Sa\u011fl\u0131k sekt\u00f6r\u00fc, h\u0131zla dijitalle\u015fen d\u00fcnyada veri yo\u011funlu\u011fu ve anl\u0131k karar alma ihtiyac\u0131 ile kar\u015f\u0131 kar\u015f\u0131yad\u0131r. Bu ba\u011flamda, yapay zeka (AI) ve \u00f6zellikle B\u00fcy\u00fck Dil Modelleri (LLM’ler), sa\u011fl\u0131k metinlerini anlama ve yorumlamada \u00e7\u0131\u011f\u0131r a\u00e7an potansiyeller sunmaktad\u0131r. Ancak, bu g\u00fc\u00e7l\u00fc modellerin getirdi\u011fi y\u00fcksek gecikme s\u00fcreleri (latency) ve hesaplama maliyetleri, kritik sa\u011fl\u0131k uygulamalar\u0131nda ger\u00e7ek zamanl\u0131 kullan\u0131m\u0131 zorla\u015ft\u0131rmaktad\u0131r. Peki, hem do\u011fruluktan \u00f6d\u00fcn vermeden hem de operasyonel verimlili\u011fi art\u0131rarak sa\u011fl\u0131k hizmetlerinde devrim yaratacak d\u00fc\u015f\u00fck gecikmeli bir \u00e7\u00f6z\u00fcm m\u00fcmk\u00fcn m\u00fcd\u00fcr? Bu makalede, 184 milyon parametreye sahip \u00f6zel bir niyet s\u0131n\u0131fland\u0131r\u0131c\u0131n\u0131n, genel ama\u00e7l\u0131 LLM’lere k\u0131yasla 22 kat daha d\u00fc\u015f\u00fck gecikme ile sa\u011fl\u0131k metinlerini nas\u0131l i\u015fleyebilece\u011fini ve bunun sa\u011fl\u0131k hizmetleri i\u00e7in ne anlama geldi\u011fini detayl\u0131ca inceleyece\u011fiz.<\/p>\n
B\u00fcy\u00fck Dil Modelleri (Large Language Models – LLM’ler), milyarlarca parametreye sahip, devasa metin veri k\u00fcmeleri \u00fczerinde e\u011fitilmi\u015f yapay zeka modelleridir. Bu modeller, insan dilini anlama, \u00fcretme, \u00f6zetleme ve \u00e7evirme gibi karma\u015f\u0131k g\u00f6revlerde inan\u0131lmaz yetenekler sergilerler. ChatGPT, GPT-4 gibi \u00f6rnekler, genel ama\u00e7l\u0131 dil anlama yetenekleriyle bir\u00e7ok sekt\u00f6rde dikkat \u00e7ekmi\u015ftir. Sa\u011fl\u0131k sekt\u00f6r\u00fc de bu potansiyelden faydalanmak istemektedir. \u00d6rne\u011fin, doktor notlar\u0131n\u0131 analiz etmek, hasta geri bildirimlerini \u00f6zetlemek, t\u0131bbi literat\u00fcr\u00fc taramak veya te\u015fhis s\u00fcre\u00e7lerine yard\u0131mc\u0131 olmak gibi alanlarda LLM’ler b\u00fcy\u00fck umut vaat etmektedir. Ancak, bu modellerin genel ama\u00e7l\u0131 do\u011fas\u0131 ve muazzam boyutlar\u0131, beraberinde baz\u0131 zorluklar\u0131 da getirmektedir.<\/p>\n
LLM’lerin sa\u011fl\u0131k alan\u0131ndaki en b\u00fcy\u00fck zorluklar\u0131ndan biri, y\u00fcksek hesaplama gereksinimleri ve dolay\u0131s\u0131yla ortaya \u00e7\u0131kan gecikme s\u00fcreleridir. Bir LLM’den yan\u0131t almak, modelin boyutuna ve karma\u015f\u0131kl\u0131\u011f\u0131na ba\u011fl\u0131 olarak saniyeler s\u00fcrebilir. Sa\u011fl\u0131k gibi anl\u0131k m\u00fcdahale ve h\u0131zl\u0131 karar alma gerektiren bir alanda, bu t\u00fcr gecikmeler kabul edilemez olabilir. Acil servislerde hasta triyaj\u0131 (\u00f6nceliklendirme), ameliyat \u00f6ncesi risk de\u011ferlendirmeleri veya ila\u00e7 etkile\u015fimlerinin ger\u00e7ek zamanl\u0131 kontrol\u00fc gibi senaryolarda saniyeler bile hayati \u00f6nem ta\u015f\u0131yabilir. Ayr\u0131ca, b\u00fcy\u00fck modellerin \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131 y\u00fcksek enerji t\u00fcketimi ve maliyetli donan\u0131m gerektirir ki bu da sa\u011fl\u0131k kurulu\u015flar\u0131 i\u00e7in \u00f6nemli bir operasyonel y\u00fck olu\u015fturur. Bu nedenle, sa\u011fl\u0131k metinlerinin h\u0131zl\u0131 ve do\u011fru bir \u015fekilde i\u015flenmesi i\u00e7in daha optimize edilmi\u015f, amaca \u00f6zel \u00e7\u00f6z\u00fcmlere ihtiya\u00e7 duyulmaktad\u0131r. \u0130\u015fte tam da bu noktada, niyet s\u0131n\u0131fland\u0131r\u0131c\u0131lar devreye girer.<\/p>\n
