# Reranker Nedir? Erişim Kalitesini Yükselten İkinci Aşama Rehberi > Source: https://sukruyusufkaya.com/blog/reranker-nedir > Updated: 2026-07-05T16:06:30.971Z > Type: blog > Category: yapay-zeka **TLDR:** Reranker nedir? Reranker, bir arama veya RAG sisteminde ilk aşamada getirilen belge adaylarını, soruyla gerçek alaka düzeyine göre yeniden sıralayan bir modeldir. Bu rehber: net tanım, neden gerekli, nasıl çalışır, cross-encoder mimarisi, iki aşamalı arama, rag pipeline içindeki yeri, erişim kalitesi, maliyet-gecikme dengesi ve sık sorulan sorular. Reranker nedir? Reranker (Türkçesiyle yeniden sıralayıcı), bir arama veya RAG sisteminde hızlı ilk aşamanın getirdiği belge adaylarını alıp, her adayı soruyla birlikte değerlendirerek gerçek alaka düzeyine göre yeniden sıralayan ikinci aşama bir modeldir. Böylece en ilgili belgeler listenin en üstüne çıkar ve modele giden bağlam temizlenir. Bir arama sisteminin hızlı olması, doğru olması anlamına gelmez. İlk aşama saniyeler yerine milisaniyelerde çalışsın diye kaba bir yöntem kullanır; sonuç, alakalı ama karışık sıralı bir aday listesidir. İşte reranker tam olarak bu boşluğu kapatır: hızın feda ettiği isabeti geri kazandırır. Bu rehber reranker nedir, neden gerekli, nasıl çalışır, cross-encoder ile ilişkisi nedir ve iki aşamalı arama ile rag pipeline içindeki yerini ele alıyor. ## Reranker Neden Gerekli? Erişim Kalitesi Sorunu Bir arama veya RAG sisteminde en sık yapılan hata, "getirme çalışıyor" ile "doğru belge en üstte" arasındaki farkı görmemektir. İlk aşama arama, genellikle embedding tabanlı bir vektör aramasıdır: hızlıdır çünkü tüm belgeleri önceden vektöre çevirmiştir ve soruya anlamca yakın olanları tek seferde tarar. Ama bu yakınlık kabadır; ilk 10 sonuç arasında doğru belge bulunabilir, fakat 7. sırada olabilir. Sorun şudur: dil modeli ya da kullanıcı çoğu zaman yalnızca ilk birkaç sonuca bakar. Doğru belge listede olsa bile üstte değilse, pratikte kaybolmuş demektir. Erişim kalitesi tam da bu noktada belirlenir — belgenin listede olması değil, doğru sırada olması önemlidir. Reranker, ilk aşamanın bulduğu adayları alıp gerçek alakaya göre yeniden dizerek bu isabet açığını kapatır ve erişim kalitesini gözle görülür biçimde yükseltir. ## Reranker Nasıl Çalışır? Reranker, ilk aşamadan gelen aday listesini tek tek ele alır. Her belge adayını, kullanıcının sorusuyla birlikte modele verir ve model, "bu belge bu soruya ne kadar ilgili?" sorusuna sayısal bir skor üretir. Ardından tüm adaylar bu skora göre yeniden sıralanır ve en üsttekiler seçilir. Buradaki kritik ayrım şudur: ilk aşama "aday bul" işini yapar, reranker ise "en iyisini seç" işini. İlk aşama geniş ama gevşektir; reranker dar ama keskindir. İkisi birlikte, tek başına hiçbirinin sağlayamayacağı bir denge kurar: hem hız hem isabet. ## Cross-encoder ve Bi-encoder Farkı Reranker'ı anlamanın anahtarı, iki farklı model yaklaşımını ayırt etmektir: bi-encoder ve cross-encoder. İlk aşama arama genellikle bir bi-encoder kullanır: soru ve belge ayrı ayrı, birbirinden bağımsız olarak vektöre çevrilir, sonra bu iki vektörün yakınlığına bakılır. Bu yaklaşım hızlıdır çünkü belge vektörleri önceden hesaplanıp saklanabilir. Reranker ise genellikle bir cross-encoder'dır: soru ile belgeyi ayrı ayrı değil, birlikte tek bir girdi olarak modele verir. Model, kelimelerin karşılıklı etkileşimini görerek çok daha ince bir alaka değerlendirmesi yapar. Bunun bedeli hızdır: cross-encoder her belge için ayrı bir çıkarım çalıştırdığından, tüm bilgi tabanını tarayacak kadar ölçeklenemez. İşte bu yüzden cross-encoder, tüm belgelere değil, yalnızca ilk aşamanın seçtiği dar aday listesine uygulanır. Bu iş