Kesit
Vaka notu
Kendim için başlayan bir çalışma ürüne nasıl dönüştü?
Yusuf Durak. Kesit'in ürün sahibi olarak verdiğim kararlar, yapay zekâyla çalışma biçimim, yanlış gidenler ve hâlâ bilmediklerim.
Sorun
SQL, Power BI ve Python'ı kendi işimde daha iyi kullanmak için çalışma uygulamaları yapmaya başladım. Sonra asıl boşluğu gördüm: Türkçe, kurulum istemeyen, yazdığını anında denetleyen ve bir işe göre sıralanmış kaynak bulmak zordu. Kapsamı bu boşluğa göre genişlettim.
Benim rolüm, yapay zekânın rolü
Kodu ve içeriğin büyük kısmını yapay zekâ (Claude) üretti. Bunu gizlemiyorum. Ben ürün sahibi olarak ne yapılacağına, neyin yeterince iyi olduğuna ve neyin yayına çıkmayacağına karar verdim: kapsam, roller, adlandırma, öncelik ve kabul. Bu yüzden her kodun satırını yazmış gibi değil, ürünün kararlarını savunan biri olarak konuşurum.
Öne çıkan kararlar
| Karar | Neden |
|---|---|
| Üç ayrı uygulama, tek aile | Her biri farklı bir motor kullanıyor. Birleştirmek hem açılışı ağırlaştırır hem de birindeki hatayı diğerine taşır. Ortak adlandırma ve aile bağlantıları tek ürün hissi veriyor. |
| Ticari model yerine ücretsiz portföy | Ticari seçenekleri değerlendirdim, portföy olarak tutmayı seçtim. Sonuç: ücret ve hesap yok, kişisel veri toplanmıyor, ilerleme kullanıcının tarayıcısında kalıyor. |
| Adı değiştirmek | "Patika" adı var olan bir eğitim platformuyla çakışıyordu. Kesit'e geçtim. Gerçek bir bankaya benzeyen örnek şirket adını da değiştirdim. |
| Yayını geciktirmek | "Bir hafta geç çıksın, ürün iyi çıksın" dedim. Denetimlerden sonra öncelik yeni içerik değil; hatalar, ders sırası ve yanıltıcı adlar oldu. |
| Sektörün dilini kullanmak | Türkçe çeviri doğru olsa da işte Measure, Agile ya da UAT denir. Bir öğrenci mülakatta ve ilanda karşılaşacağı adı öğrenmeli. Bu yüzden örneğin "Ölçü Laboratuvarı" Measure Lab oldu; Power BI'da rapor ile dashboard ayrımına uyuldu. |
| BT iş analisti yolu | Yollara baktığımda eksik gördüm. Mevcut dersleri yeniden sıralamak daha hızlıydı; ben çekirdek işi (gereksinim, kabul kriteri, UAT) tek senaryoyla anlatan yeni dersleri içeren seçeneği seçtim. |
Ölçtüklerim
Henüz bir kullanım başarısı ölçmedim. Ölçebildiğim şey, ürünün söylediğini yapıp yapmadığı:
| Ölçüm | Sonuç |
|---|---|
| Gerçek PostgreSQL'de SQL çözümleri | SQL yazdıran görevlerde 1.717 çözümün 1.710'u tarayıcıdaki motorla aynı sonucu verdi. 7 fark biliniyor ve kayıtlı. |
| SQL ders ve alıştırma çalıştırması | 10.126 çalıştırma, hata yok. 615 kod kutusu 2.735 kez çalıştı, hata yok. |
| Python | 4.731 kontrol geçti. 1.212 örnek koddan yalnızca biri hata veriyor; o da hata okumayı öğreten bilerek hatalı örnek. |
| Power BI | 443 DAX alıştırması, 24 örnek rapor ve 5 vaka paketi denetlendi, sorun çıkmadı. Bu denetim gerçek Power BI ile değil, tarayıcıdaki benzetim motoruyla yapıldı. |
| Arayüzden çözüm | Rastgele seçilen 96 SQL ve 100 Power BI alıştırması tarayıcıda çözüldü, başarısız olan yok. Denenen yanlış cevaplar da reddedildi. |
| Veri tutarlılığı | Uçaklarda ışınlanma 2.362'den 0'a, bisikletlerde 114.509'dan 0'a indi. |
| Kapsam | SQL 295 ders ve 1.944 alıştırma. Power BI 150 ders ve 1.250 alıştırma. Python 145 ders ve 3.125 alıştırma. |
Yanlış gidenler
- Sayı, kalite demek değildi. Denetim, Python kurulum dersindeki 11 kod görevinin hepsinin metin ayrıştırma olduğunu gösterdi; dersin konusuyla ilgileri yoktu. Alıştırma sayısı büyürken bu tür dolgu görünmez kalmıştı.
