Yükleniyor...
Kullanıcılar sitenizdeki arama kutusuna 'sosyal medya için şablon' yazmak yerine 'Instagram'da dikkat çeken bir açılış görseli nasıl yaparım?' diye sorduğunda, geleneksel anahtar kelime eşleştirme sistemleriniz neden tamamen çöküyor?
Kullanıcılar sitenizdeki arama kutusuna "sosyal medya için şablon" yazmak yerine "Instagram'da dikkat çeken bir açılış görseli nasıl yaparım?" diye sorduğunda, geleneksel anahtar kelime eşleştirme sistemleriniz neden tamamen çöküyor?
Yıllarca arama motorlarını beslemek için metinlerimizi anahtar kelimelerle doldurduk. Ancak yapay zeka ve büyük dil modellerinin (LLM) yükselişiyle birlikte, arama teknolojileri kelimelerin harf dizilimlerini eşleştirmekten, onların arkasındaki kavramsal anlamları ve niyetleri anlamaya doğru evrildi. Bu dönüşümün en somut ve devasa ölçekli örneklerinden biri, her gün milyonlarca kullanıcının görsel ve şablon aradığı tasarım platformu Canva'da yaşanıyor.
Canva, geleneksel anahtar kelime odaklı arama altyapısının sınırlarını aşmak için semantik arama (dense retrieval) sistemlerine geçiş yaptı. Bu vaka analizinde, Canva'nın mühendislik ekiplerinin teknik mimarisini nasıl kurduğunu inceleyecek ve içeriğinizi bu yeni nesil vektör tabanlı dizinlere nasıl hazırlayacağınızı somut adımlarla ele alacağız.
Geleneksel bilgi getirim (information retrieval) sistemleri, uzun yıllardır BM25 (Best Matching 25) algoritmasına dayanıyordu. Bu algoritma, bir kelimenin dökümanda ne kadar sık geçtiğini (TF - Term Frequency) ve tüm döküman havuzunda ne kadar nadir bulunduğunu (IDF - Inverse Document Frequency) ölçerek bir skor üretir. Ancak BM25'in büyük bir kör noktası vardır: Eş anlamlı kelimeleri, dolaylı anlatımları ve en önemlisi görsel bağlamı anlayamaz.
Canva'nın mühendislik blogunda yayımlanan "How we built semantic search for templates" makalesine göre, kullanıcılar her zaman teknik veya doğrudan terimlerle arama yapmazlar. Örneğin, kullanıcı "retro yaz esintisi" arattığında, BM25 veri tabanında bu kelimelerin tam olarak geçmesini bekler. Oysa kullanıcının aslında aradığı şey; sarı neon degrade arka planlar, 80'ler tipografisi ve palmiye silüetleridir.
İşte bu noktada devreye Yoğun Geri Çağırım (Dense Retrieval) giriyor. Bu sistemde hem arama sorguları hem de içerikler (metinler, görseller, şablonlar) çok boyutlu bir matematiksel uzayda vektörlere (embedding) dönüştürülür. İki kavramın anlamsal olarak birbirine ne kadar yakın olduğu, bu vektörler arasındaki açının kosinüsü (Cosine Similarity) hesaplanarak bulunur. Eğer iki vektör arasındaki açı sıfıra yakınsa, bu iki içerik kelime düzeyinde tamamen farklı olsalar bile anlamsal olarak birbirine son derece yakındır.
Canva mühendisleri, arama sorguları ile görsel şablonları aynı ortak vektör uzayına yerleştirebilmek için İki Kuleli (Two-Tower) Sinir Ağı mimarisini kullanmaktadır. Bu mimaride sistem iki ana koldan oluşur:
Bu iki kule, eğitim aşamasında kullanıcının tıklama ve indirme gibi etkileşim verileriyle beslenir. Böylece, "retro" sorgusu ile "sarı-turuncu degrade" görselinin vektörleri uzayda birbirine doğru yaklaştırılır.
