G\u00fcn\u00fcm\u00fcz\u00fcn veri odakl\u0131 d\u00fcnyas\u0131nda, geleneksel anahtar kelime tabanl\u0131 aramalar genellikle yetersiz kal\u0131yor. Kullan\u0131c\u0131lar art\u0131k sadece kelime e\u015fle\u015fmesi de\u011fil, arama niyetlerini ve i\u00e7eri\u011fin anlamsal ba\u011flam\u0131n\u0131 anlayan daha ak\u0131ll\u0131 sistemler bekliyor. Bu beklenti, yapay zeka ve makine \u00f6\u011frenimi modellerinin y\u00fckseli\u015fiyle birlikte, verileri anlaml\u0131 vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrerek “benzerlik” kavram\u0131n\u0131 yeni bir boyuta ta\u015f\u0131yan vekt\u00f6r veritabanlar\u0131n\u0131n \u00f6nemini art\u0131rd\u0131. Peki, bu yeni nesil veritabanlar\u0131 neden bu kadar kritik ve mevcut \u00e7\u00f6z\u00fcmler aras\u0131nda Weaviate, OpenSearch ve pgvector nas\u0131l bir konumda yer al\u0131yor?<\/p>\n
Yapay zeka uygulamalar\u0131n\u0131n temelini olu\u015fturan b\u00fcy\u00fck dil modelleri (LLM’ler) ve di\u011fer makine \u00f6\u011frenimi algoritmalar\u0131, metinleri, g\u00f6r\u00fcnt\u00fcleri, sesleri ve hatta videolar\u0131 y\u00fcksek boyutlu say\u0131sal vekt\u00f6r g\u00f6sterimlerine, yani “embedding”lere d\u00f6n\u00fc\u015ft\u00fcrebilir. Bu vekt\u00f6rler, verinin anlamsal \u00f6zelliklerini kompakt bir \u015fekilde kodlar. \u00d6rne\u011fin, “kedi” ve “yavru kedi” kelimeleri, geleneksel bir aramada tamamen farkl\u0131 kabul edilebilirken, vekt\u00f6r uzay\u0131nda birbirine \u00e7ok yak\u0131n konumlan\u0131r \u00e7\u00fcnk\u00fc anlamsal olarak benzerdirler. Bu yetenek, ki\u015fiselle\u015ftirilmi\u015f \u00f6neri sistemlerinden sohbet botlar\u0131na, doland\u0131r\u0131c\u0131l\u0131k tespitinden genomik ara\u015ft\u0131rmalara kadar pek \u00e7ok alanda devrim niteli\u011finde \u00e7\u00f6z\u00fcmler sunar. Ancak milyarlarca vekt\u00f6r aras\u0131nda h\u0131zl\u0131 ve do\u011fru bir \u015fekilde benzerlik aramas\u0131 yapmak, \u00f6zel olarak tasarlanm\u0131\u015f sistemler gerektirir. \u0130\u015fte bu noktada Weaviate, OpenSearch ve pgvector gibi ara\u00e7lar devreye giriyor ve geli\u015ftiricilere g\u00fc\u00e7l\u00fc alternatifler sunuyor.<\/p>\n
Bu makalede, modern yapay zeka uygulamalar\u0131n\u0131n bel kemi\u011fi haline gelen vekt\u00f6r veritaban\u0131 \u00e7\u00f6z\u00fcmlerini derinlemesine inceleyece\u011fiz. Her bir platformun kendine \u00f6zg\u00fc mimarisini, avantajlar\u0131n\u0131, dezavantajlar\u0131n\u0131 ve hangi senaryolarda \u00f6ne \u00e7\u0131kt\u0131\u011f\u0131n\u0131 detayland\u0131raca\u011f\u0131z. Ayr\u0131ca, ger\u00e7ek d\u00fcnya kullan\u0131m durumlar\u0131 \u00fczerinden pratik \u00f6rnekler sunarak, bu teknolojilerin nas\u0131l entegre edilebilece\u011fini ve geli\u015ftirici deneyimini nas\u0131l etkiledi\u011fini g\u00f6sterece\u011fiz. Amac\u0131m\u0131z, uygulaman\u0131z i\u00e7in en uygun vekt\u00f6r veritaban\u0131 \u00e7\u00f6z\u00fcm\u00fcn\u00fc se\u00e7menize yard\u0131mc\u0131 olacak kapsaml\u0131 bir rehber sunmakt\u0131r.<\/p>\n
Vekt\u00f6r veritabanlar\u0131n\u0131 anlaman\u0131n ilk ad\u0131m\u0131, “vekt\u00f6r g\u00f6mme” (vector embeddings) ve “benzerlik aramas\u0131” (similarity search) kavramlar\u0131n\u0131 kavramakt\u0131r. Bu kavramlar, modern yapay zeka uygulamalar\u0131n\u0131n temelini olu\u015fturur ve verilerin anlam\u0131n\u0131 bilgisayarlar\u0131n anlayabilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcrme s\u00fcrecini temsil eder.<\/p>\n
Vekt\u00f6r G\u00f6mme (Embeddings):<\/strong> Bir vekt\u00f6r g\u00f6mme, metin, g\u00f6r\u00fcnt\u00fc, ses veya herhangi bir veri par\u00e7as\u0131n\u0131n y\u00fcksek boyutlu bir say\u0131sal g\u00f6sterimidir. Bu g\u00f6sterimler, bir makine \u00f6\u011frenimi modeli (genellikle bir sinir a\u011f\u0131) taraf\u0131ndan \u00fcretilir ve verinin anlamsal veya yap\u0131sal \u00f6zelliklerini yakalar. \u00d6rne\u011fin, bir kelimenin g\u00f6mme vekt\u00f6r\u00fc, o kelimenin dildeki ba\u011flam\u0131n\u0131 ve ili\u015fkilerini yans\u0131t\u0131r. E\u011fer iki kelime anlamsal olarak birbirine yak\u0131nsa (\u00f6rne\u011fin “kral” ve “krali\u00e7e”), bu kelimelerin vekt\u00f6rleri de \u00e7ok boyutlu bir uzayda birbirine yak\u0131n konumlan\u0131r. Bu, bilgisayarlar\u0131n insan dilinin inceliklerini veya g\u00f6rsel i\u00e7eri\u011fin n\u00fcanslar\u0131n\u0131 “anlamas\u0131na” olanak tan\u0131r. Her vekt\u00f6r, y\u00fczlerce hatta binlerce say\u0131dan olu\u015fan bir dizidir ve bu say\u0131lar, verinin benzersiz “parmak izi”ni olu\u015fturur.<\/p>\n Benzerlik Aramas\u0131 (Similarity Search):<\/strong> Vekt\u00f6r g\u00f6mmelerin ana g\u00fcc\u00fc, benzerlik aramas\u0131 yapabilme yetene\u011fidir. Bir sorgu vekt\u00f6r\u00fc verildi\u011finde (\u00f6rne\u011fin, bir kullan\u0131c\u0131n\u0131n arama teriminin g\u00f6mme vekt\u00f6r\u00fc), vekt\u00f6r veritaban\u0131, veritaban\u0131ndaki di\u011fer t\u00fcm vekt\u00f6rler aras\u0131nda bu sorguya en yak\u0131n olanlar\u0131 bulur. Yak\u0131nl\u0131k genellikle kosin\u00fcs benzerli\u011fi (cosine similarity), \u00d6klid mesafesi (Euclidean distance) veya i\u00e7 \u00e7arp\u0131m (dot product) gibi metriklerle \u00f6l\u00e7\u00fcl\u00fcr. Kosin\u00fcs benzerli\u011fi, iki vekt\u00f6r aras\u0131ndaki a\u00e7\u0131n\u0131n kosin\u00fcs\u00fcn\u00fc \u00f6l\u00e7er; a\u00e7\u0131 ne kadar k\u00fc\u00e7\u00fckse, vekt\u00f6rler o kadar benzerdir. Bu sayede, “en iyi ko\u015fu ayakkab\u0131lar\u0131” aramas\u0131 yapan bir kullan\u0131c\u0131ya sadece “ko\u015fu ayakkab\u0131s\u0131” i\u00e7eren sonu\u00e7lar de\u011fil, ayn\u0131 zamanda “spor ayakkab\u0131s\u0131”, “antrenman ayakkab\u0131s\u0131” veya “hafif spor ayakkab\u0131s\u0131” gibi anlamsal olarak ilgili sonu\u00e7lar da sunulabilir.