Niyet s\u0131n\u0131fland\u0131rma (intent classification), bir metnin temel amac\u0131n\u0131 veya niyetini belirleme g\u00f6revidir. \u00d6rne\u011fin, bir hasta “Ate\u015fim var ve bo\u011faz\u0131m a\u011fr\u0131yor, ne yapmal\u0131y\u0131m?” diye sordu\u011funda, sistem bu metnin niyetini “semptom sorgulama ve tavsiye talebi” olarak s\u0131n\u0131fland\u0131rabilir. Sa\u011fl\u0131kta bu, \u00e7a\u011fr\u0131 merkezlerinde gelen hasta sorular\u0131n\u0131 do\u011fru departmana y\u00f6nlendirmek, t\u0131bbi raporlardan belirli bilgi t\u00fcrlerini ay\u0131klamak veya hasta geri bildirimlerini analiz etmek i\u00e7in kritik \u00f6neme sahiptir. Genel LLM’ler bu g\u00f6revi yapabilirken, \u00e7o\u011fu zaman bir \u00e7eki\u00e7le somun k\u0131rmaya benzer bir durum ortaya \u00e7\u0131kar. Yani, \u00e7ok daha az karma\u015f\u0131k bir modelle ayn\u0131 do\u011frulukta ve \u00e7ok daha h\u0131zl\u0131 bir \u015fekilde yap\u0131labilecek bir i\u015f i\u00e7in a\u015f\u0131r\u0131 kaynak kullan\u0131l\u0131r. Bu durum, sa\u011fl\u0131k hizmetlerinde verimlilik ve eri\u015filebilirlik a\u00e7\u0131s\u0131ndan \u00f6nemli k\u0131s\u0131tlamalar yarat\u0131r. Dolay\u0131s\u0131yla, spesifik g\u00f6revler i\u00e7in \u00f6zelle\u015ftirilmi\u015f, daha k\u00fc\u00e7\u00fck ve daha h\u0131zl\u0131 modeller geli\u015ftirmek, LLM’lerin sundu\u011fu potansiyeli sa\u011fl\u0131k sekt\u00f6r\u00fcne daha etkin bir \u015fekilde entegre etmenin anahtar\u0131d\u0131r.<\/p>\n
Yapay zeka modellerinin sa\u011fl\u0131k sekt\u00f6r\u00fcndeki ba\u015far\u0131s\u0131, yaln\u0131zca do\u011fruluk oranlar\u0131yla de\u011fil, ayn\u0131 zamanda operasyonel verimlilikleriyle de \u00f6l\u00e7\u00fcl\u00fcr. Bu ba\u011flamda, gecikme (latency) ve model b\u00fcy\u00fckl\u00fc\u011f\u00fc, bir uygulaman\u0131n ger\u00e7ek d\u00fcnyadaki kullan\u0131labilirli\u011fini do\u011frudan etkileyen kritik fakt\u00f6rlerdir. Gecikme, bir modele giri\u015f verildi\u011fi andan itibaren yan\u0131t\u0131n al\u0131nd\u0131\u011f\u0131 ana kadar ge\u00e7en s\u00fcreyi ifade eder. Sa\u011fl\u0131k gibi dinamik ve \u00e7o\u011fu zaman acil m\u00fcdahale gerektiren bir alanda, d\u00fc\u015f\u00fck gecikme hayati \u00f6nem ta\u015f\u0131r. \u00d6rne\u011fin, bir doktorun veya hem\u015firenin hasta verilerini sorgulad\u0131\u011f\u0131 ve an\u0131nda bilgiye ihtiya\u00e7 duydu\u011fu durumlarda, saniyeler s\u00fcren gecikmeler i\u015f ak\u0131\u015f\u0131n\u0131 aksatabilir, hatta hastan\u0131n sa\u011fl\u0131\u011f\u0131 \u00fczerinde olumsuz etkiler yaratabilir. Acil durum triyaj sistemlerinde veya sanal asistanlar\u0131n hasta sorular\u0131na yan\u0131t verirken ya\u015fanacak gecikmeler, kullan\u0131c\u0131 memnuniyetini d\u00fc\u015f\u00fcrmenin \u00f6tesinde, kritik bilgilerin zaman\u0131nda iletilmesini engelleyebilir.<\/p>\n
Model b\u00fcy\u00fckl\u00fc\u011f\u00fc ise, bir yapay zeka modelinin i\u00e7erdi\u011fi parametre say\u0131s\u0131yla \u00f6l\u00e7\u00fcl\u00fcr. Milyarlarca parametreye sahip B\u00fcy\u00fck Dil Modelleri (LLM’ler), geni\u015f bir yelpazedeki g\u00f6revlerde etkileyici bir performans sergileyebilirken, bu b\u00fcy\u00fckl\u00fck beraberinde y\u00fcksek hesaplama maliyetleri ve uzun gecikme s\u00fcreleri getirir. Daha fazla parametre, modelin daha fazla bilgi depolayabilece\u011fi ve daha karma\u015f\u0131k ili\u015fkileri \u00f6\u011frenebilece\u011fi