Yapay Zeka Kullanım Senaryoları: Tahmin ve Anomali Tespiti
AI Senaryo Seçimi: Nereden Başlamalı?
Doğru senaryo seçimi, AI projesinin başarı oranıni belirleyen en kritik adımdır
Yapay zeka kullanım senaryoları, is probleminin dogasina göre farklı model mimarileri ve veri yapıları gerektirir. Yanlis senaryo seçimi, teknik olarak başarıli ancak is değeri üretmeyen projelere yol açar.
Senaryo seçiminde su soruları sormalisiniz:
- Çıktı nedir? Sayı mi (regresyon), kategori mi (sınıflandırma), normal/anormal mi (anomali)?
- Veri yapısi ne? Tablo, metin, görsel, zaman serisi?
- Etiketli veri var mi? Supervised mi, unsupervised mi?
- Gerçek zamanlı mi, batch mi? Anlık karar mi, periyodik analiz mi?
5 Temel AI Senaryo Kategorisi
Operasyonel AI uygulamaları beş ana kategoride incelenir:
- Tahmin (Forecasting/Regression): Gelecekteki sayısal değerleri tahmin etme
- Sınıflandırma (Classification): Girdiyi önceden tanimli kategorilere ayırma
- Anomali Tespiti (Anomaly Detection): Normal disi veri noktalarını belirleme
- Doğal Dil İ̇şleme (NLP): Metin verisinden anlam çıkarma
- Bilgisayarli Goru (Computer Vision): Görsel veriden bilgi elde etme
Ipucu
Ilk AI projeniz için tek bir senaryo seçin. Birden fazla senaryoyu aynı anda uygulamaya çalışmak, kaynakları dağınık kullanmaya ve hicbirinde derinlik sağlanamamasina yol açar.
Tahmin Modelleri (Forecasting)
Tahmin modelleri, tarihsel veriden geleceği ongorerek proaktif karar almayı sağlar
Tahmin modelleri, tarihsel verilerden ogrenarak gelecekteki sayısal değerleri ongormek için kullanılır. En yaygın yapay zeka kullanım senaryolarından biridir.
Tahmin Modelı Tipleri
Zaman Serisi Tahmini (Time Series Forecasting)
Zamana bağlı verilerde gelecek dönemleri tahmin eder:
- ARIMA/SARIMA: Istatistiksel yaklaşim, mevsimsellik desteği
- Prophet: Tatil etkileri, trend değişiklikleri için optimize
- LSTM: Derin öğrenme ile karmaşık paternler
- XGBoost/LightGBM: Feature engineering ile guclendirilmis tahmin
Regresyon (Sayısal Tahmin)
Bağımsız degiskenlerden 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 Modelı 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)
- Kapasıte planlama (üretim hattı, depo kapasitesi)
Finansal Tahmin
- Nakit akış tahmini (gelecek çeyrek tahsilat/ödeme)
- Gelir projeksiyonu (bütçe planlama desteği)
- Maliyet tahmini (hammadde, enerji, iscilik)
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 (mevsimsellik için 2 yıl önerili)
- Veri frekansı: Günlük, haftalık veya aylık (problem bağımlı)
- Ek değişkenler: Promosyon takvimi, tatil günleri, ekonomik göstergeler
- Veri kalitesi: Eksık değerler %5’ın altında olmalı
Başarı Metrikleri
- RMSE (Root Mean Square Error): Ortalama hata büyüklugu
- MAE (Mean Absolute Error): Mutlak ortalama sapma
- MAPE (Mean Absolute Percentage Error): Yüzdesel hata (hedef: %10-15 altı)
- Forecast Bias: Sistemik aşırı/eksık tahmin eğilimi
Sınıflandırma (Classification)
Sınıflandırma modelleri, veriyi otomatik kategorilere ayırarak karar süreçlerini hizlandirir
Sınıflandırma, girdiyi önceden tanimli kategorilere (sınıflar) ayıran modellerdir. Çıktı kesikli ve kategoriktir (A/B/C, Evet/Hayır, Düşük/Orta/Yüksek).
