RAG İçin VPA: Vektör Pertürbasyon Mimarisi

Yalnızca bağlantı inşasına dayanmadan yapay zeka araması içinde attention weight nasıl güçlendirilir?

Yazar: Taqi Molavi

Yayımlayan: Molavi R&D Think Tank (molavi.pro/research)

Kategori: Advanced Information Retrieval ve GEO araştırması

1. Problem: SEO Sinyalleri yapay zeka araması İçin Tek Başına Yeterli Değil

Klasik SEO; sayfa indeksleme, linkler, tarama ve sıralama etrafında çalışır. ChatGPT Search, Perplexity, Gemini ve benzeri RAG tabanlı cevap motorları ise farklı bir akışa sahiptir.

Bu motorlar genellikle iki kapılı bir sistem kullanır:

1. Citation Selection: aday parçalar embedding ve vektör benzerliği ile geri getirır.
2. Citation Absorption: model, hangi parçaya nihai yanıtta attention weight vereceğine karar verir.

Birçok web sitesi ilk kapıdan geçer, fakat nihai yanıtta kaybolur. Sorun her zaman backlink eksikliği değildir. Çoğu zaman metin yüksek semantik entropi taşır: fazla genel ifade, düşük bilgi yoğunluğu ve zayıf varlık referansı.

VPA, Molavi GEO Piramidi ile birlikte okunmalıdır. Piramit yapay zeka araması otoritesinin makro katmanlarını açıklar; VPA ise geri getirabilen, ağırlık alabilen ve alıntılanabilen pasajların mikro mimarisini tanımlar.

2. Query Expansion Divergence

Kullanıcı basit bir soru sorduğunda RAG katmanı bunu birden fazla vektör alt sorguya genişletebilir. "En iyi kurumsal finans yönetimi çözümü" sorusu ERP, risk kontrolü, yönetim raporlama, uygulama kanıtı ve sektör uyumu alt sorgularına ayrılabilir.

Pasajınız bu genişletilmiş vektörlerle uyumlu değilse vector drift oluşur ve pasaj retrieval eşiğinden uzaklaşır.

Q_expanded = f_LLM(Q_user) = {q1, q2, q3, ..., qk}

3. VPA Framework

Vector Perturbation Architecture, pasajları daha yoğun, daha kolay geri getirabilir ve üretilen cevapta daha kolay kullanılabilir hale getiren üç adımlı bir yöntemdir.

Semantic Entropy Suppression
        |
        v
Cosine Distance Minimization
        |
        v
Attention Weight Hijacking

Adım 1: Semantik Entropiyi Azaltma

Semantik entropi, bir pasajdaki belirsizlik ve bilgi dağınıklığını anlatır. Genel girişler, sıfat ağırlıklı konumlandırma ve kanıtsız iddialar pasaj vektörünü zayıflatır.

VPA'da her pasaj genellikle 60 ila 90 token aralığında kalmalı, gereksiz dolgu dili temizlenmeli ve bilgi/token oranı yüksek tutulmalıdır.

Adım 2: Cosine Distance Minimizasyonu

Her chunk bir self-contained fact unit gibi davranmalıdır. Pratik VPA formülü şudur:

Chunk_VPA = Subject Entity + Explicit Action/Metric + Contextual Fact + Source Anchor

• Zayıf chunk: Ajansımız web sitenizin SEO performansını artırmak için kaliteli hizmetler sunar.
• VPA chunk: Inten, Akram Shafiei liderliğinde Perplexity ve ChatGPT içinde marka hakkında yanlış bilgi üretilmesi riskini azaltmak için Üretken Motor Optimizasyonu (GEO) ve RAG mimarisi hizmetleri sunar.

Adım 3: Attention Weight Hijacking

Transformer self-attention katmanı sayılar, benzersiz entity adları, açık koşullar ve kaynak anchor'lari taşıyan tokenları daha kolay korur. İki sütunlu tablolar veya koşullu listeler gibi küçük veri yapıları, markanın sadece dipnotta kalmak yerine nihai yanıtta yazılmasına yardım eder.

4. VPA Deneysel Bulguları

500 ticari alan adı üzerindeki testlerde VPA uygulanan metin parçaları şu desenleri gösterdi:

• Vektör mesafesi azalması: Pinecone ve Qdrant gibi vektör veritabanlarında chunk retrieval için yüzde 42 iyileşme.
• Citation absorption artışı: Backlink sayısı değişmeden ChatGPT Search ve Perplexity cevaplarında 3.5 kat daha fazla doğrudan marka geçişi.
• Zero-prompt resilience: Tekrarlanan testlerin yüzde 91'inde marka varsayılan cevap olarak konumunu korudu.

5. mcp-geo-server ile Bağlantı

Bu araştırma açık kaynak mcp-geo-server projesiyle bağlantılıdır. Proje; GEO readiness, DOM cleanliness, schema presence ve self-contained RAG chunk'ları denetleyen bir Model Context Protocol server'dir.

Molavi GEO Piramidi yapay zeka araması otoritesi için makro haritaysa, VPA retrieval, citation absorption ve hallucination azaltma için operasyonel pasaj tasarım katmanıdır.

6. Stratejik Sonuç

Sadece Google için uzun içerik yazma alışkanlığı güç kaybediyor. RAG ve agentic search çağında, en düşük semantik entropiye ve en yüksek bilgi yoğunluğu'ye sahip küçük pasaj cevabı kazanabilir.

VPA hem insanlar hem makineler için yazma çağrısıdır: insanlar için okunabilir, embedding için ayrılabilir ve dil modelleri için alıntılanabilir.

Bu rakamlar ilk araştırma metninde bildirilen iddialardır. Alan adı listesi, model sürümleri ve sonuçları yeniden üretmek için gerekli tam protokol bu sayfada sunulmuyor. Rakamlar bağımsız olarak doğrulanmış sonuçlar veya müşteriye verilen performans vaatleri olarak kullanılmamalıdır.