{"id":43118,"date":"2026-07-06T09:08:24","date_gmt":"2026-07-06T06:08:24","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/yapay-zekanin-gizli-gucu-vektor-veritabani-nedir\/"},"modified":"2026-07-06T09:09:00","modified_gmt":"2026-07-06T06:09:00","slug":"yapay-zekanin-gizli-gucu-vektor-veritabani-nedir","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/yapay-zekanin-gizli-gucu-vektor-veritabani-nedir\/","title":{"rendered":"Yapay Zekan\u0131n Gizli G\u00fcc\u00fc: Vekt\u00f6r Veritaban\u0131 Nedir?"},"content":{"rendered":"

Yapay Zekan\u0131n Gizli G\u00fcc\u00fc: Vekt\u00f6r Veritaban\u0131 Nedir?<\/h2>\n

Yapay zeka uygulamalar\u0131n\u0131n arkas\u0131ndaki gizli kahraman vekt\u00f6r veritaban\u0131 teknolojisini ke\u015ffedin; ChatGPT ve benzeri sistemlerin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 \u00f6\u011frenin.<\/p>\n

G\u00fcn\u00fcm\u00fczde yapay zeka d\u00fcnyas\u0131nda ya\u015fanan devrime hepimiz yak\u0131ndan \u015fahit oluyoruz. ChatGPT, Midjourney veya Claude gibi ara\u00e7lar g\u00fcnl\u00fck hayat\u0131m\u0131z\u0131n vazge\u00e7ilmez birer par\u00e7as\u0131 haline geldi. Ancak, bu sistemlerin arkas\u0131nda \u00e7al\u0131\u015fan ve onlara adeta “uzun s\u00fcreli haf\u0131za” kazand\u0131ran sessiz bir kahraman var. Bu kahraman, son d\u00f6nemde ad\u0131n\u0131 s\u0131k\u00e7a duydu\u011fumuz vekt\u00f6r veritaban\u0131<\/strong> (vector database) teknolojisinden ba\u015fkas\u0131 de\u011fil. Peki, b\u00fcy\u00fck dil modellerinin (LLM) milyonlarca veriyi saniyeler i\u00e7inde taray\u0131p bize en do\u011fru cevab\u0131 vermesini sa\u011flayan bu teknoloji tam olarak nas\u0131l \u00e7al\u0131\u015f\u0131yor? Bu rehberde, yapay zekan\u0131n bu gizli g\u00fcc\u00fcn\u00fc s\u0131f\u0131rdan ba\u015flayarak t\u00fcm detaylar\u0131yla ele alaca\u011f\u0131z.<\/p>\n

Geleneksel arama motorlar\u0131 ve veritabanlar\u0131, yazd\u0131\u011f\u0131m\u0131z kelimelerin birebir e\u015fle\u015fmesine odaklan\u0131r. \u00d6rne\u011fin, “k\u0131rm\u0131z\u0131 araba” aramas\u0131 yapt\u0131\u011f\u0131n\u0131zda, i\u00e7inde tam olarak bu kelimelerin ge\u00e7ti\u011fi sonu\u00e7lar\u0131 listelerler. Ancak yapay zeka, kelimelerin \u00f6tesine ge\u00e7erek kavramlar\u0131n anlamlar\u0131n\u0131 kavramak zorundad\u0131r. \u0130\u015fte bu noktada vekt\u00f6r veritabanlar\u0131 devreye girer. Bu sistemler, verileri kelime olarak de\u011fil, matematiksel uzaydaki koordinatlar olarak saklar. B\u00f6ylece yapay zeka, “otomobil” ile “araba” kelimelerinin birbirine ne kadar yak\u0131n oldu\u011funu matematiksel olarak hesaplayabilir.<\/p>\n