bölümü, iki aşamalı aramanın var oluş nedenidir. ## Reranker Türleri ve Varyantları Nelerdir? Uygulamada tek tip bir reranker yoktur; farklı ihtiyaçlara farklı yaklaşımlar oturur. En yaygın ve en isabetli tür, yukarıda anlatılan cross-encoder reranker'dır: soru ile belgeyi birlikte okuyup derin bir alaka skoru üretir. Kalitesi yüksektir ama gecikmesi de en fazla olandır; bu yüzden dar aday listeleri için idealdir. İkinci bir yaklaşım, büyük dil modeline dayalı reranking'dir: bir LLM'e "şu adayları bu soruya göre en ilgiliden en alakasıza sırala" talimatı verilir. Esnek ve akıl yürütme gerektiren sorularda güçlüdür, fakat maliyeti ve gecikmesi cross-encoder'dan bile yüksek olabilir. Üçüncü bir varyant, birden çok arama sinyalini (anlamsal skor, anahtar kelime skoru, tazelik, otorite) tek bir sıralamada birleştiren skor birleştirme yöntemleridir; bunlar ayrı bir model çalıştırmadan, mevcut sinyalleri harmanlayarak erişim kalitesini artırır. Doğru tür seçimi, sorunun karmaşıklığına, gecikme bütçesine ve içeriğin doğasına bağlıdır; çoğu kurumsal senaryoda cross-encoder reranker pratik denge noktasını sağlar. Dil modellerinin bu tür görevlerdeki rolünü LLM nedir ve istem tasarımını prompt engineering nedir rehberlerinde inceleyebilirsiniz. ## İki Aşamalı Arama ve RAG Pipeline İçindeki Yeri Modern arama ve erişim sistemleri, tek bir sihirli modele değil, bir iş bölümüne dayanır. Bu iş bölümünün adı iki aşamalı aramadır: geniş ve hızlı bir getirme aşaması, ardından dar ve hassas bir yeniden sıralama aşaması. Birinci aşama "olabilecek her şeyi getir", ikinci aşama "en iyisini öne çıkar" mantığıyla çalışır. Bir rag pipeline içinde reranker'ın yeri tam olarak getirme ile üretim arasındadır. Getirme aday belgeleri bulur, reranker bu adayları temizleyip en ilgililerini seçer ve yalnızca bu seçkin parçalar dil modeline bağlam olarak verilir. Böylece model, gürültülü bir yığın yerine gerçekten alakalı bir avuç belgeyle çalışır. RAG'in bütününü ve getirme katmanının rolünü RAG nedir rehberinde ele alıyoruz; reranker o mimarideki kalite kaldıracıdır. ## Reranker'ın Erişim Kalitesine Etkisi Reranker'ın somut değeri, doğru belgeyi listenin görünür kısmına taşımasıdır. İlk aşama, doğru cevabı içeren belgeyi çoğu zaman getirir ama onu 8. veya 9. sıraya koyabilir; bir dil modeli ya da kullanıcı ise pratikte yalnızca ilk birkaç sonucu ciddiye alır. Reranker bu belgeyi 1. veya 2. sıraya taşıdığında, sistemin verdiği cevap kökten iyileşir. Bu etki, özellikle geniş ve heterojen kurumsal içerikte belirginleşir. Bir kurumun on binlerce sayfalık dokümantasyonunda, anahtar kelimeleri benzeyen ama bağlamı farklı çok sayıda parça bulunur; bi-encoder bunları ayırt etmekte zorlanır. Cross-encoder tabanlı bir reranker, soruyla belgeyi birlikte okuduğu için bu ince ayrımları yakalar. Kısacası erişim kalitesi çoğu zaman modelden değil, bu ikinci aşamanın varlığından gelir. Kurumsal bir arama-erişim mimarisini uçtan uca kurmak için kurumsal RAG sistemleri çözümüne göz atabilirsiniz. ## Gerçek Dünya ve Türkiye Örnekleri Reranker'ın değeri soyut bir metrik değildir; gündelik ürünlerde doğrudan hissedilir. Bir e-ticaret sitesinde "kışlık su geçirmez bot" araması yapıldığında, ilk aşama yüzlerce yakın ürünü getirir; reranker, sorgunun üç niteliğini (mevsim, su geçirmezlik, ürün tipi) birlikte değerlendirip en uygun ürünleri öne çıkarır. Bir müşteri destek asistanında ise reranker, binlerce yardım makalesi arasından tam olarak kullanıcının sorununu çözen paragrafı üste taşır ve yanlış ama benzer görünen makalelerin gölgelenmesini sağlar. Türkiye bağlamında bu ikinci aşama özellikle önemlidir. Türkçe, eklemeli yapısı ve zengin çekim