Suudi Arabistan İş Hukuku AI Asistanı: Akıllı, İki Dilli, Bağlamsal Rehber

Suudi Arabistan İş Hukuku’nun karmaşıklığıyla başa çıkmak zor mu? Bu rehber, iki dilli, semantik ve bağlam odaklı bir yapay zeka asistanının nasıl inşa edileceğini adım adım açıklıyor. Hukuki danışmanlığı daha erişilebilir kılın.

Suudi Arabistan, son yıllarda ekonomik çeşitlendirme ve işgücü piyasası reformları sayesinde bölgesel ve küresel yatırımcılar için cazibe merkezi haline geldi. Bu dinamik ortam, ülkenin iş hukukunu da sürekli güncellenen ve detaylı bir yapıya büründürüyor. Ancak, hem işverenler hem de çalışanlar için bu karmaşık ve sürekli değişen yasal çerçeveyi anlamak, yorumlamak ve doğru uygulamak çoğu zaman büyük bir meydan okuma olabiliyor. Yasal metinlerin Arapça olması, farklı yorumlara açık olabilen hükümler içermesi ve kültürel bağlamın da hukuki süreçlere etkisi, bu zorluğu daha da artırmaktadır. İşte tam bu noktada, yapay zeka (YZ) destekli bir asistan, bu karmaşıklığı sadeleştirerek hem zaman kazandırabilir hem de hukuki hataların önüne geçebilir.

Peki, Suudi İş Hukuku gibi spesifik ve hassas bir alanda çalışan, iki dilli (Arapça ve İngilizce), semantik ve bağlam odaklı bir YZ asistanı inşa etmek gerçekten mümkün mü? Cevap kesinlikle evet! Günümüzdeki doğal dil işleme (NLP) ve büyük dil modelleri (LLM) teknolojileri, bu tür karmaşık sistemleri geliştirmek için yeterli gücü ve esnekliği sunuyor. Amacımız, sadece anahtar kelime eşleştirmesi yapan basit bir sohbet robotu değil; kullanıcıların sorularının arkasındaki niyeti anlayan, geçmiş konuşmaları hatırlayan, ilgili yasal metinleri doğru bir şekilde referans gösteren ve hem Arapça hem de İngilizce olarak tutarlı ve doğru yanıtlar üretebilen akıllı bir sistem yaratmak. Bu makalede, böyle bir YZ asistanını sıfırdan nasıl tasarlayacağımızı, geliştireceğimizi ve optimize edeceğimizi adım adım inceleyeceğiz. Gelin, bu heyecan verici yolculuğa birlikte çıkalım ve hukuki danışmanlıkta dijital dönüşümün kapılarını aralayalım.

Bu proje, sadece teknolojik bir başarı olmakla kalmayacak, aynı zamanda Suudi Arabistan’daki işgücü piyasasında şeffaflığı ve adaleti artırma potansiyeline de sahip olacak. İşverenler, çalışanlarını ilgilendiren yasal düzenlemeler hakkında hızlı ve güvenilir bilgiye ulaşırken, çalışanlar da haklarını ve yükümlülüklerini daha iyi anlayarak güvence altına alabilecekler. Böylece, potansiyel hukuki anlaşmazlıkların önüne geçilmesi veya en azından çözümlenme süreçlerinin hızlandırılması mümkün hale gelecektir. Bu tür bir YZ asistanı, özellikle küçük ve orta ölçekli işletmeler için büyük bir avantaj sağlayabilir; çünkü pahalı hukuki danışmanlık hizmetlerine ihtiyaç duymadan temel hukuki sorularına yanıt bulabilirler. Ayrıca, uluslararası yatırımcılar ve expat’lar için de Suudi Arabistan’daki yasalara uyum sürecini önemli ölçüde kolaylaştıracaktır.

Temel Kavramlar: İki Dilli, Semantik ve Bağlam Odaklı Yapay Zeka Ne Anlama Geliyor?

Bir Suudi İş Hukuku AI Asistanı inşa ederken, projenin başarısı için üç temel kavramı derinlemesine anlamak ve uygulamak kritik öneme sahiptir: İki Dilli (Bilingual), Semantik (Semantic) ve Bağlam Odaklı (Context-Aware) olmak. Bu özellikler, asistanımızın sadece bilgi sağlamakla kalmayıp, aynı zamanda kullanıcı deneyimini zenginleştirmesini ve gerçek dünya problemlerine etkin çözümler sunmasını sağlar. Gelin, bu kavramların her birini detaylıca inceleyelim.

İki Dilli (Bilingual) Yaklaşım Neden Önemli?
Suudi Arabistan’ın resmi dili Arapça’dır, ancak iş dünyasında ve uluslararası platformlarda İngilizce de yaygın olarak kullanılmaktadır. Bu nedenle, bir iş hukuku asistanının her iki dilde de sorunsuz bir şekilde çalışması hayati önem taşır. İki dilli yetenek, asistanın hem Arapça soruları anlamasını ve yanıtlamasını hem de İngilizce sorulara İngilizce yanıt vermesini gerektirir. Bu, sadece basit bir çeviri işleminden çok daha fazlasıdır. Çeviri sistemleri, kelime kelime veya cümle cümle aktarım yaparken, iki dilli bir YZ asistanı, her iki dilin kültürel ve hukuki nüanslarını anlayarak daha doğal ve doğru yanıtlar üretir. Örneğin, belirli bir yasal terimin Arapça’daki karşılığı, İngilizce’deki doğrudan çevirisinden farklı bir anlam veya kapsam içerebilir. Bu noktada, çok dilli gömme modelleri (multilingual embeddings) ve çift yönlü çeviri yeteneklerine sahip büyük dil modelleri devreye girer. Bu modeller, metinlerin dilinden bağımsız olarak anlamlarını öğrenerek, kullanıcıların hangi dilde soru sorduklarına bakılmaksızın ilgili bilgileri çekebilir ve yanıtları doğru dilde formüle edebilir.

