AI Prompt Engineering · Ders

İstem Oluşturma için Vektör Veritabanları

Vektör veritabanlarının ilgili bilgileri nasıl depolayıp alarak RAG istemlerine etkili biçimde sağladığını keşfedin.

İstem Oluşturma için Vektör Veritabanları, CoddyKit'te ücretsiz bir AI Prompt Engineering dersidir. Bu, 3 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Prompt Engineering öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Prompt Engineering kursu toplamda 3 dersten oluşur.

Vektör Veritabanları Nedir

Vektör Veritabanları (VDB'ler) dünyasına hoş geldiniz! Bu özel veritabanları, Büyük Dil Modelleriyle (LLM'ler) çalışma biçimini kökten değiştirir.

VDB'ler bilgileri, yalnızca sayı listelerinden oluşan sayısal vektörler olarak saklar. Bu sayede yalnızca anahtar sözcükleri eşleştirmek yerine, “anlamsal olarak benzer” verileri, yani temel anlamı benzer olan verileri hızla bulabilirler.

Dil Sayılar Olarak: Gömme

Veriler bir VDB'ye girmeden önce bir gömme işlemine dönüştürülür. Gömme, metnin sayısal bir temsilidir; benzer anlamlara sahip sözcükler veya ifadeler çok boyutlu bir uzayda birbirine yakın olur.

Metinden Vektöre: Bir gömme modeli metninizi bir vektöre dönüştürür.
Anlam Korunur: Bu vektörler metnin anlamsal anlamını yakalar.
LLM'nin Dili: LLM'lerin dili dahili olarak “anlama” ve işleme biçimi budur.

Vektör Veritabanında Veri Depolama

Bir vektör veritabanını, her kitabın (veya metin parçasının) benzersiz bir sayısal parmak iziyle, yani gömme vektörüyle etiketlendiği son derece düzenli bir kütüphane olarak düşünebilirsiniz.

Bir VDB'ye veri eklediğinizde süreç şu şekilde işler:

Metniniz gerektiğinde daha küçük parçalara ayrılır.
Her parça bir gömme vektörüne dönüştürülür.
VDB bu vektörü özgün metni ve ilgili tüm üst verileriyle birlikte saklar.

Benzerlik Aramasının Gücü

VDB'lerin asıl gücü benzerlik araması yapabilmelerinde yatar. Anahtar sözcük eşleştirmek yerine, sorgu vektörünüze sayısal olarak “yakın” olan vektörleri bulurlar.

Bu, “köpek dostları” hakkında soru sorduğunuzda, tam bu sözcükler mevcut olmasa bile bir VDB'nin “köpekler” veya “evcil hayvanlar” sözcüklerini içeren belgeleri getirebileceği anlamına gelir. Temel anlamı kavrar!

Bilgi Getirmeyle Zenginleştirilmiş Üretimde (RAG) VDB'ler

Vektör veritabanları, bir RAG sistemindeki “Bilgi Getirme” adımının temel bileşenidir. LLM'lerin yararlanabileceği harici bilgi tabanı görevini üstlenirler.

Sadeleştirilmiş akış şöyledir:

Kullanıcı bir soru sorar.
Soru bir vektöre dönüştürülür.
VDB en uygun belge parçalarını (vektörleri) bulur.
Bu parçalar, soruyu yanıtlaması için bağlam olarak LLM'ye gönderilir.

VDB'yi Doldurma: Örnek Kod

Belgeleri bir vektör veritabanına nasıl ekleyebileceğinizi gösteren kavramsal bir Python örneğine bakalım. Bu işlem, metninizi gömmeye dönüştürmeyi ve ardından ortaya çıkan vektörleri saklamayı içerir.

Bu kodun açıklama amaçlı olduğunu ve gerçek dünyadaki bir kurulumda belirli vektör veritabanı istemci kitaplıklarıyla bir gömme modeli gerektirdiğini unutmayın.

import numpy as np

# Imagine an embedding model function
def get_embedding(text):
    # In a real scenario, this uses an LLM API
    # or a local embedding model.
    # For illustration, let's return a dummy vector.
    return np.random.rand(128).tolist() # 128-dim vector

# Imagine a simplified VectorDB client
class SimpleVectorDB:
    def __init__(self):
        self.vectors = {} # Stores {id: {'vector': [...], 'text': '...'}}

    def add_document(self, doc_id, text_content):
        vector = get_embedding(text_content)
        self.vectors[doc_id] = {'vector': vector, 'text': text_content}
        print(f"Added '{text_content[:20]}...' (ID: {doc_id})")

# --- Main simulation --- 
db = SimpleVectorDB()
db.add_document("doc1", "The capital of France is Paris.")
db.add_document("doc2", "Eiffel Tower is a landmark in Paris.")
db.add_document("doc3", "Berlin is the capital of Germany.")

VDB'yi Sorgulama: Örnek Kod

Vektör veritabanınız verilerle doldurulduktan sonra, ilgili bilgileri bulmak için veritabanını sorgulayabilirsiniz. Sorgunun kendisi de gömülür ve ardından VDB en yakın vektörleri arar.

