Yapay zeka destekli uygulamalar geli\u015ftirirken, b\u00fcy\u00fck veri k\u00fcmeleri i\u00e7inde anlaml\u0131 ili\u015fkiler kurmak ve karma\u015f\u0131k sorgular\u0131 yan\u0131tlamak kritik \u00f6nem ta\u015f\u0131yor. \u00d6zellikle Vekt\u00f6r Arama ve Retrieval Augmented Generation (RAG) gibi teknolojiler, metin, g\u00f6rsel ve di\u011fer veri t\u00fcrlerini anlamland\u0131rmada devrim yarat\u0131yor. Peki, bu g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131 kendi projelerimizde nas\u0131l etkin bir \u015fekilde kullanabiliriz? MilvusLite-Kit, bu s\u00fcreci kod \u00fczerinden konfig\u00fcrasyonla basitle\u015ftirerek geli\u015ftiricilere b\u00fcy\u00fck kolayl\u0131k sa\u011fl\u0131yor. Bu makalede, MilvusLite-Kit’in sundu\u011fu esnek konfig\u00fcrasyon yetenekleriyle vekt\u00f6r arama ve RAG i\u015f ak\u0131\u015flar\u0131n\u0131 nas\u0131l olu\u015fturabilece\u011finizi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz. Ba\u015flang\u0131\u00e7 seviyesinden ileri d\u00fczey tekniklere kadar her \u015feyi kapsayacak \u015fekilde, ger\u00e7ek d\u00fcnya senaryolar\u0131 ve pratik kod \u00f6rnekleriyle bu konuyu derinlemesine inceleyece\u011fiz.<\/p>\n
Milvus, a\u00e7\u0131k kaynakl\u0131 bir vekt\u00f6r veritaban\u0131d\u0131r ve b\u00fcy\u00fck \u00f6l\u00e7ekli vekt\u00f6r veri k\u00fcmelerini depolamak, indekslemek ve sorgulamak i\u00e7in tasarlanm\u0131\u015ft\u0131r. MilvusLite ise, Milvus’un hafif ve g\u00f6m\u00fcl\u00fc (embedded) bir versiyonudur. Bu, herhangi bir harici kurulum veya sunucu y\u00f6netimi gerektirmeden, do\u011frudan uygulaman\u0131z\u0131n i\u00e7ine entegre edilebilece\u011fi anlam\u0131na gelir. Geli\u015ftirme ve prototipleme a\u015famalar\u0131nda inan\u0131lmaz derecede kullan\u0131\u015fl\u0131d\u0131r. MilvusLite-Kit ise bu hafif veritaban\u0131n\u0131 Python ile daha kolay y\u00f6netmemizi sa\u011flayan bir ara\u00e7 setidir. Kodunuz \u00fczerinden veritaban\u0131 olu\u015fturma, koleksiyon tan\u0131mlama, veri ekleme ve sorgulama gibi i\u015flemleri yapman\u0131za olanak tan\u0131r. Bu, \u00f6zellikle mikroservis tabanl\u0131 mimarilerde veya kaynak k\u0131s\u0131tl\u0131 ortamlarda \u00e7al\u0131\u015fan uygulamalar i\u00e7in ideal bir \u00e7\u00f6z\u00fcmd\u00fcr. MilvusLite-Kit’in kod \u00fczerinden konfig\u00fcrasyon yetene\u011fi, otomasyonu kolayla\u015ft\u0131r\u0131r, tekrarlanabilirli\u011fi art\u0131r\u0131r ve geli\u015ftirme s\u00fcre\u00e7lerini h\u0131zland\u0131r\u0131r. Geli\u015ftiriciler, karma\u015f\u0131k altyap\u0131 ayarlar\u0131yla u\u011fra\u015fmak yerine, do\u011frudan i\u015f mant\u0131\u011f\u0131na odaklanabilirler. Bu da projelerin daha h\u0131zl\u0131 tamamlanmas\u0131n\u0131 ve daha esnek bir \u015fekilde y\u00f6netilmesini sa\u011flar. Ayr\u0131ca, farkl\u0131 konfig\u00fcrasyonlar\u0131 kolayca deneyebilir ve en uygun olan\u0131 se\u00e7ebilirsiniz.<\/p>\n
Vekt\u00f6r veritabanlar\u0131, verileri say\u0131sal vekt\u00f6rler (embeddings) olarak temsil eder. Bu vekt\u00f6rler, makine \u00f6\u011frenmesi modelleri taraf\u0131ndan olu\u015fturulur ve verinin anlamsal \u00f6zelliklerini yakalar. \u00d6rne\u011fin, bir metin par\u00e7as\u0131n\u0131 vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcrd\u00fc\u011f\u00fcn\u00fczde, bu vekt\u00f6r metnin anlam\u0131n\u0131 temsil eder. Benzer anlamlara sahip metinler, vekt\u00f6r uzay\u0131nda birbirine yak\u0131n konumda bulunur. Vekt\u00f6r veritabanlar\u0131, bu vekt\u00f6rleri verimli bir \u015fekilde depolamak ve benzerlik aramalar\u0131n\u0131 (similarity search) ger\u00e7ekle\u015ftirmek i\u00e7in \u00f6zel indeksleme algoritmalar\u0131 kullan\u0131r. Benzerlik aramas\u0131, belirli bir sorgu vekt\u00f6r\u00fcne en yak\u0131n olan vekt\u00f6rleri bulma i\u015flemidir. Bu, “bu metne en \u00e7ok benzeyen belgeler hangileri?” veya “bu g\u00f6rsele en benzer g\u00f6rseller hangileri?” gibi sorular\u0131 yan\u0131tlamak i\u00e7in kullan\u0131l\u0131r. MilvusLite-Kit, bu vekt\u00f6rleri y\u00f6netmek ve bu arama i\u015flemlerini kolayla\u015ft\u0131rmak i\u00e7in bir aray\u00fcz sunar. Temelinde, bu vekt\u00f6rler, y\u00fcksek boyutlu bir uzaydaki noktalar olarak