Modern i\u015fe al\u0131m s\u00fcre\u00e7leri, ne yaz\u0131k ki baz\u0131 gizli \u00f6nyarg\u0131lar ve uyumluluk sorunlar\u0131 bar\u0131nd\u0131rabiliyor. B\u00fcy\u00fck Dil Modelleri (LLM’ler) ile 96 saat gibi k\u0131sa bir s\u00fcrede, \u0130K s\u00fcre\u00e7lerinizdeki bu k\u00f6r noktalar\u0131 ayd\u0131nlatacak adli bir ATS taray\u0131c\u0131s\u0131 geli\u015ftirmek art\u0131k m\u00fcmk\u00fcn. Bu makale, LLM’leri arka u\u00e7 ekibiniz olarak kullanarak nas\u0131l yenilik\u00e7i bir \u00e7\u00f6z\u00fcm olu\u015fturabilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131kl\u0131yor.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn rekabet\u00e7i i\u015f d\u00fcnyas\u0131nda, do\u011fru yetene\u011fi bulmak her zamankinden daha kritik bir hale gelmi\u015ftir. Ancak, bu s\u00fcre\u00e7 \u00e7o\u011fu zaman karma\u015f\u0131k ve \u00e7ok katmanl\u0131 Applicant Tracking System (ATS) yaz\u0131l\u0131mlar\u0131 \u00fczerinden y\u00fcr\u00fct\u00fcl\u00fcr. Bu sistemler verimlili\u011fi art\u0131r\u0131rken, fark\u0131nda olmadan \u00f6nyarg\u0131lar\u0131 peki\u015ftirebilir, veri gizlili\u011fi ihlallerine zemin haz\u0131rlayabilir veya yasal uyumluluk sorunlar\u0131na yol a\u00e7abilir. \u0130nsan kaynaklar\u0131 profesyonelleri i\u00e7in bu durum, yaln\u0131zca yasal riskler de\u011fil, ayn\u0131 zamanda \u015firket itibar\u0131 ve \u00e7e\u015fitlilik hedefleri a\u00e7\u0131s\u0131ndan da b\u00fcy\u00fck bir tehdit olu\u015fturur. Geleneksel denetim y\u00f6ntemleri yava\u015f, maliyetli ve genellikle geriye d\u00f6n\u00fck oldu\u011fundan, bu gizli tehlikelerin zaman\u0131nda tespit edilmesi olduk\u00e7a zordur.<\/p>\n
\u0130\u015fte tam da bu noktada, yapay zekan\u0131n g\u00fcc\u00fc devreye giriyor. \u00d6zellikle B\u00fcy\u00fck Dil Modelleri (LLM’ler), muazzam metin i\u015fleme yetenekleri sayesinde \u0130K s\u00fcre\u00e7lerindeki anormallikleri, \u00f6nyarg\u0131lar\u0131 ve uyumluluk sorunlar\u0131n\u0131 adli bir hassasiyetle tarayabilir. Hayal edin: Bir hafta gibi k\u0131sa bir s\u00fcrede, mevcut ATS verilerinizi derinlemesine analiz eden, potansiyel riskleri otomatik olarak belirleyen ve size eyleme ge\u00e7irilebilir i\u00e7g\u00f6r\u00fcler sunan bir sistem kurabilirsiniz. Bu makalede, LLM’leri “arka u\u00e7 ekibimiz” olarak kullanarak, bu iddial\u0131 hedefi nas\u0131l 96 saatte ger\u00e7ekle\u015ftirdi\u011fimizi ve adli bir ATS taray\u0131c\u0131s\u0131n\u0131 nas\u0131l hayata ge\u00e7irebilece\u011finizi ayr\u0131nt\u0131lar\u0131yla ele alaca\u011f\u0131z. Bu yenilik\u00e7i yakla\u015f\u0131m, \u0130K teknolojilerinde ezber bozan bir d\u00f6n\u00fc\u015f\u00fcm vaat ediyor.<\/p>\n
Bir “Adli ATS Taray\u0131c\u0131s\u0131” geli\u015ftirmeden \u00f6nce, projemizin temelini olu\u015fturan iki ana kavram\u0131 netle\u015ftirmemiz \u00f6nemlidir: B\u00fcy\u00fck Dil Modelleri (LLM’ler) ve Adli \u0130K Taramas\u0131. Bu terimleri anlamak, taray\u0131c\u0131m\u0131z\u0131n i\u015flevselli\u011fini ve potansiyelini kavramak i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n
B\u00fcy\u00fck Dil Modelleri (Large Language Models – LLM’ler), muazzam boyutlardaki metin veri k\u00fcmeleri \u00fczerinde e\u011fitilmi\u015f, derin \u00f6\u011frenme tabanl\u0131 yapay zeka modelleridir. Bu modeller, insan dilini anlama, yorumlama, \u00fcretme ve \u00e7evirme konusunda ola\u011fan\u00fcst\u00fc yeteneklere sahiptir. GPT-3, GPT-4, Llama, Gemini gibi \u00f6rnekler, metin \u00f6zetleme, soru yan\u0131tlama, metin tamamlama, duygu analizi ve hatta kod yazma gibi \u00e7e\u015fitli do\u011fal dil i\u015fleme (NLP) g\u00f6revlerini ba\u015far\u0131yla yerine getirebilir. LLM’ler, karma\u015f\u0131k metinsel kal\u0131plar\u0131 ve ili\u015fkileri \u00f6\u011frenerek, bir anlamda “metin uzman\u0131” haline gelirler. Bu yetenekleri sayesinde, yap\u0131land\u0131r\u0131lmam\u0131\u015f veriler olan \u00f6zge\u00e7mi\u015fler, i\u015f tan\u0131mlar\u0131, m\u00fclakat notlar\u0131 gibi \u0130K dok\u00fcmanlar\u0131n\u0131 analiz etmek i\u00e7in ideal bir ara\u00e7 haline gelirler.<\/p>\n
“Adli \u0130K Taramas\u0131”, bir \u015firketin \u0130nsan Kaynaklar\u0131 s\u00fcre\u00e7lerinde ve ATS veritabanlar\u0131nda potansiyel riskleri, uyumluluk ihlallerini, \u00f6nyarg\u0131lar\u0131, veri tutars\u0131zl\u0131klar\u0131n\u0131 veya di\u011fer anormallikleri sistematik ve derinlemesine inceleme s\u00fcrecidir. Geleneksel \u0130K denetimlerinin \u00f6tesine ge\u00e7erek, gizli kalm\u0131\u015f veya g\u00f6zden ka\u00e7m\u0131\u015f sorunlar\u0131 ortaya \u00e7\u0131karmay\u0131 hedefler. \u00d6rne\u011fin:<\/p>\n
