G\u00fcn\u00fcm\u00fcz dijital \u00e7a\u011f\u0131nda, \u00f6\u011frenme deneyimlerimizi ki\u015fiselle\u015ftirmek ve zenginle\u015ftirmek i\u00e7in yeni yollar aray\u0131\u015f\u0131m\u0131z devam ediyor. Peki, ellerimiz serbestken, sadece sesimizle etkile\u015fim kurarak bilgiye ula\u015fabildi\u011fimiz bir \u00f6\u011frenme arkada\u015f\u0131 hayal edebilir miyiz? Bu makale, ses odakl\u0131 bir \u00f6\u011frenme asistan\u0131 geli\u015ftirme yolculu\u011fumu, 10 g\u00fcnl\u00fck yo\u011fun bir ser\u00fcvenin \u0131\u015f\u0131\u011f\u0131nda, ad\u0131m ad\u0131m ele al\u0131yor ve bu heyecan verici alandaki temel kavramlar\u0131, pratik uygulamalar\u0131 ve kar\u015f\u0131la\u015f\u0131lan zorluklar\u0131 detayland\u0131r\u0131yor.<\/p>\n
Geleneksel \u00f6\u011frenme y\u00f6ntemleri, genellikle g\u00f6rsel ve dokunsal etkile\u015fime dayan\u0131r. Ancak modern ya\u015fam\u0131n h\u0131zl\u0131 temposu, \u00f6zellikle \u00e7oklu g\u00f6rev yaparken veya fiziksel olarak me\u015fgulken, bu t\u00fcr etkile\u015fimleri zorla\u015ft\u0131rabilir. \u0130\u015fte tam da bu noktada, ses odakl\u0131 \u00f6\u011frenme asistanlar\u0131 devreye giriyor ve \u00f6\u011frenme s\u00fcrecine devrim niteli\u011finde bir esneklik kat\u0131yor. \u00d6rne\u011fin, yemek yaparken yeni bir dilin kelimelerini \u00f6\u011frenmek, spor yaparken tarih dersi dinlemek veya toplu ta\u015f\u0131mada seyahat ederken karma\u015f\u0131k bir konuyu anlamak art\u0131k \u00e7ok daha kolay. Bu asistanlar, sadece eller serbest bir deneyim sunmakla kalm\u0131yor, ayn\u0131 zamanda g\u00f6rme engelli bireyler i\u00e7in eri\u015filebilirli\u011fi art\u0131rarak kapsay\u0131c\u0131 bir \u00f6\u011frenme ortam\u0131 yarat\u0131yor.<\/p>\n
Bir \u00f6\u011frenme asistan\u0131 geli\u015ftirmeye karar verdi\u011fimde, temel motivasyonum, bilginin eri\u015filebilirli\u011fini art\u0131rmak ve \u00f6\u011frenmeyi daha do\u011fal, sezgisel bir deneyim haline getirmekti. Geleneksel klavye ve fare etkile\u015fimlerinin yerini, insan sesinin g\u00fcc\u00fcne b\u0131rakmak, kullan\u0131c\u0131lar\u0131n zihinsel y\u00fck\u00fcn\u00fc azalt\u0131rken, ayn\u0131 zamanda daha derinlemesine bir etkile\u015fim kurmalar\u0131n\u0131 sa\u011flayabilir. \u00d6zellikle yo\u011fun akademik programlarda veya yeni bir beceri kazanma s\u00fcrecinde, an\u0131nda geri bildirim almak ve ki\u015fiselle\u015ftirilmi\u015f y\u00f6nlendirmelerle ilerlemek, \u00f6\u011frenme motivasyonunu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir. Bu t\u00fcr bir asistan, \u00f6\u011frencilerin kendi h\u0131zlar\u0131nda ilerlemelerine olanak tan\u0131rken, zorland\u0131klar\u0131 konularda ek kaynaklar sunarak veya kavramlar\u0131 farkl\u0131 \u015fekillerde a\u00e7\u0131klayarak \u00f6\u011frenme engellerini a\u015fmalar\u0131na yard\u0131mc\u0131 olabilir. Ayr\u0131ca, tekrar etme ve pratik yapma imkanlar\u0131 sunarak bilginin peki\u015ftirilmesine de katk\u0131da bulunur. Bu nedenle, ses odakl\u0131 bir \u00f6\u011frenme asistan\u0131, sadece bir teknolojik yenilik de\u011fil, ayn\u0131 zamanda e\u011fitimde ki\u015fiselle\u015ftirilmi\u015f ve eri\u015filebilir bir gelece\u011fin kap\u0131lar\u0131n\u0131 aralayan g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.<\/p>\n
T\u00fcrkiye’deki e\u011fitim sistemini d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fczde, \u00f6zellikle ders \u00e7al\u0131\u015fma al\u0131\u015fkanl\u0131klar\u0131 ve bilgiye eri\u015fim konusunda \u00f6nemli bo\u015fluklar bulunmaktad\u0131r. \u00d6\u011frenciler genellikle ezberci y\u00f6ntemlere ba\u015fvurmakta ve karma\u015f\u0131k konular\u0131 anlamakta zorlanmaktad\u0131r. Sesli asistanlar, bu ezberci yakla\u015f\u0131m\u0131n \u00f6tesine ge\u00e7erek, \u00f6\u011frencilere interaktif ve a\u00e7\u0131klay\u0131c\u0131 bilgiler sunabilir. \u00d6rne\u011fin, bir \u00f6\u011frenci “Osmanl\u0131 \u0130mparatorlu\u011fu’nun kurulu\u015f d\u00f6nemi hakk\u0131nda bilgi verir misin?” diye sordu\u011funda, asistan sadece bilgi vermekle kalmay\u0131p, “Kurulu\u015f d\u00f6nemi padi\u015fahlar\u0131 kimlerdi?” gibi y\u00f6nlendirici sorularla \u00f6\u011frencinin konuyu daha derinlemesine ke\u015ffetmesini sa\u011flayabilir. Bu durum, \u00f6zellikle evde ders \u00e7al\u0131\u015f\u0131rken veya ek bir \u00f6\u011fretmene eri\u015fimi olmayan \u00f6\u011frenciler i\u00e7in b\u00fcy\u00fck bir avantaj sa\u011flar. Ayr\u0131ca, \u00f6zellikle yabanc\u0131 dil \u00f6\u011freniminde, telaffuz pratikleri ve an\u0131nda geri bildirimler sunarak dil becerilerinin geli\u015fimine katk\u0131da bulunabilir. Bu potansiyeli fark etmek, beni bu 10 g\u00fcnl\u00fck yolculu\u011fa \u00e7\u0131kmaya te\u015fvik eden en \u00f6nemli fakt\u00f6rlerden biri oldu.<\/p>\n
