40'tan Fazla Gerçek Hayat Örneğiyle Yapay Zekanın Ajan Tabanlı Kullanım Alanı
Otonom üretken yapay zeka ajanları, çok az veya hiç insan gözetimi olmadan karmaşık görevleri yerine getirir. Ajan tabanlı yapay zeka, sohbet botlarından ve yardımcı pilotlardan farklıdır.
Geleneksel yapay zekânın , özellikle de karmaşık iş akışlarında genellikle insan müdahalesi gerektiren üretken yapay zekânın aksine, ajansal yapay zekâ, karar verme yetenekleri ve hedef odaklı davranışı sayesinde süreçleri otonom olarak yönlendirmeyi ve optimize etmeyi amaçlar. Yapay zekâ ajanları şu görevleri üstlenir:
- Geliştiriciler
- Güvenlik operasyonları asistanları
- İnsan benzeri oyun karakterleri
- İçerik oluşturucular
- Sigorta asistanları
- İnsan kaynakları (İK) asistanları
- Müşteri hizmetleri asistanları
- Araştırma asistanları
- Bilgisayar kullanıcıları
- yapay zeka ajan oluşturucuları
Geliştirici olarak yapay zeka ajanları
1. Bina uygulamaları
Cursor AI Editor, Windsurf Editor ve Replit gibi yapay zeka kod editörleri, uygulamaları ( örneğin yapılacaklar listesi uygulaması ) şu şekilde oluşturmayı ve dağıtmayı amaçlar:
- İş için doğru araçları seçmek , örneğin API'ler için Flask veya ön uçlar için React gibi.
- Seçilen dilde (örneğin Python, JavaScript) basit komutlara dayanarak kod üretme .
- Test ve dağıtım için GitHub Actions gibi entegrasyonlarla iş akışlarını otomatikleştirme .
Gerçek hayattan bir örnek:
Bir geliştirici, OpenAI'ın Operatörü ve Replit'in Yapay Zeka Ajanını kullanarak 90 dakika içinde eksiksiz bir uygulama oluşturdu. İki ajan, kimlik bilgilerini otomatik olarak değiştirdi ve testler gerçekleştirdi.
Gerçek hayattan bir örnek:
Cursor'ın aracı modu Composer, tek bir komuttan yola çıkarak eksiksiz bir Tic Tac Toe oyunu oluşturmayı amaçlıyor: "2 oyuncu için HTML, CSS ve JavaScript tabanlı bir Tic Tac Toe oyunu oluştur."
İmleç , birden fazla dosyada kod yazabilir, komutları yürütebilir ve ihtiyaç duyduğu bağlamı otomatik olarak belirleyebilir (dosya eklemeye gerek yok).
Devamını oku
Ajan tabanlı yapay zeka sistemlerini destekleyen altyapıyı araştırıyorsanız, en son performans testlerimize göz atmanızı öneririz:
- Uzaktan tarayıcılar : Tarayıcı altyapısının, aracıların web ile güvenli bir şekilde etkileşim kurmasını nasıl sağladığı.
- MCP kıyaslaması : Araç kullanımı ve web erişimi açısından en iyi MCP sunucuları.
2. Yapay zeka kodlamasıyla kendi API'nizi oluşturun
Yapay zekâ kod editörleri, teknik özellikleri işlevsel koda dönüştürerek API oluşturma sürecini otomatikleştirir . İşte sürecin tipik işleyişi:
- Üretilen çıktıyı test, sürüm kontrolü ve dağıtım için geliştiricinin ortamına entegre etmek .
- API spesifikasyonlarının (örneğin, OpenAPI/Swagger dosyaları) alınması .
- Belgelenmiş uç noktalar, yöntemler ve şemalar temel alınarak arka uç kodu oluşturuluyor .
Gerçek hayattan bir örnek:
n8n ile yapay zeka ajanları için kodsuz API iş akışları.
İşte bir API iş akışının üst düzey bir soyutlaması :
3. Doğal dil kod düzenleme
Kod parçacıklarını seçebilir ve aşağıdaki gibi sade İngilizce komutlar verebilirsiniz:
“Oyun tahtasının boyutunu iki katına çıkarın. Yeşil yapın – tıpkı Apple 2e gibi.” (aşağıda gerçek hayattan bir örnek görebilirsiniz).
Gerçek hayattan bir örnek:
Cursor gibi kodlama aracıları amacı belirler, dosyalardaki ilgili kodu değiştirir ve değişiklikleri uygular.
4. Web siteleri oluşturmak
Vercel'in v0'ı , Bolt , Lovable ve CerebrasCoder gibi yapay zeka web sitesi oluşturucuları , e-öğrenme web siteleri gibi karmaşık platformlar oluşturmayı ve aşağıdaki gibi temel sayfalar üretmeyi amaçlamaktadır:
- Ana Sayfalar
- Ders listesi sayfaları
- Kişiselleştirilmiş öğrenci panoları
Benzer şekilde, Replit gibi yapay zeka kod editörleri web siteleri oluşturur ve API'lerden yararlanır. 4
Gerçek hayattan bir örnek :
Web sitesi yapay zeka ajanı nasıl oluşturulur:
Otomasyon iş akışı şu şekildedir:
5. CRM kontrol paneli oluşturma
Ajanlar , ön uç arayüzünü oluşturma, arka uç mantığını yapılandırma ve veritabanı etkileşimlerini kurma yeteneğine sahiptir.