<\/p>\n Geleneksel ili\u015fkisel veritabanlar\u0131 veya anahtar kelime tabanl\u0131 arama motorlar\u0131, bu t\u00fcr anlamsal benzerlik aramalar\u0131 i\u00e7in optimize edilmemi\u015ftir. Verileri d\u00fcz metin veya yap\u0131land\u0131r\u0131lm\u0131\u015f s\u00fctunlar olarak depolarlar ve sorgular\u0131 tam e\u015fle\u015fmelere veya belirli indekslere dayand\u0131r\u0131rlar. Milyonlarca veya milyarlarca vekt\u00f6r aras\u0131nda en yak\u0131n kom\u015fular\u0131 bulmak i\u00e7in her bir vekt\u00f6r\u00fc tek tek kar\u015f\u0131la\u015ft\u0131rmak, hesaplama a\u00e7\u0131s\u0131ndan \u00e7ok maliyetli ve yava\u015ft\u0131r. Bu nedenle, vekt\u00f6r veritabanlar\u0131, bu i\u015flemi h\u0131zland\u0131rmak i\u00e7in \u00f6zel indeksleme algoritmalar\u0131 (\u00f6rne\u011fin, HNSW – Hierarchical Navigable Small World veya IVFFlat) ve da\u011f\u0131t\u0131k mimariler kullan\u0131r. Bu algoritmalar, tam do\u011fruluktan \u00f6d\u00fcn vererek yakla\u015f\u0131k en yak\u0131n kom\u015fu (Approximate Nearest Neighbor – ANN) aramalar\u0131 yaparak performans\u0131 art\u0131r\u0131r. Sonu\u00e7 olarak, vekt\u00f6r veritabanlar\u0131, yapay zeka destekli uygulamalar\u0131n temelini olu\u015fturan, h\u0131zl\u0131, \u00f6l\u00e7eklenebilir ve anlamsal olarak zengin arama yetenekleri sunar.<\/p>\n Weaviate, \u00f6zellikle yapay zeka ve makine \u00f6\u011frenimi uygulamalar\u0131 i\u00e7in tasarlanm\u0131\u015f, a\u00e7\u0131k kaynakl\u0131, vekt\u00f6r yerel bir veritaban\u0131d\u0131r. Vekt\u00f6rlerin depolanmas\u0131 ve h\u0131zl\u0131 benzerlik aramas\u0131 yap\u0131lmas\u0131 konusunda uzmand\u0131r ve bunu yaparken modern AI ekosistemiyle derin entegrasyonlar sunar. Di\u011fer \u00e7\u00f6z\u00fcmlerin aksine, Weaviate sadece bir vekt\u00f6r depolama katman\u0131 olmakla kalmaz, ayn\u0131 zamanda yerle\u015fik vekt\u00f6rle\u015ftirme (embedding) mod\u00fclleri ve RAG (Retrieval Augmented Generation) ak\u0131\u015flar\u0131 i\u00e7in g\u00fc\u00e7l\u00fc \u00f6zellikler sunar.<\/p>\n Mimari ve \u00d6zellikler:<\/strong> Weaviate, Go dilinde yaz\u0131lm\u0131\u015ft\u0131r ve da\u011f\u0131t\u0131k bir mimariye sahiptir, bu da onu yatay \u00f6l\u00e7eklenebilir k\u0131lar. Verileri hem vekt\u00f6r formunda hem de yap\u0131land\u0131r\u0131lm\u0131\u015f meta veri olarak depolar. En \u00f6nemli \u00f6zelliklerinden biri, verileri veritaban\u0131na eklerken veya g\u00fcncellerken otomatik olarak vekt\u00f6rle\u015ftirebilmesidir. Bu, OpenAI, Cohere, Hugging Face gibi \u00e7e\u015fitli pop\u00fcler embedding modellerini veya kendi \u00f6zel modellerinizi kullanabilece\u011finiz mod\u00fcller arac\u0131l\u0131\u011f\u0131yla yap\u0131l\u0131r. Bu mod\u00fcler yap\u0131, geli\u015ftiricilere b\u00fcy\u00fck esneklik sa\u011flar ve ayr\u0131 bir embedding hizmeti kurma ihtiyac\u0131n\u0131 ortadan kald\u0131r\u0131r.<\/p>\n Weaviate, HNSW (Hierarchical Navigable Small World) gibi geli\u015fmi\u015f indeksleme algoritmalar\u0131n\u0131 kullanarak milyarlarca vekt\u00f6r aras\u0131nda milisaniyeler i\u00e7inde yakla\u015f\u0131k en yak\u0131n kom\u015fu (ANN) aramalar\u0131 yapabilir. Ayr\u0131ca, hibrit arama (hem vekt\u00f6r hem de anahtar kelime tabanl\u0131 aramalar\u0131n birle\u015fimi), filtreleme, toplama (aggregation) ve ger\u00e7ek zamanl\u0131 veri al\u0131m\u0131 gibi yeteneklere de sahiptir. GraphQL ve RESTful API’ler arac\u0131l\u0131\u011f\u0131yla kolayca eri\u015filebilir olmas\u0131, geli\u015ftirici deneyimini olduk\u00e7a iyile\u015ftirir.<\/p>\n Avantajlar\u0131:<\/strong><\/p>\n Dezavantajlar\u0131:<\/strong><\/p>\n Ger\u00e7ek D\u00fcnya Senaryosu: E-ticaret \u00dcr\u00fcn \u00d6nerisi<\/strong> Weaviate’e veri eklemek olduk\u00e7a basittir, \u00f6zellikle yerle\u015fik embedding mod\u00fcllerini kullan\u0131yorsan\u0131z. A\u015fa\u011f\u0131daki \u00f6rnek, Python istemcisi ile bir veri \u015femas\u0131 tan\u0131mlamay\u0131 ve ard\u0131ndan veri nesnelerini eklemeyi g\u00f6sterir. Bu \u00f6rnekte, metin verilerinin otomatik olarak vekt\u00f6rle\u015ftirilmesi i\u00e7in ‘text2vec-openai’ mod\u00fcl\u00fcn\u00fc kulland\u0131\u011f\u0131m\u0131z\u0131 varsayal\u0131m.<\/p>\n Bu kod blo\u011fu, Weaviate’in ne kadar kolay kurulup kullan\u0131labilece\u011fini g\u00f6steriyor. Sadece birka\u00e7 sat\u0131r kodla, verilerinizi otomatik olarak vekt\u00f6rle\u015ftirebilir ve anlamsal aramalar yapmaya ba\u015flayabilirsiniz. OpenSearch, Elastic Stack’in (Elasticsearch, Kibana) a\u00e7\u0131k kaynakl\u0131 bir \u00e7atal\u0131 olarak ortaya \u00e7\u0131km\u0131\u015f, da\u011f\u0131t\u0131k, RESTful bir arama ve analitik motorudur. Geleneksel olarak log analizi, tam metin arama ve metrik toplama gibi g\u00f6revlerde g\u00fc\u00e7l\u00fc bir oyuncu olmu\u015ftur. Ancak son y\u0131llarda, k-NN (k-Nearest Neighbor) eklentisi sayesinde vekt\u00f6r arama yeteneklerini de b\u00fcnyesine katarak yapay zeka uygulamalar\u0131 i\u00e7in cazip bir se\u00e7enek haline gelmi\u015ftir.