Yapay Zeka Kullanım Senaryoları: Tahmin ve Anomali Tespiti
AI Senaryo Seçimi: Nereden Başlamalı?
Bir AI projesinin kaderi çoğu zaman kod yazılmadan, doğru senaryonun seçildiği o ilk kararla belirlenir
İş probleminin doğası, hangi model mimarisine ve hangi veri yapısına ihtiyaç duyacağınızı büyük ölçüde belirler; yapay zeka kullanım senaryoları da tam bu yüzden birbirinden ayrışır. Yanlış senaryoyu seçtiğinizde ortaya teknik olarak “çalışan” ama iş tarafında hiçbir karşılığı olmayan projeler çıkar.
Senaryoyu seçmeden önce kendinize şu soruları sorun:
- Çıktı nedir? Bir sayı mı (regresyon), bir kategori mi (sınıflandırma), yoksa normal/anormal ayrımı mı (anomali)?
- Veri yapısı ne? Tablo mu, metin mi, görsel mi, zaman serisi mi?
- Etiketli veriniz var mı? Yani supervised mı, yoksa denetimsiz (unsupervised) mı çalışacaksınız?
- Gerçek zamanlı mı, batch mi? Anlık karar mı vereceksiniz, periyodik analiz mi yapacaksınız?
5 Temel AI Senaryo Kategorisi
Operasyonel AI uygulamalarını pratikte beş ana başlıkta toplayabiliriz:
- Tahmin (Forecasting/Regression): Gelecekteki sayısal değerleri kestirme
- Sınıflandırma (Classification): Girdiyi önceden tanımlı kategorilere ayırma
- Anomali Tespiti (Anomaly Detection): Normal dışı veri noktalarını belirleme
- Doğal Dil İşleme (NLP): Metin verisinden anlam çıkarma
- Bilgisayarlı Görü (Computer Vision): Görsel veriden bilgi elde etme
İpucu
İlk AI projenizde tek bir senaryoya odaklanın. Aynı anda birden fazla senaryoyu ayağa kaldırmaya çalışmak kaynağınızı dağıtır; sonuçta hiçbirinde işe yarar bir derinliğe ulaşamazsınız.
Tahmin Modelleri (Forecasting)
Tahmin modelleri geçmiş veriden geleceği okur; böylece kararı olay yaşanmadan önce alabilirsiniz
Tahmin modelleri, geçmiş veriden öğrenip gelecekteki sayısal değerleri kestirmek için kullanılır. Sahada en sık karşımıza çıkan yapay zeka kullanım senaryolarından biridir.
Tahmin Modeli Tipleri
Zaman Serisi Tahmini (Time Series Forecasting)
Zamana bağlı verilerde gelecek dönemleri tahmin eder:
- ARIMA/SARIMA: İstatistiksel yaklaşım, mevsimsellik desteği
- Prophet: Tatil etkileri ve trend değişiklikleri için optimize
- LSTM: Derin öğrenme ile karmaşık paternler
- XGBoost/LightGBM: Feature engineering ile güçlendirilmiş tahmin
Regresyon (Sayısal Tahmin)
Bağımsız değişkenlerden bağımlı değişkeni tahmin eder:
- Linear Regression: Basit, yorumlanabilir, baseline model
- Random Forest Regression: Non-linear ilişki yakalama
- Gradient Boosting: Yüksek doğruluk, kompleks veri yapıları
Tahmin Modeli Kullanım Alanları
Kullanım Alanları
Talep Tahmini (Demand Forecasting)
- Ürün bazlı satış tahmini (gelecek ay kaç adet satılacak)
- Stok yenileme optimizasyonu (ne zaman, ne kadar sipariş)
- Kapasite planlama (üretim hattı, depo kapasitesi)
Finansal Tahmin
- Nakit akış tahmini (gelecek çeyrek tahsilat/ödeme)
- Gelir projeksiyonu (bütçe planlama desteği)
- Maliyet tahmini (hammadde, enerji, işçilik)
Operasyonel Tahmin
- Kestirimci bakım (ekipman ne zaman arızalanacak)
- Enerji tüketim tahmini (pik saat optimizasyonu)
- Personel ihtiyacı (çağrı merkezi, saha ekibi)
Veri Gereksinimleri
- Minimum veri süresi: 12-24 ay (mevsimselliği yakalamak için 2 yıl önerilir)
- Veri frekansı: Günlük, haftalık veya aylık (probleme göre değişir)
- Ek değişkenler: Promosyon takvimi, tatil günleri, ekonomik göstergeler
- Veri kalitesi: Eksik değerler %5’in altında kalmalı
Başarı Metrikleri
- RMSE (Root Mean Square Error): Ortalama hata büyüklüğü
- MAE (Mean Absolute Error): Mutlak ortalama sapma
- MAPE (Mean Absolute Percentage Error): Yüzdesel hata (hedef: %10-15 altı)
- Forecast Bias: Sistemik aşırı/eksik tahmin eğilimi
Sınıflandırma (Classification)
Sınıflandırma, veriyi otomatik olarak kutulara ayırıp karar süreçlerini hızlandırdığınız yerdir
Sınıflandırma modelleri girdiyi önceden tanımlı kategorilere (sınıflara) yerleştirir. Çıktı kesikli ve kategoriktir: A/B/C, Evet/Hayır, Düşük/Orta/Yüksek gibi.
