Dijital Zekaya Yön Verenler

Müşteri deneyiminden tedarik zincirine, üretimden eğitime… CIO’lar, yapay zekayla geleceği bugünden inşa ediyor. CIO Ödülleri 2025 kazananları, yapay zekanın sınırlarını zorlayan projeleri ve dönüşüm hikâyeleriyle bu sayıda!

Yapay zeka, artık iş dünyasında geleceğe dair bir vizyon değil, bugünün rekabet avantajı. CIO Ödülleri 2025 kapsamında ödüllendirilen projeler, sektörlerin dijital dönüşümünde çıtayı bir adım öteye taşıyan liderlik hikâyelerini ve teknoloji vizyonlarını ortaya koyuyor. Bu yılın projeleri, müşteri deneyiminden tedarik zinciri optimizasyonuna, üretim süreçlerinden finansal tahminlemeye kadar geniş bir yelpazede yapay zekanın sunduğu olanakları somut sonuçlara dönüştürdü.

Kapsayıcı yapay zeka mimarileri, büyük veri analitiği, makine öğrenimi modelleri ve doğal dil işleme gibi teknolojilerle şekillenen bu başarı hikâyeleri sadece kurumlarına değil, aynı zamanda sektörlerine de ilham veriyor. Dosya konumuzda ise ödül alan CIO’ların projelerine dair teknik detaylardan çok daha fazlası var: Yapay zekaya dair öngörüler, veriyle karar almanın evrimi ve 2026 ufkunda onları bekleyen stratejik hedefler…

Abdurrahman Kılınç – DeFacto CIO’su

DeFacto VisionPDKS

“İK süreçlerinin bütünlüğünü ve doğruluğunu artırıyoruz”

Projemizle insan kaynakları süreçlerimizi dijitalleştirerek daha verimli, şeffaf ve hatasız bir yapı kurmayı hedefledik. Bu proje kapsamında öncelikli amacımız; personel devam takibini manuel yöntemlerden arındırarak otomatik ve entegre bir sisteme taşımaktı. Geleneksel takip süreçlerinde karşılaşılan zaman kaybı, veri hataları ve operasyonel aksaklıklar bu dönüşüm ihtiyacını açıkça ortaya koydu. Bu doğrultuda geliştirdiğimiz PDKS (Personel Devam Kontrol Sistemi) çözümüyle; çalışanlarımızın giriş-çıkış saatleri, fazla mesai süreleri ve devamsızlık bilgileri artık otomatik olarak kaydediliyor. Böylece yalnızca operasyonel yükü azaltmakla kalmıyor, aynı zamanda insan kaynakları süreçlerinin bütünlüğünü ve doğruluğunu artırıyoruz. Projemiz yalnızca iç verimliliği artırmakla sınırlı değil. Aynı zamanda SaaS tabanlı yazılımlarla entegre çalışabilen yapısıyla izlenebilirlik, kontrol ve analiz olanaklarını da genişletiyor. Bu sayede hem anlık raporlama hem de uzun vadeli kaynak planlaması çok daha sağlıklı bir şekilde yönetilebiliyor. 

Mevcut proje fazımızda doğrudan bir yapay zeka entegrasyonu gerçekleştirmedik. Öncelikli hedefimiz; QR kod tabanlı sistemle giriş-çıkışların hızlı, hatasız ve regülasyonlara uygun şekilde yönetilmesi ve puantaj süreçlerinin otomasyonu oldu. Ancak biz teknolojiyi yalnızca bugünün ihtiyaçları için değil, geleceğin potansiyeli doğrultusunda konumlandırıyoruz. Bu doğrultuda, sistemimizi yapay zekayla entegre edilebilir yapıda tasarladık. Yakın vadede iki önemli uygulamayı devreye almayı planlıyoruz: Anomali tespiti ile olağan dışı davranışların belirlenmesi ve tahmine dayalı analizlerle insan kaynağı planlamasında daha stratejik bir bakış açısı kazanmak.

“2,5–3 milyon $ lisans ve implementasyon maliyetinden tasarruf sağladık”

Veri yönetimini projemizin sürdürülebilirliği ve ölçeklenebilirliği açısından stratejik bir unsur olarak ele aldık. Çalışan hareketleri, in-house geliştirilen mobil uygulama ve PDKS SPA altyapısıyla QR kod üzerinden anlık olarak sisteme aktarılıyor. Bu sayede çalışma saatleri yüksek doğrulukla hesaplanıyor, raporlanabilir hale geliyor. Veri düzenlemeleri ise “Mobil Onay” mekanizmasıyla dijital ortamda yönetici onayı alınarak tamamlanıyor. Bu yapı süreçleri hızlandırırken hata riskini en aza indiriyor. Henüz model eğitimi süreci yürütmesek de oluşturduğumuz sağlam veri altyapısı, yapay zeka tabanlı analizler için güçlü bir zemin hazırlıyor.

Proje sonucunda hem finansal hem de operasyonel anlamda ölçülebilir faydalar elde ettik. Kartlı ve biyometrik sistemler yerine geliştirdiğimiz QR çözümüyle 315.000 $ capex, in-house yazılım geliştirme ile 2,5–3 milyon $ lisans ve implementasyon maliyetinden tasarruf sağladık. Islak imza süreçlerini dijitalleştirerek mağaza başına aylık 1,08 saat, manuel puantajların kaldırılmasıyla ise toplamda aylık 22,5 saat iş gücü kazancı elde ettik. Ayrıca ayda 6.500 sayfa kağıt ve 3.600 kargo gönderimi ortadan kalktı. Bu kazanımlar, süreç verimliliğini artırırken İK ekiplerimizin stratejik alanlara odaklanmasına da olanak tanıdı.

“Yapay zeka temelli dijital asistanların çok daha yaygın kullanıldığı bir döneme gireceğiz”

Perakende sektörü, yapay zeka ve veri analitiği açısından belki de en hızlı dönüşüm yaşayan alanlardan biri. Biz de bu dönüşümün içinde proaktif biçimde yer alıyoruz. Çünkü bugün perakendede rekabet yalnızca ürünle değil, veriyi nasıl yönettiğiniz ve içgörüyü nasıl aksiyona dönüştürdüğünüzle şekilleniyor. Yapay zeka ve gelişmiş analitik, müşteri davranışlarını daha derinlemesine anlamaktan kişiselleştirilmiş deneyimler sunmaya, talep tahmininden dinamik fiyatlandırma stratejilerine kadar çok geniş bir alanda katma değer yaratıyor. Özellikle stok optimizasyonu ve operasyonel verimlilik gibi süreçlerde makine öğrenmesi destekli sistemlerin sunduğu öngörüler, hem hız hem de doğruluk açısından insan kararlarının çok ötesine geçebiliyor. Gelişen büyük veri işleme teknolojileri ve makine öğrenimi algoritmalarındaki ilerlemeler sayesinde artık geçmişe bakarak değil, geleceği tahmin ederek hareket etmek mümkün hale geliyor. Bu da bize, müşteri ihtiyaçlarını önceden görüp yanıt verebilme esnekliği kazandırıyor.

İçinde bulunduğumuz dönem, hem iş gücü hem de operasyonel verimlilik açısından büyük bir dönüşüm sürecinin eşiğinde. 2026 itibarıyla bu dönüşümün en belirleyici itici gücünün yapay zeka destekli agent’lar olacağını öngörüyoruz. Özellikle görev bazlı süreçlerde yapay zeka temelli dijital asistanların çok daha yaygın kullanıldığı, hatta iş yapış şekillerini yeniden tanımladığı bir döneme gireceğimizi düşünüyorum. Bu gelişimin önünü açan iki ana unsur var. İlki, yapay zeka agent’ların sunduğu hizmetlerin hızla çeşitlenmesi. Artık sadece bilgiye ulaşmak değil, karar vermek, öneri üretmek ve aksiyon almak da bu sistemlerin kapsama alanına giriyor. İkinci olarak da bu yeni dünyanın dinamiklerine uyum sağlayabilmek için organizasyonların kendi süreçlerini baştan sona, radikal bir şekilde gözden geçirmeleri gerekecek. Yani bizi bekleyen dönem; kurumsal reflekslerimizin, süreç tasarımlarımızın ve karar mekanizmalarımızın yeniden yapılanacağı bir dönem olacak. Bu noktada “bu süreç zaten verimli çalışıyor” ya da “yapay zeka bu alana entegre olur mu?” gibi sınır koyucu düşüncelerden uzak durmamız gerektiğine inanıyorum. Gelecek; sorgulayan değil, deneyen ve adapte olan kurumların olacak.

Ali İlker Yüceer – Saruhan Holding BT ve Dijital Dönüşüm Direktörü

Yapay Zeka Teknolojisi ile Dudak Senkronizasyonlu Çok Dilli Video Dublaj Projesi

“Dil bariyerlerini ortadan kaldırmak ve içerik erişilebilirliğini artırmayı hedefledik”

Projemiz ile yapay zeka (AI) destekli dudak senkronizasyonu teknolojisini kullanarak video içeriklerinde daha doğal ve akıcı dublaj çözümleri sunmayı amaçladık. Geleneksel dublaj tekniklerine kıyasla daha gerçekçi bir deneyim sunarak dil bariyerlerini ortadan kaldırmak ve içerik erişilebilirliğini artırmayı hedefledik. Ayrıca Delonghi ürünlerimiz ile ilgili başka dillerde çekilmiş film, tanıtım ve teknik servis videolarını Türkçe diline çevirerek maliyet, zaman ve iş gücü kazancı elde etmeyi amaçladık.

Projemizde, derin öğrenme ve doğal dil işleme (NLP) tekniklerini kullanarak videolardaki yüz hareketlerini analiz eden ve senkronize dublaj sağlayan bir yapay zeka modeli üzerine yoğunlaştık. Ayrıca:

• Yapay zeka destekli ses klonlama ve sentezleme,
• Dudak hareketlerini analiz eden derin öğrenme algoritmaları,
• Metinden sese (TTS) dönüşüm teknolojisi,
• Gerçek zamanlı dudak senkronizasyonu,
• Çok dilli destek ve otomatik çeviri entegrasyonu gibi teknolojileri kullandık.

Süreç ise şu şekilde işledi:

1. Veri Toplama
   
   Video ve Ses Kaynakları Seçimi

• Yüksek kaliteli videolar seçildi (4K veya en az 1080p çözünürlük).
• Çeşitli yüz ifadeleri, ağız hareketleri ve diksiyon stilleri içeren geniş bir veri seti oluşturuldu.
• Orijinal ses dosyaları (genellikle WAV formatında, 16kHz veya 48kHz) doğrudan videolardan ayrıştırıldı.
• Çok dilli kaynaklar seçildiyse her dil için özel veri etiketleri yapıldı (Örn: İngilizce, Türkçe vb.).
  
  Manuel Etiketleme

• Her videonun zaman kodları ile konuşulan kelimeler eşlendi. Forced Alignment kullanıldı (Örn: Montreal Forced Aligner veya Gentle gibi araçlarla).
• Dudak pozisyonlarının kare bazında etiketlenmesi gerekiyorsa, manuel işaretleme veya otomatik landmark tespiti (dlib, MediaPipe Face Mesh) ile yapıldı.

2. Veri İşleme
   
   Preprocessing (Ön İşlem Adımları)

• Yüz bölgesi crop edildi (özellikle ağız çevresi).
• Kareler normalize edildi (boyut, parlaklık, renk düzeltmesi).
• Ses sinyali temizlendi (gürültü azaltma, normalizasyon).
• Zaman senkronizasyonu sağlandı (video ve ses kayması varsa düzeltilerek).
  
  Data Augmentation (Veri Zenginleştirme)

• Farklı ışıklandırmalar, hafif yüz döndürmeleri ve ses pitch değişimleri simüle edildi.
• Zorlayıcı veri oluşturuldu: Arka plan gürültülü sesler, düşük çözünürlüklü videolar gibi.

3. Model Eğitimi
   
   Model Seçimi

Dudak senkronizasyonu için genellikle şu mimarilerden biri kullanıldı:

• Temporal Convolutional Networks (TCN)
• Transformer tabanlı encoder-decoder yapılar
• 3D CNN + LSTM kombinasyonları
• GAN tabanlı modeller (Örn: Wav2Lip gibi)
  
  Eğitim Süreci

• Input: Ses spektrogramı + hedef video karesi veya kare sekansı.
• Output: Dudak bölgesindeki landmark tahminleri veya doğrudan ağız görüntüsü oluşturma.
  
