Vektör Arama

TL;DR — Vector search, yazdığınız tam kelimeleri eşleştirmek yerine içeriği anlamına göre bulur. Sorgunuzu ve depolanan her belgeyi bir sayı listesine — bir vektöre — dönüştürür ve sayıları sorgunuzun sayılarına en yakın olan belgeleri döndürür. Yapay zekâ aramasının ve sohbet botlarının yanıtladıkları pasajları bulma biçimi budur.

Vector search nedir

Vector search, öğeleri bir embedding uzayındaki yakınlıklarına göre getirir ve ölçek için çoğu zaman yaklaşık en yakın komşu dizinlerini kullanır. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW Benzerlik; embedding modeline, uzaklık işlevine ve dizine eklenen verilere bağlıdır. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

Eski usul anahtar kelime araması kelimeleri eşleştirir. “how to fix a slow website” diye ararsanız ve bir sayfada “improve site performance” yazıyorsa saf bir anahtar kelime motoru bunu kaçırabilir — kelimeler farklıdır ama anlam aynıdır.

Vector search bunu düzeltir. embeddings modeli adı verilen bir model metni okur ve metnin anlamını yakalayan uzun bir sayı listesine (bir vector) dönüştürür. Aynı şey hakkındaki içerikler benzer sayılara sahip olur; böylece bir tür matematiksel haritada birbirine yakın konumlanır. Vector search yalnızca şunu sorar: hangi depolanmış vektörler sorgunun vektörüne en yakın?

Böylece “fix a slow website” ile “improve site performance” haritada birbirine yaklaşır ve kelimeler örtüşmese bile vector search eşleşmeyi bulur.

Basit bir zihinsel model

Web’deki her sayfanın, aynı konudaki noktaların birbirine yakın durduğu dev bir haritada bir nokta olarak yer aldığını düşünün — tüm köpek sayfaları bir mahallede, tüm vergi sayfaları başka bir mahallede. Arama yaptığınızda sorgunuz da bir noktaya dönüşür. Vector search en yakın noktaları bulup size döndürür.

Bütün fikir bundan ibaret. Zor kısım, milyarlarca nokta varken bunu hızlı yapmaktır — anlamamız gereken sonraki konu da budur.

Neden “yaklaşık”

Sorgunuzu depolanmış her vektörle karşılaştırmak web ölçeğinde çok yavaş olurdu. Bu nedenle gerçek sistemler approximate nearest neighbor (ANN) algoritmaları adı verilen akıllı kısayollar kullanır. Her noktayı kontrol etmezler; birkaç milisaniyede en yakın noktaları neredeyse kusursuz bulmak için haritada akıllı yollar izlerler. “Neredeyse” yeterlidir: milyonlarca sonuç içinden en iyi 19. sonucu kaçırmak yanıtınızı değiştirmez; karşılığında elde edilen hız ise muazzamdır.

Bu sizin için neden önemli

Yapay zekâ yanıtlarında — Google’ın AI Overviews’ında, ChatGPT aramasında, Perplexity’de — sistem önce birkaç ilgili pasajı getirir, ardından bunlardan bir yanıt yazar. Bu getirme adımı vector search’tür. İçeriğiniz soruya anlamsal olarak yakın değilse kısa listeye hiç girmez ve alıntılanamaz.

“Vector search için optimizasyon” yapmanın bir hilesi yoktur. Ödüllendirdiği şey, iyi içeriğin her zaman gerektirdiği şeydir: açık, gerçekten konuya odaklanan ve derinlik taşıyan yazım. İnce, anahtar kelime doldurulmuş sayfalar haritada tutarlı bir mahalleye yerleşmez; bu nedenle getirilemez.

Algoritmaları (HNSW, ScaNN), uzaklık ölçülerini, Google’ın bunu gerçekte nasıl kullandığını ve SEO’nun bütün resmini mi istiyorsunuz? Advanced sekmesine geçin.