Sınıflandırma Model Tipleri
Binary Classification (Ikili Sınıflandırma)
Iki sınıf arasında ayrım yapar:
- Müşteri kaybı tahmini (churn): Kalacak / Ayrılacak
- Kredi risk değerlendirmesi: Onay / Red
- Spam tespiti: Spam / Spam Değil
Multi-class Classification (Çok Sınıfli)
Ikiden 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 “Sozlesme” 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 riskı (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)
- Is 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
Eğer bir sınıf digerlernden çok daha fazla örnege sahipse (örnegin %95 normal, %5 fraud), model çoğuluk sınıfını tahmin etmeye eğilimli olur. SMOTE, class weights veya undersampling teknikleri ile dengeleme yapılmalıdır.
Anomali Tespiti (Anomaly Detection)
Anomali tespiti, normal dışındalikleri otomatik yakalayarak riskleri erkenden tespit eder
Anomali tespiti, veri içindeki normal dışındaki noktaları (outlier, anomali) otomatik olarak belirleme sürecidir. Normal davranışin profilini cikarir ve bu profile uymayan verileri işaretler.
Anomali Tespiti Yaklaşimari
Istatistiksel Yöntemler
- Z-Score: Standart sapmaya göre sapma ölçümu
- IQR (Interquartile Range): Kutu grafiği tabanlı outlier tespiti
- Moving Average: Zaman serilerinde trend sapmaları
Makine Öğrenimi Yöntemleri
- Isolation Forest: Anomalileri izole etme tabanlıi, hızlı ve ölçeklenebilir
- Öne-Class SVM: Sadece normal veriyle eğitim
- DBSCAN: Yogunluk tabanlı kümeleme ile outlier
- Autoencoder: Derin öğrenme, karmaşık paternler
Kural Tabanlı Yöntemler
- Is kuralları: “Fatura tutarı 10x ortalama işe anomali”
- Threshold alerts: Belirlenen eşik değerler
- Hibrit yaklaşim: ML + is kuralları birlikte
Anomali Tespiti Kullanım Alanları
Kullanım Alanları
Finansal Anomaliler
- Fatura tutarsizlikleri (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 disi)
- Ekipman davranış anomalileri (titreşim, sıcaklık, basınç)
- Fire oranı aniden artışı
- 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 oranında
- Etiketli veri (supervised için): Bilinen anomali örnekleri
- Zaman damgası: Temporal anomaliler için kritik
- Çoklu değişken: Tek başına normal, birlikte anormal durumlar
Başarı Metrikleri
- Precision: Anomali alarminin gerçekten anomali olma oranı
- Recall: Gerçek anomalilerin yakalanma oranı
- False Positive Rate: Yanlis alarm oranı (düşük tutulmalı)
- Detection Latency: Anomali tespitindeki gecikme süresi
NLP Uygulamaları (Doğal Dil İ̇şleme)
NLP, yapılandırılmamış metin verisinden anlam çıkararak otomasyon sağlar
Doğal Dil İ̇şleme (NLP), metin ve konusma verilerinden anlam çıkarma, analiz etme ve üretme yeteneği sağlar. Is süreçlerinde yapılandırılmamış veriyi işlenebilir hale getirir.
NLP Görev Tipleri
Metin Sınıflandırma
- Duygu analizi (sentiment): Pozitif / Negatif / Notr
- Konu sınıflandırma: E-posta, destek talebi yönlendirme
- Spam/ham tespiti
- Niyet tespiti (intent classification)
Bilgi Cikartma (Information Extraction)
- Varlık tanıma (NER): Kişi, şirket, tarih, tutar
- İlişki cikartma: Varlıklar arası bağlantı
- Anahtar kelime cikartma
- 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 uclu sorular)
Doküman İ̇şlemleri
- Fatura, sozlesme, sipariş otomatik ayrıştırma
- Sozlesme 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 yapısi, kaynak kısıtliligi
- Domain-specific vocabulary: Sektör jargonu adaptasyonu
- Belirsizlik: Aynı kelimenin farklı anlamları
- Veri gizliliği: Kişisel veri içeren metinler
Bilgisayarli Goru (Computer Vision)
Bilgisayarli goru, görsel veriden otomatik bilgi cikartarak operasyonları dijitalleştirir
Bilgisayarli goru (Computer Vision), görsel verileri (fotoğraf, video) analiz ederek bilgi çıkarma yeteneği sağlar. Üretim, lojistik ve kalite kontrolde yaygın kullanılır.