anlam\u0131na gelir, ancak ayn\u0131 zamanda her bir \u00e7\u0131kar\u0131m (inference) i\u015flemi i\u00e7in daha fazla i\u015flem g\u00fcc\u00fc ve bellek gerektirir. Bu durum, \u00f6zellikle s\u0131n\u0131rl\u0131 kaynaklara sahip sa\u011fl\u0131k kurulu\u015flar\u0131 i\u00e7in hem donan\u0131m maliyetleri hem de enerji t\u00fcketimi a\u00e7\u0131s\u0131ndan \u00f6nemli bir y\u00fck olu\u015fturur. B\u00fcy\u00fck LLM’lerin her bir sorgu i\u00e7in GPU’larda y\u00fcksek miktarda bellek ve i\u015flemci g\u00fcc\u00fc kullanmas\u0131, ayn\u0131 anda \u00e7ok say\u0131da iste\u011fi i\u015fleme kapasitesini s\u0131n\u0131rlar ve bu da \u00f6l\u00e7eklenebilirlik sorunlar\u0131na yol a\u00e7abilir.<\/p>\n
K\u00fc\u00e7\u00fck, \u00f6zelle\u015fmi\u015f modeller ise tam tersi bir yakla\u015f\u0131m sunar. Belirli bir g\u00f6rev i\u00e7in tasarlanm\u0131\u015f ve optimize edilmi\u015f bu modeller, \u00e7ok daha az parametreye sahip olabilirler. 184 milyon parametreli bir model, genel ama\u00e7l\u0131 milyarlarca parametreli bir LLM’ye k\u0131yasla olduk\u00e7a k\u00fc\u00e7\u00fckt\u00fcr. Bu k\u00fc\u00e7\u00fckl\u00fck, modelin daha az hesaplama kayna\u011f\u0131 t\u00fcketmesini, daha h\u0131zl\u0131 yan\u0131t vermesini ve daha uygun maliyetle \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Sa\u011fl\u0131k metinlerinde niyet s\u0131n\u0131fland\u0131rma gibi spesifik bir g\u00f6rev i\u00e7in, modelin t\u00fcm dilin inceliklerini \u00f6\u011frenmesine gerek yoktur; sadece ilgili niyetleri ay\u0131rt etme yetene\u011fine odaklanmas\u0131 yeterlidir. Bu sayede, gereksiz karma\u015f\u0131kl\u0131ktan ka\u00e7\u0131n\u0131larak hem gecikme s\u00fcreleri dramatik bir \u015fekilde azalt\u0131labilir hem de modelin do\u011frulu\u011fu, belirli alan i\u00e7in \u00f6zel olarak e\u011fitildi\u011fi i\u00e7in y\u00fcksek seviyede tutulabilir. \u00d6zetle, sa\u011fl\u0131k sekt\u00f6r\u00fcnde “tek beden herkese uyar” yakla\u015f\u0131m\u0131 yerine, g\u00f6reve \u00f6zel optimize edilmi\u015f modeller kullanmak, performans\u0131 ve maliyet etkinli\u011fini dengeleyerek ger\u00e7ek zamanl\u0131 yapay zeka uygulamalar\u0131n\u0131n kap\u0131lar\u0131n\u0131 aralamaktad\u0131r.<\/p>\n
Sa\u011fl\u0131k metinlerinde y\u00fcksek do\u011frulukla niyet s\u0131n\u0131fland\u0131rmas\u0131 yaparken, ayn\u0131 zamanda 22 kat daha d\u00fc\u015f\u00fck gecikme s\u00fcreleri elde etmek, \u00f6zel bir mimari yakla\u015f\u0131m ve agresif optimizasyon teknikleri gerektirir. 184 milyon parametreli bir model, genel ama\u00e7l\u0131 devasa LLM’lere k\u0131yasla daha k\u00fc\u00e7\u00fck bir ayak izine sahip olsa da, hala karma\u015f\u0131k bir yap\u0131ya sahiptir ve performans i\u00e7in dikkatli bir m\u00fchendislik \u00e7al\u0131\u015fmas\u0131 \u015fartt\u0131r. Bu t\u00fcr bir modelin temelinde genellikle Transformer (D\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc) mimarisi bulunur. Transformer’lar, dikkat mekanizmas\u0131 (attention mechanism) sayesinde metin i\u00e7indeki uzun mesafeli ba\u011f\u0131ml\u0131l\u0131klar\u0131 yakalama konusunda son derece ba\u015far\u0131l\u0131d\u0131r ve do\u011fal dil i\u015fleme (NLP) g\u00f6revlerinde standart haline gelmi\u015ftir. Ancak, standart bir Transformer modelini do\u011frudan kullanmak yerine, sa\u011fl\u0131k metinlerinin \u00f6zelliklerine g\u00f6re \u00f6zelle\u015ftirilmi\u015f ve hafifletilmi\u015f varyantlar\u0131 tercih edilir.<\/p>\n