TL;DR — Vector search, yüksek boyutlu bir embedding uzayında bir sorgu vektörüne en yakın vektörleri getirir ve approximate nearest neighbor (ANN) algoritmalarını — HNSW, IVF, FAISS, ScaNN — kullanır; çünkü milyarlarca vektör üzerinde tam karşılaştırma gerçek zamanlı olarak mümkün değildir. ANN tasarım gereği yaklaşık çalışır: büyük hız kazanımları karşılığında geri çağırmadan küçük bir pay verir. Vector search, semantik arama için bir mekanizmadır; onun eş anlamlısı değildir ve AI Overviews dahil her RAG sisteminin içindeki getirme adımıdır. Üretimde nadiren tek başına çalışır — gerçek kalıp hibrittir: BM25 + vektör + yeniden sıralama. SEO için çevrilecek bir ayar yoktur; vektör yakınlığı aday havuzuna giriş kapısıdır ve konu açısından tutarlı, pasaj düzeyinde derinliği ödüllendirir.

Vector search nerede durur

Vektörle getirme, sıralamayı veya üretimi besleyebilen bir bileşendir; tek başına eksiksiz bir arama sistemi değildir. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW Evrensel olarak en iyi olan sabit bir uzaklık eşiği veya dizin algoritması yoktur. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

Embedding’ler size vektörleri verir; vector search ise onlarla ne yaptığınızdır. Embeddings yazısı “vektör nedir?” sorusunun yarısıysa, bu yazı “şimdi en yakınları bul” yarısıdır. Ayrıca sektörün sürekli bulanıklaştırdığı bir ayrımı kesinleştirmekte fayda var: semantik arama amaçtır; vector search ona ulaşmanın bir yöntemidir. Semantik arama bilgi grafiklerinden, varlık tanımadan ve amaç eşleştirmeden de yararlanabilir. Vector search ise özellikle bir embedding uzayı üzerinde ANN getirmeyi ifade eder — bu nedenle birbirlerinin eş anlamlısı değildirler, her ne kadar öyle kullanılsalar da.

Vector search adım adım nasıl çalışır

İster Google olun ister hafta sonu üzerinde çalışılan bir RAG projesi, işlem hattı aynıdır:

1. İçeriği embed edin. Bir encoder modeli her içerik parçasını bir vektöre dönüştürür. Parçaya dikkat edin — vector search bütün sayfaları karşılaştırmaz; pasajları karşılaştırır. Chunking getirme birimidir; bu nedenle pasaj düzeyindeki yoğunluk, sayfa düzeyindeki anahtar kelime varlığından daha önemlidir.
2. Bir dizin oluşturun. Vektörler, hızlı en yakın komşu aramaları için oluşturulmuş bir vektör dizinine yerleştirilir (aşağıda daha ayrıntılı anlatılan bir ANN dizini).
3. Sorguyu embed edin. Sorgu sırasında aynı model, kullanıcının sorgusunu aynı uzayda bir vektöre dönüştürür.
4. ANN araması çalıştırın. Dizin, sorgu vektörüne en yakın ilk-k vektörleri döndürür — aday kümesi budur.
5. Sıralayın ve döndürün. Bu adaylara puan verilir, çoğu zaman yeniden sıralanır ve en iyileri sunulur (veya RAG’de üretim yapması için bir LLM’ye aktarılır).

Approximate nearest neighbor — “yaklaşık” neden

Tam en yakın komşuları bulmak, sorguyu depolanmış her vektörle karşılaştırmak demektir — sorgu başına O(N). Milyarlarca vektör söz konusu olduğunda bunu milisaniyeler içinde yapmak mümkün değildir. Bu nedenle üretim araması ANN kullanır: karşılaştırmaların büyük çoğunluğunu atlayarak en yakın komşuları neredeyse kusursuz bulan dizin yapıları.

Elastic’in ifadesiyle ANN, “sacrifices perfect accuracy in exchange for executing efficiently in high dimensional embedding spaces, at scale.” Weaviate aynı değiş tokuşu “a bit of accuracy for a huge gain in speed.” şeklinde çerçeveler. Bu bir hata değildir — vector search’ü mümkün kılan mühendislik tercihidir. “Yaklaşım ne kadar iyi?” ölçütü geri çağırmadır: Google bunu “the percentage of nearest neighbors returned by the index that are actually true nearest neighbors.” şeklinde tanımlar. Google’ın kendi Vector Search hizmeti — “Vertex AI Vector Search” adından yeniden markalandırılmış ve şimdi Gemini Enterprise Agent Platform altında belgelenmiştir — %95–98 geri çağırma bildirir: gerçek komşuların birkaç yüzdesinden vazgeçer, karşılığında web ölçeğinde arama elde edersiniz. (Türkçesi: “kusursuz doğruluk karşılığında yüksek boyutlu embedding uzaylarında ölçekli ve verimli çalışmayı seçer”; “büyük bir hız kazanımı için biraz doğruluktan vazgeçer”; “dizin tarafından döndürülen en yakın komşuların gerçekte doğru en yakın komşular olma yüzdesi”.)

