Kurumsal ortamda donanım envanteri genellikle birden fazla sistemde, birbirinden habersiz şekilde tutulur: MECM’in kendi envanteri, satın alma departmanının Excel listesi, muhasebenin demirbaş kayıtları. Bu kayıtları birleştirmeye çalıştığınızda, klasik bir sorunla karşılaşırsınız: aynı cihaz, üç farklı sistemde üç farklı şekilde adlandırılmış.
Problem: Tam Eşleşme Neden Yetersiz?
Geleneksel bir SQL JOIN, “DESKTOP-A4X2K9” ile “Muhasebe-PC-14” ile “Demirbaş No: 2024-0451” kayıtlarının aynı fiziksel cihaza ait olduğunu anlayamaz — çünkü aralarında hiçbir tam metin eşleşmesi yok. Bu üç kayıt, ancak seri numarası, MAC adresi veya kullanıcı adı gibi ORTAK bir alan üzerinden manuel olarak eşleştirilebilir; bu da binlerce cihaz için pratik değil.
LLM Destekli Bulanık Eşleştirme Yaklaşımı
Bir dil modeline, farklı sistemlerdeki kayıtların (cihaz adı, kullanıcı, lokasyon, satın alma tarihi gibi alanları) verip “bu iki kayıt aynı fiziksel cihaza mı ait olabilir?” sorusunu sorduğumda, model bağlamsal ipuçlarını (aynı kullanıcı adı, benzer satın alma tarihi, aynı departman) birleştirerek insan mantığına yakın bir değerlendirme yapabiliyor.
Örnek Bir Eşleştirme Senaryosu
Kayıt A (MECM): Hostname=DESKTOP-A4X2K9, Kullanıcı=ayilmaz, Departman=Muhasebe Kayıt B (Demirbaş): No=2024-0451, Zimmetli=Ahmet YILMAZ, Birim=Muhasebe, SatınAlma=Ocak 2024 Model değerlendirmesi: "Yüksek olasılıkla aynı cihaz - kullanıcı adı örtüşüyor (ayilmaz ~ Ahmet YILMAZ), departman aynı (Muhasebe), tarihsel olarak tutarlı."
Güvenlik Ağı: Güven Skoru ve İnsan Onayı
Modelin her eşleştirmesine bir güven skoru (yüksek/orta/düşük) eklettiriyorum. Yüksek güvenli eşleştirmeleri otomatik onaylıyorum, orta ve düşük güvenli olanları ise bir insan gözden geçirme kuyruğuna alıyorum. Bu, hem hızı korur hem de yanlış eşleştirme riskini sınırlar.
Elde Edilen Pratik Fayda
Bu yaklaşımla, yüzlerce cihazlık bir envanteri elle eşleştirmenin haftalar sürebilecek işini, birkaç günde (çoğunlukla insan onay/inceleme süresi) tamamlayabildim. Sonuç, hangi cihazın kimde olduğunu, ne zaman alındığını ve garanti durumunu tek bir birleşik görünümde gösteren temiz bir envanter.
Sonuç
LLM’lerin “bulanık” bağlamsal akıl yürütme yeteneği, klasik kural tabanlı eşleştirme algoritmalarının başarısız olduğu, insan yargısına yakın karar gerektiren veri temizleme görevlerinde gerçek değer sunuyor — güven skoru ve insan onayı gibi güvenlik ağlarıyla birleştirildiğinde.