<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Ömer  ÇOLAKOĞLU on Medium]]></title>
        <description><![CDATA[Stories by Ömer  ÇOLAKOĞLU on Medium]]></description>
        <link>https://medium.com/@ocolakoglu?source=rss-1093f3a8495e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*TquI_F8a_leaImNFumBenw.png</url>
            <title>Stories by Ömer  ÇOLAKOĞLU on Medium</title>
            <link>https://medium.com/@ocolakoglu?source=rss-1093f3a8495e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 17:45:36 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ocolakoglu/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[SQL Server 2025 ile Regex Dönemi Başladı]]></title>
            <link>https://medium.com/@ocolakoglu/sql-server-2025-ile-regex-d%C3%B6nemi-ba%C5%9Flad%C4%B1-f9a616c64a51?source=rss-1093f3a8495e------2</link>
            <guid isPermaLink="false">https://medium.com/p/f9a616c64a51</guid>
            <dc:creator><![CDATA[Ömer  ÇOLAKOĞLU]]></dc:creator>
            <pubDate>Mon, 30 Mar 2026 13:30:47 GMT</pubDate>
            <atom:updated>2026-03-30T13:45:37.438Z</atom:updated>
            <content:encoded><![CDATA[<p>SQL Server 2025 ile birlikte gelen yeniliklerden biri de bence çok uzun zamandır ihtiyaç duyulan regex desteği oldu.</p><p>Aslında bu konu dışarıdan küçük bir özellik gibi görünebilir.<br> Ama veriyle çalışan insanlar için regex sadece bir metin arama aracı değildir.<br> -Regex, düzensiz veriyi anlamlı hale getirme aracıdır.<br> -Regex, veri kalitesini artırma aracıdır.<br> -Regex, log analizi yapma aracıdır.<br> -Regex, veri güvenliği tarafında maskeleme ve tespit yapma aracıdır.</p><p>Bugüne kadar SQL tarafında bu işleri yapmak için ya LIKE ile çok sınırlı çözümler üretiyorduk ya da uygulama katmanına çıkmak zorunda kalıyorduk.<br> Şimdi ise bu işlemlerin önemli bir kısmı doğrudan veritabanının içinde yapılabiliyor.</p><p>SQL Server 2025 regex tarafında şu fonksiyonları getiriyor:</p><ul><li>REGEXP_LIKE</li><li>REGEXP_REPLACE</li><li>REGEXP_SUBSTR</li><li>REGEXP_INSTR</li><li>REGEXP_COUNT</li><li>REGEXP_MATCHES</li><li>REGEXP_SPLIT_TO_TABLE</li></ul><p>Bu listeye baktığında aslında şunu görüyorsun:<br>Sadece eşleşme kontrolü yok.<br>Aynı zamanda ayıklama var, replace var, count var, pozisyon bulma var, tabloya ayırma var.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uxXh3csfW9Gne8PC2P7tGg.png" /></figure><p>Yani konu basit bir “LIKE’ın gelişmiş hali” değil.<br>Burada doğrudan veri işleme kabiliyeti geliyor.</p><p>Benim en çok hoşuma giden taraf şu oldu:<br>Regex artık SQL tarafında daha kurumsal senaryolarda da rahatça kullanılabilecek hale geliyor.</p><p>Örneğin bir müşteri tablosunda bozuk e-posta adreslerini ayıklayabilirsin.<br>Telefon numaralarını standart formata getirebilirsin.<br>Serbest metin içinde gömülü e-posta veya sipariş numarası bulabilirsin.<br>Uygulama loglarını parse edip hata seviyesini, IP adresini ya da response code’u çıkarabilirsin.<br>Hatta veri güvenliği tarafında belirli pattern’leri maskeleyebilirsin.</p><p>Özellikle veri hazırlama ve veri temizleme süreçlerinde bu özellik çok ciddi zaman kazandırır.