Temel ANN algoritmaları

Bunları uygulamanız gerekmez; ancak adlarını bilmek, yapay zekâ araması tartışmalarının çoğunu gizeminden arındırır.

• HNSW (Hierarchical Navigable Small World) — sektörün varsayılanıdır. Üst katmanlarında hızlı geçiş için uzun menzilli bağlantıları olan seyrek “ekspres şeritler”, alt katmanlarında ise hassas gezinme için yoğun “yerel yollar” bulunan çok katmanlı bir grafiktir. Yaklaşık logaritmik arama karmaşıklığına ulaşır; üretimde baskın olmasının nedeni budur. Weaviate, Pinecone, pgvector, Qdrant ve daha fazlası tarafından kullanılır. Bedeli bellektir: HNSW dizinleri RAM’i çok kullanır. Pinecone’un değerlendirmesi şöyledir: “HNSW gives us great search-quality at very fast search-speeds — but there’s always a catch — HNSW indexes take up a significant amount of memory.”
• IVF (Inverted File Index) — uzayı kümelere (k-means) böler ve sorgu sırasında yalnızca sorguya en yakın birkaç kümeyi (nprobe) arar. Pinecone bunu “a very popular index as it’s easy to use, with high search-quality and reasonable search-speed… a good scalable option.” diye niteler.
• FAISS — Facebook AI’ın (Johnson, Douze, Jégou) milyar ölçeğinde benzerlik araması kütüphanesidir. Tek bir algoritma değil, bir araç kutusudur: düz ve tam bir temel (IndexFlatL2), kümelenmiş IVF, 4–64x bellek sıkıştırması için ürün nicelemeli IVFPQ ve bir HNSW uygulaması. GPU uyarlaması k-NN aramasında 8,5x hızlanma bildirmiştir.
• ScaNN (Scalable Nearest Neighbors) — Google’ın açık kaynak hâline getirilmiş kütüphanesidir; Google Image Search, YouTube ve Google Play’in arkasındaki teknoloji ailesiyle aynıdır. Yeniliği anizotropik vektör nicelemesidir: ortalama uzaklığı en aza indirmek yerine, özgün vektöre paralel niceleme hatasını “more heavily penalizes quantization error that is parallel to the original vector,”; çünkü yön hatası, yüksek iç çarpımlı (en alakalı) sonuçlara orantısız biçimde zarar verir. Kazancı, ann-benchmarks.com’da “outperforms other vector similarity search libraries by a factor of two”; yani belirli bir doğrulukta saniyede yaklaşık iki kat sorgudur.
• Flat (exact) index — hiç yaklaşık hesaplama yapmaz; kaba kuvvetlidir, en doğrusudur ama en yavaştır. Pinecone, flat dizinlerin “produce the most accurate results” olduğunu ve arama kalitesi en önemli olduğunda veya dizin küçük olduğunda (yaklaşık 10K vektörün altında) doğru seçim olduğunu belirtir. Bu ölçeğin üzerinde ANN’e geçersiniz. (Türkçesi: “HNSW bize çok hızlı arama hızlarında harika arama kalitesi sağlar — ama her zaman bir bedeli vardır: HNSW dizinleri önemli miktarda bellek kullanır”; “kullanımı kolay, arama kalitesi yüksek ve arama hızı makul olan popüler bir dizin; ölçeklenebilir bir seçenek”; “özgün vektöre paralel niceleme hatasını daha ağır biçimde cezalandırır”; “diğer vektör benzerliği arama kütüphanelerinden iki kat daha iyi performans gösterir”; “en doğru sonuçları üretir”.)

Ana çizgi şudur: her ANN dizini geri çağırma, gecikme, aktarım hızı ve bellek arasında bir ayardır. Weaviate’in ifadesiyle çoğu vektör veritabanı, “configure how your ANN algorithm should behave… to find the right balance.” yapmanıza izin verir. (Türkçesi: “doğru dengeyi bulmak için ANN algoritmanızın nasıl davranacağını yapılandırın.”)

