Vector Store Nedir, AI Projelerinde Nasıl Kullanılır?

Son güncelleme

Vector store (vektör deposu), metin, görsel veya başka verilerden üretilmiş sayısal vektörleri, bu vektörlerin ait olduğu belge kimliği ve meta veriyle birlikte saklayan ve “bu soruya anlamca en yakın parçalar hangileri?” sorusuna hızlı cevap veren bir depolama katmanıdır. RAG (Retrieval-Augmented Generation) projelerinde, şirket içi arama sistemlerinde, öneri motorlarında ve benzer içerik tespitinde kullanılır. Bir RAG projesinde hangi vektör veritabanını seçeceğiniz kadar, belgeleri nasıl parçaladığınız, güncellediğiniz ve erişimi nasıl sınırladığınız da önemlidir. Vektör deposu kendi başına yanıt üretmez; yalnızca doğru bağlamı bulmaya yardım eder. Bu rehberde vector store’un nasıl çalıştığını, hangi seçeneklerin olduğunu, veri modelini nasıl kurmanız gerektiğini, güvenli sorgulamayı ve kaliteyi ölçmeyi adım adım ele alıyoruz.

Vektör, embedding ve benzerlik: kısa bir hatırlatma

Bir embedding modeli, metni sabit uzunlukta bir sayı dizisine (vektöre) dönüştürür. Anlamca birbirine yakın metinlerin vektörleri de matematiksel olarak birbirine yakın olur. Örneğin “WordPress siteme giriş yapamıyorum” ve “wp-admin paneli açılmıyor” cümleleri farklı kelimeler kullansa da vektör uzayında yakın konumlanır. Klasik anahtar kelime aramasının kaçırdığı bu tür eşleşmeler, vektör aramanın en büyük avantajıdır.

Yakınlık genellikle kosinüs benzerliği, nokta çarpımı veya Öklid uzaklığı ile ölçülür. Hangi ölçünün kullanılacağı embedding modelinin önerisine bağlıdır; modelin belgesinde belirtilen ölçüyle indeks oluşturmak gerekir. Embedding kavramının ayrıntıları ve PHP ile kullanımı için Embeddings rehberimize göz atabilirsiniz.

Vector store nasıl çalışır?

Bir vector store’un temel görevi iki işlemden oluşur: vektörleri meta verileriyle birlikte yazmak ve verilen bir sorgu vektörüne en yakın vektörleri bulmak. Milyonlarca vektör içinde her sorguda tüm kayıtları tek tek karşılaştırmak yavaş olacağı için vektör veritabanları yaklaşık en yakın komşu (ANN) indeksleri kullanır. HNSW ve IVF gibi indeks türleri, küçük bir doğruluk kaybı karşılığında aramayı çok hızlandırır.

Vector store bir RAG projesinde nasıl çalışır?
Vektör deposu yanıt üretmez; doğru bağlamı bulur.

Tipik bir RAG akışında vector store şu sırayla kullanılır:

  1. Belge toplama: Yardım makaleleri, ürün dokümanları, PDF’ler veya veritabanı kayıtları toplanır.
  2. Parçalama (chunking): Uzun belgeler anlamlı bütünlüğü koruyan daha küçük parçalara bölünür.
  3. Embedding üretme: Her parça embedding modeline gönderilir ve vektörü alınır.
  4. Yazma: Vektör; parça metni, kaynak belge, sürüm ve yetki bilgisi gibi meta verilerle birlikte depoya yazılır.
  5. Sorgu: Kullanıcının sorusu aynı embedding modeliyle vektöre çevrilir ve depoda en yakın parçalar aranır.
  6. Yanıt üretme: Bulunan parçalar dil modeline bağlam olarak verilir ve model bu bağlama dayanarak yanıt üretir.

Hangi vector store seçenekleri var?

