Yapay zeka, müşteri deneyimini dönüştürmek için artık deneysel bir teknoloji değil; ölçeklenebilir, üretim seviyesinde bir araç. Son 18 ayda Avva Mobile olarak perakendeden lojistiğe, finanstan e-ticarete 12'den fazla AI projesini canlıya aldık. Bu süreçte öğrendiğimiz en net ders şu: değer, modelin kendisinden değil, modelin iş sürecinin doğru noktasına yerleştirilmesinden geliyor. Bu yazıda en sık karşılaştığımız 5 kullanım senaryosunu, gerçek metrikler ve sahada öğrendiğimiz derslerle birlikte paylaşıyorum.
1. Konuşma Tabanlı Destek
RAG (retrieval-augmented generation) hatlarıyla beslenen sohbet asistanları, müşteri hizmetleri yanıt sürelerini ortalama %78 düşürdü. Bu sonucu belirleyen üç teknik karar var: vector DB seçimi (ölçek ve metadata filtreleme ihtiyacına göre), embedding modelinin domain'e uygunluğu (genel amaçlı bir model, Türkçe e-ticaret jargonunda ciddi performans kaybeder) ve fallback (yedek) mekanizmaları.
Fallback kısmı çoğu projede ihmal ediliyor ama en kritik parça: model güven eşiğinin altında kaldığında yanıt uydurmak yerine konuşmayı canlı temsilciye devretmeli, verdiği her yanıtı da kaynak dokümana bağlamalı. Amacımız temsilciyi ortadan kaldırmak değil; tekrarlayan soruların oluşturduğu kuyruğu eritip insanları gerçekten karmaşık vakalara odaklamak.
2. Kişiselleştirilmiş İçerik
Kullanıcı davranışlarından üretilen embedding'lerle kurduğumuz öneri motorları, tıklama oranlarını 3 kat artırdı. Buradaki klasik tuzak soğuk başlangıç problemi: yeni kullanıcı ve yeni ürün için davranış verisi yok. Çözüm, davranış sinyalleriyle içerik tabanlı sinyalleri birleştiren hibrit bir yaklaşım.
İkinci ders: öneri kalitesini offline metriklerle değil, A/B testiyle ölçün. Offline'da "daha iyi" görünen bir model, gerçek trafikte sepet büyüklüğünü düşürebiliyor. Biz her öneri motoru değişikliğini kontrollü deneyle canlıya alıyoruz.
3. Talep Tahmini
Lojistik ve perakende müşterilerimizde zaman serisi modelleri (Prophet, ARIMA ve daha karmaşık LSTM hatları) stok tutma maliyetlerini %22 azalttı. Sahada öğrendiğimiz denge şu: iyi feature engineering yapılmış basit bir model, bakımı zor bir derin öğrenme hattından çoğu zaman daha yüksek ROI üretir. Kampanya takvimi, resmi tatiller ve hava durumu gibi dış değişkenleri modele beslemek, mimari değiştirmekten daha çok kazandırdı.
Bir uyarı: tahmin tek başına değer üretmez. Çıktı, satın alma ve depo planlama süreçlerine bağlanmadığı sürece sadece güzel bir grafik olarak kalır.
4. Görsel İçerik Analizi
Computer vision ile ürün katalog otomasyonu — bir e-ticaret müşterimizde 200.000'den fazla ürün görselinin etiketlenmesi 3 günde tamamlandı; manuel bir ekiple aynı iş aylar sürerdi. Kritik tasarım kararı hibrit akıştı: model güven skoru yüksek tahminler otomatik onaylanırken, düşük güvenli tahminler insan onayına düşüyor. Böylece hata oranı manuel sürecin altına indi ve insan eforu yalnızca belirsiz vakalara harcandı.
5. Anomali Tespiti
Fraud detection için kurduğumuz unsupervised learning modelleri, finansal kuruluş müşterimizde aylık yaklaşık $340K tasarruf sağladı. Buradaki asıl mühendislik problemi model değil, eşik yönetimi: false positive'in maliyeti, kaçırılan fraud kadar gerçektir — meşru bir işlemi bloklamak müşteri kaybettirir. Eşikleri iş birimiyle birlikte ayarlıyor, regülasyon gereği her kararın açıklanabilir olmasını sağlıyoruz.
PoC'de durmayın
Bu beş senaryonun ortak noktası şu: hiçbiri demo gününde değer üretmedi; değer, üretimde geçen altıncı ayın metriklerinde göründü. Production-grade MLOps, maliyet bilinçli inference (önbellekleme, batch işleme, doğru model boyutu) ve sürekli iyileştirme döngüsü — fark burada yatıyor. AI'ı PoC'den üretime taşımak istiyorsanız, Avva Mobile'ın bu yoldan 12 kez geçmiş ekibiyle konuşabilirsiniz.
