AI & E-Ticaret Pusulası: Haftalık Değer Analizi #37
Ekim ortası itibarıyla Q4 öncesi tüm sistemlerde veri akışı maksimum basınca ulaştı. E-ticaret siteleri ve mobil uygulamalar saniyede binlerce satır veri (payload) üretiyor. Gelen her veriyi doğrudan GPT-4o gibi pahalı modellere sokmaya çalışmak ölümcül bir hatadır; sonuç tıkanmış kuyruklar ve devasa API faturalarıdır.
2026’nın kuralı “Hibrit Orkestrasyon”dur. Bir kompresör dairesindeki gibi; veriyi bir kolektör mimarisi ile toplayıp, ağır filtrelemeyi kendi sunucumuzdaki Açık Kaynak (Local) modellere yaptırıp, sadece “damıtılmış” kararları ana modellere aktardığımız derin bir mühendisliği konuşuyoruz. Sistemi regüle eden kazanır, verinin basıncı altında kalan patlar.
Kurumsal E-Ticarette “SLM” ve Hibrit Yönlendirme Devrimi
Şirketler her veri satırını devasa parametreli modellere (GPT-4o) göndermeyi bıraktı. Gelen verinin “niyetini” (Intent) milisaniyeler içinde analiz eden 8B parametreli açık kaynaklı küçük modeller (Llama 3.1 8B vb.) bir “Ön Valf” olarak kullanılıyor.
50.000 kullanıcı etkileşiminin %85’i sıradan (kargo sorusu vb.) veya “kirli” veridir. Bu veriyi kendi VDS sunucunuzda çalışan (Ollama) veya Groq LPU üzerinde saniyede 800 token hızla sıfıra yakın maliyetle elersiniz. Sadece kalan %15’lik “Satın alma niyeti yüksek” veriyi ana modele sokarsınız. Kolektör mimarisi sayesinde API maliyetlerinde %78 düşüş sağlanır.
Vektör DB’lerde “Hibrid Arama” ve Payload Filtreleme Zorunluluğu
Katalogları Qdrant’a attığınızda saf vektör araması yapmak bir tuzaktır. Müşteri “kısırlaştırılmış tahılsız mama” aradığında, anlamsal benzerliği yüksek ama stokta olmayan bir mama gelebilir.
2026 mimarisinde Qdrant üzerinde “Pre-Filtering” katmanı kurulur. Veri kaydedilirken yanına JSON (stok, kâr marjı) gömülür. Arama yapılırken önce matematiksel filtreler (stok: true) çalışır, vektör benzerliği bu daraltılmış kümede hesaplanır.
Veri Akışlarında “Idempotency” (Eş-Etkililik) ve Kuyruk Güvenliği
Canlı maç skorları veya flaş indirim (Flash Sale) anlarında dış API’ler ağ gecikmesi yüzünden aynı webhook’u 2-3 kez üst üste gönderebilir.
n8n akışınızda bir “Idempotency Key” kontrolü yoksa; müşteriye aynı bildirim/iade 3 kez gidebilir. Sistemin başındaki önbellek katmanı (Redis/Firestore), “Ben bu işlemi son 10 dakikada yaptım mı?” diye sormalıdır.
Çoklu-Dikey Veri Kolektörü ve Otonom Gelir Motoru
Çözdüğü Sorun: Farklı dikeylerden (Skor Analiz AI, Pati Analiz, Crypto Analiz) akan devasa verileri sunucuyu kilitlemeden tek merkezde toplamak, yerel AI ile filtrelemek ve otonom satışa çevirmek.
- Kolektör Girişi (Idempotency): Farklı projelerden gelen tüm olaylar tek bir merkezi n8n webhook’una akar. Code Node,
event_id‘yi kontrol eder. Aynı olay son 5 dakikada işlenmişse akışı sıfır maliyetle durdurur. - Basınç Düşürücü Valf (Local AI): Gelen veri GPT-4o yerine saniyeler içinde yanıt veren Llama 3.1 modeline şu komutla gönderilir:
- Qdrant “Filtered Vector Search”: Skor 70 üzerindeyse, sistem Qdrant’ta anlamsal arama yapar. Kritik dokunuş: Aramada stok adetinin > 5 ve kâr marjının >= %25 olması kuralı JSON filtresiyle uygulanır. Zararına satış ihtimali sıfırlanır.
- Kapanış: GPT-4o empatik bir “Reçete” yazar, Shopify sepet linkini oluşturur ve FCM üzerinden müşterinin telefonuna anında Push bildirimi atar.
Kaotik veri tek bir endüstriyel boru hattında (n8n) regüle edildi. Açık kaynak AI ile API maliyeti %80 kırpıldı, Qdrant’ın sert filtreleriyle sadece kârlı ürünler seçildi ve sepet dönüşüm oranında (CR) devasa bir artış elde edildi.
Haftanın Taktiği: n8n Code Node İçinde “JSON Schema” ve RAM Temizliği
Karmaşık n8n akışlarında (devasa JSON paketleri çekerken), n8n’in her düğümü bir önceki veriyi bellekte kopyalayarak ilerler. 5 MB’lık bir veri şişerek 500 MB RAM tüketir ve VDS sunucunuzda “Memory Out” çökmesine yol açar.
Ağır bir HTTP Request düğümünden hemen sonra bir Code Node yerleştirerek gereksiz dalları budayın:
Sonuç: Bu 15 satırlık mühendislik dokunuşu, n8n RAM kullanımını %90 düşürür ve LLM faturanızın şişmesini engeller.
Sistemlerinizi Endüstriyel Disiplinle İnşa Edin
Dijital dünyada ölçeklenmek; basıncı, maliyeti ve hızı hesaplanmış sarsılmaz bir boru hattı (pipeline) kurmaktır. Bahsettiğim kolektör mimarisi, Qdrant Filtreli Vektör ve Local AI stratejilerine web sitemden ulaşabilirsiniz.
Gürültüden uzaklaşıp, mühendislik disipliniyle çalışan sistemler kurmak için:
👉 emrahdemirkoc.com’u Ziyaret Edin