# Akıllı Envanter Eşleştirme: Dağınık Veri Kaynaklarını LLM Tabanlı Metin Karşılaştırması ile Temizleme - Bağlantı: https://musti.org/yapay-zeka/akilli-envanter-eslestirme-llm-metin-karsilastirma/ - Yayımlanma: 2026-09-21T21:48:24+03:00 - Yazar: mmutlu Aynı fiziksel cihaz üç farklı sistemde üç farklı isimle karşınıza çıkarsa ne yaparsınız? Kurumsal ortamda donanım envanteri genellikle birbirinden habersiz birden fazla sistemde tutuluyor: MECM’in kendi envanteri, satın alma departmanının Excel listesi, muhasebenin demirbaş kayıtları. Bu kayıtları birleştirmeye çalıştığınızda tam olarak bu sorunla karşılaşıyorsunuz. ## Tam Eşleşme Neden İşe Yaramıyor Klasik bir SQL JOIN, “DESKTOP-A4X2K9” ile “Muhasebe-PC-14” ile “Demirbaş No: 2024- 0451” kayıtlarının aynı fiziksel cihaza ait olduğunu anlayamaz — çünkü aralarında tam metin eşleşmesi yok. Bu üç kayıt ancak seri numarası, MAC adresi veya kullanıcı adı gibi ortak bir alan üzerinden manuel eşleştirilebilir; binlerce cihaz için bu pratik değil. ## LLM’in Devreye Girdiği Yer Bir dil modeline farklı sistemlerdeki kayıtların (cihaz adı, kullanıcı, lokasyon, satın alma tarihi) alanlarını verip “bu iki kayıt aynı fiziksel cihaza mı ait olabilir?” diye sorduğumda, model bağlamsal ipuçlarını (aynı kullanıcı adı, benzer satın alma tarihi, aynı departman) birleştirerek insan mantığına yakın bir değerlendirme yapabiliyor: ``` 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." ``` ## Güven Skoru ve İnsan Onayı Modelin her eşleştirmesine yüksek/orta/düşük bir güven skoru eklettiriyorum. Yüksek güvenli eşleştirmeleri otomatik onaylıyorum, orta ve düşük güvenli olanları bir insan gözden geçirme kuyruğuna alıyorum — bu hem hızı korur hem de yanlış eşleştirme riskini sınırlar. ## Bir Adım Sonrası Bu yaklaşımla yüzlerce cihazlık bir envanteri elle eşleştirmenin haftalar sürebilecek işini birkaç günde — çoğunlukla insan onay süresi — tamamlayabildim. Sonuç, hangi cihazın kimde olduğunu, ne zaman alındığını ve garanti durumunu tek bir birleşik görünümde gösteren temiz bir envanter. LLM’lerin bu “bulanık” bağlamsal akıl yürütme yeteneği, klasik kural tabanlı algoritmaların başarısız olduğu, insan yargısına yakın karar gerektiren veri temizleme görevlerinde gerçek değer sunuyor — tabii güven skoru ve insan onayı gibi güvenlik ağlarıyla birlikte kullanıldığında.