Vektör Veritabanları: Semantik Arama ve Yapay Zekanın Arkasındaki Motor

Giriş

Vektör veritabanı, yüksek boyutlu vektör yerleştirmelerini depolamak, indekslemek ve sorgulamak için tasarlanmış özel bir veritabanıdır. Tam anahtar kelime eşleşmelerine veya yapılandırılmış sorgulara göre arama yapan geleneksel veritabanlarının aksine, vektör veritabanları anlamsal benzerliğe göre arama yapar; farklı kelimeler kullansa bile kavramsal olarak ilişkili verileri bulur.

Vektör veritabanları yapay zeka uygulamaları için temel altyapı haline geldi: erişimle artırılmış nesil (RAG), anlamsal arama, öneri sistemleri, anormallik tespiti ve çok modlu yapay zeka (metin, resim, ses) desteği.

---

Vektör Gömmeleri Nedir?

Kelimelerden Sayılara

Yerleştirmeler, makine öğrenimi modelleri tarafından üretilen verilerin (metin, resim, ses veya başka herhangi bir yöntem) sayısal temsilleridir. İşin sihri, benzer öğelerin vektör uzayında birbirine yakınlaşmasıdır:

"king" ──► [0.23, -0.45, 0.78, ..., 0.12]  (768 dimensions)
"queen" ──► [0.25, -0.42, 0.76, ..., 0.15]  (close to king)
"apple" ──► [-0.12, 0.65, 0.33, ..., -0.28]  (far from king)

Gömmeler Anlamı Nasıl Yakalar?

                   ┌───────┐
                   │  man  │
                   └───┬───┘
                       │
       ┌───────────────┼───────────────┐
       │               │               │
   ┌───▼───┐       ┌───▼───┐       ┌───▼───┐
   │  king  │───────│ woman │───────│ queen │
   └───┬───┘       └───┬───┘       └───┬───┘
       │               │               │
       └───────────────┼───────────────┘
                       │
                   ┌───▼───┐
                   │  girl  │
                   └───────┘

Vector arithmetic: king - man + woman = queen

Popüler Gömme Modelleri

Modeli	Boyutlar	En İyisi	sağlayıcı
metin yerleştirme-3-küçük	512-1536	Genel amaçlı, uygun maliyetli	OpenAI
metin gömme-3-büyük	256-3072	Yüksek doğruluk, anlamsal arama	OpenAI
Tutarlı Yerleştirme v3	1024	Çok dilli, sınıflandırma	tutarlı
BAAI/bge-large-en-v1.5	1024	Açık kaynak, yüksek kalite	Sarılma Yüz
cümle-transformatörler/tümü-MiniLM-L6-v2	384	Hafif, hızlı	Sarılma Yüz
resim bağlama	1024	Çok modlu (metin, resim, ses)	meta

---

Vektör Veritabanları Nasıl Çalışır?

Temel Operasyonlar

1. Dizin oluşturma — Vektörler üzerinde verimli bir veri yapısı (ANN dizini) oluşturun.
2. Besleme — Dizine meta veri içeren vektörler ekleyin.
3. Sorgulama — Bir sorgu vektörü verildiğinde, en yakın K komşuyu (KNN) bulun.
4. Filtreleme — Vektör benzerliğini meta veri filtreleriyle birleştirin (karma arama).

Arama Sorunu

Kaba kuvvetle en yakın komşu araması O(N)'dir; milyonlarca vektör için çok yavaştır:

# Brute force — O(N), not scalable
def brute_force_search(query_vector, all_vectors, k=10):
    distances = []
    for i, vec in enumerate(all_vectors):
        dist = cosine_distance(query_vector, vec)
        distances.append((dist, i))
    return sorted(distances)[:k]

Yaklaşık En Yakın Komşu (YSA) Dizinleri

Vektör veritabanları, alt doğrusal arama süresini elde etmek için YSA algoritmalarını kullanır:

Algoritma	Hız	Geri çağırma	Bellek	Oluşturma Süresi
HNSW (Hiyerarşik Gezinilebilir Küçük Dünya)	⚡ Hızlı	%95-99	Yüksek	Yavaş
IVF (Tersine Çevrilmiş Dosya Dizini)	🐢 Yavaş	%90-95	Orta	Hızlı
IVF + PQ (Ürün Niceleme)	⚡ Hızlı	%85-95	Düşük	Orta
DiskANN	⚡ Hızlı	%90-95	Düşük (disk)	Orta
LSH (Yerelliğe Duyarlı Karma)	🐢 Yavaş	%80-90	Yüksek	Hızlı

HNSW — En Popüler Algoritma

HNSW çok katmanlı bir grafik yapısı oluşturur:

Layer 3:  ────────●────────  (sparse, long-range connections)
                   │
Layer 2:  ────●────────●───  (medium density)
               │       │
Layer 1:  ──●──●──●──●──●──  (dense, short-range connections)

Search starts at top layer (coarse) and descends to bottom layer (fine).

