Blog

Cloudflare’ın yapay zeka araması çözümünü sunan AI Search, bir önceki ilk çıktısının ardından artık genel kullanıma açıldı. Bu gelişme, geliştiricilerin kendi web sitelerinden iç belge aramalarına kadar geniş bir yelpazede arama deneyimi inşa etmelerini kolaylaştıran, uçtan uça yönetilen bir indexleme ve geri çağırma (retrieval) hattını tek çatı altında birleştiriyor. Sistem, kendi blogu ve geliştirici dokümanlarında da tercih edildiği için pratik bir deneyimin ürünü olarak öne çıkıyor.

Arama Altyapısı Tek Bir Platformda Birleşiyor

AI Search’in sunduğu temel yaklaşım, arama için gereken ayrı bileşenleri tek bir hizmete sıkıştırmak. Baştanbaşına düşünülürse bir arama sisteminin ardında genellikle birkaç farklı teknoloji çalışır: metinleri sayısal vektörlere dönüştüren modeller, bu vektörleri saklayan veri tabanları, ham veri dosyalarının depolanması ve bazen web sitelerinden veri çekme işlemleri. AI Search, bu parçaları birbirinden bağımsız kurulumlar yerine hazır bir hat olarak sunar.

Bileşenler şu şekilde işbirliği yapar:

• Metin ve görselleri vektörlere çeviren çıkarım katmanı (Workers AI)
• Bu vektörleri hızlıca arayan vektör veri tabanı (Vectorize)
• Ham dosyaları saklayan nesne depolama (R2)
• Sunucusuz ortamda çalışan ve gerektiğinde veri toplayabilen çalışma ortamı (Browser Run)

Bu birleşim, sıfırdan bir altyapı kurmak yerine geliştiricilerin kendi uygulamalarına odaklanmasını sağlar. Gerek iç kaynakların aranması, gerekse son kullanıcılara açık bir arama kutusunun oluşturulması aynı altyapı üzerinden yürütülebilir. Özellikle kendi barındırma altyapısını planlarken uygun bir WordPress hosting paketi ya da esnek bir VPS seçimiyle bu tür hizmetleri kendi ortamınıza entegre etmek mümkündür.

Çoklu Biçim Desteği ile Görsel Arama

Bir arama sisteminin yalnızca metni anlaması yeterli değil. Ürün fotoğrafları, ekran görüntüleri, grafikler, şemalar ve taranmış belgeler günümüz veri koleksiyonlarının büyük bir bölümünü oluşturuyor. Yeni güncellemeyle birlikte sistem, metnin ötesine geçerek birden fazla biçimi işleyebilecek şekilde geliştirildi. Bu bağlamda öne çıkan üç temel iyileşme var:

• Doğal görsel gömüler (image embeddings): Resimler, yalnızca altında yatan metin açıklamasına değil, kendiliğinden de aranabilir hale geliyor.
• PDF’ler için optik karakter tanıma (OCR): Tanlı veya görüntü tabanlı bellerdeki metin ayrıştırılabiliyor.
• Daha büyük dosyalar: Eskisinden hacimli dosyalar da işleme kapasitesine dahil edildi.

Matryoshka Öğretimi ve Verimli Gömüler

Bir görseli aramaya uygun hale getirmek, onun piksellerini anlamlı bir vektöre sıkıştırmayı gerektirir. Burada sistemin benimsediği Matryoshka Representation Learning (MRL) tekniği devreye giriyor. MRL, daha küçük boyutlu gömülerin bile kullanışlı bilgiyi korumasını sağlayarak hem depolama alanını dengede tutuyor hem de aramanın hızlı kalmasını sağlıyor. Boyut küçüldükçe saklanan verinin kalitesini kaybetmeden ölçeklenebilmesi, özellikle büyük koleksiyonlarda büyük avantaj sağlıyor.

Doğal görsel arama bugün Qwen3-VL-Embedding modeliyle kullanılabiliyor. Sorgu anında sistem, kullandığınız embedding modelinin görselleri destekleyip desteklemediğini kontrol ediyor. Destekliyse, görsel sorgusu doğrudan o modelle vektöre çevrilir ve indekslenmiş görsellerle aynı vektör uzayında bir araya gelir.

Metin odaklı bir model kullansanız bile görsel ile arama yapabilirsiniz. Bu durumda sorgu görseli metne dönüştürülüp ortaya çıkan açıklama üzerinden arama yürütülüyor. Böylece görsel desteği olmayan modeller bile temel düzeyde çoklu biçim arama sunarken, yerel desteğe sahip modeller tam görsel bilgisinden yararlanabiliyor.

Sorgu Nasıl İşleniyor?

