Semantic Search

Anlamsal arama, belirli sözcükleri eşleştirmekten ziyade bir kullanıcının sorgusunun niyetini ve bağlamsal anlamını anlamayı amaçlayan gelişmiş bir bilgi erişim tekniğidir. Natural Language Processing (NLP) ve Machine Learning (ML) alanlarındaki ilerlemelerden yararlanan bu teknoloji, sistemlerin insan dilini daha büyük bir nüansla yorumlamasını sağlar. Belirsiz kullanıcı sorguları ile ilgili veriler arasındaki boşluğu kapatarak insanlar ve makineler arasında daha sezgisel etkileşimlere olanak tanıyan, modern Artificial Intelligence (AI) uygulamalarının temel taşlarından biridir.

Anlamsal Arama Nasıl Çalışır?#

Özünde anlamsal arama, kavramlar arasındaki ilişkiyi analiz etmek için kelimesi kelimesine karakter eşleştirmenin ötesine geçer. Geleneksel arama motorları, bir kullanıcı "feline" kelimesini aradığında ancak belgelerde yalnızca "cat" kelimesi geçtiğinde başarısız olabilir. Anlamsal arama, metin, görseller veya ses gibi unstructured data verilerini embeddings adı verilen matematiksel gösterimlere dönüştürerek bunu çözer.

Bu gömmeler, "anlamsal uzay" içine yerleştirilmiş yüksek boyutlu vektörlerdir. Bu uzayda, benzer anlamlara sahip öğeler birbirine yakın konumlandırılır. Örneğin, "car" için olan vektör, "banana" kelimesine kıyasla matematiksel olarak "automobile" ve "road" kelimelerine daha yakın olacaktır. Bir kullanıcı bir sorgu gönderdiğinde, sistem bu sorguyu bir vektöre dönüştürür ve vector database içindeki en yakın veri noktalarını bulur. Bu süreç, verilerin temel özelliklerini belirleyerek feature extraction gerçekleştirmek için deep learning modellerine güvenir.

Aşağıdaki Python kodu, görsel anlamsal aramayı etkinleştirmek için temel adımı oluşturan Ultralytics YOLO26 modelini kullanarak bu gömmelerin nasıl oluşturulacağını göstermektedir.

from ultralytics import YOLO

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

# Generate feature embeddings for an image
# This converts the visual content into a numerical vector
results = model.embed("https://ultralytics.com/images/bus.jpg")

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

Gerçek Dünya Uygulamaları#

Anlamsal arama, kullanıcıların çeşitli sektörlerde bilgiyi keşfetme biçiminde devrim yaratarak sistemleri daha akıllı ve verimli hale getirdi.

• E-Ticaret ve Görsel Keşif: AI in retail dünyasında anlamsal arama, "görünümü satın al" özelliklerini güçlendirir. Bir müşteri spor ayakkabı fotoğrafı yükleyebilir veya "vintage yaz havası" araması yapabilir. Sistem, görsel stili anlamak için computer vision kullanır ve ürün açıklamaları bu tam anahtar kelimeleri içermese bile estetikle eşleşen ürünleri getirir. Bu durum genellikle hem metin hem de görsel girdilerini anlayabilen Multi-Modal Models modellerini içerir.
• Bilgi Yönetimi ve RAG: Büyük kuruluşlar, çalışanların dahili belgeleri bulmasına yardımcı olmak için anlamsal aramayı kullanır. Tam dosya adlarını hatırlamak yerine bir çalışan "Sunucuyu nasıl sıfırlarım?" gibi bir soru sorabilir. Sistem, anlamlarına göre en ilgili ilke belgelerini bulmak için Retrieval-Augmented Generation (RAG) kullanır ve kesin bir yanıt üretmek üzere bunları bir Large Language Model (LLM) modeline besler.
• İçerik Önerisi: Akış platformları recommendation system sistemlerini geliştirmek için anlamsal anlayıştan yararlanır. Bir kullanıcının hoşlandığı filmlerin konu özetlerini ve görsel feature maps haritalarını analiz ederek platform, benzer temaları veya ruh hallerini paylaşan diğer başlıkları önerebilir ve kullanıcıların daha uzun süre etkileşimde kalmasını sağlayabilir.

Anlamsal Arama ile İlgili Kavramların Karşılaştırılması#

Anlamsal aramanın faydasını tam olarak kavramak için onu data science manzarasındaki ilgili terimlerden ayırmak faydalıdır.

• Vector Search: Genellikle birbirinin yerine kullanılsa da teknik bir ayrım vardır. Vektör arama, vektörler arasındaki mesafeyi hesaplayan (genellikle cosine similarity kullanan) matematiksel yöntemdir. Anlamsal arama ise kullanıcı niyetini anlama amacına ulaşmak için vektör aramayı kullanan daha geniş uygulamadır.
• Anahtar Kelime Araması: Bu, tam dize eşleşmesine güvenen geleneksel yöntemdir. Hesaplama açısından daha ucuzdur ancak kırılgandır; synonyms ve eş seslilikle (birden fazla anlamı olan kelimeler) mücadele eder. Anlamsal arama daha fazla hesaplama gücü gerektirir ancak önemli ölçüde daha yüksek bir alaka düzeyi sunar.
• Zero-Shot Learning: Bu, bir modelin eğitim sırasında hiç görmediği verileri sınıflandırma yeteneğini ifade eder. Anlamsal arama motorları sıfır atış yetenekleri sergiler çünkü yeniden eğitime gerek kalmadan yeni, görülmemiş bir sorguyu gömme uzayı içinde bilinen kavramların mevcut kümeleriyle eşleştirebilirler.

Anlamsal aramayı uygulamak genellikle veri kümelerini ve model eğitimini yönetmek için sağlam bir boru hattı gerektirir. Ultralytics Platform, verileri etiketlemek, modelleri eğitmek ve bunları verimli bir şekilde dağıtmak için araçlar sağlayarak bunu basitleştirir. Bu sistemleri oluşturmak isteyen geliştiriciler için Ultralytics similarity search guide kılavuzunu incelemek, bu güçlü yetenekleri uygulamalara entegre etmek için pratik adımlar sağlar.