Firmaya özel yapay zeka modeli, şirketinizin kendi kayıtları, belgeleri ve görüntüleriyle eğitilen ya da hazır bir modelin bu veriyle ince ayar (fine-tuning) yapıldığı modeldir. Hazır modeller genel bilgide güçlüdür ama sizin ürün kodlarınızı, hata tiplerinizi ve sektör terimlerinizi bilmez. Yapay zeka modeli eğitimi; iş tekrarlıyorsa, sizin veriniz ayırt edici ise ve hazır model ya da belge arama (RAG) yeterli doğruluğu vermiyorsa doğru yoldur.
Hazır model neden sizin işinizde yanılır?
Genel amaçlı bir yapay zeka modelini denediğinizde ilk izlenim çoğu zaman etkileyicidir: metni özetler, soruyu yanıtlar, görüntüyü tarif eder. Sorunlar sahaya çıkınca başlar. Model, kalite kontrol hattındaki "çapak" ile "çizik" arasındaki farkı sizin kabul kriterinize göre bilmez. Tedarikçinizin faturasındaki kalem kodunu kendi stok kodunuzla eşleştiremez. Çağrı kaydında geçen kampanya adını yanlış yazar. Her çıktının yine bir çalışan tarafından kontrol edilmesi gerekiyorsa, zaman kazancı kâğıt üzerinde kalır.
Somut bir örnek: bir yedek parça distribütörü, tedarikçilerinden gelen fiyat listelerindeki ürünleri kendi stok kartlarıyla eşleştirmek istiyor. Aynı parça bir listede OEM koduyla, bir başkasında kısaltılmış açıklamayla, üçüncüsünde tedarikçinin kendi koduyla geçiyor. Genel bir model birkaç bariz eşleşmeyi bulur ama "benzer görünen ama farklı" parçaları karıştırır; yanlış eşleşen her kalem, yanlış fiyatla verilen bir teklif demektir. Aynı model, distribütörün geçmişte elle doğruladığı birkaç bin eşleşmeyle eğitildiğinde, hangi farkların önemli hangilerinin önemsiz olduğunu bu örneklerden öğrenir.
Bu açığın nedeni modelin "zekası" değil, bağlam eksikliğidir. Model, sizin işinizin istisnalarını hiç görmemiştir. Bu istisnaları öğretmenin dört yolu vardır; her biri farklı bir sorunu çözer ve aşağıdaki tabloda yan yana duruyor.
Yanlış modelin maliyeti
Genel modellerin kendi bilgisine dayanarak cevap verdiğinde ne kadar yanılabildiği ölçülmüş durumda.
Stanford AI Index 2026'ya göre AA-Omniscience bilgi testinde 26 önde gelen modelin halüsinasyon oranı %22 ile %94 arasında değişti. (Stanford HAI — AI Index Report 2026)
Bu, "yapay zeka kullanılmamalı" demek değildir; modelin sizin konunuzda bilmediği şeyi uydurma eğiliminde olduğunu, bu yüzden sizin verinizle desteklenmesi ya da eğitilmesi gerektiğini gösterir. Konuyu ayrıntılı olarak yapay zeka halüsinasyonu yazımızda ele aldık.
İkinci maliyet veri güvenliğidir. Kurum içinde onaylı bir araç yoksa çalışanlar kendi hesaplarıyla genel servisleri kullanır. Verizon 2026 Data Breach Investigations Report verisine göre çalışanların %45'i kurumsal cihazlarında düzenli yapay zeka kullanıcısı ve kullanıcıların %67'si bu servislere kurumsal olmayan hesaplarla erişiyor. Aynı rapora göre onaysız üretken yapay zeka araçlarına en sık gönderilen veri türü kaynak kod. Yani kendi modeliniz yoksa, verileriniz zaten başkasının modeline gidiyor olabilir.
Üçüncüsü uzmanlık açığıdır. TÜİK Yapay Zeka İstatistikleri 2025 bülteninde, yapay zekayı kullanmayı düşünüp kullanmayan girişimlerin %74,2'si uzmanlık eksikliğini ilk neden olarak gösteriyor. Model eğitimi, veri hazırlığı ve ölçüm gerektiren bir iş olduğu için bu açık en çok burada hissedilir.