---

Vektör Veritabanı Karşılaştırması

Özellik	Çam kozalağı	Dokuma	Qdrant	Milvus	Renk	pgvektör
Mimarlık	Yönetilen SaaS	Hibrit	Bağımsız	Dağıtılmış	Gömülü	PostgreSQL uzantısı
İstikrar	Bulut	Bulut/Şirket içi	Bulut/Şirket içi	Bulut/Şirket içi	Yerel dosya	PostgreSQL
dizin	HNSW	HNSW	HNSW	IVF/HNSW	HNSW	IVFFlat/HNSW
Karma arama	Evet	Evet	Evet	Evet	Sınırlı	Evet (SQL aracılığıyla)
Çoklu kiracılık	Evet	Evet	Evet	Evet	Manuel	Şemalar aracılığıyla
Filtreleme	Ön filtre	Ön/son filtre	Ön filtre	Filtre sonrası	Sınırlı	Filtre + dizin
Meta veriler	JSON	JSON	JSON	JSON	JSON	JSONB
Açık kaynak	Hayır	Evet (BSL)	Evet (Apache 2.0)	Evet (Apache 2.0)	Evet (Apache 2.0)	Evet (PostgreSQL)
Kendi kendine barındırıcı	Hayır	Evet	Evet	Evet	Evet	Evet

---

Kullanım Durumları

1. Alma-Artırılmış Üretim (RAG)

En popüler vektör veritabanı kullanım örneği — LLM'leri özel verilerle genişletmek:

User Query: "What is our company policy on remote work?"

                ┌─────────────────────────┐
                │   Embedding Model       │
                │  text-embedding-3-small │
                └────────────┬────────────┘
                             │ (query vector)
                             ▼
                ┌─────────────────────────┐
                │   Vector Database       │
                │  (company policies)     │
                └────────────┬────────────┘
                             │ (relevant chunks)
                             ▼
                ┌─────────────────────────┐
                │   LLM (GPT-4 / Claude)  │
                │  "Based on our policy   │
                │   document X, remote    │
                │   work is allowed 3     │
                │   days per week..."    │
                └─────────────────────────┘

Python uygulaması:

import openai
from qdrant_client import QdrantClient

client = QdrantClient("localhost", port=6333)

def rag_query(question: str) -> str:
    # 1. Embed the question
    query_vector = openai.embeddings.create(
        input=question, model="text-embedding-3-small"
    ).data[0].embedding

    # 2. Search vector database
    results = client.query_points(
        collection_name="company_policies",
        query=query_vector,
        limit=5
    )

    # 3. Build context from retrieved chunks
    context = "\n\n".join([r.payload["text"] for r in results.points])

    # 4. Generate answer with context
    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "Answer based on the provided context only."},
            {"role": "user", "content": f"Context:\n{context}\n\nQuestion: {question}"}
        ]
    )
    return response.choices[0].message.content

2. Anlamsal Arama

Anahtar kelimelere göre değil, anlama göre arama yapın:

# Traditional keyword search — misses synonyms
SELECT * FROM products WHERE description LIKE '%cheap laptop%'
# May miss: "affordable notebook" or "budget computer"

# Vector semantic search — finds conceptually related items
results = vector_db.search(
    query="budget-friendly portable computer",
    collection="products",
    limit=10
)
# Finds: "cheap laptop", "affordable notebook", "budget desktop", "entry-level PC"

Performans karşılaştırması:

Arama Türü	Geri çağırma	Kullanıcı Memnuniyeti	Uygulama Karmaşıklığı
Anahtar Kelime (BM25)	%40-60	Düşük	Düşük
Anlamsal (Vektör)	%70-90	Yüksek	Orta
Hibrit (BM25 + Vektör)	%85-95	Çok Yüksek	Yüksek

3. Çok Modlu Arama

Farklı veri türlerinde arama yapın:

# Text-to-image search
text_vector = embed_text("sunset over mountains")
image_results = vector_db.search(text_vector, collection="images")

# Image-to-text search
image_vector = embed_image(uploaded_photo)
text_results = vector_db.search(image_vector, collection="descriptions")

# Image-to-image search (visual similarity)
product_image_vector = embed_image(product_photo)
similar_products = vector_db.search(product_image_vector, collection="products")

4. Öneri Sistemleri

def recommend_items(user_id: str, n: int = 10):
    # Get user's embedding (from past behavior)
    user_vector = get_user_embedding(user_id)

