Geliştiriciler İçin Embedding Rehberi

Embedding, bir metnin anlamını yakalayan sayı listesidir; böylece bir makine iki metnin ne kadar benzediğini vektörlerini karşılaştırarak ölçebilir. Bir embedding modeline kelime, cümle ya da belge verirsiniz; size sabit uzunlukta bir vektör döner, diyelim 1.024 ondalık sayı. Anlamca aynı olan metinler bu uzayda birbirine yakın düşer. Semantik aramanın, RAG'ın ve önerilerin arkasındaki tek numara budur ve "kablo üzerinde gerçekte ne oluyor" seviyesinde anlamaya değer.

Embedding nedir ve nasıl çalışır?

Embedding, anlamı sabit sayıda boyuta kodlayan, ondalık sayılardan oluşan yoğun bir vektördür. Eğitilmiş bir model, "iade politikası" ile "paramı nasıl geri alırım" ifadelerini ortak hiçbir kelimeleri olmasa bile birbirine yakın noktalara yerleştirir. İki embedding'i bir uzaklık ölçütüyle karşılaştırıp benzerlik puanı elde edersiniz.

Zihinsel model şöyle: Her embedding, yüksek boyutlu bir uzayda bir koordinattır; Temmuz 2026 itibarıyla yaygın olarak 256 ile 3.072 boyut arası. Model, milyarlarca metin çifti üzerinde eğitilirken ilgili kavramları birbirine yakın koymayı öğrendi. Kesin konumdan çok yön önemlidir; işte bu yüzden birebir kelime yerine anlama göre arama yapabilirsiniz.

• Girdi: ham metin (bir sorgu, bir parça, bir ürün başlığı).
• Model: özellikle embedding üretmek için eğitilmiş bir transformer.
• Çıktı: her girdi için aynı boyutta, sabit uzunlukta bir vektör.
• Karşılaştırma: vektörler arası kosinüs benzerliği ya da nokta çarpımı.

Embedding modeli metni vektöre nasıl çevirir?

Model metninizi token'lara ayırır, bağlama duyarlı temsiller kuran transformer katmanlarından geçirir ve bunları tek bir sabit uzunlukta vektöre indirger. Bir sonraki token'ı tahmin eden LLM'in aksine, embedding modeli karşıtlık (contrastive) öğrenmesiyle eğitilir: eşleşen çiftleri birbirine çeker, eşleşmeyenleri iter. Sonuçta uzaklığın anlamsal farka denk geldiği bir geometri çıkar.

Bir çağrıda adım adım şu olur:

1. Token'lara ayır. Metni modelin bildiği alt-kelime token'larına böl.
2. Token'ları gömle. Her token için başlangıç vektörünü tablodan al.
3. Bağlamlandır. Token'ları dikkat katmanlarından geçir; her biri komşularının anlamını emsin.
4. Havuzla. Token başına vektörleri (ortalama havuzlama ya da özel bir CLS token'ı) tek vektörde birleştir.
5. Normalize et. Vektörü birim uzunluğa ölçekle; böylece kosinüs benzerliği temiz bir nokta çarpımına döner.
6. Döndür. Saklamaya ya da karşılaştırmaya hazır bir ondalık dizi ver, örneğin 1.024 sayı.

Geliştirici olarak 1–5. adımları hiç görmezsiniz. Bir API'yi ya da yerel modeli çağırır, diziyi geri alırsınız. Önemli olan şu: Sakladığınız belgeleri ve sorguları aynı model gömlemeli. text-embedding-3-large belgelerini gemini-embedding-001 sorgularıyla karıştırırsanız sonuç değil gürültü alırsınız.

Embedding'ler arasında benzerliği nasıl ölçersiniz?

Benzerliği, iki vektör arasındaki açıyı karşılaştıran ve -1 (zıt) ile 1 (birebir aynı) arasında puan veren kosinüs benzerliğiyle ölçersiniz. Çoğu modern embedding birim uzunluğa normalize edildiğinden, kosinüs benzerliği ve nokta çarpımı aynı sıralamayı verir. 1'e yakın puan, iki metnin neredeyse aynı anlama geldiğini gösterir.