Gerçek hayattan bir örnek:
Roo Code, eksiksiz CRM panolarını otomatik olarak oluşturmak için DeepSeek modelini kullanır.
6. Özyinelemeli kodlama ve eski kodların modernizasyonu
Temel kodlama genellikle LLM'ler için bir görev olsa da, bir ajanın birden fazla katmanda kodu yinelemeli olarak iyileştirdiği/genişlettiği özyinelemeli kodlama iş akışları doğası gereği ajansaldır .
Ajanlar, hedefe ulaşılana kadar döngüler halinde büyük kod bloklarını otonom olarak yeniden yazar, yapılandırma değişikliklerini uygular ve sonuçları test eder.
Gerçek hayattan örnekler:
GT Edge AI, eski COBOL kodunu modern Java'ya dönüştürüyor. 7
Persistent, COBOL kodunu Java'ya otonom olarak geçirmek için kullanılan çoklu ajanlı bir çerçeve sunar ve şu şekilde çalışır: 8
7. Kod yeniden düzenleme
Özyinelemeli kodlama kullanarak, yapay zeka ajanları kodun çalışma şeklini değiştirmeden tasarımını sürekli olarak iyileştirir, bu da kodun anlaşılmasını ve bakımını kolaylaştırır.
Gerçek hayattan bir örnek:
Teknoloji girişim geliştiricileri, kodunuzu 25'ten fazla programlama dilinde yeniden düzenleyen bir aracı oluşturdu. 9
8. IDE'nizde kod önerileri oluşturma
GitHub Copilot gibi yardımcı programlar, gerçek zamanlı kod önerileri ve otomatik tamamlama sağlayarak sözdizimi hatalı olasılığını azaltır.
9. CI/CD işlem hattı izleme ve optimizasyonu
Yapay zekâ ajanları, Kubernetes gibi bulut tabanlı ortamlarda altyapıyı yönetir. Bu DevOps ajanlarının amacı şunlardır:
- Çalışmakta olan giriş denetleyicilerini veya diğer iş yüklerini belirleyin.
- Çalışan bölmeleri belirleyin
- “NGINX podunu kapat” gibi üst düzey komutları yorumlayın.
Gerçek hayattan bir örnek:
Claude, araçlar veya sarmalayıcılar aracılığıyla Kubernetes'e bağlandığında, küme durumunu sorgulamak için bir DevOps ajanı olarak hareket edebilir. "Çalışan herhangi bir pod'um olup olmadığını kontrol et."
Yapay zekâ ajanları, güvenlik operasyonları asistanı olarak
10. Tehdit istihbaratı
Ajanlar, tehdit aktörlerinin TTP'lerini (taktikler, teknikler, prosedürler) açık kaynaklı ve özel kaynaklardan toplar ve ilişkilendirir, bulguları tespit iş akışlarına entegre eder.
Gerçek hayattan bir örnek:
Microsoft'in Güvenlik Yardımcı Pilotu, tehdit istihbaratını dinamik olarak toplayan, filtreleyen ve özetleyen özel bir Tehdit Intel İstihbarat Bilgilendirme Aracısı içerir.
11. Tespit ve önceliklendirme
Bu işlemler, gürültüyü azaltmak ve daha derinlemesine analizden önce uyarı verilerini düzenlemek amacıyla sinyal alımının ilk aşamasında gerçekleştirilir.
- Uyarı tekrarlarını kaldırma : Gürültüyü azaltmak için birden fazla kaynaktan gelen özdeş veya neredeyse özdeş olayları kaldırır.
- Yanlış pozitiflerin bastırılması : Geçmiş çözüm modellerini kullanarak tekrarlayan zararsız uyarıları bastırır.
- Uyarı gruplama/kümeleme : Birbiriyle ilişkili uyarıları (aynı kullanıcı, sunucu veya taktik) tek bir olay altında kümeler.
Gerçek hayattan bir örnek:
Charlotte AI, otonom tespit ve önceliklendirme işlemleri gerçekleştiriyor. ile:
- Bilinen taktik, teknik ve prosedürlere (TTP'ler) dayanarak kötü amaçlı davranışları belirleme .
- Çalıştırma kalıpları ve dosya yolları arasında çapraz referanslama .
- İnsan tarafından okunabilir bir karar açıklaması sunmak.
12. Bağlamsal zenginleştirme ve tehdit atfı
İlk değerlendirmeden sonra gerçekleştirilen bu adım, uyarılara derinlik ve bağlam katar.
Otomatik saldırgan atama sistemleri, CTI akışlarını alır, davranışsal ve zamansal özellikleri çıkarır ve olaylar arasında benzerlik puanları hesaplar. Kümeleme algoritmaları daha sonra, desen örtüşmesine dayanarak saldırıları (örneğin, APT41 , Mozi veya Lazarus gibi) bilinen tehdit aktörlerine eşler.
Gerçek hayattan bir örnek:
Google Chronicle + Mandiant + Gemini yapay zeka ajanları, telemetri ve CTI akışlarını otonom olarak alır, uyarıları IOC bağlamıyla (örneğin, IP itibarı, kötü amaçlı yazılım karmaları) zenginleştirir ve davranış kalıplarını MITRE ATT&CK çerçevesinden bilinen tehdit aktör taktikleriyle çapraz referanslar.
Bu ajan tabanlı kurulumda:
- Algılama: Bir yapay zeka ajanı, hizmet hesaplarını kullanarak yatay hareketi algılar.
