Yapay Zekâ Uygulamaları: Hangi Sorun İçin Hangi Teknoloji?

Destek ekibiniz aynı soruları her gün tekrar tekrar mı yanıtlıyor? Kataloğunuzda binlerce ürün var ama müşteriler aradığını bulamıyor mu? Elinizdeki satış verilerinden bir sonraki ayı tahmin etmeye mi çalışıyorsunuz? Bunların hepsi yapay zekâyla çözülebilir; ama "yapay zekâ" o kadar geniş bir kavram ki nereden başlayacağınızı bilmek zor. Bu yazıda yapay zekâ uygulamalarını teknolojiye göre değil, çözdükleri soruna göre sıralıyoruz.

1. Metinle çalışıyorsanız: Doğal dil işleme

Müşteri soruları, e-postalar, formlar, belgeler, yorumlar... İşinizin merkezinde metin varsa ihtiyacınız doğal dil işleme (NLP) uygulamalarıdır:

• Chatbot ve asistan: Sık sorulan soruları 7/24 yanıtlamak, randevu almak, sipariş durumunu söylemek
• Otomatik sınıflandırma: Gelen talepleri konuya göre ayırıp doğru kişiye yönlendirmek
• Özetleme ve bilgi çıkarma: Uzun belgelerden özet ya da belirli alanları çekmek
• Yorum analizi: Müşteri yorumlarında hangi konuların öne çıktığını görmek

Teknoloji tarafında bugün çoğu proje, büyük dil modellerini (OpenAI, Anthropic, Google gibi sağlayıcıların API'leri ya da Llama, Mistral gibi açık kaynak modeller) kendi verinizle birleştirerek kurulur. Türkçe kullanacaksanız modeli gerçek Türkçe örneklerle test etmeden karar vermeyin; dil kalitesi modelden modele belirgin şekilde değişir.

2. Görüntüyle çalışıyorsanız: Bilgisayarlı görü

Fotoğraf, video ya da kamera görüntüsüyle çalışıyorsanız bilgisayarlı görü uygulamaları devreye girer:

• Belge okuma (OCR): Fatura, form ve fişlerden veriyi otomatik çıkarmak
• Görselle arama: Müşterinin yüklediği fotoğrafa benzeyen ürünleri göstermek
• Kalite kontrol: Üretim hattında kusurlu ürünü kamerayla yakalamak
• Nesne tespiti: Raf doluluğu, sayım, güvenlik gibi senaryolar

Hazır bulut servisleri (Google Cloud Vision, AWS Rekognition gibi) hızlı başlangıç sağlar; özel ihtiyaçlarda YOLO gibi modeller kendi görüntülerinizle eğitilir. Görüntü işleme, metne göre daha fazla işlem gücü ister; bu yüzden saniyede kaç görüntü işleyeceğiniz maliyeti doğrudan belirler. Yüz tanıma gibi kişisel veri içeren kullanımlarda KVKK ve GDPR yükümlülüklerini baştan planlayın.

3. Kişiselleştirme istiyorsanız: Öneri sistemleri

"Bunu alanlar şunları da aldı" mantığı; e-ticarette, içerik platformlarında ve uygulamalarda kullanıcıya doğru ürünü ya da içeriği göstermek için kullanılır. Kullanıcı davranışından öğrenen yöntemler (collaborative filtering), ürün özelliklerinden yola çıkan yöntemler (content-based) ya da ikisinin karışımı kullanılır.

Dikkat: Öneri sistemleri ancak yeterli kullanıcı etkileşimi varsa işe yarar. Trafiğiniz henüz azsa "en çok satanlar" ve "aynı kategoriden ürünler" gibi basit kurallarla başlamak hem daha ucuz hem daha doğru olur.