Sınıflandırma Model Tipleri
Binary Classification (İkili Sınıflandırma)
İki sınıf arasında ayrım yapar:
- Müşteri kaybı tahmini (churn): Kalacak / Ayrılacak
- Kredi risk değerlendirmesi: Onay / Red
- Spam tespiti: Spam / Spam Değil
Multi-class Classification (Çok Sınıflı)
İkiden fazla sınıf arasında ayrım:
- Müşteri segmentasyonu: A / B / C / D segmenti
- Ürün kategorizasyonu: 10+ kategori otomatik atama
- Destek talebi yönlendirme: Teknik / Fatura / İade / Diğer
Multi-label Classification (Çok Etiketli)
Bir girdi birden fazla sınıfa ait olabilir:
- Doküman etiketleme: Bir belge hem “Sözleşme” hem “Gizli” olabilir
- Ürün özellikleri: Bir ürün birden fazla özellik taşıyor
Sınıflandırma Kullanım Alanları
Kullanım Alanları
Müşteri Analizleri
- Müşteri segmentasyonu (RFM + davranışsal özellikler)
- Kayıp tahmini (churn prediction)
- Yaşam boyu değer (LTV) kategorisi
- Satın alma olasılığı skorlama
Risk Yönetimi
- Kredi riski (düşük/orta/yüksek)
- Tedarikçi risk skorlama
- Sahtecilik tespiti (fraud detection)
- Sigorta hasar tahmini
Operasyonel Sınıflandırma
- Talep önceliklendirme (acil/normal/düşük)
- Kalite sınıflandırma (A/B/C kalite)
- İş emri yönlendirme (departman atama)
- Otomatik belge sınıflandırma
Yaygın Algoritmalar
- Logistic Regression: Basit, yorumlanabilir, baseline
- Random Forest: Dengeli performans, overfitting’e dirençli
- XGBoost/LightGBM: Yüksek doğruluk, yarışma kazanan
- SVM (Support Vector Machine): Yüksek boyutlu veri için etkili
- Neural Networks: Karmaşık paternler, büyük veri setleri
Başarı Metrikleri
- Accuracy: Doğru tahmin oranı (dengeli sınıflar için)
- Precision: Pozitif tahminin gerçekten pozitif olma oranı
- Recall: Gerçek pozitiflerin yakalanma oranı
- F1 Score: Precision ve Recall dengesi (hedef: >0.75)
- AUC-ROC: Model ayırt edicilik gücü
Dikkat: Dengesiz Sınıflar
Bir sınıf diğerlerinden çok daha fazla örneğe sahipse (örneğin %95 normal, %5 fraud), model kolaya kaçar ve hep çoğunluk sınıfını tahmin etmeye başlar. Bu durumda SMOTE, class weights veya undersampling gibi tekniklerle dengeyi kurmak gerekir.
Anomali Tespiti (Anomaly Detection)
Anomali tespiti normalin dışına çıkan durumları otomatik yakalar ve riski daha büyümeden görünür kılar
Anomali tespiti, verideki normal dışı noktaları (outlier) otomatik olarak yakalar. Mantığı basit: önce normal davranışın profilini çıkarır, sonra bu profile uymayan kayıtları işaretler.