  Loss Fonksiyonları
• SyncNet loss (ses ve video akışlarının eşleşmesini kontrol eder).
• Reconstruction loss (üretilen video gerçeğe ne kadar yakın?).
• Perceptual loss (insan gözüne göre kalite ölçümü).
  
  Hyperparameter Tuning

• Öğrenme oranı (learning rate), batch size, optimizer seçimi (Adam, AdamW) gibi parametrelerde optimizasyon denemeleri yapıldı.
• Validation veri setinde erken durdurma (early stopping) ve model checkpoint sistemleri kuruldu.

4. Optimizasyon ve Sonuçların İyileştirilmesi
   
   Model Sıkıştırma

Eğer edge device deployment (telefon, tablet gibi) gerekiyorsa:

• Quantization (8-bit’e düşürme)
• Pruning (gereksiz ağırlıkların atılması)
• Knowledge Distillation (küçük öğrenci model eğitimi)
  
  Fine-Tuning
• Spesifik bir ses sanatçısının sesi veya belirli bir aksan için model küçük veriyle tekrar eğitildi.
  
  Görsel Kalite İyileştirmeleri
• Super-resolution teknikleri ile video kareleri iyileştirildi.
• Post-processing ile video ve ses arasındaki minimal gecikmeler sıfırlandı (Örn: Dynamic Time Warping gibi tekniklerle).

Projenin şirketimize sağladığı en somut faydalar ise şunlar oldu;

• Maliyet ve Zaman Tasarrufu: Geleneksel dublaj süreçlerine kıyasla daha hızlı ve düşük maliyetli çözüm.
• Erişilebilirlik: Farklı dillerde içerik sunarak küresel kitlelere erişim sağlama.
• Yenilikçi Kullanım Alanları: Eğitim, reklamcılık ve kurumsal iletişim gibi çeşitli alanlarda kullanım imkânı.
• Rekabet Avantajı: Rakip çözümlerden farklı olarak gerçek zamanlı uyum ve çok dilli destek. kendi sesini kullanan, kişiselleştirilmiş dublaj seçenekleri, otomatik çeviri ile genişletilmiş içerik erişimi.

“İnsanlar yalnızca bir cihaz değil, kişiselleştirilmiş bir kullanım deneyimi satın almak istiyor”

Elektrikli ev aletleri sektöründe yapay zeka (AI) ve analitik alanındaki değişimler son yıllarda ciddi şekilde hızlandı. Özellikle 2023-2025 döneminde öne çıkan değişimleri şöyle özetleyebilirim:

1. Ürünlerde Yapay Zeka Entegrasyonu

• Akıllı Cihazlar: Elektrikli süpürgeler, fırınlar, çamaşır makineleri gibi ürünler, kullanım alışkanlıklarını öğrenen ve önerilerde bulunan AI algoritmaları ile geliştiriliyor. (Örn: Robot süpürgenin ev haritası çıkarıp rota optimizasyonu yapması gibi.)
• Sesli Asistan Entegrasyonu: Alexa, Google Assistant, Siri gibi platformlarla uyumlu çalışan cihazlar standart hale gelmeye başladı.
• Özelleştirilmiş Kullanıcı Deneyimi: AI, kullanıcının geçmiş kullanım verilerine göre program öneriyor (Örn: çamaşır makinesinin yük ve kirlilik derecesine göre otomatik program seçmesi).

2. Veri Analitiği Kullanımı

• Müşteri Davranış Analizi: Satış sonrası veriler; kullanım sıklığı, bakım ihtiyaçları gibi bilgiler analitik araçlarla analiz edilerek yeni ürün geliştirme ve pazarlama stratejileri oluşturuluyor.
• Proaktif Servis ve Bakım: IoT cihazlardan gelen verilerle cihaz arızaları tahmin edilip müşteri şikâyeti oluşmadan önce müdahale edilebiliyor.
• Ürün İyileştirme Döngüsü: Toplanan kullanım verileri, hangi özelliklerin popüler olduğunu veya hangi arızaların sık yaşandığını analiz ederek Ar-Ge süreçlerine yön veriyor.

3. Üretim ve Lojistikte AI Kullanımı

• Akıllı Üretim Tesisleri: Üretim hatlarında görüntü işleme ve makine öğrenimi ile kalite kontrol sistemleri yaygınlaşıyor.
• Tedarik Zinciri Optimizasyonu: Talep tahmini ve stok yönetimi artık AI destekli yapılıyor. Böylece aşırı stok veya stok tükenmesi riskleri minimize ediliyor.

4. Müşteri Hizmetlerinde Değişim

• Yapay Zeka Chatbotları: Satış sonrası destek süreçlerinde hızlı ve otomatik yanıtlar sunuluyor. Örneğin; ürün kurulumu, arıza giderme gibi konular chatbotlar üzerinden yönetiliyor.
• Gelişmiş Self-Servis Portalları: Müşterilerin kendi cihazlarını yönetebileceği, yazılım güncellemelerini yapabileceği ve hata analizlerini görebileceği platformlar geliştiriliyor.

5. Sürdürülebilirlik ve Enerji Yönetimi

• Enerji Optimizasyonu: AI destekli cihazlar, enerji tüketimini optimize edecek şekilde çalışıyor (Örn: bulaşık makinelerinin su ve enerji tüketimini azaltacak döngüler seçmesi).
• Karbon Ayak İzi Analizi: Ürünlerin üretim ve kullanım ömrü boyunca yarattığı çevresel etkinin analizi yapılıyor ve geliştirme planlarına dahil ediliyor.

Bu değişimlerin etkisiyle, müşteri beklentileri de değişiyor. İnsanlar artık yalnızca bir cihaz değil, kişiselleştirilmiş bir kullanım deneyimi satın almak istiyor. Markalar da bu beklentiye karşılık vermek için ürün-ürün sonrası hizmet-veri analizi üçgeninde çok daha entegre bir yapı kuruyor.

“2026’da hızlı adaptasyon, güven, açıklanabilirlik ve değer üretme süresinin kısaltılması en büyük hedefler olacak”

2026’ya baktığımızda yapay zeka (AI) ve analitik alanındaki hedeflerin, bugünkü trendlerin hızlanmış bir devamı ve bazı yeni öncelikler doğrultusunda şekilleneceğini öngörebiliriz. Şu ana kadar oluşan tabloya dayanarak 2026 hedeflerini şöyle özetleyebilirim:

1. Yapay Zekanın İşe ve Karar Süreçlerine Daha Derin Entegrasyonu

Öngörü: Şirketler sadece destekleyici değil, karar alıcı ve optimize edici rollerde yapay zekayı kullanmayı hedefleyecek. Örneğin; tedarik zinciri optimizasyonu, satış tahminleri ve müşteri deneyimi kişiselleştirmeleri tamamen AI tarafından yönlendirilecek.

Hedef: Yapay zekanın “tavsiyede bulunan sistem” olmaktan çıkıp “aksiyon alan sistem” haline gelmesi.

2. Kendi Kendine Öğrenen ve Uyarlanabilen Sistemler (Autonomous AI)

Öngörü: Sistemlerin sürekli yeniden eğitim gerektirmeden çevresel değişikliklere adaptasyon göstermesi beklenecek.

Hedef: Model bakım ve güncelleme maliyetlerini azaltan, kendi kendini optimize eden yapılar kurmak.

3. Veri Etik ve Yapay Zeka Güvenliği

Öngörü: Yapay zekanın kararlarının şeffaf olması ve veri gizliliğine uyumlu olması temel bir zorunluluk haline gelecek.

Hedef: “Explainable AI” (Açıklanabilir Yapay Zeka) ve “Ethical AI” (Etik Yapay Zeka) standartlarına tam uyum.

4. Veriden Değere Hızlı Geçiş (Fast-to-Value Analytics)

Öngörü: Analitik projeler yıllarca sürmeyecek, birkaç ay içinde değer üretmesi beklenecek.

Hedef: Çok hızlı veri entegrasyonu, görselleştirme ve aksiyon alınabilir analitik çözümler kurmak.

5. Yapay Zeka ile Kişiselleştirilmiş Deneyimler

Öngörü: Müşterilere, çalışanlara ve iş ortaklarına sunulan her deneyim kişiselleştirilecek.

Hedef: Her bireyin davranış modeline göre anlık ve doğru öneriler sunabilen yapay zeka sistemleri kurmak.

6. Küçük Veri (Small Data) ve Edge AI

Öngörü: IoT cihazları, mobil sistemler ve yerinde veri analizi ön plana çıkacak.

Hedef: Büyük veri toplamaya gerek kalmadan, küçük veri setlerinden anlamlı sonuçlar çıkarabilen, düşük güç tüketimli yapay zeka çözümleri geliştirmek.

7. Yapay Zeka Destekli Stratejik Planlama

Öngörü: Şirketler orta ve uzun vadeli iş stratejilerini insan + yapay zeka ortak aklıyla oluşturacak.

Hedef: Senaryo analizleri, piyasa tahminleri ve yatırım planlamalarında AI simülasyonları kullanmak.

8. Ölçeklenebilir ve Sürdürülebilir AI Mimarileri

Öngörü: Geliştirilen çözümler sadece bir departman için değil, tüm şirket çapında kolayca ölçeklenebilecek ve sürdürülebilir olacak.

Hedef: Bulut tabanlı, API odaklı, modüler yapay zeka platformları oluşturmak.

Kısacası 2026’ya doğru hızlı adaptasyon, güven, açıklanabilirlik ve değer üretme süresinin kısaltılması en büyük hedefler olacak.

Cihan Keser – Hannover Fairs Turkey BT, Dijitalleşme Projeleri ve Veri Yönetimi Direktörü

B2B Matchmaking Platformu

“Doğru zamanda, doğru yerde, doğru satın almacı ile buluşmayı sağlamak, projenin ana hedefi oldu”
Deutsche Messe AG Türkiye ofisi Hannover Fairs Turkey tarafından kendi iç kaynaklarıyla geliştirilen yenilikçi B2B Matchmaking platformu ile katılımcılar ilgi alanları ve sunmuş oldukları hizmetlere göre, doğru ziyaretçiler ile buluşturuluyor. HFT’nin yeni nesil fuarcılık anlayışı ve dijital dönüşüm stratejisine paralel oluşturulan B2B platformu ile fuar katılımcıları, daha verimli ve etkili iş ilişkileri kurabiliyor ve standlarında daha çok satın almacıyı ağırlayabiliyor. 

B2B Matchmaking platformu üzerinde çalışan yapay zeka destekli algoritma, tam ve doğru B2B eşleşme sunan indeksleme modeli ile tıpkı bir arama motoru gibi nokta atışı, doğru satın almacı ile eşleşip, ürün ve hizmet sunulabilmesini amaçlıyor. Yurt içi ve yurt dışından yüzbinlerce ziyaretçi ve katılımcı firmayı bir araya getirdiğimiz uluslararası fuarlarımızda, fuar alanlarının çok büyük olmasından dolayı ziyaretçiler ilgi alanlarına göre doğru firmaları, katılımcılar da ürün ve servislerine uygun doğru satın almacı ziyaretçileri bulmakta güçlük çekiyorlardı. B2B platformumuz ile katılımcılarımızın ve ziyaretçilerimizin fuardan aldıkları verim önemli ölçüde artırdı. Doğru zamanda, doğru yerde, doğru satın almacı ile buluşmayı sağlamak, projenin ana hedefi oldu. 

Bu platform ile hem fiziksel fuar alanında hem de dijital platform üzerinde, B2B Eşleştirmeler dahilinde toplantılar yapılabiliyor. Kartvizit değişimi, randevu sistemi, detaylı ürün ve hizmet sunumu gibi birçok özellik de katılımcı ve ziyaretçilerimizin hizmetine sunulmuş oldu. Karmaşık fuar alanlarında kişilerin birbirini bulabilmesi ve randevulara zamanında katılabilmelerini sağladık. Fuar ziyaretçileri karmaşık ve büyük fuar salonlarında zaman ve performans açısından çok verimli bir fuar katılımı deneyimini B2B platform sayesinde kazandı. 

“Katılımcıların fuardan elde ettiği yeni müşteri sayısı %30 oranında yükseldi”

Oluşturduğumuz B2B platform üzerinde, kendi kendini güncelleyebilen yapay zeka destekli algoritmamız, tam ve doğru B2B eşleşme sunan indeksleme modelimiz ile tıpkı bir arama motoru gibi nokta atışı, doğru satın almacı ile eşleşip, ürün ve hizmet sunulabilmesini sağladı. İlgilenilen ve önceden belirlenen ürün gruplarına yönelik organize edilen toplantılar ile nokta atışı yüzdesel bazda eşleştirmeler yapıldı. Projede içerik tabanlı filtreleme, öneri sistemleri, makine öğrenmesi, gerçek zamanlı veri işleme, olay tabanlı sistemler, optimizasyon ve zaman çizelgeleme algoritmaları kullanıldı. Firmalar doğru zamanda ve doğru mekânda doğru müşterilerine ulaşmış oldular. Ziyaretçiler de ilgilendikleri ve önceden belirledikleri firmalardan, ürün gruplarına yönelik yönlendirmeler ve bilgilendirmeler alarak fuarlardan aldıkları verimi artırdılar. Proje operasyon merkeziyle sahadaki tüm toplantıların bir merkezce anlık takibi ve hatırlatmaları yapıldı. 