OpenAI embeddings API'si ve NumPy ile çalışan bir örnek:

import numpy as np
from openai import OpenAI

client = OpenAI()

def embed(text: str) -> np.ndarray:
    resp = client.embeddings.create(
        model="text-embedding-3-small",
        input=text,
    )
    return np.array(resp.data[0].embedding)

def cosine(a: np.ndarray, b: np.ndarray) -> float:
    return float(a @ b / (np.linalg.norm(a) * np.linalg.norm(b)))

query = embed("sifremi nasil sifirlarim")
doc_a = embed("unutulan girisi kurtarma adimlari")
doc_b = embed("ofisteki kahve makinesi bozuk")

print(round(cosine(query, doc_a), 3))  # ~0.61 — ilgili
print(round(cosine(query, doc_b), 3))  # ~0.08 — ilgisiz

Bunu bir destek veri kümesinde çalıştırdığımızda şifre sorgusu, kurtarma belgesine karşı 0,61; kahve notuna karşı 0,08 puan aldı. Semantik aramanın kullandığı tam olarak bu makas: puana göre sırala, en iyi eşleşmeleri döndür, gürültüyü yok say.

2026'da hangi embedding modelini seçmelisiniz?

Modeli; boyut, maliyet ve barındırma ihtiyacınızı ölçeğinize göre eşleştirerek seçin. Manzara hızla değişti: Temmuz 2026 itibarıyla Google'ın gemini-embedding-001 modeli MTEB çok dilli sıralamasının tepesinde (ortalama görev puanı 68,32), Voyage'ın voyage-3-large ve Cohere'in embed-v4 modelleri ise getirme ağırlıklı ve çok modlu işlerde birbiriyle yarışıyor. bge-m3 ve nomic-embed-text-v2 gibi açık modeller ise kendi sunucunuzda çalıştırmanız ya da on milyonlarca parçayı token başına fatura olmadan gömlemeniz gerektiğinde kazanır.

İki pratik ipucu. Birincisi, Matryoshka artık standart oldu: Gemini, Voyage ve Cohere tam çözünürlüklü bir vektörü küçük bir kalite kaybıyla daha küçük boyuta kırpmanıza izin veriyor. Cohere'e göre embed-v4'ü 1.536'dan 256 boyuta düşürmek yaklaşık %2,8 kaliteye mal oluyor ama depolamayı %83 kısıyor. Ölçekte neredeyse her seferinde yaptığımız bir takas bu. İkincisi, bir sıralama tablosunda değil kendi verinizde test edin. Türkçe-İngilizce bir veri kümesinde üst sıradaki bir modeli bge-m3 ile değiştirdik ve isabet oranı yükseldi; çünkü tablo bizim dillerimizi yansıtmıyordu. Bu adımı sistemleştiriyorsanız LLM çıktılarını değerlendirme rehberimiz getirme değerlendirmelerine de birebir uygulanır.

Embedding'leri gerçekte nerede kullanırsınız?

Embedding'ler "anlamca aynı olanları bul" gerektiren her özelliğe güç verir. 2026'da baskın kullanım, RAG sistemleri için getirmedir: belge parçalarını gömler, bir vektör veritabanında saklar ve bir LLM'in yanıtını dayandırmak için en yakınlarını çekersiniz. Ama desen sohbet botlarından çok daha geniştir.

• Semantik arama. Sorguları belgelere kelimeyle değil anlamla eşleştir.
• RAG. Fine-tuning yerine LLM'e bağlam getir; ödünleşim için fine-tuning mi RAG mi yazısına bak.
• Öneriler. Vektör yakınlığıyla benzer makale, ürün ya da şarkı öner.
• Yinelenen kayıt ayıklama ve kümeleme. Neredeyse aynı talepleri grupla ya da geri bildirim temalarını kümele.
• Sınıflandırma. Metni gömle, sonra vektörler üzerinde ucuz bir sınıflandırıcı çalıştır.

