Yapay Zekâ2026

SiteMind

Web siteleri ve kullanıcı içeriklerinden ilgili bilgiyi getirerek yapılandırılmış yanıtlar üreten RAG tabanlı yapay zekâ asistanı.

Kurum: DizaynGrup
Dönem: 2026 — devam ediyor
Rolüm: Yazılım geliştirici stajyeri
Odak: Etkileşimli çıktılar, retrieval, veri izolasyonu

Teknolojiler

TypeScript
C#
Python
RAG
Retrieval
LLM Applications

Proje özeti

DizaynGrup’taki 2026 stajımda geliştirme ekibine katıldığım SiteMind, web sitelerini ve kullanıcıların sağladığı materyalleri aranabilir bilgi kaynaklarına dönüştüren bir SaaS ürünü. Ben; yapay zekâ yanıtlarını etkileşimli arayüzlere dönüştüren özellikler, retrieval kalitesini iyileştiren çalışmalar ve projeler arası veri izolasyonu üzerinde çalışıyorum.

İçerikten güvenilir yanıta

SiteMind’in ürün vaadi basit: kullanıcı bir web sitesi veya kendi içeriğini ekliyor, asistan da yanıtlarını bu kaynaklara dayandırıyor. Bu yalın deneyimin arkasında tarama, içerik seçimi, işleme ve retrieval adımlarından oluşan uzun bir akış bulunuyor.

Kullanıcı, bulunan sayfalardan hangilerinin bilgi kaynağına dâhil edileceğini seçebiliyor. Böylece her sayfayı koşulsuz kullanmak yerine, asistanın yanıt vereceği kapsam proje bazında kontrol ediliyor.

Uzun süren işlemlerde canlı ilerleme göstermek yalnızca arayüz ayrıntısı değil, güvenin bir parçası. Kullanıcının sistemin hangi aşamada olduğunu görebilmesi, teknik süreci anlaşılır bir ürün deneyimine dönüştürüyor.

Taranan sayfaların içerik listesi — Tarama sonrasında bulunan içerik envanteri tek ekranda inceleniyor.

Sayfa seçimi — Hangi sayfaların eğitime gireceğine kullanıcı karar veriyor.

Cevabın biçimi de cevabın parçası

Sohbet arayüzü sadece düz metin döndürmüyor. Modelin, sorunun türüne göre yapılandırılmış bir çıktı üretmesi gerekiyordu: fiyat sorulduğunda bir fiyat tablosu, ürün sorulduğunda ürün kartları.

Widget ayarlarındaki sohbet DSL’i, hangi yanıtın hangi bileşene dönüşeceğini tanımlıyor. Böylece her proje için ayrı arayüz kodu yazmak yerine aynı ürün altyapısı farklı ihtiyaçlara göre yapılandırılabiliyor.

Benim katkı sunduğum bu etkileşimli çıktı katmanı, model yanıtını okunabilir ve işlem yapılabilir bir ürün deneyimine dönüştürüyor.

Fiyat tablosu çıktısı — Fiyat sorusu düz metin değil, tablo olarak dönüyor.

Bilmediğini bilmek

RAG ile çalışırken en çok uğraştığımız konu, modelin elindeki kaynak yetersizken ne yapacağıydı. Uydurmak en kötü sonuç; kuru bir "bilmiyorum" ise ziyaretçiyi kaybetmek.

Üründeki yaklaşım ikisinin arasında: kanıt sınırlıysa asistan bunu açıkça belirtiyor ve görüşmeyi bir iletişim formuna yönlendirebiliyor. Böylece sistem, bilgisinin sınırını saklamadan kullanıcıya bir sonraki adımı sunuyor.

Bu çalışma bana bir yapay zekâ özelliğinin yalnızca doğru yanıtlarla değil, yanıt veremediği durumları ne kadar şeffaf ve kullanışlı yönettiğiyle de değerlendirilmesi gerektiğini gösterdi.

Sınırlı kanıt ve lead formu — Kanıt yetersizse model bunu söylüyor ve konuşmayı lead formuna bağlıyor.

Chatbot yalnızca görünen yüzü

Retrieval, ürünün ayırt edici parçası olsa da kullanıcı deneyimi bunun çevresindeki projeler, analitik, ekip yönetimi, fiyatlandırma ve kimlik doğrulama akışlarıyla tamamlanıyor.

Proje kimliklerini tahmin edilemez hâle getirmek ve veriyi proje düzeyinde ayırmak, görünmeyen ama güven için kritik sorumluluklarımdan biriydi.

SiteMind bana iyi bir yapay zekâ özelliğinin tek başına yeterli olmadığını gösterdi. Güvenlik, veri sınırları ve günlük ürün akışları olmadan güçlü bir model, tamamlanmış bir ürüne dönüşmüyor.

Widget ayarları ve sohbet DSL’i — Cevap biçimlerini tanımlayan DSL — ürünün ölçeklenmesini sağlayan yer.

Bu projede öğrendiklerim

RAG ve retrieval kavramlarını ilk kez gerçek kullanıcı akışları olan bir üründe uyguladım. Kaynağın nasıl bölündüğü ve ilgili içeriğin nasıl seçildiği, yanıt kalitesini çoğu zaman model seçiminden daha doğrudan etkiliyor.

Değerlendirme tarafında tek bir metriğin yeterli olmadığını gördüm. Sonuçları gerçek siteler ve gerçek kullanıcı sorularıyla incelemek, iyileştirme sürecinin vazgeçilmez bir parçası.

Bu proje, farklı teknolojilerin yanında ürün sorumluluğumu da büyüttü: yazdığım bileşenin güvenli, anlaşılır ve gerçek bir kullanım senaryosunda faydalı olması gerekiyor.

Analitik panosu — Chatbot’un etrafındaki SaaS katmanından bir kesit.