# Vektör Veritabanı Nedir, Nasıl Çalışır? Embedding, Anlamsal Arama ve Kurumsal Yapay Zekada Doğru Seçim

> Vektör veritabanı nedir, nasıl çalışır? Embedding ve anlamsal aramayı, pgvector mı ayrı ürün mü kararını, 7 seçim sorusunu ve güvenlik önlemlerini öğrenin.

Kaynak: https://digitalbridge.com.tr/blog/vektor-veritabani-nedir.html
Yayıncı: Digital Bridge Teknoloji (https://digitalbridge.com.tr)
Konu: Yapay Zeka
Yayın: 2026-10-03 · Güncelleme: 2026-10-30

Vektör veritabanı, metin, görsel veya ses gibi içerikleri anlamını temsil eden sayı dizileri (vektörler, [embedding](https://digitalbridge.com.tr/sozluk.html#embedding)) olarak saklayan ve bir soruya anlamca en yakın kayıtları çok kısa sürede bulan veri deposudur. Anahtar kelime eşleşmesi yerine anlam benzerliğiyle arar; kurumsal yapay zeka asistanlarının belge bulma katmanı çoğunlukla budur.

## Kısaca

- Vektör veritabanı, içeriği anlamını temsil eden sayı dizileri olarak saklar ve kelime eşleşmesi yerine anlam benzerliğiyle arar.
- Milyonlarca vektörde hızlı arama için HNSW ve IVF gibi yaklaşık en yakın komşu (ANN) dizinleri kullanılır.
- Vektör sayısı birkaç milyonu aşmıyorsa mevcut veritabanına pgvector gibi bir eklentiyle başlamak çoğu zaman yeterlidir.
- OWASP, vektör ve embedding zayıflıklarını LLM08:2025 başlığıyla ayrı bir yapay zeka güvenlik riski olarak sınıflıyor.
- Yetki süzgeci arama anında uygulanmalı; aksi halde asistan, kullanıcının göremeyeceği belgeyi yanıtına taşıyabilir.

## Şirketler neden vektör veritabanına ihtiyaç duyar?

Vektör veritabanı ihtiyacı genellikle bir yapay zeka projesinin ortasında ortaya çıkar. Ekip [belgelerle sohbet eden bir asistan](https://digitalbridge.com.tr/blog/belgelerle-sohbet-yapay-zeka.html) ya da akıllı arama pilotu kurmuştur; ilk denemeler iyidir ama belge sayısı arttıkça yanıtlar yavaşlar, alakasız paragraflar gelir ve biri "Bize bir vektör veritabanı lazım" der. Ardından sorular çoğalır: Mevcut veritabanımız bunu yapamaz mı, ayrı bir ürün mü almalıyız, veri nerede duracak?

Karışıklığın kaynağı, vektör veritabanının tek başına bir çözüm değil, bir altyapı parçası olmasıdır. Kullanıcı vektör veritabanını görmez; yalnızca asistanın doğru belgeyi bulup bulmadığını görür. Belgeden yanıt üreten mimarinin, yani [RAG (Retrieval-Augmented Generation)](https://digitalbridge.com.tr/sozluk.html#rag) yaklaşımının bütününü [RAG nedir yazımızda](https://digitalbridge.com.tr/blog/rag-nedir-kurumsal-llm.html) anlattık; bu yazı o mimarinin "getirme" katmanına, yani vektörlerin nasıl saklandığına ve arandığına odaklanıyor. Kullanıcının arama ekranında ne gördüğünü ise [yapay zeka destekli kurumsal arama](https://digitalbridge.com.tr/blog/kurumsal-arama-yapay-zeka.html) yazımızda ele aldık.

## Vektör veritabanı nasıl çalışır? Embedding ve anlamsal arama

Vektör veritabanının çalışması embedding ile başlar. Bir embedding modeli, bir cümleyi ya da paragrafı yüzlerce, hatta binlerce boyutlu bir sayı dizisine çevirir. Anlamca yakın metinler bu uzayda birbirine yakın noktalara düşer. "Yıllık izin kaç gün?" sorusu ile "Çalışanlara her yıl tanınan dinlenme süresi" başlıklı paragraf ortak kelime taşımasa da vektörleri birbirine yakındır.

Vektör veritabanı bu noktaları saklar ve gelen bir soru vektörüne en yakın komşuları bulur. Milyonlarca vektörü tek tek karşılaştırmak yavaş olacağı için yaklaşık en yakın komşu (ANN) dizinleri kullanılır. Yaygın yöntemler şunlardır:

- **HNSW (katmanlı yakınlık grafiği):** Hızlı ve isabetlidir, ancak bellek tüketimi yüksektir.
- **IVF (kümeleme tabanlı dizin):** Vektörleri kümelere ayırır; daha az bellekle çalışır, ayarı daha dikkat ister.
- **Sıkıştırma (quantization):** Vektörleri küçülterek bellek ve disk ihtiyacını düşürür; karşılığında isabet biraz azalabilir.

