Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API’leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri %80’e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz. <\/p>\n
B\u00fcy\u00fck Dil Modelleri (LLM’ler) gibi geli\u015fmi\u015f yapay zeka teknolojileri, i\u015f d\u00fcnyas\u0131nda ve ki\u015fisel projelerde inan\u0131lmaz bir d\u00f6n\u00fc\u015f\u00fcm yarat\u0131yor. Metin olu\u015fturmaktan kod yazmaya, veri analizinden m\u00fc\u015fteri hizmetlerine kadar pek \u00e7ok alanda \u00e7\u0131\u011f\u0131r a\u00e7\u0131yorlar. Ancak bu g\u00fcc\u00fcn bir bedeli var: \u00f6zellikle OpenAI API’lerinin kullan\u0131m\u0131, yanl\u0131\u015f stratejilerle uyguland\u0131\u011f\u0131nda beklenmedik derecede y\u00fcksek maliyetlere yol a\u00e7abiliyor. Peki, bu maliyetler neden bu kadar y\u00fcksek? Esas\u0131nda birka\u00e7 ana fakt\u00f6r devreye giriyor.<\/p>\n
\u00d6ncelikle, OpenAI modellerinin fiyatland\u0131rmas\u0131 genellikle token bazl\u0131d\u0131r. Yani, API’ye g\u00f6nderdi\u011finiz her kelime ve karakter (prompt) ile modelden ald\u0131\u011f\u0131n\u0131z her cevap (completion) belirli say\u0131da tokene d\u00f6n\u00fc\u015f\u00fcr ve bu token say\u0131s\u0131 \u00fczerinden \u00fccretlendirilirsiniz. GPT-4 gibi \u00fcst d\u00fczey modeller, GPT-3.5 Turbo gibi daha hafif modellere k\u0131yasla token ba\u015f\u0131na \u00e7ok daha pahal\u0131d\u0131r. Bu durum, karma\u015f\u0131k veya uzun prompt’lar g\u00f6nderildi\u011finde ya da uzun cevaplar beklendi\u011finde maliyetleri h\u0131zla art\u0131r\u0131r. \u00d6rne\u011fin, 1000 tokenl\u0131k bir prompt ve 500 tokenl\u0131k bir cevap, modelin maliyetine g\u00f6re katlanarak y\u00fckselen bir fatura anlam\u0131na gelir.<\/p>\n
\u0130kinci olarak, \u00e7o\u011fu geli\u015ftirici veya i\u015fletme, herhangi bir g\u00f6revi yerine getirmek i\u00e7in do\u011frudan en g\u00fc\u00e7l\u00fc ve en pahal\u0131 modeli (\u00f6rne\u011fin, GPT-4) tercih eder. Elbette, GPT-4’\u00fcn yetenekleri etkileyicidir, ancak basit bir metin \u00f6zetleme, anahtar kelime \u00e7\u0131karma veya temel s\u0131n\u0131fland\u0131rma g\u00f6revi i\u00e7in bu modelin t\u00fcm g\u00fcc\u00fcne her zaman ihtiya\u00e7 duyulmaz. Adeta bir \u00e7iviyi \u00e7akmak i\u00e7in balyoz kullanmak gibidir; i\u015fi yapar ama gereksiz bir kaynak israf\u0131d\u0131r. Bu yanl\u0131\u015f model se\u00e7imi, maliyetlerin ana tetikleyicilerinden biridir.<\/p>\n
\u00dc\u00e7\u00fcnc\u00fcs\u00fc, tekrar eden ve optimize edilmemi\u015f API \u00e7a\u011fr\u0131lar\u0131d\u0131r. Bir\u00e7ok uygulamada, benzer veya ayn\u0131 prompt’lar defalarca g\u00f6nderilebilir. Her seferinde ba\u015ftan sona bir model \u00e7a\u011fr\u0131s\u0131 yapmak, \u00f6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli uygulamalarda ciddi bir maliyet y\u00fck\u00fc olu\u015fturur. Bu durum, etkin bir \u00f6nbellekleme (caching) stratejisinin veya prompt optimizasyonunun eksikli\u011finden kaynaklanabilir. Ayn\u0131 zamanda, prompt’lar\u0131n gereksiz detaylar i\u00e7ermesi veya modelin zaten bildi\u011fi bilgileri tekrar tekrar aktarmas\u0131 da token israf\u0131na yol a\u00e7ar. \u00d6rne\u011fin, bir m\u00fc\u015fteri destek botu her sorguda ayn\u0131 kullan\u0131c\u0131 bilgilerini veya \u00fcr\u00fcn katalogunu ba\u015ftan sona g\u00f6nderiyorsa, bu durum maliyetleri katlayacakt\u0131r.<\/p>\n
Son olarak, geli\u015ftirme ve test s\u00fcre\u00e7lerindeki dikkatsizlik de maliyetleri art\u0131rabilir. Bir\u00e7ok deneme ve yan\u0131lma i\u00e7eren geli\u015ftirme a\u015famalar\u0131nda, optimize edilmemi\u015f prompt’lar veya gereksiz yere s\u0131k model \u00e7a\u011fr\u0131lar\u0131, b\u00fct\u00e7eyi zorlayabilir. Bu nedenle, daha uygun maliyetli modellerle test yapmak veya geli\u015ftirme ortamlar\u0131nda maliyet takibini s\u0131k\u0131 tutmak \u00f6nemlidir.<\/p>\n
Peki, bu maliyet tuza\u011f\u0131ndan nas\u0131l ka\u00e7\u0131nabiliriz? Cevap, “her zaman en pahal\u0131 ve en g\u00fc\u00e7l\u00fc \u00e7\u00f6z\u00fcm\u00fc kullanmak yerine, ak\u0131ll\u0131ca ve stratejik bir yakla\u015f\u0131mla yapay zeka API’lerini kullanmakta yat\u0131yor. \u0130\u015fte tam da bu noktada, TOON felsefesi ve iki a\u015famal\u0131 mimari devreye giriyor. Bu y\u00f6ntemler sayesinde, yapay zeka g\u00fcc\u00fcnden \u00f6d\u00fcn vermeden, hem performans\u0131 optimize edebilir hem de faturalar\u0131n\u0131z\u0131 dramatik bir \u015fekilde d\u00fc\u015f\u00fcrebilirsiniz. Unutmay\u0131n, \u00f6nemli olan en pahal\u0131 arac\u0131 kullanmak de\u011fil, do\u011fru arac\u0131 do\u011fru i\u015f i\u00e7in kullanmakt\u0131r. Bu sayede, token ekonominizi daha iyi y\u00f6neterek OpenAI maliyetlerinizi belirgin bir \u015fekilde azaltabilirsiniz.<\/p>\n
OpenAI API’leri ile \u00e7al\u0131\u015f\u0131rken kar\u015f\u0131la\u015f\u0131lan en b\u00fcy\u00fck zorluklardan biri, performanstan \u00f6d\u00fcn vermeden maliyetleri nas\u0131l optimize edece\u011fimizdir. \u0130\u015fte bu noktada, size yepyeni bir bak\u0131\u015f a\u00e7\u0131s\u0131 sunan “TOON Reality” kavram\u0131yla tan\u0131\u015fman\u0131z gerekiyor. TOON, basit\u00e7e “To Only Use Necessary” (Sadece Gerekli Olan\u0131 Kullan) ilkesinin k\u0131saltmas\u0131d\u0131r ve OpenAI maliyetlerini d\u00fc\u015f\u00fcrmenin temel felsefesini olu\u015fturur. Bu yakla\u015f\u0131m, sadece en g\u00fc\u00e7l\u00fc veya en pahal\u0131 modeli kullanmak yerine, her g\u00f6rev i\u00e7in en uygun ve en maliyet etkin \u00e7\u00f6z\u00fcm\u00fc bulmay\u0131 hedefler.<\/p>\n
Peki, TOON felsefesi g\u00fcnl\u00fck kullan\u0131mda ne anlama geliyor? \u015eunu d\u00fc\u015f\u00fcn\u00fcn: E-postalar\u0131n\u0131z\u0131 kontrol etmek i\u00e7in bir s\u00fcper bilgisayara ihtiyac\u0131n\u0131z yokken, neden karma\u015f\u0131k bir bilimsel hesaplama yapmak i\u00e7in basit bir hesap makinesi kullanas\u0131n\u0131z ki? Her iki durumda da yanl\u0131\u015f arac\u0131 kullan\u0131rs\u0131n\u0131z. Yapay zeka d\u00fcnyas\u0131nda da durum benzer. GPT-4 gibi modeller, inan\u0131lmaz derecede yetenekli ve karma\u015f\u0131k g\u00f6revleri \u00fcstlenebilecek kapasitedeyken, basit bir metin s\u0131n\u0131fland\u0131rma veya h\u0131zl\u0131 bir \u00f6zetleme g\u00f6revi i\u00e7in a\u015f\u0131r\u0131ya ka\u00e7abilirler. \u0130\u015fte TOON felsefesi tam da bu noktada devreye girerek bize “ger\u00e7ekten neye ihtiyac\u0131m\u0131z var?” sorusunu sordurur.<\/p>\n
TOON’un ana prensipleri \u015funlard\u0131r:<\/p>\n
TOON felsefesi, asl\u0131nda bir t\u00fcr “verimlilik m\u00fchendisli\u011fi”dir. Yapay zeka kaynaklar\u0131n\u0131, \u00f6zellikle de de\u011ferli token’lar\u0131 en ak\u0131ll\u0131ca \u015fekilde kullanma sanat\u0131d\u0131r. Bu yakla\u015f\u0131m\u0131 benimseyerek, sadece maliyetlerinizi d\u00fc\u015f\u00fcrmekle kalmayacak, ayn\u0131 zamanda uygulamalar\u0131n\u0131z\u0131n yan\u0131t s\u00fcrelerini de iyile\u015ftirebileceksiniz. \u00c7\u00fcnk\u00fc daha k\u00fc\u00e7\u00fck prompt’lar ve daha hafif modeller genellikle daha h\u0131zl\u0131 \u00e7al\u0131\u015f\u0131r. Dolay\u0131s\u0131yla, TOON Reality, sadece bir maliyet d\u00fc\u015f\u00fcrme stratejisi de\u011fil, ayn\u0131 zamanda daha s\u00fcrd\u00fcr\u00fclebilir ve performansl\u0131 yapay zeka uygulamalar\u0131 geli\u015ftirmenin de anahtar\u0131d\u0131r. Bu felsefeyi benimseyerek, b\u00fcy\u00fck dil modellerinin g\u00fcc\u00fcn\u00fc c\u00fczdan\u0131n\u0131za dost bir \u015fekilde kullanmaya ba\u015flayabilirsiniz. Gelecek b\u00f6l\u00fcmlerde, bu felsefenin en somut uygulamalar\u0131ndan biri olan iki a\u015famal\u0131 mimariyi derinlemesine inceleyece\u011fiz.<\/p>\n
TOON felsefesinin en g\u00fc\u00e7l\u00fc ve pratik uygulamalar\u0131ndan biri, “\u0130ki A\u015famal\u0131 Mimari”dir. Bu mimari yakla\u015f\u0131m, OpenAI API maliyetlerini %80’e varan oranlarda d\u00fc\u015f\u00fcrme potansiyeli sunarak, yapay zeka uygulamalar\u0131n\u0131z\u0131 hem daha verimli hem de daha ekonomik hale getirmenizi sa\u011flar. Peki, bu mimari tam olarak nedir ve nas\u0131l i\u015fler? Gelin, ad\u0131m ad\u0131m inceleyelim.<\/p>\n
