Ultra Planındaki Yapay Zekâ İşlevleri: Yerel Açık Kaynaklı Bir Dil Modeliyle Özet, Tutanak ve Sosyal Medya Paylaşımları

Bir transkript nadiren işin sonudur. Toplantıdan sonra tutanak gelir. Röportajdan sonra makale. Atölyeden sonra görev listesi. Podcast’ten sonra da ona dikkat çeken sosyal medya paylaşımı. Bunların hepsi, bir dil modeliyle mükemmel biçimde otomatikleştirilebilen adımlardır – tabii kişi bunun için tamamlanmış transkripti harici bir hizmete teslim etmeye razıysa.

İşte gizliliğe önem veren çoğu kullanıcının vazgeçtiği nokta tam da burasıdır. Çünkü daha önce istemci tarafında şifrelenmiş olarak işlenmiş bir transkript, sonraki adımda OpenAI, Anthropic ya da Google’a gönderilmemelidir. scryp bu yüzden yapay zekâ analizini farklı sunar: Bu analiz, transkripsiyonla aynı GPU işçilerinde, aynı izole ortamda ve yerel, açık kaynaklı bir modelle çalışır. Bu işlev Ultra planında kullanılabilir.

Fark: Bulut API’si yerine yerel bir dil modeli

scryp’teki yapay zekâ analizi, AB’deki kendi GPU işçilerimizde çalıştırılan yerel, açık kaynaklı bir dil modeli üzerinde çalışır. OpenAI, Anthropic, Google veya başka herhangi bir harici yapay zekâ hizmetine yapılan bir çağrı yoktur. Model internet erişimine sahip değildir ve verileri dışarıya aktaramaz – bu teknik olarak mümkün değildir.

Transkripsiyon araçlarındaki çoğu yapay zekâ özelliği basit bir mantıkla çalışır: Tamamlanmış transkript bir API’ye iletilir – çoğunlukla OpenAI veya Anthropic gibi bir ABD sağlayıcısına – ve yanıt kullanıcıya geri gönderilir. Bunu uygulamak hızlıdır, ancak veri koruma hukuku açısından bir ihlaldir: Az önce özenle şifrelediğiniz veriler, AB dışındaki üçüncü bir şirkette açık metin olarak son bulur.

scryp farklı bir yaklaşım izler. Yapay zekâ analizi için kendimizin barındırdığı bir açık kaynaklı dil modelikullanıyoruz. Bu model, transkripsiyonu da gerçekleştiren aynı GPU işçilerinde, Hetzner’deki aynı AB veri merkezlerinde çalışır. Somut olarak bu şu anlama gelir:

• Harici API çağrısı yok. Ne OpenAI ne Anthropic ne de Google transkriptinizi görür. Bir ABD dil modeli sağlayıcısıyla yapılmış bir sözleşme yoktur, çünkü teknik olarak böyle bir sözleşmeye gerek yoktur.
• Model için internet erişimi yok. Dil modelinin çalıştığı kapsayıcının, yalnızca dahili iş kuyruğumuza gelen tek yönlü bir bağlantısı vardır – tersi geçerli değildir. Model dışarıya hiçbir istek gönderemez.
• Verilerinizle model eğitimi yok. Açık kaynaklı model statiktir. Onu kullanıcı verilerine göre uyarlamıyoruz, hiçbir istem (prompt) toplamıyoruz ve içeriklerinizi modele geri besleyen bir geri bildirim döngüsü yoktur.
• Transkripsiyonla aynı hukuk sistemi. İşleme AB içinde, Avrupalı bir barındırıcının altyapısında gerçekleşir. Üçüncü ülkelere veri aktarımı yok, CLOUD Act yok.

Transkripsiyonla aynı mimari

Yapay zekâ analizi yalnızca asıl transkripsiyonla aynı donanımı değil, aynı güvenlik modelini de kullanır. Sonuçlar, işçi ortamından çıkmadan önce doğrudan yeniden sizin anahtarınızla şifrelenir. Disk üzerinde veya veritabanında hiçbir zaman açık metin olarak bulunmazlar – tıpkı transkriptler ve ses dosyaları gibi.

Böylece yapay zekâ analizi yeni bir güven sorusu değildir: Zaten transkripsiyonun kendisi için kullandığımız aynı izole ortamın içinde çalışır.

Ultra planındaki beş analiz türü

Ultra planında şu anda beş analiz türü mevcuttur. Her biri, genel bir “sohbet” işlevi sunmak yerine somut bir kullanım senaryosu için optimize edilmiştir. Sonuç, daha fazla işlemeniz gereken jenerik bir yapay zekâ çıktısı değil – belirli, hemen kullanılabilir bir belgedir.

