40+ Gerçek Hayat Örnekleriyle Ajan Tabanlı Yapay Zeka Kullanım Alanları

Otonom üretken yapay zeka ajanları, karmaşık görevleri az veya hiç insan denetimi olmadan yerine getirir. Ajan tabanlı yapay zeka, chatbot'lar ve yardımcı pilotlardan farklıdır.

Geleneksel yapay zekadan, özellikle karmaşık iş akışlarında genellikle insan müdahalesi gerektiren üretken yapay zekadan farklı olarak, ajan tabanlı yapay zeka, karar verme yetenekleri ve hedefe yönelik davranışları sayesinde süreçleri otonom olarak yönetmeyi ve optimize etmeyi amaçlar. Yapay zeka ajanları şunlar olarak hizmet eder:

Geliştiriciler olarak yapay zeka ajanları

1. Uygulamalar oluşturma

Yapay zeka kod editörleri Cursor AI Editor, Windsurf Editor ve Replit gibi basit prompt'lar (ör. Yapılacaklar listesi uygulaması) aracılığıyla uygulamalar oluşturmayı ve dağıtmayı amaçlar:

• İş için doğru araçları seçmek, örneğin API'ler için Flask veya ön yüzler için React.
• Kod oluşturmak basit istemlere dayanarak seçilen dilde (ör. Python, JavaScript).
• İş akışlarını otomatikleştirmek test ve dağıtım için GitHub Actions gibi entegrasyonlarla.

Gerçek hayat örneği:

Bir geliştirici, OpenAI Operator ve Replit Yapay Zeka Ajanı kullanarak 90 dakikada tam bir uygulama oluşturdu. İki ajan, kimlik bilgilerini otonom olarak değiştirdi ve testleri çalıştırdı.

Gerçek hayat örneği:

Cursor'ın ajan modu Composer, tek bir istemden tam bir Tic Tac Toe oyunu oluşturmayı amaçlar:"2 oyuncu için HTML, CSS ve JavaScript Tic Tac Toe oyunu oluştur."

Cursor, birden fazla dosyada kodlama yapabilir, komutları çalıştırabilir ve hangi bağlama ihtiyacı olduğunu otomatik olarak belirleyebilir (dosya eklemeye gerek yoktur).

Daha fazlasını okuyun

Eğer ajan tabanlı yapay zeka sistemlerini güçlendiren altyapıyı keşfediyorsanız, en son kıyaslama testlerimizi incelemenizi öneririz:

• Uzaktan tarayıcılar: Tarayıcı altyapısının ajanların web ile güvenli bir şekilde etkileşime girmesini nasıl sağladığı.
• MCP kıyaslama testi: Araç kullanımı ve web erişimi için en iyi MCP sunucuları.

2. Yapay zeka kodlama ile kendi API'nizi oluşturun

Yapay zeka kod editörleri, API oluşturma işlemini otomatikleştirir ve spesifikasyonları işlevsel koda dönüştürür. Süreç genellikle şu şekilde işler:

• Çıktıyı geliştiricinin test, sürüm kontrolü ve dağıtım ortamına entegre etmek.
• API spesifikasyonlarını almak (ör. OpenAPI/Swagger dosyaları).
• Arka uç kodunu oluşturmak belgelenmiş uç noktalar, yöntemler ve şemalara dayanarak.

Gerçek hayat örneği:

Yapay Zeka Ajanları için Kod Gerektirmeyen API iş akışları n8n ile.

Burada bir API iş akışının yüksek seviyeli soyutlaması yer almaktadır:

3. Doğal dil kod düzenleme

Kod parçacıklarını seçebilir ve basit İngilizce komutlar verebilirsiniz, örneğin:

"Tahtanın boyutunu iki katına çıkar. Yeşil yap – tıpkı bir Apple 2e gibi." (aşağıdaki gerçek hayat örneğine bakın).

Gerçek hayat örneği:

Cursor gibi kodlama ajanları, niyeti belirler, dosyalar arasında ilgili kodu değiştirir ve değişiklikleri uygular.

4. Web siteleri oluşturma

Yapay zeka web sitesi oluşturucuları v0 by Vercel, Bolt, Lovable ve CerebrasCoder gibi e-öğrenme siteleri gibi karmaşık platformlar oluşturmayı amaçlar ve ana sayfalar gibi önemli sayfalar oluşturur:

• Ana sayfalar
• Kurs listeleme sayfaları
• Kişiselleştirilmiş öğrenci panoları

Aynı şekilde, Replit gibi yapay zeka kod editörleri web siteleri oluşturur ve API'lerden yararlanır.⁴

Gerçek hayat örneği:

Web sitesi yapay zeka ajanı nasıl oluşturulur:

Burada otomasyon iş akışı yer almaktadır:

5. CRM panosu oluşturma

Ajanlar, ön yüz arayüzünü oluşturabilir, arka uç mantığını yapılandırabilir ve veritabanı etkileşimlerini kurabilir.

Gerçek hayat örneği:

Roo Code, tam CRM panolarını otonom olarak oluşturmak için DeepSeek modelini kullanır.

