Yerel güvenli MVP · Sentetik veriler
Üretken yapay zeka destekli chat sistemlerinde kişisel veri güvenliği yalnızca metindeki hassas alanları maskelemekten ibaret değil. Verinin hangi servislere ulaştığı, token eşleşmelerinin nerede saklandığı, frontend'in hangi bilgilere erişebildiği ve etkili işlemlerin insan onayı olmadan çalıştırılıp çalıştırılamadığı da güvenlik sınırının bir parçası.
Bu problem için Türkçe PII tespiti, PLACEHOLDER ve TOKENIZED koruma modları, PostgreSQL üzerinde şifreli Token Vault ve yüksek riskli işlemler için ikinci onay mekanizması içeren yerel bir AI chat MVP'si geliştirdim. tr_core_news_trf modeli ile yapısal veri kurallarını birlikte kullanarak TCKN, IBAN, telefon ve benzeri biçimsel alanlarda hibrit bir yaklaşım kurdum.
Sistemi yalnızca başarılı API cevaplarıyla değerlendirmedim. Ham veya korunmuş hassas verinin görünür DOM, frontend API cevapları, console, local storage, session storage, IndexedDB ve browser network trafiğinde bulunup bulunmadığını ayrı ayrı kontrol ettim. Ortaya çıkan çalışma gerçek dış servislerin bağlı olmadığı, sentetik verilerle çalışan yerel bir MVP'dir.
Türkçe dijital pazarlama alanında fine-tune edilmiş LLM'leri çoklu sağlayıcı desteğiyle değerlendiren açık kaynak bir framework geliştirdim. 100 soruluk test setiyle modelleri değerlendirirken skorlama sistemindeki tasarım kusurlarını da ortaya çıkardım.
Bir dijital pazarlama platformunun AI destekli strateji ve medya karması modüllerini gerçek bir test senaryosuyla denetledim; modelin fazla varsayımda bulunduğu noktaları, eksik KPI/bütçe kontrollerini tespit ettim ve ürün kapsamını netleştiren öneriler sundum.
Kurum içi dokümanlara güvenli erişim sağlayan bir RAG asistanının uçtan uca mimarisini tasarladım: chunking, embedding, yetki bazlı erişim kontrolü, PII maskeleme, audit log ve model router içeren kapsamlı bir sistem.
162.000+ satırlık banka müşteri şikâyet verisiyle metin temizleme, dolandırıcılık yakalama kuralları, PII maskeleme ve duygu/niyet analizi yaptım; TF-IDF ve klasik ML modelleriyle (Logistic Regression, Naive Bayes) sınıflandırma kurdum.
SQLite üzerinde 1.000.000 işlemlik bir veri seti kurup iç kontrol senaryolarını SQL ile otomatikleştirdim: veri kalitesi kontrolleri, dolandırıcılık taraması ve manuel kontrol süreçlerinin otomasyona dönüştürülmesi.
Viral içerik araştırmasından (Apify) senaryo planlamaya (Claude) ve video üretimine (Veo 3 / Seedance) kadar 4 alt-workflow'dan oluşan tam otomatik bir video üretim sistemi kurdum.
Medium, LinkedIn ve X için haftalık içerik üretimini, her aşamada insan onayı gerektiren bir otomasyon sistemiyle yönetiyorum — hız ile kontrol arasında denge kuran bir workflow.
Teknik founder'ların bir fikri hızla test etmesine yardımcı olan bir prototip geliştirdim: AI ile tez üretimi ve 30/60/90 günlük yol haritası çıkarımı, Next.js ve TypeScript ile inşa edildi.
Demo ortamı · Kaggle verisi · Canvas taslak aşamasında
Yemek siparişi verisini Kaggle'da Python ve Pandas ile işledim, Braze'e uyumlu CSV formatına dönüştürdüm ve iki lifecycle journey tasarladım: yeni kullanıcılar için ilk hafta aktivasyon akışı, eski kullanıcılar için win-back akışı. Segment başına hedef kitle, dönüşüm eventi ve Action Path mantığı ayrı ayrı kuruldu.
Qwen fine-tuning sürecini reel opsiyon teorisi çerçevesinde ele alan akademik bir makale yazdım; sermaye kısıtı altında hangi model boyutuna yatırım yapılacağını karar teorisiyle çerçeveledim. Şu an hakem değerlendirmesinde.