Ses odakl\u0131 bir \u00f6\u011frenme asistan\u0131 geli\u015ftirirken, temelinde yatan yapay zeka (AI) ve do\u011fal dil i\u015fleme (NLP) teknolojilerini anlamak kritik \u00f6neme sahiptir. Bu asistanlar, insan sesini alg\u0131lamak, anlamak ve buna uygun bir \u015fekilde yan\u0131t vermek i\u00e7in bir dizi karma\u015f\u0131k teknolojiyi bir araya getirir. Bu s\u00fcrecin ilk ad\u0131m\u0131, kullan\u0131c\u0131n\u0131n konu\u015fmas\u0131n\u0131 metne d\u00f6n\u00fc\u015ft\u00fcrmektir. \u0130\u015fte burada Konu\u015fma Tan\u0131ma (ASR – Automatic Speech Recognition) devreye girer. ASR sistemleri, ses dalgalar\u0131n\u0131 analiz ederek konu\u015fulan kelimeleri yaz\u0131l\u0131 metne \u00e7evirir. Bu teknoloji ne kadar do\u011fru \u00e7al\u0131\u015f\u0131rsa, asistan\u0131n kullan\u0131c\u0131n\u0131n niyetini anlama yetene\u011fi de o kadar artar. \u00d6rne\u011fin, bir \u00f6\u011frenci “Matematik \u00f6devimde logaritma konusunda yard\u0131m edebilir misin?” dedi\u011finde, ASR bu c\u00fcmleyi do\u011fru bir \u015fekilde metne \u00e7evirmelidir.<\/p>\n
Metin elde edildikten sonra, asistan\u0131n bu metni anlamas\u0131 gerekir. Bu a\u015famada Do\u011fal Dil \u0130\u015fleme (NLP) ve Do\u011fal Dil Anlama (NLU – Natural Language Understanding) teknolojileri kullan\u0131l\u0131r. NLU, c\u00fcmlenin arkas\u0131ndaki niyeti (Intent) ve anahtar bilgileri (Entity) \u00e7\u0131karmakla ilgilenir. \u00d6rne\u011fin, yukar\u0131daki \u00f6rnekte “logaritma” bir varl\u0131k (entity), “yard\u0131m etme iste\u011fi” ise bir niyettir (intent). NLP, bu niyet ve varl\u0131klar\u0131 kullanarak asistan\u0131n ne yapmas\u0131 gerekti\u011fini belirlemesine yard\u0131mc\u0131 olur. Diyalog Y\u00f6netimi ise, bu niyet ve varl\u0131klara g\u00f6re asistan\u0131n verece\u011fi yan\u0131t\u0131 ve diyalogun ak\u0131\u015f\u0131n\u0131 belirleyen bir s\u00fcre\u00e7tir. Yani, asistan\u0131n “Elbette, logaritma konusunda hangi konuda yard\u0131ma ihtiyac\u0131n var?” gibi bir soruyla yan\u0131t vermesi, diyalog y\u00f6netiminin bir sonucudur. Bu s\u00fcre\u00e7, kullan\u0131c\u0131n\u0131n s\u00f6ylediklerini ba\u011flam i\u00e7inde yorumlamay\u0131 ve tutarl\u0131 bir konu\u015fma ak\u0131\u015f\u0131 sa\u011flamay\u0131 ama\u00e7lar. Makine \u00d6\u011frenimi (ML – Machine Learning) ise, bu sistemlerin s\u00fcrekli olarak \u00f6\u011frenmesini ve zamanla daha iyi performans g\u00f6stermesini sa\u011flar. ML algoritmalar\u0131, asistan\u0131n yeni verilerle e\u011fitilmesi ve kullan\u0131c\u0131 etkile\u015fimlerinden ders \u00e7\u0131kararak kendini geli\u015ftirmesi i\u00e7in kullan\u0131l\u0131r. Bu, asistan\u0131n daha do\u011fal ve do\u011fru yan\u0131tlar vermesine olanak tan\u0131r.<\/p>\n
Bu temel kavramlar\u0131 uygulamaya koymak i\u00e7in \u00e7e\u015fitli platformlar ve \u00e7er\u00e7eveler (framework) bulunmaktad\u0131r. Google Dialogflow, Amazon Alexa Skills Kit ve Microsoft Bot Framework, bu alandaki en pop\u00fcler ara\u00e7lardan baz\u0131lar\u0131d\u0131r. Bu platformlar, geli\u015ftiricilerin ASR, NLU ve diyalog y\u00f6netimi gibi karma\u015f\u0131k bile\u015fenleri s\u0131f\u0131rdan olu\u015fturmak yerine, haz\u0131r hizmetleri kullanarak h\u0131zl\u0131 bir \u015fekilde sesli ajanlar geli\u015ftirmelerini sa\u011flar. \u00d6rne\u011fin, Dialogflow, intent ve entity tan\u0131mlamalar\u0131n\u0131 g\u00f6rsel bir aray\u00fcz \u00fczerinden kolayca yapmam\u0131za olanak tan\u0131r ve hatta baz\u0131 temel konu\u015fma modellerini kendisi otomatik olarak olu\u015fturabilir. Bu platformlar, geli\u015ftirme s\u00fcrecini h\u0131zland\u0131r\u0131rken, ayn\u0131 zamanda y\u00fcksek do\u011fruluk oranlar\u0131na sahip, g\u00fc\u00e7l\u00fc sesli ajanlar olu\u015fturmak i\u00e7in gerekli altyap\u0131y\u0131 sunar. Bu ara\u00e7lar sayesinde, bir \u00f6\u011frenme asistan\u0131n\u0131n sadece temel sorulara yan\u0131t vermekle kalmay\u0131p, ayn\u0131 zamanda karma\u015f\u0131k e\u011fitim senaryolar\u0131n\u0131 da y\u00f6netebilmesi m\u00fcmk\u00fcn hale gelir. Bu teknolojik altyap\u0131, 10 g\u00fcnl\u00fck geli\u015ftirme yolculu\u011fumun temel ta\u015flar\u0131n\u0131 olu\u015fturdu ve projemi \u015fekillendirmemde kilit rol oynad\u0131.<\/p>\n
Ses odakl\u0131 bir \u00f6\u011frenme asistan\u0131 geli\u015ftirme yolculu\u011fumun ilk g\u00fcnleri, projenin temelini atmak ve do\u011fru teknoloji se\u00e7imlerini yapmakla ge\u00e7ti. Bu a\u015fama, herhangi bir geli\u015ftirme projesinde oldu\u011fu gibi, yol haritas\u0131n\u0131 belirlemek ve olas\u0131 engelleri \u00f6nceden g\u00f6rmek a\u00e7\u0131s\u0131ndan hayati \u00f6neme sahipti. \u0130lk olarak, asistan\u0131m\u0131n temel amac\u0131n\u0131 ve hedef kitlesini netle\u015ftirdim: \u00fcniversite \u00f6\u011frencilerine y\u00f6nelik, \u00f6zellikle matematik ve fizik gibi say\u0131sal derslerde kavramsal destek sunan, interaktif bir \u00f6\u011frenme arkada\u015f\u0131. Bu netlik, hangi \u00f6zelliklere \u00f6ncelik vermem gerekti\u011fini ve hangi teknolojik \u00e7\u00f6z\u00fcmlerin daha uygun olaca\u011f\u0131n\u0131 belirlememe yard\u0131mc\u0131 oldu. \u00d6rne\u011fin, karma\u015f\u0131k form\u00fclleri anlama ve a\u00e7\u0131klama yetene\u011fi, asistan\u0131n olmazsa olmaz \u00f6zelliklerinden biriydi.<\/p>\n
