Yapay zekâ çözümleri

Hangi sorunu çözüyoruz?

Çalışanlar aynı soruların cevabını yönetmeliklerde, sözleşmelerde, teknik dokümanlarda ve eski e-postalarda arıyor. Yeni başlayan biri, bilgiyi bilen kişiye ulaşana kadar işini yapamıyor.

Gelen faturalar, sözleşmeler ve başvuru formları elle okunup sisteme giriliyor. Destek talepleri doğru birime ulaşana kadar birkaç kez el değiştiriyor.

Genel amaçlı sohbet araçları bu sorunları çözmez: şirket bilginizi bilmez, kaynağını göstermez ve kişisel veriyi kontrolünüz dışına çıkarabilir. Çözüm, yapay zekâyı sizin verinize ve sizin kurallarınıza bağlamaktır.

Ne yapıyoruz?

Şirkete özel asistan (RAG)

Asistan, soruya cevap vermeden önce sizin dokümanlarınızda arama yapar ve cevabı bulduğu bölümlere dayandırır. Her cevabın altında kaynak belge ve ilgili bölüm gösterilir; kaynak bulunamazsa asistan bunu açıkça söyler.

Doküman analizi ve veri çıkarma

Fatura, irsaliye, sözleşme, teklif ve başvuru formlarından alanları okuyup yapılandırılmış veriye dönüştürürüz. Taranmış belgelerde OCR kullanılır; düşük güvenli alanlar insan onayına düşer.

Otomatik sınıflandırma ve yönlendirme

E-posta, destek talebi, şikâyet ve geri bildirimler konusuna, aciliyetine ve ilgili birime göre etiketlenir. Kurallarla çözülemeyen belirsiz durumlar için bir insan kuyruğu bulunur.

Tahminleme

Geçmiş satış, stok veya arıza verisinden talep, stok ihtiyacı ve bakım zamanı tahmini. Burada çoğu zaman büyük dil modeli değil, klasik makine öğrenmesi yöntemleri daha doğru ve daha ucuzdur.

Mevcut yazılımlara AI entegrasyonu

CRM, ERP, destek sistemi veya kendi web yazılımınıza özet çıkarma, taslak cevap önerme, akıllı arama gibi özellikler ekleriz. Kullanıcı yeni bir araç öğrenmez; özellik alıştığı ekranda belirir.

Model uyarlama (fine-tuning)

Çoğu kurumsal ihtiyaç RAG ile çözülür. Belirli bir yazım tarzı, sınıflandırma şeması veya alan dili gerekiyorsa ve yeterli örnek veri varsa modeli kurumunuza özel olarak uyarlarız; bu kararı veriye bakarak birlikte veririz.

Veri gizliliği ve KVKK

Yapay zekâ projelerinde ilk soru "verimiz nereye gidiyor?" olmalıdır. Mimariyi bu soruya göre kurarız ve cevabı mimari belgesinde açıkça yazarız.

• Erişim yetkisi: Kullanıcı yalnızca okumaya yetkili olduğu belgelerden cevap alır; asistan yetkiyi aşan bilgi sızdırmaz.
• Maskeleme: T.C. kimlik numarası, telefon ve adres gibi alanlar gerekiyorsa modele gönderilmeden maskelenir.
• Kayıt: Her soru, kullanılan kaynak ve verilen cevap denetim için loglanır; saklama süresi sizin politikanıza göre ayarlanır.
• Eğitim verisi: Bulut API kullanıldığında verinizin sağlayıcının modelini eğitmekte kullanılmayacağı sözleşme koşulları kontrol edilir.

Doğruluğu nasıl ölçüyoruz?

"Asistan iyi çalışıyor gibi" demek yeterli değildir. Yayından önce sizin ekibinizden gerçek sorularla bir değerlendirme seti hazırlar, her soruya beklenen cevabı ve kaynağı ekleriz.

• Cevabın doğru olup olmadığı ve doğru kaynağa dayanıp dayanmadığı ayrı ayrı ölçülür.
• Asistanın bilmediği bir soruda uydurmak yerine "bulamadım" deme oranı ayrıca test edilir.
• Doküman eklendikçe veya model değiştikçe aynı set yeniden çalıştırılır; doğruluk düşerse yayına alınmaz.

Yapay zekâ ne zaman doğru araç değildir?

Her otomasyon ihtiyacı yapay zekâ gerektirmez. Bazı durumlarda daha basit bir çözüm hem daha ucuz hem daha güvenilirdir; bunu proje başında açıkça söyleriz.

