Yapay zeka ajanlar\u0131n\u0131z\u0131n ger\u00e7ek d\u00fcnyada ne kadar iyi performans g\u00f6sterdi\u011fini merak ediyor musunuz? Etkili ve g\u00fcvenilir bir yapay zeka ajan\u0131 geli\u015ftirmek i\u00e7in sa\u011flam de\u011ferlendirme veri k\u00fcmeleri olu\u015fturmak kritik bir ad\u0131md\u0131r. Bu makale, bu zorlu s\u00fcreci ad\u0131m ad\u0131m a\u00e7\u0131klayarak, AI ajanlar\u0131n\u0131z\u0131n potansiyelini tam anlam\u0131yla ortaya \u00e7\u0131karman\u0131za yard\u0131mc\u0131 olacak ipu\u00e7lar\u0131 ve p\u00fcf noktalar\u0131 sunuyor.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla geli\u015fen teknoloji d\u00fcnyas\u0131nda, yapay zeka (YZ) ajanlar\u0131 hayat\u0131m\u0131z\u0131n her alan\u0131na entegre oluyor; m\u00fc\u015fteri hizmetleri chatbotlar\u0131ndan otonom ara\u00e7lara, t\u0131bbi te\u015fhis sistemlerinden ki\u015fisel asistanlara kadar geni\u015f bir yelpazede kar\u015f\u0131m\u0131za \u00e7\u0131k\u0131yorlar. Bu ajanlar\u0131n geli\u015ftirilmesi \u015f\u00fcphesiz heyecan verici bir s\u00fcre\u00e7tir, ancak bir ajan\u0131n “iyi” olup olmad\u0131\u011f\u0131n\u0131 nas\u0131l anlar\u0131z? \u0130\u015fte tam da bu noktada sa\u011flam de\u011ferlendirme veri k\u00fcmeleri devreye giriyor. Bir YZ ajan\u0131n\u0131n sadece belirli bir g\u00f6revi yerine getirebilmesi yeterli de\u011fildir; ayn\u0131 zamanda farkl\u0131 senaryolarda, de\u011fi\u015fen ko\u015fullarda ve beklenmedik durumlar kar\u015f\u0131s\u0131nda tutarl\u0131, g\u00fcvenilir ve adil bir \u015fekilde performans g\u00f6stermesi gerekir. Bu durum, veri k\u00fcmelerinin tasarlanmas\u0131 ve olu\u015fturulmas\u0131 a\u015famas\u0131nda titiz bir yakla\u015f\u0131m benimsemeyi zorunlu k\u0131lar.<\/p>\n
De\u011ferlendirme veri k\u00fcmeleri, bir YZ modelinin veya ajan\u0131n\u0131n e\u011fitildi\u011fi verilerden ayr\u0131, ba\u011f\u0131ms\u0131z bir test alan\u0131 sunar. Bu ayr\u0131m, modelin genelleme yetene\u011fini, yani daha \u00f6nce hi\u00e7 g\u00f6rmedi\u011fi verilere ne kadar iyi tepki verdi\u011fini \u00f6l\u00e7memizi sa\u011flar. Eksik veya yanl\u0131 bir de\u011ferlendirme veri k\u00fcmesi, yan\u0131lt\u0131c\u0131 sonu\u00e7lara yol a\u00e7abilir ve ajan\u0131n ger\u00e7ek d\u00fcnya performans\u0131n\u0131 yanl\u0131\u015f yans\u0131tabilir. \u00d6rne\u011fin, bir chatbotun sadece belirli t\u00fcrdeki sorulara harika yan\u0131tlar verdi\u011fini d\u00fc\u015f\u00fcnelim. E\u011fer de\u011ferlendirme veri k\u00fcmeniz de yaln\u0131zca bu t\u00fcr sorular\u0131 i\u00e7eriyorsa, chatbotun kapsam d\u0131\u015f\u0131 veya karma\u015f\u0131k sorular\u0131 ne kadar k\u00f6t\u00fc ele ald\u0131\u011f\u0131n\u0131 asla bilemezsiniz. Bu durum, nihayetinde kullan\u0131c\u0131 memnuniyetsizli\u011fine ve i\u015flevsel hatalara yol a\u00e7abilir.<\/p>\n
Bu nedenle, YZ ajanlar\u0131n\u0131z\u0131n t\u00fcm potansiyelini ortaya \u00e7\u0131karmak ve onlar\u0131 ger\u00e7ek d\u00fcnya zorluklar\u0131na haz\u0131rlamak i\u00e7in robust (sa\u011flam) de\u011ferlendirme veri k\u00fcmeleri olu\u015fturmak hayati \u00f6nem ta\u015f\u0131r. Bu veri k\u00fcmeleri, ajan\u0131n performans\u0131n\u0131 objektif bir \u015fekilde \u00f6l\u00e7menin yan\u0131 s\u0131ra, geli\u015ftiricilere modelin zay\u0131f noktalar\u0131n\u0131 belirleme ve iyile\u015ftirme i\u00e7in de\u011ferli i\u00e7g\u00f6r\u00fcler sunar. Ayn\u0131 zamanda, etik sapmalar\u0131, g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 ve yanl\u0131l\u0131klar\u0131 tespit etmek i\u00e7in de vazge\u00e7ilmez bir ara\u00e7t\u0131r. K\u0131sacas\u0131, sa\u011flam bir de\u011ferlendirme veri k\u00fcmesi, YZ ajanlar\u0131n\u0131n sadece “\u00e7al\u0131\u015fmas\u0131n\u0131” de\u011fil, ayn\u0131 zamanda “g\u00fcvenli, adil ve etkili bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131” sa\u011flaman\u0131n temelidir.<\/p>\n