- Düzeltme yeni hata getirdi. Ad değişikliği iki sınav sorusunun doğru cevabını yok etti. Terimlere İngilizce ekleyen özellik "istemci (prompt)" gibi yanlış eşleşmeler üretti. Testler ikisini de görmedi, işi yapmamış ayrı bir yapay zekâ incelemesi buldu. Şimdi ikisi için ayrı denetim var.
- İddiam fazla büyüktü. "Altı SQL programında test edildi" diyordum. Oysa bu, SQLite üzerinde çalışan bir taklit katmanıydı ve gerçek PostgreSQL'de bazı çözümler hata veriyordu. Çözümleri düzelttim, metni de gerçeğe göre değiştirdim.
- Testler sahte cevabı görmedi. 4 Kasım denetiminde eski SQL görevlerinde 1.807 denemeden 67'si sabit değer döndüren sahte sorguyla geçiyordu. 8 Kasım 2026 düzeltmesinde kayıtlı 67 geçiş kapatıldı; kaynak dalındaki üç ek görevle birlikte 70 hedefte 346 doğru/alternatif çözüm ve 146 sahte ya da eksik işlem kontrolü doğrulandı. Güncel kaynakta tam tarama: 1.835 deneme, sahte geçiş 0. Göreve özgü veri senaryoları, gerçek EXPLAIN ve indeks kontrolleri eklendi. Bu tarama bütün olası yanlış SQL cevaplarının yokluğunu kanıtlamaz.
- Veri kurgusaldı ama fiziksel olarak da tutarsızdı. Bisikletlerin %98,5'i önceki yolculuğunun bittiği istasyondan başlamıyordu, aynı uçak aynı anda iki uçuşta görünüyordu. Sorgular çalıştığı için testler bunu görmedi; denetim buldu. Atamayı yeniden yaptırdım ve fiziksel tutarlılığı ayrı bir denetime bağladım. Bedeli de yazıyor: boş konumlandırma uçuşları yolcu uçuşlarının %11'i kadar, yani gerçekçilik sınırında.
Sınırlar
Denetimlerin hepsi otomatik testler ve yapay zekâ incelemeleriyle yapıldı. Gerçek kullanıcı testi ve alan uzmanı onayı henüz yok. Süre tahminleri ölçüm değil, tahmin.
- SQL Server, MySQL, Oracle ve BigQuery davranışı taklit katmanında; gerçek motorlarda denenmedi. PostgreSQL ayrıca gerçek motorda sınanıyor.
- Power BI vaka paketlerinin adımları gerçek Desktop ve Service üzerinde baştan sona uygulanmadı.
- Bu bir okul ya da sertifika değil; verilen belge kendi beyanına dayanır.
Sırada ne var
Yeni özellik değil, kanıt: yeni başlayanlar ve alan uzmanlarıyla küçük bir pilot. Nerede bıraktıklarını ve gerçek süreleri görmeden sonraki adımı seçmeyeceğim.