Embedding Nedir?

Embedding Nedir?

Son güncelleme

Embedding, bir kelimenin, cümlenin ya da belgenin anlamını sabit uzunlukta bir sayı dizisiyle, yani vektörle temsil eden yapay zekâ yöntemidir. Anlamı yakın metinlerin vektörleri de birbirine yakın düşer, bu yakınlık çoğunlukla kosinüs benzerliğiyle ölçülür. Yöntem, anlamsal aramanın, erişim destekli üretimin ve belge sınıflandırmanın temelidir. Aynı konuyu farklı kelimelerle anlatan iki metni ortak kelime olmasa da buluşturur, bu yüzden içtihat ve sözleşme araştırmasında da kullanılır.

Embedding Ne Demek, Türkçesi Nedir?

Türkçede gömme ya da vektör temsili olarak karşılanır. Terim, metnin anlamının çok boyutlu bir sayı uzayına yerleştirilmesini anlatır. Metin gömmesi (text embedding), vektör gömmesi (vector embedding) ve dil modeli gömmesi (LLM embedding) adlarıyla da anılır.

Bilgisayar kelimeleri doğrudan anlamlandıramaz, yalnız sayılarla işlem yapar. Her metin parçası yüzlerce sayıdan oluşan bir koordinat alır ve anlam, bu koordinatlar arasındaki uzaklıkla ölçülür. Kelime, cümle, paragraf ve belge aynı yöntemle temsil edilir (TÜBİTAK ULAKBİM, Temel Kavramlar).

Klasik yöntemler metni kelime sayımıyla temsil ederdi. Kelime torbası ve TF-IDF gibi temsiller hangi kelimenin kaç kez geçtiğine bakar. Embedding ise anlamsal ilişkiyi yakalar, köpek ile kedi uzayda yakın, köpek ile ekonomi uzak düşer.

Embed etmek ile embedding aynı şey mi?

Aynı şey değildir. Günlük kullanımda embed etmek, bir videoyu ya da haritayı web sayfasına gömmek anlamına gelir. Yapay zekâdaki embedding ise anlamın sayısal temsilidir ve bu yazı yalnız ikinci anlamı ele alır.

Token ile embedding aynı şey mi?

Aynı şey değildir. Token, modelin metni işlemek için böldüğü en küçük parçadır, bir kelime ya da kelimenin bir hecesi olabilir. Embedding ise bu parçalardan oluşan metnin anlamını taşıyan vektördür.

Token sayısı modelin sınırlarını belirler. Beş tokendan kısa metinler düşük kaliteli vektör üretir, modelin azami token sınırını aşan metinler ise kesilir ya da parçalanır (TÜBİTAK ULAKBİM, Embedding Modelleri).

Embedding Nasıl Çalışır?

Model, metni okuyup sabit uzunlukta bir sayı dizisine çevirir ve anlamca benzer metinleri bu sayı uzayında birbirine yakın yerleştirir. Matematiksel olarak bu bir fonksiyondur, girdi uzayındaki her metin d boyutlu bir vektöre eşlenir (TÜBİTAK ULAKBİM, Temel Kavramlar).

Model bu eşlemeyi büyük bir metin yığınından öğrenir. Hangi ifadelerin benzer bağlamlarda geçtiğini görür ve bu bilgiyi vektör koordinatlarına işler. İşleyiş üç adımda ilerler.

  1. Dönüştürme: Model metni okur ve onu yoğun bir sayı dizisine çevirir. Bu dizideki her sayı, anlamın bir boyutunu temsil eder.
  2. Yerleştirme: Vektörler bir anlam uzayına yerleşir. Benzer bağlamlarda kullanılan ifadeler bu uzayda birbirine yakın konumlanır.
  3. Ölçme: İki vektörün yakınlığı hesaplanır. Örneğin “yapay zekâ uygulamaları” ile “makine öğrenmesi sistemleri” metinlerinin benzerliği yaklaşık 0,85, “Osmanlı tarihinde defterler” ile yaklaşık 0,10 olur (TÜBİTAK ULAKBİM, Embedding Modelleri).

Bu üç adım, aramadan sınıflandırmaya kadar birçok işin temelini oluşturur. Getirme (retrieval), sınıflandırma ve aykırı kayıt (outlier) tespiti aynı vektörleri kullanır.

Embedding nasıl yapılır?

