Binlerce satış diyaloğunu yapay zeka ile analiz eden, semantik kümeleme ve çift katmanlı LLM orkestrasyonuyla en etkili cevapları, stratejileri ve pazar içgörülerini otomatik üreten uçtan uca mühendislik çözümü.
Birbirinden bağımsız ancak sıkı entegrasyonla çalışan iki platform: biri zekayı üretir, diğeri sahaya dağıtır.
Ham mesaj verilerini alan, NLP pipeline'ı ile vektörleştiren, semantik kümeleyen ve LLM orkestrasyonuyla stratejik FAQ çıktılarını sentezleyen AI analiz çekirdeği. Flask API üzerinden çalışır, Celery + Redis ile asenkron görevleri yönetir.
clinicfaqAnaliz edilen FAQ'ların kalıcı olarak saklandığı, yönetildiği ve satış ekibine sunulduğu bağımsız mikro-servis katmanı. Admin panel üzerinden kategorize etme, düzenleme ve toplu yükleme imkânı sunar. Ana backend'den izole çalışarak yüksek uptime sağlar.
Binlerce satırlık ham mesaj verisinin, yüksek performanslı bir AI boru hattından geçerek stratejik satış bilgisine dönüşme süreci.
Her soru cümlesi, Sentence-Transformers modeli tarafından 384 boyutlu bir sayısal vektöre dönüştürülür. Bu sayede kelime düzeyinde değil, anlam düzeyinde karşılaştırma mümkün hale gelir.
paraphrase-multilingual-MiniLM-L12-v2 — çok dilli, hafif ama güçlü[float × 384] boyutlu dense vektörEmbedding'ler üzerinde hiyerarşik kümeleme uygulanarak, aynı konuyu farklı kelimelerle soran mesajlar otomatik gruplandırılır. Bu, klasik "keyword matching"in çok ötesindedir.
Agglomerative Clustering (bottom-up hiyerarşik)Cosine Similarity — vektörler arası açısal yakınlık0.35 mesafe eşiği ile çok geniş veya çok dar gruplamaların önlenmesiBinlerce mesaj tek seferde değil, token limitlerini aşmamak ve maliyet optimizasyonu sağlamak adına 40'lık yığınlar (batch) halinde LLM'lere gönderilir.
40 mesaj/batch — token & cost optimizedClaude 3.5/4.5 Sonnet + GPT-4oHer küme için LLM, üç katmanlı bir çıktı üretir: profesyonel soru formu, satış odaklı ideal cevap ve psikolojik ikna stratejisi.
Her FAQ maddesi, içerik analizine dayalı olarak otomatik sınıflandırılır.
Saç Ekimi, Diş, Fiyat, Konaklama, Güven, vb.10-15 dakika sürebilen analizler sırasında kullanıcı arayüzü kesinlikle kilitlenmez.
Bu pipeline'da yapay zeka tek seferde kullanılmaz. LLM, iki tamamen farklı görev için iki ayrı aşamada devreye girer — her katmanın amacı, girdisi ve çıktısı birbirinden farklıdır.
LLM'e binlerce ham mesaj satırı verilir. Görev: kaotik mesaj yığınından yalnızca hastaların gerçek sorularını ve endişelerini çekip çıkarmak.
1. Katmandan çıkan sorular embedding + kümeleme ile gruplandıktan sonra, LLM'e bambaşka bir görevle tekrar gidilir.
Bu proje yalnızca bir LLM API çağrısından ibaret değildir. Araya yerleştirilmiş iki bağımsız Makine Öğrenmesi (ML) katmanı, sistemi gerçek bir mühendislik çözümüne dönüştürür. İşte bu katmanların her birinin ne yaptığı ve neden kritik olduğu:
LLM'den gelen binlerce soruyu alır, vektör uzayındaki mesafelerine (cosine similarity)
bakar ve birbirine anlamca benzeyenleri otomatik olarak gruplar. Literatürde
"Gözetimsiz Öğrenme" (Unsupervised Learning) olarak geçer.
Burada kararı bir insan veya bir "prompt" değil, matematiksel bir algoritma (Scikit-learn) verir. Herhangi bir etiketlenmiş veri seti gerektirmez — kendi başına yapıyı keşfeder. Bu yüzden "gözetimsiz" (unsupervised) denir.
Sistemdeki ML katmanını çıkardığınızı düşünün — yani LLM'den gelen soruları doğrudan, gruplamadan tekrar LLM'e gönderseniz. İşte fark:
"Sistem, sadece Üretken Yapay Zeka (Generative AI) kullanmakla kalmaz; araya yerleştirilen Vektörel Embedding ve Hiyerarşik Kümeleme (ML) katmanlarıyla veriyi rafine eder. Bu hibrit mimari, maliyeti minimize ederken, üretilen satış stratejilerinin doğruluğunu maksimize eder."
Verinin sisteme girişinden satış ekibinin ekranına ulaşmasına kadar tüm adımlar.
Belirli tarih aralığındaki (örn: son 30 gün) tüm agent–hasta yazışmaları veritabanından otomatik çekilir. Binlerce ham mesaj satırı sisteme beslenir.