Arama sonucunu belirleyen yalnızca dizin değildir. Her vektörün yanında belge adı, sürüm, bölüm, tarih ve yetki grubu gibi üst veriler saklanır; sorgu "yalnızca geçerli sürümler ve bu kullanıcının görebildiği belgeler" diye süzülür. Türkçenin eklemeli yapısı nedeniyle embedding modelinin Türkçe başarımı da sonucu doğrudan etkiler; ayrıntısı [Türkçe doğal dil işleme](https://digitalbridge.com.tr/blog/turkce-dogal-dil-isleme.html) yazısında.

## Yanlış kurulan vektör veritabanı hangi riskleri doğurur?

Vektör deposu, şirket belgelerinin anlamsal bir kopyasıdır. Bu yüzden OWASP'ın (Open Worldwide Application Security Project) [OWASP Top 10 for LLM Applications 2025](https://genai.owasp.org/llm-top-10/) listesi "Vektör ve Gömme (Embedding) Zayıflıkları" başlığını (LLM08:2025) ayrı bir risk olarak sınıflıyor. Yetki süzgeci olmayan, farklı kaynakları tek havuzda karıştıran ya da dışarıdan zehirlenebilen bir vektör deposu, asistanın yanlış kişiye yanlış belgeyi getirmesine yol açar.

> [IBM Cost of a Data Breach Report 2025](https://newsroom.ibm.com/2025-07-30-ibm-report-13-of-organizations-reported-breaches-of-ai-models-or-applications,-97-of-which-reported-lacking-proper-ai-access-controls) bültenine göre kuruluşların %13'ü yapay zeka modeli veya uygulamasında ihlal yaşadı; bunların %97'sinde uygun yapay zeka erişim kontrolleri yoktu.

Sorun 2025'te kalmadı: [IBM'in 2026 Veri İhlali Maliyeti bülteninde](https://newsroom.ibm.com/2026-07-29-ibm-study-one-in-four-malicious-breaches-are-ai-enabled,-costing-companies-6-million-on-average) kuruluşların %20'sinden fazlası yapay zeka modellerini veya uygulamalarını hedef alan bir ihlal bildirdi. Erişim kontrolü vektör katmanında kurulmazsa, dosya sunucusundaki yetkiler ne kadar düzgün olursa olsun asistan onları atlar. Bu ilkenin asistan tarafını [yetki bazlı yapay zeka](https://digitalbridge.com.tr/blog/yetki-bazli-yapay-zeka.html) yazısında ele aldık.

Yanlış kurulan getirme katmanının kalite tarafında da bedeli var. [Stanford HAI AI Index Report 2026](https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf) verisine göre AA-Omniscience bilgi testinde 26 önde gelen modelin halüsinasyon oranı %22 ile %94 arasında değişti. Modelin yalnızca kendi bilgisine güvenmek yerine şirket belgesine dayanması bu yüzden önemlidir; ancak getirme katmanı yanlış ya da eski paragrafı bulursa model o paragrafa dayanarak yine ikna edici ama hatalı bir yanıt yazar; bu konuyu [yapay zeka halüsinasyonu rehberimizde](https://digitalbridge.com.tr/blog/yapay-zeka-halusinasyon.html) ayrıca ele aldık.

## Ayrı vektör veritabanı mı, mevcut veritabanına eklenti mi?

Ayrı bir vektör veritabanı mı yoksa mevcut sisteme eklenti mi kararı, kurumsal projelerde en sık tartışılan konudur. Üç temel seçenek vardır ve hiçbiri her durumda doğru değildir:

| Kriter | Mevcut ilişkisel veritabanına vektör eklentisi (ör. PostgreSQL için pgvector) | Arama motorunun vektör özelliği | Ayrı (özel amaçlı) vektör veritabanı |
|---|---|---|---|
| Uygun ölçek | Küçük ve orta hacimli belge kümeleri | Orta–büyük; metin araması zaten kullanılıyorsa | Çok büyük hacim ve yüksek sorgu yükü |
| Hibrit arama (kelime + anlam) | Ek yapılandırma gerekir | Güçlü; doğal olarak desteklenir | Ürüne göre değişir |
| Yetki ve üst veri süzme | Mevcut tablo ve yetki yapısıyla birleşir | İyi | İyi; yetki modeli ayrıca tasarlanır |
| İşletme yükü | Düşük; ekip zaten tanıyor | Orta | Yeni bir bileşen: yedekleme, izleme, güncelleme |
| Kurum içinde barındırma | Kolay | Mümkün | Açık kaynak seçeneklerde mümkün, bazı ürünler yalnızca bulut |

