Toplantıdan özet, karar ve aksiyon çıkarmak: yapay zekâ analizini nasıl kurguladık?

Toplantı kaydını metne çevirmek işin ilk yarısıdır. Bir saatlik toplantının dökümü binlerce kelime tutar ve kimse onu baştan sona okumaz; insanların asıl istediği üç sorunun cevabıdır: Ne konuşuldu? Neye karar verildi? Kim, neyi, ne zamana kadar yapacak? Transify AI'nin analiz katmanı bu üç soruyu cevaplamak için var. Bu yazıda o katmanı nasıl kurguladığımızı ve benzer bir çözümde nelere dikkat edilmesi gerektiğini anlatıyoruz.

#Döküm neden yetmez?

Döküm kusursuz olsa bile toplantının doğal dağınıklığını taşır: yarım kalan cümleler, konudan sapmalar, aynı kararın üç kez farklı kelimelerle söylenmesi. Karar çoğu zaman tek bir cümlede değil, beş dakikalık bir tartışmanın sonunda “tamam, öyle yapalım” diye verilir. Bu yüzden analiz, metinde anahtar kelime aramak değil konuşmanın akışını anlamaktır; büyük dil modellerinin iyi olduğu iş de tam olarak budur.

#Çıktıyı serbest metin değil, yapı olarak tasarlamak

En önemli tasarım kararı şuydu: analiz sonucu bir paragraf değil, alanları belli bir veri yapısı olmalı. Transify'ın analiz çıktısı şöyle görünür:

{
  "summary": "Q2 pazarlama bütçesi görüşüldü...",
  "decisions": [
    "Lansman tarihi 15 Haziran olarak belirlendi",
    "Dijital kanallara %30 bütçe artışı onaylandı"
  ],
  "actionItems": [
    { "owner": "Ayşe", "task": "Lansman takvimini paylaş", "deadline": "22 Mayıs" }
  ],
  "keyTopics": ["pazarlama", "lansman", "bütçe", "Q2"],
  "sentiment": "positive"
}

Yapının üç pratik faydası var:

• Başka sistemlere aktarılabilir: Aksiyon maddeleri görev yönetim aracına, kararlar proje belgelerine, özet e-postaya ayrı ayrı gönderilebilir. Paragraf halindeki bir özetten bunları ayıklamak ikinci bir iş olurdu.
• Her çıktı biçiminde aynı görünür: PDF, DOCX ve e-posta aynı alanlardan üretildiği için başlıklar ve sıra her zaman tutarlıdır.
• Sorgulanabilir: “Bu toplantıdan kaç karar çıktı, kaç görevin sorumlusu belli?” gibi sorular ancak veri yapılıysa sorulabilir.

#Karar ile aksiyon aynı şey değil

Bu ayrım önemlidir, çünkü ikisinin okuru farklıdır: kararlara toplantıya katılmayanlar da bakar, aksiyonlar ise önce sorumlusunu ilgilendirir. Aksiyon maddesinin üç parçalı olması (kim, ne, ne zaman) da bilinçli bir tercih; sorumlusu ya da tarihi olmayan görev, toplantılardan sonra en kolay kaybolan şeydir.

#Analiz, dökümden ayrı bir aşamadır

Transify'da konuşma tanıma ile analiz aynı adım değil, iş hattının birbirini izleyen iki ayrı aşamasıdır. Konuşma tanımada Whisper, analizde MiniMax modeli çalışır. Bu ayrımın getirdikleri:

• İsteğe bağlıdır: Yalnızca döküm isteyen kullanıcı analiz süresini beklemez; kapsam iş başlatılırken seçilir.
• Metinle de çalışır: Elinizde zaten bir döküm varsa ses dosyası yüklemeniz gerekmez; API'nin özetleme uç noktası doğrudan metin alır ve aynı yapıyı döner.
• Bağımsız geliştirilebilir: Analiz katmanı değiştiğinde konuşma tanıma tarafına, konuşma tanıma değiştiğinde analiz tarafına dokunmak gerekmez.

#Türkçe toplantıların kendine özgü zorlukları

Toplantı analizinde dil bir ayrıntı değildir. Türkçe iş toplantılarında sık karşılaşılan durumlar:

• Karışık dil: “Deadline'ı öteleyelim”, “bunu sprint'e alalım” gibi Türkçe ve İngilizce karışık cümleler.
• Hitaplar ve adlar: “Ayşe Hanım”, “Mehmet Bey”, “muhasebedeki arkadaş”: sorumlunun kim olduğu çoğu zaman dolaylı söylenir.
• Göreli tarihler: “Haftaya salı”, “ay sonuna kadar”, “bayramdan sonra”: tarih, toplantının yapıldığı güne göre anlam kazanır.
• Özel adlar ve kısaltmalar: Ürün, müşteri ve proje adları ile şirket içi kısaltmalar, genel bir modelin bilmediği kelimelerdir.

Transify bu yüzden Türkçe öncelikli geliştirildi: analiz varsayılan olarak Türkçe çalışır, kaynak dil belirtilmezse otomatik algılanır. Yine de yukarıdaki durumlar, hangi araç kullanılırsa kullanılsın sonucun bir insan tarafından gözden geçirilmesinin nedenidir.

#Yapay zekâ çıktısına ne kadar güvenilir?

Dürüst cevap: iyi bir taslak kadar. Analiz katmanını tasarlarken de kullanırken de şu sınırları akılda tutmak gerekir:

• Söylenmeyen çıkarılamaz: Toplantıda görev birine açıkça verilmediyse ya da tarih konuşulmadıysa model bunu bilemez. Sorumlusu belirsiz bir aksiyon, analizin değil toplantının eksiğidir.
• Kayıt kalitesi belirleyicidir: Ses kötüyse ya da insanlar birbirinin sözünü kesiyorsa özel adlar ve rakamlar yanlış yazılabilir; önemli rakamları dökümden kontrol edin.
• Bağlamı siz bilirsiniz: Model, “geçen seferki gibi yapalım” cümlesindeki “geçen sefer”in ne olduğunu bilmez.

#Çıktıyı işe bağlamak

Yapılandırılmış çıktı, toplantı sonrası işleri otomatikleştirmenin yolunu açar. İş tamamlandığında gelen webhook bildiriminin ardından sonuç API'den alınır; aksiyon maddeleri görev aracınıza, özet ilgili müşteri kaydına, kararlar ekip kanalına yazılabilir. Arayüzü kullananlar için aynı içerik TXT, PDF ve DOCX olarak, video içerikler için SRT altyazı olarak hazırlanır.

#Benzer bir çözümü kendi verinizle kurmak

Aynı yaklaşım toplantılarla sınırlı değildir: çağrı merkezi görüşmelerinden talep ve şikâyet çıkarmak, sözleşmelerden tarih ve yükümlülükleri ayıklamak, destek e-postalarını sınıflandırmak hep aynı kalıbı izler: dağınık metni al, alanları belli bir yapıya dönüştür, o yapıyı iş akışına bağla. Bu tür çözümleri yapay zekâ çözümleri hizmetimiz kapsamında geliştiriyoruz. Müşteriyle konuşan tarafı merak ediyorsanız KOBİ'ler için chatbot yazımıza, ürünün kendisi için Transify AI referans sayfasına bakabilirsiniz. Kayıtların nerede işlendiği sorusunu ise şirket içi yapay zekâ kurulumu ve KVKK yazısında ele aldık.