Uzaklık ölçüleri

“En yakın”ın tanımlanması gerekir. Üç ölçü yaygındır:

• Cosine similarity — metin için varsayılan seçenektir. İki vektör arasındaki açıyı ölçer ve büyüklüğü yok sayar; bu nedenle aynı konudaki kısa ve uzun bir belge aynı puanı alır. Weaviate şöyle der: “Cosine similarity is commonly used in Natural Language Processing… It measures the similarity between documents regardless of the magnitude.”
• Dot product (inner product) — alaka düzeyi iç çarpımla tanımlandığında kullanılır (ScaNN’in optimize ettiği MIPS problemi).
• Euclidean distance (L2) — düz çizgi uzaklığıdır; büyüklüğün anlam taşıdığı durumlarda kullanılır. (Türkçesi: “Kosinüs benzerliği Doğal Dil İşleme’de yaygın olarak kullanılır… Büyüklükten bağımsız olarak belgeler arasındaki benzerliği ölçer.”)

İşte pratik kısayol: normalize edilmiş vektörlerde kosinüs benzerliği ve nokta çarpımı aynı sıralamayı verir; modern embedding modellerinin çoğu da çıktılarını birim uzunluğa normalize eder. OpenAI bunu açıkça söyler — “We recommend cosine similarity. The choice of distance function typically doesn’t matter much” — bunun nedeni embedding’lerinin uzunluğunun 1 olmasıdır. Weaviate’e göre gerçek kural şudur: “Use the distance metric that matches the model that you’re using… There is no ‘one size fits all’.” (Türkçesi: “Kosinüs benzerliğini öneriyoruz. Uzaklık işlevinin seçimi genellikle çok önemli değildir”; “Kullandığınız modelle eşleşen uzaklık ölçüsünü kullanın… Herkese uyan tek bir seçenek yoktur.”)

Vektör veritabanları

Bir vektör veritabanı vektörleri depolar ve dizin altyapısını kendiniz kurmamanız için bunlar üzerinde ANN çalıştırır. Yaygın adlar şunlardır: Pinecone (yönetilen), Weaviate (hibrit arama yerleşik), prototipleme/süreç içi kullanım için Chroma ve FAISS, Qdrant, kendinizin barındırdığı ölçek için Milvus ve zaten SQL kullanan ekipler için bir Postgres eklentisi olan pgvector. Listeledim, sıralamadım — doğru seçim ölçeğe, yönetilen mi yoksa kendinizin barındırdığı bir çözüm mü istediğinize ve hibrit aramaya kutudan çıktığı hâliyle ihtiyacınız olup olmadığına bağlıdır. Google/Bing ölçeğinde “veritabanı”, bunlardan biri değil, dahili ScaNN/ANN altyapısıdır.

Hibrit arama — üretim gerçekte nasıl çalışır

“Anahtar kelime araması ve vector search” çerçevesi yanlış bir ikiliktir. Saf vector search tam eşleşme gerektiren sorguları — hata kodlarını, SKU’ları, özel adları — kaçırır; saf anahtar kelime araması da anlamsal varyantları kaçırır. Bu nedenle ciddi sistemler hibrit arama çalıştırır: anahtar kelime (BM25) ve vektör getirmeyi paralel yürütür, sonuçları (genellikle Reciprocal Rank Fusion ile) birleştirir, ardından en iyi adayları bir cross-encoder ile yeniden sıralar. Microsoft hibrit aramayı “the execution of vector search and keyword search in the same request… The queries execute in parallel, and the results are merged into a single response and ranked accordingly.” şeklinde tanımlar. Google’ın Vector Search’ü aynı üç modu destekler — dense (semantik), sparse (anahtar kelime) ve hybrid. Bu bölümden tek bir şey alacaksanız şu olsun: üretim getirmesi neredeyse hiçbir zaman yalnızca vektör değildir. Kazandıran kombinasyondur. (Türkçesi: “aynı istekte vector search ve anahtar kelime aramasının yürütülmesi… Sorgular paralel yürütülür, sonuçlar tek bir yanıtta birleştirilir ve buna göre sıralanır.”)

