Değerli velilerimiz ve sevgili öğrencilerimiz;
Eğitim teknolojisinde "yapay zekâ kullanıyoruz" ifadesi bugün çok yaygın; ancak arkasındaki mimari nadiren anlatılıyor. Bu yazıyı, kurum içinde geliştirdiğimiz sistemin neden tek bir modele değil birden çok motora dayandığını ve bu tercihin öğrenciye ne kazandırdığını açıkça yazmak için hazırladık.
Sorun: her istek aynı ağırlıkta değil
Bir eğitim asistanına gelen istekler türce birbirinden çok farklıdır. "Yarın hangi dersim var?" sorusu ile "Şu denemedeki 12 yanlışımı hata sınıfına göre ayırıp bu haftanın planını çıkar" isteği aynı kategoride değildir.
Birincisi yapılandırılmış bir veriden tek bir bilgi çekmeyi gerektirir; saniyeler içinde ve düşük maliyetle yanıtlanabilir. İkincisi çok adımlı akıl yürütme, veri okuma ve planlama gerektirir; ağır bir işlemdir.
Tek modelli bir tasarımda her iki istek de aynı kapıdan geçer. Sonuç iki uçtan biri olur: ya basit sorular için gereksiz kaynak harcanır ve yanıtlar yavaşlar, ya da sistem hafif bir modele sabitlenir ve karmaşık istekler yetersiz yanıtlanır. Her iki durumda da kaybeden öğrencidir.
Çözüm: niyet tanıma ve yönlendirme
Çok-motorlu mimarinin çekirdeği, isteği yanıtlamadan önce sınıflandırmaktır. Sistemimizde bu katman 50 ayrı niyet yönlendirmesi üzerinden çalışır: gelen mesajın hangi tür işe karşılık geldiği belirlenir ve buna göre bir yol seçilir.
Yollar kabaca üç bantta toplanır:
- Doğrudan yanıt. Yapılandırılmış veriden okunabilen, kalıplı sorular. Ders programı, sınav tarihi, devamsızlık bilgisi. Bu bantta model çalıştırmaya gerek yoktur; yanıt milisaniyeler içinde üretilir.
- Hafif motor. Açıklama, özet, kavram tanımı gibi orta ağırlıkta istekler. Hız ve maliyet dengesinin belirleyici olduğu bant.
- Güçlü motor. Çok adımlı muhakeme, veri analizi, plan üretimi ve araç kullanımı gerektiren istekler. Maliyeti yüksek ama gerçekten gerektiğinde kullanılan bant.
Sistemde toplam 9 farklı sağlayıcı ve 175 araç bulunur; ayrıca 36 görsel işleyici ve 30 dış servis entegrasyonu ile 48.000'den fazla akademik içerik bu katmanların erişimindedir. Bu sayılar bir kapasite ilanı olarak değil, yönlendirmenin neden gerekli olduğunun göstergesi olarak anlamlıdır: bu kadar farklı yeteneğin tek bir kapıdan sunulması, ne teknik ne ekonomik olarak sürdürülebilirdir.
Dikey yapay zekâ: asıl fark nerede?
Mimarinin motor çeşitliliğinden daha belirleyici bir yönü var: sistemin neye erişebildiği.
Genel amaçlı bir asistan güçlüdür ancak öğrenciyi tanımaz. Hangi kazanımda takıldığını, hangi denemeleri çözdüğünü, programında ne olduğunu, hangi öğretmenin sınıfında bulunduğunu bilmez. Verdiği yanıt genel olarak doğru olabilir; ancak o öğrenci için doğru olup olmadığını bilmesinin bir yolu yoktur.
Dikey bir sistem ise alana gömülüdür. Kurumun verisine, müfredata ve öğrencinin geçmişine erişir. Aynı soruya verdiği yanıt, öğrencinin bulunduğu noktaya göre değişir — Vygotsky'nin (1978) yakınsak gelişim alanı kavramının teknik karşılığı budur: içerik, öğrencinin tek başına yapabildiğinin hemen üstünde tutulmalıdır ve bunu ayarlamak için öğrencinin nerede olduğunu bilmek gerekir.
Kurumumuzun bu yaklaşımı akademik olarak Kuruma-Gömülü Pedagojik Ajan (Institutionally-Embedded Pedagogical Agent — IEPA) kavramıyla tanımladığı ve açık erişimde yayımladığı çerçeve tam olarak bu ayrım üzerine kuruludur.
Maliyet denklemi: neden bu bir pedagoji meselesi?
Maliyet ilk bakışta teknik ve ticari bir başlık gibi görünür; ancak doğrudan pedagojik bir sonucu vardır.