Vektör deposu seçimi, projenin ölçeğine, mevcut altyapınıza ve operasyon kapasitenize bağlıdır. Seçenekleri genel olarak üç grupta toplayabiliriz:

  • Mevcut veritabanına eklenti: PostgreSQL için pgvector gibi eklentiler, vektörleri ilişkisel verilerle aynı veritabanında tutmanızı sağlar. Zaten PostgreSQL kullanıyorsanız ek bir servis yönetmeden başlamak için güçlü bir seçenektir; meta veri filtreleri SQL ile kolayca yazılır.
  • Özel vektör veritabanları: Qdrant, Weaviate, Milvus gibi açık kaynak çözümler ya da yönetilen bulut servisleri, büyük ölçekte hızlı arama, gelişmiş filtreleme ve yatay ölçekleme için tasarlanmıştır.
  • Yapay zekâ sağlayıcısının yönetilen deposu: Bazı API sağlayıcıları dosya yükleyip doğrudan arama yapabileceğiniz yönetilen vector store hizmetleri sunar. Parçalama ve embedding adımlarını sizin yerinize yapar; hızlı prototip için pratiktir ama parçalama stratejisi ve veri konumu üzerindeki kontrolünüz daha sınırlıdır.

Küçük ve orta ölçekli projelerde (onbinlerce ile birkaç milyon parça) çoğu zaman mevcut veritabanına eklenti yeterli olur. Seçim yaparken yalnızca hız testlerine değil; yedekleme, erişim kontrolü, veri konumu, maliyet ve ekibinizin bu sistemi işletebilme kapasitesine de bakın.

Veri modeli: vektör tek başına yetmez

Her parçaya kaynak belge, sürüm, güncelleme zamanı ve yetki kapsamı bağlayın. Bu meta veriler olmadan ne hangi yanıtın hangi belgeye dayandığını gösterebilir ne de belge değiştiğinde eski parçaları temizleyebilirsiniz. Önerilen minimum alanlar şunlardır:

  • parca_id: Parçanın benzersiz kimliği.
  • belge_id ve belge_surumu: Parçanın hangi belgenin hangi sürümünden geldiği.
  • metin: Modele bağlam olarak verilecek parça metni.
  • baslik ve bolum: Parçanın belgedeki konumu; yanıtta kaynak gösterirken kullanışlıdır.
  • yetki alanı: Hangi kullanıcı, ekip veya müşterinin bu parçayı görebileceği.
  • dil, kategori, tarih: Arama sırasında filtrelemek için kullanılacak alanlar.
  • embedding_modeli: Vektörün hangi model ve sürümle üretildiği.

Embedding modeli ve vektör boyutunu indeksle uyumlu tutun. Farklı modellerle üretilmiş vektörler birbiriyle karşılaştırılamaz; modeli değiştirdiğinizde tüm parçaları yeni modelle yeniden indekslemeniz gerekir. Bu nedenle model bilgisini her kayıtta saklamak, geçiş sırasında hangi kayıtların güncellendiğini takip etmenizi sağlar.

Pratik örnek: PostgreSQL ve pgvector ile başlangıç

Zaten PostgreSQL kullanan bir PHP veya Laravel projesinde vector store kurmanın en kısa yolu pgvector eklentisidir. Aşağıdaki örnek, parça tablosunu ve en yakın parçaları getiren sorguyu gösterir. Vektör boyutu, kullandığınız embedding modelinin çıktı boyutuyla birebir aynı olmalıdır; buradaki değer yalnızca örnektir.

CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE belge_parcalari (
    id            BIGSERIAL PRIMARY KEY,
    belge_id      BIGINT NOT NULL,
    belge_surumu  INT NOT NULL,
    ekip_id       BIGINT NOT NULL,          -- yetki alanı
    baslik        TEXT,
    metin         TEXT NOT NULL,
    model         TEXT NOT NULL,            -- embedding modeli adı
    embedding     vector(1536) NOT NULL,
    guncellendi   TIMESTAMPTZ DEFAULT now()
);

-- Yaklaşık en yakın komşu indeksi (kosinüs uzaklığı)
CREATE INDEX ON belge_parcalari USING hnsw (embedding vector_cosine_ops);

-- Sorgu: kullanıcının ekibine ait en yakın 5 parça
SELECT id, belge_id, baslik, metin,
       1 - (embedding <=> :soru_vektoru) AS benzerlik
FROM belge_parcalari
WHERE ekip_id = :kullanicinin_ekibi
ORDER BY embedding <=> :soru_vektoru
LIMIT 5;

Bu yapıda yetki filtresi (ekip_id) aramanın bir parçasıdır; kullanıcının ekibine ait olmayan parçalar hiçbir zaman sonuç kümesine girmez. <=> operatörü kosinüs uzaklığını hesaplar; uzaklık küçüldükçe benzerlik artar. Uygulama tarafında benzerlik değeri belirlediğiniz eşiğin altındaysa bu parçaları modele göndermeyebilir ve kullanıcıya bilgi bulunamadığını söyleyebilirsiniz.

