Vektör Veritabanları Rehberi: Benzerlik Araması, HNSW ve FAISS / pgvector / Qdrant Karşılaştırması

Bir kütüphanede "bu kitaba benzer bir şey istiyorum" dediğinizde, görevli ISBN numarasını sormaz; konuyu, tonu, hissi düşünür. Vektör veritabanları tam da bunu yapar: kelimelerin birebir eşleşmesini değil, anlamların yakınlığını arar. Bu rehberde benzerlik aramasının nasıl çalıştığını, HNSW gibi yaklaşık komşu algoritmalarını ve FAISS, pgvector ile Qdrant arasında ne zaman hangisini seçeceğinizi sezgisel olarak anlatıyorum.

1. Vektör nedir, neden benzerlik araması?

Bir gömme (embedding) modeli, bir metni, görseli veya sesi sayı dizisine, yani bir vektöre dönüştürür. Bu vektör, içeriğin "anlam koordinatları" gibidir. Benzer içerikler, çok boyutlu bir uzayda birbirine yakın noktalara düşer. "Köpek" ile "kedi" birbirine yakın, "köpek" ile "muhasebe" uzak olur.

Geleneksel veritabanı sorgusu birebir eşleşme arar: WHERE baslik = 'köpek'. Vektör araması ise "anlamca en yakın 10 kayıt" der. Bu, modern arama, öneri sistemleri ve özellikle RAG (getirmeyle güçlendirilmiş üretim) mimarilerinin kalbidir.

Anahtar fikir: Vektör veritabanı bir "anlam haritası" üzerinde en yakın komşuları bulan bir araçtır; klasik bir B-tree dizini değil.

2. Mesafe ölçüsü: yakınlık nasıl hesaplanır?

İki vektörün ne kadar "benzer" olduğunu bir mesafe (ya da benzerlik) ölçüsüyle hesaplarız. En yaygın üç tanesi:

• Kosinüs benzerliği: İki vektör arasındaki açıya bakar; büyüklüğü değil yönü önemser. Metin gömmelerinde en sık kullanılan ölçüdür.
• Öklid mesafesi (L2): İki nokta arasındaki düz çizgi mesafesi. Sezgisel; "ne kadar uzak" sorusunun en doğal cevabı.
• İç çarpım (dot product): Yön ve büyüklüğü birlikte hesaba katar; bazı önerme modelleri bunun için eğitilir.

Analojiyle: kosinüs "aynı yöne mi bakıyorlar?", Öklid "fiziksel olarak ne kadar yakınlar?" diye sorar. Hangi ölçüyü kullandığınız, gömme modelinin nasıl eğitildiğine bağlıdır; modelin önerdiği ölçüye uymak iyi bir varsayılan kuraldır.

3. ANN ve HNSW: hızın sırrı

Bir milyon vektörünüz varsa, sorgunuza en yakın 10 tanesini bulmak için hepsiyle tek tek mesafe hesaplamak (kaba kuvvet, "brute force") doğru ama yavaştır. İşte burada yaklaşık en yakın komşu (ANN — Approximate Nearest Neighbor) algoritmaları devreye girer: küçük bir doğruluk ödünü karşılığında muazzam bir hız kazandırır.

Bugün en popüler ANN yöntemi HNSW'dir (Hierarchical Navigable Small World). HNSW'yi bir uçuş ağı gibi düşünün: en üst katta yalnızca büyük havalimanları (kıtalar arası uzun atlamalar) vardır; aşağı indikçe daha yerel uçuşlar belirir. Arama en üst, seyrek katmandan başlar, hedefe kabaca yaklaşır, sonra alt katmanlara inerek ince ayar yapar. Böylece her noktayı ziyaret etmeden hedefe hızla varırsınız.

Basitleştirilmiş bir akış şöyle görünür:

fonksiyon ann_ara(sorgu_vektoru, k):
    giris = ust_kattaki_giris_dugumu
    # üst katmanlardan aşağıya doğru kabaca yaklaş
    for kat in ust_kattan_alta:
        giris = bu_katta_en_yakini_bul(giris, sorgu_vektoru)
    # en alt katmanda ef genişliğiyle ince arama
    aday_kume = oncelikli_kuyruk(boyut = ef)
    genislet(aday_kume, giris, sorgu_vektoru)
    return aday_kume.ilk_k(k)   # en yakın k komşu

Diğer aileler de vardır: IVF (vektör uzayını kümelere bölüp yalnızca ilgili kümeleri tarar) ve PQ (Product Quantization — vektörleri sıkıştırarak belleği küçültür). Pratikte bunlar sıkça birleştirilir (örn. IVF+PQ).

4. FAISS, pgvector, Qdrant karşılaştırması

Üç popüler aracın farkı, aslında "ne oldukları" sorusunda saklı:

• FAISS bir kütüphanedir, veritabanı değil. Meta tarafından geliştirilen, C++/Python tabanlı bu araç çok yüksek performanslı ANN dizinleri sunar; GPU desteği güçlüdür. Ancak kalıcılık, filtreleme, ağ API'si, kimlik doğrulama gibi "veritabanı" özelliklerini siz eklersiniz.
• pgvector PostgreSQL için bir eklentidir. Vektörleri tam da ilişkisel verinizin yanında saklamanızı sağlar; SQL ile filtreleyip JOIN'leyebilirsiniz. HNSW ve IVFFlat dizinlerini destekler. Zaten Postgres kullanıyorsanız ek altyapı maliyeti neredeyse sıfırdır.
• Qdrant baştan sona vektör için tasarlanmış, Rust ile yazılmış bir vektör veritabanıdır. HNSW dizini, zengin yük (payload) filtreleme, kümeleme/dağıtık çalışma ve REST/gRPC API'leri ile gelir. Büyük ölçek ve operasyonel olgunluk hedefleyenler için tasarlanmıştır.

Kabaca bir konumlandırma:

5. Ne zaman hangisi?

• pgvector seçin eğer zaten PostgreSQL kullanıyorsanız, veri hacminiz orta ölçekteyse ve vektörleri ilişkisel verinizle birlikte tek yerde tutmak istiyorsanız. En düşük operasyonel yük budur.
• Qdrant seçin eğer büyük ölçek, hızlı filtrelemeli aramalar, yatay ölçekleme ve hazır bir API ile çalışan tam teşekküllü bir vektör servisi istiyorsanız.
• FAISS seçin eğer maksimum performans ve esneklik için kendi katmanınızı kurmaya istekliyseniz, GPU'dan yararlanmak istiyorsanız ya da bir araştırma/prototip ortamında çalışıyorsanız.

Vektör veritabanı seçimi, bir araç değil bir mimari kararıdır: ölçeğinizi, ekibinizin operasyon kapasitesini ve mevcut yığınınızı birlikte değerlendirin. Anlamsal arama ve RAG sistemlerini üretim ortamına taşırken benzer kararları nasıl ele aldığımızı merak ediyorsanız, EcoFluxion'ın yaklaşımına göz atabilirsiniz.