</p><p>Daha önce bu tarz işlemlerde çoğu ekip şu iki yoldan birine gidiyordu:</p><p>Birincisi, veriyi ETL katmanına çıkarıp orada temizlemek.<br>İkincisi, uygulama kodu içinde regex çalıştırmak.</p><p>Her iki yaklaşım da bazı senaryolarda hâlâ gerekli olabilir.<br>Ama artık birçok durumda veriyi veritabanından dışarı taşımadan, doğrudan T-SQL içinde bu işi yapabilmek çok değerli.</p><p>Burada dikkat edilmesi gereken teknik noktalardan biri de şu:<br>Microsoft regex implementasyonunun RE2 tabanlı olduğunu söylüyor. Ayrıca bazı regex fonksiyonları için database compatibility level 170 gerekiyor.</p><p>Bu da bize şunu söylüyor:<br>Eski alışkanlıklarla yazılmış her regex deseni birebir aynı davranmayabilir.<br>Ama buna rağmen kurumsal veri senaryoları için gelen fonksiyon seti oldukça güçlü.</p><p>Benim görüşüm şu:</p><p>SQL Server 2025 sadece yeni birkaç özellik getiren bir sürüm değil.<br>Aynı zamanda veritabanının veri hazırlama, veri anlama ve veri işleme kabiliyetini genişleten bir sürüm.</p><p>Regex desteği de bunun güzel örneklerinden biri.</p><p>Çünkü gerçek hayatta veri çoğu zaman temiz gelmez.<br> Veri dağınıktır.<br> Veri karmaşıktır.<br> Veri tutarsızdır.</p><p>İşte regex tam bu noktada devreye girer.<br>Regex ile SQL Server 2025’te Neler Yapabilirsin?</p><h3>Veri Doğrulama (Validation)</h3><ul><li>Email format kontrolü</li><li>Telefon numarası format kontrolü</li><li>IBAN / TCKN pattern kontrolü</li><li>Ürün / sipariş kodu doğrulama</li><li>URL / domain kontrolü</li></ul><h3>Veri Temizleme (Cleaning)</h3><ul><li>Metinden özel karakterleri temizleme</li><li>Sadece rakam / sadece harf bırakma</li><li>Format normalize etme (telefon, tarih vs.)</li><li>Bozuk veri tespiti ve düzeltme</li></ul><h3>Veri Ayıklama (Extraction)</h3><ul><li>Metin içinden email çekme</li><li>Log içinden IP adresi bulma</li><li>Serbest metinden sipariş numarası çıkarma</li><li>Tarih / saat bilgisi yakalama</li><li>Pattern’e uyan substring alma</li></ul><h3>Veri Dönüştürme (Transformation)</h3><ul><li>Metin replace işlemleri</li><li>Format değiştirme (örn: phone normalize)</li><li>Pattern bazlı yeniden yazım</li><li>Token bazlı veri üretimi</li></ul><h3>Veri Analizi (Analysis)</h3><ul><li>Pattern sayma (REGEXP_COUNT)</li><li>Metin içinde kaç tane eşleşme var bulma</li><li>Log analizi (ERROR / WARN / INFO)</li><li>Metin yoğunluğu ve yapı analizi</li></ul><h3>Parçalama (Splitting)</h3><ul><li>Metni regex’e göre bölme</li><li>CSV/Log satırlarını parçalama</li><li>Ürün kodlarını segmentlere ayırma</li><li>Token bazlı analiz</li></ul><h3>Log Analizi</h3><ul><li>Log level çıkarma (ERROR / INFO vs.)</li><li>IP adresi ayıklama</li><li>Endpoint / path bulma</li><li>Response code parsing</li><li>Performans sürelerini yakalama</li></ul><h3>Veri Güvenliği (Masking &amp; Detection)</h3><ul><li>Telefon maskeleme</li><li>Email maskeleme</li><li>Hassas veri tespiti (KVKK / GDPR)</li></ul><p>Ve artık bu güç doğrudan SQL Server’ın içinde.<br>Neyse hadi şimdi biraz örnek yapalım.</p><h3>1) Örnek veritabanı</h3><p>Bu senaryo; müşteri verisi, ürün kodu, telefon, e-posta, not alanı ve log satırları üzerinden regex kullanımı göstermek için hazırlandı.