1. Özet

Özet, bir transkripti temel ifadelere indirger. Özellikle uzun kayıtlar için uygundur – bir saatlik röportajlar, iki saatlik atölyeler, podcast bölümleri – tüm transkripti okumadan hızlı bir genel bakışa ihtiyaç duyduğunuz durumlar için.

Özetin uzunluğunu bir kaydırıcıyla 100 ile 2.000 karakter arasında belirleyebilirsiniz. Bir e-postadaki kısa bir genel bakış için kısa, ayrıntılı bir yönetici özeti için daha uzun. Model, metnin yoğunluğunu istenen uzunluğa otomatik olarak uyarlar.

2. Tutanak

Tutanak, bir toplantı transkriptini klasik bölümlere ayırır: katılımcılar, konular, tartışma maddeleri, kararlar ve açık noktalar. İçeriği anlatısal biçimde yoğunlaştıran özetin aksine, tutanak sabit bir yapıyı izler – tıpkı sıradan toplantı tutanaklarından bildiğiniz gibi.

Bu işlev toplantı tutanakları, düzenli toplantı dokümantasyonu, proje görüşmeleri ve izlenebilir, yapılandırılmış bir dokümantasyona ihtiyaç duyulan her yer için uygundur. Sonuç, küçük düzenlemelerle doğrudan kullanmaya devam edebileceğiniz bir belgedir.

3. Görev listesi

Görev listesi, bir toplantıdan tüm yapılacakları çıkarır – sorumlu kişiyle ve belirtilmişse planlanan tarihle birlikte. Model; “Bunu Lisa üstlenir”, “Cumaya kadar şunu yapmamız gerekiyor…” ya da “Daniel, bununla sen ilgilenebilir misin?” gibi cümleleri özellikle arar ve bunları net görev maddelerine dönüştürür.

Bu, birçok ekipte kimsenin gönüllü olarak üstlenmediği bir adımı ortadan kaldırır: açık noktaların takibi. Transkripti taahhütler için elle taramak yerine, proje yönetimi aracınıza aktarabileceğiniz hazır bir liste edinirsiniz.

4. Sosyal medya paylaşımı

Bir transkriptten LinkedIn, Facebook veya X (Twitter) için bir sosyal medya paylaşımı üretilebilir. Model, platforma uygun uzunluğu, üslubu ve yapıyı seçer. LinkedIn paylaşımları genellikle daha uzun, daha içerikli ve daha profesyonel ifade edilir. X paylaşımları kısa, keskin ve net bir giriş üzerine kuruludur. Facebook ise daha kişisel bir hitapla ikisinin ortasında yer alır.

Bu özellikle, bir kaydı zaten sonradan yayımlayacağınız durumlarda anlamlıdır – bir konuşma, bir podcast röportajı, bir açılış konuşması. Paylaşımı hafızanızdan elle kaleme almak yerine, model gerçekten söylenmiş cümlelere dayanan hazır bir taslak sunar.

5. Makale

En uzun ve en çok işlem gücü gerektiren analiz türü: bir kaydın transkriptinden üretilen; giriş, ara başlıklar, temel ifadeler ve sonuç içeren yapılandırılmış bir makale. Hedeflenen karakter sayısı 1.000 ile 10.000 karakter arasında olabilir.

Makale modu dahili olarak birden çok adımda çalışır: Model önce yapıyı planlar, ardından tek tek bölümleri yazar ve sonunda bunları tutarlı bir metne birleştirir. Sonuç “şişirilmiş bir transkript” değil, kaydın ifadelerini gazetecilik ya da editöryel bir biçimde işleyen bağımsız bir makaledir.

Tipik kullanımlar: Röportajlardan veya podcast’lerden blog gönderileri, uzman konuşmalarından makaleler, konferans kayıtlarından raporlar. Elle düzenleme yine de gereklidir – ama başlangıç noktası, ham bir transkripte kıyasla belirgin biçimde daha ileridedir.

Açık kaynaklı modelin yapabildikleri – ve sınırlarının olduğu yer

Kullandığımız modeli bilinçli olarak adıyla anmıyoruz. Nedeni: Yapay zekâ dünyası o kadar hızlı gelişiyor ki, somut seçim altı ay içinde yine bambaşka olabilir. Önemli olan ilkedir: açık kaynak, yerel olarak işletiliyor, harici bir hizmet yok, AB’de işleniyor. Modeli ileride daha modern bir modelle değiştirsek bile bu özelliklere bağlı kalıyoruz.

