Ak\u0131ll\u0131 telefonunuzdaki bildirim karma\u015fas\u0131ndan s\u0131k\u0131ld\u0131n\u0131z m\u0131? Her an gelen, \u00e7o\u011funlukla alakas\u0131z ve dikkat da\u011f\u0131t\u0131c\u0131 mesajlar, g\u00fcn\u00fcm\u00fcz dijital ya\u015fam\u0131n\u0131n ka\u00e7\u0131n\u0131lmaz bir par\u00e7as\u0131 haline geldi. Ancak, teknolojinin sundu\u011fu yeni imkanlarla bu karma\u015fay\u0131 bir d\u00fczene sokmak m\u00fcmk\u00fcn. \u0130\u015fte tam da bu noktada Edge AI (u\u00e7 nokta yapay zekas\u0131), Kotlin, Koog ve MediaPipes gibi g\u00fc\u00e7l\u00fc ara\u00e7lar devreye giriyor. Bu makalede, bildirimlerinizi daha ak\u0131ll\u0131, ki\u015fisel ve kesintisiz hale getiren bir yolculu\u011fa \u00e7\u0131kaca\u011f\u0131z.<\/p>\n
Ak\u0131ll\u0131 bildirimlerin gelece\u011fini \u015fekillendirecek teknolojileri anlamak i\u00e7in, \u00f6ncelikle bu kavramlar\u0131n her birine yak\u0131ndan bakal\u0131m. Her biri kendi alan\u0131nda g\u00fc\u00e7l\u00fc olan bu bile\u015fenler, bir araya geldi\u011finde ola\u011fan\u00fcst\u00fc bir sinerji yarat\u0131yor ve mobil uygulamalar\u0131n yeteneklerini yeni bir boyuta ta\u015f\u0131yor.<\/p>\n
Edge AI (U\u00e7 Nokta Yapay Zekas\u0131) Nedir?<\/strong><\/p>\n Geleneksel yapay zeka uygulamalar\u0131 genellikle verileri bulut sunucular\u0131na g\u00f6nderir, orada i\u015fler ve sonu\u00e7lar\u0131 geri al\u0131r. Edge AI ise bu yakla\u015f\u0131m\u0131n tam tersidir. Yapay zeka modelleri ve algoritmalar\u0131 do\u011frudan cihaz \u00fczerinde (\u00f6rne\u011fin bir ak\u0131ll\u0131 telefon, tablet veya ak\u0131ll\u0131 ev cihaz\u0131) \u00e7al\u0131\u015f\u0131r. Bu, verilerin cihazdan ayr\u0131lmas\u0131na gerek kalmadan, yerel olarak i\u015flenmesi anlam\u0131na gelir.<\/p>\n Edge AI’\u0131n ba\u015fl\u0131ca avantajlar\u0131 \u015funlard\u0131r:<\/p>\n Bu avantajlar, ak\u0131ll\u0131 bildirimler s\u00f6z konusu oldu\u011funda devrim niteli\u011findedir. \u00c7\u00fcnk\u00fc bildirimlerin ki\u015fiselle\u015ftirilmesi ve anl\u0131k olarak sunulmas\u0131 i\u00e7in kullan\u0131c\u0131n\u0131n ba\u011flam\u0131n\u0131 h\u0131zl\u0131 ve g\u00fcvenli bir \u015fekilde anlamak gereklidir. Edge AI, tam da bunu sa\u011fl\u0131yor.<\/p>\n Kotlin: Android Geli\u015ftirmenin Modern Y\u00fcz\u00fc<\/strong><\/p>\n Kotlin, JetBrains taraf\u0131ndan geli\u015ftirilen, JVM \u00fczerinde \u00e7al\u0131\u015fan statik tipli bir programlama dilidir. Google taraf\u0131ndan Android uygulama geli\u015ftirme i\u00e7in tercih edilen bir dil olarak benimsenmi\u015ftir ve g\u00fcn\u00fcm\u00fczde bu alandaki hakimiyetini s\u00fcrd\u00fcrmektedir. Kotlin’in ba\u015fl\u0131ca \u00f6zellikleri ve avantajlar\u0131:<\/p>\n Ak\u0131ll\u0131 bildirimler uygulaman\u0131z\u0131 geli\u015ftirirken Kotlin, g\u00fc\u00e7l\u00fc ve esnek yap\u0131s\u0131yla size sa\u011flam bir temel sunacakt\u0131r.<\/p>\n Koog: Yapay Zeka Modellerini Ak\u0131ll\u0131ca Y\u00f6netmek<\/strong><\/p>\n Koog, belirli bir yapay zeka k\u00fct\u00fcphanesi veya \u00e7er\u00e7evesi olmaktan ziyade, mobil cihazlarda yapay zeka modellerinin ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc y\u00f6netmek i\u00e7in tasarlanm\u0131\u015f bir “y\u00f6netim katman\u0131” veya “\u00e7er\u00e7eve” olarak d\u00fc\u015f\u00fcn\u00fclebilir. Mobil uygulamalarda yapay zeka modellerini entegre etmek ve \u00e7al\u0131\u015ft\u0131rmak genellikle karma\u015f\u0131k bir s\u00fcre\u00e7tir. Koog, bu s\u00fcreci basitle\u015ftirmeyi hedefler:<\/p>\n Ak\u0131ll\u0131 bildirimler i\u00e7in birden fazla modeli (\u00f6rne\u011fin, bir y\u00fcz tan\u0131ma modeli, bir duygu analizi modeli) y\u00f6netmeniz gerekti\u011finde Koog, i\u015f y\u00fck\u00fcn\u00fcz\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde hafifletecektir.<\/p>\n MediaPipes: Veri Ak\u0131\u015f\u0131n\u0131 \u0130\u015flemenin G\u00fcc\u00fc<\/strong><\/p>\n MediaPipes, Google taraf\u0131ndan geli\u015ftirilen a\u00e7\u0131k kaynakl\u0131, \u00e7apraz platform bir \u00e7er\u00e7evedir ve \u00f6zellikle multimedya ak\u0131\u015flar\u0131n\u0131 (video, ses, sens\u00f6r verileri vb.) i\u015flemek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Karma\u015f\u0131k grafik algoritmalar\u0131n\u0131 ve yapay zeka modellerini i\u00e7eren, ger\u00e7ek zamanl\u0131 ve d\u00fc\u015f\u00fck gecikmeli veri i\u015fleme boru hatlar\u0131 olu\u015fturmaya olanak tan\u0131r.