Yapay Zeka Uygulamalar\u0131 Verileri Nas\u0131l Hat\u0131rl\u0131yor?<\/h2>\n

B\u00fcy\u00fck dil modelleri, e\u011fitim s\u00fcre\u00e7lerinde milyarlarca parametreyi \u00f6\u011frenirler. Ancak bu modellerin e\u011fitimi tamamland\u0131\u011f\u0131 an, bilgileri donar. Yani, e\u011fitildikten sonra ger\u00e7ekle\u015fen g\u00fcncel olaylardan veya \u015firketinizin \u00f6zel verilerinden haberdar olamazlar. Bu problemi \u00e7\u00f6zmek i\u00e7in ilk olarak modellerin “ba\u011flam penceresi” (context window) ad\u0131 verilen ge\u00e7ici haf\u0131zalar\u0131 kullan\u0131lmaya \u00e7al\u0131\u015f\u0131ld\u0131. Fakat bu pencere hem s\u0131n\u0131rl\u0131d\u0131r hem de her istekte t\u00fcm veriyi modele g\u00f6ndermek olduk\u00e7a maliyetlidir. Ayr\u0131ca, modelin i\u015flem yapma s\u00fcresini de ciddi \u015fekilde yava\u015flat\u0131r.<\/p>\n

Bu sorunu a\u015fmak amac\u0131yla geli\u015ftiriciler, RAG (Retrieval-Augmented Generation – Bilgi Geri Kazan\u0131m\u0131 ile G\u00fc\u00e7lendirilmi\u015f \u00dcretim)<\/strong> mimarisini geli\u015ftirdiler. RAG mimarisinde yapay zeka, kendisine sorulan bir soruyu \u00f6nce harici bir bilgi kayna\u011f\u0131nda arar. Buldu\u011fu ilgili belgeleri kendi haf\u0131zas\u0131na ekleyerek kullan\u0131c\u0131ya g\u00fcncel ve do\u011fru bir yan\u0131t haz\u0131rlar. \u0130\u015fte bu harici bilgi kayna\u011f\u0131n\u0131n merkezinde her zaman bir vekt\u00f6r veritaban\u0131 yer al\u0131r. Bu sayede yapay zeka, \u015firket i\u00e7i d\u00f6k\u00fcmanlar\u0131, kullan\u0131m k\u0131lavuzlar\u0131n\u0131 veya m\u00fc\u015fteri ge\u00e7mi\u015fini saniyeler i\u00e7inde tarayarak ki\u015fiselle\u015ftirilmi\u015f cevaplar \u00fcretebilir.<\/p>\n

\u00d6zellikle m\u00fc\u015fteri hizmetleri botlar\u0131 veya kurumsal arama motorlar\u0131, bu y\u00f6ntem sayesinde hal\u00fcsinasyon (hallucination) yani yapay zekan\u0131n yanl\u0131\u015f bilgi uydurmas\u0131 sorununu en aza indirir. \u00c7\u00fcnk\u00fc model, yan\u0131t\u0131 kafas\u0131ndan uydurmak yerine, vekt\u00f6r veritaban\u0131ndan gelen do\u011frulanm\u0131\u015f d\u00f6k\u00fcmanlara dayanarak yazar. Sonu\u00e7 olarak, yapay zekaya dinamik ve g\u00fcvenilir bir haf\u0131za kazand\u0131r\u0131lm\u0131\u015f olur.<\/p>\n

Vekt\u00f6r Veritaban\u0131 Nedir ve Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n

Bir vekt\u00f6r veritaban\u0131n\u0131n \u00e7al\u0131\u015fma mant\u0131\u011f\u0131n\u0131 anlamak i\u00e7in \u00f6ncelikle “vekt\u00f6r yerle\u015ftirme” (vector embedding) kavram\u0131n\u0131 kavramam\u0131z gerekir. Bilgisayarlar kelimeleri, resimleri veya videolar\u0131 do\u011frudan bizim gibi anlayamazlar. Bu y\u00fczden, bu verilerin her birini uzun say\u0131lardan olu\u015fan listelere, yani vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcr\u00fcr\u00fcz. Bu i\u015flem, \u00f6zel yapay zeka modelleri (embedding modelleri) taraf\u0131ndan ger\u00e7ekle\u015ftirilir.<\/p>\n