Veri yönetimi sürecimiz ise fuar öncesi kayıt formları, ilgi alanlarının belirlenmesi ve geçmiş fuar etkileşimlerinden elde edilen verilerin toplanmasıyla başladı. Toplanan veriler kategorize edilerek ilgi alanlarına ve ürün/hizmetlere göre etiketlendi. Bu yapı üzerine kurulan yapay zeka destekli indeksleme modeliyle eşleşmeler optimize edildi. Model, geçmiş kullanıcı davranışları ve eşleşme geri bildirimlerine göre sürekli güncellenerek doğruluk oranı artırıldı ve her fuarda daha isabetli eşleşmeler sağlandı.

Fuar katılımcıları birçok yeni müşteriyle tanışma fırsatı yakalıyor. B2B platformumuz fuardaki 3-4 günden ziyade bütün bir yıl devam edecek ticari bir platforma dönüşmüş oldu. Pandemi döneminde başlayan dijital dönüşüm yatırımımız yıllar boyunca edinilen müşteri deneyimleri neticesinde yeni nesil fuarcılık servislerini geliştirdi. Proje sonucunda platformu kullanan katılımcıların fuardan elde ettiği yeni müşteri sayısı %30 oranında yükseldi. Yine ziyaretçilerin de fuar deneyimi %25 düzeyinde arttı. 2023 yılındaki 3 büyük lokomotif fuarımızda, 2 milyonun üzerinde katılımcı profili ziyaretçiler ile buluşturuldu. Doğru satın almacı ve katılımcı firmayı buluşturmayı amaçladığımız 10.000 B2B toplantı isteğinden, 3000’i başarıyla gerçekleşti.

“Fuarlar artık sadece fiziksel etkinlikler değil, yıl boyu süren dijital ticaret platformlarına dönüşüyor”

Fuarcılık sektöründe ziyaretçi davranış analizleri, akıllı eşleştirme algoritmaları ve gerçek zamanlı takip sistemleri sayesinde fuarlar artık sadece fiziksel etkinlikler değil, yıl boyu süren dijital ticaret platformlarına dönüşüyor. Ayrıca fuar sonrası etkileşimlerin takibi ve gelecekteki fuarlar için öngörüler sunulması da mümkün hale geliyor.

Bizler de ekip olarak, yapay zekayı iş süreçlerimizi kolaylaştırmak, operasyonel verimliliği artırmak ve özellikle farklı büyük dil modelleri (LLM’ler) ile doğrudan satış gücümüzü destekleyecek projeler geliştirmek üzere çalışmalar yürütüyoruz. Aynı zamanda, fuar ziyaretçilerimizin gerçek zamanlı davranışlarını analiz ederek kişiye özel tahminleme ve pazarlama stratejileri geliştirmeyi hedefliyoruz. Veriden maksimum değeri üretmek ve veri odaklı karar alma süreçlerimizi daha etkin hale getirmek de öncelikli gündem maddelerimiz arasında yer alıyor.

Çiğdem Yurdakul Kılıç – Türkiye Sigorta Bilgi Teknolojileri GMY

Bilge

“Bilge, 2 milyon 300 bin soruyu ve işlemi cevaplayarak ve tamamlayarak büyük bir başarıya imza attı”

Türkiye Sigorta olarak tüm gücümüzle sadece müşterilerimizin değil, sigorta ve emeklilik konularında bilgi sahibi olmak isteyen herkesin ve aynı zamanda iş ortaklarımızın yanında olmak ve etkileşimde kalmak ana amaçlarımızdan biriydi. Bunun yanı sıra maliyetleri optimize ederken; yapay zekanın da gücünü kullanarak yeni bir kanal olarak konumlamayı da ciddi bir ihtiyaç olarak gördük.

Bu bakış açısıyla 2024 yılının Temmuz ayında acentelerimizin kullanımına açtığımız yapay zeka destekli dijital asistanımız Bilge’yi, Ekim ayında tüm mevcut müşterilerimizin ve bilgi almak isteyen vatandaşlarımızın kullanımına açtık. Özetleyecek olursak Bilge, üretken yapay zeka tabanlı diyalog bazlı iletişim kurabilen, kişiselleştirilmiş cevap verebilen ve işlem yapabilen bir dijital asistan. Şu an itibarıyla Bilge, finans alanında kapsayıcılığı, ileri düzey teknolojisi ve yetenekleri açısından lider konumda. 

Bilge; diyalog bazlı iletişim kurarak her türlü mevzuata, sigorta ve emeklilik ile ilgili soruya cevap verebiliyor. Aynı zamanda kişiselleştirilmiş yapısıyla birlikte sadece genel sorular değil, müşterilerimizin ihtiyaç duyduğu bilgileri de almasına, işlem yapmasına olanak tanıyor. Örneğin; Bilge sağlık provizyon durumunu, hasar durumunu cevaplayabiliyorken aynı zamanda hasar ihbar girişini de yapabiliyor. Bu sayede müşterilerimizin hayatını kolaylaştırmakla kalmıyor, zamandan da tasarruf sağlıyor. Yalnızca elementer işlemlerinde değil bireysel emeklilik ve hayat tarafında da oldukça güçlü ve katılımcılarımıza BES çıkış işlemleri ile mevcut işlemlerinin durumu hakkında bilgi verebiliyor, devlet katkısından maksimum yararlanmak üzere destek olabiliyor.

Yapay zeka destekli dijital asistanımız Bilge, müşteri iletişim merkezimize gelen toplam etkileşimin yaklaşık yarısı kadar etkileşim alıyor ve cevaplıyor. Son 3 ayda 2 milyon 300 bin soruyu ve işlemi cevaplayarak ve tamamlayarak büyük bir başarıya imza attı. 

Her geçen gün gelişen teknoloji ile birlikte çalışmalarımız hız kesmeden devam ediyor. Vatandaşımıza, müşterilerimize, iş ortaklarımıza ve paydaşlarımıza maksimum yarar sağlama hedefiyle çıktığımız yolda Bilge’ye çoklu kanal ve bütünleşik kanal vizyonumuzla ihtiyaca yönelik yeni özellikler ekleyerek devam edeceğiz.

“Dinamik ve açık uçlu kullanıcı sorularına akıllı yanıtlar”

Dinamik ve açık uçlu kullanıcı sorularına akıllı yanıtlar verebilmek için üretken yapay zeka destekli bir yapı kullandık. Kullanıcının ifadesini anlamlandırıp, ilgili veri kaynaklarından en uygun bilgileri getiren ve bu içeriklere dayanarak doğal ve tutarlı yanıtlar üreten bir mekanizma geliştirdik.

Bununla birlikte, önceden belirlenmiş kullanıcı niyetleri (intent’ler) için doğal dil işleme tekniklerini kullanarak, doğru süreçlere yönlendirme sağladık. Bu sayede hem esnek ve üretken yapay zeka temelli etkileşimleri hem de sabit kurgulu diyalog akışlarını bir arada yöneten hibrit bir çözüm oluşturduk.

Genel olarak, kullanıcı ifadelerini doğru anlama, doğru bilgiyi bulma ve anlamlı yanıtlar üretme süreçlerinde doğal dil işleme ve üretken yapay zeka teknolojilerinden kapsamlı şekilde yararlandık.

Veri yönetimi süreci ise projemizin en yoğun ve kritik aşamalarından birini oluşturdu. Özellikle verilerin güncelliğinin sağlanması ve işleme/optimizasyon standartlarının oluşturulması ciddi bir emek ve titizlik gerektirdi. Doğru verinin, doğru zamanda ve doğru biçimde kullanılabilmesini sağlamak, projeye önemli ölçüde değer katarken yüksek düzeyde bir koordinasyon ve çaba gerektirdi.

Veri toplama aşamasında, iş birimlerinin sağladığı verilerin yanı sıra, ilgili birimlerin yönlendirmeleri ile herkese açık web kaynaklarından da veri derlemesi gerçekleştirildi. Bu veriler, proje ihtiyaçlarına uygun olarak kapsamlı bir şekilde düzenlendi, temizlendi ve optimize edildi.

Veri işleme sürecinde, kalite standartlarını koruyarak tutarsızlıklar giderildi, eksik veriler tamamlandı ve veri setleri model eğitimine hazır hale getirildi. Model eğitimi ve optimizasyon adımlarında ise verilerin doğruluğunu ve güvenilirliğini sürekli göz önünde bulundurarak, dijital asistanın kullanıcı beklentilerine en iyi şekilde yanıt verebilmesi hedeflendi. Bu titiz veri yönetimi süreci hem model performansını artırmada hem de kullanıcı deneyimini güçlendirme yolculuğunda önemli bir rol oynadı.

“Yalnızca dijital bir asistan değil, yaygın ve erişilebilir bir bilgi kaynağı”

Bilge, günde ortalama 20 bin soruya yanıt verirken son 3 ayda ise toplamda 2 milyon 300 binden fazla soruyu ve işlemi tamamlayarak müşterilerimizin ve iş ortaklarımızın güvenilir yapay zeka destekli dijital asistanı oldu. Entegrasyon kabiliyeti sayesinde yalnızca soru yanıtlamakla kalmadı; kişiye özel hizmetlerle müşteri deneyimini her geçen gün daha da derinleştirdi.

Müşterilerimiz Bilge sayesinde, emeklilik birikimlerinden fon dağılımlarına, devlet katkısı hesaplamalarından poliçe ve hasar detaylarına kadar birçok konuda anında ve doğru bilgi aldı. Eksik evrak yükleme, konut hasarı bildirimi, IBAN bilgisi güncelleme vb. tüm işlemler hızlı, doğru ve kolay bir şekilde tamamlanabilir hale geldi. Üstelik yalnızca kişisel işlemler değil, sigortacılık ve emeklilik sistemine dair vatandaşlarımızın merak ettiği ve bilgi almak istediği birçok soruya da yanıt vererek sektörel farkındalığın artmasına katkı sağladı. Bu sayede Bilge, yalnızca bir dijital asistan değil aynı zamanda yaygın ve erişilebilir bir bilgi kaynağı haline geldi.

Bilge tüm bu hizmetleri sunarken, 16 kişilik bir ekip gibi çalışarak her zaman ulaşılabilir bir şekilde dijitalleşmenin gücünü insan odağını kaybetmeden herkese hissettirmeye devam ediyor.

Bilge’ye gelen sorulardan yola çıkarak hem Bilge’yi geliştiriyor hem de ürünlerimiz ve ihtiyaçlarla ilgili geri bildirim alma fırsatına sahip oluyoruz.

“Yapay zeka destekli çözümler, sektörde oyunun kurallarını yeniden yazıyor”

Sigorta sektörü doğası gereği güvene dayalı, hizmet yoğunluğu yüksek ve müşteri etkileşiminin kritik öneme sahip olduğu bir yapıda hizmet veriyor. Temelinde, sigortalıların poliçelerine konu olan güvencelerin özellikle ihtiyaç anlarında eksiksiz yerine getirilmesi yatar. Sigortalılarımız ile güven ilişkisinin sağlıklı bir şekilde sürdürülebilmesi için kendilerini yalnız hissetmemeleri ve her an doğru bilgiye erişebilmeleri büyük önem taşıyor. Tam da bu noktada, yapay zeka destekli çözümler sektörde oyunun kurallarını yeniden yazıyor. Dijital asistanlar, 7/24 ulaşılabilirlik sunarak müşteri deneyimini daha kişisel, daha hızlı ve kesintisiz hale getiriyor.

Tüm bunların yanı sıra özellikle hasar süreçlerinde de büyük bir evrim yaşandığını söylemek mümkün. Sektör genelinde doğal dil işleme ve görüntü işleme gibi teknolojilerle evrak analizi, sınıflandırma, karar destek ve fraud tespiti gibi adımlar yapay zekayla destekleniyor. Bu da hem hız hem doğruluk hem de maliyet açısından ciddi kazanımlar sağlıyor. Aynı zamanda, çalışanların tekrar eden görevler yerine daha stratejik işlere odaklanmasına olanak tanıyor.

