Yapay Zeka Örnekleri: Gerçek Bir Üründe Nasıl Çalışıyor

Yapay zeka örnekleri günlük hayatta fotoğraf gruplama, navigasyon ve spam ayıklama olarak karşımıza çıkar; ürünlerin içinde ise bir modelin metin yazdığı, soru cevapladığı ya da bir görüntüyü yorumladığı özelliklerdir. Genel listelerin çoğu bu noktada durur. Biz bir adım ileri gidip kendi geliştirdiğimiz Plainhub'ın yapay zeka özelliğinin ne yaptığını anlatıyoruz.

Plainhub'da da aynı soru sorulmuş: yapay zeka neyi yapsın, neyi yapmasın? Cevabın ortak kısmı, yazının sonunda kendi işinize uygulayabileceğiniz bir kontrol listesine dönüşüyor. Önce kısa bir zemin: bu yazıdaki öğrenen modeller örneklerden yararlanır; ürettikleri yanıt ve tahminler hata içerebilir. İyi tasarlanmış uygulamalar bu hata payını baştan hesaba katar.

Günlük hayatta ve işletmelerde yapay zeka örnekleri

Aşağıdakiler en tanıdık örnekler. Hepsinin ortak noktası, girdisi ve çıktısı belli, tekrar eden ve hacimli bir işi hızlandırmaları:

• Telefondaki fotoğraf uygulamasının yüzleri tanıyıp albüm oluşturması.
• Navigasyonun trafiği tahmin edip rotayı değiştirmesi.
• E-posta servisinin spam ayıklaması ve cümle tamamlama önerisi.
• Müzik ve video platformlarının geçmişe göre öneri yapması.
• Müşteri sorularını kendi bilgi tabanından cevaplayan asistan. (Chatbot nedir yazısında ayrıca ele aldık.)
• Faturalardan otomatik veri girişi, gelen e-postaları konuya göre ayırma, yorum ve anket analizi.
• Geçmiş satışlardan talep tahmini ve stok planlama.

Bu liste tanıdık ama yapay zekanın bir ürünün içinde nasıl durduğunu göstermiyor. Onun için önce gerçek bir ürüne, sonra iki genel örneğe bakalım.

Plainhub: şirketin kendi sayılarıyla konuşan finans ajanı

Plainhub, startup'lar için nakit, burn rate, MRR ve runway'i olay bazlı bir modelle hesaplayan bir finans platformu. Yerleşik AI finans ajanı kurucunun serbest yazdığı soruyu şirketin kendi verileriyle cevaplıyor. "Nakdimi üç katına çıkarmak için ne gerekir?" ya da "runway'i uzatmak için hangi gideri kısmalıyım?" gibi sorularda genel tavsiye vermek yerine şirketin güncel rakamlarından hesap yapıyor.

Yaklaşımın özü, ajanın yalnızca ürünün o an gösterdiği sayılara dayanması: rakam, müşteri ya da tarih uydurmaması ve bilgi eksikse bunu belirtmesi isteniyor; yanıtın yine de kontrol edilmesi gerekiyor. Bu, yukarıdaki "kendi bilgi tabanınızla çalışan asistan" fikrinin ürünün içine gömülmüş hali. Genel bir sohbet aracından farkı, yalnızca o şirketin güncel rakamlarını bilmesi ve bilmediği konuda bunu söylemesi.

Ürünün içindeki yapay zeka: fotoğraftan tanıma ve tahmin örnekleri

Şimdi kendi ürünlerimizden bağımsız, genel iki örneğe bakalım. Bunları biz geliştirmedik; yapay zekanın ürün içinde çoğu zaman nasıl göründüğünü anlatmak için seçtik.

Fotoğraftan tanıma. Bir mobil uygulamada kullanıcı bir ürünün, belgenin ya da tabağın fotoğrafını çekiyor ve uygulama içeriği tanıyıp bir sonuç üretiyor. Bir nesnenin ne olduğunu kurallarla tarif etmek neredeyse imkânsızdır; bu tür işler örnekten öğrenen görüntü modelleriyle çözülür. Kullanıcı ekranda "yapay zeka" diye bir bölüm görmez, fotoğraf çeker ve sonucu görür.