Modelin mimarisi genellikle \u00f6nceden e\u011fitilmi\u015f bir temel model (pre-trained base model) \u00fczerine in\u015fa edilir. \u00d6rne\u011fin, BERT (Bidirectional Encoder Representations from Transformers) veya onun daha k\u00fc\u00e7\u00fck versiyonlar\u0131 (distilBERT, ALBERT gibi) iyi bir ba\u015flang\u0131\u00e7 noktas\u0131 olabilir. Bu modeller, genel dil anlay\u0131\u015f\u0131na sahip olduklar\u0131ndan, sa\u011fl\u0131k metinleri gibi spesifik bir alana adapte edilmeleri i\u00e7in ince ayar (fine-tuning) i\u015flemine tabi tutulurlar. \u0130nce ayar s\u00fcrecinde, model, b\u00fcy\u00fck miktarda etiketlenmi\u015f sa\u011fl\u0131k metni verisi \u00fczerinde e\u011fitilir. Bu veriler, farkl\u0131 t\u0131bbi niyetleri (\u00f6rne\u011fin, “randevu talebi”, “ila\u00e7 sorgulama”, “semptom bildirimi”) temsil eden \u00f6rnekleri i\u00e7erir. Bu sayede model, sa\u011fl\u0131k alan\u0131na \u00f6zg\u00fc terminolojiyi, c\u00fcmle yap\u0131lar\u0131n\u0131 ve niyet kal\u0131plar\u0131n\u0131 \u00f6\u011frenir. Bu \u00f6zelle\u015ftirme, modelin sa\u011fl\u0131k ba\u011flam\u0131nda daha do\u011fru ve g\u00fcvenilir kararlar vermesini sa\u011flar.<\/p>\n
22 kat daha d\u00fc\u015f\u00fck gecikmeyi sa\u011flamak i\u00e7in yaln\u0131zca modelin boyutunu k\u00fc\u00e7\u00fcltmek yeterli de\u011fildir; ayn\u0131 zamanda \u00e7\u0131kar\u0131m (inference) s\u00fcrecini h\u0131zland\u0131racak \u00e7e\u015fitli optimizasyon teknikleri de uygulanmal\u0131d\u0131r. Bu tekniklerden baz\u0131lar\u0131 \u015funlard\u0131r:<\/p>\n
Bu optimizasyonlar, 184 milyon parametreli niyet s\u0131n\u0131fland\u0131r\u0131c\u0131 modelin, genel ama\u00e7l\u0131 LLM’lerin sundu\u011fu do\u011fruluk seviyesine yak\u0131n bir performans sergilerken, sa\u011fl\u0131k hizmetlerinin gerektirdi\u011fi h\u0131z ve maliyet etkinli\u011fi hedeflerine ula\u015fmas\u0131n\u0131 m\u00fcmk\u00fcn k\u0131lar. \u00d6zellikle bulut tabanl\u0131 sistemlerde veya kenar bili\u015fim (edge computing) cihazlar\u0131nda bu t\u00fcr optimize edilmi\u015f modeller, ger\u00e7ek zamanl\u0131 sa\u011fl\u0131k uygulamalar\u0131n\u0131n omurgas\u0131n\u0131 olu\u015fturabilir.<\/p>\n
184 milyon parametreli, d\u00fc\u015f\u00fck gecikmeli niyet s\u0131n\u0131fland\u0131r\u0131c\u0131 modelin sa\u011fl\u0131k sekt\u00f6r\u00fcndeki potansiyeli, sadece teorik bir kavram olmaktan \u00f6te, somut ger\u00e7ek d\u00fcnya senaryolar\u0131nda b\u00fcy\u00fck bir fark yaratabilir. Sa\u011fl\u0131k hizmetlerinin her alan\u0131nda, hasta odakl\u0131 s\u00fcre\u00e7leri h\u0131zland\u0131rmak, kaynaklar\u0131 daha verimli kullanmak ve nihayetinde hasta deneyimini iyile\u015ftirmek i\u00e7in bu t\u00fcr teknolojilere ihtiya\u00e7 duyulmaktad\u0131r. \u0130\u015fte bu modelin kullan\u0131labilece\u011fi baz\u0131 kritik uygulama alanlar\u0131 ve vaka analizleri:<\/p>\n
Bir hastane veya klinik \u00e7a\u011fr\u0131 merkezini d\u00fc\u015f\u00fcn\u00fcn. G\u00fcnde y\u00fczlerce, hatta binlerce \u00e7a\u011fr\u0131 al\u0131n\u0131yor. Hastalar randevu almak, ila\u00e7 sormak, semptomlar\u0131n\u0131 bildirmek veya t\u0131bbi bir acil durum hakk\u0131nda bilgi almak i\u00e7in ar\u0131yorlar. Geleneksel olarak, bir operat\u00f6r her \u00e7a\u011fr\u0131y\u0131 dinleyip manuel olarak do\u011fru departmana veya uzmana y\u00f6nlendirir. Bu s\u00fcre\u00e7 zaman al\u0131c\u0131d\u0131r ve insan hatas\u0131na a\u00e7\u0131kt\u0131r. D\u00fc\u015f\u00fck gecikmeli niyet s\u0131n\u0131fland\u0131r\u0131c\u0131, gelen \u00e7a\u011fr\u0131lar\u0131n sesli metin \u00e7evirilerini veya yaz\u0131l\u0131 mesajlar\u0131n\u0131 an\u0131nda analiz ederek hastan\u0131n niyetini belirleyebilir. \u00d6rne\u011fin, “G\u00f6\u011f\u00fcs a\u011fr\u0131m var ve nefes almakta zorlan\u0131yorum” gibi bir ifadeyi “Acil durum, kardiyoloji y\u00f6nlendirmesi” olarak s\u0131n\u0131fland\u0131r\u0131p, \u00e7a\u011fr\u0131y\u0131 \u00f6ncelikli olarak ilgili birime aktarabilir. “Doktor X’ten randevu almak istiyorum” ifadesini ise “Randevu talebi, sekreterli\u011fe y\u00f6nlendirme” olarak etiketleyebilir. Bu, \u00e7a\u011fr\u0131 bekleme s\u00fcrelerini k\u0131salt\u0131r, acil durumlar\u0131n daha h\u0131zl\u0131 ele al\u0131nmas\u0131n\u0131 sa\u011flar ve \u00e7a\u011fr\u0131 merkezi operasyonlar\u0131n\u0131n verimlili\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. T\u00fcrkiye’deki b\u00fcy\u00fck \u015fehir hastanelerinin yo\u011fun \u00e7a\u011fr\u0131 merkezlerinde bu sistem, hasta memnuniyetini art\u0131r\u0131rken operasyonel maliyetleri d\u00fc\u015f\u00fcrebilir.<\/p>\n
Elektronik Sa\u011fl\u0131k Kay\u0131tlar\u0131 (EHR), hastalar\u0131n t\u0131bbi ge\u00e7mi\u015fleri, te\u015fhisleri, tedavi planlar\u0131 ve ila\u00e7 bilgileri gibi \u00e7ok de\u011ferli verileri i\u00e7erir. Ancak, bu kay\u0131tlar\u0131n b\u00fcy\u00fck bir k\u0131sm\u0131 serbest metin format\u0131nda yaz\u0131lm\u0131\u015f doktor notlar\u0131ndan, kons\u00fcltasyon raporlar\u0131ndan veya laboratuvar sonu\u00e7lar\u0131ndan olu\u015fur. Bu metinlerden spesifik bilgileri manuel olarak \u00e7\u0131karmak, ara\u015ft\u0131rmac\u0131lar ve sa\u011fl\u0131k profesyonelleri i\u00e7in zaman al\u0131c\u0131 ve yorucu bir i\u015ftir. Niyet s\u0131n\u0131fland\u0131r\u0131c\u0131lar, EHR’lerdeki metinleri tarayarak belirli niyetleri veya bilgi t\u00fcrlerini h\u0131zl\u0131ca tespit edebilir. \u00d6rne\u011fin, bir doktor notunda “Hasta, son iki haftad\u0131r \u015fiddetli ba\u015f a\u011fr\u0131s\u0131 \u015fikayetiyle ba\u015fvurdu” c\u00fcmlesini “Semptom bildirimi” olarak, “Parasetamol 500 mg, g\u00fcnde 3 kez” ifadesini ise “\u0130la\u00e7 re\u00e7etesi” olarak s\u0131n\u0131fland\u0131rabilir. Bu sayede, ara\u015ft\u0131rmac\u0131lar belirli semptomlara sahip hastalar\u0131 kolayca bulabilir, belirli ila\u00e7lar\u0131n yan etkilerini takip edebilir veya tedavi sonu\u00e7lar\u0131n\u0131 analiz edebilir. Bu, \u00f6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli klinik ara\u015ft\u0131rmalar ve epidemiyolojik \u00e7al\u0131\u015fmalar i\u00e7in paha bi\u00e7ilmez bir h\u0131z ve do\u011fruluk sa\u011flar.<\/p>\n
Mobil sa\u011fl\u0131k uygulamalar\u0131 veya web tabanl\u0131 hasta portallar\u0131 arac\u0131l\u0131\u011f\u0131yla hastalar, semptomlar\u0131n\u0131 veya sa\u011fl\u0131kla ilgili endi\u015felerini metin olarak girebilirler. Niyet s\u0131n\u0131fland\u0131r\u0131c\u0131, bu giri\u015fleri an\u0131nda analiz ederek hastan\u0131n durumunun ciddiyetini ve olas\u0131 niyetini belirleyebilir. \u00d6rne\u011fin, “Sabah uyand\u0131\u011f\u0131mda sol kolumda uyu\u015fma ve kar\u0131ncalanma hissettim” diyen bir hastan\u0131n niyetini “N\u00f6rolojik semptom sorgulama, acil de\u011ferlendirme gerekli” olarak s\u0131n\u0131fland\u0131rabilir ve hastay\u0131 do\u011frudan bir sanal asistan veya acil servis hatt\u0131na y\u00f6nlendirebilir. Daha az acil durumlarda ise (\u00f6rne\u011fin, “Grip a\u015f\u0131s\u0131 hakk\u0131nda bilgi almak istiyorum”), ilgili bilgi kaynaklar\u0131na veya randevu alma sayfas\u0131na y\u00f6nlendirme yapabilir. Bu, hastalar\u0131n do\u011fru zamanda do\u011fru bak\u0131ma eri\u015fmesini sa\u011flarken, sa\u011fl\u0131k sisteminin \u00fczerindeki y\u00fck\u00fc hafifletir ve gereksiz acil servis ziyaretlerini azalt\u0131r.<\/p>\n
