Mustafa Barak AI Engineer

Python; LLM orchestration, OCR pipeline, API tüketimi, veri dönüşümü ve RPA yardımcı servisleri için esnek bir temel sağlar. Kurumsal otomasyonda hızlı prototipten production servislerine kadar geniş bir kullanım alanı vardır.

UiPath ile SAP, web portalları, Excel, Outlook ve legacy uygulamalar üzerinde tekrarlı operasyonlar robotlaştırılabilir. AI ajanlarıyla birlikte kullanıldığında LLM karar katmanı ile RPA execution katmanı birbirini tamamlar.

OpenAI modelleri; doküman anlama, doğal dil arayüzü, karar destek, tool calling ve RAG cevaplama gibi işlevlerde kullanılır. Enterprise projelerde güvenlik, prompt standardı, değerlendirme ve gözlemlenebilirlik ile birlikte ele alınmalıdır.

Azure AI ve Azure OpenAI; kurumsal ağ, yetkilendirme, monitoring ve veri yönetişimi gerektiren projelerde güçlü bir zemin sağlar. Özellikle şirket içi veriyle çalışan LLM uygulamalarında tercih edilir.

LangChain; RAG, tool usage, memory, document loader ve model entegrasyonlarını hızlıca bir araya getirmek için kullanılır. Karmaşık LLM uygulamalarında modüler bir uygulama katmanı sağlar.

LangGraph, agent adımlarını düğümler ve geçişler olarak modellemeyi sağlar. Planner Agent, Research Agent, Executor Agent ve Reviewer Agent gibi akışlarda kontrol, retry, state ve human-in-the-loop senaryolarını yönetmek için uygundur.

CrewAI ile araştırmacı, yazıcı, kontrolcü ve çalıştırıcı gibi farklı agent rolleri tanımlanabilir. Özellikle iş akışı prototipleri, doküman analizi ve operasyonel agent senaryolarında hızlı deneme olanağı sunar.

Docker; FastAPI servisleri, queue worker’ları, vector database, Redis ve OCR servislerini izole ve tekrar üretilebilir ortamlarda çalıştırmayı sağlar. Production deployment için temiz bir temel oluşturur.

FastAPI; LLM router, RAG endpoint, OCR upload, webhook ve enterprise integration servisleri geliştirmek için kullanılır. Tip güvenliği, otomatik dokümantasyon ve async çalışma modeliyle AI backend projelerine uygundur.

SQL; süreç verisi, müşteri kayıtları, fatura satırları, robot logları ve raporlama tabloları üzerinde analiz yapmayı sağlar. AI ajanlarının doğru context’e erişmesi için çoğu zaman kritik veri katmanıdır.

PostgreSQL; audit log, kullanıcı, proje, doküman metadata ve operasyonel kayıtlar için güvenilir bir saklama katmanı sunar. JSONB desteği sayesinde yarı yapılandırılmış AI çıktılarıyla da iyi çalışır.

Redis; streaming cevaplar, job queue, geçici context, token limit kontrolü ve agent workflow state yönetiminde kullanılabilir. Özellikle yüksek hızlı AI uygulamalarında tepki süresini iyileştirir.

ChromaDB, PDF ve doküman parçalarının embedding’lerini saklayarak benzerlik araması yapar. RAG chatbot, doküman soru-cevap ve kurumsal bilgi arama senaryolarında hızlı geliştirme için uygundur.

FAISS, embedding vektörleri üzerinde hızlı nearest-neighbor search yapar. RAG sistemlerinde ilgili doküman parçalarını düşük gecikmeyle bulmak için kullanılabilir.

MCP, AI ajanlarının SAP, SQL, Excel, Outlook, dosya sistemi veya REST API gibi kaynaklarla kontrollü biçimde konuşmasını sağlar. Tool erişimini standartlaştırarak agentic uygulamaları daha yönetilebilir hale getirir.

REST API; AI ajanlarının iş sistemleriyle entegre çalışmasını sağlar. Webhook, veri gönderme, sonuç alma, onay akışı ve otomasyon tetikleme senaryolarında temel entegrasyon yöntemidir.

OCR, doküman üzerindeki metni makine tarafından işlenebilir hale getirir. LLM extraction ile birleştiğinde fatura, irsaliye, sözleşme ve form verilerini JSON, Excel veya ERP kayıtlarına dönüştürebilir.

RAG; dokümanların parçalara ayrılması, embedding’e dönüştürülmesi, vector database içinde aranması ve ilgili context’in LLM’e verilmesiyle çalışır. Amaç modelin ezbere cevap vermesi yerine kaynaklı, izlenebilir ve kurum bilgisine dayalı yanıt üretmesidir.

Vector Search klasik anahtar kelime aramasından farklı olarak anlam yakınlığına bakar. RAG, semantic search, doküman eşleştirme ve bilgi keşfi senaryolarında doğru context’i bulmanın ana yoludur.