Şunu söyleyeyim, Bir süredir hukuk teknolojisi tarafında dönen AI araçlarını takıp ediyorum. Çoğu “akıllı” görünüyor, ama iş kilit mevzuata gelince biraz tökezliyor. Hele gıda ve sağlık güvenliği gibi hata kaldırmayan bir alanda — yanlış cevap, neredeyse başlı başına bir sorun. İşte Lawmadi OS içindeki “gıda ve sağlık güvenliği uzmanı” Garam tam bu noktada ilginçleşiyor. Klasik bir sohbet botu gibi davranmak yerine, Kore mevzuatını canlı doğrulayan, emin olmadığı yerde susmayı tercih eden ve kullanıcıyı adım adım yönlendiren bir yapıdan söz ediyoruz.
Açık konuşayım. Bu tür sistemleri gördüğümde ilk refleksim hep aynı: “Güzel anlatılıyor da sahada çalışıyor mu?” Geçen ay İstanbul’da küçük bir gıda girişimiyle yaptığım görüşmede benzer bir problem vardı; ekip, ithalat etiketleme kuralları için genel amaçlı bir LLM kullanmıştı ve cevaplar birbirini tutmuyordu. İşin aslı şu ki, regülasyon tarafında biraz fazla özgüven bazen doğrudan maliyet demek. Garam’ın iddiası işe tam tersine yaslanıyor: hayal gücü değil, doğrulanmış mevzuat.
Garam neden dikkat çekiyor?
Lawmadi OS’in en net vaadi şu: mevzuatı uydurmuyor. Kulağa basit geliyor. Ama teknik tarafta bayağı ağır bir karşılığı var bunun — çünkü yapay zekâ sistemlerinde en büyük dertlerden biri halüsinasyon meselesi, yani modelin emin olmadığı konuda gayet kendinden emin bir şekilde sallayıp gitmesi. Garam burada frene basıyor. Veritabanında doğrulayamadığı şeyi yanit diye vermiyor.
Eh, Bunu ilk okuduğumda aklıma 2023’te Seul merkezli bir danışmanlık firmasının paylaştığı örnek geldi; orada çalışanlardan biri çok dilli mevzuat sorularını genel modelle çözmeye kalkmıştı ve çıktıların yarısı “genel fikir” seviyesindeydi. Markete gidip reçete almaya çalışmak gibi hani. Mevzuat öyle çalışmaz. Mesela gıda güvenliği, ilaç düzenlemeleri ve HACCP gibi başlıklarda yanlış cümle kurmanın faturası ağır olabilir (yanlış duymadınız). Gereksiz yere ağır.
Evet, doğru duydunuz.
Vallahi, Garam’ın farkı sadece doğru kaynağı bulması değil; bunu gerçek zamanlı kontrol etmesi. Verilen bilgi önce analiz ediliyor, sonra ilgili madde bulunuyor, ardından hükümet veritabanıyla çapraz kontrol yapılıyor. Bu bana yazılım dünyasındaki CI/CD zincirini hatırlatıyor — kodu derleyip bırakmak yetmez ya, testten geçmesi gerekir. İşte burada da yaşa metni testten geçiyor.
Sadece yanit değil, süreç sunuyor
Şöyle düşünün. Garam yalnızca “şunu yap” demiyor — sorunun bağlamını alıyor, uygulanacak hukukî çerçeveyi çıkarıyor. Kullanıcıya yol haritası veriyor. Bir startup için bu pratikte hızlı karar almak ama kör uçuş yapmamak anlamına geliyor. İkisini aynı anda istemek çoğunlukla fazla iyimserlik sayılır, ama burada biraz daha gerçekçi bir denge var gibi duruyor. Daha fazla bilgi için eBPF ile Kubernetes’te Sidecar Devri Kapanıyor mu? yazımıza bakabilirsiniz.
Kurum ölçeğinde işe mesele daha sertleşiyor. Denetim izi istiyorsunuz: kim neye dayanarak bu cevabı verdi, hangi madde referans alındı, ne zaman güncellendi? Bunlar yoksa hukuk departmanı kaşını kaldırır, haklı olarak. Garam’ın sunduğu yaklaşım bu yüzden fena değil — hatta baya işe yarar görünüyor.
“Regülasyonda en pahalı hata çoğu zaman ceza değildir; yanlış karar yüzünden kaçırılan zamandır.”
Doğrulama katmanı neden önemli?
Yapay zekâ ürünlerinde herkes modelden bahsediyor ama benim gözüm hep ikinci katmanda ölür: doğrulama nerede? Çünkü iyi prompt yazmak ayrı şey, uydurmayı engellemek bambaşka şey (yanlış duymadınız). Lawmadi OS’in DRF doğrulama aşaması da tam bu boşlugu kapatmaya çalışıyor. Bu konuyla ilgili Butterfly CSS: 2026’da Dikkat Çeken Hafif Bir Seçenek yazımıza da göz atmanızı tavsiye ederim.
Hele bir de de Kore gibi detaylı yasal altyapıya sahip pazarlarda resmî kaynakla eşleşmeyen hiçbir cevap pek işe yaramaz (ki bu çoğu kişinin gözünden kaçıyor). On adet devlet kaynağıyla denetlenen yapı varmış — açıkçası sayı kadar metodoloji de önemli, bunu söylemeden geçmeyeyim. Eğer sistem kaynakla eşleşmiyorsa geri dönüyor ve cevabı vermiyor. Basit ama güçlü. Daha fazla bilgi için Nava’nın 22 Milyon Dolarlık Sıçraması: AI Bulutu Nereye Gidiyor? yazımıza bakabilirsiniz.
| Bileşen | Ne yapıyor? | Neden değerli? |
|---|---|---|
| Konuya özel dil modeli | Soruyu sınıflandırıyor | Genel modeli daraltıp hız kazandırıyor |
| Anlık mevzuat kontrolü | Maddeleri resmî kaynaktan doğruluyor | Tahmin yerine kanıt sunuyor |
| Ajan yönlendirme sistemi | Soruyu doğru uzmana aktarıyor | Karma konuları bölüp sadeleştiriyor |
| Etkileşim tasarımı | Kullanıcıyı rahatlatan cevap üretiyor | Panik anında bile anlaşılır kalıyor |
Bu tabloya bakınca küçük işletmeler için ayrı, büyük kurumlar için ayrı anlam çıkıyor (ki bu çoğu kişinin gözünden kaçıyor). Önceki projelerde şunu çok gördüm — küçük ekipler hız isterken büyük ekipler izlenebilirlik arıyor. Garip değil aslında. Neyse, i̇kisini aynı anda vermek zor, ama dikey ajanlar o açığı kapatmaya başlıyor yavaş yavaş.
Lawmadi OS’in mimarisi ne söylüyor?
Üç katmanlı yönlendirme baya mantıklı duruyor
Hani, Sistem önce regex ile yaklaşık yüzde 70 oranında soruyu yakalıyormuş; kalanlarda anahtar kelime eşleşmesi devreye giriyormuş, en son Gemini sınıflandırması ile işlem tamamlanıyormuş. Bakın şimdi — bu yaklaşım teoride sıkıcı gelebilir ama pratikte ciddi hız kazandırıyor, çünkü her sorguda pahalı modeli çağırmazsınız. Maliyet tarafında da mantıklı. Daha fazla bilgi için Claude Code’u Kanban’a Bağlayan Açık Kaynak Köprü yazımıza bakabilirsiniz.
Bunu kendi not defterimde şöyle tarif ettim, geçen hafta Kadıköy’de kahve içerken incelemeyi bitirdiğimde: sanki restoran menüsünde ilk bakışta ayrıştırma yapıp sadece gerçekten kararsız kalan siparişleri garsona sormak gibi. Basit işler otomatik akar, karmaşık işler uzmana gider. Tam yerinde kullanım böyle oluyor işte. Bu konuyla ilgili PDF Dünyasında Bir Nefes: Ücretsiz ve Limitsiz Araçlar yazımıza da göz atmanızı tavsiye ederim.
# Basit akış mantığı
if regex_match(query):
route_to_specialist()
elif keyword_match(query):
route_to_domain_agent()
else:
classify_with_gemini()
route_to_best_fit_agent()Böyle bir akışın avantajı net: gecikme azalır, maliyet kontrol edilir, yanlış uzman seçimi düşer. Ama eksik taraf da var — bunu dürüstçe söylemek lazım. Çok dar kalıp dışında kalan bazı ifadeler regex’i kaçırabilir; keyword sistemi işe bağlam hatası yapabilir. Yani parlak görünen kısım kadar ham olan tarafı da var. Biraz daha pişmesi gerekiyor.
Kişisel deneyimde benzer yapıların sınırı nerede görülüyor?
İşin garibi, 2024’ün sonlarında Ankara’da bir SaaS ekibiyle yaptığım toplantıda buna benzer bir routing sistemi konuşmuştuk. Problem şu oldu: kullanıcılar soru yazarken sektör jargonunu hiç standardize etmiyordu. Aynı niyet on farklı biçimde geliyordu. Eşiklerinizi iyi ayarlamazsanız sistem doğru kişiye ulaşsa bile işi geciktirebiliyor — bu küçük ama can sıkıcı bir sorun.
Lawmadi’nın yaklaşımı bence burada daha olgun görünüyor, çünkü sadece teknik yönlendirme yok, aynı zamanda empati-first bir çerçeve de var. Bu kısmı küçümsemiyorum. Hukukta insanlar zaten gergin oluyor; onlara kuru kuruya madde sıralamak yerine önce durumu kabul etmek gerekiyor. Aksi hâlde cevap doğru olsa bile deneyim kötü kalır. Biraz garip ama gerçek.
Kullanım senaryoları nerede parlıyor?
- Gıda üreticileri: Etiketleme, saklama koşulları, izin süreçleri, uygunsuzluk riski.
- Eczacılık/ilaç şirketleri: Ruhsat, uyumluluk, ürün sınıflandırması.
- Dijital sağlık girişimleri: Veri güvenliği ile regülasyon arasında denge.
- Dış ticaret ekipleri: İthal edilen ürünlerin yerel standartlara uyumu.
Küçük startup tarafında fayda çok bariz: avukat saatine hemen para gömmeden ön değerlendirme alıyorsunuz. Kurumsalda işe itibar yönetimi öne çıkıyor; tek hatalı beyan marka algısını bozabiliyor. Ha, bu arada — (söylemesi ayıp) mevzuatı bilmek yalnızca ceza yememek için değil, operasyonu planlamak için de lazım. Bu kısmı çoğu kişi atlıyor. Gereksiz yere atlıyor.
Bana göre kuvvetli yani ne, zayıf yani ne?
En güçlü taraf, yanlış bilgi verme riskini azaltması. Bu, özellikle benim gibi editör masasında onlarca AI duyurusunu okuyan biri için kıymetli. Her yeni ürün “biz de yapıyoruz” diyor, fakat veri kaynağını nasıl koruduğunu söyleyen az oluyor. Burada işe güvenlik hissi satılmıyor — doğrudan mekanizma gösteriliyor. Fark büyük.