Teknoloji se\u00e7imi konusunda, h\u0131z ve esneklik benim i\u00e7in \u00f6ncelikliydi. 10 g\u00fcnl\u00fck k\u0131s\u0131tl\u0131 bir zaman diliminde, s\u0131f\u0131rdan bir ASR veya NLU motoru geli\u015ftirmek m\u00fcmk\u00fcn de\u011fildi. Bu nedenle, bulut tabanl\u0131 yapay zeka hizmetlerine y\u00f6neldim. Python programlama dilini temel geli\u015ftirme dili olarak se\u00e7tim, \u00e7\u00fcnk\u00fc geni\u015f k\u00fct\u00fcphane deste\u011fi ve yapay zeka entegrasyonlar\u0131 i\u00e7in sundu\u011fu kolayl\u0131klar tart\u0131\u015f\u0131lmazd\u0131. Diyalog y\u00f6netimi ve NLU i\u00e7in ise Google Dialogflow’u tercih ettim. Dialogflow’un haz\u0131r entegrasyonlar\u0131, zengin diyalog ak\u0131\u015f\u0131 (dialog flow) tan\u0131mlama yetene\u011fi ve kolayca geni\u015fletilebilir yap\u0131s\u0131, h\u0131zl\u0131 prototipleme i\u00e7in idealdi. Ayr\u0131ca, metin okuma (TTS) ve konu\u015fma tan\u0131ma (ASR) i\u00e7in Google Cloud Speech-to-Text ve Text-to-Speech API’lerini kullanmaya karar verdim. Bu kombinasyon, hem y\u00fcksek do\u011fruluk oranlar\u0131 sunuyor hem de geli\u015ftirme s\u00fcrecini \u00f6nemli \u00f6l\u00e7\u00fcde h\u0131zland\u0131r\u0131yordu.<\/p>\n
Geli\u015ftirme ortam\u0131m\u0131 kurmak da ilk ad\u0131mlardan biriydi. Python i\u00e7in sanal ortam (virtual environment) olu\u015fturdum ve gerekli t\u00fcm k\u00fct\u00fcphaneleri ( Bu kod blo\u011fu, Dialogflow’da “MerhabaIntent” ad\u0131nda bir niyetin (intent) nas\u0131l tan\u0131mland\u0131\u011f\u0131n\u0131 g\u00f6steriyor. Kullan\u0131c\u0131n\u0131n “Merhaba” veya “Selam” gibi ifadeler kulland\u0131\u011f\u0131nda bu niyetin tetiklenmesini ve asistan\u0131n \u00f6nceden tan\u0131mlanm\u0131\u015f yan\u0131t mesajlar\u0131ndan birini vermesini sa\u011fl\u0131yor. Bu t\u00fcr basit tan\u0131mlamalarla ba\u015flayarak, diyalog ak\u0131\u015f\u0131n\u0131 kademeli olarak karma\u015f\u0131kla\u015ft\u0131rmaya ba\u015flad\u0131m.<\/p>\n Bir sesli asistan\u0131n ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde diyalog ak\u0131\u015f\u0131n\u0131n ne kadar do\u011fal ve etkili oldu\u011funa ba\u011fl\u0131d\u0131r. 10 g\u00fcnl\u00fck yolculu\u011fumun orta a\u015famalar\u0131, yani 4. ve 6. g\u00fcnler, tamamen bu diyalog ak\u0131\u015f\u0131n\u0131 tasarlamaya ve geli\u015ftirmeye odakland\u0131. Bu s\u00fcre\u00e7, kullan\u0131c\u0131n\u0131n niyetini do\u011fru bir \u015fekilde anlamaktan, buna uygun ve bilgilendirici yan\u0131tlar vermeye, hatta diyalog i\u00e7inde ba\u011flam\u0131 koruyarak daha derinle\u015fimli sorular sormaya kadar geni\u015f bir yelpazeyi kapsar. Amac\u0131m, asistan\u0131n sadece bir bilgi bankas\u0131 gibi \u00e7al\u0131\u015fmas\u0131n\u0131 de\u011fil, ayn\u0131 zamanda bir \u00f6\u011fretmen gibi y\u00f6nlendirici ve etkile\u015fimli olmas\u0131n\u0131 sa\u011flamakt\u0131.<\/p>\n Diyalog ak\u0131\u015f\u0131n\u0131 tasarlarken, ilk olarak ana niyetleri (intents) ve bu niyetlerle ili\u015fkili varl\u0131klar\u0131 (entities) belirledim. \u00d6rne\u011fin, “Matematik sorusu”, “Fizik konusu”, “Tan\u0131m iste\u011fi” gibi niyetler ana ba\u015fl\u0131klar\u0131m\u0131 olu\u015fturdu. Her niyet i\u00e7in, kullan\u0131c\u0131n\u0131n bu niyeti ifade etmek i\u00e7in kullanabilece\u011fi \u00e7e\u015fitli \u00f6rnek c\u00fcmleler (training phrases) tan\u0131mlad\u0131m. \u00d6rne\u011fin, “Matematik sorusu” niyeti i\u00e7in “Bana logaritma anlat\u0131r m\u0131s\u0131n?”, “Limitler nedir?”, “T\u00fcrev nas\u0131l hesaplan\u0131r?” gibi ifadeler ekledim. Bu c\u00fcmlelerin i\u00e7indeki anahtar kelimeleri (logaritma, limitler, t\u00fcrev) varl\u0131k (entity) olarak i\u015faretleyerek, asistan\u0131n bu terimleri tan\u0131mas\u0131n\u0131 sa\u011flad\u0131m. Dialogflow’un sundu\u011fu entity t\u00fcrleri, \u00f6rne\u011fin Diyalog ak\u0131\u015f\u0131n\u0131n en kritik bile\u015fenlerinden biri de “fulfillment” yani yerine getirme mant\u0131\u011f\u0131yd\u0131. Kullan\u0131c\u0131n\u0131n bir niyeti tetiklendi\u011finde, asistan\u0131n sadece \u00f6nceden tan\u0131mlanm\u0131\u015f statik bir yan\u0131t vermek yerine, dinamik olarak bilgi \u00e7ekmesi veya bir hesaplama yapmas\u0131 gerekebilir. Bunun i\u00e7in bir webhook (geri arama) kullanarak, Dialogflow’dan