<\/p>\n Mimari ve \u00d6zellikler:<\/strong> OpenSearch, Lucene tabanl\u0131 bir indeksleme motoru kullan\u0131r ve verileri JSON format\u0131nda belgeler olarak depolar. Da\u011f\u0131t\u0131k mimarisi sayesinde yatay \u00f6l\u00e7eklenebilirlik sunar. k-NN eklentisi, vekt\u00f6r verilerini depolamak ve yakla\u015f\u0131k en yak\u0131n kom\u015fu (ANN) aramalar\u0131 yapmak i\u00e7in IVFFlat, HNSW gibi algoritmalar\u0131 destekler. Bu, OpenSearch’i sadece anahtar kelime tabanl\u0131 aramalar i\u00e7in de\u011fil, ayn\u0131 zamanda anlamsal arama ve \u00f6neri sistemleri i\u00e7in de uygun hale getirir. OpenSearch, ayr\u0131ca g\u00fc\u00e7l\u00fc analitik yetenekleri, g\u00f6rselle\u015ftirme ara\u00e7lar\u0131 (OpenSearch Dashboards) ve g\u00fcvenlik \u00f6zellikleri ile kapsaml\u0131 bir platform sunar.<\/p>\n OpenSearch’in hibrit arama yetene\u011fi, hem geleneksel tam metin arama sorgular\u0131n\u0131 hem de vekt\u00f6r tabanl\u0131 benzerlik sorgular\u0131n\u0131 ayn\u0131 anda \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131r. Bu, \u00f6zellikle kullan\u0131c\u0131lar\u0131n hem belirli anahtar kelimelerle arama yapabildi\u011fi hem de anlamsal olarak ilgili sonu\u00e7lar bekledi\u011fi senaryolarda \u00e7ok de\u011ferlidir. Ayr\u0131ca, filtreleme, s\u0131ralama ve toplama gibi geli\u015fmi\u015f sorgu yetenekleri, vekt\u00f6r aramalar\u0131n\u0131 daha da rafine etme imkan\u0131 sunar.<\/p>\n Avantajlar\u0131:<\/strong><\/p>\n Dezavantajlar\u0131:<\/strong><\/p>\n Ger\u00e7ek D\u00fcnya Senaryosu: Dok\u00fcman Arama ve Analiz<\/strong> OpenSearch’te k-NN indeksleri olu\u015fturmak ve vekt\u00f6r verileri eklemek, biraz \u00f6n haz\u0131rl\u0131k gerektirir \u00e7\u00fcnk\u00fc vekt\u00f6rlerinizi OpenSearch’e g\u00f6ndermeden \u00f6nce harici bir modelle olu\u015fturman\u0131z gerekir. A\u015fa\u011f\u0131daki \u00f6rnek, bir k-NN indeksinin nas\u0131l olu\u015fturulaca\u011f\u0131n\u0131 ve \u00f6rnek verilerin nas\u0131l eklenece\u011fini g\u00f6sterir.<\/p>\n Bu \u00f6rnek, OpenSearch’in k-NN yeteneklerini kullanarak nas\u0131l bir indeks olu\u015fturup veri ekleyebilece\u011finizi ve basit bir benzerlik aramas\u0131 yapabilece\u011finizi g\u00f6steriyor. Ger\u00e7ek bir uygulamada, pgvector, pop\u00fcler ili\u015fkisel veritaban\u0131 PostgreSQL i\u00e7in geli\u015ftirilmi\u015f a\u00e7\u0131k kaynakl\u0131 bir eklentidir. Amac\u0131, PostgreSQL’in bilinen g\u00fcvenilirli\u011fini, esnekli\u011fini ve zengin \u00f6zellik setini, vekt\u00f6r depolama ve benzerlik arama yetenekleriyle birle\u015ftirmektir. \u00d6zellikle zaten PostgreSQL kullanan veya karma\u015f\u0131k bir vekt\u00f6r veritaban\u0131 altyap\u0131s\u0131 kurmak istemeyen geli\u015ftiriciler i\u00e7in cazip bir se\u00e7enektir.<\/p>\n Mimari ve \u00d6zellikler:<\/strong> pgvector, PostgreSQL’e yeni bir veri tipi olan pgvector’\u0131n en b\u00fcy\u00fck avantaj\u0131, PostgreSQL ekosistemiyle olan derin entegrasyonudur. Mevcut PostgreSQL tablolar\u0131n\u0131za vekt\u00f6r s\u00fctunlar\u0131 ekleyebilir, SQL’in t\u00fcm g\u00fcc\u00fcn\u00fc (JOIN’ler, filtrelemeler, gruplamalar) vekt\u00f6r aramalar\u0131yla birle\u015ftirebilirsiniz. Bu, vekt\u00f6r arama sonu\u00e7lar\u0131n\u0131 di\u011fer yap\u0131land\u0131r\u0131lm\u0131\u015f verilerle kolayca birle\u015ftirebilece\u011finiz anlam\u0131na gelir. \u00d6rne\u011fin, belirli bir kategoriye ait \u00fcr\u00fcnler aras\u0131nda en benzer olanlar\u0131 bulmak i\u00e7in SQL sorgular\u0131n\u0131za Avantajlar\u0131:<\/strong><\/p>\n Dezavantajlar\u0131:<\/strong><\/p>\n Ger\u00e7ek D\u00fcnya Senaryosu: K\u00fc\u00e7\u00fck ve Orta \u00d6l\u00e7ekli Uygulamalar<\/strong> pgvector’\u0131 kullanmak i\u00e7in \u00f6ncelikle PostgreSQL veritaban\u0131n\u0131za pgvector uzant\u0131s\u0131n\u0131 kurman\u0131z ve etkinle\u015ftirmeniz gerekir. Ard\u0131ndan, tablolar\u0131n\u0131za vekt\u00f6r s\u00fctunlar\u0131 ekleyebilir ve veri eklemeye ba\u015flayabilirsiniz. Bu \u00f6rnek, temel ad\u0131mlar\u0131 Python ve Bu \u00f6rnek, pgvector’\u0131n kurulumundan veri eklemeye ve benzerlik aramas\u0131 yapmaya kadar olan temel ad\u0131mlar\u0131 g\u00f6sterir. \u00dc\u00e7 platform da vekt\u00f6r depolama ve benzerlik arama yetenekleri sunsa da, mimarileri, kullan\u0131m senaryolar\u0131 ve sunduklar\u0131 \u00f6zellikler a\u00e7\u0131s\u0131ndan \u00f6nemli farkl\u0131l\u0131klar g\u00f6sterirler. Do\u011fru se\u00e7imi yapmak, projenizin \u00f6zel ihtiya\u00e7lar\u0131na, \u00f6l\u00e7ek beklentilerine ve mevcut altyap\u0131n\u0131za ba\u011fl\u0131d\u0131r. \u0130\u015fte temel kar\u015f\u0131la\u015ft\u0131rmalar ve se\u00e7im kriterleri:<\/p>\n \u00d6rnek:<\/strong> B\u00fcy\u00fck \u00f6l\u00e7ekli ki\u015fiselle\u015ftirilmi\u015f \u00f6neri sistemleri, ak\u0131ll\u0131 sohbet botlar\u0131, g\u00f6rsel arama motorlar\u0131.<\/p>\n<\/li>\n \u00d6rnek:<\/strong> Kurumsal dok\u00fcman arama, e-ticaret siteleri i\u00e7in \u00fcr\u00fcn arama ve \u00f6neri, g\u00fcvenlik olaylar\u0131 y\u00f6netimi (SIEM).<\/p>\n<\/li>\n \u00d6rnek:<\/strong> K\u00fc\u00e7\u00fck blog siteleri i\u00e7in i\u00e7erik \u00f6nerisi, kullan\u0131c\u0131 ilgi alanlar\u0131na g\u00f6re basit ki\u015fiselle\u015ftirme, dahili ara\u00e7lar i\u00e7in anlamsal arama.