Şöyle söyleyeyim, Zayıf tarafa gelirsek: kapsam doğal olarak dar. Gıda sağlığı dışındaki konulara geçtiğinizde başka ajana aktarılıyorsunuz. Bu kötü mü? Değil. Hatta çoğu durumda iyi — uzman kalmanın bedeli bu zaten. Ama tek pencereden her şeyi çözmesini bekleyen kullanıcı hayal kırıklığı yaşayabilir. Ben açıkçası bunun dürüstlük olduğunu düşünüyorum, yine de pazarlama metnini okuyan biri “her şeye cevap verir” sanabilir. O beklenti yönetimi biraz daha iyi yapılabilir.
Nerede umut veriyor? Nerede temkin gerek?
Umut veren taraf açık: regülasyon uyumluluğunu demokratikleştirme potansiyeli var. Küçük bir gıda üreticisi artık sadece büyük şirketlerin erişebildiği hukukî bilgiye çok daha düşük maliyetle ulaşabiliyor. Bu gerçek bir fark. Şaşırdım açıkçası, beklediğimden daha somut bir değer önerisi.
Temkin gereken taraf işe şu: sistem ne kadar güncel tutuluyor? Mevzuat değişiyor, bazen hızlı değişiyor. Veritabanı güncelleme frekansı ve bunu kullanıcıya nasıl ilettiği kritik (buna dikkat edin). Bunu henüz tam göremedim. Ayrıca Kore dışındaki pazarlara açılım planları belirsiz — bu coğrafi sınır kimi kullanıcılar için kırıcı olabilir. Neyse, bunlar çözülemez şeyler değil, ama göz ardı da edilmemeli.
Sıkça Sorulan Sorular
Kore’de gıda güvenliği mevzuatını AI ile sorgulamak gerçekten güvenli mi?
Güvenlik açısından kritik olan nokta, modelin “uydurma” yapmaması ve yanitı doğrulanabilir kaynaklarla desteklemesi. Dikey (alan odaklı) ajanlar bu yüzden daha mantıklı; çünkü genel bir sohbet botundan farklı olarak ilgili düzenlemeyi tarayıp kontrol etmeye çalışır. Benzer bir yaklaşımı kullanırken, emin olmadığı yerde susan sistemlerin daha az risk doğurduğunu pratikte de gördüm.
Genel LLM yerine neden “dikey AI ajan” tercih ediliyor?
Genel modeller geniş konuşur ama mevzuat gibi dar ve riskli alanlarda tutarlılık sorunu yaşayabilir. Dikey ajanlar ise belirli bir alanın diline, risklerine ve kaynaklarına odaklandığı için daha nokta atışı yanit üretmeye yönelir. Bu yaklaşım özellikle ithalat etiketleme, HACCP gibi başlıklarda “genel fikir” seviyesinde kalmayı azaltır.
“Halüsinasyon” (uydurma) riskini azaltmak için hangi mekanizmalar kullanılır?
En kritik mekanizma, yanitın bir veritabanı/kural kaynağıyla eşleşmeden “doğru” diye sunulmamasıdır. Ayrıca gerçek zamanlı doğrulama ve ilgili maddeyi bulup çapraz kontrol yapmak, güvenilirliği ciddi şekilde artırır. Yazılımda testten geçmeyen kodu yayınlamamak gibi; burada da “doğrulama olmadan cevap verme” mantığı öne çıkıyor.
Bu tür sistemler kullanıcıyı nasıl yönlendiriyor, sadece cevap mı veriyor?
Sadece “şunu yap” demek yerine, sorunun bağlamını alıp uygulanacak çerçeveyi adım adım çıkaran akışlar sunabiliyorlar. Böylece startup’lar için hızlı karar almak mümkün oluyor ama kör uçuş riski azalıyor. Benim gördüğüm en büyük fayda, belirsiz kalan yerlerde yol gösterip kullanıcıyı doğru kaynağa yönlendirmesi.
Kaynaklar ve İleri Okuma
Azure OpenAI Service kavramları (temel konseptler)
Grounding (temellendirme) ve güvenilir yanit yaklaşımları
Azure AI Studio’da ajanlar (agent) yaklaşımı
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