Semantik Anlama: Kelimelerin Ötesine Geçmek
Geleneksel arama motorları veya anahtar kelime tabanlı sistemler, genellikle belirli kelimelerin metinde geçip geçmediğine odaklanır. Ancak hukuki metinlerde, aynı anlama gelen farklı kelimeler veya farklı bağlamlarda aynı kelime farklı anlamlara gelebilir. Semantik anlama, YZ asistanının bir sorunun veya metnin arkasındaki gerçek anlamı, niyetini ve kavramsal ilişkilerini kavramasını sağlar. Bu, asistanın sadece ‘fesih’ kelimesini aramak yerine, ‘işten çıkarılma süreci’ veya ‘iş sözleşmesinin sona erdirilmesi’ gibi benzer anlama gelen ifadeleri de algılayabilmesi demektir. Semantik analiz sayesinde, kullanıcı “İşten çıkarılırsam haklarım nelerdir?” diye sorduğunda, asistan “fesih bildirimi”, “kıdem tazminatı”, “ihbar süresi” gibi ilgili yasal maddeleri ve kavramları yalnızca anahtar kelimelere takılmadan anlayabilir ve sunabilir. Bu, bilgi arama ve doğruluk oranını önemli ölçüde artırır. Vektör tabanlı veritabanları ve kelime/cümle gömme (word/sentence embeddings) teknikleri, semantik anlama yeteneğini sağlayan temel taşlardır.

Bağlam Odaklılık: Konuşmayı Akılda Tutmak
Bir insanla sohbet ederken, önceki konuşmaları hatırlamak ve bu bilgilere dayanarak yanıt vermek doğaldır. YZ asistanımızın da aynı yeteneğe sahip olması, yani bağlam odaklı olması gerekir. Bağlam odaklılık, asistanın sadece mevcut soruyu değil, aynı zamanda daha önceki soruları, verilen yanıtları ve kullanıcıyla ilgili toplanan diğer bilgileri (eğer kullanıcı izin vermişse) dikkate alarak daha alakalı ve kişiselleştirilmiş yanıtlar üretmesini sağlar. Örneğin, bir kullanıcı “Suudi İş Kanunu’na göre yıllık izin kaç gündür?” diye sorduğunda ve ardından “Deneme süresi içinde de bu geçerli mi?” diye devam ettiğinde, asistan ikinci soruyu ilk sorunun bağlamında değerlendirebilmelidir. Yani, deneme süresi içindeki yıllık izin haklarını sormalış gibi yorumlamalıdır. Bu, daha doğal bir etkileşim sağlar ve kullanıcıların aynı bilgiyi tekrar tekrar vermek zorunda kalmamasını veya YZ’nin önceki soruları unutmasından kaynaklanan tutarsız yanıtlar almasını engeller. Bu yetenek, konuşma geçmişini yöneten akıllı önbellekleme mekanizmaları ve uzun bağlam pencerelerine sahip büyük dil modelleri aracılığıyla gerçekleştirilir. Bağlam odaklılık, YZ asistanını basit bir bilgi bankasından, gerçek bir dijital danışmana dönüştürür.

Proje Planlaması ve Veri Hazırlığı: Doğru Temeller Nasıl Atılır?

Her başarılı yapay zeka projesi, sağlam bir planlama ve kaliteli veri setleriyle başlar. Suudi İş Hukuku AI Asistanı projemiz de bir istisna değildir. Bu aşama, asistanımızın doğruluğunu, güvenilirliğini ve kullanışlılığını doğrudan etkileyeceği için büyük bir titizlikle ele alınmalıdır. İşte adım adım proje planlaması ve veri hazırlığı süreci:

1. Kapsam Belirleme ve Hedef Kitle Analizi: Kim İçin Ne Yapıyoruz?

   Öncelikle, asistanın hangi konularda yardımcı olacağını netleştirmeliyiz. Tüm iş hukukunu mu kapsayacak, yoksa belirli bir alana (örneğin, işe alım, fesih, ücretler) mı odaklanacak? Hedef kitlemiz kimler olacak? (İşverenler, çalışanlar, İK uzmanları, avukatlar?) Bu soruların yanıtları, toplayacağımız veri türlerini ve asistanın etkileşim tarzını şekillendirecektir. Örneğin, işverenler için daha çok yükümlülükler ve süreçler ön plandayken, çalışanlar için haklar ve şikayet mekanizmaları daha önemli olabilir.

2. Veri Kaynaklarının Belirlenmesi ve Toplanması: Güvenilir Bilgiye Nasıl Ulaşırız?

   Suudi İş Hukuku AI Asistanı için birincil veri kaynakları, Suudi Arabistan’ın resmi yasal metinleri olmalıdır. Bunlar genellikle şunları içerir:

   • Suudi İş Kanunu ve Yönetmelikleri: Resmi Gazete’de yayınlanmış güncel metinler. Hem Arapça orijinalleri hem de resmi İngilizce çevirileri (eğer varsa) kritik öneme sahiptir.
   • Mahkeme Kararları ve Hukuki İçtihatlar: Örnek teşkil edebilecek yargı kararları, yasanın nasıl yorumlandığını gösterir.
   • Hukuk Bürolarının Rehberleri ve Sıkça Sorulan Sorular (SSS) Bölümleri: Uzman yorumları ve pratik senaryolar sunar.
   • Devlet Kurumlarının Yayınları: İnsan Kaynakları ve Sosyal Gelişim Bakanlığı (MHRSD) gibi kurumların resmi açıklamaları ve rehberleri.

   Veri toplama sürecinde, mümkün olduğunca güncel ve resmi kaynaklara odaklanmak, asistanın verdiği bilgilerin doğruluğunu ve yasal geçerliliğini artıracaktır. Web kazıma (web scraping) teknikleri, PDF’den metin çıkarma (OCR) araçları ve manuel veri girişi bu aşamada kullanılabilecek yöntemlerdir.

