Büyük Veri Setlerinden İçgörü Çıkarmak İsteyen Kurumlar İçin Yapay Zeka
Raporlar geçmişi anlatıyor ama kimse geleceğe dair bir şey söylemiyor; sapma fark edildiğinde ay kapanmış oluyor. Tahmin modelleri, anomali uyarıları ve tanımlı bir anlam katmanı üzerinde çalışan doğal dil sorgusu kuruyoruz.
- Her sayı tanımlı bir anlam katmanından gelir
- Model geçmiş veriyle sınanır
- Sorgu ve kaynak kullanıcıya gösterilir
- Veri konumu sizin kararınız
Aynı soruya üç farklı sayı çıkıyorsa, sorun model değil
Analitik projelerinin çoğu modelde değil, modelin öncesinde tıkanır: veri dağınıktır, tanımlar birbirini tutmaz ve sonuçtan kimse emin olamaz. Bu yüzden işe modelden değil zeminden başlıyoruz.
Sayılar örnektir; amaç tanım farkının nasıl çoklu gerçeğe dönüştüğünü göstermek.
- Her birimin kendi sayısı varSatış, finans ve operasyon aynı ayın cirosunu farklı söylüyor. Toplantının yarısı hangi sayının doğru olduğunu tartışmakla geçiyor.
- Rapor geçmişi anlatıyor, geleceği değilPanolar ne olduğunu gösteriyor ama ne olacağını söylemiyor. Stok, kapasite ve nakit kararları hâlâ sezgiyle veriliyor.
- Sapma geç fark ediliyorBeklenmedik bir düşüş veya artış, ay sonu raporunda görülüyor. Fark edildiğinde müdahale penceresi çoktan kapanmış oluyor.
- Soru sormak için sıraya giriliyorPanoda olmayan her soru için veri ekibine talep açılıyor. Yanıt birkaç gün sonra geldiğinde soru çoktan güncelliğini yitiriyor.
- Veri kaynakları birbirine bağlanamıyorAynı müşteri üç sistemde üç farklı kimlikle duruyor. Kanal kanal bakılabiliyor ama bütünsel bir müşteri görünümü çıkmıyor.
- Geçmiş temizlenmemişÜrün kodları değişmiş, kategoriler yeniden adlandırılmış, bazı dönemler eksik. Model eğitilse bile öğrendiği şey tutarsızlık oluyor.
Önce tanım, sonra model
Bir tahmin modelinin değeri, beslendiği tanımların netliğini geçemez. Bu yüzden ilk teslimatımız bir model değil, üzerinde uzlaşılmış bir kavram sözlüğü oluyor.
- Kaynak envanteriHangi veri nerede duruyor, ne sıklıkla güncelleniyor ve hangi alan hangi sistemde doğru kabul ediliyor — hepsi yazılı hâle getiriliyor.TeslimKaynak listesiGüncelleme sıklıklarıSahiplik tablosu
- Anlam katmanıCiro, aktif müşteri, iptal, sepet gibi kavramların tek bir tanımı yazılıyor ve bu tanım hem panolar hem model hem sorgu katmanı için ortak kaynak oluyor.TeslimKavram sözlüğüMetrik tanımlarıOnaylı hesaplama kuralları
- Veri hazırlamaKayıtlar birbirine bağlanıyor, kimlik eşleştirmesi yapılıyor, eksik dönemler ve tutarsız kategoriler işaretleniyor.TeslimBirleştirme pipeline'ıKimlik eşlemeVeri kalite raporu
- Tahmin ve anomali modelleriZaman serisi tahmini ve anomali tespiti kuruluyor; her model geçmiş veriyle sınanıyor ve basit bir kıyas kuralıyla karşılaştırılıyor.TeslimTahmin modeliAnomali tespitiGeriye dönük sınama raporu
- Doğal dil sorgu katmanıKullanıcı soruyu yazıyor, sistem anlam katmanı üzerinden sorguyu kuruyor; üretilen sorgu ve kaynak birlikte gösteriliyor.TeslimSorgu katmanıSorgu şeffaflığıYetki bazlı filtreleme
- Uyarı ve panolarSapma eşikleri tanımlanıyor, uyarılar doğru kişiye gidiyor; sonuçlar mevcut raporlama aracınıza veya yeni bir panoya bağlanıyor.TeslimUyarı kurallarıPano entegrasyonuKullanım rehberi
Veri hazırlık olgunluk testi
On iki cümleyi kendi kurumunuz için işaretleyin. Test bir puan vermek için değil, tahmin ve sorgu katmanına geçmeden önce hangi boyutun sizi durduracağını göstermek için kurgulandı. Sonuç dört boyutta ayrı ayrı okunur; toplam puandan çok en zayıf boyut belirleyicidir.
