AI Çözümleri

Sıfırdan model eğitmiyoruz; yaptığımız iş, hazır dil modellerini (LLM, yani büyük dil modeli) mevcut ürününüzün ve mevcut iş sürecinizin içine yerleştirmek. Bunu iki koşulla yapıyoruz: sonuç ölçülebilir olacak ve gerektiğinde geri alınabilecek. Ölçülebilir olmak, doğruluğun sabit bir soru-cevap kümesi üzerinde sayıyla takip edilmesi demek; geri alınabilir olmak ise LLM katmanı kapatıldığında sürecin eski haliyle çalışmaya devam edebilmesi demek. Bir demo hazırlamak kolaydır, çünkü tek bir senaryonun bir kez çalışması yeterli olur; zor olan, o demoyu her gün çalışan, maliyeti belli ve hatası ölçülen bir sisteme çevirmektir, ve Detartech'in AI işi tam olarak bu ikinci kısımdan ibaret.

AI çözümleri hizmetimizin kapsamı

AI çözümleri derken uygulama katmanını kastediyoruz. Model laboratuvarı değiliz: temel model eğitmiyoruz, yeni mimari araştırmıyoruz, kıyaslama tablosu peşinde koşmuyoruz. İşimiz, hazır modellerin etrafına o modeli işe yarar kılan katmanı kurmak. Bu katman erişim (modelin doğru veriyi görmesi), doğrulama (çıktının kabul edilmeden önce kontrol edilmesi), iş akışı (çıktının hangi ekrana, hangi onaydan sonra düştüğü) ve gözlemlenebilirlikten (ne kadar harcandığı, ne kadar sürdüğü, ne kadar yanıldığı) oluşur. Bir demoda bu katmanların hiçbiri yoktur, bu yüzden demo günler içinde hazırlanabiliyor; üretim sistemi ise tam olarak bu katmanlar yüzünden daha uzun sürüyor. Almadığımız işler de var: doğrulanabilir bir başarı tanımı olmayan projeleri, "önce bir AI koyalım sonra bakarız" tipi talepleri ve sonucun kimse tarafından kontrol edilmeyeceği kritik karar süreçlerini üstlenmiyoruz.

Hizmet hatlarımız

Aşağıdaki altı başlık, bir AI projesinde önümüze çıkan işlerin tamamı. İlk beşi dil modelinin gerçekten fark yarattığı yerler: bilgiye erişim, doküman işleme, ajan iş akışları, ürün içi özellikler ve sitenizi ajanlara açmak. Altıncısı bunların tersi, yani dil modelinin gereksiz pahalı kaldığı ve size bunu baştan söylediğimiz durumlar. Projelerin çoğu tek bir başlıkla başlıyor, zamanla ikincisi ekleniyor.

RAG ve kurumsal bilgi erişimi

Kurumun kendi belgeleri, kayıtları ve bilgi tabanı üzerinde soru cevaplayan sistemler kuruyoruz; bu yaklaşıma RAG (retrieval-augmented generation) deniyor, çünkü model cevabı kendi ezberinden değil, o an getirilen ilgili belge parçalarından üretiyor. İş, dokümanı modele yapıştırmakla bitmiyor: içeriği anlamlı sınırlardan parçalıyoruz, parçaları gömme vektörlerine çeviriyoruz, aday sonuçları yeniden sıralayıp modele yalnızca gerçekten ilgili olanları veriyoruz. Erişim kalitesini de ayrı ölçüyoruz: doğru parçanın ilk sıralarda gelmediği bir sistemde model ne kadar iyi olursa olsun cevap yanlış çıkar. Her cevabın altında hangi belgenin hangi bölümünden geldiği görünüyor, çünkü kaynak atfı bizde isteğe bağlı bir özellik değil, varsayılan bir davranış. Kaynağı görünmeyen cevap, doğru olsa bile kurumsal bir süreçte kullanılamaz, çünkü kimse onu kontrol edemez.

Doküman anlama ve otomasyon

Ham dokümandan yapılandırılmış veri çıkarıyoruz. Girdi PDF, taranmış evrak, e-posta eki veya serbest metin olabilir; çıktı sizin şemanıza uyan, alan alan doldurulmuş bir kayıt olur. Aynı hat üzerinde sınıflandırma (belge hangi türde, hangi departmana ait), özetleme ve alan bazlı karşılaştırma da çalışır. Kritik olan son adım: çıktı doğrudan sisteme yazılmaz. Model her alan için bir güven skoru ve kaynak konumu üretir, eşiğin altında kalan kayıtlar insan onayına düşer. Böylece otomasyon oranı arttıkça hata oranı kontrolsüz artmaz. Onaylanan her kayıt aynı zamanda doğruluk ölçümü için veri üretir.

