Embeddings

Gömme vektörleri, ayrık değişkenlerin yoğun, düşük boyutlu ve sürekli vektör temsilleridir; insan verileri ile makine mantığı arasında temel bir tercüman görevi görürler. Yapay Zeka (AI) alanında bilgisayarlar, metin, görüntü veya ses gibi karmaşık yapılandırılmamış verileri sezgisel olarak anlayamaz. Gömme vektörleri, bu girdileri yüksek boyutlu bir matematiksel uzayda bulunan ve vektör olarak bilinen gerçek sayı listelerine dönüştürerek bu sorunu çözer. Bir nesneye rastgele bir kimlik atayabilen geleneksel kodlamaların aksine gömme vektörleri eğitim yoluyla öğrenilir; böylece "kral" ve "kraliçe" sözcükleri veya iki farklı kedinin görüntüleri gibi anlamsal açıdan benzer öğeler vektör uzayında birbirine yakın konumlandırılır.

Gömme Vektörleri Nasıl Çalışır?#

Bir gömme vektörünün oluşturulması, ham verilerin özellik çıkarımı için tasarlanmış bir sinir ağına beslenmesini içerir. Eğitim sırasında model, girdinin temel özelliklerini kompakt bir sayısal biçime sıkıştırmayı öğrenir. Örneğin, bir fotoğrafı analiz eden bir Bilgisayarlı Görü (CV) modeli yalnızca pikselleri görmez; şekilleri, dokuları ve renkleri çok boyutlu bir grafikte belirli bir koordinata eşler. Benzerlik ölçülürken sistemler bu koordinatlar arasındaki mesafeyi kosinüs benzerliği veya Öklid mesafesi gibi metrikleri kullanarak hesaplar. Bu matematiksel yakınlık, algoritmaların sınıflandırma ve kümeleme gibi karmaşık görevleri yüksek verimlilikle gerçekleştirmesini sağlar.

Gerçek Dünya Uygulamaları#

Gömme vektörleri, modern yazılım ürünlerinde kullanılan birçok akıllı özelliğin motoru görevi görür.

• Anlamsal Arama: Geleneksel arama motorları genellikle kesin anahtar kelime eşleştirmesine dayanır; bu yaklaşım, kullanıcı "otomobil" diye aradığında ancak belgede "araba" sözcüğü bulunduğunda başarısız olur. Gömme vektörleri, sözcüklerin ardındaki anlamı yakalar. Arama sorgusunu ve veritabanındaki belgeleri vektörler olarak temsil eden sistem, belirli sözcükler farklı olsa bile kullanıcının amacına uyan sonuçları getirebilir.
• Öneri Sistemleri: Yayın hizmetleri ve e-ticaret siteleri, kullanıcı deneyimlerini kişiselleştirmek için gömme vektörlerini kullanır. Bir kullanıcı bilim kurgu filmi izlerse sistem, o filmin gömme vektörünü belirler ve veritabanında vektörleri yakın olan diğer filmleri arar. Bu sayede yalnızca manuel etiketlere veya kategorilere dayanmak yerine içerik benzerliğine göre doğru öneriler sunulabilir.
• Sıfır Atışlı Öğrenme: Gelişmiş modeller, metin ve görüntüler gibi farklı modaliteleri birbirine bağlamak için ortak gömme vektörleri kullanır. Bu sayede sistem, görüntünün gömme vektörünü nesnenin adıyla ilişkilendirilmiş metin gömme vektörüyle eşleştirerek eğitim sırasında daha önce açıkça görmediği nesneleri tanıyabilir.

Python ile Gömme Vektörleri Oluşturma#

YOLO26 gibi son teknoloji modeller, sağlam görüntü gömme vektörlerini verimli bir şekilde oluşturmak için kullanılabilir. Aşağıdaki örnek, ultralytics Python paketiyle bir görüntüden özellik vektörünün nasıl çıkarılacağını gösterir.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for an image
# The embed() method returns the feature vector representing the image content
embedding_vector = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the embedding (e.g., a vector of length 1280)
print(f"Embedding shape: {embedding_vector[0].shape}")

Gömme Vektörleri ve İlgili Kavramlar#

AI çözümlerini etkili bir şekilde uygulamak için gömme vektörlerini yakından ilişkili teknik terimlerden ayırt etmek faydalıdır.

• Gömme Vektörleri ve Vektör Arama: Gömme vektörü, veri temsilinin kendisidir (sayılar listesi). Vektör arama ise bu gömme vektörüne en yakın komşuları bulmak için bir veritabanını sorgulayan sonraki süreçtir. Vektör veritabanı olarak bilinen özel araçlar, bu gömme vektörlerini büyük ölçekte depolamak ve aramak için sıklıkla kullanılır.
• Gömme Vektörleri ve Tokenleştirme: Doğal Dil İşleme (NLP) alanında tokenleştirme, metni daha küçük parçalara (token'lara) ayırmanın ön hazırlık adımıdır. Bu token'lar daha sonra gömme vektörleriyle eşlenir. Dolayısıyla tokenleştirme veriyi hazırlar, gömme vektörleri ise verinin anlamını temsil eder.
• Gömme Vektörleri ve Derin Öğrenme: Derin öğrenme, sinir ağlarına dayanan daha geniş makine öğrenimi alanıdır. Gömme vektörleri, derin öğrenme mimarisindeki belirli bir çıktı veya katmandır ve çoğu zaman ham girdiler ile modelin karar verme katmanları arasında köprü görevi görür.

Özel gömme vektörleri oluşturmak için veri kümelerinin açıklama ekleme ve model eğitimi de dahil olmak üzere yaşam döngüsünü yönetmek isteyen geliştiriciler Ultralytics Platform'unu kullanabilir. Bu kapsamlı araç, veri yönetiminden dağıtıma kadar olan iş akışını basitleştirerek uygulamalarını güçlendiren gömme vektörlerinin yüksek kaliteli ve özenle düzenlenmiş verilerden türetilmesini sağlar. PyTorch veya TensorFlow gibi çerçeveleri kullanıyor olsan da gömme vektörlerinde uzmanlaşmak, gelişmiş örüntü tanıma sistemleri oluşturmanın önemli bir adımıdır.