Geleneksel arama motoru optimizasyonu (SEO) pratikleri, yıllarca arama sorgusundaki kelimelerin metin içinde kaç kez geçtiğini sayan istatistiksel eşleme algoritmalarına (özellikle BM25 standardına) dayanıyordu. Ancak internetin yeni arama geçitleri olan Perplexity, OpenAI Search ve Google Gemini gibi yapay zeka tabanlı sistemler artık anahtar kelimeleri saymıyor. Bu sistemler, içeriğinizi "dense retrieval" (yoğun geri çağırma) adı verilen bir yöntemle, metinleri çok boyutlu matematiksel vektörlere dönüştürerek tarıyor.
Eğer içeriğiniz, yapay zeka modellerinin arka planda kullandığı vektör veri tabanlarında (Pinecone, Milvus veya Qdrant gibi) sorgu vektörüyle çakışmıyorsa, teknik olarak görünmez kalacaktır. Peki, bir yazılım mühendisi titizliği ve bir öğretmen netliğiyle yaklaşacak olursak; metinlerimizi bu yeni anlamsal (semantik) arama dünyasına nasıl hazırlayabiliriz?
1. Embedding Nedir ve Nasıl Çalışır?
Bir bilgisayarın "elma" kelimesiyle "meyve" kelimesi arasındaki ilişkiyi anlaması için bu kelimelerin anlamsal değerlerinin sayısallaştırılması gerekir. Bu işleme embedding (vektörleştirme) diyoruz.
Örneğin OpenAI'ın sunduğu text-embedding-3-small modeli, kendisine verilen bir metin bloğunu alır ve onu 1536 boyutlu bir sayı dizisine (vektöre) dönüştürür. Bu 1536 adet sayı, aslında o metnin anlamsal haritadaki koordinatlarıdır.
İki metnin veya bir kullanıcı sorgusu ile web sitenizdeki bir paragrafın anlamsal olarak ne kadar benzer olduğunu ölçmek için Kosinüs Benzerliği (Cosine Similarity) formülü kullanılır. İki vektör arasındaki açının kosinüsü 1'e ne kadar yakınsa, içerikler o kadar benzerdir. OpenAI Developer Blog (2024) verilerine göre, text-embedding-3-small modelinde boyut sayısını 1536'dan 512'ye düşürdüğümüzde bile, MTEB benchmark testlerindeki anlamsal doğruluk oranı %99 performans koruması ile korunmaktadır. Bu, modellerin anlamsal sıkıştırma yeteneğinin ne kadar güçlü olduğunu gösterir.
Eğer içeriğinizde sadece kelime eşleşmesine güvenir ve anlamsal bağlamı kuramazsanız, arama yapan kullanıcının sorgu vektörü sizin metninizin vektörüne matematiksel olarak yaklaşamayacaktır.
2. Chunking (Bölümleme) Dostu Yazım
Büyük dil modelleri (LLM) ve vektör veri tabanları web sayfanızı tek bir devasa blok olarak okumaz. İçerikler, chunking adı verilen bir işlemle küçük anlamsal parçalara bölünür.
Pinecone Vector Database Docs (2023) teknik kılavuzlarına göre, semantik arama optimizasyonu için önerilen ve bilgi kaybını en aza indiren ideal chunk boyutu 256 ila 512 token (yaklaşık 150-400 kelime) arasındadır. Eğer bir paragrafınız veya hiyerarşik alt başlığınız bu sınırların dışına taşarsa veya çok kısa kalırsa iki büyük sorunla karşılaşırsınız:
- Anlamsal Seyrelme: Çok uzun paragraflarda birden fazla konudan bahsedildiğinde, o parçanın ortalama vektörü her konudan biraz barındırır ama hiçbirinde güçlü bir kosinüs skoru üretemez.
- Bağlam Kaybı: Çok kısa paragraflar, kendi başlarına yeterli anlamsal derinliğe sahip olamadıkları için sorgu vektörleriyle eşleşemez.
Uygulama Pratiği: Yazınızı yazarken her H2 veya H3 başlığının altındaki metni en fazla 300 kelimelik, kendi içinde bütünlüğü olan anlamsal modüller halinde tasarlayın. Başlık ile altındaki ilk paragrafın bağını koparmayın.
