Model karşılaştırma · 2026-07-28

Kamuda hangi yapay zeka kullanılıyor? Türkiye'deki uygulamalar ve model seçimi

Kamuda hangi yapay zeka kullanılıyor sorusunun iki ayrı cevabı var: kurumların yayımladığı somut uygulamalar ve bu uygulamaların altındaki model türleri. İkisini de doğrulanabilir örneklerle inceliyoruz.

Soru neden iki ayrı cevap istiyor

Kamuda hangi yapay zeka kullanılıyor sorusu genellikle tek bir marka adı bekler. Gerçek tablo böyle değil. Bir kurum aynı anda birden fazla teknoloji kullanıyor olabilir: çağrı merkezinde metin sınıflandırma, vatandaş asistanında büyük dil modeli, saha izlemede görüntü işleme.

Bu yüzden soruyu ikiye bölmek gerekir. Birincisi hangi kurumun hangi uygulamayı duyurduğu, ikincisi o uygulamanın altında hangi model türünün çalıştığı. Kamu duyuruları çoğunlukla ilk soruyu yanıtlar; teknik seçimi ise kurum genellikle paylaşmaz. Aşağıda ikisini ayrı ayrı ele alıyoruz.

Türkiye'de duyurulmuş kamu yapay zeka uygulamaları

Aşağıdaki örnekler kurum duyuruları, Anadolu Ajansı haberleri ve Türkiye Bilişim Derneği KamuBİB çalışma grubunun kamuda yapay zeka uygulamaları derlemesinden alınmıştır. Liste kapsayıcı değil; kamuda ilan edilmiş çalışmaların bir kesitidir.

Örneklerin ortak yönü, hepsinin kapalı kapsamlı olması. Hiçbiri idari kararı doğrudan üretmiyor; hepsi bilgiye erişimi hızlandırıyor veya bir olayı erken tespit ediyor.

Devlet Hava Meydanları İşletmesi: derin öğrenme ile eğitilmiş uçuş asistanı chatbotu; kalkış-varış, saat, havalimanı navigasyonu ve konuma göre hava durumu sorgusu.
Orman Genel Müdürlüğü ORİKEM: orman izleme ve entegre müdahale; tespit edilen durum eş zamanlı olarak orman işletme şefine iletiliyor.
Adalet Bakanlığı: Bilgi İşlem Genel Müdürlüğü bünyesinde yapay zeka şube müdürlüğü kurulması ve adalet hizmetlerinde kullanımın artırılması.
İSKİ: Alo 185 akıllı asistanı ile çağrı merkezi iş yükünde yaklaşık yüzde 40 azalma hedefi.
Canik Belediyesi: çağrı merkezine entegre edilen ve talepleri ilgili birime yönlendiren yapay zeka katmanı.
Nevşehir Belediyesi: belediye hizmetleri, duyurular, etkinlikler, ulaşım ve turizm bilgisi veren vatandaş asistanı.

Uygulamanın altında hangi model türü çalışır

Bir kamu kurumu genellikle tek bir model seçmez; göreve göre farklı model sınıfları kullanır. Aşağıdaki eşleme, yukarıdaki uygulama tiplerinin teknik karşılığını gösterir.

Bu ayrım maliyet açısından da önemli. Sınıflandırma ve yönlendirme küçük ve ucuz modellerle çalışır. Serbest metin üreten vatandaş asistanları daha büyük modeller gerektirir ve token maliyeti buradan doğar. Aynı hizmette iki katmanı birlikte kullanmak, bütçeyi anlamlı ölçüde düşürür.

Talep sınıflandırma ve yönlendirme: küçük ve hızlı dil modelleri; düşük token maliyeti, yüksek hacim.
Vatandaş soru-cevap: orta veya büyük dil modeli, kurum içi dokümanlarla RAG mimarisi ve kaynak gösterimi.
Mevzuat ve doküman analizi: uzun bağlam penceresi olan modeller; belge bütününün tek istekte işlenmesi.
Görüntü tabanlı izleme: dil modeli değil, görüntü işleme modelleri; ORİKEM benzeri saha senaryoları.
Ses tabanlı çağrı merkezi: konuşma tanıma artı dil modeli; metne çevrilen içerik üzerinde çalışılır.

Kamu kurumu model seçerken neye bakmalı

Model seçimi kamuda sadece kalite karşılaştırması değildir. Sıralama listelerindeki puanlar hangi verinin nerede işlendiğini söylemez. Kamu tarafında karar dört başlıkta toplanır.

LLMTR kataloğunda modeller sağlayıcı, bağlam penceresi, modalite desteği ve birim fiyat bilgisiyle listelenir. Türkiye'de barındırılan modeller ile global modeller aynı API yüzeyinde çağrılır; bu sayede aynı değerlendirme setini birden çok model üzerinde çalıştırıp kurum için doğru olanı ölçüyle seçebilirsiniz.

Veri yerelliği: modelin nerede barındırıldığı, kurumun veri sınıflandırmasıyla uyumlu mu.
Türkçe kalitesi: mevzuat dili, resmi yazışma üslubu ve kısaltmalarda doğruluk kendi test setinizle ölçülmeli.
Yetenek eşleşmesi: tool calling, uzun bağlam veya görsel girdi ihtiyacınız varsa modelin bunu desteklediği doğrulanmalı.
Maliyet öngörülebilirliği: birim fiyat ile beklenen aylık istek hacminin çarpımı, tavan limitiyle birlikte yazılmalı.

