Yapay zeka ve makine öğrenmesi hizmetleri iki şeyi kapsar: AWS, Azure ve Google Cloud gibi sağlayıcıların hazır sunduğu servisler (dil modelleri, belge ve görüntü okuma, tahminleme araçları) ve bu servisleri ya da sizin verinizle eğitilmiş bir modeli iş süreçlerinize bağlayan yazılım ekibinin emeği. Hangisine ihtiyacınız olduğunu problemin türü belirler. Geçmiş kayıtlarınızdan satış ya da tahsilat tahmini yapacaksanız kendi verinizle eğitilmiş bir model, fatura ve e-posta gibi metinleri işleyecekseniz hazır bir dil modeli işinizi görür. Kurallara uyan en iyi nöbet çizelgesini ya da dağıtım rotasını arıyorsanız bir optimizasyon çözücüsü gerekir; orada makine öğrenmesinin işi yok.
Yazıdaki örnekler müşterilerimiz için yaptığımız işlerden geliyor: Kanada'daki bir petrol sahası hizmet şirketinin saha fişlerini her gün okuyan bir LLM iş akışı, ABD'deki bir spor fizyoterapi kliniği için egzersiz programı üreticisi, Londra'da yapay zeka destekli muhasebe asistanı geliştiren bir girişim için veri ve yapay zeka mühendisliği ve motorunda hiç makine öğrenmesi olmayan bir hastane nöbet planlama SaaS'ı. Bu yazı doğru yaklaşımı seçmek ve bir kullanım senaryosunun bütçeyi hak edip etmediğini anlamak üzerine. Projeyi dışarıdan bir ekiple nasıl yürüteceğinizi yapay zeka danışmanlığı yazımızda anlattık.
Piyasadaki hizmetlerin üç katmanı
İlk katman bulut sağlayıcılarının hazır servisleri: görüntüde nesne tanıma, konuşmayı metne çevirme, çeviri, belgeden metin ve tablo çıkarma. Model eğitmezsiniz; veriyi gönderir, sonucu alır, kullandığınız kadar ödersiniz.
İkinci katman büyük dil modellerinin API'leri. OpenAI, Anthropic ve Google gibi sağlayıcıların modelleri belgeden alan çıkarma, e-posta sınıflandırma ve özetleme gibi işlerin çoğunu hiç model eğitmeden yapabiliyor. Metinle ilgili işlerde 2026'daki başlangıç noktası çoğunlukla bu.
Üçüncü katman kendi verinizle eğitilen modeller. Satış tahmini, müşteri kaybı (churn), bayilerin ödeme gecikmesi ya da şüpheli işlem tespiti gibi işlerde cevap sizin geçmiş kayıtlarınızda saklı ve model de o kayıtlardan öğrenmek zorunda. Bu modeller bulut platformlarının makine öğrenmesi araçlarıyla ya da açık kaynak kütüphanelerle kendi sunucunuzda eğitilebilir.
Bu katmanların hiçbiri tek başına bir iş sürecini değiştirmez. Veriyi ERP'den, e-posta kutusundan ya da muhasebe programından çıkarmak, modelin çıktısını kontrol etmek, yanlış sonucu yakalamak ve sonucu insanların zaten kullandığı ekrana taşımak yazılım işidir. "Yapay zeka hizmeti" diye satın alınan şeyin büyük kısmı da budur.
Hazır servisler kapanabilir de. AWS, Amazon Forecast tahminleme servisini 29 Temmuz 2024'te yeni müşterilere kapattı ve kullanıcıları SageMaker Canvas'a yönlendirdi. Mevcut müşteriler servisi kullanmaya devam edebiliyor, ama yeni özellik gelmeyecek. Hazır bir servise bağlanırken, yarın onu değiştirmek zorunda kalırsanız ne kadar iş çıkacağını da hesaba katın.
Hangi problem için hangi yaklaşım
Taleplerin çoğu şu dört satırdan birine düşer ve doğru araç satırdan satıra çok değişir.
Problem | Örnek | Genelde kullanılan yaklaşım | Başlamak için gereken |
|---|---|---|---|
Kayıtlarınızdan bir sayı ya da evet/hayır tahmini | Gelecek ayın satışı, hangi bayinin ödemeyi geciktireceği, hangi abonenin ayrılacağı, riskli siparişler | Gradient boosting ağaçları (XGBoost, LightGBM, CatBoost) | Sonucu bilinen eski kayıtlar |
Metin ve belge okuma, sınıflandırma, taslak yazma | İrsaliye ve faturalardan alan çıkarma, müşteri e-postalarını doğru birime yönlendirme, şirket içi dokümanlardan soru cevaplama | Hazır bir dil modeli ve özenli bir prompt; gerekirse belgeleriniz üzerinde arama (RAG) | Test için doğru cevabı belli, birkaç düzine ile birkaç yüz arası gerçek örnek |
Kurallara uyan en iyi planı bulma | Nöbet çizelgesi, dağıtım rotası, üretim planı | Optimizasyon çözücüsü (MILP ya da kısıt programlama) | Yazıya dökülmüş kurallar ve öncelikler |
Zaten bilinen kuralları uygulama | e-Fatura XML'ini okuma, vergi hesapları, onay limitleri | Klasik kod | Kuralların kendisi |
Geçmiş kayıtlardan tahmin
Veri tablolarda duruyorsa (siparişler, müşteriler, tahsilatlar, makine ölçümleri) ve bir sayı ya da kategori tahmin etmek istiyorsanız, işe gradient boosting ağaçlarıyla başlayın. Grinsztajn, Oyallon ve Varoquaux'nun NeurIPS 2022'de yayımlanan karşılaştırmasında ağaç tabanlı modeller, 10.000 satır civarındaki orta büyüklükte tablo verilerinde derin öğrenme modellerinin önünde kaldı; üstelik hız avantajları hesaba katılmadan. Bu modeller sıradan bir bilgisayarda dakikalar içinde eğitilir ve sonucu en çok hangi girdilerin etkilediğini de gösterebilir. Derin öğrenmenin farkı görüntüde, seste ve serbest metinde ortaya çıkar; bir müşteri tablosunda pek değil.
Talep tahmini de aynı mantıkla çalışır, yalnızca bir zaman ekseni eklenir: geçen yılın satışları, kampanyalar, fiyatlar ve tatiller aynı türden bir modelin girdisi olur. Ölçüt de basittir: model, "geçen yılın aynı haftası" tahminini açık farkla geçmiyorsa kimse heyecanlanmamalı. Türkiye'de bu karşılaştırmanın bir tuzağı var. Ramazan ve Kurban Bayramı her yıl 10 ila 11 gün öne kaydığı için geçen yılın aynı haftası bayram açısından bambaşka bir haftaya denk gelir. Bayram etkisini modele ayrı bir girdi olarak verin.
Metin, belge ve görüntü
Bu tür girdilerde 2026'da şirketlerin çoğunun model eğitmesine gerek yok. OpenAI, Anthropic, Google ve diğer sağlayıcıların modelleri faturaları okumak, e-postaları sınıflandırmak ve sözleşmeleri özetlemek için başlangıçta yeterince iyi. Size düşen iş, modele doğru bağlamı vermek, döndürdüğü sonucu kontrol etmek ve yanıldığı durumları yönetmek. Model sizin belgelerinize ihtiyaç duyuyorsa (ürün kataloğu, şirket içi prosedürler, bir egzersiz kütüphanesi) bir arama katmanı eklenir. Buna genelde RAG deniyor: önce ilgili bölümler bulunur, sonra prompt'a konur. İnce ayar (fine-tuning) ancak kendi örnekleriniz üzerindeki testler, daha iyi prompt ve bağlamla kapanmayan bir açık gösterdiğinde gündeme gelmeli.
Türkçe belgelerle çalışıyorsanız model seçimini İngilizce karşılaştırmalara bakarak yapmayın; adayları kendi Türkçe örneklerinizde deneyin. Token sayısı da dile göre değiştiği için maliyeti Türkçe metinlerle ölçün.