</p><pre><br><br>IF OBJECT_ID(&#39;dbo.RegexDemoCustomers&#39;) IS NOT NULL<br>    DROP TABLE dbo.RegexDemoCustomers;<br>GO<br><br>CREATE TABLE dbo.RegexDemoCustomers<br>(<br>    CustomerID       INT IDENTITY(1,1) PRIMARY KEY,<br>    FullName         NVARCHAR(200),<br>    EmailAddress     NVARCHAR(300),<br>    PhoneNumber      NVARCHAR(100),<br>    ProductCode      NVARCHAR(100),<br>    FreeTextNote     NVARCHAR(MAX),<br>    LogLine          NVARCHAR(MAX)<br>);<br>GO<br><br>INSERT INTO dbo.RegexDemoCustomers<br>(<br>    FullName,<br>    EmailAddress,<br>    PhoneNumber,<br>    ProductCode,<br>    FreeTextNote,<br>    LogLine<br>)<br>VALUES<br>(N&#39;Ömer Çolakoğlu&#39;, N&#39;omer.colakoglu@feyotech.com&#39;, N&#39;+90 532 111 22 33&#39;, N&#39;SQL-2025-AI-001&#39;,<br> N&#39;Müşteri SQL Server 2025 ve vector özellikleri hakkında bilgi istedi.&#39;,<br> N&#39;2026-03-28 10:45:12 ERROR [AuthModule] User: omer.c failed with code 401 from 10.10.10.25&#39;),<br><br>(N&#39;Ayşe Yılmaz&#39;, N&#39;ayse_yilmaz@gmail&#39;, N&#39;0533-222-3344&#39;, N&#39;PRD_ABC_45&#39;,<br> N&#39;İletişim için ayse.yilmaz@company.com adresine dönüş yapılabilir.&#39;,<br> N&#39;2026-03-28 11:01:05 INFO [MailService] Message sent to ayse.yilmaz@company.com&#39;),<br><br>(N&#39;Mehmet Demir&#39;, N&#39;mehmet.demir@contoso.com&#39;, N&#39;(216) 555-8899&#39;, N&#39;INV-2026-000245&#39;,<br> N&#39;Sipariş numarası INV-2026-000245, teslim tarihi 2026/04/01.&#39;,<br> N&#39;2026-03-28 11:15:44 WARN [PaymentEngine] Retry count=3, customer=9981&#39;),<br><br>(N&#39;Fatma Kaya&#39;, N&#39;fatma.kaya@fabrikam.com&#39;, N&#39;90-312-444-55-66&#39;, N&#39;XX999&#39;,<br> N&#39;Yeni ürün kodu test edildi. Eski kod: PRD-OLD-77, yeni kod: PRD-NEW-88.&#39;,<br> N&#39;2026-03-28 12:09:33 DEBUG [VectorEngine] Embedding created in 84 ms&#39;),<br><br>(N&#39;John Smith&#39;, N&#39;john.smith@adventure-works.com&#39;, N&#39;+1 (425) 555-1000&#39;, N&#39;AZ-ML-7788&#39;,<br> N&#39;Please call me after 14:30. Backup mail: john.smith2@outlook.com&#39;,<br> N&#39;2026-03-28 12:20:00 ERROR [ApiGateway] Timeout after 30000 ms, endpoint=/vector/search&#39;);<br>GO</pre><h3>2) Ön hazırlık</h3><p>Bazı regex fonksiyonları için compatibility level 170 gerekli.</p><pre>ALTER DATABASE tempdb<br>SET COMPATIBILITY_LEVEL = 170;<br>GO</pre><h3>3) Örnek sorgular</h3><h3>3.1 Geçerli e-posta formatına uyan kayıtları bulma</h3><pre>SELECT<br>    CustomerID,<br>    FullName,<br>    EmailAddress<br>FROM dbo.RegexDemoCustomers<br>WHERE REGEXP_LIKE(<br>    EmailAddress,<br>    &#39;^[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}$&#39;,<br>    &#39;c&#39;<br>) </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0jiHVBxaczN8pq-p_JtWWQ.png" /></figure><h3>3.2 Hatalı e-posta formatı olan kayıtları bulma</h3><pre>SELECT<br>    CustomerID,<br>    FullName,<br>    EmailAddress<br>FROM dbo.RegexDemoCustomers<br>WHERE not REGEXP_LIKE(<br>    EmailAddress,<br>    &#39;^[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}$&#39;,<br>    &#39;c&#39;<br>)  </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/988/1*QcPgyR6AJIQcBl1xHZDsQw.png" /></figure><h3>3.3 Telefon numarasından sadece rakamları temiz çıkarma</h3><p>Regex ile format temizleme için REGEXP_REPLACE çok pratik.