Google (ve Bing) vector search’ü gerçekte nasıl kullanır

Bu, 2023’te ChatGPT döneminde ortaya çıkmış yeni bir şey değildir. Altyapı LLM dalgasından yıllar önce vardı:

• ScaNN (ICML 2020, open-sourced) powers Google Image Search, YouTube, and Google Play, and underpins Google’s Vector Search product (the service formerly branded Vertex AI Vector Search) — which “shares the same backend” as those consumer products. Google’s Kaz Sato called the technology “one of the most important components of Google’s core services.” Performance spec: “tens of thousands of requests per second… in less than 10 ms for the 90th percentile with a recall rate of 95–98%.”
• Bing was running 100B+ vector indexes by 2019. In Microsoft’s own words, Bing could “search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” That’s six-plus years ago.
• Dense Passage Retrieval (DPR, EMNLP 2020) proved dense vector retrieval could beat Lucene-BM25 by 9–19% absolute in top-20 passage retrieval accuracy with a simple dual-encoder. DPR is the blueprint modern RAG retrieval follows — the retrieval step behind AI Overviews is a descendant of this pattern.
• MUVERA (2025) makes multi-vector retrieval as fast as single-vector search — roughly “10% higher recall with ~90% lower latency” than prior methods.
• TurboQuant (ICLR 2026) compresses vectors for nearest-neighbor search with reported 6x memory reduction and effectively zero accuracy loss.

Mesele yol haritasını ezberlemek değil — embedding tabanlı getirmenin büyük motorların ilgili içeriği bulma biçimi olmasıdır ve yıllardır böyle çalışır.

Bunun SEO açısından anlamı

Burada dikkatli konuşmalıyım; çünkü SEO tavsiyeleri genellikle tam da bu noktada haddini aşar.

Vektör yakınlığı aday havuzuna yeni giriş kapısıdır. RAG tabanlı yanıtlar için getirme, üretimden önce gerçekleşir. Pasajınız sorgu embedding’ine anlamsal olarak yakın değilse modelin yazacağı kısa listeye hiç girmez — dolayısıyla alıntılanamaz. Mekanizma budur.

Ancak “vector search optimizasyonu” için bir ayar yoktur. Temel sinyal, kaliteli içeriğin her zaman gerektirdiği anlamsal tutarlılık ve konu derinliğidir. Vector search yeni bir hileyi ödüllendirmez; ince içeriği ve anahtar kelime doldurmayı (embedding uzayında tutarlı bir mahalle oluşturmayan şeyleri) cezalandırır, gerçekten kapsamlı ve iyi yapılandırılmış kapsama alanını ödüllendirir. Embeddings yazısında, Danny Sullivan’ın BERT hakkındaki sözlerini yineleyerek ifade ettiğim gibi, burada büyük ölçüde “optimize edilecek” bir şey yoktur — içeriğinizi yanıt vermesi gereken sorguların yakınında temiz bir küme hâlinde oluşturursunuz.

Bundan çıkan iki somut sonuç vardır:

• Chunking önemlidir. Getirme bütün sayfalarda değil, pasajlarda çalışır. Hiçbir pasaj temiz bir anlamsal eşleşme değilse bir sayfa hiçbir şey için sıralanmayabilir. Kendi başına anlamlı duran pasajlar yazın.
• Konu derinliği ve varlık kapsamı, embedding uzayında doğru mahalleyi işgal etmenin yoludur. Sığ ve dağınık içerik, belirli hiçbir şeye yakın olmayan bulanık bir bölgeye embed edilir.

Vector search, RAG ve yapay zekâ yanıtlarının arkasındaki getirme motorudur; pasaj sıralaması, adaylara getirmeden sonra ne olduğunu anlatır; bu sistemleri besleyen AI crawlers ise getirdiklerini embed eder ve vektör dizinine ekler. Daha geniş işlem hattı için How Search Works yazısına bakın.

AI özeti

Advanced sürümünün kısaltılmış özeti:

• Vector search = yüksek boyutlu bir embedding uzayında bir sorgu vektörüne en yakın vektörleri bulmak. Tam kelimeleri değil, anlamı eşleştirir.
• Embedding’ler vektörleri üretir; vector search bu vektörler üzerinde getirme yapar. Bu bir mekanizmadır, eş anlamlı değildir — semantik arama amaçtır.
• ANN tasarım gereği yaklaşık çalışır. Milyarlarca vektör üzerinde tam karşılaştırma gerçek zamanlı olarak imkânsızdır; bu nedenle HNSW / IVF / FAISS / ScaNN geri çağırmadan küçük bir payı (Google %95–98 bildiriyor) büyük mertebelerde hız karşılığında değiş tokuş eder.
• HNSW üretim varsayılanıdır (grafik tabanlı, logaritmik arama, belleği çok kullanır). ScaNN, Image Search, YouTube ve Google Play’in arkasındaki Google açık kaynak kütüphanesidir. Flat/tam dizinler yalnızca yaklaşık 10K vektörün altında anlamlıdır.
• Kosinüs benzerliği metin için varsayılandır; normalize edilmiş vektörlerde (OpenAI dahil modern modellerin çoğunda) kosinüs ve nokta çarpımı aynı sıralamayı verir.
• Üretim hibrittir, yalnızca vektör değildir: BM25 + paralel vektör, Reciprocal Rank Fusion ile birleştirilir ve ardından cross-encoder ile yeniden sıralanır.
• LLM dalgasından önce de vardı: Bing 2019’da 100B+ vektör dizini çalıştırıyordu; ScaNN ve DPR 2020’ye aittir. DPR, BM25’i %9–19 geçti ve RAG getirmesinin planıdır.
• SEO sonucu: vektör yakınlığı AI yanıtı aday havuzuna giriş kapısıdır, ancak çevrilecek bir ayar yoktur — konu açısından tutarlı, pasaj düzeyinde derinliği ödüllendirir; ince, anahtar kelime doldurulmuş içeriği cezalandırır. Parça düzeyinde açıklık önemlidir.

Resmî belgeler

Motorlardan ve embedding modeli sağlayıcılarından vektör / embedding araması hakkında birincil kaynak belgeleri.

Google

• Vector Search overview — ScaNN destekli hizmet; “Vertex AI Vector Search” adından yeniden markalandı ve şimdi Gemini Enterprise Agent Platform altında belgeleniyor; dense, sparse ve hybrid embedding’ler ile geri çağırma tanımı.
• Announcing ScaNN: Efficient Vector Similarity Search — anizotropik vektör nicelemesi ve 2x daha hızlı kıyaslama sonucu.
• Find anything blazingly fast with Google’s vector search technology — Kaz Sato’nun açıklaması; anahtar kelime ve vektör karşılaştırması; performans özellikleri.
• RAG infrastructure using Agent Platform and Vector Search — vector search’ün RAG’deki getirme adımı olmasını açıklar (Google bu sayfayı Gemini Enterprise Agent Platform altında topladığı için başlık “Vertex AI and Vector Search”ten değiştirildi).
• MUVERA: multi-vector retrieval as fast as single-vector search.
• TurboQuant: extreme compression for vector search.

Microsoft / Bing / Azure

• Vector Search overview — Azure AI Search — motor tarafında vektör ve hibrit aramanın tanımı.
• As search needs evolve… (Bing vector search) — Bing’in 100B+ vektör dizinini gösteren 2019 tarihli yazı.

Embedding model / sağlayıcı belgeleri

• OpenAI — Vector embeddings — uzaklık işlevleri ve seçiminin normalize edilmiş vektörlerde neden nadiren önemli olduğu.
• Weaviate — Vector Search Explained ve Distance Metrics in Vector Search.
• Pinecone — What is Similarity Search? ve Nearest Neighbor Indexes.
• Elastic — What is vector search?.

Kaynaktan alıntılar

Google ve Microsoft/Bing’den kayda geçmiş ifadeler. Her bağlantı, kaynak sayfadaki alıntı pasajına atlayan bir derin bağlantıdır.

Google

• “The vector similarity search (or nearest neighbor search or simply vector search) capabilities of the Vertex AI Matching Engine… share the same backend as Google Image Search, YouTube, Google Play, and more.” — Kaz Sato, Developer Advocate, Cloud AI. Kaynağa git
• “Vector search provides a much more refined way to find content, with subtle nuances and meanings. Vectors can represent the meaning of content where ‘films’, ‘movies’, and ‘cinema’ are all collected together.” Kaynağa git
• “The technology is one of the most important components of Google’s core services.” — Kaz Sato. Alıntıya git
• “Today, we’re just beginning the migration from traditional search technology to new vector search. Over the next 5 to 10 years, many more best practices and tools will be developed.” — Kaz Sato. Alıntıya git
• ScaNN “outperforms other vector similarity search libraries by a factor of two on ann-benchmarks.com.” Alıntıya git (Türkçesi: “Vector similarity search (veya nearest neighbor search ya da kısaca vector search) özellikleri Google Image Search, YouTube, Google Play ve diğerleriyle aynı arka ucu paylaşır”; “Vector search, incelikleri ve anlamları dikkate alarak içeriği bulmanın çok daha rafine bir yolunu sunar. Vektörler, ‘films’, ‘movies’ ve ‘cinema’ ifadelerinin hepsini birlikte toplanacağı şekilde içeriğin anlamını temsil edebilir”; “Bu teknoloji Google’ın temel hizmetlerinin en önemli bileşenlerinden biridir”; “Bugün geleneksel arama teknolojisinden yeni vector search’e geçişe daha yeni başlıyoruz. Önümüzdeki 5 ila 10 yılda daha birçok en iyi uygulama ve araç geliştirilecek”; “ann-benchmarks.com’daki diğer vektör benzerliği arama kütüphanelerinden iki kat daha iyi performans gösterir.”)

