Vector Database

Bir vektör veritabanı, genellikle embeddings olarak adlandırılan yüksek boyutlu vektör verilerini yönetmek, indekslemek ve sorgulamak için tasarlanmış özel bir depolama sistemidir. Yapılandırılmış verileri tam anahtar kelime eşleşmesi için satırlar ve sütunlar halinde organize eden geleneksel bir relational database sisteminin aksine, vektör veritabanı anlamsal erişim için optimize edilmiştir. Akıllı sistemlerin özdeş olanlar yerine kavramsal olarak benzer veri noktalarını bulmasını sağlar. Bu yetenek, modern artificial intelligence (AI) altyapısının temelini oluşturur ve uygulamaların, aralarındaki matematiksel ilişkileri analiz ederek görüntüler, ses, video ve metin gibi unstructured data türlerini işlemesine ve anlamasına olanak tanır. Bu veritabanları, görsel arama ve kişiselleştirilmiş öneriler gibi görevleri kolaylaştırarak akıllı ajanlar için uzun vadeli hafıza görevi görür.

Vektör Veritabanları Nasıl Çalışır#

Bir vektör veritabanının işlevi, veri öğelerinin çok boyutlu bir koordinat sisteminde noktalar olarak eşlendiği vektör uzayı kavramı etrafında odaklanır. Süreç, ham girdilerin sayısal vektörlere dönüştürüldüğü bir deep learning (DL) modeli aracılığıyla feature extraction ile başlar.

1. Veri Alımı (Ingestion): Girdinin anlamsal anlamını yoğun bir kayan noktalı sayı listesinde sıkıştırmak için, veriler son teknoloji YOLO26 gibi bir sinir ağı tarafından işlenerek gömmeler (embeddings) oluşturulur.

2. İndeksleme (Indexing): Erişim sırasında düşük inference latency sağlamak için veritabanı, bu vektörleri özel algoritmalar kullanarak organize eder. Hierarchical Navigable Small World (HNSW) veya Inverted File Index (IVF) gibi teknikler, sistemin her bir girdiyi taramak zorunda kalmadan milyarlarca vektör arasında verimli bir şekilde gezinmesine olanak tanır.

3. Sorgulama (Querying): Bir kullanıcı bir arama sorgusu gönderdiğinde (örneğin, belirli bir ayakkabı stiline ait bir görsel), sistem sorguyu bir vektöre dönüştürür ve cosine similarity veya Euclidean distance gibi mesafe ölçümleri kullanarak saklanan vektörlerle olan yakınlığını hesaplar.

4. Geri Getirme (Retrieval): Veritabanı, bağlamsal olarak en alakalı sonuçları temsil eden "en yakın komşuları" döndürür.

Aşağıdaki Python kod parçacığı, bir vektör veritabanını doldurmadan önceki ön koşul adım olan standart bir ultralytics modeli kullanarak 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 file
# The 'embed' method creates the vector representation needed for the database
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Output the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")

Gerçek Dünya Uygulamaları#

Vektör veritabanları, günümüzde kurumsal ortamlarda kullanılan birçok gelişmiş computer vision (CV) ve Natural Language Processing (NLP) uygulamasının arkasındaki motordur.

• Geri Getirme Destekli Üretim (RAG): generative AI çağında vektör veritabanları, Large Language Models (LLMs) modellerinin özel ve güncel verilere ait geniş bir kütüphaneye erişmesini sağlar. Sistem, kullanıcının girdisinin anlamsal anlamını temel alarak ilgili belgeleri getirerek hallucinations in LLMs durumlarını azaltır ve gerçeklere dayalı, bağlama duyarlı yanıtlar sunar.
• Görsel Öneri Motorları: AI in retail alanında platformlar, "benzer stilleri alışveriş yap" özelliklerine güç sağlamak için vektör veritabanlarını kullanır. Kullanıcı belirli bir yazlık elbiseyi görüntülerse, sistem veritabanında benzer görsel gömmelere (desenleri, kesimleri ve renkleri eşleştiren) sahip diğer ürün görsellerini sorgular ve basit etiket tabanlı filtrelemeden daha iyi bir user experience sunar.
• Anomali ve Tehdit Tespiti: Güvenlik sistemleri anomaly detection için vektör veritabanlarından yararlanır. "Normal" davranışın veya yetkili personelin gömmelerini saklayarak sistem, vektör uzayında beklenen kümenin dışına çıkan aykırı değerleri anında işaretleyebilir ve böylece data security ile tesis izleme süreçlerini geliştirebilir.

İlgili Kavramları Ayırt Etme#

Bu sistemleri etkili bir şekilde uygulamak için, vektör veritabanını machine learning operations (MLOps) ekosistemindeki ilgili teknolojilerden ayırmak faydalıdır.

• Vektör Veritabanı ve Vector Search: Vektör arama, benzer vektörleri bulma eylemi veya algoritmik sürecidir ("nasıl" sorusu). Vektör veritabanı ise verileri depolamak, indeksi yönetmek ve bu aramaları ölçeklenebilir bir şekilde gerçekleştirmek için oluşturulmuş sağlam altyapıdır ("nerede" sorusu).
• Vektör Veritabanı ve Feature Store: Özellik deposu (feature store), model eğitimi ve çıkarımında kullanılan özellikleri yönetmek ve tutarlılığı sağlamak için merkezi bir depodur. Özellik verilerini yönetse de, bir vektör veritabanını tanımlayan benzerlik tabanlı erişim sorguları için öncelikli olarak optimize edilmemiştir.
• Vektör Veritabanı ve Data Lake: Bir veri gölü, devasa miktardaki ham veriyi kendi orijinal formatında depolar. Vektör veritabanı ise o verinin özellikle similarity search için optimize edilmiş işlenmiş, matematiksel temsillerini (gömmelerini) saklar.

Modern YZ İş Akışlarıyla Entegrasyon#

Bir vektör veritabanı uygulamak genellikle verimli YOLO26 gibi modellerin gömme motoru olarak görev yaptığı bir boru hattını (pipeline) içerir. Bu modeller görsel verileri uç noktada (edge) veya bulutta işler ve ortaya çıkan vektörler Pinecone, Milvus veya Qdrant gibi çözümlere aktarılır.

Veri kürasyonu ve otomatik etiketlemeden model eğitimi ve dağıtımına kadar tüm bu yaşam döngüsünü kolaylaştırmak isteyen ekipler için Ultralytics Platform kapsamlı bir ortam sunar. Geliştiriciler, model eğitimini verimli dağıtım stratejileriyle entegre ederek vektör veritabanlarını besleyen gömmelerin doğru olmasını sağlayabilir, bu da daha yüksek kaliteli arama sonuçları ve daha akıllı yapay zeka ajanları elde edilmesini sağlar.