</p><pre>SELECT<br>    CustomerID,<br>    FullName,<br>    PhoneNumber,<br>    REGEXP_REPLACE(PhoneNumber, &#39;[^0-9]&#39;, &#39;&#39;) AS DigitsOnlyPhone<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BaLkY31EwADZgOPyLA0OPA.png" /></figure><h3>3.3 Telefon numarasından sadece rakamları temiz çıkarma</h3><p>REGEXP_SUBSTR, eşleşen alt metni döndürür. Eşleşme yoksa NULL döner.</p><pre>SELECT<br>    CustomerID,<br>    FullName,<br>    FreeTextNote,<br>    REGEXP_SUBSTR(<br>        FreeTextNote,<br>        &#39;[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}&#39;,<br>        1,<br>        1,<br>        &#39;c&#39;<br>    ) AS FirstEmailInNote<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lLolwD28-1AX7XtlYisJKg.png" /></figure><h3>3.5 Ürün kodunun belirli bir kurala uyup uymadığını test etme</h3><p>Örneğin AAA-9999-BB-01 gibi bir kuralın olup olmadığını test edelim. Bizim örnek datada tam uyumlu kayıt olmayacak ama mantığı gösterecek.</p><p>Bu özellikle ERP, stok, sipariş ve belge numarası doğrulamalarında çok iş yapar.</p><pre>SELECT<br>    CustomerID,<br>    ProductCode,<br>    CASE<br>        WHEN REGEXP_LIKE(ProductCode, &#39;^[A-Z]{2,5}[-_][A-Z0-9]{2,10}[-_][0-9]{2,6}$&#39;, &#39;c&#39;)  <br>            THEN &#39;VALID&#39;<br>        ELSE &#39;INVALID&#39;<br>    END AS ProductCodeStatus<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kvvIiNvOGZ5qINTdIEo5Cg.png" /></figure><h3>3.6 Log satırından log seviyesini ayıklama</h3><p>Log analizi için çok kullanışlıdır.</p><pre>SELECT<br>    CustomerID,<br>    LogLine,<br>    REGEXP_SUBSTR(LogLine, &#39;\b(ERROR|WARN|INFO|DEBUG)\b&#39;, 1, 1, &#39;c&#39;) AS LogLevel<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*X0IpxiPr9o6Yg1alIU9cjQ.png" /></figure><h3>3.7 Log satırında IP adresini bulma</h3><pre>SELECT<br>    CustomerID,<br>    LogLine,<br>    REGEXP_SUBSTR(LogLine, &#39;\b(?:[0-9]{1,3}\.){3}[0-9]{1,3}\b&#39;, 1, 1, &#39;c&#39;) AS IpAddress<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MGTd_qYr2nSoO2cxZMCjPA.png" /></figure><h3>3.8 Bir metinde kaç tane sayı geçtiğini sayma</h3><p>Regex fonksiyon ailesi içinde REGEXP_COUNT da var.</p><pre>SELECT<br>    CustomerID,<br>    FreeTextNote,<br>    REGEXP_COUNT(FreeTextNote, &#39;[0-9]+&#39;, 1, &#39;c&#39;) AS NumericTokenCount<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UR0eNKoVCaiXA3n5vzBrrg.png" /></figure><h3>3.9 Pattern’in başladığı pozisyonu bulma</h3><p>Bu da parsing senaryolarında faydalı.</p><pre>SELECT<br>    CustomerID,<br>    LogLine,<br>    REGEXP_INSTR(LogLine, &#39;ERROR|WARN|INFO|DEBUG&#39;, 1, 1, 0, &#39;c&#39;) AS LevelStartPosition<br>FROM dbo.RegexDemoCustomers;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j1nF_gZWgZUufKM8ZDn7kQ.png" /></figure><h3>3.10 Metindeki bütün e-posta eşleşmelerini satır satır döndürme</h3><p>REGEXP_MATCHES tablosal sonuç döndürür.