Üretken yapay zekâ, üreticileri yavaşlatan analiz sertifikalarını, irsaliyeleri, tedarikçi tekliflerini ve teknik şartnameleri okuyup ERP (kurumsal kaynak planlama) sistemine kontrol edilmiş veri olarak aktarabilir. Data Department bu iş akışlarını üretim şirketleri için iş kuralları, belirsiz alanlarda insan kontrolü ve KVKK gerektirdiğinde şirket içinde ya da AB'de (Avrupa Birliği) barındırılan modellerle kurar.
Hangi belgeleri otomatikleştirmeye değer?
En iyi adaylar sık gelen, tedarikçiye göre farklı formatlarda olan ve bugün bir çalışanın elle yeniden girdiği ya da kontrol ettiği belgelerdir:
- Analiz sertifikaları. Hammadde tedarikçilerinden parti bazında laboratuvar değerleri; üretime almadan önce şartname sınırlarıyla karşılaştırılır.
- Kâğıt veya PDF irsaliyeler. Miktar, parti numarası ve malzeme kodu; satın alma siparişi ve mal kabul ile eşleştirilir.
- Tedarikçi teklifleri. Fiyat, teslim süresi, minimum sipariş miktarı ve ödeme koşulları; tedarikçiler arasında karşılaştırılır.
- Teknik şartnameler ve ürün bilgi föyleri. Malzeme özellikleri, toleranslar ve standartlar; alternatifleri karşılaştırmak veya aranabilir bir arşiv kurmak için çıkarılır.
Zaten yapılandırılmış veri olarak gelen belgeler için yapay zekâ gerekmez. Örneğin e-İrsaliye, standart bir XML (genişletilebilir işaretleme dili) formatındadır ve doğrudan okunabilir. Yapay zekâ, düzeni tedarikçiye göre değişen PDF, tarama, fotoğraf ve e-postalarda değer üretir.
Belge işleme iş akışı nasıl çalışır?
Canlıda çalışan bir iş akışı altı adımdan oluşur. Model bunlardan yalnızca biridir.
- Toplama. Belgeler e-posta kutularından, tedarikçi portallarından, tarayıcılardan veya ortak klasörlerden alınır.
- Sınıflandırma. Belge türü ve tedarikçi belirlenir; böylece doğru alanlar ve kurallar uygulanır.
- Çıkarma. Gerekirse OCR (optik karakter tanıma), ardından bir LLM (büyük dil modeli) veya görüntü-dil modeli alanları sabit bir şemaya okur: malzeme kodu, parti, miktar, her laboratuvar parametresi, değeri ve birimi.
- Doğrulama. İş kuralları uygulanır: miktar siparişle uyuşuyor mu, her değer şartname sınırları içinde mi, birimler doğru dönüşüyor mu, parti numarası sistemde var mı?
- Kontrol. Yalnızca belirsiz veya kurala takılan alanlar, kaynak belgedeki ilgili bölüm vurgulanarak bir kişiye gönderilir.
- Aktarım. Onaylanan veri ERP'ye, kalite sistemine veya satın alma aracına yazılır; her karar denetim için kayıt altına alınır.
Bu tasarımda modelin görevi dar tutulur: belgeyi doğru okumak. Bir partinin kabul edilip edilmeyeceği kararı kurallarda ve insanlarda kalır.
Ne zaman kural, ne zaman model kullanılmalı?
İyi sistemlerin çoğu ikisini birlikte kullanır:
| Görev | Kural | Model | Neden |
|---|---|---|---|
| Değişken düzenli belgeden alan okumak | Evet | Düzen tedarikçiye göre değişir, sabit kurallar bu değişkenliği karşılayamaz | |
| Değeri şartname sınırıyla karşılaştırmak | Evet | Kesin ve denetlenebilir | |
| İrsaliyeyi satın alma siparişiyle eşleştirmek | Evet | Belirsiz malzeme adlarında yardımcı | Önce kesin anahtarlar, belirsiz metinde model |
| Birim dönüşümü ve format kontrolü | Evet | Yorum gerektirmez | |
| Tedarikçi teklifleri arasındaki farkları özetlemek | Evet | Dil görevi; satın almacı kontrol eder | |
| Partiyi üretime onaylamak | Evet, artı bir kişi | Kalite kararı sorumluluk gerektirir |
Belge hep aynı tedarikçiden aynı şablonla geliyorsa şablon tabanlı bir okuyucu yeterli olabilir. Çeşitlilik şablonları yönetilemez hale getirdiğinde üretken yapay zekâ kullanın.
Hangi doğruluk hedefleri konmalı?
Hedefleri belge başına değil, alan başına koyun ve mevcut elle yapılan süreçle karşılaştırın. Elle yeniden yazmanın da bir hata oranı vardır ve çok az şirket bunu ölçer. Önce bu oranı ölçün.
Üç rakam önemlidir:
- Alan doğruluğu. Çıkarılan alanlardan doğru olanların oranı; gerçek belgelerden oluşan etiketli bir test setinde ölçülür.
- Dokunulmadan geçme oranı. Tüm kural ve güven kontrollerinden geçip insan kontrolü olmadan aktarılan belgelerin oranı.
