İçeriğe geç

Blog

Veri Analitiği

Önce Semantik Katman: BI'ınızı Yapay Zekâ Ajanlarına Hazırlamak

Yapay zekâ ajanları iş sorularını yalnızca metrikler, birleştirmeler ve terimler bir semantik katmanda bir kez tanımlandığında doğru yanıtlar. Nedir ve nasıl kurulur?

7 dk. okuma
Muazzam bir defter arşivinin üzerindeki büyük bir taş sözlükte tek bir kırmızı girdiye bir parmağını dayayan mermer bir elin noktalı (dithered) illüstrasyonu.
Facebook logosu
X logosu
LinkedIn logosu
Reddit logosu
Telegram logosu

Yapay zekâ ajanlarının bir semantik katmana ihtiyacı vardır; çünkü aksi halde tahmin yürütürler. "Geçen çeyrek geliri" sorulduğunda ham tablolarla çalışan bir ajan tabloyu, birleştirmeleri, filtreleri ve formülü kendisi seçmek zorundadır ve her seferinde farklı seçebilir. Bir semantik katman her metriği, boyutu ve ilişkiyi bir kez tanımlar; böylece her ajan ve kontrol paneli aynı yanıtı hesaplar.

Şirketin yeni yapay zekâ asistanından geçen çeyrek için bölgeye göre net geliri isteyen bir finans yöneticisi düşünün. Asistan SQL yazıyor, temiz bir tablo döndürüyor ve toplam yönetim kurulu paketinden yüzde birkaç sapıyor. Önce kimse nedenini söyleyemiyor. Sonra biri çözüyor: asistan brüt sipariş değerini toplamış, iadeleri yok saymış ve müşterileri bölgelere satış bölgesi yerine fatura adresi üzerinden bağlamış. Her seçim makuldü. Hiçbiri şirketin tanımı değildi; çünkü o tanım yalnızca tek bir Power BI raporunun içinde vardı.

Semantik katman nedir?

Semantik katman, ham tablolarınızla onlara soru soran her araç arasında duran, ortak iş tanımlarından (metrikler, boyutlar, ilişkiler ve sade dilde açıklamalar) oluşan bir kümedir. "Net geliri", birinin hatırladığı bir formülden, her rapor ve ajanın kullandığı tek bir tanıma sahip bir nesneye dönüştürür.

Her biri tek cümleyle birkaç terim:

  • Metrik, net gelir veya aktif müşteriler gibi, işletmenin üzerinde uzlaştığı bir hesaplamadır.

  • Boyut, bölge, ürün hattı veya ay gibi, o metriği gruplamanın veya filtrelemenin bir yoludur.

  • İlişki, siparişlerin müşteri kimliği üzerinden müşterilere bağlanması gibi, iki tablo arasındaki onaylı birleştirmedir.

  • Tanecik (grain), bir tablodaki bir satırın neyi temsil ettiğidir; örneğin bir sipariş veya bir sipariş kalemi.

Çoğu şirketin zaten bir semantik katmanı vardır, yalnızca tek bir yerde değildir. Power BI veya Tableau modellerine, elektronik tablo formüllerine, dbt modellerine ve iki analistin kafasına dağılmıştır.

Yapay zekâ ajanları, bu katman olmadan iş sorularını neden yanlış yanıtlar?

Semantik katman olmadan bir ajan, iş anlamını sütun adlarından çıkarmak zorundadır ve sütun adları nadiren kuralları taşır. Orders adlı bir tablo, iptal edilen siparişlerin sayılıp sayılmadığını, hangi para biriminin kullanılacağını ya da hangi tarihin bir satışı işaret ettiğini söylemez.

Olağan hata noktaları:

  • Belirsiz adlar. İki tablodaki amount adlı iki sütun farklı şeyler anlamına gelir.

  • Yanlış birleştirmeler. Yanlış taneciklikte birleştirmek satırları çoğaltır ve toplamları şişirir.

  • Eksik filtreler. Test hesapları, iadeler veya iç siparişler dışarıda bırakılmaz.

  • Yanlış hesaplanan oranlar. Bir oranın bölge başına ortalamasını almak, toplamları bölmekten farklı bir yanıt verir.

  • Sapma (drift). Ajan bir sonraki sefer farklı bir yol seçtiğinde yanıt değişir.

Microsoft, Power BI'daki kendi Copilot'u için hemen hemen aynı şeyi söylüyor. Veriyi yapay zekâya hazırlama rehberi, "veri yapılandırılmamış veya belirsiz olduğunda yapay zekâ sistemlerinin onu doğru yorumlamakta zorlanabileceğini" ve çıktıların "genel, yanlış ve hatta yanıltıcı olabileceğini" belirtir. Ayrıca yapay zekâ davranışı deterministik olmadığı için hazırlığın "her seferinde belirli bir çıktıyı garanti edemeyeceğini" not eder. Bir semantik katman, hata payını daraltır. Test etme ihtiyacını ortadan kaldırmaz.

