Doğru maddeyi bulmak

Makine alan küçük bir şirket işlettiğinizi düşünün. Hukuken önemli olan her şey tek bir ortak klasörde duruyor, hepsi Türkçe: sözleşmeler, mahkeme kararlarının kısa özetleri ve mevzuattan alıntılar. Bir meslektaşınız basit bir soru soruyor: “Ürün geç gelirse satıcıdan tazminat isteyebilir miyiz?” Bununla ilgili bir maddenin klasörde bir yerde olduğunu biliyorsunuz; arama kutusunu açıp tazminat yazıyorsunuz.

Arama hiçbir şey bulmuyor. Aradığınız madde, gecikilen her gün için alıcının ceza isteyebileceğini söylüyor: gecikilen her gün için … ceza isteyebilir. Tazminat kelimesi hiç geçmiyor. Daha kısa bir kelime olan geç yazarsanız arama bir şey getiriyor, ama bu, ayıpları en geç sekiz gün içinde bildirmeyi anlatan bir madde. Aynı kelime, başka anlam, yanlış madde.

Kelimeyle arama, yazarın kullandığı kelimeleri tahmin edebileceğinizi varsayar. Hukuk Türkçesi bu tahmini zorlaştırır: insanlar bir şey söyler, sözleşmeler başka bir şey yazar; Türkçe ayrıca kelimelerin sonuna ek getirir ve kelime sonları değişir.

RuneLab’in 7 Ekim 2026’da yayımladığı Kenning Turkish Legal, tam bu soruna yönelik bir gömme (embedding) modelidir: bir hukuk sorusunu, aralarında ortak kelime az olsa bile, onu yanıtlayan maddenin yakınına koymayı hedefler. Bu yazıda bir soruyu harita üzerinde gezdirerek fikri görecek, modelin kartındaki skorları, başka bir modelin gerisinde kaldığı yerler dahil, okuyacak ve denemek için gereken kodu göreceksiniz. Buradaki her sözleşme, karar ve mevzuat metni öğretmek için uydurulmuştur; hiçbiri gerçek hukuk değildir ve bu yazıdaki hiçbir şey hukuki görüş sayılmaz.

Bu yazının sonunda şunları bileceksiniz:

• bir gömme modelinin hukuk metninde aramayı neyin değiştirdiğini ve “en yakın” olmanın neden “doğru” olmak demek olmadığını;
• Kenning’in model kartının ne bildirdiğini; başka bir modelin gerisinde kaldığı yerleri ve hukuk ayarının başka yerlerde neye mal olduğunu dahil;
• onu kendi maddelerinizde nasıl çalıştıracağınızı ve bir insanın hâlâ neleri kontrol etmesi gerektiğini.

Bu tür aramanın arkasındaki fikir yeni değil; RAG yanıtları nasıl bulur? yazısı onu sıfırdan, canlı şekillerle kuruyor; burada kısa hâli var. Gömme modeli bir metni okur ve bir sayı listesi, yani bir konum döndürür. Aynı şeyden söz eden metinler birbirine yakın, farklı şeylerden söz edenler birbirinden uzak durur. Aramak için her pasajı bir kez gömersiniz, soruyu da aynı yolla gömersiniz ve soruya en yakın pasajları döndürürsünüz.

Bir sözlükten bakmıyor. Model büyük miktarda metin üzerinde eğitildi ve öğrendiği şeylerden biri, benzer durumlarda kullanılan kelime ve ifadelerin benzer konumlar alması gerektiği. Gündelik dil için bu çoğu zaman yeterlidir. Hukuk Türkçesi daha dardır: iki madde kulağa benzer gelip farklı soruları yanıtlayabilir (gecikmiş bir teslimat da ayıplı bir teslimat da satıcıdan, alıcıdan ve maldan söz eder) ve aynı soruyu yanıtlayan iki madde neredeyse hiç ortak kelime taşımayabilir. Hukuk metniyle ayarlanmış bir modelin bunlardan daha fazlasını görmüş olması gerekir. Kenning’in arkasındaki iddia bu.

Kenning Turkish Legal, RuneLab’in bir modelidir: Google’ın EmbeddingGemma 2 modelinden (271M parametre; modelin kendisi 0,3B olarak listeleniyor) ince ayarlanmış, Türkçe hukuk için bilgi getirme gömmeleri. 7 Ekim 2026’da, temel modelinden bir gün sonra, Apache 2.0 lisansıyla yayımlandı. Türkçe ve İngilizce ile çalışır; kartındaki skorlar metin başına 768 sayıyla ölçülmüştür.

