---
title: "Hugging Face Inference Endpoints, Jobs ve Buckets, Papers with Code Arama Altyapısını Nasıl Güçlendiriyor?"
url: https://blog.edumints.com/hugging-face-inference-endpoints-jobs-ve-buckets-papers-with-3jrfnspl
category: "LLM"
date: 2026-09-06T07:12:06.586Z
publisher: Edumints Blog
lang: tr-TR
source_name: "hfblog"
source_url: https://huggingface.co/blog/pwc-search
---

# Hugging Face Inference Endpoints, Jobs ve Buckets, Papers with Code Arama Altyapısını Nasıl Güçlendiriyor?

## Giriş ve Akademik Arama Dinamikleri
Papers with Code, açık yapay zeka araştırmalarını tüm topluluk için erişilebilir ve anlaşılır kılmayı, araştırmacıların ve otonom yazılım ajanlarının alandaki en güncel (SOTA) gelişmelere hızla ulaşabilmesini amaçlamaktadır. Bir sonraki çığır açıcı Transformer mimarisini doğuracak araştırmaları beslemeyi hedefleyen bu platformda, hem web arayüzü hem de yapay zeka ajanlarının Skill üzerinden kullanabildiği `pwc search` CLI komutu için güçlü bir arama motoru şarttır.

Ancak bilimsel makaleler arasında arama yapmak, genel metin aramalarından çok farklı dinamiklere sahiptir. Etkili bir akademik arama motorunun hem birebir makale başlıklarını ve arXiv tanımlayıcılarını yakalayabilmesi hem de aranan kelimeler metinde doğrudan geçmese bile "kod üretimi için küçük dil modelleri" gibi anlamsal sorguları kavrayabilmesi gerekir. Ayrıca sistem, "orijinal BERT makalesi" gibi yönlendirici (navigational) niyetleri anlamalı, eksik başlıkları veya yazım hatalarını tolere etmeli ve model servislerinde soğuk başlatma ya da kesinti yaşandığında dahi hızlı kalabilmelidir.

## Hibrit Arama Mimarisi
ML6 bünyesinde geliştirilen RAG sistemlerinden elde edilen üretim tecrübelerine dayanarak Papers with Code altyapısı bir **hibrit arama** mimarisiyle inşa edilmiştir:
- **PostgreSQL Full-Text Search**: Hızlı sözcüksel (lexical) bir zemin oluşturarak anahtar kelimelere birebir uyan kesin eşleşmeleri yakalar.
- **pgvector**: Yoğun vektör temsillerini (dense embeddings) depolayıp sorgulayarak anlamsal benzerlik ve hatırlama (recall) gücü sağlar.
- **Reciprocal Rank Fusion (RRF)**: Sözcüksel ve vektörel arama sonuçlarını matematiksel olarak birleştirerek en tutarlı genel sıralamayı üretir.

*(Not: Çapraz kodlayıcı/reranker modelleri sonuç kalitesini daha da iyileştirebilse de getirdiği ek işlem yükü ve gecikme nedeniyle mimaride dikkatle dengelenmelidir.)*

## Vektör Temsilleri İçin Kullanılan 3 Hugging Face Servisi
arXiv ve Daily Papers üzerinden toplanan 110.000'den fazla güncel makalenin anlamsal vektörlerini üretmek ve sürekli güncel tutmak için üç temel Hugging Face servisi kullanılmaktadır:
- **Hugging Face Jobs**: Tüm makale külliyatının (corpus) yüksek verimle gömülmesi için ihtiyaç duyulan patlamalı (burstable) GPU hesaplama gücünü sunar.
- **Hugging Face Storage Buckets**: Veritabanı, araştırma deneyleri ve Jobs arasındaki geçişlerde yapıtların (artifacts) kalıcı ve güvenilir şekilde saklanmasını sağlar.
- **Hugging Face Inference Endpoints**: Canlı kullanıcı sorguları ve artımlı güncellemeler için düşük gecikmeli (low-latency) embedding sunumu gerçekleştirir.

## Mimari Tasarım ve Geliştirici Çıkarımları
Sistem mimarisi stratejik bir kararla **çevrimdışı külliyat üretimi** ve **çevrimiçi arama servisi** olmak üzere iki ana hatta bölünmüştür. Yüksek hesaplama maliyeti gerektiren toplu veri işleme adımları Jobs üzerinde çalıştırılıp çıktılar kalıcı Buckets üzerinde saklanırken, kullanıcı istek hattında yalnızca Inference Endpoints ile sunulan hızlı sorgu gömme adımı bırakılmıştır.

**Yazılım Geliştiriciler İçin Öğrenme Notları:**
- **İş Yükü Ayrımı (Decoupling)**: Toplu külliyat indeksleme süreçlerini canlı kullanıcı sorgularından ayırmak, üretim ortamında maliyetleri ve yanıt gecikmesini minimize eder.
- **Hibrit Esneklik**: Yalnızca anlamsal vektör araması doğrudan arXiv kimliklerini veya özel terimleri kaçırabilir; PostgreSQL tam metin araması ile pgvector hibritleştirilmelidir.
- **Kalıcı Katman Güvencesi**: Ağır model işleme ardışık düzenlerinde servisler arası veri transferini Storage Buckets benzeri kalıcı nesne depolarıyla yapmak veri kaybını önler ve hata toleransı sağlar.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/blog/pwc-search)

---

Bu konuyu derinlemesine öğrenmek isterseniz: [Embedding Model Serving Temelleri](https://edumints.com/kesfet/embedding-ve-reranking-modelleri-productionda-depl-blu6) modülüne göz atın.

---

**Kaynak:** [hfblog](https://huggingface.co/blog/pwc-search)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/hugging-face-inference-endpoints-jobs-ve-buckets-papers-with-3jrfnspl