Belgeler parçalanır, her parça bir modelle vektöre çevrilir, vektörler bir veritabanına yazılır ve sorgu aynı modelle vektöre çevrilip karşılaştırılır. Uygulamada süreç beş adımdan oluşur.

  1. Parçalama: Uzun belgeler modelin token sınırına göre parçalara bölünür, her parça kaynak belgeyle ilişkilendirilir.
  2. Model seçimi: Göreve ve dile uygun bir embedding modeli seçilir, sorgu ve belgeler için aynı model kullanılır.
  3. Vektör üretimi: Model her parçayı vektöre çevirir, vektörler birim uzunluğa indirilir. Bu işleme L2 normalizasyonu denir ve kosinüs benzerliğini iç çarpıma eşitler (TÜBİTAK ULAKBİM, Embedding Modelleri).
  4. Saklama: Vektörler bir vektör veritabanına yazılır, sorgu geldiğinde en yakın vektörler buradan bulunur.
  5. Karşılaştırma ve ölçüm: Sorgu vektörü ile belge vektörlerinin iç çarpımı alınır, en yüksek skorlu ilk sonuçlar listelenir. Getirme kalitesi düzenli ölçülür (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler).

Vektör boyutu ne anlama gelir?

Boyut, modelin ürettiği vektördeki sayı adedidir. Yaygın boyutlar 384, 768, 1024 ve 4096’dır. Yüksek boyut daha zengin bir temsil sunar, buna karşılık bellek ve hesaplama maliyetini artırır (TÜBİTAK ULAKBİM, Temel Kavramlar).

Çok yüksek boyutta bütün noktalar birbirine yaklaşır ve uzaklık ayrımı zayıflar. Bu duruma boyut laneti denir ve boyutun sınırsız büyütülememesinin sebebidir (TÜBİTAK ULAKBİM, Embedding Modelleri).

Embedding’de Benzerlik Nasıl Ölçülür?

En yaygın ölçü kosinüs benzerliğidir. İki vektör arasındaki açının kosinüsünü verir ve değer aralığı eksi 1 ile 1 arasındadır. Aynı yöne bakan vektörlerde değer 1’e yaklaşır, birbirine dik vektörlerde 0 olur (TÜBİTAK ULAKBİM, Temel Kavramlar).

Ölçü Neye bakar Ne zaman kullanılır
Kosinüs benzerliği İki vektörün yönüne, uzunluktan bağımsız Metin benzerliği ve aramada en yaygın ölçü
İç çarpım Hem yöne hem büyüklüğe Vektörler birim uzunluğa indirilmişse kosinüsle aynı sonucu verir
Öklid uzaklığı İki nokta arasındaki geometrik mesafeye Küçük değer daha yüksek benzerlik demektir

Benzerlik skoru kaç olursa iki metin benzer sayılır?

Sabit bir eşik yoktur, eşik verinin dağılımından öğrenilir. Aynı model farklı arşivlerde farklı skor aralıkları üretir, bu yüzden 0,80 gibi hazır bir sınır bir arşivde doğru, diğerinde yanıltıcı olabilir (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler).

Uygulamada eşik, insan onaylı küçük bir örnek setiyle kalibre edilir. Sabit eşik yerine yüzdelik dilim ya da standart sapma gibi veriye uyumlu ölçüler tercih edilir (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler).

Normalize edilmemiş vektörlerde kosinüs ile iç çarpımı karıştırmak sık yapılan bir hatadır. Farklı modellerin ürettiği vektörleri doğrudan karşılaştırmak da yanıltır, çünkü uzaylar birbiriyle uyumlu değildir (TÜBİTAK ULAKBİM, Embedding Modelleri).

Embedding Modeli Nedir?

Metni alıp vektöre dönüştüren yapay zekâ modelidir. Model, eğitim verisinden öğrendiği bağlam bilgisiyle her metne bir koordinat atar. Aynı model farklı görevlerde farklı başarı gösterir, bu yüzden tek bir en iyi modelden söz edilemez (TÜBİTAK ULAKBİM, Görev Türleri).