    # Find similar items in vector space
    recs = vector_db.search(
        query=user_vector,
        collection="items",
        limit=n,
        with_payload=True
    )

    # Diversity re-ranking
    return diversify(recs, diversity_factor=0.3)

---

Vektör Veritabanı İşlemleri

Koleksiyon Oluşturma ve Vektör Ekleme

Qdrant örneği:

from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance

client = QdrantClient("localhost", port=6333)

# Create collection with specific vector config
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(
        size=1536,  # Matches text-embedding-3-small
        distance=Distance.COSINE  # or DOT, EUCLIDEAN
    ),
)

# Insert vectors with payload (metadata)
client.upsert(
    collection_name="documents",
    points=[
        {
            "id": "doc_001",
            "vector": [0.12, -0.45, ..., 0.78],  # 1536-dimensional
            "payload": {
                "title": "Remote Work Policy",
                "category": "HR",
                "author": "HR Team",
                "date": "2026-01-15",
                "chunk_index": 0,
                "text": "Employees may work remotely up to 3 days per week..."
            }
        },
        # ... more points
    ]
)

Filtrelerle Karma Arama

# Semantic search with metadata filters
results = client.query_points(
    collection_name="documents",
    query=query_vector,
    query_filter=models.Filter(
        must=[
            models.FieldCondition(
                key="category",
                match=models.MatchValue(value="Engineering")
            ),
            models.FieldCondition(
                key="date",
                range=models.Range(gte="2025-01-01")
            ),
        ],
        should=[
            models.FieldCondition(
                key="author",
                match=models.MatchValue(value="Alice")
            ),
        ]
    ),
    limit=20,
    score_threshold=0.75  # Minimum similarity score
)

---

Vektör Veritabanı ve Geleneksel Veritabanı Karşılaştırması

Operasyon	PostgreSQL	pgvektör	Özel Vektör DB
Tam KNN	❌ (tam tarama)	❌ (yavaş)	✅ (kaba kuvvet yoluyla)
YSA arama	❌	✅ (IVFFlat, HNSW)	✅ (optimize edilmiş)
10 milyondan fazla vektör	✅	⚠️ Performans düşer	✅
Gerçek zamanlı akış	✅	⚠️	✅
Hibrit arama	✅ (SQL filtreleri)	✅	✅
Çok kiracılı	✅ (şemalar)	✅	✅ (yerli)
ASİT işlemleri	✅	✅	⚠️ (sınırlı)
Zaman yolculuğu sorguları	❌	❌	✅(WAL)

---

Zorluklar ve Dikkat Edilmesi Gerekenler

Boyutsallık Laneti

• Daha yüksek boyutlar mesafe metriklerini daha az anlamlı hale getirir.
• Çoğu yerleştirme modeli 384-1536 boyutları kullanır; bu yönetilebilir bir durumdur.
• 2000 boyutun ötesinde boyut azaltmayı (PCA, UMAP) göz önünde bulundurun.

Dizin Bakımı

• HNSW önemli miktarda bellek gerektirir (vektörler + grafik yapısı).
• Veriler arttıkça IVF'nin periyodik olarak yeniden eğitime ihtiyacı vardır.
• DiskANN, daha düşük bellek karşılığında bir miktar hızdan vazgeçer.

Maliyet

vector_database_pricing:
  pinecone:
    starter: "$70/month for 100K vectors"
    enterprise: "$2,000+/month for 10M+ vectors"
  self_hosted_qdrant:
    infrastructure: "$50-500/month (cloud VMs)"
    maintenance: "Operational overhead"

Veri Güncelliği

• Gerçek zamanlı besleme, dizin optimizasyonuyla çakışıyor.
• Yeni vektörler için toplu indeksleme, güncellemeler için artımlı.
• Tazelik ve arama kalitesi arasındaki denge.

---

Sonuç

Vektör veritabanları yapay zeka uygulamaları için kritik bir altyapı bileşenidir:

1. Bunları anahtar kelime eşlemeye değil, anlamsal anlayışa ihtiyaç duyduğunuzda kullanın.
2. Önemli uygulama RAG — Yüksek Lisans'ları özel, güncel verilerle zenginleştiriyor.
3. Ölçeğe göre seçim yapın — küçük projeler için pgvector, üretim için Pinecone/Qdrant, büyük ölçekli projeler için Milvus.
4. Karma arama (vektör + anahtar kelime + meta veriler) en iyi sonuçları sağlar.
5. Yerleştirme modeli seçimi önemlidir — özel kullanım durumunuz için farklı modelleri test edin.

Vektör veritabanı ortamı hızla gelişiyor. Basit bir başlangıç ​​yapın (pgvector veya açık kaynak Qdrant), verilerinizle kıyaslama yapın ve gerektiğinde ölçeklendirin.