\u00d6rnek vermek gerekirse, elimizde \u00fc\u00e7 kelime olsun: “Elma”, “Armut” ve “Araba”. Yapay zeka bu kelimeleri iki boyutlu bir grafik \u00fczerinde konumland\u0131rsayd\u0131, “Elma” ve “Armut” kelimelerini birbirine \u00e7ok yak\u0131n noktalara yerle\u015ftirirdi. \u00c7\u00fcnk\u00fc her ikisi de meyvedir ve benzer ba\u011flamlarda kullan\u0131l\u0131rlar. “Araba” kelimesi ise bu iki kelimeden \u00e7ok uzak bir koordinatta yer al\u0131rd\u0131. Ger\u00e7ek d\u00fcnyadaki vekt\u00f6r yerle\u015ftirmeleri genellikle 2 boyutlu de\u011fil, 1536 veya daha fazla boyuttan olu\u015fur. Bu y\u00fcksek boyutlu uzayda, kelimelerin ve c\u00fcmlelerin aras\u0131ndaki anlamsal ili\u015fkiler milimetrik olarak hesaplan\u0131r.<\/p>\n

Vekt\u00f6r veritaban\u0131, bu y\u00fcksek boyutlu say\u0131 dizilerini depolar ve aralar\u0131nda h\u0131zl\u0131ca arama yapabilmemizi sa\u011flar. Bir kullan\u0131c\u0131 arama yapt\u0131\u011f\u0131nda, arama sorgusu da an\u0131nda bir vekt\u00f6re d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Ard\u0131ndan veritaban\u0131, bu yeni vekt\u00f6re en yak\u0131n olan di\u011fer vekt\u00f6rleri bulmak i\u00e7in kosin\u00fcs benzerli\u011fi<\/strong> (cosine similarity) veya \u00d6klid mesafesi<\/strong> (Euclidean distance) gibi matematiksel y\u00f6ntemler kullan\u0131r. B\u00f6ylece, sorgu ile birebir ayn\u0131 kelimeleri i\u00e7ermese bile, en yak\u0131n anlamdaki d\u00f6k\u00fcmanlar milisaniyeler i\u00e7inde tespit edilir.<\/p>\n

Geleneksel Veritabanlar\u0131 ile Vekt\u00f6r Veritabanlar\u0131 Aras\u0131ndaki Farklar Nelerdir?<\/h2>\n

