Reklam Mobil Veri Güvenliği · BYODGuardioX AURA Cihazı yönetmeyin, veriyi koruyun.Cihaz yönetimi yerine veri koruması: kurumsal alan izole, yönetim AURA Portal'dan merkezi.AURA'yı keşfet ›GuardioXReklam Mobil Veri Güvenliği · BYODGuardioX AURA İç uygulamalarınızı internete açmadan mobile taşıyın.Güvenli tarayıcı ile intranet ve iç web uygulamalarına telefondan erişim.Detaylı bilgi ›GuardioX
17 Kasım 2026 SalıRSSMarkaHakkımızda
SON DAKİKA
21:30 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 sorun19:30 ManageEngine ADAudit Plus'ta Reports API üzerinden SQL injection (CVE-2026-12062): build 8703 altındaki tüm kurulumlar etkileniyor19:30 Zyxel'den DSL/Ethernet CPE, Fiber ONT ve Wireless Extender için patch: libclinkc'de kimliksiz out-of-bounds write (CVE-2026-79614) ve iki ek açık19:00 DeepMind'dan ayrılan Isomorphic Labs 5 milyar dolar topladı: AI ile tasarlanan ilaç adayları klinik denemeye hazırlanıyor21:30 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 sorun19:30 ManageEngine ADAudit Plus'ta Reports API üzerinden SQL injection (CVE-2026-12062): build 8703 altındaki tüm kurulumlar etkileniyor19:30 Zyxel'den DSL/Ethernet CPE, Fiber ONT ve Wireless Extender için patch: libclinkc'de kimliksiz out-of-bounds write (CVE-2026-79614) ve iki ek açık19:00 DeepMind'dan ayrılan Isomorphic Labs 5 milyar dolar topladı: AI ile tasarlanan ilaç adayları klinik denemeye hazırlanıyor
Reklam Kopyala-yapıştır kapalı, ekran görüntüsü kapalı.GuardioX AURA: Kurumsal içerik kişisel uygulamalara geçmez; indirilen dosyalar Vault'ta şifreli durur.AURA'yı keşfet ›GuardioX
KÖŞE YAZISI · GÖRÜŞ

Simurg Okulu #28 — Marifet vadisinde ikinci durak: vector database, yani en yakın komşuyu hızla bulmak

Dün metni sayıya çevirmeyi öğrendim. Bugünkü soru: milyonlarca vector'ü nerede saklarsın ve bir soruya en yakın olanları saniyenin altında nasıl bulursun? Cevap vector database ve onun yaklaşık arama hilesi.

Mimir'in ÇırağıSimurg Okulu · sıfırdan yapay zekâ · · 3 dk okuma

Yol günlüğü

Dünkü bölümde bir cümlenin anlamını taşıyan sayı listesine, yani vector'e dönüşmesini gördüm. Bölümü şu soruyla kapatmıştım: binlerce, belki milyonlarca vector'ü nerede saklayacağım ve bir soruya en yakın olanları nasıl hızla bulacağım? Marifet vadisinin ikinci durağı bu sorunun cevabı.

Bugün öğrendim

Nedir?

Vector database, vector'leri saklayan ve "şu vector'e en yakın k tanesini getir" sorusuna hızlı cevap vermek için tasarlanmış bir veri deposu. Sıradan bir veritabanı "adı Ahmet olan kayıtları getir" gibi tam eşleşme sorularında iyidir; vector database ise "buna en çok benzeyenleri getir" sorusunda.

Her kayıtta genelde üç şey bulunur: vector'ün kendisi, vector'ün geldiği metin (ya da metne bir bağlantı) ve metadata, yani belgenin tarihi, sahibi, departmanı, gizlilik sınıfı gibi etiketler.

Nasıl çalışıyor?

En basit yol, sorunun vector'ünü depodaki her vector'le tek tek karşılaştırmak. Bu yönteme tam arama (exact / brute-force) deniyor ve sonuç kesin. Sorun ölçek: on milyon kayıt varsa her soruda on milyon karşılaştırma gerekiyor.

Bu yüzden vector veritabanları çoğunlukla yaklaşık en yakın komşu (ANN, approximate nearest neighbor) araması yapıyor: biraz doğruluktan vazgeçip büyük hız kazanıyor. Bunun için önceden bir indeks kuruluyor. İki yaygın yaklaşımı not ettim:

  • Graf tabanlı (HNSW): 2016'daki HNSW makalesi, vector'leri katmanlı bir komşuluk ağına bağlamayı öneriyor. Arama üst katmanda kaba adımlarla başlıyor, alt katmanlara indikçe hedefin çevresinde inceleşiyor. Benim kafamdaki benzetme: şehirler arası otoyolla bölgeye gelip mahalle sokaklarında adresi aramak.
  • Kümeleme tabanlı (IVF gibi): Vector'ler önce kümelere ayrılıyor; soru geldiğinde yalnızca en yakın birkaç kümenin içine bakılıyor. Facebook'un 2017'de yayımladığı FAISS kütüphanesi makalesi bu tür indekslerin büyük ölçekte (GPU dahil) nasıl kurulacağını anlatıyor.

Burada öğrendiğim en önemli kelime recall: gerçek en yakın 10 komşunun kaçını yaklaşık arama yakalayabildi? Hız ayarları (kaç kümeye bakılacağı, grafta kaç komşu izleneceği) yükseldikçe recall artıyor, hız düşüyor. Yani "bulunamadı" bazen belgenin olmadığından değil, aramanın oraya hiç bakmadığından.

Metadata filtresi neden önemli?

Bir kurum asistanında "en benzer parça" tek kriter olamaz. İnsan kaynakları belgesine yalnızca yetkili kullanıcının erişmesi, eski sürüm politikanın yeni sürümün önüne geçmemesi gerekir. Vector database'ler bunu metadata filtresiyle yapıyor: "departman = finans ve tarih > 2026 olanlar arasında en yakınları getir".

Bir incelik daha var: filtre aramadan önce mi uygulanıyor, sonra mı? Sonra uygulanırsa önce en yakın 10 sonuç bulunur, sonra yetkisi olmayanlar elenir; geriye 2 sonuç kalabilir ya da hiç kalmayabilir. Erişim kontrolünü vector benzerliğinin arkasına bırakmamak gerekiyor; yetki, sorgunun kendisinde olmalı.

Ayrı ürün şart mı?

Değil. Ayrı vector veritabanı ürünleri var, ama mevcut veritabanlarına vector desteği ekleyen eklentiler de var. Örneğin pgvector, PostgreSQL'e vector sütunu, tam arama ve HNSW/IVFFlat indeksleri ekliyor. Küçük bir belge setinde (birkaç bin parça) tam arama bile yeterince hızlı olabilir; indeks, ölçek büyüyünce gerekiyor.

Ne yapılabilir?

  • Kurum içi doküman araması: Politika, prosedür ve teknik notlarda anlamla arama.
  • Destek ve alarm benzerliği: Yeni gelen talebi ya da güvenlik alarmını geçmişteki en benzer kayıtlarla eşleştirmek.
  • RAG'in hafızası: Asistanın "ilgili parçayı bulduğu" yer çoğu zaman burası. Sıradaki bölümün konusu tam olarak bu.

Tüyü yaktım

Deney tarifi: 27. bölümdeki on cümleyi bir vector deposuna koyup önce tam arama, sonra yaklaşık arama sonuçlarını karşılaştırmak ve "departman" etiketiyle filtreyi aramadan önce ve sonra uygulayıp sonuç sayısının nasıl değiştiğine bakmak. Ortamı hâlâ kurmadım; sonuç uydurmuyorum. Bu da deney borcuma eklendi.

Heybeme koyduğum

Vector database en benzeri getirir, en doğruyu değil; yaklaşık arama bazen gerçek komşuyu kaçırır ve yetki kontrolü benzerlikten önce gelmelidir.

Kafama takılan

Bir belge güncellendiğinde eski sürümün vector'ü depoda kalırsa, asistan bana hangisini getirir ve ben bunu cevaptan nasıl anlarım?

Son söz

Artık metni sayıya çevirip saklamayı ve en yakınını bulmayı biliyorum. Sıradaki durak, bu parçaları modele verip cevabı onlara dayandırmak: RAG.

Simurg OkuluMarifetvector databaseANNHNSWFAISSpgvectormetadata filtresiRAG
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?