AKILTA / AI & AUTOMATION

Tekrarlayan ve dağınık işleri kontrollü otomasyon ve AI destekli sistemlere dönüştürüyoruz.

Her probleme AI eklemeyiz. Önce iş akışını, veriyi, mevcut araçları ve hata toleransını anlarız; basit otomasyon yeterliyse onu, AI gerçekten değer katıyorsa uygun model ve human-review sınırlarıyla onu kurarız.

İş akışını değerlendirelim
CONTROL LOOP01—06
01INPUTKaynak · veri
02RULE / MODELOtomasyon veya AI
03CHECKDoğrulama
04APPROVALİnsan onayı gerektiğinde
05ACTIONSınırlı işlem
06OBSERVELog · hata · iyileştirme

Bu şema bir müşteri deployment’ı değildir; kontrollü otomasyon tasarımında kullandığımız karar katmanlarını gösterir.

01 / UYGUN PROBLEMLER

AI’dan önce tekrarlanan işi ve karar noktasını buluruz.

01

Tekrarlayan operasyon

Aynı veriyi sistemler arasında taşımak, durum güncellemek, belge/mesaj sınıflandırmak veya standart takip adımlarını yürütmek.

02

Dağınık bilgi

Bir görevi tamamlamak için e-posta, CRM, dosya, commerce veya başka araçlardan bilgi toplamak ve ortak bağlama dönüştürmek.

03

İnsan destekli karar

Modelin taslak, özet, sınıflandırma veya öneri ürettiği; kritik kararın veya aksiyonun insanda kaldığı akışlar.

04

Sistem orkestrasyonu

Bir olayın birden fazla API, webhook, job veya operasyon aracında kontrollü adımları tetiklemesi.

02 / DOĞRU ARAÇ

Kural tabanlı otomasyon yeterliyse model çağırmayız.

AI; belirsiz dil, sınıflandırma, içerik üretimi veya esnek yorum gerektiğinde değer katabilir. Net kurallar, kesin hesaplama ve değişmeyen workflow’larda geleneksel otomasyon daha öngörülebilir olabilir.

AUTOMATION

Net kural / net sonuç

  • Webhook ve API senkronizasyonu
  • Durum / kayıt güncelleme
  • Takvimli veya olay tabanlı işler
  • Deterministik kontrol ve routing
AI-ASSISTED

Belirsiz girdi / kontrollü yorum

  • Özetleme ve sınıflandırma
  • Taslak ve öneri üretimi
  • Doğal dil arayüzleri
  • Human-review öncesi karar desteği

03 / BOUNDARIES

Modelin ne gördüğü, ne ürettiği ve ne yapabildiği açıkça sınırlandırılmalı.

INPUTVeri erişimi

Görev için gerçekten gereken veri kaynakları, hassasiyet ve minimizasyon ihtiyacı.

MODELYetenek & limit

Model seçimi; kalite, maliyet, latency, context ve hata toleransına göre yapılır.

OUTPUTDoğrulama

Çıktının formatı, kabul kriteri ve gerekiyorsa deterministic kontrol katmanı.

ACTIONYetki sınırı

Modelin doğrudan değiştirebileceği alanlar ile onay gerektiren kritik aksiyonlar ayrılır.

04 / HUMAN CONTROL

Yüksek etkili işlemlerde “AI karar verdi” yeterli bir kontrol değildir.

Hata maliyeti yükseldikçe approval, preview, reversible action, audit trail veya fail-safe davranışı da güçlenmelidir. İnsan onayının nerede gerekli olduğu use case ve risk üzerinden belirlenir; gereksiz approval ile otomasyonu etkisiz hale getirmeyiz.

  1. LOWTaslak / öneriİnsan kullanır veya reddeder
  2. MEDIUMSınırlı otomasyonKurallar + log + geri alma
  3. HIGHKritik aksiyonApproval / stronger safeguards

05 / INTEGRATION

Değer çoğu zaman modelden değil, iş akışına doğru bağlanmasından gelir.

01

APIs & webhooks

Mevcut sistemlerden olay ve veri alma; sonucu doğru sisteme kontrollü biçimde geri yazma.

02

Jobs & queues

Uzun süren veya tekrar denenmesi gereken işleri kullanıcı isteğinden ayırıp görünür durumlarla çalıştırma.

03

Approval surfaces

Kritik öneri veya aksiyonları, insanın bağlamı görüp onaylayabileceği arayüzlere taşıma.

04

Monitoring & fallback

Hata, timeout, model/provider problemi veya beklenmeyen çıktı durumunda log, retry, fallback ya da güvenli durma davranışı.

06 / EXAMPLES

Örnek kullanım desenleri — müşteri deployment iddiası değil.

Aşağıdaki desenler neyin geliştirilebileceğini anlatır. Akilta’nın bunları belirli bir müşteri için canlıda çalıştırdığına veya belirli sonuç ürettiğine dair kanıt olarak okunmamalıdır.

PATTERN 01Talep sınıflandırma + yönlendirmeEmail / form → classify → rule check → owner
PATTERN 02İçerik taslağı + onayContext → draft → human edit → publish
PATTERN 03Operasyon özetiSystems → aggregate → summarize → review
PATTERN 04Doğal dil görev arayüzüIntent → plan → permission → action

07 / DELIVERY LOOP

Understand → Plan → Prototype → Validate → Integrate → Observe

  1. 01Understandİş akışı · hata maliyeti
  2. 02PlanRule vs AI · veri · approval
  3. 03PrototypeDar use case · gerçek örnekler
  4. 04ValidateKalite · edge case · maliyet
  5. 05IntegrateSistem · yetki · fallback
  6. 06ObserveLog · feedback · iyileştirme

08 / FAQ

AI otomasyonuna başlamadan önce.

Her otomasyon için AI gerekli mi?

Hayır. Net ve deterministik kurallarda klasik otomasyon daha basit, ucuz ve öngörülebilir olabilir. AI yalnız belirsiz veya dil ağırlıklı girdide gerçekten değer katıyorsa eklenir.

AI sistemi tamamen otonom çalışabilir mi?

Bazı düşük riskli adımlar otomatik olabilir, ancak otonomi use case, hata maliyeti, yetki ve geri alma imkanına göre sınırlandırılır. Kritik işlemlerde human approval veya başka korumalar gerekebilir.

Hangi AI modelini kullanıyorsunuz?

Modeli marka alışkanlığına göre değil; görev kalitesi, veri erişimi, context, latency, maliyet, provider yeteneği ve risk gereksinimine göre seçeriz. Gerektiğinde birden fazla sağlayıcı veya deterministic katman birlikte kullanılabilir.

Gizli veriler AI’a gönderilir mi?

Bu, tasarım kararıdır; varsayılan olarak “evet” denmez. Görev için gereken veri, minimizasyon, provider koşulları, erişim, retention ve hukuki/privacy gereksinimleri değerlendirilmeden veri akışı kesinleştirilmez.

09 / START

AI özelliğini değil, tekrarlayan işi ve karar noktasını anlatın.

Kısa brief ile workflow, veri, mevcut sistemler, hata toleransı ve insan onayı ihtiyacını görünür hale getirip otomasyon, AI-assisted akış veya discovery yolunu seçelim.

İş akışını değerlendirelim