<\/p>\n<\/li>\n<\/ul>\n \u00d6zetle, Weaviate yapay zeka uygulamalar\u0131 i\u00e7in en optimize edilmi\u015f ve “AI-native” \u00e7\u00f6z\u00fcm\u00fc sunarken, OpenSearch genel arama ve analitik ihtiya\u00e7lar\u0131 olan b\u00fcy\u00fck \u00f6l\u00e7ekli sistemler i\u00e7in hibrit bir g\u00fc\u00e7 merkezidir. pgvector ise mevcut PostgreSQL kullan\u0131c\u0131lar\u0131 i\u00e7in d\u00fc\u015f\u00fck maliyetli ve entegre bir vekt\u00f6r yetene\u011fi sa\u011flar. Se\u00e7iminiz, projenizin benzersiz gereksinimlerine ve teknik y\u0131\u011f\u0131n\u0131n\u0131za en uygun olan\u0131 belirleyecektir.<\/p>\n Vekt\u00f6r veritabanlar\u0131n\u0131 etkin bir \u015fekilde kullanmak, sadece kurulum ve temel veri ekleme ad\u0131mlar\u0131ndan ibaret de\u011fildir. Performans\u0131 optimize etmek, do\u011frulu\u011fu art\u0131rmak ve uygulaman\u0131z\u0131n genel sa\u011fl\u0131\u011f\u0131n\u0131 korumak i\u00e7in baz\u0131 ileri d\u00fczey ipu\u00e7lar\u0131 ve en iyi uygulamalar\u0131 g\u00f6z \u00f6n\u00fcnde bulundurman\u0131z \u00f6nemlidir.<\/p>\n Vekt\u00f6r veritabanlar\u0131, milyarlarca vekt\u00f6r aras\u0131nda h\u0131zl\u0131 arama yapmak i\u00e7in HNSW (Hierarchical Navigable Small World) veya IVFFlat gibi yakla\u015f\u0131k en yak\u0131n kom\u015fu (ANN) algoritmalar\u0131n\u0131 kullan\u0131r. Bu algoritmalar\u0131n kendine \u00f6zg\u00fc parametreleri vard\u0131r (\u00f6rne\u011fin, HNSW i\u00e7in Vekt\u00f6rlerin boyutu (dimension), hem depolama maliyetini hem de arama performans\u0131n\u0131 etkiler. Daha y\u00fcksek boyutlu vekt\u00f6rler genellikle daha fazla anlamsal bilgiyi yakalayabilir ancak daha fazla depolama alan\u0131 ve hesaplama g\u00fcc\u00fc gerektirir. Kulland\u0131\u011f\u0131n\u0131z embedding modelinin kalitesi, vekt\u00f6rlerinizin ne kadar anlaml\u0131 olaca\u011f\u0131n\u0131 do\u011frudan belirler. Uygulaman\u0131z\u0131n spesifik alan\u0131na uygun, iyi e\u011fitilmi\u015f bir model se\u00e7mek (\u00f6rne\u011fin, finansal veriler i\u00e7in \u00f6zel bir model), arama sonu\u00e7lar\u0131n\u0131z\u0131n alaka d\u00fczeyini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131racakt\u0131r. A\u00e7\u0131k kaynakl\u0131 modellerden (Hugging Face Transformers) veya bulut sa\u011flay\u0131c\u0131lar\u0131n API’lerinden (OpenAI, Cohere) se\u00e7im yapabilirsiniz.<\/p>\n<\/li>\n Vekt\u00f6r veritaban\u0131na g\u00f6ndermeden \u00f6nce verilerinizi temizlemek ve \u00f6n i\u015flemek (metin i\u00e7in k\u00fc\u00e7\u00fck harfe \u00e7evirme, noktalama i\u015faretlerini kald\u0131rma; g\u00f6r\u00fcnt\u00fcler i\u00e7in yeniden boyutland\u0131rma) \u00e7ok \u00f6nemlidir. Ayr\u0131ca, vekt\u00f6rleri normalle\u015ftirmek (birim uzunlu\u011funa getirmek), \u00f6zellikle kosin\u00fcs benzerli\u011fi kullan\u0131rken, arama sonu\u00e7lar\u0131n\u0131n daha tutarl\u0131 olmas\u0131na yard\u0131mc\u0131 olabilir. Bu ad\u0131mlar, embedding modelinin daha iyi vekt\u00f6rler \u00fcretmesini ve dolay\u0131s\u0131yla daha do\u011fru benzerlik aramalar\u0131 yap\u0131lmas\u0131n\u0131 sa\u011flar.<\/p>\n<\/li>\n \u00c7o\u011fu ger\u00e7ek d\u00fcnya uygulamas\u0131nda, sadece anlamsal benzerlik yeterli de\u011fildir. Kullan\u0131c\u0131lar genellikle sonu\u00e7lar\u0131 kategori, fiyat aral\u0131\u011f\u0131, tarih gibi meta verilere g\u00f6re filtrelemek ister. Weaviate, OpenSearch ve pgvector, vekt\u00f6r aramalar\u0131n\u0131 geleneksel filtreleme ve anahtar kelime aramalar\u0131yla birle\u015ftirme yetene\u011fi sunar. Bu hibrit yakla\u015f\u0131m, hem alaka d\u00fczeyi y\u00fcksek hem de kullan\u0131c\u0131n\u0131n spesifik kriterlerine uyan sonu\u00e7lar elde etmenizi sa\u011flar. Sorgular\u0131n\u0131z\u0131 tasarlarken bu yetenekleri aktif olarak kullan\u0131n.<\/p>\n<\/li>\n Vekt\u00f6r veritabanlar\u0131, geleneksel veritabanlar\u0131 gibi s\u0131k g\u00fcncellemeler i\u00e7in optimize edilmemi\u015f olabilir. Bir vekt\u00f6r\u00fc g\u00fcncellemek genellikle yeniden indeksleme gerektirebilir, bu da maliyetli olabilir. Uygulaman\u0131z\u0131n veri de\u011fi\u015fim s\u0131kl\u0131\u011f\u0131n\u0131 g\u00f6z \u00f6n\u00fcnde bulundurarak bir strateji geli\u015ftirin. \u00d6rne\u011fin, s\u0131k de\u011fi\u015fen veriler i\u00e7in “upsert” (ekle veya g\u00fcncelle) operasyonlar\u0131n\u0131 dikkatli kullan\u0131n veya periyodik toplu g\u00fcncellemeleri tercih edin. Silme i\u015flemleri de indeksin yeniden yap\u0131land\u0131r\u0131lmas\u0131n\u0131 gerektirebilir.<\/p>\n<\/li>\n Uygulaman\u0131z b\u00fcy\u00fcd\u00fck\u00e7e, vekt\u00f6r veritaban\u0131n\u0131z\u0131n da \u00f6l\u00e7eklenmesi gerekecektir. Weaviate ve OpenSearch, da\u011f\u0131t\u0131k mimarileri sayesinde yatay \u00f6l\u00e7eklenebilirlik sunar. pgvector i\u00e7in ise PostgreSQL’in replikasyon ve k\u00fcmeleme yeteneklerini kullanarak \u00f6l\u00e7eklenebilirlik ve y\u00fcksek eri\u015filebilirlik sa\u011flayabilirsiniz. Veritaban\u0131n\u0131z\u0131n y\u00fck\u00fcn\u00fc izleyin ve gerekti\u011finde kaynaklar\u0131 art\u0131r\u0131n veya d\u00fc\u011f\u00fcm ekleyin. Felaket kurtarma ve yedekleme stratejilerinizi de \u00f6nceden planlay\u0131n.