6. Özyinelemeli kodlama ve eski kod modernizasyonu

Temel kodlama genellikle LLM'ler için bir görev iken, bir ajanın birden çok katman üzerinde kodu yinelemeli olarak geliştirdiği/uzattığı özyinelemeli kodlama iş akışları doğası gereği ajan tabanlıdır.

Ajanlar, bir hedefe ulaşana kadar döngüler halinde büyük kod bloklarını yeniden yazar, yapılandırma değişikliklerini uygular ve sonuçları test eder.

Gerçek hayat örnekleri:

GT Edge AI, eski COBOL kodunu modern Java'ya dönüştürür.⁷

Persistent, COBOL kodunu Java'ya otonom olarak taşımak için kullanılan çoklu ajanlı bir çerçeve sağlar, şu şekilde çalışır:⁸

7. Kod yeniden düzenleme

Özyinelemeli kodlama yapay zeka ajanlarını kullanarak, kodun nasıl çalıştığını değiştirmeden tasarımını sürekli olarak iyileştirerek, anlaşılmasını ve bakımını kolaylaştırırsınız.

Gerçek hayat örneği:

Teknoloji girişimi geliştiricileri, 25'ten fazla programlama dilinde kodunuzu yeniden düzenleyen bir ajan oluşturdu.⁹

8. IDE'nizde kod önerileri oluşturma

GitHub Copilot gibi ajanlar, gerçek zamanlı kod önerileri ve auto-tamamlamalar sağlar ve sözdizimi hataları olasılığını azaltır.

9. CI/CD pipeline izleme ve optimizasyonu

Yapay zeka ajanları, Kubernetes gibi bulut yerel ortamlarda altyapıyı yönetir. Bu DevOps ajanları şunları amaçlar:

• Çalışan ingress denetleyicilerini veya diğer iş yüklerini belirlemek
• Çalışan podları belirlemek
• "NGINX podunu kapat" gibi yüksek seviyeli komutları yorumlamak

Gerçek hayat örneği:

Araçlar veya sarmalayıcılar aracılığıyla Kubernetes'e bağlandığında, Claude küme durumunu sorgulamak için bir DevOps ajanı olarak hareket edebilir. "Çalışan herhangi bir podum var mı kontrol et.".

Güvenlik Operasyonları (SecOps) asistanları olarak yapay zeka ajanları

10. Tehdit istihbaratı

Ajanlar, açık kaynak ve özel beslemelerden tehdit aktörü TTP'lerini (taktikler, teknikler, prosedürler) toplar ve korelasyon kurar ve bulguları tespit iş akışlarına entegre eder.

Gerçek hayat örneği:

Microsoft'un Security Copilotu, tehdit istihbaratını dinamik olarak toplayan, filtreleyen ve özetleyen özel bir Tehdit İstihbaratı Özetleme Ajanı içerir.

11. Tespit ve triaj

Bu eylemler, daha derin analizden önce uyarı verilerini organize etmek ve gürültüyü azaltmak için başlangıç sinyal alımı aşamasında gerçekleşir.

• Uyarı tekrarının giderilmesi: Gürültüyü azaltmak için birden fazla kaynaktan gelen aynı veya neredeyse aynı olayları kaldırır.
• Yanlış pozitif bastırma: Geçmiş çözüm desenlerini kullanarak tekrarlayan zararsız uyarıları bastırır.
• Uyarı gruplandırma / kümeleme: İlgili uyarıları (aynı kullanıcı, ana bilgisayar veya taktik) tek bir olayda kümeleştirir.

Gerçek hayat örneği:

Charlotte AI, şu şekilde otonom tespit ve triaj gerçekleştirir:

• Bilinen TTP'lere dayalı kötü amaçlı davranışı belirlemek.
• Yürütme desenlerini ve dosya yollarını çapraz referans yapmak.
• İnsan tarafından okunabilir bir karar açıklaması sağlamak.

12. Bağlamsal zenginleştirme ve tehdit ataması

İlk triajdan sonra gerçekleştirilen bu adım, uyarılara derinlik ve bağlam katar.

Otomatik saldırgan atama sistemleri, CTI beslemelerini alır, davranışsal ve zamansal özellikleri çıkarır ve olaylar arasında benzerlik skorları hesaplar. Kümeleme algoritmaları daha sonra, desen örtüşmesine dayanarak (ör. APT41, Mozi veya Lazarus) gibi bilinen tehdit aktörlerine saldırıları haritalandırır.

Gerçek hayat örneği:

Google Chronicle + Mandiant + Gemini yapay zeka ajanları, telemetriyi ve CTI beslemelerini otonom olarak alır, uyarıları IOC bağlamıyla (ör. IP itibarı, kötü amaçlı yazılım özetleri) zenginleştirir ve davranışsal desenleri MITRE ATT&CK çerçevesinden bilinen tehdit aktörü taktikleriyle çapraz referans yapar.