biçimleri nedeniyle yalnızca anahtar kelimeye dayalı aramayı zorlar; "fatura iadesi" ile "faturamı iade" ifadeleri kelime düzeyinde farklı görünse de aynı niyeti taşır. Cross-encoder tabanlı bir reranker, bu niyet örtüşmesini kelimeler yerine anlam üzerinden yakaladığı için Türkçe kurumsal içerikte erişim kalitesini belirgin biçimde yükseltir. OpenAI, Google ve Hugging Face gibi sağlayıcıların açık ve ticari reranking modelleri, bu yeteneği Türkçe dahil çok dilli içeriğe taşımayı erişilebilir kılmıştır. ## Reranker'ın Sınırları ve Maliyet-Gecikme Dengesi Reranker güçlüdür ama bedelsiz değildir. Her aday için ayrı bir model çıkarımı çalıştırdığından, aday sayısı arttıkça gecikme ve işlem maliyeti doğrusal biçimde yükselir. Bu yüzden reranker'ı doğru kurmak, "kaç adayı yeniden sıralayacağız?" sorusunu iyi yanıtlamaktır. Reranker yalnızca kendisine verilen adaylar arasından seçim yapar; havuzda doğru belge yoksa, mükemmel bir sıralama bile onu yaratamaz. Bu yüzden zayıf bir ilk aşamayı güçlü bir reranker ile kurtarmaya çalışmak yerine, önce getirme kalitesini (chunking, embedding) düzeltmek gerekir. Pratik yaklaşım nettir: ilk aşamadan makul bir aday havuzu (tipik olarak ilk 20-100 parça) alınır, reranker bunları sıralar ve yalnızca en iyi birkaçı modele iletilir. Çok fazla aday gecikmeyi patlatır; çok az aday ise doğru belgeyi baştan dışarıda bırakma riskini artırır. Bu denge, gecikme bütçesi ve kalite hedefi arasında bilinçli bir mühendislik kararıdır. ## Sıkça Sorulan Sorular ### Reranker ile embedding tabanlı arama arasındaki fark nedir? Embedding tabanlı arama, soru ve belgeleri ayrı ayrı vektöre çevirip yakınlıklarına bakar; hızlıdır ama kabadır. Reranker ise soru ile her belgeyi birlikte okuyup tek bir alaka skoru üretir; daha yavaş ama çok daha isabetlidir. İkisi birlikte iki aşamalı arama oluşturur. ### Reranker RAG için zorunlu mu? Zorunlu değildir ama erişim kalitesi kritikse çoğu zaman gereklidir. İlk aşama alakalı ama karışık sıralı bir aday listesi döndürür; reranker en ilgili parçaları öne alarak modele giden bağlamı temizler. Küçük ve tutarlı bilgi tabanlarında atlanabilir, geniş kurumsal içerikte ise fark yaratır. ### Cross-encoder reranker neden yavaştır? Çünkü cross-encoder her belge adayı için soruyla birlikte tam bir çıkarım çalıştırır; N aday için N kez model çalışır. Embedding araması ise belgeleri önceden vektörleştirdiği için tek seferde tarar. Bu yüzden reranker yalnızca ilk aşamanın seçtiği dar bir listeye uygulanır. ### Kaç aday reranker'a verilmelidir? Tipik olarak ilk aşamadan gelen ilk 20 ila 100 aday reranker'a verilir ve bunlardan en iyi 3 ila 10 tanesi modele iletilir. Kesin sayı gecikme bütçesine, içerik büyüklüğüne ve soru türüne bağlıdır; fazla aday gecikmeyi, az aday isabet kaybını artırır. ### Reranker halüsinasyonu azaltır mı? Dolaylı olarak azaltır. Reranker doğru belgeyi bağlamın en üstüne çıkardığında, dil modeli cevabı gerçek kaynağa dayandırır ve uydurma olasılığı düşer. Ancak reranker bir üretim modeli değildir; yanlış aday havuzu geldiyse iyi sıralama da tek başına doğruyu garanti etmez. ## Özetle: Reranker Nedir? Özetle reranker nedir sorusunun cevabı şudur: ilk aşamada getirilen belge adaylarını, soruyla gerçek alaka düzeyine göre yeniden sıralayarak en ilgili parçaları öne çıkaran ikinci aşama model. İki aşamalı arama mantığının hassas ayağıdır; genellikle bir cross-encoder olarak çalışır ve rag pipeline içinde modele giden bağlamın kalitesini belirleyerek erişim kalitesini yükseltir. Temel için RAG nedir, LLM nedir ve token nedir rehberlerine göz atabilir, kurumsal bir arama-erişim sistemi için yapay zeka danışmanlığı ile başlayabilirsiniz.