Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Anlamsal arama (semantic search), RAG sistemleri, öneri motorları ve çok modlu (metin/görsel) benzerlik uygulamalarının kalbinde vektör arama yer alır. Ancak milyonlarca yüksek boyutlu vektörde doğru indeks parametresini, filtreleme stratejisini ve sıkıştırma (quantization) yöntemini seçmemek ya çok yüksek RAM faturasına ya da düşük arama isabetine (recall) neden olur.

Bu eğitim tek bir ürüne bağlı kalmadan vektör veri tabanlarının temel bilgisayar bilimi ve mimari prensiplerine odaklanır. Yoğun ve seyrek (SPLADE/BM25) vektör temsilleri, Cosine/Dot Product/L2 metrikleri, HNSW, IVF ve DiskANN algoritmaları, Product/Scalar/Binary Quantization ile bellek optimizasyonu, pre/post/single-stage metadata filtreleme, multi-tenancy ve Recall@K vs QPS kıyaslaması uygulamalı olarak işlenir.

Kimler Katılmalı?

  • Anlamsal arama, RAG ve öneri sistemleri geliştiren AI ve backend mühendisleri
  • Kurumsal vektör arama altyapısını ve kapasitesini planlayan veri ve çözüm mimarları
  • Arama kalitesini (Recall/NDCG) ve sorgu gecikmesini optimize eden arama/veri bilimi ekipleri
  • Ön koşul: temel Python veya backend geliştirme ve temel veri tabanı bilgisi

Kazanımlar

  • Embedding modelinin eğitim şekline göre Cosine, Inner Product veya L2 uzaklık metriğini doğru seçmek
  • HNSW (M, efConstruction, efSearch) ve IVF (nlist, nprobe) parametreleriyle Recall–Gecikme–RAM dengesini kurmak
  • Scalar, Product (PQ) ve Binary Quantization ile bellek maliyetini %75–95 azaltırken isabet kaybını yönetmek
  • Yüksek seçicilikli metadata filtrelerinde oluşan HNSW graf kopmalarını (filtered ANN) çözmek
  • Yoğun (dense) ve seyrek (sparse/BM25) aramayı RRF veya öğrenilmiş ağırlıklarla birleştirip Recall@K ölçümü yapmak

Konular

Embedding Temsilleri, Boyutluluk ve Uzaklık Metrikleri
  • Yoğun (dense), seyrek (sparse / SPLADE), çoklu vektör (ColBERT late interaction) ve Matryoshka (MRL) embedding'ler
  • Cosine Similarity, Inner Product (Dot Product) ve Euclidean (L2) uzaklığı; normalizasyonun etkisi
  • Boyutluluk laneti (curse of dimensionality) ve Tam Arama (Flat / Brute-Force k-NN) sınırları
ANN (Approximate Nearest Neighbor) İndeks Algoritmaları
  • Kümeleme tabanlı indeksler: IVF (Inverted File Index), Voronoi hücreleri, nlist ve nprobe dengesi
  • Graf tabanlı indeksler: HNSW katmanlı yapısı ve M, efConstruction, efSearch parametrelerinin etkisi
  • Disk tabanlı indeksler: Vamana / DiskANN mimarisi ve SSD üzerinde milyar ölçekli vektör arama
Bellek Hesabı ve Vektör Sıkıştırma (Quantization)
  • Float32 vektörlerin ve HNSW kenar listelerinin gerçek RAM maliyeti nasıl hesaplanır?
  • Scalar Quantization (FP16 / INT8) ve Product Quantization (PQ - alt uzay kod kitapları)
  • Binary Quantization (1-bit) ve yüksek boyutlu modellerde oversampling + rescoring stratejisi
Metadata Filtreleme, Hibrit Arama ve Multi-Tenancy
  • Filtered ANN problemi: Pre-filtering, Post-filtering ve Single-Stage (Acorn / Payload Index) filtreleme
  • Dense + Sparse/BM25 Hibrit Arama, Reciprocal Rank Fusion (RRF) ve Cross-Encoder Reranking
  • Multi-tenant vektör mimarisi: tenant başına namespace/partition vs paylaşılan indeks filtreleme
Performans Kıyaslama (Benchmarking), Güncelleme ve Operasyon
  • Recall@K, NDCG@K, QPS ve p95/p99 gecikme metrikleriyle indeks kalitesi ölçümü
  • HNSW üzerinde silme/güncelleme (tombstone), segment birleştirme (compaction) ve indeks yeniden oluşturma

Bu Kategorideki Diğer Eğitimler

Bizimle iletişime geçin