# Vektör Veritabanı (Vector Database)

## 🎯 TL;DR
Vektör veritabanları, Erişim Artırılmış Üretim (RAG) sistemlerinde, belgeler veya diğer bilgi kaynaklarının vektör temsillerini (gömmeler) depolamak için kullanılır. Bir sorgu yapıldığında, sistem sorguyu bir gömmeye dönüştürür ve veritabanında en alakalı, benzer gömmeleri arar. Bulunan bu bilgiler daha sonra üretken bir modele beslenerek daha doğru ve bağlama duyarlı yanıtlar üretilmesini sağlar.

## 📚 Anahtar Kavramlar
- **Retrieval-Augmented Generation (RAG)** → Erişim Artırılmış Üretim (Üretken yapay zeka modellerinin, harici bilgi kaynaklarından bilgi alarak daha doğru ve bağlama uygun yanıtlar üretmesini sağlayan bir teknik.)
- **Vector database** → Vektör Veritabanı (Verilerin vektör temsillerini (gömmeler) depolayan ve hızlıca benzerlik araması yapabilen özel bir veritabanı türü.)
- **Embeddings** → Gömmeler/Vektör Temsilleri (Metin, resim gibi verilerin sayısal vektörlere dönüştürülmüş halleri; anlamsal benzerliği korur.)
- **Generative model** → Üretken Model (Yeni ve orijinal içerik (metin, resim vb.) oluşturabilen yapay zeka modeli.)
- **Query** → Sorgu (Bir bilgi sisteminden bilgi talep etmek için kullanılan girdi.)
- **Context-aware response** → Bağlama Duyarlı Yanıt (Verilen bağlamı dikkate alarak oluşturulmuş, daha alakalı ve doğru yanıt.)
- **Similarity search** → Benzerlik Araması (Vektör uzayında birbirine en yakın vektörleri bulma işlemi.)

## 🔍 Detay (Orijinal İngilizce)
When implementing Retrieval-Augmented Generation (RAG), a vector database is used to store and efficiently retrieve embeddings, which are vector representations of data like documents, images, or other knowledge sources. During the RAG process, when a query is made, the system converts it into an embedding and searches the vector database for the most relevant, similar embeddings (e.g., related documents or snippets). These retrieved pieces of information are then fed to a generative model, which uses them to produce a more accurate, context-aware response.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Bilgi Grafikleri ve Vektör Veritabanları Kullanarak Grafik RAG Nasıl Uygulanır](https://towardsdatascience.com/how-to-implement-graph-rag-using-knowledge-graphs-and-vector-databases-60bb69a22759) — Bilgi grafikleri ve vektör veritabanları ile RAG uygulamasını detaylandıran bir makale.
- 📖 [Vektör Veritabanları ile Erişim Artırılmış Üretim (RAG): Yapay Zeka Yeteneklerini Genişletme](https://objectbox.io/retrieval-augmented-generation-rag-with-vector-databases-expanding-ai-capabilities/) — Vektör veritabanlarının RAG'deki rolünü ve yapay zeka yeteneklerini nasıl artırdığını açıklayan bir makale.