Embedding (Gömme Vektörü)

Embedding, bir metin, görsel veya ses parçasının anlamını bilgisayarların matematiksel olarak karşılaştırabileceği şekilde temsil etmek için bir sinir ağı tarafından üretilen, sabit uzunlukta bir kayan noktalı sayı dizisidir — genellikle 256 ila 3072 boyut arasındadır. Embedding'leri kullanışlı kılan temel özellik şudur: anlamca benzer girdiler, bu yüksek boyutlu uzayda birbirine yakın vektörler üretirken, ilgisiz girdiler birbirinden uzak vektörler üretir. Bu, modern SaaS'taki neredeyse her "yapay zeka anlamı anlıyor" özelliğinin temelidir — semantik arama, RAG geri getirme, öneri motorları, kümeleme, tekrar tespiti ve içerik moderasyonu sınıflandırıcıları. Embedding'ler, üretime odaklı LLM'lerden farklı olan özel modeller (OpenAI'nin text-embedding-3'ü, Cohere'in embed-v3'ü, Voyage AI veya BGE ve E5 gibi açık ağırlıklı seçenekler) tarafından üretilir — bir embedding modelinin tek işi metin değil, bir vektör üretmektir. Somut bir örnek: "aboneliğimi iptal et" ve "aylık faturalandırmamı nasıl durdururum" ifadelerini aynı embedding modelinden geçirmek, neredeyse hiç ortak kelime paylaşmasalar da yüksek kosinüs benzerliğine sahip (örneğin 0.89) iki vektör üretir — çünkü model, bunların neredeyse aynı şeyi ifade ettiğini öğrenmiştir. Bunu, "aboneliğimi iptal et" ifadesini "bugün hava nasıl" ile karşılaştırmakla kıyaslayın; bu düşük bir benzerlik skoru üretecektir (örneğin 0.12). Pratikte, bir geliştirici `POST https://api.openai.com/v1/embeddings {"model": "text-embedding-3-small", "input": "aboneliğimi iptal et"}` gibi bir embedding API'sini çağırır ve 1536 kayan noktalı sayıdan oluşan bir JSON dizisi alır; bu da daha sonra benzerlik araması için bir vektör veritabanında saklanır. Embedding boyutu ve model seçimi önemlidir: daha büyük boyutlar daha fazla nüans yakalar ama depolama ve arama maliyeti daha yüksektir; ayrıca farklı modellerden elde edilen embedding'ler doğrudan birbiriyle karşılaştırılamaz, bu yüzden bir RAG hattı hem dokümanları indekslerken hem de sorguları embedding'e dönüştürürken aynı embedding modelini kullanmalıdır. Geliştiricilerin erken dönemde karşılaştığı pratik bir tuzak: farklı modellerden (hatta aynı modelin farklı sürümlerinden) gelen embedding'ler uyumsuz vektör uzaylarında yaşar — OpenAI'nin text-embedding-3'ünden üretilen bir embedding'i Cohere'in embed-v3'ünden üretilen bir embedding'le anlamlı şekilde karşılaştıramazsınız, her ikisi de geçerli metin embedding'leri olsa bile. Bu, embedding modelini değiştirmenin tüm doküman derleminizi sıfırdan yeniden embedding'e dönüştürmeyi gerektirdiği anlamına gelir; bu, ölçekte bir sağlayıcıya bağlanmadan önce planlanması gereken gerçek bir geçiş maliyetidir. Embedding modelleri ayrıca MTEB (Massive Text Embedding Benchmark) gibi genel kıyaslama testlerinde değerlendirilir; bu, bir üretim RAG hattı için bir sağlayıcıya karar vermeden önce sağlayıcılar arasında geri getirme kalitesini karşılaştırmak için makul bir başlangıç noktasıdır.