Veri Odaklı İçerikleri Taze Tutmak Zorlu Bir Süreçti. Bu Yüzden Bir Ajan Eğittik.

Veri odaklı içerikler yayımlamak başlangıçta son derece tatmin edici bir iş gibi görünür. Sayılar, tablolar, sıralamalar — okuyucu için somut değer, arama motorları için güçlü bir sinyal. Ama bu içeriklerin bir bedeli var: güncel kalmak zorundalar. Aksi takdirde geçen yılın verileriyle dolu bir makale, arama motoru sonuç sayfasında hızla gerilemeye başlar ve okuyucu için de güvenilirliğini yitirir.

"Google'da En Çok Aranan Kelimeler" veya "Google'da En Çok Sorulan Sorular" gibi içerikleri ele alalım. Bu tür sayfalar yalnızca rakamlar güncel olduğunda değer taşır. Arama motorları da bunu fark eder; içeriği her yenilediğinizde trafik belirgin biçimde artar. Yani birisinin bu sayfaları düzenli aralıklarla tazelemesi gerekir. Aksi takdirde büyük bir emekle hazırlanmış bir içerik, zamanla güncellenmemiş bir veri yığınına dönüşür.

İdeal senaryoda her ay yazar, taze veriler çeker, tabloları temizler, biçimlendirir ve WordPress'e yapıştırır. Özel grafik içeren yazılarda süreç daha da uzar: yeni grafik spesifikasyonu hazırlamak, tasarım ekibine iletmek, beklemek, incelemek, düzeltme istemek... Tek bir gönderi için bu süreç katlanılabilir. Ama 14 ya da 20 gönderi söz konusu olduğunda, tüm bir öğleden sonra sadece bir önceki ayın tablolarını biraz farklı sayılarla güncellemekle geçebilir. Sonuç olarak içerik takımı bu yükü hafifletmek için yenilenme sıklığını düşürür; bazı gönderiler aylarca — hatta yıllarca — dokunulmadan kalır.

Otomatik Veri İçeriği Güncelleyici: Nasıl Kuruldu?

Bu sorunun çözümü olarak ortaya çıkan sistem, "Veri Yenileme Merkezi" adını verdiğimiz bir otomasyon ajanıdır. Ajan, ayda bir kez çalışarak 14 farklı veri setini otomatik olarak çeker: anahtar kelime hacimleri, kullanıcıların sıkça sorduğu sorular ve yapay zeka atıf verileri. Her veri seti kendi temizlik kurallarına göre işlenir; nelerin dahil edildiği, nelerin elendi ve neden elendi bilgisi şeffaf biçimde raporlanır. Ardından ajan, WordPress'te yeni tablolar yerleştirilmiş bir taslak oluşturur ve taslağın incelemeye hazır olduğunu bir e-posta bildirimiyle haber verir.

Sistemin inşası göründüğü kadar pürüzsüz geçmedi. Veri çekme işlemi tek başına üç farklı yol gerektirdi. ABD'ye ait anahtar kelime tabloları doğrudan mevcut veri altyapısı üzerinden temin edilebiliyordu; ancak küresel veriler, veri bilimciler tarafından özel olarak hazırlanmış bir servisten geliyordu ve bunun için ayrı bir bağlantı kurulması gerekti. Yapay zeka atıf tabloları ise her platform ayrı ayrı işlenerek çekilmek zorundaydı.

Bunların yanı sıra küçük ama zaman çalan teknik aksaklıklar da yaşandı. Örneğin bir alan adı büyük-küçük harf uyumsuzluğu — kodda «Cpc» gönderilirken API'nin «CPC» beklediği bir durum — saatlerce süren bir hata ayıklama sürecine yol açtı. Ancak tüm bu sorunların çözülmesi süreci bizzat ajan tarafından yönetildi; el kodlaması yapılmadı, sistem sohbet tabanlı bir arayüzle kuruldu ve ajan iyileştirmeleri kendi başına gerçekleştirdi.

Sonuçta bu otomasyon sistemi ayda en az 20 saatlik iş yükünü ortadan kaldırdı. Bu kazanım yalnızca zaman tasarrufuyla sınırlı kalmıyor: artık içerikler üç ayda bir yerine her ay güncellenebiliyor ve yeni veri odaklı içerikler daha sık yayımlanabiliyor. Hem içerik ekibi için daha az yük, hem okuyucu için daha taze veriler — ikisi de kazanıyor.