</p><pre>SELECT<br>    c.CustomerID,<br>    c.FullName,<br>    m.match_value<br>FROM dbo.RegexDemoCustomers AS c<br>CROSS APPLY REGEXP_MATCHES(<br>    CONVERT(VARCHAR(5000),c.FreeTextNote),<br>    &#39;([A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,})&#39;,<br>    &#39;c&#39;<br>) AS m;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/905/1*WcyWN_5WT62VOF4LcK_h5w.png" /></figure><h3>3.11 Bir metni regex ile parçalama</h3><p>Örneğin boşluk, virgül, nokta ve tireye göre bölmek için:</p><pre>SELECT<br>    c.CustomerID,<br>    c.FullName,<br>    s.value AS Token<br>FROM dbo.RegexDemoCustomers AS c<br>CROSS APPLY REGEXP_SPLIT_TO_TABLE(<br>    c.ProductCode,<br>    &#39;[-_]&#39;,<br>    &#39;c&#39;<br>) AS s;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/776/1*Boui1GtrXmxHWlge8hAikQ.png" /></figure><h3>3.12 Kişisel veri maskeleme</h3><p>Telefon numarasının son 4 hanesini bırakıp diğerlerini maskeleyelim.</p><pre>SELECT<br>    CustomerID,<br>    FullName,<br>    PhoneNumber,<br>    REPLICATE(&#39;*&#39;, LEN(CleanPhone) - 4) + RIGHT(CleanPhone, 4) AS MaskedPhone<br>FROM<br>(<br>    SELECT<br>        CustomerID,<br>        FullName,<br>        PhoneNumber,<br>        REGEXP_REPLACE(PhoneNumber, &#39;[^0-9]&#39;, &#39;&#39;) AS CleanPhone<br>    FROM dbo.RegexDemoCustomers<br>) t;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LsePklsCKW9ziFb1vgXBdA.png" /></figure><p>Örnekleri çoğaltmak mümkün ama bu kadarı umarım zihninizde ampüller yakmıştır.</p><p>Sağlıcakla…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f9a616c64a51" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[FABCON & SQLCON 2026 Atlanta SQL Server AI Yenilikler]]></title>
            <link>https://medium.com/@ocolakoglu/fabcon-sqlcon-2026-atlanta-sql-server-ai-yenilikler-de502b30c827?source=rss-1093f3a8495e------2</link>
            <guid isPermaLink="false">https://medium.com/p/de502b30c827</guid>
            <dc:creator><![CDATA[Ömer  ÇOLAKOĞLU]]></dc:creator>
            <pubDate>Mon, 30 Mar 2026 02:55:14 GMT</pubDate>
            <atom:updated>2026-03-30T03:00:39.797Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>FABCON &amp; SQLCON 2026 Atlanta SQL Server AI Yenilikler</strong></p><p>Dostlar merhaba,</p><p>Bildiğiniz üzere geçtiğimiz günlerde FABCON &amp;SQLCON ve MVP Summit etkinliklerine katılmak üzere Türkiye’den bir diğer Data Platform MVP’si olan sevgili dostum Çağlar Özenç ile birlikte Atlanta ve Seattle’da idik.</p><p>Hatta ben de orada “Auto ML Pipeline for Azure SQL” isimli bi konuşma gerçekleştirdim. Bu konuşma ile alakalı ilerleyen günlerde daha detaylı paylaşım yapacağım.</p><p>“Yediğin içtiğin senin olsun gördüğün güzelliklerden bahset” dediğinizi duyar gibiyim.</p><p>Fabric ile alakalı yenilikleri başka bir posta bırakıp <strong>SQL ve AI Entegrasyonu</strong> ile alakalı gelen yenilikleri bu postta paylaşmak isterim.</p><p>Her bir yenilik kendi içinde detaylar içerdiği için bu yazıda <strong>SQL ve AI Entegrasyonu üzerine konuşacağım.</strong></p><p>Bildiğiniz gibi SQL Server 2025 ile birlikte vektör veri tipi ve bununla birlikte gelen vektör fonksiyonları ile bugün AI-RAG sistemlerinin en önemli unsuru olan vektör altyapısı gelmişti.</p><p>Burada gerçekten başarılı uygulamalar geliştirmeye imkan sağlayan bir altyapı oluştu. Öyle ki, ben SQL Server üzerinde çalışan Notebook LM uygulaması bile geliştirdim. Oldukça hızlı oldukça performanslı da çalışıyordu. Yalnız can sıkıcı bir durum vardı ki vector tipindeki kolonlar üzerinde oluşturulan indexler hem readonly idi hem de çok bu indexi oluşturmak çok uzun zaman alıyordu.