Contextual Retrieval

Bağlamsal erişim, her veri parçasını dizine eklemeden önce kısa ve belgeye özgü bir açıklama ekleyerek getirmeyle zenginleştirilmiş üretimi (RAG) iyileştiren bir ön işleme tekniğidir. Anthropic’in 2024 bağlamsal erişim kılavuzunda tanıtılan bu teknik, arama sistemlerinin normalde belirsiz olan bir pasajın hangi bağlama ait olduğunu anlamasına yardımcı olarak büyük dil modeline sağlanan kanıtları iyileştirir. (anthropic.com)

Bağlamsal Erişim Nasıl Çalışır?#

Standart RAG, belgeleri parçalara ayırır ve bunları gömme vektörlerine dönüştürür. Ancak “gelir %3 arttı” gibi bir parçada şirket, raporlama dönemi ve belge türü bulunmayabilir. Bağlamsal erişim, birleştirilmiş metni dizine eklemeden önce “Bu pasaj ACME’nin 2025 2. çeyrek mali sonuçlarını açıklamaktadır” gibi kısa bir ön ek oluşturmak için belgenin tamamını kullanır.

Tipik bir iş akışı şunları içerir:

1. Anlamsal Parçalama: Belgeleri, erişim ve model sınırlarına uygun tutarlı pasajlara ayır. Parçalamanın temel amacı, büyük kaynakları modelin bağlam penceresini aşmadan aranabilir hâle getirmektir.
2. Bağlam Oluşturma: Claude bağlamsal gömme vektörleri yemek kitabı benzeri bir süreci izleyerek her parçanın kaynağıyla ilişkisini özetlemek için bir model kullan.
3. Hibrit Arama: Bağlam eklenmiş parçaları yoğun vektörler ve BM25 anahtar kelime sıralaması gibi sözlüksel yöntemlerle dizine ekle.
4. Yeniden Sıralama: En iyi kanıtları üreticiye göndermeden önce, daha derin sorgu-parça karşılaştırmaları kullanarak erişilen adayları yeniden sırala.

Anthropic, bağlamsal gömme vektörlerinin bağlamsal BM25 ile birlikte kullanılmasının, ilk 20’deki erişim başarısızlığı oranını %49 azalttığını; yeniden sıralamanın eklenmesinin ise testlerinde %67’lik bir azalma sağladığını bildirdi. Sonuçlar veri kümesine göre değişir; bu nedenle bu rakamlar garanti olarak değil, kıyaslama sonuçları olarak değerlendirilmelidir. (anthropic.com)

Bilgisayarlı Görmede Bağlamsal Erişim#

Çok modlu RAG kapsamında belge bağlamı; algılanan nesneleri, görüntü açıklamalarını, zaman damgalarını, kamera konumlarını veya çevredeki video olaylarını içerebilir. Aşağıdaki örnekte, bir görüntü için aranabilir bağlam oluşturmak üzere Ultralytics YOLO26 kullanılır:

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 işleminden önce bir görüntü açıklamasının veya meta veri kaydının başına eklenebilir. Geliştiriciler, ilgili YOLO tahmin iş akışlarını ve görsel benzerlik aramasını inceleyebilir.

Gerçek Dünya Uygulamaları#

• Kurumsal ve Hukuki Arama: Politika asistanları belge adlarını, tarihleri, departmanları ve madde ilişkilerini koruyarak yalıtılmış pasajlardan kaynaklanan yanıltıcı yanıtları azaltır.
• Görsel Bakım Sistemleri: Algılanan makineler, kusur türleri ve tesis konumları, sistem onarım kılavuzlarına veya inceleme kayıtlarına erişmeden önce görüntülere bağlam kazandırır.
• Kişiselleştirilmiş Eğitim: Öğrenme aracıları, öğrencinin mevcut göreviyle ilgili yönlendirmeleri bulmak için öğrenci diyaloğunu etkinlik günlükleriyle birleştirebilir.

İlgili Teknikler ve En İyi Uygulamalar#

Bağlamsal erişim, çalışma zamanında bir modele sağlanan tüm bilgileri yöneten bağlam mühendisliğinden farklıdır. Ayrıca, parçalar hâlinde belirteç temsillerini havuzlamadan önce belgenin tamamını gömen geç parçalama araştırmasından da farklıdır. 2025 karşılaştırmalı değerlendirmesi, bağlamsal erişimin anlamsal tutarlılığı korumada etkili, ancak hesaplama açısından daha maliyetli olduğunu ortaya koydu. (arxiv.org)

Güncel en iyi uygulamalar arasında birden fazla parça boyutunu test etmek, kaynak meta verilerini korumak, yoğun erişim ile anahtar kelime erişimini birleştirmek ve Microsoft’un RAG değerlendirme kılavuzuyla geri çağırma, kesinlik, temellendirilmişlik ve yanıt bütünlüğünü ölçmek yer alır. SAGE hassas erişimi gibi daha yeni araştırmalar anlamsal segmentasyonu ve dinamik parça seçimini desteklerken, 2026 erişim kıyaslaması, karmaşık metin ve tablo belgeleri için hibrit erişim ile nöral yeniden sıralamayı desteklemektedir. Görsel bilgi sistemleri geliştiren ekipler; veri kümelerine açıklama eklemek, görme modellerini eğitmek, uç noktaları dağıtmak ve yapılandırılmış görsel bağlam sağlayan bileşenleri izlemek için Ultralytics Platform kullanabilir.