Hazır model, RAG, ince ayar, sıfırdan eğitim: hangisi ne zaman?
| Yaklaşım | Ne yapar? | Ne zaman uygun? | Veri ihtiyacı |
|---|---|---|---|
| Hazır model + iyi talimat | Genel modeli yönlendirir | Genel metin işleri, taslak yazma, çeviri | Yok ya da çok az |
| RAG (belge tabanlı arama) | Modele cevap verirken sizin belgelerinizden ilgili bölümleri verir | Bilgi sık değişiyor, cevabın kaynağı gösterilmeli | Düzenli, erişilebilir belgeler |
| İnce ayar (fine-tuning) | Hazır modeli sizin örneklerinizle yeniden ayarlar | Tekrarlayan sınıflandırma, çıkarım, sektöre özgü dil ve biçim | Yüzlerce–binlerce etiketli örnek |
| Özel model eğitimi | Göreve özel, daha küçük bir modeli sizin verinizle eğitir | Görüntüde kusur tespiti, sensör verisi, tahmin; hız ve kurum içi çalışma kritik | Görev ve veri tipine göre değişir |
Pratik kural şudur: bilgi eksikse (model şirketinizin prosedürünü bilmiyor) RAG; davranış eksikse (model doğru etiketi, doğru biçimi, doğru terimi seçemiyor) ince ayar ya da özel eğitim. İkisi birlikte de kullanılabilir. RAG'in mimarisini ve kurulumunu RAG ve kurumsal LLM rehberimizde ayrıntılı anlattık. Bu seçim, şirketlerde yapay zekaya başlarken izlenen yedi adımın dördüncüsüdür: önce iş adımı ve başlangıç ölçüsü, sonra yöntem.
Her belge işi de model eğitimi gerektirmez. Örneğin Smart360 ailesindeki SmartFiles, yüklenen belge için kimse istemeden özet, ana noktalar ve dikkat çeken detayları içeren bir rapor hazırlar ve belgeye ya da klasörün tamamına soru sormaya izin verir. Genel belge okuma ve özetleme ihtiyacı için hazır bir ürün yeterliyken, sizin kusur tiplerinizi veya stok kodlarınızı öğrenmesi gereken işlerde özel model devreye girer.
Firmaya özel model hangi işlerde fark yaratır?
- Üretimde kusur tespiti: Sizin ürününüzdeki kabul edilebilir iz ile ret sebebi olan kusuru ayırt etmek. Bu, genel görüntü modellerinin bilmediği bir kalite standardıdır; uygulamasını görüntü işleme ile kalite kontrol yazısında anlattık.
- Tesise özgü iş güvenliği görüntüsü: Sizin sahanızdaki baret rengini, yelek tipini ve kamera açısını öğrenen bir model, genel bir kişi algılayıcıdan çok daha az yanlış alarm üretir; uygulamasını yapay zeka ile KKD kontrolü yazısında anlattık.
- Sektöre özgü belge okuma: Standart dışı formlar, el yazılı alanlar, tedarikçiye göre değişen fatura düzenleri.
- Kod ve kayıt eşleştirme: Farklı kaynaklardaki ürün kodlarını, cari adlarını, adresleri eşleştirmek.
- Müşteri taleplerini sınıflandırma: Gelen talepleri sizin kategorilerinize ayırmak, doğru ekibe yönlendirmek; Türkçe metinde yöntem seçimini Türkçe doğal dil işleme yazısında anlattık.
- Sensör verisi: Makinenin kendi "normal"ini öğrenen modeller; titreşim verisinden arıza öngörüsü ve sayaç ya da hat verisinde anomali tespiti bu gruptadır.
- Tahmin: Geçmiş satış, kampanya ve sezon verisiyle çalışan talep tahmini modelleri.
- Çağrı kayıtları: Kampanya ve ürün adlarını doğru yazan, uyum kontrolü yapan konuşma analizi; örneği çağrı merkezi ses analizi yazımızda.
Yapay zeka modeli eğitimi adım adım
- Görevi tek cümleyle tanımlayın. "Bu fotoğraftaki parça kabul mü, ret mi, ret ise nedeni ne?" gibi. Belirsiz görev, ölçülemeyen model üretir.
- Başarı ölçütünü baştan belirleyin. Hangi doğruluk, hangi hata türü daha pahalı? Kusurlu ürünü kaçırmak ile sağlam ürünü reddetmek aynı maliyette değildir.
- Veriyi denetleyin. Yeterli örnek var mı, sınıflar dengeli mi, bazı durumlar hiç temsil edilmiyor mu? Mükerrer ve tutarsız kayıtlar modele yanlış ders verir; temizlik yöntemlerini veri kalitesi ve mükerrer kayıt yazımızda anlattık. Veri yoksa önce veri toplama altyapısı kurulur.
- Etiketleyin ve etiket kalitesini ölçün. Aynı örneği iki uzman farklı etiketliyorsa model de kararsız kalır. Etiket kılavuzu yazmak bu aşamanın en değerli çıktısıdır.
