| Dosya Adı |
|---|
| arayuz_KVKK_SoruCevapalamaSistemi.py |
| KVKK_100_SORU_CEVAP.txt |
| poyraz_temiz_stop_words.txt |
| Kütüphane Adı | Pip ile İndirme | PyPI sitesi |
|---|---|---|
| pip-21.2.4 | yok | https://pypi.org/project/pip/ |
| sentence transformers 0.3.0 | pip install sentence-transformers | https://pypi.org/project/sentence-transformers/0.3.0/ |
| pandas 1.3.2 | pip install pandas | https://pypi.org/project/pandas/ |
| Tkinter 0.0.2.1 | pip install pytk | https://pypi.org/project/pytk/ |
| Dosya Adı |
|---|
| ModelEgitimiYeniYontem.py |
| KVKK_100_SORU_CEVAP.txt |
| Kütüphane Adı | Pip ile İndirme | PyPI sitesi |
|---|---|---|
| pip-21.2.4 | yok | https://pypi.org/project/pip/ |
| sentence transformers 0.3.0 | pip install sentence-transformers | https://pypi.org/project/sentence-transformers/0.3.0/ |
| pandas 1.3.2 | pip install pandas | https://pypi.org/project/pandas/ |
| PyTorch 1.9.0 | pip install torch | https://pypi.org/project/torch/ |
| tqdm | pip install tqdm | https://pypi.org/project/tqdm/ |
| transformers | pip install transformers | https://pypi.org/project/transformers/ |
| Dosya Adı |
|---|
| KVKK_Model_Test.py |
| KVKK_100_SORU_CEVAP.txt |
| Kütüphane Adı | Pip ile İndirme | PyPI sitesi |
|---|---|---|
| pip-21.2.4 | yok | https://pypi.org/project/pip/ |
| sentence transformers 0.3.0 | pip install sentence-transformers | https://pypi.org/project/sentence-transformers/0.3.0/ |
| pandas 1.3.2 | pip install pandas | https://pypi.org/project/pandas/ |
| Dosya Adı |
|---|
| KVKK_Model_Stres_Testi.py |
| StresTestiSonuclariniDegerlendir.py |
| StresTestiSonuclariniDegerlendir2.py |
| KVKK_100_SORU_CEVAP.txt |
| Kütüphane Adı | Pip ile İndirme | PyPI sitesi |
|---|---|---|
| pip-21.2.4 | yok | https://pypi.org/project/pip/ |
| sentence transformers 0.3.0 | pip install sentence-transformers | https://pypi.org/project/sentence-transformers/0.3.0/ |
| pandas 1.3.2 | pip install pandas | https://pypi.org/project/pandas/ |
| PyTorch 1.9.0 | pip install torch | https://pypi.org/project/torch/ |
| tqdm | pip install tqdm | https://pypi.org/project/tqdm/ |
| numpy 1.21.2 | pip install numpy | https://pypi.org/project/numpy/ |
Türkiye Açık Kaynak Platformu tarafından Türkçe Doğal Dil İşleme konusunda farkındalık oluşturmak amacıyla 2021 yılında TeknoFest 2021 İSTANBUL kapsamında çevrimiçi düzenlenen yarışma için geliştirdiğimiz projemiz Kişisel Verilerin Korunumu Kanunu (KVKK) hakkindaki sorulara cevap veren otonom bir sohbet yazılımı / çağrı merkezidir.
- Projede kullandığımız ana model (sentence-transformers/paraphrase-xlm-r-multilingual-v1) cümle benzerliğinin bulunmasında kullanılan bir modeldir.
- Ana model olarak kullandığımız RoBERTa modeli A Robustly Optimized BERT Pretraining Approach olarak anılır ve Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer ve Veselin Stoyanov tarafından Google’ın 2018 BERT modeli referans alınarak yapılmıştır.
- Kullandığımız ana modele ve API uygulamasına https://huggingface.co/sentence-transformers/paraphrase-xlm-r-multilingual-v1 İnternet sayfasından ulaşabilirsiniz.
