# Yapay zekâ teknolojileri

> VeriSet A.Ş., yapay zekâ alanında makine öğrenmesi, yapay zekâ destekli sistemler, veri işleme ve akıllı otomasyon teknolojileri geliştirir. Amaç, veriden öğrenen modelleri gerçek dünyada çalışan, ölçülebilir sistemlere dönüştürmektir.

## Yapay zekâ nedir?

Yapay zekâ, bilgisayar sistemlerinin öğrenme, örüntü tanıma, çıkarım yapma ve karar destekleme gibi genellikle insan zekâsıyla ilişkilendirilen görevleri yerine getirmesini sağlayan teknolojilerin genel adıdır.

Makine öğrenmesi, yapay zekânın en yaygın kullanılan alt dalıdır: sistemlere kurallar tek tek yazılmak yerine, örnek verilerden öğrenmeleri sağlanır. Derin öğrenme ise çok katmanlı sinir ağları kullanan bir makine öğrenmesi yaklaşımıdır.

## VeriSet bu alanda neler yapıyor?

- **Makine öğrenmesi:** Verideki örüntülerden öğrenen modeller: sınıflandırma, tahmin, kümeleme ve anomali tespiti gibi görevler.
- **Yapay zekâ destekli sistemler:** Modelleri tek başına bırakmak yerine uygulamalara, servislere ve iş akışlarına bağlayan uçtan uca mimariler.
- **Veri işleme:** Modelin ihtiyaç duyduğu verinin toplanması, temizlenmesi, etiketlenmesi ve eğitime hazır hâle getirilmesi.
- **Akıllı otomasyon:** Tekrarlayan işleri kurallar ve modellerle birlikte otomatikleştiren, insan kontrolünü koruyan akışlar.

## Yapay zekâ hangi alanlarda kullanılır?

Aşağıdakiler bu teknolojinin tipik kullanım alanlarıdır; her proje kendi verisi ve hedefiyle ayrıca değerlendirilir.

- **Tahminleme:** Geçmiş verilerden talep, yoğunluk ya da arıza gibi değerlerin önceden kestirilmesi.
- **Anomali tespiti:** Olağan dışı davranışların, sıçramaların ve hataların erkenden fark edilmesi.
- **Metin ve belge işleme:** Metinlerin sınıflandırılması, özetlenmesi ve içinden bilgi çıkarılması.
- **Öneri ve kişiselleştirme:** Kullanıcının davranışına göre içerik ya da ürün önerilmesi.
- **Görüntü ve ses analizi:** Görsellerde nesne tanıma, seste konuşma ve ses ayrıştırma gibi görevler.

## Yapay zekâda temel kavramlar

- **Model:** Veriden öğrenilmiş; yeni girdiler için tahmin ya da karar üreten matematiksel yapı.
- **Eğitim ve çıkarım:** Eğitim, modelin örneklerden öğrendiği aşamadır; çıkarım (inference) ise eğitilmiş modelin yeni veriye uygulanmasıdır.
- **Aşırı uyum (overfitting):** Modelin eğitim verisini ezberleyip yeni verilerde kötü performans göstermesi.
- **Etiketli veri:** Doğru cevabı bilinen örnekler. Denetimli öğrenmede modelin öğrenmesi için kullanılır.
- **Doğruluk, kesinlik, duyarlılık:** Model başarısını farklı açılardan ölçen metrikler. Hangisinin önemli olduğu, yanlış kararın maliyetine bağlıdır.
- **Model kayması (drift):** Gerçek dünyadaki veri zamanla değiştiği için modelin başarısının düşmesi.

## Doğru yaklaşımı nasıl seçeriz?

Her problem için aynı yöntem uygun değildir. Aşağıdaki karşılaştırma ilk kararı vermeye yardımcı olur.