Bu makale boyunca, AI ajanlar\u0131 i\u00e7in sa\u011flam de\u011ferlendirme veri k\u00fcmeleri olu\u015fturman\u0131n temel ad\u0131mlar\u0131n\u0131, kar\u015f\u0131la\u015f\u0131labilecek zorluklar\u0131 ve bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in kullanabilece\u011finiz stratejileri derinlemesine inceleyece\u011fiz. Amac\u0131m\u0131z, ister yeni ba\u015flayan bir geli\u015ftirici olun ister deneyimli bir YZ m\u00fchendisi, bu s\u00fcre\u00e7te size yol g\u00f6sterecek pratik bilgiler ve uygulanabilir ipu\u00e7lar\u0131 sunmakt\u0131r. B\u00f6ylece, geli\u015ftirdi\u011finiz YZ ajanlar\u0131n\u0131n beklentileri kar\u015f\u0131lamas\u0131n\u0131 ve hatta a\u015fmas\u0131n\u0131 garantileyebilirsiniz. \u015eimdi gelin, bu kritik s\u00fcrecin temel ta\u015flar\u0131na daha yak\u0131ndan bakal\u0131m.<\/p>\n
Yapay zeka d\u00fcnyas\u0131na ad\u0131m atarken, “yapay zeka ajan\u0131” ve “de\u011ferlendirme veri k\u00fcmesi” gibi terimlerle s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131r\u0131z. Peki, bu kavramlar tam olarak ne anlama geliyor ve YZ sistemlerinin ba\u015far\u0131s\u0131nda neden bu kadar merkezi bir role sahipler? Bu b\u00f6l\u00fcmde, konuya yabanc\u0131 olan okuyucular\u0131m\u0131z i\u00e7in bu temel kavramlar\u0131 a\u00e7\u0131klayarak, daha sonraki ad\u0131mlara sa\u011flam bir zemin haz\u0131rlayaca\u011f\u0131z. Yapay zeka ajanlar\u0131, alg\u0131lama, d\u00fc\u015f\u00fcnme ve hareket etme yetene\u011fine sahip, belirli bir ortamda otonom bir \u015fekilde \u00e7al\u0131\u015fabilen yaz\u0131l\u0131m veya donan\u0131m varl\u0131klar\u0131d\u0131r. Bir m\u00fc\u015fteri hizmetleri chatbot’u, bir otonom ara\u00e7 yaz\u0131l\u0131m\u0131, bir oyun karakteri veya bir finansal analiz robotu, hepsi birer YZ ajan\u0131 \u00f6rne\u011fidir. Bu ajanlar, \u00f6nceden tan\u0131mlanm\u0131\u015f hedeflere ula\u015fmak i\u00e7in \u00e7evrelerinden bilgi toplar, bu bilgiyi i\u015fler ve belirli eylemleri ger\u00e7ekle\u015ftirirler. Ancak, bir ajan\u0131n ger\u00e7ekten “ak\u0131ll\u0131” olup olmad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in onu dikkatlice test etmemiz gerekir.<\/p>\n
De\u011ferlendirme veri k\u00fcmeleri ise tam da bu amaca hizmet eder. Basit\u00e7e ifade etmek gerekirse, bir de\u011ferlendirme veri k\u00fcmesi, bir YZ ajan\u0131n\u0131n performans\u0131n\u0131 \u00f6l\u00e7mek ve do\u011frulamak i\u00e7in kullan\u0131lan \u00f6zel olarak haz\u0131rlanm\u0131\u015f bir veri koleksiyonudur. Bu veri k\u00fcmesi, ajan\u0131n e\u011fitildi\u011fi verilerden farkl\u0131 ve ba\u011f\u0131ms\u0131z olmal\u0131d\u0131r, \u00e7\u00fcnk\u00fc modelin genelleme yetene\u011fini, yani daha \u00f6nce hi\u00e7 g\u00f6rmedi\u011fi yeni durumlar\u0131 ne kadar iyi ele alabildi\u011fini test etmek isteriz. De\u011ferlendirme veri k\u00fcmeleri sadece modelin do\u011frulu\u011funu de\u011fil, ayn\u0131 zamanda robustlu\u011funu (sa\u011flaml\u0131\u011f\u0131n\u0131), adilli\u011fini, g\u00fcvenli\u011fini ve etik uygunlu\u011funu da \u00f6l\u00e7memize olanak tan\u0131r. \u00d6rne\u011fin, bir y\u00fcz tan\u0131ma sisteminin farkl\u0131 ten renklerine sahip insanlar\u0131 ne kadar do\u011fru tan\u0131d\u0131\u011f\u0131n\u0131 test etmek i\u00e7in, de\u011ferlendirme veri k\u00fcmesinde \u00e7e\u015fitli etnik k\u00f6kenlerden insanlar\u0131n y\u00fcz g\u00f6r\u00fcnt\u00fcleri bulunmal\u0131d\u0131r. E\u011fer bu \u00e7e\u015fitlilik sa\u011flanmazsa, sistem belirli gruplara kar\u015f\u0131 \u00f6nyarg\u0131l\u0131 olabilir ve bu durum ciddi sonu\u00e7lar do\u011furabilir.<\/p>\n
Bir de\u011ferlendirme veri k\u00fcmesinin temel amac\u0131, ajan\u0131n ger\u00e7ek d\u00fcnya kullan\u0131m senaryolar\u0131n\u0131 m\u00fcmk\u00fcn oldu\u011funca do\u011fru bir \u015fekilde sim\u00fcle etmektir. Bu, \u00e7e\u015fitli girdiler, olas\u0131 hatalar, k\u00f6\u015fe durumlar\u0131 (edge cases) ve beklenmedik etkile\u015fimleri i\u00e7ermesi gerekti\u011fi anlam\u0131na gelir. \u00d6rne\u011fin, bir konu\u015fma ajan\u0131n\u0131 de\u011ferlendirirken, sadece net ve dilbilgisi kurallar\u0131na uygun c\u00fcmleleri de\u011fil, ayn\u0131 zamanda aksanl\u0131 konu\u015fmalar\u0131, argo ifadeleri, yaz\u0131m hatalar\u0131n\u0131 ve ba\u011flamsal olarak karma\u015f\u0131k sorular\u0131 da i\u00e7eren \u00f6rnekler eklemek \u00f6nemlidir. Bu sayede, ajan\u0131n\u0131z\u0131n kar\u015f\u0131la\u015fabilece\u011fi her t\u00fcrl\u00fc duruma ne kadar iyi adapte olabildi\u011fini anlayabilirsiniz. De\u011ferlendirme veri k\u00fcmesi olu\u015fturma s\u00fcreci, sadece veri toplamakla s\u0131n\u0131rl\u0131 de\u011fildir; ayn\u0131 zamanda verilerin do\u011fru bir \u015fekilde etiketlenmesini, temizlenmesini ve standardize edilmesini de i\u00e7erir. Etiketleme kalitesi, de\u011ferlendirme sonu\u00e7lar\u0131n\u0131n g\u00fcvenilirli\u011fi a\u00e7\u0131s\u0131ndan kritik \u00f6neme sahiptir. Yanl\u0131\u015f etiketlenmi\u015f veriler, ajan\u0131n\u0131z\u0131n asl\u0131nda iyi performans g\u00f6sterdi\u011fi durumlarda bile hatal\u0131 sonu\u00e7lar vermesine neden olabilir.<\/p>\n