- Test verisini ayırın ve dokunmayın. Doğruluk, modelin eğitimde hiç görmediği veriyle ölçülür. Bu kural çiğnenirse rapor edilen doğruluk sahada tekrarlanmaz.
- Eğitin, karşılaştırın, hata analizi yapın. Hangi durumlarda yanıldığını görün; eksik örneği tamamlayıp yeniden eğitin.
- Mevcut yazılıma bağlayın ve izleyin. Model ERP'ye, üretim hattındaki kameraya ya da belge akışına bağlanır. Sahada doğruluk izlenir; ürün, tedarikçi veya süreç değiştikçe model yeniden eğitilir. Bu izleme ve yeniden eğitim döngüsünün nasıl işletileceğini MLOps nedir yazısında anlattık.
Bu adımlarda sık atlanan bir nokta, insan kontrolünün tasarımıdır. Hiçbir model her durumda doğru değildir; önemli olan emin olmadığı durumu bilmesidir. İyi tasarlanmış bir sistemde model, güven puanı yüksek olan kayıtları doğrudan işler, düşük olanları bir çalışanın onayına sunar. Çalışanın düzeltmeleri kaydedilir ve bir sonraki eğitimde örnek olarak kullanılır. Böylece model zamanla daha az kaydı insana sorar ve kontrol yükü azalır.
Modelin kalitesini büyük ölçüde eğitim verisinin etiketleri belirler. Etiketleme kılavuzu, altın set ve kalite ölçümünü veri etiketleme nedir yazımızda, tekstildeki somut bir uygulamayı ise kumaş hata tespiti rehberimizde anlattık.
Veri güvenliği ve KVKK
Model eğitimi, verinin şirket dışına çıkmasını gerektirmek zorunda değildir. Görüntü, sensör ya da sınıflandırma modelleri çoğu zaman kurumun kendi sunucusunda eğitilip çalıştırılabilir. Eğitim verisinde kişisel veri varsa (müşteri yazışmaları, çağrı kayıtları, personel belgeleri) KVKK kapsamında işleme amacı, anonimleştirme ve saklama süresi baştan değerlendirilmeli; eğitim setleri de saklama ve imha politikasının kapsamına alınmalıdır. Model kendi bilgisini eğitim verisinden aldığı için, gereksiz kişisel verinin eğitime hiç girmemesi en temiz çözümdür. Genel servis kullanımının riskleri için ChatGPT ve şirket verisi güvenliği yazımıza bakabilirsiniz.
Digital Bridge'de bu işi nasıl yapıyoruz?
- Önce veri fizibilitesi. Firmaya özel yapay zeka model eğitimi hizmetimizde verinizin yeterli olup olmadığını denetliyoruz. Verinin yetersiz olduğunu ya da işin basit bir kural setiyle çözülebileceğini görürsek bunu açıkça söylüyoruz; gerekirse önce veri toplama altyapısını birlikte kuruyoruz. Başka bir firmadan model eğitimi teklifi aldıysanız, veri fizibilitesinin teklifte yer alıp almadığını yapay zeka proje teklifi değerlendirme yazımızdaki sorularla kontrol edin.
- Etiketleme, eğitim ve bağımsız ölçüm. Veriyi temizliyor ve etiketliyor, uygun modeli seçip ince ayar yapıyor, doğruluğu modelin görmediği test verisiyle ölçüyoruz.
- Doğru yaklaşımı seçmek. Şirket bilgisine dayalı bir asistan arıyorsanız ince ayar yerine kurumsal LLM asistanı daha doğru olabilir; görüntü tarafında görüntü işleme, belge tarafında doküman OCR hizmetlerimiz bu modellerin uygulamaya dönüşmüş örnekleridir.
- Kendi sunucunuzda çalışan teslim. Model kendi sunucunuzda çalışabilir; eğitim verisi kurum dışına çıkmak zorunda değildir. Mevcut ERP ya da firmaya özel yazılımınıza API ile bağlanması yapay zeka entegrasyonu kapsamındadır.
Sonraki adım
Modelin çözmesini istediğiniz tek bir görevi ve bu göreve ait örnek verileri (birkaç yüz fotoğraf, bir klasör belge ya da bir tablo dökümü) seçin. İletişim sayfamızdan bize ulaşın; veri fizibilitesini birlikte yapalım ve modelin hangi doğrulukla neyi kazandıracağını hesaplamak için yapay zeka projesinde yatırım getirisi rehberimizi birlikte uygulayalım. Diğer kullanım alanları için Yapay Zeka rehberimizin tamamına göz atabilirsiniz.