Yapay Zekanızı Nasıl Eğitirsiniz?

28 Temmuz'da düzenlediğimiz "Yapay Zekanızı Nasıl Eğitirsiniz?" online seminerinde, 67 dakika boyunca tek bir sorunun etrafında dolaştık: Bir kurumun yapay zekası nasıl olur da güvenilir hale gelir? Bu yazı, online semineri kaçıranlar için kapsamlı bir özet; katılanlar için de sunumun tüm görselleriyle birlikte yeniden ziyaret edebilecekleri bir kaynak.

İlk yarıda Kadir Efe ve Deniz Gülce, Next4biz'in yapay zeka özelliklerini gerçek senaryolar üzerinden anlattı; ikinci yarıda Yapay Zeka Ar-Ge Ekibi liderimiz Prof. Dr. Akhan Akbulut bizi işin mutfağına indirdi: veri temizliğinden şampiyon model seçimine, RAG mimarilerinden üretim sonrası izlemeye.

Bu Başlık Nereden Geliyor?

Seminerin başlığını seçerken "Ejderhanı Nasıl Eğitirsin" filminden ilham aldık. Kontrolsüz bir ejderha gibi, doğru şekilde eğitilmeyen bir yapay zekanın da kurumun itibarına zarar verme ihtimali her zaman var — geçtiğimiz dönemde bunun birçok örneğini hep birlikte gördük. Bugün yapay zeka barındırmayan neredeyse hiçbir ürün kalmadı; ama bu teknolojiyi "trendi kaçırma korkusuyla" değil, kurumun ihtiyaçlarına çözüm olacak şekilde konumlandırmak gerekiyor.

Büyük dil modellerinin ilk günlerinde bu iki komutun her şeyi çözeceğine inananlar çoktu. Yaşananlar, hepimizi daha ihtiyatlı olmaya itti.

İhtiyatın en güzel sembolü ise yüz yılı aşkın süredir anlatılan bir hikâye: Akıllı Hans. 1900'lerin başında Almanya'da bir at, matematik sorularını toynağıyla yere vurarak "çözüyordu". Gerçekte Hans matematik bilmiyordu; soruyu soran insanların beden dilini okuyordu. Makine öğrenmesi alanında bugün hâlâ kullanılan "Akıllı Hans etkisi" tam olarak şunu anlatır:

Sistemin bizim istediğimiz cevapları veriyor olmasına rağmen doğru bir öğrenme yapmamış olabileceği... Bugün kurduğunuz bir chatbot size doğru sonuçları veriyor olsa bile, doğru öğrenmeyi yapıp yapmadığından emin olmak çok daha önemli.

Online seminerin tamamı, bu cümlenin kurumsal hayattaki karşılıklarını aramakla geçti.

Otonom Müşteri Hizmetleri: Ölçülebilir Bir Hedef

İlk durak, "otonom müşteri hizmetleri" kavramıydı. Otonomiyi bir slogan olarak değil, kanal kanal ölçülebilen bir oran olarak ele alıyoruz: Gelen etkileşimlerin ne kadarı insan dokunuşu olmadan, uçtan uca çözülüyor? Online seminerde gösterdiğimiz izleme panosunu, anlatımlı bir animasyon olarak aşağıya bıraktık:

Pano, otonomi sorusunu her kanal için ayrı ayrı yanıtlıyor: chatbot, e-posta, sosyal medya, IVR, self servis... Hangi kanalda ne kadar otonom olduğunuzu gördüğünüzde, yatırımın nereye yapılacağı da netleşiyor. Kanal bazlı kurguların tamamını otonom müşteri hizmetleri sayfamızda inceleyebilirsiniz.

Otonom Müşteri Hizmetlerini Nasıl Tasarlıyoruz?

Bu oranların arkasında Flow Builder var: kanala gelen iletişimin hangi adımlardan geçeceğini sürükle-bırak mantığıyla kurguladığınız akış tasarımcısı. Kritik nokta şu: her kanal aynı yapay zeka aracını istemez. Canlı destek doğrudan bir AI Bot ile başlayabilir; WhatsApp'ta müşteriyi önce yönlendirmeli bir Guided Bot karşılayıp gerektiğinde AI Bot'a devreder; çağrı merkezinde ses önce yazıya çevrilir (Speech-to-Text) ve aynı yapay zeka akışına bağlanır; sosyal medya gibi asenkron kanallarda ise akış Issue Intelligence ve AI Agent adımlarıyla ilerler. Flow Builder, bu çeşitliliği tek tuvalde yönetmenizi sağlar.