Pratik kural şudur: vektör sayısı birkaç milyonu aşmıyorsa ve ekip zaten bir ilişkisel veritabanı işletiyorsa, eklentiyle başlamak çoğu zaman yeterlidir. On milyonlarca vektör, yüksek eşzamanlı sorgu ve katı gecikme hedefleri birlikte geldiğinde ayrı bir vektör veritabanı değerlendirilir. Bu eşikler kesin sınır değildir; donanıma, dizin ayarına ve süzme ihtiyacına göre değişir, bu yüzden karar pilot ölçümüyle verilmelidir. Vektör veritabanını dil modeliyle birlikte şirket içinde çalıştırmak için [yerel LLM kurulumu](https://digitalbridge.com.tr/blog/yerel-llm-kurulumu.html) yazımıza bakabilirsiniz.

Vektör veritabanı, raporlama için kurulan yapıların yerini de almaz. [Veri ambarı](https://digitalbridge.com.tr/veri-analitik/veri-ambari.html) sayısal soruları ("geçen çeyrek bölgelere göre satış") yanıtlar; vektör deposu anlamsal soruları ("iade sürecinde müşteriye ne söylüyoruz?"). Ham verinin tutulduğu katmanlarla farkını [veri gölü ile veri ambarı karşılaştırmasında](https://digitalbridge.com.tr/blog/veri-golu-nedir.html), sensör verisine özel depoları [zaman serisi veritabanı yazısında](https://digitalbridge.com.tr/blog/zaman-serisi-veritabani-sensor-verisi.html) anlattık.

## Vektör veritabanı seçmeden önce yanıtlanması gereken 7 soru

1. **Ne aranacak?** Prosedür, sözleşme, teknik kılavuz, e-posta, ürün kataloğu ya da görsel. İçerik türü, parçalama (chunking) yöntemini ve embedding modelini belirler.
2. **Hacim ve büyüme ne?** Bugünkü belge sayısını ve yıllık artışı tahmin edin. Vektör sayısı belge sayısının katlarıdır, çünkü belgeler parçalara bölünür; uzun bir kılavuz tek başına onlarca parça üretebilir.
3. **Kesin ifadeler önemli mi?** Ürün kodu, madde numarası, parça no gibi değerler anlamsal aramada kaçabilir. Bunlar varsa hibrit arama (anahtar kelime + vektör) şarttır.
4. **Yetki modeli nasıl?** Her parçanın hangi gruba açık olduğu vektörle birlikte saklanmalı ve sorgu anında süzülmelidir. Mevcut klasör yetkilerinin nasıl kurgulandığını [dosya paylaşım yetkilendirme yazımızda](https://digitalbridge.com.tr/blog/dosya-paylasim-yetkilendirme.html) anlattık.
5. **Veri nerede durmalı?** Kişisel veri içeren belgelerde embedding'ler de kişisel veri taşıyabilir. Bulut mu kurum içi mi kararı KVKK açısından değerlendirilmelidir; genel çerçeve [yapay zeka ve KVKK](https://digitalbridge.com.tr/blog/yapay-zeka-kvkk.html) yazımızda.
6. **Güncelleme nasıl olacak?** Belge değiştiğinde eski parçaların silinip yenilerinin eklenmesi otomatik olmalı. Aksi halde asistan iptal edilmiş prosedürden yanıt verir.
7. **Başarı nasıl ölçülecek?** Gerçek kullanıcı sorularından bir test seti hazırlayın ve "doğru parça ilk beş sonuçta mı?" sorusunu düzenli ölçün. Model ya da dizin ayarı değiştiğinde test tekrarlanmalıdır.

Bu soruların çoğu teknolojiden önce veri düzeniyle ilgilidir. Aynı belgenin üç sürümü varsa en iyi dizin bile yanlış sürümü bulabilir; [mükerrer kayıt ve veri kalitesi yazımız](https://digitalbridge.com.tr/blog/veri-kalitesi-mukerrer-kayit.html) bu temizliğin nasıl yapılacağını anlatıyor.