\u0130ki a\u015famal\u0131 mimarinin temel amac\u0131, her g\u00f6revi en pahal\u0131 ve en yetenekli b\u00fcy\u00fck dil modeliyle (LLM) yapmak yerine, g\u00f6revleri karma\u015f\u0131kl\u0131klar\u0131na g\u00f6re ay\u0131rarak farkl\u0131 modelleri ak\u0131ll\u0131ca kullanmakt\u0131r. Bu yakla\u015f\u0131m, gereksiz yere pahal\u0131 kaynaklar\u0131 t\u00fcketmenin \u00f6n\u00fcne ge\u00e7er ve “Sadece Gerekli Olan\u0131 Kullan” (TOON) ilkesini hayata ge\u00e7irir. Bir nevi, bir i\u015fi yaparken \u00f6nce stajyeri veya asistan\u0131 y\u00f6nlendirip, sadece onlar\u0131n yetkinli\u011finin \u00f6tesine ge\u00e7en durumlar i\u00e7in k\u0131demli uzmana ba\u015fvurmak gibidir.<\/p>\n
Bu, mimarinin ilk ve en kritik a\u015famas\u0131d\u0131r. Gelen her kullan\u0131c\u0131 sorgusu, veri par\u00e7as\u0131 veya istek, ilk olarak daha uygun maliyetli, daha h\u0131zl\u0131 ve genellikle daha k\u00fc\u00e7\u00fck bir model taraf\u0131ndan i\u015flenir. Bu “hafif model” genellikle GPT-3.5 Turbo gibi bir OpenAI modeli olabilir, hatta belirli g\u00f6revler i\u00e7in \u00f6zel olarak e\u011fitilmi\u015f lokal, a\u00e7\u0131k kaynakl\u0131 bir model veya basit bir kural tabanl\u0131 sistem bile olabilir. Bu a\u015faman\u0131n temel hedefleri \u015funlard\u0131r:<\/p>\n
Bu a\u015fama, adeta bir \u00f6n kap\u0131 veya bir filtre g\u00f6revi g\u00f6r\u00fcr. Her \u015feyi i\u00e7eri al\u0131p en g\u00fc\u00e7l\u00fc kayna\u011fa y\u00f6nlendirmek yerine, \u00f6nce basit sorgular\u0131 kendi i\u00e7inde halleder ve sadece ger\u00e7ekten ihtiya\u00e7 duyanlar\u0131 bir sonraki a\u015famaya ge\u00e7irir.<\/p>\n
E\u011fer birinci a\u015famadaki hafif model, gelen iste\u011fi kendi ba\u015f\u0131na \u00e7\u00f6zemezse veya iste\u011fin daha derinlemesine analiz, yarat\u0131c\u0131l\u0131k veya karma\u015f\u0131k mant\u0131k gerektirdi\u011fi tespit edilirse, kontrol bu a\u015famaya ge\u00e7er. Bu “a\u011f\u0131r model” genellikle GPT-4 gibi en g\u00fc\u00e7l\u00fc ve pahal\u0131 OpenAI modellerinden biri olacakt\u0131r. Ancak unutmay\u0131n, bu a\u015famaya ge\u00e7en istekler art\u0131k A\u015fama 1 taraf\u0131ndan \u00f6n i\u015flenmi\u015f, \u00f6zetlenmi\u015f ve sadece ger\u00e7ekten karma\u015f\u0131k oldu\u011fu belirlenmi\u015f isteklerdir.<\/p>\n
\u0130kinci a\u015faman\u0131n temel hedefleri \u015funlard\u0131r:<\/p>\n
Bu mimariyi bir m\u00fc\u015fteri destek botu senaryosunda d\u00fc\u015f\u00fcnebilirsiniz:<\/p>\n
Bu yakla\u015f\u0131m, adeta bir trafik kontrol sistemi gibi \u00e7al\u0131\u015f\u0131r. Basit trafik ak\u0131\u015f\u0131n\u0131 d\u00fc\u015f\u00fck maliyetli yollarla y\u00f6netirken, sadece b\u00fcy\u00fck ve karma\u015f\u0131k trafik s\u0131k\u0131\u015f\u0131kl\u0131klar\u0131 i\u00e7in daha geli\u015fmi\u015f ve pahal\u0131 k\u00f6pr\u00fclere veya t\u00fcnellere ba\u015fvurur. Sonu\u00e7 olarak, genel OpenAI API kullan\u0131m\u0131n\u0131zdaki token miktar\u0131n\u0131 ve dolay\u0131s\u0131yla maliyetleri dramatik bir \u015fekilde azalt\u0131rken, uygulaman\u0131z\u0131n performans\u0131ndan ve yeteneklerinden \u00f6d\u00fcn vermemi\u015f olursunuz.<\/p>\n
\u0130ki a\u015famal\u0131 mimarinin ba\u015far\u0131s\u0131, birinci a\u015faman\u0131n ne kadar iyi kurguland\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Bu a\u015fama, maliyetleri en \u00e7ok d\u00fc\u015f\u00fcrme potansiyelini bar\u0131nd\u0131r\u0131r, \u00e7\u00fcnk\u00fc \u00e7ok say\u0131da API \u00e7a\u011fr\u0131s\u0131n\u0131 daha ucuz modellerle veya hatta hi\u00e7 model kullanmadan halletmeyi ama\u00e7lar. \u015eimdi gelin, birinci a\u015famay\u0131 nas\u0131l uygulayaca\u011f\u0131m\u0131za dair pratik ad\u0131mlara ve kod \u00f6rneklerine g\u00f6z atal\u0131m.<\/p>\n
Birinci a\u015famada kullanaca\u011f\u0131m\u0131z “hafif model”, genellikle GPT-3.5 Turbo gibi daha uygun maliyetli bir OpenAI modeli olabilir. Ancak, bu modelin \u00f6tesine ge\u00e7erek, daha da d\u00fc\u015f\u00fck maliyetli \u00e7\u00f6z\u00fcmler de entegre edebiliriz. Bu, kural tabanl\u0131 sistemler, anahtar kelime e\u015fle\u015ftirme algoritmalar\u0131 veya hatta \u00f6zel olarak e\u011fitilmi\u015f, daha k\u00fc\u00e7\u00fck ve lokal olarak \u00e7al\u0131\u015fabilen makine \u00f6\u011frenimi modellerini i\u00e7erebilir.<\/p>\n
Herhangi bir LLM’ye g\u00f6ndermeden \u00f6nce, gelen metni temizlemek ve standartla\u015ft\u0131rmak \u00e7ok \u00f6nemlidir. Bu, gereksiz bo\u015fluklar\u0131 kald\u0131rmak, k\u00fc\u00e7\u00fck harfe d\u00f6n\u00fc\u015ft\u00fcrmek veya belirli karakterleri filtrelemek gibi i\u015flemleri i\u00e7erebilir. Bu basit ad\u0131mlar, prompt’unuzun token say\u0131s\u0131n\u0131 azaltmaya yard\u0131mc\u0131 olabilir.<\/p>\n
\ndef metin_on_isleme(metin):\n metin = metin.strip() # Ba\u015flang\u0131\u00e7 ve sondaki bo\u015fluklar\u0131 kald\u0131r\n metin = metin.lower() # T\u00fcm metni k\u00fc\u00e7\u00fck harfe \u00e7evir\n # Daha karma\u015f\u0131k \u00f6n i\u015fleme ad\u0131mlar\u0131 eklenebilir (noktalama i\u015faretlerini kald\u0131rma vb.)\n return metin\n\ngelen_soru = \" M\u00fc\u015fteri hizmetleri ile nas\u0131l ileti\u015fime ge\u00e7ebilirim? \"\nislenmis_soru = metin_on_isleme(gelen_soru)\nprint(islenmis_soru) # 'm\u00fc\u015fteri hizmetleri ile nas\u0131l ileti\u015fime ge\u00e7ebilirim?'\n\n<\/pre>\n<\/code><\/p>\n
Ad\u0131m 2: Basit G\u00f6revleri Kural Tabanl\u0131 veya Anahtar Kelime Tabanl\u0131 \u00c7\u00f6z\u00fcmlerle Kar\u015f\u0131lama<\/h4>\n
Bir\u00e7ok basit soru veya talep, do\u011frudan bir LLM'ye gitmeye gerek kalmadan \u00e7\u00f6z\u00fclebilir. SSS (S\u0131k\u00e7a Sorulan Sorular) b\u00f6l\u00fcmleri, kullan\u0131c\u0131 k\u0131lavuzlar\u0131 veya \u00f6nceden tan\u0131mlanm\u0131\u015f yan\u0131t \u015fablonlar\u0131 bu a\u015famada devreye girer. \u00d6rne\u011fin, \"\u015fifremi unuttum\" gibi bir sorgu i\u00e7in, do\u011frudan bir \u015fifre s\u0131f\u0131rlama linki g\u00f6ndermek, bir LLM'ye sormaktan \u00e7ok daha h\u0131zl\u0131 ve ucuzdur.<\/p>\n
\ndef sss_kontrol(soru):\n sss_veritabani = {\n \"\u015fifremi unuttum\": \"\u015eifrenizi s\u0131f\u0131rlamak i\u00e7in l\u00fctfen bu ba\u011flant\u0131y\u0131 ziyaret edin: [link]\",\n \"ileti\u015fim\": \"M\u00fc\u015fteri hizmetleri departman\u0131m\u0131za 0850 123 45 67 numaral\u0131 telefondan ula\u015fabilirsiniz.\",\n \"\u00fcr\u00fcn iade\": \"\u00dcr\u00fcn iade politikam\u0131z i\u00e7in [bu sayfay\u0131] inceleyebilirsiniz.\"\n }\n \n for anahtar, cevap in sss_veritabani.items():\n if anahtar in soru:\n return cevap\n return None # SSS'de bulunamad\u0131\n\nyanit = sss_kontrol(islenmis_soru)\nif yanit:\n print(f\"SSS Yan\u0131t\u0131: {yanit}\")\nelse:\n print(\"SSS'de ilgili yan\u0131t bulunamad\u0131, ikinci a\u015famaya ge\u00e7ilebilir.\")\n\n<\/pre>\n<\/code><\/p>\n
Ad\u0131m 3: Hafif Bir Model Kullanarak Sorguyu Kategorize Etme veya \u00d6zetleme<\/h4>\n
E\u011fer kural tabanl\u0131 sistemler yeterli olmazsa, GPT-3.5 Turbo gibi daha hafif bir LLM devreye girer. Bu model, genellikle daha k\u0131sa ve daha az karma\u015f\u0131k prompt'larla \u00e7a\u011fr\u0131l\u0131r. Ama\u00e7, sorguyu daha ileri bir a\u015famaya ge\u00e7irmeden \u00f6nce kategorize etmek, \u00f6zetlemek veya kritik bilgilerini \u00e7\u0131karmakt\u0131r. Bu, ikinci a\u015famadaki pahal\u0131 modele g\u00f6nderilecek prompt'u daha da k\u0131salt\u0131r.<\/p>\n