d\u00fc\u015f\u00fcn\u00fclebilir. Bizim amac\u0131m\u0131z, bu uzayda verimli bir \u015fekilde gezinmek ve istedi\u011fimiz noktalara en h\u0131zl\u0131 \u015fekilde ula\u015fmakt\u0131r. Milvus gibi vekt\u00f6r veritabanlar\u0131, bunu yapabilmek i\u00e7in Approximate Nearest Neighbor (ANN) algoritmalar\u0131 kullan\u0131r. Bu algoritmalar, mutlak en yak\u0131n kom\u015fuyu bulmay\u0131 garanti etmezler ancak \u00e7ok y\u00fcksek bir olas\u0131l\u0131kla do\u011fru sonucu \u00e7ok daha h\u0131zl\u0131 bir \u015fekilde bulurlar. Bu h\u0131z fark\u0131, b\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken kritik \u00f6neme sahiptir.<\/p>\n
MilvusLite-Kit’i kullanmaya ba\u015flamak olduk\u00e7a basittir. Python ortam\u0131n\u0131za birka\u00e7 sat\u0131rl\u0131k kod ile entegre edebilirsiniz. \u0130lk olarak, gerekli k\u00fct\u00fcphaneyi Kurulum ad\u0131mlar\u0131 \u015fu \u015fekildedir:<\/p>\n Ard\u0131ndan, basit bir Python beti\u011fi ile MilvusLite istemcisini ba\u015flatabilir ve temel bir koleksiyon olu\u015fturabilirsiniz:<\/p>\n Bu kod par\u00e7as\u0131, basit bir vekt\u00f6r koleksiyonu olu\u015fturman\u0131n temelini atar. Vekt\u00f6r arama, MilvusLite-Kit’in temel kullan\u0131m alanlar\u0131ndan biridir. Bir sorgu vekt\u00f6r\u00fc verildi\u011finde, veritaban\u0131ndaki en benzer vekt\u00f6rleri bulmak i\u00e7in kullan\u0131l\u0131r. Bu, \u00f6neri sistemleri, anlamsal arama motorlar\u0131 ve benzerlik tabanl\u0131 s\u0131n\u0131fland\u0131rma gibi bir\u00e7ok uygulama i\u00e7in temel olu\u015fturur. Kod \u00fczerinden konfig\u00fcrasyon, arama performans\u0131n\u0131 optimize etmek i\u00e7in kritik \u00f6neme sahiptir. Koleksiyonunuzu olu\u015ftururken belirledi\u011finiz indeksleme parametreleri, arama h\u0131z\u0131n\u0131 ve do\u011frulu\u011funu do\u011frudan etkiler. \u00d6rne\u011fin, Kodunuzda indeksleme parametrelerini \u015fu \u015fekilde belirleyebilirsiniz:<\/p>\n Yukar\u0131daki kodda, Retrieval Augmented Generation (RAG), b\u00fcy\u00fck dil modellerinin (LLM’ler) yan\u0131tlar\u0131n\u0131 harici bilgi kaynaklar\u0131ndan gelen bilgilerle zenginle\u015ftirerek daha do\u011fru, ba\u011flama uygun ve g\u00fcncel hale getiren bir tekniktir. RAG sistemlerinde MilvusLite-Kit’in rol\u00fc, LLM’nin yan\u0131t \u00fcretmeden \u00f6nce ilgili bilgileri h\u0131zl\u0131 bir \u015fekilde \u00e7ekmesini sa\u011flamakt\u0131r. Bu s\u00fcre\u00e7 genellikle \u015fu ad\u0131mlar\u0131 i\u00e7erir:<\/p>\n MilvusLite-Kit, bu RAG i\u015f ak\u0131\u015f\u0131n\u0131n “Retrieval” (Bilgi \u00c7ekme) k\u0131sm\u0131n\u0131 verimli bir \u015fekilde y\u00f6netir. Kodunuz \u00fczerinden, koleksiyon \u015feman\u0131z\u0131, indeksleme stratejinizi ve arama parametrelerinizi ayarlayarak bu \u00e7ekme i\u015fleminin performans\u0131n\u0131 optimize edebilirsiniz. \u00d6rne\u011fin, belgelerinizin t\u00fcr\u00fcne ve boyutuna g\u00f6re farkl\u0131 embedding modelleri ve buna ba\u011fl\u0131 olarak farkl\u0131 vekt\u00f6r boyutlar\u0131 kullanabilirsiniz. Bu, MilvusLite-Kit’in sundu\u011fu esnek konfig\u00fcrasyonun RAG sistemlerinin verimlili\u011fini nas\u0131l art\u0131rd\u0131\u011f\u0131n\u0131n bir g\u00f6stergesidir.<\/p>\n Bir RAG i\u015f ak\u0131\u015f\u0131n\u0131n temel Python kod yap\u0131s\u0131 \u015fu \u015fekilde olabilir (embedding modeli ve LLM entegrasyonu basitle\u015ftirilmi\u015ftir):<\/p>\n Bu RAG \u00f6rne\u011finde, MilvusLite-Kit’in sundu\u011fu esneklik, \u00e7e\u015fitli sekt\u00f6rlerdeki ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zmek i\u00e7in kullan\u0131labilir. \u0130\u015fte birka\u00e7 \u00f6rnek:<\/p>\n Problem:<\/strong> Bir e-ticaret sitesi, kullan\u0131c\u0131lar\u0131n ge\u00e7mi\u015f sat\u0131n alma davran\u0131\u015flar\u0131na, \u00fcr\u00fcn incelemelerine ve g\u00f6z atma ge\u00e7mi\u015flerine dayanarak onlara en uygun \u00fcr\u00fcnleri \u00f6nermek istiyor. Geleneksel y\u00f6ntemler, b\u00fcy\u00fck \u00fcr\u00fcn kataloglar\u0131 ve kullan\u0131c\u0131 verileriyle ba\u015fa \u00e7\u0131kmakta zorlanabiliyor.