SQL Server ile yapay zekâyı birlikte kullanmak eskiden Python ya da R betiklerini veritabanının içinde çalıştırmak demekti. SQL Server 2025 ile durum değişti: vektör veri tipi, benzerlik araması ve dışarıdaki bir yapay zekâ modelini T-SQL'den çağırma artık motorun parçası. Bu yazıda iki yolu da kısaca anlatıyorum ve SQL Server 2025 ile basit bir anlamsal arama örneği kuruyorum.

Eski yol: Machine Learning Services

SQL Server 2017'den beri Machine Learning Services ile veritabanının içinde Python ya da R kodu çalıştırabiliyorsunuz. Bunun için sp_execute_external_script saklı yordamı kullanılıyor. Veri tablodan bir DataFrame olarak betiğe gidiyor, betik bir model eğitiyor ya da tahmin yapıyor, sonuç yine tablo olarak geri dönüyor.

EXEC sp_configure 'external scripts enabled', 1;
RECONFIGURE;

EXEC sp_execute_external_script
    @language = N'Python',
    @script = N'
from sklearn.linear_model import LinearRegression
model = LinearRegression().fit(InputDataSet[["Ay"]], InputDataSet["Ciro"])
OutputDataSet = InputDataSet.assign(Tahmin = model.predict(InputDataSet[["Ay"]]))
',
    @input_data_1 = N'SELECT Ay, Ciro FROM dbo.AylikCiro'
WITH RESULT SETS ((Ay INT, Ciro FLOAT, Tahmin FLOAT));

Bu yöntem hâlâ işe yarıyor, özellikle verinin sunucudan çıkmasını istemediğiniz klasik makine öğrenmesi işlerinde. Ama Python ortamını sunucuya kurmak, paket sürümlerini yönetmek ve kaynak tüketimini sınırlamak ayrı bir iş yükü getiriyor.

Yeni yol: SQL Server 2025 ve vektörler

Bugün "yapay zekâ" denince çoğunlukla büyük dil modelleri ve anlamsal arama akla geliyor. Bu işlerin temelinde embedding (gömme vektörü) var: bir metin, anlamını temsil eden yüzlerce ya da binlerce sayıdan oluşan bir diziye çevriliyor. Anlamca yakın metinlerin vektörleri de birbirine yakın oluyor.

SQL Server 2025 bu vektörleri saklamak ve karşılaştırmak için yerleşik araçlarla geliyor. Microsoft'un duyurusuna göre VECTOR veri tipi ve VECTOR_DISTANCE gibi vektör fonksiyonları genel kullanımda (GA). Kosinüs, Öklid ve nokta çarpımı ile tam benzerlik araması yapabiliyorsunuz. DiskANN tabanlı vektör indeksi (CREATE VECTOR INDEX) ve yaklaşık arama için VECTOR_SEARCH ise önizlemede; bunları kullanmak için veritabanında önizleme özelliklerini açmanız gerekiyor.

Bunlara ek olarak CREATE EXTERNAL MODEL ile bir embedding modelini (Azure OpenAI, OpenAI ya da kendi sunucunuzda çalışan Ollama gibi) veritabanına tanıtıp AI_GENERATE_EMBEDDINGS ile T-SQL içinden embedding üretebiliyorsunuz. Azure SQL Database ve Managed Instance tarafında bu iki özellik Mayıs 2026'da genel kullanıma açıldı.

Örnek: ürün açıklamalarında anlamsal arama

Aşağıdaki örnekte yerel ağdaki bir Ollama sunucusunda çalışan nomic-embed-text modelini kullanıyorum. Bu model 768 boyutlu vektör üretiyor; başka bir model kullanıyorsanız boyutu ona göre değiştirin.

-- 1. Modeli tanıt
CREATE EXTERNAL MODEL YerelEmbedding
WITH (
    LOCATION   = 'https://ollama.sirket.local/api/embed',
    API_FORMAT = 'Ollama',
    MODEL_TYPE = EMBEDDINGS,
    MODEL      = 'nomic-embed-text'
);
GO

-- 2. Tabloya vektör kolonu ekle
CREATE TABLE dbo.Urunler (
    UrunId    INT IDENTITY PRIMARY KEY,
    Ad        NVARCHAR(200),
    Aciklama  NVARCHAR(MAX),
    Embedding VECTOR(768) NULL
);
GO

-- 3. Embedding üret
UPDATE dbo.Urunler
SET Embedding = AI_GENERATE_EMBEDDINGS(Aciklama USE MODEL YerelEmbedding)
WHERE Embedding IS NULL;
GO

-- 4. Anlamca en yakın 5 ürünü bul
DECLARE @soru VECTOR(768) =
    AI_GENERATE_EMBEDDINGS(N'kış için su geçirmez bot' USE MODEL YerelEmbedding);

SELECT TOP (5) UrunId, Ad,
       VECTOR_DISTANCE('cosine', Embedding, @soru) AS Uzaklik
FROM dbo.Urunler
ORDER BY Uzaklik;

Bu sorgu "bot" kelimesi geçmese bile "kar ayakkabısı" ya da "yağmur çizmesi" gibi açıklamaları da bulabilir, çünkü kelimeleri değil anlamı karşılaştırıyor. Tam arama küçük ve orta boy tablolarda yeterince hızlı. Milyonlarca satırınız varsa önizlemedeki vektör indeksini deneyebilirsiniz:

ALTER DATABASE SCOPED CONFIGURATION SET PREVIEW_FEATURES = ON;

CREATE VECTOR INDEX ix_Urunler_Embedding
ON dbo.Urunler(Embedding)
WITH (METRIC = 'cosine', TYPE = 'DiskANN');

Neye dikkat etmeli?

Embedding üretmek için verinin modele gitmesi gerekiyor. Model bulutta çalışıyorsa müşteri adı, adres ya da sağlık bilgisi gibi kişisel verileri göndermeden önce KVKK açısından değerlendirin. Kendi sunucunuzda çalışan bir model bu sorunu büyük ölçüde ortadan kaldırıyor.

Aynı tabloda farklı modellerle üretilmiş vektörleri karıştırmayın. Modeli değiştirirseniz bütün embedding'leri yeniden üretmeniz gerekir; yoksa karşılaştırmalar anlamsız sonuç verir. Önizleme özelliklerini de üretim ortamında açmadan önce test ortamında deneyin.

Son olarak, vektör araması tek başına bir sohbet botu değil. Ama bir dil modeline "şu belgelere bakarak cevap ver" dediğiniz RAG (retrieval-augmented generation) yapılarının arama kısmını artık ayrı bir vektör veritabanı kurmadan SQL Server'ın içinde çözebiliyorsunuz.

Kaynaklar