini — müşteriler, ürünler, süreçler, belgeler — birbirine bağlayan, çoğunlukla kapalı ve erişim kontrollü ağlar. Üçüncüsü ise alan-özel (domain-specific) bilgi grafikleridir; tıp, hukuk veya finans gibi dar bir alanda derinleşen, o alanın ontolojisine göre titizlikle kurulmuş yapılardır. Bir ilaç etkileşim grafiği ya da bir mevzuat grafiği bu türe girer. Türü belirleyen şey teknoloji değil, grafın kime hizmet ettiği ve hangi soruları yanıtlamak için kurulduğudur. ## Arama Motorları ve Yapay Zeka Bilgi Grafiğini Nasıl Kullanır? Bilgi grafiği kavramı, geniş kitlelerce Google'ın 2012'de tanıttığı Knowledge Graph ile duyuldu. Bir arama motorunun "Mustafa Kemal Atatürk" sorgusuna sağda bir bilgi paneliyle — doğum tarihi, görevleri, ilişkili kişiler — yanıt vermesinin arkasında bir bilgi grafiği vardır. Arama motoru artık yalnızca sayfalardaki kelimeleri değil, tanıdığı varlıkları ve aralarındaki ilişkileri eşleştirir; bu, "şeyleri, dizeleri değil" (things, not strings) yaklaşımının özüdür. Aynı yapı bugün yapay zeka sistemlerinin merkezine yerleşiyor. Büyük dil modelleri akıcıdır ama bilgileri istatistikseldir ve bazen hatalıdır; bilgi grafiği ise kesin, doğrulanabilir varlık ve ilişki bilgisi taşır. İkisi birleştirildiğinde model, akıl yürütmesini grafın gerçeklerine dayandırır. Wikidata gibi açık bilgi grafikleri, hem arama motorlarını hem de birçok yapay zeka uygulamasını besleyen kamuya açık altyapı örnekleridir. ## GraphRAG: Bilgi Grafiği ile RAG'in Buluşması Yapay zekada bilgi grafiğinin en dikkat çekici güncel uygulaması GraphRAG'dir. Klasik RAG (Retrieval-Augmented Generation), bir dil modelini yanıt üretmeden önce dış belgelerden getirilen metin parçalarıyla besler. Bu güçlü bir yöntemdir, ama metin parçaları birbirinden kopuktur — sistem parçalar arasındaki ilişkiyi bilmez. GraphRAG, bu getirme katmanına bir bilgi grafiği ekleyerek boşluğu doldurur. GraphRAG'de belgelerden çıkarılan varlıklar ve ilişkiler bir grafta toplanır; model bir soruya yanıt verirken yalnızca ilgili metni değil, o metindeki varlıkların birbirine nasıl bağlandığını da kullanır. Bu, özellikle "birden fazla kaynağı birbirine bağlamayı" gerektiren karmaşık sorularda büyük fark yaratır: "Bu üründeki kusur, hangi tedarikçi ve hangi sözleşme dönemiyle ilişkili?" gibi bir soru, dağınık metinden değil, ancak bağlı bir graftan güvenilir biçimde yanıtlanır. Böylece GraphRAG hem daha isabetli hem de daha izlenebilir yanıtlar üretir. ## Kurumsal Bilgi Yönetiminde Bilgi Grafiği ve KVKK Kurumsal bilgi yönetimi, bilgi grafiğinin en yüksek getirili uygulama alanıdır. Çoğu kurumda bilgi; CRM, ERP, e-posta, dosya sunucusu ve sayısız tablo arasında dağılmıştır. Bilgi grafiği bu adaları ortak varlıklar üzerinden birbirine bağlar: aynı müşteri, aynı ürün, aynı proje farklı sistemlerde tek bir düğüm olarak buluşur. Böylece kurum, daha önce hiçbir tek sistemin veremeyeceği bütünsel soruları yanıtlayabilir hâle gelir. Türkiye bağlamında bu güç, KVKK ile birlikte tasarlanmalıdır. Bilgi grafiği kişisel verileri birbirine bağladığında, ayrı ayrı zararsız görünen bilgiler birleşince kimlik teşhis edici hâle gelebilir. Bu yüzden grafa hangi varlıkların gireceği, kimin hangi ilişkiyi görebileceği ve kişisel veri içeren düğümlerin nasıl korunacağı en baştan planlanmalıdır. İyi yönetilen bir kurumsal bilgi yönetimi grafı hem verimliliği hem uyumu birlikte sağlar; bu tür bir mimariyi güvenli kurmak için kurumsal RAG sistemleri çözümüne göz atabilirsiniz. Bilgi grafiği ancak beslendiği veri kadar iyidir. Tutarsız adlandırma (aynı müşterinin üç farklı yazımı) veya eksik ilişkiler, grafı yanıltıcı kılar. Bu yüzden başarılı bir kurumsal bilgi yönetimi projesi, teknolojiden önce varlık tanımının ve veri kalitesinin disipline edilmesiyle