gelen iste\u011fi kendi Python tabanl\u0131 sunucuma y\u00f6nlendirdim. Sunucum, gelen niyet ve varl\u0131k bilgilerini i\u015fleyerek uygun yan\u0131t\u0131 olu\u015fturup Dialogflow’a geri g\u00f6nderiyordu. \u00d6rne\u011fin, bir \u00f6\u011frenci “Pisagor teoremi nedir?” diye sordu\u011funda, asistan\u0131n fulfillment kodu, bir bilgi taban\u0131ndan Pisagor teoreminin tan\u0131m\u0131n\u0131 \u00e7ekip bunu sesli olarak yan\u0131tlamas\u0131n\u0131 sa\u011fl\u0131yordu. \u0130\u015fte bu fulfillment mant\u0131\u011f\u0131n\u0131 g\u00f6steren basitle\u015ftirilmi\u015f bir Python kodu \u00f6rne\u011fi:<\/p>\n Bu kod par\u00e7as\u0131, bir Flask uygulamas\u0131 arac\u0131l\u0131\u011f\u0131yla Dialogflow’dan gelen webhook isteklerini nas\u0131l i\u015fledi\u011fimi g\u00f6steriyor. Gelen iste\u011fin i\u00e7indeki niyet ad\u0131n\u0131 ( Bir sesli \u00f6\u011frenme asistan\u0131n\u0131n teknik altyap\u0131s\u0131 ne kadar g\u00fc\u00e7l\u00fc olursa olsun, e\u011fer kullan\u0131c\u0131 deneyimi (UX) zay\u0131fsa, projenin ba\u015far\u0131s\u0131 s\u0131n\u0131rl\u0131 kal\u0131r. 10 g\u00fcnl\u00fck yolculu\u011fumun 7. ve 8. g\u00fcnleri, sesli aray\u00fcz\u00fc (VUI – Voice User Interface) iyile\u015ftirmeye ve kapsaml\u0131 test s\u00fcre\u00e7leri y\u00fcr\u00fctmeye ayr\u0131ld\u0131. Kullan\u0131c\u0131 deneyimi, bir sesli asistanla etkile\u015fim kurman\u0131n ne kadar kolay, sezgisel ve tatmin edici oldu\u011funu belirler. Bu, sadece do\u011fru yan\u0131tlar vermekle kalmaz, ayn\u0131 zamanda asistan\u0131n konu\u015fma tonu, h\u0131z\u0131, kelime se\u00e7imi ve hatta sessizlik anlar\u0131n\u0131 nas\u0131l y\u00f6netti\u011fi gibi unsurlar\u0131 da kapsar. \u0130yi tasarlanm\u0131\u015f bir VUI, kullan\u0131c\u0131lar\u0131n asistanla do\u011fal bir \u015fekilde ileti\u015fim kurmas\u0131n\u0131 sa\u011flar ve hayal k\u0131r\u0131kl\u0131\u011f\u0131n\u0131 en aza indirir.<\/p>\n VUI tasar\u0131m prensiplerine odaklanarak, asistan\u0131m\u0131n ki\u015fili\u011fini (persona) belirledim: dost canl\u0131s\u0131, sab\u0131rl\u0131 ve bilgilendirici bir \u00f6\u011fretmen. Bu persona, asistan\u0131n ses tonundan yan\u0131t c\u00fcmlelerinin yap\u0131s\u0131na kadar her \u015feyi etkiledi. \u00d6rne\u011fin, “Tekrar eder misin?” yerine “\u00dczg\u00fcn\u00fcm, s\u00f6yledi\u011fini anlayamad\u0131m. Tekrar edebilir misin?” gibi daha nazik ve a\u00e7\u0131klay\u0131c\u0131 ifadeler kullanmaya \u00f6zen g\u00f6sterdim. Ayr\u0131ca, asistan\u0131n yan\u0131tlar\u0131n\u0131n \u00e7ok uzun veya \u00e7ok k\u0131sa olmamas\u0131na dikkat ettim. Uzun yan\u0131tlar kullan\u0131c\u0131y\u0131 s\u0131kabilirken, \u00e7ok k\u0131sa yan\u0131tlar yetersiz bilgi sa\u011flayabilir. Bu dengeyi bulmak, kullan\u0131c\u0131 geri bildirimleriyle m\u00fcmk\u00fcn oldu. \u00d6zellikle, asistan\u0131n karma\u015f\u0131k konular\u0131 a\u00e7\u0131klarken kulland\u0131\u011f\u0131 dilin sade ve anla\u015f\u0131l\u0131r olmas\u0131, akademik dil kullan\u0131m\u0131ndan ka\u00e7\u0131n\u0131lmas\u0131, \u00f6\u011frenme s\u00fcrecini kolayla\u015ft\u0131ran \u00f6nemli bir fakt\u00f6rd\u00fc.<\/p>\n Test s\u00fcre\u00e7leri, asistan\u0131n ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l performans g\u00f6sterdi\u011fini anlamak i\u00e7in vazge\u00e7ilmezdi. \u0130lk olarak, kendim ve birka\u00e7 g\u00f6n\u00fcll\u00fc arkada\u015f\u0131m ile i\u00e7 testler yapt\u0131m. Bu testlerde, \u00e7e\u015fitli sorular sorduk, farkl\u0131 konular\u0131 denedik ve asistan\u0131n yan\u0131tlar\u0131n\u0131 de\u011ferlendirdik. Kar\u015f\u0131la\u015ft\u0131\u011f\u0131m\u0131z en yayg\u0131n sorunlardan biri, Konu\u015fma Tan\u0131ma (ASR) sisteminin baz\u0131 kelimeleri yanl\u0131\u015f anlamas\u0131yd\u0131, \u00f6zellikle teknik terimlerde veya aksanl\u0131 konu\u015fmalarda. \u00d6rne\u011fin, “Fourier d\u00f6n\u00fc\u015f\u00fcm\u00fc” gibi bir terim, “furya d\u00f6n\u00fc\u015f\u00fcm\u00fc” olarak alg\u0131lanabiliyordu. Bu t\u00fcr hatalar\u0131 tespit ettik\u00e7e, Dialogflow’daki e\u011fitim c\u00fcmlelerini (training phrases) g\u00fcncelledim ve daha fazla varyasyon ekleyerek asistan\u0131n anlama yetene\u011fini geli\u015ftirdim. Ayr\u0131ca, asistan\u0131n diyalog i\u00e7inde ba\u011flam\u0131 kaybetme veya tekrarlayan yan\u0131tlar verme gibi sorunlar\u0131n\u0131 da bu testler s\u0131ras\u0131nda fark ettim. Bu durumlar i\u00e7in, diyalog ak\u0131\u015f\u0131 mant\u0131\u011f\u0131n\u0131 ve fulfillment kodunu g\u00f6zden ge\u00e7irerek iyile\u015ftirmeler yapt\u0131m. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n ayn\u0131 soruyu farkl\u0131 \u015fekillerde sormas\u0131 durumunda asistan\u0131n farkl\u0131 yan\u0131tlar verebilmesi veya “Daha fazla bilgi ister misin?” gibi y\u00f6nlendirici sorularla diyalogu s\u00fcrd\u00fcrmesi i\u00e7in ek mant\u0131klar ekledim.