Hizmet 03
Veri ve Yapay Zekâ
İşletme verilerinden kararlar doğar — pragmatik ve GDPR bilinciyle.
İşletme verilerinizde bir tablonun gösterdiğinden fazlası vardır. Bunları panolara, raporlara ve kararlara dönüştürüyorum — pragmatik ve GDPR bilinciyle.
Problem ve yaklaşım
Çoğu küçük işletme kimsenin bakmadığı verilerin üzerinde oturur: kasa sistemi, mağaza, muhasebe, belki makineler ya da sensörler — her sistem kendi kendine biriktirir ve sonunda kararı yine içgüdü verir.
Teknikten değil, daha iyi olması gereken karardan başlıyorum: hangi ürünler kazandırıyor? Personel ne zaman kârlı olur? Arızalar nerede beliriyor? Bundan bir pano, otomatik bir rapor ya da pahalıya patlamadan önce haber veren bir alarm çıkar — sonu gelmeyen bir veri projesi yerine bilinçli olarak küçük başlanmış.
Yapay zekâyı parladığı yerde değil, işe yaradığı yerde kullanırım: metinleri sınıflandırmak, verileri zenginleştirmek, örüntüleri tanımak. Bunun için geçmişim endüstriyel veri analizinden geliyor — hataların pahalı olduğu sensör verileri.
Kapsam
- Panolar ve otomatik raporlar — canlı, PDF veya CSV olarak
- Veri bağlantısı — mağaza, kasa, sensörler ve tabloları birleştirmek
- İşleyen süreç için anomali tespiti ve eşik değer alarmları
- Pragmatik yapay zekâ entegrasyonları — metin, sınıflandırma, asistanlık
- AB’de barındırma ile GDPR bilinçli uygulama
Nasıl ilerler
- 01
Soru
Hangi karar daha iyi olmalı? Önce soru, sonra teknik.
- 02
Veri durumunu incele
Ne var, ne eksik, ne bağlanabilir — dürüst bir envanter.
- 03
Kurulum
Pano, rapor ya da model — bilinçli olarak küçük başlanır, hızlı kullanılabilir.
- 04
Teslim ve işletim
Sizde ya da AB’deki barındırmada çalışır — belgelenmiş ve bakımı yapılabilir.
Evde kalan yapay zekâ
Yapay zekâ tavsiyelerinin çoğu tek bir cümleyle biter: verilerinizi bir Amerikan sağlayıcıya gönderin. Başka bir yol var — modeller sizin makinenizde ya da AB altyapısında çalışır; hesaplarınız, müşteri verileriniz ve reçeteleriniz evden çıkmaz. Bu bir niyet beyanı değil: bu sayfa tek bir üçüncü taraf kaynak yüklemez, takip yapmaz ve çerez bandına ihtiyaç duymaz. Önerdiğim şeyi kendim de uyguluyorum.
-
Kendi donanımım
35 milyar parametre, kendi evimde
Qwen3.6-35B-A3B, llama.cpp ile yerelde çalışıyor — kiralık işlem gücünde değil, kendi bilgisayarımda. Bu sayfanın üretildiği makinenin ta kendisi. Hiçbir istem, belge ya da hesap yol boyunca üçüncü taraf bir sağlayıcıya gitmiyor.
-
Ürün
Tek arayüz, iki dünya
Kardia’nın yapay zekâ asistanı OpenAI uyumlu bir arayüz üzerinden konuşuyor. Aynı çıkarım yerelde (llama.cpp) ya da AB’de sunucusuz çalışır — geçiş bir yapılandırma meselesi, yeniden inşa değil.
-
Üretim
17.000 ürün, yerelde kategorize edildi
MegaWahl’de bir ürünün hangi kategoriye gireceğine, constrained decoding kullanan yerel bir görüntü modeli karar veriyor — 17.000’den fazla canlı ürün ve her yazma işlemi ancak insan onayından sonra.
Seçilmiş çalışmalar
Referans eser
Araçlar ve yığın
- Python
- pandas
- PostgreSQL / TimescaleDB
- FastAPI
- scikit-learn
- LLM entegrasyonları (AB)
Projenize benziyor mu?
Kısaca neyin söz konusu olduğunu anlatın — yanıt genellikle bir iş günü içinde gelir.
İletişime geçin