<\/p>\n<\/li>\n Mobil uygulamalar i\u00e7in vekt\u00f6r veritabanlar\u0131n\u0131 kullan\u0131rken, kullan\u0131c\u0131 aray\u00fcz\u00fc (UI) ve kullan\u0131c\u0131 deneyimi (UX) a\u00e7\u0131s\u0131ndan baz\u0131 farkl\u0131l\u0131klar olabilir. Mobil cihazlar genellikle daha k\u0131s\u0131tl\u0131 a\u011f bant geni\u015fli\u011fine ve i\u015flem g\u00fcc\u00fcne sahiptir. Bu nedenle, mobil uygulamalardan do\u011frudan yo\u011fun vekt\u00f6r aramalar\u0131 yapmak yerine, arka u\u00e7 servisleriniz arac\u0131l\u0131\u011f\u0131yla bu i\u015flemleri ger\u00e7ekle\u015ftirmek daha verimli olacakt\u0131r. Mobil uygulaman\u0131z\u0131n UI’s\u0131n\u0131 tasarlarken, duyarl\u0131 tasar\u0131m ilkelerini benimseyerek (\u00f6rne\u011fin, CSS media query’ler kullanarak farkl\u0131 ekran boyutlar\u0131na uyum sa\u011flayan d\u00fczenler olu\u015fturarak) ve API yan\u0131tlar\u0131n\u0131 mobilize optimize ederek kullan\u0131c\u0131 deneyimini art\u0131rabilirsiniz. \u00d6rne\u011fin, mobil cihazlarda daha az say\u0131da arama sonucu g\u00f6stermek veya daha k\u00fc\u00e7\u00fck g\u00f6rseller kullanmak gibi optimizasyonlar yap\u0131labilir. Vekt\u00f6r arama motorunun kendisi, mobil cihaz\u0131n kendisinde \u00e7al\u0131\u015fmaz, ancak mobil uygulama, buluttaki vekt\u00f6r veritaban\u0131na ba\u011flan\u0131p sorgular g\u00f6ndererek sonu\u00e7lar\u0131 al\u0131r ve g\u00f6sterir.<\/p>\n<\/li>\n<\/ol>\n Yapay zeka \u00e7a\u011f\u0131nda, verilerin anlamsal ba\u011flam\u0131n\u0131 anlayan ve buna g\u00f6re i\u015flem yapan sistemler geli\u015ftirmek kritik hale gelmi\u015ftir. Weaviate, OpenSearch ve pgvector, bu ihtiyac\u0131 kar\u015f\u0131lamak \u00fczere tasarlanm\u0131\u015f g\u00fc\u00e7l\u00fc vekt\u00f6r veritaban\u0131 \u00e7\u00f6z\u00fcmleridir. Her birinin kendine \u00f6zg\u00fc avantajlar\u0131 ve dezavantajlar\u0131 bulunmakta olup, projenizin \u00f6zel gereksinimlerine g\u00f6re en uygun se\u00e7imi yapmak, uygulaman\u0131z\u0131n ba\u015far\u0131s\u0131 i\u00e7in hayati \u00f6nem ta\u015f\u0131r. Weaviate, AI odakl\u0131 yerle\u015fik \u00f6zellikleri ve y\u00fcksek \u00f6l\u00e7eklenebilirli\u011fi ile \u00f6ne \u00e7\u0131karken, OpenSearch mevcut arama ve analitik altyap\u0131lar\u0131n\u0131 geni\u015fletmek isteyenler i\u00e7in hibrit bir g\u00fc\u00e7 sunar. pgvector ise PostgreSQL’in g\u00fcc\u00fcn\u00fc vekt\u00f6r yetenekleriyle birle\u015ftirerek basitlik ve maliyet etkinli\u011fi arayanlar i\u00e7in idealdir. Gelecekte, vekt\u00f6r veritabanlar\u0131n\u0131n yapay zeka ekosistemindeki rol\u00fc daha da b\u00fcy\u00fcyecek ve bu teknolojilerin yetenekleri daha da geli\u015fecektir. Geli\u015ftiriciler olarak, bu ara\u00e7lar\u0131 anlamak ve do\u011fru \u015fekilde kullanmak, yenilik\u00e7i ve ak\u0131ll\u0131 uygulamalar geli\u015ftirmemizin anahtar\u0131 olacakt\u0131r.<\/p>\nWeaviate: Yapay Zeka Odakl\u0131 Vekt\u00f6r Veritaban\u0131 \u00c7\u00f6z\u00fcm\u00fc<\/h2>\n
\n
\n
\nBir e-ticaret platformunun milyonlarca \u00fcr\u00fcn\u00fcn\u00fcn oldu\u011funu d\u00fc\u015f\u00fcnelim. Kullan\u0131c\u0131lar, bir \u00fcr\u00fcnle etkile\u015fime girdi\u011finde (inceledi\u011finde, sepete ekledi\u011finde), Weaviate bu \u00fcr\u00fcn\u00fcn a\u00e7\u0131klamas\u0131n\u0131, resim etiketlerini ve kullan\u0131c\u0131 yorumlar\u0131n\u0131 al\u0131p otomatik olarak bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcrebilir. Daha sonra, kullan\u0131c\u0131ya benzer \u00fcr\u00fcnler \u00f6nermek i\u00e7in bu \u00fcr\u00fcn\u00fcn vekt\u00f6r\u00fcn\u00fc kullanarak Weaviate’te h\u0131zl\u0131 bir benzerlik aramas\u0131 yapar. Bu, sadece “ayn\u0131 kategori”deki \u00fcr\u00fcnleri de\u011fil, anlamsal olarak “benzer kullan\u0131m amac\u0131”na sahip veya “benzer estetik” ta\u015f\u0131yan \u00fcr\u00fcnleri de \u00f6nerebilir, bu da sat\u0131\u015flar\u0131 art\u0131r\u0131r ve kullan\u0131c\u0131 deneyimini zenginle\u015ftirir. Weaviate’in sundu\u011fu filtreleme \u00f6zellikleri sayesinde, arama sonu\u00e7lar\u0131n\u0131 fiyat aral\u0131\u011f\u0131, marka veya stok durumu gibi meta verilere g\u00f6re de daraltmak m\u00fcmk\u00fcnd\u00fcr.<\/p>\nWeaviate ile Basit Bir Vekt\u00f6r Ekleme \u00d6rne\u011fi<\/h3>\n
\nimport weaviate\n\n# Weaviate istemcisini ba\u015flat\n# Kendi Weaviate instance'\u0131n\u0131z\u0131n URL'sini ve API anahtar\u0131n\u0131z\u0131 (gerekiyorsa) ayarlay\u0131n\nclient = weaviate.Client(\n url=\"http:\/\/localhost:8080\", # Weaviate'in \u00e7al\u0131\u015ft\u0131\u011f\u0131 adres\n # auth_client_secret=weaviate.AuthApiKey(\"YOUR_API_KEY\"), # E\u011fer API anahtar\u0131 kullan\u0131yorsan\u0131z\n # additional_headers={\n # \"X-OpenAI-Api-Key\": \"YOUR_OPENAI_API_KEY\" # OpenAI modelini kullan\u0131yorsan\u0131z\n # }\n)\n\n# \"Product\" s\u0131n\u0131f\u0131 i\u00e7in \u015fema tan\u0131mla\n# \"vectorizer\": text2vec-openai mod\u00fcl\u00fcn\u00fc kullan\u0131yoruz\n# \"moduleConfig\": OpenAI modelini nas\u0131l kullanaca\u011f\u0131m\u0131z\u0131 yap\u0131land\u0131r\u0131yoruz\nclient.schema.create_class({\n \"class\": \"Product\",\n \"description\": \"E-ticaret \u00fcr\u00fcnleri i\u00e7in bir s\u0131n\u0131f\",\n \"vectorizer\": \"text2vec-openai\",\n \"moduleConfig\": {\n \"text2vec-openai\": {\n \"model\": \"text-embedding-ada-002\",\n \"type\": \"text\"\n }\n },\n \"properties\": [\n {\n \"name\": \"name\",\n \"dataType\": [\"text\"],\n \"description\": \"\u00dcr\u00fcn\u00fcn ad\u0131\"\n },\n {\n \"name\": \"description\",\n \"dataType\": [\"text\"],\n \"description\": \"\u00dcr\u00fcn\u00fcn a\u00e7\u0131klamas\u0131\"\n },\n {\n \"name\": \"price\",\n \"dataType\": [\"number\"],\n \"description\": \"\u00dcr\u00fcn\u00fcn fiyat\u0131\"\n }\n ]\n})\n\n# Veri nesneleri ekle\n# Weaviate, 'name' ve 'description' alanlar\u0131n\u0131 kullanarak otomatik olarak vekt\u00f6r olu\u015fturacak\nproducts_data = [\n {\n \"name\": \"Kablosuz Kulakl\u0131k\",\n \"description\": \"Y\u00fcksek kaliteli ses sunan, g\u00fcr\u00fclt\u00fc \u00f6nleyici kablosuz kulakl\u0131k.