Son olarak, de\u011ferlendirme sadece bir defal\u0131k bir i\u015flem de\u011fildir; YZ ajanlar\u0131 zamanla geli\u015fti\u011fi ve ger\u00e7ek d\u00fcnyadaki ko\u015fullar de\u011fi\u015fti\u011fi i\u00e7in s\u00fcrekli bir s\u00fcre\u00e7 olmal\u0131d\u0131r. Bu nedenle, de\u011ferlendirme veri k\u00fcmeleri de periyodik olarak g\u00fcncellenmeli ve geni\u015fletilmelidir. Yeni kullan\u0131m senaryolar\u0131 ortaya \u00e7\u0131kt\u0131k\u00e7a veya ajan\u0131n performans\u0131 de\u011fi\u015fmeye ba\u015flad\u0131k\u00e7a, de\u011ferlendirme veri k\u00fcmesinin de bu de\u011fi\u015fiklikleri yans\u0131tmas\u0131 gerekir. B\u00f6ylece, YZ ajanlar\u0131n\u0131z\u0131n uzun vadede g\u00fcvenilir ve etkili kalmas\u0131n\u0131 sa\u011flayabilirsiniz. Bu temel anlay\u0131\u015fla donanm\u0131\u015f olarak, \u015fimdi sa\u011flam de\u011ferlendirme veri k\u00fcmeleri olu\u015fturman\u0131n pratik ad\u0131mlar\u0131na ge\u00e7ebiliriz.<\/p>\n
Yapay zeka ajanlar\u0131n\u0131z\u0131n ger\u00e7ek potansiyelini ortaya \u00e7\u0131karmak i\u00e7in, sa\u011flam ve g\u00fcvenilir de\u011ferlendirme veri k\u00fcmeleri in\u015fa etmek esast\u0131r. Bu s\u00fcre\u00e7, sadece teknik bir g\u00f6rev olman\u0131n \u00f6tesinde, stratejik bir d\u00fc\u015f\u00fcnce yap\u0131s\u0131 gerektirir. \u0130\u015fte bu kritik g\u00f6revi ad\u0131m ad\u0131m nas\u0131l ger\u00e7ekle\u015ftirece\u011finize dair bir rehber:<\/p>\n
De\u011ferlendirme veri k\u00fcmesi olu\u015fturman\u0131n ilk ve en \u00f6nemli ad\u0131m\u0131, neyi neden de\u011ferlendirdi\u011finizi netle\u015ftirmektir. Ajan\u0131n\u0131z\u0131n hangi yeteneklerini \u00f6l\u00e7mek istiyorsunuz? Hangi performans metrikleri sizin i\u00e7in kritik? \u00d6rne\u011fin, bir do\u011fal dil i\u015fleme (NLP) ajan\u0131n\u0131 de\u011ferlendiriyorsan\u0131z, do\u011fruluk (accuracy), kesinlik (precision), duyarl\u0131l\u0131k (recall) veya F1 skoru gibi metrikler \u00f6nemlidir. E\u011fer bir g\u00f6rsel tan\u0131ma sistemi de\u011ferlendiriyorsan\u0131z, mAP (mean Average Precision) veya do\u011fruluk daha uygun olabilir. Ayr\u0131ca, ajan\u0131n performans\u0131n\u0131 hangi senaryolarda \u00f6l\u00e7mek istedi\u011finizi de belirlemelisiniz. Normal \u00e7al\u0131\u015fma ko\u015fullar\u0131 m\u0131, nadir g\u00f6r\u00fclen durumlar m\u0131, yoksa \u00f6zellikle zorlay\u0131c\u0131 senaryolar m\u0131? Kapsam, de\u011ferlendirme veri k\u00fcmenizin boyutunu, \u00e7e\u015fitlili\u011fini ve karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 do\u011frudan etkileyecektir. Bu a\u015famada, payda\u015flarla (\u00fcr\u00fcn y\u00f6neticileri, etik uzmanlar\u0131, son kullan\u0131c\u0131lar) ileti\u015fim kurarak beklentileri ve potansiyel riskleri anlamak, veri k\u00fcmesinin tasar\u0131m\u0131n\u0131 daha da sa\u011flamla\u015ft\u0131racakt\u0131r. Ama\u00e7lar\u0131 net bir \u015fekilde tan\u0131mlamak, veri toplama ve etiketleme s\u00fcre\u00e7lerini optimize etmenizi sa\u011flar ve gereksiz i\u015f y\u00fck\u00fcn\u00fc azalt\u0131r. \u00d6rne\u011fin, bir sa\u011fl\u0131k ajan\u0131 geli\u015ftiriyorsan\u0131z, do\u011fruluk hayati \u00f6nem ta\u015f\u0131rken, bir e\u011flence botu i\u00e7in kullan\u0131c\u0131 memnuniyeti daha \u00f6n planda olabilir. Bu farkl\u0131 hedefler, de\u011ferlendirme veri k\u00fcmenizin i\u00e7eri\u011fini ve \u00f6nceliklerini do\u011frudan belirleyecektir. \u0130lk ba\u015fta belirlenen bu hedefler, t\u00fcm s\u00fcre\u00e7 boyunca bir rehber g\u00f6revi g\u00f6recektir.<\/p>\n
Ama\u00e7lar belirlendikten sonra s\u0131ra, bu ama\u00e7lar\u0131 kar\u015f\u0131layacak verileri toplamaya gelir. Veri kaynaklar\u0131 genellikle \u00fc\u00e7 ana kategoriye ayr\u0131l\u0131r:<\/p>\n