## Vektör veritabanı nasıl güvenli işletilir?

OWASP'ın LLM08 başlığı altında toplanan vektör veritabanı riskleri somut önlemlerle azaltılabilir. Kontrol listesi olarak şunları öneriyoruz:

- **Yetkiyi sorguda uygulayın.** Yetki süzgeci, sonuçlar geldikten sonra değil, arama sırasında uygulanmalı; aksi halde model yetkisiz parçayı görmüş olur.
- **Kaynakları ayırın.** Müşteri verisi, İK belgeleri ve genel prosedürler aynı dizinde karışmamalı; gerekirse ayrı koleksiyonlar kullanılmalı.
- **Girişi denetleyin.** Vektör deposuna yalnızca onaylı kaynaklardan belge girmeli; dışarıdan yüklenen dosyalar zehirleme riski taşır.
- **Silmeyi kanıtlayın.** Saklama süresi dolan ya da silinmesi istenen belgenin vektörleri de silinmeli ve bu kayıt altına alınmalı.
- **Erişimi kaydedin.** Kim hangi soruyla hangi parçalara ulaştı, kayıtlarda görülebilmeli.

Çalışanların genel yapay zeka servislerine şirket verisi kopyalaması ise ayrı bir risktir; bunu [ChatGPT ve şirket verisi güvenliği](https://digitalbridge.com.tr/blog/chatgpt-sirket-verisi-guvenligi.html) yazımızda ele aldık. Vektör katmanının sızma ve yapılandırma denetimini [siber güvenlik danışmanlığı](https://digitalbridge.com.tr/danismanlik/siber-guvenlik.html) kapsamında yapıyoruz.

## Digital Bridge vektör veritabanı projelerini nasıl yürütüyor?

Digital Bridge olarak vektör veritabanını tek başına bir ürün olarak satmıyoruz; onu [kurumsal LLM asistanı](https://digitalbridge.com.tr/teknoloji-donanim/kurumsal-llm-asistan.html) ya da anlamsal arama projesinin bir katmanı olarak kuruyoruz. İşleyişimiz şöyle:

- **Keşif ve ihtiyaç analizi.** Hangi belgelerin aranacağını, hacmi, yetki yapısını ve verinin nerede durması gerektiğini birlikte çıkarıyoruz. Bu aşamanın sonunda eklenti mi ayrı veritabanı mı kararını gerekçesiyle yazıyoruz.
- **Veri hazırlığı.** Belgeleri ayıklıyor, sürümleri netleştiriyor ve üst veri şemasını tanımlıyoruz. Bu iş [veri yönetişimi ve kalite](https://digitalbridge.com.tr/veri-analitik/veri-yonetisimi-kalite.html) çalışmalarımızla aynı disiplinle yürüyor.
- **Pilot.** Tek bir alanda (ör. kalite prosedürleri) gerçek kullanıcı sorularıyla bir test seti oluşturup farklı embedding modellerini ve dizin ayarlarını karşılaştırıyoruz. Kararı ölçüme göre veriyoruz.
- **Entegrasyon.** Vektör katmanını ERP, doküman yönetimi, intranet ya da yardım masasına [yapay zeka entegrasyonu](https://digitalbridge.com.tr/teknoloji-donanim/yapay-zeka-entegrasyonu.html) ile bağlıyor, belge güncellendiğinde dizinin kendiliğinden yenilenmesini sağlıyoruz.
- **Kurum içi seçenek.** Verinin dışarı çıkamadığı yapılarda embedding modelini, vektör deposunu ve dil modelini tamamen kurum sunucusunda çalıştırabiliyoruz.

Terminolojisi çok özel alanlarda embedding ya da dil modelinin uyarlanması gerekebilir; hangi durumda gerektiğini [firmaya özel yapay zeka modeli rehberimizde](https://digitalbridge.com.tr/blog/firmaya-ozel-yapay-zeka-modeli.html) açıkladık. Hazır paket satmıyoruz; ihtiyaç analizinin ardından kapsamı ve aşamaları içeren yazılı bir teklif hazırlıyoruz.

Asıl ihtiyaç ekibin kendi belgelerine soru sorabilmesiyse, ayrı bir vektör projesinden önce hazır bir ürün de değerlendirilebilir: [SmartFiles kurumsal dosya yönetiminde](https://digitalbridge.com.tr/smart360/smartfiles.html) belgeye ya da klasörün tamamına soru sorulur ve yapay zeka yalnız kullanıcının görme yetkisi olan dosyalardan yanıt üretir. SmartFiles'ı [Smart360 üzerinden satın alabilirsiniz](https://smart360.com.tr/satin-al?urun=smartfiles).

