Yapay Zeka Puanlama Ajanı Nasıl Oluşturulur? Adım Adım Rehber

Günümüz iş dünyasında, büyük veri yığınlarını anlamlı bilgilere dönüştürmek ve bu bilgileri kullanarak hızlı, tutarlı kararlar almak hayati önem taşımaktadır. Manuel süreçler zaman alıcı ve hataya açık olabilirken, yapay zeka (YZ) puanlama ajanları bu zorlukların üstesinden gelmek için güçlü bir çözüm sunar. Bu kapsamlı rehberde, bir YZ puanlama ajanını sıfırdan adım adım nasıl inşa edeceğinizi, veri hazırlığından model dağıtımına kadar tüm kritik aşamaları pratik örneklerle ele alacağız. Amacımız, hem konuya yeni başlayanlara hem de bu alanda kendini geliştirmek isteyenlere yol gösterici bir kaynak sunmaktır.

Yapay Zeka puanlama ajanı, karmaşık algoritmalar ve makine öğrenimi modelleri kullanarak belirli bir durumu, varlığı veya olayı önceden tanımlanmış kriterlere göre değerlendiren ve sayısal bir skor atayan akıllı bir sistemdir. Bu skor, genellikle bir risk seviyesini, potansiyel değeri veya bir olayın gerçekleşme olasılığını gösterir. Örneğin, bir banka kredi başvurusunun onaylanma riskini, bir e-ticaret sitesi müşterinin platformu terk etme (churn) olasılığını veya bir sigorta şirketi hasar tazminatının dolandırıcılık olup olmadığını tahmin etmek için puanlama ajanlarını kullanabilir. Bu sistemler, karar verme süreçlerini otomatize ederek insan hatasını minimize eder, işlem hızını artırır ve daha tutarlı, veri odaklı sonuçlar üretirler. Ayrıca, yeni verilerle sürekli olarak öğrenme ve kendini geliştirme yetenekleri sayesinde zamanla daha doğru hale gelirler. Bu yetenekler, işletmelere önemli rekabet avantajları sağlar.

Puanlama ajanlarının kullanım alanları oldukça geniştir. Finans sektöründe kredi risk puanlaması ve dolandırıcılık tespiti, pazarlamada müşteri segmentasyonu ve kişiselleştirilmiş kampanya önerileri, insan kaynaklarında aday değerlendirme ve çalışan devir hızını tahmin etme, sağlık sektöründe hastalık risk analizi ve tedavi yanıtı tahmini gibi birçok alanda etkin bir şekilde kullanılmaktadırlar. Bu ajanlar sayesinde, işletmeler daha bilinçli stratejiler geliştirebilir, kaynaklarını daha verimli kullanabilir ve müşteri deneyimini iyileştirebilirler. Ancak, bir YZ puanlama ajanı geliştirmek sadece teknik bir mesele değildir; aynı zamanda etik boyutları, veri gizliliği endişeleri ve modelin açıklanabilirliği gibi önemli konuları da içerir. Bu rehber boyunca, bu çok yönlü sistemi adım adım inşa ederken karşılaşacağınız zorlukları aşmanız ve başarılı bir uygulamaya imza atmanız için gerekli tüm araçları sunacağız.

Puanlama Ajanı Geliştirmenin Temel Adımları: Veri ve Özellikler

Başarılı bir yapay zeka puanlama ajanı geliştirmek, sağlam bir temel olan veri hazırlığı ve özellik mühendisliği ile başlar. Bu aşamalar, modelin ne kadar etkili ve doğru tahminler yapacağını doğrudan belirler. Ham veriyi işleyerek, modelin anlayabileceği ve öğrenebileceği anlamlı bir formata dönüştürmek, tüm projenin başarısı için kritik öneme sahiptir.

Veri Toplama, Temizleme ve Ön İşleme Süreci Nasıl İşler?