<\/p>\n MediaPipes’in temel \u00f6zellikleri:<\/p>\n Ak\u0131ll\u0131 bildirimler senaryosunda MediaPipes, cihaz\u0131n kameras\u0131 veya mikrofonundan gelen verileri ger\u00e7ek zamanl\u0131 olarak al\u0131p i\u015fleyerek, Edge AI modellerine beslemek i\u00e7in kritik bir rol oynar. \u00d6rne\u011fin, bir g\u00f6r\u00fcnt\u00fcy\u00fc kare kare al\u0131p, her karede bir nesne tespiti yapmak veya ses ak\u0131\u015f\u0131nda belirli anahtar kelimeleri alg\u0131lamak i\u00e7in MediaPipes’tan faydalanabiliriz. Bu sayede, yaln\u0131zca ger\u00e7ekten \u00f6nemli olan olaylar\u0131 yakalayabilir ve bildirimleri tetikleyebiliriz. Bu d\u00f6rt teknoloji bir araya geldi\u011finde, mobil cihazlar\u0131n\u0131zda daha \u00f6nce hi\u00e7 olmad\u0131\u011f\u0131 kadar ak\u0131ll\u0131 ve ki\u015fiselle\u015ftirilmi\u015f bir bildirim deneyimi sunman\u0131n \u00f6n\u00fc a\u00e7\u0131lm\u0131\u015f olur.<\/p>\n G\u00fcn\u00fcm\u00fcz d\u00fcnyas\u0131nda bildirimler, dijital ya\u015fam\u0131m\u0131z\u0131n ayr\u0131lmaz bir par\u00e7as\u0131. Ancak, s\u00fcrekli gelen ve \u00e7o\u011fu zaman alakas\u0131z olan bildirimler, kullan\u0131c\u0131 deneyimini olumsuz etkileyebilir, verimlili\u011fi d\u00fc\u015f\u00fcrebilir ve hatta stres yaratabilir. \u0130\u015fte bu y\u00fczden ak\u0131ll\u0131 bildirimler, sadece bir l\u00fcks de\u011fil, ayn\u0131 zamanda modern uygulama geli\u015ftirmenin temel bir gereklili\u011fi haline gelmi\u015ftir. Edge AI, Kotlin, Koog ve MediaPipes d\u00f6rtl\u00fcs\u00fcyle geli\u015ftirilen ak\u0131ll\u0131 bildirimler, bu sorunlara yenilik\u00e7i \u00e7\u00f6z\u00fcmler sunar. Gelin, bu teknolojilerin ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l fark yaratt\u0131\u011f\u0131na yak\u0131ndan bakal\u0131m.<\/p>\n Kullan\u0131c\u0131 Deneyimi ve Gizlilik Endi\u015feleri: Mevcut Durum<\/strong><\/p>\n Ortalama bir kullan\u0131c\u0131, g\u00fcnde onlarca bildirim al\u0131r. Bu bildirimlerin \u00e7o\u011fu, e-posta g\u00fcncellemeleri, sosyal medya etkile\u015fimleri veya \u00f6nemsiz uygulama hat\u0131rlat\u0131c\u0131lar\u0131 gibi genellikle d\u00fc\u015f\u00fck de\u011fere sahip bildirimlerdir. Bu “bildirim yorgunlu\u011fu”, kullan\u0131c\u0131lar\u0131n \u00f6nemli mesajlar\u0131 ka\u00e7\u0131rmas\u0131na veya t\u00fcm bildirimleri tamamen kapatmas\u0131na yol a\u00e7abilir. Ayr\u0131ca, \u00e7o\u011fu ki\u015fiselle\u015ftirilmi\u015f bildirim, kullan\u0131c\u0131 verilerini bulut sunucular\u0131na g\u00f6nderip orada analiz etme yoluyla olu\u015fturulur. Bu durum, veri gizlili\u011fi konusunda ciddi endi\u015feleri beraberinde getirir. Kullan\u0131c\u0131lar, ki\u015fisel verilerinin ne kadar\u0131n\u0131n kimler taraf\u0131ndan topland\u0131\u011f\u0131n\u0131 ve nas\u0131l kullan\u0131ld\u0131\u011f\u0131n\u0131 merak ederler.<\/p>\n Ak\u0131ll\u0131 bildirimler, bu sorunlara iki temel yolla \u00e7\u00f6z\u00fcm sunar:<\/p>\n \u015eimdi, bu prensiplerin ger\u00e7ek d\u00fcnya senaryolar\u0131na nas\u0131l uyguland\u0131\u011f\u0131n\u0131 inceleyelim:<\/p>\n Vaka Analizi 1: Ki\u015fiselle\u015ftirilmi\u015f E-ticaret Bildirimleri<\/strong><\/p>\n Bir e-ticaret uygulamas\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcn. Geleneksel olarak, t\u00fcm kullan\u0131c\u0131lara belirli bir \u00fcr\u00fcn kategorisinde indirim oldu\u011funda genel bildirimler g\u00f6nderilebilir. Ancak, Edge AI destekli ak\u0131ll\u0131 bildirimler, kullan\u0131c\u0131n\u0131n ge\u00e7mi\u015f al\u0131\u015fveri\u015f al\u0131\u015fkanl\u0131klar\u0131n\u0131, g\u00f6r\u00fcnt\u00fcledi\u011fi \u00fcr\u00fcnleri, hatta cihaz\u0131n kameras\u0131ndan alg\u0131lanan (kullan\u0131c\u0131n\u0131n izniyle) \u00e7evresindeki nesneleri (\u00f6rne\u011fin, bir ayakkab\u0131 ma\u011fazas\u0131n\u0131n \u00f6n\u00fcnden ge\u00e7erken) analiz ederek \u00e7ok daha ki\u015fiselle\u015ftirilmi\u015f bildirimler g\u00f6nderebilir.