Sektörde öne çıkan bir diğer gelişme, müşteri yönetimi ve fiyatlama alanında yapay zekanın aktif rol üstlenmesi. Müşteri segmentasyonu, davranış analitiği, dinamik fiyatlama ve tutundurma modelleriyle hem kişiye özel müşteri deneyimi sağlanarak müşterinin bağlılığı artıyor hem de daha adil, daha verimli bir sigortacılık zemini oluşuyor. Fraud analitiğinde anomali tespiti gibi ileri yöntemler, suistimali önleme noktasında sektörün elini güçlendirerek fayda sağlıyor. 

Emeklilik tarafında ise kişiselleştirilmiş yatırım danışmanlığı çözümleri ön plana çıkıyor. Yapay zeka destekli uygulamalar sayesinde bireysel emeklilik katılımcıları, risk profilleri ve piyasa verilerine göre yönlendirilerek maksimum fayda sağlıyor. Bu sistemler yalnızca getiriyi artırmakla kalmıyor, aynı zamanda finansal farkındalığı ve katılımcı bağlılığını da kuvvetlendiriyor.

Sektörün lider kurumları Türkiye Sigorta ve Türkiye Hayat Emeklilik olarak bu dijital dönüşümde öncü rol oynuyoruz. Yapay zeka ve analitik teknolojilerle donatılmış çözümlerimizle yalnızca süreçleri değil, müşteriyle kurduğumuz ilişki biçimini, sunduğumuz değeri ve kurumsal stratejimizi yeniden tasarlıyoruz. Güvene dayalı, dijitalleşmiş ve sürdürülebilir bir sigortacılık anlayışıyla geleceği birlikte şekillendiriyoruz.

“Yapay zeka her ölçekteki kurumun erişebileceği pratik bir yetenek haline gelecek”

2026 yılına doğru ilerlerken yapay zekanın yalnızca veriyi analiz eden değil, aynı zamanda karar verip uygulamaya geçebilen bir yapıya dönüştüğünü görüyoruz. Henüz Türkçesi tam olarak oturmamış olsa da Agentic AI kavramı gün geçtikçe daha da gelişecek. Bir başka deyişle yapay zeka, kendi inisiyatifiyle harekete geçebilen, sadece öneri sunmayan, aynı zamanda işi tamamlayan “yapan zeka”ya doğru evrilecek. Yapay zekanın bu evrimi, iş süreçlerini pasif destekçilerden aktif iş ortaklıklarına taşıyacak.

Bu gelişimin hız kazanmasında küçük dil modellerinin öneminin büyük olacağını söyleyebiliriz. Bu modeller sayesinde yapay zeka artık sadece dev sistemlerin değil, her ölçekteki kurumun erişebileceği pratik bir yetenek haline gelecek. Bu da hem maliyetleri optimize etmemizi hem de bu teknolojileri işin içine daha fazla entegre etmemizi sağlayacak.

Tüm bu dönüşümün özellikle hiperkişiselleştirmeye hizmet edeceğini öngörüyoruz. Bu sayede müşterilerin sadece geçmiş davranışlarına değil, anlık ihtiyaçlarına ve hatta niyetlerine odaklanan bağlamsal deneyimler sunmanın mümkün hale geleceğini düşünüyoruz. Böylece müşteri memnuniyetini artırmakla kalmayıp, onu adeta yeniden tanımlayacağız.

Ancak bu sadece teknolojik bir dönüşüm olmayacak, insan-yapay zeka etkileşimi yeni bir olgunluk seviyesine erişecek. Yeni iş tanımları, yeni iş yapış biçimleri ve insan merkezli ama yapay zekayla desteklenen karar alma kültürü gelişecek. Liderlik de evrilecek. Biz yöneticiler için bu dönüşüm yalnızca teknolojiye yatırım yapmak değil, aynı zamanda etik, güvenlik, yönetişim ve şeffaflık prensiplerini de sağlam temellere oturtmak anlamına gelecek.

2026 yılı ve sonrasında, yapay zekanın yalnızca bir araç değil, stratejik bir yol arkadaşı olarak iş dünyasında kalıcı hale geldiği bir dönem olacağını söyleyebiliriz.

Hakan Topal – Saya Holding BT Direktörü

SayaBot

“Farklı departmanlarda yürütülen manuel iş süreçleri RPA ile dijitalleşti”

Saya Holding olarak, 2024 yılında başlattığımız SayaBot projesiyle iş süreçlerimizi daha hızlı, hatasız ve verimli hale getirme hedefiyle yola çıktık. Projenin temel amacı; farklı departmanlarda yürütülen manuel, tekrar eden iş süreçlerini RPA teknolojileriyle dijitalleştirerek, çalışanlarımızın daha katma değerli işlere odaklanmasını sağlamaktı. Özellikle IT Destek, İdari İşler, İnsan ve Kültür, Mali İşler, Tedarik Zinciri ve Operasyon birimlerinde operasyonel verimliliği artırmak için kapsamlı bir dönüşüm hedefledik.

SayaBot projemizde kural tabanlı RPA çözümleri geliştirdik ve Microsoft Teams, WhatsApp, SAP gibi kritik sistemlerle entegre çalışarak kullanıcı taleplerini, bildirimleri ve veri transferlerini otomatikleştirdik. Böylece, süreçleri 7/24 çalışan sanal robotlar ile daha kesintisiz ve hızlı hale getirdik.

Veri yönetimi süreçlerinde SAP, CRM, Paperwork gibi mevcut sistemlerden gelen yapılandırılmış veriler kullanıldı. Süreç analizi ve modelleme adımlarından sonra, her departman için özel robot senaryoları geliştirildi ve sürekli iyileştirme prensibi ile süreçler optimize edildi.

SayaBot kapsamında gerçekleştirdiğimiz başlıca RPA projeleri ise şunlar oldu:

Microsoft Teams & SayaBot Entegrasyonu

• Kullanıcı şifre sıfırlama, sistem erişimi ve teknik destek talepleri SayaBot üzerinden otomatik yönetildi.
• Filo süreçlerinde araç kilometre takibi, bakım ve servis planlaması otomatikleştirildi.
• HGS ve trafik cezaları Gelir İdaresi Başkanlığı verilerinden çekilerek Mali İşler birimine otomatik aktarıldı.
• Şirket içi mutfak siparişleri SayaBot üzerinden alınarak 750’den fazla sipariş otomatik şekilde yönetildi.
• İzin ve devamsızlık süreçleri dijitalleştirildi ve raporlama hızlandırıldı.

İnsan ve Kültür Departmanı RPA Çözümleri

• 1.500’den fazla çalışanın iş yıldönümü ve 2.000’den fazla çalışanın doğum günü kutlamaları otomatik planlandı.
• Kadınlar Günü, Babalar Günü gibi özel günlerde çalışanlara otomatik mesaj ve hediye gönderimi sağlandı.
• “Saya Holding Sık Sorulan Sorular” asistanı devreye alınarak çalışanlardan gelen rutin sorulara anında yanıt verildi.
• Humanis sağlık sigorta bildirim süreçleri optimize edilerek manuel veri girişi kaldırıldı.
• Lider bilgilendirme sistemi ile yöneticilere ekipleriyle ilgili önemli çalışan bilgileri otomatik raporlandı.

SAP Tabanlı RPA Otomasyonları

• Volt Teknoloji ve Saya için bekleyen fatura bildirimleri SAP sistemine otomatik olarak aktarıldı.
• RxMedia’dan alınan ilaç satış fiyatları SAP’ye entegre edilerek veri giriş süreçleri hızlandırıldı.
• Müşteri depo raporları her gün otomatik olarak talep edilerek operasyonel süreçler desteklendi.
• Volt Motor’da fatura, irsaliye, ithalat-ihracat, tedarikçi bilgilendirme ve SAT hatırlatma süreçleri tamamen otomatikleştirildi.
• Tedarikçilere yönelik sipariş takip ve hatırlatma bildirimleri ile gecikmelerin önüne geçildi.

WhatsApp Tabanlı Otomasyon Çözümleri

• 348.400 adet bildirim WhatsApp üzerinden çalışanlara otomatik gönderildi.
• 1.600 WhatsApp anketi ile çalışanlardan geri bildirimler toplandı.
• Hukuk departmanı, yaklaşan dava süreçleri ilgili yöneticilere WhatsApp ile bildirildi.
• İç denetimde erken ödenen faturalar tespit edilip iç denetim birimine aktarıldı.
• İnsan kaynakları departmanında “Arkadaşını Öner”, “Ramak Kala Bildirimi”, “Öneri Sistemi” ve “Araç Filo” gibi süreçler WhatsApp üzerinden yönetildi.

Bu projeler sayesinde;

• Manuel iş yükleri önemli ölçüde azaldı.
• Süreçlerdeki insan hataları minimize edildi.
• Operasyonel süreler kısaltıldı.
• Çalışan memnuniyetinde belirgin bir artış sağlandı.

“RPA uygulamaları, rekabet gücünü artıran temel araçlardan biri haline geliyor”

Sektörümüzde, dijitalleşmenin merkezinde artık yalnızca analitik değil, operasyonel süreçlerin uçtan uca otomasyonu da bulunuyor. Özellikle tekrarlayan iş yüklerinin azaltılması için RPA uygulamaları, şirketlerin rekabet gücünü artıran temel araçlardan biri haline geliyor.

2026 yılına doğru ilerlerkense, operasyonel otomasyonun daha ileri bir seviyeye taşınarak, daha karmaşık iş akışlarının otomatik yürütüldüğü, proaktif öneriler sunan ve kendini optimize eden RPA sistemlerinin devreye gireceğini öngörüyoruz. SayaBot ile başladığımız bu yolculuk da geleceğin dijital organizasyon yapısına sağlam bir temel oluşturacak.

Kemal Kaplan – Acıbadem Sağlık Grubu IT Direktörü
Hevi AI

“4 ana modülü, hastanelerimizde aktif olarak kullanıma sunduk”

Acıbadem Sağlık Grubu olarak sağlık hizmetlerinde kaliteyi artırma hedefimiz; hasta güvenliğini önceliklendirerek tanı süreçlerini hızlandırmak ve klinik iş akışlarını daha verimli hale getirmek. Bu doğrultuda, hayata geçirdiğimiz yapay zeka destekli karar destek sistemleri de bu vizyonun somut ve güçlü bir yansıması niteliğinde.

Derin öğrenme temelli radyoloji karar destek sistemi projemizi, Acıbadem Üniversitesi kuluçka merkezinde yer alan HEVI-AI adlı bir start-up ile birlikte geliştirmeye başladık. Projeye başlarken öncelikli hedefimiz; yapay zeka ile radyoloji görüntülerinde potansiyel bulgu alanlarını işaretlemek, kritik durumlarda uyarılar oluşturmak ve bu sayede radyologlarımıza hem raporlama hem de analiz aşamasında zaman kazandırmaktı.

TÜBİTAK 1707 desteğiyle yürüttüğümüz bu projede bugün geldiğimiz noktada, 4 ana modülü hastanelerimizde aktif olarak kullanıma sunduk. Üç modülün geliştirme süreci ise halen devam ediyor.

• Halihazırda aktif olan modüllerimizden hStroke; çeşitli intrakranial kanama alt tiplerini yüksek doğrulukla ayırt edebiliyor. %99’un üzerinde hassasiyetle çalışan bu modül, büyük damar tıkanıklığı olan hastalarda delme işlemine kadar geçen süreyi 60 dakikaya kadar kısaltıyor. Aynı zamanda iskemik çekirdek için doğru hacim verileri sunuyor. Acile gelen hastaların veya anlık kritik vakaların tespitinde sunduğu hız sayesinde ciddi bir fark yarattığını gözlemliyoruz.
  
• hProstate; prostat kanserinin tespiti ve değerlendirilmesi sürecini kolaylaştırıyor. Otomatik işaretlemelerle prostat MR görüntülerinin daha hızlı okunmasını ve tespit edilen lezyonlara PI-RADS puanlamasını sağlıyor.
  
• hChest; zatürre, akciğer kanseri, kosta kırığı, kardiyomegali ve ödem gibi pek çok rahatsızlığı göğüs röntgenleri üzerinde yüksek doğrulukla tespit edebiliyor.
  
• hBreast ise memedeki lezyonları analiz ederek, meme kanserine işaret edebilecek olası belirtileri hesaplıyor. BIRADS puanlamaları ile meme yoğunluğu değerlendirmelerini görsel sunumla radyologlara aktarıyor.