Tek model yerine birincil ve yedek model kurgusu

Kamuda kesinti toleransı düşüktür. Tek bir modele bağlı bir vatandaş asistanı, sağlayıcı tarafındaki bir kesintide tamamen durur. Bu yüzden pilot aşamasından itibaren birincil ve yedek model tanımlamak, sonradan eklenen bir iyileştirme değil temel gerekliliktir.

OpenAI uyumlu tek bir gateway üzerinde çalışırken yedek model geçişi model kimliği değişiminden ibarettir; uygulama kodunda ikinci bir entegrasyon yazmanız gerekmez. Aynı yaklaşım fiyat değişimlerinde ve model emekliliğinde de geçerli olur.

Yedek modeli seçerken birincil modelle aynı yetenek setini desteklediğini doğrulayın. Tool calling kullanan bir akışta, bunu desteklemeyen bir yedek model sessiz hatalara yol açar.

LLMTR hangi kurum tipleri için uygun

Bir kurumun "hangi yapay zekayı kullanmalıyım" sorusunun tek bir cevabı yoktur; görev başına farklı model sınıfı gerekir. LLMTR bu seçimi tek bir OpenAI uyumlu API üzerinde tutar: sınıflandırma için küçük bir model, vatandaş asistanı için daha büyük bir model ve kesinti anında yedek model aynı anahtarla çağrılır. Model kimliği değişir, entegrasyon değişmez.

Yukarıdaki görev-model eşlemesinin tamamı aynı katalogda yer alır. Sınıflandırma için küçük bir model, vatandaş asistanı için daha büyük bir model ve kesinti senaryosu için yedek model aynı anahtarla çağrılabilir; her görev için ayrı entegrasyon yazılmaz.

Sınıflandırma ve etiketleme: küçük ölçekli modeller yeterlidir; Türkiye'de barındırılan llmtr/qwen3-5-4b bu sınıfa örnektir.
Kurum içi arama ve RAG: gömme modeli gerekir; llmtr/embeddinggemma-300m Türkiye'de barındırılan bir seçenektir.
Vatandaş yanıtı ve özetleme: orta ölçekli sohbet modelleri; llmtr/gemma-4 ve llmtr/trendyol-7b katalogda yer alır.
Uzun mevzuat analizi ve kod: geniş bağlam pencereli global modeller aynı katalogdan çağrılır.
Kullanılan modelin kimliği, token sayısı ve maliyeti kayda geçer; prompt metni bu kayda yazılmaz.

Sık sorulan sorular

Kamuda hangi yapay zeka kullanılıyor sorusunun tek bir cevabı var mı?

Hayır. Kurumlar göreve göre farklı model sınıfları kullanıyor: sınıflandırma için küçük modeller, vatandaş asistanları için büyük dil modelleri, saha izleme için görüntü işleme modelleri. Kamu duyuruları genellikle uygulamayı anlatır, altındaki model tercihini paylaşmaz.

Belediyeler hangi yapay zeka uygulamalarını duyurdu?

Yayımlanmış örnekler arasında İSKİ'nin Alo 185 akıllı asistanı, Canik Belediyesi'nin çağrı merkezi entegrasyonu ve Nevşehir Belediyesi'nin vatandaş bilgilendirme asistanı bulunuyor. Üçü de bilgi erişimi ve talep yönlendirme odaklı, karar üretmeyen senaryolar.

Kurumun kendi modelini eğitmesi gerekir mi?

Çoğu senaryoda gerekmez. Kurum içi bilgiyle doğru cevap üretmenin yaygın yolu, modeli yeniden eğitmek yerine onaylı dokümanları RAG mimarisiyle bağlamaktır. Bu yöntem içerik güncellendiğinde yeniden eğitim maliyeti doğurmaz.

Farklı modelleri aynı anda denemek mümkün mü?

OpenAI uyumlu bir gateway üzerinden aynı istemci koduyla farklı model kimlikleri çağrılabilir. Bu sayede aynı değerlendirme seti birden çok model üzerinde çalıştırılıp doğruluk, gecikme ve maliyet karşılaştırılabilir.

Kamu kurumu birden fazla modeli tek platform üzerinden kullanabilir mi?

Evet. LLMTR kataloğunda Türkiye'de barındırılan ve global modeller aynı OpenAI uyumlu API yüzeyinde listelenir. Aynı istemci koduyla farklı model kimlikleri çağrılabildiği için sınıflandırma, soru-cevap ve doküman analizi görevleri farklı modellere dağıtılabilir; birincil ve yedek model tanımı da aynı yüzeyde yapılır.

Veri güvenliği gereksinimi yüksek sektörler için hangi LLM API'si kullanılabilir?

Hukuk, finans, kamu, sağlık ve kritik altyapı gibi alanlarda belirleyici kriter prompt içeriğinin saklanıp saklanmadığı, anahtarların nasıl tutulduğu ve modelin nerede barındırıldığıdır. LLMTR'de prompt ve yanıt içerikleri kullanım veritabanına yazılmaz, kurum anahtarları SHA-256 özet olarak saklanır ve Türkiye'de barındırılan modeller katalogda ayrıca işaretlenir.