\n# Ger\u00e7ek bir uygulamada OpenAI API'si ile etkile\u015fim burada olur.\n# \u00d6rnek olmas\u0131 a\u00e7\u0131s\u0131ndan, basit bir fonksiyon ile sim\u00fcle edelim.\n\nimport openai\n\n# OpenAI API anahtar\u0131n\u0131z\u0131 buraya ekleyin\n# openai.api_key = \"YOUR_OPENAI_API_KEY\"\n\ndef hafif_model_cagir(prompt):\n try:\n # Ger\u00e7ek API \u00e7a\u011fr\u0131s\u0131 bu \u015fekilde olurdu:\n # response = openai.chat.completions.create(\n # model=\"gpt-3.5-turbo\",\n # messages=[{\"role\": \"user\", \"content\": prompt}],\n # max_tokens=50 # Sadece k\u0131sa bir \u00f6zet veya kategori i\u00e7in yeterli token\n # )\n # return response.choices[0].message.content.strip()\n\n # Sim\u00fclasyon:\n if \"teknik sorun\" in prompt:\n return \"Kategori: Teknik Destek, \u00d6zet: Kullan\u0131c\u0131 teknik bir sorun bildiriyor.\"\n elif \"fatura\" in prompt:\n return \"Kategori: Muhasebe, \u00d6zet: Kullan\u0131c\u0131 fatura hakk\u0131nda bilgi istiyor.\"\n else:\n return \"Kategori: Genel Destek, \u00d6zet: Sorguyu GPT-4'e iletmek gerekli.\"\n except Exception as e:\n print(f\"Hafif model \u00e7a\u011fr\u0131s\u0131nda hata: {e}\")\n return \"Hata\"\n\nislenmis_soru_2 = \"kargom nerede, sipari\u015fimin durumu nedir?\"\nhafif_model_prompt = f\"A\u015fa\u011f\u0131daki m\u00fc\u015fteri sorusunu bir kategoriye ay\u0131r ve 10 kelimeyle \u00f6zetle: '{islenmis_soru_2}'\"\nhafif_model_yanit = hafif_model_cagir(hafif_model_prompt)\n\nprint(f\"Hafif Model Yan\u0131t\u0131: {hafif_model_yanit}\")\n\nif \"Kategori: Genel Destek\" in hafif_model_yanit:\n print(\"Sorgu, ikinci a\u015famadaki a\u011f\u0131r modele y\u00f6nlendirilecek.\")\nelse:\n print(\"Sorgu, hafif model taraf\u0131ndan kategorize edildi\/\u00f6zetlendi.\")\n\n<\/pre>\n<\/code><\/p>\n
Bu ad\u0131mlar, birinci a\u015faman\u0131n temel \u00e7al\u0131\u015fma prensibini olu\u015fturur. G\u00f6rd\u00fc\u011f\u00fcn\u00fcz gibi, her gelen iste\u011fi direkt en pahal\u0131 modele g\u00f6ndermek yerine, \u00f6nce bir dizi \"eleme\" s\u00fcrecinden ge\u00e7iriyoruz. Bu sayede, \u00e7ok say\u0131da sorguyu \u00e7ok daha d\u00fc\u015f\u00fck maliyetlerle yan\u0131tlayabiliyor ve sadece ger\u00e7ekten karma\u015f\u0131k olanlar\u0131, optimize edilmi\u015f prompt'larla ikinci a\u015famaya y\u00f6nlendiriyoruz. Bu strateji, OpenAI maliyetlerinizi d\u00fc\u015f\u00fcrmenin anahtarlar\u0131ndan biridir.<\/p>\n
\u0130kinci A\u015fama Nas\u0131l Devreye Girer? Geli\u015fmi\u015f Modellerle Derinlemesine Analiz<\/h3>\n
Birinci a\u015faman\u0131n filtrelemesinden ge\u00e7emeyen veya \"derinlemesine analiz gereklidir\" etiketiyle i\u015faretlenen sorgular, i\u015fte bu noktada ikinci a\u015famaya, yani \"a\u011f\u0131r modellere\" y\u00f6nlendirilir. Bu a\u015fama, uygulaman\u0131z\u0131n ger\u00e7ek g\u00fcc\u00fcn\u00fc ortaya koydu\u011fu yerdir. Ancak buradaki kritik fark, pahal\u0131 modellerin (\u00f6rne\u011fin, GPT-4) art\u0131k rastgele veya her sorgu i\u00e7in de\u011fil, sadece ger\u00e7ekten ihtiya\u00e7 duyuldu\u011funda ve birinci a\u015fama taraf\u0131ndan zaten optimize edilmi\u015f, odaklanm\u0131\u015f bir prompt ile \u00e7a\u011fr\u0131lmas\u0131d\u0131r.<\/p>\n
Ad\u0131m 1: A\u015fama 1'den Gelen \u00c7\u0131kt\u0131y\u0131 De\u011ferlendirme ve Prompt'u Sonland\u0131rma<\/h4>\n
\u0130kinci a\u015famaya ula\u015fan bir sorgu, genellikle birinci a\u015famadan gelen bir kategori etiketi, k\u0131sa bir \u00f6zet veya kritik anahtar kelimelerle birlikte gelir. Bu bilgiler, a\u011f\u0131r model i\u00e7in olu\u015fturulacak nihai prompt'un temelini olu\u015fturur. Prompt'u m\u00fcmk\u00fcn oldu\u011funca k\u0131sa, net ve modelin g\u00f6revi do\u011frudan yerine getirmesini sa\u011flayacak \u015fekilde tasarlamak esast\u0131r. Modelin gereksiz bilgilerle dikkatini da\u011f\u0131tmaktan veya a\u015f\u0131r\u0131 ba\u011flam vermekten ka\u00e7\u0131n\u0131n, zira bu token maliyetini art\u0131r\u0131r.<\/p>\n
\n# A\u015fama 1'den gelen \u00f6rnek \u00e7\u0131kt\u0131\nasama1_cikti = {\n \"orijinal_soru\": \"\u00dcr\u00fcn\u00fcm\u00fcn neden gecikti\u011fini ve kargo takip numaras\u0131n\u0131 \u00f6\u011frenmek istiyorum. Ayr\u0131ca, bu durumun yasal haklar\u0131m\u0131 nas\u0131l etkiledi\u011fini de a\u00e7\u0131klayabilir misiniz?\",\n \"kategori\": \"Karma\u015f\u0131k Destek \/ Yasal Dan\u0131\u015fmanl\u0131k\",\n \"ozet\": \"\u00dcr\u00fcn gecikmesi, kargo takibi ve yasal haklar hakk\u0131nda bilgi talebi.\"\n}\n\ndef prompt_olustur_asama2(asama1_veri):\n # Orijinal soruyu ve A\u015fama 1'den gelen \u00f6zet bilgiyi birle\u015ftirerek\n # GPT-4 i\u00e7in optimize edilmi\u015f bir prompt olu\u015ftur\n prompt = f\"Kullan\u0131c\u0131 sorusu: '{asama1_veri['orijinal_soru']}'\\n\" \\\n f\"Birinci a\u015fama analizi: '{asama1_veri['ozet']}'.\\n\" \\\n f\"Yukar\u0131daki bilgilere dayanarak, kullan\u0131c\u0131n\u0131n \u00fcr\u00fcn gecikmesi, kargo takibi ve \u00f6zellikle yasal haklar\u0131 konusunda kapsaml\u0131 ve bilgilendirici bir yan\u0131t verin. Yan\u0131t\u0131n\u0131zda g\u00fcncel mevzuatlara at\u0131fta bulunarak yol g\u00f6sterici olmaya \u00e7al\u0131\u015f\u0131n.\"\n return prompt\n\nasama2_prompt = prompt_olustur_asama2(asama1_cikti)\nprint(f\"A\u015fama 2 i\u00e7in olu\u015fturulan prompt:\\n{asama2_prompt}\")\n\n<\/pre>\n<\/code><\/p>\n
Ad\u0131m 2: A\u011f\u0131r Modeli Ko\u015fullu Olarak \u00c7a\u011f\u0131rma<\/h4>\n
GPT-4 gibi a\u011f\u0131r modelleri \u00e7a\u011f\u0131rmak, API kullan\u0131m\u0131n\u0131n en maliyetli k\u0131sm\u0131d\u0131r. Bu nedenle, \u00e7a\u011f\u0131rma i\u015flemini sadece gerekli oldu\u011funda ve m\u00fcmk\u00fcn olan en k\u0131sa prompt ile ger\u00e7ekle\u015ftirmek \u00e7ok \u00f6nemlidir. Birinci a\u015famadan gelen kategori veya karar, bu ko\u015fullu \u00e7a\u011fr\u0131n\u0131n tetikleyicisidir.<\/p>\n
\nimport openai\n\n# openai.api_key = \"YOUR_OPENAI_API_KEY\" # Ger\u00e7ek anahtar\u0131n\u0131z\n\ndef ag\u0131r_model_cagir(prompt):\n try:\n # Ger\u00e7ek API \u00e7a\u011fr\u0131s\u0131 (GPT-4)\n # response = openai.chat.completions.create(\n # model=\"gpt-4-turbo\", # Veya ihtiyac\u0131n\u0131za g\u00f6re ba\u015fka bir GPT-4 modeli\n # messages=[{\"role\": \"user\", \"content\": prompt}],\n # max_tokens=500, # Detayl\u0131 yan\u0131t i\u00e7in daha fazla token\n # temperature=0.7 # Yarat\u0131c\u0131l\u0131k seviyesi\n # )\n # return response.choices[0].message.content.strip()\n\n # Sim\u00fclasyon:\n print(\"\\n--- GPT-4 \u00c7a\u011fr\u0131s\u0131 Sim\u00fcle Ediliyor ---\")\n if \"yasal haklar\" in prompt:\n return \"\u00dcr\u00fcn gecikmesi durumunda t\u00fcketici haklar\u0131n\u0131z T\u00fcketicinin Korunmas\u0131 Hakk\u0131nda Kanun kapsam\u0131nda g\u00fcvence alt\u0131na al\u0131nm\u0131\u015ft\u0131r. Sat\u0131c\u0131ya bildirimde bulunarak teslimat s\u00fcresi ve telafi talep etme hakk\u0131n\u0131z bulunmaktad\u0131r. Detayl\u0131 bilgi i\u00e7in bir avukata dan\u0131\u015fman\u0131z \u00f6nerilir. Kargo takip bilgisi i\u00e7in sat\u0131c\u0131 ile ileti\u015fime ge\u00e7melisiniz.\"\n else:\n return \"Genel bir yan\u0131ta ihtiyac\u0131n\u0131z var. L\u00fctfen daha spesifik olun.\"\n except Exception as e:\n print(f\"A\u011f\u0131r model \u00e7a\u011fr\u0131s\u0131nda hata: {e}\")\n return \"Hata olu\u015ftu.\"\n\n# A\u015fama 1'den gelen kategorinin 'Karma\u015f\u0131k Destek' oldu\u011funu varsayal\u0131m\nif \"Karma\u015f\u0131k Destek\" in asama1_cikti[\"kategori\"]:\n print(f\"\\nSorgu karma\u015f\u0131k olarak i\u015faretlendi. A\u011f\u0131r model ({openai.Model.GPT_4_TURBO}) \u00e7a\u011fr\u0131l\u0131yor...\")\n nihai_yanit = ag\u0131r_model_cagir(asama2_prompt)\n print(f\"GPT-4 Yan\u0131t\u0131: {nihai_yanit}\")\nelse:\n print(\"\\nSorgu birinci a\u015famada \u00e7\u00f6z\u00fcld\u00fc, a\u011f\u0131r modele gerek yok.\")\n\n<\/pre>\n<\/code><\/p>\n
Bu yap\u0131, maliyet a\u00e7\u0131s\u0131ndan devrim niteli\u011findedir. \u00c7\u00fcnk\u00fc art\u0131k GPT-4 gibi pahal\u0131 bir modeli, \"\u015fifremi unuttum\" gibi basit bir soru i\u00e7in de\u011fil, sadece \"\u00fcr\u00fcn\u00fcm gecikti ve yasal haklar\u0131m ne?\" gibi ger\u00e7ekten derinlemesine, ba\u011flama duyarl\u0131 ve birden fazla bilgiyi birle\u015ftirerek yan\u0131tlamas\u0131 gereken karma\u015f\u0131k durumlar i\u00e7in kullan\u0131yorsunuz. Ayr\u0131ca, bu modelin girdisi, A\u015fama 1 taraf\u0131ndan zaten temizlenmi\u015f, \u00f6zetlenmi\u015f ve odaklanm\u0131\u015f oldu\u011fundan, g\u00f6nderilen token miktar\u0131 da en aza indirilmi\u015f olur.<\/p>\n
Bu iki a\u015famal\u0131 yakla\u015f\u0131m sayesinde, OpenAI API kullan\u0131m\u0131n\u0131zdaki toplam token say\u0131s\u0131n\u0131 ve dolay\u0131s\u0131yla maliyetleri \u00f6nemli \u00f6l\u00e7\u00fcde azaltabilirsiniz. Uygulaman\u0131z, her zaman en uygun maliyetli arac\u0131 do\u011fru i\u015f i\u00e7in kullanarak, hem b\u00fct\u00e7enizi koruyacak hem de genel performans\u0131n\u0131 art\u0131racakt\u0131r. Bu strateji, yapay zeka projelerinizde uzun vadeli s\u00fcrd\u00fcr\u00fclebilirlik sa\u011flaman\u0131n anahtar\u0131d\u0131r.<\/p>\n