<\/p>\n \u00c7\u00f6z\u00fcm:<\/strong> MilvusLite-Kit kullanarak, \u00fcr\u00fcnlerin ve kullan\u0131c\u0131lar\u0131n \u00f6zelliklerini vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrebiliriz. \u00dcr\u00fcnlerin metin a\u00e7\u0131klamalar\u0131, g\u00f6rselleri ve kategorileri embedding modelleriyle vekt\u00f6rle\u015ftirilir. Kullan\u0131c\u0131lar\u0131n etkile\u015fimleri (be\u011feniler, sepete eklemeler, sat\u0131n almalar) da benzer bir \u015fekilde vekt\u00f6rle\u015ftirilebilir. MilvusLite koleksiyonunda, bu \u00fcr\u00fcn vekt\u00f6rleri saklan\u0131r. Bir kullan\u0131c\u0131 siteye giri\u015f yapt\u0131\u011f\u0131nda, onun etkile\u015fimlerinden t\u00fcretilen bir sorgu vekt\u00f6r\u00fc olu\u015fturulur ve MilvusLite’ta en benzer \u00fcr\u00fcn vekt\u00f6rleri aran\u0131r. Bu en benzer \u00fcr\u00fcnler, kullan\u0131c\u0131ya \u00f6nerilir. Kod \u00fczerinden konfig\u00fcrasyon, farkl\u0131 embedding modellerini denemeyi, vekt\u00f6r boyutunu ayarlamay\u0131 ve arama metriklerini optimize etmeyi kolayla\u015ft\u0131r\u0131r. \u00d6rne\u011fin, Problem:<\/strong> Bir \u015firketin m\u00fc\u015fteri destek ekibi, tekrar eden sorulara yan\u0131t vermekte zorlan\u0131yor. M\u00fc\u015fterilerin sorular\u0131n\u0131 anlay\u0131p onlara en do\u011fru ve h\u0131zl\u0131 yan\u0131t\u0131 verecek otomatik bir sistem gerekiyor.<\/p>\n \u00c7\u00f6z\u00fcm:<\/strong> MilvusLite-Kit ve RAG yakla\u015f\u0131m\u0131 burada devreye girer. \u015eirketin mevcut SSS belgeleri, \u00fcr\u00fcn k\u0131lavuzlar\u0131 ve destek makaleleri vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fclerek MilvusLite’ta bir koleksiyona kaydedilir. M\u00fc\u015fterinin sordu\u011fu soru, ayn\u0131 embedding modeli kullan\u0131larak vekt\u00f6rle\u015ftirilir. MilvusLite, bu sorgu vekt\u00f6r\u00fcne en yak\u0131n belgeleri (yani sorunun cevab\u0131n\u0131 i\u00e7eren en ilgili metin par\u00e7alar\u0131n\u0131) \u00e7eker. Bu \u00e7ekilen bilgiler, bir LLM’ye girdi olarak verilir ve LLM, bu ba\u011flam\u0131 kullanarak m\u00fc\u015fteriye do\u011fal dilde bir yan\u0131t \u00fcretir. MilvusLite-Kit’in kod tabanl\u0131 konfig\u00fcrasyonu, farkl\u0131 embedding modellerini (\u00f6rne\u011fin, daha uzun metinleri anlayabilen modeller), indeksleme stratejilerini ve arama MilvusLite-Kit’in sundu\u011fu esneklik, sadece temel kurulumlarla s\u0131n\u0131rl\u0131 de\u011fildir. \u0130leri d\u00fczey konfig\u00fcrasyonlar ve ince ayarlar ile vekt\u00f6r arama ve RAG i\u015f ak\u0131\u015flar\u0131n\u0131z\u0131n performans\u0131n\u0131 maksimize edebilirsiniz.<\/p>\n Veri k\u00fcmenizin yap\u0131s\u0131 zamanla de\u011fi\u015febilir. MilvusLite-Kit, indeksleme stratejilerinizi kodunuz \u00fczerinden dinamik olarak de\u011fi\u015ftirmenize olanak tan\u0131r. \u00d6rne\u011fin, ba\u015flang\u0131\u00e7ta daha h\u0131zl\u0131 bir indeks ( \u00d6rne\u011fin, indeks olu\u015fturma s\u0131ras\u0131nda metrik t\u00fcr\u00fcn\u00fc de\u011fi\u015ftirebilirsiniz:<\/p>\n B\u00fcy\u00fck veri k\u00fcmelerinde performans\u0131 art\u0131rmak i\u00e7in veri b\u00f6l\u00fcmleme (partitioning) etkili bir y\u00f6ntemdir. MilvusLite-Kit ile koleksiyonunuzu belirli kriterlere g\u00f6re b\u00f6l\u00fcmlere ay\u0131rabilirsiniz. \u00d6rne\u011fin, belgeleri tarihlerine, kaynaklar\u0131na veya t\u00fcrlerine g\u00f6re farkl\u0131 b\u00f6l\u00fcmlere ay\u0131rabilirsiniz. Bu, sorgu s\u0131ras\u0131nda sadece ilgili b\u00f6l\u00fcmleri tarayarak arama s\u00fcresini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. B\u00f6l\u00fcmleme, kodunuz \u00fczerinden kolayca y\u00f6netilebilir ve sorgu performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirebilir.<\/p>\n B\u00f6l\u00fcmleme \u00f6rne\u011fi (basitle\u015ftirilmi\u015f):<\/p>\n MilvusLite’ta do\u011frudan geli\u015fmi\u015f b\u00f6l\u00fcmleme API’si olmasa da, farkl\u0131 koleksiyonlar olu\u015fturup bunlar\u0131 mant\u0131ksal olarak grupland\u0131rarak veya sorgular\u0131n\u0131za filtreler ekleyerek benzer bir etki yaratabilirsiniz. Bu, b\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken arama performans\u0131n\u0131 optimize etmek i\u00e7in \u00f6nemli bir tekniktir.