Contextual Retrieval

Bağlamsal getirme, verileri indekslemeden önce her veri parçasına kısa, belgesel özgü bir açıklama ekleyerek retrieval-augmented generation (RAG) sürecini iyileştiren bir ön işleme tekniğidir. Anthropic’nin 2024 bağlamsal getirme kılavuzunda tanıtılan bu teknik, arama sistemlerinin aksi takdirde belirsiz olan bir pasajın nereye ait olduğunu anlamasına yardımcı olur ve büyük bir dil modeline sağlanan kanıtları iyileştirir. (anthropic.com)

Link to this sectionBağlamsal Getirme Nasıl Çalışır?#

Standart RAG, belgeleri parçalara ayırır ve bunları embeddings öğelerine dönüştürür. Ancak "gelir %3 arttı" gibi bir parça şirketi, raporlama dönemini ve belge türünü dışarıda bırakabilir. Bağlamsal getirme, birleştirilmiş metni indekslemeden önce eksiksiz belgeyi kullanarak "Bu pasaj ACME'nin 2025 2. çeyrek finansal sonuçlarını açıklamaktadır" gibi kısa bir önek oluşturur.

Tipik bir iş akışı şunları içerir:

1. Semantic Chunking: Belgeleri, getirme ve model sınırlarına uyum sağlayan anlamlı pasajlara ayır. Parçalama işleminin temel amacı, büyük kaynakları modelin context window sınırını aşmadan aranabilir hale getirmektir.
2. Bağlam Oluşturma: Claude contextual embeddings cookbook gibi bir süreci takip ederek her parçanın kaynağıyla olan ilişkisini özetlemek için bir model kullan.
3. Hybrid Search: Bağlamsallaştırılmış parçaları yoğun vektörler ve BM25 keyword ranking gibi anahtar kelime yöntemleriyle indeksle.
4. Reranking: En iyi kanıtı üretece göndermeden önce daha derin sorgu-parça karşılaştırmaları kullanarak getirilen adayları yeniden sırala.

Anthropic, bağlamsal yerleştirmelerin (embeddings) bağlamsal BM25 ile birleştirildiğinde ilk 20 getirme başarısızlık oranını %49 oranında azalttığını, yeniden sıralamanın eklenmesinin ise testlerinde %67'lik bir azalma sağladığını bildirdi. Sonuçlar veri setine göre değişiklik gösterir, bu nedenle bu rakamlar garanti yerine kıyaslama olarak değerlendirilmelidir. (anthropic.com)

Link to this sectionBilgisayarlı Görüde Bağlamsal Getirme#

multimodal RAG içinde belge bağlamı; tespit edilen nesneleri, görüntü açıklamalarını, zaman damgalarını, kamera konumlarını veya çevredeki video olaylarını içerebilir. Aşağıdaki örnek, bir görüntü için aranabilir bir bağlam oluşturmak üzere Ultralytics YOLO26 kullanır:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)

Oluşturulan metin, gömme (embedding) öncesinde bir görüntü açıklamasına veya meta veri kaydına eklenebilir. Geliştiriciler ilgili YOLO prediction workflows ve visual similarity search özelliklerini keşfedebilir.

Link to this sectionGerçek Dünya Uygulamaları#

• Enterprise and Legal Search: Politika asistanları belge adlarını, tarihleri, departmanları ve madde ilişkilerini koruyarak izole pasajlardan gelen yanıltıcı yanıtları azaltır.
• Visual Maintenance Systems: Sistem onarım kılavuzlarını veya denetim kayıtlarını getirmeden önce; tespit edilen makineler, kusur türleri ve tesis konumları görüntüleri bağlamsallaştırır.
• Personalized Education: Öğrenme ajanları, öğrencinin mevcut görevine uygun rehberliği getirmek için öğrenci diyalogunu etkinlik günlükleriyle birleştirebilir.

Link to this sectionİlgili Teknikler ve En İyi Uygulamalar#

Bağlamsal getirme, çalışma zamanında modele sağlanan tüm bilgileri yöneten context engineering kavramından farklıdır. Ayrıca, token temsillerini parçalara havuzlamadan önce eksiksiz bir belgeyi gömen late chunking research çalışmalarından da ayrılır. 2025 comparative evaluation çalışması, bağlamsal getirmenin anlamsal tutarlılığı korumada etkili olduğunu ancak hesaplama açısından daha fazla talepkar olduğunu ortaya koymuştur. (arxiv.org)

Güncel en iyi uygulamalar; birden fazla parça boyutunu test etmeyi, kaynak meta verilerini korumayı, yoğun ve anahtar kelime getirmeyi birleştirmeyi ve Microsoft’s RAG evaluation guidance kullanarak geri çağırma, kesinlik, dayanaklılık ve yanıt eksiksizliğini ölçmeyi içerir. SAGE precise retrieval gibi daha yeni araştırmalar anlamsal segmentasyonu ve dinamik parça seçimini desteklerken, bir 2026 retrieval benchmark çalışması karmaşık metin ve tablo belgeleri için hibrit getirmeyi ve sinirsel yeniden sıralamayı desteklemektedir. Görsel bilgi sistemleri oluşturan ekipler, veri setlerini etiketlemek, görü modellerini eğitmek, uç noktaları devreye almak ve yapılandırılmış görsel bağlam sağlayan bileşenleri izlemek için Ultralytics Platform kullanabilir.