LLM’lerin do\u011fal dil anlama ve ba\u011flam \u00e7\u0131karma yetenekleri, adli tarama i\u00e7in onlar\u0131 paha bi\u00e7ilmez k\u0131lar. Bu modeller, geleneksel kurallara dayal\u0131 sistemlerin ka\u00e7\u0131rabilece\u011fi n\u00fcanslar\u0131 yakalayabilir ve b\u00fcy\u00fck veri k\u00fcmelerinde anlaml\u0131 korelasyonlar bulabilir. Bu sayede, manuel denetimlerin haftalar hatta aylar s\u00fcrebilecek karma\u015f\u0131k analizleri, LLM destekli bir taray\u0131c\u0131 ile sadece dakikalar i\u00e7inde ger\u00e7ekle\u015ftirilebilir.<\/p>\n
96 saat gibi k\u0131sa bir s\u00fcrede kapsaml\u0131 bir Adli ATS Taray\u0131c\u0131s\u0131 geli\u015ftirmek, kula\u011fa iddial\u0131 gelse de, do\u011fru strateji ve modern ara\u00e7larla tamamen ula\u015f\u0131labilir bir hedeftir. Bu h\u0131zl\u0131 prototipleme ve \u00e7evik geli\u015ftirme yakla\u015f\u0131m\u0131, \u00f6zellikle LLM’lerin API eri\u015filebilirli\u011fi ve zengin k\u00fct\u00fcphane ekosistemi sayesinde m\u00fcmk\u00fcn hale gelmektedir. Peki, bu s\u00fcreci nas\u0131l yap\u0131land\u0131rd\u0131k ve hangi s\u0131rlar\u0131 kulland\u0131k?<\/p>\n
Projemizi, d\u00f6rt ana a\u015famaya b\u00f6ld\u00fck ve her bir a\u015fama i\u00e7in belirli hedefler belirledik:<\/p>\n
Bu s\u00fcre\u00e7te, her a\u015famada mevcut k\u00fct\u00fcphaneleri ve API’leri maksimum d\u00fczeyde kullanmak, tekerle\u011fi yeniden icat etmekten ka\u00e7\u0131nmak en b\u00fcy\u00fck s\u0131rr\u0131m\u0131zd\u0131. LLM’lerin sundu\u011fu esneklik ve kodun h\u0131zla yinelenmesi yetene\u011fi, 96 saatlik zaman \u00e7izelgesine uymam\u0131z\u0131 sa\u011flayan temel fakt\u00f6rlerdendi.<\/p>\n
96 saatte geli\u015ftirilen adli ATS taray\u0131c\u0131m\u0131z\u0131n mimarisi, mod\u00fcler, \u00f6l\u00e7eklenebilir ve modern teknolojilerden yararlanan bir yap\u0131ya sahiptir. LLM’leri “arka u\u00e7 ekibi” olarak konumland\u0131rmam\u0131z, geleneksel yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerini basitle\u015ftirerek, karma\u015f\u0131k mant\u0131klar\u0131n b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131 LLM’lere delege etmemizi sa\u011flad\u0131. \u0130\u015fte taray\u0131c\u0131m\u0131z\u0131n temel teknik yap\u0131 ta\u015flar\u0131:<\/p>\n
H\u0131zl\u0131 prototipleme i\u00e7in Streamlit<\/a> veya Gradio<\/a> gibi Python tabanl\u0131 k\u00fct\u00fcphaneleri kulland\u0131k. Bu k\u00fct\u00fcphaneler, minimal kodla interaktif web uygulamalar\u0131 olu\u015fturmaya olanak tan\u0131r. Kullan\u0131c\u0131, tarama i\u00e7in ATS verilerini y\u00fckleyebilir (CSV, JSON format\u0131nda veya API entegrasyonu ile), tarama parametrelerini ayarlayabilir ve sonu\u00e7lar\u0131 g\u00f6rselle\u015ftirebilir. E\u011fer daha fazla kontrol gerekliyse, React veya Vue.js gibi bir JavaScript \u00e7er\u00e7evesi de kullan\u0131labilir, ancak 96 saatlik bir projede Streamlit\/Gradio h\u0131z\u0131 paha bi\u00e7ilmezdir.<\/p>\n<\/li>\n Ana uygulama mant\u0131\u011f\u0131 Python ile yaz\u0131ld\u0131 ve FastAPI<\/a> veya Flask gibi hafif bir web \u00e7er\u00e7evesi kullan\u0131ld\u0131. Bu katman, kullan\u0131c\u0131 aray\u00fcz\u00fcnden gelen istekleri al\u0131r, verileri i\u015fler, LLM API’leriyle ileti\u015fim kurar ve sonu\u00e7lar\u0131 aray\u00fcze geri g\u00f6nderir. Ayn\u0131 zamanda, veri \u00f6n i\u015fleme (temizleme, bi\u00e7imlendirme) ve LLM yan\u0131tlar\u0131n\u0131n sonradan i\u015flenmesi (parse etme, raporlama i\u00e7in formatlama) gibi g\u00f6revleri de yerine getirir.<\/p>\n <\/code>\n <\/li>\n Bu, sistemin kalbidir. OpenAI API, Anthropic Claude API veya Google Gemini API gibi servisler arac\u0131l\u0131\u011f\u0131yla LLM'lerle etkile\u015fim kurulur. Backend, belirli adli tarama g\u00f6revleri i\u00e7in \u00f6zenle tasarlanm\u0131\u015f istemleri (prompts) LLM'lere g\u00f6nderir ve ald\u0131klar\u0131 yan\u0131tlar\u0131 i\u015fler. Bu LLM'ler, \u00f6nyarg\u0131 tespiti, uyumluluk analizi, duygu analizi ve veri \u00e7\u0131karma gibi karma\u015f\u0131k g\u00f6revleri yerine getiren \"arka u\u00e7 ekibimiz\" gibidir.<\/p>\n<\/li>\n Daha geli\u015fmi\u015f senaryolarda, \u00f6zellikle b\u00fcy\u00fck hacimli \u00f6zge\u00e7mi\u015f veya i\u015f tan\u0131m\u0131 verilerini tararken, Pinecone<\/a>, Weaviate<\/a> veya ChromaDB<\/a> gibi bir vekt\u00f6r veritaban\u0131 kritik \u00f6neme sahiptir. ATS verileri embedding'lere d\u00f6n\u00fc\u015ft\u00fcr\u00fclerek burada saklan\u0131r. Bu sayede, semantik olarak benzer belgeleri h\u0131zl\u0131ca arayabilir, RAG (Retrieval Augmented Generation) mimarisi ile LLM'lerin ba\u011flam\u0131n\u0131 zenginle\u015ftirebilir ve daha do\u011fru analizler yapabiliriz. \u00d6rne\u011fin, belirli bir \u00f6nyarg\u0131 t\u00fcr\u00fc i\u00e7eren benzer i\u015f tan\u0131mlar\u0131n\u0131 bulmak i\u00e7in kullan\u0131labilir.