Vector Search

Vektör arama, tam anahtar kelime eşleşmeleri yerine matematiksel özelliklerine göre bir veri kümesi içindeki benzer öğeleri belirleyen gelişmiş bir bilgi erişimi yöntemidir. Belirli karakter dizelerini bulmaya dayanan geleneksel anahtar kelime aramasının aksine vektör arama, verilerin temel anlamsal anlamını analiz eder. Bu teknik, bilgisayarların soyut kavramlar arasındaki ilişkileri anlamasını ve görüntüler, ses dosyaları ve doğal dil metni gibi yapılandırılmamış verileri dikkate değer bir doğrulukla işlemesini sağladığı için modern yapay zekâ (AI) uygulamalarının temelini oluşturur.

Vektör Arama Nasıl Çalışır#

Vektör aramanın temelinde, ham verileri gömme vektörleri olarak bilinen yüksek boyutlu sayısal vektörlere dönüştürmek yer alır. Bu işlem, öğeleri çok boyutlu bir uzaydaki noktalara eşler; kavramsal olarak benzer öğeler birbirine yakın konumlanır.

1. Vektörleştirme: Bir derin öğrenme (DL) modeli, giriş verilerini (örneğin bir köpek görüntüsünü) işler ve bir özellik vektörü çıktısı verir. YOLO26 gibi gelişmiş modeller, bu zengin özellik temsillerini verimli bir şekilde oluşturmak için sıklıkla kullanılır.

2. Dizinleme: Aramaları hızlı gerçekleştirmek için bu vektörler, genellikle özel bir vektör veritabanında depolanan özel algoritmalar kullanılarak düzenlenir.

3. Benzerlik Hesaplama: Bir kullanıcı sorgu gönderdiğinde sistem, bu sorguyu bir vektöre dönüştürür ve kosinüs benzerliği veya Öklid mesafesi gibi ölçütleri kullanarak depolanan vektörlere olan uzaklığı ölçer.

4. Erişim: Sistem, bağlamsal olarak en alakalı sonuçları temsil eden "en yakın komşuları" döndürür.

Python ile Örnek: Gömme Vektörleri Oluşturma#

Vektör aramayı uygulamak için önce verilerini vektörlere dönüştürmen gerekir. Aşağıdaki kod parçacığı, ultralytics paketi ve önceden eğitilmiş bir YOLO26 modeli kullanarak bir görüntüden özellik haritalarının ve gömme vektörlerinin nasıl oluşturulacağını gösterir.

from ultralytics import YOLO

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

# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

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

Gerçek Dünya Uygulamaları#

Vektör arama, günümüz yazılım ekosistemindeki birçok sezgisel özelliğin temelini oluşturur ve bilgisayarlı görü (CV) ile kullanıcı amacı arasındaki boşluğu kapatır.

• Görsel Öneri Sistemleri: Perakendede yapay zekâ sektöründe vektör arama, "kombini satın al" özelliklerine güç verir. Bir müşteri belirli bir çantayı beğenirse sistem, şekil, doku ve stil açısından eşleşen benzer görsel vektörlere sahip öğeleri bularak kişiselleştirilmiş bir öneri sistemi oluşturur.
• Getirme Destekli Üretim (RAG): Geliştiriciler, Büyük Dil Modellerini (LLMs) geliştirmek için bir bilgi tabanından ilgili belgeleri almak üzere vektör aramayı kullanır. Bu, yapay zekâya bağlam sağlayarak sohbet botu etkileşimlerinde halüsinasyonları azaltır ve doğruluğu artırır.
• Anomali Tespiti: Sistemler, "normal" işlemlerin vektörlerini kümelendirerek kümeden çok uzaklaşan aykırı değerleri belirleyebilir. Bu, üretimde kalite kontrolü ve veri güvenliği için anomali tespitinde kritik öneme sahiptir.

İlişkili Kavramları Ayırt Etme#

Tüm makine öğrenimi (ML) işlem hattını anlamak için vektör aramayı benzer terimlerden ayırmak faydalıdır.

• Vektör Arama ile Anlamsal Arama Karşılaştırması: Anlamsal arama, kullanıcı amacını ("ne") anlamaya yönelik daha geniş kapsamlı uygulamadır. Vektör arama ise vektör yakınlığını ("nasıl") hesaplayarak bunu gerçekleştirmek için kullanılan özel algoritmik yöntemdir.
• Vektör Arama ile Vektör Veritabanı Karşılaştırması: Vektör veritabanı, gömme vektörlerini büyük ölçekte depolamak ve yönetmek için tasarlanmış altyapıdır. Vektör arama ise bilgi almak üzere bu veritabanını sorgulama sürecidir.
• Vektör Arama ile Anahtar Kelime Araması Karşılaştırması: Anahtar kelime araması, tam metin dizelerini eşleştirir (ör. "apple", "apple" ile eşleşir). Vektör arama anlamı eşleştirir; bu nedenle kelimeler farklı olsa bile "apple", "fruit" veya "red" ile eşleşebilir.

Ultralytics Platformuyla Entegrasyon#

Benzerlik arama sistemleri geliştiren ekipler için veri kümelerini yönetmek ve gömme modellerini eğitmek kritik bir ilk adımdır. Ultralytics Platformu, veri yönetimi, bulut eğitimi ve model dağıtımı araçları sağlayarak bu iş akışını kolaylaştırır. Temel modellerinin (ister nesne tespiti ister sınıflandırma için olsun) yüksek performanslı olmasını sağlayarak ortaya çıkan vektörlerin doğru ve anlamlı arama sonuçları sunmasını güvence altına alırsın.