- Mevcut Modelimizi kendi veri kümeniz ile eğitebilmeniz için hazırladığımız bir PYTHON dosyamız mevcuttur. /ModelEgitimiYeniYontem.py isimli dosyamız TSV (Tab-Separated Values) içerikli metin dosyasından ikişer satır okuyup modele eğitim için göndermektedir. Mevcut veri kümenizi saklama biçiminize göre def sorulariDosyadanOkuveListeOlarakDondur(son): isimli fonksiyonu değiştirmeniz gerekir.
- torch (GPU kullanımı için)
- pandas (Veri çerçevesi kullanmak için)
- transformers (ön eğitilmiş modelin kullanılması ve farklı bir problem için tekrar eğitilmesi için kullanılan mimariyi eklemek için)
- warnings (gereksiz uyarıları kapatmak için)
- time (süre hesabı ve rastgele sayı üretimi için)
- tqdm (ilerleme çubuğu oluşturmak için)
- Kullandığınız bilgisayarda modelinizi eğitmek için GPU varsa o GPU'yu kullanmak için
device = torch.device("cuda:0") if torch.cuda.is_available() else torch.device("cpu")
- GPU'da yapmak istediğiniz hesaplama / işlem için
nesneyi .to(device) metodu ile kendine eşitlemeniz gerekmektedir. Örneğin, model = model.to(device)
- Daha detaylı kullanım için aşağıdaki torch komutları incelenebilir.
if torch.cuda.is_available():
torch.cuda.current_device()
torch.cuda.device(0)
torch.cuda.device_count()
torch.cuda.get_device_name(0)
- Mevcut Modelimizi KVKK kapsamında oluşturduğumuz 100 soru ve bu sorulara verilebilecek cevaplar ile eğittik.
- Veri kümemiz model eğitimimizin yanında metin benzerliği ile tespit ettiğimiz cevapların saklandığı (KVKK_100_SORU_CEVAP.txt) bir metin dosyasıdır.
- Soru numarası, soru ve cevap olmak üzere 3 sütun ve 101 satırdan oluşmaktadır. Satırdaki her bir kayıt alanı sekme ile ayrılmıştır (TSV).
| SN | Soru | Cevap |
|---|---|---|
| 1 | Kişisel Verilerin Korunmasına Neden İhtiyaç Duyulmuştur | Gerek kamu, gerekse özel kurum ve kuruluşlar, bir görevin yerine getirilmesi veya bir hizmetin sunumuyla bağlantılı olarak, kişisel veri niteliğindeki bilgileri, uzun süredir toplamaktadırlar. Bu durum, bazen kanunlardan kaynaklanmakta bazen kişilerin rızasına veya bir sözleşmeye dayanmakta bazen de yapılan işlemin niteliğine bağlı olarak ortaya çıkmaktadır. Belirtmek gerekir ki, kişilerin temel hak ve hürriyetlerinin veri işleme sürecinde de korunması öncelikli konulardan biridir.\nAyrıca, sosyal ve ekonomik hayatın düzen içinde sürdürülmesi, kamu hizmetlerinin etkin biçimde sunumu, mal ve hizmetlerin ekonominin gereklerine uygun biçimde geliştirilmesi, dağıtımı ve pazarlanması için kişisel verilerin toplanması kaçınılmaz olmakla birlikte, kişisel verilerin sınırsız ve gelişigüzel toplanmasının, yetkisiz kişilerin erişimine açılmasının, ifşası, amaç dışı ya da kötüye kullanımı sonucu kişisel hakların ihlal edilmesinin önüne geçilmesi gereklidir.\nBunun yanı sıra, Avrupa Konseyi tarafından, tüm üye ülkelerde kişisel verilerin aynı standartlarda korunması ve sınır ötesi veri akışı ilkelerinin belirlenmesi amacıyla hazırlanan “Kişisel Verilerin Otomatik İşleme Tabi Tutulması Karşısında Bireylerin Korunmasına İlişkin 108 Sayılı Sözleşme”, 28 Ocak 1981 tarihinde imzaya açılmış ve ülkemiz tarafından da imzalanmıştır. Bu sözleşme 17 Mart 2016 tarih ve 29656 sayılı Resmî Gazetede yayımlanarak iç hukuka dâhil edilmiştir. 