Ger\u00e7ek D\u00fcnya Uygulamalar\u0131 ve Vaka Analizleri: Maliyetleri Nas\u0131l D\u00fc\u015f\u00fcrd\u00fck?<\/h2>\n
Teoriyi anlad\u0131k, peki bu iki a\u015famal\u0131 mimari ve TOON felsefesi ger\u00e7ek d\u00fcnyada nas\u0131l uygulan\u0131r ve somut olarak ne gibi sonu\u00e7lar do\u011furur? \u0130\u015fte size iki farkl\u0131 senaryoda maliyetleri nas\u0131l optimize etti\u011fimize dair vaka analizleri.<\/p>\n
Vaka 1: E-ticaret \u00dcr\u00fcn A\u00e7\u0131klamas\u0131 Olu\u015fturma Platformu<\/h3>\nProblem: Her \u00dcr\u00fcn \u0130\u00e7in GPT-4 Maliyetleri<\/h4>\n
Bir e-ticaret \u015firketi, binlerce \u00fcr\u00fcn\u00fc i\u00e7in \u00e7ekici ve SEO uyumlu \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131 olu\u015fturmak istiyordu. Ba\u015flang\u0131\u00e7ta, her \u00fcr\u00fcn\u00fcn temel \u00f6zelliklerini (\u00fcr\u00fcn ad\u0131, renk, boyut, malzeme, k\u0131sa bir \u00f6zellik listesi) do\u011frudan GPT-4'e g\u00f6ndererek detayl\u0131 a\u00e7\u0131klamalar olu\u015fturuyorlard\u0131. GPT-4'\u00fcn yarat\u0131c\u0131l\u0131\u011f\u0131 ve metin olu\u015fturma becerisi harikayd\u0131, ancak her bir \u00fcr\u00fcn i\u00e7in ortalama 500 token'l\u0131k bir prompt ve 800 token'l\u0131k bir cevap, g\u00fcnde y\u00fczlerce \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 olu\u015fturuldu\u011funda maliyetleri h\u0131zla astronomik seviyelere \u00e7ekiyordu. Ay sonunda gelen faturalar, operasyonel s\u00fcrd\u00fcr\u00fclebilirlik a\u00e7\u0131s\u0131ndan ciddi bir tehdit olu\u015fturuyordu.<\/p>\n
\u00c7\u00f6z\u00fcm: TOON ve \u0130ki A\u015famal\u0131 Mimari Entegrasyonu<\/h4>\n\n- A\u015fama 1 (Hafif Model - GPT-3.5 Turbo): Temel \u00d6zelliklerden Anahtar Kelime \u00c7\u0131karma ve \u0130lk \u00d6zetleme<\/strong>\n
Gelen her \u00fcr\u00fcn\u00fcn ham \u00f6zellik listesi ilk olarak GPT-3.5 Turbo modeline g\u00f6nderildi. Prompt, modelden \u015funlar\u0131 istiyordu:<\/p>\n
\n- \u00dcr\u00fcn\u00fcn en \u00f6nemli 5 anahtar kelimesini \u00e7\u0131kar.<\/li>\n
- \u00dcr\u00fcn\u00fcn temel faydalar\u0131n\u0131 2-3 c\u00fcmlede \u00f6zetle.<\/li>\n
- A\u00e7\u0131klamada kullan\u0131lmak \u00fczere 2-3 adet ilgi \u00e7ekici s\u0131fat ve fiil \u00f6ner.<\/li>\n<\/ul>\n
\n# A\u015fama 1 \u00d6rne\u011fi (Python)\nimport openai\n\n# openai.api_key = \"YOUR_OPENAI_API_KEY\"\n\ndef urun_ozeti_olustur_gpt3_5(urun_ozellikleri):\n prompt = f\"\u015eu \u00fcr\u00fcn \u00f6zelliklerinden 5 anahtar kelime, 3 c\u00fcmlelik \u00f6zet ve 3 s\u0131fat\/fiil \u00f6ner: {urun_ozellikleri}\"\n # response = openai.chat.completions.create(\n # model=\"gpt-3.5-turbo\",\n # messages=[{\"role\": \"user\", \"content\": prompt}],\n # max_tokens=150,\n # temperature=0.5\n # )\n # return response.choices[0].message.content.strip()\n \n # Sim\u00fclasyon\n return \"Anahtar Kelimeler: Konforlu, Ergonomik, Dayan\u0131kl\u0131, Ofis, \u00c7al\u0131\u015fma. \u00d6zet: Bu sandalye uzun \u00e7al\u0131\u015fma saatleri i\u00e7in ideal konfor sunar. Ergonomik tasar\u0131m\u0131 sayesinde s\u0131rt a\u011fr\u0131lar\u0131n\u0131 engeller ve verimlili\u011fi art\u0131r\u0131r. S\u0131fatlar: Y\u00fcksek kaliteli, Ayarlanabilir, \u015e\u0131k.\"\n\nurun_ozellikleri_ham = \"\u00dcr\u00fcn: Ergonomik Ofis Koltu\u011fu, Renk: Siyah, Malzeme: File Kuma\u015f, \u00d6zellikler: Ayarlanabilir bel deste\u011fi, kol\u00e7aklar, y\u00fckseklik, nefes alabilir kuma\u015f.\"\nasama1_sonuc = urun_ozeti_olustur_gpt3_5(urun_ozellikleri_ham)\nprint(f\"A\u015fama 1 (GPT-3.5 Turbo) sonucu: {asama1_sonuc}\")\n <\/pre>\n<\/code><\/p>\n
Bu a\u015fama, orijinal prompt'u 500 tokenden yakla\u015f\u0131k 150 tokene d\u00fc\u015f\u00fcrd\u00fc ve cevab\u0131 da ortalama 80 tokende tuttu. GPT-3.5 Turbo'nun maliyeti GPT-4'e g\u00f6re \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015f\u00fckt\u00fc.<\/p>\n<\/li>\n
- A\u015fama 2 (A\u011f\u0131r Model - GPT-4): Yarat\u0131c\u0131 \u00dcr\u00fcn A\u00e7\u0131klamas\u0131 Olu\u015fturma<\/strong>\n
A\u015fama 1'den gelen optimize edilmi\u015f anahtar kelimeler ve \u00f6zet, \u015fimdi GPT-4'e g\u00f6nderildi. Prompt, modelden \u015funlar\u0131 istiyordu:<\/p>\n
\n- Verilen anahtar kelimeleri ve \u00f6zeti kullanarak 150-200 kelimelik, sat\u0131\u015f odakl\u0131 ve SEO dostu bir \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 yaz.<\/li>\n
- Belirtilen s\u0131fat ve fiilleri do\u011fal bir \u015fekilde metne dahil et.<\/li>\n<\/ul>\n
\n# A\u015fama 2 \u00d6rne\u011fi (Python)\ndef urun_aciklamasi_olustur_gpt4(asama1_cikti):\n prompt = f\"\u015eu bilgilerle bir \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 olu\u015ftur: {asama1_cikti}. 150-200 kelime, sat\u0131\u015f odakl\u0131, SEO uyumlu.\"\n # response = openai.chat.completions.create(\n # model=\"gpt-4-turbo\",\n # messages=[{\"role\": \"user\", \"content\": prompt}],\n # max_tokens=250, # Cevap uzunlu\u011funu s\u0131n\u0131rlar\n # temperature=0.8 # Daha yarat\u0131c\u0131 bir ton i\u00e7in\n # )\n # return response.choices[0].message.content.strip()\n\n # Sim\u00fclasyon\n return \"Y\u00fcksek kaliteli Ergonomik Ofis Koltu\u011fu ile \u00e7al\u0131\u015fma deneyiminizi d\u00f6n\u00fc\u015ft\u00fcr\u00fcn! Bu ayarlanabilir ve \u015f\u0131k koltuk, uzun \u00e7al\u0131\u015fma saatlerinde bile e\u015fsiz konfor sunar. Nefes alabilir file kuma\u015f\u0131 ve dinamik bel deste\u011fi sayesinde, duru\u015funuzu destekler ve g\u00fcn boyu ferah kalman\u0131z\u0131 sa\u011flar. \u00c7al\u0131\u015fma alan\u0131n\u0131z i\u00e7in m\u00fckemmel bir yat\u0131r\u0131m olan bu koltukla verimlili\u011finizi art\u0131r\u0131n.\"\n\nurun_son_aciklama = urun_aciklamasi_olustur_gpt4(asama1_sonuc)\nprint(f\"\\nSon \u00dcr\u00fcn A\u00e7\u0131klamas\u0131 (GPT-4 taraf\u0131ndan olu\u015fturuldu):\\n{urun_son_aciklama}\")\n <\/pre>\n<\/code><\/p>\n
Bu yakla\u015f\u0131m sayesinde, GPT-4'e g\u00f6nderilen prompt'un token maliyeti, A\u015fama 1'deki \u00f6n i\u015fleme sayesinde \u00f6nemli \u00f6l\u00e7\u00fcde azald\u0131. Her ne kadar GPT-4 yine de kullan\u0131l\u0131yor olsa da, ona gelen prompt art\u0131k \u00e7ok daha odakl\u0131 ve k\u0131sa oldu\u011fu i\u00e7in, toplam token maliyeti %70 civar\u0131nda d\u00fc\u015f\u00fc\u015f g\u00f6sterdi.<\/p>\n<\/li>\n<\/ol>\n
Sonu\u00e7:<\/h4>\n
Bu iki a\u015famal\u0131 mimari sayesinde, \u015firket toplam OpenAI maliyetlerinde %70'e varan bir azalma sa\u011flad\u0131. \u00dcr\u00fcn a\u00e7\u0131klama kalitesinden \u00f6d\u00fcn verilmezken, operasyonel maliyetler ciddi \u015fekilde kontrol alt\u0131na al\u0131nd\u0131. Ayr\u0131ca, A\u015fama 1'in h\u0131zl\u0131 yan\u0131t verme yetene\u011fi sayesinde genel s\u00fcre\u00e7 h\u0131z\u0131 da artt\u0131.<\/p>\n
Vaka 2: M\u00fc\u015fteri Destek Sohbet Botu<\/h3>\nProblem: Her M\u00fc\u015fteri Sorgusunu GPT-4 ile Yan\u0131tlama<\/h4>\n
Bir SaaS (Hizmet Olarak Yaz\u0131l\u0131m) \u015firketi, m\u00fc\u015fteri destek ekibinin y\u00fck\u00fcn\u00fc azaltmak i\u00e7in geli\u015fmi\u015f bir sohbet botu geli\u015ftirdi. Ba\u015flang\u0131\u00e7ta, gelen her m\u00fc\u015fteri sorusu, GPT-4 modeline g\u00f6nderiliyor ve ba\u011flam\u0131 korumak i\u00e7in t\u00fcm sohbet ge\u00e7mi\u015fi de prompt'a dahil ediliyordu. Bu, karma\u015f\u0131k sorular i\u00e7in harika \u00e7al\u0131\u015f\u0131yordu, ancak \"\u015eifremi nas\u0131l s\u0131f\u0131rlar\u0131m?\", \"Fatura bilgilerimi nas\u0131l g\u00fcncellerim?\" gibi s\u0131k\u00e7a sorulan ve kolayca yan\u0131tlanabilecek basit sorular i\u00e7in bile GPT-4 \u00e7a\u011fr\u0131s\u0131 yap\u0131l\u0131yordu. Bu durum, g\u00fcnl\u00fck binlerce sohbet oturumunda maliyetleri a\u015f\u0131r\u0131 derecede art\u0131r\u0131yordu.<\/p>\n
\u00c7\u00f6z\u00fcm: TOON ve \u0130ki A\u015famal\u0131 Mimari Entegrasyonu<\/h4>\n\n- A\u015fama 1 (Kural Tabanl\u0131 Sistem + Hafif Model - GPT-3.5 Turbo): Soru Kategorizasyonu ve SSS E\u015fle\u015ftirme<\/strong>\n
Gelen her m\u00fc\u015fteri sorusu \u00f6nce a\u015fa\u011f\u0131daki ad\u0131mlardan ge\u00e7irildi:<\/p>\n
