Bir Listenin En Uygun Sepete Yolculuğu: Beş Aşamalı Pipeline
Sepet, yazdığın listeyi en uygun sepete nasıl çeviriyor? Parse, Lookup, Match, Optimize ve Summary aşamalarından oluşan pipeline'ı adım adım anlatıyoruz.
"Bir kilo domates, yarım kilo kıyma, bir paket makarna" yazdığında bu tek bir işlem gibi görünür. Oysa perde arkasında listen birbirini izleyen beş ayrı aşamadan geçer. Her aşamanın tek bir görevi var ve bu ayrım, sistemi hem anlaşılır hem de güvenilir tutuyor. Bu yazıda o yolculuğu baştan sona anlatıyorum.
Aşama 1: Parse, yani listeyi anlamak
İlk iş, serbest metni yapılandırılmış veriye çevirmektir. Kullanıcı her şeyi tek satırda, kısaltmalarla, dağınık yazabilir. Bu aşamada bir dil modeli (Gemini 2.5 Flash Lite) metni okur ve her kalemi üç parçaya ayırır: ürün adı, miktar ve birim. Ayrıca her kalem için bir arama sorgusu üretir.
Çıktı serbest metin değil, şemaya uyan bir nesnedir. Modeli düşük sıcaklıkla ve sabit bir şemaya bağlı çalıştırırız, böylece sonuç tahmin edilebilir kalır.
Fotoğraflar da buraya bağlanır. Bir yemek ya da fiş fotoğrafı önce görme yeteneği olan aynı modelden geçer, yapılandırılmış bir listeye çevrilir ve aynı akışa katılır. Yani metinle başlasan da fotoğrafla başlasan da sonraki aşamalar değişmez.
Aşama 2: Lookup, gerçek ürünleri bulmak
Elimizde temiz bir liste var ama bunlar henüz birer kelime. İkinci aşamada her kalem için marketlerdeki gerçek ürün adaylarını getiririz.
Burada önemli bir eleme yapılır: hiçbir markette gerçek bir fiyatı olmayan aday listeden çıkarılır. Fiyatı olmayan bir ürün optimizasyona katkı veremez, çünkü karşılaştıracak bir sayısı yoktur. Bu kural baştan uygulanınca sonraki aşamalar yalnız anlamlı verilerle çalışır.
Aşama 3: Match, doğru ürünü seçmek
Bir kalem için çoğu zaman birden fazla aday döner. "Yoğurt" yazdığında karşına sade yoğurtla birlikte meyveli ve aromalı çeşitleri de gelir. Üçüncü aşamada bir model, adaylar arasından kalemin gerçekten karşılık geldiği ürünü seçer.
Seçim keyfi değildir, kurallara bağlıdır. Sade bir ürün istendiğinde aromalı varyant seçilmez. Taze bir malzeme gerekiyorsa turşusu ya da konservesi tercih edilmez. Bu kurallar tek bir yerde, eşleştirme talimatında toplanır.
Aynı eşleştirmeyi tekrar tekrar hesaplamamak için seçimleri önbelleğe alırız. Aynı kalem, aynı aday kümesiyle yeniden geldiğinde modeli tekrar çağırmaya gerek kalmaz. Bu önbelleğin kurallarla nasıl senkron tutulduğunu ayrı bir yazıda anlattım.
Aşama 4: Optimize, en az parayla toplamak
Dördüncü aşamada artık yapay zeka yok. Bu tamamen deterministik bir hesaptır, yani aynı girdi her zaman aynı sonucu verir.
Önce her market için o markette en hesaplı seçenek bulunur. Karşılaştırma birim fiyat üzerinden yapılır, çünkü farklı gramajları adil kıyaslamanın tek yolu budur. Ardından iki olasılık değerlendirilir: tüm listeyi tek markette mi toplamak daha ucuz, yoksa iki markete bölmek mi. Listeyi bir bütün olarak optimize etmenin asıl kazancı çoğu zaman buradan çıkar.
Tek bir incelik daha var: istenen miktar fiyatı çarpmaz. "Altı limon" yazsan da bir kiloluk limon paketinin raf fiyatı neyse o yazılır. Miktar yalnızca doğru ürünü seçmek içindir, kasadaki tutarı belirlemek için değil.
Aşama 5: Summary, sonucu anlatmak
Son aşamada sayılar insanın okuyabileceği kısa bir özete dönüşür. Hangi market, ne kadar tutar, nereden ne kadar tasarruf edildiği birkaç cümleyle anlatılır. Kullanıcı tablo okumak zorunda kalmadan kararı görür.
Neden beş ayrı aşama
Tek bir dev adım yerine beş küçük adım kurmanın somut nedenleri var:
- Her aşama ayrı ayrı test edilebilir. Bir sorun çıktığında hangi adımda olduğunu bilirsin.
- Yapay zeka yalnızca yargı gereken yerde çalışır (anlama ve eşleştirme). Hesabın matematiksel kısmı deterministiktir.
- Her aşama bağımsız olarak iyileştirilebilir ya da önbelleğe alınabilir.
Sade görünen bir akışın altında, her biri tek bir işi iyi yapan beş parça var. Hepsinin ortak amacı tek: kasada en az parayı ödemen.