Kart ne için olduğunu söylüyor: Türkçe hukuk belgelerinde (sözleşmeler, içtihat ve mevzuat) anlamsal arama, RAG hatlarında ilk aşama bilgi getirme ve insan incelemesi bulunan hukuki araştırma araçları için aday pasaj getirme. Ne için olmadığını da söylüyor: genel Türkçe gömme işleri, ana hedef olarak metin benzerliği ve başka dillerden ya da başka hukuk sistemlerinden hukuk derlemleri. Ayrıca sonuçların insanlar tarafından kontrol edilmesini istiyor.

Ad, bir gömmenin ne yaptığına dair küçük bir şaka. Kenning, Eski Nors şiirinde bir şeyi mecazi bir bileşikle adlandırma sanatıdır; deniz için “balina yolu” gibi. Bir gömme de bir metnin ne anlama geldiğini sıkıştırılmış biçimde yeniden söyler; benzer bir tat taşır. Kenning bir RuneLab modelidir; Hati ya da Sköll modellerinden biri değildir.

İşte klasör, küçültülmüş hâliyle: dört hukuk sorusuyla (gecikmiş teslim, ayıplı mal, ödenmeyen kira ve kira artışı) ilgili, uydurulmuş on iki pasaj. Haritadaki her nokta bir pasaj: sözleşme maddeleri, karar özetleri ve mevzuat hükümleri. Yıldız soru; çizgiler onu en yakın k pasaja bağlıyor. Halka, soruyu gerçekten yanıtlayan tek pasajı gösteriyor: k pasaj getiren bir arama onu döndürüyorsa düz, döndürmüyorsa kesik çizgili.

Hiçbir şeye basmadan önce tahmin edin: halkalı pasaj en yakın üçün içinde mi? Sonra genel yerleşimden Kenning’e geçin, diğer soruları seçin, yıldızı sürükleyin ya da k’yı kaydırın. Yerleşimler bir fikri göstermek için elle çizilmiştir: hiçbir modelin çıktısı değildir.

Genel yerleşimde halkalı madde yalnızca beşinci en yakın; bu yüzden üç pasaj getiren bir arama onu hiç döndürmez. Döndürdüğü üç pasaj başka konularla ilgili: bir teslim tarihi kuralı, bir ayıp bildirimi ve onarım seçeneklerinin listesi. Sorunun sözcük dağarcığını (teslim, satıcı, alıcı, hatta geç kelimesini) paylaşıyorlar ama onu yanıtlamıyorlar. Kenning’e geçin; noktalar süzülür: gecikme cezasını anlatan madde yıldızın yanına iner ve ilk sonuç olur.

Mekanizma tek cümlede şu: ince ayar, hukuki yeniden ifadeleri birbirine yaklaştırır; böylece ihtiyacınız olan madde ilk k’nın içine girer. Kira artışı sorusunu deneyin: genel yerleşimde yanıtı dördüncü en yakın ve k = 4 onu yakalamaya yetiyor; bu, RAG yazısında işlenen, yanıtı kaçırmakla daha çok metin okumak arasındaki takasın aynısı.

Haritayı lütfen kanıt diye okumayın. Bu on iki noktayı elle yerleştirdik. Gerçek gömmelerin her birinde iki değil, yüzlerce sayı var; hiçbir gerçek model bu kadar derli toplu gruplar üretmez; ve bu pasajlar üzerinde ne genel bir modeli ne de Kenning’i hiç çalıştırmadık. Kenning yerleşimi bile bilerek biraz dağınık bırakıldı: kira artışı bildirimi iki kira konusunun arasında duruyor ve ödenmeyen kira sorusu onu üçüncü sonuç olarak içeri çekiyor. Ölçümler sırada.

Peki kart gerçekte ne bildiriyor? Bilgi getirmeyi, Mizan adını verdiği bir hukuk kıyaslamasında ölçüyor: üç görev (sözleşmeler, içtihat ve mevzuat) ve bunların ortalaması. Ölçüt nDCG@10: bir aramanın ilk on sonucunu 0 ile 100 arasında puanlar; bir insanın ilgili sayacağı pasajlar üst sıralardaysa daha çok, daha aşağıdaysa daha az puan verir. Bunlar RuneLab’in kendi ölçümleri ve metin başına 768 sayıyla alınmış. Hukuk ortalaması, üç görevin sade ortalamasıdır.