\n- Kural Tabanl\u0131 E\u015fle\u015ftirme:<\/strong> Soruda \"\u015fifre\", \"fatura\", \"\u00f6deme\", \"iade\" gibi anahtar kelimeler aranarak \u00f6nceden tan\u0131mlanm\u0131\u015f SSS yan\u0131tlar\u0131yla e\u015fle\u015ftirildi. E\u011fer kesin bir e\u015fle\u015fme bulunursa, bot do\u011frudan SSS yan\u0131t\u0131n\u0131 g\u00f6nderdi ve hi\u00e7bir LLM \u00e7a\u011fr\u0131s\u0131 yap\u0131lmad\u0131.<\/li>\n
- GPT-3.5 Turbo ile Niyet Tespiti:<\/strong> E\u011fer kural tabanl\u0131 sistem bir cevap bulamazsa, soru GPT-3.5 Turbo'ya g\u00f6nderilerek niyet tespiti (intent detection) yap\u0131ld\u0131. \u00d6rne\u011fin, \"Bu bir hesap y\u00f6netimi mi, teknik destek mi, yoksa \u00fcr\u00fcn \u00f6zelli\u011fi sorusu mu?\" belirlendi. Prompt ayn\u0131 zamanda modelden sorunun aciliyetini veya karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 da tahmin etmesini istiyordu.<\/li>\n<\/ul>\n
\n# A\u015fama 1 \u00d6rne\u011fi (Python)\ndef sss_ve_niyet_tespiti(soru_metni):\n sss_map = {\n \"\u015fifre\": \"\u015eifre s\u0131f\u0131rlama linki: [buraya t\u0131klay\u0131n]\",\n \"fatura\": \"Fatura detaylar\u0131n\u0131z\u0131 hesap ayarlar\u0131n\u0131zdan g\u00f6rebilirsiniz.\"\n }\n \n # Kural tabanl\u0131 SSS kontrol\u00fc\n for keyword, answer in sss_map.items():\n if keyword in soru_metni.lower():\n return {\"type\": \"SSS_YANIT\", \"response\": answer}\n\n # GPT-3.5 Turbo ile niyet tespiti (sim\u00fclasyon)\n # prompt = f\"A\u015fa\u011f\u0131daki m\u00fc\u015fteri sorusunun ana niyetini ve karma\u015f\u0131kl\u0131k seviyesini belirle: '{soru_metni}'\"\n # response = openai.chat.completions.create(model=\"gpt-3.5-turbo\", ...)\n # return {\"type\": \"NIYET_TESPIT\", \"intent\": \"Teknik Destek\", \"complexity\": \"Orta\", \"summary\": \"Kullan\u0131c\u0131 bir hata al\u0131yor.\"}\n \n # Sim\u00fclasyon\n if \"hata al\u0131yorum\" in soru_metni.lower():\n return {\"type\": \"NIYET_TESPIT\", \"intent\": \"Teknik Destek\", \"complexity\": \"Orta\", \"summary\": \"Kullan\u0131c\u0131 bir hata al\u0131yor, detay gerekli.\"}\n return {\"type\": \"NIYET_TESPIT\", \"intent\": \"Genel Soru\", \"complexity\": \"Y\u00fcksek\", \"summary\": soru_metni}\n\nmusteri_sorusu = \"Uygulamada bir hata al\u0131yorum, giri\u015f yapam\u0131yorum.\"\nasama1_sonuc_destek = sss_ve_niyet_tespiti(musteri_sorusu)\nprint(f\"A\u015fama 1 (SSS\/Niyet Tespiti) sonucu: {asama1_sonuc_destek}\")\n <\/pre>\n<\/code><\/p>\n
Bu a\u015fama, gelen sorgular\u0131n yakla\u015f\u0131k %60'\u0131n\u0131 do\u011frudan SSS veya basit niyet tespiti ile \u00e7\u00f6zd\u00fc, hi\u00e7 GPT-4 \u00e7a\u011fr\u0131s\u0131 yapmadan.<\/p>\n<\/li>\n
- A\u015fama 2 (A\u011f\u0131r Model - GPT-4): Detayl\u0131 Yan\u0131t ve \u00c7\u00f6z\u00fcm \u00d6nerisi<\/strong>\n
A\u015fama 1'den gelen sonu\u00e7, sorunun karma\u015f\u0131k oldu\u011fu veya detayl\u0131 teknik a\u00e7\u0131klama gerektirdi\u011fi y\u00f6n\u00fcndeyse, GPT-4 devreye girdi. GPT-4'e g\u00f6nderilen prompt, A\u015fama 1'den gelen niyet, \u00f6zet ve kritik anahtar kelimelerle zenginle\u015ftirildi. Ayr\u0131ca, sohbet ge\u00e7mi\u015finden sadece son 2-3 mesajl\u0131k ilgili ba\u011flam da dahil edildi.<\/p>\n
\n# A\u015fama 2 \u00d6rne\u011fi (Python)\ndef detayli_yanit_gpt4(asama1_data, sohbet_gecmisi):\n if asama1_data[\"type\"] == \"SSS_YANIT\":\n return asama1_data[\"response\"] # A\u015fama 1'de \u00e7\u00f6z\u00fcld\u00fc\n \n prompt = f\"Kullan\u0131c\u0131 sorusu: '{asama1_data['summary']}' (Niyet: {asama1_data['intent']}, Karma\u015f\u0131kl\u0131k: {asama1_data['complexity']}).\\n\" \\\n f\"\u0130lgili sohbet ge\u00e7mi\u015fi: {sohbet_gecmisi}\\n\" \\\n f\"Bu bilgilere dayanarak, kullan\u0131c\u0131n\u0131n sorununa detayl\u0131 bir \u00e7\u00f6z\u00fcm veya a\u00e7\u0131klama sunun.\"\n \n # response = openai.chat.completions.create(\n # model=\"gpt-4-turbo\",\n # messages=[{\"role\": \"user\", \"content\": prompt}],\n # max_tokens=300,\n # temperature=0.7\n # )\n # return response.choices[0].message.content.strip()\n\n # Sim\u00fclasyon\n return f\"Giri\u015f yaparken ya\u015fad\u0131\u011f\u0131n\u0131z hata, genellikle taray\u0131c\u0131 \u00e7erezleri veya a\u011f ba\u011flant\u0131n\u0131zla ilgili olabilir. L\u00fctfen taray\u0131c\u0131n\u0131z\u0131n \u00f6nbelle\u011fini ve \u00e7erezlerini temizlemeyi deneyin. E\u011fer sorun devam ederse, VPN kullan\u0131p kullanmad\u0131\u011f\u0131n\u0131z\u0131 kontrol edin. Daha fazla yard\u0131m i\u00e7in ekran g\u00f6r\u00fcnt\u00fcs\u00fc ile teknik destek ekibimize ba\u015fvurabilirsiniz.\"\n\nsohbet_gecmisi_ornek = [{\"role\": \"user\", \"content\": \"Giri\u015f yapam\u0131yorum s\u00fcrekli hata veriyor.\"}, {\"role\": \"assistant\", \"content\": \"Hangi hata mesaj\u0131n\u0131 al\u0131yorsunuz?\"}]\nif asama1_sonuc_destek[\"type\"] == \"NIYET_TESPIT\" and asama1_sonuc_destek[\"complexity\"] == \"Orta\":\n print(f\"\\nSorgu karma\u015f\u0131k. A\u011f\u0131r model ({openai.Model.GPT_4_TURBO}) \u00e7a\u011fr\u0131l\u0131yor...\")\n nihai_yanit_destek = detayli_yanit_gpt4(asama1_sonuc_destek, sohbet_gecmisi_ornek)\n print(f\"GPT-4 Destek Yan\u0131t\u0131: {nihai_yanit_destek}\")\nelse:\n print(f\"\\nDestek sorgusu birinci a\u015famada \u00e7\u00f6z\u00fcld\u00fc veya y\u00f6nlendirildi. Yan\u0131t: {asama1_sonuc_destek['response']}\")\n <\/pre>\n<\/code><\/p>\n
Bu sayede, GPT-4'e giden prompt'lar hem daha az token i\u00e7eriyordu (t\u00fcm sohbet ge\u00e7mi\u015fi yerine sadece kritik ba\u011flam) hem de sadece ger\u00e7ekten ihtiya\u00e7 duyuldu\u011funda \u00e7a\u011fr\u0131l\u0131yordu.<\/p>\n<\/li>\n<\/ol>\n
Sonu\u00e7:<\/h4>\n
Bu iki a\u015famal\u0131 yakla\u015f\u0131m sayesinde, m\u00fc\u015fteri destek sohbet botunun toplam OpenAI API maliyetleri %80'in \u00fczerinde azald\u0131. Basit sorular\u0131n \u00e7o\u011fu \u00fccretsiz veya \u00e7ok d\u00fc\u015f\u00fck maliyetli y\u00f6ntemlerle \u00e7\u00f6z\u00fcl\u00fcrken, karma\u015f\u0131k sorular hala en iyi model taraf\u0131ndan yan\u0131tlanmaya devam etti. Bu, hem maliyet verimlili\u011fini art\u0131rd\u0131 hem de botun genel yan\u0131t s\u00fcresini iyile\u015ftirdi.<\/p>\n
Bu vaka analizleri, TOON felsefesinin ve iki a\u015famal\u0131 mimarinin sadece teorik kavramlar olmad\u0131\u011f\u0131n\u0131, ayn\u0131 zamanda somut maliyet tasarrufu ve operasyonel verimlilik sa\u011flayan pratik stratejiler oldu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Anahtar, her g\u00f6rev i\u00e7in do\u011fru arac\u0131 se\u00e7mek ve pahal\u0131 kaynaklar\u0131 yaln\u0131zca ger\u00e7ekten gerekti\u011finde kullanmakt\u0131r.<\/p>\n
TOON ve \u0130ki A\u015famal\u0131 Mimarinin \u0130leri D\u00fczey Uygulamalar\u0131 ve \u0130pu\u00e7lar\u0131<\/h2>\n
OpenAI maliyetlerini d\u00fc\u015f\u00fcrme yolculu\u011funuzda TOON felsefesi ve iki a\u015famal\u0131 mimari size sa\u011flam bir temel sunar. Ancak, bu teknikleri daha da ileriye ta\u015f\u0131yarak \u00e7ok daha fazla optimizasyon sa\u011flamak m\u00fcmk\u00fcn. \u0130\u015fte deneyimli kullan\u0131c\u0131lar i\u00e7in baz\u0131 ileri d\u00fczey ipu\u00e7lar\u0131 ve uygulamalar:<\/p>\n
1. Model \u0130nce Ayar\u0131 (Fine-tuning) ile Kendi Hafif Modelinizi E\u011fitme<\/h3>\n
Birinci a\u015famada s\u00fcrekli olarak GPT-3.5 Turbo gibi bir modeli kullanmak yerine, belirli ve tekrarlayan g\u00f6revler i\u00e7in kendi k\u00fc\u00e7\u00fck dil modelinizi (\u00f6rne\u011fin, GPT-3.5'in fine-tuned versiyonu veya a\u00e7\u0131k kaynakl\u0131, daha k\u00fc\u00e7\u00fck modeller) e\u011fitmeyi d\u00fc\u015f\u00fcnebilirsiniz. Fine-tuning, modelin belirli bir veri setine odaklanmas\u0131n\u0131 ve \u00e7ok daha az prompt token'\u0131 ile daha do\u011fru ve h\u0131zl\u0131 yan\u0131tlar vermesini sa\u011flar.<\/p>\n
\n- Ne Zaman Kullan\u0131l\u0131r?<\/strong> Niyet tespiti, belirli bir sekt\u00f6r jargonuna \u00f6zel s\u0131n\u0131fland\u0131rma, k\u0131sa \u00f6zetleme gibi tekrarlayan ve iyi tan\u0131mlanm\u0131\u015f g\u00f6revleriniz varsa.<\/li>\n
- Faydalar\u0131:<\/strong>\n