Anomali Tespiti Yaklaşımları
İstatistiksel Yöntemler
- Z-Score: Standart sapmaya göre sapma ölçümü
- IQR (Interquartile Range): Kutu grafiği tabanlı outlier tespiti
- Moving Average: Zaman serilerinde trend sapmaları
Makine Öğrenimi Yöntemleri
- Isolation Forest: Anomalileri izole etme mantığına dayanır; hızlı ve ölçeklenebilir
- One-Class SVM: Sadece normal veriyle eğitim
- DBSCAN: Yoğunluk tabanlı kümeleme ile outlier
- Autoencoder: Derin öğrenme, karmaşık paternler
Kural Tabanlı Yöntemler
- İş kuralları: “Fatura tutarı ortalamanın 10 katıysa anomali”
- Threshold alerts: Belirlenen eşik değerler
- Hibrit yaklaşım: ML + iş kuralları birlikte
Anomali Tespiti Kullanım Alanları
Kullanım Alanları
Finansal Anomaliler
- Fatura tutarsızlıkları (tutar, tarih, tedarikçi uyumsuzluğu)
- Sahtecilik tespiti (kredi kartı, ödeme anormallikleri)
- Masraf raporu ihlalleri
- Gelir tanıma anomalileri
Üretim ve Operasyon
- Kalite sapmaları (ölçü, ağırlık, renk tolerans dışı)
- Ekipman davranış anomalileri (titreşim, sıcaklık, basınç)
- Fire oranının aniden yükselmesi
- Enerji tüketim anomalileri
IT ve Güvenlik
- Siber saldırı tespiti (anormal network trafiği)
- Yetkisiz erişim girişimi
- Sistem performans anormallikleri
- Log analizi ile olay tespiti
Tedarik Zinciri
- Teslimat süresi anomalileri
- Sipariş patern değişiklikleri
- Tedarikçi performans sapmaları
- Stok seviyesi anormallikleri
Veri Gereksinimleri
- Normal veri ağırlıklı: Anomaliler genellikle %1-5 oranındadır
- Etiketli veri (supervised için): Bilinen anomali örnekleri
- Zaman damgası: Temporal anomaliler için kritik
- Çoklu değişken: Tek başına normal, birlikte anormal olan durumlar
Başarı Metrikleri
- Precision: Anomali alarmının gerçekten anomali olma oranı
- Recall: Gerçek anomalilerin yakalanma oranı
- False Positive Rate: Yanlış alarm oranı (düşük tutulmalı)
- Detection Latency: Anomali tespitindeki gecikme süresi
NLP Uygulamaları (Doğal Dil İşleme)
NLP, dağınık metin yığınından anlam çıkarıp onu otomasyona sokulabilir hale getirir
Doğal Dil İşleme (NLP), metin ve konuşma verilerinden anlam çıkarmanızı, bunları analiz etmenizi ve yenisini üretmenizi sağlar. Kısacası, iş süreçlerindeki yapılandırılmamış veriyi işlenebilir hale getirir.