Geleneksel ili\u015fkisel veritabanlar\u0131 (SQL) veya d\u00f6k\u00fcman tabanl\u0131 veritabanlar\u0131 (NoSQL), verileri sat\u0131rlar, s\u00fctunlar veya anahtar-de\u011fer \u00e7iftleri \u015feklinde saklar. Bu sistemler, kesin e\u015fle\u015fmeler ve yap\u0131land\u0131r\u0131lm\u0131\u015f veriler i\u00e7in m\u00fckemmeldir. Ancak i\u015f anlamsal analiz ve yap\u0131land\u0131r\u0131lmam\u0131\u015f veriye (ses, g\u00f6r\u00fcnt\u00fc, serbest metin) geldi\u011finde yetersiz kal\u0131rlar. A\u015fa\u011f\u0131daki tablo, bu iki teknoloji aras\u0131ndaki temel farklar\u0131 net bir \u015fekilde ortaya koymaktad\u0131r:<\/p>\n\n\n\n\n\n\n\n\n
\u00d6zellik<\/th>\nGeleneksel Veritabanlar\u0131 (SQL\/NoSQL)<\/th>\nVekt\u00f6r Veritabanlar\u0131<\/th>\n<\/tr>\n<\/thead>\n
Veri Yap\u0131s\u0131<\/strong><\/td>\nTablolar, JSON d\u00f6k\u00fcmanlar\u0131, anahtar-de\u011fer \u00e7iftleri<\/td>\nY\u00fcksek boyutlu vekt\u00f6rler (say\u0131 dizileri)<\/td>\n<\/tr>\n
Arama Y\u00f6ntemi<\/strong><\/td>\nAnahtar kelime e\u015fle\u015fmesi, indeks aramalar\u0131, SQL sorgular\u0131<\/td>\nEn yak\u0131n kom\u015fu aramas\u0131 (KNN\/ANN), anlamsal benzerlik<\/td>\n<\/tr>\n
Veri T\u00fcr\u00fc<\/strong><\/td>\nYap\u0131land\u0131r\u0131lm\u0131\u015f veri (say\u0131lar, tarihler, k\u0131sa metinler)<\/td>\nYap\u0131land\u0131r\u0131lmam\u0131\u015f veri (metinler, g\u00f6rseller, sesler)<\/td>\n<\/tr>\n
\u00d6l\u00e7eklenebilirlik<\/strong><\/td>\nYatay ve dikey b\u00fcy\u00fcme, indeksleme ile h\u0131zland\u0131rma<\/td>\nMilyarlarca vekt\u00f6r \u00fczerinde milisaniyelik aramalar<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

G\u00f6r\u00fcld\u00fc\u011f\u00fc \u00fczere, geleneksel veritabanlar\u0131 “Ne yaz\u0131ld\u0131ysa onu bul” prensibiyle \u00e7al\u0131\u015f\u0131rken, vekt\u00f6r veritabanlar\u0131 “Ne demek istendi\u011fini anla ve benzerini getir” mant\u0131\u011f\u0131yla \u00e7al\u0131\u015f\u0131r. Bu nedenle, modern yapay zeka projelerinde her iki veritaban\u0131 t\u00fcr\u00fc de genellikle bir arada kullan\u0131l\u0131r. Kullan\u0131c\u0131 bilgileri SQL’de tutulurken, yapay zekan\u0131n arama yapaca\u011f\u0131 d\u00f6k\u00fcmanlar vekt\u00f6r taban\u0131nda saklan\u0131r.<\/p>\n

Ad\u0131m Ad\u0131m Bir Vekt\u00f6r Veritaban\u0131 Uygulamas\u0131 Nas\u0131l Yap\u0131l\u0131r?<\/h2>\n

Bir vekt\u00f6r veritaban\u0131n\u0131n nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 daha iyi anlamak i\u00e7in pop\u00fcler bir a\u00e7\u0131k kaynakl\u0131 k\u00fct\u00fcphane olan ChromaDB<\/code> kullanarak basit bir Python uygulamas\u0131 geli\u015ftirelim. Bu senaryoda, k\u00fc\u00e7\u00fck bir \u00fcr\u00fcn katalo\u011fumuz oldu\u011funu ve kullan\u0131c\u0131n\u0131n anlamsal arama yaparak \u00fcr\u00fcn bulmas\u0131n\u0131 istedi\u011fimizi varsayal\u0131m.<\/p>\n

\u0130lk olarak, gerekli k\u00fct\u00fcphaneyi terminal \u00fczerinden bilgisayar\u0131m\u0131za y\u00fckl\u00fcyoruz:<\/p>\n