Bu ajan tabanlı kurulumda:

• Tespit: Bir yapay zeka ajanı, hizmet hesaplarını kullanarak yan hareketi tespit eder.
• Zenginleştirme: Uyarıyı, Chronicle günlüklerinden, varlık envanterinden ve Mandiant tehdit istihbaratından gelen verilerle otomatik olarak zenginleştirir.
• Atama: İkinci bir ajan, bu aktiviteyi bilinen bir gruba (ör. APT41) atfedilen tarihsel istila zincirleriyle kümeleştirir.

13. Yükseltme ve devir

• Uyarı çevirisi / basitleştirme: Teknik uyarıları analist dostu özetlere dönüştürür.
• Otomatik bilet oluşturma ve analist ataması: Biletler oluşturur ve olayları uygun seviyeye veya ekibe yönlendirir.

14. Proaktif yanıt eylemleri

SecOps'ta, ajanlar uç noktaları izole eder, hesapları devre dışı bırakır veya kötü amaçlı işlemleri sonlandırır, bu sistemler şunları amaçlar:

• Günlükleri otomatik olarak sorgulamak doğal dil veya bağlamsal tetikleyiciler kullanarak
• Otomatik oynatma listelerini çalıştırmak soruşturmalar ve yükseltmeler için
• İş akışlarını gerçek zamanlı olarak uyarlama yeni kanıtlara veya pivotlanmış mantığa dayanarak
• Altyapıyı kod olarak oluşturmak (ör. Terraform, Pulumi) düzeltme için
• Soruşturma içgörülerine dayalı tespit kurallarını taslaklamak ve değiştirmek

Gerçek hayat örneği:

Google, kötü amaçlı yazılım tespiti için yapılandırılmış bir Olay Müdahale Planı yürütmek için birden fazla alt ajanı kullanan SOC Yönetici ajanını geliştirdi.¹⁶

Ajan tabanlı proje yapısı:

Olay müdahale planının son adımında (Adım 5: Tamamlama), SOC Yönetici ajanı, otomatik bir içerik kontrolü oynatma listesini yürüterek (aşağıya bakın) IOC'leri (Uygunluk Göstergeleri) proaktif olarak engelledi.

Kaynak:
Mandiant & Google Cloud Güvenlik¹⁷

15. Tehdit avcılığı

Tehdit avcılığındaki ajanlar şunları amaçlar:

• Anomali taraması yapmak kimlik, ağ ve bulut günlükleri boyunca sürekli olarak
• Yinelenen avları otomatikleştirmek IOC aramaları veya desen tespiti gibi
• Bilinmeyen tehditleri işaretlemek davranışı tarihsel bazlar ve eş aktivite ile karşılaştırarak

Gerçek hayat örneği:

Araştırmacılar, yapay zeka ajanlarının tehdit tespiti için Sigma kuralları oluşturmak üzere iş birliği yaptığı, yerel LLM ile otomatikleştirilen MITRE ATT&CK Tabanlı Tehdit Avcılığı sistemi geliştirdi.

Bu örnekte bir kullanıcı, bir web UI üzerinden bir istek girer (ör. "Lütfen Kerberoasting avı için bir Sigma kuralı oluştur").

Ajan 1, MITRE ATT&CK'tan ilgili tespit yöntemlerini getirirken, Ajan 2, bu girdiyi bir dil modeli kullanarak bağlama duyarlı Sigma kuralları oluşturmak için kullanır.¹⁸

16. Otomatize yazılım ve uygulama testi

Yapay zeka test ajanları, kapsamlı manuel müdahale olmadan birim, entegrasyon, güvenlik açığı ve performans testleri oluşturur ve yürütür. Ancak, bu yapay zeka sistemlerini oluşturmak kaynak yoğundur, çünkü önemli hesaplama gücü gerektirir.

Gerçek hayat örneği:

Pcloudy'nin Copilotu, selenium test betikleri sağlar, test edilebilir mevcut tarayıcıları bulur ve test durumlarını yürütür.¹⁹

Daha fazlasını okuyun: Kurumsal yapay zeka asistanları, Yapay zeka ajanı oluşturucuları, açık kaynaklı yapay zeka ajanları.

İnsan benzeri oyun karakterleri olarak yapay zeka ajanları

Yapay zeka ajanları, oyun dünyasında NPC'leri ve diğer ajan tabanlı süreçleri NPC davranışları, oyun oynama ve uyum sağlama ve prosedürel içerik oluşturma gerçekleştirerek iyileştirir.

17. Ajan tabanlı oyuncu olmayan karakterler (NPC)

Oyundaki tam otonom yapay zeka ajanları, oyuncu olmayan karakterler (NPC'ler) için insan benzeri davranış ve oyun oynama sağlar.

Gerçek hayat örneği:

Araştırmacılar, 25 ajanlı " Stanford Yapay Zeka Köyü" adlı The Sims'e benzer bir sandbox ortamı oluşturarak, yapay zeka ile dolu küçük bir sanal kasaba oluşturdu.