<\/p>\n Bu senaryoda, bildirim hem son derece alakal\u0131 hem de zaman\u0131nda oldu\u011fu i\u00e7in kullan\u0131c\u0131 deneyimini \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirir ve d\u00f6n\u00fc\u015f\u00fcm oranlar\u0131n\u0131 art\u0131r\u0131r. T\u00fcm bu veri analizi, kullan\u0131c\u0131n\u0131n cihaz\u0131nda ger\u00e7ekle\u015fti\u011fi i\u00e7in gizlilik de korunmu\u015f olur. MediaPipes, kamera veya GPS verilerinin i\u015flenmesinde rol oynayabilir.<\/p>\n Vaka Analizi 2: Sa\u011fl\u0131k ve Fitness Uygulamalar\u0131nda Ak\u0131ll\u0131 Motivasyon<\/strong><\/p>\n Bir sa\u011fl\u0131k uygulamas\u0131n\u0131n, kullan\u0131c\u0131lar\u0131n fiziksel aktivitelerini ve sa\u011fl\u0131k hedeflerini takip etti\u011fini varsayal\u0131m. Sadece genel hat\u0131rlat\u0131c\u0131lar g\u00f6ndermek yerine, Edge AI ile desteklenen ak\u0131ll\u0131 bildirimler, kullan\u0131c\u0131n\u0131n mevcut durumunu ve ba\u011flam\u0131n\u0131 anlayarak daha etkili motivasyon sa\u011flayabilir.<\/p>\n Bu bildirim, kullan\u0131c\u0131n\u0131n o anki durumuna ve hedeflerine \u00f6zel olarak uyarland\u0131\u011f\u0131 i\u00e7in \u00e7ok daha etkilidir. Kullan\u0131c\u0131, uygulaman\u0131n kendisini anlad\u0131\u011f\u0131n\u0131 hisseder ve motivasyonu artar. T\u00fcm ki\u015fisel sa\u011fl\u0131k verileri cihazda kald\u0131\u011f\u0131 i\u00e7in gizlilik konusunda da endi\u015fe duymaz.<\/p>\n Vaka Analizi 3: Ak\u0131ll\u0131 Ev G\u00fcvenlik Sistemleri<\/strong><\/p>\n Ak\u0131ll\u0131 ev kameralar\u0131 ve sens\u00f6rler, g\u00fcvenlik bildirimleri i\u00e7in harika birer kaynakt\u0131r. Ancak, geleneksel sistemler her hareketi veya sesi bildirebilir, bu da \u00e7ok say\u0131da yanl\u0131\u015f alarma neden olur. Edge AI destekli ak\u0131ll\u0131 bildirimler, sadece ger\u00e7ekten \u00f6nemli olan olaylar\u0131 ay\u0131rt edebilir.<\/p>\n Bu senaryo, a\u015f\u0131r\u0131 bildirimleri ortadan kald\u0131rarak ve sadece kritik bilgileri sunarak hem kullan\u0131c\u0131 g\u00fcvenli\u011fini art\u0131r\u0131r hem de gereksiz endi\u015feyi \u00f6nler. Video ak\u0131\u015f\u0131 cihaz \u00fczerinde i\u015flendi\u011fi i\u00e7in gizlilik de korunur. Bu vaka analizleri, Edge AI’\u0131n ak\u0131ll\u0131 bildirimlerde nas\u0131l d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc bir etkiye sahip oldu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Kotlin, Koog ve MediaPipes ile geli\u015ftiriciler, kullan\u0131c\u0131lara daha ilgili, g\u00fcvenli ve ki\u015fiselle\u015ftirilmi\u015f bir deneyim sunma g\u00fcc\u00fcne sahip olurlar.<\/p>\n Ak\u0131ll\u0131 bildirim uygulaman\u0131z\u0131 geli\u015ftirmeye ba\u015flamak kula\u011fa karma\u015f\u0131k gelse de, do\u011fru ara\u00e7lar ve ad\u0131m ad\u0131m bir yakla\u015f\u0131mla bu s\u00fcre\u00e7 olduk\u00e7a y\u00f6netilebilir hale gelir. Bu b\u00f6l\u00fcmde, Kotlin tabanl\u0131 bir Android uygulamas\u0131 kullanarak, Koog ve MediaPipes entegrasyonu ile Edge AI destekli ak\u0131ll\u0131 bildirimleri nas\u0131l hayata ge\u00e7irece\u011finizi detayl\u0131ca inceleyece\u011fiz. Hedefimiz, cihaz \u00fczerindeki sens\u00f6r veya kamera verilerini i\u015fleyerek belirli bir durum alg\u0131land\u0131\u011f\u0131nda ak\u0131ll\u0131ca bir bildirim tetiklemektir.<\/p>\n \u00d6ncelikle, Android Studio’da yeni bir Kotlin projesi olu\u015fturarak i\u015fe ba\u015fl\u0131yoruz. “Empty Activity” \u015fablonunu se\u00e7erek temel yap\u0131y\u0131 kurduktan sonra, uygulamam\u0131z\u0131n A\u015fa\u011f\u0131daki gibi bir yap\u0131ya sahip olmal\u0131y\u0131z:<\/p>\n <\/code> Not: Koog hen\u00fcz a\u00e7\u0131k kaynak bir Google projesi olarak genel kullan\u0131ma sunulmad\u0131\u011f\u0131 i\u00e7in, burada varsay\u0131msal bir ba\u011f\u0131ml\u0131l\u0131k g\u00f6sterilmi\u015ftir. Ger\u00e7ek bir senaryoda, Koog'un i\u015flevselli\u011fini kendi model y\u00f6netim kodunuzla veya mevcut ML Kit gibi ara\u00e7larla taklit edebilirsiniz. Bu makalede, Koog'un prensipleri \u00fczerinden ilerleyece\u011fiz.<\/em><\/p>\n MediaPipes, kamera veya sens\u00f6rlerden gelen verileri ger\u00e7ek zamanl\u0131 olarak i\u015flemek i\u00e7in kullan\u0131l\u0131r. Diyelim ki, kameradan gelen g\u00f6r\u00fcnt\u00fcleri analiz ederek belirli bir nesneyi (\u00f6rne\u011fin, bir evcil hayvan\u0131) tespit etmek istiyoruz. MediaPipes, bu video ak\u0131\u015f\u0131n\u0131 par\u00e7alara ay\u0131r\u0131r, her kareyi i\u015fler ve bir sonraki ad\u0131ma (AI modeline) iletir.<\/p>\n MediaPipes entegrasyonu, genellikle karma\u015f\u0131k bir boru hatt\u0131 (graph) tan\u0131mlamay\u0131 gerektirir. Bu boru hatt\u0131, giri\u015ften (kamera g\u00f6r\u00fcnt\u00fcs\u00fc) \u00e7\u0131k\u0131\u015fa (i\u015flenmi\u015f sonu\u00e7lar) kadar verinin nas\u0131l akaca\u011f\u0131n\u0131 ve hangi \"kalk\u00fclat\u00f6rler\" taraf\u0131ndan i\u015flenece\u011fini belirler. Basit bir nesne tespiti senaryosu i\u00e7in:<\/p>\n <\/code> Bu kod blo\u011fu, MediaPipes'\u0131n nas\u0131l ba\u015flat\u0131labilece\u011fi ve kamera g\u00f6r\u00fcnt\u00fclerinin nas\u0131l i\u015flenebilece\u011fine dair basitle\u015ftirilmi\u015f bir \u00f6rnektir. \"your_mediapipe_graph.binarypb\" dosyas\u0131, MediaPipes grafi\u011finizin derlenmi\u015f halidir ve projenizin Koog, Edge AI modellerini cihazda y\u00f6netmek i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu, bir TFLite modelini y\u00fcklemek, etkinle\u015ftirmek ve gerekti\u011finde g\u00fcncellemek anlam\u0131na gelir. Varsay\u0131msal bir Koog API'si kullanarak, alg\u0131lama modelimizi nas\u0131l y\u00f6netece\u011fimizi g\u00f6relim:<\/p>\n <\/code> MediaPipes bir evcil hayvan alg\u0131lad\u0131\u011f\u0131nda, bu bilgiyi al\u0131p bir bildirim tetiklemeliyiz. Bu, Kotlin'in g\u00fc\u00e7l\u00fc bildirim API'leri ile kolayca yap\u0131labilir.<\/p>\n <\/code> MainActivity'de MediaPipes'tan gelen alg\u0131lamay\u0131 kullanarak bildirim g\u00f6nderme:<\/p>\n <\/code> Uygulaman\u0131n ba\u015flang\u0131c\u0131nda, \u00f6rne\u011fin <\/code> Bu ad\u0131mlar, Kotlin, Koog ve MediaPipes kullanarak Edge AI destekli ak\u0131ll\u0131 bir bildirim uygulamas\u0131n\u0131n temelini olu\u015fturur. Cihaz \u00fczerinde \u00e7al\u0131\u015fan AI modelleri sayesinde, verimli, gizlili\u011fi koruyan ve kullan\u0131c\u0131n\u0131n ger\u00e7ekten ilgisini \u00e7ekecek bildirimler sunabilirsiniz. Gelecek b\u00f6l\u00fcmlerde, bu yap\u0131y\u0131 daha da ileriye ta\u015f\u0131yacak ipu\u00e7lar\u0131na de\u011finece\u011fiz.<\/p>\n Edge AI uygulamalar\u0131, cihaz \u00fczerinde \u00e7al\u0131\u015fman\u0131n getirdi\u011fi avantajlarla birlikte, baz\u0131 \u00f6zel zorluklar\u0131 da beraberinde getirir. Performans optimizasyonu ve kullan\u0131c\u0131 gizlili\u011finin korunmas\u0131, ba\u015far\u0131l\u0131 bir ak\u0131ll\u0131 bildirim uygulamas\u0131n\u0131n olmazsa olmazlar\u0131ndand\u0131r. Bu b\u00f6l\u00fcmde, geli\u015ftiricilerin bu iki kritik alan\u0131 ele al\u0131rken kullanabilece\u011fi ileri d\u00fczey ipu\u00e7lar\u0131n\u0131 ve p\u00fcf noktalar\u0131n\u0131 inceleyece\u011fiz.<\/p>\n Mobil cihazlar s\u0131n\u0131rl\u0131 i\u015flem g\u00fcc\u00fcne, belle\u011fe ve depolama alan\u0131na sahiptir. Bu nedenle, kulland\u0131\u011f\u0131n\u0131z yapay zeka modellerinin bu k\u0131s\u0131tlamalara uygun olmas\u0131 esast\u0131r. Model s\u0131k\u0131\u015ft\u0131rma ve optimizasyon teknikleri, bu konuda b\u00fcy\u00fck fark yaratabilir:<\/p>\n S\u00fcrekli \u00e7al\u0131\u015fan sens\u00f6rler ve yapay zeka modelleri pil \u00f6mr\u00fc \u00fczerinde ciddi bir etki yaratabilir. Ak\u0131ll\u0131 bildirim uygulaman\u0131z\u0131n pil dostu olmas\u0131 i\u00e7in a\u015fa\u011f\u0131daki stratejileri uygulay\u0131n:<\/p>\n Edge AI'\u0131n en b\u00fcy\u00fck avantajlar\u0131ndan biri gizliliktir, ancak bu avantaj\u0131 korumak ve kullan\u0131c\u0131n\u0131n g\u00fcvenini kazanmak i\u00e7in baz\u0131 ad\u0131mlar atman\u0131z gerekir:<\/p>\n Yapay zeka modelleri zamanla eskiyebilir veya daha yeni, daha do\u011fru modellere ihtiya\u00e7 duyulabilir. Koog gibi bir model y\u00f6netim katman\u0131, modelleri dinamik olarak g\u00fcncellemenize olanak tan\u0131r:<\/p>\n Bu ileri d\u00fczey ipu\u00e7lar\u0131n\u0131 uygulayarak, Edge AI destekli ak\u0131ll\u0131 bildirim uygulaman\u0131z\u0131 sadece i\u015flevsel de\u011fil, ayn\u0131 zamanda performansl\u0131, pil dostu ve kullan\u0131c\u0131 gizlili\u011fine sayg\u0131l\u0131 hale getirebilirsiniz. Bu, uzun vadede kullan\u0131c\u0131 memnuniyetini ve uygulaman\u0131z\u0131n ba\u015far\u0131s\u0131n\u0131 do\u011frudan etkileyecektir.<\/p>\n Bu uzun ve detayl\u0131 yolculu\u011fumuzun sonunda, \"Edge AI ile Ak\u0131ll\u0131 Bildirimler: Kotlin, Koog ve MediaPipes Yolculu\u011fu\" konulu makalemizde, dijital \u00e7a\u011f\u0131n getirdi\u011fi bildirim karma\u015fas\u0131na nas\u0131l yenilik\u00e7i \u00e7\u00f6z\u00fcmler \u00fcretebilece\u011fimizi g\u00f6rm\u00fc\u015f olduk. Geleneksel bildirim y\u00f6ntemlerinin s\u0131n\u0131rlamalar\u0131n\u0131 a\u015farak, kullan\u0131c\u0131lara daha ilgili, zaman\u0131nda ve ki\u015fisel bir deneyim sunman\u0131n anahtar\u0131, cihaz \u00fczerinde \u00e7al\u0131\u015fan yapay zeka (Edge AI) teknolojilerinde yat\u0131yor.<\/p>\n Kotlin'in modern ve g\u00fc\u00e7l\u00fc yap\u0131s\u0131yla Android uygulama geli\u015ftirme d\u00fcnyas\u0131na ad\u0131m att\u0131k. MediaPipes'\u0131n ger\u00e7ek zamanl\u0131 veri ak\u0131\u015f\u0131 i\u015fleme yeteneklerini ke\u015ffederek, kamera ve sens\u00f6rlerden gelen ham veriyi anlaml\u0131 bilgilere d\u00f6n\u00fc\u015ft\u00fcrmenin yolunu a\u00e7t\u0131k. Ard\u0131ndan, Koog gibi bir model y\u00f6netim \u00e7er\u00e7evesinin (veya onun prensiplerinin) yapay zeka modellerini cihaz \u00fczerinde nas\u0131l daha etkin bir \u015fekilde y\u00f6netebilece\u011fimizi, y\u00fckleyebilece\u011fimizi ve optimize edebilece\u011fimizi g\u00f6sterdik. Bu \u00fc\u00e7l\u00fc, Edge AI'\u0131n vaat etti\u011fi h\u0131z, gizlilik ve \u00e7evrimd\u0131\u015f\u0131 \u00e7al\u0131\u015fma yetene\u011fini mobil uygulamalar\u0131n\u0131za ta\u015f\u0131yor.<\/p>\n Vaka analizleriyle, e-ticaretten sa\u011fl\u0131\u011fa, ak\u0131ll\u0131 ev sistemlerinden g\u00fcvenli\u011fe kadar bir\u00e7ok alanda ak\u0131ll\u0131 bildirimlerin sadece bir yenilik de\u011fil, ayn\u0131 zamanda kullan\u0131c\u0131n\u0131n ya\u015fam kalitesini art\u0131ran temel bir ihtiya\u00e7 oldu\u011funu vurgulad\u0131k. Sadece do\u011fru zamanda do\u011fru bilgiyi sunmakla kalmay\u0131p, ayn\u0131 zamanda kullan\u0131c\u0131 verilerinin cihazda kalmas\u0131n\u0131 sa\u011flayarak gizlilik endi\u015felerini de gideriyoruz. Bu, kullan\u0131c\u0131lar ve geli\u015ftiriciler aras\u0131nda g\u00fc\u00e7l\u00fc bir g\u00fcven ili\u015fkisi kurman\u0131n anahtar\u0131d\u0131r.<\/p>\n Son olarak, performans optimizasyonu, pil t\u00fcketimini minimize etme ve kullan\u0131c\u0131 gizlili\u011fi standartlar\u0131na uyum gibi ileri d\u00fczey konulara de\u011finerek, uygulaman\u0131z\u0131n sadece ak\u0131ll\u0131 de\u011fil, ayn\u0131 zamanda sa\u011flam ve s\u00fcrd\u00fcr\u00fclebilir olmas\u0131n\u0131 sa\u011flayacak ipu\u00e7lar\u0131n\u0131 payla\u015ft\u0131k. Model s\u0131k\u0131\u015ft\u0131rmadan dinamik g\u00fcncellemelere kadar bir\u00e7ok strateji, Edge AI uygulamalar\u0131n\u0131z\u0131n uzun \u00f6m\u00fcrl\u00fc ve ba\u015far\u0131l\u0131 olmas\u0131n\u0131 temin edecektir.<\/p>\n Art\u0131k bildirimler sadece dikkat da\u011f\u0131t\u0131c\u0131 birer \u00f6\u011fe olmaktan \u00e7\u0131k\u0131p, kullan\u0131c\u0131n\u0131n hayat\u0131n\u0131 kolayla\u015ft\u0131ran, de\u011fer katan ve ger\u00e7ekten \u00f6nemli anlar\u0131 yakalayan ak\u0131ll\u0131 asistanlara d\u00f6n\u00fc\u015f\u00fcyor. Kotlin, Koog ve MediaPipes ile \u00e7\u0131kt\u0131\u011f\u0131n\u0131z bu yolculuk, mobil uygulama geli\u015ftirme alan\u0131nda gelece\u011fin kap\u0131lar\u0131n\u0131 aral\u0131yor. Kendi ak\u0131ll\u0131 bildirim \u00e7\u00f6z\u00fcmlerinizi geli\u015ftirerek, kullan\u0131c\u0131lara bug\u00fcne kadarki en ki\u015fisel ve en anlay\u0131\u015fl\u0131 dijital deneyimi sunma f\u0131rsat\u0131na sahipsiniz. Gelece\u011fin bildirimleri, parmaklar\u0131n\u0131z\u0131n ucunda sizi bekliyor.<\/p>\n \n
\n
\n
\n
Ak\u0131ll\u0131 Bildirimler Neden \u00d6nemli? Ger\u00e7ek D\u00fcnya Senaryolar\u0131 ile Vaka Analizleri<\/h2>\n
\n
\n
\n
\n
Kotlin, Koog ve MediaPipes ile Edge AI Ak\u0131ll\u0131 Bildirim Uygulamas\u0131 Nas\u0131l Geli\u015ftirilir?<\/h2>\n