Şekildeki her satır bir görev. Çizgili çubuk temel model, yani ayarlanmadan önceki EmbeddingGemma 2; dolu çubuk Kenning; noktalı çubuk ise kartın karşılaştırma için kullandığı, başka bir gömme modeli olan bge-m3. Önce çubuklara bakın ve Kenning’in hangi görevlerde bge-m3’ü geçtiğini tahmin edin. Sonra “bge-m3’e karşı”ya, en sonunda da “Diğer testler”e basın.

Kenning her satırda temel modelinin üzerinde: hukuk ortalamasında 2,50, sözleşmelerde 4,54, içtihatta 0,84 ve mevzuatta 2,13 puan. Bu kazançlar gerçek ve bir önceki şekildeki resmin gösterdiğinden daha küçük.

bge-m3’e karşı tablo karışık. Kenning sözleşmelerde 4,81 puan, hukuk ortalamasında ise biraz, 0,20 puan geride; içtihatta 1,21 puan, mevzuatta 3,00 puan önde. (Bu farklar yuvarlanmış skorlardan hesaplandı; kart yalnızca temel modele göre kazançları belirtiyor.) 0,20’lik bir fark, tek bir tabloya bakarak yorumlanamayacak kadar küçük. Sözleşmelerdeki fark değil.

Üçüncü görünüm, ayarın başka yerlerde neye mal olduğunu gösteriyor. Dört genel testte değişimler −1,16 ile +0,27 puan arasında: Türkçe anlamsal metin benzerliği (STSbTR) 1,16 düşük, İngilizce on görev ortalaması 0,25 düşük; Türkçe on dört görev ve çok dilli altı görev ortalamaları ise 0,17 ve 0,27 yüksek. Kart, Kenning’in ne için olmadığı arasında genel Türkçe gömme işlerini ve ana hedef olarak benzerliği sayıyor; modeli bu amaçla kullanmayı düşünüyorsanız akılda tutulacak olan, STSbTR düşüşü.

Kart tarifi birkaç satırda anlatıyor. Kenning, yaklaşık 17.000 çift üzerinde karşılaştırmalı (contrastive) öğrenmeyle ince ayarlandı. Çift, birbirine ait iki metindir; kart hangi metinler olduğunu söylemiyor, olağan tarif bir soru ve onu yanıtlayan pasajdır. Eğitim, bir çiftin iki metnini birbirine yaklaştırır ve her birini aynı toplu işteki (batch) diğer metinlerden uzaklaştırır.

Kayıp işlevinin adı CachedMultipleNegativesRanking ve bir Matryoshka kaybının içine sarılı; toplu iş boyutu 256, hassasiyet bf16, öğrenme hızı 2e-5 ve veri üzerinden tek geçiş. Düz sözlerle, bu türden bir kayıpla bir toplu işteki her metin 256 eş metinle karşılaştırılır: biri doğru, 255’i yanlıştır ve model doğru olana en yüksek skoru verdiğinde ödüllendirilir. “Cached”, bu kadar büyük toplu işleri mümkün kılan bir bellek hilesidir; “Matryoshka” ise bir gömmenin ilk sayılarının, iç içe geçen bebekler gibi, kendi başlarına da işe yarayacak biçimde eğitildiği anlamına gelir; böylece gömme kısaltılsa da çalışır.

Tarifin son satırı şaşırtıcı olanı: yayımlanan ağırlıklar, temel ağırlıklarla 50/50 ortalanmış. Bir model uzun bir sayı listesidir; bunlar ağırlıklarıdır. Temel modelin listesini ve ince ayarlı modelin listesini alın, her konumdaki iki sayının ortalamasını hesaplayın; sonuç, yayımlanan modeldir.

Model kartı kodu veriyor; kurulum satırı Kenning Turkish Legal sayfasında, kartın tamamı ise Hugging Face’te. İki ayrıntı gözden kaçması kolay. Sorgulara task: search result | query: istemi verilir, belgeler ise encode değil encode_document üzerinden geçer. Kart sonuçlarını 768 sayıyla bildiriyor; bu yüzden örnekte truncate_dim=768 ayarlanır. Aşağıdaki pasajlar, şekildeki uydurma pasajlardır.