Kendi eğittiğiniz modeller çabuk eskiyebilir. Faturaları ve fişleri okuyup muhasebe kaydını öneren bir ürün geliştiren Londralı fintek Jenesys AI için özel modeller geliştirdik; bu modelleri sonradan çıkan öncü (frontier) modeller geride bıraktı. Modelin etrafındaki işin bir kısmı ise alttaki modelden bağımsızdır: kategori ya da KDV alanı boş döndüğünde uyarı veren bir kontrol ya da müşteri düzeltmelerini sisteme geri besleyen bir veri hattı. Modeller bu hızla değişirken emeği bu tür parçalara harcamak daha güvenli.
Müşterinin kendi kaynağı üzerinde arama (RAG) yapan bir sisteme örnek olarak, ABD'deki bir spor fizyoterapi kliniği için geliştirdiğimiz egzersiz programı üreticisini verebiliriz. 2023 ve 2024'te kullanılan ilk motor, kuralları pekiştirmeli öğrenme yöntemlerinden Q-learning ile birleştiriyordu. 2025'te motoru, kliniğin 1.800'den fazla egzersiz kaydı içeren kütüphanesinde egzersize, hedefe ve vücut bölgesine göre arama yapan, LLM tabanlı bir üretici olarak yeniden kurduk. Kliniğin antrenörleri sistemi 2025'ten beri gerçek sporcularla kullanıyor: sporcuyla ilgili not ekliyor, programı yeniden ürettiriyor, egzersizleri alternatifleriyle değiştiriyor ve sonuçları puanlıyorlar.
Kurallara uyan planlar ve zaten bilinen mantık
Müşterimiz Oplist, hastaneler için nöbet ve vardiya çizelgesi hazırlayan bir SaaS. Çizelgeler nöbet sonrası dinlenme sürelerine, birimlerin kadro hedeflerine ve sevilmeyen nöbetlerin adil dağıtımına uymak zorunda. Bu, hemşire çizelgeleme problemi (nurse rostering) olarak bilinen bir optimizasyon problemi; Oplist bunu Python'da bir MILP çözücüyle çözüyor. İçinde makine öğrenmesi yok. Kurallar belli; çözücü ya zorunlu kuralların hepsine uyan bir çizelge bulur ya da bulamadığını bildirir. Geçmiş çizelgelerden öğrenen bir model ise geçen yılın alışkanlıklarını, kuralları çiğneyenler de dahil, aynen kopyalar.
Yapılandırılmış veri için de durum aynı. e-Fatura zaten UBL-TR formatında bir XML dosyası ve onu okumak için bir XML ayrıştırıcı yeterli. Ayrıştırıcı kesin sonuç verir, hiçbir zaman tahmin yürütmez. Modeli, düzeni belli olmayan girdiler için kullanın: taranmış irsaliyeler, serbest metinli e-postalar, her tedarikçiden farklı düzende gelen PDF'ler.
Bütçe ayırmadan önce altı soru
Bir sağlayıcıyla görüşmeden ya da birini işe almadan önce bu soruların cevabını yazıya dökün.
- Modelin çıktısına göre hangi karar değişecek ve o kararı kim veriyor?
- Bu iş bugün nasıl yapılıyor ve ne sıklıkla yanlış çıkıyor? Modelin geçmesi gereken çıta bu.
- Doğru cevabın bilindiği kaç eski kaydınız var? Tahmin problemlerinde asıl önemli olan, ilgilendiğiniz sonucun kaç kez yaşandığı. 200.000 siparişin içinde 40 dolandırıcılık vakası, tablo ne kadar büyük görünürse görünsün zayıf bir veri setidir.
- Yanlış cevabın iki yöndeki bedeli ne? Yanlış alarm birinin inceleme süresine mal olur, kaçırılan vaka ise önlemeye çalıştığınız kayba. İkisi nadiren eşittir ve aralarındaki oran, modelin eşiğini nereye koyacağınızı belirler.