Sürdürülebilir olmayan bir maliyet yapısı iki sonuçtan birini doğurur: sistem ya kısıtlanır (kullanım limiti, kapatılan özellikler) ya da tamamen durur. Her iki durumda da öğrencinin alıştığı bir destek ortadan kalkar — ve kesintili bir destek, hiç olmayan destekten daha yıpratıcı olabilir, çünkü öğrenci planını ona göre kurmuştur.
Bu nedenle yönlendirme mimarisinin amacı "ucuza çalışmak" değil, kaliteyi düşürmeden sürdürülebilir olmaktır. Basit bir soruyu hafif bir motora yönlendirmek kalite kaybı değildir; o soru zaten daha fazlasını gerektirmiyordur. Kalite kaybı, karmaşık bir isteği hafif motora yönlendirmekten doğar — ve bu yüzden yönlendirmenin isabeti ölçülmek zorundadır.
Araç katmanı: modelin bilmediğini nereden alır?
Mimarinin en kritik ama en az görünen parçası, modelin ne yapabildiği değil neye erişebildiğidir. Bir dil modeli kendi başına öğrencinin devamsızlığını, ders programını ya da geçen haftaki deneme sonucunu bilemez; bunlar kurumsal verilerdir ve ancak tanımlı araçlar üzerinden okunabilir.
Sistemimizde bu iş 175 araç ve 30 dış servis entegrasyonu ile yürütülür. Bir istek geldiğinde model, gerekli veriyi almak için hangi aracı çağıracağına karar verir; araç veriyi getirir; yanıt bu veriyle kurulur. Bu tasarımın iki sonucu vardır.
Birincisi doğruluk. Model, hatırladığı bir şeyi değil sistemden okuduğu bir değeri söyler. Bu, uydurma yanıt riskini yapısal olarak azaltır — çünkü yanıtın dayanağı modelin belleği değil, kurumun kaydıdır.
İkincisi yetki. Her araç bir yetki kapısının arkasındadır. Bir öğrenci yalnızca kendi verisine erişebilir; bir öğretmen kendi sınıfına. Bu kontrol modelin "karar vermesine" bırakılmaz, kod düzeyinde uygulanır. Kişisel verinin korunması bir tercih değil, mimarinin bir kısıtıdır.
Erişilen bilgi havuzunda ayrıca 48.000'den fazla akademik içerik bulunur; bu içerik, yanıtların müfredat kaynaklı olmasını sağlayan geri getirmeli üretim (RAG) katmanını besler. Amaç modelin genel bilgisini kullanmak değil, kurumun içeriğine dayandırmaktır.
Ölçülmeyen mimari, mimari değildir
Bir yönlendirme tasarımının işe yarayıp yaramadığı ancak canlı veriyle bilinir. Sistemimizde her yanıtın hangi yoldan geldiği, ne kadar sürdüğü ve hangi kaynağı kullandığı kaydedilir. Bu kayıt üç soruyu yanıtlar:
- Dağılım hedefe uygun mu? Basit isteklerin ağır yola düşmesi, yönlendirme katmanında bir eksiği gösterir.
- Gecikme kabul edilebilir mi? Yanıt süresi, öğrencinin sistemi kullanmayı sürdürüp sürdürmeyeceğini doğrudan belirler.
- Hafif yolda kalite düşüyor mu? Düşüyorsa eşik yeniden ayarlanır ya da o niyet ağır yola taşınır.
Kurumsal ilkemiz burada da nettir: iddia edilen her mimari özelliğin bir ölçüm karşılığı olmalıdır. Ölçülmeyen bir tasarım tercihi, mühendislik değil varsayımdır.
Arıza hâlinde ne olur?
Çok sağlayıcılı bir mimarinin az konuşulan ama en pratik kazancı dayanıklılıktır. Tek bir sağlayıcıya bağlı bir sistem, o sağlayıcı kesintiye uğradığında tamamen durur. Birden çok sağlayıcıya dayanan bir tasarımda ise istek başka bir yola aktarılabilir.
Bu, kurumsal bir hizmet için teknik bir ayrıntı değil bir süreklilik güvencesidir. Sınav dönemine iki hafta kala erişilemeyen bir destek, o dönem için var sayılmaz.
Sınırlar
Mimarinin yapamadıklarını da yazalım:
- Yönlendirme mükemmel değildir. Sınırda kalan istekler yanlış banda düşebilir; bu nedenle geri düşme ve yeniden değerlendirme mekanizmaları gerekir.
- Model çeşitliliği pedagojik doğruluk garantisi vermez. Kaç motor kullanıldığı, verilen yanıtın öğrenci için doğru olup olmadığını belirlemez. Doğruluğu belirleyen şey erişilen veri ve insan denetimidir.
- Son karar insana aittir. Kurumsal ilkemiz gereği pedagojik sonuç doğuran hiçbir eylem, öğretmen onayı olmadan nihai hâle gelmez.