Ancak Canva, geleneksel Elasticsearch (BM25) altyapısını tamamen çöpe atmadı. Çünkü semantik arama modelleri bazen tam marka isimlerini veya çok spesifik teknik kodları (örneğin "A4" veya "1080x1920") yakalamakta zorlanabilir. Bu yüzden Canva, hibrit bir arama mimarisi kullanıyor.
Meta AI Research tarafından yayımlanan Dense Passage Retrieval (DPR) çalışması da bu yaklaşımı desteklemektedir. Araştırmaya göre, DPR ve BM25'i birleştiren hibrit modeller, en iyi 20 dökümanı getirme başarısında (Top-20 Retrieval Accuracy) %91.7 gibi yüksek bir başarı oranına ulaşmaktadır. Canva da bu iki sistemi birleştirerek hem tam kelime eşleşmelerini hem de anlamsal derinliği aynı anda sunabiliyor.
Semantik boşluk, kullanıcının zihnindeki soyut kavramlar ile dijital varlıkların somut özellikleri arasındaki farktır. Canva bu boşluğu kapatmak için içeriklerin metadata yapısını zenginleştirir.
Bir şablonun vektör uzayındaki koordinatını (embedding) belirleyen temel sinyaller şunlardır:
Bu sinyaller, Sentence-BERT (SBERT) benzeri modellerle işlenerek yoğun vektörlere dönüştürülür ve Qdrant, Milvus veya Pinecone gibi yüksek performanslı vektör veri tabanlarında indekslenir.
Yapay zeka tabanlı arama motorlarında ve Canva benzeri platformlarda içeriğinizin "en yakın komşu" (k-NN / k-Nearest Neighbors) olarak seçilmesini ve üst sıralarda yer almasını istiyorsanız, geleneksel SEO taktiklerini güncellemeniz gerekir. İşte uygulayabileceğiniz 3 somut adım:
Semantik arama modelleri, arka arkaya virgülle ayrılmış anahtar kelimeleri (keyword stuffing) anlamlandırmakta zorlanır ve bu durum vektör kalitesini düşürür. Bunun yerine içeriğinizi mantıklı bir akışla, hiyerarşik alt başlıklar kullanarak kurgulayın.
İçeriğinizin içinde, kullanıcının arama motoruna sorabileceği olası doğal dil sorularına doğrudan ve net cevap veren paragraflar bulundurun. Örneğin, bir ürün açıklaması yazıyorsanız, doğrudan "Bu şablon ne işe yarar?" veya "Bu şablonu kimler kullanmalı?" sorularını metin içinde doğal bir şekilde yanıtlayın.
Modellerin içeriğinizi doğru vektörleştirebilmesi için teknik sinyaller sağlayın. Görselleriniz için detaylı alt etiketleri yazın, sayfa yapınızda Schema.org biçimlendirmelerini eksiksiz kullanın. Canva örneğinde olduğu gibi, bir tasarımın sadece rengini değil, hissettirdiği modu ("enerjik", "sakin", "profesyonel") metinsel metadata olarak içeriğe dahil edin.
Arama dünyası artık sadece web sayfalarını tarayan botlardan ibaret değil. İçeriklerimiz artık çok boyutlu vektör uzaylarında matematiksel noktalara dönüşüyor. Gelecekte geleneksel Arama Motoru Optimizasyonu (SEO) kavramının yerini Vektör Optimizasyonu (Vector Engine Optimization - VEO) alacak. Canva'nın semantik arama dönüşümü, bu geleceğin halihazırda başladığının en net kanıtıdır. İçeriğini anahtar kelime yığınlarından arındırıp, anlamsal bütünlüğe ve kavramsal derinliğe odaklayan üreticiler, bu yeni yapay zeka tabanlı arama ekosisteminde görünür kalmayı başaracaktır.
Hafta 24 · Yapay Zeka ile A/B Testi Otomasyonu: İçerik Varyasyonlarını Bilimsel Yönetmek
Başlık Testlerinde Klasik A/B'yi Terk Etmek: Optimizely'nin Çok Kollu Haydut (MAB) Geçişi
Statik A/B testlerinde, 'kaybeden' varyasyonun getirdiği trafik ve dönüşüm kaybını sessizce kabullenmek zorunda değilsiniz.