Model Özellik Boyut
BERT ve Sentence-BERT Yoğun vektör üreten ilk yaygın modeller, cümle düzeyinde temsil 768
multilingual-e5-large Çok dilli, Türkçe karşılaştırmalarda referans olarak kullanılır 1024
bge-m3 Çok dilli, yoğun ve seyrek temsili birlikte üretir, hibrit aramaya uygun 1024
F2LLM TÜBİTAK ULAKBİM’in tez arşivinde kullandığı model 2048

Model seçerken altı soru sorulur. Görev getirme mi, sınıflandırma mı, Türkçe desteği var mı, boyut ve maliyet dengesi nasıl, lisans ticari kullanıma uygun mu, bellek ne kadar, model ne sıklıkla güncelleniyor (TÜBİTAK ULAKBİM, Embedding Modelleri).

Bi-encoder ile cross-encoder arasındaki fark nedir?

Bi-encoder sorguyu ve belgeyi ayrı ayrı vektöre çevirip benzerliği sonra hesaplar, cross-encoder ise ikisini birlikte okuyup tek bir skor üretir. İlki hızlıdır ve büyük arşivlerde ilk tarama için uygundur, ikincisi daha doğrudur ama yavaştır (TÜBİTAK ULAKBİM, Temel Kavramlar).

Uygulamada ikisi birlikte çalışır. Bi-encoder ilk adayları getirir, cross-encoder bu adayları yeniden sıralar. Bu ikinci katmana yeniden sıralama (reranking) denir.

Embedding modelleri nasıl karşılaştırılır?

Standart ölçüt MTEB (Massive Text Embedding Benchmark) adlı lider tablosudur. Modelleri dokuz görev türünde ve onlarca dilde değerlendirir. Tabloda tek skora bakmak yanıltır, görev türü bazlı kırılıma bakılır (TÜBİTAK ULAKBİM, MTEB Değerlendirme).

  • Dil filtresi: Türkçe metin için tabloda Türkçe ya da çok dilli işaretli modeller süzülür. Filtre doğru kurulmazsa çok dilli bir model yerel modelden düşük görünebilir.
  • Görev filtresi: Arama için getirme ve yeniden sıralama skorları esas alınır, konu etiketi için sınıflandırma skoru.
  • Model boyutu: Milyarlarca parametreli bir model her ortamda çalışmaz, bütçeye göre sınırlandırılır.
  • Kendi verisiyle test: Tablo yön gösterir, mutlak sonuç vermez. Aday model, kurumun kendi verisinden hazırlanan 200 örneklik insan onaylı bir sette yeniden sınanır.

Türkçe hukuk metinleri için model nasıl seçilir?

Lider tablosunda Türkçe ve getirme filtreleri birlikte uygulanır, sonra aday model kurumun kendi kararlarından hazırlanan küçük bir ölçüm setiyle sınanır (TÜBİTAK ULAKBİM, MTEB Değerlendirme).

Genel amaçlı bir modelin Türkçe desteğini ve hukuk jargonunu ne kadar yakaladığı ancak bu testle görülür. Tablo skoru yüksek bir model, Türkçe karar metinlerinde beklenenin altında kalabilir.

Yeni model eskisinin yerine konmadan önce aynı ölçü setiyle karşılaştırılır. TÜBİTAK ULAKBİM, Türkçe akademik metinler için böyle bir eğitim ve ölçüm kümesi tasarlamaktadır (TÜBİTAK ULAKBİM, Anlamsal Arama).

Word Embedding, Cümle ve Doküman Embedding’i Arasındaki Fark Nedir?

Fark, vektörün hangi metin biriminin anlamını taşıdığıdır. Kelime düzeyinde her sözcük bir vektör alır, cümle ve belge düzeyinde ise bütün metin parçası tek vektöre dönüşür (TÜBİTAK ULAKBİM, Temel Kavramlar).

Düzey Ne temsil eder Hukukta örnek kullanım
Kelime (word embedding) Tek bir sözcüğün bağlamdan öğrenilen anlamı Eş anlamlı terimlerin yakınlığı, fesih ile sona erdirme
Cümle Bir cümlenin ya da kısa paragrafın bütün anlamı Bir hüküm cümlesine benzer hüküm cümlelerini bulma
Doküman Belgenin ya da parçasının genel konusu Bir karara konu bakımından benzer kararları listeleme

Hukuk araştırmasında aranan şey çoğu zaman tek kelime değil, bir meselenin tarifi olduğu için cümle ve doküman düzeyi öne çıkar. Onlarca sayfalık bir karar modelin sınırını aştığı için parçalara bölünür, bu sınırın ayrıntısı bağlam penceresi yazısında anlatılmıştır.

