YOLO Vision 2025'i kaçırmayın!
25 Eylül 2025
10:00 — 18:00 BST
Hibrit etkinlik
Yolo Vision 2024
Sözlük

Vektör Arama

Vektör aramasının, NLP, görsel arama, öneri sistemleri ve daha fazlası için veri alımında semantik benzerliği etkinleştirerek AI'da nasıl devrim yarattığını keşfedin!

Vektör araması, verileri sayısal vektörler (gömme olarak bilinir) olarak temsil ederek büyük bir veri kümesinde benzer öğeleri bulma yöntemidir. Tam anahtar kelimeleri eşleştirmek yerine, anlamsal veya bağlamsal olarak benzer olan öğeleri tanımlar. Bu yaklaşım, modern yapay zeka (AI) sistemleri için temeldir ve görüntüler, metin ve ses gibi karmaşık veri türleri için daha sezgisel ve doğru bilgi alımını sağlar. Kelimesi kelimesine sorguların ötesine geçerek, altta yatan anlamı veya niyeti anlar ve bu da onu gelişmiş arama ve öneri motorları oluşturmak için güçlü bir araç haline getirir.

Vektör Araması Nasıl Çalışır?

Vektör araması süreci, ham verileri anlama dayalı olarak aranabilir bir formata dönüştüren çeşitli temel adımları içerir. Derin öğrenme modelleri ve verimli algoritmalarla desteklenir.

  1. Gömme Oluşturma: İlk olarak, bir makine öğrenimi modeli, örneğin bir transformer veya bir evrişimli sinir ağı (CNN), veri öğelerini (örneğin, cümleler, resimler, kullanıcı profilleri) gömme adı verilen yüksek boyutlu sayısal vektörlere dönüştürür. Her vektör, öğenin anlamsal özünü yakalar.
  2. İndeksleme: Bu oluşturulan vektörler, özel bir vektör veritabanında depolanır ve indekslenir. Pinecone veya Milvus gibi bu veritabanları, büyük miktarlardaki vektör verilerini verimli bir şekilde yönetmek ve sorgulamak için optimize edilmiştir.
  3. Sorgulama: Bir kullanıcı bir sorgu gönderdiğinde (bir metin ifadesi veya bir görüntü gibi), aynı model kullanılarak bir vektöre dönüştürülür.
  4. Benzerlik Hesaplama: Sistem daha sonra veritabanındaki sorgu vektörüne "en yakın" olan vektörleri bulmak için algoritmalar kullanır. Bu genellikle kosinüs benzerliği veya Öklid mesafesi gibi mesafe metrikleri kullanılarak yapılır. Büyük veri kümelerini işlemek için, sistemler genellikle hızlı, ölçeklenebilir bir arama için Yaklaşık En Yakın Komşu (ANN) algoritmaları kullanır; bu algoritmalar tam olmasa da son derece alakalı eşleşmeler bulur. Örnek olarak ScaNN veya Faiss verilebilir.

Gerçek Dünya Uygulamaları

Vektör araması, birçok gelişmiş yapay zeka özelliğinin arkasındaki teknolojidir. Sistemlerin basit eşleşmenin ötesine geçmesini ve çeşitli sektörlerde bağlam duyarlı sonuçlar sunmasını sağlar.

  • Semantik Görüntü Arama: Manuel etiketlere veya dosya adlarına güvenmek yerine, kullanıcılar açıklayıcı doğal dil ifadeleri kullanarak görüntü arayabilirler. Örneğin, bir kullanıcı "gün batımında dağ yolunda giden bir araba" arayabilir ve sistem, bağlam içinde "araba", "dağ" ve "gün batımı" kavramlarını anlayarak görsel olarak benzer görüntüleri alırdı. Ultralytics'in benzerlik arama kılavuzu ile bunun nasıl çalıştığını keşfedebilirsiniz.
  • Öneri Sistemleri: E-ticaret ve akış platformları, ürün veya içerik önermek için vektör aramayı kullanır. Bir bilim kurgu filmi izlerseniz, hizmet vektör gömmelerini karşılaştırarak tür, ton ve konu bakımından benzer olan diğer filmleri bulabilir ve önerebilir. Bu, kullanıcı deneyimini ve etkileşimini geliştirmek için perakendede yapay zeka'da temel bir işlevdir.

Vektör Araması - İlgili Kavramlar Karşılaştırması

Vektör aramasını, yapay zeka ekosistemindeki özel rolünü anlamak için diğer ilgili terimlerden ayırt etmek faydalıdır.

  • Anahtar Kelime Araması: Geleneksel anahtar kelime araması, tam kelimeleri veya ifadeleri eşleştirmeye dayanır. Eş anlamlılar, bağlam ve dilsel nüanslarla mücadele eder. Vektör araması ise, anahtar kelimeler tam olarak eşleşmese bile alakalı sonuçlar bulmasını sağlayan anlamsal ilişkileri anlar.
  • Semantic Search (Anlamsal Arama): Anlamsal arama, bir sorgunun amacını ve bağlamsal anlamını anlamanın geniş kavramıdır. Vektör araması, anlamsal aramayı uygulamak için kullanılan temel bir yöntemdir. Anlamsal arama "ne" (anlamı anlama) iken, vektör araması "nasıl"dır (vektör yakınlığına dayalı erişim mekanizması).
  • Gömme (Embedding): Gömme, verilerin vektör temsilleridir. Vektör araması, en benzer olanları bulmak için bir gömme koleksiyonunu sorgulama işlemidir. Gömme veridir, vektör araması ise bu veriler üzerinde gerçekleştirilen eylemdir.
  • Vektör Veritabanı: Bir vektör veritabanı, gömüleri depolamak, indekslemek ve verimli bir şekilde sorgulamak için özel altyapıdır. Ultralytics HUB gibi platformlar, vektör arama sistemlerinde kullanılmak üzere bu gömüleri üreten veri kümelerini ve modelleri yönetmeye yardımcı olur.

Gömme (embeddings) gücünden ve gelişmiş arama algoritmalarından yararlanarak, vektör araması insan niyeti ile dijital veri arasındaki boşluğu doldurur ve doğal dil işleme (NLP)'den gelişmiş bilgisayarlı görü görevlerine kadar birçok akıllı uygulama için temel bir bileşen haline getirir.

Ultralytics topluluğuna katılın

Yapay zekanın geleceğine katılın. Küresel yenilikçilerle bağlantı kurun, işbirliği yapın ve birlikte büyüyün

Şimdi katılın
Bağlantı panoya kopyalandı