108 sayılı Sözleşmenin 4. maddesi çerçevesinde,9 iç hukukta kişisel verilerin korunmasına yönelik yasal düzenleme yapılması gerekli hale gelmiştir.\nNitekim, Anayasa Mahkemesinin 9 Nisan 2014 tarih ve E:2013/122, K:2014/74 sayılı kararında da; “Kişisel verilerin korunması hakkı, kişinin insan onurunun korunmasının ve kişiliğini serbestçe geliştirebilmesi hakkının özel bir biçimi olarak, bireyin hak ve özgürlüklerini kişisel verilerin işlenmesi sırasında korumayı […]” amaçladığı tespit edilerek, “kişisel verilerin ticari işletmeler için kıymetli bir varlık niteliği kazanması neticesinde, özel sektör unsurlarınca yaratılan risklerin daha yaygın ve önemli boyutlara ulaşması ve terör ve suç örgütlerinin kişisel verileri ele geçirme yönündeki faaliyetlerinin artması gibi etkenler” sebebiyle kişisel verilerin geçmişte olduğundan çok daha fazla korunmaya muhtaç olduğu ifade edilmiştir. |
| 2 | Kişisel Verilerin Korunması Hakkının Dayanağı Nedir ve Bu Hak Sınırsız Bir Hak mıdır | 2010 yılında yapılan Anayasa değişikliği ile Anayasanın özel hayatın gizliliğini düzenleyen 20. maddesine “Herkes, kendisiyle ilgili kişisel verilerin korunmasını isteme hakkına sahiptir. Bu hak; kişinin kendisiyle ilgili kişisel verileri hakkında bilgilendirilme, bu verilere erişme, bunların düzeltilmesini veya silinmesini talep etme ve amaçları doğrultusunda kullanılıp kullanılmadığını öğrenmeyi de kapsar. Kişisel veriler, ancak Kanunda öngörülen hallerde veya kişinin açık rızasıyla işlenebilir. Kişisel verilerin korunmasına ilişkin esas ve usuller kanunla düzenlenir” şeklinde bir fıkra eklenerek, kişisel verilerin korunması açıkça anayasal güvence altına alınmıştır.\nTemel bir hak olarak düzenlenen kişisel verilerin korunmasını isteme hakkı, Anayasanın kişinin hak ve ödevlerine ilişkin bölümünde yer almaktadır. Bununla birlikte, tüm hak ve özgürlüklerde olduğu gibi, kişisel verilerin korunmasına ilişkin hak da Anayasada çizilen sınırlar çerçevesinde diğer hak ve özgürlükler lehine sınırlandırılabilir. Buna göre, kişisel verilerin korunmasına ilişkin 20. maddede tanınan her bir hakkın uygulanması ve diğer haklar lehine sınırlanmasına ilişkin düzenlemeler ancak kanun yoluyla gerçekleştirilebilir. |
| 3 | Kişisel Verilerin Korunması Kanunu Ne Zaman Yürürlüğe Girmiştir | Kişisel Verilerin Korunması Kanunu Ne Zaman Yürürlüğe Girmiştir Avrupa Birliğine uyum kapsamında hazırlanan Kişisel Verilerin Korunması Kanunu Tasarısı 18 Ocak 2016 tarihinde TBMM Başkanlığına sevk edilmiştir.\nSöz konusu metin 24 Mart 2016 tarihinde TBMM Genel Kurulu tarafından kabul edilerek kanunlaşmış ve 7 Nisan 2016 tarih ve 29677 sayılı Resmî Gazetede yayımlanarak yürürlüğe girmiştir. |
- Modelimizi /KVKK_Model_Test.py ile test ettik ve aşağıdaki örnek sonuçlara ulaştık.