\",\n \"price\": 199.99\n },\n {\n \"name\": \"Ak\u0131ll\u0131 Saat\",\n \"description\": \"Sa\u011fl\u0131k takibi ve bildirim \u00f6zellikleri olan \u015f\u0131k bir ak\u0131ll\u0131 saat.\",\n \"price\": 249.99\n },\n {\n \"name\": \"Mekanik Klavye\",\n \"description\": \"Oyun ve yazma i\u00e7in tasarlanm\u0131\u015f dayan\u0131kl\u0131 mekanik klavye.\",\n \"price\": 129.99\n },\n {\n \"name\": \"Bluetooth Hoparl\u00f6r\",\n \"description\": \"Ta\u015f\u0131nabilir, g\u00fc\u00e7l\u00fc baslara sahip su ge\u00e7irmez bluetooth hoparl\u00f6r.\",\n \"price\": 89.99\n }\n]\n\nwith client.batch as batch:\n for product in products_data:\n batch.add_data_object(\n data_object=product,\n class_name=\"Product\"\n )\n\nprint(\"Veriler Weaviate'e ba\u015far\u0131yla eklendi.\")\n\n# \u00d6rnek bir arama yapal\u0131m\nsearch_results = client.query.get(\"Product\", [\"name\", \"description\", \"price\"]).with_near_text({\n \"concepts\": [\"ta\u015f\u0131nabilir m\u00fczik cihaz\u0131\"]\n}).with_limit(2).do()\n\nprint(\"\\n'ta\u015f\u0131nabilir m\u00fczik cihaz\u0131' i\u00e7in arama sonu\u00e7lar\u0131:\")\nfor result in search_results[\"data\"][\"Get\"][\"Product\"]:\n print(f\" Ad\u0131: {result['name']}, A\u00e7\u0131klama: {result['description']}, Fiyat: {result['price']}\")\n\n<\/code><\/pre>\nwith_near_text<\/code> metodu, sorgu metninizin vekt\u00f6r\u00fcn\u00fc olu\u015fturur ve veritaban\u0131ndaki en benzer \u00fcr\u00fcnleri bulmak i\u00e7in kullan\u0131r.<\/p>\nOpenSearch: Geni\u015f Kapsaml\u0131 Arama ve Analitik Platformu Olarak Vekt\u00f6r Yetenekleri<\/h2>\n
\n
\n
\nB\u00fcy\u00fck bir hukuk firmas\u0131n\u0131n binlerce dava dosyas\u0131n\u0131, s\u00f6zle\u015fmesini ve yasal metnini y\u00f6netti\u011fini d\u00fc\u015f\u00fcnelim. Bu belgeler aras\u0131nda h\u0131zl\u0131 ve do\u011fru arama yapmak kritik \u00f6neme sahiptir. OpenSearch, bu belgelerin metinlerini indeksleyerek tam metin arama yetene\u011fi sunar. Ayr\u0131ca, her bir belgenin i\u00e7eri\u011fini (\u00f6rne\u011fin, bir LLM arac\u0131l\u0131\u011f\u0131yla) vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcp k-NN indeksine ekleyebiliriz. Bir avukat, belirli bir konuyu veya emsal karar\u0131 arad\u0131\u011f\u0131nda, hem anahtar kelime tabanl\u0131 sorgularla (“bo\u015fanma davas\u0131”, “nafaka”) hem de anlamsal sorgularla (“aile hukuku uyu\u015fmazl\u0131klar\u0131”, “m\u00fclkiyet b\u00f6l\u00fc\u015f\u00fcm\u00fc”) arama yapabilir. OpenSearch’in hibrit arama yetene\u011fi, hem kelime e\u015fle\u015fmelerini hem de anlamsal benzerlikleri dikkate alarak en alakal\u0131 belgeleri bulmay\u0131 sa\u011flar. Dashboards ile arama e\u011filimlerini ve belge da\u011f\u0131l\u0131mlar\u0131n\u0131 g\u00f6rselle\u015ftirmek de m\u00fcmk\u00fcnd\u00fcr.<\/p>\nOpenSearch k-NN Index Olu\u015fturma ve Vekt\u00f6r Ekleme<\/h3>\n
\n# 1. k-NN Index Olu\u015fturma (cURL veya Python Requests ile yap\u0131labilir)\n# Bu \u00f6rnekte, 3 boyutlu vekt\u00f6rler i\u00e7in HNSW indeksini kullan\u0131yoruz.\n# Metod parametreleri, indeksin performans\u0131n\u0131 ve do\u011frulu\u011funu etkiler.\n\nPUT \/my-vector-index\n{\n \"settings\": {\n \"index.knn\": true,\n \"number_of_shards\": 1,\n \"number_of_replicas\": 0\n },\n \"mappings\": {\n \"properties\": {\n \"text_vector\": {\n \"type\": \"knn_vector\",\n \"dimension\": 3, # Vekt\u00f6r boyutunuza g\u00f6re ayarlay\u0131n\n \"method\": {\n \"name\": \"hnsw\",\n \"space_type\": \"l2\", # Vekt\u00f6rler aras\u0131 uzakl\u0131k metri\u011fi: l2 (Euclidean), cosine, l1\n \"engine\": \"nmslib\", # veya \"faiss\"\n \"parameters\": {\n \"ef_construct\": 100,\n \"m\": 16\n }\n }\n },\n \"title\": {\n \"type\": \"text\"\n },\n \"category\": {\n \"type\": \"keyword\"\n }\n }\n }\n}\n\n# 2. \u00d6rnek Veri Ekleme (Python Requests ile)\nimport requests\nimport json\nimport numpy as np # Vekt\u00f6r olu\u015fturmak i\u00e7in\n\n# OpenSearch endpoint'iniz\nOPENSEARCH_HOST = \"http:\/\/localhost:9200\"\nINDEX_NAME = \"my-vector-index\"\n\n# (Ger\u00e7ek bir senaryoda, bu vekt\u00f6rler bir ML modeli taraf\u0131ndan olu\u015fturulur)\n# \u00d6rnek 3 boyutlu vekt\u00f6rler\ndata_to_index = [\n {\n \"title\": \"Bilgisayar Bilimleri Temelleri\",\n \"category\": \"E\u011fitim\",\n \"text_vector\": [0.1, 0.2, 0.3]\n },\n {\n \"title\": \"Veri Bilimi ve Yapay Zeka\",\n \"category\": \"E\u011fitim\",\n \"text_vector\": [0.15, 0.25, 0.35]\n },\n {\n \"title\": \"Makine \u00d6\u011frenimi Algoritmalar\u0131\",\n \"category\": \"E\u011fitim\",\n \"text_vector\": [0.12, 0.22, 0.32]\n },\n {\n \"title\": \"Gezegenler ve Evren\",\n \"category\": \"Bilim\",\n \"text_vector\": [0.8, 0.7, 0.6]\n },\n {\n \"title\": \"Y\u0131ld\u0131zlar\u0131n Do\u011fu\u015fu\",\n \"category\": \"Bilim\",\n \"text_vector\": [0.85, 0.75, 0.65]\n }\n]\n\nfor i, doc in enumerate(data_to_index):\n response = requests.post(\n f\"{OPENSEARCH_HOST}\/{INDEX_NAME}\/_doc\/{i+1}\",\n headers={\"Content-Type\": \"application\/json\"},\n data=json.dumps(doc)\n )\n print(f\"Dok\u00fcman {i+1} eklendi: {response.json()}\")\n\n# 3. k-NN Aramas\u0131 Yapma (Python Requests ile)\n# \u00d6rnek sorgu vekt\u00f6r\u00fc\nquery_vector = [0.11, 0.21, 0.31] # \"Yapay zeka konular\u0131\" gibi bir sorgudan t\u00fcretilmi\u015f\n\nsearch_query = {\n \"size\": 2,\n \"query\": {\n \"knn\": {\n \"text_vector\": {\n \"vector\": query_vector,\n \"k\": 2\n }\n }\n }\n}\n\nresponse = requests.get(\n f\"{OPENSEARCH_HOST}\/{INDEX_NAME}\/_search\",\n headers={\"Content-Type\": \"application\/json\"},\n data=json.dumps(search_query)\n)\n\nprint(\"\\nK-NN Arama Sonu\u00e7lar\u0131:\")\nfor hit in response.json()[\"hits\"][\"hits\"]:\n print(f\" Ba\u015fl\u0131k: {hit['_source']['title']}, Kategori: {hit['_source']['category']}, Skor: {hit['_score']}\")\n\n<\/code><\/pre>\ntext_vector<\/code> alan\u0131na g\u00f6nderilen vekt\u00f6rler, bir metin embedding modeli (\u00f6rne\u011fin Sentence-BERT, OpenAI embeddings) kullan\u0131larak olu\u015fturulur. OpenSearch, bu vekt\u00f6rleri depolayacak ve sorgu vekt\u00f6r\u00fcne en yak\u0131n olanlar\u0131 bulmak i\u00e7in HNSW indeksini kullanacakt\u0131r.<\/p>\npgvector: PostgreSQL’in G\u00fcc\u00fcn\u00fc Vekt\u00f6r Aramas\u0131yla Birle\u015ftirmek<\/h2>\n
vector<\/code> ekler. Bu sayede, tablolar\u0131n\u0131zda do\u011frudan vekt\u00f6r s\u00fctunlar\u0131 tan\u0131mlayabilir ve bu s\u00fctunlara y\u00fcksek boyutlu say\u0131sal vekt\u00f6rleri depolayabilirsiniz. En \u00f6nemlisi, pgvector, vekt\u00f6rler aras\u0131nda \u00d6klid mesafesi (<-><\/code>), kosin\u00fcs benzerli\u011fi (<=><\/code>) ve i\u00e7 \u00e7arp\u0131m (<#><\/code> ) gibi metriklerle benzerlik aramas\u0131 yapman\u0131za olanak tan\u0131yan operat\u00f6rler sunar. B\u00fcy\u00fck veri k\u00fcmelerinde performans\u0131 art\u0131rmak i\u00e7in, pgvector, IVFFlat indeksleme algoritmas\u0131n\u0131 destekler. Bu indeks, milyonlarca vekt\u00f6r aras\u0131nda yakla\u015f\u0131k en yak\u0131n kom\u015fu (ANN) aramalar\u0131 yaparak sorgu s\u00fcrelerini \u00f6nemli \u00f6l\u00e7\u00fcde k\u0131salt\u0131r.<\/p>\nWHERE<\/code> ko\u015fullar\u0131 ekleyebilirsiniz. Ayr\u0131ca, PostgreSQL’in replikasyon, yedekleme ve g\u00fcvenlik gibi olgun \u00f6zellikleri pgvector ile de kullan\u0131labilir.<\/p>\n\n
\n
\nBir startup’\u0131n kullan\u0131c\u0131lar\u0131n ilgi alanlar\u0131na g\u00f6re blog yaz\u0131lar\u0131 \u00f6neren bir platform geli\u015ftirdi\u011fini d\u00fc\u015f\u00fcnelim. Bu platform zaten kullan\u0131c\u0131 verilerini, blog yaz\u0131lar\u0131n\u0131 ve yorumlar\u0131 PostgreSQL’de sakl\u0131yor. pgvector’\u0131 kullanarak, her blog yaz\u0131s\u0131n\u0131n i\u00e7eri\u011fini bir LLM ile vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcp blog_posts<\/code> tablosuna embedding<\/code> ad\u0131nda yeni bir vekt\u00f6r s\u00fctunu ekleyebilirler. Bir kullan\u0131c\u0131 giri\u015f yapt\u0131\u011f\u0131nda, kullan\u0131c\u0131n\u0131n okuma ge\u00e7mi\u015findeki yaz\u0131lar\u0131n vekt\u00f6r ortalamas\u0131n\u0131 alarak bir sorgu vekt\u00f6r\u00fc olu\u015fturabilir ve bu sorgu vekt\u00f6r\u00fcyle en benzer blog yaz\u0131lar\u0131n\u0131 bulmak i\u00e7in pgvector’\u0131 kullanabilirler. Bu yakla\u015f\u0131m, mevcut altyap\u0131y\u0131 kullanarak h\u0131zl\u0131ca bir \u00f6neri sistemi kurmalar\u0131n\u0131 sa\u011flar, ek bir veritaban\u0131 y\u00f6netimi y\u00fck\u00fc getirmez ve SQL’in esnekli\u011fi sayesinde \u00f6nerileri kullan\u0131c\u0131 tercihleri veya yaz\u0131 kategorileri gibi di\u011fer verilerle kolayca filtreleyebilirler.<\/p>\npgvector Kurulumu ve Vekt\u00f6r Ekleme Ad\u0131mlar\u0131<\/h3>\n
psycopg2<\/code> k\u00fct\u00fcphanesi ile g\u00f6sterir.<\/p>\n\n# 1. pgvector Uzant\u0131s\u0131n\u0131 Kurma (PostgreSQL konsolunda veya istemci ile)\n# PostgreSQL sunucunuzda pgvector'\u0131n kurulu oldu\u011fundan emin olun.\n# Kurulum sonras\u0131, veritaban\u0131n\u0131zda etkinle\u015ftirin:\n# CREATE EXTENSION vector;\n\n# 2. Python ile Veritaban\u0131na Ba\u011flanma ve Tablo Olu\u015fturma\nimport psycopg2\nimport numpy as np # Vekt\u00f6r olu\u015fturmak i\u00e7in\n\n# Veritaban\u0131 ba\u011flant\u0131 bilgileri\nDB_NAME = \"your_database\"\nDB_USER = \"your_user\"\nDB_PASSWORD = \"your_password\"\nDB_HOST = \"localhost\"\nDB_PORT = \"5432\"\n\ntry:\n conn = psycopg2.connect(\n dbname=DB_NAME,\n user=DB_USER,\n password=DB_PASSWORD,\n host=DB_HOST,\n port=DB_PORT\n )\n cur = conn.cursor()\n\n # Vekt\u00f6r uzant\u0131s\u0131n\u0131 etkinle\u015ftir (e\u011fer daha \u00f6nce yap\u0131lmad\u0131ysa)\n cur.execute(\"CREATE EXTENSION IF NOT EXISTS vector;\")\n conn.commit()\n\n # \"documents\" tablosunu olu\u015ftur\n # 'embedding' s\u00fctunu 3 boyutlu vekt\u00f6rleri depolayacak\n cur.execute(\"\"\"\n CREATE TABLE IF NOT EXISTS documents (\n id SERIAL PRIMARY KEY,\n content TEXT,\n embedding vector(3) # Vekt\u00f6r boyutunuza g\u00f6re ayarlay\u0131n\n );\n \"\"\")\n conn.commit()\n\n print(\"Tablo ba\u015far\u0131yla olu\u015fturuldu veya zaten mevcut.