Ad\u0131m 1: Proje Kurulumu ve Temel Ba\u011f\u0131ml\u0131l\u0131klar<\/h3>\n
build.gradle (Module: app)<\/code> dosyas\u0131na gerekli ba\u011f\u0131ml\u0131l\u0131klar\u0131 eklememiz gerekecek. Edge AI i\u00e7in genellikle TensorFlow Lite (TFLite) modellerini kullan\u0131r\u0131z. MediaPipes ve Koog i\u00e7in de uygun ba\u011f\u0131ml\u0131l\u0131klar\u0131 dahil etmeliyiz.<\/p>\n<\/p>\n\n \/\/ build.gradle (Module: app)\n\n android {\n \/\/ ...\n aaptOptions {\n noCompress \"tflite\" \/\/ TFLite modellerinin s\u0131k\u0131\u015ft\u0131r\u0131lmamas\u0131n\u0131 sa\u011flar\n }\n \/\/ ...\n }\n\n dependencies {\n implementation 'androidx.core:core-ktx:1.9.0'\n implementation 'androidx.appcompat:appcompat:1.6.1'\n implementation 'com.google.android.material:material:1.11.0'\n implementation 'androidx.constraintlayout:constraintlayout:2.1.4'\n\n \/\/ TensorFlow Lite ba\u011f\u0131ml\u0131l\u0131\u011f\u0131\n implementation 'org.tensorflow:tensorflow-lite:2.15.0'\n implementation 'org.tensorflow:tensorflow-lite-gpu:2.15.0' \/\/ GPU h\u0131zland\u0131rma i\u00e7in (iste\u011fe ba\u011fl\u0131)\n implementation 'org.tensorflow:tensorflow-lite-support:0.4.0' \/\/ Model yard\u0131mc\u0131lar\u0131 i\u00e7in\n\n \/\/ MediaPipes ba\u011f\u0131ml\u0131l\u0131klar\u0131 (\u00f6rnek bir temel kurulum)\n implementation 'com.google.mediapipe:solution-core:0.8.11' \/\/ \u00c7\u00f6z\u00fcm \u00e7ekirde\u011fi\n \/\/ \u00d6rne\u011fin, nesne tespiti i\u00e7in MediaPipes Object Detection Solution kullan\u0131yorsan\u0131z:\n \/\/ implementation 'com.google.mediapipe:object-detection:0.8.11' \n\n \/\/ Koog i\u00e7in hayali bir ba\u011f\u0131ml\u0131l\u0131k (ger\u00e7ekte Koog'un nas\u0131l paketlendi\u011fine ba\u011fl\u0131d\u0131r)\n \/\/ implementation 'com.yourcompany.koog:koog-core:1.0.0'\n \/\/ implementation 'com.yourcompany.koog:koog-tflite-adapter:1.0.0'\n }\n <\/pre>\n
\n <\/code><\/p>\nAd\u0131m 2: MediaPipes ile Veri Ak\u0131\u015f\u0131 Boru Hatt\u0131 Olu\u015fturma<\/h3>\n
<\/p>\n\n \/\/ MainActivity.kt i\u00e7inde MediaPipes i\u00e7in basit bir \u00f6rnek yap\u0131 (basitle\u015ftirilmi\u015f)\n\n import android.graphics.Bitmap\n import com.google.mediapipe.framework.Packet\n import com.google.mediapipe.framework.PacketGetter\n import com.google.mediapipe.glutil.EglManager\n import com.google.mediapipe.components.CameraXPreviewHelper\n import com.google.mediapipe.components.ExternalTextureConverter\n import com.google.mediapipe.components.FrameProcessor\n import com.google.mediapipe.formats.proto.DetectionProto.Detection\n import java.io.File\n import java.io.InputStream\n\n class MainActivity : AppCompatActivity() {\n\n private lateinit var previewHelper: CameraXPreviewHelper\n private lateinit var converter: ExternalTextureConverter\n private lateinit var processor: FrameProcessor\n private lateinit var eglManager: EglManager\n\n override fun onCreate(savedInstanceState: Bundle?) {\n super.onCreate(savedInstanceState)\n setContentView(R.layout.activity_main)\n\n \/\/ ... Kamera izinleri ve UI kurulumu ...\n\n eglManager = EglManager(null)\n processor = FrameProcessor(\n this,\n eglManager.nativeContext,\n \"your_mediapipe_graph.binarypb\", \/\/ Kendi MediaPipes grafi\u011finizin yolu\n \"input_video\", \/\/ Grafi\u011fin giri\u015f stream ad\u0131\n \"output_video\" \/\/ Grafi\u011fin \u00e7\u0131k\u0131\u015f stream ad\u0131\n )\n processor.videoSurfaceOutput(previewDisplayView.holder.surface)\n\n converter = ExternalTextureConverter(eglManager.nativeContext, 2)\n converter.set\")\n\n \/\/ MediaPipes \u00e7\u0131k\u0131\u015f\u0131n\u0131 dinleme\n processor.add\n fun process(output: Packet?) {\n if (output == null) return\n\n \/\/ 'detections' ad\u0131nda bir stream'den Detection listesini \u00e7ekiyoruz\n \/\/ Bu, MediaPipes grafi\u011finizde tan\u0131mlanm\u0131\u015f olmal\u0131d\u0131r\n val detections = PacketGetter.getProtoLiteList(output, Detection.parser())\n\n detections?.forEach { detection ->\n val label = detection.labelList.firstOrNull() \/\/ \u0130lk etiketi al\n if (label == \"cat\" || label == \"dog\") {\n \/\/ Kediyi veya k\u00f6pe\u011fi alg\u0131lad\u0131k, \u015fimdi ak\u0131ll\u0131 bildirim tetikleyebiliriz!\n Log.d(\"MediaPipe\", \"Evcil hayvan alg\u0131land\u0131: $label\")\n \/\/ Burada Koog ve Bildirim mant\u0131\u011f\u0131 devreye girecek\n }\n }\n }\n })\n\n previewHelper = CameraXPreviewHelper()\n previewHelper.startCamera(this, this, processor.glContext, converter)\n }\n\n \/\/ ... Di\u011fer ya\u015fam d\u00f6ng\u00fcs\u00fc metotlar\u0131 (onResume, onPause, onDestroy) ...\n }\n <\/pre>\n