Her YZ projesinin temelinde kaliteli veri yatar. Bu adımda, modelimizin öğreneceği ve tahminler yapacağı veri setini oluştururuz. Veri toplama, çeşitli dahili ve harici kaynaklardan (veritabanları, API’ler, açık veri setleri) yapılabilir. Örneğin, bir kredi puanlama ajanı için müşteri demografik bilgileri, gelir/gider verileri, kredi geçmişleri toplanır. Verilerin KVKK ve GDPR gibi yasal düzenlemelere uygun olarak toplanması büyük önem taşır.

Toplanan veriler genellikle eksik, hatalı veya tutarsız olabilir. Bu nedenle veri temizleme kritik bir adımdır:

• Kayıp Değerler: Eksik veriler (NaN), ortalama, medyan veya mod ile doldurulur (imputation) ya da ilgili satırlar çıkarılır.
• Aykırı Değerler (Outliers): Genel örüntüden sapan değerler tespit edilmeli ve uygun şekilde yönetilmelidir (örneğin, logaritmik dönüşüm, kırpma).
• Tutarsızlıklar: Aynı bilginin farklı formatlarda kaydedilmesi standartlaştırılır (örn. “İstanbul”, “İst.” -> “İstanbul”).

Veri ön işleme, temizlenmiş verinin makine öğrenimi algoritmaları için uygun hale getirilmesidir:

• Kategorik Verilerin İşlenmesi: “Cinsiyet” veya “Eğitim” gibi metinsel kategoriler, One-Hot Encoding ile sayısal formata dönüştürülür.
• Sayısal Verilerin Ölçeklendirilmesi: Farklı ölçeklerdeki sayısal özellikler (örn. yaş ve gelir), StandardScaler (ortalama 0, standart sapma 1) veya MinMaxScaler (0-1 arasına ölçekleme) ile normalize edilir.

import pandas as pd
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline

# Örnek veri seti oluşturma
data = {
    'Yaş': [25, 30, None, 45, 50],
    'Gelir': [5000, 7000, 3000, 8000, 12000],
    'Eğitim': ['Üniversite', 'Lise', 'Üniversite', 'Yüksek Lisans', 'Lise'],
}
df = pd.DataFrame(data)

numeric_features = ['Yaş', 'Gelir']
categorical_features = ['Eğitim']

numeric_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='median')), 
    ('scaler', StandardScaler()) 
])

categorical_transformer = Pipeline(steps=[
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

preprocessor = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numeric_features),
        ('cat', categorical_transformer, categorical_features)
    ])

processed_data = preprocessor.fit_transform(df)
# processed_df = pd.DataFrame(processed_data, columns=preprocessor.get_feature_names_out())
# print(processed_df.head())

Etkili Özellik Mühendisliği ile Model Performansını Nasıl Artırırız?

Özellik mühendisliği, ham veriden modelin öğrenmesi için daha anlamlı ve tahmin gücü yüksek yeni özellikler oluşturma sürecidir. Bu adım, modelin performansını önemli ölçüde artırabilir ve bazen karmaşık algoritmaların önüne bile geçebilir. Alan bilgisi (domain knowledge) bu aşamada altın değerindedir.

Yaygın Teknikler:

• Yeni Özellikler Oluşturma: Mevcut özelliklerin birleşiminden veya matematiksel dönüşümlerinden yeni özellikler türetme. Örneğin, "borç/gelir oranı", "yaş * gelir" gibi etkileşim özellikleri.
• Tarih/Zaman Tabanlı Özellikler: Bir tarih sütunundan "haftanın günü", "ayın günü", "iş günü mü?" gibi bilgiler çıkarma.
• Binning (Gruplama): Sürekli sayısal özellikleri belirli aralıklara bölerek kategorik özelliklere dönüştürme (örn. "Yaş"ı "Genç", "Orta Yaşlı" gibi gruplara ayırma).
• Boyut İndirgeme: Gereksiz veya birbiriyle yüksek korelasyonlu özelliklerin azaltılması için Temel Bileşenler Analizi (PCA) veya özellik seçimi yöntemleri.

import pandas as pd
import numpy as np

data = {
    'MusteriYasi': [30, 45, 22, 55, 38],
    'AylıkGelir': [5000, 7500, 3000, 10000, 6000],
    'AylıkGider': [2000, 4000, 1500, 6000, 3000],
}
df_fe = pd.DataFrame(data)

