Reklam Mobil Veri Güvenliği · BYODGuardioX AURA Bulutu kısıtlı kurumlar için on-premise mobil çalışma alanı.Bankalar, kamu kurumları ve savunma sanayii için veri kurum sınırları içinde kalır.AURA'yı keşfet ›GuardioXReklam Mobil Veri Güvenliği · BYODGuardioX AURA Zero Trust mobil erişim, iOS ve Android'de.DLP entegrasyonu ve merkezi yönetimle kurumsal veriye kontrollü erişim.Detaylı bilgi ›GuardioX
17 Kasım 2026 SalıRSSMarkaHakkımızda
SON DAKİKA
22:00 Dragos: Endüstriyel kurumlara fidye yazılımı saldırıları 2026'nın 3. çeyreğinde yüzde 11 arttı, kurbanların yüzde 69'u üretim sektöründen22:00 Gemini'de sohbet geçmişi AI eğitiminden ayrıldı; geçmişi kapatanların sohbetleri artık 72 saat yerine yaklaşık iki ay saklanacak22:00 Visa, Asya-Pasifik'teki bir üçüncü taraf sağlayıcıda güvenlik olayı yaşandığını kabul etti; n0n grubu Mastercard ve JPMorgan'ı da listeledi21:30 Puppet Enterprise'daki kritik açık (CVE-2026-115731) CISA KEV'e girdi: Puppet Server'da uzaktan kod çalıştırma21:00 AWS iki veri merkezi kampüsünü Blackstone ortaklığına satıp geri kiralıyor: yaklaşık 5 milyar dolar, 647 MW21:00 PIRG'in 2026 oyuncak raporu: üç yeni AI oyuncaktan biri çocuğa evde bıçak bulunabilecek yerleri saydı, biri kibrit yakmayı anlattı21:00 Kaliforniya, opt-out sinyallerini işlemediği gerekçesiyle Hertz'e 1,55 milyon dolar CCPA cezası verdi20:00 ABD'nin Pax Silica girişimi yeni aşamada: İngiltere dahil dokuz ülke AI tedarik zincirini 'düşman aktörlere' karşı koruma deklarasyonunu imzaladı20:00 Meta, Instagram mesajları için ayrı uygulama Direct'i test ediyor: ilk açılan ülkeler Türkiye ve Tayland20:00 NSA'nın gizli iç ağı NSA Net'te kesinti: Fort Meade'de kademeli giriş, kaynaklara göre siber saldırı değil teknik sorun22:00 Dragos: Endüstriyel kurumlara fidye yazılımı saldırıları 2026'nın 3. çeyreğinde yüzde 11 arttı, kurbanların yüzde 69'u üretim sektöründen22:00 Gemini'de sohbet geçmişi AI eğitiminden ayrıldı; geçmişi kapatanların sohbetleri artık 72 saat yerine yaklaşık iki ay saklanacak22:00 Visa, Asya-Pasifik'teki bir üçüncü taraf sağlayıcıda güvenlik olayı yaşandığını kabul etti; n0n grubu Mastercard ve JPMorgan'ı da listeledi21:30 Puppet Enterprise'daki kritik açık (CVE-2026-115731) CISA KEV'e girdi: Puppet Server'da uzaktan kod çalıştırma21:00 AWS iki veri merkezi kampüsünü Blackstone ortaklığına satıp geri kiralıyor: yaklaşık 5 milyar dolar, 647 MW21:00 PIRG'in 2026 oyuncak raporu: üç yeni AI oyuncaktan biri çocuğa evde bıçak bulunabilecek yerleri saydı, biri kibrit yakmayı anlattı21:00 Kaliforniya, opt-out sinyallerini işlemediği gerekçesiyle Hertz'e 1,55 milyon dolar CCPA cezası verdi20:00 ABD'nin Pax Silica girişimi yeni aşamada: İngiltere dahil dokuz ülke AI tedarik zincirini 'düşman aktörlere' karşı koruma deklarasyonunu imzaladı20:00 Meta, Instagram mesajları için ayrı uygulama Direct'i test ediyor: ilk açılan ülkeler Türkiye ve Tayland20:00 NSA'nın gizli iç ağı NSA Net'te kesinti: Fort Meade'de kademeli giriş, kaynaklara göre siber saldırı değil teknik sorun
Reklam Kurumsal veriniz cihazda değil, kontrolünüzde.GuardioX AURA: E-posta, dosya, takvim ve iç uygulamalar kişisel telefonda şifreli, izole bir alanda; veri kurum içinde kalır.AURA'yı keşfet ›GuardioX
KÖŞE YAZISI · GÖRÜŞ

Simurg Okulu #27 — Marifet vadisine giriyorum: embedding, yani cümlenin sayılara dönüşmesi

Aşk vadisinde asistanların hep "doğru parçayı bulup modele verdiğini" gördüm ama o parçanın nasıl bulunduğunu bilmiyordum. Marifet vadisinin ilk durağı embedding: bir metni anlamını taşıyan bir sayı listesine çeviren teknik.

Mimir'in ÇırağıSimurg Okulu · sıfırdan yapay zekâ · · 2 dk okuma

Yol günlüğü

Marifet vadisine adım attım. Dünkü toparlamada bütün asistanlar için aynı soruyu sormuştum: model neyi görüyor? Cevabın yarısı "uygulama ilgili parçayı seçip context'e koyuyor" idi. Ama bir uygulama binlerce sayfa arasından "ilgili" olanı nasıl seçer? Bu vadi o sorunun cevabı; ilk durak embedding.

Bugün öğrendim

Nedir?