Veriden tahmin. Bir ürün geçmiş kayıtlardan yola çıkıp yaklaşan bir durumu tahmin edebilir: stokun ne zaman biteceği, bir müşterinin ayrılma olasılığı ya da bir talebin hangi gün yoğunlaşacağı gibi. Burada çıktı kesin bir sonuç değil, olasılıktır. Çıktısı olasılık olan bir sistemde ürünün sınırını açıkça belirtmek tasarımın parçasıdır.

İki örnekte de dikkat çeken nokta, yapay zekanın ayrı bir vitrin özelliği olarak durmaması. Kullanıcı bir fotoğraf çekiyor ya da bir ekrana bakıyor; arkadaki model bu işin içinde çalışıyor. Plainhub'ın ajanı da aynı mantıkla kurulu: yapay zeka, kullanıcının zaten yapmak istediği işi kısaltıyor.

Yapay zeka özelliği güvenilir nasıl kurulur? Plainhub'dan dört karar

Plainhub'ı kurarken verdiğimiz kararlar, yapay zeka özelliği olan her ürün için geçerli. Dört karar öne çıkıyor.

Veri ürünün kendisinden gelir. Plainhub'ın ajanı soru sorulduğu anda çalışma alanındaki nakit, gider, burn, runway, en büyük müşteri ve harcama kalemlerini okuyor. Model veriyi kendisi bulmuyor, ürün ona veriyi veriyor. Bunun bedeli, çıktının verinin güncelliği kadar iyi olması. Plainhub banka ekstresi içe aktarmadığı için rakamlar kaydedilen olaylar kadar güncel.

Öneri ile uygulama arasına onay koyduk. Kurucu bir ödemeyi sade bir dille anlattığında ajan anladığı tutarı gösteriyor ve onay bekliyor. Yanlış okunmuş bir rakam runway'e ulaşmadan göz önünde yakalanıyor. Bu, her işlemde bir tık fazla demek. Biz bu tıkı bilerek bıraktık.

Model cevap veremezse ürün susmaz. Canlı cevap alınamadığında, yani demo hesabında, bağlantı yokken, kullanım sınırına ulaşıldığında ya da bir hata olduğunda, Plainhub aynı rakamlardan kurulan yerel bir cevap gösteriyor. Bu cevap daha sade, ama sayı ekranla tutarlı. Bir modelin çalışmadığı gün mutlaka gelir; o gün ürünün ne yapacağını önceden tasarlamak, yapay zeka özelliğinin en az model kadar önemli parçası.

Sınırı arayüzde söyleyin. Ajanın cevabı bir yönlendirme, karar değil; rakamları ürün veriyor, yorumu model yapıyor ve yanıtın kontrol edilmesi gerekiyor. Çıktısı olasılık içeren bir sistemde bu cümleyi dipnota değil, kullanıcının gördüğü yere yazmak gerekiyor.

Dört kararın ortak yanı, yapay zekayı "yanıldığında ne olur" sorusuyla tasarlamak. Kullanıcı yanlışı görebiliyor, ürün çalışmaya devam ediyor ve sınırlar baştan söylenmiş.

Ürüne yapay zeka eklemeden önce hangi sorular sorulur?

Bir özellik fikrini yapay zekaya taşımadan önce şunları netleştirin. Model hangi veriyi görecek ve bu veri nereden gelecek? Cevap yanlış çıkarsa kullanıcı bunu nasıl fark eder ve düzeltir? Model çalışmadığında ekranda ne görünecek? Kısacası model seçimi, bu üç sorunun cevabından sonra gelen bir ayrıntıdır. Bu soruların cevabı, özelliğin fikir olarak ne kadar etkileyici olduğundan daha çok, canlıda ne kadar güvenilir çalışacağını belirler.

Kendi işinizde yapay zeka örneği nasıl seçilir?

Üç soru sorun. Bu iş sizde tekrar ediyor ve hacimli mi? Girdisi ve çıktısı belli mi? Hata yapıldığında telafisi kolay mı? Hatanın etkisini işinize göre değerlendirin: yanlış ürün önerisi de bir finansal karar da zarar doğurabilir. Riskli işlemlerde insan onayı gerekir.