MODELLERİN TEST SORULARINA GÖRE PERFORMANSLARI
| Modeller/Sorular | Rızası Açık Nedir | Bizim rıza kimdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulması Gereken Hususlar Nelerdir? | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
|---|---|---|---|---|---|
| Model: sentence-transformers/paraphrase-xlm-r-multilingual-v1 | Açık Rıza Nedir | İlgili Kişi Kimdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/paraphrase-xlm-r-multilingual-v1 | 0.3555 | 0.4239 | 0.3629 | 0.4229 | 0.3816 |
| Model: sentence-transformers/paraphrase-MiniLM-L12-v2 | Açık Rıza Nedir | Açık Rıza Geri Alınabilir mi | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/paraphrase-MiniLM-L12-v2 | 0.7051 | 0.7795 | 0.6962 | 0.8126 | 0.7811 |
| Model: sentence-transformers/paraphrase-MiniLM-L3-v2 | Açık Rıza Nedir | Açık Rıza Geri Alınabilir mi | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/paraphrase-MiniLM-L3-v20.4516 | 0.6963 | 0.3841 | 0.5229 | 0.4440 | |
| Model: sentence-transformers/clip-ViT-B-32-multilingual-v1 | Açık Rıza Nedir | Kurumun Görevleri Nelerdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/clip-ViT-B-32-multilingual-v1 | 0.9610 | 0.9142 | 0.9402 | 0.9326 | 0.9401 |
| Model: sentence-transformers/distiluse-base-multilingual-cased-v2 | Açık Rıza Nedir | Veri İşleyen Kimdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/distiluse-base-multilingual-cased-v2 | 0.3595 | 0.2548 | 0.2566 | 0.4041 | 0.2621 |
| Model: sentence-transformers/quora-distilbert-multilingual | Açık Rıza Nedir | Veri İşleyen Kimdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/quora-distilbert-multilingual | 0.9034 | 0.8758 | 0.8870 | 0.8698 | 0.8627 |
| Model: sentence-transformers/msmarco-distilbert-base-v4 | Açık Rıza Nedir | Açık Rıza Geri Alınabilir mi | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: sentence-transformers/msmarco-distilbert-base-v4 | 0.5605 | 0.5108 | 0.4544 | 0.6422 | 0.5160 |
| Model: flax-sentence-embeddings/multi-qa_v1-distilbert-cls_dot | Açık Rıza Nedir | Veri Sorumlusu Kimdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: flax-sentence-embeddings/multi-qa_v1-distilbert-cls_dot | 0.6811 | 0.7369 | 0.6173 | 0.7380 | 0.5993 |
| Model: flax-sentence-embeddings/all_datasets_v3_distilroberta-base | Açık Rıza Nedir | Açık Rıza Geri Alınabilir mi | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: flax-sentence-embeddings/all_datasets_v3_distilroberta-base | 0.6472 | 0.6660 | 0.5673 | 0.6766 | 0.5909 |
| Model: flax-sentence-embeddings/multi-qa_v1-MiniLM-L6-mean_cos | Açık Rıza Nedir | Kurul Kimler Hakkında İdari Yaptırım Kararı Verebilir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Kanun Kapsamındaki Kısmi İstisna Halleri Nelerdir |
| Model: flax-sentence-embeddings/multi-qa_v1-MiniLM-L6-mean_cos | 0.5477 | 0.6686 | 0.5249 | 0.6697 | 0.5493 |
| Model: sentence-transformers/stsb-xlm-r-multilingual | Açık Rıza Nedir | İlgili Kişi Kimdir | Açık Rıza Nedir | Veri Sorumlusunun Meşru Menfaatini Tespit Etmek İçin Göz Önünde Bulundurulmas Gereken Hususlar Nelerdir | Açık Rıza Nedir |
| Model: sentence-transformers/stsb-xlm-r-multilingual | 0.5233 | 0.4097 | 0.4490 | 0.4065 | 0.4525 |
Modelimizi güncellenmiş /KVKK_Model_Test.py ile test ettik ve model seçimimiz etkileyen anlamlı sonuçlara ulaştık. ModelTestSonuclariGorselleri isimli klasör içindeki README.MD dosyamızda detaylarına yer verdiğimiz testimizde 5 soru ile mevcut 100 sorumuzun benzerliğini 11 farklı modelde hesapladık ve değerlendirdik. Modelimizi değiştirmeye ve sentence-transformers/quora-distilbert-multilingual isimli modeli kullanmaya karar verdik.