<\/p>\n<\/li>\n Taray\u0131c\u0131m\u0131z\u0131n kendisi genellikle ge\u00e7ici olarak i\u015flenen verileri kullan\u0131r. Ancak, tarama ge\u00e7mi\u015fini, yap\u0131land\u0131r\u0131lm\u0131\u015f raporlar\u0131 veya belirli riskli aday profillerini kal\u0131c\u0131 olarak depolamak i\u00e7in PostgreSQL gibi ili\u015fkisel bir veritaban\u0131 veya MongoDB gibi NoSQL bir veritaban\u0131 kullan\u0131labilir.<\/p>\n<\/li>\n Uygulamay\u0131 \u00f6l\u00e7eklenebilir ve eri\u015filebilir hale getirmek i\u00e7in AWS (EC2, Lambda), Google Cloud (Cloud Run, Cloud Functions) veya Azure (App Service) gibi bir bulut platformuna da\u011f\u0131t\u0131labilir. Bu, \u00f6zellikle veri g\u00fcvenli\u011fi ve eri\u015fim y\u00f6netimi a\u00e7\u0131s\u0131ndan \u00f6nemlidir.<\/p>\n<\/li>\n<\/ul>\n Bu mimari, LLM'lerin karma\u015f\u0131k dil i\u015fleme yeteneklerini esnek bir web uygulamas\u0131yla birle\u015ftirerek, \u0130K profesyonellerine g\u00fc\u00e7l\u00fc bir adli analiz arac\u0131 sunar. Her bir bile\u015fen, 96 saatlik zaman \u00e7izelgesi i\u00e7inde kolayca entegre edilebilir ve h\u0131zla test edilebilir \u015fekilde se\u00e7ilmi\u015ftir.<\/p>\n LLM destekli adli ATS taray\u0131c\u0131m\u0131z\u0131n en de\u011ferli k\u0131sm\u0131, \u00e7e\u015fitli adli mod\u00fclleri arac\u0131l\u0131\u011f\u0131yla \u0130K s\u00fcre\u00e7lerindeki farkl\u0131 anormallikleri tespit edebilmesidir. Bu mod\u00fcller, \u00f6zel olarak haz\u0131rlanm\u0131\u015f LLM istemleri (prompts) ile \u00e7al\u0131\u015f\u0131r ve \"arka u\u00e7 ekibimiz\" olan LLM'lerin belirli g\u00f6revleri yerine getirmesini sa\u011flar. Her bir mod\u00fcl, \u0130K risklerini ve iyile\u015ftirme alanlar\u0131n\u0131 belirlemek i\u00e7in tasarlanm\u0131\u015ft\u0131r.<\/p>\n Bu mod\u00fcl, i\u015f tan\u0131mlar\u0131, \u00f6zge\u00e7mi\u015fler ve m\u00fclakat notlar\u0131 gibi metinsel verilerdeki gizli \u00f6nyarg\u0131lar\u0131 (cinsiyet, ya\u015f, etnik k\u00f6ken, sosyoekonomik durum vb.) analiz eder. LLM, belirli kelime se\u00e7imlerini, c\u00fcmle yap\u0131lar\u0131n\u0131 veya tonlamalar\u0131 inceleyerek potansiyel ayr\u0131mc\u0131 dil kullan\u0131m\u0131n\u0131 belirler. \u00d6rne\u011fin, bir i\u015f tan\u0131m\u0131nda \"dinamik gen\u00e7 tak\u0131m arkada\u015f\u0131\" gibi ifadeler ya\u015f \u00f6nyarg\u0131s\u0131na i\u015faret edebilirken, \"uzun \u00e7al\u0131\u015fma saatlerine dayan\u0131kl\u0131\" ifadesi cinsiyet veya ebeveynlik durumuna dayal\u0131 ayr\u0131mc\u0131l\u0131k sinyali verebilir.<\/p>\n KVKK (Ki\u015fisel Verilerin Korunmas\u0131 Kanunu), GDPR (General Data Protection Regulation) ve di\u011fer yerel veri koruma yasalar\u0131na uyumluluk, \u0130K i\u00e7in kritik \u00f6neme sahiptir. Bu mod\u00fcl, ATS'deki aday verilerinin toplanmas\u0131, saklanmas\u0131 ve i\u015flenmesiyle ilgili potansiyel ihlalleri tarar. \u00d6rne\u011fin, LLM, adaylar\u0131n a\u00e7\u0131k r\u0131zas\u0131 olmadan toplanm\u0131\u015f hassas ki\u015fisel verileri (sa\u011fl\u0131k bilgileri, sendika \u00fcyeli\u011fi gibi) veya belirli bir pozisyon i\u00e7in gereksiz yere uzun s\u00fcre saklanan \u00f6zge\u00e7mi\u015fleri tespit edebilir. Ayr\u0131ca, metinlerdeki e-posta adresleri, telefon numaralar\u0131 gibi ki\u015fisel verilerin (PII) yetkisiz alanlarda veya notlarda bulunup bulunmad\u0131\u011f\u0131n\u0131 kontrol eder.<\/p>\n<\/li>\n ATS'deki verilerin do\u011frulu\u011fu ve tutarl\u0131l\u0131\u011f\u0131, sa\u011fl\u0131kl\u0131 \u0130K kararlar\u0131 almak i\u00e7in elzemdir. Bu mod\u00fcl, eksik alanlar, yanl\u0131\u015f formatlanm\u0131\u015f veriler, \u00e7eli\u015fkili bilgiler veya tekrarlayan kay\u0131tlar gibi veri kalitesi sorunlar\u0131n\u0131 belirler. LLM, bir aday\u0131n \u00f6zge\u00e7mi\u015finde belirtilen e\u011fitim veya deneyim bilgilerinin, sistemdeki di\u011fer giri\u015flerle (\u00f6rne\u011fin, manuel olarak girilen verilerle) \u00e7eli\u015fip \u00e7eli\u015fmedi\u011fini anlamak i\u00e7in kar\u015f\u0131la\u015ft\u0131rmal\u0131 analiz yapabilir.<\/p>\n<\/li>\n \u00d6zge\u00e7mi\u015flerdeki bilgilerin do\u011frulu\u011fu her zaman bir soru i\u015faretidir. Bu mod\u00fcl, LLM'leri kullanarak \u00f6zge\u00e7mi\u015flerdeki potansiyel abart\u0131lar\u0131, tutars\u0131zl\u0131klar\u0131 veya do\u011frudan yanl\u0131\u015f beyanlar\u0131 i\u015faret edebilir. \u00d6rne\u011fin, bir aday\u0131n k\u0131sa s\u00fcreli i\u015f de\u011fi\u015fiklikleri, belirli yetkinlik iddialar\u0131n\u0131n sekt\u00f6r standartlar\u0131yla uyumsuzlu\u011fu veya ola\u011fan d\u0131\u015f\u0131 kariyer ge\u00e7i\u015fleri gibi anormallikler dikkat \u00e7ekici olabilir. Bu mod\u00fcl, harici kaynaklarla (sim\u00fcle edilmi\u015f) \u00e7apraz referanslama yaparak \u015f\u00fcpheli bilgileri vurgulayabilir.