- Zenginleştirme: Chronicle günlüklerinden , varlık envanterinden ve Mandiant tehdit istihbaratından gelen verilerle uyarıyı otomatik olarak zenginleştirir.
- Atıf: İkinci bir ajan, bu etkinliği bilinen bir gruba (örneğin, APT41 ) atfedilen tarihsel saldırı zincirleriyle kümelendirir.
13. Gerginliğin tırmanması ve devredilmesi
- Uyarı çevirisi/basitleştirme : Teknik uyarıları analist dostu özetlere dönüştürür.
- Otomatik bilet oluşturma ve analist atama : Biletler oluşturur ve olayları uygun kademeye veya ekibe yönlendirir.
14. Proaktif müdahale eylemleri
Güvenlik operasyonlarında (SecOps), ajanlar uç noktaları izole eder, hesapları devre dışı bırakır veya kötü amaçlı süreçleri sonlandırır; bu sistemlerin amacı şunlardır:
- Sorgu günlüklerini doğal dil veya bağlamsal tetikleyiciler kullanarak otomatik olarak sorgulayın.
- Soruşturma ve üst kademeye iletme süreçleri için otomatikleştirilmiş işlem kılavuzlarını çalıştırın.
- Yeni kanıtlara veya temel alınan mantığa dayanarak iş akışlarını gerçek zamanlı olarak uyarlayın.
- Sorun giderme için altyapıyı kod olarak oluşturun (örneğin, Terraform, Pulumi).
- Soruşturma bulgularına dayanarak tespit kurallarını taslak haline getirir ve değiştirir.
Gerçek hayattan bir örnek:
Google, kötü amaçlı yazılım tespiti için yapılandırılmış bir Olay Müdahale Planı yürütmek üzere birden fazla alt aracı kullanan SOC Yöneticisi aracısını geliştirdi. 16
Temsilci tabanlı proje yapısı:
Olay müdahale planının son aşamasında (Adım 5: Tamamlama), SOC Yöneticisi ajanı tarafından otomatik bir engelleme çalışma kılavuzu çalıştırılarak (aşağıya bakınız) IOC'ler (Güvenlik İhlali Göstergeleri) proaktif olarak engellendi.
Kaynak:
Mandiant & Google Bulut Güvenliği 17
15. Tehdit avcılığı
Tehdit avcılığındaki ajanların amaçları şunlardır:
- Kimlik, ağ ve bulut günlüklerinde sürekli olarak anormallikleri tarayın.
- IOC aramaları veya desen tespiti gibi tekrarlayan aramaları otomatikleştirin.
- Davranışları geçmiş veriler ve emsal faaliyetlerle karşılaştırarak bilinmeyen tehditleri belirleyin.
Gerçek hayattan bir örnek:
Araştırmacılar, yapay zeka ajanlarının tehdit tespiti için Sigma kuralları oluşturmak üzere işbirliği yaptığı , MITRE ATT&CK tarafından yönlendirilen ve yerel LLM ile otomatikleştirilmiş bir tehdit avlama sistemi geliştirdiler.
Bu örnekte, kullanıcı bir web arayüzü aracılığıyla bir istekte bulunur (örneğin, "Lütfen Kerberoasting saldırılarını tespit etmek için bir Sigma kuralı oluşturun" ).
Ajan 1, MITRE ATT&CK'den ilgili tespit yöntemlerini alırken, Ajan 2 bu girdiyi kullanarak bir dil modeliyle bağlam duyarlı Sigma kuralları oluşturur. 18
16. Otomatik yazılım ve uygulama testi
Yapay zekâ test ajanları, kapsamlı manuel müdahaleye gerek kalmadan birim, entegrasyon, güvenlik açığı ve performans testleri oluşturur ve yürütür. Bununla birlikte, bu yapay zekâ sistemlerinin oluşturulması, önemli miktarda işlem gücü gerektirdiğinden kaynak yoğun bir süreçtir.
Gerçek hayattan bir örnek:
Pcloudy'nin Copilot'u Selenium test komut dosyaları sağlar, test edilebilecek tarayıcıları bulur ve test senaryolarını yürütür. 19
Daha fazla bilgi için: Kurumsal yapay zeka asistanları , yapay zeka ajanı oluşturucuları , açık kaynaklı yapay zeka ajanları .
Yapay zekâ ajanları, insan benzeri oyun karakterleri olarak
Yapay zekâ ajanları, oyun dünyasındaki NPC'leri ve diğer ajan tabanlı süreçleri , NPC davranışları sergileyerek, oyun oynama ve uyum sağlama yeteneklerini geliştirerek ve prosedürel içerik üreterek iyileştirir.
17. Etken maddeli oyuncu olmayan karakterler (NPC'ler)
Oyunlardaki tamamen otonom yapay zekâ ajanları, oyuncu olmayan karakterler (NPC'ler) için insan benzeri davranışlar ve oyun deneyimi sunar.
Gerçek hayattan bir örnek:
Araştırmacılar, " Stanford Yapay Zeka Köyü " adı verilen ve 25 yapay zeka ajanı içeren, The Sims'e benzer bir sanal ortam oluşturarak küçük bir sanal kasaba kurdular.