Her bir modeldeki her bir test sorusu için aşağıdaki kriterlere göre hesaplamalar yapılıp sonuçlar üretildi ve benzerlik değerlerinin HİSTOGRAM (sıklık) grafiği hazırlandı
- Test sorusu
- En yakın soru
- En yakın sorunun benzerlik puanı
- 100 soru için standart sapma
- 100 soru için varyans
- 100 soru için en az benzerlik
- 100 soru için en çok benzerlik
TEST DETAYLARI İÇİN MUTLAKA ZİYARET EDİN: https://github.com/SonDilBukuculer/KVKK_SoruCevap/tree/main/ModelTestSonuclariGorselleri#readme
Modelimizi güncellenmiş /StresTestiSonuclariniDegerlendir2.py ile test ettik ve model seçimimiz etkileyen anlamlı sonuçlara ulaştık. ModelStresTesti isimli klasör içindeki README.MD dosyamızda detaylarına yer verdiğimiz testimizde aşağıdaki 9 test ile model baskı altına alınmaktadır.
- TEST 11 - 100 KVKK sorusunun sadece 1 harfi değiştirilerek elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 12 - 100 KVKK sorusunun sadece 2 harfi değiştirilerek elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 13 - 100 KVKK sorusunun sadece 3 harfi değiştirilerek elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 21 - 100 KVKK sorusunun sadece 1 kelime eklenerek elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 22 - 100 KVKK sorusunun sadece 2 kelime eklenerek elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 23 - 100 KVKK sorusunun sadece 3 kelime eklenerek elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 31 - 100 KVKK sorusunun sadece 1 kelimesi çıkartılarak elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 32 - 100 KVKK sorusunun sadece 2 kelimesi çıkartılarak elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
- TEST 33 - 100 KVKK sorusunun sadece 3 kelimesi çıkartılarak elde edilmiş 300 test sorusu oluşturulur. Bu 300 test sorusu ile 100 KVKK sorusu 11 model için ayrı ayrı metin benzerliği (text similarity) kapsamında util nesnesinin cos_sim metodu ile karşılaştırılmaktadır.
Modellerin baskı testinin ardından /StresTestiSonuclariniDegerlendir1.py isimli dosyamız ile /StresTestiSonuclariniDegerlendir2.py isimli dosyamız ile üretilen benzerlik puanları model kapsamında Standart Sapma, Ortalama, En Büyük ve En Küçük değer diye tek tek hesaplanıp tablolaştırılmaktadır.
Yukarıda detayını gördüğünüz bu tablo sonucunda sentence-transformers/quora-distilbert-multilingual isimli model ile devam etmeye karar verdik.
-
sentence-transformers/quora-distilbert-multilingual isimli modele https://huggingface.co/sentence-transformers/quora-distilbert-multilingual İnternet adresinden ulaşabilir ve eğer isterseniz yine hazırladığımız ve ilk başta anlattığımız şekilde eğitip kullanabilirsiniz.
-
Model seçimimizin detayları hakkında bilgi almak için https://github.com/SonDilBukuculer/KVKK_SoruCevap/tree/main/ModelStresTesti#readme İnternet adresini inceleyebilirsiniz.
