AI Chatbot Geliştirme
AI chatbot; NLP ile intent classification ve entity extraction yaparak müşteri sorularını anlayan, benzer anlamları kavrayan ve 7/24 otomatik yanıt veren akıllı asistandır.
Chatbot türleri: rule-based vs AI
Chatbot geliştirmenin ilk kararı, kural tabanlı (rule-based) mi yoksa yapay zeka (NLP) tabanlı mı yapılacağıdır. İkisi arasındaki fark, esneklik ve maliyeti belirler (değerler yaklaşıktır):
| Özellik | Rule-based chatbot | AI chatbot (NLP) |
|---|---|---|
| Çalışma prensibi | Sabit kelime eşleştirme, if-else | Machine learning, doğal dil anlama |
| Esneklik | Düşük (tam eşleşme gerekir) | Yüksek (benzer anlamı anlar) |
| "kargom nerede" sorgusu | Tanımlı değilse anlamaz | Anlar |
| Geliştirme süresi | 1-2 hafta (basit) | 1-3 ay (eğitim gerekir) |
| Doğruluk | %60-75 (tanımlıda %100) | %80-95 |
| Uygun senaryo | FAQ, basit bilgi | Karmaşık, bağlama duyarlı sorular |
Öneri: 20 civarı sabit soru ve düşük bütçe için rule-based yeterlidir. En dengeli yaklaşım genellikle hibrit: bilinen sorular kural tabanlı, bilinmeyenler AI'ye yönlendirilir.
NLP pipeline: 4 temel adım
AI chatbot'un çekirdeği doğal dil işleme (NLP) hattıdır. Bir kullanıcı mesajı dört aşamadan geçer:
- Ön işleme (preprocessing): Metin küçük harfe çevrilir, noktalama ve gereksiz kelimeler ayıklanır, kök bulma (lemmatization) yapılır. Türkçede bu adım eklemeli yapı yüzünden zorlayıcıdır.
- Intent classification (niyet): Kullanıcının amacı belirlenir. Örneğin "siparişim nerede?" → sipariş_takip (yüksek güven skoru ile).
- Entity extraction (varlık çıkarma): Metindeki kritik bilgiler tespit edilir: sipariş no, tarih, ürün adı, şehir. "İstanbul'a kargo ücreti ne kadar?" → şehir: İstanbul.
- Yanıt üretimi: Intent ve entity'lere göre yanıt oluşturulur; ya şablon (template) tabanlı ya da bir LLM ile doğal dilde üretilir.
Türkçe chatbot: zorluklar ve çözümler
Türkçe, eklemeli (agglutinative) bir dil olduğu için NLP'de İngilizceye göre daha zorlayıcıdır. Bir köke birden çok ek gelerek onlarca varyasyon oluşur ("gitmek" fiili: gidiyorum, gidecek, gitmeyecekmiş...).
| Zorluk | Çözüm |
|---|---|
| Eklemeli dil (binlerce varyasyon) | Morfolojik analiz (Zemberek, TRMorph) ile kök bazlı eşleştirme |
| Türkçe etiketli veri azlığı | Transfer learning: mBERT, BERTurk veya güçlü Türkçe LLM |
| Yazım/aksan hataları | Normalizasyon + yazım düzeltme katmanı |
Önerilen 2026 Türkçe chatbot yığını: intent ve yanıt üretimi için güçlü Türkçe desteği olan bir LLM (GPT, Claude veya açık kaynak Türkçe modeller), entity çıkarımı için function calling veya SpaCy-tr, ön işleme için Zemberek ve AI başarısız olursa kural tabanlı yedek (fallback) şablonlar.