Online seminerde bu tasarımı canlı bir örnek üzerinde gösterdik — kendini adım adım kuran sosyal medya akışı animasyonunu ayrı sayfada izleyebilirsiniz.

Issue Intelligence: Önce Ayıkla, Sonra Sınıflandır

Asenkron yazılı kanallar — e-posta, sosyal medya, Google Play, App Store, Google Business, pazaryerleri — müşteri hizmetlerinin en dağınık cephesi. Issue Intelligence, bu kanallardan gelen her içeriği alıp kurumun kendi kategori ağacıyla eşleştiren sınıflandırma servisimiz. Online seminerde vurguladığımız incelik, sınıflandırmanın iki aşamalı çalışması:

Birinci aşama şu soruyu sorar: "Bu, kurumun aksiyon alması gereken bir iletişim mi?" Kampanya duyurunuzun altına bırakılan yüzlerce emoji yorumu ile gerçek bir servis talebi aynı kuyruğa düşmemeli. İkinci aşama ise geçerli bildirimi kurumun kendi bildirim ağacında doğru kategoriye yerleştirir.

Detaylı animasyon için ayrı sayfada izleyin.

Canlı örnek de online seminerin en somut anlarından biriydi: Müşteri Facebook'tan DM atıyor, cihazının aşırı ısındığını yazıyor. Yapay zeka bunun bir bildirim olduğunu ve "servis talebi" kategorisine ait olduğunu anlıyor; kategoriye bağlı talimat gereği arka planda bir ticket açıp iş sürecini başlatıyor ve servis randevusunun alındığını, ticket numarasıyla birlikte müşteriye iletiyor. Müşteri tarafında görünen tek şey, birkaç saniye içinde gelen anlamlı bir yanıt. Ayrıntılar Issue Intelligence sayfasında.

PRIME ve Tay'ın Dersi

Peki bu ayıklamayı yapan nedir? Online seminerde adını ilk kez telaffuz ettiğimiz servisimiz: PRIME — Priority Ranking & Interaction Management Engine. PRIME, tüm yazılı kanalları dinleyip gelen her içeriğin gerçekten işleme alınması gereken bir müşteri bildirimi olup olmadığını belirliyor ve önceliklendiriyor: şikâyet mi, talep mi, bilgilendirme mi, teşekkür mü, spam mi?

Neden bu kadar önemli? Çünkü kontrolümüzün olmadığı kanallarda eğitim, en riskli iştir. 2016'da Microsoft'un Tay adlı sohbet botu, Twitter'da insanlarla konuşarak öğrenmek üzere yayına alınmıştı; kötü niyetli kullanıcıların beslemesiyle bir günden kısa sürede yayından kaldırıldı. Tay'ın dersi bugün de geçerli:

Yapay zekayı sınırlı, çerçevesi belirlenmiş alanlar içinde kullanmamız ve eğitimi rafine edilmiş bir veri üzerinden yapmamız gerekiyor.

PRIME işte bu çerçevenin kapısı: Gürültü içeri girmeden ayıklanırsa, sonraki her modelin işi kolaylaşır.

Bağlamın Dışına Çıkmayan Bot

Online seminerin canlı demosunda, bir perakende müşterimizin sitesindeki chatbot ile gerçek zamanlı bir konuşma yaptık. Bot önce ürünle ilgili teknik bir soruyu, güncel ürün dokümantasyonundan beslenerek yanıtladı. Ardından "Siparişim ne durumda?" sorusunda işler ilginçleşti: Bot, arka planda müşterinin e-ticaret platformuna bağlanıp siparişi sorguladı ve kargo durumunu konuşmanın içinde iletti — yapay zeka dünyasının deyimiyle tool calling.

Detaylı bilgi için LiveChat botu sayfasına göz atın.

Bu müşterimizin projedeki en net beklentilerinden biri, botun bağlamın dışına çıkmamasıydı. Bot yalnızca kendi eğitildiği alanda konuşuyor; konu dışı sorulara nazikçe sınır çiziyor. İkinci ders de şuydu: Botun kalitesi, beslendiği teknik dokümantasyonun güncelliği kadardır. Yapay zekaya "bir kere kur, unut" gözüyle bakanların en sık düştüğü tuzak bu.

