AI Öneri Sistemleri

AI öneri sistemi (recommendation engine) nedir?

Öneri sistemi, kullanıcı davranışını ve ürün özelliklerini analiz ederek her kullanıcıya en olası ürün, içerik veya hizmeti sıralayan bir makine öğrenmesi motorudur. E-ticarette "bunu alanlar şunu da aldı", müzik ve video platformlarında "senin için çalma listesi", haberlerde kişiselleştirilmiş akış hep aynı temel matematik üzerinde çalışır: kullanıcı-ürün etkileşimlerinden bir benzerlik veya gizli faktör (latent factor) uzayı öğrenmek.

Sektör deneyimlerine göre iyi kurulmuş bir öneri motoru, gösterilen ürünlerin dönüşüm oranını ve ortalama sepet büyüklüğünü belirgin biçimde artırabilir; kamuya açık vaka çalışmalarında büyük platformların gelirlerinin kayda değer bir kısmı öneri motorlarına atfedilir. Bu rakamlar sektöre, katalog büyüklüğüne ve trafiğe göre değiştiği için tek bir "sihirli yüzde" yoktur — aşağıdaki oranlar örnek/yaklaşık aralık olarak okunmalıdır.

Öneri sistemi türleri ve karşılaştırma

Beş temel yaklaşım vardır. Aşağıdaki tablo, her yöntemin mantığını, güçlü/zayıf yönünü ve tipik kullanım eşiğini özetler:

Collaborative filtering nasıl çalışır?

Temelde bir kullanıcı-ürün puan matrisi kurulur (satırlar kullanıcı, sütunlar ürün, hücreler puan veya etkileşim). İki kullanıcı arasındaki benzerlik genellikle kosinüs benzerliği ile ölçülür: vektörler arasındaki açının kosinüsü 1'e yaklaştıkça kullanıcılar birbirine benzer. Bir kullanıcıya öneri skoru, benzer kullanıcıların o ürüne verdiği puanların benzerlikle ağırlıklandırılmış toplamıdır:

öneri skoru(kullanıcı, ürün) = Σ benzerlik(kullanıcı, komşu) × puan(komşu, ürün)

Bu "memory-based" yaklaşım küçük veri setlerinde şeffaf ve kolaydır, ancak katalog ve kullanıcı sayısı büyüdükçe matris seyrekleşir (kullanıcıların çoğu ürünlerin çoğunu görmemiştir) ve hesap maliyeti artar. Bu noktada model-tabanlı yöntemlere geçilir.

Matrix factorization ve derin öğrenme

Matrix factorization (SVD, ALS), binlerce sütunlu seyrek matrisi 50–200 boyutlu iki küçük matrise (kullanıcı faktörleri × ürün faktörleri) ayrıştırır. Bu boyut indirgeme hem gürültüyü filtreler hem de görülmemiş ürünler için puan tahmini üretir. Netflix Prize yarışmasını popülerleştiren yaklaşım budur.

Neural Collaborative Filtering ve two-tower mimariler, kullanıcı ve ürünü ayrı embedding kulelerinde temsil edip aralarındaki doğrusal olmayan ilişkiyi öğrenir. Gerçek zamanlı üretimde ürün embedding'leri önceden hesaplanıp bir ANN indeksine (FAISS, Milvus) konur; sorgu anında kullanıcı embedding'i ile milisaniyeler içinde en yakın komşular getirilir. Bu sayede milyonlarca üründen ilk-K öneri üretmek 10–50 ms aralığında mümkün olur (yaklaşık, altyapıya bağlı).

Değerlendirme metrikleri

Bir öneri modelini "iyi" yapan şey doğru sıralamadır. Yaygın metrikler:

• Precision@K / Recall@K: ilk K öneri içinde ilgili ürünlerin oranı ve kapsama.
• NDCG: sıralama kalitesi — ilgili ürünün ne kadar üstte olduğunu ödüllendirir.
• MAP (Mean Average Precision): tüm kullanıcılar için ortalama isabet.
• RMSE / MAE: puan tahmini görevlerinde hata büyüklüğü.
• Online: CTR, dönüşüm, sepet büyüklüğü ve gelir — A/B test ile.

Pratik kural: offline metrikler modeli elemek için, online A/B test ise nihai kararı vermekiçin kullanılır. İkisi çoğu zaman farklı sonuç verir.

Basit ROI matematiği (örnek senaryo)

Aşağıdaki tamamen hipotetik hesap, öneri sisteminin iş etkisini nasıl modelleyeceğinizi gösterir — gerçek rakamlar sektöre göre değişir:

• Aylık ziyaretçi: 100.000, dönüşüm %2 → 2.000 sipariş.
• Öneri sonrası dönüşümde varsayımsal +%20 iyileşme → 2.400 sipariş.
• Ortalama sepet 500 TL ise ek gelir ≈ 400 × 500 = 200.000 TL/ay.
• ROI = (kazanç − maliyet) / maliyet ile hesaplanır; sistem maliyetini bu ek gelirle karşılaştırın.

Buradaki +%20, gerçek bir müşteri sonucu değil, hesabı göstermek için seçilmiş örnek bir varsayımdır.

2026 eğilimleri

• LLM-tabanlı öneri: Kullanıcı geçmişini metne çevirip büyük dil modeliyle "neden bu ürün" açıklaması üretmek yaygınlaşıyor; öneri artık gerekçeli sunuluyor.
• Vektör arama standardı: Embedding + ANN indeksi (FAISS/Milvus/pgvector) üretim mimarilerinin varsayılanı hâline geldi.
• Gerçek zamanlı kişiselleştirme: Oturum içi davranışa (session-based) göre anında yeniden sıralama, batch önerinin yerini alıyor.
• Gizlilik odaklı öneri: KVKK 6698 ve GDPR uyumu için on-device ve federated yaklaşımlar artıyor; kişisel veriyi merkezde toplamadan öğrenme.

Ne zaman hangisini seçmeli?

• Yeni platform, az veri: content-based + popülerlik ile başla.
• Etkileşim verisi biriktiyse: matrix factorization (ALS) ekle.
• Çok büyük ölçek ve gerçek zamanlı ihtiyaç: two-tower embedding + ANN indeksi.
• Üretimde denge isteniyorsa: hybrid — sinyalleri ağırlıklandır ve business rule (stok, kategori limiti, tekrar satın alma) katmanı ekle.

Öneri sistemleri, müşteri segmentasyonu ve tahminleyici analitik ile birlikte kurulduğunda en yüksek etkiyi verir; kurumsal AI çözümlerimizi katalogda inceleyebilirsiniz.