Bu köyde, kullanıcılar ajanların haber paylaşmasını, ilişkiler kurmasını ve grup aktiviteleri düzenlemesini gözlemleyebilir ve onlarla etkileşime girebilir. ²⁰

Bu kavramların arkasındaki temel bileşenlere ve fikirlere genel bakış:

• Davranışsal senaryolar: Stanford Yapay Zeka Köyü ajanları, eylemler ve tepkiler için önceden tanımlanmış senaryolar kullanır. Bu, diğer NPC'lerle olumlu etkileşime girmek gibi temel davranışları içerebilir.
• Dinamik davranış: NPC'ler, oyun dünyasını daha duyarlı hale getirmek için oyuncunun eylemlerine dayalı davranışlarını ayarlamak için yapay zekayı kullanır.
• Yol bulma: NPC'ler, engellerin etrafında yol bulmak ve oyuncuyu takip etmek için oyun dünyasında etkili bir şekilde gezinmek için algoritmalar kullanır.

18 Oyun oynama

Yapay zeka ajanları, şu avantajları kullanarak video oyunları oynar veya belirli hedeflere ulaşmak için insan oyunculara yardımcı olur:

• Yol bulma ve gezinme: Oyun ajanları, oyun ortamlarını keşfeder, optimal stratejileri bulmak için deneme yanılma yöntemini kullanır. Örneğin, karar verme süreçlerini sürekli olarak iyileştirerek karmaşık labirentlerde gezinme yollarını öğrenirler.
• Girdi emülasyonu: Oyun ajanları, klavye vuruşları, fare hareketleri veya oyun kolu kontrolleri gibi girdileri emüle eder. Bu, onlara bir insan oyuncu gibi oyunla etkileşime girmelerini sağlar.
• Oyun oynama uyum sağlama: Ajanlar, bir oyuncunun oyun oynama stilini analiz eder ve buna göre oyun dünyasını, etkileşimleri ve görev tasarımını uyarlar. Örneğin, gizli bir oyuncu daha az doğrudan çatışma zorluğu ile karşılaşabilir.

Gerçek hayat örneği:

Google DeepMind'ın Ölçeklenebilir Talimat Verilebilir Çoklu Ajanı (SIMA), oyun durumlarında gezinir ve etkileşime girer. SIMA, No Man's Sky ve Goat Simulator gibi oyunları oynamayı amaçlar.

Kaynak: Google²²

19. Prosedürel içerik oluşturma

Yapay zeka ajanları, oyun içeriğini algoritmik olarak büyük miktarlarda oluşturmada son derece yeteneklidir, örneğin:

• Arazi ve manzaralar
• Çatışma senaryoları
• Karakter tasarımları
• Ses manzaraları ve müzik

Gerçek hayat örneği:

No Man's Sky, bir macera oyunu, tüm gezegenleri şunlarla oluşturmak için prosedürel oluşturma kullanır:

• Çeşitli topoğrafyalar (ör. dağlar, vadiler, kanyonlar).
• Özel biyomlar (ör. çöller, ormanlar, okyanuslar).
• Dinamik hava durumu desenleri (ör. fırtınalar, yağmur).²³

İçerik oluşturucular olarak yapay zeka ajanları

Yapay zeka ajanları, içerik oluşturmayı, düzenlemeyi ve yayınlamayı otomatikleştirir. Bu yapay zeka ajanları, insan yazarlara yardımcı olur ve içerik bağımsız olarak oluşturur. Yapay zeka yazar asistanlarının bazı uygulamaları şunlardır:

20. Otomatik anlatı yazımı

Yapay zeka ajanları, bölümlerin taslağını çıkararak, içerik taslağı hazırlayarak ve düzeliyi parlatarak bir anlatı yazar.

Gerçek hayat örneği:

Bir GitHub yapay zeka ajanı projesinde, 10 uzman yapay zeka ajanı, sıfır insan yazımıyla 100.000 kelimelik (~300 sayfa) bir roman yazmak için otonom olarak çalıştı. Bu 10 ajanın bazı örnekleri şunlardır:

• Specifikasyon ajanı: Hikaye gereksinimlerini analiz eder ve anlatı tutarlılığını korur.
• Üretim ajanı: İçerik oluşturur ve yaratıcı değişiklikleri uygular.
• Yönetim ajanı: Ajanlar arasında koordinasyon sağlar ve yaratıcı akışı takip eder.
• Çoğaltma ajanı: İçerik tekrarını ve çoğaltmayı önler.

Buradan, ajanların romanı nasıl oluşturduğunu gösteren bir Canlı Yayın yer almaktadır:

21. Teknik rapor veya teklif yazımı

Yapay zeka ajanları, şunları içeren teknik raporları otonom olarak taslak olarak hazırlar:

• Mühendislik raporları
• Proje teklifleri
• Araştırma makaleleri
• Ürün spesifikasyonları

Gerçek hayat örneği:

ParagraphAI, bir yapay zeka yazar asistanı, zaman çizelgesini, bütçeyi ve gerekli kaynakları ve personeli taslak olarak çıkararak teknik mühendislik raporları yazar.²⁵

22. Bilgi tabanlı makale oluşturma

Ajanlar, belirli bir konunun kapsamlı bir genel bakışını oluşturmak için Wikipedia, ürün kılavuzları veya akademik dergiler gibi bilgi veritabanlarından bilgi çeker.