Elbette amaç insanı devreden çıkarmak değil; müşteri hizmetleri düzeni içinde yapay zekanın insanın yaptığını taklit eden bir rol üstlenmesi — gerektiğinde vakayı bağlamıyla birlikte temsilciye devretmesi. İnsan katkısı her zaman işin merkezinde.

Duygu Durumu: İki Katmanlı Skor

Deniz Gülce'nin ekranından gösterdiği bir diğer özellik, duygu durum analiziydi. Next4biz'te duygu iki katmanda izleniyor: Her bildirimin kendi duygu skoru (mutlu, nötr, mutsuz) ve müşteri kartında, tüm bildirimlerin birikimiyle oluşan genel memnuniyet seviyesi. Kategori önceliği ile duygu durumu bilinçli olarak ayrı boyutlar: Düşük öncelikli bir konuda bile öfkeli bir müşteri, ekipler için erken uyarı işaretidir.

Sırada Ne Var: AnomalyNet ve Text2BPM

Online seminerde iki de ön duyuru vardı; ikisi de yakında yayında olacak. AnomalyNet, Next4biz BPM üzerinde çalışan süreç loglarını inceleyip anomalileri — süreçlerdeki sapmaları, atlanmış adımları, olağan dışı gecikmeleri — tespit eden Ar-Ge ürünümüz. Text2BPM ise süreç tasarımını konuşma diline taşıyor: Süreci doğal dille tarif ediyorsunuz, arka planda BPMN 2.0 standardına uygun, doğrulanmış bir iş akışı üretiliyor. Her ikisinin teknik detayı, Akhan Hoca'nın sunumunda geliyor.

Prof. Dr. Akhan Akbulut'un Sunumu: Yapay Zekanın Mutfağı

Online seminerin ikinci yarısında Yapay Zeka Ar-Ge Ekibi liderimiz Prof. Dr. Akhan Akbulut, "yapay zekanızı nasıl eğitirsiniz" sorusunun asıl cevabını, 13 slaytlık bir sunumla adım adım verdi. Bu bölümdeki tüm görseller o sunumdan.

1979'dan Bugüne Değişmeyen Soru

Sunum, iki ekran görüntüsünün yan yana durduğu bir karşılaştırmayla açıldı. Solda 1979 tarihli bir IBM eğitim kılavuzu: "Bilgisayar asla sorumlu tutulamaz; bu yüzden bilgisayar asla yönetim kararı vermemeli." Sağda ise bugün hepimizin her gün gördüğü satır: "ChatGPT hata yapabilir, önemli bilgileri doğrulayın."

Teknolojinin kapasitesi olağanüstü değişmesine karşın güven, yetki ve sorumluluk konuları ortadan kalkmadı. Bugün artık tartıştığımız konu yapay zekanın karar süreçlerine dahil edilip edilmemesi değil; yapay zeka zaten bu süreçlerin içerisine girdi.

Asıl soru, yetki sınırlarının nasıl çizileceği ve sonuçların nasıl doğrulanacağı.

Prototip Başka, Ürün Başka

Bugün bir API anahtarıyla ve birkaç satır kodla etkileyici bir prototip kurmak çok kolay; MCP gibi protokoller bunu daha da kolaylaştırdı. Akhan Hoca'nın sorusu tam bu noktada geliyor: "Modelin bir çıktı üretmesi, bizim beklediğimiz işi güvenilir ve sürdürülebilir bir şekilde yaptığı anlamına geliyor mu?"

Kurumsal hat bambaşka görünüyor: veri temizliği, temsil öğrenimi, probleme göre model seçimi, tek metrikle yetinmeyen değerlendirme ve hepsinin altında güvenlik, yetkilendirme, doğrulama, gözlemlenebilirlik katmanları. Jenerik bir modelin yeteneği, kurumun ihtiyacına uygun güvenilir bir ürün olduğu anlamına gelmiyor.