# Yeni Özellikler Oluşturma
df_fe['BorcGelirOrani'] = df_fe['AylıkGider'] / df_fe['AylıkGelir']
df_fe['GelirNetligi'] = df_fe['AylıkGelir'] - df_fe['AylıkGider']

# Yaş Kategorisi (Binning)
bins = [0, 25, 40, 60, np.inf]
labels = ['Genç', 'Orta Yaşlı', 'Yetişkin', 'Emekli']
df_fe['YasKategorisi'] = pd.cut(df_fe['MusteriYasi'], bins=bins, labels=labels, right=False)

# print(df_fe.head())

Uzman İpucu: Özellik mühendisliği yaparken iş birimlerindeki uzmanlarla iş birliği yaparak hangi özelliklerin iş açısından anlamlı olabileceğine dair içgörüler edinin. Bazen basit bir oran, karmaşık bir modelden daha iyi sonuçlar verebilir.

Model Seçimi, Eğitimi ve Performans Değerlendirmesi Nasıl Yapılır?

Veri hazırlığı ve özellik mühendisliği tamamlandıktan sonra, puanlama ajanımızın kalbi olacak makine öğrenimi modelini seçme, eğitme ve performansını değerlendirme aşamasına geçiyoruz. Bu adımlar, modelin doğru ve güvenilir tahminler yapabilmesini sağlamak için kritik öneme sahiptir.

Doğru Makine Öğrenimi Modeli Seçimi ve Eğitimi

Model seçimi yaparken problem türü (sınıflandırma, regresyon), veri setinin büyüklüğü ve yapısı, modelin açıklanabilirlik gereksinimleri gibi faktörler göz önünde bulundurulur. Puanlama ajanları genellikle bir olayın olasılığını tahmin ettiği için sınıflandırma algoritmaları kullanılır:

• Lojistik Regresyon: Basit, hızlı ve yorumlanabilir. Doğrusal ilişkiler için iyidir.
• Rastgele Orman (Random Forest): Birçok karar ağacının birleşimiyle oluşur, aşırı öğrenmeyi azaltır ve genellikle iyi performans gösterir.
• Gradient Boosting Makineleri (XGBoost, LightGBM): Çok güçlü ve popüler algoritmalar olup, karmaşık ilişkileri yakalamada etkilidirler.

Model seçildikten sonra, veriyi eğitim ve test setleri olarak ayırırız (genellikle %70-80 eğitim, %20-30 test). Eğitim seti, modelin örüntüleri öğrenmesi için kullanılırken, test seti modelin daha önce görmediği veriler üzerindeki genelleme yeteneğini değerlendirmek için kullanılır. K-katlı çapraz doğrulama, modelin farklı veri alt kümelerinde ne kadar iyi genellenebildiğini değerlendirmek için kullanılan bir tekniktir. Hiperparametre optimizasyonu (Grid Search, Random Search) ise modelin performansını daha da ince ayarlamak için kullanılır.

import numpy as np
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.ensemble import RandomForestClassifier

# Örnek veri (daha önce ön işlenmiş ve özellik mühendisliği yapılmış gibi varsayalım)
X_data = np.random.rand(1000, 10) 
y_data = np.random.randint(0, 2, 1000) 

X_train, X_test, y_train, y_test = train_test_split(X_data, y_data, test_size=0.2, random_state=42)

model = RandomForestClassifier(random_state=42)

param_grid = {
    'n_estimators': [50, 100], 
    'max_depth': [None, 10], 
}

grid_search = GridSearchCV(estimator=model, param_grid=param_grid, cv=3, scoring='accuracy', n_jobs=-1)
grid_search.fit(X_train, y_train)

best_model = grid_search.best_estimator_
# print(f"En iyi parametreler: {grid_search.best_params_}")

Model Performansını Değerlendirme ve Optimizasyon Stratejileri

Eğitilmiş modelin gerçek dünya senaryolarında ne kadar başarılı olabileceğini anlamak için çeşitli değerlendirme metrikleri kullanılır:

• Doğruluk (Accuracy): Tüm doğru tahminlerin oranıdır. Dengesiz veri setlerinde yanıltıcı olabilir.
• Hassasiyet (Precision): Pozitif olarak tahmin edilenler arasından gerçekten pozitif olanların oranıdır. Yanlış pozitiflerin maliyeti yüksekse önemlidir (örn. dolandırıcılık tespiti).
• Duyarlılık (Recall): Gerçekte pozitif olan tüm durumlar arasından doğru tahmin edilenlerin oranıdır. Yanlış negatiflerin maliyeti yüksekse önemlidir (örn. hastalık teşhisi).
• F1-Skoru: Hassasiyet ve Duyarlılığın harmonik ortalamasıdır. Dengesiz veri setleri için kullanışlıdır.
• AUC-ROC Eğrisi: Modelin farklı eşiklerde pozitif sınıfı ne kadar iyi ayırdığını gösterir. Sınıflandırma eşiğine duyarlı değildir.

Modelin ürettiği olasılıkları ikili karara dönüştürmek için bir karar eşiği (threshold) belirlenir. Bu eşik, iş hedeflerine bağlı olarak optimize edilebilir. Örneğin, dolandırıcılık tespitinde yanlış negatifleri en aza indirmek için (yüksek recall), eşik düşürülebilir.

import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc, accuracy_score, precision_score, recall_score, f1_score
# from Adım 3'teki best_model, X_test, y_test'i kullanıyoruz

y_proba = best_model.predict_proba(X_test)[:, 1] # Pozitif sınıfın olasılıkları

fpr, tpr, thresholds = roc_curve(y_test, y_proba)
roc_auc = auc(fpr, tpr)

# plt.figure(figsize=(8, 6))
# plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC eğrisi (AUC = %0.2f)' % roc_auc)
# plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
# plt.title('ROC Eğrisi')
# plt.show()

# Örnek eşik optimizasyonu
optimal_threshold = 0.3 
y_pred_optimal = (y_proba >= optimal_threshold).astype(int)

# print(f"\nOptimize Edilmiş Eşik ({optimal_threshold}) ile Duyarlılık: {recall_score(y_test, y_pred_optimal):.4f}")
# print(f"Optimize Edilmiş Eşik ({optimal_threshold}) ile Hassasiyet: {precision_score(y_test, y_pred_optimal):.4f}")

Uzman İpucu: Model performansını değerlendirirken, tek bir metriğe odaklanmak yerine iş hedefleriyle uyumlu bir metrik kombinasyonu kullanmak en sağlıklısıdır. Özellikle dengesiz veri setlerinde doğruluk yanıltıcı olabilir.

Puanlama Ajanını Üretime Alma ve Sürekli İzleme

Modelin laboratuvar ortamından çıkıp gerçek dünya problemlerini çözebilmesi için üretime alınması (deployment) ve sürekli olarak izlenmesi hayati öneme sahiptir. Bu aşama, geliştirilen YZ puanlama ajanının iş süreçlerine entegre edilmesini ve zaman içinde güvenilirliğini korumasını sağlar.

Model Dağıtımı (Deployment): Eğitilmiş model, yeni, görünmeyen verilere tahmin atayabileceği bir ortamda çalışır duruma getirilir.

• Modelin Kaydedilmesi: Eğitilmiş model, joblib veya pickle gibi kütüphaneler kullanılarak bir dosyaya kaydedilir.
• API Geliştirme: Flask veya FastAPI gibi web framework'leri ile modelin tahminler yapabileceği bir RESTful API oluşturulur. Gelen HTTP isteği müşteri verilerini içerir, API bu verileri işler, modelle puan üretir ve JSON formatında geri döndürür.
• Kapsayıcılaştırma (Containerization): Model ve bağımlılıklarının farklı ortamlarda tutarlı bir şekilde çalışması için Docker gibi teknolojiler kullanılır.
• Bulut Platformları: AWS SageMaker, Google AI Platform veya Azure ML gibi servisler, model dağıtımını, ölçeklenebilirliği ve yönetimi kolaylaştırır.

# Flask ile basit bir tahmin API'si örneği (Pseudo-code)
from flask import Flask, request, jsonify
import joblib
import pandas as pd
import numpy as np # Mock model için

app = Flask(__name__)

# Mock model ve ön işleyici (gerçekte joblib.load ile yüklenecekti)
class MockModel:
    def predict_proba(self, X):
        return np.array([[1 - np.random.rand(), np.random.rand()] for _ in range(X.shape[0])])
class MockPreprocessor:
    def transform(self, data):
        return pd.DataFrame(data).iloc[:, :3].values
best_model, preprocessor = MockModel(), MockPreprocessor()


@app.route('/predict_score', methods=['POST'])
def predict_score():
    if not request.json:
        return jsonify({'error': 'JSON verisi gerekli'}), 400
    try:
        input_df = pd.DataFrame([request.json])
        processed_input = preprocessor.transform(input_df)
        prediction_proba = best_model.predict_proba(processed_input)[:, 1][0]
        return jsonify({'score': float(prediction_proba)}), 200
    except Exception as e:
        return jsonify({'error': str(e)}), 500

if __name__ == '__main__':
    # app.run(debug=True, port=5000)
    pass # Bu kısım sadece geliştirme içindir, makalede çalıştırılmaz

Model İzleme (Monitoring): Model üretime alındıktan sonra performansının düzenli olarak izlenmesi, modelin güncelliğini kaybetmesini (model drift) engellemek için kritik öneme sahiptir.

• Performans Metriklerinin İzlenmesi: Doğruluk, hassasiyet gibi metrikler belirli aralıklarla (günlük/haftalık) karşılaştırılarak trendler izlenir.
• Veri Sapması (Data Drift) Tespiti: Modelin eğitildiği veri dağılımı ile gerçek zamanlı gelen veri dağılımı arasındaki farklılıklar tespit edilir. Bu, modelin yeniden eğitilmesi gerektiğini gösterebilir.
• Açıklanabilirlik (Explainable AI - XAI): Modelin neden belirli bir puanı verdiğini anlamak için SHAP veya LIME gibi araçlar kullanılır. Bu, hem güveni artırır hem de olası önyargıları tespit etmeye yardımcı olur.

Mobil Uyumlu Raporlama için Media Query Örneği:
Puanlama sonuçlarının sunulduğu panoların mobil cihazlarda da düzgün görünmesi için responsive tasarım önemlidir. CSS media query'ler ekran boyutuna göre stil kurallarını uyarlar:

/* styles.css veya head etiketindeki style bloğu içinde */
.dashboard-container {
    display: grid;
    grid-template-columns: 1fr 1fr; /* Geniş ekranlar için 2 sütun */
    gap: 20px;
}
@media screen and (max-width: 768px) {
    .dashboard-container {
        grid-template-columns: 1fr; /* Mobil için tek sütun */
        gap: 15px;
    }
}

İleri Düzey Teknikler ve Gelecek Trendleri Nelerdir?

Yapay zeka alanındaki sürekli gelişim, puanlama ajanlarının yeteneklerini daha da genişletiyor. Temel bir ajan oluşturduktan sonra, performansını daha ileriye taşımak veya daha karmaşık problemlerle başa çıkmak için ileri düzey tekniklere yönelmek önemlidir.