Snowflake, Databricks ve dbt bunun için neler sunuyor?

Büyük veri platformları artık semantik tanımları, hem BI araçlarının hem de yapay zekâ ajanlarının okuyabildiği veri tabanı nesneleri olarak ele alıyor. Son yılın ana değişikliği bu: tanımlar tek tek kontrol panellerinden platformun içine taşınıyor.

Mermer bir duvara yerleştirilmiş standart bir ölçü çubuğuna bir ölçü çubuğu dayayan, gölgesinin kopyaları birçok zemin karosunda yer alan mermer bir el
  • Snowflake semantic views: tanımlar Snowflake'te şema düzeyinde nesneler olarak yaşar; Cortex Analyst ve Cortex Agents bunları okur.

  • Databricks Unity Catalog metric views: Unity Catalog'da kayıtlı YAML tanımları; Genie, kontrol panelleri ve harici BI araçları bunları okur.

  • dbt Semantic Layer (MetricFlow): tanımlar dbt projenizde yaşar; Claude ve ChatGPT gibi yapay zekâ araçları bunlara dbt MCP sunucusu üzerinden ulaşır.

  • Power BI semantik modeli ve Prep data for AI (önizleme): tanımlar Power BI semantik modelinde yaşar; Power BI'daki Copilot bunları okur.

Snowflake semantic views

Snowflake semantic views, mantıksal tabloları, ilişkileri, olguları, boyutları ve metrikleri veri tabanında saklayan şema düzeyindeki nesnelerdir. Bunları tanımlamak, Haziran 2025'teki Snowflake Summit'te genel kullanıma açıldı ve Cortex Analyst, fiziksel tablolara karşı SQL üretmek için tanımı okur.

Databricks metric views

Unity Catalog metric views, ölçü tanımlarını onları gruplamak için kullanılan boyutlardan ayırır. Databricks'in kendi örneği bir orandır: "gelir toplamının benzersiz müşteri sayısına bölümü"; bir kez tanımlanır, istenen alana göre gruplanır ve motor onu doğru biçimde hesaplar. Genie'den, kontrol panellerinden ve Power BI ile Tableau gibi harici araçlardan sorgulanabilirler; Power BI için bir BI uyumluluk modu Mart 2026'da beta olarak yayımlandı.

dbt Semantic Layer ve Fivetran birleşmesi

MetricFlow ile çalışan dbt Semantic Layer, metrikleri dbt projesinde tanımlar; böylece bir değişiklik "çağrıldığı her yerde yenilenir". dbt dokümantasyonu, Claude ve ChatGPT gibi yapay zekâ araçlarının ona dbt MCP sunucusu üzerinden bağlanabileceğini, "böylece yanıtlarının ham tablolar hakkında tahmin yürütmek yerine yönetilen metriklerinizi kullandığını" söyler. Fivetran ve dbt Labs birleşmelerini 1 Haziran 2026'da tamamladı ve duyuruda alıntılanan bir DocuSign veri mimarisi lideri bunu açıkça söylüyor: "Yapay zekâ ve ajanlar, ancak arkalarındaki veri kadar güçlüdür."

Semantik katman nerede durmalı: BI aracında mı, veri ambarında mı?

Çekirdek metrikleri, tüketicilerinin çoğunun ulaşabileceği yere koyun. Ajanlar, not defterleri ve birden fazla BI aracı aynı rakamlara ihtiyaç duyuyorsa, bunları veri ambarında veya dbt'de tanımlayın. Her şey tek bir BI aracından geçiyorsa, şimdilik onun semantik modeli yeterli olabilir.

BI modelinin yeterli olduğunun işaretleri

  • Tek bir BI aracı, tek bir ekip ve Power BI'daki Copilot gibi tek bir ana ajan deneyimi.

  • Metrikler nadiren değişiyor ve sahipleri rapor yazarları.

Bir seviye aşağı taşınması gerektiğinin işaretleri

  • Aynı metrik iki veya daha fazla araçta yeniden kurulmuş ve rakamlar farklı.

  • Ajanlar, BI aracının dışında veri ambarını doğrudan sorguluyor.

  • Finans, satış ve operasyonların her biri ortak bir metriğin kendi sürümünü tutuyor.

Katmanı aşağı taşımak, BI modellerini silmek anlamına gelmez. BI aracı biçimlendirmeyi, rapor mantığını ve görselleri korur; tanımları veri ambarı veya dbt tutar.

Ajanların kullanabileceği bir semantik katmanı nasıl kurarsınız?

İnsanların gerçekten sorduğu on ila yirmi metrikle başlayın, her birini sade dille ve kodla tanımlayın ve kimse ona güvenmeden önce ajanı yanıtları bilinen sorularla test edin.

Adımlar

  1. Gerçek soruları toplayın. Bunları yönetim paketlerinden, veri ekibine gelen yinelenen taleplerden ve insanların sohbet araçlarına zaten yazdığı sorulardan çekin.