Maliyet ve ROI: örnek senaryo
Aşağıdaki geliştirme maliyetleri Türkiye pazarında yaklaşık/örnek aralıklardır; gerçek teklif kapsam ve entegrasyon sayısına göre belirlenir.
| Chatbot tipi | Özellikler | Süre | Yaklaşık maliyet |
|---|---|---|---|
| Temel FAQ botu | ~20 intent, şablon yanıt, tek kanal | 2-3 hafta | ~40K-70K TL |
| Orta seviye AI | 50+ intent, entity extraction, çok kanal | 1.5-2.5 ay | ~70K-120K TL |
| Kurumsal AI botu | LLM, CRM/DB entegrasyonu, çok dil | 3-4 ay | ~120K-250K TL |
ROI formülü: ROI = (yıllık tasarruf − yıllık maliyet) / yıllık maliyet. Örnek senaryo (hipotetik): Günde ~5.000 müşteri sorgusu alan bir e-ticaret firmasında chatbot soruların yaklaşık dörtte üçünü otomatik çözerse, insan temsilcisi yükü önemli ölçüde azalır. Tek seferlik ~90.000 TL geliştirme + aylık ~5.000 TL işletme (12 ayda ~150.000 TL) karşısında, azalan operasyonel yük yılda birkaç yüz bin TL mertebesinde tasarruf sağlayabilir; bu durumda ROI %200'ün üzerine çıkabilir. Bu rakamlar yalnızca yöntemi gösterir; her kurum kendi çağrı hacmi ve personel maliyetiyle hesaplamalıdır.
Güncel durum ve 2026 eğilimleri
- LLM tabanlı botlar standart oldu: Intent/entity için ayrı model eğitmek yerine güçlü bir LLM + function calling yaklaşımı yaygınlaştı.
- RAG ile kurum bilgisi: Chatbot'lar artık ürün kataloğu ve prosedürleri vektör veritabanından okuyarak halüsinasyonu azaltıyor.
- Duygu analizi entegrasyonu: Sentiment analizi ile öfkeli müşteri otomatik olarak insana yönlendiriliyor (human handoff).
- Çok kanallılık: Web, WhatsApp, Instagram ve sesli kanalların tek beyin üzerinden yönetimi öne çıkıyor.
NLP tabanlı, Türkçe dil destekli chatbot çözümlerimizi çözüm kataloğundainceleyebilirsiniz.
Merak edilenler
Rule-based ve AI chatbot arasındaki fark nedir?
Rule-based chatbot sabit kelime eşleştirme ve if-else mantığıyla çalışır; yalnızca tanımlı kalıpları anlar, esnekliği düşüktür ama tanımlı sorularda %100 tutarlıdır. AI chatbot ise machine learning ve NLP ile benzer anlamları da kavrar, esnektir ve karmaşık sorulara bağlama duyarlı yanıt verir; tipik doğruluğu %80-95 aralığındadır.
Türkçe chatbot neden daha zordur?
Türkçe eklemeli (agglutinative) bir dildir; tek bir köke çok sayıda ek gelerek onlarca varyasyon oluşur ("git" → gidiyorum, gidecek, gitmeyecekmiş...). Ayrıca Türkçe etiketli veri İngilizceye göre azdır. Çözüm; Zemberek gibi morfolojik analizörler, BERTurk gibi Türkçeye özel modeller ve güçlü Türkçe desteği olan LLM'lerdir.
Intent classification ve entity extraction nedir?
Intent classification, kullanıcının amacını (ör. sipariş_takip, iade_iste) belirler. Entity extraction ise metindeki önemli bilgileri (sipariş no, tarih, ürün adı, şehir) çıkarır. Bir chatbot "12345 nolu siparişim nerede?" cümlesinde intent olarak sipariş_takip, entity olarak sipariş_no=12345 değerini tespit eder.
AI chatbot ne kadara mal olur?
Maliyet chatbot tipine göre değişir ve her projede ayrı hesaplanır. Yaklaşık/örnek aralıklar: temel FAQ botu ~40K-70K TL, orta seviye (entity extraction, çok kanal) ~70K-120K TL, kurumsal (LLM + CRM/DB entegrasyonu, çok dil) ~120K-250K TL. Bu değerler örnektir; aylık API ve barındırma maliyeti ayrıca eklenir.
Kurumunuza özel çözümü konuşalım.
İhtiyacınızı yazın; yapay zeka, veri analitiği ve siber güvenlik çözümlerini değerlendirip 1 iş günü içinde dönelim. Aradığınız yoksa talep üzerine geliştiririz.
Talep Oluştur