Embedding ve VectorDB Görselleştirme Araçları

Detaylı rapor: Gorsellestirme-Araclari-Detay.md

1. Niye Ayrı Bir Sayfa?

Geleneksel BI araçları (Tableau, Power BI) tablosal veri için tasarlanmıştır. Vektör verileri 768–2048 boyutlu olduğundan boyut indirgeme (UMAP / t-SNE / PCA) zorunludur. Bu yüzden ayrı bir araç kategorisi mevcut: embedding ve VectorDB görselleştirme araçları.

Wiki'nin operasyon katmanında bu araçlar şu sebeplerle önemlidir:

Embedding kalitesini hızlıca görsel doğrulama (kümeler ayrışıyor mu?)
Outlier ve duplike adayları interaktif inceleme
Üretimde embedding drift takibi

2. Hızlı Karar Tablosu

Araç	Tür	Maliyet	Scatter	Kümeleme	Drift	Ölçek	Öneri Durumu
UMAP + Plotly	Kütüphane	Ücretsiz	UMAP/t-SNE 2D	Manuel	Manuel	~100K	İlk deneme için
Renumics Spotlight	Kütüphane	Ücretsiz	UMAP 2D	Otomatik	Yok	~500K	Veri kalitesi kontrolü
Arize Phoenix	Platform	Ücretsiz	UMAP 2D	Otomatik	Evet	~1M	Üretim izleme
TensorBoard Projector	Kütüphane	Ücretsiz	PCA/t-SNE/UMAP 3D	Manuel	Yok	~100K	Eğitim sürecinde
Nomic Atlas	Platform	Freemium	UMAP 2D	Otomatik	Yok	10M+	Çok büyük veri
Qdrant Dashboard	VectorDB	Ücretsiz	Yok	Yok	Yok	Sınırsız	Operasyon UI
ChromaDB Visualizer	VectorDB	Ücretsiz	UMAP 2D	Yok	Yok	~100K	ChromaDB'ye özel
Deep Lake	Platform	Freemium	2D/3D	Manuel	Versiyonlama	Sınırsız	Versiyon karşılaştırma
Sentence-Transformers	Kütüphane	Ücretsiz	PCA 2D	Yok	Yok	~10K	Hızlı kıyaslama
W&B	Platform	Freemium	3D	Manuel	Epoch	~500K	Eğitim takibi

3. Üç Katmanlı Önerimiz

Katman	Araç	Niye
Hızlı keşif (Notebook)	UMAP + Plotly	Bağımlılık yok, esnek
Veri kalitesi kontrolü	Renumics Spotlight	Outlier/duplike bulmak için interaktif tablolar
Üretim izleme	Arize Phoenix	Drift, kümeleme, otomatik metrikler

4. Domain Bağlantıları

Domain	İlgili Araç	Kullanım
Outlier Detection	Renumics Spotlight	İşaretli MUTLAKA_INCELE'leri görsel olarak doğrula
Editöryel Yardım	Spotlight + Phoenix	Etiket sınırları ve duplike çiftler
Anlamsal Arama	Phoenix	Sorgu–doküman eşleşme drift takibi
Bilgi Ağları	UMAP + Plotly	Konu haritası görselleştirme

5. Operasyonel Notlar

Boyut indirgeme her zaman bilgi kaybeder. 2D haritada birbirine yakın görünen iki nokta gerçek uzayda farklı olabilir.
Aynı veri için UMAP random_state değiştirilmeden tutulmalı (görsel reproducibility).
100K+ vektörde Plotly etkileşimi yavaşlar; örnekleme veya WebGL renderer önerilir.
Üretimde tek seferlik scatter yerine drift metrikleri (PSI, KL divergence) raporlanmalı.

6. Kurulum Notları (Hızlı Başlangıç)

pip install umap-learn plotly
pip install renumics-spotlight
pip install arize-phoenix

# UMAP + Plotly
import umap, plotly.express as px
coords = umap.UMAP(metric="cosine", random_state=42).fit_transform(embeddings)
px.scatter(x=coords[:,0], y=coords[:,1], color=labels).show()

# Renumics Spotlight (DataFrame ile)
from renumics import spotlight
spotlight.show(df, embed=["embedding"])

# Arize Phoenix (drift + kümeleme)
import phoenix as px
px.launch_app()

7. İlgili Sayfalar

30_Deneyler/ — bu araçların kullanıldığı bağlamlar
20_Domainler/Editoryel-Yardim/Outlier-Detection/ — görsel inceleme akışı
Gorsellestirme-Araclari-Detay.md — uzun versiyon