NLP Görev Tipleri
Metin Sınıflandırma
- Duygu analizi (sentiment): Pozitif / Negatif / Nötr
- Konu sınıflandırma: E-posta, destek talebi yönlendirme
- Spam/ham tespiti
- Niyet tespiti (intent classification)
Bilgi Çıkartma (Information Extraction)
- Varlık tanıma (NER): Kişi, şirket, tarih, tutar
- İlişki çıkartma: Varlıklar arası bağlantı
- Anahtar kelime çıkartma
- Özetleme (summarization)
Metin Üretimi
- Otomatik yanıt önerisi
- Rapor taslağı oluşturma
- Çeviriler
NLP Kullanım Alanları
Kullanım Alanları
Müşteri Deneyimi
- Şikayet analizi ve önceliklendirme (duygu skoru ile)
- Chatbot ve sanal asistan (müşteri destek otomasyonu)
- Sosyal medya izleme (marka algı analizi)
- Anket yanıt analizi (açık uçlu sorular)
Doküman İşlemleri
- Fatura, sözleşme, sipariş otomatik ayrıştırma
- Sözleşme madde analizi (risk tespiti)
- E-posta sınıflandırma ve yönlendirme
- Doküman arama ve eşleştirme
Bilgi Yönetimi
- Teknik doküman indeksleme
- SSS otomasyonu (benzer soru eşleştirme)
- Toplantı notları özetleme
- Araştırma ve rapor analizi
NLP Teknik Altyapısı
- Tokenization: Metni kelime/alt kelimeye bölme
- Word Embeddings: Word2Vec, GloVe, FastText
- Transformer Modelleri: BERT, GPT, T5 ailesi
- Pre-trained Modeller: Türkçe için BERTurk, mBERT
Zorluklar
- Türkçe NLP: Eklemeli dil yapısı, kaynak kısıtlılığı
- Domain-specific vocabulary: Sektör jargonu adaptasyonu
- Belirsizlik: Aynı kelimenin farklı anlamları
- Veri gizliliği: Kişisel veri içeren metinler
Bilgisayarlı Görü (Computer Vision)
Bilgisayarlı görü, görsel veriden bilgi çıkarıp elle yapılan denetimleri dijitale taşır
Bilgisayarlı görü (Computer Vision), fotoğraf ve videoyu analiz ederek görselden bilgi çıkarmanızı sağlar. Özellikle üretim, lojistik ve kalite kontrolde yaygın kullanılır.
Bilgisayarlı Görü Görev Tipleri
Görüntü Sınıflandırma (Image Classification)
- Görselin hangi kategoriye ait olduğunu belirleme
- Örnek: Ürün kusurlu mu, kusursuz mu?
Nesne Tespiti (Object Detection)
- Görseldeki nesneleri konumlarıyla birlikte tespit etme
- Örnek: Rafta kaç ürün var, nerede konumlu?
- Algoritmalar: YOLO, Faster R-CNN, SSD
Segmentasyon
- Görseldeki her pikseli sınıflandırma
- Semantic segmentation: Sınıf bazlı
- Instance segmentation: Nesne bazlı ayrım
OCR (Optik Karakter Tanıma)
- Görseldeki metin içeriğini dijitalleştirme
- Fatura, etiket, plaka okuma
Operasyonel Kullanım Alanları
Kullanım Alanları
Kalite Kontrol
- Ürün kusur tespiti (çizik, leke, deformasyon)
- Boyut ve ölçü doğrulama
- Renk tutarlılığı kontrolü
- Montaj doğrulama (eksik parça tespiti)
Envanter ve Lojistik
- Raf sayımı (planogram uyumu)
- Paket boyutlandırma (volumetrik ölçüm)
- Hasarlı ürün tespiti (kargo sırasında)
- Barkod/QR kod okuma
Güvenlik ve Uyum
- PPE (kişisel koruyucu ekipman) uyumu
- Yetkisiz alan girişi tespiti
- Kalabalık yoğunluk analizi
- Plaka tanıma (otopark, filo yönetimi)
Doküman İşleme
- Fatura/irsaliye dijitalleştirme
- Kimlik dokümanı doğrulama
- El yazısı tanıma
- Form veri çıkartma
Teknik Altyapı
- CNN (Convolutional Neural Networks): Temel görüntü işleme mimarisi
- Transfer Learning: Pre-trained modeller (ResNet, VGG, EfficientNet)
- Edge Computing: Kamera yanında işlem (düşük gecikme)
- GPU Altyapısı: Eğitim ve inference için gerekli
Veri Gereksinimleri
- Görüntü kalitesi: Yeterli çözünürlük ve aydınlatma
- Etiketli veri: Her sınıf için 100-1000+ görüntü
- Çeşitlilik: Farklı açı, ışık, arka plan koşulları
- Dengelilik: Sınıflar arası örnek sayısı dengesi
Senaryo Karşılaştırma Tablosu
Hangi AI senaryosunun hangi durumda uygun olduğunu görmek için aşağıdaki tabloya göz atın:
| Senaryo | Çıktı Tipi | Veri Yapısı | Tipik Kullanım | Min. Veri |
|---|---|---|---|---|
| Tahmin (Forecasting) | Sürekli sayı | Zaman serisi, tablo | Talep tahmini, nakit akış | 12-24 ay |
| Sınıflandırma | Kategori | Tablo, metin, görsel | Segmentasyon, risk skorlama | 100+ örnek/sınıf |
| Anomali Tespiti | Normal/Anormal | Tablo, zaman serisi | Fraud, kalite sapma | Normal veri ağırlıklı |
| NLP | Metin analizi | Yapılandırılmamış metin | Duygu analizi, chatbot | 1000+ doküman |
| Bilgisayarlı Görü | Görsel analiz | Görüntü, video | Kalite kontrol, sayım | 100-1000+ görüntü/sınıf |
Senaryo Seçim Akışı
Doğru senaryoyu seçmek için şu adımları izleyin:
- İş problemini tanımlayın: “Hangi kararı otomatikleştirmek istiyorum?”