<\/p>\n MilvusLite-Kit, vekt\u00f6r arama ve RAG i\u015f ak\u0131\u015flar\u0131n\u0131 kod \u00fczerinden konfig\u00fcre etmek i\u00e7in g\u00fc\u00e7l\u00fc ve esnek bir \u00e7\u00f6z\u00fcm sunar. Geli\u015ftiriciler, harici kurulumlarla u\u011fra\u015fmadan, do\u011frudan Python kodlar\u0131 arac\u0131l\u0131\u011f\u0131yla veritaban\u0131 \u015femalar\u0131n\u0131 tan\u0131mlayabilir, indeksleme stratejilerini belirleyebilir ve arama parametrelerini optimize edebilirler. Bu yakla\u015f\u0131m, geli\u015ftirme s\u00fcre\u00e7lerini h\u0131zland\u0131r\u0131r, otomasyonu kolayla\u015ft\u0131r\u0131r ve projelerin daha verimli bir \u015fekilde y\u00f6netilmesini sa\u011flar. E-ticaret \u00f6neri sistemlerinden ak\u0131ll\u0131 m\u00fc\u015fteri destek botlar\u0131na kadar bir\u00e7ok ger\u00e7ek d\u00fcnya senaryosunda MilvusLite-Kit, yapay zeka destekli uygulamalar\u0131n temelini olu\u015fturan vekt\u00f6r veritaban\u0131 y\u00f6netimini basitle\u015ftirir.<\/p>\n MilvusLite, geli\u015ftirme ve prototipleme i\u00e7in harikad\u0131r. Ancak, y\u00fcksek trafikli ve b\u00fcy\u00fck \u00f6l\u00e7ekli \u00fcretim ortamlar\u0131 i\u00e7in tam te\u015fekk\u00fcll\u00fc Milvus sunucusu veya Milvus Cloud gibi \u00e7\u00f6z\u00fcmler daha uygun olabilir. MilvusLite, yerel bir dosya tabanl\u0131 veritaban\u0131 olarak \u00e7al\u0131\u015f\u0131r.<\/p>\n<\/li>\n Evet, MilvusLite-Kit herhangi bir embedding modeli taraf\u0131ndan \u00fcretilen vekt\u00f6rlerle uyumludur. \u00d6nemli olan, koleksiyonunuzu olu\u015ftururken belirtti\u011finiz vekt\u00f6r boyutunun ( MilvusLite-Kit’in ana aray\u00fcz\u00fc Python’dur ( MilvusLite, yerel bir dosya tabanl\u0131 veritaban\u0131 oldu\u011fu i\u00e7in, veri g\u00fcvenli\u011fi b\u00fcy\u00fck \u00f6l\u00e7\u00fcde uygulaman\u0131z\u0131n \u00e7al\u0131\u015ft\u0131\u011f\u0131 ortam\u0131n g\u00fcvenli\u011fine ba\u011fl\u0131d\u0131r. Verilerin depoland\u0131\u011f\u0131 dosya sisteminin eri\u015fim kontrollerini y\u00f6netmek \u00f6nemlidir.<\/p>\n<\/li>\n Daha y\u00fcksek vekt\u00f6r boyutlar\u0131, genellikle daha fazla anlamsal bilgiyi yakalar ancak daha fazla depolama alan\u0131 gerektirir ve arama i\u015flemlerini yava\u015flatabilir. Do\u011fru vekt\u00f6r boyutunu se\u00e7mek, kulland\u0131\u011f\u0131n\u0131z embedding modelinin yetenekleri ve uygulaman\u0131z\u0131n performans gereksinimleri aras\u0131nda bir denge kurmay\u0131 gerektirir.<\/p>\n<\/li>\n<\/ul>\n #MilvusLite #Vekt\u00f6rArama #RAG #YapayZeka #Python #Veritaban\u0131 #Makine\u00d6\u011frenmesi<\/p>\npip<\/code> ile y\u00fcklemelisiniz. Ard\u0131ndan, bir MilvusLite istemcisi olu\u015fturarak veritaban\u0131 ile etkile\u015fime ge\u00e7ebilirsiniz. Bu istemci, yerel bir dosya yolunu kullanarak veritaban\u0131n\u0131 ba\u015flat\u0131r, bu da herhangi bir harici kurulum gerektirmedi\u011fi anlam\u0131na gelir. MilvusLite-Kit’in en b\u00fcy\u00fck avantajlar\u0131ndan biri, veritaban\u0131 konfig\u00fcrasyonunun kod i\u00e7inde yap\u0131lmas\u0131d\u0131r. Bu, projenizin s\u00fcr\u00fcm kontrol sistemine (\u00f6rne\u011fin Git) entegre edilmesini ve farkl\u0131 ortamlar aras\u0131nda tutarl\u0131 bir \u015fekilde da\u011f\u0131t\u0131lmas\u0131n\u0131 kolayla\u015ft\u0131r\u0131r. Koleksiyon olu\u015ftururken, vekt\u00f6rlerin boyutunu, metrik t\u00fcr\u00fcn\u00fc (\u00f6rne\u011fin L2<\/code>, IP<\/code>) ve kullan\u0131lacak indeksleme algoritmas\u0131n\u0131 (\u00f6rne\u011fin IVF_FLAT<\/code>, HNSW<\/code>) belirleyebilirsiniz. Bu parametreler, arama performans\u0131n\u0131 ve veri depolama verimlili\u011fini do\u011frudan etkiler. Ba\u015flang\u0131\u00e7ta, varsay\u0131lan de\u011ferlerle ba\u015flay\u0131p daha sonra performans ihtiya\u00e7lar\u0131n\u0131za g\u00f6re bu parametreleri optimize edebilirsiniz. Bu kod tabanl\u0131 konfig\u00fcrasyon yakla\u015f\u0131m\u0131, altyap\u0131 y\u00f6netimini basitle\u015ftirir ve geli\u015ftirme d\u00f6ng\u00fcs\u00fcn\u00fc h\u0131zland\u0131r\u0131r. \u00d6rne\u011fin, farkl\u0131 indeksleme stratejilerini veya metrik t\u00fcrlerini deneyerek hangi konfig\u00fcrasyonun uygulaman\u0131z i\u00e7in en uygun oldu\u011funu kolayca belirleyebilirsiniz. Bu esneklik, \u00f6zellikle prototipleme ve erken a\u015fama geli\u015ftirme s\u00fcre\u00e7lerinde b\u00fcy\u00fck bir avantaj sa\u011flar.