<\/p>\n<\/li>\n Adaylar\u0131n \u015firketle olan etkile\u015fimleri, markan\u0131z i\u00e7in kritik \u00f6neme sahiptir. Bu mod\u00fcl, m\u00fclakat geri bildirimleri, aday ileti\u015fimleri veya anket yan\u0131tlar\u0131 gibi metin verilerinde duygu analizi yaparak olumsuz deneyim g\u00f6stergelerini belirler. LLM, hayal k\u0131r\u0131kl\u0131\u011f\u0131, uzun s\u00fcre\u00e7lerden \u015fikayet veya ileti\u015fim eksikli\u011fi gibi temalar\u0131 tespit ederek \u0130K'n\u0131n aday deneyimini iyile\u015ftirmesi i\u00e7in i\u00e7g\u00f6r\u00fcler sunar.<\/p>\n<\/li>\n<\/ul>\n Bir i\u015fe al\u0131m y\u00f6neticisi, yeni bir \"Pazarlama M\u00fcd\u00fcr\u00fc\" pozisyonu i\u00e7in ilan\u0131 haz\u0131rlarken, fark\u0131nda olmadan cinsiyet\u00e7i ve ya\u015fa dayal\u0131 \u00f6nyarg\u0131lar i\u00e7erebilir. Geleneksel bir incelemede bu ifadeler g\u00f6zden ka\u00e7abilir. Ancak bizim LLM destekli taray\u0131c\u0131m\u0131z a\u015fa\u011f\u0131daki gibi bir i\u015f tan\u0131m\u0131n\u0131 tarad\u0131\u011f\u0131nda:<\/p>\n <\/code><\/p>\n LLM'e a\u015fa\u011f\u0131daki gibi bir istem g\u00f6nderilir:<\/p>\n <\/code><\/p>\n LLM'den gelen yan\u0131t, \"gen\u00e7 ve enerjik\" ifadesinin ya\u015fa dayal\u0131 \u00f6nyarg\u0131 i\u00e7erdi\u011fini, \"tercihen erkek adaylar\" ifadesinin ise do\u011frudan cinsiyet ayr\u0131mc\u0131l\u0131\u011f\u0131 oldu\u011funu belirtecek ve her biri i\u00e7in tarafs\u0131z alternatifler sunacakt\u0131r. \u00d6rne\u011fin, \"dinamik ve motive olmu\u015f profesyonel\" veya \"t\u00fcm cinsiyetlerden adaylar\" gibi. Bu sayede, \u0130K ekipleri ilanlar\u0131n\u0131 yay\u0131nlamadan \u00f6nce d\u00fczelterek daha kapsay\u0131c\u0131 bir i\u015fe al\u0131m s\u00fcreci y\u00fcr\u00fctebilir.<\/p>\n Adli ATS taray\u0131c\u0131m\u0131zla ger\u00e7ek d\u00fcnyada kar\u015f\u0131la\u015fabilece\u011fimiz karma\u015f\u0131k senaryolar\u0131 ele alabiliriz. LLM'lerin ba\u011flamsal anlama yetenekleri sayesinde, yaln\u0131zca anahtar kelime e\u015fle\u015ftirmesinden \u00e7ok daha fazlas\u0131n\u0131 yapabilir, metinler aras\u0131 ili\u015fkileri ve n\u00fcanslar\u0131 yakalayabiliriz. \u0130\u015fte iki uygulamal\u0131 senaryo ve bunlara y\u00f6nelik olas\u0131 LLM istemleri ve \u00e7\u0131kt\u0131lar\u0131:<\/p>\n Bir \u015firketin \u0130K departman\u0131, adaylardan toplanan ki\u015fisel verileri ne kadar s\u00fcreyle saklamas\u0131 gerekti\u011fi konusunda net politikalara sahip olabilir. Ancak, \u00e7e\u015fitli nedenlerle (manuel giri\u015f hatalar\u0131, eski sistemler vb.) baz\u0131 veriler bu politikalar\u0131n d\u0131\u015f\u0131nda tutulabilir. \u00d6zellikle hassas verilerin (\u00f6rne\u011fin, sa\u011fl\u0131k durumu, dini inan\u00e7) uzun s\u00fcre saklanmas\u0131 ciddi uyumluluk sorunlar\u0131na yol a\u00e7abilir. Taray\u0131c\u0131m\u0131z, ATS'deki aday profilleri ve ekli belgeler \u00fczerinden bu t\u00fcr ihlalleri tespit edebilir.<\/p>\n Senaryo:<\/strong> Bir aday\u0131n, m\u00fclakat notlar\u0131nda veya \u00f6zge\u00e7mi\u015finde (belirlenen saklama s\u00fcresi ge\u00e7mi\u015f olmas\u0131na ra\u011fmen) sa\u011fl\u0131k durumuyla ilgili bilgilerinin hala sistemde bulundu\u011funu varsayal\u0131m.<\/p>\n <\/code><\/p>\n Bir aday\u0131n \u00f6zge\u00e7mi\u015findeki deneyim veya e\u011fitim bilgileri bazen ger\u00e7ekleri yans\u0131tmayabilir. LLM'ler, metin i\u00e7indeki tutars\u0131zl\u0131klar\u0131 veya genel kariyer ak\u0131\u015f\u0131yla uyumsuzluklar\u0131 yakalayarak potansiyel doland\u0131r\u0131c\u0131l\u0131k sinyallerini verebilir. Bu, \u00f6zellikle referans kontrol\u00fc veya arka plan ara\u015ft\u0131rmas\u0131 \u00f6ncesinde riskli adaylar\u0131 belirlemek i\u00e7in faydal\u0131d\u0131r.<\/p>\n Senaryo:<\/strong> Bir aday\u0131n \u00f6zge\u00e7mi\u015finde, bir \u015firkette 1 y\u0131l i\u00e7inde hem junior hem de k\u0131demli pozisyonlarda \u00e7al\u0131\u015ft\u0131\u011f\u0131 belirtiliyor.<\/p>\n <\/code><\/p>\n Bu \u00f6rneklerde de g\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, LLM'ler sadece bilgiyi \u00e7\u0131karmakla kalmaz, ayn\u0131 zamanda bu bilgiyi belirli bir ba\u011flamda de\u011ferlendirerek anlaml\u0131 i\u00e7g\u00f6r\u00fcler sunar. Bu, \u0130K profesyonellerine hem zaman kazand\u0131r\u0131r hem de daha bilin\u00e7li kararlar almalar\u0131n\u0131 sa\u011flar.