3. Veri Temizleme ve Ön İşleme: Ham Veriyi Kullanılabilir Hale Getirmek

   Toplanan ham veriler genellikle gürültülü (noisy), eksik veya tutarsızdır. Bu verilerin yapay zeka modelleri tarafından kullanılabilmesi için kapsamlı bir ön işleme sürecinden geçirilmesi gerekir:

   • Metin Ayıklama: PDF’lerden, web sayfalarından veya diğer formatlardan sadece anlamlı metin içeriğini çıkarmak.
   • Gürültü Azaltma: Reklamlar, menüler, gereksiz karakterler gibi alakasız bilgileri temizlemek.
   • Biçimlendirme Standardizasyonu: Farklı kaynaklardan gelen metinlerin tutarlı bir formata getirilmesi (örneğin, tüm metinleri küçük harfe çevirme, noktalama işaretlerini standartlaştırma).
   • Dil Tespiti ve Paralel Metin Eşleştirme: Arapça ve İngilizce metinlerin doğru bir şekilde eşleştirilmesi, özellikle iki dilli eğitim için önemlidir. Bu, aynı yasal maddenin Arapça ve İngilizce versiyonlarını yan yana getirmeyi içerir.
   • Hukuki Varlık Tanımlama (Named Entity Recognition – NER): Yasal metinlerdeki belirli varlıkları (örneğin, tarihler, maddeler, taraflar, tazminat türleri) otomatik olarak tanımlamak ve etiketlemek. Bu, asistanın daha spesifik soruları anlamasına yardımcı olur.

4. Veri Etiketleme ve Anotasyon: YZ’ye Anlamı Öğretmek

   Semantik anlama ve bağlam odaklılık için, modelin öğrenmesi gereken örneklerin hazırlanması gerekir. Bu, özellikle soru-cevap çiftlerinin (Q&A pairs) oluşturulmasını ve metinlerin belirli kategorilere ayrılmasını içerir. Örneğin:

   • Bir yasal maddeyi belirli bir konuya (örneğin, “iş sözleşmesi feshi”) atamak.
   • Potansiyel kullanıcı soruları ve bu sorulara verilebilecek doğru yasal yanıtların manuel olarak eşleştirilmesi.
   • Arapça ve İngilizce aynı anlama gelen terimlerin veya cümlelerin etiketlenmesi.
   Uzman İpucu: Veri etiketleme sürecini hızlandırmak ve tutarlılığı sağlamak için, az sayıda uzmanın ön etiketleme yapmasını ve ardından kalabalık kaynak (crowdsourcing) yöntemleriyle doğrulanmasını düşünebilirsiniz. Ancak hukuki metinlerde hata payını en aza indirmek için uzman kontrolü şarttır.

   Bu aşama, zaman alıcı ve maliyetli olsa da, YZ asistanının kalitesini doğrudan belirleyecektir. Kaliteli, temiz ve iyi etiketlenmiş veri olmadan, en gelişmiş YZ modelleri bile istenen performansı gösteremez.

Mimari Tasarım ve Teknoloji Seçimleri: Hangi Araçlar İşimize Yarar?

Suudi İş Hukuku AI Asistanı gibi karmaşık bir sistemi hayata geçirmek için doğru mimariyi tasarlamak ve uygun teknoloji yığınını (tech stack) seçmek hayati önem taşır. Bu bölümde, asistanımızın temel bileşenlerini, kullanılacak teknolojileri ve bunların neden seçildiğini detaylıca ele alacağız. Amacımız, hem performansı yüksek hem de ölçeklenebilir bir yapı oluşturmaktır.

Mimari Bileşenler Neler Olacak?

1. Kullanıcı Arayüzü (User Interface – UI): Kullanıcıların sorularını gireceği ve yanıtları alacağı ön yüz. Web tabanlı bir arayüz, erişilebilirlik açısından en uygun seçenektir.
2. API Katmanı: Kullanıcı arayüzü ile arka uçtaki YZ modelleri arasındaki iletişimi sağlayan köprü. Güvenli ve hızlı veri akışı için RESTful API’ler idealdir.
3. Doğal Dil İşleme (NLP) Modülleri:
   • Soru Anlama (Query Understanding): Kullanıcının sorusunun dilini tespit etme, anahtar varlıkları çıkarma (NER), niyet analizi.
   • Çok Dilli Gömme (Multilingual Embeddings): Arapça ve İngilizce metinlerin anlamlarını sayısal vektörlere dönüştürme.
4. Vektör Veritabanı (Vector Database): Hukuki metinlerin vektör gömmelerinin (embeddings) depolandığı ve anlamsal aramalar için kullanıldığı özel bir veritabanı.
5. Bilgi Erişim Modülü (Retrieval Augmented Generation – RAG): Kullanıcının sorusuna en uygun yasal metin parçacıklarını vektör veritabanından çeken ve ardından bu metinleri kullanarak bir Büyük Dil Modeli’ne (LLM) doğru ve bağlam odaklı yanıt üretmesini sağlayan anahtar bileşen.
6. Büyük Dil Modeli (Large Language Model – LLM): Son kullanıcıya doğal dilde yanıt üreten ana yapay zeka modeli.
7. Veri Yönetimi ve Güncelleme Sistemi: Hukuki metinlerin periyodik olarak güncellenmesini, yeni metinlerin sisteme eklenmesini ve eski metinlerin arşivlenmesini sağlayan arka plan süreçleri.

Hangi Teknolojiler İşimize Yarar?

• Programlama Dili: Python

  Yapay zeka ve doğal dil işleme alanında standart kabul edilen Python, zengin kütüphane ekosistemi (TensorFlow, PyTorch, Hugging Face Transformers, NLTK, spaCy) sayesinde projemiz için ideal bir seçimdir. Hızlı prototipleme ve kolay entegrasyon imkanları sunar.

• Kullanıcı Arayüzü (Frontend): React veya Vue.js

  Modern ve interaktif web arayüzleri oluşturmak için React veya Vue.js gibi JavaScript kütüphaneleri kullanılabilir. Kullanıcı dostu bir tasarım, asistanın benimsenmesini artıracaktır. Mobil uyumluluk için, CSS media query’lerini aktif olarak kullanmalıyız. Örneğin:

  
  
    
  Merhaba, size nasıl yardımcı olabilirim?
  
  

• Arka Uç (Backend): Flask veya FastAPI

  Hızlı API geliştirmesi için Flask veya yüksek performanslı asenkron API'ler için FastAPI tercih edilebilir. Bu framework'ler, Python tabanlı NLP modellerimizle kolayca entegre olabilir.

• NLP Modelleri ve Gömme (Embeddings): Hugging Face Transformers

  Hugging Face ekosistemi, BERT, GPT gibi önceden eğitilmiş çok dilli modeller (örneğin, mBERT, XLM-R) için geniş bir kaynak sağlar. Bu modeller, hem Arapça hem de İngilizce metinleri anlamak ve anlamlı vektörlere dönüştürmek için kullanılacaktır. Bu modeller sayesinde semantik anlama yeteneği kazanılacaktır. Ayrıca, bu modeller fine-tuning yapılarak Suudi İş Hukuku terminolojisine daha özel hale getirilebilir.