Filtreli sorgularda yaklaşık indeksler bazen beklenenden az sonuç döndürebilir; çünkü indeks önce en yakın adayları bulur, filtre sonra uygulanır. Çok seçici filtreler kullanıyorsanız (ör. binlerce ekip arasında küçük bir ekip) pgvector belgesindeki filtreleme önerilerini inceleyin ve sonuç sayısını test setiyle doğrulayın.

Parçalama stratejisi kaliteyi doğrudan belirler

RAG sistemlerinde yanlış cevapların önemli bir kısmı vektör deposundan değil, kötü parçalamadan kaynaklanır. Parça çok küçükse bağlam kaybolur; “bunu yapmak için ayarı açın” gibi bir cümle hangi ayardan bahsettiğini taşımaz. Parça çok büyükse ilgisiz bilgiler aramayı bulanıklaştırır ve modele gereksiz token gönderilir.

  • Belgeyi önce başlık ve paragraf gibi doğal sınırlardan bölün; sabit karakter sayısına göre kesmek cümleleri ortadan ikiye ayırabilir.
  • Komşu parçalar arasında küçük bir örtüşme bırakmak, sınırda kalan bilgilerin kaybolmasını azaltır.
  • Her parçanın başına belge başlığını ve bölüm başlığını eklemek, parçanın tek başına anlaşılmasını kolaylaştırır.
  • Tablolar, kod blokları ve listeler için özel kurallar belirleyin; bir tabloyu satır ortasından bölmek anlamsız parçalar üretir.

Doğru parça boyutu belge türüne göre değişir. Birkaç farklı ayarı küçük bir test soru setiyle karşılaştırmak, tahmin yürütmekten çok daha güvenilir sonuç verir.

Belge güncelleme ve silme

Belge değiştiğinde eski parçaları geçersiz kılıp yeni sürümü indeksleyin; silinen belgelerin vektörlerini de temizleyin. Bu adım ihmal edildiğinde sistem, artık geçerli olmayan fiyat, politika veya teknik bilgiyi kendinden emin biçimde kullanıcıya sunar.

  1. Belge kaynağındaki her değişikliği (oluşturma, güncelleme, silme) bir olay olarak yakalayın.
  2. Güncellemede önce yeni sürümün parçalarını yazın, ardından eski sürümün parçalarını silin; böylece arada aramanın boş dönmesini önlersiniz.
  3. Belge içeriğinin özetini (hash) saklayın; içerik değişmediyse yeniden embedding üretmeyin ve maliyetten tasarruf edin.
  4. Düzenli bir mutabakat görevi ile kaynakta artık olmayan belgelere ait parçaları tespit edip temizleyin.

Arama ayarları: sonuç sayısı ve eşik

Yakın komşu aramasındaki sonuç sayısını (top-k) ve benzerlik eşiğini sabit bir doğru değer saymayın; test sorularıyla ayarlayın. Az sonuç döndürmek gerekli bağlamı kaçırabilir, çok sonuç döndürmek ise modele ilgisiz bilgi verip maliyeti artırır.

  • Hibrit arama: Ürün kodu, hata mesajı veya özel isim gibi birebir eşleşmesi gereken terimlerde vektör araması zayıf kalabilir. Anahtar kelime aramasıyla vektör aramasını birleştiren hibrit yaklaşım bu durumlarda belirgin iyileşme sağlar.
  • Yeniden sıralama (reranking): İlk aşamada daha fazla aday getirip ikinci aşamada daha hassas bir modelle yeniden sıralamak, en alakalı parçaların öne çıkmasını sağlar.
  • Meta veri filtreleri: Dil, ürün sürümü veya tarih gibi filtreler aramayı daraltarak hem doğruluğu hem hızı artırır.
  • Eşik altı durum: Hiçbir parça yeterince benzer değilse modelin “bu konuda bilgi bulamadım” demesini sağlayın; zayıf bağlamla uydurma yanıt üretmesine izin vermeyin.
Vector store kalite ve güvenlik kontrolü
Ayarları tahminle değil, test soru setiyle belirleyin.