• Kurallar net ise: "Tutar şu değerin üstündeyse müdüre gönder" gibi kararlar klasik iş akışı yazılımıyla, hatasız ve maliyetsiz çözülür.
• Veri yoksa veya dağınıksa: Asistan ancak beslendiği belgeler kadar iyidir. Güncel olmayan veya çelişkili dokümanlarda önce içerik düzenlemesi gerekir.
• Hata payı sıfır olmalıysa: Yasal bildirim, ödeme onayı veya tıbbi karar gibi işlerde yapay zekâ ancak insan onayına sunulan bir öneri üretebilir; son kararı veremez.
• Hacim çok düşükse: Ayda birkaç kez yapılan bir iş için kurulum ve işletme maliyeti kazanılan zamanı aşabilir.

İşletme maliyeti nelerden oluşur?

Yapay zekâ projesinin maliyeti geliştirmeyle bitmez. Yayından sonraki aylık maliyeti baştan bilmeniz için kalemleri ayrı ayrı çıkarırız.

• Model kullanımı: Bulut API'lerde işlenen metin miktarına göre ödenir; kendi sunucunuzda ise donanım ve enerji maliyeti olarak karşınıza çıkar.
• Vektör veritabanı ve sunucu: Dokümanların aranabilir hâlde tutulduğu altyapı.
• İçerik bakımı: Yeni ve güncellenen belgelerin sisteme eklenmesi; çoğu zaman otomatik bir eşitleme ile çözülür.
• Değerlendirme ve iyileştirme: Model veya doküman değiştikçe doğruluk setinin yeniden çalıştırılması.

Nasıl çalışıyoruz?

1. Kullanım senaryosu seçimi: Tekrarlayan, belgeye dayalı ve zaman kaybettiren bir işi birlikte seçeriz. Hedefi ölçülebilir koyarız: hangi işin süresi kısalacak, hangi hata azalacak.
2. Veri envanteri: Hangi belgelerin, hangi formatta, kimin yetkisiyle kullanılacağını çıkarırız. Eksik veya güncel olmayan belgeler bu aşamada ortaya çıkar.
3. Kavram kanıtı: Sınırlı bir doküman setiyle çalışan bir ilk sürüm kurar, değerlendirme setiyle ölçeriz.
4. Entegrasyon ve yetkilendirme: Asistanı kullanıcıların çalıştığı sisteme bağlar, kimlik ve yetki altyapısını kurarız.
5. Güvenlik ve yayın: Kötü niyetli komut (prompt injection) ve yetki aşımı senaryolarını güvenlik testine dahil ederiz.
6. İzleme ve iyileştirme: Kullanıcıların beğenmediği cevaplar toplanır, doküman ve ayarlar düzenli olarak iyileştirilir.

Örnek kullanım senaryoları

• İç mevzuat asistanı: İK ve kalite dokümanlarından izin, masraf ve prosedür sorularına kaynak göstererek cevap verir.
• Teknik destek asistanı: Servis ekibi, ürün kılavuzları ve geçmiş arıza kayıtlarından olası nedenleri ve çözüm adımlarını sorar.
• Fatura ve irsaliye okuma: Tedarikçilerden PDF olarak gelen belgeler okunur, kalemler eşleştirilir, tutarsızlıklar onaya düşer.
• Teklif dosyası özeti: Uzun ihale şartnamelerinden teslim tarihi, ceza maddeleri ve teknik gereksinimler tablo olarak çıkarılır.
• Talep yönlendirme: Müşteri e-postaları konusuna göre ilgili birime atanır; sık sorulara taslak cevap hazırlanır, gönderimi insan onaylar.
• Satış görüşmesi özetleri: CRM'e girilen görüşme notlarından sonraki adım, karar verici ve itirazlar çıkarılır; satış yöneticisi tüm fırsatları tek tabloda görür.

İlgili çalışmalar

Yapay zekâ projelerinde kullanılan veriler çoğunlukla gizli olduğu için örnekleri gizlilik sözleşmesi çerçevesinde, keşif görüşmesinde paylaşıyoruz. [Yayınlanabilir bir yapay zekâ vaka çalışması hazır olduğunda buraya bağlantı ekleyin.]

Fiyatı etkileyen faktörler

• Doküman hacmi ve formatların çeşitliliği: taranmış PDF, tablo, el yazısı, çok dilli içerik.
• Model tercihi: bulut API kullanımı (kullanım başına maliyet) veya kendi sunucunuzda çalışan model (donanım maliyeti).
• Entegre edilecek sistemler ve yetki yapısının karmaşıklığı.
• Doğruluk hedefi ve değerlendirme setinin büyüklüğü.
• Kullanıcı sayısı ve günlük soru hacmi.

Bulut API kullanılan projelerde aylık kullanım maliyetini, tahmini soru sayınıza göre önceden hesaplayıp paylaşırız. Böylece yalnızca geliştirme değil, işletme maliyeti de baştan bilinir.

Sık sorulan sorular