\n
pip install chromadb<\/code><\/pre>\n<\/div>\n
Ard\u0131ndan, Python dosyam\u0131z\u0131 olu\u015fturup a\u015fa\u011f\u0131daki kodlar\u0131 yaz\u0131yoruz. Bu kod blo\u011fu, veritaban\u0131n\u0131 ba\u015flatacak, belgeleri ekleyecek ve anlamsal bir sorgu ger\u00e7ekle\u015ftirecektir:<\/p>\n
\n
import chromadb\n\n# 1. Bellek \u00fczerinde \u00e7al\u0131\u015fan bir ChromaDB istemcisi olu\u015fturuyoruz\nistemci = chromadb.Client()\n\n# 2. \"urun_katalogu\" ad\u0131nda yeni bir koleksiyon (tablo) olu\u015fturuyoruz\nkoleksiyon = istemci.create_collection(name=\"urun_katalogu\")\n\n# 3. Katalo\u011fumuza \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131n\u0131 ekliyoruz\nkoleksiyon.add(\n    documents=[\n        \"Erkek spor ayakkab\u0131, ko\u015fu ve antrenman i\u00e7in ideal, nefes alabilen kuma\u015f.\",\n        \"Kad\u0131n k\u0131\u015fl\u0131k mont, su ge\u00e7irmez ve r\u00fczgar ge\u00e7irmez termal astar.\",\n        \"\u00c7ocuk pamuklu ti\u015f\u00f6rt, hassas ciltler i\u00e7in uygun organik kuma\u015f.\",\n        \"Ak\u0131ll\u0131 saat, ad\u0131m sayar ve nab\u0131z \u00f6l\u00e7er \u00f6zellikli su ge\u00e7irmez tasar\u0131m.\"\n    ],\n    metadatas=[\n        {\"kategori\": \"ayakkabi\"},\n        {\"kategori\": \"giyim\"},\n        {\"kategori\": \"giyim\"},\n        {\"kategori\": \"elektronik\"}\n    ],\n    ids=[\"id1\", \"id2\", \"id3\", \"id4\"]\n)\n\n# 4. Anlamsal arama sorgusu ger\u00e7ekle\u015ftiriyoruz\n# Dikkat ederseniz \"ya\u011fmurlu hava i\u00e7in mont\" kelimelerini do\u011frudan kullanm\u0131yoruz\nsorgu_sonucu = koleksiyon.query(\n    query_texts=[\"so\u011fuk havalarda s\u0131cak tutacak giysi\"],\n    n_results=1\n)\n\n# 5. Sonucu ekrana yazd\u0131r\u0131yoruz\nprint(\"En Yak\u0131n E\u015fle\u015fen \u00dcr\u00fcn:\")\nprint(sorgu_sonucu[\"documents\"][0][0])\n<\/code><\/pre>\n<\/div>\n
Yukar\u0131daki kodu \u00e7al\u0131\u015ft\u0131rd\u0131\u011f\u0131n\u0131zda, sorgumuzda do\u011frudan “k\u0131\u015fl\u0131k”, “mont” veya “su ge\u00e7irmez” kelimeleri ge\u00e7memesine ra\u011fmen, sistem bize “Kad\u0131n k\u0131\u015fl\u0131k mont, su ge\u00e7irmez ve r\u00fczgar ge\u00e7irmez termal astar” \u00fcr\u00fcn\u00fcn\u00fc d\u00f6nd\u00fcrecektir. \u00c7\u00fcnk\u00fc ChromaDB<\/code> arka planda bu c\u00fcmleleri vekt\u00f6rlere d\u00f6n\u00fc\u015ft\u00fcrm\u00fc\u015f ve “so\u011fuk havalarda s\u0131cak tutacak giysi” ifadesine anlamsal olarak en yak\u0131n olan d\u00f6k\u00fcman\u0131 ba\u015far\u0131yla tespit etmi\u015ftir.<\/p>\n
T\u00fcrkiye’deki \u015eirketler Bu Teknolojiyi Nas\u0131l Kullan\u0131yor?<\/h2>\n