- Ayda kaç karar veriliyor? Ayda 30 vakada ikişer dakika kazandıran bir model, bakım masrafını çıkarmaz.
- Canlıya aldıktan altı ay sonra hâlâ doğru çalıştığını nasıl anlayacaksınız?
İkinci ve dördüncü sorunun cevabı yoksa modele para harcamadan önce mevcut süreci bir iki ay ölçün. Google'ın makine öğrenmesi kuralları da aynı yerden başlar: ilk kural, bir ürünü makine öğrenmesi olmadan canlıya almaktan çekinmemek. Basit bir kural (stok iki haftalık ortalama satışın altına düşünce sipariş ver, belli tutarın üstündeki siparişleri incele) ucuzdur, açıklaması kolaydır ve modelin geçmesi gereken çıtayı belirler.
Veriyi doğru hazırlamak
Çabanın çoğunun veriye gideceğini baştan kabul edin: veriyi diğer sistemlerden çıkarmak, alanların ne anlama geldiğinde anlaşmak ve kaynağın yanlışlarını temizlemek.
Önce sonucu tanımlayın. "Kaybedilen müşteri" sözleşmesini iptal eden mi, 90 gündür sipariş vermeyen mi, paketini düşüren mi? Her tanım başka bir model demek; model eğitimine başlamadan önce iş birimi bunlardan birini seçmeli.
Sonra veri sızıntısına (data leakage) dikkat edin: modeli, tahmin anında elinizde olmayacak bir bilgiyle eğitmek. Böyle bir model testte harika görünür, canlıda hayal kırıklığı yaratır. Klasik örnek, müşteri ayrıldıktan sonra doldurulan "iptal nedeni" alanından öğrenen bir churn modeli. Veriyi zamana göre bölün: eski kayıtlarla eğitin, daha sonraki bir dönemle test edin ve fazla iyi görünen her sonuca, aksi kanıtlanana kadar hata gözüyle bakın.
Etiketler de aynı özeni ister. Geçmiş faturaları üç muhasebeci üç farklı alışkanlıkla sınıflandırdıysa model bu üç alışkanlığın karışımını öğrenir. İşi yapan kişilerin bir örneklem üzerinde doğru cevapta anlaşmasını sağlayın ve o örneklemi test setiniz olarak saklayın.
Mükerrer ve birbiriyle çelişen kayıtların zararı daha sessizdir. Yeni bir e-posta adresiyle yeniden kayıt olan bir müşteri, sistemde bir iptal edilmiş hesap ve bir yeni hesap olarak görünür; bu tabloyla eğitilen bir churn modeli, aslında hiç ayrılmamış bir müşteriden öğrenir. Bu tür kayıtları eğitimden önce birleştirin ve temizlik adımlarını kod olarak saklayın, çünkü canlıda puanlanacak veriye de aynı adımların uygulanması gerekir.
Maliyet neye göre değişir
Kendi tablolarınızla eğitilen modellerde işlem gücü küçük bir kalemdir. Birkaç yüz bin satırlık bir gradient boosting modeli dizüstü bilgisayarda eğitilir, bir milyon satırı puanlamak saniyeler sürer. Para mühendislik zamanına gider: veriyi çıkarmak, sonucu tanımlamak, girdileri hazırlamak, tahminleri insanların kullandığı ekranlara taşımak ve sistemi izlemek.
Dil modelleri ise token başına ücretlendirilir ve hacim büyüdükçe hesap değişir. Anthropic'in Ekim 2026 liste fiyatlarına göre Claude Haiku 5.5'te 100.000 token'a kadar olan prompt'lar için milyon girdi token'ı 0,10 dolar, milyon çıktı token'ı 0,50 dolar; Claude Sonnet 5.5'te bu rakamlar 2 ve 10 dolar. Token sayıları varsayıma dayanan iki örnek:
- Belge başına 5.000 girdi ve 500 çıktı token'ıyla ayda 3.000 belge okumak (aşağıda anlattığımız saha fişi iş akışının hacmi bu civarda): Haiku 5.5 ile ayda yaklaşık 2 dolar, Sonnet 5.5 ile yaklaşık 45 dolar.