Üçüne de evet diyorsanız küçük başlayın: tek iş, tek akış, sonucu ölçülen bir pilot. Hazır araç ile özel geliştirme arasındaki seçimi basitçe şöyle özetleyebiliriz:

Ölçüt	Hazır araç	Özel geliştirme
Uygun iş	Metin yazma, çeviri, toplantı özeti	Kendi verinizle çalışan asistan, sistem entegrasyonu
Kurulum	Hızlı, kod gerekmez	Yazılım projesi gerekir
Kontrol	Aracın sunduğu kadar	Veri, akış ve arayüz sizde

Çoğu işletme hazır bir araçla başlar, sınırına dayanınca entegrasyona geçer. Özel bir yapay zeka çözümü çoğu zaman bir yazılım projesidir ve model bunun yalnızca bir parçasıdır; kararın genel çerçevesi için özel yazılım yaptırmak yazısına bakabilirsiniz.

Yapay zekanın sınırları nelerdir?

Başlıca sınırlar hata payı, veri kalitesi, kişisel veri sorumluluğu ve ölçekle büyüyen maliyettir. Müşteri verisini bir modele göndermeden önce hangi verinin nereye gittiğini bilin. Türkiye'de KVKK, Avrupa'da GDPR bu konuda yükümlülük getiriyor; AB'nin Yapay Zeka Yasası de risk temelli kurallar ve şeffaflık yükümlülükleri tanımlıyor. Google'ın yapay zeka ile üretilen içerik rehberi de çıktıyı yayınlamadan önce elle kontrol etmeyi öneriyor.

Sık Sorulan Sorular

Yapay zekaya günlük hayattan örnek nedir?

Telefonun fotoğrafları yüzlere göre gruplaması, navigasyonun trafiğe göre rota değiştirmesi, e-posta servisinin spam ayıklaması ve müzik uygulamasının öneri yapması. Çoğunda ekranda bir "yapay zeka" etiketi görmezsiniz; iyi entegre edildiğinde kullanıcı işini daha az adımla tamamlar.

Yapay zeka özelliği güvenilir nasıl kurulur?

Yapay zekayı ürünün gerçek verisine bağlayın. Girdi yalnızca verilen sayılarla sınırlı olsun, model bilmediğini söylesin, cevap veremezse yedek bir akış devreye girsin. Plainhub'da bu düzeni kullanıyoruz.

Küçük işletme için yapay zeka örneği var mı?

Evet. Sık gelen soruları cevaplayan bir asistan, gelen e-postaları konuya göre ayıran bir sınıflandırıcı ya da randevu hatırlatması gibi tekrar eden, hacmi belli işler küçük işletmeler için makul başlangıçlardır. Önce hazır bir araçla deneyip sonucu ölçmek mantıklıdır.

Yapay zeka ile makine öğrenmesi aynı şey mi?

Makine öğrenmesi, yapay zekanın örneklerden öğrenen alt dalıdır. Birçok güncel uygulama bu yöntemleri kullanır, ancak iki terim aynı şeyi ifade etmez. Makine öğrenmesinde model örneklerden öğrenir; yapay zeka daha geniş bir alandır.

Yapay zeka projesine nereden başlanır?

Teknolojiden değil, işten. Ekibinizin en çok zaman harcadığı tekrar eden bir işi seçin; girdisi ve çıktısı belli, hatası kolay telafi edilebilir olsun. Küçük başlayın, sonucu ölçün, işe yararsa genişletin. İşi kendi sisteminize bağlamak gerekirse iş bir yazılım projesine dönüşür.

Yapay zeka projesine nereden başlanır?

Bu örneklerden biri işinize yakınsa onu birlikte kurabiliriz. AI geliştirme hizmetimizde AI özelliklerini, yapay zeka ajanlarını ve otomasyonları web ve mobil ürünlerle aynı ekip geliştiriyor. Ürünlerin nasıl ortaya çıktığını işler sayfamızda görebilirsiniz. Hangi işin yapay zekaya uygun olduğunu konuşmak için hello@ozgnstudio.com adresine kısa bir mesaj yeterli.