İnsan Denetimi Hâlâ Vazgeçilmez

Otomasyonun en büyük tuzaklarından biri, makinenin her şeyi mükemmel yapabileceğini varsaymaktır. Oysa veri odaklı içeriklerde ajan mükemmel değil; sadece çok hızlı ve tutarlıdır. Bu nedenle sistemde iki kritik adım kasıtlı olarak insan kontrolünde bırakılmıştır.

İlki, ajanın ürettiği çıktıyı değerlendirmektir. "Google'da en çok sorulan sorular" gibi bir içeriği ele alalım. Ham veriyi arama hacmine göre sıralamak yeterli değildir; sonuç listesi gerçek sorulara benzeyen ama aslında soru olmayan ifadelerle dolu olabilir. «How to train your dragon» bir film adıdır. «Would you rather questions» başlı başına bir soru değildir. Marka aramalar ve bot kaynaklı görünen sorgular da listeye sızabilir. Deneyimli bir editör bu sorunları saniyeler içinde fark eder.

Bu nedenle temizlik katmanına bir dil modeli geçişi de eklendi: model, büyük ölçekte bu tür kararları otomatik olarak alıyor. Örneğin "en çok aranan kişiler" tablosu için 5.000'e kadar adayı işleyerek hangisinin gerçek bir insan adı olduğunu, hangisinin «[ad] net worth» gibi bir arama sorgusu olduğunu ve hangisinin isme benzeyen sıradan bir kelime olduğunu belirliyor. Bu süreç oldukça doğru sonuçlar veriyor, ama mükemmel değil; bu yüzden her güncelleme yayınlanmadan önce mutlaka bir insan gözden geçiriyor.

Bir meslektaş benzer ama daha karmaşık bir sorunla karşılaştı. En hızlı büyüyen şirketleri sıralayan bir ajan kurdu ve sistemin en zor kısmı, gerçek bir markayı sıradan bir kelimeden ayırt etmesini öğretmekti. Bazı şirket adları günlük dilde kullanılan kelimelerle örtüşüyor; bu şirketler ortaya çıkmadan önce de insanlar o kelimeleri aratıyordu. Sistem bu durumu telafi etmek için ilgili kelimenin marka öncesi arama hacmini tahmin ediyor, bunu temel çizgi olarak çıkarıyor ve yalnızca marka kaynaklı hacmi sayıyor. Ayrıca kalıcı olmayan tek aylık ani yükselişleri görmezden geliyor ve şirketin kendi adı için gerçekten sıralandığını doğrulamak üzere her adı internette ayrıca araştırıyor.

Bütün bu kurallar, «gerçek» büyümenin ne anlama geldiğine dair insan kararlarından oluşuyor. Ajan yalnızca bu kuralları uygulayabiliyor. Karar mekanizması her zaman insanda kalıyor.

Sistemin asla kendi başına yayın yapmaması da bu anlayışın bir sonucu. Ajan yalnızca taslak oluşturuyor; yayına almak her zaman bir insanın onayını gerektiriyor. İşin %90'ını yapan ama son %10'u insana bırakan bir ajan, zaman kazandırır. İşin %100'ünü yapıp zaman zaman canlı bir blogda saçmalık yayınlayan bir ajan ise söndürülmesi gereken bir yangın başlatır.

Meslektaşlar Kendi Sistemlerini Kurmaya Başladı

Veri Yenileme Merkezi başlangıçta yalnızca kişisel kullanım için tasarlandı. Ekip içindeki bir sohbet kanalında paylaşılması ise beklenmedik bir etki yarattı: başka içerik üreticileri de benzer sistemler kurmaya başladı.

Hızlı büyüyen şirket sıralamalarını yönetmek için bir sistem kuran meslektaş, bunu yalnızca veri güncellemesiyle sınırlı tutmadı; ajana yargı katmanları, grafik oluşturma ve ek veri kaynakları entegre etti. İçerik direktörü de kendi veri içerikleri için aylık otomasyon akışını hayata geçirdi. Tepkisi neredeyse kelimesi kelimesine şöyleydi: «Yapay zekadan beklentim buydu: gerçek otomasyon, saat tasarrufu. Ve sonunda geldi. Adeta büyü gibi!»

Bu sürüm de aynı mantıkla çalışıyor: taze veri çekiyor, grafik ve tabloları yeniden oluşturuyor, WordPress taslakları hazırlıyor, küçük tarih ve örnek boyutu düzenlemelerini yapıyor ve makale incelemeye hazır olduğunda bir e-posta bildirimi gönderiyor.

