Vector Search

Vektör arama, tam anahtar kelime eşleşmeleri yerine matematiksel özelliklerine dayanarak bir veri setindeki benzer öğeleri tanımlayan gelişmiş bir bilgi erişim yöntemidir. Belirli karakter dizilerini bulmaya dayanan geleneksel keyword search uygulamasının aksine, vektör arama verilerin ardındaki anlamsal anlamı analiz eder. Bu teknik, modern artificial intelligence (AI) uygulamaları için temeldir çünkü bilgisayarların soyut kavramlar arasındaki ilişkileri anlamasına olanak tanır ve görüntüler, ses dosyaları ve doğal dil metni gibi unstructured data verilerini olağanüstü bir doğrulukla işler.

Vektör Arama Nasıl Çalışır?#

Vektör aramanın özü, ham verilerin embeddings olarak bilinen yüksek boyutlu sayısal vektörlere dönüştürülmesini içerir. Bu süreç, öğeleri kavramsal olarak benzer öğelerin birbirine yakın bulunduğu çok boyutlu bir uzaydaki noktalarla eşler.

1. Vektörleştirme: Bir deep learning (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. İndeksleme: Aramaları hızlı bir şekilde gerçekleştirmek için bu vektörler özel algoritmalar kullanılarak organize edilir ve genellikle özel bir vector database içinde saklanır.

3. Benzerlik Hesaplaması: Bir kullanıcı bir sorgu gönderdiğinde, sistem bu sorguyu bir vektöre dönüştürür ve cosine similarity veya Euclidean distance gibi metrikleri kullanarak saklanan vektörlere olan mesafeyi ölçer.

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

Python Örneği: Gömülü Vektörler Oluşturma#

Vektör aramayı uygulamak için öncelikle verilerini vektörlere dönüştürmelisin. Aşağıdaki kod parçacığı, ultralytics paketini ve önceden eğitilmiş bir YOLO26 modelini kullanarak bir görüntüden feature maps ve gömmeler oluşturmayı 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 arkasındaki motordur ve computer vision (CV) ile kullanıcı niyeti arasındaki boşluğu doldurur.

• Görsel Öneri Sistemleri: AI in retail sektöründe vektör arama, "görünümü satın al" özelliklerine güç verir. Bir müşteri belirli bir el çantasını beğenirse sistem; şekil, doku ve stili eşleştiren benzer görsel vektörlere sahip öğeleri bularak kişiselleştirilmiş bir recommendation system oluşturur.
• Getirme Destekli Üretim (RAG): Large Language Models (LLMs) modellerini geliştirmek için geliştiriciler, bir bilgi tabanından ilgili belgeleri almak üzere vektör aramayı kullanır. Bu, yapay zekaya bağlam sağlayarak chatbot etkileşimlerinde halüsinasyonları azaltır ve doğruluğu artırır.
• Anomali Tespiti: "Normal" işlemlerin vektörlerini kümeleyerek sistemler, kümeden büyük ölçüde sapan aykırı değerleri belirleyebilir. Bu, üretim kalite kontrolünde ve data security alanında anomaly detection için çok önemlidir.

İlgili Kavramları Ayırt Etme#

Tam machine learning (ML) boru hattını anlamak için vektör aramayı benzer terimlerden ayırt etmek faydalıdır.

• Vektör Arama ve Semantic Search: Anlamsal arama, kullanıcı niyetini ("ne" olduğunu) anlamanın daha geniş bir uygulamasıdır. Vektör arama, vektör yakınlığını hesaplayarak bunu elde etmek için kullanılan özel algoritmik yöntemdir ("nasıl" yapılacağı).
• Vektör Arama ve Vector Database: Vektör veritabanı, gömmeleri ölçekli bir şekilde depolamak ve yönetmek için tasarlanmış altyapıdır. Vektör arama ise bilgi almak üzere bu veritabanını sorgulama süreçtir.
• Vektör Arama ve Keyword Search: Anahtar kelime arama, tam metin dizelerini eşleştirir (örneğin, "elma" "elma" ile eşleşir). Vektör arama anlamı eşleştirir, bu nedenle kelimeler farklı olsa bile "elma", "meyve" veya "kırmızı" ile eşleşebilir.

Ultralytics Platformu ile Entegrasyon#

similarity search sistemleri oluşturan ekipler için veri setlerini yönetmek ve gömme modellerini eğitmek çok önemli bir ilk adımdır. Ultralytics Platform; veri yönetimi, bulut eğitimi ve model dağıtımı için araçlar sağlayarak bu iş akışını basitleştirir. İster object detection ister sınıflandırma için olsun, temel modellerinin yüksek performanslı olmasını sağlayarak ortaya çıkan vektörlerin doğru ve anlamlı arama sonuçları sunmasını sağlarsın.