  2. Arkalarındaki metrikleri seçin. Kısa bir liste seçin ve her biri için bir sahip belirleyin.

  3. Tanımı önce sözcüklerle yazın. Örneğin: "Net gelir, brüt sipariş değerinden iadeler ve indirimlerin düşülmesiyle, euro cinsinden, sipariş tarihine göre, test hesapları hariç hesaplanır."

  4. Taneciği ve birleştirmeleri sabitleyin. Her tabloda bir satırın ne anlama geldiğini ve hangi birleştirmelerin onaylı olduğunu belgeleyin.

  5. Tek bir yerde kodlayın. Semantic views, metric views, dbt metrikleri veya BI semantik modelini kullanın; dördünü birden değil.

  6. Eş anlamlılar ve açıklamalar ekleyin. Ajanlar bunları okur. "Satış", "gelir" ve "ciro", doğru metriğe ya da net bir karşı soruya işaret etmelidir.

  7. Ajanı ham tablolara değil, katmana bağlayın. Ona yalnızca yönetilen nesnelere okuma erişimi verin.

Bir kefesinde glif küresi, diğerinde kazınmış tabletler bulunan, ibresi düz ve kırmızı olan taş bir terazi kefesini sabitleyen iki mermer el

Güvenmeden önce test edin

Bir değerlendirme kümesi oluşturun: analistlerinizin kontrol ettiği yanıtlarla yaklaşık otuz soru. Bir tanımda veya ajanda her değişiklikten sonra çalıştırın. Power BI'ın doğrulanmış yanıtları (verified answers), tek bir model içinde benzer bir şey yapar; tetikleyici ifadeleri, sonucu birinin onayladığı bir görsele bağlar. Hangi soruların neden başarısız olduğunu izleyin; başarısızlıkların çoğu bir model sorununa değil, eksik bir tanıma veya eş anlamlıya işaret eder.

Vizio AI olarak buna nasıl yaklaşıyoruz

Araçlardan değil, sorulardan başlıyoruz. Müşterinin analistleriyle birlikte yönetimin ve operasyonların en sık sorduğu soruları topluyor, her yanıtı arkasındaki tablolara ve formüllere kadar izliyor ve mevcut raporların nerede çeliştiğini yazıya döküyoruz.

Bu listeden çekirdek metrikler, sahipleri ve sade dildeki tanımları üzerinde uzlaşıyor, ancak ondan sonra bunları nerede kodlayacağımızı, genellikle müşterinin zaten kullandığı platformu seçiyoruz. Ajanı bu yönetilen nesnelere salt okunur erişimle bağlıyor, değerlendirme kümesini analistlerle birlikte kuruyor ve devirden sonra çalışmaya devam ettiriyoruz; böylece değişen bir tanım, yanlış bir yönetim kurulu rakamı olarak değil, başarısız bir test olarak ortaya çıkıyor.

Bu, DX Studio çalışmamızın bir parçasıdır. Ajan veri ambarına MCP üzerinden ulaşıyorsa, Bir Yapay Zekâ Ajanını CRM'inize mi Bağlıyorsunuz? Önce MCP Sunucusunu Güvenceye Alın yazısı erişim kontrolünü ele alıyor. Ajanın arkasındaki model için Claude, GPT mi Gemini mi? İş Akışları İçin Model Seçimi yazısına, raporlama tarafını nasıl kurduğumuz için ise 30 Günde Power BI Uygulaması yazısına bakın.

Kaynaklar

SSS.

01

02

03

04

05

Daha fazlası.

Dithered illustration of two marble hands pulling a mason's line taut between stakes across bare ground at dawn, the first course of stones laid along it and a pink knot at the nearest stake.
Your First 30 Days With a Product Studio: What Happens Week by Week
7 dk.

The first 30 days with a product studio: week one sets access and goals, week two tests the riskiest assumption, weeks three and four ship a first slice.

Dithered illustration of a marble hand opening the case of a bracket clock to show a dense hidden mechanism, one small gear deep inside glowing red.
What Does an AI Agent Cost to Run? Tokens, Tools and the Hidden Line Items
6 dk.

An AI agent's running cost is model tokens across every step, plus retries, tool and search fees, hosting, monitoring and human review. Budget per task, not per token.

Dithered illustration of a fragmented marble face looking down at a jeweller's tray where gems are sorted by size, the largest stone glowing amber under a brass lamp.
AI Lead Scoring in Your CRM: Start With the Rules You Already Trust
7 dk.

Add AI lead scoring by writing down the rules sales already trusts, cleaning CRM data, then testing the AI score against those rules before reps use it.

Önce yapay zekâyı düşünün.
Geleceğin hızında ilerleyin.

Sıradakini birlikte inşa edelim! Ürün fikirlerinden akıllı iş akışlarına, veri odaklı sistemlerden ölçeklenebilir büyüme operasyonlarına kadar.

Strateji Görüşmesi Planlayın