<\/p>\n\n pip install pymilvus\n <\/code><\/pre>\n\n from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection\n\n # MilvusLite istemcisini ba\u015flat\n # Varsay\u0131lan olarak 'milvus.db' dosyas\u0131n\u0131 kullan\u0131r\n connections.connect(\"default\", host=\"localhost\", port=\"19530\") # Bu port MilvusLite i\u00e7in gereklidir, ancak ger\u00e7ek bir sunucuya ba\u011flanmaz.\n\n # Alan tan\u0131mlar\u0131\n pk = FieldSchema(name=\"pk\", dtype=DataType.INT64, is_primary=True, auto_id=True)\n embedding = FieldSchema(name=\"embedding\", dtype=DataType.FLOAT_VECTOR, dim=128) # Vekt\u00f6r boyutu 128 olarak ayarland\u0131\n text_field = FieldSchema(name=\"text\", dtype=DataType.VARCHAR, max_length=512)\n\n # Koleksiyon \u015femas\u0131\n schema = CollectionSchema(fields=[pk, embedding, text_field], description=\"Vekt\u00f6r arama koleksiyonu\")\n\n # Koleksiyon ad\u0131\n collection_name = \"my_vector_collection\"\n\n # Koleksiyonu olu\u015ftur (e\u011fer yoksa)\n if not Collection(collection_name).has_collection(collection_name):\n collection = Collection(collection_name, schema)\n print(f\"'{collection_name}' koleksiyonu ba\u015far\u0131yla olu\u015fturuldu.\")\n else:\n collection = Collection(collection_name)\n print(f\"'{collection_name}' koleksiyonu zaten mevcut.\")\n\n # Koleksiyonu indekslemeden \u00f6nce, veritaban\u0131 ba\u011flant\u0131s\u0131n\u0131 kapatmak iyi bir pratiktir.\n # Ancak MilvusLite i\u00e7in bu genellikle otomatik olarak y\u00f6netilir.\n # connections.disconnect(\"default\")\n <\/code><\/pre>\nconnections.connect<\/code> fonksiyonu, MilvusLite’\u0131n \u00e7al\u0131\u015fmas\u0131 i\u00e7in gerekli olan yerel dosya tabanl\u0131 ba\u011flant\u0131y\u0131 kurar. FieldSchema<\/code> ile her alan\u0131n veri tipini ve \u00f6zelliklerini tan\u0131mlar\u0131z. pk<\/code> birincil anahtar, embedding<\/code> ise vekt\u00f6r verilerimizi saklayaca\u011f\u0131m\u0131z aland\u0131r. dim<\/code> parametresi, vekt\u00f6rlerimizin boyutunu belirtir ve bu, kulland\u0131\u011f\u0131n\u0131z embedding modelinin \u00e7\u0131kt\u0131s\u0131 ile uyumlu olmal\u0131d\u0131r. text_field<\/code> ise, vekt\u00f6rle ili\u015fkilendirilmi\u015f metin bilgisini saklamak i\u00e7in kullan\u0131l\u0131r. CollectionSchema<\/code>, bu alanlar\u0131 bir araya getirerek koleksiyonun yap\u0131s\u0131n\u0131 tan\u0131mlar. Son olarak, Collection<\/code> s\u0131n\u0131f\u0131 ile koleksiyonu olu\u015ftururuz. E\u011fer koleksiyon zaten mevcutsa, mevcut olan\u0131 y\u00fckler. Bu basit yap\u0131, kodunuz \u00fczerinden veritaban\u0131 \u015feman\u0131z\u0131 ve yap\u0131s\u0131n\u0131 tamamen kontrol etmenizi sa\u011flar.<\/p>\nVekt\u00f6r Arama \u0130\u015f Ak\u0131\u015flar\u0131 i\u00e7in Kod \u00dczerinden Konfig\u00fcrasyon<\/h2>\n
HNSW<\/code> (Hierarchical Navigable Small Worlds) indeksi, genellikle y\u00fcksek boyutlu verilerde iyi performans g\u00f6sterirken, IVF_FLAT<\/code> daha basit ve h\u0131zl\u0131 bir se\u00e7enektir. Hangi indeksi se\u00e7ece\u011finiz, veri k\u00fcmenizin boyutuna, vekt\u00f6r boyutuna ve arama gereksinimlerinize ba\u011fl\u0131d\u0131r.<\/p>\n\n from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection, IndexSchema\n\n # ... (\u00f6nceki ba\u011flant\u0131 ve \u015fema tan\u0131mlar\u0131) ...\n\n collection_name = \"my_vector_collection\"\n if not Collection(collection_name).has_collection(collection_name):\n pk = FieldSchema(name=\"pk\", dtype=DataType.INT64, is_primary=True, auto_id=True)\n embedding = FieldSchema(name=\"embedding\", dtype=DataType.FLOAT_VECTOR, dim=128)\n text_field = FieldSchema(name=\"text\", dtype=DataType.VARCHAR, max_length=512)\n schema = CollectionSchema(fields=[pk, embedding, text_field], description=\"Vekt\u00f6r arama koleksiyonu\")\n collection = Collection(collection_name, schema)\n print(f\"'{collection_name}' koleksiyonu ba\u015far\u0131yla olu\u015fturuldu.\")\n else:\n collection = Collection(collection_name)\n print(f\"'{collection_name}' koleksiyonu zaten mevcut.