Microsoft / Bing

• “Vector search is an information retrieval approach that supports indexing and querying over numeric representations of content. Because the content is numeric rather than plain text, matching is based on vectors that are most similar to the query vector.” — Azure AI Search documentation. Read the doc
• “Keyword search algorithms just fail when people ask a question or take a picture and ask the search engine, ‘What is this?’” — Rangan Majumder, Group Program Manager, Bing (2019). Read the source
• “Bing processes billions of documents every day, and the idea now is that we can represent these entries as vectors and search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” — Jeffrey Zhu, Program Manager, Bing (2019). Read the source

OpenAI (embedding-model sağlayıcısı, uzaklık ölçüleri üzerine)

• “An embedding is a vector (list) of floating point numbers. The distance between two vectors measures their relatedness.” … “We recommend cosine similarity. The choice of distance function typically doesn’t matter much.” Belgeyi oku (Türkçesi: “Bir embedding, kayan noktalı sayılardan oluşan bir vektördür (listed). İki vektör arasındaki uzaklık, bunların ilişkisini ölçer”; “Kosinüs benzerliğini öneriyoruz. Uzaklık işlevinin seçimi genellikle çok önemli değildir.”)

Zihinsel modeller

1. Harita. Her içerik parçası, benzer anlamların birbirine yakın yerleştirildiği yüksek boyutlu bir haritada bir noktadır. Sorgu da bir noktadır. Vector search en yakın noktaları döndürür. Geri kalan her şey bunu optimize etmektir.

2. Amaç ve mekanizma. Semantik arama amaçtır (anlamı ve amacı eşleştirmek). Vector search ona ulaşmanın bir mekanizmasıdır (embedding’ler üzerinde ANN). Bunları ayrı tutarsanız yapay zekâ araması hakkındaki bulanık yazıların çoğu netleşir.

3. Geri çağırma-hız ayarı. Her ANN dizini geri çağırmayı gecikme, aktarım hızı ve bellekle değiş tokuş eder. Tam (flat) arama = kusursuz geri çağırma, ancak ölçeklenmez. HNSW = kusursuza yakın geri çağırma, hızlı ama belleğe aç. Ücretsiz öğle yemeği yoktur — bir ayar düğmesi vardır ve ayarı siz seçersiniz.

4. Hibrit varsayılandır, istisna değil. Gerçek getirme = BM25 (anahtar kelime geri çağırması, tam belirteçleri yakalar) + vektör (anlamsal geri çağırma, anlamı yakalar) + yeniden sıralama (cross-encoder kalitesi). Üretim aramasını “vector ve anahtar kelime” diye düşünüyorsanız resmi yanlış görüyorsunuz.

5. Getirme bir kapıdır, üretim sonra gelir. RAG/yapay zekâ yanıtlarında vector search, model bir şey yazmadan önce aday havuzuna karar verir. Havuzda değilseniz → alıntılanamazsınız. Dahil olmayı belirleyen şeyin sayfa içi anahtar kelime sayısı değil, anlamsal yakınlık olmasının nedeni budur.

6. Birim sayfa değil, parçadır. Vektörler her pasaj için hesaplanır. Belirsiz pasajlardan oluşan harika bir sayfa hiçbir şeyle eşleşmeyebilir. Kendi başına anlamlı ve konuya odaklanan parçalar yazın.