Embedding yalnız metinle sınırlı değildir. Görüntü ve ses gibi yapılandırılmamış veriler de aynı yöntemle vektöre çevrilir (TÜBİTAK ULAKBİM, Temel Kavramlar).

Dense ve Sparse Embedding Nedir, Hibrit Arama Ne Demek?

Dense yani yoğun vektörde her boyut sıfırdan farklı bir değer taşır ve anlamı temsil eder, sparse yani seyrek vektörde boyutların çoğu sıfırdır ve temsil kelime düzeyinde kalır. Hibrit arama ikisini birleştirir (TÜBİTAK ULAKBİM, Temel Kavramlar).

BM25 ve SPLADE gibi yöntemler seyrek temsil üretir ve anahtar kelime eşleşmesinde güçlüdür. Yoğun temsil anlamı, seyrek temsil kelimeyi yakaladığı için ikisini birleştiren hibrit arama çoğu zaman en iyi sonucu verir (TÜBİTAK ULAKBİM, Embedding Modelleri).

Hukuk için bu birleşim zorunluluğa yakındır. Meseleyi tarif ederek arama yoğun temsile, madde ve esas numarası gibi kesin değerleri arama seyrek temsile dayanır.

Embedding Nerelerde Kullanılır?

Altı temel kullanım alanı vardır ve hepsi aynı vektörlerden beslenir. Her alan farklı bir görev türüne karşılık gelir, bu yüzden model seçimi de alana göre değişir (TÜBİTAK ULAKBİM, Temel Kavramlar).

  • Anlamsal arama: Sorgu ve belgeler aynı uzaya taşınır, kelime yerine anlam düzeyinde eşleşme sağlanır.
  • Erişim destekli üretim: Dil modeline bağlam sağlamak için ilgili belgeler vektör benzerliğiyle getirilir.
  • Kümeleme: Benzer belgeler etiketsiz olarak gruplanır, örneğin aynı konudaki kararlar bir araya gelir.
  • Sınıflandırma: Vektörler, belgeyi önceden tanımlı bir sınıfa atayan modellere girdi olur.
  • Yeniden sıralama: İlk aşamada getirilen sonuçlar daha hassas bir modelle yeniden dizilir.
  • Metin benzerliği: İki metnin anlamsal yakınlığı puanlanır, kopya ve yakın kopya tespiti bu puana dayanır.

Kümeleme ve aykırı kayıt tespiti nasıl çalışır?

Kümeleme, etiketsiz belgeleri vektör yakınlığına göre otomatik gruplara ayırır. Yüksek boyutlu vektörler önce boyut indirgemeyle küçültülür, sonra yoğunluk tabanlı bir algoritma kümeleri ve hiçbir kümeye girmeyen kayıtları bulur (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler).

Aykırı kayıt tespiti aynı vektörlerle yapılır. Bir belgenin kendi etiket grubunun merkezine uzaklığı ölçülür, uzak kalan kayıt yanlış etiketlenmiş ya da farklı konuda olabilir. Hukuk arşivinde bu yöntem yanlış sınıflanmış kararları ayıklamaya yarar (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler).

Anahtar Kelime Araması ile Anlamsal Arama Arasındaki Fark Nedir?

Kelime araması metinde aynı kelimelerin geçip geçmediğine, anlamsal arama ise metnin anlamca sorguya ne kadar yakın olduğuna bakar. Klasik arama “yapay zekâ” sorgusuyla “makine öğrenmesi” içeren belgeleri kaçırır, eş anlamlıları ve alana özel jargonu eşleştiremez (TÜBİTAK ULAKBİM, Anlamsal Arama).

Konu Anahtar kelime araması Anlamsal arama
Neyi eşleştirir Aynı kelimeleri Benzer anlamları
Farklı kelimelerle anlatılan aynı mesele Her ifadenin ayrı aranması gerekir Ortak kelime olmasa da bulabilir
Madde numarası, esas numarası, tarih Kesin eşleşme sağlar Kesinlik garantisi vermez
Sorgu biçimi Kelimeler ve operatörler Doğal dilde bir soru ya da örnek paragraf
Kısa sorgu Sonuç sıralaması bozulabilir Çok kısa sorguda vektör kalitesi düşer

Yargıtay Karar Arama ve UYAP Emsal Karar formları kelime ile esas ve karar numarasıyla, Mevzuat Bilgi Sistemi ise kanun adı ve numarasıyla sorgu alır. Bu sistemlerde doğru sonuç için doğru kelimeyi tahmin etmek gerekir, anlamsal arama bu tahmin yükünü kaldırır.