\")\n\n # \u0130ndeksleme parametrelerini tan\u0131mlama\n # HNSW indeksi i\u00e7in \u00f6rnek konfig\u00fcrasyon\n index_params_hnsw = {\n \"metric_type\": \"L2\", # Vekt\u00f6rler aras\u0131ndaki mesafeyi hesaplamak i\u00e7in kullan\u0131lan metrik (L2: \u00d6klid mesafesi, IP: \u0130\u00e7 \u00e7arp\u0131m)\n \"params\": {\"M\": 16, \"efConstruction\": 100} # HNSW'ye \u00f6zg\u00fc parametreler\n }\n\n # IVF_FLAT indeksi i\u00e7in \u00f6rnek konfig\u00fcrasyon\n index_params_ivf_flat = {\n \"metric_type\": \"IP\",\n \"params\": {\"nlist\": 1024} # IVF_FLAT'e \u00f6zg\u00fc parametreler\n }\n\n # \u0130ndeksleme stratejisi se\u00e7imi ve olu\u015fturma\n # Burada HNSW'yi se\u00e7iyoruz. \u0130htiyaca g\u00f6re IVF_FLAT veya ba\u015fka bir indeks t\u00fcr\u00fc se\u00e7ilebilir.\n if not collection.has_index():\n index_schema = IndexSchema(field_name=\"embedding\", index_type=\"HNSW\", **index_params_hnsw)\n collection.create_index(index_schema)\n print(\"HNSW indeksi ba\u015far\u0131yla olu\u015fturuldu.\")\n else:\n print(\"Koleksiyon zaten bir indekse sahip.\")\n\n # Veri ekleme (\u00f6rnek)\n import random\n data = [\n [random.random() for _ in range(128)] for _ in range(100)\n ]\n text_data = [f\"Bu metin numaras\u0131 {i} i\u00e7in bir \u00f6rnektir.\" for i in range(100)]\n\n # Veriyi eklemeden \u00f6nce koleksiyonu y\u00fcklemek gerekir\n collection.load()\n\n # MilvusLite'ta otomatik ID kullan\u0131m\u0131\n # E\u011fer auto_id=True ise, primary key alan\u0131n\u0131 bo\u015f b\u0131rakabilirsiniz.\n mr = collection.insert([data, text_data])\n print(f\"Toplam {mr.insert_count} kay\u0131t ba\u015far\u0131yla eklendi.\")\n\n # Sorgulama \u00f6rne\u011fi\n query_vector = [[random.random() for _ in range(128)]] # Sorgu vekt\u00f6r\u00fc\n search_params = {\n \"metric_type\": \"L2\",\n \"params\": {\"ef\": 100} # Arama s\u0131ras\u0131nda kullan\u0131lacak ef de\u011feri (HNSW i\u00e7in)\n }\n\n results = collection.search(\n data=query_vector,\n anns_field=\"embedding\",\n param=search_params,\n limit=5, # En yak\u0131n 5 sonucu getir\n output_fields=[\"text\"] # Sonu\u00e7larda hangi alanlar\u0131n d\u00f6nd\u00fcr\u00fclece\u011fini belirt\n )\n\n print(\"\\nArama Sonu\u00e7lar\u0131:\")\n for hit in results[0]:\n print(f\"ID: {hit.id}, Mesafe: {hit.distance:.4f}, Metin: {hit.get('text')}\")\n\n # Y\u00fcklenen koleksiyonu bo\u015faltmak iyi bir pratiktir\n collection.release()\n <\/code><\/pre>\nindex_params_hnsw<\/code> ve index_params_ivf_flat<\/code> s\u00f6zl\u00fckleri, farkl\u0131 indeksleme algoritmalar\u0131 i\u00e7in konfig\u00fcrasyonlar\u0131 i\u00e7erir. metric_type<\/code>, vekt\u00f6rler aras\u0131ndaki mesafeyi nas\u0131l \u00f6l\u00e7ece\u011fimizi belirler. params<\/code> s\u00f6zl\u00fc\u011f\u00fc ise se\u00e7ilen indeks t\u00fcr\u00fcne \u00f6zg\u00fc ayarlar\u0131 i\u00e7erir. IndexSchema<\/code> s\u0131n\u0131f\u0131, bu parametreleri kullanarak bir indeks tan\u0131mlar ve collection.create_index()<\/code> metodu ile koleksiyona uygulan\u0131r. Veri ekleme (collection.insert()<\/code>) i\u015fleminden sonra, arama yapabilmek i\u00e7in koleksiyonun belle\u011fe y\u00fcklenmesi (collection.load()<\/code>) gerekir. Arama i\u015flemi (collection.search()<\/code>) ise, sorgu vekt\u00f6r\u00fcn\u00fc, arama yap\u0131lacak alan\u0131 (anns_field<\/code>), arama parametrelerini (param<\/code>) ve ka\u00e7 adet sonu\u00e7 istedi\u011fimizi (limit<\/code>) belirterek ger\u00e7ekle\u015ftirilir. output_fields<\/code>, sonu\u00e7larla birlikte hangi ek alanlar\u0131n d\u00f6nd\u00fcr\u00fclece\u011fini belirtir. Bu, vekt\u00f6r arama i\u015f ak\u0131\u015flar\u0131n\u0131 kodunuz \u00fczerinden tamamen kontrol etmenizi ve performans ile do\u011frulu\u011fu optimize etmenizi sa\u011flar.<\/p>\nRAG (Retrieval Augmented Generation) \u0130\u015f Ak\u0131\u015flar\u0131 i\u00e7in MilvusLite-Kit<\/h2>\n
\n