Bilgisayarli Goru 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 küsur tespiti (cizik, leke, deformasyon)
- Boyut ve ölçü doğrulama
- Renk tutarlılığı kontrolü
- Montaj doğrulama (eksık 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
- Kalabalik yogunluk analizi
- Plaka tanıma (otopark, filo yönetimi)
Doküman İ̇şleme
- Fatura/irsaliye dijitalleştirme
- Kimlik dokumani doğrulama
- El yazısı tanıma
- Form veri cikartma
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
- Cesitlilik: Farklı acı, isik, arka plan koşulları
- Dengelilik: Sınıflar arası örnek sayısı dengesi
Senaryo Karşılaştırma Tablosu
Hangi AI senaryosunun hangi durumda uygun olduğunu anlamak için aşağıdaki karşılaştırma tablosunu inceleyin:
| Senaryo | Çıktı Tipi | Veri Yapısi | 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 |
| Bilgisayarli Goru | Görsel analiz | Görüntü, video | Kalite kontrol, sayım | 100-1000+ görüntü/sınıf |
Senaryo Seçim Akisi
Doğru senaryoyu seçmek için su adımları izleyin:
- Is problemini tanimlayin: “Hangi kararı otomatikleştirmek istiyorum?”
- Çıktı tipini belirleyin: Sayı mi, kategori mi, normal/anormal mi?
- Veri yapısini değerlendirin: Tablo, metin, görsel, zaman serisi?
- Etiketli veri durumunu kontrol edin: Supervised mi, unsupervised mi?
- Tabloya göre senaryoyu seçin: Yukarıdaki tabloyu referans alın
Sikca Sorulan Sorular (SSS)
Yapay zeka kullanım senaryoları beş ana kategoride incelenir: (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) Bilgisayarli goru (kalite kontrol, sayım, görsel denetim). Her senaryo farklı veri yapısi ve model mimarisi gerektirir.
Talep tahmini modelı, tarihsel satış verileri, mevsimsellik, promosyon takvimleri ve dış etkenler (tatil, ekonomik göstergeler) kullanarak gelecek dönemlerdeki talebi tahmin eder. Time Series modelleri (ARIMA, Prophet) veya makine öğrenimi algoritmaları (XGBoost, LSTM) kullanılır. Model, minimum 12-24 aylık veri ile egitilir ve ortalama %80-90 doğruluk hedeflenir.
Sınıflandırma, girdiyi önceden tanimli kategorilere ayırır (örnegin müşteri A/B/C segmenti, risk düşük/orta/yüksek). Çıktı kesikli ve kategoriktir. Regresyon işe sürekli bir sayısal değer tahmin eder (örnegin gelecek ay satışi 4.200 adet). Sınıflandırmada accuracy ve F1 score, regresyonda RMSE ve MAE metrikleri kullanılır.
Anomali tespiti su alanlarda yaygın kullanılır: Finans (fatura tutarsizlikleri, 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, normal davranışin istatistiksel profilini cikarir ve sapmalar tespit edilir.
NLP (Doğal Dil İ̇şleme) uygulamaları: Müşteri şikayet analizi (duygu analizi ile önceliklendirme), doküman sınıflandırma (fatura, sozlesme, sipariş otomatik ayrıştırma), chatbot ve sanal asistan (müşteri destek otomasyonu), metin özetleme (rapor ve e-posta özeti), anahtar kelime cikartma (talep eğilimi analizi). NLP, yapılandırılmamış metin verisinden anlam cikarir.
Bilgisayarli goru (Computer Vision) operasyonel kullanım alanları: Kalite kontrol (ürün küsur tespiti, boyut ölçümu), envanter yönetimi (raf sayımı, stok seviye takibi), güvenlik (yetkisiz erişim, PPE (kişisel koruyucu ekipman) uyumu), lojistik (paket boyutlandırma, hasarlı ürün tespiti). Konvolusyonel sınır 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.