Tüm bu modüllerin temelinde, model doğruluğu ve operasyonel verimliliği maksimumda tutacak şekilde seçilmiş yapay zeka algoritmaları yer alıyor. Kullanılan yöntemler arasında:

• CNN (Konvolüsyonel Sinir Ağları); medikal görüntülerde lezyon, nodül ve anomali tespiti için,
• U-Net; organ, lezyon, damar gibi dokuların segmentasyonu için,
• RNN ve LSTM; zaman içinde değişen sağlık durumlarının analizi için,
• Transfer Learning (VGG ve ResNet); yüksek doğruluk hedefi için,
• Veri Augmentasyonu; eğitim verilerini çeşitlendirmek için,
• Hiperparametre Optimizasyonu ve Çapraz Doğrulama; model performansını artırmak için,
• Adam ve SGD gibi optimizasyon algoritmaları; eğitim sürecini verimli hale getirmek için tercih edildi.

“Bulgular AI tarafından önceliklendirilebildiği için tanı doğruluğunda ciddi bir artış sağlandı”

Görüntü verileri projeye dahil edilmeden önce detaylı bir ön incelemeden geçirildi. Uygun olmayan görüntüler GPT, Gemini ve DeepSeek gibi dil modellerinin sunduğu araçlarla elendi. Ardından kalan görüntüler normalizasyon, pencereleme ve histogram eşitleme gibi işlemlerden geçirilerek modele hazır hale getirildi. Eğitimin başarısını artırmak için görüntülere döndürme, gürültü ekleme, kontrast değişikliği ve kırpma gibi çeşitli manipülasyon teknikleri de uygulandı.

Model eğitimi aşamasında, kullanılacak yapay zeka mimarisi görüntü türüne göre dikkatle seçildi. Eğitim veri setleri farklı yaş grupları, cinsiyetler ve hastalık tiplerini kapsayacak şekilde dengeli bir biçimde oluşturuldu. Model eğitimi sonrasında test setleriyle yapılan değerlendirmeler ise sistemin sahadaki başarısını net şekilde ortaya koydu. Bu süreç yaşayan bir yapı, hem veri hem algoritmalar düzenli olarak güncelleniyor ve model doğruluğu her geçen gün artıyor.

Projeyi uygulamaya aldığımız günden bu yana tanı ve raporlama süreçlerinde gözle görülür süre kısalmaları yaşandı. Radyologlarımızın iş yükü optimize edildi; hasta başına düşen zaman arttı. En önemlisi, manuel incelemelerde gözden kaçabilecek bulgular yapay zeka tarafından önceliklendirilebildiği için tanı doğruluğunda ciddi bir artış sağlandı. Sadece bu bile yapay zekanın klinik iş akışına entegrasyonunun ne kadar büyük bir değer yarattığını açıkça ortaya koyuyor. Özellikle acil vakalarda, tanı süresindeki hızlanma, hasta güvenliği açısından büyük bir adım oldu.

“Yerli ve rekabetçi çözümler üretmek stratejik bir zorunluluk”

Sağlık sektöründe yapay zekanın etkisi her geçen gün büyüyor. Dünyada büyük teknoloji şirketlerinin bu alanda ciddi yatırımlar yaptığını görüyoruz. Bizim açımızdansa yerli ve rekabetçi çözümler üretmek stratejik bir zorunluluk.

Yapay zekanın sağlıkta kullanımı yalnızca radyoloji ve patolojiyle sınırlı değil. Raporlama sistemleri, sesli asistanlar, ameliyathane güvenliği, erken tanı sistemleri gibi pek çok kritik alanda yapay zeka odaklı çalışmalar öne çıkıyor. Örneğin; ameliyathanelerde yapay zeka destekli kamera sistemleriyle hijyen takibi yaparak enfeksiyon risklerini azaltmak artık mümkün. Aynı şekilde, yoğun bakımlarda sepsis tespitinde yapay zeka kullanımı giderek yaygınlaşıyor. Sepsis gibi hayati riski yüksek durumlarda, tüm vital verileri takip eden sistemler sayesinde riskler çok daha erken fark edilebiliyor.

2026’ya baktığımda, yapay zeka ve analitik sistemlerin artık hayatın her alanına nüfuz ettiğini göreceğimizi düşünüyorum. 

• Mobil uygulamalar ile dil bariyerlerinin büyük ölçüde ortadan kalkmasıyla farklı diller konuşan insanlar arasında doğal, anlık bir iletişim kurulabilecek.
  
• Robotik sistemlerle entegre çalışan otonom yapay zeka çözümleri, üretimden lojistiğe kadar pek çok alanda insan müdahalesine gerek duymayan yapılar yaratacak.
  
• Eğlence sektöründe kişiselleştirilmiş içerikler ve etkileşimli deneyimler standart hale gelirken; eğitimde, her öğrencinin ihtiyacına özel uyarlanmış yapay zeka destekli çözümlerin çok daha yaygınlaştığını göreceğiz.
  
• Aynı zamanda, yapay zeka asistanlarının yalnızca kişisel değil, kurumsal ve profesyonel süreçleri de aktif biçimde yönettiği bir döneme adım atacağız. Özellikle siber güvenlik alanında, anlık tehditleri tespit edip hızla müdahale edebilen sistemler sayesinde dijital risklere karşı daha güçlü bir koruma sağlanacağına inanıyorum.

Koray Kurt – Abdi Business Technologies Genel Müdürü

AİDa

“AİDa; bireysel gelişimi destekleyen ve kurumsal eğitim süreçlerini dijitalleştiren güçlü bir araç”

AİDa projesi, özünde bir canlandırma tabanlı sohbet platformu. Bu projenin temel çıkış

noktas ise sahada aktif olarak görev yapan tıbbi tanıtım temsilcilerimizin ilaç tanıtım becerilerini geliştirebilecekleri, etkileşimli ve sürdürülebilir bir eğitim ortamı sunmak.

AİDa; yapay zeka destekli bir sistem olarak, konusunda uzman doktor ve eczacı profillerinin modellenmesiyle oluşturulmuş sanal karakterler ile temsilcilerimizin farklı tanıtım

senaryolarında pratik yapabilmelerini sağlıyor. Bu sanal karakterler, gerçek dünya koşullarını yansıtan çeşitli zorluk seviyelerinde davranış sergileyerek kullanıcıya gerçekçi bir deneyim sunuyor.

Proje kapsamında, temsilcilerimizin farklı iletişim tarzlarını deneyimleyebileceği, ürün bilgilerini aktarma becerilerini sınayabileceği ve çeşitli geri bildirimlerle kendilerini geliştirebileceği bir simülasyon ortamı oluşturduk. Her bir senaryo sonunda, sistem tarafından verilen performans değerlendirme skorları sayesinde temsilciler tanıtım sürecinin hangi aşamalarında başarılı olduklarını, hangi noktaları ise geliştirmeleri gerektiğini ayrıntılı biçimde görebilir. AİDa, hem bireysel gelişimi destekleyen hem de kurumsal eğitim süreçlerini dijitalleştiren güçlü bir araç olarak konumlandırıldı.

Projemizde, Microsoft Azure servislerini etkin bir şekilde kullanarak yapay zeka tabanlı çözümlerimizi güçlendiriyoruz. Özellikle, oluşturduğumuz personaların kullanıcıyla en etkili şekilde iletişim kurabilmesini sağlamak adına büyük dil modelleri ve vektör tabanlı veri yapıları temel teknolojilerimiz arasında yer alıyor.

Microsoft Azure’un sunduğu OpenAI hizmeti sayesinde, en güncel ve güçlü modellerden biri olan GPT-4o dil modelini sistemimize entegre ettik. Bu model, kullanıcılarla gerçekleştirilen etkileşimlerde yüksek doğrulukta, akıcı ve bağlama duyarlı yanıtlar üretmemizi mümkün kılıyor.

Öte yandan, sistemimizde yer alan ilaçlara ait tüm dokümanların semantik analizini yapabilmek için text-embedding-3-large modelinden faydalanarak her belgeyi sayısal vektörlere dönüştürüyoruz. Bu embedding’ler, Azure AI Search hizmetinin sunduğu Hierarchical Navigable Small World (HNSW) algoritması kullanılarak yapılandırılmış vektör veritabanında depolanıyor. Bu yapı, hızlı ve hassas benzerlik aramaları gerçekleştirmemize olanak tanıyor.

Bu teknolojik altyapıyı, LangChain framework’ü ile entegre ederek bir Retrieval-Augmented Generation (RAG) mimarisi kurduk. Bu mimari sayesinde, kullanıcının verdiği yanıta veya sorduğu soruya göre en uygun içerik, vektör veritabanından semantik olarak geri getiriliyor; ardından GPT-4o tarafından bağlama uygun, anlamlı ve doğal bir yanıt haline dönüştürülüyor.

“Doğru bilgiye en hızlı ve en güvenilir şekilde ulaşmak için RAG mimarisini kurduk”

Uygulamamızın geliştirme sürecinde, sistemde yer alacak ilaçlarla ilgili en doğru ve güncel bilgileri temin edebilmek adına öncelikle ürün müdürleri başta olmak üzere ilgili birimlerle düzenli toplantılar gerçekleştirdik. Bu görüşmeler aracılığıyla, oluşturacağımız personaların sahip olması gereken tıbbi bilgi ve ürün özelinde içerikleri doğrudan uzmanlarından temin ettik.

Doktor ve eczacı personaların yalnızca mesleki bilgilerini değil, aynı zamanda insani yönlerini de doğru ve çeşitli biçimde modelleyebilmek için alanında uzman psikologlardan destek aldık. Geliştirme sürecinde ayrıca bir tıbbi tanıtım temsilcisi ile sahada bir iş günü geçirerek, eczacı ve doktorlarla gerçekleştirdiği yüz yüze diyalogları doğrudan gözlemleme fırsatı bulduk. Elde ettiğimiz bu gerçek yaşam verilerini, oluşturduğumuz personalara doğrudan entegre ettik; böylece sistemdeki etkileşimler mümkün olan en yüksek gerçekçilik düzeyine ulaştı. 

Doğru bilgiye en hızlı ve en güvenilir şekilde ulaşılabilmesini sağlamak amacıyla RAG mimarisini kurduk. Bu mimari çerçevesinde, ilaçlarla ilgili elde ettiğimiz dokümanların embedding’lerini Azure OpenAI’ın text-embedding-3-large modeli aracılığıyla elde ettik ve bu vektörleri belirli boyutlarda vektör veritabanında depoladık. Azure AI Search aracılığıyla kullanıcının sorgusuna semantik olarak en uygun belgeler yüksek hızda ve doğrulukta geri getirilmektedir.

Kullanıcıya yazılı ve sözlü olmak üzere iki farklı etkileşim modu sunduk. Bu sayede, kullanım kolaylığı sağlamış ve erişilebilirliği artırmış olduk. Ayrıca yapay zeka modelimizi tıbbi terimler, özellikle de ilaç isimleri ve farmasötik terimler özelinde hassaslaştırdık ve uzmanlaştırdık. Böylece modelin hem doğruluk oranı hem de içerik anlama kapasitesi ciddi ölçüde artırıldı.

Genel olarak bu uygulama; teknik doğruluğu yüksek, gerçek senaryolara dayalı, insani yönleri öne çıkan ve yapay zeka teknolojisinin en güncel olanaklarını kullanan yenilikçi bir eğitim platformu olarak konumlandırıldı.

“Temsilcilerimiz, sanal ortamlarda bilgilerini pekiştirip iletişim becerilerini geliştiriyor”

Projemizin temel amacı; tanıtım dünyasında yeni bir dijital kanal oluşturarak tıbbi tanıtım temsilcilerimizin yetkinliklerini artırmaktı. Tanıtım becerilerini daha ileriye taşıyabilecekleri, sürekli gelişim imkanı sunan bir platform hayal ettik ve bu hedef doğrultusunda yola çıktık. Bugün geldiğimiz noktada, bu hedefin ilk ve en somut kazanımımız olduğunu gönül rahatlığıyla söyleyebilirim.

Geliştirdiğimiz yapay zeka destekli platform sayesinde, temsilcilerimiz yalnızca bilgilerini pekiştirmekle kalmıyor, aynı zamanda farklı senaryolarla karşılaşarak iletişim becerilerini gerçeği simüle ettiğimiz sanal ortamlar içinde geliştirme fırsatı buluyorlar. Bu teknoloji, bireysel öğrenme yolculuğunu daha zengin ve etkileşimli hale getiriyor.