<\/p>\n Haz\u0131rlad\u0131\u011f\u0131m\u0131z bu taray\u0131c\u0131n\u0131n raporlama ve aray\u00fcz k\u0131sm\u0131 i\u00e7in mobil uyumluluk da kritik \u00f6neme sahiptir. Kullan\u0131c\u0131lar\u0131n raporlar\u0131 tabletlerinden veya telefonlar\u0131ndan rahat\u00e7a g\u00f6r\u00fcnt\u00fcleyebilmesi i\u00e7in CSS medya sorgular\u0131ndan faydalanabiliriz. \u0130\u015fte basit bir \u00f6rnek:<\/p>\n <\/code><\/p>\n Bu medya sorgular\u0131, ekran boyutu de\u011fi\u015ftik\u00e7e rapor kartlar\u0131n\u0131n, yaz\u0131 tiplerinin ve genel sayfa d\u00fczeninin otomatik olarak adapte olmas\u0131n\u0131 sa\u011flar. B\u00f6ylece kullan\u0131c\u0131lar, hangi cihaz\u0131 kullan\u0131rlarsa kullans\u0131nlar tutarl\u0131 ve okunabilir bir deneyim ya\u015farlar.<\/p>\n 96 saatte in\u015fa etti\u011fimiz adli ATS taray\u0131c\u0131s\u0131, \u0130K s\u00fcre\u00e7lerinde devrim niteli\u011finde bir ba\u015flang\u0131\u00e7 olsa da, bu teknolojinin potansiyeli \u00e7ok daha geni\u015ftir. Gelecekte taray\u0131c\u0131m\u0131z\u0131 daha da g\u00fc\u00e7l\u00fc ve ak\u0131ll\u0131 hale getirmek i\u00e7in bir\u00e7ok optimizasyon ve geli\u015ftirme alan\u0131 bulunmaktad\u0131r. Bu iyile\u015ftirmeler, sistemin do\u011frulu\u011funu, verimlili\u011fini ve kapsam\u0131n\u0131 art\u0131racakt\u0131r.<\/p>\n Genel ama\u00e7l\u0131 LLM'ler harika olsa da, belirli \u0130K terminolojisi, \u015firket k\u00fclt\u00fcr\u00fc veya yasal \u00e7er\u00e7evelerle daha uyumlu hale getirmek i\u00e7in kendi ATS verileriniz \u00fczerinde k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli ince ayarlar (fine-tuning) yap\u0131labilir. Bu, LLM'lerin \u0130K ba\u011flam\u0131ndaki anormallikleri \u00e7ok daha y\u00fcksek bir do\u011frulukla tespit etmesini sa\u011flar. \u00d6rne\u011fin, \u015firketin ge\u00e7mi\u015fteki \u00f6nyarg\u0131l\u0131 ilanlar\u0131ndan veya uyumluluk ihlallerinden olu\u015fan k\u00fc\u00e7\u00fck bir veri setiyle modeli e\u011fitmek, gelecekte benzer hatalar\u0131 daha iyi tan\u0131mas\u0131na yard\u0131mc\u0131 olur.<\/p>\n<\/li>\n Taray\u0131c\u0131m\u0131z\u0131n \u015fu anki versiyonu ATS verilerine odaklan\u0131rken, yetenekleri HRIS (\u0130nsan Kaynaklar\u0131 Bilgi Sistemleri), performans de\u011ferlendirme sistemleri, m\u00fclakat geri bildirim ara\u00e7lar\u0131 ve hatta \u015firket i\u00e7i ileti\u015fim platformlar\u0131 (Slack, Teams) gibi di\u011fer \u0130K sistemlerine geni\u015fletilebilir. Bu, LLM'lerin daha b\u00fct\u00fcnsel bir analiz yapmas\u0131n\u0131 ve aday veya \u00e7al\u0131\u015fan yolculu\u011fu boyunca gizli kalm\u0131\u015f riskleri ortaya \u00e7\u0131karmas\u0131n\u0131 sa\u011flar.<\/p>\n<\/li>\n LLM'ler \"kara kutu\" olarak alg\u0131lanabilir, yani bir karar\u0131 neden verdiklerini anlamak zor olabilir. \u00d6zellikle adli bir ara\u00e7ta, bir hatan\u0131n veya \u00f6nyarg\u0131n\u0131n neden tespit edildi\u011fini a\u00e7\u0131klayabilmek kritik \u00f6neme sahiptir. XAI tekniklerini (\u00f6rne\u011fin, dikkat haritalar\u0131, salience map'ler) entegre ederek, LLM'lerin karar verme s\u00fcrecini daha \u015feffaf hale getirebiliriz. Bu, \u0130K profesyonellerinin LLM'in sonu\u00e7lar\u0131na g\u00fcvenmesini art\u0131r\u0131r ve gerekli d\u00fczeltmeleri yaparken yol g\u00f6sterir.<\/p>\n<\/li>\n Taray\u0131c\u0131m\u0131z\u0131 pasif bir denetim arac\u0131ndan proaktif bir risk y\u00f6netim sistemine d\u00f6n\u00fc\u015ft\u00fcrebiliriz. ATS'e yeni bir i\u015f ilan\u0131 y\u00fcklendi\u011finde veya bir aday kayd\u0131 g\u00fcncellendi\u011finde, sistemin otomatik olarak tetiklenerek anormallikleri ger\u00e7ek zamanl\u0131 olarak taramas\u0131 ve \u0130K ekibine an\u0131nda uyar\u0131 g\u00f6ndermesi sa\u011flanabilir. Bu, sorunlar\u0131n b\u00fcy\u00fcmeden \u00f6nce \u00e7\u00f6z\u00fclmesine olanak tan\u0131r.<\/p>\n<\/li>\n Yapay zeka sistemleri bile \u00f6nyarg\u0131lar\u0131 bar\u0131nd\u0131rabilir veya yeni etik sorunlar yaratabilir. Bu nedenle, taray\u0131c\u0131m\u0131z\u0131n etik performans\u0131n\u0131 d\u00fczenli olarak denetlemek ve LLM modellerinin \u00e7\u0131kt\u0131lar\u0131n\u0131n adil ve tarafs\u0131z oldu\u011fundan emin olmak i\u00e7in s\u00fcrekli bir g\u00f6zetim mekanizmas\u0131 olu\u015fturmak hayati \u00f6nem ta\u015f\u0131r. Bu, hem teknolojik hem de insan fakt\u00f6rlerinin s\u00fcrekli i\u015fbirli\u011fini gerektiren bir s\u00fcre\u00e7tir.<\/p>\n<\/li>\n<\/ul>\n Bu optimizasyonlar ve gelecek vizyonu, LLM destekli adli ATS taray\u0131c\u0131m\u0131z\u0131n sadece bir ba\u015flang\u0131\u00e7 oldu\u011funu, ancak insan kaynaklar\u0131 teknolojileri alan\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7ma potansiyeli ta\u015f\u0131d\u0131\u011f\u0131n\u0131 g\u00f6stermektedir. Bu sayede, daha adil, \u015feffaf ve uyumlu \u0130K s\u00fcre\u00e7leri in\u015fa edebiliriz.