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("runelab-ai/kenning-turkish-legal-v1", truncate_dim=768)

query_prompt = "task: search result | query: "
queries = ["Ürün geç gelirse satıcıdan tazminat isteyebilir miyiz?"]
documents = [
    "Satıcı, malı sözleşmede yazılı günde teslim etmezse alıcı, gecikilen her gün için mal bedelinin binde ikisi kadar ceza isteyebilir.",
    "Alıcı, teslim aldığı malda ayıp görürse bunu satıcıya en geç sekiz gün içinde yazılı olarak bildirmelidir.",
    "Kira bedeli her kira yılının başında, taraflarca yazılı olarak kararlaştırılan oranda artırılır.",
    # kendi maddeleriniz buraya
]

query_embeddings = model.encode(queries, prompt=query_prompt)
document_embeddings = model.encode_document(documents)
scores = model.similarity(query_embeddings, document_embeddings)

# İlk soru için en yakın üç pasaj.
for rank, i in enumerate(scores[0].argsort(descending=True)[:3].tolist(), start=1):
    print(rank, round(float(scores[0][i]), 3), documents[i][:70])

Önce sabitlenmiş sürümleri kurun (kart ayrıca torchvision ve pillow’un gerektiğini not ediyor): pip install "transformers==5.19.0" "sentence-transformers==6.1.0" torchvision pillow. Betik, soru için en yakın üç pasajı yazdırır. Çıktı listelemiyoruz, çünkü pasajlar uydurma; onu kendi maddelerinizde çalıştırıp sıralamaya bakın.

Hayır, ve kart da bunu söylüyor: sonuçları insanlar kontrol etmeli. Yüksek bir skor, bir pasajın anlamca sorunuza yakın olduğu demektir. Pasajın hukuk olduğu, güncel olduğu, sizin yargı çevrenizde geçerli olduğu ya da bir özetin iddia ettiğini söylediği demek değildir. İlk sonuçları okunacak adaylar olarak görün.

Gerçek sözleşmelere yöneltmeden önce, RAG yazısının bir aramayı sınadığı gibi sınayın: gerçek soruları, onları yanıtlayan maddelerle birlikte toplayın ve doğru maddenin kaç kez ilk k’ya girdiğini sayın. Ve metninizin nereye gittiğinin modele değil, kurulumun tamamına bağlı olduğunu unutmayın: Kenning’i denetiminizdeki donanımda çalıştırabilirsiniz ama çevresindeki bir sohbet aracı ya da barındırılan bir dizin metni başka yere gönderebilir.

Kenning model sayfası ve bu yazıdaki her sayının geldiği Hugging Face model kartı ile başlayın; geri getirmeden sonra ne olduğunu anlamak için RAG yanıtları nasıl bulur? yazısına bakın. Matryoshka fikri, Kusupati ve arkadaşlarının “Matryoshka Representation Learning” (2022) çalışmasından. Özgün ve ince ayarlı ağırlıkların ortalanması, Wortsman ve arkadaşlarının “Robust fine-tuning of zero-shot models” (2021) çalışmasında inceleniyor. nDCG ölçütü Järvelin ve Kekäläinen’e ait: “Cumulated gain-based evaluation of IR techniques” (ACM Transactions on Information Systems, 2002).

Bu yazı çok şeyi dışarıda bırakıyor: temel modelin nasıl yapıldığını, Mizan’ın nasıl oluşturulduğunu (kart adını veriyor; oluşturulma biçimini anlatmadık), üst sonuçları yeniden okuyan yeniden sıralayıcıları ve hukuk uygulamasına dair her şeyi. Harita, pasajlar ve yerleşimler öğretmek için uydurmalardır; yalnızca skorlar ve model olguları karttan geliyor.

Bir gömme modeli bir soruyu ve bir yığın maddeyi noktalara çevirir; aramak da en yakın olanları bulmaktır. Kenning, Türkçe bir hukuk sorusunu yanıtlayan maddelerin daha fazlasının sorunun yakınına düşmesi için ayarlanmıştır: kartın kendi testinde her görevde temel modelinin üzerinde, ortalamada bge-m3 ile başa baş, sözleşmelerde ise geride. Bu, ilk tur için yararlı bir araç; daha fazlası değil.

Bunları yapın:

• kartın söylediği iş için kullanın: Türkçe sözleşme, içtihat ve mevzuatta aday pasajları bulmak;
• kendi sorularınızda ve maddelerinizde sınayın ve seçmeden önce genel bir modelle karşılaştırın;
• sorgulara istemi verin, belgeleri encode_document üzerinden geçirin ve her yanıtın yanında pasajı gösterin;
• önemli olan her şey için döngüde bir insan tutun.

Bunları yapmayın:

• en üstteki sonucu hukuki görüş ya da hukukun kendisi saymayın;
• başka dillerde veya başka hukuk sistemlerinde, ya da genel bir Türkçe benzerlik modeli olarak kullanmayın;
• elle çizilmiş bir haritayı ya da 0,20 puanlık bir farkı herhangi bir şeyin kanıtı saymayın;
• model orada çalışabiliyor diye belgelerinizin makinenizde kaldığını varsaymayın.