3. Anlamsal Yoğunluk (Semantic Density) Artırımı
İnsan okuyucular akışkan metinleri sever; bu yüzden sık sık "bu sistem", "o araç", "böyle durumlarda" gibi zamirler (pronouns) kullanırız. Ancak embedding modelleri bu zamirleri vektörleştirirken ciddi anlamsal kayıplara uğrar. Dilbilimde buna anaphora resolution (zamir çözümleme) problemi denir.
Metin içindeki belirsiz zamirlerin açık isimler ve doğrudan varlıklarla (entity) değiştirilmesi, vektör sapmasını (vector drift) engeller ve metnin sorgu vektörüyle olan matematiksel kosinüs benzerliği skorunu doğrudan artırır.
- Zayıf (Düşük Semantik Yoğunluk): "Bu aracı API üzerinden entegre ettiğinizde, o sizin verilerinizi otomatik olarak indeksler. Böylece sorguları daha hızlı yanıtlar."
- Güçlü (Yüksek Semantik Yoğunluk): "Pinecone vektör veri tabanını API üzerinden entegre ettiğinizde, Pinecone motoru verilerinizi otomatik olarak indeksler. Bu indeksleme sayesinde semantik arama sorguları milisaniyeler içinde yanıtlanır."
İkinci örnek, embedding modelinin vektör uzayında "Pinecone", "API", "indeksleme" ve "semantik arama" koordinatlarına çok daha güçlü bir şekilde çapalanmasını sağlar.
4. Soru-Cevap Hizalaması
Yeni nesil kullanıcılar artık arama motorlarına "vektör veri tabanı" yazmıyor. Bunun yerine "Vektör veri tabanlarında chunking boyutu nasıl ayarlanır?" gibi doğal dilde sorular soruyorlar.
Cohere AI ekibinin Cohere Embed v3 belgesinde vurguladığı gibi, modern arama sistemleri kullanıcı sorgusu (Query) ile döküman (Document) arasındaki anlamsal köprüyü kurarken soru-cevap asimetrisini çözmeye odaklanır. İçeriğinizin alt başlıklarını (H2 ve H3) doğrudan kullanıcıların sorabileceği soru kalıplarına göre tasarlamak ve hemen altındaki ilk cümlede bu soruyu net bir şekilde yanıtlamak, kosinüs benzerliği eşleşmesini doğrudan tetikler.
4 Aşamalı Teknik Vektör Kontrol Listesi
İçeriğinizi yayına almadan önce aşağıdaki teknik matrisi kullanarak optimize edin:
| Aşama | Kontrol Noktası | Teknik Kriter | Uygulama Örneği |
|---|
| 1. Yapısal Blok | Chunk Boyutu | Her alt başlık altındaki metin bloğu 150-400 kelime (256-512 token) arasında olmalı. | Uzun bir teknik kurulum rehberini, her biri tek bir adımı anlatan H3 başlıklarına bölmek. |
| 2. Zamir Temizliği | Entity Çapalama | Paragraf başlarında ve kritik cümlelerde "bu", "şu", "o" yerine doğrudan ürün/kavram adı kullanılmalı. | "Bu sistem" yerine "Cohere Embed v3 modeli" yazılması. |
| 3. Soru Tasarımı | H2/H3 Yapısı | Başlıklar arama niyetine uygun soru kalıpları içermeli. | "Chunking boyutu" yerine "Semantik arama için ideal chunk boyutu nedir?" yazılması. |
| 4. Netlik Filtresi | Olumsuzluk Optimizasyonu | Embedding modellerinin yanılmaması için karmaşık çift olumsuzluklardan kaçınılmalı, net ifadeler seçilmeli. | "Yetersiz olmayan performans sunmaz" yerine "Yüksek performans sunar" ifadesinin tercih edilmesi. |
Unutmayın, arama motorlarının arkasındaki yapay zeka modelleri geliştikçe, içeriğinizi belirli bir embedding modeline (örneğin sadece OpenAI'a) aşırı optimize etmek de bir risk barındırır. Farklı sistemlerin (Cohere, BERT veya tescilli Gemini modelleri) farklı vektör uzayları kullandığını göz önünde bulundurarak, optimizasyonu matematiksel hilelerle değil, metnin anlamsal netliğini ve bilgi yoğunluğunu artırarak gerçekleştirmek en sağlıklı ve kalıcı stratejidir.