Bu projeyle birlikte, yapay zeka teknolojilerinin iş yapış biçimlerimize nasıl entegre edilebileceğini gerçek bir uygulama üzerinden deneyimledik. Sadece teoride kalmayan, somut çıktılarla beslenen bu deneyim, bizim için hem teknolojiyi benimseme hem de dönüşüm liderliği açısından değerli bir kilometre taşıydı. Yeni nesil teknolojilerin sunduğu kolaylıklar ve yenilikçi olanaklar, iş süreçlerimizi yeniden tanımlama konusunda bize güçlü bir ilham verdi.

Kullanıcı dostu arayüzü ve sade yapısıyla geliştirdiğimiz bu platform, son kullanıcı açısından yüksek erişilebilirlik sağladı. Bu sayede sistem sadece ilgi çekici bir dijital deneyim sunmakla kalmadı, aynı zamanda çalışanlarımızın kendi yetkinliklerini geliştirme yönünde motive olmalarını da ciddi biçimde destekledi.

“Yapay zekayı geniş bir alanda, etkin biçimde kullanıyoruz”

Yapay zeka ve analitik teknolojiler, tıpkı diğer sektörlerde olduğu gibi ilaç sektöründe de hızla konumlanmaya başladı. Artık yalnızca Ar-Ge veya üretim aşamalarında değil; satış, pazarlama, kalite kontrol ve hatta insan kaynakları süreçlerinde bile kendine yer buluyor. Bu dönüşüm, sektörümüzün tamamında yepyeni bir iş yapış biçimini beraberinde getiriyor. Abdi İbrahim olarak biz de bu değişimin öncüsü olma vizyonuyla hareket ediyoruz. Süreçlerimizi otomatikleştirmek ve optimize etmek üzere kapsamlı çalışmalar yürütüyoruz. Bu çerçevede, farklı birimlerde görev yapan ekip arkadaşlarımızın iş akışlarını derinlemesine analiz ediyor, sahada karşılaştıkları teknik zorlukları doğrudan dinliyoruz. Bu anlayışla, yapay zeka destekli çözümler geliştiriyor ve uygulamaları, sahadan gelen geri bildirimlerle olgunlaştırarak hayata geçiriyoruz. Geliştirdiğimiz çözümlerin pratik, ölçeklenebilir ve kullanıcı dostu olmasına büyük önem veriyoruz. Böylece hem zaman hem de emek tasarrufu sağlayarak ekiplerimizin verimliliğini artırıyor, onları daha stratejik ve katma değerli işlere yönlendirme fırsatı sunuyoruz. Abdi İbrahim olarak biz de bu dönüşümün ön saflarında yer alıyoruz.

AİDa, bu vizyonumuzun somut ve güçlü bir örneğidir. Yapay zekayı sadece eğitim süreçlerinde değil; işe alımdan pazarlamaya, ürün tanıtımından üretim sahasındaki kalite kontrole kadar geniş bir alanda etkin biçimde kullanıyoruz. Aday değerlendirme süreçlerinden üretim verimliliğinin artırılmasına kadar çeşitli alanlarda hayata geçirdiğimiz yapay zeka tabanlı çözümler sayesinde, kurum genelinde daha hızlı, veri temelli ve etkili kararlar alabiliyoruz.

Abdi İbrahim olarak yapay zekayı, yalnızca teknolojik bir yenilik değil, iş yapış şekillerimizi dönüştüren stratejik bir kaldıraç olarak görüyoruz. Bu anlayışla hem çalışan deneyimini hem de operasyonel sonuçları ileri taşıyan yenilikçi çözümler geliştirmeye devam ediyoruz. Geleceğin ilaç sektöründe rekabet avantajının, dijitalleşmeye hızla adapte olabilen kurumlarda olacağına inanıyoruz.

“Yapay zeka, ilaç sektörünün bütünsel dönüşümünü mümkün kılabilecek nitelikte”

Yapay zeka yalnızca durmaksızın ilerlemekle kalmıyor; aynı zamanda etkisini katlanarak artırıyor. Nasıl ki günlük yaşamlarımızda derin bir dönüşüm yaratıyorsa, ilaç sektöründe de etkisi giderek daha fazla hissediliyor. Artık bu teknolojiyi geçici bir trend olarak değil, kalıcı ve dönüştürücü bir güç olarak değerlendirmek gerekiyor.

Bugün itibarıyla pek çok iş süreci içerisinde yapay zekadan aktif olarak faydalanıyoruz. Ancak bu yalnızca bir başlangıç. Yakın gelecekte yapay zeka, süreçleri desteklemenin ötesine geçerek, farklı departmanlarda karşılaşılan sorunlara çözüm üreten, iş yapış biçimlerini daha verimli, daha öngörülü ve daha akıllı hale getiren temel bir araç haline gelecek.

Yapay zekanın potansiyelini sadece üretim, satış veya pazarlama alanlarıyla sınırlamak büyük bir eksiklik olur. Aslında bu teknoloji, ilaç sektörünün bütünsel dönüşümünü mümkün kılabilecek nitelikte. Hızlı karar almayı, doğru analiz yapmayı ve süreçleri daha etkin yönetmeyi mümkün hale getiriyor. Bu sayede yalnızca bugünün operasyonlarını değil, geleceğin stratejilerini de şekillendiren bir yapı inşa edebiliyoruz.

Yapay zeka artık sektörümüzün mihenk taşlarından biri haline geldi ve önümüzdeki dönemde bu rolünü daha da güçlendirerek sürdürecektir.

Kürşat Alp Yiğit – Penti CTO’su
Predictive Sales & Revenue Modeling

“Makroekonomik verilerle, daha anlamlı ve işlevsel öngörüler elde ediyoruz”

Penti olarak, Predictive Sales & Revenue Modeling projemizi, özellikle dalgalı makroekonomik koşullar altında daha öngörülebilir ve veri odaklı karar mekanizmaları oluşturmak amacıyla hayata geçirdik. Bu projenin temelinde, enflasyon gibi değişken makroekonomik göstergelerin, farklı ürün kategorileri üzerindeki etkisini anlayarak, kategori bazlı satış tahminlemelerini makine öğrenmesi modelleriyle daha isabetli hale getirmek yatıyor.

Perakende sektöründe, siparişlerin 6 ila 12 ay öncesinden verilmesi gerekliliği, yanlış tahminlerin stok fazlası ya da kayıp satışa yol açmasına neden olabiliyor. Bu noktada temel hedefimiz; belirsizliklerin yüksek olduğu dönemlerde bile daha sağlıklı tahminleme yapabilen, esnek ve öğrenen bir yapay zeka altyapısı oluşturmaktı. Geliştirdiğimiz model, makroekonomik verilerle beslenerek sezon başlangıç ve bitiş tarihleri gibi zaman kırılımları da dahil olmak üzere, geleceğe dair çok daha anlamlı ve işlevsel öngörüler sunuyor.

Bu sayede, hem sipariş ve stok yönetiminde operasyonel verimliliği artırıyor hem de stratejik planlama süreçlerimizi analitik bir temele oturtarak, Penti’nin sürdürülebilir büyüme stratejilerine katkı sağlıyoruz. Proje aynı zamanda, karar alma süreçlerinde hız ve esneklik kazandırarak, organizasyon genelinde çevikliği destekleyen önemli bir dijital dönüşüm adımı niteliği taşıyor.

“Piyasa dinamiklerine duyarlı, öngörü kabiliyeti yüksek bir yapı oluşturduk”

Predictive Sales & Revenue Modeling projemizde, yapay zeka temelli tahminleme altyapımızın merkezine zaman serisi analizine dayalı bir yaklaşımı yerleştirdik. Projede temel algoritma olarak Facebook Prophet modelini tercih ettik. Prophet, özellikle perakende sektöründe yaygın olarak karşılaşılan tatil, kampanya ve sezon gibi dönemsel etkileri yüksek doğrulukla yakalayabilmesi ve modelleme sürecindeki çevikliği nedeniyle öncelikli tercihimiz oldu.

Her bir ürün kategorisi için özel olarak yapılandırılmış Prophet modelleri geliştirerek, geçmiş satış verileri ile birlikte makroekonomik değişkenleri -örneğin döviz kuru, enflasyon oranı, bireysel kredi faizleri ve tüketici güven endeksi gibi dışsal parametreleri- modelin içerisine entegre ettik. Bu sayede yalnızca tarihsel satış trendlerine değil, aynı zamanda piyasa dinamiklerine duyarlı, öngörü kabiliyeti yüksek bir yapı oluşturduk.

Prophet’in sunduğu parametrik esneklik ve otomatize edilebilir yapısı sayesinde, model kurulumundan çıktıların yorumlanmasına kadar olan süreci neredeyse tamamen otomatik hale getirdik. Böylece hem zaman kazancı sağladık hem de insan hatasını minimize ederek, tahmin süreçlerinin tutarlılığını artırdık.

Sonuç olarak, yapay zeka ve veri bilimi teknolojilerini iş hedeflerimize entegre ederek, operasyonel kararları veri ile destekleyen, esnek ve sürdürülebilir bir yapay zeka altyapısını hayata geçirmiş olduk. Bu yaklaşım, hem stok yönetiminde hem de gelir planlamasında önemli bir rekabet avantajı sağladı.

Projemizde veri kaynağı olarak Penti’nin veri ambarındaki kategori bazlı satış ve kampanya verilerini kullandık. Ayrıca döviz kuru, enflasyon gibi makroekonomik göstergeleri de modele entegre ederek veri setimizi zenginleştirdik. Planlama birimiyle birlikte çalışarak geçmiş sezonları tanımlayan bir simülasyon oluşturduk ve bu sayede ürünlerin geçmiş performanslarını daha doğru analiz ettik.

Model eğitiminde son 6 aylık veriyi dışarıda bırakarak, bu dönemi tahminlerin doğruluğunu test etmek için “actual” veri olarak değerlendirdik. Prophet modelinin farklı parametre kombinasyonlarıyla yapılan denemeler sayesinde, tahmin doğruluğunu artıracak şekilde model performansını optimize ettik.

Projemizin en somut çıktısı, farklı tahminleme modellerinin performansını karşılaştırmalı olarak analiz edebilme yetkinliği kazanmamız oldu. Bu sayede, planlama iş birimimiz gelecek yılın ürün ve kategori bazlı satın alma kararlarını daha güçlü bir veri temeliyle alabiliyor.

Model, farklı ürün kategorilerinin sezonsal değişimlere ve makroekonomik koşullara duyarlılığını ortaya koyarken, aynı zamanda fiyat hassasiyeti gibi kritik içgörüler de sunuyor. Bu da hem stratejik düzeyde daha isabetli planlama yapılmasını hem de operasyonel süreçlerde kaynakların daha verimli kullanılmasını sağlıyor.

“AI dönüşümü, tüm organizasyon yapısını etkileyecek bir kültürel dönüşümle desteklenecek”

Perakende sektöründe yapay zeka ve analitik uygulamalar giderek daha stratejik bir konuma geliyor. Önümüzdeki dönemde, özellikle 2026’ya doğru daha gelişmiş tahminleme modelleri, gerçek zamanlı veri analizi ve iş birimlerine entegre çalışan bütünleşik yapay zeka çözümlerinin öne çıkması bekleniyor.

Bu dönüşüm, şirketlerin değişen tüketici davranışlarına daha hızlı yanıt vermesini, operasyonel süreçlerde daha yüksek verimlilik sağlamasını ve müşteri deneyimini daha kişiselleştirilmiş hale getirmesini mümkün kılacak. Yapay zeka artık sadece destekleyici bir araç değil; rekabet avantajı yaratan, karar alma mekanizmalarının merkezinde yer alan bir yapı haline geliyor.

2026’ya doğru ilerlerken, yapay zeka ve analitik alanındaki temel hedeflerin daha öngörülü, çevik ve bütünleşik sistemlerin kurulması yönünde olacağını öngörüyorum. Özellikle gelişmiş tahminleme modelleri, gerçek zamanlı veri analitiği ve karar destek sistemlerinin iş süreçlerine tam entegre olması bu dönemin öncelikleri arasında yer alacak.

Yapay zekanın yalnızca analiz yapan değil, aynı zamanda öneri sunan ve aksiyon alabilen sistemlere evrilmesi bekleniyor. Bu da şirketlerin sadece daha doğru değil, aynı zamanda daha hızlı ve proaktif kararlar alabilmesini mümkün kılacak. Müşteri deneyimi ise çok daha kişiselleştirilmiş, bağlamsal ve anlık veriye dayalı hale gelecek.

Ayrıca veri yönetişimi, yapay zeka etiği ve açıklanabilirlik gibi konular da teknolojik gelişim kadar stratejik önem kazanacak. Bu dönüşüm, sadece teknoloji ekiplerini değil, tüm organizasyon yapısını etkileyecek bir kültürel dönüşümle desteklenecek.

