Problem → Çözüm
Problem
Hasarlı ürün iadeleri fotoğrafla yapılıyor ve her fotoğrafı bir temsilci elle inceliyor. Aynı fotoğrafın tekrar kullanılması, internetten indirilmiş görseller ve başka markanın ürünü ile yapılan suistimaller aylık yüz binlerce TL kayba yol açıyor.
Çözüm
Hasar Fotoğrafı Doğrulama, müşterinin yüklediği fotoğrafta ürünü ve hasar tipini tanır, siparişteki SKU ile eşleştirir, perceptual hash ile tekrar kullanımı ve EXIF/sıkıştırma izleriyle manipülasyonu kontrol eder. Düşük riskli talepleri otomatik onaylar, yüksek riskli olanları gerekçeli olarak temsilciye düşürür.
Temel özellikler
Yapay zeka nerede devreye giriyor?
Çok modlu LLM ve özel eğitilmiş vision modeli birlikte çalışır: hızlı model hasar tipini, büyük model SKU eşlemesini açıklar; skorlama XGBoost ile yapılır.
- YOLOv8 fine-tune (38 bin etiketli fotoğraf) ile ürün + hasar bölgesi tespiti, mAP@50 0,88, GPU’da 120 ms
- Claude Sonnet vision ile structured output: {urun, marka, gramaj, hasar_tipi, siparisle_uyum} — belirsiz vakalarda gerekçe metni
- pHash + CLIP embedding ile Qdrant’ta yakın kopya arama; XGBoost fraud skoru (görsel sinyaller + iade geçmişi), precision@%5 = 0,79
Nasıl çalışır?
Stack
Arayüz
Backend
AI / ML
Veri
Altyapı & DevOps
Pazarlama & lansman
Başarı metrikleri (hedef)
MVP yol haritası
Öncelik #2: Sipariş hazırlama doğruluğu
Şikayetvar’da son bir ayda Getir hakkında yayınlanan 354 şikayetin 110 tanesi bu fikrin hedeflediği konularla ilgili: eksik ürün (%22), yanlış ürün (%9).
Bir fikri production’a taşırken ilk sorum şu: ölçülebilir mi ve mevcut sistemi bozmadan nasıl açılır? Yaklaşık 4 yıl, ayda yüz milyonlarca CDN isteği alan bir embed script üzerinde çalıştım. Kademeli geçiş ve gerçek test kapsamı benim için vazgeçilmez. Remote çalışmaya hazırım.