Bu köyde kullanıcılar, ajanların haber paylaşımını, ilişkiler kurmasını ve grup etkinlikleri düzenlemesini gözlemleyebilir ve onlarla etkileşim kurabilirler. 20
İşte bu kavramların ardındaki temel bileşenler ve fikirlerin genel bir özeti:
- Davranışsal senaryolar : Stanford AI Village ajanları, eylemler ve tepkiler için önceden tanımlanmış senaryolar kullanır. Bu, diğer NPC'lerle olumlu etkileşim kurmak gibi temel davranışları içerebilir.
- Dinamik davranış : NPC'ler, oyuncunun eylemlerine göre davranışlarını ayarlamak için yapay zekayı kullanır, bu da oyun dünyasını daha duyarlı hale getirir.
- Yol Bulma : NPC'ler, oyun dünyasında etkili bir şekilde gezinmek, engellerin etrafından dolaşmak ve oyuncuyu takip etmek için algoritmalar kullanır.
18 Oyun oynama
Yapay zekâ ajanları, aşağıdaki unsurlardan yararlanarak video oyunları oynar veya insan oyunculara belirli hedeflere ulaşmalarında yardımcı olur:
- Yol bulma ve navigasyon: Oyun ajanları, en uygun stratejileri bulmak için deneme yanılma yöntemini kullanarak oyun ortamlarını keşfederler. Örneğin, karmaşık labirentlerdeki navigasyon yollarını, karar verme süreçlerini sürekli olarak iyileştirerek öğrenirler.
- Giriş öykünmesi: Oyun ajanları, klavye tuşlarına basma, fare hareketleri veya oyun kumandası kontrolleri gibi girişleri öykünür. Bu, oyunla tıpkı bir insan oyuncu gibi etkileşim kurmalarını sağlar.
- Oynanış uyarlanabilirliği: Ajanlar, oyuncunun oyun tarzını analiz eder ve oyun dünyasını, etkileşimleri ve görev tasarımını buna göre uyarlar. Örneğin, gizlilik odaklı bir oyuncu daha az doğrudan çatışmayla karşılaşabilir.
Gerçek hayattan bir örnek:
Google DeepMind'ın Ölçeklenebilir Yönlendirilebilir Çoklu Ajanı (SIMA), oyun ortamlarında gezinmeyi ve etkileşim kurmayı hedefliyor. SIMA, No Man's Sky ve Goat Simulator gibi oyunları oynamayı amaçlıyor.
Kaynak: Google 22
19. Prosedürel içerik üretimi
Yapay zekâ ajanları, algoritmik olarak çok büyük miktarda oyun içeriği üretme konusunda oldukça yeteneklidir; örneğin:
- Arazi ve manzaralar
- Savaş senaryoları
- Karakter tasarımları
- Ses manzaraları ve müzik
Gerçek hayattan bir örnek:
Macera oyunu No Man's Sky , tüm gezegenleri şu özelliklerle oluşturmak için prosedürel üretim yöntemini kullanır:
- Çeşitli topoğrafyalar (örneğin, dağlar, vadiler, kanyonlar).
- Eşsiz biyomlar (örneğin, çöller, ormanlar, okyanuslar).
- Dinamik hava olayları (örneğin, fırtınalar, yağmur). 23
Yapay zekâ ajanları içerik oluşturucu olarak
Yapay zekâ ajanları, içerik oluşturma, düzenleme ve yayınlama süreçlerini otomatikleştirir. Bu yapay zekâ ajanları, insan yazarlara yardımcı olur ve bağımsız olarak içerik üretir. Yapay zekâ yazma asistanlarının bazı uygulama alanları şunlardır:
20. Otomatikleştirilmiş anlatı yazımı
Yapay zekâ ajanları, bölümlerin ana hatlarını belirleyerek, içeriği taslak haline getirerek ve metin bölümlerini, içeriği taslak haline getirerek ve metin bölümlerini, içeriği taslak haline getirerek ve metin bölümlerini, içeriği ve metni cilalayarak bir anlatı yazarlar.
Gerçek hayattan bir örnek:
GitHub'da yer alan bir yapay zeka ajanı projesinde , 10 uzmanlaşmış yapay zeka ajanı, insan müdahalesi olmadan 100.000 kelimelik (~300 sayfa) bir romanı otonom olarak yazdı. Bu 10 ajandan bazı örnekler şunlardır:
- Teknik şartname sorumlusu : Hikaye gereksinimlerini analiz eder ve anlatım tutarlılığını sağlar.
- Prodüksiyon sorumlusu : İçerik üretir ve yaratıcı değişiklikleri uygular.
- Yönetim temsilcisi : Temsilciler arasında koordinasyonu sağlar ve yaratıcı akışı takip eder.
- Çoğaltma önleyici : İçerik fazlalığını ve tekrarlarını engeller.
İşte ajanların romanı nasıl yarattığını gösteren bir canlı yayın :
21. Teknik rapor veya teklif yazımı
Yapay zekâ ajanları, aşağıdakiler de dahil olmak üzere teknik raporları otomatik olarak hazırlarlar:
- Mühendislik raporları
- Proje önerileri
- Araştırma makaleleri
- Ürün özellikleri
Gerçek hayattan bir örnek:
ParagraphAI , bir yapay zeka yazım asistanı olarak, zaman çizelgesini, bütçeyi, gerekli kaynakları ve personeli belirterek teknik mühendislik raporları yazmaktadır. 25
22. Bilgi tabanlı makale üretimi
Ajanlar, belirli bir konu hakkında kapsamlı bir genel bakış oluşturmak için Wikipedia, ürün kılavuzları veya akademik dergiler gibi bilgi veritabanlarından bilgi çekerler.