Bu kavramsal Python kodu, anlamsal olarak benzer içerikte arama yapmayı gösterir.

import numpy as np
from scipy.spatial.distance import cosine # For similarity

# (Re-using get_embedding and SimpleVectorDB conceptually)
def get_embedding(text):
    return np.random.rand(128).tolist()

class SimpleVectorDB:
    def __init__(self):
        self.vectors = {}

    def add_document(self, doc_id, text_content):
        vector = get_embedding(text_content)
        self.vectors[doc_id] = {'vector': vector, 'text': text_content}

    def search(self, query_text, top_k=1):
        query_vector = get_embedding(query_text)
        
        scores = []
        for doc_id, data in self.vectors.items():
            doc_vector = data['vector']
            # Cosine similarity: 1 - cosine distance
            similarity = 1 - cosine(query_vector, doc_vector)
            scores.append({'id': doc_id, 'text': data['text'], 'score': similarity})
        
        # Sort by similarity in descending order
        scores.sort(key=lambda x: x['score'], reverse=True)
        return scores[:top_k]

# --- Main simulation --- 
db = SimpleVectorDB()
db.add_document("doc1", "The capital of France is Paris.")
db.add_document("doc2", "Eiffel Tower is a landmark in Paris.")
db.add_document("doc3", "Berlin is the capital of Germany.")

user_query = "What is the capital city of France?"
results = db.search(user_query, top_k=2)

print(f"Query: '{user_query}'")
print("Top results:")
for res in results:
    print(f"- Text: '{res['text']}' (Score: {res['score']:.2f})")

VDB Kullanmanın Temel Faydaları

Vektör veritabanlarını RAG iş akışınıza entegre etmek önemli avantajlar sağlar:

Anlamsal Arama: Yalnızca anahtar kelimelere değil, anlama dayalı sonuçlar bulur.
Daha Az Halüsinasyon: LLM'leri olgusal ve harici verilerle temellendirerek yanıtları daha güvenilir hâle getirir.
Ölçeklenebilirlik: Yapılandırılmamış büyük miktarda veriyi verimli biçimde işler.
Gerçek Zamanlı Güncellemeler: Yeni bilgilerle kolayca güncellenebilir ve LLM'lerinizin bağlamını güncel tutar.

VDB'ler İçin Önemli Hususlar

Vektör veritabanı kurulumunuzdan en iyi performansı elde etmek için şu noktaları göz önünde bulundurun:

Gömme Modeli Seçimi: Gömme temsillerinizin kalitesi arama doğruluğunu doğrudan etkiler.
Parçalama Stratejisi: Belgeleri (ör. paragraf veya cümleye göre) nasıl parçaladığınız, bilgi getirme ayrıntı düzeyini etkiler.
Veri Güncelliği: LLM'nizin en yeni bağlama sahip olduğundan emin olmak için VDB'nizi yeni bilgilerle düzenli olarak güncelleyin.
Üst Veriler: Filtreleme ve daha iyi bilgi getirme için yararlı üst verileri vektörlerle birlikte depolayın.

Hızlı Kontrol: RAG'de Vektör Veritabanları

Vektör veritabanları, LLM performansını ve güvenilirliğini artırmada kritik bir rol oynar. Bir Getirmeyle Zenginleştirilmiş Üretim (RAG) sistemi içindeki temel işlevlerini ne kadar anladığınızı sınayalım.

Özet: VDB'ler ve LLM'leriniz

Bu derste vektör veritabanlarını ve bunların özellikle RAG kullanan modern yapay zekâ uygulamalarındaki hayati rolünü inceledik.

VDB'ler, metnin anlamını yakalayan sayısal gömme temsillerini depolar.
Güçlü anlamsal arama olanağı sağlayarak bilgiyi bağlama göre bulurlar.
VDB'ler, harici ve olgusal veriler sağlayarak LLM'leri önemli ölçüde geliştirir; bunun sonucunda daha doğru ve güvenilir çıktılar elde edilir.

VDB'lerde ustalaşmak, sağlam ve akıllı yapay zekâ sistemleri oluşturmanın anahtarıdır!

Sıkça Sorulan Sorular

“İstem Oluşturma için Vektör Veritabanları” dersi ücretsiz mi?

Evet — “İstem Oluşturma için Vektör Veritabanları” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Prompt Engineering kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Prompt Engineering kursu toplamda 3 dersten oluşur.

“İstem Oluşturma için Vektör Veritabanları” dersinde ne öğreneceğim?

Vektör veritabanlarının ilgili bilgileri nasıl depolayıp alarak RAG istemlerine etkili biçimde sağladığını keşfedin. AI Prompt Engineering ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Prompt Engineering öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Prompt Engineering, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 3 dersinin 3. dersidir.

“İstem Oluşturma için Vektör Veritabanları” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Prompt Engineering dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Prompt Engineering dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

Harici Verilerle İstem Oluşturma
Retrieval Augmented Generation (RAG)
İstem Oluşturma için Vektör Veritabanları

← AI Prompt Engineering Sayfasına Dön