Anlamsal aramanın başarısı üç ölçüyle izlenir. İlk sonuçlar içinde ilgili belgenin bulunup bulunmadığı, sıralamanın kalitesi ve ilk ilgili sonucun sırası ayrı ayrı ölçülür (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler).

Vektör Veritabanı Nedir, Embedding ile İlişkisi Nedir?

Vektör veritabanı, embedding vektörlerini saklayan ve anlamsal yakınlığa göre arama yapan veritabanı türüdür. Milvus ve Qdrant bu türün bilinen örnekleridir ve TÜBİTAK ULAKBİM 50.000 tezin vektörünü Qdrant üzerinde tutmaktadır (TÜBİTAK ULAKBİM, Anlamsal Arama).

İş akışı iki aşamalıdır. Önce arşivdeki her belge vektöre çevrilip veritabanına yazılır, sonra gelen sorgu aynı modelle vektöre çevrilir ve veritabanı en yakın belgeleri döndürür.

  • Aynı model kuralı: Sorgu ve belgeler aynı modelle vektöre çevrilmelidir, aksi hâlde uzaylar uyuşmaz.
  • Sıkıştırma (quantization): Vektörler 32 bitlik ondalık sayıdan 8 bitlik tam sayıya ya da ikili biçime indirilir, disk ve bellek kazancı sağlanır, kalite kaybı kontrol altında tutulur.
  • Kademeli boyut (Matryoshka): Bazı modeller aynı vektörden farklı boyutlar kesilmesine izin verir, böylece maliyet ile kalite arasında seçim yapılır.
  • Kayma (drift): Üretimdeki vektör dağılımı zamanla değişebilir, bu değişimin izlenmesi gerekir (TÜBİTAK ULAKBİM, Embedding Modelleri ve Terimler Sözlüğü).

Vektörler kurum içinde tutulabilir mi?

Tutulabilir, vektör veritabanı kurumun kendi sunucusunda çalıştırılabilir ve belgeler dışarı çıkmaz. Milvus ve Qdrant gibi veritabanları kurum içi kurulumu destekler.

Bellek planlaması için vektör sayısı, boyut ve sayı başına 4 bayt çarpılır. 50.000 belge 2048 boyutta 50.000 × 2048 × 4 bayt, yani yaklaşık 400 MB tutar (TÜBİTAK ULAKBİM, Embedding Modelleri).

RAG Nedir ve Embedding’in RAG’deki Rolü Nedir?

RAG, yani erişim destekli üretim, yapay zekânın önce soruyla ilgili belgeleri getirdiği, sonra dil modelinin bu belgeleri bağlam olarak kullanıp cevap ürettiği yapıdır. Embedding bu yapının getirme katmanıdır, yani belgeyi bulan kısımdır (TÜBİTAK ULAKBİM, YZ Asistanları).

Yöntemin amacı kurumsal bilgiye dayalı, kaynağa bağlı ve hesap verebilir cevaplardır. Klasik dil modeli cevapları kurum verisinden bağımsız ve doğrulanamaz olabilir (TÜBİTAK ULAKBİM, YZ Asistanları).

Bu yüzden cevabın geldiği belge bağlantı olarak gösterilir ve atıf ayrıca kontrol edilir. Bu kontrolün nasıl yapıldığı atıf doğrulama yazısında anlatılmıştır.

Yapı hatayı azaltır ama ortadan kaldırmaz. Kaynak gösterimine ek olarak konu dışı ve hassas sorular için filtre ve halüsinasyon işareti gibi koruma kuralları önerilir (TÜBİTAK ULAKBİM, YZ Asistanları).

Yapının tamamı erişim destekli üretim yazısında, hata türleri yapay zekâ halüsinasyonu yazısında anlatılmıştır.

Embedding ile büyük dil modeli arasındaki fark nedir?

Embedding modeli metni anlar ve sayıya çevirir, büyük dil modeli ise metin üretir. RAG yapısında ilki belgeyi bulur, ikincisi bulunan belgeye dayanarak cevabı yazar.

Yanlış belge getirilirse dil modeli ne kadar güçlü olursa olsun cevap yanlış kaynağa dayanır. Bu yüzden iki katman ayrı seçilir ve ayrı ölçülür (TÜBİTAK ULAKBİM, YZ Asistanları).