Gerçek hayat örneği:

Perplexity Sayfaları, gen yapay zeka arama sonuçlarını yapılandırılmış Wikipedia sayfalarına dönüştürür.²⁶

23. Pano ve şema oluşturma

Ajanlar, metin istemlerine dayanarak UI/UX bileşenleri, sistem şemaları ve akış şemaları oluşturur, tasarım sürecini basitleştirir.

Gerçek hayat örneği:

FigJam AI, metin istemlerini kullanarak şunları oluşturur:

• Toplantılar ve ekip egzersizleri için panolar
• Şemalar ve akış şemaları
• Görsel zaman çizelgeleri ve Gantt şemaları²⁷

Sigorta asistanları olarak yapay zeka ajanları

Ajanlar, talep incelemesini, onayını ve dolandırıcılık tespitini otomatikleştirerek, tüm talep işleme yaşam döngüsünü basitleştirir. Örneğin, bir büyük ölçekli sigortacı, talep iş akışlarına özel yapay zeka ajanlarını entegre ederek bireysel otomobil taleplerinin yaklaşık %90'ını otomatikleştirir. ²⁸

24. Uçtan uca talep işleme

Bir talep gönderildiğinde, bir ajan tabanlı yapay zeka sistemi, gönderilen formlardan ilgili verileri çıkarır, ayrıntıları mevcut veritabanlarıyla doğrular ve tutarsızlıkları veya potansiyel dolandırıcılık sinyallerini işaretler.

Gerçek hayat örneği:

Microsoft Power Platform – bir sigorta talep formunu otomatikleştirir:

Burada, Microsoft Power Platform:

• Talep formu belgelerini yakalamak örneğin onay kutusu seçimleri ve metinler.
• Talep formunu SharePoint içerik yönetim uygulamasına yüklemek.
• Talep formundan verileri çıkarmak talep kimliği ve onay kutusu değerleri (ör. talep tipi, poliçe numarası) gibi.
• Veri depolama için Dataverse ile entegre olmak çıkarılan verileri (onay kutusu değerleri dahil) Microsoft Dataverse'e kaydetmek.
• Formlardaki iş akışlarını işlemek, örneğin talepleri onaylamak veya reddetmek için Power App ajanlarını kullanmak.

25. Sigorta Poliçesi Hazırlama

Ajan tabanlı yapay zeka, talep olasılığı değerlendirmesi için bir risk değerlendirme ajanı ve dinamik prim ayarlamaları için bir fiyatlandırma ajanı gibi özel ajanlarla sigorta poliçesi hazırlamayı otomatikleştirir.

Gerçek hayat örneği:

Akira AI'nın ajanları, çoklu ajan sistemini kullanarak sigorta poliçesi hazırlama ve risk değerlendirmesini otomatikleştirir, her biri poliçe hazırlamanın kritik bir yönünde uzmanlaşır:

• Veri toplama ajanı: Hem yapılandırılmış hem de yapılandırılmamış verileri toplar.
• Risk değerlendirme ajanı: Talep olasılığını tahmin etmek için tarihsel verileri ve başvuru sahibi ayrıntılarını analiz eder.
• Dolandırıcılık tespit ajanı: Taleplerde ve başvurularda anormallikleri veya şüpheli desenleri tespit eder.
• Fiyatlandırma ajanı: Piyasa koşulları, rakip fiyatlandırma ve müşteri davranışı gibi faktörlere dayalı bir fiyat önerir.³⁰

26. Kişiselleştirilmiş poliçe çözümü

Ajanlar, poliçe sahibine talep durumunu ve sonraki adımları, ek belgeler, onay/reddetme güncellemeleri veya ödeme ayrıntıları dahil olmak üzere iletir.

İnsan kaynakları (İK) asistanları olarak yapay zeka ajanları

İK operasyonları genellikle otomatikleştirilebilen özgeçmiş tarama görevleri gibi sayısız tekrarlı işlem içerir. İşte İK operasyonlarında ajan tabanlı yapay zekanın ana örnekleri:

27. Özgeçmiş taraması

Ajan tabanlı iş akışları, tarama sürecini otomatikleştirir, ilgili becerileri filtreler ve önceden tanımlanmış kriterlerinize göre otomatik olarak puan atar.

Gerçek hayat örneği:

PepsiCo, adayları iş gereksinimlerini ne kadar iyi karşıladıklarına bağlı olarak sıralamak için yapay zeka araçları kullanır.³¹

28. Mülakat planlama

Ajanlar, mülakatların planlanmasını ele alabilir ve adaylar ile işe alım yöneticileri arasında optimal zamanları bulmak için koordinasyon sağlayabilir.

Gerçek hayat örneği:

LinkedIn İK Asistanı, iş tanımlarını sentezleme, aday arama ve temel tarama aramaları yapma gibi günlük görevleri yerine getirir.³²

29. Ücretlendirme otomasyonu

Ücretlendirme işlemindeki ajanlar, maaşları hesaplar, kesintileri işler ve vergi kesintilerini yönetir. Doğruluğu ve ücretlendirme standartlarına uyumu sağlamak için İnsan Kaynakları Bilgi Sistemi (İKBS) sistemleri ve muhasebe yazılımı ile entegre olurlar.