Veri toplama s\u00fcrecinde, veri kalitesini ve gizlili\u011fini g\u00f6z \u00f6n\u00fcnde bulundurmak esast\u0131r. Verilerin anonimle\u015ftirilmesi, ki\u015fisel verilerin korunmas\u0131 (KVKK\/GDPR uyumlulu\u011fu) ve veri ihlallerine kar\u015f\u0131 \u00f6nlemler al\u0131nmas\u0131 gerekir. Ayr\u0131ca, toplanan verilerin temsil edici olmas\u0131, yani ajan\u0131n ger\u00e7ek d\u00fcnyada kar\u015f\u0131la\u015faca\u011f\u0131 t\u00fcm varyasyonlar\u0131 i\u00e7ermesi \u00e7ok \u00f6nemlidir. Aksi takdirde, de\u011ferlendirme sonu\u00e7lar\u0131 yan\u0131lt\u0131c\u0131 olabilir ve ajan\u0131n belirli gruplar veya senaryolar i\u00e7in k\u00f6t\u00fc performans g\u00f6stermesine neden olabilir.<\/p>\n
Bir de\u011ferlendirme veri k\u00fcmesinin sa\u011flaml\u0131\u011f\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde i\u00e7erdi\u011fi \u00e7e\u015fitlili\u011fe ve temsil kabiliyetine ba\u011fl\u0131d\u0131r. Ajan\u0131n\u0131z\u0131n sadece ideal ko\u015fullarda de\u011fil, ayn\u0131 zamanda zorlu, karma\u015f\u0131k ve hatta d\u00fc\u015fmanca ortamlarda da iyi performans g\u00f6stermesini sa\u011flamal\u0131s\u0131n\u0131z. Bunun i\u00e7in a\u015fa\u011f\u0131daki noktalara dikkat etmek gerekir:<\/p>\n
\u00c7e\u015fitlili\u011fi sa\u011flamak i\u00e7in aktif \u00f6\u011frenme (active learning) teknikleri veya adversarial \u00f6rnekleme (adversarial sampling) gibi y\u00f6ntemler kullan\u0131labilir. Bu y\u00f6ntemler, modelin en \u00e7ok hata yapt\u0131\u011f\u0131 veya en g\u00fcvensiz oldu\u011fu \u00f6rnekleri belirleyerek veri k\u00fcmesini zenginle\u015ftirmeye yard\u0131mc\u0131 olur. \u00d6rne\u011fin, aktif \u00f6\u011frenme, modelin mevcut etiketli veriler \u00fczerinde en az emin oldu\u011fu veya en bilgilendirici oldu\u011funu d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fc etiketlenmemi\u015f verileri se\u00e7erek insan etiketleme s\u00fcrecini daha verimli hale getirir. Bu yakla\u015f\u0131m, s\u0131n\u0131rl\u0131 etiketleme b\u00fct\u00e7eleriyle bile daha sa\u011flam bir veri k\u00fcmesi olu\u015fturman\u0131za olanak tan\u0131r.<\/p>\n
Toplanan ham verilerin ajan\u0131n anlayabilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi ve do\u011fru bir \u015fekilde etiketlenmesi, de\u011ferlendirme veri k\u00fcmesi olu\u015fturman\u0131n en emek yo\u011fun ancak en kritik a\u015famalar\u0131ndan biridir. Etiketleme kalitesi, de\u011ferlendirme sonu\u00e7lar\u0131n\u0131n g\u00fcvenilirli\u011fini do\u011frudan etkiler. \u0130\u015fte bu a\u015famada dikkat edilmesi gerekenler:<\/p>\n
Do\u011frulama s\u00fcreci, etiketlenen verilerin kalitesini ve tutarl\u0131l\u0131\u011f\u0131n\u0131 kontrol etmeyi i\u00e7erir. Rastgele \u00f6rneklem alarak veya anormallik tespiti algoritmalar\u0131 kullanarak hatal\u0131 etiketlenmi\u015f verileri bulabilirsiniz. Ayr\u0131ca, etiketleme s\u00fcrecinde kullan\u0131lan ara\u00e7lar\u0131n da g\u00fcvenilir ve verimli oldu\u011fundan emin olmak \u00f6nemlidir. A\u00e7\u0131k kaynakl\u0131 etiketleme platformlar\u0131 veya \u00f6zel olarak geli\u015ftirilmi\u015f ara\u00e7lar bu s\u00fcre\u00e7te b\u00fcy\u00fck kolayl\u0131k sa\u011flayabilir. Veri etiketleme, ajan\u0131n \u00f6\u011frenme ve de\u011ferlendirme s\u00fcrecinin temelini olu\u015fturdu\u011fundan, bu ad\u0131ma \u00f6zel bir \u00f6zen g\u00f6stermek, uzun vadede projenizin ba\u015far\u0131s\u0131n\u0131 garantileyecektir.<\/p>\n
De\u011ferlendirme veri k\u00fcmeleri statik varl\u0131klar de\u011fildir; ajan\u0131n geli\u015fimi ve ger\u00e7ek d\u00fcnya ko\u015fullar\u0131ndaki de\u011fi\u015fikliklerle birlikte evrilmelidirler. Bu nedenle, s\u00fcr\u00fcm kontrol\u00fc ve etkili y\u00f6netim stratejileri uygulamak, veri k\u00fcmelerinizin tutarl\u0131l\u0131\u011f\u0131n\u0131, izlenebilirli\u011fini ve g\u00fcncelli\u011fini sa\u011flamak i\u00e7in hayati \u00f6neme sahiptir. T\u0131pk\u0131 yaz\u0131l\u0131m kodunda oldu\u011fu gibi, veri k\u00fcmelerinizde yap\u0131lan her de\u011fi\u015fikli\u011fi kaydetmeli, ne zaman ve kim taraf\u0131ndan yap\u0131ld\u0131\u011f\u0131n\u0131 takip etmelisiniz. Bu, gelecekteki analizler ve hata ay\u0131klama s\u00fcre\u00e7leri i\u00e7in paha bi\u00e7ilmez bir kaynak olacakt\u0131r.<\/p>\n