<\/p>\n Hatalar\u0131 ele alma (error recovery) stratejileri de kullan\u0131c\u0131 deneyimi i\u00e7in kritikti. Asistan\u0131n bir soruyu anlayamad\u0131\u011f\u0131nda veya yan\u0131tlayamad\u0131\u011f\u0131nda ne yapaca\u011f\u0131 \u00f6nceden belirlenmeliydi. “\u00dczg\u00fcn\u00fcm, bu konuda hen\u00fcz bilgiye sahip de\u011filim” veya “L\u00fctfen sorunuzu farkl\u0131 bir \u015fekilde ifade eder misiniz?” gibi kibar ve yard\u0131mc\u0131 ifadeler kullanmak, kullan\u0131c\u0131n\u0131n hayal k\u0131r\u0131kl\u0131\u011f\u0131n\u0131 azalt\u0131r ve onlar\u0131 tekrar denemeye te\u015fvik eder. Ayr\u0131ca, asistan\u0131n bir noktada diyalogu sona erdirmesi gerekti\u011finde veya kullan\u0131c\u0131dan ek bilgiye ihtiya\u00e7 duydu\u011funda nas\u0131l davranaca\u011f\u0131n\u0131 da tasarlad\u0131m. \u00d6rne\u011fin, bir hesaplama yapmas\u0131 gerekti\u011finde ve eksik bilgi oldu\u011funda, “Hangi de\u011ferleri kullanmam\u0131 istersin?” gibi net sorularla kullan\u0131c\u0131dan bilgi talep etmesini sa\u011flad\u0131m. Bu iteratif test ve iyile\u015ftirme s\u00fcreci, 10 g\u00fcnl\u00fck yolculu\u011fumun en yo\u011fun ama ayn\u0131 zamanda en verimli a\u015famalar\u0131ndan biriydi ve asistan\u0131m\u0131n kullan\u0131c\u0131 dostu ve etkili bir \u00f6\u011frenme arkada\u015f\u0131 olmas\u0131n\u0131 sa\u011flad\u0131.<\/p>\n Her geli\u015ftirme projesinde oldu\u011fu gibi, ses odakl\u0131 \u00f6\u011frenme asistan\u0131 geli\u015ftirme yolculu\u011fumda da \u00e7e\u015fitli zorluklarla kar\u015f\u0131la\u015ft\u0131m. Ancak bu zorluklar, \u00f6\u011frenme s\u00fcrecimin en de\u011ferli par\u00e7alar\u0131 oldu ve projenin gelecekteki potansiyelini anlamam\u0131 sa\u011flad\u0131. Kar\u015f\u0131la\u015ft\u0131\u011f\u0131m en b\u00fcy\u00fck zorluklardan biri, Konu\u015fma Tan\u0131ma (ASR) ve Do\u011fal Dil Anlama (NLU) sistemlerinin \u00f6zellikle teknik terimler ve karma\u015f\u0131k c\u00fcmle yap\u0131lar\u0131 \u00fczerindeki do\u011fruluk oran\u0131yd\u0131. T\u00fcrk\u00e7e, eklemeli bir dil oldu\u011fu i\u00e7in, kelimelerin sonuna eklenen ekler (suffixler) anlam\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde de\u011fi\u015ftirebilir. Bu durum, NLU sistemlerinin kullan\u0131c\u0131n\u0131n niyetini tam olarak anlamas\u0131n\u0131 zorla\u015ft\u0131rabiliyordu. \u00d6rne\u011fin, “T\u00fcrev alma” ile “T\u00fcrev alma i\u015flemi” aras\u0131ndaki n\u00fcanslar\u0131 yakalamak bazen problem yaratabiliyordu.<\/p>\n Bu sorunu a\u015fmak i\u00e7in, Dialogflow’daki e\u011fitim c\u00fcmlelerini (training phrases) s\u00fcrekli olarak geni\u015flettim ve \u00e7e\u015fitli varyasyonlar\u0131 ekledim. Ayr\u0131ca, \u00f6zel varl\u0131klar (custom entities) olu\u015fturarak ve bunlar\u0131 d\u00fczenli ifadelerle (regex) destekleyerek, asistan\u0131n belirli terimleri daha do\u011fru bir \u015fekilde tan\u0131mas\u0131n\u0131 sa\u011flad\u0131m. \u00d6rne\u011fin, matematiksel terimler i\u00e7in \u00f6zel bir Diyalog y\u00f6netimini iyile\u015ftirmek i\u00e7in, Dialogflow’un ba\u011flam (context) \u00f6zelliklerini daha etkin kulland\u0131m. Her niyet i\u00e7in giri\u015f ve \u00e7\u0131k\u0131\u015f ba\u011flamlar\u0131 tan\u0131mlayarak, asistan\u0131n diyalogun hangi a\u015famas\u0131nda oldu\u011funu takip etmesini sa\u011flad\u0131m. \u00d6rne\u011fin, bir \u00f6\u011frenci “T\u00fcrev anlat\u0131r m\u0131s\u0131n?” dedikten sonra “Peki ya integral?” diye sordu\u011funda, asistan\u0131n hala “Matematik” ba\u011flam\u0131nda oldu\u011funu anlamas\u0131 ve integral ile ilgili bilgi vermesi sa\u011fland\u0131. Ayr\u0131ca, asistan\u0131n yan\u0131t verme gecikmesi (latency) de \u00f6nemli bir endi\u015fe kayna\u011f\u0131yd\u0131. Kullan\u0131c\u0131lar, sesli asistanlardan an\u0131nda yan\u0131t beklerler. ASR, NLU, fulfillment ve TTS s\u00fcre\u00e7lerinin her biri belirli bir zaman ald\u0131\u011f\u0131 i\u00e7in, bu gecikmeyi minimumda tutmak gerekiyordu. Bu sorunu \u00e7\u00f6zmek i\u00e7in, fulfillment kodumu optimize ettim, veritaban\u0131 sorgular\u0131n\u0131 h\u0131zland\u0131rd\u0131m ve m\u00fcmk\u00fcn oldu\u011funca \u00f6nbellekleme (caching) tekniklerini kulland\u0131m. \u00d6rne\u011fin, s\u0131k\u00e7a sorulan sorular\u0131n yan\u0131tlar\u0131n\u0131 \u00f6nbellekte tutarak, her seferinde veritaban\u0131na gitmekten ka\u00e7\u0131nd\u0131m.<\/p>\n 10 g\u00fcnl\u00fck yolculu\u011fumdan \u00e7\u0131kard\u0131\u011f\u0131m en \u00f6nemli derslerden biri, iteratif geli\u015ftirmenin (iterative development) ve s\u00fcrekli geri bildirimin \u00f6nemidir. Hi\u00e7bir sesli ajan ilk seferde m\u00fckemmel olmaz. Kullan\u0131c\u0131larla yap\u0131lan testler, beklenmedik kullan\u0131m senaryolar\u0131n\u0131 ve geli\u015ftirilmesi gereken alanlar\u0131 ortaya \u00e7\u0131kar\u0131r. Bu geri bildirimleri projenin her a\u015famas\u0131nda dikkate almak, asistan\u0131n kalitesini s\u00fcrekli olarak art\u0131rman\u0131n anahtar\u0131d\u0131r. Projeyi \u00f6l\u00e7eklendirme konusuna gelince, mevcut mimari ile bu kesinlikle m\u00fcmk\u00fcn. Dialogflow ve Google Cloud’un sundu\u011fu hizmetler, do\u011fal olarak \u00f6l\u00e7eklenebilir bir yap\u0131ya sahiptir. Daha fazla kullan\u0131c\u0131ya hizmet vermek i\u00e7in sadece kaynaklar\u0131 art\u0131rmak yeterli olacakt\u0131r. Ayr\u0131ca, asistan\u0131n bilgi taban\u0131n\u0131 geni\u015fletmek ve yeni konular eklemek, mevcut yap\u0131ya kolayca entegre edilebilir. \u00d6rne\u011fin, yeni bir ders eklendi\u011finde, ilgili niyetler ve varl\u0131klar tan\u0131mlanarak, fulfillment kodunda gerekli g\u00fcncellemeler yap\u0131larak asistan\u0131n yetenekleri kolayca geni\u015fletilebilir. Gelecekte, bu asistan\u0131n farkl\u0131 dillerde de hizmet verebilmesi veya daha ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme yollar\u0131 sunabilmesi i\u00e7in makine \u00f6\u011frenimi modellerini daha da geli\u015ftirmek m\u00fcmk\u00fcnd\u00fcr. Bu 10 g\u00fcnl\u00fck deneyim, ses odakl\u0131 \u00f6\u011frenme asistanlar\u0131n\u0131n sadece bir prototip olmaktan \u00f6te, e\u011fitimde ger\u00e7ek bir d\u00f6n\u00fc\u015f\u00fcm potansiyeli ta\u015f\u0131d\u0131\u011f\u0131n\u0131 g\u00f6sterdi.<\/p>\n 10 g\u00fcnl\u00fck sesli ajanlar geli\u015ftirme yolculu\u011fum, bu alandaki teknolojik potansiyelin sadece y\u00fczeyini \u00e7izdi\u011fimi g\u00f6sterdi. Ses odakl\u0131 \u00f6\u011frenme asistanlar\u0131n\u0131n gelece\u011fi, \u015f\u00fcphesiz ki e\u011fitimde devrim yaratma potansiyeli ta\u015f\u0131yor. Bu asistanlar, \u00f6\u011frenmeyi daha ki\u015fiselle\u015ftirilmi\u015f, eri\u015filebilir ve etkile\u015fimli hale getirerek, geleneksel s\u0131n\u0131f ortamlar\u0131n\u0131n s\u0131n\u0131rlar\u0131n\u0131 zorluyor. Gelecekte, bu asistanlar\u0131n sadece bilgi vermekle kalmay\u0131p, ayn\u0131 zamanda \u00f6\u011frencilerin \u00f6\u011frenme stillerini, g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nlerini analiz ederek onlara \u00f6zel \u00f6\u011frenme yollar\u0131 sunabilece\u011fini hayal etmek hi\u00e7 de zor de\u011fil. \u00d6rne\u011fin, bir \u00f6\u011frencinin g\u00f6rsel \u00f6\u011frenmeye daha yatk\u0131n oldu\u011funu fark eden bir asistan, konuyu a\u00e7\u0131klarken g\u00f6rsel materyallerden bahsetmeye veya g\u00f6rselle\u015ftirme teknikleri \u00f6nermeye ba\u015flayabilir. Bu t\u00fcr adaptif \u00f6\u011frenme yetenekleri, yapay zeka ve makine \u00f6\u011frenimi alan\u0131ndaki ilerlemelerle birlikte daha da geli\u015fecektir.<\/p>\n E\u011fitimdeki potansiyeli olduk\u00e7a geni\u015f. Sesli asistanlar, dil \u00f6\u011freniminde telaffuz ve dinleme becerilerini geli\u015ftirmek i\u00e7in m\u00fckemmel ara\u00e7lar olabilir. Bir \u00f6\u011frenci, hedef dilde bir kelimeyi telaffuz etti\u011finde, asistan an\u0131nda geri bildirim sa\u011flayarak do\u011fru telaffuza ula\u015fmas\u0131na yard\u0131mc\u0131 olabilir. Ayr\u0131ca, karma\u015f\u0131k bilimsel kavramlar\u0131n basitle\u015ftirilmesi, tarihi olaylar\u0131n hikaye anlat\u0131m\u0131 yoluyla sunulmas\u0131 veya matematik problemlerinin ad\u0131m ad\u0131m \u00e7\u00f6z\u00fclmesinin sesli olarak a\u00e7\u0131klanmas\u0131, \u00f6\u011frenmeyi \u00e7ok daha ilgi \u00e7ekici hale getirebilir. \u00d6zellikle uzaktan e\u011fitim ve \u00e7evrimi\u00e7i \u00f6\u011frenme platformlar\u0131n\u0131n yayg\u0131nla\u015ft\u0131\u011f\u0131 g\u00fcn\u00fcm\u00fczde, sesli asistanlar \u00f6\u011frencilere 7\/24 eri\u015filebilir bir destek sistemi sunarak \u00f6\u011frenme s\u00fcreklili\u011fini sa\u011flayabilir. Bu, geleneksel ders saatlerinin d\u0131\u015f\u0131nda da \u00f6\u011frencilerin ihtiya\u00e7 duyduklar\u0131 anda bilgiye ula\u015fabilmeleri anlam\u0131na gelir.<\/p>\n Ayr\u0131ca, \u00f6zel e\u011fitim ihtiya\u00e7lar\u0131 olan \u00f6\u011frenciler i\u00e7in ses odakl\u0131 asistanlar, \u00f6\u011frenme bariyerlerini ortadan kald\u0131rmada kritik bir rol oynayabilir. G\u00f6rme engelli \u00f6\u011frenciler i\u00e7in metin tabanl\u0131 materyalleri sesli hale getirmek, disleksi gibi \u00f6\u011frenme g\u00fc\u00e7l\u00fc\u011f\u00fc \u00e7eken \u00f6\u011frencilere okuma deste\u011fi sa\u011flamak veya motor becerileri s\u0131n\u0131rl\u0131 olan \u00f6\u011frencilerin sadece sesleriyle etkile\u015fim kurarak bilgiye ula\u015fmalar\u0131n\u0131 sa\u011flamak gibi bir\u00e7ok alanda b\u00fcy\u00fck faydalar sunabilirler. Bu teknoloji, kapsay\u0131c\u0131 e\u011fitimi destekleyerek