Qdrant VectorDB Kullanımı

🧠 Qdrant Nedir?

Qdrant (Quadrant), yüksek boyutlu vektör verilerini depolamak ve üzerinde benzerlik (similarity) aramaları yapmak için tasarlanmış açık kaynaklı bir vektör veritabanıdır. Özellikle yapay zeka, arama motorları, öneri sistemleri ve semantik arama (semantic search) gibi uygulamalarda kullanılır.

🐳 Docker ile Qdrant Kurulumu

Kurulum oldukça kolaydır. Aşağıdaki komutla hemen başlatabilirsiniz:

docker run -p 6333:6333 qdrant/qdrant

Bu komutla Qdrant konteyneri çalışır ve API 6333 portundan erişilebilir olur.

🔍 Qdrant Ne Sunar?

• Vektör bazlı arama: Euclidean, Cosine, Dot Product gibi benzerlik ölçümleri.

• JSON payload desteği: Vektörlerle birlikte metin gibi ek bilgiler de saklanabilir.

• Filtreleme desteği: Vektör aramasını metadata’ya göre filtreleyerek daraltabilirsin.

• Hızlı ve ölçeklenebilir: Büyük veri kümelerinde bile çok hızlıdır.

• HNSW (Hierarchical Navigable Small World) algoritması: Yüksek performanslı vektör aramaları sağlar.

• REST API ve gRPC desteği: Kolayca tüm uygulamalara entegre edilebilir.

• Persistence: Veriler diskte saklanır, RAM’e sığmak zorunda değildir.

🧪 Örnek Kullanım Senaryoları

• Yüz tanıma sistemleri

• Görsel benzerlik aramaları

• Metin/soru-cevap sistemleri

• E-ticaret için ürün öneri sistemleri

Doküman ve semantik aramalar

⚙️ Nasıl Kullanılır?

Qdrant, REST API veya gRPC ile kullanılabilir. Örnek bir koleksiyon oluşturmak için:

curl -X PUT http://localhost:6333/collections/my_collection \
  -H 'Content-Type: application/json' \
  -d '{
    "vectors": {
      "size": 4,
      "distance": "Cosine"
    }
  }'

Bir vektör eklemek için:

curl -X PUT "http://localhost:6333/collections/my_collection/points?wait=true" \
  -H 'Content-Type: application/json' \
  -d '{
    "points": [
      {
        "id": 1,
        "vector": [0.1, 0.2, 0.3, 0.4],
        "payload": { "name": "example" }
      }
    ]
  }'

Benzer vektörleri bulmak için:

curl -X POST http://localhost:6333/collections/my_collection/points/search \
  -H 'Content-Type: application/json' \
  -d '{
    "vector": [0.1, 0.2, 0.3, 0.4],
    "top": 3
  }'

#qdrant #vectordatabases #docker #semanticsearch #AIsearch #similaritysearch #opensource #mlops #vectorsearch