Görsel ve çok biçimli girdiler
Yönlendirmenin ayrı bir dalı, metin dışı girdilerle ilgilidir. Bir öğrenci soruyu yazarak değil fotoğrafını çekerek gönderdiğinde, işin doğası değişir: önce görüntüden içerik çıkarılmalı, sonra çözüm üretilmelidir.
Bu iki adımın farklı motorlara dağıtılması, tek bir modele yaptırmaktan hem daha hızlı hem daha ekonomiktir. Sistemimizde 36 görsel işleyici bu katmanda görev alır; görüntüden metne geçiş ile pedagojik çözüm üretimi ayrı ayrı optimize edilir.
Burada pedagojik bir sınır da koyduğumuzu belirtmek gerekir: fotoğrafla gelen bir soruya verilen yanıt, hazır çözüm değil yönlendirme olacak biçimde tasarlanır. Amaç öğrencinin işini bitirmek değil, tıkandığı adımı açmaktır — Bjork ve Bjork'un (2011) tanımladığı üretken zorlanma korunmadığında, en hızlı yanıt bile öğrenme üretmez.
Sıkça sorulan sorular
Öğrenci hangi motorun yanıt verdiğini görüyor mu? Görmesi gerekmez; deneyim tek bir bütün olarak tasarlanmıştır. Ayrım arka planda kalır.
Bu mimari her kurum için gerekli mi? Ölçek küçükse gerekmeyebilir. Gereklilik, istek çeşitliliği ve hacim arttıkça ortaya çıkar.
Yeni bir model çıktığında sistem değişiyor mu? Mimarinin amacı tam da bunu kolaylaştırmaktır: motorlar değiştirilebilir bileşenlerdir, yönlendirme katmanı ise kalır.
Veri güvenliği nasıl sağlanıyor? Öğrenci verisi kişisel veridir; kurumsal sorumluluk altında işlenir ve kamuya açık hiçbir yüzeyde yayımlanmaz.
Sonuç: tasarım tercihi, gösteri değil
Çok-motorlu mimari bir üstünlük ilanı değil; maliyet, hız ve kalite arasındaki gerçek gerilime verilen bir yanıttır. Değeri, kaç bileşen içerdiğinden değil; doğru isteği doğru yere gönderip bunu ölçebilmesinden gelir.
Fermat Eğitim Kurumları olarak İzmir Alsancak'ta bu mimariyi kurum içinde geliştiriyor ve saha deneyimini açık erişimde belgeliyoruz. Ayrıntılı mimari için IEPA mimarisi yazımıza bakabilirsiniz.
Seçilmiş literatür
Bu yazıda başvurulan başlıca kaynaklar; iddiaların izlenebilir olması ve okuyucunun kendi doğrulamasını yapabilmesi için aşağıda listelenmiştir.
- VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197–221.
- Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
- Chi, M. T. H., & Wylie, R. (2014). The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes. Educational Psychologist, 49(4), 219–243.
- Hattie, J. (2009). Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement. Routledge.
- Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16.
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24).
- Bjork, R. A., & Bjork, E. L. (2011). Making Things Hard on Yourself, But in a Good Way: Creating Desirable Difficulties to Enhance Learning. In Psychology and the Real World. Worth Publishers.
Metinde anılan kurum kayıtlarımız — kalıcı tanımlayıcılarıyla. Kayıtlar CERN tarafından işletilen Zenodo altyapısında tutulur; eğitim bilimleri arşivi EdArXiv (Center for Open Science) ve sosyal bilimler ağı SSRN üzerinde de açık erişimdedir:
- Göksal, Z. (2026). Kuruma-Gömülü Pedagojik Ajan (IEPA): Bir Özel Sınav-Hazırlık Kurumunda Tek-Operatörlü ve Yerinde (In-Situ) Konuşlandırılan Çok-Modelli Bir Eğitim Yapay Zekâsının Mimarisi ve Saha Deneyimi. Zenodo. https://doi.org/10.5281/zenodo.21203519 · ayrıca: SSRN · EdArXiv
Randevu: fermatvip.com/randevu — 0546 260 54 46
İlgili okumalar: FermatAI ve IEPA: inşa anatomisi · Uyarlanabilir öğrenme nasıl çalışır · Araştırma ve yayınlar
Akademik künye — Kurumumuzun eğitimde yapay zekâ yaklaşımı dört kalıcı kayıtla açık erişimde belgelenmiştir. Kuram makalesi: DOI 10.5281/zenodo.21910882. Monografi: DOI 10.5281/zenodo.21894382. Tanım makalesi: DOI 10.5281/zenodo.21309306. Teknik rapor: DOI 10.5281/zenodo.21203519. Kayıtlar CERN tarafından işletilen Zenodo altyapısında tutulur; kuram makalesi ve teknik rapor ayrıca EdArXiv (Center for Open Science) ve SSRN üzerinde de açık erişimdedir. Tüm künyeler: Akademik Temel · Araştırma & Yayınlar.