Kimse bu sistemleri kurmaya zorlanmadı. Hiçbir toplantı düzenlenmedi, hiçbir resmi direktif verilmedi. Sadece işe yaradığı görüldü ve yayıldı. Gerçekten faydalı şeyler her zaman böyle yayılır: görev atanmadan, kopyalanarak. Şu anda ekipte bu sistemin bir versiyonunu üç kişi kullanıyor.

Kendi İş Akışınızda Bu Tür Görevleri Nasıl Bulur ve Otomatize Edersiniz?

Hemen hemen her içerik ekibinde bu tür bir görev saklıdır. Tekrar eden, kuralları yazılı hale getirilebilen ve bir takvime bağlanabilen işler, otomasyon için mükemmel adaylardır. Bunları bulmak için sistematik bir yaklaşım işe yarar.

İlk adım doğru soruyu sormaktır. Düzenli yaptığınız her görevi gözden geçirin ve şu iki soruyu sorun: Bu iş bir takvime göre mi yürüyor? Ve «doğru yapıldı» kriterlerini yazılı olarak tanımlayabilir misiniz? Her iki sorunun yanıtı da evet ise, bu bir otomasyon adayıdır. «Her ay aynı kaynaktan aynı verileri çek ve aynı biçimde yeniden düzenle» bu testi kolayca geçer. «Makaleyi yaz» ise ikinci soruyu geçemez ve zaten bu kısmı kendiniz yapmak isteyebilirsiniz.

Sistemi hayata geçirirken dört ilke belirleyici oldu:

• Altyapıyı otomatize edin, düşünmeyi değil. Veri çekme, temizleme, biçimlendirme ve yapıştırma — bunların tamamı mekanik işlerdir ve devredilmeye hazırdır. Analiz, yargı ve editoryal karar sizde kalsın.
• Temizlik adımını görünür kılın. Ajanın size yalnızca sonuç listesini vermesini değil, neyi neden elediğini de göstermesini isteyin. Bu şeffaflık, çıktıya güvenmenizi kolaylaştırır.
• Yayın kapısında insan bulundurun. Yalnızca taslak oluşturun; yayına almak her zaman bir insan onayı gerektirsin. Bu basit kural güvenliğin büyük bölümünü sağlar.
• Modelin değiştirmemesi gereken unsurları kilitleyin. Başlıktaki sayılar, doğrulanmış veriler, açılış cümlesi — bunları sabitlemezseniz ajan fark edilmeden bir rakamı yanlış yeniden ifade edebilir.

Bu ilkeler göz alıcı değil. Ama yapay zekanın bugün iyi yaptığı şey tam da bu: net tanımlanmış, sıkıcı, tekrar eden görevler. Ve bu tür görevler neredeyse her içerik iş akışında gün yüzüne çıkmayı bekliyor.

Sonuç: Sıkıcı Olan Kazandırdı

Yapay zeka otomasyonunun en fazla değer yarattığı alan, çarpıcı olanlar değil sıkıcı olanlardır. Her hafta ya da her ay sessizce biriktirilen, dread ile yaklaşılan tekrarlayan görevler — işte bu alanda otomasyon gerçekten dönüştürücü bir etki yaratıyor.

Buradaki yaklaşımın özü şu: makineye sıkıcı ve tekrar edeni verin, gerçekten sizin varlığınızı gerektirenleri kendinize saklayın. Ajan veri çeker, tablolar oluşturur, taslağı hazırlar. Siz ise gözden geçirir, onaylar ve yayınlarsınız. Bu iş bölümü hem daha verimli hem de daha güvenli bir süreç ortaya koyuyor.

Bunun yanı sıra önemli bir kültürel sonuç da var: kimse bu sistemleri kurmaya zorunlu tutulmadı. Yalnızca işe yaradığı görüldü ve organik olarak yayıldı. Bu da gerçek otomasyonun işareti; gösteri amaçlı bir demo değil, gerçek bir zamandan tasarruf aracı. Gerçekten faydalı olan şeyler toplantısız, direktifsiz yayılır.

Bugün hepimiz birer yöneticiyiz — hem kendi işimizin hem de bizi destekleyen sistemlerin. Sıkıcı, iyi tanımlanmış görevleri makineye devredin; editoryal yargıyı, okuyucu için gerçek değer yaratan kararları ve nihai onayı kendinizde tutun. Bu denge, içerik ekiplerinin yapay zeka çağında sürdürülebilir ve kaliteli üretim yapabilmesinin anahtarıdır.