Gerçek hayattan bir örnek:
Perplexity Pages, yapay zeka tarafından üretilen arama sonuçlarını yapılandırılmış Wikipedia sayfalarına dönüştürür. 26
23. Gösterge paneli ve diyagram oluşturma
Temsilciler, metin komutlarına dayanarak kullanıcı arayüzü/kullanıcı deneyimi bileşenleri, sistem diyagramları ve akış şemaları oluşturarak tasarım sürecini kolaylaştırır.
Gerçek hayattan bir örnek:
FigJam AI, metin komutlarını kullanarak şunları oluşturur:
- Toplantılar ve ekip çalışmaları için kontrol panelleri
- Diyagramlar ve akış şemaları
- Görsel zaman çizelgeleri ve Gantt şemaları 27
Sigorta asistanı olarak yapay zeka ajanları
Temsilciler, hasar incelemesi, onayı ve sahtekarlık tespiti süreçlerini otomatikleştirerek tüm hasar işleme yaşam döngüsünü kolaylaştırır. Örneğin, büyük ölçekli bir sigorta şirketi, özel yapay zeka temsilcilerini hasar iş akışına entegre ederek bireysel otomobil hasarlarının yaklaşık %90'ını otomatikleştiriyor. 28
24. Baştan sona hasar işleme
Bir talep gönderildikten sonra, yapay zekâ destekli sistemler gönderilen formlardan ilgili verileri çıkarır, ayrıntıları mevcut veritabanlarıyla karşılaştırarak doğrular ve tutarsızlıkları veya olası dolandırıcılık sinyallerini işaretler.
Gerçek hayattan bir örnek:
Microsoft'in Power Platform'u , sigorta talep formunu otomatikleştiriyor:
İşte Microsoft'in Güç Platformu :
- Onay kutusu seçimleri ve metinler gibi yakalanan talep formu belgeleri .
- Talep formu SharePoint içerik yönetim uygulamasına yüklendi .
- Talep formundan talep kimliği ve onay kutusu değerleri (örneğin, talep türü, poliçe numarası) gibi veriler çıkarıldı .
- Çıkarılan verileri (onay kutusu değerleri dahil) Microsoft Dataverse'e kaydetmek için Dataverse ile entegre edilmiştir .
- Örneğin, formlardaki işlenmiş iş akışları , talepleri onaylamak veya reddetmek için Power App aracılarını kullandı.
25. Sigortacılık
Agentic AI, hasar olasılığını değerlendirmek için risk değerlendirme ajanı ve dinamik prim ayarlamaları için fiyatlandırma ajanı gibi uzmanlaşmış ajanlar kullanarak sigorta poliçesi düzenleme sürecini otomatikleştirir.
Gerçek hayattan bir örnek:
Akira AI'nin temsilcileri, her biri sigorta poliçesi düzenlemenin kritik bir alanında uzmanlaşmış çoklu temsilci sistemi aracılığıyla sigorta poliçesi düzenleme ve risk değerlendirmesini otomatikleştirir:
- Veri toplama aracı: Hem yapılandırılmış hem de yapılandırılmamış verileri toplar.
- Risk değerlendirme ajanı: Geçmiş verileri ve başvuru sahibi bilgilerini analiz ederek tazminat talebi olasılığını tahmin eder.
- Sahtekarlık tespit ajanı: Taleplerde ve başvurularda anormallikleri veya şüpheli kalıpları tespit eder.
- Fiyatlandırma aracı: Piyasa koşulları, rakip fiyatlandırması ve müşteri davranışı gibi faktörlere dayanarak fiyatlandırma önerir. 30
26. Kişiselleştirilmiş politika çözümü
Acenteler, sigortalıya hasar durumu ve sonraki adımlar hakkında bilgi verir; bu bilgiler arasında gerekli ek belgeler, onay/red güncellemeleri veya ödeme detayları yer alır.
Yapay zekâ ajanları insan kaynakları (İK) asistanı olarak
İnsan kaynakları operasyonları genellikle özgeçmiş inceleme gibi tekrarlayan ve otomatikleştirilebilen birçok görevi içerir. İşte insan kaynakları operasyonlarında yapay zeka destekli ajanların başlıca örnekleri:
27. Özgeçmiş incelemesi
Agentic iş akışları, eleme sürecini otomatikleştirir, ilgili becerileri filtreler ve önceden tanımladığınız kriterlere göre otomatik olarak puan atar.
Gerçek hayattan bir örnek:
PepsiCo, adayların iş gereksinimlerini ne kadar iyi karşıladıklarına bağlı olarak sıralama yapmak için yapay zeka araçları kullanıyor. 31
28. Görüşme planlaması
Temsilciler, mülakatların planlanmasını ve adaylar ile işe alım yöneticileri arasında en uygun zamanların bulunması için koordinasyonu sağlayabilirler.
Gerçek hayattan bir örnek:
LinkedIn İK Asistanı, iş tanımlarını sentezlemek, aday aramak ve temel ön eleme görüşmeleri yapmak gibi günlük görevleri yerine getirir. 32
29. Bordro otomasyonu
Bordro işlemlerinde görev alan yetkililer, maaşları hesaplar, kesintileri işler ve vergi stopajlarını yönetir. Doğruluk ve bordro standartlarına uyumu sağlamak için insan kaynakları bilgi sistemleri (İKYS) ve muhasebe yazılımlarıyla entegre olurlar.