Modelimizi güncellenmiş /KarmasiklikMatrisiVEModelPuanlari.py ile test ettik ve model seçimimizi etkileyen anlamlı sonuçlara ulaştık. ModelTestSonuclariGorselleri isimli klasör içindeki README.MD dosyamızda detaylarına yer verdiğimiz stres testimizin devamı niteliğinde 11 farklı modelimiz için DOĞRULUK TESTİ yaptık. Modelimizi değiştirmeye ve sentence-transformers/paraphrase-MiniLM-L3-v2 isimli modeli kullanmaya karar verdik.
Hesaplamlar için kaynağımız: https://en.wikipedia.org/wiki/Confusion_matrix
- Kullanıcının sorularını tahmin modülüne ileten ve tahmin modülünden aldığı cevabı kullanıcıya döndüren ve kullanıcının gördüğü ara yüzü oluşturan bir PYTHON dosyamız mevcuttur.
- /arayuz_KVKK_SoruCevapalamaSistemi.py isimli dosyamız ile hem kullanıcının sorularını alıyoruz hem de onlara cevap veriyoruz.
İlk tasarımını iyileştirdikten sonra aşağıdaki gibi görülen soru - cevap sistemimizi iyileştirdik.
İyileştirmelerimize devam ederek son hali olan aşağıdaki ekran alıntısı soru - cevap sistemimizi göstermekledir.
- Tkinter isimli widget ile oluşturuduğumuz sohbet yazılımımız kullanıcının soru sorması için soru kutucuğunu işaretliyor (focus) ve kullanıcının sorusunu girip ENTER tuşuna basmasını bekliyor.
- ENTER tuşuna basıldıktan sonra kullanıcının sorusuna veri ön işlemleri uygulanıyor, soru modelin cevap verebilmesi için kodlanıyor (encode) ve modelimizin dönütüne göre soru cevaplandırılıyor.
- Cevabı paragraf içinden model bulmuyor. Projemizin en önemli özelliği girdi boyutunu küçültüp işlem yoğunluğunu azaltmak için herkes gibi soru-cevap işlemi yapmıyoruz. Soruyu ön srularla cümle benzerliği üzerinden karşılaştırıp cevap döndürüyoruz. Bu kısım çalışmamızı özgün kılmaktadır.
Videoya https://youtu.be/QPbfqiE_C2M bağlantısından ulaşabilirsiniz.
- Sayın Dr. Coşkun Mermer - Mentor - TÜBİTAK
- Kıymetli Afra Feyza AKYÜREK - Doktora Öğrencisi - İzmir Fen Lisesi Mezunu
- Değerli Sertaç ATEŞ - Proje Danışmanı - İzmir Fen Lisesi Bilişim Teknolojileri Öğretmeni ve İzmir DeneYap Atölyesi Eğitmeni
-
Bornova Anadolu Lisesi ve İzmir DeneYap Atölyesi Öğrencisiyim.
-
Python programlama dili ile tanıştıktan sonra pythonu robot alanında ve masaüstü programlada kullandım. Veri Bilimi alanında Python kullanıldığını öğrendikten sonra danışmanımın da önerisi ile Turkcell Gelecigi Yazanlar Eğitimlerinden (https://gelecegiyazanlar.turkcell.com.tr/egitimler) yararlandım. Sonra yapay zekada ilerledikçe TeknoFest için proje çıkarabileceğimi fark ettim. Kıymetli paydaşlarımla birlikte bu projeyi oluşturduk. İleride bu projemi https://kvkk.gov.tr/ üzerinden yayınlamak ve geliştirmek istiyorum.
-
Bize kendimizi geliştirme fırsatı veren TeknoFest Paydaşlarına, Türkçe Doğal Dil İşleme Yarışması komisyonuna ve bu proje özelinde yardımlarını esirgemeyen Sayın Dr. Coşkun Mermer'e, Kıymetli Afra Feyza AKYÜREK'e ve Değerli Sertaç ATEŞ'e teşekkür ederim.