Hukuk Araştırmasında Anlamsal Arama Nerede Devreye Girer?

Hukukçu aradığı meseleyi kendi kelimeleriyle tarif ettiğinde devreye girer. Aynı meseleyi farklı kelimelerle anlatan kararlar, ortak kelime içermeseler de aynı listede toplanır ve hukukçu kararın hangi kelimelerle yazıldığını tahmin etmek zorunda kalmaz.

Karşı tarafın sözleşmedeki edimini süresinde yerine getirmediği ve şirketin sözleşmeye son vermek istediği bir dosya düşünün. Veritabanına temerrüt nedeniyle sözleşmenin sona erdirilmesi yazıldığında anlamsal arama sorguyu kelime kelime değil, anlamına göre değerlendirir.

Bir karar sözleşmenin sona erdirilmesinden, bir başkası edimin zamanında yerine getirilmemesi üzerine sözleşmeye son verilmesinden söz edebilir. Anlamsal arama ikisini de getirir, kelime araması ise yalnız yazılan ifadeyi bulur.

  • İçtihat araştırması: Hukukçu meseleyi kendi cümleleriyle tarif ederek ilgili kararlara ulaşır. Bu işin nasıl çalıştığı emsal karar eşleştirme yazısında anlatılmıştır.
  • Sözleşme incelemesi: Farklı dönemlerde ve farklı kişilerce yazılmış sözleşmelerde aynı işlevi gören maddeler, başlıkları farklı olsa da bulunur.
  • Dosya içi arama: Uzun bir dava dosyasında belirli bir iddianın tartışıldığı pasajlar, aynı kelimeler kullanılmasa da tespit edilir.
  • Kopya tespiti: Aynı dilekçenin ya da kararın yakın kopyaları metin benzerliği puanıyla ayıklanır (TÜBİTAK ULAKBİM, Görev Türleri).

Aynı listede fesih, dönme, iptal ve geçersizlik kararları birlikte çıkabilir. Hepsi anlamca birbirine yakındır, ama hukuken farklı sonuçlar doğurur. Model konuyu doğru tespit eder, hukuki niteleme ise onun işi değildir.

Fesih ile Dönme Neden Model İçin Yakın, Hukuk İçin Farklıdır?

İkisi de sözleşmenin sona ermesini anlattığı ve benzer bağlamlarda geçtiği için model tarafından yakın konumlandırılır. Kanun ise bu iki yolu borçlunun temerrüdü hâlinde farklı sözleşmelere ve farklı sonuçlara bağlar (Türk Borçlar Kanunu m. 125 ve m. 126).

Konu Sözleşmenin feshi Sözleşmeden dönme
Dayanak Türk Borçlar Kanunu m. 126 Türk Borçlar Kanunu m. 125, süre verilmesi m. 123 ve m. 124
Hangi sözleşmelerde İfasına başlanmış sürekli edimli sözleşmelerde Karşılıklı borç yükleyen sözleşmelerde
Nasıl kullanılır Borçlunun temerrüdü hâlinde alacaklı, ifa ve gecikme tazminatı isteyebileceği gibi sözleşmeyi de feshedebilir Verilen uygun süre içinde ifa edilmemişse ya da süre verilmesi gerekmiyorsa alacaklı, ifadan ve gecikme tazminatından vazgeçtiğini hemen bildirerek dönebilir
Sonuç Sözleşme süresinden önce sona erer Taraflar karşılıklı olarak ifa yükümlülüğünden kurtulur ve daha önce ifa ettikleri edimleri geri isteyebilir
Tazminat Sözleşmenin süresinden önce sona ermesi yüzünden uğranan zarar Borçlu temerrüde düşmekte kusursuz olduğunu ispat edemezse, sözleşmenin hükümsüz kalması sebebiyle uğranan zarar

Süre verilmesine gerek olmayan üç hâl kanunda sayılmıştır. Süre verilmesinin etkisiz kalacağı anlaşılıyorsa, ifa alacaklı için yararsız kalmışsa ya da belirli zamanda ifa edilmeyen borcun artık kabul edilmeyeceği sözleşmeden anlaşılıyorsa süre verilmez (Türk Borçlar Kanunu m. 124).

Aşırı ifa güçlüğünde de aynı ayrım korunur. Borçlu, hâkimden sözleşmenin yeni koşullara uyarlanmasını, bu mümkün değilse sözleşmeden dönmeyi isteyebilir, sürekli edimli sözleşmelerde ise kural olarak dönme yerine fesih hakkını kullanır (Türk Borçlar Kanunu m. 138).