Finans otomasyon çözümleri hakkında daha fazla bilgi edinin:
- RPA finans kullanım örnekleri ve araçları
- Finans alanında yüksek lisans (LLM) araçları kıyaslaması
- Agentic AI finans araçları
Gerçek hayattan bir örnek:
Akira AI'nin çoklu ajanlı bordro sistemi, bordro döngüsünün her aşamasını otomatikleştirir. Sistem, aşağıdakiler de dahil olmak üzere çeşitli ajanlar kullanır:
Kaynak: Akira AI 33
Burada, Akira AI'nin çoklu ajanlı bordro sistemi , aşağıdakiler de dahil olmak üzere çeşitli ajanlar kullanmaktadır:
- Veri alımı ve ön işleme ajanı : İnsan kaynakları ve finans sistemlerinden gelen verileri temizlemek için veri çıkarma yöntemlerini kullanır.
- Maaş hesaplama ajanı : Maaş, kesintiler ve ikramiyeler de dahil olmak üzere maaş hesaplamalarını otomatikleştirir.
- Uyumluluk raporlama ajanı : Makine öğrenimi kullanarak uyumluluk sorunlarını tespit eder.
- Sorgu çözümleme aracı: RAG kullanarak bordro sorunlarını çözer.
Yapay zekâ ajanları müşteri hizmetleri asistanı olarak
Geleneksel sohbet botları temel soruları yanıtlar, ancak müşteriye gerçekten yardımcı olma konusunda genellikle tıkanırlar. Temsilci tabanlı müşteri hizmetleri araçları bunu şu şekilde değiştirir:
- Sorular belirsiz veya karmaşık olsa bile, incelikli sorgulamaları yorumlamak .
- Müşteri profillerinden, sipariş geçmişinden ve bilgi tabanlarından veri alırken , sohbet, sesli görüşme ve e-posta kanalları arasında sorunsuz bir şekilde çalışır.
- Önceki etkileşimlerden elde edilen bağlamı koruyarak , daha bilinçli ve kişiselleştirilmiş yanıtlar verilmesini sağlar.
- Müşteriyle proaktif bir şekilde etkileşim kurmak , örneğin müşteri iletişime geçmeden önce kontroller veya takip görüşmeleri için hatırlatmalar göndermek.
30. Müşteri aramalarına cevap vermek:
Bir müşteri bir soru sormak için aradığında, yapay zekâ ajanları çağrıyı doğal dil kullanarak işler.
Gerçek hayattan bir örnek:
Ada AI Agent müşteri aramalarına cevap veriyor:
31. Müşteri taleplerine yanıt verme
Yapay zekâ ajanları, bağlama özgü yanıtlar verir veya müşterileri daha fazla yardım için uygun kaynaklara yönlendirir.
32. Takip ve bilgilendirici SMS göndermek
Etkileşimden sonra, temsilciler müşterilerle iletişime geçmek için SMS mesajları gönderir.
33. Sıkça Sorulan Sorular (SSS) oluşturma ve optimizasyonu
Temsilciler:
- Müşteri etkileşimlerinden ve destek talebi geçmişinden yola çıkarak SSS'leri otomatik olarak oluşturur ve günceller.
- Tekrarlayan sorguları belirlemek için CRM, sohbet ve bilgi tabanı araçlarıyla entegre olun.
Yapay zeka ajanları araştırma asistanı olarak
Yapay zekâ ajanları, araştırma asistanı olarak çeşitli alanlarda veri analizi, literatür taraması, hipotez oluşturma ve deney tasarımı gibi konularda yardımcı olmak amacıyla kullanılmaktadır.
Gerçek hayattan örnekler:
1. OpenAI'ın Derin Araştırması, o3 ve DeepSeek kullanarak büyük aramalar yaparken, büyük miktarda çevrimiçi bilgiyi sentezlemek ve doktora düzeyinde çok adımlı araştırmaları tamamlamak için akıl yürütmeyi kullanır. 35 36
Araştırmacıların Deep Research'ten detaylı bir yönergeyle gerçek hayattan bir proje yürütmesini istediği bir deneyde, Deep Research şu sonuçları elde etti:
- Araştırma projesine başlamadan önce, projenin kapsamını ve ayrıntılarını netleştirmek için ek sorular soruldu.
- Akademik ve sektörel raporlara dayalı 22 kaynaktan elde edilen bulguların sentezlenmesi. 37
2. ChemicalQDevice'ın klinik karar destek (CDS) sisteminden ilaç keşfi için ajan tabanlı iş akışını yürütmesi istendi. Bu örnekte ChemicalQDevice'ın sistemi:
- Veri kümelerinden elde edilen çok miktarda klinik literatürü analiz ettim.
- GitHub Actions gibi araçlar kullanarak otomatik kodlama işlemleri gerçekleştirildi.
- Hipotezler oluşturmak, deney tasarımları önermek ve araştırma raporları yazmak için üretken yapay zeka (örneğin, GPT-4 veya özelleştirilmiş modeller) kullanıldı. 38
3. Uçtan uca ajan tabanlı iş akışı sistemi olan otto-SR , literatür taramaları yapmak için LLM'lerden yararlanır, dahil etme/hariç tutma kriterlerini uygular, yapılandırılmış verileri çıkarır ve meta-analizler gerçekleştirir. 39
OpenAI'ın Deep Research ChemicalQDevice sistemi ve otto-SR, aşağıda verilen çeşitli ajansal kullanım durumlarında kullanılabilir:
34. Literatür taraması ve bilgi keşfi
Belirli araştırma konuları veya hipotezlerle ilgili çalışmaları, makaleleri ve yayınları toplamak için akademik veri tabanlarında, dergilerde ve çevrimiçi araştırma depolarında (örneğin, Scholar, PubMed) bağımsız olarak arama yapma.