- Kaçan hata oranı. Kurallara ve kontrole rağmen ERP'ye ulaşan yanlış değerlerin oranı. İş riskini taşıyan rakam budur.
Tamamen varsayımsal bir örnek: bir fabrika ayda 2.000 analiz sertifikası alıyor. İlk aşamada ekip, alan doğruluğunu ölçülen elle giriş seviyesinde veya üzerinde, dokunulmadan geçme oranını %50 ila %60 aralığında ve kaçan hata oranını bugünkünden düşük hedefleyebilir. Kurallar ve istemler iyileştikçe dokunulmadan geçme oranı yükselir. Bu rakamlar yalnızca örnektir; gerçek hedefler mevcut durumunuza ve risk toleransınıza göre belirlenir.
İnsan kontrolü sürecin neresinde yer alır?
İnsan kontrolü, sistemin emin olmadığı durumları bir kişinin kontrol etmesi demektir. Sistem her alana bir güven puanı verir; düşük güvenli veya kurala takılan alanları bir kontrol ekranına yönlendirir. Kontrol eden kişi çıkarılan değeri kaynak belgede vurgulanan alanın yanında görür, onaylar veya düzeltir. Bu düzeltmeler test ve iyileştirme için yeni etiketli örneklere dönüşür.
Kontrol yükü zamanla azalmalıdır. Azalmıyorsa çözüm daha fazla kişi görevlendirmek değil, çıkarma şemasını veya kuralları iyileştirmektir.
İş sonucunu nasıl ölçersiniz?
Pilottan önce iş metriğinde anlaşın ve mevcut durumu ölçün:
- Belgeleri yeniden yazmak ve kontrol etmek için ayda harcanan saat.
- Belgenin gelişinden mal kabule veya parti onayına kadar geçen süre.
- Daha sonra üretimde, faturalamada veya denetimde bulunan hatalar.
- Satın alma kararı başına karşılaştırılan teklif sayısı ve karşılaştırma süresi.
Model metrikleri sistemin çalışıp çalışmadığını gösterir. İş metrikleri ise sistemin kurulmaya değip değmediğini gösterir. Bunu nasıl kuracağınızı üretimde ilk yapay zekâ projesi nasıl seçilir yazımızda anlattık.
KVKK ve GDPR tasarımı nasıl etkiler?
Üretim belgeleri çoğunlukla tekniktir ancak yine de kişisel veri taşır: laboratuvar çalışanlarının, şoförlerin ve tedarikçi yetkililerinin ad ve imzaları. Bu veriler KVKK (Kişisel Verilerin Korunması Kanunu) kapsamındadır; Avrupa'daki tesisler veya müşteriler söz konusuysa GDPR (AB Genel Veri Koruma Tüzüğü) de devreye girer. KVKK, kişisel verilerin yurt dışına aktarılmasını ayrıca belirli şartlara bağlar.
En kapalıdan en açığa doğru pratik seçenekler:
- Şirket içinde açık ağırlıklı modeller. Birçok yetkin açık ağırlıklı model ailesi kendi sunucularınızda çalışabilir. Veri fabrika ağından çıkmaz.
- Kendi bulut hesabınızda, seçtiğiniz bölgede modeller. Büyük bulut sağlayıcıları AB bölgelerinde yönetilen model hizmetleri sunar; hesap ve sözleşme sizindir.
- Veri kontrolleri olan genel model API'leri (uygulama programlama arayüzleri). Başlaması en kolay seçenektir; ancak verinin nerede işlendiğini, saklanıp saklanmadığını ve sözleşmenin neye izin verdiğini kontrol edin.
Gerekli olmayan kişisel alanları çıkarmadan önce maskelemek de mümkündür. Doğru seçim verinize, sözleşmelerinize ve hukuk ekibinizin görüşüne bağlıdır. Sistemleri sizin altyapınızda kuruyoruz: AWS (Amazon Web Services), Google Cloud, Azure veya şirket içi sunucular. Ayrıntılar üretken yapay zekâ ve kurumsal yapay zekâ asistanı sayfamızda.
Sık sorulan sorular
Üretken yapay zekâ taranmış veya fotoğrafı çekilmiş belgeleri okuyabilir mi?
Evet; OCR veya görüntü-dil modeli ile. Ancak görüntü kalitesi önemlidir. Düşük çözünürlüklü veya el yazısı belgeler daha fazla kontrol gerektirir; bunları en baştan test setine ekleyin.
Model partileri otomatik olarak onaylayacak mı?
Hayır, onaylamamalıdır. Model değerleri okur, kurallar bunları şartname sınırlarıyla karşılaştırır, onay kararının sorumluluğu bir kişide kalır.
Başlamak için kaç belge gerekir?
Ana tedarikçilerinizden birkaç yüz gerçek belge, etiketli bir test seti kurup doğruluğu ölçmek için yeterlidir. Üretken modeller çalışmaya başlamak için binlerce örneğe ihtiyaç duymaz.
Veriyi Türkiye veya AB dışına göndermeden bu sistem çalışabilir mi?
Evet. Şirket içindeki açık ağırlıklı modeller veya seçtiğiniz bulut bölgesindeki yönetilen modeller, veriyi belirlediğiniz sınırın içinde tutar.