\u0130la\u00e7lar\u0131n piyasaya s\u00fcr\u00fclmesinden sonra, ger\u00e7ek d\u00fcnyadaki yan etkilerinin izlenmesi (farmakovijilans) b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. Hastalar, ila\u00e7 yan etkilerini sosyal medyada, forumlarda veya do\u011frudan sa\u011fl\u0131k kurulu\u015flar\u0131na bildirebilirler. Bu metin verilerinin manuel olarak taranmas\u0131 ve s\u0131n\u0131fland\u0131r\u0131lmas\u0131 olduk\u00e7a zordur. D\u00fc\u015f\u00fck gecikmeli niyet s\u0131n\u0131fland\u0131r\u0131c\u0131, bu t\u00fcr metinleri otomatik olarak analiz ederek “ila\u00e7 yan etki bildirimi” niyetini ta\u015f\u0131yan i\u00e7erikleri tespit edebilir. \u00d6rne\u011fin, “Yeni ba\u015flad\u0131\u011f\u0131m tansiyon ilac\u0131 y\u00fcz\u00fcnden s\u00fcrekli ba\u015f\u0131m d\u00f6n\u00fcyor” gibi bir c\u00fcmleyi alg\u0131lay\u0131p, ilgili ila\u00e7 ve yan etki bilgisini otomatik olarak farmakovijilans sistemlerine iletebilir. Bu, potansiyel risk sinyallerinin daha h\u0131zl\u0131 tespit edilmesini ve halk sa\u011fl\u0131\u011f\u0131 i\u00e7in \u00f6nemli kararlar\u0131n daha \u00e7abuk al\u0131nmas\u0131n\u0131 sa\u011flar. Bu t\u00fcr bir sistem, Sa\u011fl\u0131k Bakanl\u0131\u011f\u0131’n\u0131n veya ila\u00e7 firmalar\u0131n\u0131n yan etki izleme s\u00fcre\u00e7lerini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde h\u0131zland\u0131rabilir.<\/p>\n
Bu \u00f6rnekler de g\u00f6steriyor ki, 184 milyon parametreli, optimize edilmi\u015f bir niyet s\u0131n\u0131fland\u0131r\u0131c\u0131n\u0131n sa\u011fl\u0131k sekt\u00f6r\u00fcnde kullan\u0131m\u0131, sadece operasyonel verimlili\u011fi art\u0131rmakla kalmay\u0131p, ayn\u0131 zamanda hasta g\u00fcvenli\u011fini ve bak\u0131m kalitesini de y\u00fckseltme potansiyeline sahiptir. D\u00fc\u015f\u00fck gecikme, bu kritik uygulamalar\u0131n ger\u00e7ek zamanl\u0131 ve g\u00fcvenilir bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayan temel fakt\u00f6rd\u00fcr.<\/p>\n
Sa\u011fl\u0131k metinleri i\u00e7in \u00f6zelle\u015ftirilmi\u015f, d\u00fc\u015f\u00fck gecikmeli bir niyet s\u0131n\u0131fland\u0131r\u0131c\u0131s\u0131 geli\u015ftirmek, dikkatli planlama ve uygulama gerektiren \u00e7ok ad\u0131ml\u0131 bir s\u00fcre\u00e7tir. Bu b\u00f6l\u00fcmde, kendi modelinizi olu\u015fturmak i\u00e7in izleyebilece\u011finiz temel ad\u0131mlar\u0131 ve kullanabilece\u011finiz baz\u0131 ara\u00e7lar\u0131 ele alaca\u011f\u0131z. Bu s\u00fcre\u00e7, \u00f6zellikle Python tabanl\u0131 makine \u00f6\u011frenimi (machine learning) k\u00fct\u00fcphaneleri ve \u00f6nceden e\u011fitilmi\u015f dil modelleri (pre-trained language models) etraf\u0131nda d\u00f6ner.<\/p>\n
Herhangi bir yapay zeka modelinin ba\u015far\u0131s\u0131n\u0131n anahtar\u0131, kaliteli veridir. Sa\u011fl\u0131k metinlerinde niyet s\u0131n\u0131fland\u0131rmas\u0131 i\u00e7in, modelinizi e\u011fitece\u011finiz ve test edece\u011finiz, etiketlenmi\u015f (labeled) bir veri setine ihtiyac\u0131n\u0131z olacakt\u0131r. Bu veriler, ger\u00e7ek hasta sorgular\u0131, doktor notlar\u0131, t\u0131bbi forumlardaki payla\u015f\u0131mlar veya sa\u011fl\u0131kla ilgili \u00e7a\u011fr\u0131 merkezi transkriptleri olabilir. Veri toplarken, hasta gizlili\u011fine (HIPAA, KVKK gibi d\u00fczenlemelere) kesinlikle uyulmas\u0131 gerekti\u011fini unutmay\u0131n. Anonimle\u015ftirme (anonymization) ve veri maskeleme (data masking) teknikleri kullan\u0131lmal\u0131d\u0131r.<\/p>\n
Toplad\u0131\u011f\u0131n\u0131z her metin \u00f6rne\u011fi i\u00e7in, o metnin temsil etti\u011fi niyeti a\u00e7\u0131k\u00e7a belirten bir etiket atamal\u0131s\u0131n\u0131z. \u00d6rne\u011fin:<\/p>\n
Semptom_Sorgulama<\/code><\/li>\n- “Doktor Ay\u015fe Y\u0131lmaz’dan randevu almak istiyorum.” ->
Randevu_Talebi<\/code><\/li>\n- “Yeni ilac\u0131m hakk\u0131nda bilgi alabilir miyim?” ->
\u0130la\u00e7_Bilgisi_Sorgulama<\/code><\/li>\n- “Kan sonu\u00e7lar\u0131m ne zaman \u00e7\u0131kar?” ->
Sonu\u00e7_Sorgulama<\/code><\/li>\n<\/ul>\nBu etiketleme s\u00fcreci, genellikle alan uzmanlar\u0131 (doktorlar, hem\u015fireler) veya iyi e\u011fitilmi\u015f veri etiketleyiciler taraf\u0131ndan yap\u0131l\u0131r. Yeterli ve dengeli bir veri seti olu\u015fturmak, modelinizin farkl\u0131 niyetleri do\u011fru bir \u015fekilde ay\u0131rt etmesi i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
2. \u00d6nceden E\u011fitilmi\u015f Model Se\u00e7imi ve \u0130nce Ayar (Fine-tuning)<\/h3>\n
S\u0131f\u0131rdan bir dil modeli e\u011fitmek yerine, mevcut \u00f6nceden e\u011fitilmi\u015f bir modeli (pre-trained model) kullanmak \u00e7ok daha verimli ve yayg\u0131n bir yakla\u015f\u0131md\u0131r. Hugging Face Transformers k\u00fct\u00fcphanesi, bu konuda geni\u015f bir model yelpazesi sunar. 184 milyon parametreli bir model i\u00e7in, BERT’in daha k\u00fc\u00e7\u00fck versiyonlar\u0131 (\u00f6rne\u011fin, bert-base-uncased<\/code> gibi modellerin ince ayarlanm\u0131\u015f halleri veya domain-specific BERT modelleri) veya DistilBERT, RoBERTa gibi daha hafif modeller iyi se\u00e7enekler olabilir.<\/p>\nModel se\u00e7ildikten sonra, toplad\u0131\u011f\u0131n\u0131z etiketli veri seti \u00fczerinde ince ayar (fine-tuning) yapman\u0131z gerekir. Bu s\u00fcre\u00e7te, modelin son katmanlar\u0131 (classification head) spesifik niyet s\u0131n\u0131fland\u0131rma g\u00f6reviniz i\u00e7in yeniden e\u011fitilirken, alt katmanlardaki genel dil bilgisi korunur. A\u015fa\u011f\u0131da, Hugging Face Transformers ile basit bir ince ayar s\u00fcrecini g\u00f6steren konseptsel bir kod \u00f6rne\u011fi bulunmaktad\u0131r:<\/p>\n
\n
\nfrom transformers import AutoTokenizer, AutoModelForSequenceClassification, TrainingArguments, Trainer
\nfrom datasets import Dataset
\nimport pandas as pd
\nimport numpy as np<\/p>\n# 1. Veri Haz\u0131rl\u0131\u011f\u0131 (\u00d6rnek DataFrame)
\ndata = {
\n 'text': [
\n \"Ate\u015fim var ve \u00f6ks\u00fcr\u00fcyorum, ne yapmal\u0131y\u0131m?\",
\n \"Doktor Ay\u015fe Y\u0131lmaz'dan randevu almak istiyorum.\",
\n \"Yeni ilac\u0131m hakk\u0131nda bilgi alabilir miyim?\",
\n \"Kan sonu\u00e7lar\u0131m ne zaman \u00e7\u0131kar?\",
\n \"Sol kolumda uyu\u015fma var.\",
\n \"A\u011fr\u0131 kesici re\u00e7etesi istiyorum.\"
\n ],
\n 'label': [
\n \"Semptom_Sorgulama\",
\n \"Randevu_Talebi\",
\n \"\u0130la\u00e7_Bilgisi_Sorgulama\",
\n \"Sonu\u00e7_Sorgulama\",
\n \"Semptom_Sorgulama\",
\n \"Re\u00e7ete_Talebi\"
\n ]
\n}
\ndf = pd.DataFrame(data)<\/p>\n
# Etiketleri say\u0131sal de\u011ferlere d\u00f6n\u00fc\u015ft\u00fcrme
\nunique_labels = df['label'].unique()
\nlabel_to_id = {label: i for i, label in enumerate(unique_labels)}
\nid_to_label = {i: label for i, label in enumerate(unique_labels)}
\ndf['label_id'] = df['label'].map(label_to_id)<\/p>\n
# Dataset objesine d\u00f6n\u00fc\u015ft\u00fcrme
\ndataset = Dataset.from_pandas(df)<\/p>\n","protected":false},"excerpt":{"rendered":"Sa\u011fl\u0131k sekt\u00f6r\u00fc, h\u0131zla dijitalle\u015fen d\u00fcnyada veri yo\u011funlu\u011fu ve anl\u0131k karar alma ihtiyac\u0131 ile kar\u015f\u0131 kar\u015f\u0131yad\u0131r.","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-41710","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme - Kodlar\u0131n Gizemli D\u00fcnyas\u0131<\/title>\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\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme\" \/>\n<meta property=\"og:description\" content=\"Sa\u011fl\u0131k sekt\u00f6r\u00fc, h\u0131zla dijitalle\u015fen d\u00fcnyada veri yo\u011funlu\u011fu ve anl\u0131k karar alma ihtiyac\u0131 ile kar\u015f\u0131 kar\u015f\u0131yad\u0131r.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-11T18:02:45+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=\"17 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme\",\"datePublished\":\"2026-05-11T18:02:45+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\"},\"wordCount\":3398,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#respond\"]}],\"copyrightYear\":\"2026\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\",\"name\":\"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme - Kodlar\u0131n Gizemli D\u00fcnyas\u0131\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2026-05-11T18:02:45+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme\"}]},{\"@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":"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","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\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/","og_locale":"tr_TR","og_type":"article","og_title":"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme","og_description":"Sa\u011fl\u0131k sekt\u00f6r\u00fc, h\u0131zla dijitalle\u015fen d\u00fcnyada veri yo\u011funlu\u011fu ve anl\u0131k karar alma ihtiyac\u0131 ile kar\u015f\u0131 kar\u015f\u0131yad\u0131r.","og_url":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2026-05-11T18:02:45+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"17 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme","datePublished":"2026-05-11T18:02:45+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/"},"wordCount":3398,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#respond"]}],"copyrightYear":"2026","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/","url":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/","name":"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2026-05-11T18:02:45+00:00","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/saglik-metinlerinde-niyet-siniflandirma-184m-parametreli-bir-model-ile-22-kat-dusuk-gecikme\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Sa\u011fl\u0131k Metinlerinde Niyet S\u0131n\u0131fland\u0131rma: 184M Parametreli Bir Model ile 22 Kat D\u00fc\u015f\u00fck Gecikme"}]},{"@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\/41710","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=41710"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/41710\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=41710"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=41710"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=41710"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}