Ajan tabanlı iş akışları

Tek bir soru-cevap turundan fazlasını gerektiren işlerde ajan yapısı kuruyoruz. Model, tanımlı araçları tool calling ile çağırır (arama, veritabanı sorgusu, API çağrısı, dosya yazma); iş akışı döngü ve çizge yapısıyla ilerler, her adımın durumu saklanır. Hata durumunda ne olacağı önceden yazılıdır: yeniden deneme sayısı, geri çekilme süresi, hangi hatanın insana devredileceği. Her çalıştırmanın adım adım denetim izi kalır; hangi aracın hangi girdiyle çağrıldığı, ne döndüğü ve kararın hangi adımda verildiği sonradan okunabilir. Denetim izi olmayan bir ajan, ilk yanlış işlemde kapatılır.

Ürün içi LLM özellikleri

Kullanımdaki bir üründe dil modeliyle çalışan özellikler ekliyoruz: doğal dille filtreleme, anlam tabanlı arama, kullanıcı bağlamına göre öneri, taslak metin üretimi, uzun kaydın kısa özeti. Yaklaşımımız arayüzü baştan yazmak değil; özellik mevcut ekrana yerleşiyor, klasik yol yerinde kalıyor ve kullanıcı istediğinde eski akışına dönebiliyor. Yanıt gecikmesi kullanıcının bekleyebileceği sınırın üstüne çıkıyorsa özellik ya akış halinde gösterilir ya da arka plana alınır. Model kesintiye uğradığında ürün çalışmaya devam eder; LLM özelliği bir bağımlılık değil, kapatılabilir bir katman olarak kurulur.

AI'ya açık web arayüzü: WebMCP ve llms.txt

Ajanlar artık web sitelerini insan gibi geziyor. Bir siteyi ajana açmak, sayfayı kazımasını kolaylaştırmak değil, ona doğrudan çağırabileceği araçlar vermek demek. WebMCP ile tarayıcıdaki ajan sitenin tanımladığı araçları çağırır; llms.txt modelin siteyi okurken hangi kaynaklara bakacağını söyler; RFC 9727 API kataloğu makinelere hangi API'lerin var olduğunu bildirir; yapılandırılmış veri ise sayfanın anlamını belirsiz bırakmaz. Sonuç, kullanıcı adına işlem yapan bir ajanın tahmin yürütmek yerine tanımlı bir arayüzü kullanması oluyor. Bunları kendi sitemizde uyguladık, öneriyi denemeden vermiyoruz. AI cevap motorlarında görünürlük tarafını ayrıca GEO hizmetimizde anlatıyoruz.

Klasik makine öğreniminin hâlâ doğru cevap olduğu yerler

Her problem dil modeli istemez. Sayısal bir hedefi tahmin eden işlerde klasik yöntemler hem daha ucuz hem daha isabetlidir: talep ve stok tahmini, satış öngörüsü, müşteri kaybı skorlaması, işlem kayıtlarında anomali tespiti, üretim hattında görüntüyle kusur ayrımı. Bu işlerde girdi zaten yapılandırılmış tablodur ve model saniyeler değil milisaniyeler içinde cevap vermelidir. Bir LLM'i buraya koymak token maliyetini ve gecikmeyi karşılıksız artırır. Proje başlangıcında hangi problemin hangi yönteme ait olduğunu ayırıyoruz; bir işi LLM'siz çözebiliyorsak bunu söylemek işimizin parçası.

Nasıl çalışıyoruz

Üç aşamada ilerliyoruz: PoC (kavram kanıtı), pilot ve üretim. PoC'de tek bir gerçek senaryoyu sizin kendi verinizle kuruyoruz ve sonucu bir ölçüm tablosuyla teslim ediyoruz; amaç etkileyici bir gösteri değil, işin yapılabilir olup olmadığına dair karar. PoC tipik olarak iki ila dört hafta sürüyor. Pilotta sistem sınırlı bir kullanıcı grubuna açılır, gerçek kullanımdan gelen hatalar toplanır ve akış buna göre düzeltilir. Üretimde izleme, maliyet takibi, sürüm yönetimi ve devretme dokümantasyonu devreye girer. İki haftalık döngülerle çalışıyoruz; her döngünün sonunda çalışan bir sürüm ve o sürümün ölçüm sonucu ortaya çıkıyor. Aşama sonlarında devam etmeme kararı verirseniz elinizde çalışan kod, veri hattı ve ölçüm kalır.