\n- Daha D\u00fc\u015f\u00fck Maliyet:<\/strong> Fine-tuned modellerin \u00e7a\u011fr\u0131m maliyetleri genellikle genel modellere g\u00f6re daha d\u00fc\u015f\u00fckt\u00fcr. Ayr\u0131ca, daha az prompt token'\u0131 gerektirdi\u011finden maliyet avantaj\u0131 katlan\u0131r.<\/li>\n
- Daha Y\u00fcksek Do\u011fruluk:<\/strong> Spesifik veriniz \u00fczerinde e\u011fitildi\u011fi i\u00e7in, genel bir modelden daha do\u011fru ve tutarl\u0131 yan\u0131tlar verir.<\/li>\n
- Daha H\u0131zl\u0131 Yan\u0131t S\u00fcresi:<\/strong> K\u00fc\u00e7\u00fck modeller daha h\u0131zl\u0131 inference (\u00e7\u0131kar\u0131m) yapabilir.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\nUzman \u0130pucu: Fine-tuning i\u00e7in yeterli ve kaliteli veri setiniz oldu\u011fundan emin olun. Yanl\u0131\u015f veri ile yap\u0131lan fine-tuning, performans\u0131 d\u00fc\u015f\u00fcrebilir.<\/div>\n
2. Ak\u0131ll\u0131 \u00d6nbellekleme (Caching) Stratejileri<\/h3>\n
S\u0131k\u00e7a sorulan sorulara veya belirli prompt kal\u0131plar\u0131na verilen yan\u0131tlar\u0131 \u00f6nbelle\u011fe almak, gereksiz API \u00e7a\u011fr\u0131lar\u0131n\u0131 \u00f6nlemenin en etkili yollar\u0131ndan biridir. Ancak basit bir anahtar-de\u011fer \u00f6nbelle\u011fi yerine, daha ak\u0131ll\u0131 stratejiler kullan\u0131n:<\/p>\n
\n- Anlamsal \u00d6nbellekleme:<\/strong> Gelen sorgunun tam metin e\u015fle\u015fmesi yerine, anlamsal olarak benzer sorgular i\u00e7in de \u00f6nbelle\u011fe al\u0131nm\u0131\u015f yan\u0131tlar\u0131 kullan\u0131n. \u00d6rne\u011fin, \"\u015fifremi unuttum\" ile \"parolam\u0131 s\u0131f\u0131rlamak istiyorum\" ayn\u0131 yan\u0131t\u0131 tetiklemelidir. Embeddings ve vekt\u00f6r veritabanlar\u0131 bu konuda yard\u0131mc\u0131 olabilir.<\/li>\n
- TTL (Time-To-Live) ile \u00d6nbellek Ge\u00e7ersiz K\u0131lma:<\/strong> \u00d6nbellekteki verilerin belirli bir s\u00fcre sonra ge\u00e7erlili\u011fini yitirmesini sa\u011flay\u0131n, b\u00f6ylece g\u00fcncel olmayan bilgilerle yan\u0131t verilmez.<\/li>\n
- Hibrit \u00d6nbellekleme:<\/strong> Hem kural tabanl\u0131 (tam e\u015fle\u015fme) hem de anlamsal (benzerlik tabanl\u0131) \u00f6nbellekleri bir arada kullan\u0131n.<\/li>\n<\/ul>\n
3. Prompt M\u00fchendisli\u011finde Geli\u015fmi\u015f Teknikler<\/h3>\n
TOON felsefesinin kalbinde yatan prompt optimizasyonu, tek bir basit ad\u0131m de\u011fildir. \u0130\u015fte daha ileri d\u00fczey teknikler:<\/p>\n
\n- Zincirleme D\u00fc\u015f\u00fcnce (Chain-of-Thought Prompting):<\/strong> \u00d6zellikle GPT-4 gibi daha g\u00fc\u00e7l\u00fc modellerden karma\u015f\u0131k ak\u0131l y\u00fcr\u00fctme beklerken, modelden do\u011frudan cevab\u0131 istemek yerine, ad\u0131mlar\u0131 d\u00fc\u015f\u00fcnmesini isteyin. \u00d6rne\u011fin: \"Ad\u0131m ad\u0131m d\u00fc\u015f\u00fcnerek bu sorunu nas\u0131l \u00e7\u00f6zece\u011fini a\u00e7\u0131klayabilir misin? Sonra nihai cevab\u0131 ver.\" Bu, daha do\u011fru ve \u015feffaf yan\u0131tlar alman\u0131z\u0131 sa\u011flarken, daha az token ile daha kaliteli \u00e7\u0131kt\u0131 elde etmenizi sa\u011flayabilir.<\/li>\n
- Dinamik Prompt Olu\u015fturma:<\/strong> Kullan\u0131c\u0131 girdisine veya \u00f6nceki konu\u015fma ba\u011flam\u0131na g\u00f6re prompt'u dinamik olarak yeniden \u015fekillendirin. Sadece ilgili par\u00e7alar\u0131 dahil edin ve gereksiz ba\u011flam\u0131 kesin.<\/li>\n
- Az At\u0131\u015fl\u0131 (Few-Shot) \u00d6\u011frenme:<\/strong> Modelin bir g\u00f6revi daha iyi anlamas\u0131 i\u00e7in birka\u00e7 \u00f6rnek girdi-\u00e7\u0131kt\u0131 \u00e7ifti sa\u011flay\u0131n. Bu, modelin istenen format\u0131 ve tonu daha az deneme yan\u0131lma ile anlamas\u0131na yard\u0131mc\u0131 olabilir ve dolay\u0131s\u0131yla daha az API \u00e7a\u011fr\u0131s\u0131 ve token t\u00fcketimiyle sonu\u00e7lanabilir.<\/li>\n<\/ul>\n
4. Geri Bildirim D\u00f6ng\u00fcleri ve S\u00fcrekli \u0130yile\u015ftirme<\/h3>\n
Yapay zeka sistemleri ya\u015fayan organizmalar gibidir. Onlar\u0131 s\u00fcrekli izlemeli ve iyile\u015ftirmelisiniz.<\/p>\n
\n- Maliyet Takibi ve Analizi:<\/strong> Hangi modelin ne kadar maliyete yol a\u00e7t\u0131\u011f\u0131n\u0131, hangi prompt'lar\u0131n en pahal\u0131 oldu\u011funu d\u00fczenli olarak izleyin. Token kullan\u0131m\u0131n\u0131z\u0131 detayl\u0131 olarak analiz edin.<\/li>\n
- A\/B Testleri:<\/strong> Farkl\u0131 birinci a\u015fama stratejilerini veya prompt optimizasyonlar\u0131n\u0131 A\/B testleriyle kar\u015f\u0131la\u015ft\u0131r\u0131n. Hangi yakla\u015f\u0131m\u0131n hem maliyet hem de performans a\u00e7\u0131s\u0131ndan daha iyi oldu\u011funu belirleyin.<\/li>\n
- Kullan\u0131c\u0131 Geri Bildirimleri:<\/strong> Kullan\u0131c\u0131lar\u0131n botunuzun veya uygulaman\u0131z\u0131n yan\u0131tlar\u0131ndan memnun olup olmad\u0131\u011f\u0131n\u0131 takip edin. D\u00fc\u015f\u00fck memnuniyet, birinci veya ikinci a\u015famada bir iyile\u015ftirme ihtiyac\u0131na i\u015faret edebilir.<\/li>\n<\/ul>\n
Bu ileri d\u00fczey teknikler, TOON ve iki a\u015famal\u0131 mimarinin temelini g\u00fc\u00e7lendirir ve OpenAI maliyetlerinizi \u00e7ok daha hassas bir \u015fekilde y\u00f6netmenizi sa\u011flar. Yapay zeka uygulamalar\u0131n\u0131z\u0131n hem g\u00fc\u00e7l\u00fc hem de b\u00fct\u00e7e dostu olmas\u0131n\u0131 istiyorsan\u0131z, bu stratejileri geli\u015ftirme s\u00fcrecinizin bir par\u00e7as\u0131 haline getirmeniz faydal\u0131 olacakt\u0131r. Unutmay\u0131n, optimizasyon s\u00fcrekli bir s\u00fcre\u00e7tir ve her zaman daha iyiye gitmek i\u00e7in yollar vard\u0131r.<\/p>\n
Mobil Uyumlu Tasar\u0131m \u0130\u00e7in \u0130pu\u00e7lar\u0131 ve CSS \u00d6rnekleri<\/h2>\n
API maliyetlerini optimize etmenin yan\u0131 s\u0131ra, kullan\u0131c\u0131 deneyiminin de p\u00fcr\u00fczs\u00fcz olmas\u0131 b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. G\u00fcn\u00fcm\u00fczde \u00e7o\u011fu kullan\u0131c\u0131 mobil cihazlardan eri\u015fim sa\u011flad\u0131\u011f\u0131 i\u00e7in, yapay zeka uygulaman\u0131z\u0131n veya botunuzun web aray\u00fcz\u00fcn\u00fcn mobil uyumlu olmas\u0131 elzemdir. Bu b\u00f6l\u00fcmde, kullan\u0131c\u0131 aray\u00fcz\u00fcn\u00fcz\u00fc (UI) mobil cihazlarda da harika g\u00f6r\u00fcnmesini sa\u011flayacak baz\u0131 temel ipu\u00e7lar\u0131 ve CSS \u00f6rnekleri payla\u015faca\u011f\u0131z.<\/p>\n
1. Duyarl\u0131 Tasar\u0131m\u0131n Temelleri (Responsive Design)<\/h3>\n
Duyarl\u0131 tasar\u0131m, i\u00e7eri\u011fin ve d\u00fczenin farkl\u0131 ekran boyutlar\u0131na ve cihazlara (masa\u00fcst\u00fc, tablet, mobil) otomatik olarak uyum sa\u011flamas\u0131 anlam\u0131na gelir. Bu, \u00f6zellikle medya sorgular\u0131 (media queries) kullan\u0131larak sa\u011flan\u0131r.<\/p>\n
Viewport Meta Etiketi<\/h4>\n
Her \u015feyden \u00f6nce, HTML'inizin `` b\u00f6l\u00fcm\u00fcne a\u015fa\u011f\u0131daki meta etiketini eklemeniz gerekir. Bu, taray\u0131c\u0131ya sayfan\u0131n geni\u015fli\u011fini cihaz\u0131n geni\u015fli\u011fiyle e\u015fle\u015ftirmesini ve ba\u015flang\u0131\u00e7ta %100 yak\u0131nla\u015ft\u0131rmay\u0131 kullanmas\u0131n\u0131 s\u00f6yler. Bu etiket olmadan, mobil taray\u0131c\u0131lar sayfan\u0131z\u0131 masa\u00fcst\u00fc g\u00f6r\u00fcn\u00fcm\u00fcnde render edip k\u00fc\u00e7\u00fcltebilir.<\/p>\n
\n\n<\/pre>\n<\/code><\/p>\n
Esnek Birimler Kullan\u0131n<\/h4>\n
Piksel (px) yerine y\u00fczde (%), em, rem veya viewport birimleri (vw, vh) gibi esnek birimler kullanmak, elementlerinizin farkl\u0131 ekran boyutlar\u0131na g\u00f6re \u00f6l\u00e7eklenmesine yard\u0131mc\u0131 olur.<\/p>\n
\n\/* Geni\u015flikleri ve padding'leri y\u00fczde cinsinden ayarlama *\/\n.container {\n width: 90%; \/* Ekran geni\u015fli\u011finin %90'\u0131 *\/\n margin: 0 auto; \/* Ortala *\/\n padding: 2% 3%; \/* Y\u00fczde cinsinden bo\u015fluk *\/\n}\n\n\/* Yaz\u0131 tiplerini ve sat\u0131r y\u00fcksekliklerini g\u00f6receli birimlerle ayarlama *\/\nbody {\n font-size: 16px; \/* Varsay\u0131lan *\/\n line-height: 1.6;\n}\n\nh2 {\n font-size: 2em; \/* Ana metin boyutunun 2 kat\u0131 *\/\n}\n\np {\n font-size: 1em; \/* Ana metin boyutu *\/\n}\n\n\/* G\u00f6rsel ipucu div'i i\u00e7in \u00f6rnek *\/\n.uzman-ipucu {\n padding: 1rem; \/* 16px *\/\n margin: 1.5rem 0;\n border-left: 5px solid #007bff;\n background-color: #e7f3ff;\n color: #004085;\n border-radius: 4px;\n font-size: 0.95em;\n}\n<\/pre>\n<\/code><\/p>\n