\n from pymilvus import connections, CollectionSchema, FieldSchema, DataType, Collection\n # Varsay\u0131lan embedding modeli ve LLM k\u00fct\u00fcphaneleri varsay\u0131lm\u0131\u015ft\u0131r.\n # Ger\u00e7ek uygulamada, SentenceTransformers, OpenAI API, Hugging Face Transformers gibi k\u00fct\u00fcphaneler kullan\u0131l\u0131r.\n from sentence_transformers import SentenceTransformer\n # import some_llm_library\n\n # MilvusLite ba\u011flant\u0131s\u0131 ve koleksiyon kurulumu (yukar\u0131daki \u00f6rneklerden al\u0131nm\u0131\u015ft\u0131r)\n connections.connect(\"default\", host=\"localhost\", port=\"19530\")\n collection_name = \"rag_documents\"\n # Varsay\u0131lan embedding boyutu 768 olarak ayarland\u0131 (\u00f6rne\u011fin, all-MiniLM-L6-v2 modeli i\u00e7in)\n embedding_dim = 768\n\n pk = FieldSchema(name=\"pk\", dtype=DataType.INT64, is_primary=True, auto_id=True)\n embedding = FieldSchema(name=\"embedding\", dtype=DataType.FLOAT_VECTOR, dim=embedding_dim)\n text_field = FieldSchema(name=\"text\", dtype=DataType.VARCHAR, max_length=1024)\n metadata_field = FieldSchema(name=\"metadata\", dtype=DataType.VARCHAR, max_length=512) # Ek meta veriler i\u00e7in\n\n if not Collection(collection_name).has_collection(collection_name):\n schema = CollectionSchema(fields=[pk, embedding, text_field, metadata_field], description=\"RAG belgeleri i\u00e7in koleksiyon\")\n collection = Collection(collection_name, schema)\n print(f\"'{collection_name}' koleksiyonu ba\u015far\u0131yla olu\u015fturuldu.\")\n else:\n collection = Collection(collection_name)\n print(f\"'{collection_name}' koleksiyonu zaten mevcut.\")\n\n # \u0130ndeksleme (\u00f6rne\u011fin HNSW)\n if not collection.has_index():\n index_params = {\n \"metric_type\": \"L2\",\n \"params\": {\"M\": 16, \"efConstruction\": 100}\n }\n index_schema = IndexSchema(field_name=\"embedding\", index_type=\"HNSW\", **index_params)\n collection.create_index(index_schema)\n print(\"HNSW indeksi ba\u015far\u0131yla olu\u015fturuldu.\")\n else:\n print(\"Koleksiyon zaten bir indekse sahip.\")\n\n # Embedding modeli y\u00fckleme\n model = SentenceTransformer('all-MiniLM-L6-v2')\n\n # --- Veri Ekleme (Bir kere \u00e7al\u0131\u015ft\u0131r\u0131l\u0131r) ---\n def add_document(doc_text, doc_metadata=\"\"):\n doc_embedding = model.encode(doc_text).tolist()\n collection.insert([[doc_embedding], [doc_text], [doc_metadata]])\n print(f\"Belge eklendi: {doc_text[:50]}...\")\n\n # \u00d6rnek belgeler ekleme\n # add_document(\"MilvusLite, g\u00f6m\u00fcl\u00fc bir vekt\u00f6r veritaban\u0131d\u0131r.\", \"MilvusLite\")\n # add_document(\"RAG, dil modellerinin do\u011frulu\u011funu art\u0131r\u0131r.\", \"RAG Konsepti\")\n # add_document(\"Python ile MilvusLite entegrasyonu kolayd\u0131r.\", \"Python Entegrasyonu\")\n\n # Koleksiyonu y\u00fckle\n collection.load()\n\n # --- RAG \u0130\u015f Ak\u0131\u015f\u0131 ---\n def generate_response_with_rag(user_query, top_k=3):\n # 1. Sorguyu vekt\u00f6rle\u015ftirme\n query_embedding = model.encode(user_query).tolist()\n\n # 2. MilvusLite'ta benzer belgeleri arama\n search_params = {\n \"metric_type\": \"L2\",\n \"params\": {\"ef\": 100}\n }\n results = collection.search(\n data=[query_embedding],\n anns_field=\"embedding\",\n param=search_params,\n limit=top_k,\n output_fields=[\"text\", \"metadata\"]\n )\n\n # 3. \u0130lgili bilgileri toplama\n retrieved_docs = []\n for hit in results[0]:\n retrieved_docs.append(hit.get('text'))\n # print(f\" - Bulunan Belge: {hit.get('text')[:100]}... (Mesafe: {hit.distance:.4f})\")\n\n # 4. LLM i\u00e7in prompt olu\u015fturma\n context = \"\\n\".join(retrieved_docs)\n prompt = f\"A\u015fa\u011f\u0131daki ba\u011flam\u0131 kullanarak soruyu yan\u0131tlay\u0131n:\\n\\nBa\u011flam:\\n{context}\\n\\nSoru: {user_query}\\n\\nYan\u0131t:\"\n\n # 5. LLM ile yan\u0131t \u00fcretme (Bu k\u0131s\u0131m, kullan\u0131lan LLM k\u00fct\u00fcphanesine g\u00f6re de\u011fi\u015fir)\n # response = some_llm_library.generate(prompt)\n # \u00d6rnek olarak sadece prompt'u d\u00f6nd\u00fcr\u00fcyoruz.\n print(\"\\n--- LLM Prompt ---\")\n print(prompt)\n print(\"------------------\")\n\n return prompt # Ger\u00e7ek uygulamada LLM'nin \u00fcretti\u011fi yan\u0131t d\u00f6ner\n\n # Kullan\u0131c\u0131 sorgusu\n user_question = \"MilvusLite ile RAG nas\u0131l \u00e7al\u0131\u015f\u0131r?