Doğruluğu nasıl ölçüyoruz

Bir AI sisteminin çalışıp çalışmadığı izlenimle değil ölçümle belirlenir. İşe altın set hazırlayarak başlıyoruz: sizin ekibinizin günlük olarak sorduğu gerçek sorular ve bu soruların kabul edilen doğru cevapları. Bu set, değişiklikleri otomatik olarak sınayan bir test altyapısı (eval harness) üzerinden her değişiklikte yeniden çalışıyor; istem değiştiğinde, model sürümü güncellendiğinde veya erişim ayarı oynadığında sonuç yeniden ölçülüyor. Skor düştüğünde hangi soruların bozulduğu tek tek görünüyor, böylece regresyon geriye dönük takip edilebiliyor ve ölçüm sonuçlarını düzenli olarak rapor halinde sizinle paylaşıyoruz. Kritik akışlarda insan onayı zincirin içinde kalır; model önerir, yetkili kişi kabul eder. "Çalışıyor gibi görünüyor" bir gözlemdir, "şu sette şu skoru ölçtük" ise devam edip etmemeye dair karar verilebilecek bir veridir.

Maliyet, gecikme ve model bağımsızlığı

Bir AI özelliğinin işletme maliyeti kurulum maliyetinden daha önemlidir, çünkü her istek para harcar. Projeye istek başına token bütçesi ve hedef gecikme süresi koyarak başlıyoruz. Tekrar eden istekler ve sabit bağlam parçaları önbelleğe alınır, uzun bağlam gerekmeyen adımlar daha küçük ve ucuz modele yönlendirilir, çıktı uzunluğu sınırlanır. Model çağrısı doğrudan kodun içine gömülmez; arkasında sağlayıcıdan bağımsız bir soyutlama durur. Böylece sağlayıcı fiyatı arttığında veya daha iyi bir model çıktığında geçiş, istemleri ve iş akışını yeniden yazmadan yapılır. Verinin dışarı çıkmaması gereken durumlarda açık ağırlıklı modeli kendi altyapınızda çalıştırıyoruz.

Güvenlik ve veri sınırları

AI projesinde ilk yazdığımız belge veri sınırı belgesidir: hangi alan modele gider, hangi alan hiç gitmez. Kimlik numarası, iletişim bilgisi, ödeme verisi gibi alanlar ya istemden önce maskelenir ya da hiç taşınmaz; model çoğu işi bu alanları görmeden yapabilir. KVKK ve GDPR kapsamında işleme amacı, saklama süresi ve hukuki dayanak yazılı olarak tanımlanır. Sağlayıcı seçiminde veri ikametgâhı ve verinin eğitimde kullanılmaması sözleşmeyle sabitlenir; gerekiyorsa modeli kendi altyapınızda çalıştırırız. Her istek ve her çıktı denetim izine yazılır, böylece bir sonucun ne zaman, hangi girdiyle ve hangi model sürümüyle üretildiği sonradan gösterilebilir.

Bunları nerede kullandık

Aşağıdaki işler yayında veya tamamlanmış durumda. Her birinin ayrıntısı kendi sayfasında; başlıklara tıklayarak projeye gidebilirsiniz.

• detartech.com: Kendi sitemizde WebMCP araçları, llms.txt, RFC 9727 API kataloğu ve ai/service.json yayında. Site, bir ajanın sayfayı kazımak yerine tanımlı araçları çağırabileceği biçimde açık. Bu yüzden AI'ya açık arayüz önerimizi kendi ürünümüzde denedikten sonra veriyoruz.
• SanalRandevu: llms.txt, 18 AI tarayıcısı için açıkça yazılmış robots.txt kuralları, Organization, WebSite ve HowTo yapılandırılmış verisi ve IndexNow ile hızlı indeksleme devrede.
• Lextum AI: Yüzlerce sayfalık sözleşmelerin ön analizi otomatikleştirildi; risk ve uyum noktaları çıkarıldı, avukatın zamanı kritik maddelere kaldı.
• World Summer Schools: Ham program verisi dil modeliyle yapılandırıldı, özet ve kategori önerileri üretildi, içerik insan onayından sonra yayına alındı.
• bebekistiyorum.com: 4 dilde, 1200'den fazla URL'lik içerik arşivi hem klasik arama sonuçlarında hem AI cevaplarında görünür hale getirildi.