Şunlar gibi finans otomasyon çözümlerini daha fazla keşfedin:

• RPA finans kullanım alanları ve araçları
• Finans LLM araçları kıyaslama testi
• Ajan tabanlı yapay zeka finans araçları

Gerçek hayat örneği:

Akira AI'nın çoklu ajanlı ücretlendirme sistemi, ücretlendirme döngüsünün her yönünü otomatikleştirir. Sistem, şunları içeren birkaç ajan kullanır:

Kaynak: Akira AI³³

Burada, Akira AI'nın çoklu ajanlı ücretlendirme sistemi, şunları içeren birkaç ajan kullanır:

• Veri alımı ve ön işleme ajanı: Verileri İK ve finans sistemlerinden temizlemek için veri çıkarma yöntemleri kullanır.
• Ücretlendirme hesaplama ajanı: Maaş, kesintiler ve bonuslar dahil ücretlendirme hesaplamalarını otomatikleştirir.
• Uyumluluk raporlama ajanı: Makine öğrenimi kullanarak uyumluluk sorunlarını tespit eder.
• Soru çözümleme ajanı: Sorunları RAG kullanarak çözer.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Müşteri hizmetleri asistanları olarak yapay zeka ajanları

Geleneksel chatbot'lar temel soruları yanıtlar, ancak müşteriyi gerçekten yardımcı olmak söz konusu olduğunda genellikle bir duvara çarparlar. Ajan tabanlı müşteri hizmetleri araçları bunu değiştirir şu şekilde:

• Nüanslı soruları yorumlamak, sorular belirsiz veya karmaşık olsa bile
• Müşteri profillerinden, sipariş geçmişinden ve bilgi tabanlarından veri alırken sohbet, ses, e-posta kanalları arasında sorunsuz çalışmak
• Önceki etkileşimlerden bağlamı korumak, daha bilgili ve kişiselleştirilmiş yanıtlar sağlamayı mümkün kılar
• Proaktif olarak etkileşime girmek, örneğin müşteri iletişime geçmeden önce kontroller veya takip için hatırlatmalar göndermek

30. Müşteri aramalarını yanıtlama:

Bir müşteri bir soru hakkında aradığında, yapay zeka ajanları aramayı doğal dil ile işler.

Gerçek hayat örneği:

Ada Yapay Zeka Ajanı müşteri aramalarını yanıtlar:

31. Müşteri biletlerine yanıt verme

Yapay zeka ajanları, bağlama özgü yanıtlar verir veya müşterileri daha fazla yardım için uygun kaynaklara yönlendirir.

32. Takip ve bilgilendirici SMS gönderme

Bir etkileşimden sonra, ajanlar müşterilerle takip yapmak için SMS mesajları gönderir.

33. SSS oluşturma ve optimizasyonu

Ajanlar:

• Canlı müşteri etkileşimlerinden ve bilet geçmişinden SSS'leri otomatik olarak oluşturur ve günceller.
• Yinelenen sorguları belirlemek için CRM, sohbet ve bilgi tabanı araçlarıyla entegre olur.

Araştırma asistanları olarak yapay zeka ajanları

Araştırma asistanları olarak yapay zeka ajanları, veri analizi, literatür taraması, hipotez oluşturma ve deneysel tasarım konusunda yardımcı olmak için çeşitli alanlarda kullanılır.

Gerçek hayat örnekleri:

1. OpenAI Deep Research, büyük miktarda çevrimiçi bilgiyi sentezlemek ve o3 & DeepSeek kullanarak büyük aramalar yürütürken doktora seviyesinde çok adımlı araştırma tamamlamak için akıl yürütmeyi kullanır.^{35 36}

Araştırmacıların, detaylı bir istemle gerçek bir proje yürütmesi için Deep Research'ten istediği bir deneyde, Deep Research şunları yaptı:

• Başlamadan önce araştırma projesinin kapsamını ve ayrıntılarını netleştirmek için takip soruları sordu.
• 22 kaynaktan akademik ve sektör raporlarına dayalı bulguları sentezledi.³⁷

2. ChemicalQDevice'in klinik karar destek (CDS) sistemi, ilaç keşfi için ajan tabanlı bir iş akışı yürütmesi istendi. Bu örnekte ChemicalQDevice'in sistemi:

• Veri setlerinden büyük miktarda klinik literatürü analiz etti.
• GitHub Actions gibi araçlarla otomatik kodlama yürüttü.
• Hipotezler oluşturmak, deneysel tasarımlar önermek ve araştırma raporları yazmak için üretken yapay zekayı (ör. GPT-4 veya özelleştirilmiş modeller) kullandı.³⁸

3. Uçtan uca ajan tabanlı iş akışı sistemi, otto-SR, literatür taramaları gerçekleştirmek, dahil etme/dışlama kriterlerini uygulamak, yapılandırılmış verileri çıkarmak ve meta-analizler gerçekleştirmek için LLM'lerden yararlanır.³⁹

OpenAI Deep Research, ChemicalQDevice'in sistemi ve otto-SR aşağıda verilen birkaç ajan tabanlı kullanım alanında kullanılabilir:

34. Literatür taraması ve bilgi keşfi

Belirli araştırma konuları veya hipotezleriyle ilgili ilgili çalışmaları, makaleleri ve makaleleri toplamak için akademik veritabanlarını, dergileri ve çevrimiçi araştırma depolarını (ör. Google Scholar, PubMed) otonom olarak aramak.