• Derin Öğrenme Modelleri: Özellikle yapılandırılmamış veriler (metin, ses) veya çok karmaşık ilişkiler içeren büyük yapılandırılmış veri setleri için Evrişimli Sinir Ağları (CNN) veya Tekrarlayan Sinir Ağları (RNN) gibi derin öğrenme modelleri kullanılabilir. Örneğin, müşteri yorumlarından memnuniyet puanı çıkarmak gibi durumlarda derin öğrenme, gizli örüntüleri yakalamada üstünlük sağlar.
• Transfer Öğrenimi: Veri setinin sınırlı olduğu durumlarda, önceden benzer bir görev üzerinde eğitilmiş büyük bir modelin ağırlıklarını alarak kendi verimize uyarlamak (fine-tuning). Bu, model geliştirme sürecini hızlandırır ve performansı artırır.
• Takviyeli Öğrenme (Reinforcement Learning): Dinamik ortamlarda (örn. yatırım portföyü optimizasyonu), modelin aksiyonlar alıp geri bildirimlere göre kendini güncellemesini sağlayarak daha adaptif puanlama sistemleri oluşturur.
• Etik Yapay Zeka ve Önyargı Azaltma: Özellikle hassas alanlarda kullanılan YZ puanlama ajanlarının adil, şeffaf ve sorumlu olduğundan emin olmak için önyargı tespiti ve azaltma teknikleri kullanılır. Modelin kararlarının açıklanabilir olması (XAI) bu konuda kritik rol oynar.
• Otomatik Makine Öğrenimi (AutoML): Veri ön işleme, özellik mühendisliği, model seçimi ve hiperparametre optimizasyonu gibi ML pipeline'ının birçok adımını otomatikleştirerek zaman kazandırır ve uzman olmayanların bile yüksek performanslı modeller oluşturmasını sağlar.
• Federasyonlu Öğrenme (Federated Learning): Veri gizliliğinin ön planda olduğu durumlarda, hassas verilerin merkezi bir konuma taşınmadan, birden fazla kurum veya cihazın yerel verileri üzerinde model eğitip sadece model güncellemelerini paylaşarak global bir model oluşturma yaklaşımıdır.

Bu ileri düzey teknikler, YZ puanlama ajanlarının yeteneklerini genişletirken, daha karmaşık etik ve operasyonel zorlukları da beraberinde getirir. Bu alandaki sürekli öğrenme ve adaptasyon, başarılı bir YZ profesyoneli olmanın anahtarıdır.

Sıkça Sorulan Sorular (SSS)

Yapay zeka puanlama ajanları hakkında sıkça merak edilen sorular ve yanıtları:

1. Puanlama ajanı geliştirmek ne kadar sürer?

   Projenin karmaşıklığına, veri setinin büyüklüğüne ve kalitesine göre değişir. Basit bir prototip birkaç haftada oluşturulabilirken, kurumsal düzeyde bir ajan geliştirmek ve üretime almak aylar sürebilir. Veri toplama ve temizleme genellikle en çok zaman alan kısımdır.

2. Hangi programlama dilleri ve kütüphaneleri tercih edilir?

   Python, YZ ve makine öğrenimi projelerinde açık ara en popüler dildir. Pandas (veri manipülasyonu), NumPy (sayısal işlemler), Scikit-learn (klasik algoritmalar), TensorFlow/Keras ve PyTorch (derin öğrenme), Matplotlib/Seaborn (görselleştirme) ve Flask/FastAPI (API geliştirme) başlıca kullanılan kütüphanelerdir.

3. Küçük ve orta ölçekli şirketler (KOBİ) de YZ puanlama ajanlarını kullanabilir mi?

   Kesinlikle evet. Bulut tabanlı YZ hizmetleri ve açık kaynak kütüphaneleri sayesinde KOBİ'ler de müşteri churn tahmini, satış potansiyeli belirleme veya stok optimizasyonu gibi alanlarda YZ'den faydalanabilir. Daha küçük veri setleri için bile değer yaratılabilir.

4. Veri gizliliği ve güvenliği nasıl sağlanır?

   Veri gizliliği ve güvenliği, YZ projeleri için en kritik konulardandır. Verilerin anonimleştirilmesi, erişim kontrolleri, şifreleme, KVKK/GDPR gibi yasal uyum, güvenli dağıtım ortamları ve federasyonlu öğrenme gibi teknikler kullanılarak sağlanır.

5. Bir model ne sıklıkla güncellenmeli veya yeniden eğitilmeli?

   Modelin güncelleme sıklığı, "model drift" hızı ve veri dinamiklerine bağlıdır. Finans gibi hızla değişen sektörlerde haftalık veya aylık güncelleme gerekebilirken, daha stabil ortamlarda daha uzun aralıklar yeterli olabilir. Sürekli model izleme, yeniden eğitim zamanını belirlemede anahtar rol oynar.