• Vektör Veritabanı: Pinecone, ChromaDB veya Weaviate

  Hukuki metinlerimizin vektör gömmelerini depolamak ve hızlıca en benzer olanları bulmak için özel olarak tasarlanmış vektör veritabanlarına ihtiyacımız var. Pinecone, büyük ölçekli ve yüksek performanslı uygulamalar için bulut tabanlı bir çözüm sunarken, ChromaDB veya Weaviate daha esnek ve kendi sunucularımızda barındırabileceğimiz seçeneklerdir. Bu veritabanları, RAG mimarisinin temelini oluşturur.

• Büyük Dil Modeli (LLM): OpenAI GPT-4, Llama 2 (fine-tuned) veya Mistral

  Yanıt üretimi için güçlü bir LLM'ye ihtiyacımız olacak. OpenAI'nin GPT-4'ü, yetenekleri ve iki dilli performansı ile öne çıkarken, maliyet ve veri gizliliği endişeleri varsa, açık kaynaklı Llama 2 veya Mistral modellerini kendi verilerimizle ince ayar (fine-tuning) yaparak kullanabiliriz. LLM'nin, RAG sisteminden aldığı ilgili yasal metin parçacıklarını kullanarak doğru, bağlam odaklı ve doğal dilde bir yanıt oluşturması temel işlevidir.

• Bulut Altyapısı: AWS, Azure veya GCP

  Uygulamamızın ölçeklenebilirliği, güvenliği ve erişilebilirliği için bir bulut sağlayıcısı kullanmak mantıklıdır. AWS SageMaker, Azure AI Services veya Google Cloud AI Platform gibi servisler, model eğitimi, dağıtımı ve yönetimi için gerekli araçları sunar.

Bu teknoloji yığını, Suudi İş Hukuku AI Asistanı'nın hem güncel YZ yeteneklerini kullanmasını sağlayacak hem de gelecekteki geliştirmelere açık, modüler bir yapı sunacaktır. Seçilen her bileşen, projenin iki dilli, semantik ve bağlam odaklı hedeflerine ulaşmasında kritik bir rol oynar.

AI Asistanı Geliştirme Adımları: Kodlarla Pratik Bir Yaklaşım

Teorik temelleri ve mimariyi belirledikten sonra, artık AI asistanımızı gerçek kodlarla hayata geçirme zamanı geldi. Bu bölümde, projenin en kritik teknik adımlarını, metin gömme (embedding) oluşturmaktan, iki dilli anlama ve yanıt üretimine kadar pratik örneklerle açıklayacağız. Her adım, asistanımızın akıllı ve duyarlı olmasını sağlayacak yapı taşlarıdır.

Metin Gömme ve Vektör Veritabanı Entegrasyonu Nasıl Yapılır?

Bu adım, asistanımızın hukuki metinleri semantik olarak anlamasının temelidir. Hukuk metinlerini küçük parçalara (chunk) ayıracak, her parçayı sayısal bir vektöre (embedding) dönüştürecek ve bu vektörleri bir vektör veritabanına kaydedeceğiz. Böylece, kullanıcı bir soru sorduğunda, sorunun vektörünü hukuk metinlerinin vektörleriyle karşılaştırarak en alakalı bilgiyi hızla bulabileceğiz.

1. Metinleri Chunk'lara Ayırma (Text Chunking):
Uzun yasal metinleri doğrudan işlemek yerine, anlam bütünlüğünü bozmadan daha küçük, yönetilebilir parçalara ayırırız. Bu, LLM'lere beslenecek bağlamın boyutunu optimize eder ve alaka düzeyini artırır. Genellikle paragraf tabanlı veya sabit karakter boyutlu chunk'lar kullanılır.

2. Metin Gömme (Embedding) Oluşturma:
Her bir metin parçası için bir gömme vektörü oluşturulur. Bu vektörler, metnin anlamsal içeriğini yoğun bir sayı dizisi olarak temsil eder. Benzer anlama sahip metinler, vektör uzayında birbirine daha yakın konumlanacaktır. Hugging Face kütüphanesinden sentence-transformers paketi bu iş için çok uygun ve çok dilli modelleri destekler.

from sentence_transformers import SentenceTransformer
import numpy as np
import json

# Çok dilli bir gömme modeli yükle (örneğin, "paraphrase-multilingual-MiniLM-L12-v2")
# Bu model hem Arapça hem de İngilizce metinler için iyi performans gösterir.
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

# Örnek hukuki metin parçacıkları (hem Arapça hem de İngilizce olabilir)
documents = [
    {"id": "doc1", "text": "Suudi Arabistan İş Kanunu'na göre deneme süresi 90 günü geçemez."},
    {"id": "doc2", "text": "وفقاً لنظام العمل السعودي، لا تتجاوز فترة التجربة 90 يوماً."},
    {"id": "doc3", "text": "An annual leave of 21 days is granted to the employee who has completed one year of service."},
    {"id": "doc4", "text": "يمنح العامل إجازة سنوية مدتها 21 يوماً بعد إتمام سنة من الخدمة."}
]

# Her belge için gömme vektörleri oluşturma
document_embeddings = []
for doc in documents:
    embedding = model.encode(doc["text"])
    document_embeddings.append({"id": doc["id"], "text": doc["text"], "embedding": embedding.tolist()})

print(f"Oluşturulan ilk gömme vektörünün boyutu: {len(document_embeddings[0]['embedding'])}")

# Gömme vektörlerini bir vektör veritabanına kaydetme (örneğin, Pinecone veya ChromaDB)
# Bu örnekte sadece basılı olarak göstereceğiz, gerçek entegrasyon API çağrıları gerektirir.
# Örneğin Pinecone için:
# from pinecone import Pinecone, Index
# pinecone = Pinecone(api_key="YOUR_API_KEY")
# index = pinecone.Index("your-index-name")
# index.upsert(vectors=[
#     {"id": doc["id"], "values": doc["embedding"], "metadata": {"text": doc["text"]}}
#     for doc in document_embeddings
# ])

3. Vektör Veritabanına Kaydetme ve Arama (Vector Database Integration and Retrieval):
Oluşturulan gömme vektörleri, metadata ile birlikte (örneğin, orijinal metin, madde numarası, kaynak URL'si) bir vektör veritabanına (Pinecone, ChromaDB, Weaviate) yüklenir. Kullanıcı bir soru sorduğunda, bu sorunun gömme vektörü oluşturulur ve vektör veritabanında en benzer (en yakın) metin parçacıkları aranır. Bu, yüksek performanslı benzerlik aramaları (similarity search) ile gerçekleştirilir, genellikle kosinüs benzerliği (cosine similarity) gibi metrikler kullanılır.

İki Dilli Anlama ve Yanıt Üretimi İçin Ne Gerekli?

Bu aşama, RAG (Retrieval Augmented Generation) mimarisinin kalbidir. Kullanıcının sorusunu anlayacak, ilgili yasal metinleri çekecek ve bu bilgilere dayanarak hem doğru hem de bağlam odaklı, iki dilli bir yanıt üretecektir.

1. Kullanıcı Sorgusunu İşleme ve Gömme:
Kullanıcıdan gelen sorgu (hem Arapça hem de İngilizce olabilir), aynı çok dilli gömme modeli kullanılarak bir vektöre dönüştürülür.

# Kullanıcının sorgusu
user_query_ar = "ما هي فترة التجربة في نظام العمل السعودي؟" # Suudi İş Kanunu'nda deneme süresi ne kadardır?
user_query_en = "What is the probation period in Saudi Labor Law?"

# Sorguyu gömme vektörüne dönüştürme
query_embedding_ar = model.encode(user_query_ar)
query_embedding_en = model.encode(user_query_en)

# Bu vektörü vektör veritabanında arama
# (Gerçek Pinecone/ChromaDB API çağrısı burada olurdu)
# Aşağıdaki kod, basit bir benzerlik araması simülasyonudur.
def find_similar_documents(query_emb, doc_embs, top_k=2):
    similarities = []
    for doc in doc_embs:
        similarity = np.dot(query_emb, doc["embedding"]) / (np.linalg.norm(query_emb) * np.linalg.norm(doc["embedding"]))
        similarities.append({"id": doc["id"], "text": doc["text"], "similarity": similarity})
    return sorted(similarities, key=lambda x: x["similarity"], reverse=True)[:top_k]

retrieved_docs_ar = find_similar_documents(query_embedding_ar, document_embeddings)
retrieved_docs_en = find_similar_documents(query_embedding_en, document_embeddings)

print("\nArapça sorgu için bulunan en alakalı belgeler:")
for doc in retrieved_docs_ar:
    print(f"- ID: {doc['id']}, Benzerlik: {doc['similarity']:.4f}, Metin: {doc['text']}")

print("\nİngilizce sorgu için bulunan en alakalı belgeler:")
for doc in retrieved_docs_en:
    print(f"- ID: {doc['id']}, Benzerlik: {doc['similarity']:.4f}, Metin: {doc['text']}")

2. Bağlam Oluşturma ve LLM'e Gönderme (Context Construction and LLM Prompting):
Vektör veritabanından çekilen en alakalı metin parçacıkları (retrieved documents), kullanıcının orijinal sorgusuyla birlikte bir "prompt" (yönlendirme) olarak Büyük Dil Modeli'ne gönderilir. LLM'e, bu bağlamı kullanarak sorguyu yanıtlaması talimatı verilir.

# Bu kısım genellikle harici bir LLM API'sine (örn. OpenAI GPT-4) istek göndererek çalışır.
# Örnek olması amacıyla basitleştirilmiş bir Python fonksiyonu kullanıyoruz.
def generate_llm_response(query, retrieved_contexts, target_language='ar'):
    context_text = "\n".join([doc["text"] for doc in retrieved_contexts])
    
    if target_language == 'ar':
        prompt = (f"Sen Suudi Arabistan İş Hukuku konusunda uzman bir yapay zeka asistanısın. "
                  f"Aşağıdaki yasal metinleri kullanarak '{query}' sorusuna Arapça olarak, "
                  f"doğru ve açıklayıcı bir yanıt ver. Yasal maddeleri referans göstermeyi unutma.\n\n"
                  f"Yasal Metinler:\n{context_text}\n\nYanıt:")
        # Gerçek uygulamada, bu prompt GPT-4 gibi bir LLM'e gönderilir
        # ve Arapça yanıt alınır.
        # Basit bir örnek yanıt:
        return "وفقاً لنظام العمل السعودي، لا تتجاوز فترة التجربة 90 يوماً."
    else: # target_language == 'en'
        prompt = (f"You are an expert AI assistant on Saudi Labor Law. "
                  f"Using the following legal texts, provide an accurate and explanatory answer "
                  f"to the question '{query}' in English. Please reference the legal articles.\n\n"
                  f"Legal Texts:\n{context_text}\n\nAnswer:")
        # Gerçek uygulamada, bu prompt GPT-4 gibi bir LLM'e gönderilir
        # ve İngilizce yanıt alınır.
        # Basit bir örnek yanıt:
        return "According to Saudi Labor Law, the probation period shall not exceed 90 days."

# Kullanıcının sorgu dilini tespit etme veya kullanıcının tercihine göre belirleme
# Basit bir örnek, sorgu Arapça mı İngilizce mi?
def detect_language(text):
    if any('\u0060' <= char <= '\u06FF' for char in text): # Arapça karakter kontrolü
        return 'ar'
    return 'en'

target_lang_ar = detect_language(user_query_ar)
target_lang_en = detect_language(user_query_en)

response_ar = generate_llm_response(user_query_ar, retrieved_docs_ar, target_language=target_lang_ar)
response_en = generate_llm_response(user_query_en, retrieved_docs_en, target_language=target_lang_en)

print(f"\nAI Asistanı (Arapça) yanıtı: {response_ar}")
print(f"AI Asistanı (İngilizce) yanıtı: {response_en}")

Bu adımlar, AI asistanımızın hem hukuki metinleri anlamasını hem de kullanıcının diline uygun, doğru ve bağlam odaklı yanıtlar üretmesini sağlar. Süreç, sürekli geri bildirim ve iyileştirmelerle daha da hassas hale getirilebilir.

Gerçek Dünya Senaryoları ve Vaka Analizleri: AI Asistanı Nasıl Hayat Kurtarır?

Suudi İş Hukuku AI Asistanımızın teorik ve teknik altyapısını anladık. Şimdi sıra, bu teknolojinin gerçek dünyada nasıl fark yaratabileceğini gösteren somut senaryolara ve vaka analizlerine geldi. Bu örnekler, asistanımızın karmaşık hukuki sorunlara nasıl pratik ve hızlı çözümler sunabileceğini gözler önüne serecektir.

Vaka 1: İşten Çıkarılan Bir Çalışanın Hakları Nelerdir?

Senaryo: Ayşe, Suudi Arabistan'da bir şirkette üç yıldır satış müdürü olarak çalışıyor. Şirketi, beklenmedik bir kararla kendisini işten çıkarmaya karar verdi. Ayşe, hakları konusunda endişeli ve ne yapması gerektiğini bilmiyor. İngilizce'si iyi olmasına rağmen, yasal metinlerin dilinden emin değil ve hızlı bir şekilde bilgiye ihtiyacı var.

AI Asistanının Rolü: Ayşe, AI asistanına İngilizce olarak "I was terminated without notice. What are my rights regarding severance pay and notice period under Saudi Labor Law?" (Bana haber verilmeden işten çıkarıldım. Suudi İş Kanunu'na göre kıdem tazminatı ve ihbar süresi haklarım nelerdir?) diye sorar.

Asistanın İşleyişi:

1. Asistan, Ayşe'nin sorusunu İngilizce olarak anlar, "fesih", "ihbar süresi", "kıdem tazminatı" gibi anahtar kavramları semantik olarak işler.
2. Çok dilli gömme modeli, bu sorgunun vektörünü oluşturur ve vektör veritabanında Suudi İş Kanunu'nun ilgili maddelerini (örneğin, 75, 76, 77. maddeler) hızla arar.
3. RAG modülü, çekilen yasal metin parçacıklarını LLM'e göndererek Ayşe'nin sorusuna özel, bağlam odaklı bir yanıt oluşturmasını ister.
4. Asistan, Ayşe'ye İngilizce olarak şu bilgiyi sunar: "Suudi İş Kanunu'nun 75, 76 ve 77. maddelerine göre, geçerli bir sebep olmaksızın işten çıkarılmanız durumunda ihbar süresi ve kıdem tazminatı haklarınız bulunmaktadır. İhbar süresi genellikle hizmet sürenize bağlı olarak belirlenir ve kıdem tazminatı, hizmet yılınızın her biri için belirli bir ücret oranına göre hesaplanır. Daha detaylı bilgi ve durumunuz özelinde bir değerlendirme için bir avukata danışmanız önerilir."

Sonuç: Ayşe, anında ve güvenilir bilgiye ulaşarak hakları hakkında ilk bilgileri edinir. Bu, ona sonraki adımlarını planlaması için bir yol haritası sunar ve olası yasal hataların önüne geçer.

Vaka 2: Yeni Bir Çalışanın İşe Alım Sürecinde Yasal Yükümlülükler

Senaryo: Bir Suudi şirketinin İnsan Kaynakları (İK) departmanında çalışan Ahmed, yeni bir yabancı uyruklu çalışanı işe alma sürecini yönetiyor. Suudi İş Kanunu'ndaki en güncel gereklilikler ve deneme süresi düzenlemeleri hakkında emin değil. Şirket yönetimi, herhangi bir yasal ihlalden kaçınmak istiyor ve hızlıca doğru bilgiye ihtiyaçları var.

AI Asistanının Rolü: Ahmed, asistanımıza Arapça olarak "ما هي المتطلبات القانونية لتوظيف عامل أجنبي وما هي مدة فترة التجربة القصوى؟" (Yabancı bir işçi çalıştırmanın yasal gereklilikleri nelerdir ve maksimum deneme süresi ne kadardır?) diye sorar.

Asistanın İşleyişi:

1. Asistan, Ahmed'in Arapça sorusunu anlar, "yabancı işçi alımı", "yasal gereklilikler", "deneme süresi" gibi kavramları belirler.
2. Çok dilli gömme modeli, sorunun vektörünü oluşturur ve vektör veritabanında ilgili yasal maddeleri (örneğin, İkamet Yasası ile ilgili maddeler, İş Kanunu'nun deneme süresiyle ilgili 53. maddesi) arar.
3. RAG modülü, ilgili metinleri LLM'e gönderir ve Ahmed'in sorusuna yönelik Arapça bir yanıt oluşturmasını ister.
4. Asistan, Ahmed'e Arapça olarak şu bilgiyi sağlar: "نظام العمل السعودي يتطلب الحصول على تصريح عمل وإقامة للعامل الأجنبي. أما فترة التجربة، فلا تتجاوز 90 يوماً، ويمكن تمديدها مرة واحدة باتفاق الطرفين لمدة مماثلة وفقاً للمادة 53 من نظام العمل، بشرط ألا تتجاوز الفترة الإجمالية 180 يوماً." (Suudi İş Kanunu yabancı işçiler için çalışma izni ve ikamet izni almayı gerektirir. Deneme süresi 90 günü geçemez ve İş Kanunu'nun 53. maddesine göre tarafların anlaşmasıyla bir kez uzatılabilir, ancak toplam süre 180 günü aşamaz.)

Sonuç: Ahmed, işe alım sürecinde atması gereken adımlar ve deneme süresi hakkındaki kesin yasal bilgilerle donanmış olur. Bu sayede, şirket yasal riskleri minimize eder ve süreci hızlandırır.

Vaka 3: İki Dilli İletişim ve Belge Çevirisi İhtiyacı

Senaryo: Uluslararası bir projede çalışan bir Türk mühendis, Suudi Arabistan'daki yeni bir iş teklifini değerlendiriyor. Teklif belgesinde bazı karmaşık Arapça hukuki terimler var ve bunların İngilizce'ye doğru bir şekilde çevrilip açıklanmasına ihtiyacı var. Tamamen çeviri araçlarına güvenmek yerine, yasal bağlamı da anlayabilen bir araca ihtiyacı var.

