Vektör veritabanları, bir metin parçasının, bir görselin veya bir ürünün anlamını temsil eden sayı listeleri olan embedding’leri saklar. Pazarlamacılar için bunlar, anlamsal site içi aramayı, içerik önerilerini, şirket belgelerinden yanıt veren AI sohbet asistanlarını ve benzer müşterileri veya benzer sayfaları bulan araçları güçlendirir. Bunları nadiren doğrudan satın alırsınız; genellikle zaten kullandığınız bir ürünün içinde yer alırlar.
OpenAI’nin metin-embedding modelleri, Google’ın Gemini embedding’leri, Cohere Embed veya BGE ve E5 aileleri gibi açık modeller gibi bir embedding modeli, içeriği bir vektöre dönüştürür. Benzer anlama sahip metinler birbirine yakın yerleşir. Pinecone, Weaviate, Qdrant, Milvus, Chroma veya PostgreSQL için pgvector uzantısı gibi bir vektör veritabanı, bu vektörlerin milyonlarcasını saklar ve en yakın olanları hızla bulur.
Bir embedding aslında neyi yakalar?
Bir embedding tam kelimeleri değil, anlamı yakalar. “İstanbul’a ucuz uçuşlar” ve “İstanbul için uygun fiyatlı uçak biletleri” az sayıda kelime paylaşır ancak birbirine yakın yerleşir. Anahtar kelime araması bunları farklı olarak ele alırdı; anlamsal arama ise bunları yakın komşular olarak ele alır.
Bu yararlıdır ancak sınırları vardır. Embedding’ler, “iPhone 15 kılıfı” ve “iPhone 16 kılıfı” gibi işletmeniz için önemli olan farkları bulanıklaştırabilir. Ayrıca modelin eğitildiği verilerden gelen önyargıları ve boşlukları miras alırlar. Çoğu üretim sistemi, her ikisinin de en iyisini elde etmek için vektör aramasını anahtar kelime aramasıyla birleştirir; bu kuruluma hibrit arama denir.
Pazarlamacılar vektör veritabanlarıyla nerede karşılaşır?
Çoğu ekip bunları adlarıyla anmadan zaten kullanıyor. Yaygın yerler şunları içerir.
- Site içi arama: Algolia, Elasticsearch ve Shopify arama özellikleri giderek daha fazla vektör veya hibrit arama kullanıyor
- Web sitelerinde, retrieval-augmented generation kullanarak yardım makalelerinden yanıt veren AI asistanları
- Personelin brifingler, raporlar ve marka yönergeleri hakkında soru sormasına olanak tanıyan dahili bilgi araçları
- Paylaşılan etiketlerden ziyade anlama göre seçilen “ilgili makaleler” gibi içerik önerileri
- Anahtar kelimeleri gruplandıran veya dahili bağlantı için benzer sayfaları bulan SEO araçları
- İncelemeleri veya destek biletlerini temaya göre gruplandıran müşteri analizi
Retrieval-augmented generation bunları nasıl kullanır?
Genellikle RAG olarak kısaltılan retrieval-augmented generation, çoğu “belgelerinizle sohbet edin” aracının arkasındaki kalıptır. Belgeler parçalara ayrılır, her parça embed edilir ve saklanır. Bir kullanıcı soru sorduğunda, soru da embed edilir, en yakın parçalar getirilir ve bunlara dayanarak bir yanıt yazan bir dil modeline iletilir.
Pazarlama için RAG, bir tane uydurmak yerine gerçek iade politikanızı alıntılayan bir sohbet botu veya geçen yılın kampanya sonuçlarını saniyeler içinde bulan dahili bir asistan anlamına gelir. Kalite, kaynak belgelere büyük ölçüde bağlıdır. Hangi veritabanı altta olursa olsun, güncel olmayan PDF’ler ve kopya sürümler kafa karıştırıcı yanıtlar üretir.
RAG yanıtlarını ne daha iyi yapar
- Her politikanın bir sürümüne sahip temiz, güncel kaynak belgeler
- Genellikle biraz örtüşen birkaç yüz kelimelik mantıklı parça boyutları
- Sonuçları filtrelemek için kullanılan tarih, ürün ve dil gibi meta veriler
- Ürün kodları gibi tam terimlerin kaçırılmaması için hibrit arama
- Kaynaklarda yanıt olmadığında modele “bilmiyorum” demesi için bir talimat
Bir vektör veritabanı seçmeniz gerekiyor mu?