Güvenli sorgulama ve erişim kontrolü

Kurumsal RAG projelerinin en kritik riski, kullanıcının yetkisi olmayan belgelerden bilgi sızdırılmasıdır. Kullanıcının erişemediği belgeleri arama sonucu içinde sadece arayüzde gizlemek yeterli değildir; model o parçaları bağlam olarak almışsa bilgiyi yanıtına yansıtabilir.

  • Yetki filtresini mümkünse arama sırasında, sorgunun bir parçası olarak uygulayın; ayrıca sonuç tesliminde ikinci bir kontrol yapın.
  • Çok kiracılı (multi-tenant) sistemlerde her müşterinin verisini ayrı koleksiyon veya zorunlu kiracı filtresiyle ayırın.
  • Kullanıcı yetkisi değiştiğinde (ör. ekipten ayrıldığında) erişimin hemen kesildiğini test edin.
  • Belgelerin içinde modele talimat vermeye çalışan metinler olabilir. Bulunan parçaları talimat değil veri olarak işaretleyin; bu risk için prompt injection rehberimize bakın.

Performans, maliyet ve operasyon

Meta veri filtresi, yedekleme, gecikme ve maliyet gereksinimini küçük bir pilotla ölçün. Pilot sırasında şu sorulara cevap arayın:

  • Toplam kaç parça olacak ve bu sayı yılda ne kadar büyüyecek?
  • Bir sorgunun uçtan uca süresi (embedding + arama + yanıt üretimi) kabul edilebilir mi?
  • Embedding üretiminin maliyeti ilk yükleme ve günlük güncellemeler için ne kadar?
  • Vektör deposu çöktüğünde veya yeniden kurulması gerektiğinde verileri ne kadar sürede geri getirebilirsiniz?

Vektörler kaynak belgelerden yeniden üretilebildiği için bazı ekipler vektör deposunu yedeklemez. Ancak büyük bir koleksiyonu baştan indekslemek saatler sürebilir ve ciddi embedding maliyeti doğurur; düzenli yedek almak çoğu zaman daha ekonomiktir.

Kaliteyi ölçmek

Vektör veritabanının kendi başına yanıt üretmediğini, yalnızca bağlam bulduğunu unutmayın. Bu nedenle arama kalitesini ve yanıt kalitesini ayrı ayrı ölçün:

  • Arama kalitesi: Gerçek kullanıcı sorularından oluşan bir test setinde, doğru belgenin ilk birkaç sonuç içinde gelme oranı.
  • Yanıt doğruluğu: Modelin verdiği yanıtın kaynak parçalarla tutarlı olup olmadığı.
  • Kaynak gösterimi: Yanıtın hangi belgelere dayandığının kullanıcıya gösterilmesi, hem güveni artırır hem de hataları fark etmeyi kolaylaştırır.
  • Bilgi bulunamadı oranı: Sistemin bilgi olmayan sorularda uydurmak yerine bunu açıkça söyleyip söylemediği.

Parçalama, embedding modeli veya arama ayarlarında yaptığınız her değişikliği aynı test setiyle karşılaştırın. Bu disiplin, “daha iyi oldu gibi” izlenimlerini ölçülebilir sonuçlara dönüştürür. RAG mimarisinin bütününe dair ayrıntılar için RAG mimarisi rehberimizi okuyabilirsiniz.

Küçük bir test kümesi nasıl hazırlanır?

Üretime geçmeden önce gerçek kullanıcıların sorabileceği en az yirmi soruyu, beklenen belge ve kabul edilebilir yanıtla birlikte kaydedin. Kolay soruların yanı sıra birbirine benzeyen ürün adlarını, eski ve yeni politika sürümlerini, belirsiz ifadeleri ve sistemde yanıtı bulunmayan soruları ekleyin. Her soru için erişim yetkisi olan ve olmayan iki farklı kullanıcıyı da düşünün. Böylece arama kalitesi ile veri sızıntısı riski aynı denemede görünür olur.