35. Hipotez oluşturma ve test etme
Verilerdeki kalıplara dayanarak proaktif bir şekilde analiz hipotezleri oluşturmak ve bunları test etmek (genellikle analistlerin ve iş kullanıcılarının yaptığı iş).
36. Veri madenciliği ve analizi
Araştırma veritabanları, sosyal medya, patentler veya klinik çalışma sonuçları gibi çeşitli kaynaklardan elde edilen yapılandırılmış ve yapılandırılmamış verileri işleyerek ortaya çıkan trendlere ilişkin bilgiler sunmak.
37. Veri görselleştirme ve sunumu
Karmaşık veri kümelerinin anlamlı görsel temsillerini oluşturmak.
Yapay zekâ ajanları bilgisayar kullanıcıları olarak
“Bilgisayar Kullanımı”, yapay zekanın bir insan gibi bilgisayarla etkileşim kurmasını sağlamayı amaçlamaktadır. Bu, işletim sistemi veya web'e özgü API'ler kullanmadan dijital görevleri yerine getirme esnekliği sağlar.
Yapay zekâ ajanlarının insanlar gibi görevleri yerine getirmesi için iki yaklaşım vardır:
- İşletim sistemi grafik kullanıcı arayüzü (GUI) işlemlerini gerçekleştirme ( Anthropic'ın Claude'u, Microsoft'in OmniParser'ı, vb. ).
- Web tarama ( OpenAI Operator, Kura AI, Runner H , HyperWriteAI, MultiOn Agent Q, vb.) .
Araç örnekleri:
- OpenAI'ın yeni Operatör aracı, yapay zeka ajanlarının evcil hayvan maması satın almak gibi çeşitli web sitelerinde görevleri tamamlamasına olanak tanıyor. 40
- Kura AI ve Runner H, web tarayıcılarını kullanarak görevleri tamamlamayı hedefliyor. 41 42
- HyperWriteAI, çevrimiçi sipariş vermek için metin formlarını doldurmayı, düğmelere tıklamayı ve menü seçimleri yapmayı amaçlamaktadır. 43
- Microsoft'in OmniParser'ı, GUI otomasyonu için ajanların görsel arayüzleri anlama yeteneğini geliştiriyor. 44
38. Form doldurma ve web otomasyonu
Temsilciler, kullanıcı isteklerine veya yapılandırılmış verilere dayanarak web sayfalarında gezinir, alanlara tıklar ve formları doldurur.
Gerçek hayattan bir örnek:
39. Belge oluşturma ve düzenleme
Aracılar, yerel veya bulut ortamlarında dosyaları açar, düzenlemeler yapar, yeniden adlandırır, düzenler ve kaydeder.
Gerçek hayattan bir örnek:
Anthropic numaralı oyuncu Claude'dan "25 satır örnek gider oluşturması, bunları bir elektronik tabloya kaydetmesi ve ardından elektronik tabloyu açması" isteniyor.
Bu örnekte, Claude:
- CSV dosyasını LibreOffice Calc uygulamasında açtım.
- 25 satırlık örnek gider verisi içeren bir CSV dosyası oluşturuldu.
- LibreOffice Calc elektronik tablo programı yüklendi. 46
40. Web araştırması ve yapılandırılmış veri toplama
Temel otomasyon komut dosyalarının aksine, derin web araştırma ajanları, birden fazla sayfadaki yapılandırılmamış bilgileri yorumlar ve yapılandırılmış bir biçimde içgörüler sunar.
Gerçek hayattan bir örnek:
OpenAI'ın Derin Araştırma özelliği , çok adımlı, yüksek bağlamlı web araştırmaları için tasarlanmış ChatGPT içindeki yeni bir ajansal yetenektir ; karmaşık sorguları yanıtlamak için birden fazla kaynaktan bilgi planlar , gezinir ve sentezler.
41. Komut satırı işlemleri ve komut dosyası yürütme
Terminal tabanlı geliştirme iş akışları için tasarlanmış Aider gibi CLI tabanlı kodlama aracıları, kabuk komutlarını çalıştırır, yazılım yükler, komut dosyaları başlatır ve terminal arayüzlerinde çıktıları yorumlar.
Gerçek hayattan bir örnek:
CLI tabanlı bir yapay zeka kodlama ajanı olan Aider, geliştiriciler tarafından kod tabanlarını yeniden düzenlemek ve test paketlerini çalıştırmak gibi kabuk komutlarını yürütmek için kullanılır (pytest, npm test). Ajan, terminal çıktılarını yorumlar, hataları yinelemeli olarak düzeltir ve değişiklikleri doğrudan Git depolarına kaydeder. 48
42. Çok modlu uygulama navigasyonu ve koordinasyonu
Birleşik GUI aracıları (örneğin, OpenAI Operatör prototipleri) uygulamalar arasında geçiş yapabilir.
Gerçek hayattan bir örnek:
Sipariş teslimatı kullanım senaryosunu test etmek için, Open Operator'dan basit bir alışveriş isteği gönderdim: "Bana 30 doların altında bohem tarzı bir dekoratif yastık kılıfı almamda yardımcı olun ."
