# Gömme

## 🎯 TL;DR
Gömme, Bilgi Algoritması ile Doğal Dil Oluşturmayı birleştirmek için önemlidir. Gömme, hem kullanıcı sorgusunu hem de belgeleri paylaşılan bir alanda yoğun vektörler olarak temsil eder, böylece sistem benzerlik temelinde ilgili bilgileri alabilir. Alınan bu bilgiler daha sonra GPT gibi bir oluşturma modeline beslenir ve bağlamsal olarak bilgilendirilmiş ve doğru yanıtlar üretir.

## 📚 Anahtar Kavramlar
- **Embedding** → Gömme (verileri yoğun vektörler olarak temsil etme)
- **Retrieval-Augmented Generation (RAG)** → Bilgi Algoritması ile Geliştirilmiş Oluşturma
- **Dense Vectors** → Yoğun Vektörler (yüksek boyutlu verileri düşük boyutlu olarak temsil etme)
- **Natural Language Generation** → Doğal Dil Oluşturma
- **Information Retrieval** → Bilgi Algoritması

## 🔍 Detay (Orijinal İngilizce)
In Retrieval-Augmented Generation (RAG), embeddings are essential for linking information retrieval with natural language generation. Embeddings represent both the user query and documents as dense vectors in a shared space, enabling the system to retrieve relevant information based on similarity. This retrieved information is then fed into a generative model, such as GPT, to produce contextually informed and accurate responses. By using embeddings, RAG enhances the model's ability to generate content grounded in external knowledge, making it effective for tasks like question answering and summarization.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Gömme Rolünü Anlama: RAG LLM'ler](https://www.aporia.com/learn/understanding-the-role-of-embeddings-in-rag-llms/) — Gömme rollerini öğrenin
- 📖 [RAG Ustalaşması: Gömme Modeli Seçme](https://www.rungalileo.io/blog/mastering-rag-how-to-select-an-embedding-model) — Gömme modeli seçme rehberi