Taksonomiyi Öğrenen Model

Issue Intelligence klasik bir metin sınıflandırıcısı değil. Model üç kaynaktan besleniyor: müşteri bildirimleri (serbest metin, farklı diller ve ifade biçimleri), geçmişte insanlar tarafından doğrulanmış kategori seçimleri ve — en önemlisi — kurumun kategori ağacının kendisi. Ağaç, düz bir etiket listesi olarak değil; hiyerarşik bağlam, yol ve açıklamalar içeren yapısal bilgi olarak kullanılıyor. Böylece model yalnızca "hangi etiket" sorusunu değil, kategorilerin birbiriyle ilişkisini de öğreniyor.

"Saf Pırlanta" Veri Seti

Eğitimin belki de en kritik aşaması, modele hiç dokunmadan önce geliyor. Akhan Hoca'nın uyarısı net:

Yüksek kapasiteli bir model, düşük nitelikli bir veriyi maalesef telafi edemez; çoğu zaman o verinin içerisindeki hataları da güçlü bir şekilde öğrenme eğiliminde olabilir.

Veri hattı üç aşamadan geçiyor: Önce dil ve anlam filtresi gürültüyü ayıklıyor. Sonra embedding benzerliğiyle anlamsal deduplikasyon yapılıyor — buradaki asıl amaç hacmi küçültmek değil, aynı örneğin hem eğitim hem test kümesine düşüp performans ölçümünü bozmasını (veri sızıntısını) önlemek. Son olarak sınıf dengesizliği yalnızca eğitim kümesinde düzeltiliyor; test kümesi gerçek dünya dağılımını koruyor. Sonuç, Hoca'nın deyimiyle "saf pırlanta gibi" bir eğitim seti.

Konfüzyon Matrisi: Taksonominin Sağlık Göstergesi

Model eğitildikten sonra hatalar nasıl okunur? Burada sunumun en zarif fikirlerinden biri geldi: İki kategori sürekli birbiriyle karıştırılıyorsa, sorun modelde olmayabilir — kategori tanımları veya hiyerarşik yerleşim yeterince ayrıştırıcı olmayabilir. Model sürekli "Genel" gibi havuz kategorilere kaçıyorsa, bu da alt kırılım ihtiyacının işareti. Konfüzyon matrisi böylece yalnızca modelin değil, kurumun kategori ağacının sağlık göstergesine dönüşüyor; bulgular müşteriye ideal ağaç önerisi olarak geri sunuluyor.

Şampiyon Model: Yarışı Kazanan Üretime Çıkar

Hiçbir projeye tek mimariyle başlanmıyor. Transformer sınıflandırıcılar, embedding tabanlı yapılar, kuruma uyarlanmış yerel modeller ve hibritler aynı eğitim/doğrulama bölmeleriyle yarışıyor; kazanana "şampiyon model" deniyor. Ölçüt tek bir doğruluk skoru değil: makro F1, sınıf bazlı recall, güven kalibrasyonu, gecikme, model boyutu ve işletim maliyeti birlikte değerlendiriliyor. On-premise tercih eden kurumlarda eğitim verisi, model uyarlama süreci ve deney çıktıları kurumun kontrolündeki altyapıda kalıyor; açık kaynak model aileleri kurumun donanımına göre optimize ediliyor. Özetle:

Mesele bir modeli indirip çalıştırmaktan ibaret değil. Bahsettiğim modelleri konuya yakın herkes indirip lokalinde çalıştırabilir; ben size tekrarlanabilen çok sayıda deneyi ve ürünleştirme sürecini aktarmak istedim.

PRIME'ın Mimarisi

İlk yarıda tanıttığımız PRIME'ın motor kapağı da bu bölümde açıldı. PRIME tek bir modele güvenmiyor; birbirini tamamlayan üç sinyal katmanından karar üretiyor: kural tabanlı özellikler (sözlük, metin biçimi, bağlantı kontrolleri), asıl yükü taşıyan transformer tabanlı duygu modeli ve niyeti ayrıştıran LLM tabanlı bağlamsal değerlendirme. Kararlar birleştirilip kalibre ediliyor; çıktı, bildirim türü + öncelik seviyesi + güven skoru. Kurumda henüz etiketli veri yokken genel modeller ve kurallarla başlanıyor (cold start); doğrulanmış örnekler biriktikçe sistem kuruma özelleşiyor.