AI Asistanının Rolü: Mühendis, AI asistanına Arapça terimleri veya cümleleri girer ve İngilizce karşılıkları ile yasal açıklamalarını talep eder. Örneğin, "ماذا تعني 'التعويض عن الفصل التعسفي'؟" (Haksız fesih tazminatı ne anlama geliyor?) diye sorar.

Asistanın İşleyişi:

1. Asistan, Arapça sorguyu anlar ve semantik olarak "haksız fesih tazminatı" kavramını tanımlar.
2. Çok dilli gömme modeli ve vektör veritabanı, bu kavramla ilgili hem Arapça hem de İngilizce yasal metinleri bulur.
3. LLM, çekilen bilgilere dayanarak kavramı İngilizce olarak açıklar: "التعويض عن الفصل التعسفي" (Compensation for Arbitrary Dismissal) refers to the payment an employer must make to an employee if the employment contract is terminated without a legitimate reason as stipulated in the Saudi Labor Law. This compensation is typically calculated based on the employee's service period and salary." (Haksız fesih tazminatı, Suudi İş Kanunu'nda belirtilen meşru bir sebep olmaksızın iş sözleşmesinin feshedilmesi durumunda işverenin çalışana yapması gereken ödemeyi ifade eder. Bu tazminat genellikle çalışanın hizmet süresi ve maaşına göre hesaplanır.)

Sonuç: Mühendis, teklif belgesindeki karmaşık yasal terimi doğru ve bağlam odaklı bir şekilde anlayarak daha bilinçli bir karar verir. Bu, dil bariyerini ortadan kaldırır ve hukuki yanlış anlaşılmaları engeller.

Bu vaka analizleri, Suudi İş Hukuku AI Asistanının sadece bir bilgi kaynağı olmadığını, aynı zamanda gerçek zamanlı, doğru ve bağlam odaklı hukuki destek sağlayarak hem bireylerin hem de şirketlerin hukuki süreçlerdeki belirsizliklerini azaltabileceğini açıkça göstermektedir. Böylece, zaman ve maliyet tasarrufu sağlarken, yasalara uyumu da artırır.

Performans Optimizasyonu ve İleri Düzey İpuçları: Asistanınızı Daha Akıllı Yapın

Bir yapay zeka asistanını geliştirmek bir başlangıçtır; onu sürekli olarak iyileştirmek ve optimize etmek ise başarının anahtarıdır. Suudi İş Hukuku AI Asistanımızın sadece çalışmasını değil, aynı zamanda hızlı, doğru ve güvenilir olmasını sağlamak için bazı ileri düzey tekniklere ve optimizasyon ipuçlarına ihtiyacımız var. Bu bölümde, asistanımızın performansını nasıl artıracağımızı ve geleceğe nasıl hazırlayacağımızı ele alacağız.

1. LLM'lerin İnce Ayarı (Fine-tuning) ve Alan Odaklı Adaptasyon:

Genel amaçlı büyük dil modelleri (LLM'ler) geniş bir bilgi yelpazesine sahip olsa da, spesifik bir alan olan Suudi İş Hukuku'nda tam potansiyellerine ulaşmak için "ince ayar" gereklidir. Kendi etiketlenmiş hukuk metinlerimiz (Soru-Cevap çiftleri, hukuki vaka özetleri) ile bir LLM'i yeniden eğitmek veya mevcut bir modeli adapte etmek, yasal terminolojiyi daha iyi anlamasını ve daha doğru, spesifik yanıtlar üretmesini sağlar. Bu, özellikle karmaşık yasal davanın yorumlanması veya nüanslı hukuki soruların yanıtlanması gerektiğinde fark yaratır.

2. Akıllı Önbellekleme (Caching) Mekanizmaları:

Sıkça sorulan sorular veya daha önce verilen yanıtlar için önbellekleme kullanmak, yanıt sürelerini önemli ölçüde hızlandırır ve LLM API maliyetlerini düşürür. Bir kullanıcı daha önce sorulmuş bir soruyu tekrar sorduğunda, sistem önbellekten anında yanıtı çekerek tam RAG ve LLM iş akışını atlayabilir.

3. Geri Bildirim Döngüleri ve Sürekli Öğrenme:

Kullanıcı geri bildirimleri, asistanın performansını iyileştirmek için altın değerindedir. Kullanıcılardan yanıtların doğruluğu, faydalılığı veya eksikliği hakkında puan veya yorum toplamak için basit bir arayüz (örneğin, "Bu yanıt yardımcı oldu mu? Evet/Hayır" butonları) eklenmelidir. Bu geri bildirimler, veri setini zenginleştirmek, modeli yeniden eğitmek veya RAG sistemini ayarlamak için kullanılabilir. Hata analizi, YZ'nin hangi tür soruları yanlış yanıtladığını belirlemeye yardımcı olur.

4. Prompt Mühendisliği (Prompt Engineering) İleri Düzey Teknikleri:

LLM'lerden en iyi yanıtları almak için sadece bir soru sormak yetmez. "Prompt mühendisliği", modelin istenen çıktıyı üretmesi için sorguları ve bağlamı en etkili şekilde yapılandırma sanatıdır. İşte bazı ileri düzey teknikler:

• Zincirleme Düşünce (Chain-of-Thought - CoT) Prompting: LLM'den doğrudan yanıt vermek yerine, bir dizi ara adımı düşünmesini isteyerek akıl yürütme yeteneğini geliştirir. Örneğin, "Önce ilgili yasal maddeleri bul, sonra bunları yorumla ve son olarak soruyu yanıtla."
• Sıfır Çekim/Tek Çekim/Birkaç Çekim Öğrenme (Zero-shot/One-shot/Few-shot Learning): Modelin hiç örnek görmeden (zero-shot), bir örnekle (one-shot) veya birkaç örnekle (few-shot) belirli bir görevi yerine getirme yeteneğini kullanmak. Hukuki senaryolarda, birkaç örnek vermek, modelin beklentileri daha iyi anlamasına yardımcı olabilir.
• Kendini İyileştirme (Self-Correction): LLM'den başlangıçta bir yanıt üretmesini, ardından kendi yanıtını eleştirmesini ve daha iyi bir versiyonunu oluşturmasını istemek.