<\/p>\n 96 saat gibi iddial\u0131 bir s\u00fcrede B\u00fcy\u00fck Dil Modellerini (LLM'ler) adeta bir arka u\u00e7 ekibi gibi kullanarak geli\u015ftirdi\u011fimiz adli ATS taray\u0131c\u0131s\u0131, modern \u0130K'n\u0131n kar\u015f\u0131 kar\u015f\u0131ya oldu\u011fu en b\u00fcy\u00fck zorluklardan baz\u0131lar\u0131na yenilik\u00e7i bir \u00e7\u00f6z\u00fcm sunmaktad\u0131r. Bu proje, sadece bir teknolojinin ne kadar h\u0131zl\u0131 ve etkili bir \u015fekilde adapte edilebilece\u011fini g\u00f6stermekle kalmad\u0131, ayn\u0131 zamanda \u0130K s\u00fcre\u00e7lerinde gizli kalm\u0131\u015f \u00f6nyarg\u0131lar\u0131, uyumluluk ihlallerini ve veri b\u00fct\u00fcnl\u00fc\u011f\u00fc sorunlar\u0131n\u0131 tespit etme potansiyelimizi de ortaya koydu. LLM'lerin do\u011fal dil anlama ve karma\u015f\u0131k metin analizi yetenekleri sayesinde, insan kaynaklar\u0131 profesyonelleri art\u0131k manuel denetimlerin s\u0131n\u0131rl\u0131l\u0131klar\u0131n\u0131n \u00f6tesine ge\u00e7ebilir ve daha bilin\u00e7li, etik ve yasalara uygun kararlar alabilirler.<\/p>\n Geli\u015ftirdi\u011fimiz bu taray\u0131c\u0131, \u0130K departmanlar\u0131n\u0131n sadece reaktif olmak yerine proaktif bir yakla\u015f\u0131m benimsemelerine olanak tan\u0131r. \u0130\u015f ilanlar\u0131ndan aday \u00f6zge\u00e7mi\u015flerine, m\u00fclakat notlar\u0131ndan veri saklama politikalar\u0131na kadar geni\u015f bir yelpazede tarama yaparak, riskleri daha olu\u015fmadan \u00f6nce belirleyebilir ve \u015firket itibar\u0131 ile yasal y\u00fck\u00fcml\u00fcl\u00fckleri koruyabilirler. Gelecekte, ince ayarl\u0131 LLM'ler, daha fazla veri kayna\u011f\u0131 entegrasyonu ve a\u00e7\u0131klanabilir yapay zeka (XAI) gibi geli\u015ftirmelerle bu arac\u0131n yetenekleri daha da art\u0131r\u0131lacak, \u0130K'n\u0131n dijital d\u00f6n\u00fc\u015f\u00fcm\u00fcndeki rol\u00fc peki\u015ftirilecektir. Bu adli taray\u0131c\u0131, sadece bir yaz\u0131l\u0131m de\u011fil, ayn\u0131 zamanda daha adil, \u015feffaf ve g\u00fcvenli bir i\u015fe al\u0131m ve yetenek y\u00f6netimi gelece\u011fi i\u00e7in at\u0131lm\u0131\u015f cesur bir ad\u0131md\u0131r.<\/p>\n B\u00fct\u00e7e, kullan\u0131lan LLM API'lerine (genellikle kullan\u0131m ba\u015f\u0131na \u00fccretlendirilir), veri depolama maliyetlerine ve geli\u015ftirme i\u00e7in harcanan insan kayna\u011f\u0131na ba\u011fl\u0131d\u0131r. 96 saatlik bir prototip i\u00e7in, temel LLM API maliyetleri d\u00fc\u015f\u00fck seviyede kalabilir (\u00f6rne\u011fin, y\u00fczlerce dolar). Ancak \u00fcretim seviyesinde bir sistem i\u00e7in bu rakamlar, i\u015flem hacmine ve karma\u015f\u0131kl\u0131\u011fa g\u00f6re de\u011fi\u015febilir. Kendi modelinizi e\u011fitmek isterseniz maliyetler artar.<\/p>\n<\/li>\n LLM'ler \u00f6nyarg\u0131lar\u0131 tespit etme konusunda olduk\u00e7a ba\u015far\u0131l\u0131d\u0131r, ancak hi\u00e7bir sistem %100 kusursuz de\u011fildir. Modellerin e\u011fitildi\u011fi veri setleri kendileri de \u00f6nyarg\u0131lar i\u00e7erebilece\u011finden, LLM'ler de bu \u00f6nyarg\u0131lar\u0131 yans\u0131tabilir. Bu nedenle, LLM \u00e7\u0131kt\u0131lar\u0131n\u0131n insan denetiminden ge\u00e7mesi ve s\u00fcrekli olarak iyile\u015ftirilmesi \u00f6nemlidir. Sistem, riskleri i\u015faret ederek \u0130K profesyonellerine bir rehber g\u00f6revi g\u00f6r\u00fcr.<\/p>\n<\/li>\n Evet, olduk\u00e7a ger\u00e7ek\u00e7idir. Ancak bu, geli\u015ftirme ekibinin LLM'ler, Python ve ilgili API'ler konusunda yeterli deneyime sahip olmas\u0131n\u0131 ve mevcut LLM servislerinin (OpenAI, Anthropic vb.) API'lerini kullanmas\u0131n\u0131 gerektirir. Tekerle\u011fi yeniden icat etmek yerine mevcut ara\u00e7lar\u0131 ve k\u00fct\u00fcphaneleri bir araya getirerek h\u0131zl\u0131 prototipleme m\u00fcmk\u00fcn hale gelir. Ama\u00e7, \u00fcretim kalitesinde kusursuz bir \u00fcr\u00fcn yerine, i\u015flevsel bir MVP (Minimum Viable Product) olu\u015fturmakt\u0131r.<\/p>\n<\/li>\n Veri g\u00fcvenli\u011fi ve gizlili\u011fi en \u00fcst \u00f6nceliktir. Hassas ATS verileri i\u015flenirken, LLM API'leri ile g\u00fcvenli ba\u011flant\u0131lar (HTTPS) kullan\u0131lmal\u0131, veri \u015fifrelemesi (aktar\u0131mda ve depolamada) uygulanmal\u0131 ve LLM sa\u011flay\u0131c\u0131s\u0131n\u0131n veri politikalar\u0131 dikkatlice incelenmelidir. \u00d6zellikle hassas verileri LLM'lere g\u00f6ndermeden \u00f6nce anonimle\u015ftirme veya maskeleme stratejileri uygulanmal\u0131d\u0131r. Kendi altyap\u0131n\u0131zda bar\u0131nd\u0131r\u0131lan a\u00e7\u0131k kaynakl\u0131 LLM'ler de bir alternatif olabilir.