- Kaynak ve erişim%0
- Kalite ve tutarlılık%0
- Tanım ve yönetişim%0
- Kullanım kültürü%0
Verinin nerede durduğu ve ona ulaşılabilirliği
Bu noktada tahmin modeli kurmak erken olur; model, tutarsızlığı öğrenir. Önce verinin nereden geleceğini ve temel kavramların ne anlama geldiğini sabitlemek gerekiyor.
Önerilen ilk adımİlk adım: kaynak envanteri ve temel metriklerin yazılı tanımı.
Test sonucunuzu ve mevcut raporlama kurgunuzu konuşalım; hangi kararı iyileştirmek istediğinizden geriye doğru giderek gerçekçi bir ilk faz kapsamı çıkaralım.
Bu test bir öz değerlendirme aracıdır; denetim veya fizibilite raporu yerine geçmez. Sonuç, kurum büyüklüğünüze ve sektörünüze göre farklı okunabilir. Gerçek değerlendirmeyi kendi sistemlerinize bakarak yapıyoruz.
Üç yetenek, tek zemin
Tahmin, anomali ve doğal dil sorgusu farklı işler gibi görünür ama aynı anlam katmanına dayanır. Zemin bir kez kurulduğunda üçü de aynı kaynaktan beslenir.
- TahminTalep ve hacim tahminiZaman serisi modelleriyle ürün, kanal veya bölge kırılımında ileriye dönük tahmin; her tahmin bir belirsizlik aralığıyla birlikte verilir.
- TahminKapasite ve stok planlamaTahmin çıktısının planlama kararına bağlanması; hangi eşikte aksiyon alınacağı önceden yazılır.
- AnomaliSapma tespitiNormal davranış öğrenilir, sapma gerçekleştiğinde uyarı üretilir; mevsimsellik ve kampanya etkisi ayrıştırılır.
- AnomaliUyarı yönlendirmeUyarı doğru kişiye doğru kanaldan gider; gürültüyü azaltmak için eşik ve sıklık ayarlanabilir.
- SorguDoğal dille soru sormaKullanıcı soruyu yazar, sistem anlam katmanı üzerinden sorguyu kurar ve sonucu kaynağıyla gösterir.
- SorguSorgu şeffaflığıÜretilen sorgu kullanıcıya gösterilir, yalnız okuma yetkisiyle çalışır ve kullanıcının veri yetkisi uygulanır.
- ZeminAnlam katmanıMetrik tanımları tek yerde tutulur; panolar, modeller ve sorgu katmanı aynı tanımı kullanır.
- ZeminVeri kalite izlemeBeslemelerin gecikmesi, boş alan oranı ve beklenmedik değer dağılımları sürekli izlenir.
Her tahmin modelini geriye dönük sınamayla teslim ediyoruz: geçmişin bir noktasında durup sonrasını tahmin ettiriyor, gerçekleşenle karşılaştırıyoruz. Sonucu her zaman basit bir kıyas kuralıyla birlikte veriyoruz — geçen dönemin aynı ayı gibi. Bu kıyası yenmeyen bir model canlıya alınmaz; karmaşıklık kendi başına değer değildir. İlk projeyi seçerken bakılacak noktaları şirketlerde yapay zeka kullanımı rehberimizde topladık.