</p><p><strong>6 Kat daha hızlı vektör oluşturma</strong></p><p>Bu noktada harika bir altyapı değişikliği var. DiskANN tabanlı vektör index oluşturma süresi artık 6 kat daha hızlı.</p><p>Etkinlikte paylaşılan testlere göre (örneğin 1 milyon satırlık bir OpenAI veri setinde) indeks oluşturma süresi 17 dakikadan sadece 2 dakikaya inmiş durumda. Peki bu devasa hız artışı nasıl sağlandı? Microsoft burada “Kuantizasyon” (Quantization) denilen bir sıkıştırma mimarisine geçmiş. 32-bit veya yeni desteklenen 16-bit’lik vektör değerleri, 8-bit’lik değerlere sıkıştırılıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qJx2L7oFYClS1Mb77yWNWw.png" /></figure><p><strong>Tabi ki her güzel şeyin bir bedeli var:</strong> Bu hızın karşılığında vektör indeksleri diskte eskisinden daha fazla yer kaplıyor. Çünkü sistem artık 8-bitlik sıkıştırılmış vektörleri, grafiğin kendisini <strong>(edge table) </strong>ve değişiklikleri izleyen <strong>“watermark” (filigran) </strong>tablosunu dâhili sistem tablolarında saklıyor. Aklınıza hemen “Peki veriler 8-bit’e sıkıştırılınca arama hassasiyeti (precision) bozulmuyor mu?” sorusu gelebilir. Microsoft bunu da harika çözmüş; yaklaşık arama bittikten hemen sonra sistem arka planda sakladığı asıl vektörleri kullanarak bir “yeniden sıralama” (re-ranking) yapıyor ve size en doğru (precise) sonuçları döndürüyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pRKafWsNMr3DIJwGtoezfQ.png" /></figure><p><strong>Read-Only Kısıtlamasına Elveda: Canlı DML Desteği</strong></p><p>Gelelim sahadaki en büyük sancımızı çözen müjdeye! Vektör indeksi oluşturduğumuz tabloların salt okunur (read-only) olarak kilitlenmesi tarihe karışıyor. Yeni mimari sayesinde tablonuzda INSERT, UPDATE, DELETE ve TRUNCATE işlemlerini, sistemi ve canlı iş yüklerini kilitlemeden yapabiliyorsunuz.</p><p><strong>Peki indeks nasıl güncel kalıyor?</strong></p><p>Sistem arka planda her 60 saniyede bir uyanan dahili bir görev (timer task) çalıştırıyor ve watermark tablosuna bakarak değişen verileri otonom bir şekilde indekse işliyor. Hatta bu arka plan sürecini ve indeksin güncellik durumunu (staleness) izleyebilmeniz için yepyeni bir DMV de sisteme eklenmiş durumda.</p><p><strong>Eşzamanlı Filtreleme (Iterative Filtering) ile Kusursuz Arama</strong></p><p>Beni en çok heyecanlandıran bir diğer özellik ise yeni TOP … WITH APPROXIMATE komutları ile arama.</p><p>Eskiden vektör araması yaptığımızda sistem önce en yakın 5–10 sonucu bulur, sonra sizin yazdığınız WHERE şartını uygulardı <em>(post-filtering).</em></p><p>Eğer seçilen o ilk sonuçlar filtrenize uymazsa, koskoca tabloda karşınıza sıfır sonuç çıkabiliyordu. Artık WITH APPROXIMATE komutunu kullandığımızda, sistem vektör grafiğinde gezinirken sizin WHERE koşullarınızı da eşzamanlı olarak uyguluyor <em>(iterative filtering).</em></p><p>Yani hem performanstan ödün vermiyoruz hem de aradığımızı kesin olarak buluyoruz.