2. Medya Sorgular\u0131 (Media Queries) ile D\u00fczenleri Ayarlama<\/h3>\n
Medya sorgular\u0131, belirli ekran geni\u015fliklerine ula\u015f\u0131ld\u0131\u011f\u0131nda CSS kurallar\u0131n\u0131 uygulaman\u0131za olanak tan\u0131r. Bu, mobil cihazlar i\u00e7in farkl\u0131 bir d\u00fczen veya stil tan\u0131mlaman\u0131za imkan verir.<\/p>\n
\n\/* Genel stil (varsay\u0131lan: masa\u00fcst\u00fc i\u00e7in) *\/\n.main-content {\n display: flex;\n flex-direction: row; \/* Masa\u00fcst\u00fcnde yan yana *\/\n gap: 20px;\n}\n\n.sidebar {\n width: 30%;\n}\n\n.article-body {\n width: 70%;\n}\n\n\/* K\u00fc\u00e7\u00fck ekranlar (tabletler ve mobil cihazlar) i\u00e7in medya sorgusu *\/\n@media screen and (max-width: 768px) {\n .main-content {\n flex-direction: column; \/* Mobilde alt alta *\/\n }\n\n .sidebar, .article-body {\n width: 100%; \/* Tam geni\u015flik kapla *\/\n padding: 15px; \/* \u0130\u00e7 bo\u015fluk ekle *\/\n }\n\n h2 {\n font-size: 1.5em; \/* Mobil i\u00e7in ba\u015fl\u0131k boyutunu k\u00fc\u00e7\u00fclt *\/\n }\n\n \/* Kod bloklar\u0131 i\u00e7in mobil uyumluluk *\/\n pre {\n white-space: pre-wrap; \/* Uzun sat\u0131rlar\u0131 otomatik olarak sar *\/\n word-wrap: break-word; \/* Kelimeleri b\u00f6lerek sarmala *\/\n overflow-x: auto; \/* Yatay kayd\u0131rma \u00e7ubu\u011fu *\/\n }\n}\n\n\/* Daha k\u00fc\u00e7\u00fck telefon ekranlar\u0131 i\u00e7in medya sorgusu *\/\n@media screen and (max-width: 480px) {\n body {\n font-size: 14px; \/* \u00c7ok k\u00fc\u00e7\u00fck ekranlarda genel yaz\u0131 boyutunu k\u00fc\u00e7\u00fclt *\/\n }\n .container {\n width: 95%; \/* Daha dar bir container *\/\n }\n}\n<\/pre>\n<\/code><\/p>\n
3. G\u00f6rselleri Optimize Edin<\/h3>\n
G\u00f6rseller, mobil cihazlarda performans\u0131 en \u00e7ok etkileyen unsurlardan biridir. B\u00fcy\u00fck boyutlu g\u00f6rseller sayfa y\u00fckleme s\u00fcresini uzat\u0131r ve mobil veri t\u00fcketimini art\u0131r\u0131r.<\/p>\n
\n- S\u0131k\u0131\u015ft\u0131rma:<\/strong> G\u00f6rsellerinizi web i\u00e7in optimize edin (\u00f6rne\u011fin, TinyPNG gibi ara\u00e7larla).<\/li>\n
- Boyutland\u0131rma:<\/strong> CSS ile g\u00f6rsellerin geni\u015fli\u011fini maksimum %100 olarak ayarlay\u0131n, b\u00f6ylece konteynerlerini a\u015fmazlar.<\/li>\n
srcset<\/code> ve <\/code> Etiketleri:<\/strong> Farkl\u0131 ekran boyutlar\u0131 i\u00e7in farkl\u0131 \u00e7\u00f6z\u00fcn\u00fcrl\u00fcklerde g\u00f6rseller sunarak performans\u0131 art\u0131rabilirsiniz.<\/li>\n<\/ul>\n\nimg {\n max-width: 100%; \/* G\u00f6rselin konteynerini a\u015fmas\u0131n\u0131 engeller *\/\n height: auto; \/* Oran\u0131n\u0131 korur *\/\n display: block; \/* Alt\u0131ndaki bo\u015flu\u011fu kald\u0131r\u0131r *\/\n}\n<\/pre>\n<\/code><\/p>\n
4. Dokunmatik Dostu Elementler<\/h3>\n
Mobil kullan\u0131c\u0131lar dokunarak etkile\u015fim kurar. D\u00fc\u011fmelerin, ba\u011flant\u0131lar\u0131n ve di\u011fer etkile\u015fimli elementlerin yeterince b\u00fcy\u00fck ve birbirinden ayr\u0131 oldu\u011fundan emin olun ki, kullan\u0131c\u0131lar yanl\u0131\u015fl\u0131kla ba\u015fka bir \u015feye basmas\u0131n.<\/p>\n
\n- Minimum T\u0131klama Alan\u0131:<\/strong> Apple'\u0131n iOS Human Interface Guidelines'\u0131 minimum 44x44 piksel dokunmatik alan \u00f6nerir.<\/li>\n<\/ul>\n
Bu temel mobil uyumluluk ipu\u00e7lar\u0131 ve CSS \u00f6rnekleriyle, OpenAI API'lerinizden g\u00fc\u00e7 alan uygulaman\u0131z\u0131n sadece maliyet etkin olmakla kalmay\u0131p, ayn\u0131 zamanda her cihazda m\u00fckemmel bir kullan\u0131c\u0131 deneyimi sunmas\u0131n\u0131 da sa\u011flayabilirsiniz. Unutmay\u0131n, iyi bir kullan\u0131c\u0131 deneyimi, uygulaman\u0131z\u0131n benimsenmesi ve ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
Sonu\u00e7: OpenAI Maliyetlerinizi Y\u00f6netmek \u0130\u00e7in Yol Haritan\u0131z<\/h2>\n
OpenAI ve benzeri b\u00fcy\u00fck dil modellerinin sundu\u011fu imkanlar s\u0131n\u0131rs\u0131z olsa da, bu g\u00fc\u00e7l\u00fc ara\u00e7lar\u0131n maliyet etkin bir \u015fekilde kullan\u0131lmas\u0131, s\u00fcrd\u00fcr\u00fclebilir yapay zeka uygulamalar\u0131 geli\u015ftirmenin anahtar\u0131d\u0131r. Bu makale boyunca ele ald\u0131\u011f\u0131m\u0131z TOON (To Only Use Necessary) felsefesi ve iki a\u015famal\u0131 mimari yakla\u015f\u0131m\u0131, OpenAI faturalar\u0131n\u0131z\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde, hatta %80'e varan oranlarda d\u00fc\u015f\u00fcrmek i\u00e7in size kapsaml\u0131 bir yol haritas\u0131 sunar.<\/p>\n
\u00d6zetle, OpenAI API maliyetlerinizi d\u00fc\u015f\u00fcrmenin temelinde yatan strateji, her g\u00f6revi en pahal\u0131 ve en g\u00fc\u00e7l\u00fc modelle yapmaktan vazge\u00e7mektir. Bunun yerine, g\u00f6revleri karma\u015f\u0131kl\u0131klar\u0131na g\u00f6re ay\u0131rarak, birinci a\u015famada daha uygun maliyetli, h\u0131zl\u0131 ve hatta kural tabanl\u0131 sistemlerle m\u00fcmk\u00fcn oldu\u011funca \u00e7ok i\u015fi halletmelisiniz. Bu \u00f6n i\u015fleme a\u015famas\u0131, hem gereksiz API \u00e7a\u011fr\u0131lar\u0131n\u0131 engeller hem de ikinci a\u015famadaki a\u011f\u0131r modellere g\u00f6nderilen prompt'lar\u0131 optimize ederek token kullan\u0131m\u0131n\u0131 minimize eder. Yaln\u0131zca ger\u00e7ekten karma\u015f\u0131k, yarat\u0131c\u0131 veya derinlemesine analiz gerektiren g\u00f6revler i\u00e7in GPT-4 gibi y\u00fcksek maliyetli modellere ba\u015fvurmal\u0131s\u0131n\u0131z. Bu sayede, \"do\u011fru arac\u0131 do\u011fru i\u015f i\u00e7in\" kullanm\u0131\u015f olursunuz.<\/p>\n
Ger\u00e7ek d\u00fcnya vaka analizlerimizde de g\u00f6rd\u00fc\u011f\u00fcn\u00fcz gibi, e-ticaret \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 olu\u015fturma ve m\u00fc\u015fteri destek botu gibi farkl\u0131 senaryolarda bu yakla\u015f\u0131mlar somut maliyet tasarruflar\u0131 sa\u011flam\u0131\u015ft\u0131r. Ayr\u0131ca, fine-tuning, ak\u0131ll\u0131 \u00f6nbellekleme ve geli\u015fmi\u015f prompt m\u00fchendisli\u011fi gibi ileri d\u00fczey tekniklerle bu optimizasyonu daha da derinle\u015ftirmek m\u00fcmk\u00fcnd\u00fcr. Unutmay\u0131n ki, yapay zeka projelerinde optimizasyon s\u00fcrekli bir s\u00fcre\u00e7tir ve d\u00fczenli takip, analiz ve iyile\u015ftirme gerektirir.<\/p>\n
Dijital d\u00fcnyada kullan\u0131c\u0131 deneyiminin de vazge\u00e7ilmez bir par\u00e7as\u0131 olan mobil uyumlulu\u011fu da g\u00f6z ard\u0131 etmemek gerekir. Uygulaman\u0131z\u0131n sadece arkada maliyet etkin \u00e7al\u0131\u015fmas\u0131 de\u011fil, ayn\u0131 zamanda \u00f6n y\u00fczde her cihazda ak\u0131c\u0131 bir deneyim sunmas\u0131 da ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir. Duyarl\u0131 tasar\u0131m prensipleri ve medya sorgular\u0131yla bu hedefi de kolayca ger\u00e7ekle\u015ftirebilirsiniz.<\/p>\n
Bug\u00fcnden itibaren, yapay zeka projelerinizi planlarken ve uygularken TOON felsefesini ve iki a\u015famal\u0131 mimariyi birincil \u00f6nceli\u011finiz haline getirin. Bu stratejiler, size hem daha d\u00fc\u015f\u00fck maliyetli hem de daha performansl\u0131, s\u00fcrd\u00fcr\u00fclebilir ve \u00f6l\u00e7eklenebilir yapay zeka \u00e7\u00f6z\u00fcmleri geli\u015ftirme imkan\u0131 sunacakt\u0131r. Yapay zekan\u0131n g\u00fcc\u00fcnden tam anlam\u0131yla faydalan\u0131rken, b\u00fct\u00e7enizi de kontrol alt\u0131nda tutmak art\u0131k hayal de\u011fil, ula\u015f\u0131labilir bir ger\u00e7ekliktir.<\/p>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\nBu y\u00f6ntemler hangi OpenAI modelleriyle \u00e7al\u0131\u015f\u0131r?<\/h4>\n
Bu y\u00f6ntemler, GPT-3.5 Turbo gibi uygun maliyetli modellerden GPT-4 gibi daha pahal\u0131 ve g\u00fc\u00e7l\u00fc modellere kadar t\u00fcm OpenAI dil modelleriyle uyumludur. Temel prensip, her g\u00f6rev i\u00e7in en uygun maliyetli modeli se\u00e7mek oldu\u011fundan, OpenAI'nin sundu\u011fu t\u00fcm model yelpazesinden faydalanabilirsiniz. Hatta, birinci a\u015famada a\u00e7\u0131k kaynakl\u0131 veya kendi \u00f6zel e\u011fitilmi\u015f k\u00fc\u00e7\u00fck modellerinizi bile kullanabilirsiniz.<\/p>\n
Kendi k\u00fc\u00e7\u00fck modellerimi e\u011fitmem gerekir mi?<\/h4>\n
