Klasik veritabanları "bu kelimeyi içeren kayıtları getir" sorgusunda çok başarılıdır. Ama "müşterinin şikâyetine en çok benzeyen eski destek kayıtlarını bul" gibi anlam temelli aramalarda yetersiz kalır. Vektör veritabanları bu ihtiyaç için ortaya çıktı.
Embedding nedir?
Embedding, bir metnin (veya görselin) anlamını temsil eden sayı dizisidir. Benzer anlamdaki metinlerin vektörleri birbirine yakın olur. Örneğin "kargom gelmedi" ile "siparişim hâlâ ulaşmadı" farklı kelimeler içerse de vektörleri birbirine yakındır.
Vektör veritabanı ne yapar?
Milyonlarca vektör arasından, verilen bir vektöre en yakın olanları hızlıca bulur. Bunun için özel indeksleme yöntemleri kullanır; yaklaşık en yakın komşu arama, hız ile doğruluk arasında denge kurar.
Kullanım alanları
- RAG: Yapay zekâya soruyla ilgili belge parçalarını bulmak. Bkz. RAG nedir.
- Anlamsal site araması: Kullanıcı farklı kelimeler kullansa da doğru sonucu bulmak.
- Benzer ürün önerisi.
- Destek kayıtlarında benzer sorun bulma.
- Yinelenen kayıt tespiti: Aynı müşterinin farklı yazımlarla açılmış kayıtları.
Ayrı vektör veritabanı mı, mevcut veritabanı mı?
- Özel vektör veritabanları: Çok büyük ölçek ve yüksek performans gerektiren senaryolar için geliştirilmiş ürünlerdir.
- Mevcut veritabanının vektör özellikleri: PostgreSQL için yaygın kullanılan vektör eklentileri ve SQL Server'ın güncel sürümlerindeki vektör desteği gibi seçenekler, ayrı bir sistem kurmadan başlamayı sağlar. Bkz. PostgreSQL mi SQL Server mı.
Çoğu işletme uygulamasında, mevcut veritabanındaki vektör özellikleriyle başlamak; veri tutarlılığı, yedekleme ve yetkilendirmeyi tek yerde tutma avantajı sağlar.
Hibrit arama
Vektör araması anlamı yakalar; ama ürün kodu, model numarası gibi kesin terimlerde klasik anahtar kelime araması daha başarılıdır. İkisini birleştiren hibrit arama genellikle en iyi sonucu verir.
Dikkat edilecekler
- Embedding modeli değiştiğinde tüm vektörlerin yeniden üretilmesi gerekir.
- Yetkilendirme: kullanıcının göremeyeceği belgeler arama sonuçlarına girmemelidir.
- Kişisel veri içeren metinlerin vektörleri de dikkatle korunmalıdır. Bkz. yapay zekâ ve KVKK.
Sık sorulan sorular
Vektör veritabanı klasik veritabanının yerini alır mı?
Hayır. Tamamlayıcıdır. Siparişler, faturalar ve stoklar için ilişkisel veritabanı vazgeçilmezdir.
Küçük bir proje için gerekli mi?
Birkaç bin belgeden oluşan bir bilgi tabanı için mevcut veritabanının vektör özellikleri veya basit bir çözüm genellikle yeterlidir.
Sonuç
Vektör veritabanları, yapay zekâ uygulamalarının "anlamı bulma" altyapısıdır. Anlamsal arama veya RAG projeleriniz için iletişime geçebilirsiniz.