LLM, mesaj yığını içinden yalnızca hastaların kritik sorularını ve endişelerini (fiyat, güven, süreç, ağrı, garanti vb.) ayıklar. Gürültü ve gereksiz mesajlar elenir.
Ayıklanan sorular Deep Learning modeli ile embedding'lere dönüştürülür, ardından Unsupervised ML algoritması ile birbirine anlamca benzeyen sorular (örn: "Fiyat nedir?" ↔ "Kaç para?") aynı kümede toplanır.
En büyük kümeler (en çok sorulan konular) için Kanonik Soru, İdeal Cevap ve Satış Stratejisi üretilir. ML tarafından rafine edilen veri sayesinde LLM çok daha isabetli sonuçlar verir.
Her FAQ maddesi otomatik sınıflandırılır ve faqs.json dosyasına kaydedilerek Deployment Hub üzerinden satış ekibinin anlık kullanımına açılır.
Analiz çıktılarının yönetildiği, servis edildiği ve satış ekibine sunulduğu bağımsız platform.
api.php katmanı, ModSecurity ve WAF engellerini aşmak için özelleştirilmiş User-Agent ve Header doğrulama mekanizmaları içerir. SQL bağımlılığı yoktur — veriler optimize edilmiş faqs.json flat-file'da tutularak okuma hızı maksimize edilir.
Modern, Inter-font tabanlı UI ile tüm FAQ'ların kategorize edilmesi, düzenlenmesi, silinmesi ve regex tabanlı Bulk Load (toplu yükleme) işlemleri yapılır. Metin blokları otomatik ayrıştırılır ve sisteme eklenir.
clinicfaq dizini ana backend'den tamamen izole çalışır. Intelligence Hub'da analiz devam ederken bile satış ekibi mevcut FAQ'lara kesintisiz erişim sağlar — yüksek uptime garantisi.
Bu ekosistem neden "basit bir chatbot" veya "sıradan bir FAQ sayfası" değil — ve işletmeye ne kazandırır.
Manuel raporlama ve soru derleme ihtiyacını ortadan kaldırır. Binlerce mesaj dakikalar içinde analiz edilir, insan müdahalesi minimumda tutulur.
Kelime eşleşmesine değil, cümlenin gerçek anlamına göre gruplandırma. Aynı sorunun onlarca varyasyonu tek kanonik forma indirgenir — gerçek NLP gücü.
Celery + Redis sayesinde 10-15 dakikalık analizler arka planda çalışır. UI kilitlenmez, satış ekibi kesintisiz çalışmaya devam eder.
En iyi satış danışmanının tecrübesi, AI aracılığıyla tüm ekibe (junior-senior fark etmeksizin) aktarılır. Bilgi asimetrisi sıfırlanır.
Hastaların en zor sorularına karşı önceden hazırlanmış psikolojik Satış Stratejileri ile dönüşüm oranları (Conversion Rate) doğrudan artırılır.
Hastaların en çok hangi aşamada kararsız kaldığını (Fiyat, Güven, Doktor Tecrübesi vb.) istatistiksel olarak raporlar — somut veri ile strateji.
Yeni işe başlayan satış danışmanları için hazır bilgi bankası. Adaptasyon süresi dramatik şekilde kısalır, performans ilk günden yükselir.
Tüm ekipten tutarlı, profesyonel ve güven verici cevaplar. Hasta memnuniyeti ve marka algısı yükselir.
Ekosistemin arkasındaki tüm teknoloji bileşenleri.
| Bileşen | Teknoloji |
|---|---|
| 🐍 Backend AI Engine | Python 3.11, Flask, Celery, Redis |
| 🧠 NLP / Machine Learning | Sentence-Transformers (MiniLM-L12-v2), Scikit-learn, NumPy |
| 🤖 LLM Providers | Anthropic (Claude 3.5 / 4.5 Sonnet), OpenAI (GPT-4o) |
| 🖥️ Frontend & Admin UI | PHP 8+, Vanilla JavaScript, CSS3 (Variables, Grid, Flexbox) |
| 💾 Storage | Flat-File JSON (faqs.json) — SQL-free, Read-Optimized |
| 🔐 Güvenlik | Custom API Bridge (api.php), WAF/ModSecurity Header Bypass |
| ⚙️ Task Queue | Celery Worker + Redis (Broker & Result Backend) |
| 🎨 Typography | Inter Font Family, JetBrains Mono (code) |
Sistemi ayağa kaldırmak için gereken üç temel adım.
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
# .env dosyasını yapılandırın
# ANTHROPIC_API_KEY=...
# OPENAI_API_KEY=...
python app.pyAPI anahtarları .env dosyasında tanımlanmalı.
# Redis çalışıyor olmalı
redis-server
# Worker başlat
celery -A celery_app worker \
--loglevel=infoAsenkron analiz görevleri bu worker üzerinden yürütülür.
# PHP sunucusu üzerinden
# dizinleri yayına alın:
/0602 → Ana Frontend
/clinicfaq → FAQ API + Adminclinicfaq dizini bağımsız domain/subdomain olarak da çalışabilir.