4. Geleceği görmek istiyorsanız: Tahmin ve anomali tespiti

Geçmiş veriden bir sonraki adımı tahmin etmek ya da normalden sapan durumları yakalamak için kullanılır:

• Talep tahmini: Hangi üründen ne kadar satılacağını öngörüp stok planlamak
• Anomali tespiti: Şüpheli işlemleri ya da beklenmedik düşüşleri erkenden fark etmek
• Bakım öngörüsü: Makine sensör verilerinden arıza öncesi uyarı almak

Burada kullanılan yöntemler çoğu zaman "klasik" makine öğrenmesidir (zaman serisi modelleri, XGBoost gibi algoritmalar). Başarıyı modelden çok verinin kalitesi belirler: eksik, hatalı ya da tutarsız veriyle kurulan en iyi model bile yanlış tahmin yapar.

Başlamadan önce sormanız gereken 5 soru

• Bu sorun gerçekten yapay zekâ gerektiriyor mu? "Şu olursa bunu yap" diye net bir kuralla ifade edilebiliyorsa, basit bir otomasyon daha ucuz ve daha güvenilirdir
• Yeterli verim var mı? Az veriyle sıfırdan model eğitmek yerine hazır bir modeli ya da API'yi kendi işinize uyarlamak çoğu zaman daha mantıklıdır
• Kararı açıklayabilmem gerekiyor mu? Kredi, işe alım, sağlık gibi hassas alanlarda modelin neden o kararı verdiğini gösterebilmelisiniz
• Anlık mı, toplu mu? Chatbot saniyeler içinde yanıt vermeli; aylık tahmin raporu gece çalışabilir. Anlık sistemler daha pahalıdır
• Bulut mu, kendi sunucum mu? Bulut API'leri hızlı başlatır; hassas veri söz konusuysa ya da hacim çok büyükse kendi sunucunuzda çalışan açık kaynak modeller değerlendirilebilir

Hazır araç mı, özel geliştirme mi?

Standart bir ihtiyacınız varsa (genel bir destek chatbotu, basit belge okuma) hazır SaaS araçları genellikle yeterlidir ve günler içinde çalışır hale gelir. Özel geliştirme ise şu durumlarda anlam kazanır: işinize özgü bir veriniz ve ihtiyacınız varsa, yapay zekâyı kendi uygulamanızın ya da sisteminizin içine gömmek istiyorsanız, veri gizliliği nedeniyle verinin dışarı çıkmaması gerekiyorsa ya da bu özellik rakiplerinizden ayrışmanızı sağlayacaksa.

Küçük işletmeler açısından nereden başlanabileceğini "Yapay zekâ küçük işletmeler için gerçekten işe yarar mı?" yazımızda ayrıca ele aldık.

Sık yapılan hatalar

• Veri kalitesini göz ardı etmek: Kötü veriyle iyi sonuç alınmaz
• En karmaşık çözümle başlamak: Önce basit bir yöntemle sorunun çözülebilir olduğunu gösterin
• Canlıya aldıktan sonra unutmak: Kullanıcı davranışı değiştikçe modelin performansı düşer; düzenli ölçüm ve güncelleme gerekir
• Maliyeti sonradan hesaplamak: Kullanım arttıkça API maliyeti de artar; hacim senaryolarını baştan çıkarın
• Çıktıyı kontrolsüz kullanmak: Dil modelleri kendinden emin şekilde yanlış bilgi üretebilir; müşteriye giden cevaplarda sınır ve denetim koyun

Küçük başlayın, ölçerek büyüyün

Büyük bir yapay zekâ vizyonunuz olsa bile ilk adımı küçük tutun. Örneğin kişiselleştirilmiş ürün önerisi istiyorsanız önce basit kurallarla başlayın, sonra kullanıcının baktığı ürünlere göre öneri ekleyin, en son diğer kullanıcıların davranışından öğrenen modele geçin. Her adımda tıklama ve dönüşüm gibi somut metrikleri ölçün. Bu yaklaşımın mantığını "MVP nedir" ve "Dijital ürün geliştirme" yazılarımızda ayrıntılı anlattık.

Aklınızda bir yapay zekâ fikri varsa, ücretsiz ön değerlendirmede hangi sorunun gerçekten yapay zekâ gerektirdiğini, hangi teknolojinin uygun olduğunu ve küçük bir ilk adımın nasıl görünebileceğini birlikte çıkarabiliriz.