Embedding, bir metnin (kelime, cümle ya da paragraf) sabit uzunlukta bir sayı listesine çevrilmiş hali. Bu listeye vector deniyor. Önemli olan sayıların kendisi değil, aralarındaki ilişki: anlamca yakın iki metnin vector'leri de birbirine yakın düşüyor. "Şifremi unuttum" ile "parolamı sıfırlamak istiyorum" ortak kelime taşımasa da yakın noktalara yerleşiyor.

Reklam Gao Kaptan: GPU gücüne ve LLM servislerine saniyeler içinde erişin.Pod'lar saniyeler içinde; NVIDIA GPU saatlik, LLM token bazlı. OpenAI uyumlu API, air-gapped kurulum.Detaylı bilgi ›İşNet

Nasıl çalışıyor?

Fikir yeni değil. 2013'teki word2vec çalışması, kelimeleri birlikte geçtikleri kelimelere bakarak vector'e çeviren bir yöntem önermişti: benzer bağlamda geçen kelimeler benzer vector alıyordu. Bugünkü embedding modelleri tek kelime yerine bütün cümleyi ele alıyor. 2019'daki Sentence-BERT makalesi, transformer tabanlı bir modeli cümle vector'leri anlamlı biçimde karşılaştırılabilsin diye eğitmenin yolunu gösterdi.

Süreç kabaca şöyle:

  1. Metin token'lara bölünür (2. bölümde öğrendiğim adım).
  2. Embedding modeli metni okur ve sonunda tek bir vector üretir; liste yüzlerce ya da binlerce sayıdan oluşur. Örneğin OpenAI'ın embedding rehberine göre text-embedding-3-small modelinin varsayılan vector uzunluğu 1536.
  3. İki metnin ne kadar benzediği, vector'ler arasındaki açıyla ölçülür (cosine similarity). Açı küçükse anlam yakın.

Burada bir ayrımı kafama yazdım: embedding modeli cevap üretmez. Sohbet modeli bir sonraki token'ı tahmin eder; embedding modeli yalnızca "bu metin uzayın neresinde duruyor?" sorusuna cevap verir.

Ne yapılabilir?

  • Anlamla arama (semantic search): Kurum içi dokümanlarda kelime eşleşmesi yerine anlam eşleşmesi. "İzin formu" diye arayan, "yıllık izin talebi" başlıklı belgeyi de bulur.
  • Benzer kayıtları gruplamak: Destek taleplerini ya da güvenlik alarmlarını konusuna göre kümelemek, tekrar eden şikâyeti fark etmek.
  • Yinelenenleri yakalamak: Aynı olayı anlatan iki haberi ya da aynı soruyu soran iki talebi işaretlemek.
  • RAG'in ilk adımı: Asistanın "ilgili parçayı seçmesi" çoğu zaman tam olarak bu: soru embedding'e çevrilir, en yakın parçalar bulunur, modele o parçalar verilir. Bunu önümüzdeki bölümlerde ayrıntılı göreceğim.

Sınırlarını da not ettim: yakınlık "doğru" demek değil. "Parolamı paylaşmalı mıyım?" ile "parolamı asla paylaşmamalıyım" anlamca zıt ama konu olarak çok yakın; vector'leri de yakın düşebilir. Embedding konu bulur, hüküm vermez.

Tüyü yaktım

Basit bir deney tarifi kurdum: on kısa Türkçe cümle (üçü parola sıfırlama, üçü fatura, üçü kargo, biri ilgisiz), bir embedding modeliyle vector'e çevrilecek ve her cümleye en yakın komşusu listelenecekti. Bu akşama kadar denemeyi çalıştıracak ortamı kurmadım, o yüzden sonuç yazmıyorum. Önceki bölümlerden kalan deney borcuma bunu da ekliyorum; yaptığımda olumsuz bölümleri ve olumsuzluk eki taşıyan cümlelerin nereye düştüğünü özellikle raporlayacağım.

Heybeme koyduğum

Embedding metni anlamına göre bir noktaya yerleştirir; asistanların "ilgili parçayı bulması" çoğu zaman en yakın noktaları seçmekten ibarettir, doğruyu seçmekten değil.

Kafama takılan

Türkçede bir cümleyi tersine çeviren "-me/-ma" eki, vector'ü ne kadar değiştiriyor? Olumsuz cümle, olumlu ikizine fazla yakın kalıyorsa arama sonuçları bunu nasıl telafi ediyor?

Son söz

Sayıya dönmüş binlerce cümleyi bir yerde saklamak ve en yakınını hızla bulmak gerekiyor. Sıradaki durak: vector database.

Simurg OkuluMarifetembeddingvectorsemantic searchcosine similarityRAG
Görüş Köşe yazıları yazarlarının görüşünü yansıtır; haber değildir. Yazar adları takma addır ve yazılar SiberMagazin yayın ekibi tarafından yapay zekâ desteğiyle hazırlanır. Yazılarda geçen olgular ilgili haberlerimizde kaynaklarıyla birlikte yer alır. Yazar görselleri yapay zekâ ile üretilmiştir; gerçek kişileri temsil etmez.

Diğer Köşe Yazıları

Dedem Korkut

Arşivden: NotPetya — Bir muhasebe programının güncellemesi dünyayı nasıl durdurdu?

Mimir'in Çırağı

Simurg Okulu #29 — Marifet vadisinde üçüncü durak: RAG, yani modele cevaptan önce doğru sayfayı okutmak

Trinity Begüm

Agent yetkiyi aldı, faturayı kim ödeyecek? Bir haftada üç sinyal: dava, izin ekranı ve kayıp iz

Wise Tuna

Ajan Cüzdan · Makine Odası: Claude'un görüşü portföye nasıl çevriliyor?