\")\n\n # 3. \u00d6rnek Veri Ekleme\n # (Ger\u00e7ek bir senaryoda, bu vekt\u00f6rler bir ML modeli taraf\u0131ndan olu\u015fturulur)\n documents_to_insert = [\n {\"content\": \"Yapay zeka devrimi\", \"embedding\": np.array([0.1, 0.2, 0.3])},\n {\"content\": \"Makine \u00f6\u011frenimi algoritmalar\u0131\", \"embedding\": np.array([0.15, 0.25, 0.35])},\n {\"content\": \"Veri analizi teknikleri\", \"embedding\": np.array([0.12, 0.22, 0.32])},\n {\"content\": \"Uzay ke\u015ffi ve gezegenler\", \"embedding\": np.array([0.8, 0.7, 0.6])},\n {\"content\": \"Galaksilerin olu\u015fumu\", \"embedding\": np.array([0.85, 0.75, 0.65])}\n ]\n\n for doc in documents_to_insert:\n cur.execute(\n \"INSERT INTO documents (content, embedding) VALUES (%s, %s);\",\n (doc[\"content\"], doc[\"embedding\"].tolist()) # NumPy dizisini listeye \u00e7evir\n )\n conn.commit()\n print(\"Veriler ba\u015far\u0131yla eklendi.\")\n\n # 4. Benzerlik Aramas\u0131 Yapma\n # \u00d6rnek sorgu vekt\u00f6r\u00fc\n query_vector = np.array([0.11, 0.21, 0.31]) # \"AI teknolojileri\" gibi bir sorgudan t\u00fcretilmi\u015f\n\n # Kosin\u00fcs benzerli\u011fi ile en yak\u0131n 2 dok\u00fcman\u0131 bul\n # 'ORDER BY embedding <=> %s LIMIT 2' ifadesi, sorgu vekt\u00f6r\u00fcne en yak\u0131n olanlar\u0131 bulur.\n cur.execute(\n \"SELECT id, content, embedding FROM documents ORDER BY embedding <=> %s LIMIT 2;\",\n (query_vector.tolist(),)\n )\n results = cur.fetchall()\n\n print(\"\\nBenzerlik Arama Sonu\u00e7lar\u0131:\")\n for row in results:\n print(f\" ID: {row[0]}, \u0130\u00e7erik: {row[1]}, Vekt\u00f6r: {row[2]}\")\n\nexcept Exception as e:\n print(f\"Bir hata olu\u015ftu: {e}\")\n\nfinally:\n if conn:\n cur.close()\n conn.close()\n print(\"Veritaban\u0131 ba\u011flant\u0131s\u0131 kapat\u0131ld\u0131.\")\n\n<\/code><\/pre>\nvector(3)<\/code> ifadesi, vekt\u00f6r s\u00fctununun 3 boyutlu olaca\u011f\u0131n\u0131 belirtir. ORDER BY embedding <=> %s<\/code> ifadesi, sorgu vekt\u00f6r\u00fcne en yak\u0131n olanlar\u0131 kosin\u00fcs benzerli\u011fi kullanarak s\u0131ralar. Ger\u00e7ek uygulamalarda, embedding<\/code> s\u00fctununa bir IVFFlat indeksi ekleyerek performans\u0131 art\u0131rabilirsiniz: CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);<\/code>.<\/p>\nWeaviate, OpenSearch ve pgvector Aras\u0131ndaki Kar\u015f\u0131la\u015ft\u0131rmal\u0131 Analiz: Hangisini Se\u00e7meliyim?<\/h2>\n
\u00d6zellik Kar\u015f\u0131la\u015ft\u0131rma Tablosu<\/h3>\n
\n\n
\n \n\u00d6zellik<\/th>\n Weaviate<\/th>\n OpenSearch (k-NN ile)<\/th>\n pgvector (PostgreSQL ile)<\/th>\n<\/tr>\n<\/thead>\n \n Temel Odak<\/strong><\/td>\n AI odakl\u0131, vekt\u00f6r yerel veritaban\u0131<\/td>\n Arama ve analitik platformu<\/td>\n PostgreSQL uzant\u0131s\u0131, ili\u015fkisel veritaban\u0131<\/td>\n<\/tr>\n \n Otomatik Vekt\u00f6rle\u015ftirme<\/strong><\/td>\n Evet, yerle\u015fik mod\u00fcllerle<\/td>\n Hay\u0131r, harici model gerekli<\/td>\n Hay\u0131r, harici model gerekli<\/td>\n<\/tr>\n \n Hibrit Arama<\/strong><\/td>\n Evet (vekt\u00f6r + anahtar kelime\/filtre)<\/td>\n Evet (vekt\u00f6r + tam metin\/filtre)<\/td>\n Evet (vekt\u00f6r + SQL filtre)<\/td>\n<\/tr>\n \n \u0130ndeksleme Algoritmalar\u0131<\/strong><\/td>\n HNSW (optimize edilmi\u015f)<\/td>\n IVFFlat, HNSW (\u00e7e\u015fitli algoritmalar)<\/td>\n IVFFlat<\/td>\n<\/tr>\n \n \u00d6l\u00e7eklenebilirlik<\/strong><\/td>\n Y\u00fcksek (da\u011f\u0131t\u0131k mimari)<\/td>\n Y\u00fcksek (da\u011f\u0131t\u0131k mimari)<\/td>\n Orta (tek PostgreSQL instance’\u0131)<\/td>\n<\/tr>\n \n Geli\u015ftirici Deneyimi<\/strong><\/td>\n Y\u00fcksek (AI odakl\u0131 API’ler, mod\u00fcller)<\/td>\n Orta (JSON\/REST API, k-NN \u00f6zel sorgular)<\/td>\n Y\u00fcksek (SQL ile entegrasyon)<\/td>\n<\/tr>\n \n Maliyet<\/strong><\/td>\n \u00d6zel altyap\u0131\/bulut hizmeti gerektirebilir<\/td>\n \u00d6zel altyap\u0131\/bulut hizmeti gerektirebilir<\/td>\n Mevcut PostgreSQL altyap\u0131s\u0131na eklenebilir<\/td>\n<\/tr>\n \n Ekosistem<\/strong><\/td>\n B\u00fcy\u00fcyen, AI odakl\u0131<\/td>\n Olgun, geni\u015f arama\/analitik<\/td>\n PostgreSQL’in geni\u015f ekosistemi<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Hangi Senaryoda Hangisini Se\u00e7meliyim?<\/h3>\n
\n
\n
\n
\n
\u0130leri D\u00fczey Kullan\u0131m \u0130pu\u00e7lar\u0131 ve En \u0130yi Uygulamalar<\/h2>\n
\n
ef_construct<\/code>, m<\/code>; IVFFlat i\u00e7in lists<\/code>, probes<\/code>). Bu parametreler, arama do\u011frulu\u011fu ile performans aras\u0131ndaki dengeyi belirler. Uygulaman\u0131z\u0131n gereksinimlerine g\u00f6re bu parametreleri ayarlamak, sorgu gecikmesini d\u00fc\u015f\u00fcr\u00fcrken arama sonu\u00e7lar\u0131n\u0131n kalitesini koruman\u0131za yard\u0131mc\u0131 olabilir. \u00d6rne\u011fin, daha y\u00fcksek do\u011fruluk gerektiren senaryolarda ef_construct<\/code> veya probes<\/code> de\u011ferlerini art\u0131rabilirsiniz, ancak bu, arama s\u00fcresini uzatabilir. Performans kritik uygulamalarda ise bu de\u011ferleri d\u00fc\u015f\u00fcrmeyi d\u00fc\u015f\u00fcnebilirsiniz.<\/p>\n<\/li>\nSonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n