Yine de bilmeniz gereken şey: Tek bir GPU üzerinde çalışan boyuttaki yerel açık kaynaklı modeller, en büyük bulut modelleriyle (GPT-4 sınıfı, Claude Opus) aynı mutlak kalite düzeyinde değildir. Ancak tipik analiz görevleri için – özetleme, yapılandırma, yeniden ifade etme – oldukça iyidirler. Kalite farkı son 18 ayda ayrıca belirgin biçimde küçüldü; yerel bir modelin veri koruma avantajı ise sabit kalıyor.

Pratikte bu şu anlama gelir: Deneyimli bir yazar tarafından yazılmış gibi duran, serbestçe ifade edilmiş yaratıcı bir metin istiyorsanız, yapay zekâ çıktısını bitmiş bir metin olarak değil, bir başlangıç noktası olarak görmelisiniz. Tutanaklar, görev listeleri veya özetler gibi yapılandırılmış görevlerde ise sonuç çoğunlukla doğrudan kullanılabilir durumdadır.

Sonucun nelerini sakladığımız – ve nelerini saklamadığımız

Bir yapay zekâ analizinin sonucu, temel aldığı transkript gibi şifreli olarak saklanır. Hesabınızın dışındaki hiç kimse bunu okuyamaz – ne çalışanlarımız ne de veritabanına fiziksel erişim sağlayacak biri. Modeli yönlendirmek için dahili olarak kullandığımız istemler de içeriklerinizle birlikte kaydedilmez.

Sakladığımız şey: Belirli türde bir işin (özet, tutanak, …) çalıştığı, ne zaman çalıştığı ve işlemenin ne kadar sürdüğü. Bu üst verilere faturalama, hata teşhisi ve kapasite planlaması için ihtiyaç duyarız. Transkriptlerinizin veya yapay zekâ sonuçlarınızın içeriği bu kayıtlarda yer almaz.

Yapay zekâ analizinin neden yalnızca Ultra planında olduğu

Yapay zekâ analizi, transkripsiyonla aynı GPU’larda çalışır. Tek bir makale işi bir GPU’yu birkaç dakika meşgul edebilir, bir tutanak ya da özet ise belirgin biçimde daha kısa sürer. Bu, bir bulut sağlayıcısındaki bir API çağrısından daha pahalıdır; ancak bunun için gereken donanımı üçüncü taraflara devretmiyoruz.

Bu nedenle işlev Ultra planına dahildir. Onu etkin biçimde kullanmak isteyen, bunun için gereken donanım kapasitesini edinir – token başına faturalandırılmak yerine, öngörülebilir aylık bir fiyat karşılığında. Planlara ilişkin tüm ayrıntıları fiyat sayfasında bulabilirsiniz.

Özet

• Yerel açık kaynaklı model: AB’deki scryp’e ait GPU işçilerinde çalışır. Harici API çağrısı yok, ABD dil modeli sağlayıcısı yok.
• İzole ortam: Modelin internet erişimi yoktur. Verileri dışarıya gönderemez, çünkü bunun için teknik bir bağlantısı yoktur.
• Transkripsiyonla aynı güvenlik modeli: Sonuçlar şifreli olarak saklanır, işleme aynı izole ortamda çalışır.
• Kullanıcı verileriyle eğitim yok: Model statiktir. İçerikleriniz modele geri akmaz.
• Beş analiz türü: Özet, tutanak, görev listesi, sosyal medya paylaşımı (LinkedIn/Facebook/X) ve makale – her biri somut bir kullanım senaryosu için optimize edilmiştir.
• Ultra planı: Yapay zekâ analizi Ultra planının bir parçasıdır, çünkü bunun için gereken GPU süresi gerçek donanım kapasitesi bağlar.

Sonuç

Özenle şifrelediğiniz transkriptinizi ardından harici bir bulut hizmetine gönderen bir yapay zekâ işlevi, veri koruma hukuku açısından pek anlamlı değildir. scryp bu yüzden bunu yapmaz. Özet, tutanak, görev listesi, sosyal medya paylaşımı ve makale, transkripsiyonu da gerçekleştiren aynı işçi sisteminde oluşur – AB’de, kendi GPU altyapımızda, dışarıya açılan bir penceresi olmayan yerel ve açık kaynaklı bir modelle. Bu, OpenAI’deki bir API çağrısından daha yavaş ve daha pahalıdır – ama mimarinin geri kalanına uyan tek seçenektir.