## Vektör veritabanı projesine nasıl başlanır?

Vektör veritabanı kararı bir ürün listesiyle değil, üç bilgiyle başlar: aranacak belge türleri, yaklaşık hacim ve kimin neyi görebileceği. Bu üçünü bir sayfaya yazın ve ekibinizin en sık sorduğu 30–50 soruyu ekleyin. Nereden başlayacağınızdan emin değilseniz önce [şirketlerde yapay zekaya nereden başlanır](https://digitalbridge.com.tr/blog/sirketlerde-yapay-zeka-nereden-baslamali.html) yazımıza göz atın.

Listeniz hazırsa [iletişim sayfamızdan](https://digitalbridge.com.tr/iletisim.html) bize ulaşın; birlikte inceleyip eklentiyle mi ayrı bir veritabanıyla mı başlamanın mantıklı olduğunu ve pilotun kapsamını çıkaralım. Diğer kullanım alanları için [Yapay Zeka rehberimizin tamamına](https://digitalbridge.com.tr/blog/konu/yapay-zeka.html) bakabilirsiniz.

## Sık Sorulan Sorular

### Vektör veritabanı ile ilişkisel veritabanı arasındaki fark nedir?

İlişkisel veritabanı satır ve sütunlarda kesin değerleri saklar ve "eşittir, büyüktür" gibi koşullarla sorgulanır. Vektör veritabanı ise içeriğin anlamını temsil eden sayı dizilerini saklar ve "buna en çok benzeyen kayıtlar hangileri" sorusunu yanıtlar. Bugün birçok ilişkisel veritabanı eklentiyle vektör araması da yapabildiği için iki yaklaşım aynı sistemde birlikte çalışabilir.

### Embedding nedir?

Embedding, bir metin parçasının, görselin ya da sesin anlamının yüzlerce, hatta binlerce boyutlu bir sayı dizisiyle ifade edilmesidir. Bu dönüşümü embedding modeli yapar. Anlamca benzer içerikler birbirine yakın sayı dizileri üretir; böylece farklı kelimelerle yazılmış ama aynı konudan bahseden iki metin arama sırasında eşleşebilir. Modelin Türkçe başarımı sonuç kalitesini doğrudan etkiler.

### Her yapay zeka projesi vektör veritabanı gerektirir mi?

Hayır. Talep tahmini, görüntü işleme ya da anomali tespiti gibi projeler sayısal veya görsel veriyle çalışır ve genellikle vektör deposuna ihtiyaç duymaz. Vektör veritabanı, belgelerden yanıt veren asistanlar, anlamsal arama, benzer kayıt bulma ve öneri sistemleri gibi "anlamca yakın olanı bul" sorusunun merkezde olduğu işlerde gerekir.

### Vektör veritabanında kişisel veri saklanır mı?

Saklanabilir. Embedding'ler asıl metin değildir, ancak kaynak metin kişisel veri içeriyorsa vektörler ve yanlarında tutulan metin parçaları da kişisel veri kapsamında değerlendirilmelidir. Bu nedenle erişim yetkileri, saklama süreleri, silme talepleri ve verinin barındırıldığı yer KVKK açısından ele alınmalı, gerekirse sistem tamamen kurum içinde kurulmalıdır.

### Vektör veritabanı RAG için şart mı?

Çoğu RAG projesinde getirme katmanı bir vektör deposudur, ancak bunun için ayrı bir ürün almak şart değildir. Vektör sayısı birkaç milyonu aşmıyorsa mevcut ilişkisel veritabanına eklenen bir vektör eklentisi ya da arama motorunun vektör özelliği çoğu zaman yeterlidir. Ürün kodu gibi kesin ifadeler de aranıyorsa anlamsal aramanın hibrit aramayla desteklenmesi gerekir.

### Hibrit arama nedir, neden önemlidir?

Hibrit arama, klasik anahtar kelime aramasıyla vektör tabanlı anlamsal aramanın sonuçlarını birleştirir. Anlamsal arama farklı ifadelerle sorulan soruları yakalar, anahtar kelime araması ise ürün kodu, madde numarası veya özel isim gibi kesin ifadeleri kaçırmaz. Kurumsal belgelerde bu iki tür ifade bir arada bulunduğu için hibrit arama çoğu projede daha isabetli sonuç verir.

### Vektör veritabanı maliyeti neye bağlıdır?

Maliyeti tek bir ürün lisansı değil, birkaç kalem birlikte belirler: vektör sayısı ve boyutu, dizin türünün bellek ihtiyacı, eşzamanlı sorgu yükü, bulut ya da kurum içi barındırma, embedding modelinin çalıştırılma biçimi ve yedekleme ile izleme gibi işletme işleri. Mevcut veritabanına eklentiyle başlamak çoğu zaman yeni bir bileşen işletmekten daha az ek yük getirir; kesin kapsam ihtiyaç analiziyle netleşir.
