AI Sözlük
Embedding Nedir?
Embedding, kelime, cümle veya belgeyi çok boyutlu bir sayı vektörüne dönüştürmektir; kosinüs benzerliğiyle anlamsal arama ve kümeleme yapılabilir.
Tanım
Embedding, yapay zekâda “anlamı sayılara çevirme” sanatıdır. Bir cümle veya paragraf, model tarafından yüzlerce veya binlerce boyutlu bir vektöre indirgenir. Bu vektörler öyle öğrenilir ki benzer anlamdaki metinler uzayda birbirine yakın, ilgisiz metinler uzak durur. Böylece “bu soruya en yakın belge hangisi?” sorusu, vektörler arası mesafe veya kosinüs benzerliğiyle cevaplanabilir. Modern sistemlerde embedding’ler RAG, öneri, kopya tespiti ve kümeleme için omurgadır. Dikkat: embedding “gerçeği” değil, eğitim verisindeki istatistiksel yakınlığı yansıtır; önyargı ve yüzeysel benzerlik tuzakları olabilir.
Statik kelime embedding’leri (Word2Vec dönemi) her kelimeye tek vektör verirdi. Bugünkü bağlamsal modellerde aynı kelime cümleye göre farklı vektör alabilir. Arama ürünlerinde genelde cümle veya parça (chunk) embedding’i kullanılır.
Kaliteli retrieval için embedding modeli seçimi, chunk stratejisi ve hibrit arama (anahtar kelime + vektör) birlikte düşünülmelidir. “En büyük embedding modeli” her domainde kazanmaz.
Sık sorulanlar
Embedding ne işe yarar?
Anlamsal arama, benzer belge bulma, RAG, sınıflandırma ve kümeleme gibi görevlerde temel temsil olarak kullanılır.
Kosinüs benzerliği nedir?
İki vektör arasındaki açıyı ölçer. 1’e yakın değer yüksek benzerlik, 0’a yakın düşük benzerlik anlamına gelir (normalize vektörlerde).