Sürekli edimli bir sözleşmeyi karşı tarafın temerrüdü nedeniyle sona erdirmek isteyen hukukçu için ilgili emsaller, m. 126’ya dayanan fesih kararlarıdır (Türk Borçlar Kanunu m. 126).

Listenin üstündeki bir dönme kararı konu bakımından benzer görünür. Oysa edimlerin geri istenmesi gibi başka sonuçları tartışır (Türk Borçlar Kanunu m. 125).

Hukuk Metinlerinde Anlamsal Aramanın Sınırları Nelerdir?

Dört sınır vardır ve hepsi modelin anlam yakınlığını ölçmesinden, hukuki özdeşliği ölçmemesinden kaynaklanır. İlki hukuki, diğer üçü tekniktir.

  1. Anlamca yakın, hukuken farklı: Aynı bağlamda geçen iki kurum, örneğin fesih ile dönme, uzayda yan yana düşer. Model bu ikisini ayırmaz, ayrım hukukçuya kalır (Türk Borçlar Kanunu m. 125 ve m. 126).
  2. Kesin değerler: Madde ve esas numarası gibi değerler anlamsal yakınlıkla değil, kelime eşleşmesiyle bulunur. Bu yüzden seyrek ve yoğun temsil birlikte kullanılır (TÜBİTAK ULAKBİM, Embedding Modelleri).
  3. Uzun kararlar: Onlarca sayfalık bir karar modelin token sınırını aşar. Belge parçalara bölünür ve bir parçadaki anlam diğerinden kopabilir (TÜBİTAK ULAKBİM, Embedding Modelleri).
  4. Alan uyumu: Genel metinle eğitilmiş bir model hukuk jargonunu her zaman doğru temsil etmez. Türkçe hukuk metninde test edilmemiş bir model için MTEB skoru yön gösterir, sonucu garanti etmez (TÜBİTAK ULAKBİM, MTEB Değerlendirme).

Bu sınırlar yöntemi değersiz kılmaz, kullanım biçimini belirler. Anlamsal arama ilgili kararları önüne getirir, hukukçu hangisinin dosyaya uyduğuna karar verir ve cevabın dayandığı kaynak her zaman gösterilir.

Kişisel Veriler ve KVKK Hangi İlkeleri Öngörür?

Kişisel veri içeren bir metnin vektöre çevrilmesi kişisel veri işleme sayılır, çünkü Kanun veriler üzerinde yapılan her türlü işlemi işleme olarak tanımlar (6698 sayılı Kişisel Verilerin Korunması Kanunu m. 3). Dava dosyaları ve kararlar bu kapsamdadır.

Kurum, yapay zekâ çalışmalarının hukuka uygunluk, dürüstlük, ölçülülük, hesap verebilirlik ve şeffaflık ilkelerine dayanmasını tavsiye eder (KVKK, Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler, 2025). Dört tavsiye doğrudan vektör üretimini ilgilendirir.

  • Tasarımdan itibaren koruma: Sistem ilk aşamadan itibaren veri koruma ilkesine göre geliştirilir ve her projeye özel bir uyum programı kurulur.
  • Etki değerlendirmesi: Yüksek risk öngörülüyorsa mahremiyet etki değerlendirmesi yapılır ve işlemenin hukuka uygunluğuna bu çerçevede karar verilir.
  • Özel nitelikli veri: Sağlık, ceza mahkûmiyeti gibi özel nitelikli veriler işleniyorsa özel koruma tedbirleri uygulanır.
  • Amaç sınırlılığı: Kişisel veri kullanım amacı belirli ve sınırlı olur, veri doğru ve güncel tutulur.

Tavsiyeler, veri sorumlusu ile onun adına veri işleyeni ayrı tanımlar. Vektör veritabanı kurum dışında bir hizmette tutuluyorsa bu rollerin ve sorumlulukların baştan belirlenmesi gerekir (KVKK, Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler, 2025).

Bir Hukuk Yapay Zekâ Aracının Arama Katmanı Nasıl Değerlendirilir?

Cevabın akıcılığına göre değil, dayandığı kaynağı gösterip göstermediğine ve kesin aramaları destekleyip desteklemediğine göre değerlendirilir. Aracı değerlendirirken şu yedi soru tek tek sorulur.