- Çıktı tipini belirleyin: Sayı mı, kategori mi, normal/anormal mı?
- Veri yapısını değerlendirin: Tablo, metin, görsel, zaman serisi?
- Etiketli veri durumunu kontrol edin: Supervised mı, unsupervised mı?
- Tabloya göre senaryoyu seçin: Yukarıdaki tabloyu referans alın
Sıkça Sorulan Sorular (SSS)
Yapay zeka kullanım senaryolarını beş ana başlıkta toplayabiliriz: (1) Tahmin modelleri (talep tahmini, nakit akış tahmini, bakım tahmini), (2) Sınıflandırma (müşteri segmentasyonu, risk skorlama, önceliklendirme), (3) Anomali tespiti (fatura hataları, üretim sapmaları, güvenlik ihlalleri), (4) Doğal dil işleme/NLP (metin analizi, duygu analizi, otomatik kategorizasyon), (5) Bilgisayarlı görü (kalite kontrol, sayım, görsel denetim). Her senaryo farklı bir veri yapısı ve model mimarisi ister.
Talep tahmini modeli; tarihsel satış verilerini, mevsimselliği, promosyon takvimlerini ve dış etkenleri (tatil, ekonomik göstergeler) bir araya getirerek gelecek dönemlerdeki talebi kestirir. Bunun için Time Series modelleri (ARIMA, Prophet) ya da makine öğrenimi algoritmaları (XGBoost, LSTM) kullanılır. Model en az 12-24 aylık veriyle eğitilir ve tipik olarak %80-90 doğruluk hedeflenir.
Sınıflandırma girdiyi önceden tanımlı kategorilere ayırır (örneğin müşteri A/B/C segmenti, risk düşük/orta/yüksek); çıktısı kesikli ve kategoriktir. Regresyon ise sürekli bir sayısal değer tahmin eder (örneğin gelecek ay satışı 4.200 adet). Sınıflandırmada accuracy ve F1 score, regresyonda RMSE ve MAE metrikleri kullanılır.
Anomali tespiti şu alanlarda yaygın kullanılır: finans (fatura tutarsızlıkları, sahtecilik tespiti), üretim (kalite sapmaları, ekipman arızası öncesi belirtiler), IT/güvenlik (siber saldırı tespiti, anormal erişim davranışı), tedarik zinciri (teslimat gecikme tahminleri, stok anomalileri). Model önce normal davranışın istatistiksel profilini çıkarır, sonra bu profilden sapmaları tespit eder.
NLP (Doğal Dil İşleme) uygulamaları: müşteri şikayet analizi (duygu analizi ile önceliklendirme), doküman sınıflandırma (fatura, sözleşme, sipariş otomatik ayrıştırma), chatbot ve sanal asistan (müşteri destek otomasyonu), metin özetleme (rapor ve e-posta özeti), anahtar kelime çıkartma (talep eğilimi analizi). NLP, yapılandırılmamış metin verisinden anlam çıkarır.
Bilgisayarlı görü (Computer Vision) operasyonel kullanım alanları: kalite kontrol (ürün kusur tespiti, boyut ölçümü), envanter yönetimi (raf sayımı, stok seviye takibi), güvenlik (yetkisiz erişim, PPE (kişisel koruyucu ekipman) uyumu), lojistik (paket boyutlandırma, hasarlı ürün tespiti). Bunlarda konvolüsyonel sinir ağları (CNN) ve nesne tanıma modelleri (YOLO, Faster R-CNN) kullanılır.
Projeniz İçin Destek Alın
Dijital dönüşüm yolculuğunuzda size rehberlik edebilirim. Ücretsiz ön görüşme için randevu alın.