Bir arama isteğinin sistem içindeki yolculuğunu anlamak, özelliğin neden doğru sonuçlar ürettiğini kavramayı kolaylaştırır. Süreç temel olarak şu adımlardan oluşur:

1. Sorgu isteği gerekirse yeniden yazarak netleştirilir.
2. Görsel sorguları çoklu biçim modelleri, metin sorguları ise normal gömü modelleriyle vektöre çevrilir.
3. Vektör tabanlı ve anahtar kelime tabanlı arama paralel olarak çalıştırılır.
4. Sonuçlar birleştirilir ve gerekirse yeniden sıralanır (reranking).
5. En üst sıradaki parçalar ya doğrudan döndürülür ya da bir üretimi modeli cevap yazması için kullanılır.

Bu mimari, hem semantik hem de kelime bazlı eşleşmeleri aynı anda değerlendirmeye olanak tanır. Özellikle üretimi modeliyle birleştiğinde, sistem yalnızca link listelemek yerine bağlam içeren bir cevap üretebiliyor. Bu yaklaşım, Retrieval Augmented Generation (RAG) olarak bilinen ve yapay zekanın doğru bilgiye dayanmasını sağlayan desenle uyumlu çalışıyor. RAG’in temel mantığını merak ediyorsanız bu konudaki detaylızymı incelebilirsiniz.

Taramalı Belgeler ve OCR

Fiziksel bir belgenin taranmış kopyası, bilgisayar gözünde ham bir görüntüden ibaret. Metin arama sorguları bu görüntünün içinden doğal olarak okunamaz. Bu yüzden sistemin PDF ve taranmış dosyalar için optik karakter tanıma (OCR) desteği eklemesi kritik öneme sahip. OCR, görüntü formatındaki metni ayrıştırıp arama ve anlama sürecine dahil ederek, eskiden erişilemez olan kağıt kaynaklarının dijital aramaya dahil edilmesini sağlıyor.

Büyük dosya boyutu desteğinin açılması ise hacimli belgelerin tek seferde işlenebilmesini kolaylaştırıyor. Birden fazla sayfalı veya yüksek çözünürlüklü dosyalar, parçalara bölünme endişesi olmadan sisteme yüklenebiliyor. Bu noktada ham verinin güvenle saklanması da önem taşıyor; doğru bir online depolama çözümü, bu tür büyük dosyaların ve işlenen verinin yönetilmesinde temel oluşturuyor.

Neden Önemli? Pratik Kullanım Alanları

Bu tür bir arama altyapısının değeri, veri çeşitliliği arttıkça daha belirginleşiyor. Özellikle şu alanlarda fark yaratması bekleniyor:

• İç kaynak yönetimi: Ekip içi dokümanların, notların ve teknik belgelerin hızlıca bulunması.
• Ürün keşifi: Benzer görsellere sahip ürünlerin görsel benzerlikle bulunması.
• Ekran görüntüsü ve şem eşleşmesi: Tasarım veya hata ayıklama süreçlerinde benzer görsellerin taranması.
• Tanlı belgeler: OCR sayesinde eski veya kağıt kaynaklarının dijital aramaya dahil edilmesi.

Ayrıca bu altyapı, yapay zeka ajanlarının (AI agents) interneti nasıl yeniden şekillendirdiğine tartışmaların da bir parçası. Ajanların güvenilir ve güncel bilgiye ulaşması için güçlü geri çağırma mekanizmaları şart; AI Search gibi hizmetler bu ihtiyaca cevap veriyor. Ajanların gerçek dünyada işe yaraması için arka planda sağlam bir arama ve doğrulama altyapısının bulunması gerekiyor.

SSS

AI Search nedir?
Cloudflare’ın sununan, metin ve görsel gibi birden fazla biçimi işleyebilen, uçtan uça yönetilen bir yapay zeka arama ve geri çağırma hizmetidir.

Görsel arama gerçekten çalışıyor mu?
Evet. Yerel görsel desteğine sahip modellerle resimler doğrudan vektöre çevrilir; metin odaklı modeller içinse sorgu görseli önce metne dönüştürülür.

Ücretsiz kullanım sunuluyor mu?
Evet. Tüm Workers planlarında geniş bir ücretsiz katman bulunuyor; faturalandırma 1 Kasım 2026’dan itibaren başlıyor.

RAG ile ilişkisi nedir?
Sistemin geri çağırma katmanı, yapay zekanın doğru bilgiye dayanmasını sağlayan RAG deseninin temel mantığıyla uyumlu çalışır.

Hangi dosya biçimleri destekleniyor?
Metin belgeleri yanı sıra PDF’ler, OCR desteğiyle taranmış belgeler ve artık görsel gömüler üzerinden resimler de işlenebiliyor.