AnomalyNet: Süreç Loglarının Dedektifi

Yakında duyurduğumuz AnomalyNet'in arkasında yıllara yayılan akademik bir çalışma var. Süreç logları trace ve event'ler olarak modelleniyor; iki derin öğrenme modeli birlikte çalışıyor: zamansal geçiş aykırılıklarına odaklanan GAMA+ ve ölçeklenebilir, çift yönlü GRU ile attention kullanan SPECTRE. Çalışmalar SCI-Expanded kapsamındaki dergilerde yayımlandı; makalelerin listesi AI Lab sayfamızda. En sevdiğimiz özelliği: AnomalyNet yalnızca sapmayı bulmuyor, beklenen temiz süreç izini de yeniden oluşturuyor — yani "neyin yanlış gittiğini" değil, "doğrusunun ne olacağını" da söylüyor.

RAG'de Sihirli Formül Yok

Chatbot tarafında en sık aldığımız soru "hangi RAG mimarisi en iyisi?" Cevap:

"En doğru RAG mimarisi şudur" diye bir şey yok; en karmaşık mimari de her problemi çözmüyor. Verinin yapısına, sorgunun karmaşıklığına göre bir mimari seçiyoruz.

Basit bilgi sorularında naive RAG hızlı ve ekonomik; kurumsal yapılarda re-ranking'li hybrid/graf destekli RAG'ler daha isabetli; botun bir ERP'ye bağlanıp işlem yapması gerekiyorsa agentic RAG devreye giriyor. Dokümanların doğru parçalanması (chunking) başarının sessiz kahramanı; prompt injection kontrolü, retrieval filtreleme ve çıktı denetimi ise güvenlik tarafının vazgeçilmezleri.

Text2BPM: Doğal Dilden Doğrulanabilir Sürece

"Müşteri iade talebi oluşturduğunda sipariş kontrol edilsin; koşullar uygunsa finans onayına gönderilsin." Bu cümleyi yazdığınızda Text2BPM arka planda metni işliyor, BPMN ontolojisi ve bilgi çizgesiyle sınırlıyor, kurumsal örneklerle bağlamlandırılmış LLM üretimi yapıyor ve çıktıyı şema, kural ve tutarlılık katmanlarından geçiriyor. Sunumdaki özet formül aklımıza kazındı: LLM üretir; bilgi çizgesi sınırlar; doğrulama katmanı çalıştırılabilirliği kontrol eder. Amaç analisti ortadan kaldırmak değil, uzman bağımlılığını azaltıp süreç tasarımını hızlandırmak. Text2BPM'in ayrıntıları BPM sayfamızda.

Model Üretime Alındığında İş Bitmez

Sunumun kapanışa yaklaşırken verdiği mesaj, çoğu projede unutulan gerçekti: Model sabit kalırken dünya değişiyor. Üç tür kayma izleniyor: veri drift'i (yeni mobil sürüm çıkar, şikâyet dili değişir), kavram drift'i ("kartım çalışmıyor" ifadesi geçmişte fiziksel kart arızasıyken bugün dijital ödeme sorununa kayar) ve taksonomi drift'i (büyüyen "ödeme sorunları" kategorisi alt kırılım ister). İzle → tespit et → kök nedeni bul → iyileştir döngüsü sürekli işliyor; yeniden eğitim seçeneklerden yalnızca biri. Amaç, doğru kök nedene müdahale etmek.

Kapanış: Otonomi Nedir?

Son slayt, online seminer boyunca anlatılan tüm parçaları tek mimaride birleştirdi: Kanallardan gelen içerik PRIME'dan geçiyor, Issue Intelligence anlamlandırıyor, kurumsal bilgi katmanı besliyor, orkestrasyon ve karar katmanı yönlendiriyor, politika ve güven katmanı sınırları koruyor, gözlemlenebilirlik her adımı izliyor. Ve Akhan Hoca'nın, online seminerin tamamını tek cümlede özetleyen kapanışı:

Otonomi, modele sınırsız yetki vermek değil; doğru modellerin, kurumsal bilginin ve insan denetiminin, tanımlanmış sınırlar içerisinde birlikte çalışması.

Yapay zekanızı nasıl eğitirsiniz sorusunun cevabı da burada saklı: Ejderhayı güçlü yapan ateşi değil, ona çizdiğiniz sınırlar ve verdiğiniz eğitimdir.

Online seminerde gösterilen özelliklerin tamamını web sitemizdeki örneklerle keşfedebilir, kendi kurumunuz için nasıl kurgulanacağını konuşmak isterseniz bir demo toplantısı planlayabilirsiniz.