  • Kaynak: Cevap, dayandığı karar ya da mevzuatın tam metnine bağlantı veriyor mu?
  • Bulunamama: Kaynak bulunamadığında sistem bunu açıkça söylüyor mu, yoksa tahmin mi üretiyor?
  • Kesin arama: Madde numarası ve esas numarası gibi kesin aramalar da destekleniyor mu, yani hibrit arama var mı?
  • Türkçe test: Arama Türkçe hukuk metinlerinde, kurumun kendi örnekleriyle test edildi mi?
  • Güncellik: Yeni karar dizine eklendiğinde ne kadar sürede aranabilir hâle geliyor?
  • Veri yeri: Vektörler ve belgeler kurum içinde mi, dış sunucuda mı tutuluyor?
  • Ölçüm: Getirme kalitesi hangi ölçülerle izleniyor ve sonuçlar paylaşılıyor mu (TÜBİTAK ULAKBİM, Yöntemler ve Metrikler)?

Bu soruların cevabı, aracın arama katmanının nasıl kurulduğunu gösterir. İçtihat ve mevzuat aramasının dosya takibiyle aynı panelde nasıl çalıştığı hukuk otomasyonu sayfasında anlatılmıştır.

Sıkça Sorulan Sorular

Embedding nedir? Bir metnin anlamını sabit uzunlukta bir sayı dizisiyle, yani vektörle temsil eden yapay zeka yöntemidir. Anlamı yakın metinlerin vektörleri birbirine yakın düşer.

Embedding ne demek, Türkçesi nedir? Türkçede gömme ya da vektör temsili olarak karşılanır. Terim, metnin anlamının çok boyutlu bir sayı uzayına yerleştirilmesini anlatır.

Embedding ne işe yarar? Anlamsal arama, erişim destekli üretim, kümeleme, sınıflandırma, yeniden sıralama ve metin benzerliği ölçümünde kullanılır. Hukukta farklı kelimelerle yazılmış kararları buluşturur.

Embedding modeli nedir? Metni vektöre dönüştüren yapay zekâ modelidir. Aynı model farklı görevlerde farklı başarı gösterir, bu yüzden görev ve dile göre seçilir.

Word embedding nedir? Tek bir kelimenin bağlamdan öğrenilen anlamını taşıyan vektördür. Cümle ve doküman düzeyindeki vektörler ise bütün metin parçasının anlamını taşır.

Embed etmek ne demek? Günlük kullanımda bir videoyu ya da haritayı web sayfasına gömmek demektir. Yapay zekâdaki embedding ise anlamın sayısal temsilidir, ikisi farklı kavramlardır.

Embedding ile token arasındaki fark nedir? Token, modelin metni böldüğü en küçük parçadır. Embedding ise bu parçalardan oluşan metnin anlamını taşıyan vektördür.

Embedding boyutu nedir? Vektördeki sayı adedidir, yaygın boyutlar 384, 768, 1024 ve 4096’dır. Yüksek boyut daha zengin temsil sunar ama bellek ve hesaplama maliyetini artırır.

Anlamsal arama nedir? Sorgudaki kelimeleri değil, sorgunun anlamını esas alan aramadır. Farklı kelimelerle yazılmış ama aynı konuyu anlatan metinler bulunabilir.

Kosinüs benzerliği nedir? İki vektörün ne kadar aynı yöne baktığını ölçen değerdir. Eksi 1 ile 1 arasında değişir ve 1’e yaklaştıkça metinler daha benzer kabul edilir.

Vektör veritabanı nedir? Embedding vektörlerini saklayıp anlamsal yakınlığa göre arama yapan veritabanıdır. Milvus ve Qdrant bilinen örneklerdir.

Embedding, anahtar kelime aramasının yerini alır mı? Almaz. Madde ve esas numarası gibi kesin değerlerde kelime araması gerekir, bu yüzden iki yöntemi birleştiren hibrit arama önerilir.

RAG, yapay zekânın hata yapmasını önler mi? Önlemez, azaltır. Kaynak gösterimine ek olarak halüsinasyon işareti gibi koruma kuralları önerilir.

Embedding hukukçunun yerini alır mı? Almaz. İlgili kararları bulmayı hızlandırır, bir kararın somut olaya uyup uymadığına ilişkin hukuki niteleme hukukçuya aittir.

Kaynakça

Mevzuat

Resmî kaynaklar

Share this post