35. Hipotez oluşturma ve test etme

Verideki desenlere dayalı olarak analitik hipotezler proaktif olarak oluşturmak ve bunları test etmek (analistlerin ve iş kullanıcılarının tipik olarak yaptığı iş).

36. Veri madenciliği ve analizi

Araştırma veritabanları, sosyal medya, patentler veya klinik deney sonuçları gibi çeşitli kaynaklardan yapılandırılmış ve yapılandırılmamış verileri manipüle etmek, ortaya çıkan trendler hakkında içgörüler sağlamak.

37. Veri görselleştirme ve sunum

Karmaşık veri setlerinin içgörülü görsel temsillerini oluşturmak.

Bilgisayar kullanıcıları olarak yapay zeka ajanları

"Bilgisayar Kullanımı", yapay zekanın bir kişi gibi bilgisayarla etkileşime girmesini sağlamayı amaçlar. Bu, OS- veya web-özel API'ler kullanmadan dijital görevleri gerçekleştirmek için esneklik sağlar.

İnsanlar gibi görevleri yerine getirmek için yapay zeka ajanları için iki yaklaşım vardır:

1. İşletim sistemi grafiksel kullanıcı arayüzü (GUI) eylemlerini gerçekleştirmek (Anthropic Claude, Microsoft OmniParser vb.).
2. Web gezintisi (OpenAI Operator, Kura AI, Runner H, HyperWriteAI, MultiOn Agent Q vb.).

Araç örnekleri:

1. OpenAI'ın yeni Operator aracı, A.I. ajanlarının evcil hayvan yemi satın alma gibi çeşitli web sitelerinde görevleri tamamlamasına olanak tanır.⁴⁰
2. Kura AI ve Runner H, web tarayıcılarını kullanarak görevleri tamamlamayı amaçlar.^{41 42}
3. HyperWriteAI, çevrimiçi bir sipariş vermek için metin formlarını doldurmayı, düğmelere tıklamayı ve menü seçimlerini seçmeyi amaçlar.⁴³
4. Microsoft OmniParser, GUI otomasyonu için ajanların görsel arayüzleri anlama yeteneğini artırır..⁴⁴

38. Form doldurma ve web otomasyonu

Ajanlar, web sayfalarında gezinir, alanlara tıklar ve kullanıcı istemlerine veya yapılandırılmış verilere dayalı formları doldurur.

Gerçek hayat örneği:

39. Belge oluşturma ve düzenleme

Ajanlar, dosyaları açar, düzenlemeler yapar, yeniden adlandırır, düzenler ve yerel veya bulut ortamlarında belgeleri kaydeder.

Gerçek hayat örneği:

Anthropic Claude, "25 satırlık örnek giderler oluşturun, bunları bir elektronik tabloya kaydedin ve ardından elektronik tabloyu açın" istendi.

Bu örnekte, Claude:

• CSV dosyasını LibreOffice Calc uygulamasında açtı.
• 25 satırlık örnek gider verileri içeren bir CSV dosyası oluşturdu.
• LibreOffice Calc elektronik tablosunu yükledi.⁴⁶

40. Web araştırması ve yapılandırılmış veri toplama

Temel otomasyon betiklerinin aksine, derin web araştırma ajanları, birden çok sayfadaki yapılandırılmamış bilgileri yorumlar ve içgörüyü yapılandırılmış bir formatta döndürür.

Gerçek hayat örneği:

OpenAI'ın Deep Research adlı yeni ajan tabanlı yeteneği, ChatGPT içinde çok adımlı, yüksek bağlamlı web araştırması için tasarlanmıştır, planlar, gezinir ve karmaşık sorgulara yanıt vermek için birden çok kaynak üzerinde bilgi sentezler.

41. CLI işlemleri ve betik yürütme

Terminal tabanlı geliştirme iş akışları için tasarlanmış Aider gibi CLI tabanlı kodlama ajanları, kabuk komutlarını çalıştırır, yazılım yükler, betikleri başlatır ve terminal arayüzlerinde çıktıları yorumlar.

Gerçek hayat örneği:

CLI-yerel 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 işler.⁴⁸

42. Çok modlu uygulama gezintisi ve koordinasyonu

Bütünleşik GUI ajanları (ör. OpenAI Operator prototipleri) uygulamalar arasında geçiş yapabilir.

Gerçek hayat örneği:

Bir sipariş teslimatı kullanım durumunu test etmek için, Open Operator'dan basit bir alışveriş isteği sağladım: 30 doların altında bir boho tarzı yastık kılıfı almama yardım et.

Otonom iş akışı ajanları (Uzun vadeli görevlendirme)

Hafıza + araç kullanımı ile planlama ajanları (ör. Auto-GPT, hedef belirleme ile Agent Q), çeşitli araçlar arasında çok adımlı hedefleri yürütür (ör. girdi toplama, eylem alma, planı gözden geçirme), gerçek zamanlı olarak karar verir.