- **Kural tabanlı yazılım** — Kurallar net, az değişiyor ve her kararın açıklanabilir olması gerekiyor. *(Kurallar çoğaldıkça bakım zorlaşır; belirsiz durumları yakalayamaz.)*
- **Klasik makine öğrenmesi** — Tablo biçiminde veri var; tahmin, sınıflandırma ya da kümeleme gerekiyor. *(Başarı büyük ölçüde veri kalitesine ve doğru özelliklerin seçilmesine bağlıdır.)*
- **Derin öğrenme** — Görüntü, ses ya da serbest metin gibi yapılandırılmamış veri ve yeterli sayıda örnek var. *(Daha fazla veri ve işlem gücü ister; kararların açıklanması daha zordur.)*
- **Hazır model ya da servis** — Genel bir görev (ör. metin özetleme) için hızlıca sonuç gerekiyor. *(Veri paylaşımı, maliyet ve özelleştirme sınırları baştan değerlendirilmelidir.)*

## Yapay zekâ projelerinde sık yapılan hatalar

- **Problemi tanımlamadan modele başlamak:** Önce hangi kararın iyileştirileceği ve başarının nasıl ölçüleceği yazılmalıdır.
- **Veri kalitesini sonraya bırakmak:** Eksik, yanlış etiketli ya da çarpık veri, en iyi modeli bile başarısız kılar.
- **Yalnızca eğitim başarısına bakmak:** Model, daha önce görmediği veriyle ayrı bir test kümesinde ve mümkünse gerçek kullanımda denenmelidir.
- **Üretime geçişi planlamamak:** Modelin servis olarak çalışması, izlenmesi ve yeniden eğitilmesi baştan düşünülmelidir.
- **İnsan denetimini kaldırmak:** Yüksek riskli kararlarda modelin önerisi ile insan onayı birlikte tasarlanmalıdır.

## Başlamadan önce kontrol listesi

- [ ] Çözmek istediğim karar ya da süreç net mi?
- [ ] Başarıyı hangi ölçütle değerlendireceğim belli mi?
- [ ] Elimde yeterli ve temsil gücü yüksek veri var mı?
- [ ] Verinin kullanımıyla ilgili izinler ve gizlilik gereksinimleri belli mi?
- [ ] Model çıktısını kim, nasıl kullanacak?
- [ ] Model zamanla kötüleşirse bunu nasıl fark edeceğim?

## Yapay zekâ projelerini nasıl yürütüyoruz?

1. **Araştır:** Problemi ve veriyi anlıyor, yapay zekânın gerçekten gerekli olup olmadığını baştan sorguluyoruz.
2. **Prototiple:** Küçük bir veri kümesiyle hızlı bir model deniyor ve ölçülebilir bir başarı ölçütü belirliyoruz.
3. **Geliştir:** Modeli test edilebilir bir servise dönüştürüyor, veri akışını ve izlemeyi birlikte kuruyoruz.
4. **Ölçekle:** Veri ve kullanıcı arttıkça modeli yeniden eğitiyor, performansını sürekli izliyoruz.

## Sık sorulan sorular

### Yapay zekâ ile makine öğrenmesi arasındaki fark nedir?

Yapay zekâ geniş bir şemsiye terimdir. Makine öğrenmesi, sistemlerin açık kurallar yazılmadan veriden öğrenmesini sağlayan ve yapay zekânın bir alt dalı olan yaklaşımdır. Derin öğrenme de makine öğrenmesinin çok katmanlı sinir ağları kullanan bir alt alanıdır.

### VeriSet yapay zekâ alanında ne yapıyor?

VeriSet A.Ş. makine öğrenmesi, yapay zekâ destekli sistemler, veri işleme ve akıllı otomasyon teknolojileri geliştirir. Ar-Ge çalışmalarıyla yeni yaklaşımları araştırır ve prototiplerle dener.

### Bir yapay zekâ projesi için ne kadar veri gerekir?

Bu probleme bağlıdır. Bazı problemlerde küçük ama temsil gücü yüksek bir veri kümesi yeterli olabilir. Bu nedenle önce hızlı bir prototip kurmayı ve ölçülebilir bir başarı ölçütüyle denemeyi öneriyoruz.

### Her problem yapay zekâ ile mi çözülmeli?

Hayır. Kuralları net olan ve az değişen problemler çoğu zaman klasik yazılımla daha güvenilir ve daha ucuz çözülür. Araştırma adımında yapay zekânın gerçekten fayda sağlayıp sağlamadığını değerlendiririz.

### VeriSet ile yapay zekâ konusunda nasıl iletişime geçebilirim?

destek@veriset.org adresine konuyu ve eldeki veriyi kısaca anlatan bir e-posta gönderebilirsiniz.

---
https://veriset.org/yapay-zeka/ · destek@veriset.org