her \u00f6\u011frencinin potansiyeline ula\u015fmas\u0131na yard\u0131mc\u0131 olabilir. Sonu\u00e7 olarak, bu 10 g\u00fcnl\u00fck ser\u00fcven, ses odakl\u0131 teknolojilerin e\u011fitimdeki d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc g\u00fcc\u00fcn\u00fc deneyimlememe olanak tan\u0131d\u0131. Kar\u015f\u0131la\u015f\u0131lan zorluklara ra\u011fmen, geli\u015ftirme s\u00fcrecinin her a\u015famas\u0131, bu alandaki bilgi birikimimi art\u0131rd\u0131 ve gelecekteki projeler i\u00e7in ilham kayna\u011f\u0131 oldu. Sesli \u00f6\u011frenme asistanlar\u0131, sadece birer teknolojik yenilik de\u011fil, ayn\u0131 zamanda \u00f6\u011frenmenin gelece\u011fini \u015fekillendirecek g\u00fc\u00e7l\u00fc ara\u00e7lard\u0131r. Bu alandaki geli\u015fmelerin, \u00f6\u011frenme deneyimlerimizi daha zengin, daha eri\u015filebilir ve daha ki\u015fiselle\u015ftirilmi\u015f hale getirece\u011fine dair inanc\u0131m tamd\u0131r.<\/p>\n Ses odakl\u0131 bir \u00f6\u011frenme asistan\u0131 geli\u015ftirirken hangi programlama dilleri ve ara\u00e7lar\u0131 tercih edilmelidir?<\/strong><\/p>\n Genellikle Python, geni\u015f k\u00fct\u00fcphane deste\u011fi (TensorFlow, PyTorch) ve yapay zeka entegrasyonlar\u0131 nedeniyle tercih edilir. Diyalog y\u00f6netimi i\u00e7in Google Dialogflow, Amazon Alexa Skills Kit veya Microsoft Bot Framework gibi bulut tabanl\u0131 platformlar, geli\u015ftirme s\u00fcrecini h\u0131zland\u0131r\u0131r. Konu\u015fma tan\u0131ma (ASR) ve metin okuma (TTS) i\u00e7in ise Google Cloud Speech-to-Text\/Text-to-Speech gibi API’ler s\u0131kl\u0131kla kullan\u0131l\u0131r.<\/p>\n<\/li>\n Sesli asistanlarda kullan\u0131c\u0131 deneyimini (UX) iyile\u015ftirmek i\u00e7in nelere dikkat edilmelidir?<\/strong><\/p>\n Asistan\u0131n ki\u015fili\u011fini (persona) belirlemek, yan\u0131tlar\u0131n do\u011fal, anla\u015f\u0131l\u0131r ve uygun uzunlukta olmas\u0131n\u0131 sa\u011flamak \u00f6nemlidir. Hatalar\u0131 ele alma (error recovery) stratejileri, ba\u011flam\u0131 koruma, h\u0131zl\u0131 yan\u0131t s\u00fcreleri ve kullan\u0131c\u0131 geri bildirimlerini dikkate alarak s\u00fcrekli iyile\u015ftirme yapmak kullan\u0131c\u0131 deneyimini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.<\/p>\n<\/li>\n T\u00fcrk\u00e7e gibi eklemeli diller i\u00e7in sesli asistan geli\u015ftirmenin \u00f6zel zorluklar\u0131 nelerdir?<\/strong><\/p>\n T\u00fcrk\u00e7e’nin eklemeli yap\u0131s\u0131, kelimelerin k\u00f6klerine eklenen son eklerle anlam\u0131n de\u011fi\u015fmesine neden olur. Bu durum, do\u011fal dil anlama (NLU) sistemlerinin kullan\u0131c\u0131n\u0131n niyetini ve varl\u0131klar\u0131n\u0131 do\u011fru bir \u015fekilde tespit etmesini zorla\u015ft\u0131rabilir. Bu zorlu\u011fun \u00fcstesinden gelmek i\u00e7in daha fazla e\u011fitim verisi, \u00f6zel varl\u0131k tan\u0131mlamalar\u0131 ve dilbilimsel kurallar\u0131n entegrasyonu gerekebilir.<\/p>\n<\/li>\n Ses odakl\u0131 \u00f6\u011frenme asistanlar\u0131 gelecekte e\u011fitimde hangi rolleri \u00fcstlenebilir?<\/strong><\/p>\n Gelecekte, bu asistanlar ki\u015fiselle\u015ftirilmi\u015f \u00f6\u011frenme yollar\u0131 sunabilir, \u00f6\u011frencilerin \u00f6\u011frenme stillerine adapte olabilir, dil \u00f6\u011freniminde telaffuz ko\u00e7lu\u011fu yapabilir, karma\u015f\u0131k konular\u0131 basitle\u015ftirebilir ve \u00f6zel e\u011fitim ihtiya\u00e7lar\u0131 olan \u00f6\u011frenciler i\u00e7in eri\u015filebilirli\u011fi art\u0131rabilir. 7\/24 eri\u015filebilir bir destek sistemi sunarak uzaktan e\u011fitimin etkinli\u011fini de art\u0131rabilirler.<\/p>\n<\/li>\n<\/ul>\n #SesliAsistan #YapayZeka #E\u011fitimTeknolojileri #VoiceFirst #NLP #Makine\u00d6\u011frenimi<\/p>\n","protected":false},"excerpt":{"rendered":"G\u00fcn\u00fcm\u00fcz dijital \u00e7a\u011f\u0131nda, \u00f6\u011frenme deneyimlerimizi ki\u015fiselle\u015ftirmek ve zenginle\u015ftirmek i\u00e7in yeni yollar aray\u0131\u015f\u0131m\u0131z devam ediyor.","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-44105","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\ngoogle-cloud-dialogflow<\/code>, google-cloud-speech<\/code>, google-cloud-texttospeech<\/code>) kurdum. Bu sayede, projemin ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 izole etmi\u015f ve temiz bir geli\u015ftirme ortam\u0131 sa\u011flam\u0131\u015f oldum. \u0130lk g\u00fcnlerde, asistan\u0131n temel bir “merhaba” deme ve basit bir soruya yan\u0131t verme yetene\u011fini test ettim. Bu, sistemin u\u00e7tan uca \u00e7al\u0131\u015f\u0131p \u00e7al\u0131\u015fmad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in \u00f6nemliydi. \u00d6rne\u011fin, kullan\u0131c\u0131n\u0131n “Merhaba, nas\u0131ls\u0131n?” demesine kar\u015f\u0131l\u0131k, asistan\u0131n “\u0130yiyim, sana