Çoğu pazarlama ekibi için hayır. Anlamsal arama veya bir AI asistanı sunan bir platform kullanıyorsanız, satıcı sizin yerinize seçimi yapmıştır. Sizin işiniz onu iyi içerikle beslemek ve sonuçları ölçmektir.
Seçim, örneğin ajans raporları üzerinde dahili bir asistan gibi kendiniz bir şey inşa ettiğinizde önemlidir. O zaman seçenekler basitlik ve kontrol arasında denge kurar. pgvector, zaten PostgreSQL çalıştıran ve orta düzeyde veri hacmine sahip ekipler için uygundur. Pinecone gibi yönetilen hizmetler altyapı işini ortadan kaldırır. Qdrant ve Weaviate gibi açık kaynaklı motorlar kendi sunucularınızda çalışabilir, bu da verilerin belirli bir ülkede kalması gerektiğinde yardımcı olur.
Gizlilik ve veri endişeleri nelerdir?
Embedding’ler içerikten türetilir. İçerik, müşteri e-postaları veya destek sohbetleri gibi kişisel veriler içeriyorsa, vektörler ve saklanan parçalar da içerir. Veritabanına GDPR veya KVKK kapsamında orijinal verilere nasıl yaklaşıyorsanız öyle yaklaşın: nerede barındırıldığını, kimin erişebileceğini ve talep üzerine bir kişinin verilerinin nasıl silineceğini bilin.
Ayrıca embedding sağlayıcısının metninizle ne yaptığını kontrol edin. Büyük sağlayıcıların iş planları genellikle API verilerinin eğitim için kullanılmadığını belirtir, ancak varsaymak yerine kullandığınız planın şartlarını okuyun.
Çalışıp çalışmadığını nasıl ölçersiniz?
Ölçüm kullanım durumuna bağlıdır, ancak ilke aynıdır: sahip olduğunuzla karşılaştırın.
- Site içi arama: aramadan çıkış oranı, sıfır sonuçlu aramalar, aramadan satın almaya dönüşüm
- Sohbet asistanları: aktarım olmadan yanıtlanan soruların payı, kullanıcı puanları, test setinde doğruluk
- Öneriler: etiket tabanlı önerilere kıyasla tıklama ve sonraki dönüşüm
- Dahili araçlar: bir belgeyi bulma süresi, belirlenmiş görevlerde birkaç personelle ölçülür
Asistanlar için doğru yanıtları olan 50 ila 100 gerçek sorudan oluşan bir test seti oluşturun ve her içerik veya ayar değişikliğinden sonra çalıştırın. Müşterilerden önce gerilemeleri yakalar.
Alien Road vektör veritabanlarını ve embedding’leri nasıl uygular
Tipik bir çalışmada keşif, aramanın veya yanıtların bugün nerede başarısız olduğuna bakmak anlamına gelir: sitede sıfır sonuçlu aramalar, tekrarlanan destek soruları veya geçmiş çalışmaları bulamayan personel. Ardından müşterinin mevcut platformlarının zaten anlamsal arama veya sadece daha iyi içeriğe ihtiyaç duyan bir asistan sunup sunmadığını kontrol ederiz.
Özel bir yapı mantıklı olduğunda, kurulum içerik temizleme, parçalama ve meta verileri, hibrit arama yapılandırmasını ve soru test setini kapsar. Genellikle müşterinin barındırma ve veri konumu ihtiyaçlarına bağlı olarak pgvector veya yönetilen bir hizmetle başlarız. Ölçüm yukarıdaki metrikleri izler ve aylık raporlama, test seti puanını ve asistanın ortaya çıkardığı içerik boşluklarının bir listesini içerir.
Bu hafta nereden başlamalı
GA4’teki veya arama aracınızdaki site içi arama raporunuzu açın ve geçen ayın en iyi sıfır sonuçlu sorgularını dışa aktarın. Bunların çoğu, anahtar kelime aramanızın eşleşmediği eş anlamlılar veya ifadeler olacaktır. Bu liste, anlamsal veya hibrit arama için iş gerekçesidir.
Zaten bir sohbet asistanı çalıştırıyorsanız, doğru yanıtları olan 30 gerçek müşteri sorusu yazın ve test edin. Hatalar önce içerik sorunlarına, ikinci olarak teknoloji sorunlarına işaret edecektir.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu