Canlı ortamda üretken yapay zeka · FLO Group · 2025
121.000 ürünün içeriği: makine üretir, insan denetler
Görseller, SEO metinleri ve beden önerileri ürün ürün, elle ya da ajanslarla hazırlanıyordu.
Kısaca
Durum: 121.000'den fazla üründen oluşan katalog için görsel, SEO uyumlu açıklama ve “neden almalı” metni gerekiyordu. Hepsi elle ve dış ajanslarla üretiliyordu. Bir milyonu aşkın müşteri yorumu kullanılmadan dururken bedene bağlı iadeler sürüp gidiyordu. Karar: Tek bir araç yerine çok modelli bir sistem. Ürün görselleri için difüzyon modelleri, açıklama ve avantaj metinleri için transformer dil modelleri, yorumlardan öğrenen bir beden önerici. Hepsinin üstünde, modelleri değiştirilebilir ve çıktıları ölçülebilir kılan bir MLOps katmanı. Sonuç: Canlı ortamda doğrulandı. İçerik üretim süresi yaklaşık %70 kısaldı, elle müdahale %60'a varan oranda, dış içerik maliyeti %40–50 azaldı. Beden önerisi, bedene bağlı iadeleri %5–8 azaltma potansiyeli gösterdi. Çalışma Ocak 2026'da kongre bildirisi olarak yayımlandı. Rolüm: Ürün sahibi: kapsam, kalite çıtası, kategori kategori yaygınlaştırma ve ölçüm. Sistemi veri ve mühendislik ekipleriyle birlikte kurduk.
- Rolüm
- Ürün sahibi
- Dönem
- 2025
- Ölçek
- 121.000+ ürün · 1 milyon+ yorum
- Ana rakam
- ~%70 daha kısa içerik üretim süresi
Durum ve karmaşıklık
Büyük bir moda ve ayakkabı sitesinde her ürünün ihtiyacı aynıdır: iyi görsel, hem arama motorunun hem insanın okuyacağı bir açıklama, kısa bir satın alma gerekçesi ve dürüst bir beden rehberi. 121.000 üründe bu iş bir fabrikaya dönüşür. Bu fabrika elle çalışıyordu. Görseli ve metni ajanslar, gerisini insanlar hazırlıyordu.
Bunun iki maliyeti vardı. Görüneni, ürün başına harcanan para ve zamandı. Görünmeyeni iadelerdi: müşteriler bedenini tahmin ediyor, onlara doğru bedeni söyleyebilecek bir milyonu aşkın yorum ise hiç kullanılmıyordu.
Masadaki seçenekler
- Daha fazla ajans kapasitesi almak
Reddedildi. Maliyeti katalogla birlikte büyütür, kaliteyi dengesiz bırakır.
- Her şey için tek üretken model
Reddedildi. Görsel, SEO metni ve beden tahmini ayrı problemlerdir. Tek model birini iyi, diğerlerini kötü çözer.
- Operasyon katmanlı çok modelli sistemSeçildi
Her iş için doğru model, hepsini çalıştıran tek hat, ürettiklerini ölçen tek yer.
Karar ve nasıl yürütüldüğü
Mimari her görevi ona uyan model ailesiyle eşleştirdi: ürün görselleri için difüzyon tabanlı üretim, SEO açıklamaları ve avantaj metinleri için transformer tabanlı dil modelleri, bir ürünün kalıbını bir milyonu aşkın yorumdan okuyan bir önerici. MLOps katmanı hattı yönetti, modelleri sürümledi ve çıktı kalitesini izledi. Böylece bir bileşeni iyileştirmek hiçbir zaman sistemi baştan kurmayı gerektirmedi.
Yaygınlaştırma kategori kategori ilerledi. Her kategori yayına girmeden önce kalite çıtası içerik ve e-ticaret ekipleriyle birlikte belirlendi. Elle yapılan iş, içerik üretmekten örnek denetlemeye kaydı. İnsan muhakemesi en çok orada işe yarar.
Görselin hukuki ya da marka kısıtı taşıdığı, otomasyonun bu kısıtlara henüz güvenilir biçimde uyamadığı kategoriler bilinçli olarak ilk sürümün dışında kaldı. Hat kendini diğer kategorilerde kanıtlayana kadar bu kategoriler ajanslara bırakıldı.
Sonuç
Rakamlar kongre bildirisinde yayımlandığı gibidir ve canlı ortamda doğrulanmıştır.
Yayımlanmış kaynaklar: Bildiri: 12. Uluslararası Hasankeyf Bilimsel Araştırmalar ve İnovasyon Kongresi, Ocak 2026, s. 533–540
Ne ters gitti, ne öğrendim
Plan: İlk sürümden itibaren her kategori için tek hat.
Ne ters gitti: Kategoriler arasındaki farklar planlanandan büyüktü. Bazı niş kategorilerde ilk çıktılar, kalite çıtasının izin verdiğinden fazla düzeltme gerektirdi.
Sonra ne değişti: Kategoriye özel istemler ve örneklemli denetim hattın parçası oldu. Yaygınlaştırma sırasını da artık katalog büyüklüğü değil, ölçülen kalite belirledi.