\"\n response = generate_response_with_rag(user_question)\n\n # Koleksiyonu bo\u015falt\n collection.release()\n <\/code><\/pre>\nSentenceTransformer<\/code> ile metinleri vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcyoruz. MilvusLite koleksiyonuna eklenen belgeler, sorguyla en alakal\u0131 olanlar\u0131 bulmak i\u00e7in kullan\u0131l\u0131r. Elde edilen metin par\u00e7alar\u0131, LLM’ye bir “ba\u011flam” olarak sunulur. Bu, LLM’nin sadece kendi e\u011fitim verilerine dayanmak yerine, daha g\u00fcncel ve spesifik bilgilere eri\u015ferek yan\u0131t \u00fcretmesini sa\u011flar. MilvusLite-Kit’in kod \u00fczerinden konfig\u00fcrasyon yetene\u011fi, bu RAG boru hatt\u0131n\u0131n her ad\u0131m\u0131n\u0131, \u00f6zellikle de bilgi \u00e7ekme a\u015famas\u0131n\u0131, uygulaman\u0131z\u0131n ihtiya\u00e7lar\u0131na g\u00f6re hassas bir \u015fekilde ayarlaman\u0131za olanak tan\u0131r.<\/p>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131 ve Vaka Analizleri<\/h2>\n
Vaka Analizi 1: E-ticarette Ki\u015fiselle\u015ftirilmi\u015f \u00dcr\u00fcn \u00d6nerileri<\/h3>\n
L2<\/code> metrik ile daha yak\u0131n fiziksel benzerlikler, IP<\/code> metrik ile daha \u00e7ok anlamsal benzerlikler yakalanabilir. Bu, \u00f6neri sisteminin do\u011frulu\u011funu ve kullan\u0131c\u0131 deneyimini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/p>\nVaka Analizi 2: M\u00fc\u015fteri Destek Otomasyonu i\u00e7in Ak\u0131ll\u0131 SSS (S\u0131k\u00e7a Sorulan Sorular)<\/h3>\n
limit<\/code> de\u011ferlerini ayarlayarak sistemin performans\u0131n\u0131 optimize etmeyi sa\u011flar. Bu sayede, m\u00fc\u015fterilere daha h\u0131zl\u0131 ve do\u011fru destek sunulabilir, m\u00fc\u015fteri memnuniyeti art\u0131r\u0131labilir.<\/p>\n\u0130leri D\u00fczey Konfig\u00fcrasyonlar ve Performans Optimizasyonu<\/h2>\n
Dinamik \u0130ndeksleme ve Metrik Se\u00e7imi<\/h3>\n
IVF_FLAT<\/code>) kullan\u0131p, veri artt\u0131k\u00e7a ve daha y\u00fcksek do\u011fruluk ihtiyac\u0131 duyduk\u00e7a daha geli\u015fmi\u015f bir indeks (HNSW<\/code>) kullanmaya ge\u00e7ebilirsiniz. Vekt\u00f6rlerinizi nas\u0131l temsil etti\u011finize ba\u011fl\u0131 olarak farkl\u0131 metrik t\u00fcrleri (L2<\/code>, IP<\/code>, COSINE<\/code>) daha iyi sonu\u00e7lar verebilir. Bu se\u00e7imleri kodunuzda yaparak, uygulaman\u0131z\u0131n performans\u0131n\u0131 s\u00fcrekli olarak optimize edebilirsiniz.<\/p>\n\n # ... (koleksiyon ve alan tan\u0131mlar\u0131) ...\n\n # Koleksiyonu y\u00fcklemeden ve indekslemeden \u00f6nce\n if not collection.has_index():\n # Cosine benzerli\u011fi i\u00e7in indeksleme \u00f6rne\u011fi\n index_params_cosine = {\n \"metric_type\": \"COSINE\",\n \"params\": {\"M\": 16, \"efConstruction\": 100} # HNSW i\u00e7in\n }\n index_schema_cosine = IndexSchema(field_name=\"embedding\", index_type=\"HNSW\", **index_params_cosine)\n collection.create_index(index_schema_cosine)\n print(\"COSINE metrik ile HNSW indeksi ba\u015far\u0131yla olu\u015fturuldu.\")\n else:\n print(\"Koleksiyon zaten bir indekse sahip.\")\n <\/code><\/pre>\nVeri B\u00f6l\u00fcmleme (Partitioning)<\/h3>\n
\n # ... (koleksiyon ve alan tan\u0131mlar\u0131) ...\n\n # B\u00f6l\u00fcmleme anahtar\u0131n\u0131 tan\u0131mlama (\u00f6rne\u011fin, 'source' alan\u0131na g\u00f6re)\n # MilvusLite'ta b\u00f6l\u00fcmleme, koleksiyon olu\u015fturma s\u0131ras\u0131nda veya sonras\u0131nda yap\u0131labilir.\n # Ger\u00e7ek Milvus'ta daha geli\u015fmi\u015f b\u00f6l\u00fcmleme se\u00e7enekleri mevcuttur.\n # MilvusLite'ta do\u011frudan b\u00f6l\u00fcmleme API'si olmasa da, koleksiyonlar\u0131 ayr\u0131 ayr\u0131 y\u00f6neterek benzer bir etki elde edilebilir.\n # \u00d6rne\u011fin, farkl\u0131 koleksiyonlar olu\u015fturup bunlar\u0131 mant\u0131ksal olarak grupland\u0131rabilirsiniz.\n\n # Alternatif olarak, veri eklerken veya sorgularken filtreleme ile b\u00f6l\u00fcmleme etkisi elde edilebilir.\n # \u00d6rne\u011fin, query_params kullanarak belirli b\u00f6l\u00fcmlere odaklanabilirsiniz.\n <\/code><\/pre>\nSonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n
dim<\/code>), kulland\u0131\u011f\u0131n\u0131z embedding modelinin \u00e7\u0131kt\u0131 boyutuyla e\u015fle\u015fmesidir.<\/p>\n<\/li>\npymilvus<\/code> k\u00fct\u00fcphanesi). Di\u011fer diller i\u00e7in resmi olmayan veya topluluk taraf\u0131ndan geli\u015ftirilen istemciler olabilir, ancak Python en yayg\u0131n ve desteklenen se\u00e7enektir.<\/p>\n<\/li>\n