Etkili bir s\u00fcr\u00fcm kontrol ve y\u00f6netim stratejisi, ajan\u0131n zaman i\u00e7indeki performans\u0131n\u0131 izlemenize, regresyon testleri yapman\u0131za ve yeni \u00f6zelliklerin veya model g\u00fcncellemelerinin mevcut performans\u0131 olumsuz etkilemedi\u011finden emin olman\u0131za olanak tan\u0131r. Bu sayede, YZ ajanlar\u0131n\u0131z\u0131n s\u00fcrekli olarak iyile\u015ftirilmesini sa\u011flarken, ayn\u0131 zamanda ge\u00e7mi\u015f performanslar\u0131 hakk\u0131nda net bir g\u00f6r\u00fc\u015fe sahip olursunuz.<\/p>\n
Teorik bilgiyi uygulamaya d\u00f6kmek, sa\u011flam de\u011ferlendirme veri k\u00fcmeleri olu\u015fturma s\u00fcrecinin kilit noktas\u0131d\u0131r. Ger\u00e7ek d\u00fcnya senaryolar\u0131ndan ve vaka analizlerinden ders \u00e7\u0131karmak, kar\u015f\u0131la\u015f\u0131labilecek zorluklar\u0131 \u00f6ng\u00f6rmek ve daha iyi \u00e7\u00f6z\u00fcmler geli\u015ftirmek i\u00e7in bize de\u011ferli i\u00e7g\u00f6r\u00fcler sunar. \u0130\u015fte iki farkl\u0131 senaryo \u00fczerinden, veri k\u00fcmesi tasar\u0131m\u0131nda yap\u0131lan hatalardan nas\u0131l ders \u00e7\u0131kar\u0131laca\u011f\u0131n\u0131 ve ajan\u0131 nas\u0131l daha robust hale getirebilece\u011fimizi inceleyelim.<\/p>\n
Bir e-ticaret \u015firketi, m\u00fc\u015fteri hizmetleri ekibinin y\u00fck\u00fcn\u00fc azaltmak amac\u0131yla geli\u015fmi\u015f bir chatbot (konu\u015fma ajan\u0131) geli\u015ftiriyor. Geli\u015ftiriciler, ajan\u0131 milyonlarca ge\u00e7mi\u015f m\u00fc\u015fteri konu\u015fmas\u0131 verisiyle e\u011fitiyor ve ilk de\u011ferlendirme veri k\u00fcmesini s\u0131k\u00e7a sorulan sorulara (SSS) dayal\u0131 olarak haz\u0131rl\u0131yorlar. Ba\u015flang\u0131\u00e7ta yap\u0131lan testlerde ajan\u0131n %95 do\u011frulukla \u00e7al\u0131\u015ft\u0131\u011f\u0131 g\u00f6zlemleniyor. Ancak ajan \u00fcretim ortam\u0131na al\u0131nd\u0131ktan k\u0131sa bir s\u00fcre sonra, kullan\u0131c\u0131 \u015fikayetlerinde art\u0131\u015f ya\u015fan\u0131yor. Sorun neydi?<\/p>\n
Detayl\u0131 incelemeler sonucunda, de\u011ferlendirme veri k\u00fcmesinde \u00f6nemli eksiklikler oldu\u011fu ortaya \u00e7\u0131k\u0131yor:<\/p>\n
Bu durum, %95’lik y\u00fcksek bir do\u011fruluk oran\u0131n\u0131n bile ger\u00e7ek d\u00fcnya performans\u0131n\u0131 garanti etmedi\u011fini g\u00f6sterdi. \u00c7\u00f6z\u00fcm olarak, \u015firket yeni bir de\u011ferlendirme veri k\u00fcmesi olu\u015fturmak i\u00e7in a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 izledi:<\/p>\n
Bu g\u00fcncellemeler sayesinde, ajan\u0131n ger\u00e7ek d\u00fcnya performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde artt\u0131 ve m\u00fc\u015fteri memnuniyetsizli\u011fi azald\u0131. Bu vaka, de\u011ferlendirme veri k\u00fcmelerinin \u00e7e\u015fitlili\u011finin ve temsil kabiliyetinin ne kadar kritik oldu\u011funu net bir \u015fekilde ortaya koymaktad\u0131r.<\/p>\n
Bir otonom ara\u00e7 geli\u015ftiricisi, ara\u00e7 i\u00e7i kamera g\u00f6r\u00fcnt\u00fclerine dayal\u0131 bir yaya alg\u0131lama sistemi \u00fczerinde \u00e7al\u0131\u015f\u0131yordu. Sistem, standart ayd\u0131nlatma ko\u015fullar\u0131nda ve normal hava durumlar\u0131nda yayalar\u0131 olduk\u00e7a y\u00fcksek do\u011frulukla alg\u0131l\u0131yordu. Ancak test s\u00fcr\u00fc\u015fleri s\u0131ras\u0131nda, sisteme beklenmedik bir senaryo sunuldu: yo\u011fun sisli bir havada, kar\u015f\u0131dan gelen arac\u0131n far \u0131\u015f\u0131klar\u0131n\u0131n etkisiyle yola yans\u0131yan sil\u00fceti. Sistem, bu “yans\u0131may\u0131” hatal\u0131 bir \u015fekilde “yaya” olarak alg\u0131lad\u0131 ve ani frenleme yaparak gereksiz bir risk olu\u015fturdu. Sorun, de\u011ferlendirme veri k\u00fcmesinde nadir g\u00f6r\u00fclen ancak potansiyel olarak kritik olan bu t\u00fcr durumlar\u0131n eksikli\u011finden kaynaklan\u0131yordu.<\/p>\n
Bu olay\u0131n analizi, otonom s\u00fcr\u00fc\u015f gibi y\u00fcksek riskli alanlarda de\u011ferlendirme veri k\u00fcmelerinin ne kadar kapsaml\u0131 olmas\u0131 gerekti\u011fini g\u00f6sterdi. Nadir olaylar (black swan events) ger\u00e7ek d\u00fcnyada \u00e7ok az meydana gelse de, ger\u00e7ekle\u015fti\u011finde y\u0131k\u0131c\u0131 sonu\u00e7lar do\u011furabilirler. Bu t\u00fcr senaryolar\u0131 manuel olarak toplamak veya beklemek genellikle pratik veya g\u00fcvenli de\u011fildir. Bu sorunu \u00e7\u00f6zmek i\u00e7in a\u015fa\u011f\u0131daki yakla\u015f\u0131mlar benimsendi:<\/p>\n