\n <\/code><\/p>\nassets<\/code> klas\u00f6r\u00fcnde yer almal\u0131d\u0131r. Bu grafik, \u00f6rne\u011fin bir nesne tespiti modeli entegre edebilir.<\/p>\n
\n Uzman \u0130pucu: MediaPipes grafikleri karma\u015f\u0131k olsa da, Google'\u0131n sundu\u011fu haz\u0131r \u00e7\u00f6z\u00fcmler (Object Detection Solution gibi) kullanarak ba\u015flang\u0131\u00e7 seviyesinde entegrasyonu h\u0131zland\u0131rabilirsiniz. Bu \u00e7\u00f6z\u00fcmler, arkada kompleks bir grafik bar\u0131nd\u0131r\u0131r ve sizin i\u00e7in basitle\u015ftirilmi\u015f bir API sunar.
\n <\/code><\/p>\nAd\u0131m 3: Koog ile Yapay Zeka Modeli Y\u00f6netimi<\/h3>\n
<\/p>\n\n \/\/ Varsay\u0131msal KoogModelManager s\u0131n\u0131f\u0131\n\n interface KoogModelLoadListener {\n fun onModelLoaded(modelId: String)\n fun onModelLoadFailed(modelId: String, error: Throwable)\n }\n\n object KoogModelManager {\n private const val PET_DETECTION_MODEL_ID = \"pet_detection_v1\"\n private var isModelReady = false\n\n fun initialize(context: Context, listener: KoogModelLoadListener) {\n \/\/ Koog'un modeli cihazdan y\u00fcklemesini taklit edelim\n Log.d(\"Koog\", \"Evcil hayvan alg\u0131lama modeli y\u00fckleniyor...\")\n \/\/ Ger\u00e7ekte burada Koog'un SDK's\u0131n\u0131n model indirme\/y\u00fckleme metodlar\u0131 \u00e7a\u011fr\u0131l\u0131r\n \/\/ \u00d6rne\u011fin: Koog.loadModel(context, PET_DETECTION_MODEL_ID, object : KoogModelCallback { ... })\n Handler(Looper.getMainLooper()).postDelayed({\n isModelReady = true\n listener.onModelLoaded(PET_DETECTION_MODEL_ID)\n Log.d(\"Koog\", \"Evcil hayvan alg\u0131lama modeli y\u00fcklendi: $PET_DETECTION_MODEL_ID\")\n }, 2000) \/\/ 2 saniye gecikme ile y\u00fckleme sim\u00fclasyonu\n }\n\n fun isModelAvailable(): Boolean {\n return isModelReady\n }\n\n \/\/ Koog, ayn\u0131 zamanda model g\u00fcncellemelerini de y\u00f6netebilir.\n \/\/ \u00d6rne\u011fin, yeni bir model s\u00fcr\u00fcm\u00fc \u00e7\u0131kt\u0131\u011f\u0131nda arka planda indirme ve de\u011fi\u015ftirme.\n fun checkForModelUpdates() {\n Log.d(\"Koog\", \"Model g\u00fcncellemeleri kontrol ediliyor...\")\n \/\/ Ger\u00e7ekte: Koog.checkForUpdates(PET_DETECTION_MODEL_ID, updateCallback)\n }\n }\n <\/pre>\n
\n <\/code><\/p>\nKoogModelManager<\/code>, uygulaman\u0131z ba\u015flad\u0131\u011f\u0131nda modelin y\u00fcklenmesini ba\u015flat\u0131r. MediaPipes'tan gelen alg\u0131lama sonu\u00e7lar\u0131n\u0131 Koog taraf\u0131ndan y\u00f6netilen AI modeline besleyebiliriz. E\u011fer MediaPipes'\u0131n kendisi i\u00e7inde bir AI modeli \u00e7al\u0131\u015f\u0131yorsa, Koog burada bu modelin s\u00fcr\u00fcm kontrol\u00fc ve cihaz \u00fczerinde optimizasyon gibi konularda devreye girer.<\/p>\nAd\u0131m 4: Edge AI ile Ak\u0131ll\u0131 Bildirim Mant\u0131\u011f\u0131 Olu\u015fturma<\/h3>\n
<\/p>\n\n \/\/ Bildirim Helper S\u0131n\u0131f\u0131\n\n import android.app.NotificationChannel\n import android.app.NotificationManager\n import android.content.Context\n import android.os.Build\n import androidx.core.app.NotificationCompat\n import androidx.core.app.NotificationManagerCompat\n\n object SmartNotificationManager {\n private const val CHANNEL_ID = \"smart_pet_notification_channel\"\n private const val NOTIFICATION_ID = 101\n\n fun createNotificationChannel(context: Context) {\n if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.O) {\n val name = \"Evcil Hayvan Bildirimleri\"\n val descriptionText = \"Evcil hayvan aktivitelerini alg\u0131layan ak\u0131ll\u0131 bildirimler.