</p><p>Ayrıca 1998 olan maksimum boyut (dimension) sınırına takılanlar için Float 16 (16-bit kayan nokta) desteğinin geldiğini de ekleyeyim. Bu sayede Float 16 kullanıldığında yeni maksimum boyut (dimension) sınırı <strong>1998&#39;in tam iki katı</strong> (1998 x 2) olan <strong>3996</strong>&#39;ya çıkıyor. Bu da bazı başarılı ama boyut sınırı sebebiyle kullanılamayan bazı embedding modellerin kullanılmasına olanak sağlıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*Wr7K9w5vRWAe9f-Aqzcdqg.png" /></figure><p><strong>Ne Zaman Kullanabileceğiz?</strong> Tüm bu yenilikler şu an Azure SQL Database ve Fabric SQL Database tarafında yaygınlaşmaya başladı. On Prem SQL Server 2025 içinse önümüzdeki dönemde bekliyoruz.</p><p>Görünen o ki, sadece tanıdığımız T-SQL komutlarını kullanarak harici yapay zeka modelleriyle güvenli bir şekilde konuşmak ve Ajan tabanlı (Agentic) RAG sistemleri kurmak artık hem çok daha hızlı hem de gerçek kurumsal iş yüklerine tam uyumlu hale gelmiş. NotebookLM tarzı projeleri SQL üzerinde geliştirmek artık çok daha keyifli olacak!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de502b30c827" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Neden 50 yıllık bir teknoloji olan SQL’i öğrenmeliyim?]]></title>
            <link>https://medium.com/@ocolakoglu/neden-50-y%C4%B1ll%C4%B1k-bir-teknoloji-olan-sqli-%C3%B6%C4%9Frenmeliyim-a4603fc46f15?source=rss-1093f3a8495e------2</link>
            <guid isPermaLink="false">https://medium.com/p/a4603fc46f15</guid>
            <dc:creator><![CDATA[Ömer  ÇOLAKOĞLU]]></dc:creator>
            <pubDate>Wed, 30 Jul 2025 13:26:31 GMT</pubDate>
            <atom:updated>2025-07-30T13:27:45.858Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q88RyGmuhM1XHUR4ci4vqQ.jpeg" /></figure><p><strong>Neden SQL Öğrenmeliyim?</strong></p><p>Gerçekten güzel ve cevabının kesinlikle bulunması gereken bir soru. Madem 50 yıllık bir teknoloji ve günümüzde bu kadar havalı yeni teknoloji ve platform varken <strong>“Ben neden SQL öğrenmeliyim?”</strong></p><p>Bu sorunun birden fazla cevabı var aslında.</p><p>Öncelikle günümüzün popüler konusu olan <strong>Veri Bilimi</strong> konusundan bahsedelim.</p><p>Veri Bilimi iki kelimeden oluşuyor. Veri ve Bilim.</p><p>Burada eldeki verileri kullanıp değişik istatistiksel algoritmalar çalıştırarak veriden anlamlı bir sonuç tahminlemeye çalışıyoruz.</p><p>İşin bilim kısmı için kullandığımız birçok hazır algoritma, Python, R gibi bir takım kodlama platformları mevcut. Ve genelde bunlar bilimadamları ve mühendisler tarafından geliştiriliyor ve biz sadece parametrelerine müdahele edebiliyoruz.</p><p>Oysa işin Veri kısmına baktığımızda burası çok daha büyük önem arzediyor ve bizim bu kısma çok fazla müdahele etmemiz gerekiyor. Çünkü gerçek hayattaki veriler, eğitim materyalleri verisetleri gibi temiz değil ve tabiri caizse biz bu verileri tırnaklarımızla kazarak temizliyoruz.</p><p>Her veri bilimi projesi, arkasında ciddi bir veri önişleme süreci barındırır. Genellikle bu tür projelerde yapılandırılmış verilerle çalıştığımız için, bu verileri önişlemeye tabi tutmak amacıyla kullanacağımız yapı ve dil tam olarak SQL dili.