Mustafa Eğilmezbilek – SunExpress CIO’su
Makine Öğrenmesi Modeliyle Havayolu Yolcu Bagaj Ağırlığının Tahmin Edilmesi

“Hedefimiz; yolcu bagaj ağırlığını yüksek doğrulukla tahmin ederek operasyonel verimliliği ve sürdürülebilirliği artırmak”

Uçakların toplam ağırlığı, uçuş güvenliği ve yakıt planlamasında doğrudan etkili bir parametredir. Ancak bu ağırlık, planlama aşamasında kesin olarak bilinemez. Yolcu sayısı, rota, hava durumu ve mevsimsel etkenler nedeniyle bagaj ağırlıkları büyük değişkenlik gösterir. Bu belirsizlik, iki temel riski beraberinde getirir: Gereğinden fazla yakıt yüklenerek maliyetlerin artırılması ya da yetersiz yakıt yüklemesiyle operasyonel risklerin ortaya çıkması. Kural bazlı ve sabit varsayımlara dayalı hesaplamalar değişken operasyonel koşulları yeterince yansıtamadığından karar kalitesini olumsuz etkileyebilir.

SunExpress olarak bu bağlamda, uçuş başına taşınan yolcu bagaj ağırlığını geçmiş verilerle tahmin edebilen bir makine öğrenmesi modeli geliştirerek hem gereksiz yakıt tüketimini hem de karbon salınımını azaltmayı hedefledik. Sonuç olarak proje, yalnızca operasyonel maliyetleri azaltmakla kalmamış, çevresel sürdürülebilirliğe de önemli katkı sağlamıştır.

“Yıllık olarak yaklaşık 1 milyon USD tasarruf potansiyeli elde edildi”

Projede temel olarak XGBoost (Extreme Gradient Boosting) algoritması kullanılmıştır. XGBoost, karar ağaçları temelli ve yüksek performanslı bir makine öğrenmesi algoritmasıdır. Özellikle regresyon problemlerinde güçlü sonuçlar vermesi nedeniyle uçuşa özel bagaj ağırlığı tahmini için tercih edilmiştir. Model; geçmiş uçuş verilerini öğrenerek yeni uçuşlar için tahminleme yapabilmekte ve gerçek zamanlı olarak uçuş planlama sistemlerine entegre çalışabilmektedir. Ayrıca model çıktılarının doğruluğu sürekli izlenerek, hatalar analiz edilerek model periyodik olarak güncellenmektedir. Bu gözlemlemeler sayesinde modelin canlı ortamdaki tahmin doğruluğunu koruması sağlanmıştır.

Proje kapsamında veri yönetimi süreci sistematik bir şekilde yürütülmüş, SunExpress’in geçmiş uçuş verileri veri ambarımızdan Azure Data Lake ortamına aktarılarak analiz ve modelleme için hazır hale getirilmiştir. Python ile veri temizleme ve öznitelik mühendisliği adımları uygulanarak uçuş bazlı düzenlemeler yapılmış; tarih, rota, yolcu sayısı kırılımları gibi pek çok değişkenle XGBoost modeli eğitilmiştir. Hiperparametre optimizasyonları ile modelin doğruluğu artırılmış, test verileriyle doğrulandıktan sonra API servisi olarak canlıya alınmıştır.

Model, uçuş planlama sistemleriyle entegre biçimde gerçek zamanlı çalışmakta ve Azure üzerinde sürekli izleme mekanizmalarıyla güncel tutulmaktadır. Bu yapı sayesinde operasyonel kararlar veri destekli biçimde alınmakta ve modelin tahmin performansı korunmaktadır.

Projemiz; finansal, operasyonel ve çevresel açılardan ölçülebilir faydalar sağlamıştır. Yapay zeka destekli bagaj ağırlığı tahminleri sayesinde, uçuş başına yakıt tüketimi daha doğru hesaplanarak yıllık yaklaşık 1 milyon USD tasarruf potansiyeli elde edilmiştir. Ayrıca 2023’te ortalama 650 kg olan Zero Fuel Weight Error (ZFWE), modelin Nisan 2024’te canlıya alınmasıyla 480 kg’a kadar düşürülerek operasyonel doğruluk önemli ölçüde artırılmıştır. Kural bazlı hesaplamaların yerine yapay zeka destekli karar mekanizmalarının geçmesiyle birlikte operasyon ekiplerinin planlama süreçlerine duyduğu güven de artmıştır.

Çevresel etki açısından ise her uçuşta ortalama 6,2 kg CO2 emisyonu azaltılarak yıllık yaklaşık 109.000 kg karbon salınımının önüne geçilmiştir. Bu somut sonuçlar, projenin yatırım geri dönüşünü kanıtlamış ve sürdürülebilir bir başarı modeli haline gelmesini sağlamıştır.

“AI ajanlarının yalnızca öneri sunan değil, doğrudan aksiyon alan bir yapıya evrilmesini amaçlıyoruz”

Yapay zeka ve analitik, artık havacılıkta sadece operasyonel verimliliği artıran araçlar değil, stratejik karar alma süreçlerinin ayrılmaz bir parçası haline geldi. Üretken yapay zeka ve makine öğrenmesi gibi teknolojiler sayesinde hem operasyon ekipleri hem de müşteri hizmetleri daha hızlı, daha isabetli ve kişiselleştirilmiş kararlar alabiliyor.

Önümüzdeki dönemde, yapay zeka destekli karar destek sistemlerinin daha otonom hale gelmesini, farklı birimlerin kendi süreçlerine entegre akıllı asistanlarla çalışmasını bekliyoruz. Bu dönüşüm, yalnızca maliyetleri düşürmekle kalmayacak, aynı zamanda operasyonel güvenliği artıracak, sürdürülebilirliği destekleyecek ve yolcu deneyimini üst seviyeye taşıyacak. Bizim hedefimiz ise karar destek sistemlerinin yapay zeka ajanları kullanarak daha otonom hale gelmesi ve belirli pilot süreçlerde yalnızca öneri sunan değil, doğrudan aksiyon alan bir yapıya evrilmesidir.

2026’ya baktığımızda ise yapay zeka ve analitik artık havacılık şirketlerinin sadece destekleyici bir unsuru değil, rekabet avantajı sağlayan temel bir bileşeni olacaktır. Bu vizyonun müşteri deneyimine yansıması da oldukça güçlü olacak. Gartner, 2026’ya kadar müşteri destek ekiplerinin yarısının üretken yapay zeka çözümleriyle destekleneceğini öngörüyor. Biz de bu doğrultuda, her temas noktasını veriyle besleyerek, her yolcuya kendini özel ve öncelikli hissettiren, proaktif ve kişiselleştirilmiş bir deneyim sunmayı hedefliyoruz.

Özgür Korkmaz – Uludağ İçecek BT Müdürü
FieldAI

“Veri doğruluk oranımız %30 arttı”

FieldAI – Akıllı Veri Toplama Girişimi; saha operasyonlarında manuel veri toplamanın yavaşlığı, hata riski ve verimsizliğini ortadan kaldırmak amacıyla geliştirildi. Proje, mobil cihazlar üzerinden yapay zeka destekli veri yakalama, görüntü tanıma ve doğal dil işleme teknolojileri kullanarak verilerin daha hızlı, doğru ve güvenilir bir şekilde toplanmasını sağladı. Hedefimiz; saha ekiplerinin topladığı bilgileri anlık olarak işleyerek işletmenin stratejik karar süreçlerine yüksek kaliteli veri sunmaktı.

Projede görüntü tanıma için derin öğrenme tabanlı CNN (Convolutional Neural Network) algoritmaları, metin işleme süreçleri için doğal dil işleme (NLP) teknikleri ve sahadan gelen verilerin desenlerini analiz etmek üzere tahmine dayalı modellemeler kullanıldı. Anlık analizler için makine öğrenmesi tabanlı sınıflandırma ve hata tespit algoritmaları da platforma entegre edildi.

Veri yönetimi sürecimiz dört ana aşamada ilerledi:

• Veri Toplama: Mobil cihazlar üzerinden fotoğraf, metin ve form verisi yakalandı.
• Veri İşleme: Toplanan veriler bulut ortamında gerçek zamanlı doğrulandı ve temizlendi.
• Model Eğitimi: İlk aşamada mevcut veri setleri kullanılarak modeller eğitildi, saha verileriyle sürekli optimize edildi.
• Optimizasyon: Model performansı, saha kullanımından gelen geri bildirimler ışığında düzenli olarak iyileştirildi ve yenilendi.

FieldAI sayesinde manuel veri toplama süreci %40 oranında hızlandı ve veri doğruluk oranı %30 arttı. Hızlı içgörü üretimi sayesinde sahada sorunlara anında müdahale edilebilir hale gelindi. Operasyonel verimlilik artışı doğrudan maliyet tasarrufuna yansıdı ve saha ekiplerinin çalışma motivasyonu yükseldi. Stratejik planlama süreçlerinde veriye dayalı karar alma yetkinliği önemli ölçüde güçlendi.

“Yapay zeka sistemleri karar süreçlerinin aktif bir parçası haline gelecek”

İçecek ve hızlı tüketim sektöründe yapay zeka destekli veri analitiği giderek saha operasyonlarının vazgeçilmez bir parçası haline geliyor. Gerçek zamanlı içgörü üretimi, tüketici davranışlarının anlık analizi ve kaynak planlamasında öngörülebilirlik artık rekabet avantajı için kritik öneme sahip. Ayrıca saha ekiplerinin işlerini daha verimli yapabilmeleri için yapay zeka destekli araçlar standart hale geliyor.

2026 yılına kadarsa yapay zeka sistemlerinin sadece destekleyici değil, karar süreçlerinin aktif bir parçası haline geleceğini öngörüyorum. Özellikle tahmine dayalı analitik, hiper-otomasyon ve kişiselleştirilmiş veri odaklı süreçler daha da önem kazanacak. İnsan-zeka iş birliğini artıran hibrit modeller yaygınlaşacak ve yapay zeka, sadece operasyonları desteklemek değil, iş modellerinin yeniden şekillenmesinde kritik bir rol üstlenecek.

Serdar Dilmen – DHL Türkiye CIO’su
Speech Analytics Uygulaması

“Gelişmiş LLM algoritmaları ve NLP teknolojileri ile çağrıların içeriği derinlemesine analiz ediyoruz”

DHL Express Türkiye Ar-Ge Merkezi olarak geliştirdiğimiz “Speech Analytics” projesi, çağrı merkezi verilerinin derinlemesine analizini sağlayarak müşteri temsilcilerinin performans yönetimini optimize etmeyi amaçlamaktadır. Proje; milyonlarca gönderi teslimatı yapan şirketimizin çağrı merkezleri ile etkileşimde bulunan müşterilere mükemmel bir deneyim sunmak için tüm çağrıların analiz edilmesine dayanıyor. Bu yaklaşım, müşteri memnuniyetini artırmayı hedeflerken, aynı zamanda çağrı merkezi operasyonlarının verimliliğini de artırmayı amaçlamaktadır. Özellikle, müşteri temsilcilerinin performansını daha nesnel bir biçimde değerlendirmek ve sorunları hızlı bir şekilde tespit etmek için veri odaklı bir sistem geliştirilmiştir. Bu sistem, müşterilerin ihtiyaçlarını daha iyi anlamayı ve onlara daha etkili çözümler sunmayı mümkün kılmaktadır.

Projede, gelişmiş LLM (Large Language Model) algoritmaları ve doğal dil işleme (NLP) teknolojileri kullanılmıştır. Bu teknolojiler, çağrıların içeriğini anlamada ve analiz etmede önemli bir gelişme sağlamaktadır. Ayrıca AWS Transcribe gibi bulut tabanlı yapay zeka hizmetleriyle entegre bir hibrit model geliştirilmiştir. Bu model, çağrıların metne dönüştürülmesi ve ardından içeriğin analizi için kullanılmıştır. Kullanılan algoritmalar, çağrı merkezi verilerini daha iyi anlamamıza olanak tanırken, müşteri etkileşimlerinin kalitesini artırmak için gerekli içgörüleri sağlamaktadır. Bu sayede, müşteri memnuniyetini artırmaya yönelik stratejiler geliştirilmektedir.