Bu vaka analizleri, de\u011ferlendirme veri k\u00fcmelerinin sadece genel performans\u0131 de\u011fil, ayn\u0131 zamanda ajan\u0131n kritik durumlarla ba\u015fa \u00e7\u0131kma yetene\u011fini de \u00f6l\u00e7mesi gerekti\u011fini vurgulamaktad\u0131r. Veri k\u00fcmesi tasar\u0131m\u0131nda \u00e7e\u015fitlilik, temsil kabiliyeti ve k\u00f6\u015fe durumlar\u0131na odaklanmak, YZ ajanlar\u0131n\u0131n sadece “\u00e7al\u0131\u015fmas\u0131n\u0131” de\u011fil, ayn\u0131 zamanda “g\u00fcvenli ve g\u00fcvenilir bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131” sa\u011flaman\u0131n temelidir.<\/p>\n
Temel ad\u0131mlar\u0131 anlad\u0131ktan ve ger\u00e7ek d\u00fcnya senaryolar\u0131ndan ders \u00e7\u0131kard\u0131ktan sonra, de\u011ferlendirme veri k\u00fcmelerinizi bir sonraki seviyeye ta\u015f\u0131mak i\u00e7in kullanabilece\u011finiz baz\u0131 ileri d\u00fczey teknikler ve en iyi uygulamalar bulunmaktad\u0131r. Bu teknikler, ajan\u0131n performans\u0131n\u0131 daha derinlemesine anlaman\u0131za, zay\u0131f noktalar\u0131n\u0131 proaktif bir \u015fekilde belirlemenize ve daha robust sistemler geli\u015ftirmenize yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n
Ger\u00e7ek d\u00fcnya verileri her zaman yeterli veya kolayca eri\u015filebilir olmayabilir. \u00d6zellikle nadir olaylar, \u00f6zel senaryolar veya gizlilik kayg\u0131lar\u0131 ta\u015f\u0131yan durumlarda sentetik veri \u00fcretimi, de\u011ferlendirme veri k\u00fcmelerini zenginle\u015ftirmek i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r. B\u00fcy\u00fck Dil Modelleri (LLM’ler) veya Generative Adversarial Networks (GAN’ler) gibi geli\u015fmi\u015f teknikler kullan\u0131larak ger\u00e7ek\u00e7i ve \u00e7e\u015fitli sentetik veriler olu\u015fturulabilir. Sentetik veriler:<\/p>\n
Ancak sentetik veri kullan\u0131rken dikkatli olmak gerekir. \u00dcretilen verilerin kalitesi, ger\u00e7ek verilerin \u00e7e\u015fitlili\u011fini ve karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 ne kadar iyi yans\u0131tt\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Yanl\u0131\u015f tasarlanm\u0131\u015f sentetik veriler, ajan\u0131n ger\u00e7ek d\u00fcnya performans\u0131n\u0131 yanl\u0131\u015f yans\u0131tabilir.<\/p>\n
\n# Python ile basit bir sentetik veri olu\u015fturma \u00f6rne\u011fi (metin tabanl\u0131)\nimport random\n\ndef generate_synthetic_query():\n templates = [\n \"\u00dcr\u00fcn\u00fcm [\u00fcr\u00fcn_ad\u0131] ne zaman teslim edilecek?\",\n \"Sipari\u015f numaram [sipari\u015f_no] ile ilgili bir sorunum var.\",\n \"Hesab\u0131m\u0131 [kullan\u0131c\u0131_ad\u0131] nas\u0131l s\u0131f\u0131rlayabilirim?\",\n \"Merhaba, [\u00fcr\u00fcn_ad\u0131] i\u00e7in garanti s\u00fcresi nedir?\"\n ]\n products = [\"Laptop\", \"Ak\u0131ll\u0131 Telefon\", \"Ak\u0131ll\u0131 Saat\", \"Kablosuz Kulakl\u0131k\"]\n order_numbers = [f\"ORD-{random.randint(1000, 9999)}\" for _ in range(5)]\n usernames = [\"ali.yilmaz\", \"ayse.demir\", \"mehmetk\"]\n\n query = random.choice(templates)\n query = query.replace(\"[\u00fcr\u00fcn_ad\u0131]\", random.choice(products))\n query = query.replace(\"[sipari\u015f_no]\", random.choice(order_numbers))\n query = query.replace(\"[kullan\u0131c\u0131_ad\u0131]\", random.choice(usernames))\n return query\n\n# 5 adet sentetik sorgu olu\u015ftural\u0131m\nsynthetic_queries = [generate_synthetic_query() for _ in range(5)]\nfor q in synthetic_queries:\n print(q)\n<\/pre>\n<\/code><\/p>\n
Bu basit \u00f6rnek, metin tabanl\u0131 ajanlar i\u00e7in sentetik veri \u00fcretiminin temelini g\u00f6stermektedir. Daha karma\u015f\u0131k senaryolar i\u00e7in LLM'lerin prompt m\u00fchendisli\u011fi yetenekleri veya GAN'lerin g\u00f6r\u00fcnt\u00fc\/ses \u00fcretim yetenekleri kullan\u0131labilir.<\/p>\n
Adversarial Test ve Robustluk: Ajan\u0131n Zay\u0131f Noktalar\u0131 Nas\u0131l Bulunur?<\/h3>\n
Bir YZ ajan\u0131n\u0131n ger\u00e7ekten robust (sa\u011flam) oldu\u011funu anlamak i\u00e7in, onu \"d\u00fc\u015fmanca\" sald\u0131r\u0131lara maruz b\u0131rakmak gerekir. Adversarial test, modelin performans\u0131n\u0131 kas\u0131tl\u0131 olarak d\u00fc\u015f\u00fcrmek i\u00e7in tasarlanm\u0131\u015f, genellikle insan g\u00f6z\u00fcyle fark edilmesi zor olan k\u00fc\u00e7\u00fck de\u011fi\u015fikliklerle manip\u00fcle edilmi\u015f girdiler (adversarial \u00f6rnekler) olu\u015fturmay\u0131 i\u00e7erir. Bu testler, ajan\u0131n zay\u0131f noktalar\u0131n\u0131, g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 ve genelleme yetene\u011findeki s\u0131n\u0131rlamalar\u0131 ortaya \u00e7\u0131kar\u0131r.<\/p>\n