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*BcfpePli7VPCLCvKqxZbxg.png" /></figure><p>Bir de. Veri dünyasındaki trendlere baktığımızda. Özellikle hem Türkiye’de hem de globalde. Veri ile alakalı açılmış iş ilanlarına baktığımızda. En çok aranan özellik olarak ilk sırada. Sql dilini görüyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*v79BjvRJARgDVqL8ihg5VQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q2mu9aUmJtIHUrU-U_HqSQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iv7iJ_6-gRvvS73CIT1VfA.png" /></figure><p><strong>SQL’i bu kadar evrensel ve kadim yapan şey nedir?</strong></p><p>SQL dili oldukça basit bir dil. En çok kullanılan komutlarına baktığımızda 20’yi geçmeyecek komutlardan bahsediyoruz. Ancak bu dil oluşturulurken insan diline yakın bir şekilde oluşturulacak komutlardan oluşuyor. Dolayısıyla anlaması çok kolay.</p><p>Gerçi, öğrenmesi kolay ama uygulaması zor diyebiliriz.:)<br>Diğer taraftan SQL’i SQL yapan şey SQL’in yapabildikleri değil. SQL’i SQL yapan şey SQL ile sizin yapabildikleriniz. Yani ortaya bir de insan faktörü giriyor. Bu da her şirketin ihtiyaçları için insan analitik zekasına karşılık ilgili komutlar ile sorgulama ve analiz yapılabilmesini sağlıyor.</p><p>Bunu şöyle bir benzetme ile anlatabiliriz. Temelde 7 basit nota var ve onların türevleri. Fakat bu temel notalar ile yüzyıllardır besteler yapılıyor ve biz sıkılmadan yüzyıllardır bu basit mantıktan çıkan özgün eserleri dinliyoruz. İşte SQL’in alamet-i farikası böyle.</p><p><strong>Nedir bu üç harfli sihirli kelime (SQL)?</strong></p><p>SQL kelimesi <strong>Structured Query Language</strong> kelimelerinin baş harflerinin kısaltması anlamına geliyor. Türkçe’ye çevirdiğimiz zaman <strong>“Yapısal Sorgulama Dili” </strong>şeklinde çeviriyoruz. Biraz tuhaf bir çeviri gibi geliyor kulağa değil mi? “Çok oturgaçlı götürgeç” gibi.</p><p>Ama aslında çok doğru bir çeviri. Çünkü bizler veritabanlarında yapısal veriler kullanıyoruz. <strong>Structred:”Yapısal”.</strong></p><p>Yani sınırları çizilmiş, satırlardan ve kolonlardan oluşan yapısal bir veri. Örneğin MusteriNo alanı tamsayı bir alan ve siz oraya “Ömer” yazamasınız. Ya da Ad Soyad alanı 50 karakter ile sınırlı ise siz oraya 60 karakter uzunluğunda veri yazamazsınız. İşte bunlar veritabanlarında tuttuğumuz verinin yapısal olduğunun göstergesidir.</p><p>Biz SQL dilini bu veriyi sorgulamak ve analiz etmek için kullanırız.</p><p><strong>Query</strong>, yani <strong>“Sorgulama”</strong></p><p>Veritabanlarından bir sorgulama yapmak için kendi içinde bir takım komutları, bir sintaksı olan bir dile ihtiyacınız var. <strong>Language:”Dil”</strong></p><p>İşte bu haliyle gerçekten çok doğru bir çeviri olarak görüyoruz.</p><p>SQL için tüm veritabanlarının ortak dili diyebiliriz. SQL dili ile tüm modern veritabanlarından sorgulama yapabilirsiniz. Tabiri caiz ise, veritabanlarının global dili, İngilizcesi.</p><p>1970&#39;lerde çıkan bu dil o kadar güzel tasarlanmış ki, o zamandan bu zamana farklı birçok firma, bir çok farklı iş yapış şekli ve süreçlere rağmen popülaritesini hiç yitirmemiş. Üstüne gelen teknolojiler ise ondan evrilmiş durumda.</p><p>Kısacası veri ile ilgili bir çalışmada bulunacaksanız, SQL başlangıç noktanız olmalı.</p><p>Ömer Çolakoğlu</p><p>Microsoft Data Platform MVP</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a4603fc46f15" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>