5. Güvenlik, Gizlilik ve Etik Hususlar:

Hukuki veriler hassas olduğundan, güvenlik ve gizlilik en üst öncelik olmalıdır. Verilerin şifrelenmesi (hem depolamada hem de aktarımda), erişim kontrol mekanizmaları ve kullanıcı verilerinin anonimleştirilmesi zorunludur. Ayrıca, YZ'nin yanıtlarının her zaman bir insan denetiminden geçmesi gerektiği ve YZ'nin hukuki tavsiye değil, bilgi sağladığı açıkça belirtilmelidir. YZ'nin olası yanlılıkları (bias) da sürekli izlenmeli ve düzeltilmelidir.

6. Ölçeklenebilirlik ve İzleme:

Asistanın kullanıcı sayısı arttıkça, altyapının da buna uyum sağlaması gerekir. Bulut tabanlı çözümler (AWS Lambda, Azure Functions, Kubernetes) otomatik ölçeklenebilirlik sağlar. Performans izleme araçları (örneğin, Prometheus, Grafana), sistemin yanıt sürelerini, hata oranlarını ve kaynak kullanımını sürekli takip ederek olası sorunları proaktif olarak tespit etmeye yardımcı olur.

Bu ileri düzey ipuçları ve optimizasyon teknikleri sayesinde, Suudi İş Hukuku AI Asistanımız sadece fonksiyonel olmakla kalmayacak, aynı zamanda sektör lideri bir performans sergileyerek kullanıcılarına en doğru, en hızlı ve en güvenilir hukuki bilgiyi sunacaktır. Sürekli gelişim ve adaptasyon, YZ asistanımızın uzun vadeli başarısının anahtarıdır.

Sonuç: Geleceğin Hukuki Danışmanlığı ve Sıkça Sorulan Sorular

Suudi Arabistan İş Hukuku AI Asistanı projesi, teknoloji ve hukukun kesişim noktasında yenilikçi bir köprü kurarak, karmaşık yasal bilgileri daha erişilebilir, anlaşılır ve verimli hale getirme potansiyeli taşımaktadır. Bu makalede, iki dilli, semantik ve bağlam odaklı bir yapay zeka asistanının nasıl sıfırdan inşa edileceğini, temel kavramlardan mimari tasarıma, kod örneklerinden gerçek dünya senaryolarına ve ileri düzey optimizasyonlara kadar tüm yönleriyle ele aldık. Gördük ki, günümüzün güçlü doğal dil işleme ve büyük dil modelleri sayesinde, Suudi İş Kanunu'nun inceliklerini anlayabilen, Arapça ve İngilizce yanıtlar verebilen ve kullanıcıların geçmiş etkileşimlerini hatırlayabilen akıllı bir sistem geliştirmek artık hayal değil.

Bu tür bir asistan, hem Suudi Arabistan'daki yerel şirketler ve çalışanlar için hem de uluslararası yatırımcılar ve expat'lar için paha biçilmez bir kaynak olabilir. Yasal süreçlerdeki belirsizlikleri azaltacak, hataların önüne geçecek ve hukuki danışmanlık maliyetlerini düşürecektir. Aynı zamanda, hukuki bilgilere eşit erişim sağlayarak şeffaflığı ve adaleti destekleyecektir. Gelecekte, bu asistanın sesli komutlarla entegre edilmesi, daha fazla yasal alana (örneğin, vergi hukuku, ticari hukuk) genişletilmesi ve hatta belge oluşturma yetenekleriyle zenginleştirilmesi gibi birçok geliştirme alanı bulunmaktadır. Yapay zeka, hukukun geleceğini şekillendirmeye devam edecek ve bu proje, bu dönüşümün önemli bir adımı olarak öne çıkacaktır.

Sıkça Sorulan Sorular (SSS)

1. S: AI Asistanı'nın verdiği bilgiler yasal bağlayıcılığa sahip mi?
   C: Hayır, AI Asistanı'nın verdiği bilgiler sadece genel bilgilendirme amaçlıdır ve yasal tavsiye niteliği taşımaz. Her özel durum farklılık gösterebileceğinden, önemli kararlar almadan önce daima lisanslı bir hukuk uzmanına danışılması önerilir. Asistan, başlangıç seviyesinde rehberlik sağlamayı hedefler.
2. S: Asistan hangi veri kaynaklarını kullanıyor ve güncelliği nasıl sağlanıyor?
   C: Asistan, başlıca Suudi Arabistan Resmi Gazetesi'nde yayınlanan İş Kanunu ve ilgili yönetmelikler, mahkeme kararları ve saygın hukuk firmalarının kamuya açık hukuki yorumları gibi resmi ve güvenilir kaynakları kullanır. Veri güncelleme süreci, yasal değişiklikleri düzenli olarak takip eden ve sisteme yeni metinleri entegre eden otomatik ve manuel bir pipeline aracılığıyla sağlanır.
3. S: Asistan, sadece Arapça ve İngilizce mi yanıt verebiliyor? Başka diller eklenebilir mi?
   C: Projemiz başlangıçta Arapça ve İngilizce'ye odaklanmıştır. Ancak, kullanılan çok dilli gömme modelleri ve LLM'ler sayesinde, ek diller için (örneğin Türkçe, Urduca, Filipince) veri toplama ve modelin ince ayarı yapılması durumunda kolayca genişletilebilir bir mimariye sahiptir.
4. S: Bu AI Asistanı'nın geliştirme süreci ne kadar sürer?
   C: Geliştirme süreci, projenin kapsamına, mevcut veri kalitesine, ekibin büyüklüğüne ve ayrılan bütçeye göre değişiklik gösterebilir. Temel bir MVP (Minimum Viable Product) için 6-12 ay gibi bir süre öngörülebilirken, tam özellikli ve yüksek performanslı bir sistem için 1-2 yıl veya daha fazla sürebilir.
5. S: Veri gizliliği ve güvenliği nasıl sağlanıyor?
   C: Kullanıcı verilerinin gizliliği ve güvenliği en üst düzeyde tutulmaktadır. Tüm veriler şifrelenmiş olarak saklanır ve aktarılır. Kullanıcı etkileşimleri anonimleştirilerek modellerin eğitimi için kullanılır. Sistem, en güncel güvenlik protokollerine ve veri koruma standartlarına uygun olarak tasarlanır ve düzenli güvenlik denetimlerinden geçirilir.