Vekt\u00f6r veritaban\u0131 teknolojisi sadece k\u00fcresel devlerin de\u011fil, T\u00fcrkiye’deki yerel \u015firketlerin de radar\u0131nda. \u00d6zellikle e-ticaret, bankac\u0131l\u0131k ve m\u00fc\u015fteri hizmetleri sekt\u00f6rlerinde bu teknolojinin sundu\u011fu avantajlar i\u015f s\u00fcre\u00e7lerini k\u00f6kten de\u011fi\u015ftiriyor. Gelin, T\u00fcrkiye pazar\u0131ndan ger\u00e7ek\u00e7i senaryolarla bu durumu inceleyelim.<\/p>\n
\u0130lk olarak, b\u00fcy\u00fck bir T\u00fcrk e-ticaret platformunu ele alal\u0131m. Geleneksel arama altyap\u0131lar\u0131nda kullan\u0131c\u0131lar “bula\u015f\u0131k makinesi tableti” yerine “bardaklar\u0131 \u00e7izmeyen deterjan” yazd\u0131klar\u0131nda genellikle bo\u015f bir sonu\u00e7 sayfas\u0131yla kar\u015f\u0131la\u015f\u0131yorlard\u0131. Ancak vekt\u00f6r veritabanlar\u0131 sayesinde, arama motoru bu iki ifadenin ayn\u0131 amaca hizmet etti\u011fini anl\u0131yor. B\u00f6ylece platform, kullan\u0131c\u0131y\u0131 kaybetmeden do\u011fru \u00fcr\u00fcnleri listeliyor ve d\u00f6n\u00fc\u015f\u00fcm oranlar\u0131n\u0131 do\u011frudan art\u0131r\u0131yor. Bu durum, m\u00fc\u015fteri memnuniyetini de \u00fcst seviyeye \u00e7\u0131kar\u0131yor.<\/p>\n
\u0130kinci olarak, bankac\u0131l\u0131k ve finans sekt\u00f6r\u00fcndeki sanal asistanlar\u0131 d\u00fc\u015f\u00fcnebiliriz. T\u00fcrkiye’deki bankalar, mevzuat de\u011fi\u015fikliklerini ve i\u00e7 prosed\u00fcrleri i\u00e7eren binlerce sayfal\u0131k d\u00f6k\u00fcmanlara sahiptir. M\u00fc\u015fteri temsilcileri bir soruyla kar\u015f\u0131la\u015ft\u0131\u011f\u0131nda bu d\u00f6k\u00fcmanlar aras\u0131nda kaybolmak yerine, arkas\u0131nda vekt\u00f6r veritaban\u0131 \u00e7al\u0131\u015fan bir i\u00e7 yapay zeka asistan\u0131na soruyorlar. Asistan, saniyeler i\u00e7inde ilgili mevzuat maddesini bulup \u00f6zetleyerek temsilcinin \u00f6n\u00fcne getiriyor. Bu sayede \u00e7a\u011fr\u0131 merkezlerindeki bekleme s\u00fcreleri yar\u0131 yar\u0131ya azal\u0131yor.<\/p>\n
Geli\u015fmi\u015f Kullan\u0131c\u0131lar \u0130\u00e7in \u0130pu\u00e7lar\u0131 ve Performans Optimizasyonu<\/h2>\n
E\u011fer \u00fcretim ortam\u0131nda (production) \u00e7al\u0131\u015fan b\u00fcy\u00fck \u00f6l\u00e7ekli bir yapay zeka projesi geli\u015ftiriyorsan\u0131z, standart vekt\u00f6r aramalar\u0131 bir s\u00fcre sonra performans darbo\u011faz\u0131na yol a\u00e7abilir. Milyonlarca vekt\u00f6r aras\u0131nda en yak\u0131n olan\u0131 bulmak ciddi bir hesaplama g\u00fcc\u00fc gerektirir. Bu sorunu a\u015fmak i\u00e7in geli\u015fmi\u015f indeksleme algoritmalar\u0131n\u0131 bilmeniz ve do\u011fru \u015fekilde yap\u0131land\u0131rman\u0131z gerekir.<\/p>\n