Hay\u0131r, her zaman gerekmez. Birinci a\u015famada GPT-3.5 Turbo gibi daha hafif OpenAI modellerini kullanmak veya kural tabanl\u0131 sistemler kurmak da \u00f6nemli maliyet tasarrufu sa\u011flayabilir. Kendi modelinizi fine-tuning ile e\u011fitmek, belirli ve tekrarlayan g\u00f6revler i\u00e7in (\u00f6rne\u011fin niyet tespiti veya kategorizasyon) daha y\u00fcksek do\u011fruluk ve d\u00fc\u015f\u00fck maliyet sunsa da, bu genellikle daha ileri bir optimizasyon ad\u0131m\u0131d\u0131r ve yeterli veri seti gerektirir. Ba\u015flang\u0131\u00e7ta mevcut modellerle ba\u015flay\u0131p, ihtiya\u00e7 duyduk\u00e7a fine-tuning'i d\u00fc\u015f\u00fcnebilirsiniz.<\/p>\n
Geli\u015ftirme s\u00fcreci karma\u015f\u0131kla\u015f\u0131r m\u0131?<\/h4>\n
Evet, tek bir modele do\u011frudan \u00e7a\u011fr\u0131 yapmaya k\u0131yasla iki a\u015famal\u0131 mimari ilk ba\u015fta biraz daha karma\u015f\u0131k g\u00f6r\u00fcnebilir. Ancak, uzun vadede bu ekstra \u00e7aba, hem maliyet tasarrufu hem de uygulaman\u0131z\u0131n esnekli\u011fi ve s\u00fcrd\u00fcr\u00fclebilirli\u011fi a\u00e7\u0131s\u0131ndan kendini fazlas\u0131yla amorti eder. Kodunuzda ko\u015fullu mant\u0131k, farkl\u0131 model \u00e7a\u011fr\u0131lar\u0131 ve \u00f6n i\u015fleme ad\u0131mlar\u0131 artacakt\u0131r, ancak bu karma\u015f\u0131kl\u0131k iyi bir mimari tasar\u0131mla y\u00f6netilebilir d\u00fczeydedir. Genellikle, bu ek karma\u015f\u0131kl\u0131k, elde edilen maliyet ve performans avantajlar\u0131na de\u011fer.<\/p>\n
Y\u00f6ntem her senaryo i\u00e7in uygun mu?<\/h4>\n
Bu y\u00f6ntem, b\u00fcy\u00fck dil modellerinin maliyetinin \u00f6nemli bir fakt\u00f6r oldu\u011fu hemen hemen her senaryo i\u00e7in uygundur. \u00d6zellikle y\u00fcksek hacimli API \u00e7a\u011fr\u0131lar\u0131 yapan veya \u00e7e\u015fitli karma\u015f\u0131kl\u0131k seviyelerinde g\u00f6revleri olan uygulamalar i\u00e7in idealdir (\u00f6rne\u011fin, m\u00fc\u015fteri destek botlar\u0131, i\u00e7erik \u00fcretim platformlar\u0131, veri i\u015fleme boru hatlar\u0131). Ancak, uygulaman\u0131z \u00e7ok d\u00fc\u015f\u00fck hacimli ve her zaman en y\u00fcksek kaliteyi gerektiren kritik g\u00f6revler i\u00e7eriyorsa, veya maliyet zaten bir endi\u015fe kayna\u011f\u0131 de\u011filse, bu kadar detayl\u0131 bir optimizasyona her zaman gerek olmayabilir. \u00c7o\u011fu durumda, kesinlikle faydal\u0131d\u0131r.<\/p>\n
Ne kadarl\u0131k bir maliyet tasarrufu bekleyebilirim?<\/h4>\n
Maliyet tasarrufu, uygulaman\u0131z\u0131n mevcut durumuna, API kullan\u0131m al\u0131\u015fkanl\u0131klar\u0131n\u0131za ve iki a\u015famal\u0131 mimariyi ne kadar etkin uygulad\u0131\u011f\u0131n\u0131za ba\u011fl\u0131 olarak de\u011fi\u015fiklik g\u00f6sterir. Vaka analizlerimizde %70 ila %80 oranlar\u0131nda tasarruf potansiyelinden bahsettik. E\u011fer \u015fu anda t\u00fcm g\u00f6revleriniz i\u00e7in pahal\u0131 bir model kullan\u0131yor ve prompt'lar\u0131n\u0131z\u0131 optimize etmiyorsan\u0131z, potansiyel tasarruf \u00e7ok y\u00fcksek olacakt\u0131r. Daha az agresif optimizasyonlarda bile %30-50 aras\u0131 bir tasarruf \u00e7o\u011fu uygulama i\u00e7in makul bir beklentidir. Anahtar, her g\u00f6rev i\u00e7in en uygun modeli ve en k\u0131sa prompt'u kullanmakt\u0131r.<\/p>\n
<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API’leri kullan\u0131rken maliyetler h\u0131zla…","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":[1342],"tags":[],"class_list":{"0":"post-35613","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-ai","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
OpenAI Maliyetleri Nas\u0131l Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari<\/title>\n<meta name=\"description\" content=\"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API'leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri 'e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-?-azaltilir-toon-ve-iki-asamali-mimari\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"OpenAI Maliyetleri Nas\u0131l %80 Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari\" \/>\n<meta property=\"og:description\" content=\"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API'leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri 'e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz.\" \/>\n<meta property=\"og:url\" content=\"\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-12-01T16:01:40+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"41 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"OpenAI Maliyetleri Nas\u0131l %80 Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari\",\"datePublished\":\"2025-12-01T16:01:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/\"},\"wordCount\":6475,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"articleSection\":[\"AI\"],\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/\",\"name\":\"OpenAI Maliyetleri Nas\u0131l Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-12-01T16:01:40+00:00\",\"description\":\"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API'leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri 'e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz.\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"OpenAI Maliyetleri Nas\u0131l %80 Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"OpenAI Maliyetleri Nas\u0131l Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari","description":"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API'leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri 'e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-?-azaltilir-toon-ve-iki-asamali-mimari\/","og_locale":"tr_TR","og_type":"article","og_title":"OpenAI Maliyetleri Nas\u0131l %80 Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari","og_description":"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API'leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri 'e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz.","og_url":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-?-azaltilir-toon-ve-iki-asamali-mimari\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-12-01T16:01:40+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"41 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"OpenAI Maliyetleri Nas\u0131l %80 Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari","datePublished":"2025-12-01T16:01:40+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/"},"wordCount":6475,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"articleSection":["AI"],"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/","url":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/","name":"OpenAI Maliyetleri Nas\u0131l Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-12-01T16:01:40+00:00","description":"Yapay zeka modellerinin sundu\u011fu s\u0131n\u0131rs\u0131z potansiyel, i\u015f s\u00fcre\u00e7lerimizi d\u00f6n\u00fc\u015ft\u00fcrse de, \u00f6zellikle OpenAI gibi g\u00fc\u00e7l\u00fc API'leri kullan\u0131rken maliyetler h\u0131zla artabiliyor. Peki, yapay zeka g\u00fcc\u00fcnden vazge\u00e7meden bu maliyetleri 'e varan oranlarda d\u00fc\u015f\u00fcrmek m\u00fcmk\u00fcn m\u00fc? Bu makalede, ak\u0131ll\u0131ca tasarlanm\u0131\u015f TOON (To Only Use Necessary) yakla\u015f\u0131m\u0131n\u0131 ve iki a\u015famal\u0131 mimariyi kullanarak OpenAI faturalar\u0131n\u0131z\u0131 nas\u0131l kontrol alt\u0131na alabilece\u011finizi detayl\u0131ca inceleyece\u011fiz.","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/openai-maliyetleri-nasil-%80-azaltilir-toon-ve-iki-asamali-mimari\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"OpenAI Maliyetleri Nas\u0131l %80 Azalt\u0131l\u0131r? TOON ve \u0130ki A\u015famal\u0131 Mimari"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/35613","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=35613"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/35613\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=35613"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=35613"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=35613"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}