nas\u0131l yard\u0131mc\u0131 olabilirim?” diye yan\u0131t vermesini sa\u011flamak, t\u00fcm temel bile\u015fenlerin do\u011fru \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131n bir g\u00f6stergesiydi. Bu ilk ad\u0131mlar, projenin geri kalan\u0131 i\u00e7in sa\u011flam bir zemin olu\u015fturdu ve beni ileriki g\u00fcnlerde daha karma\u015f\u0131k \u00f6zellikler geli\u015ftirmeye haz\u0131rlad\u0131. \u0130\u015fte basit bir Dialogflow intent tan\u0131m\u0131 i\u00e7in JSON yap\u0131s\u0131 \u00f6rne\u011fi:<\/p>\n\n{\n \"displayName\": \"MerhabaIntent\",\n \"priority\": 500000,\n \"webhookState\": \"WEBHOOK_STATE_ENABLED\",\n \"trainingPhrases\": [\n {\n \"parts\": [\n {\n \"text\": \"Merhaba\",\n \"auto\": true\n }\n ],\n \"repeatCount\": 1\n },\n {\n \"parts\": [\n {\n \"text\": \"Selam\",\n \"auto\": true\n }\n ],\n \"repeatCount\": 1\n }\n ],\n \"messages\": [\n {\n \"text\": {\n \"text\": [\n \"Merhaba! Sana nas\u0131l yard\u0131mc\u0131 olabilirim?\",\n \"Selam, ne \u00f6\u011frenmek istersin?\"\n ]\n }\n }\n ]\n}\n <\/code><\/pre>\n<\/p><\/div>\nDiyalog Ak\u0131\u015f\u0131n\u0131 Tasarlamak ve Geli\u015ftirmek: Etkile\u015fim Nas\u0131l \u015eekillendirilir?<\/h3>\n
@sys.number<\/code> veya @sys.date<\/code> gibi sistem varl\u0131klar\u0131n\u0131 kullanman\u0131n yan\u0131 s\u0131ra, \u00f6zel varl\u0131klar (custom entities) da tan\u0131mlad\u0131m; \u00f6rne\u011fin, @konu<\/code> varl\u0131\u011f\u0131 alt\u0131nda “logaritma”, “t\u00fcrev”, “kuantum fizi\u011fi” gibi de\u011ferler. Bu sayede, asistan\u0131n sadece genel sorular\u0131 de\u011fil, belirli konulara odaklanan sorular\u0131 da anlamas\u0131 m\u00fcmk\u00fcn oldu.<\/p>\n\nfrom flask import Flask, request, jsonify\n\napp = Flask(__name__)\n\n@app.route('\/webhook', methods=['POST'])\ndef webhook():\n req = request.get_json(silent=True, force=True)\n intent_name = req['queryResult']['intent']['displayName']\n \n if intent_name == 'KonuAnlatimiIntent':\n konu = req['queryResult']['parameters']['konu']\n response_text = f\"Elbette, {konu} hakk\u0131nda bilgi veriyorum. {konu}...\" # Bilgi taban\u0131ndan \u00e7ekilecek\n elif intent_name == 'MerhabaIntent':\n response_text = \"Merhaba! Sana nas\u0131l yard\u0131mc\u0131 olabilirim?\"\n else:\n response_text = \"\u00dczg\u00fcn\u00fcm, ne demek istedi\u011fini tam anlayamad\u0131m.\"\n\n return jsonify({\n \"fulfillmentText\": response_text\n })\n\nif __name__ == '__main__':\n app.run(debug=True, port=5000)\n <\/code><\/pre>\n<\/p><\/div>\nintent_name<\/code>) kontrol ederek, ilgili konuya \u00f6zel bir yan\u0131t olu\u015fturuyorum. E\u011fer niyet ‘KonuAnlatimiIntent’ ise, kullan\u0131c\u0131n\u0131n sordu\u011fu konuyu (konu<\/code>) \u00e7ekip buna g\u00f6re dinamik bir yan\u0131t haz\u0131rl\u0131yorum. Bu dinamik yan\u0131tlar, asistan\u0131n sadece ezberlenmi\u015f ifadeler kullanmak yerine, ger\u00e7ek zamanl\u0131 ve ba\u011flama uygun bilgiler sunmas\u0131n\u0131 sa\u011fl\u0131yordu. Ayr\u0131ca, diyalog ak\u0131\u015f\u0131nda ba\u011flam\u0131 (context) korumak da \u00f6nemliydi. \u00d6rne\u011fin, \u00f6\u011frenci “Peki ya t\u00fcrev?” diye sordu\u011funda, asistan\u0131n “Matematik sorusu” ba\u011flam\u0131n\u0131 hat\u0131rlamas\u0131 ve t\u00fcrevle ilgili bilgi vermesi gerekiyordu. Dialogflow’un context (ba\u011flam) y\u00f6netimi \u00f6zellikleri sayesinde, bu t\u00fcr zincirleme diyaloglar\u0131 kolayca tasarlayabildim ve asistan\u0131n daha ak\u0131c\u0131 bir sohbet deneyimi sunmas\u0131n\u0131 sa\u011flad\u0131m. Bu yo\u011fun geli\u015ftirme s\u00fcreci, asistan\u0131n zekas\u0131n\u0131 ve etkile\u015fim yetene\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rd\u0131.<\/p>\nSesli Aray\u00fcz\u00fc \u0130yile\u015ftirmek: Kullan\u0131c\u0131 Deneyimi ve Test S\u00fcre\u00e7leri Neden \u00d6nemlidir?<\/h3>\n
Zorluklar, \u00c7\u00f6z\u00fcmler ve \u00d6\u011frenilen Dersler: Projeyi \u00d6l\u00e7eklendirmek M\u00fcmk\u00fcn m\u00fc?<\/h3>\n
@MatematikTerimi<\/code> varl\u0131\u011f\u0131 tan\u0131mlad\u0131m ve bu varl\u0131\u011fa “t\u00fcrev”, “integral”, “limit”, “logaritma” gibi de\u011ferleri ekledim. Bu sayede, asistan\u0131n bu terimleri duydu\u011funda do\u011fru ba\u011flamda i\u015fleyebilmesi kolayla\u015ft\u0131. Bir di\u011fer \u00f6nemli zorluk, karma\u015f\u0131k diyaloglar\u0131 y\u00f6netmekti. Kullan\u0131c\u0131lar bazen birden fazla soruyu tek bir c\u00fcmlede sorabilir veya \u00f6nceki bir konuya geri d\u00f6nebilirlerdi. Bu durum, diyalog y\u00f6netimini (dialog management) olduk\u00e7a karma\u015f\u0131k hale getiriyordu.<\/p>\nSes Odakl\u0131 \u00d6\u011frenme Asistanlar\u0131n\u0131n Gelece\u011fi ve E\u011fitimdeki Potansiyeli Nedir?<\/h3>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n