Gerçek hayat örneği:

Bu çok adımlı finansal rapor analizinde, yapay zeka planlama ajanına şu görev verilmiştir: "Geçen çeyreğin finansal performansını analiz edin ve finans ekibi için bir özet hazırlayın."

Ajandan şunları alması istenir:

• Son şirket haberleri (en iyi 3 haber)
• Şirketin mevcut hisse senedi fiyatı (AAPL)
• Şirket bilgileri (ör. profil, piyasa değeri, sektör)
• Tarihsel hisse senedi fiyatları (son bir ay boyunca 1 günlük aralık)
• Analist önerileri (ör. al/tut/sat derecelendirmeleri)

Buradaki finansal rapor çıktısı:

Gerçek hayat örneği:

MultiOn Agent Q bir uçak bileti ayarlıyor.

Yapay zeka ajanları oluşturma

LangChain gibi araçları kullanarak doğal dil hava durumu aramaları gibi temel ajan uygulamalarından, uygulama geliştirme (ör. Cursor AI editörü ile bir Tic Tac Toe oyunu oluşturma) gibi daha karmaşık, otonom kullanım alanlarına geçiş, şu zorluklara yol açtı:

• Görev yürütmede karmaşıklığı yönetmek
  • Karar verme süreçlerini yönlendiren desenleri standartlaştırmak.
  • Çoklu seçenekleri entegre etmek ve bir görevi yürütmek için optimal eylemi seçmek. (ör. "Kullanıcı girdisine dayanarak bu ekranı mı yoksa başka bir ekranı mı göstermeliyim?").
• Dış sistemlerle ve API'lerle arayüz kurmak

43. Özel yapay zeka ajanları oluşturma:

Yapay zeka ajanı oluşturma çerçeveleri, şunları sağlayarak bu zorlukların üstesinden gelmeye yardımcı olur:

• Karar verme ve akıl yürütme çerçeveleri (ör. makine öğrenimi veya olasılıksal modeller) desenleri standartlaştırmak ve çoklu seçenekleri entegre etmek için.
• Veri erişimi ve entegrasyon araçları (ör. API bağlayıcıları) dış sistemlerle ve API'lerle arayüz kurmak için.

Gerçek hayat örneği:

Microsoft 365 ile özel bir Slovenya gezi rehberi ajanı oluşturma:

SSS'ler

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{40+ Gerçek Hayat Örnekleriyle Ajan Tabanlı Yapay Zeka Kullanım Alanları}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Erişim tarihi: 25 Mart 2026}
}

Referans Linkleri

1.

Lamar on X: "this is wild 🤯🤯🤯 just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent 🤝 ai agent the future is here and it’s insane! https://t.co/jIZnqW4fJD"

2.

Cursor vs GitHub Copilot: Which AI Coding Assistant is better?

3.

Replit’s AI agent built my entire website (I just watched) - YouTube

4.

Replit’s AI agent built my entire website (I just watched) - YouTube

5.

How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube

6.

Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube

7.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

8.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

9.

Refact.ai AI Coding Assistant | Fine-tuned, Secure, and Open-source - Refact.ai

10.

Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs

11.

How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube

12.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

13.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

14.

IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data

MDPI

15.

Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog

Google Cloud

16.

GitHub - dandye/adk_runbooks · GitHub

17.

Agentic Incident Response - YouTube

18.

MITRE ATT&CK Driven Threat Hunting Automated by Local LLM - YouTube

19.

AI-Powered Test Automation: Ship Apps 3x Faster | Pcloudy

20.

Generative Agents: Interactive Simulacra of Human Behavior

21.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

22.

A generalist AI agent for 3D virtual environments — Google DeepMind

SIMA team

23.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

24.

terminal-velocity/complete_manuscript.md at main · mind-protocol/terminal-velocity · GitHub

25.

NLR 🌌 Co-Founder of Mind Protocol on X: "3 unsupervised agents write a book - polishing Act III https://t.co/xxa9P3udNV" / X

26.

Engineering

27.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

28.

Introducing AI to FigJam | Figma Blog

Figma

29.

Dutch Insurance Provider

30.

Automating an insurance claim form with AI Builder - YouTube

31.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

32.

Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story

33.

Introducing Hiring Assistant to help recruiters spend more time on their most impactful work

LinkedIn Talent Solutions

34.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

35.

Ada Voice + Aircall - YouTube

36.

Introducing deep research | OpenAI

37.

Deep Research - Marginal REVOLUTION

38.

Deep Research: First Impressions

UX Tigers

39.

ChemicalQDevice

40.

Automation of Systematic Reviews with Large Language Models | medRxiv

41.

Introducing Operator | OpenAI

42.

Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator

43.

H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch

TechCrunch

44.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet. https://t.c

45.

OmniParser

46.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

47.

Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube

48.

Introducing deep research | OpenAI

49.

GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub

50.

Creating an AI Agent for Financial Report Analysis - YouTube

51.

MultiOn AI Agent books a flight - YouTube

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. Cem'in çalışmaları, Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder