Ar-Ge çalışmalarım

Mobil uygulamanın ötesinde çalıştığım alanlar

Yayınladığım uygulamaların dışında, farklı alanlarda yapay zekâ tabanlı ürünler tasarlıyorum. Her biri için problemi inceleyip teknik çözüm mimarisini çıkardım. Bu sayfanın amacı hangi teknik alanlarda çalıştığımı göstermek.

  • 7farklı alanda çalışma
  • 12teknik konu başlığı
  • 65üzerinde çalıştığım teknoloji
  • 2019ilk Ar-Ge projem
2019

Başlangıç: TÜBİTAK deprem erken uyarı projesi

Python öğrendikten bir yıl sonra, Raspberry Pi ve Arduino ile çalışan bir deprem erken uyarı sistemi kurdum ve TÜBİTAK yarışmasına başvurdum. Sensör devresi, veri okuma ve uyarı akışı çalışıyordu; projeye yeterince vakit ayıramadığım için yarıda kaldı.

Yazılımı donanımla konuşturmak, güç yönetimi ve sensör gürültüsü gibi kitapta yazmayan şeyleri orada öğrendim. Aşağıdaki çalışmaların çoğunda hâlâ aynı yerdeyim: sensörden ya da kameradan gelen ham veriyi anlamlı bir sonuca çevirmek.

  • Python
  • Raspberry Pi
  • Arduino
  • Sensör devreleri
  • GPIO

Bu çalışmalarda derinleştiğim konular

Yedi çalışma farklı alanlarda; ama hepsinde ortak olan şey aynı: bir veriyi (görüntü, konum, sensör ya da zaman serisi) işleyip kullanıcıya anlamlı bir sonuç döndürmek.

Bilgisayarlı görüGörüntü sınıflandırma, nesne ve kusur tespiti, görselden ölçüm alma.
Cihaz üstünde yapay zekâModeli sunucuya değil telefona koymak: LiteRT, Core ML, model niceleme.
Transfer öğrenmeAçık veri setleriyle başlayıp alana özgü veriyle modeli özelleştirme.
Zaman serisi tahminiGeçmiş veriden yoğunluk ve talep öngörüsü.
Doğal dil ve sesÇok dilli metin üretimi, metinden sese ve önbellekleme stratejisi.
Vektör aramaGörüntü gömme (embedding) çıkarma ve benzerlik araması.
Coğrafi veri ve haritaGIS katmanları, coğrafi yakınlık sorguları, çevrimdışı harita paketleme.
Optimizasyon algoritmalarıAraç rotalama (VRP) ve yöneylem yaklaşımları.
Çevrimdışı öncelikli mimariİnternet olmadan çalışan veri, harita ve mesajlaşma akışları.
IoT ve sensör verisiToprak nemi, sıcaklık ve devre üzerinden veri toplama.
Veri mahremiyetiKVKK ve GDPR kapsamında sağlık verisi işleme ve şifreleme.
Kullanıcı katılımlı veriCrowdsourcing ile veri toplama, doğrulama ve moderasyon.

Ayrıntılı çalıştıklarım

Teknik mimarisini çıkardığım üç çalışma

Bu üçünde veri akışına, model seçimine ve mimariye kadar indim.

TG

Tarım & Hayvancılık

TarımGöz

Telefon kamerasıyla bitki hastalığı teşhisi ve veriye dayalı sulama.

Küçük çiftçinin uzmana erişimi kısıtlı ve kararlar çoğu zaman tahminle veriliyor. Yaprak fotoğrafından hastalık tanıyan, internetsiz de çalışan bir teşhis aracı tasarladım.

Ne yapıyor

  • Kameradan teşhisYaprak fotoğrafından hastalık veya zararlıyı tanıma ve öneri üretme.
  • Sulama hesabıHava tahmini ve toprak nemiyle ne zaman, ne kadar sulanacağını hesaplama.
  • Sürü takibiVideo ve sensörle hayvanda hastalığın erken tespiti.

Çalıştığım teknolojiler

  • Flutter (Dart)
  • CNN görüntü sınıflandırma
  • Transfer öğrenme
  • LiteRT (TensorFlow Lite)
  • Core ML
  • Model niceleme (quantization)
  • Cihaz üstünde çıkarım
  • Veri seti etiketleme
  • Veri artırma (augmentation)
  • Meteoroloji ve uydu verisi API'leri
  • IoT toprak nem sensörleri
  • Çevrimdışı çalışma

Teknik yaklaşım

  1. VeriAçık veri setiyle (PlantVillage gibi) taban model, ardından saha görüntüleriyle özelleştirme.
  2. ModelTransfer öğrenmeyle sınıflandırıcı; nicelendirip LiteRT ve Core ML formatına indirgeme.
  3. UygulamaÇıkarımın tamamı telefonda; internet olmadan da teşhis çalışıyor.
  4. Geri bildirimKullanıcı düzeltmeleri yeni etiketli veriye dönüşüyor.
İşin zor tarafı

Asıl zorluk model mimarisi değil veri. Laboratuvar koşullarında çekilmiş açık veri setleriyle eğitilen bir model, sahadaki gölgeli ve bulanık fotoğrafta çuvallıyor. Çözüm: taban modeli açık veriyle kurup alana özgü görüntüyle kademeli özelleştirmek ve modelin emin olmadığı durumu “emin değilim” diye söyleyebilmesi.

SG

Afet & Deprem

Sağlam

Bina risk ön-taraması, tahliye planı ve internetsiz çalışan afet modu.

Afet anında ilk kopan şey bağlantı. Bu yüzden veriyi, haritayı ve modeli telefonda tutan, şebeke olmadan da çalışan bir mimari üzerine çalıştım.

Ne yapıyor

  • Risk ön-taramasıYapım yılı, kat sayısı ve görünür hasardan anlaşılır bir gösterge üretme.
  • Çatlak tespitiTelefon kamerasıyla çekilen fotoğrafta çatlağı işaretleyen, cihazda çalışan model.
  • Çevrimdışı tahliyeİnternetsiz harita üzerinde en yakın toplanma alanını bulma.
  • Afet moduŞebeke çökse bile yakındaki cihazlara durum sinyali gönderme.

Çalıştığım teknolojiler

  • Flutter (Dart)
  • Çevrimdışı öncelikli (offline-first) mimari
  • Cihaz üstünde bilgisayarlı görü
  • Çatlak/kusur tespiti
  • Görüntü segmentasyonu
  • MapLibre
  • PMTiles harita paketleme
  • OpenStreetMap verisi
  • GIS ve coğrafi sorgu
  • Bluetooth yakın cihaz iletişimi
  • Yerel veritabanı ve senkronizasyon
  • Kural tabanlı skorlama

Teknik yaklaşım

  1. HaritaTürkiye OSM verisi tek bir PMTiles dosyasına paketlenip sunucusuz render ediliyor.
  2. ModelBeton yüzey görselleriyle eğitilen çatlak tespiti, cihazda çalışacak boyuta indiriliyor.
  3. Veri akışıCihaz merkezli: bulut yalnızca bağlantı varken senkronluyor.
  4. İletişimŞebekesiz durumda Bluetooth üzerinden yakındaki cihazlara yayın.
İşin zor tarafı

Çevrimdışı çalışma zorunluluğu her kararı belirliyor: harita, model ve veri telefonda durmak zorunda. Bu da uygulama boyutu ile kapsam arasında sürekli bir denge demek — tüm Türkiye haritasını taşımakla indirme boyutunu makul tutmak aynı anda mümkün değil.

GZ

Turizm

GeziZeka

Eseri fotoğraftan tanıyan, çok dilli sesli anlatım üreten rehber.

Bir eseri fotoğrafından tanıyıp anlatısını çok dilli sesle sunmak; üstüne geçmiş veriden yoğunluk tahmini. Görüntü eşleştirme, üretken metin ve önbellekleme birlikte çalışıyor.

Ne yapıyor

  • Görsel tanımaEser fotoğrafını gömme vektörüne çevirip veri tabanında benzerlik araması.
  • Çok dilli anlatıAnlatı metnini üretip seslendirme ve sonucu önbellekte tutma.
  • Yoğunluk tahminiGeçmiş veriden saat bazlı kalabalık öngörüsü.
  • Kişisel planİlgi alanı ve süreye göre rota önerisi.

Çalıştığım teknolojiler

  • Flutter (Dart)
  • Görüntü gömme (embedding)
  • Vektör benzerlik araması
  • PostgreSQL + pgvector
  • Supabase
  • Zaman serisi tahmini
  • Çok dilli metin üretimi
  • Metinden sese (TTS)
  • Üretim önbellekleme
  • Çevrimdışı önbellek
  • Harita ve konum servisleri
  • Öneri sistemi

Teknik yaklaşım

  1. TanımaHazır görsel tanıma ile başlayıp kendi eser gömme veri setine geçiş.
  2. AramaGömme vektörleri pgvector üzerinde saklanıp en yakın komşu aramasıyla eşleştiriliyor.
  3. AnlatıÜretilen metin ve ses veri tabanında saklanıyor; aynı eser ikinci kez üretilmiyor.
  4. Kapsamİlk sürüm popüler 50–100 eserle sınırlı tutuluyor.
İşin zor tarafı

Hazır tanıma servislerinin yerel eser kapsamı dar; kendi gömme veri setini kurmak gerekiyor. Bir de önbellekleme burada bir performans detayı değil, mimarinin merkezi — aynı eserin anlatısını her ziyaretçi için yeniden üretmek hem gecikme hem maliyet olarak sürdürülemez.

Diğer alanlar

Üzerinde çalıştığım diğer dört konu

Farklı teknik alanlara denk geldikleri için ayrı ayrı inceledim: sağlık verisi mevzuatı, optimizasyon algoritmaları, coğrafi veri ve kullanıcı katılımlı veri toplama.

İT

Sağlık

İyiTakip

Kronik yara ve cilt takibinde fotoğraftan iyileşme ölçümü.

Aynı bölgenin farklı zamanlardaki fotoğraflarından iyileşmeyi ölçmek. Buradaki asıl teknik konu görüntü analizinden çok, sağlık verisinin mevzuata uygun işlenmesi.

Ne yapıyor

  • Görüntüden ölçümYara boyutu ve renk değişiminin zaman içinde ölçülmesi.
  • Karşılaştırmalı takipAynı bölgenin farklı tarihlerdeki görüntülerini hizalayıp kıyaslama.
  • YönlendirmeBelirlenen eşik aşıldığında uzmana yönlendirme ve rapor üretimi.

Çalıştığım teknolojiler

  • Görüntü analizi
  • Renk ve alan ölçümü
  • Görüntü hizalama
  • Referans ölçek kalibrasyonu
  • Kural tabanlı risk skorlama
  • KVKK ve GDPR uyumu
  • Uçtan uca şifreleme
  • Sağlık verisi saklama ve silme akışları
  • Giyilebilir cihaz verisi
İşin zor tarafı

Ölçümün güvenilir olması için fotoğrafın ölçeklenebilir olması lazım: mesafe ve ışık her çekimde değişiyor. Referans bir nesneyle kalibrasyon olmadan “yara küçüldü” demek mümkün değil. Mevzuat tarafı da en az bu kadar belirleyici.

RA

Ulaşım & Lojistik

RotaAkıl

Filo için rota optimizasyonu ve talep tahmini.

Bu proje diğerlerinden farklı bir alana giriyor: yapay zekâdan çok klasik optimizasyon. Araç rotalama problemi (VRP), kapasite kısıtları ve zaman pencereleri.

Ne yapıyor

  • Rota optimizasyonuAraç kapasitesi ve teslimat penceresine göre en verimli güzergâh.
  • Talep tahminiYoğun saat ve bölgelerin geçmiş veriden öngörülmesi.
  • Karbon hesabıMesafe ve araç tipine göre emisyon hesaplama.

Çalıştığım teknolojiler

  • Araç rotalama problemi (VRP)
  • Yöneylem araştırması
  • Sezgisel (heuristic) algoritmalar
  • Kısıt tabanlı optimizasyon
  • Zaman serisi talep tahmini
  • Rota ve mesafe matrisi API'leri
  • Gerçek zamanlı konum takibi
  • Emisyon hesaplama modeli
İşin zor tarafı

VRP NP-zor bir problem; araç ve durak sayısı arttıkça kesin çözüm pratikte imkânsızlaşıyor. İş, en iyi çözümü bulmak değil; kabul edilebilir sürede yeterince iyi çözümü bulan sezgisel yaklaşımı seçmek.

YK

Ağaçlar & Yeşil Alanlar

YeşilKayıt

Kent ağaçlarının fotoğrafla envanteri ve sağlık takibi.

Coğrafi veri ile görüntü sınıflandırmanın birleştiği bir çalışma: ağacı fotoğraftan tanımak, konumuyla haritaya işlemek ve zaman içindeki değişimi izlemek.

Ne yapıyor

  • Dijital envanterFotoğraf ve konumla tür ve sağlık kaydı oluşturma.
  • Sağlık takibiGörüntüden hastalık ve kuruma belirtisi tespiti.
  • Karbon hesabıTür ve gövde ölçüsünden tahmini karbon tutumu.

Çalıştığım teknolojiler

  • Ağaç türü görüntü sınıflandırma
  • GIS ve harita katmanları
  • Coğrafi konum doğrulama
  • Zaman içinde değişim takibi
  • Karbon tutum hesaplama modeli
  • Crowdsourcing veri toplama
  • Kullanıcı katkısı doğrulama ve moderasyon
İşin zor tarafı

Veriyi vatandaş topladığında doğruluk garantisi kayboluyor. Aynı ağacın iki kez kaydedilmemesi, konumun doğrulanması ve yanlış türlerin ayıklanması; model doğruluğundan daha çok uğraştıran taraf.

MN

Deniz Kirliliği

MaviNöbet

Fotoğraftan deniz kirliliği tespiti ve konumlu bildirim ağı.

Su yüzeyindeki kirlilik ve müsilajı görüntüden tanıyıp konumla haritalamak. Görüntü sınıflandırma ile coğrafi yoğunluk analizinin birleşimi.

Ne yapıyor

  • Görsel tespitSahil ve deniz fotoğrafından kirlilik türünü tanıma.
  • Bildirim ağıKonumlu bildirimlerin toplanması ve doğrulanması.
  • Yoğunluk haritasıZamana göre kirlilik ısı haritası üretimi.

Çalıştığım teknolojiler

  • Su yüzeyi görüntü sınıflandırma
  • Uydu ve dron görüntüsü analizi
  • Coğrafi kümeleme
  • Isı haritası üretimi
  • Zaman-mekân analizi
  • Açık veri entegrasyonu
  • Bildirim doğrulama akışı
İşin zor tarafı

Su yüzeyi, sınıflandırma için zor bir yüzey: yansıma, dalga ve ışık aynı kirliliği bambaşka gösteriyor. Yanlış pozitif burada sadece bir hata değil, yetkilinin boşa yönlendirilmesi demek.

Tek kişilik iş

Bu çalışmaların tamamı bana ait: problemi inceleme, teknik araştırma ve çözüm mimarisini çıkarma — hepsini kendi başıma yürüttüm.

Bir not

Bu çalışmalar tasarım ve araştırma aşamasındadır — yayınlanmış ürünler değil. Yayınladığım uygulamalar için Uygulamalar sayfasına bakabilirsiniz.

Buradaki amaç şu: mobil uygulama geliştirmenin dışında bilgisayarlı görü, cihaz üstünde model çalıştırma, coğrafi veri ve optimizasyon gibi alanlarda da çalışıyorum. Her birinde neyi neden seçtiğimi ve işin zor tarafının nerede olduğunu anlatabilirim.

Bu konular hakkında konuşalım

Herhangi birinin teknik yaklaşımını, veri stratejisini veya neden o kararı verdiğimi memnuniyetle anlatırım.

E-posta gönder Yayınladığım uygulamalar Yeteneklerim