başlar. ## Bilgi Grafiğinin Sınırları ve Yaygın Hatalar Bilgi grafiği güçlüdür ama her soruna uygun değildir; başarısı büyük ölçüde ontoloji ve veri kalitesine bağlıdır. En yaygın hatalar şunlardır: - **Aşırı kapsamlı ontoloji:** Her şeyi baştan modellemeye çalışmak, projeyi bitmez bir tasarım aşamasında boğar. Dar bir alanla başlamak daha sağlıklıdır. - **Varlık çözümleme eksikliği:** Aynı gerçek varlığın farklı yazımlarının tek düğümde birleştirilmemesi (entity resolution), grafı bölünmüş ve yanıltıcı kılar. - **İlişkileri fazla basitleştirme:** Zaman ve bağlam taşımayan ilişkiler ("çalıştı" ama ne zaman?), grafın gerçek dünyayı yansıtmasını zayıflatır. - **Güncelliği ihmal:** Bir kez kurulup güncellenmeyen graf, hızla eskir; canlı süreçlere bağlanmayan graf değer üretmez. Bu yüzden bir bilgi grafiği projesinin başarısı, çoğu zaman en gösterişli teknolojiyi seçmekten değil, ontolojiyi doğru kurmaktan ve veriyi disiplinli beslemekten gelir. ## Sıkça Sorulan Sorular ### Bilgi grafiği ile veritabanı arasındaki fark nedir? Klasik ilişkisel veritabanı veriyi satır ve sütunlardan oluşan tablolarda tutar; ilişkiler dolaylıdır ve karmaşık bağlantılar için pahalı birleştirmeler gerekir. Bilgi grafiği ise ilişkileri verinin kendisi kadar birinci sınıf tutar: varlıklar düğüm, ilişkiler kenardır, bu yüzden çok adımlı bağlantı sorguları doğal ve hızlıdır. ### Bilgi grafiği ile yapay zeka arasındaki ilişki nedir? Bilgi grafiği, yapay zekaya yapılandırılmış ve doğrulanabilir bilgi sağlar. Büyük dil modelleri akıcı ama bazen hatalıdır; bilgi grafiği ise kesin varlık ve ilişki bilgisi taşır. GraphRAG gibi mimariler ikisini birleştirir: modelin akıl yürütmesi grafın gerçeklerine dayandırılır, böylece halüsinasyon azalır. ### Ontoloji ile bilgi grafiği aynı şey mi? Hayır. Ontoloji, bir alandaki kavramları, türleri ve aralarındaki ilişki kurallarını tanımlayan şemadır — yani grafın kurallar kitabıdır. Bilgi grafiği ise bu ontolojiye göre doldurulmuş gerçek verilerdir. Ontoloji "şehir bir ülkede yer alır" der; bilgi grafiği "Ankara Türkiye'de yer alır" örneğini içerir. ### GraphRAG nedir ve neden önemlidir? GraphRAG, klasik RAG'i bir bilgi grafiğiyle güçlendiren yaklaşımdır. Standart RAG metin parçalarını getirir; GraphRAG ise varlıklar arası ilişkileri de kullanarak çok kaynağı birbirine bağlar. Bu, "birbirine bağlı olguları" gerektiren karmaşık sorularda daha isabetli ve izlenebilir yanıtlar üretir. ### Küçük bir kurum bilgi grafiğini nasıl kurar? En sağlıklı yol dar bir alanla başlamaktır: önce hangi varlık türlerinin (müşteri, ürün, sözleşme) ve ilişkilerin önemli olduğunu belirleyin, küçük bir ontoloji tasarlayın, mevcut verileri bu şemaya eşleyin. Küçük ama tutarlı bir grafla başlamak, sonradan ölçeklemeyi kolaylaştırır. ### Bilgi grafiği SEO için önemli mi? Evet. Arama motorları içeriği yalnızca kelimelerle değil, tanıdıkları varlıklarla eşleştirir. Sayfanızı net varlıklar ve ilişkilerle kurmak (yapılandırılmış veri, tutarlı adlandırma), içeriğinizin arama motorunun bilgi grafiğinde doğru düğümle ilişkilendirilme olasılığını artırır. ## Özetle: Bilgi Grafiği Nedir? Özetle bilgi grafiği nedir sorusunun cevabı şudur: gerçek dünyadaki varlıkları ve aralarındaki ilişkileri, makinenin sorgulayabileceği bir ağ olarak modelleyen yapı. Üç yapı taşı — varlık, ilişki ve ontoloji — üzerine kurulur; bilgiyi üçlüler (triple) hâlinde saklar. Arama motorlarının varlık tanımasından GraphRAG'e, kurumsal bilgi yönetiminden yapay zekanın doğrulanabilirliğine kadar geniş bir alanda değer üretir. Temel için yapay zeka nedir, LLM nedir ve RAG nedir rehberlerine göz atabilir; öğrenme yolculuğu için öğrenme merkezini inceleyebilir, kurumsal bir bilgi grafiği veya RAG sistemi için yapay zeka danışmanlığı ile başlayabilirsiniz.