- İşlem başına 1.000 girdi ve 50 çıktı token'ıyla ayda 1.000.000 işlemi tek tek LLM'e puanlatmak: Haiku 5.5 ile ayda yaklaşık 125 dolar, Sonnet 5.5 ile 2.500 dolar. Üstüne her işlemde bir ağ çağrısının getirdiği gecikme eklenir.
Belge işlerinde model faturası projenin en küçük kalemi. Yüksek hacimli ve yapılandırılmış veri üzerindeki tahminlerde ise gradient boosting modelinin tahmin başı maliyeti neredeyse sıfırdır ve model zaten bu tür veri için tasarlanmıştır. Acil olmayan işlerde Batch API fiyatları yarıya indiriyor; gece toplu çalışan belge işleri için iyi, ama bu karşılaştırmayı değiştirmiyor. Fiyatlar dolar bazlı olduğu için TL bütçede kuru da hesaba katın ve token sayılarını kendi belgelerinizle ölçün; sayfa düzeni, görseller ve dil bu sayıyı ciddi biçimde oynatır.
KVKK: kişisel veriyi yurt dışındaki bir modele göndermek
Dil modeli sağlayıcılarının çoğu yurt dışında. Modele gönderdiğiniz metinde kişisel veri varsa (ad soyad, T.C. kimlik numarası, telefon, sağlık bilgisi), bu KVKK'nın 9. maddesi kapsamında yurt dışına aktarım sayılır. Maddenin 7499 sayılı Kanunla değişen hâli 1 Haziran 2024'te yürürlüğe girdi. KVKK'nın yurt dışına aktarım sayfasına göre Kurul henüz hiçbir ülke için yeterlilik kararı vermedi. Bu durumda standart sözleşme, bağlayıcı şirket kuralları ya da taahhütname gibi uygun güvencelerden biri gerekiyor. Arızi aktarım istisnası yalnızca ara sıra gerçekleşen aktarımlar için var ve her gün çalışan bir iş akışına uymaz. Standart sözleşme seçilirse, imzadan sonra beş iş günü içinde Kuruma bildirilmesi gerekiyor.
Mühendislik tarafında yapabileceğiniz en etkili şey, görevin gerektirmediği kişisel veriyi modele hiç göndermemek: fatura okurken T.C. kimlik numarasını maskelemek ya da müşteri adının yerine kendi sisteminizdeki müşteri kodunu göndermek gibi. Bunlar hukuki görüş yerine geçmez; hukuki değerlendirme mimariyi değiştirebileceği için hukuk danışmanınızı işin başında dahil edin.
Canlıya aldıktan sonra
İlk sorun girdilerin değişmesidir. Müşteriler, fiyatlar ve tedarikçilerin belge düzenleri değiştikçe geçen yılın verisiyle eğitilmiş bir model, tek bir hata vermeden yavaş yavaş kötüleşir. Gerçek sonucu belli olan yeni vakalarda doğruluğu takip edin, modeli belli aralıklarla yeniden eğitin ya da test edin. Gereken altyapıyı MLOps yazımızda anlattık.
Dayandığınız model ya da servis de kullanımdan kalkabilir. Anthropic, herkese açık bir modeli kullanımdan kaldırmadan en az 60 gün önce haber veriyor. Claude Sonnet 4'ün kaldırılacağını Nisan 2026'da duyurdu ve modeli 15 Haziran 2026'da API'sinden kaldırdı. Yukarıdaki Amazon Forecast örneği, aynı şeyin hazır servislerde de yaşandığını gösteriyor. Test setinizi sakladıysanız yeni modeli son tarihten önce o setle sınar, neyin değiştiğini görürsünüz; bunu kullanıcılardan öğrenmek zorunda kalmazsınız.