Vector search — kopya kâğıdı

ANN dizini türleri

Uzaklık ölçüleri

Hızlı bilgiler

• ANN tasarım gereği yaklaşık çalışır — devasa hız karşılığında geri çağırmadan küçük bir pay verir. Google’ın Vector Search’ü %95–98 geri çağırma bildirir (eskiden “Vertex AI Vector Search”).
• HNSW üretimde baskındır (Weaviate, Pinecone, pgvector, Qdrant). Logaritmik arama; bellek tüketimi yüksektir.
• ScaNN, Google’ın açık kaynak kütüphanesidir — Image Search, YouTube ve Google Play ile aynı arka ucu kullanır; eşit doğrulukta sonraki kütüphanenin yaklaşık 2x QPS’sine sahiptir.
• Normalize edilmiş vektörlerde sıralama için cosine = dot product. Modern modellerin çoğu (OpenAI dahil) normalize eder.
• Hibrit gerçek üretim kalıbıdır: BM25 + vektör, RRF ile birleştirilir, ardından cross-encoder ile yeniden sıralanır.
• Vektör veritabanları: Pinecone, Weaviate, Chroma, Qdrant, Milvus, pgvector (listelenmiştir, sıralanmamıştır).
• DPR (2020) pasaj getirmede BM25’i %9–19 geçti — RAG getirmesinin planı. Bing 2019’da 100B+ vektör dizini çalıştırdı.

SEO tek cümlede: vektör yakınlığı AI yanıtı aday havuzuna giriş kapısıdır — çevrilecek bir ayar yoktur; konu derinliğini ve temiz, kendi başına anlamlı pasajları ödüllendirir.

Kendinizi test edin: Vector search

Zaman ayırmaya değer kaynaklar

Bu sitedeki ilgili yazılar

• Embeddings — önce bunu okuyun: vektörlerin nereden geldiğini anlatır.
• Semantic Search — vector search’ün yöntem olduğu amaç.
• RAG — vector search bunun içindeki getirme adımıdır.
• Chunking — embed edilen ve aranan pasajlar.
• How Search Works — daha geniş tarama → dizine ekleme → getirme → sıralama işlem hattı.

Temel makaleler

• Dense Passage Retrieval for Open-Domain QA (Karpukhin ve diğerleri, EMNLP 2020) — BM25’i %9–19 geçen çift encoder’lı getirme planı.
• The Faiss library (2024) — FAISS dizin türlerine kapsamlı genel bakış.
• HNSW — çoğu üretim vektör veritabanının arkasındaki algoritma (Malkov ve Yashunin, 2018).

Açık kaynak kütüphaneler

• ScaNN — Google’ın benzerlik arama kütüphanesi.
• FAISS — Facebook AI’ın milyar ölçeğinde benzerlik araması.
• DPR — Dense Passage Retrieval referans uygulaması.

Sağlayıcı açıklamaları (açık ve iyi görselleştirilmiş)

• Pinecone — What is Similarity Search?
• Weaviate — Vector Search Explained
• Elastic — What is vector search?

Sektörün çeşitli yerlerinden

• iPullRank — The Evolution of Information Retrieval: From Lexical to Neural — Mike King’in sözlüksel getirmeden sinirsel/vektör getirmeye geçiş hakkındaki kapsamlı incelemesi; SEO açısı için yararlı bir çerçeve.
• Search Engine Land — The shift to semantic SEO: What vectors mean for your strategy — vektör tabanlı getirmenin içerik stratejisini nasıl değiştirdiğine uygulamacı odaklı bakış.
• Search Engine Land — New Google TurboQuant algorithm improves vector search speed — Google’ın 2026’daki sıkıştırma atılımının en yakın komşu aramasını hızlandırmasına dair haber.
• Search Engine Journal — Semantic Search With Vectors — vektör benzerliği aramasını SEO sonuçlarına bağlayan erişilebilir açıklama.
• IBM — What is vector search? — temeller hakkında sağlam, sağlayıcıdan bağımsız genel bakış; konunun en üst sıralardaki referans sayfalarından biri.
• Oracle — What Is Vector Search? The Ultimate Guide — dizin oluşturma, uzaklık ölçüleri ve veritabanı entegrasyonunu kapsayan kapsamlı rehber.
• Microsoft Bing Blog — Microsoft Open-Sources Industry-Leading Embedding Model (Harrier) — Microsoft’un Harrier embedding modelinin Nisan 2026’da yayımlanması; çok dilli MTEB-v2 kıyaslamasında 1. sırada yer alıyor ve Bing vector search bağlamıyla doğrudan ilgili.

Değişiklik günlüğü