Veri yönetimi sürecimiz, çağrı merkezi verilerinin toplanması ve analizi üzerine odaklanmıştır. Bu süreçte, ses tonu akustik parametreleri, gelen çağrı sayıları, bekletilen çağrı sayıları, çağrılarda sessiz kalma süreleri ve duygu durum analizleri gibi veriler üzerinde çalışılmıştır. Bu veriler, müşteri memnuniyetine etki eden faktörlerin belirlenmesine yardımcı olmuş ve personel performansını değerlendirmek için nesnel kriterler sağlamıştır. Ayrıca verilerin gerçek zamanlı analizi sayesinde yöneticilere stratejik karar alma süreçlerinde destek sunulmuştur. Bu sistem, çağrı merkezi operasyonlarının her aşamasında daha iyi kararlar alınmasını sağlamakta ve müşteri deneyimini iyileştirmektedir.

DHL Express olarak, müşteriye sunduğumuz hizmetin kalitesi bizim için son derece önemlidir. Projemiz, müşteri memnuniyetinde önemli bir iyileşme sağlamıştır. Personel performans değerlendirmeleri, nesnel verilere dayalı olarak yapılmaktadır. Bu gelişme, müşteri temsilcilerinin daha etkili bir biçimde yönlendirilmesine ve eğitim ihtiyaçlarının daha doğru bir şekilde belirlenmesine olanak tanımaktadır. Ayrıca müşteri şikayetlerine cevap verme süresi önemli ölçüde kısalmış ve kök-neden analizi ile müşteri şikayet sayısı azaltılmıştır. Çağrı merkezi yöneticileri, personelin eğitim ihtiyaçlarını daha etkili bir şekilde belirleyerek genel verimliliği artırma fırsatı bulmuştur. Proje, çağrı merkezi operasyonlarımızın her aşamasında daha iyi kararlar alabilmemizi sağlamakta ve müşteri deneyimini iyileştirerek şirketimizin genel performansını güçlendirmektedir.

“Projemiz, sektördeki diğer oyuncular için de dönüşüm fırsatları yaratıyor”

Biz express sektörü olarak, hızlı ve zamanında teslimat gerektiren gönderiler için özel olarak tasarlanmış hizmetleri müşterilerimize sunuyoruz. Sunduğumuz bu özel hizmetleri yapay zeka çağında geliştirmek için hem Türkiye’deki dijital dönüşüm ve arge ekiplerimizle hem de globaldeki ekiplerimizde dijital dönüşüm süreçlerimizle birlikte yapay zeka ve analitik uygulamalarımızın sayısını hızla artırmakta, müşteri deneyimini iyileştirmek için daha fazla veri odaklı karar alma süreçlerini benimsemekteyiz. Özellikle çağrı merkezi operasyonlarımızda veri analitiği kullanımı, müşteri etkileşimlerinin daha iyi anlaşılmasını sağlamaktadır. Bu proje ise çağrı merkezi operasyonlarında yenilikçi bir yaklaşım sunarak sektördeki diğer oyuncular için de dönüşüm fırsatları yaratmaktadır. Ayrıca yapay zeka teknolojilerinin benimsenmesiyle birlikte, müşteri temsilcilerinin performansını artırmaya yönelik yeni stratejiler geliştirilmekte ve uygulamaya konulmaktadır.

2026 yılına baktığımızdaysa, yapay zeka ve analitik alanında daha fazla kişiselleştirilmiş hizmetler sunmayı ve veri güvenliğine daha fazla odaklanmayı hedefliyoruz. Ayrıca doğal dil işleme ve duygu analizi gibi teknolojilerin daha geniş bir kitleye ulaşmasını ve sektördeki uygulama alanlarının genişlemesini öngörüyoruz. Bu hedefler doğrultusunda, müşteri deneyimini daha da iyileştirmek için yenilikçi çözümler geliştirmeye devam edeceğiz. Yapay zeka uygulamalarının daha yaygın hale gelmesiyle birlikte, sektördeki rekabetin de artacağına inanıyoruz.

Yağız Aydemir – AstraZeneca Dijital, BT ve İnovasyon Direktörü
Sağlıkta Yapay Zeka Dönüşümü

“Akciğer filminin AI ile taranması ve %96’lık başarı oranı ile erken teşhis konulması sağlandı”
Operasyonel verimliliği artırmak bizim için önemli bir konuydu. Şirket içindeki birçok süreç manuel olarak yürütülüyor ve bu da zaman kaybına ve hata riskine neden oluyordu. Devreye aldığımız AZ ChatGPT çözümü sayesinde, çalışanlarımızın kontrollü ve güvenilir şekilde çeşitli LLM modellerinden faydalanmasını sağladık. Sadece platformu sunmakla kalmayıp, farklı departmanlardan belirlenen şampiyon kullanıcıların günlük çalışma pratiklerine uyguladığı iyi örneklerin paylaşılmasını teşvik ettik. AZ ChatGPT kısa sürede merkez çalışanlarımızın %52’sinden fazlasının her gün başvurduğu bir asistan haline geldi. 

Diğer yandan devreye aldığımız Synthesia.ai ve Jasper.ai çözümleri sayesinde yıllık 250 bin dolarlık kreatif ajans maliyetlerimizi 175 bin dolar seviyesine indirdik. 2025’te bu harcamaların 125 bin dolara kadar düşürmeyi planlıyoruz.

Bir diğer önemli hedefimiz; yapay zekadan faydalanarak hastaların en hızlı şekilde teşhis almasını ve hekimlerin iş yükünü hafifletecek çözümlerin hayata geçirilmesine katkı sağlamaktı. Qure.ai firması ile geliştirdiğimiz iş birliği sayesinde, Hacettepe Üniversitesi, Ege Üniversitesi ve Mersin Üniversitesi gibi merkezlerde sadece 2024 yılında 100 binden fazla akciğer filminin yapay zeka ile taranması ve %96’lık başarı oranı ile erken teşhis konulması sağlandı. Bu girişim, hem hastaların yaşam kalitesini artırdı hem de sağlık sistemine destek oldu.

Ayrıca inovasyonu teşvik etmek ve sektördeki rekabet gücümüzü artırmak amacıyla AI Startup Demo Day etkinliğini düzenledik. Eylül 2024’te gerçekleşen bu etkinlikte, sağlık alanında yapay zeka üzerine çalışan 5 firmanın çözümlerini dinledik. Bu sayede, potansiyel iş birlikleri için fırsatlar yakalayarak şirketimize yenilikçi teknolojiler entegre etmeye başladık.

Projede şu yapay zeka teknolojilerini ve algoritmalarını kullandık:

• AZ ChatGPT –> Open AI ChatGPT 4o, o3 mini, o1 preview; Google Gemini 2.0 Flash, Anthropic Claude Sonnet 3.5
• Synthesia.ai
• Jasper.ai
• Microsoft Copilot
• Qure.ai qXR platform

Sağlık sektörü ciddi regülasyonlara tabi olan bir sektör. Bu nedenle şirket içi süreçlerimizde kullandığımız çözümlerde yürürlükte olan yapay zeka yönetişim mekanizmamız bizim en doğru yaklaşımı geliştirmemizi ve çalışanlarımız ile şirketimizin veri gizliliği ve güvenliğinden emin olmamıza yardımcı oluyor.

Özetlemek gerekirse, üretken yapay zeka kullanarak şu alanlarda fayda sağladık:

• Kreatif ajans maliyetlerinde %30’luk azalma
• Kişi başına %12’lik verimlilik artışı (Elimine edilen manuel aktiviteler üstünden hesaplanmıştır)
• Üretken yapay zeka desteği ile başlatılan yeni projeler sayesinde oluşacak 500 bin dolarlık ek maliyetten kaçınma

“Yapay zeka ve analitik teknolojileri, hasta bakımını daha kişiselleştirilmiş, etkili ve erişilebilir hale getirme potansiyeline sahip”

Sağlık sektöründe yapay zeka ve analitik alanındaki gelişmeler, hasta bakımı ve tıbbi uygulamaları dönüştürmeye devam ediyor. Bu bağlamda, özellikle kişiselleştirilmiş tıp, erken teşhis, hasta bakımı ve teletıp alanlarında yaşanan ilerlemeler, sağlık hizmetlerinin geleceğini şekillendiriyor.

Kişiselleştirilmiş tıp, yapay zeka ve analitik teknolojilerin sağlık alanındaki en önemli uygulama alanlarından biri haline geldi. Genetik, çevresel ve yaşam tarzı faktörlerinin kapsamlı analizi, her hastaya özgü tedavi planlarının geliştirilmesine olanak tanıyor. Bu yaklaşım, ilaç etken maddelerinin hassas bir şekilde ayarlanmasını ve potansiyel yan etkilerin minimize edilmesini sağlayarak, tedavi etkinliğinin artırılmasını sağlıyor. Örneğin, kanser tedavisinde tümörün genetik profiline dayalı olarak en etkili ilaç kombinasyonlarının belirlenmesi mümkün hale gelmeye başladı.

Erken teşhis ve hastalık tahmini alanında, makine öğrenimi algoritmaları büyük veri setlerini analiz ederek, hastalıkların erken belirtilerini tespit etmede önemli ilerlemeler kaydedilmesini sağladı. Özellikle görüntü işleme teknolojilerindeki gelişmeler, radyoloji alanında devrim yarattı. Derin öğrenme modelleri, mamografi, MRI ve CT taramalarında insan gözünün kaçırabileceği ince detayları tespit ederek, kanser gibi ciddi hastalıkların erken teşhisine katkıda bulunuyor. Bu teknolojiler, sadece teşhis doğruluğunu artırmakla kalmayıp, aynı zamanda sağlık profesyonellerinin iş yükünü de hafifletiyor.

Hasta bakımı ve takibi konusunda, giyilebilir teknolojiler ve IoT cihazları, sürekli veri akışı sağlayarak hasta sağlığının gerçek zamanlı izlenmesine olanak tanııyor. Yapay zeka algoritmaları, bu verileri analiz ederek sağlık durumundaki en küçük değişiklikleri bile tespit edebilmekte ve potansiyel sağlık sorunlarına karşı erken uyarı sistemi görevi görüyor. Örneğin, diyabet hastalarında kan şekeri seviyelerinin sürekli izlenmesi ve anormal değerlerin hemen tespit edilmesi, komplikasyonların önlenmesinde kritik rol oynuyor.

Teletıp ve uzaktan sağlık hizmetleri, özellikle COVID-19 pandemisi sonrasında büyük bir ivme kazandı. Yapay zeka destekli chatbotlar ve sanal asistanlar, hastaların basit sağlık sorularını yanıtlayarak sağlık sisteminin yükünü hafifletiyor. Ülkemizde de Sağlık Bakanlığımızın geliştirdiği “Neyim Var?” uygulaması bu alanda çok iyi bir örnek teşkil ediyor. Bu teknolojiler, hastaların doğru sağlık hizmetine yönlendirilmesini sağlarken, gereksiz hastane ziyaretlerini de azaltmayı amaçlıyor. Ayrıca, uzaktan hasta izleme sistemleri, kronik hastalıkların yönetiminde devrim yarattı. Kalp yetmezliği, KOAH gibi hastalıklarda, hastaların evde takibi ve erken müdahale imkanı hastaneye yatış oranlarını düşürüyor ve yaşam kalitesini artırıyor.

Bu gelişmeler, sağlık hizmetlerinin sunumunda paradigma değişikliğine işaret ediyor. Reaktif sağlık hizmetlerinden proaktif ve önleyici bir yaklaşıma geçiş, sadece hasta sonuçlarını iyileştirmekle kalmayıp, sağlık sistemlerinin sürdürülebilirliğine de katkıda bulunacağını düşünüyorum. 

Sonuç olarak, yapay zeka ve analitik teknolojilerinin sağlık sektöründeki uygulamaları, hasta bakımını daha kişiselleştirilmiş, etkili ve erişilebilir hale getirme potansiyeline sahip. Bu dönüşüm süreci, sağlık profesyonelleri, teknoloji geliştiricileri ve politika yapıcılar arasında sürekli işbirliği ve inovasyonu gerektiriyor. Gelecekte, bu teknolojilerin daha da gelişmesi ve yaygınlaşması ile sağlık hizmetlerinin kalitesi ve erişilebilirliğinde önemli ilerlemeler kaydedilmesi işten bile değil.

2025 yılı, önceki yıllarda hayata geçirilen teknolojilerin, organizasyonların iş süreçleri ile tam entegrasyonu ve çalışanların yeni iş yapış şekillerine adaptasyonuna odaklanılan bir süreci beraberinde getiriyor. 2026 yılında ise organizasyonların artık gerçekten verimi artırmaya ve etkili sonuçlar ortaya koymaya başlayacağı bir dönemin başlangıcı olacağı görüşündeyim. Bununla birlikte geleceği iyi okuyan ve kendini buna iyi hazırlayan şirketlerin ve bireylerin rakiplerine göre daha avantajlı bir konuma geçmesi de kaçınılmaz görünüyor.