\"\n val importance = NotificationManager.IMPORTANCE_DEFAULT\n val channel = NotificationChannel(CHANNEL_ID, name, importance).apply {\n description = descriptionText\n }\n val notificationManager: NotificationManager =\n context.getSystemService(Context.NOTIFICATION_SERVICE) as NotificationManager\n notificationManager.createNotificationChannel(channel)\n }\n }\n\n fun sendPetDetectionNotification(context: Context, petType: String) {\n if (!KoogModelManager.isModelAvailable()) {\n Log.w(\"Notification\", \"AI modeli hen\u00fcz haz\u0131r de\u011fil, bildirim g\u00f6nderilemiyor.\")\n return\n }\n\n val builder = NotificationCompat.Builder(context, CHANNEL_ID)\n .setSmallIcon(R.drawable.ic_launcher_foreground) \/\/ Kendi ikonunuzu kullan\u0131n\n .setContentTitle(\"Ak\u0131ll\u0131 Evcil Hayvan Alg\u0131land\u0131!\")\n .setContentText(\"Cihaz\u0131n\u0131z bir $petType alg\u0131lad\u0131. Kontrol etmek ister misiniz?\")\n .setPriority(NotificationCompat.PRIORITY_DEFAULT)\n .setAutoCancel(true) \/\/ Kullan\u0131c\u0131 dokundu\u011funda bildirimi kapat\n\n with(NotificationManagerCompat.from(context)) {\n notify(NOTIFICATION_ID, builder.build())\n }\n Log.d(\"Notification\", \"$petType alg\u0131land\u0131\u011f\u0131nda ak\u0131ll\u0131 bildirim g\u00f6nderildi.\")\n }\n }\n <\/pre>\n
\n <\/code><\/p>\n<\/p>\n\n \/\/ MainActivity.kt i\u00e7indeki MediaPipes \u00e7\u0131kt\u0131s\u0131n\u0131 i\u015fleme blo\u011funun devam\u0131\n\n processor.add\n fun process(output: Packet?) {\n if (output == null) return\n\n val detections = PacketGetter.getProtoLiteList(output, Detection.parser())\n\n detections?.forEach { detection ->\n val label = detection.labelList.firstOrNull()\n if (label == \"cat\" || label == \"dog\") {\n Log.d(\"MediaPipe\", \"Evcil hayvan alg\u0131land\u0131: $label\")\n \/\/ Ak\u0131ll\u0131 bildirimi tetikle\n SmartNotificationManager.sendPetDetectionNotification(this@MainActivity, label)\n }\n }\n }\n })\n <\/pre>\n
\n <\/code><\/p>\nonCreate<\/code> metodu i\u00e7inde, bildirim kanal\u0131n\u0131 olu\u015fturmay\u0131 unutmay\u0131n:<\/p>\n<\/p>\n\n \/\/ MainActivity.kt - onCreate metodunun i\u00e7inde\n\n override fun onCreate(savedInstanceState: Bundle?) {\n super.onCreate(savedInstanceState)\n setContentView(R.layout.activity_main)\n\n SmartNotificationManager.createNotificationChannel(this)\n KoogModelManager.initialize(this, object : KoogModelLoadListener {\n override fun onModelLoaded(modelId: String) {\n \/\/ Model y\u00fcklendi\u011finde kamera\/MediaPipes ba\u015flat\u0131labilir\n Log.i(\"Koog\", \"$modelId ba\u015far\u0131yla y\u00fcklendi.\")\n setupMediaPipeProcessor() \/\/ MediaPipes'\u0131 ba\u015flatacak metodunuz\n }\n\n override fun onModelLoadFailed(modelId: String, error: Throwable) {\n Log.e(\"Koog\", \"$modelId y\u00fcklenirken hata olu\u015ftu: ${error.message}\")\n \/\/ Hata durumunda kullan\u0131c\u0131ya bilgi ver veya alternatif bir plan uygula\n }\n })\n\n \/\/ ... Di\u011fer ba\u015flatma kodlar\u0131 ...\n }\n <\/pre>\n
\n <\/code><\/p>\nPerformans\u0131 Art\u0131rmak ve Gizlili\u011fi Korumak i\u00e7in \u0130pu\u00e7lar\u0131<\/h2>\n
Model S\u0131k\u0131\u015ft\u0131rma ve Optimizasyon: Daha H\u0131zl\u0131 ve Hafif Modeller<\/h3>\n
\n
\n Uzman \u0130pucu: Nicelle\u015ftirme yaparken, modelinizi hem dinamik aral\u0131k hem de tam tamsay\u0131 nicelle\u015ftirme se\u00e7enekleriyle test edin. Tam tamsay\u0131 nicelle\u015ftirme genellikle en iyi performans\u0131 sunar ancak uyumluluk ve karma\u015f\u0131kl\u0131k a\u00e7\u0131s\u0131ndan daha fazla \u00e7aba gerektirebilir.
\n <\/code><\/p>\nPil T\u00fcketimini Minimize Etme: S\u00fcrd\u00fcr\u00fclebilir Edge AI<\/h3>\n
\n
\n
Kullan\u0131c\u0131 Veri Gizlili\u011fi Standartlar\u0131na Uyum: G\u00fcven Olu\u015fturma<\/h3>\n
\n
\n Uzman \u0130pucu: GDPR ve CCPA gibi veri koruma d\u00fczenlemelerine uyum, sadece yasal bir zorunluluk de\u011fil, ayn\u0131 zamanda kullan\u0131c\u0131 g\u00fcvenini art\u0131ran \u00f6nemli bir unsurdur. Uygulaman\u0131z\u0131 tasarlarken bu d\u00fczenlemeleri g\u00f6z \u00f6n\u00fcnde bulundurun.
\n <\/code><\/p>\nDinamik Model G\u00fcncelleme Stratejileri: S\u00fcrekli \u0130yile\u015ftirme<\/h3>\n
\n
Sonu\u00e7: Gelece\u011fin Bildirimleri Parmaklar\u0131n\u0131z\u0131n Ucunda<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n
\n
<\/p>\n\n