Otonom iş akışı aracıları (Uzun vadeli görevlendirme)
Hafıza ve araç kullanımı yeteneğine sahip planlama ajanları (örneğin, Auto-GPT, hedef belirleme özelliğine sahip Agent Q), çeşitli araçlar üzerinden çok adımlı hedefleri gerçekleştirir (örneğin, girdi toplama, eylem gerçekleştirme, planı revize etme), gerçek zamanlı olarak kararlar alır.
Gerçek hayattan bir örnek:
Bu çok aşamalı finansal rapor analizinde, yapay zeka planlama ajanına şu görev verilir: "Geçen çeyreğin finansal performansını analiz et ve finans ekibi için bir özet hazırla."
Ajan'dan şunları temin etmesi isteniyor:
- Şirketimizle ilgili son haberler (en önemli 3 haber)
- Şirketin mevcut hisse fiyatı (
AAPL) - Şirket bilgileri (örneğin, profil, piyasa değeri, sektör)
- Tarihsel hisse senedi fiyatları (son bir ay içindeki 1 günlük aralıklarla)
- Analist tavsiyeleri (örneğin, al/tut/sat derecelendirmeleri)
İşte finansal raporun çıktısı:
Gerçek hayattan bir örnek:
MultiOn temsilcisi Q uçuş rezervasyonu yapıyor.
Yapay zeka ajanları oluşturmak
LangChain gibi araçlar kullanılarak yapılan doğal dil tabanlı hava durumu aramaları gibi temel ajan uygulamalarından, uygulama geliştirme (örneğin, Cursor AI editörü ile bir Tic Tac Toe oyunu oluşturma) gibi daha karmaşık, otonom kullanım durumlarına geçiş, şu zorlukları beraberinde getirdi:
- Görev yürütmede karmaşıklığı yönetmek
- Karar alma süreçlerine rehberlik eden kalıpları standartlaştırmak.
- Birden fazla seçeneği bir araya getirip bir görevi yerine getirmek için en uygun eylemi seçmek. (Örneğin, "Kullanıcı girdisine bağlı olarak bu ekranı mı yoksa başka bir ekranı mı göstermeliyim?")
- Harici sistemler ve API'lerle arayüz oluşturma
43. Özel yapay zeka ajanları oluşturma:
Yapay zeka ajanı oluşturma çerçeveleri, aşağıdaki olanakları sağlayarak bu zorlukların üstesinden gelmeye yardımcı olur:
- __21833__
- Karar verme ve akıl yürütme çerçeveleri (örneğin, makine öğrenimi veya olasılık modelleri), kalıpları standartlaştırmak ve birden fazla seçeneği birleştirmek için kullanılır.
- Harici sistemler ve API'lerle arayüz oluşturmak için veri erişim ve entegrasyon araçları (örneğin, API bağlayıcıları).
Gerçek hayattan bir örnek:
Microsoft 365 ile özel bir Slovenya seyahat rehberi acentesi oluşturma:
SSS'ler
Kurumsal işletmeler bu konuda birçok kavram kanıtı (PoC) çalışması yürütürken, birçok kurumsal iş akışında hataların maliyeti oldukça yüksektir. LLM'lerin olasılıksal yapısı güvenilirliklerini azaltır ve ajanların üretim ortamlarında benimsenmesini yavaşlatır.
Ajan tabanlı yapay zeka, yapay zeka sistemlerinin minimum denetimle sorunları çözmesini sağlayan genel çerçevedir. Bu çerçeve içinde, yapay zeka ajanları, belirli görevleri özerk bir şekilde yürütmekten sorumlu bireysel bileşenlerdir.
Ajan tabanlı yapay zeka kullanıcı hedeflerini anlar ve problem çözme sürecini yönetirken, yapay zeka ajanları görevleri yerine getirir.
Karar Verme: Önceden tanımlanmış hedeflere ve gelişen bağlama göre durumları değerlendirerek ve eylemler seçerek, minimum insan müdahalesiyle çalışır.
Problem çözme: Dört aşamalı bir döngü izler: algılama → akıl yürütme → hareket etme → öğrenme .
Özerklik: Ajan tabanlı yapay zeka sistemleri bağımsız hareket eder, zaman içinde öğrenir ve gelişir.
Etkileşim: Çevresiyle proaktif olarak etkileşime girer ve eylemlerini gerçek zamanlı olarak ayarlar (örneğin, sürücüsüz araçlar dinamik sürüş kararları alır).
Planlama: Çok adımlı stratejileri uygulayabilme, karmaşık görevleri çözebilme ve uzun vadeli hedeflere ulaşabilme yeteneğine sahiptir.
Üretken yapay zeka, istek üzerine içerik oluştururken, ajansal yapay zeka ise bağımsız olarak hedeflere ulaşmaya çalışır.
Üretken yapay zeka, kullanıcı komutlarına dayanarak özgün içerik oluşturur. Tepkiseldir ve belirli kullanıcı girdilerine yanıt verir. ChatGPT ve GitHub Copilot gibi araçlar popüler örneklerdir.
Öte yandan, ajansal yapay zeka, otonom olarak hareket etmek üzere tasarlanmıştır. Karar vermek, adımları planlamak ve değişen durumlara uyum sağlamak için doğrusal öğrenme modellerini (LLM) takviyeli öğrenme ve bilgi temsili gibi araçlarla birleştirir. Proaktiftir ve karmaşık görevleri başlatıp tamamlayabilir.
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.