<\/p>\n<\/li>\n<\/ul>\n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Modern i\u015fe al\u0131m s\u00fcre\u00e7leri, ne yaz\u0131k ki baz\u0131 gizli \u00f6nyarg\u0131lar ve uyumluluk sorunlar\u0131 bar\u0131nd\u0131rabiliyor. B\u00fcy\u00fck Dil Modelleri (LLM’ler)…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-35382","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n\nimport os\nfrom fastapi import FastAPI, UploadFile, File\nfrom pydantic import BaseModel\nfrom openai import OpenAI # Veya Anthropic, Google GenAI\nimport pandas as pd\n\n# LLM API anahtar\u0131n\u0131z\u0131 \u00e7evre de\u011fi\u015fkenlerinden al\u0131n\nclient = OpenAI(api_key=os.getenv(\"OPENAI_API_KEY\"))\n\napp = FastAPI()\n\nclass ScanRequest(BaseModel):\n data_type: str # 'job_description', 'resume', 'candidate_notes'\n prompt_template: str # Tarama i\u00e7in kullan\u0131lacak LLM istemi\n\n@app.post(\"\/scan\/\")\nasync def perform_scan(file: UploadFile = File(...), request: ScanRequest = None):\n contents = await file.read()\n df = pd.read_csv(io.StringIO(contents.decode('utf-8'))) # \u00d6rnek CSV okuma\n\n results = []\n for index, row in df.iterrows():\n text_to_scan = row.get(request.data_type, \"\") # \u0130lgili s\u00fctunu se\u00e7\n\n if text_to_scan:\n # LLM'e tarama iste\u011fi g\u00f6nder\n full_prompt = request.prompt_template.replace(\"{text}\", text_to_scan)\n response = client.chat.completions.create(\n model=\"gpt-4\", # Kullan\u0131lacak LLM modeli\n messages=[\n {\"role\": \"system\", \"content\": \"Sen bir adli \u0130K analizcisisin.\"},\n {\"role\": \"user\", \"content\": full_prompt}\n ]\n )\n llm_output = response.choices[0].message.content\n results.append({\"id\": row.get('id'), \"scan_result\": llm_output})\n \n return {\"status\": \"success\", \"data\": results}\n <\/pre>\nAdli Tarama Mod\u00fclleri: Hangi Anormallikleri Tespit Edebiliriz?<\/h2>\n
\n
Vaka Analizi: \u0130K Metinlerinde Gizli \u00d6nyarg\u0131lar\u0131 Ke\u015ffetmek<\/h3>\n
\nPozisyon: Pazarlama M\u00fcd\u00fcr\u00fc\nAranan Nitelikler: Dinamik, gen\u00e7 ve enerjik bir ekip arkada\u015f\u0131 ar\u0131yoruz. Pazarlama stratejilerini geli\u015ftirecek, yenilik\u00e7i fikirler sunacak ve ekibiyle birlikte agresif hedeflere ula\u015facak, tercihen erkek adaylar. S\u0131k seyahatlere uyum sa\u011flayabilen, yo\u011fun tempoda \u00e7al\u0131\u015fmaktan keyif alan.\n <\/pre>\n\nprompt = f\"\"\"A\u015fa\u011f\u0131daki i\u015f tan\u0131m\u0131n\u0131 analiz et ve i\u00e7erdi\u011fi potansiyel \u00f6nyarg\u0131lar\u0131 (cinsiyet, ya\u015f, etnik k\u00f6ken vb.) detayl\u0131 bir \u015fekilde raporla.\nHer bir \u00f6nyarg\u0131 t\u00fcr\u00fc i\u00e7in:\n1. Tespit edilen ifadeyi veya c\u00fcmleyi belirt.\n2. Neden \u00f6nyarg\u0131l\u0131 oldu\u011funu a\u00e7\u0131kla.\n3. Bu ifade yerine kullan\u0131labilecek tarafs\u0131z bir alternatif \u00f6ner.\n\n\u0130\u015f Tan\u0131m\u0131:\n{job_description_text}\n \"\"\"\n <\/pre>\nUygulamal\u0131 Senaryolar: Ger\u00e7ek Hayatta ATS Verilerini Nas\u0131l Sorgular\u0131z?<\/h2>\n
Vaka Analizi: GDPR\/KVKK \u0130hlallerini Tespit Etmek<\/h3>\n
\n# Backend'de LLM'e g\u00f6nderilecek prompt \u00f6rne\u011fi\ncandidate_data = {\n \"aday_id\": \"CAND-001\",\n \"basvuru_tarihi\": \"2020-03-15\",\n \"pozisyon\": \"Yaz\u0131l\u0131m M\u00fchendisi\",\n \"ozgecmis_metni\": \"Lorem ipsum dolor sit amet, consectetur adipiscing elit. ... A\u011f\u0131r bir hastal\u0131k ge\u00e7irdi\u011fim i\u00e7in 2019 y\u0131l\u0131nda 6 ay i\u015fe ara vermek zorunda kald\u0131m. ...\",\n \"mulakat_notlari\": \"Aday\u0131n ge\u00e7mi\u015fteki sa\u011fl\u0131k sorunlar\u0131 kariyerinde k\u0131sa bir kesintiye neden olmu\u015f, ancak \u015fu anda tamamen iyile\u015fmi\u015f durumda. Bu durumun performans\u0131 etkilemeyece\u011fi d\u00fc\u015f\u00fcn\u00fcl\u00fcyor.\",\n \"saklama_politikasi\": \"Aday verileri, ba\u015fvuru tarihinden itibaren 2 y\u0131l saklan\u0131r.\"\n}\n\nprompt_gdpr = f\"\"\"\nA\u015fa\u011f\u0131daki aday verilerini ve \u015firketin veri saklama politikas\u0131n\u0131 dikkate alarak, potansiyel GDPR\/KVKK ihlallerini tespit et ve raporla.\n\u00d6zellikle hassas ki\u015fisel verilerin (sa\u011fl\u0131k, dini inan\u00e7, etnik k\u00f6ken vb.) belirlenen saklama s\u00fcresinden sonra hala sistemde olup olmad\u0131\u011f\u0131n\u0131 veya gereksiz yere saklan\u0131p saklanmad\u0131\u011f\u0131n\u0131 kontrol et.\n\nAday Bilgileri:\nID: {candidate_data['aday_id']}\nBa\u015fvuru Tarihi: {candidate_data['basvuru_tarihi']}\nPozisyon: {candidate_data['pozisyon']}\n\u00d6zge\u00e7mi\u015f Metni: {candidate_data['ozgecmis_metni']}\nM\u00fclakat Notlar\u0131: {candidate_data['mulakat_notlari']}\nVeri Saklama Politikas\u0131: {candidate_data['saklama_politikasi']}\n\nAnalizini maddeleyerek sun:\n1. Tespit edilen ihlal t\u00fcr\u00fc (\u00f6rne\u011fin, hassas veri saklama).\n2. \u0130hlale neden olan veri par\u00e7ac\u0131\u011f\u0131.