karar

Bankacılık müşteri mesajlarını tek geçişte, olasılıklarıyla birlikte karara bağlayan Türkçe model.

Müşteri mesajını okur ve bir operasyon ekibinin ilk bakışta vereceği kararı verir: hangi birim ilgilenmeli, müşteri ne istiyor, işlem otomatik yürütülebilir mi, açık onay ya da güçlü kimlik doğrulama gerekir mi, risk var mı, insana mı aktarılmalı. Her karar bir olasılıkla gelir; model metin üretmediği için uydurma cevap, ayrıştırılacak serbest metin ve belirsiz çıktı yoktur.

Canlı deneme: karar (Space): mesajınızı yazın, kararı ve olasılıkları görün.

Ne karar verir?

Kendi seçeneklerinizi ve kendi evet/hayır sorularınızı da tanımlayabilirsiniz; model sorular çalışma zamanında verildiği için yeniden eğitim gerektirmez.

Kullanım alanları

• Müşteri mesajı ve şikâyet yönlendirme, doğru birime otomatik atama
• Chatbot / sesli asistan için niyet katmanı
• Çağrı merkezi ve şube taleplerinde ön triyaj ve önceliklendirme
• Dolandırıcılık ve riskli talep işaretleme; insan incelemesine yönlendirme
• Onay ve kimlik doğrulama politikalarını tetikleme (ör. riskli işlemde OTP iste)
• Olasılık eşiğiyle otomasyon: yüksek güvende otomatik, düşük güvende insana

Neden bu yaklaşım?

• Hızlı: Tek ileri geçiş, metin üretimi yok.
• Denetlenebilir: Her karar için olasılık; eşikleri siz belirlersiniz.
• Uydurma yok: Serbest metin üretmediği için halüsinasyon riski yok.
• Kendi altyapınızda: ~169M parametre, açık ağırlıklar; mesajlar sizin ortamınızdan çıkmaz.

Öne çıkanlar

Jev (kapalı kaynak, ticari API) ile aynı örnekler üzerinde ölçüldü, satırdaki tek seçme sorusu, tüm modellere aynı seçenekler:

• Gerçek şikâyet ve zor çeldiricideki fark anlamlıdır (p<0,001).
• Bankacılık seti ve yeni şemada Jev ile başa baş performans (p>0,05).

Sonuçlar (doğruluk, %)

n≈100 satırlı setlerde hata payı ±8–10 puandır.

Kapsam

Model Türkçe bankacılık için optimize edilmiştir. Genel amaçlı görevlerde (CLINC150, MASSIVE, çok alanlı genel Türkçe görevler) Jev belirgin üstündür; bu modelin hedefi bu değildir. Banking77'nin 77 seçenekli ölçümü gerçek kullanımı yansıtmaz; gerçek kullanımda seçenek sayısı genellikle 10–25 civarındadır.

Kullanım

Model standart bir transformers sınıfı değildir (ModernBERT kodlayıcı + karar başlığı). Depodaki inference.py çıkarım sınıfını içerir:

from inference import KV2Agent

agent = KV2Agent(repo="saturday-labs/karar", device="cuda")   # varsayılan girdi dizilimi: soru önce
questions = {
    "intent": {
        "type": "choice",
        "instructions": "Müşterinin ana talebi nedir?",
        "criteria": {
            "kart_itiraz": "Kart harcamasına itiraz",
            "kart_kayip": "Kart kayıp/çalıntı bildirimi",
            "bilgi": "Hesap bilgisi sorgulama",
        },
    }
}
out = agent.predict("Merhaba, dün akşam taksiye bindim ve çantamı arabada unuttum. İçinde cüzdanım ve bütün kartlarım vardı, şoföre de ulaşamadım. Kartlar kötüye kullanılmadan lütfen hemen kapatın, yenilerini de adresime gönderebilir misiniz?", questions)
print(out["answers"]["intent"]["choice"], out["answers"]["intent"]["probabilities"])

Kritik işlemlerde (ödeme, kapatma, limit değişikliği) kararları insan onayı olmadan uygulamayın; düşük güvenli çıktıları insana yönlendirin ve kendi mesajlarınızla doğrulama yapın.

Gereksinimler: torch, transformers>=4.48, safetensors, huggingface_hub.