\n- Girdi Manip\u00fclasyonu:<\/strong> Bir g\u00f6r\u00fcnt\u00fcn\u00fcn piksellerini, bir ses kayd\u0131n\u0131n frekanslar\u0131n\u0131 veya bir metindeki kelimeleri hafif\u00e7e de\u011fi\u015ftirerek modelin karar\u0131n\u0131 de\u011fi\u015ftirmeye \u00e7al\u0131\u015fmak.<\/li>\n
- Yanl\u0131\u015f Bilgi Besleme:<\/strong> Ajan\u0131n \u00f6\u011frenme s\u00fcrecini veya karar verme mekanizmas\u0131n\u0131 manip\u00fcle etmek i\u00e7in kas\u0131tl\u0131 olarak yanl\u0131\u015f veya yan\u0131lt\u0131c\u0131 bilgiler sa\u011flamak.<\/li>\n<\/ul>\n
Adversarial testler, \u00f6zellikle g\u00fcvenlik ve g\u00fcvenilirli\u011fin kritik oldu\u011fu alanlarda (\u00f6rne\u011fin, otonom s\u00fcr\u00fc\u015f, siber g\u00fcvenlik, t\u0131bbi te\u015fhis) hayati \u00f6neme sahiptir. Bu testlerden elde edilen i\u00e7g\u00f6r\u00fcler, modelin savunmas\u0131n\u0131 g\u00fc\u00e7lendirmek ve daha sa\u011flam algoritmalar geli\u015ftirmek i\u00e7in kullan\u0131labilir. Bu s\u00fcre\u00e7, bir nevi s\u0131zma testi gibi d\u00fc\u015f\u00fcn\u00fclebilir; sistemin s\u0131n\u0131rlar\u0131n\u0131 ve beklenmedik durumlara kar\u015f\u0131 direncini test eder.<\/p>\n
Metrik Se\u00e7imi ve Yorumlama: Do\u011fru Performans \u00d6l\u00e7\u00fctleri Nas\u0131l Belirlenir?<\/h3>\n
De\u011ferlendirme sonu\u00e7lar\u0131n\u0131 do\u011fru bir \u015fekilde yorumlamak i\u00e7in do\u011fru metrikleri se\u00e7mek esast\u0131r. Hangi metriklerin \u00f6nemli oldu\u011fu, ajan\u0131n g\u00f6revine ve i\u015f hedeflerine ba\u011fl\u0131d\u0131r. Genel metrikler \u015funlar\u0131 i\u00e7erebilir:<\/p>\n
\n- Do\u011fruluk (Accuracy):<\/strong> T\u00fcm do\u011fru tahminlerin oran\u0131. Genellikle basit s\u0131n\u0131fland\u0131rma g\u00f6revleri i\u00e7in kullan\u0131l\u0131r.<\/li>\n
- Kesinlik (Precision):<\/strong> Pozitif olarak tahmin edilen durumlardan ger\u00e7ekten pozitif olanlar\u0131n oran\u0131. Yanl\u0131\u015f pozitiflerden ka\u00e7\u0131nmak \u00f6nemlidir.<\/li>\n
- Duyarl\u0131l\u0131k (Recall):<\/strong> Ger\u00e7ekte pozitif olan t\u00fcm durumlardan modelin do\u011fru bir \u015fekilde tespit etti\u011fi pozitiflerin oran\u0131. Yanl\u0131\u015f negatiflerden ka\u00e7\u0131nmak \u00f6nemlidir.<\/li>\n
- F1 Skoru:<\/strong> Kesinlik ve Duyarl\u0131l\u0131\u011f\u0131n harmonik ortalamas\u0131d\u0131r, dengeli bir metrik sunar.<\/li>\n
- ROUGE\/BLEU:<\/strong> Metin \u00f6zetleme ve \u00e7eviri gibi NLP g\u00f6revlerinde kullan\u0131l\u0131r.<\/li>\n
- AUC-ROC:<\/strong> \u0130kili s\u0131n\u0131fland\u0131rma modellerinin performans\u0131n\u0131 farkl\u0131 e\u015fik de\u011ferlerinde de\u011ferlendirmek i\u00e7in kullan\u0131l\u0131r.<\/li>\n<\/ul>\n
Metrikleri se\u00e7erken, sadece say\u0131sal de\u011ferlere de\u011fil, ayn\u0131 zamanda i\u015f ba\u011flam\u0131na da odaklanmak gerekir. \u00d6rne\u011fin, t\u0131bbi bir te\u015fhis sisteminde yanl\u0131\u015f negatif (hastay\u0131 sa\u011fl\u0131kl\u0131 sanmak) bir yanl\u0131\u015f pozitiften (sa\u011fl\u0131kl\u0131 hastay\u0131 hasta sanmak) \u00e7ok daha kritik olabilir. Bu durumda, duyarl\u0131l\u0131k daha \u00f6nemli bir metrik haline gelir. Ayr\u0131ca, metriklerin farkl\u0131 veri alt k\u00fcmelerinde (\u00f6rne\u011fin, farkl\u0131 demografik gruplar, farkl\u0131 senaryolar) nas\u0131l performans g\u00f6sterdi\u011fini incelemek, olas\u0131 \u00f6nyarg\u0131lar\u0131 ve e\u015fitsizlikleri ortaya \u00e7\u0131karabilir.<\/p>\n
Otomatik De\u011ferlendirme Ara\u00e7lar\u0131 Entegrasyonu: S\u00fcre\u00e7leri Nas\u0131l H\u0131zland\u0131r\u0131rs\u0131n\u0131z?<\/h3>\n
B\u00fcy\u00fck ve karma\u015f\u0131k de\u011ferlendirme veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken, manuel de\u011ferlendirme s\u00fcre\u00e7leri s\u00fcrd\u00fcr\u00fclebilir de\u011fildir. Otomatik de\u011ferlendirme ara\u00e7lar\u0131n\u0131n entegrasyonu, verimlili\u011fi art\u0131rman\u0131n ve s\u00fcrekli geri bildirim d\u00f6ng\u00fclerini sa\u011flaman\u0131n anahtar\u0131d\u0131r. Bu ara\u00e7lar, CI\/CD (S\u00fcrekli Entegrasyon\/S\u00fcrekli Da\u011f\u0131t\u0131m) boru hatlar\u0131na entegre edilerek, model g\u00fcncellemelerinin veya yeni \u00f6zelliklerin mevcut performans\u0131 olumsuz etkilemedi\u011finden emin olunmas\u0131n\u0131 sa\u011flar (regresyon testi).<\/p>\n