\n3. Neden ihlal oldu\u011fu ve hangi politika maddesiyle \u00e7eli\u015fti\u011fi.\n4. \u00d6nerilen eylem.\n\"\"\"\n\n# LLM yan\u0131t\u0131 (\u00f6rnek)\n# {\n# \"ihlal_turu\": \"Hassas Ki\u015fisel Veri Saklama \u0130hlali\",\n# \"veri_parcacigi\": \"A\u011f\u0131r bir hastal\u0131k ge\u00e7irdi\u011fim i\u00e7in 2019 y\u0131l\u0131nda 6 ay i\u015fe ara vermek zorunda kald\u0131m.\",\n# \"neden_ihlal\": \"Aday\u0131n ba\u015fvuru tarihi 2020-03-15'tir ve veri saklama politikas\u0131 2 y\u0131ld\u0131r. Yani veriler 2022-03-15'te silinmeliydi. Ancak \u00f6zge\u00e7mi\u015f ve m\u00fclakat notlar\u0131nda sa\u011fl\u0131k durumuyla ilgili hassas bilgiler hala mevcuttur. Bu, KVKK\/GDPR kapsam\u0131nda 'ama\u00e7la ba\u011flant\u0131l\u0131l\u0131k, s\u0131n\u0131rl\u0131l\u0131k ve \u00f6l\u00e7\u00fcl\u00fcl\u00fck' ilkesi ile \u00e7eli\u015fmektedir ve r\u0131za olmadan hassas veri saklanmas\u0131 yasakt\u0131r.\",\n# \"onerilen_eylem\": \"Aday CAND-001'in t\u00fcm verilerinin sistemden derhal silinmesi veya anonimle\u015ftirilmesi gerekmektedir. \u0130lgili \u0130K personeli veri saklama politikalar\u0131 konusunda yeniden e\u011fitilmelidir.\"\n# }\n <\/pre>\nVaka Analizi: Potansiyel Doland\u0131r\u0131c\u0131l\u0131k veya Yanl\u0131\u015f Beyan Tespiti<\/h3>\n
\ncandidate_resume_text = \"\"\"\n...\nDeneyimler:\n2022 Ocak - 2022 Haziran: ABC \u015eirketi - Junior Yaz\u0131l\u0131m Geli\u015ftirici\n2022 Temmuz - 2023 Aral\u0131k: ABC \u015eirketi - K\u0131demli Yaz\u0131l\u0131m Geli\u015ftirici\n...\n\"\"\"\n\nprompt_fraud = f\"\"\"\nA\u015fa\u011f\u0131daki \u00f6zge\u00e7mi\u015f metnini analiz et. Kariyer ge\u00e7mi\u015fi i\u00e7inde dikkat \u00e7ekici, potansiyel olarak tutars\u0131z veya \u015f\u00fcpheli g\u00f6r\u00fcnen herhangi bir b\u00f6l\u00fcm var m\u0131?\n\u00d6zellikle k\u0131sa s\u00fcrede pozisyon y\u00fckselmeleri, \u015firketlerdeki \u00e7al\u0131\u015fma s\u00fcreleri veya kariyer y\u00f6r\u00fcngesindeki ani de\u011fi\u015fikliklere dikkat et.\nTespit edilen bir anormallik varsa, bunu detayland\u0131r ve olas\u0131 nedenleri veya ek ara\u015ft\u0131rma gereklili\u011fini belirt.\n\n\u00d6zge\u00e7mi\u015f Metni:\n{candidate_resume_text}\n\"\"\"\n\n# LLM yan\u0131t\u0131 (\u00f6rnek)\n# {\n# \"anormallik_tespiti\": \"Evet, potansiyel tutars\u0131zl\u0131k tespit edildi.\",\n# \"detay\": \"Aday, ABC \u015eirketi'nde Junior Yaz\u0131l\u0131m Geli\u015ftirici olarak 6 ay \u00e7al\u0131\u015ft\u0131ktan hemen sonra K\u0131demli Yaz\u0131l\u0131m Geli\u015ftirici pozisyonuna y\u00fckseldi\u011fini belirtiyor. Bir y\u0131l i\u00e7inde junior'dan k\u0131demli pozisyona ge\u00e7i\u015f, \u00f6zellikle b\u00fcy\u00fck \u015firketlerde, yayg\u0131n bir durum de\u011fildir ve h\u0131zl\u0131 bir y\u00fckseli\u015fi i\u015faret etmektedir.\",\n# \"olasi_nedenler\": \"Bu durum ya aday\u0131n yeteneklerinin ola\u011fan\u00fcst\u00fc h\u0131zl\u0131 bir \u015fekilde geli\u015fti\u011fini ya da pozisyon unvanlar\u0131n\u0131n yanl\u0131\u015f veya abart\u0131l\u0131 beyan edildi\u011fini g\u00f6sterebilir.\",\n# \"onerilen_eylem\": \"Bu pozisyon y\u00fckseli\u015finin do\u011frulu\u011fu, referans kontrolleri veya \u00f6nceki y\u00f6neticilerle yap\u0131lacak g\u00f6r\u00fc\u015fmeler yoluyla teyit edilmelidir. \u015eirketin i\u00e7 pozisyon ge\u00e7i\u015f politikalar\u0131 incelenmeli ve aday\u0131n bu pozisyonlar i\u00e7in sorumluluk tan\u0131mlar\u0131 sorgulanmal\u0131d\u0131r.\"\n# }\n <\/pre>\nMobil Uyumluluk \u0130\u00e7in Medya Sorgular\u0131 (Media Queries)<\/h3>\n
\n\/* Genel stil tan\u0131mlar\u0131 *\/\nbody {\n font-family: Arial, sans-serif;\n line-height: 1.6;\n margin: 0 auto;\n max-width: 1200px;\n padding: 20px;\n}\n\n.report-card {\n background-color: #f9f9f9;\n border: 1px solid #ddd;\n border-radius: 8px;\n padding: 20px;\n margin-bottom: 20px;\n}\n\n\/* Mobil cihazlar i\u00e7in \u00f6zel stiller *\/\n@media screen and (max-width: 768px) {\n body {\n padding: 10px;\n }\n .report-card {\n padding: 15px;\n margin-bottom: 15px;\n }\n h2 {\n font-size: 1.5em;\n }\n h3 {\n font-size: 1.2em;\n }\n}\n\n\/* K\u00fc\u00e7\u00fck telefon ekranlar\u0131 i\u00e7in *\/\n@media screen and (max-width: 480px) {\n .report-card {\n border-radius: 0; \/* K\u00f6\u015feleri kald\u0131rarak tam geni\u015flikte g\u00f6r\u00fcn\u00fcm *\/\n margin-left: -10px;\n margin-right: -10px;\n padding-left: 10px;\n padding-right: 10px;\n }\n}\n <\/pre>\nGelecek ve Optimizasyon: Taray\u0131c\u0131m\u0131z\u0131n Potansiyelini Nas\u0131l Maksimize Ederiz?<\/h2>\n
\n
Sonu\u00e7: Dijital \u0130K'n\u0131n Gelece\u011fine Do\u011fru G\u00fcvenli Bir Ad\u0131m<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n