Sağlayıcılar istek sınırı da uygular. Bir otomasyon ajansı iş ortağıyla birlikte petrol sahası hizmet şirketi için kurduğumuz iş akışı, Eylül 2025'ten beri günde yaklaşık 100 belge okuyor. Sorunların çoğu LLM API'sinin istek sınırlarından (HTTP 429 yanıtları) çıktı. Çözüm, reddedilen isteği alternatif modellere yönlendirmek oldu; böylece fiş yine işleniyor. Bu yedek yolu canlıya almadan önce tasarlayın.
Bir de doğru görünen yanlış cevaplar var. Boş bir alan ya da olamayacak bir değer döndüren model hata vermez. Çıktıyı bir şemaya göre doğrulayın, eksik ya da aralık dışı değerlerde uyarı üretin, emin olunmayan ya da tutarı yüksek vakaları bir insana gönderin. Çıktının uzmanlarca incelendiği yerlerde modelin önerisini uzmanın son kararıyla birlikte kaydedin. Fizyoterapi program üreticisinde 2026'da üzerinde çalıştığımız özellik de bu: yapay zekanın önerisini ve antrenörün seçimini birlikte saklamak, böylece sistemin mantığı geçmiş sporcular üzerinde sınanabilecek. Değerlendirme verisini bu şekilde neredeyse bedavaya toplarsınız.
Nereden başlamalı
- Ölçülebilir bir çıtası ve bilinen bir hata bedeli olan tek bir karar seçin.
- Test vakalarını toplayın: tahmin problemi için sonucu bilinen eski kayıtlar, dil modeli işi için doğru cevabında anlaşılmış 50 ile 200 arası gerçek belge.
- İşe yarayabilecek en basit sürümü kurun: bir kural, bir gradient boosting modeli ya da özenli bir prompt'la çalışan hazır bir model.
- Birkaç hafta mevcut süreçle yan yana çalıştırın ve ikisini aynı vakalar üzerinde karşılaştırın.
- Canlıya alın, düzeltin ya da durdurun. Elinizde rakamlarla durdurmak iyi bir sonuçtur ve bir yıl sonra durdurmaktan çok daha ucuzdur.
Belirli bir kullanım senaryosu için ikinci bir görüş isterseniz, üstlendiğimiz işleri veri ve yapay zeka sayfamızda bulabilirsiniz.
Sık sorulan sorular
Veri bilimci işe almamız gerekiyor mu?
İlk proje için genellikle hayır. Verinizi tanıyan ve daha önce bir gradient boosting modelini ya da bir LLM entegrasyonunu canlıya almış bir mühendis işi epey ileri götürür. Modeller ürününüzün merkezine yerleştiğinde ya da hataların bedeli, model kalitesiyle tam zamanlı birinin ilgilenmesini gerektirecek kadar yükseldiğinde uzman kadro mantıklı hale gelir.
Dil modelini kendi sunucularımızda çalıştırabilir miyiz?
Evet. Meta'nın Llama'sı, Alibaba'nın Qwen'i, Mistral'in modelleri ve OpenAI'ın gpt-oss'u gibi açık ağırlıklı (open-weight) modeller kendi donanımınızda ya da kendi bulut hesabınızda çalışabilir. Sunucular Türkiye'deyse veri yurt dışına çıkmaz ve KVKK'daki yurt dışına aktarım sorusu bu adım için gündeme gelmez. Karşılığında token başına ödeme yerine GPU'lara ve bunları işletecek emeğe para verirsiniz; zor görevlerde en güçlü hazır modeller hâlâ önde. Bu farkın sizin işiniz için önemli olup olmadığını ancak kendi test setiniz gösterir.
Yapay zeka ile makine öğrenmesi aynı şey mi?
Makine öğrenmesi, yapay zekanın elle yazılmış kurallar yerine örneklerden öğrenen sistemlerle ilgilenen kolu. Büyük dil modelleri de birer makine öğrenmesi modeli. Son birkaç yılda değişen şey, çok yetenekli bir modeli kendiniz eğitmeden kullanabiliyor olmanız.
İlgili Makaleler
MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.
Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik YoluBilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?
Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.
Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
