Açıklanabilir AI ve Laravel Entegrasyonu

AI her yerde mevcut, fakat çoğu entegrasyonun bir büyük sorunu var:

• Cevap veriyorlar, ancak açıklama sunmuyorlar.

Gerçek uygulamalar (müşteri destek araçları, karar sistemleri, analiz panelleri) geliştirdiğinizde bu ciddi bir kısıtlama.

Bu sorun için bir çözüm geliştirdim.

Sorun

Web uygulamalarındaki çoğu AI entegrasyonu şu şekilde görünüyor:

$response = AI::ask("Bu geri bildirimi özetle");

Ve sonuç olarak alıyorsunuz:

"Müşteri memnun değil ve iade talep ediyor."

Fakat:

• Sistem neden böyle bir karar verdi?
• Hangi sinyaller çıktıyı etkiledi?
• Ne kadar güvenilir?
• Bu kararı daha sonra denetleyebilir veya izleyebilir miyiz?

Bu, gerçek dünya sistemlerinde büyük bir sorun haline geliyor.

Fikir: Uygulamalar için Açıklanabilir AI

Yanıt üretmek yerine, AI sistemleri şu bilgileri döndürebilirse:

• Yapılandırılmış çıktılar
• Gerekçe / açıklama
• Güven skorları
• Karar izleri

Burada açıklanabilir AI (XAI), arka uç mühendisliği ile buluşuyor.

Geliştirdiğim Şey

Açık kaynaklı bir Laravel paketi oluşturdum:

laravel-explainable-ai

GitHub: GitHub Bağlantısı

Packagist: Packagist Bağlantısı

Özellikler

• Temiz Laravel API ile AI entegrasyonu
• Yapılandırılmış JSON çıktılar (karmaşık ayrıştırma yok)
• Açıklama katmanı (sonucun neden üretildiği)
• Güven skorlama
• Komut şablonları
• Audit logging
• Queue + async desteği

Örnek Kullanım

$result = AI::prompt('summarize_feedback')
    ->input(['feedback' => $text])
    ->withExplanation()
    ->withConfidence()
    ->execute();

Çıktı

{"content": "Bu şikayeti destek ekibine yönlendir.", "explanation": {"summary": "Olumsuz duygu ve tekrarlanan şikayet tespit edildi.", "factors": ["olumsuz duygu", "iade talebi", "tekrarlanan şikayet"], "confidence": 0.91}}

Bu, AI kararlarını:

• anlaşılır
• izlenebilir
• iş akışlarında kullanılabilir hale getiriyor

Mimari (Basitleştirilmiş)

AI’yi bir kara kutu olarak ele almak yerine, bir süreç olarak tasarladım:

Girdi → İşleme → Karar → Açıklanabilirlik → Eylem

Bunun Önemi

Gerçek sistemlerde:

Gerçek Kullanım Durumları

Bu yaklaşım:

• Müşteri geri bildirim analizi: duygu + eylem önerisi
• Destek otomasyonu: gerekçeli yükseltme kararları
• Risk tespiti: kanıtlarla anomali uyarıları
• Kurumsal paneller: açıklanabilir içgörüler

Sıradaki Adım

Paketi geliştirmeye devam ediyorum:

• daha fazla sağlayıcı (Anthropic vb.)
• daha iyi açıklanabilirlik modelleri
• RAG desteği
• iş akışı otomasyon araçları

Son Düşünce

AI güçlüdür.

Fakat açıklanabilir AI, kullanılabilir AI’dır.

Kaynak: Orijinal Makale