Vektörleri ölçekte saklayıp aramak için özel bir depo istersiniz. Vektör veritabanı karşılaştırmamız; pgvector, Qdrant ve Pinecone'u ele alıyor, böylece yükünüze uygun olanı seçebilirsiniz. Getirmeye komşu diğer taktikler için yapay zeka bölümü gerisini topluyor.

Embedding'lerde ne bozulur ve nasıl düzeltilir?

Neredeyse her projede üç sorun ortaya çıkar.

• Eşleşmeyen modeller. Sorgu ve belgeleri farklı modelle gömlemek çöp puan üretir. Tek bir model sürümünü sabitleyin ve değiştirdiğinizde her şeyi yeniden gömleyin.
• Kelime körlüğü. Saf yoğun embedding'ler hata kodları ya da SKU gibi birebir dizeleri kaçırır. Çözümü hibrit arama: yoğun vektörleri BM25 kelime aramasıyla birleştirin. İşe yarar biçimde bge-m3 tek geçişte yoğun, seyrek ve çok vektörlü çıktı üretir.
• Sessiz bayatlama. Belgeler değişir ama vektörleriniz değişmez. Parça başına bir içerik özeti (hash) saklayın ve yalnızca değişeni bir zamanlamayla yeniden gömleyin.

Optimize etmeden önce ölçün. Doğru sonuçları bilinen gerçek sorgulardan küçük bir değerlendirme kümesi kurun, sonra her model ya da parçalama değişiminde recall@k izleyin. Bu olmadan bir değişikliğin işe yarayıp yaramadığını tahmin ediyorsunuz demektir.

Sıkça Sorulan Sorular

Embedding ile token arasındaki fark nedir?

Token, bir modelin ayrık bir birim olarak okuduğu metin parçasıdır (kabaca bir kelime ya da alt-kelime). Embedding ise anlamı temsil eden sayısal vektördür. Token'lar girdidir; embedding ise bir metin aralığının çıktı vektörüdür. Bir cümle 12 token olabilir ama tek bir 1.024 boyutlu embedding üretir.

Embedding'ler word2vec ile aynı şey mi?

Hayır, akraba olsalar da değil. Word2vec (2013) her kelimeye bağlamdan bağımsız tek bir statik vektör verirdi, yani "yüz" tek anlama gelirdi. Modern transformer embedding'leri bağlama duyarlı ve cümle düzeyindedir: aynı kelime komşularına göre farklı vektör alır ve yalnızca kelimeleri değil tüm pasajları gömlersiniz. Kalite çok daha yüksektir.

Bir embedding kaç boyutlu olmalı?

Çoğu uygulama için 768 ile 1.536 boyut, kalite ile maliyet arasındaki tatlı noktadır. Daha yükseğe (3.072) yalnızca kendi verinizde getirmeyi iyileştirdiğine dair sağlam kanıtınız varsa çıkın. Gemini, Voyage ve Cohere embed-v4 gibi Matryoshka destekli modellerle yüksek başlayıp sonradan kırpabilirsiniz, yani kilitli kalmazsınız. Hem depolama hem arama gecikmesi boyutla artar, o yüzden fazlasını almayın.

API olmadan embedding üretebilir miyim?

Evet. bge-m3 ya da nomic-embed-text-v2 gibi açık modeller; sentence-transformers ya da Ollama gibi kütüphanelerle yerel olarak, çağrı başına maliyet olmadan ve tam veri gizliliğiyle çalışır. Bir miktar kaliteyi ve operasyon yükünü kontrol karşılığında takas edersiniz. Yüksek hacimli ya da şirket içi iş yükleri için açık bir embedding modelini kendiniz barındırmak çoğu zaman uzun vadede daha ucuzdur.