Embedding (anlam vektörü), kelime, cümle, belge hatta görsel gibi verileri, anlamlarını koruyacak biçimde sayı dizilerine — vektörlere — çeviren temsil yöntemidir. Bilgisayarlar kelimelerle değil sayılarla çalışır; embedding bu çeviriyi öyle yapar ki anlamca benzer şeyler, vektör uzayında birbirine yakın noktalara düşer. “Kedi” ile “köpek” vektörleri yakın, “kedi” ile “buzdolabı” uzak olur.
Bir benzetme: Her kelimeye devasa bir haritada bir koordinat verildiğini düşünün — ama 2 boyutlu değil, yüzlerce boyutlu bir haritada. Bu haritada “kral – erkek + kadın” yönünde yürüdüğünüzde “kraliçe” civarına varmanız, embeddinglerin anlam ilişkilerini gerçekten yakaladığını gösteren klasik örnektir. Büyük dil modelleri de her tokeni önce bir embeddinge çevirir; modelin içindeki tüm hesap bu vektörler üzerinde döner.
Nerede işinize yarar?
Embedding, anlamsal aramanın (semantic search) temelidir: “iade nasıl yapılır” diye arayan kullanıcıya, içinde “iade” kelimesi hiç geçmese bile “ürün geri gönderim koşulları” belgesini bulabilirsiniz — çünkü iki metnin vektörleri yakındır. Öneri sistemleri, benzer belge kümeleme ve kopya tespiti de aynı ilkeyle çalışır. En güncel kullanım alanı ise RAG sistemleridir: belgeler embeddinglere çevrilip vektör veritabanında saklanır, kullanıcının sorusuna en yakın parçalar bulunup modele bağlam olarak verilir. Klasik anahtar kelime aramasından farkı tam da budur: harf eşleşmesi değil, anlam yakınlığı.