Her şirket “AI yapmalıyız” diyor. Ama her problem AI gerektirmez.
Bu 5 soruyu sorun. Cevaplarınız size hangi teknolojiye ihtiyacınız olduğunu gösterecek.
Soru 1: Probleminiz tekrarlayan ve kural tabanlı mı?
Örnek: “Her gün 200 fatura manuel giriyoruz.” / “Müşteri e-postalarını aynı şablonlarla cevaplıyoruz.”
- Evet → Basit Otomasyon / RPA / Script (AI değil)
- Hayır → Soru 2’ye geçin
Neden: Kural belli, veri yapısı sabit, karar noktası yoksa → AI pahalı ve gereksiz. Basit bir script veya RPA (Robotik Süreç Otomasyonu) çözer.
Soru 2: Probleminiz “doğru cevap” mı, “en iyi seçenek” mi?
Örnek: “Müşteri ‘Siparişim nerede?’ diye soruyor.” (Doğru cevap: Takip numarası)
Örnek: “Hangi rota en az yakıt yakar?” (En iyi seçenek: Optimizasyon)
- “Doğru cevap” (bilgi erişimi, Q&A, belge arama) → RAG / LLM / Semantic Search
- “En iyi seçenek” (planlama, rotalama, kaynak dağıtımı) → Optimizasyon / OR / Quantum-inspired
Neden: LLM’ler bilgi getirmede harikadır. Ama matematiksel optimizasyonda (kısıtlar, hedef fonksiyon) hata yapar. Orada Operations Research (OR) veya quantum-inspired algoritmalar gerekir.
Soru 3: Elinizde etiketli (labeled) geçmiş veri var mı?
Örnek: “Son 3 yıla ait müşteri churn verisi var, hangi müşteri gidecek?” (Evet → ML)
Örnek: “Yeni bir ürün çıkarıyoruz, talep tahmini lazım.” (Hayır → Tahmin zordur)
- Evet (yeterli miktarda, kaliteli, etiketli veri) → Machine Learning (Sınıflandırma / Regresyon / Tahmin)
- Hayır (veri yok, az, kirli, etiketsiz) → Önce veri toplayın / Basit heuristic kullanın / LLM few-shot deneyin
Neden: ML modeli veri kalitesiyle olur. “Çöp girdi, çöp çıkar.” Veri yoksa önce veri mühendisliği, sonra ML.
Soru 4: Probleminiz “içerik üretme” mi, “içerik anlama” mı?
İçerik Üretme: “Rapor yaz”, “E-posta taslağı hazırla”, “Kod yaz”, “Çeviri yap” → Generative AI (LLM) İçerik Anlama: “Bu sözleşmede riskli madde var mı?”, “Bu şikayetin kategorisi ne?”, “Bu belgelerden ortak tema çıkar” → NLP / Classification / Extraction (LLM veya klasik NLP)
- Her ikisi de LLM ile yapılabilir ama anlama (understanding) görevlerde küçük, ince ayarlı (fine-tuned) modeller veya klasik NLP (spaCy, regex, rule-based) daha hızlı/ucuz/şeffaf olabilir.
Soru 5: Çözüm “karar veren” mi, “yardımcı olan” mı?
Karar Veren (Otonom): “Stok seviyesi düştü → Otomatik sipariş ver” → Yüksek risk, denetim gerekli, insan onayı şart Yardımcı Olan (Destekleyici): “Stok seviyesi düştü → Satın alma uzmanına öneri sun” → Düşük risk, hızlı değer, insan döngüsünde
- Otonom karar → Sıkı test, audit trail, human-in-the-loop, rollback mekanizması lazım. Sadece “model çalışıyor” yetmez.
- Destekleyici → Hızlı pilot, düşük risk, anında değer. Çoğu şirket buradan başlamalı.
Sonuç: Hangi Teknoloji Size Lazım?
| Cevaplar | Önerilen Yaklaşım | Örnek Araçlar |
|---|---|---|
| 1=E, 2=Yok, 3=Hayır | Basit Otomasyon / Script / RPA | Python scripts, n8n, Zapier, Power Automate |
| 1=Hayır, 2=Doğru Cevap, 3=Hayır | RAG / LLM + Kendi Veriniz | LangChain, LlamaIndex, OpenAI/Anthropic API, lokal LLM |
| 1=Hayır, 2=En İyi Seçenek, 3=E/H | Optimizasyon / OR / Quantum-inspired | OR-Tools, Gurobi, CP-SAT, QAOA, D-Wave |
| 1=Hayır, 2=Herhangi, 3=Evet (Veri Var) | Machine Learning | scikit-learn, XGBoost, PyTorch, AutoML |
| 1=Hayır, 2=İçerik Üretme, 3=Hayır | Generative AI | GPT-4, Claude, Mistral, lokal LLM (Ollama) |
Özet: Karar Ağacı
Probleminiz tekrarlayan + kural tabanlı mı?
├─ EVET → Basit Otomasyon (AI DEĞİL) → BİTİŞ
└─ HAYIR → Devam et
Elinizde etiketli geçmiş veri var mı?
├─ EVET + "En iyi seçenek" problemi → Optimizasyon / OR / Quantum-inspired
├─ EVET + "Doğru cevap / Tahmin" problemi → Machine Learning
└─ HAYIR → Devam et
Probleminiz "içerik anlama/çıkarma" mı?
├─ EVET → RAG / NLP / LLM (küçük model de olabilir)
└─ HAYIR → "İçerik üretme" mi?
├─ EVET → Generative AI (LLM)
└─ HAYIR → Belirsiz → Önce problemi daha net tanımlayınSon Söz
AI her şeye çözüm değil. Doğru soruları sorup, problemi netleştirip, en basit çalışan çözümden başlayın.
“Her şey bir çekiç gibi görünürse, her problem bir çivi gibi görünür.” — Abraham Maslow
QorAi.Space olarak önce problemi anlarız, sonra teknoloji seçeriz. Pilotla test ederiz, değer kanıtlanırsa ölçekleriz.
Bu test sonucunuz ne oldu? Sonucumu WhatsApp’tan gönderin veya AI ve optimizasyon projenizi konuşmak için bize yazın.