Tahmin ve anomali modelleri kendi altyapınızda çalışır; bu kısım için dışarıya veri göndermek gerekmez. Dil modeli yalnız sorgu ve özet katmanında devreye girer ve orada da tabloların kendisi yerine şema ve tanım bilgisi gönderilebilir. Verinin tamamen kurum içinde kalması gerekiyorsa açık kaynak bir modeli bulut sunucunuzda veya mevcut altyapınızda çalıştırıyoruz. Kaynak sistem bağlantılarını API geliştirme, pano ve uyarı ekranlarını web yazılım geliştirme yaklaşımımızla kuruyoruz. Kendi ürünümüz Tuğra AI ile çoklu sağlayıcıyı tek katmanda toplama deneyimimizi bu kurulumlara taşıyoruz.
Bir model yanıldığında kimsenin şaşırmaması gerekir: tahmin her zaman bir aralıkla sunulur, aralığın dışına çıkan durumlar işaretlenir ve modelin zamanla bozulup bozulmadığı izlenir. Bozulma normaldir; fark edilmemesi değildir.
Örnek bir analitik kurulum akışı
Aşağıdaki akış; üç kaynak sistem, tek iş sorusu (örneğin talep tahmini) ve mevcut bir raporlama aracı içeren tipik bir başlangıç için hazırlanmış örnektir. Sizin planınız kapsam netleştikten sonra çıkar.
| Adım | Ne yapılır | Adım sonunda elinizde ne olur |
|---|---|---|
| 1. adım | Karar ve kaynak envanteri | İyileştirilecek karar, kaynak listesi |
| 2. adım | Anlam katmanı taslağı | Kavram sözlüğü, metrik tanımları |
| 3. adım | Veri birleştirme | Kimlik eşleme, veri kalite raporu |
| 4. adım | Kıyas kuralı ve ilk model | Basit kıyas, ilk tahmin sonucu |
| 5. adım | Geriye dönük sınama | Kırılımlı doğruluk raporu |
| 6. adım | Anomali ve uyarı kuralları | Eşikler, uyarı yönlendirme |
| 7. adım | Pano ve sorgu katmanı | Panoya bağlanmış çıktı, sorgu arayüzü |
| 8. adım | Devreye alma ve eğitim | Canlı akış, kullanım rehberi, izleme |
Devreye aldıktan sonra modelin performansı düzenli izleniyor; veri dağılımı değiştiğinde yeniden eğitim tetikleniyor. İkinci iş sorusu aynı zemin üzerine eklendiğinde kurulum maliyeti belirgin biçimde düşük oluyor.
- HizmetYapay ZekaHizmetin tamamı: kapsam, süreç, teslimatlar ve teknoloji yığını.
- HizmetTeknik Danışmanlık & ProjelendirmeNereden başlanacağına karar vermek için fizibilite ve mimari çalışması.
- HizmetAPI GeliştirmeKaynak sistemleri veri katmanına bağlayan servisler.
- ProjeTuğra AIÇoklu sağlayıcıyı tek platformda birleştiren kendi ürünümüz.
- RehberŞirketlerde yapay zeka: ilk proje rehberiİlk AI projesini seçerken nereye bakmalı, neyi ölçmeli.
- RehberLogo ERP entegrasyonu: e-ticaret ve B2B rehberiERP verisini dışarı açarken alan eşleme kararları.
Sık sorulanlar
Veri yeterliliği, doğruluk ölçümü, sorgu güvenilirliği, mevcut araçlar ve KVKK hakkında en çok sorulanlar.
Hangi kararı iyileştirmek istediğinizden başlayalım
Analitik projeleri 'veriyi kullanalım' diye başlayınca dağılır, 'şu kararı iyileştirelim' diye başlayınca sonuç verir. Hangi kararın peşinde olduğunuzu anlatın, geriye doğru gerekli zemini birlikte çıkaralım. Keşif görüşmesi ücretsizdir ve sizi bağlamaz.
- ✓ Keşif görüşmesi ücretsiz
- ✓ Kapsam netleşmeden fiyat vermiyoruz
- ✓ Kaynak kod mülkiyeti sizde
Veriyi, soru sorabildiğiniz bir varlığa çevirelim
Tanımlı bir anlam katmanı, sınanmış tahmin modelleri ve şeffaf bir sorgu arayüzü. Nereden başlayacağınızı keşif görüşmesinde birlikte belirleyelim.