Arama sonuçlarını değerlendirirken yalnızca ilk parçanın doğru olmasına bakmayın. Beklenen belgenin ilk beş sonuç içinde bulunup bulunmadığını, gereksiz parçaların modele kaç token taşıdığını ve yanlış sürümün seçilip seçilmediğini ölçün. Ardından dil modelinin ürettiği yanıtı ayrı değerlendirin. Doğru parça bulunmuş olmasına rağmen yanlış yanıt veriliyorsa sorun arama katmanında olmayabilir; istem, bağlam düzeni veya model ayarı da incelenmelidir. Tersine güzel görünen bir yanıt, yanlış belgeden üretildiyse güvenilir değildir.

Deneme sonuçlarını parça boyutu, embedding modeli, indeks ayarı ve filtrelerle birlikte tarihleyin. Tek bir değişkeni değiştirerek yeniden çalıştırın; birkaç ayarı aynı anda değiştirmek iyileşmenin nedenini gizler. Ölçümde doğru belgeyi getirme oranı, yetki ihlali sayısı, ortanca ve yüksek yüzdelik gecikme ile sorgu başı maliyet birlikte görülmelidir. Sistem büyüdüğünde aynı test kümesi, yeni veritabanı veya model seçiminin gerçekten yarar sağlayıp sağlamadığını karşılaştırmaya devam eder.

Sık yapılan hatalar

  • Meta veri saklamamak: Hangi parçanın hangi belgeden geldiğini bilmeden güncelleme ve kaynak gösterimi yapılamaz.
  • Modeli değiştirip yeniden indekslememek: Farklı modellerin vektörleri karışınca arama sonuçları anlamsızlaşır.
  • Silinen belgeleri temizlememek: Kaldırılmış politikalar veya eski fiyatlar yanıtlarda görünmeye devam eder.
  • Yetkiyi yalnızca arayüzde kontrol etmek: Model bağlamda gördüğü bilgiyi yanıtına taşıyabilir.
  • Test seti olmadan ayar yapmak: Parça boyutu ve top-k değerleri ölçülmeden belirlendiğinde iyileştirme yapılıp yapılmadığı bilinemez.

Yanıtlarda kaynak göstermek

Vector store’a parça metniyle birlikte belge başlığı ve adresi gibi meta veriler kaydettiyseniz, dil modelinin ürettiği yanıtın altında hangi belgelere dayanıldığını göstermek kolaylaşır. Kaynak gösterimi kullanıcının bilgiyi doğrulamasını sağlar, modelin hatalı bir çıkarım yaptığı durumları fark etmeyi kolaylaştırır ve kurumsal kullanımda denetim izi oluşturur. Modelden yanıtın her önemli cümlesini hangi parçaya dayandırdığını belirtmesini istemek ve bu referansları arayüzde tıklanabilir bağlantılara dönüştürmek, RAG sistemlerine duyulan güveni belirgin şekilde artırır.

Sıkça Sorulan Sorular

Vector store ile vektör veritabanı aynı şey mi?

Günlük kullanımda çoğunlukla aynı anlamda kullanılır. “Vektör veritabanı” genellikle bağımsız bir veritabanı ürününü, “vector store” ise vektörleri saklayıp sorgulayan her türlü katmanı (bir veritabanı eklentisi veya yönetilen bir API hizmeti dahil) ifade eder.

Küçük bir proje için ayrı bir vektör veritabanı gerekir mi?

Genellikle hayır. Birkaç bin belgeden oluşan bir bilgi tabanı için mevcut PostgreSQL veritabanına pgvector eklemek veya sağlayıcının yönetilen deposunu kullanmak yeterlidir. Ayrı bir veritabanı, ölçek ve gelişmiş filtreleme ihtiyacı arttığında değerlendirilmelidir.

Embedding modelini değiştirirsem ne olur?

Tüm parçaları yeni modelle yeniden indekslemeniz gerekir. Geçiş sırasında eski ve yeni indeksi paralel tutup test setiyle karşılaştırmak, kalite kaybı yaşamadan geçiş yapmanızı sağlar.

Vector store hassas veriler için güvenli mi?

Güvenlik, depolama çözümünden çok sizin kurduğunuz erişim kontrolüne bağlıdır. Şifreleme, yetki filtreleri, kiracı ayrımı ve kayıtlarda kişisel verinin maskelenmesi birlikte uygulanmalıdır. Vektörlerden orijinal metnin kısmen tahmin edilebileceğini de göz önünde bulundurun.

İlgili Rehberler

Kaynaklar ve İleri Okuma

İlgili Yazılar

Yorum yapın