\n- Otomatik Test Ortamlar\u0131:<\/strong> De\u011ferlendirme veri k\u00fcmesi \u00fczerinde modelin performans\u0131n\u0131 otomatik olarak \u00f6l\u00e7en test ortamlar\u0131 kurun.<\/li>\n
- Performans \u0130zleme Panolar\u0131:<\/strong> Metrikleri zaman i\u00e7inde izleyen panolar olu\u015fturun. Bu panolar, performans d\u00fc\u015f\u00fc\u015flerini veya anormallikleri h\u0131zla tespit etmenizi sa\u011flar.<\/li>\n
- API Entegrasyonlar\u0131:<\/strong> De\u011ferlendirme ara\u00e7lar\u0131n\u0131 mevcut geli\u015ftirme ve da\u011f\u0131t\u0131m ara\u00e7lar\u0131n\u0131zla entegre edin.<\/li>\n<\/ul>\n
Bu otomasyon, geli\u015ftiricilerin h\u0131zl\u0131 bir \u015fekilde geri bildirim almas\u0131n\u0131 ve modelde iyile\u015ftirmeler yapmas\u0131n\u0131 sa\u011flar. B\u00f6ylece, geli\u015ftirme d\u00f6ng\u00fcs\u00fc h\u0131zlan\u0131r ve ajan\u0131n kalitesi s\u00fcrekli olarak artar. \u00d6rne\u011fin, bir konu\u015fma ajan\u0131 i\u00e7in, her yeni model e\u011fitimi sonras\u0131 otomatik olarak de\u011ferlendirme veri k\u00fcmesi \u00fczerinde testler \u00e7al\u0131\u015ft\u0131r\u0131labilir ve performans metrikleri bir dashboard'a aktar\u0131labilir.<\/p>\n
\u0130nsan Uzmanl\u0131\u011f\u0131 Entegrasyonu (Human-in-the-Loop - HIL): Makine ve \u0130nsan Zekas\u0131n\u0131 Birle\u015ftirme<\/h3>\n
En geli\u015fmi\u015f otomatik de\u011ferlendirme ara\u00e7lar\u0131 bile, insan yarg\u0131s\u0131n\u0131n ve domain uzmanl\u0131\u011f\u0131n\u0131n yerini tamamen tutamaz. \u0130nsan D\u00f6ng\u00fcs\u00fcnde (HIL) yakla\u015f\u0131mlar\u0131, makine \u00f6\u011frenimi modellerinin performans\u0131n\u0131 art\u0131rmak ve de\u011ferlendirme s\u00fcre\u00e7lerini zenginle\u015ftirmek i\u00e7in insan zekas\u0131n\u0131 stratejik olarak entegre eder.<\/p>\n
\n- Aktif \u00d6\u011frenme:<\/strong> Modelin en emin olmad\u0131\u011f\u0131 veya en \u00e7ok fayda sa\u011flayaca\u011f\u0131 \u00f6rnekleri insan etiketlemeye g\u00f6nderme. Bu, s\u0131n\u0131rl\u0131 b\u00fct\u00e7elerle daha verimli etiketleme sa\u011flar.<\/li>\n
- Uzman Do\u011frulama:<\/strong> \u00d6zellikle kritik ve karma\u015f\u0131k senaryolarda, otomatik olarak etiketlenmi\u015f veya de\u011ferlendirilmi\u015f sonu\u00e7lar\u0131n insan uzmanlar\u0131 taraf\u0131ndan do\u011frulanmas\u0131.<\/li>\n
- Geri Bildirim Mekanizmalar\u0131:<\/strong> Son kullan\u0131c\u0131lardan veya domain uzmanlar\u0131ndan do\u011frudan geri bildirim alarak de\u011ferlendirme veri k\u00fcmesini s\u00fcrekli olarak zenginle\u015ftirme ve modelin eksikliklerini giderme.<\/li>\n<\/ul>\n
HIL, \u00f6zellikle etik de\u011ferlendirme, g\u00fcvenlik a\u00e7\u0131\u011f\u0131 tespiti ve yarat\u0131c\u0131l\u0131k gerektiren g\u00f6revlerde vazge\u00e7ilmezdir. \u0130nsanlar, modellerin ka\u00e7\u0131rd\u0131\u011f\u0131 ince n\u00fcanslar\u0131, ba\u011flam\u0131 ve k\u00fclt\u00fcrel fakt\u00f6rleri anlayarak, daha do\u011fru ve g\u00fcvenilir de\u011ferlendirmeler yap\u0131lmas\u0131na yard\u0131mc\u0131 olur. Bu, YZ ajanlar\u0131n\u0131n sadece teknik olarak ba\u015far\u0131l\u0131 olmas\u0131n\u0131 de\u011fil, ayn\u0131 zamanda insani de\u011ferlere ve beklentilere uygun hareket etmesini de sa\u011flar.<\/p>\n
Mobil Uyumluluk ve HTML Yap\u0131s\u0131<\/h4>\n
Makalenin HTML yap\u0131s\u0131, mobil cihazlarda da sorunsuz bir okuma deneyimi sunacak \u015fekilde tasarlanm\u0131\u015ft\u0131r. Semantik etiketler (<\/p>\n<\/code>, <\/p>\n<\/code>, <\/p>\n<\/code>, <\/p>\n<\/code>, <\/p>\n<\/code>, <\/p>\n<\/code>) kullan\u0131larak i\u00e7eri\u011fin d\u00fczenli ve eri\u015filebilir olmas\u0131 sa\u011flan\u0131r. Ek olarak, daha dinamik bir mobil uyumluluk i\u00e7in CSS media query'leri kullan\u0131labilir. \u00d6rne\u011fin, tablolar\u0131n veya resimlerin k\u00fc\u00e7\u00fck ekranlarda nas\u0131l g\u00f6r\u00fcnece\u011fini kontrol etmek i\u00e7in a\u015fa\u011f\u0131daki gibi basit bir CSS blo\u011fu eklemek faydal\u0131 olabilir:<\/p>\n\n