Zorluk
Binlerce formatsız PDF raporundan hatasız veri çekmek, plastik/vidalı/kaynaklı parça ayrımlarını modele öğretmek ve enflasyon problemini aşmak için modeli TL tahmini yerine 'Rayiç Bedel Oranı' tahmin etmeye yönlendirmek.
Görsel bulunamadı
Makine Öğrenmesi & InsurTech
Öne Çıkan Proje
Bilirkişi Hassasiyetinde, Enflasyondan Bağımsız Araç Değer Kaybı Tahmin Modeli
Araç değer kaybı hesaplamaları, karmaşık formüller ve bilirkişilerin inisiyatifleri arasında sıkışmış, öngörülemez bir süreçtir. OtoDeğer AI, geçmişe dönük 7.000'den fazla gerçek bilirkişi raporunu analiz ederek bu kaosu matematiksel bir düzleme oturtmak ve hukuki/sigorta süreçlerinde 'Acaba ne kadar değer kaybı çıkar?' sorusunu saniyeler içinde yanıtlamak için geliştirildi.
Proje Türü
ai tahmin modeli data pipeline
Sektör
Hukuk, Sigorta & Otomotiv
Sunulan Hizmetler
- Veri Madenciliği (LLM ile)
- Özellik Mühendisliği
- Makine Öğrenmesi Modellemesi
- Algoritma Tasarımı
Proje Etiketleri
- Makine Öğrenmesi
- CatBoost
- LLM Veri Madenciliği
- Değer Kaybı
- Tahminleme
Proje Hikâyesi
Bu bölümde projenin ortaya çıkış nedenini, sahadaki gerçek ihtiyacı, çözümün nasıl kurgulandığını ve sonunda ne tür bir değer üretildiğini net bir akışla görebilirsiniz.
Çözüm
Gemini 2.0 Flash modeli kullanılarak PDF'lerden JSON formatında temiz veri seti oluşturuldu. Bilirkişi davranışları 'Target Encoding' ile puanlandı, parçalar hasar şiddetine göre sayısallaştırıldı ve CatBoost algoritması ile enflasyondan etkilenmeyen oran tabanlı bir makine öğrenmesi modeli inşa edildi.
Sonuç
Bilirkişi kararlarına %85 oranında yaklaşan yüksek doğruluklu bir model elde edildi. Haftalar süren muhtemel değer kaybı analizi süreci, hatasız çalışan bir API çağrısı ile saniyelere indirildi.
Teknik ve Ürün Yaklaşımı
Bu yapıda yalnızca teknik bileşenleri değil, ürünün nasıl düşünüldüğünü de anlatıyoruz. Kullanıcı deneyimini sadeleştiren, operasyonel verimliliği artıran ve gelecekteki büyümeye uyum sağlayan temel kararlar burada öne çıkar.
LLM Destekli Veri Hattı (Pipeline)
Oran Tabanlı Tahmin Motoru (Enflasyon Korumalı)
Bilirkişi Eğilim Skoru
Dinamik Parça Ağırlıklandırma
Galeri görseli bulunamadı
Öne Çıkan Sonuçlar
Projenin ölçülebilir etkisini gösteren temel göstergeler.
7.000+
İşlenmiş Rapor
%85+
Hedef Doğruluk Oranı
15+
Analiz Edilen Değişken
Hedef Kullanıcılar
- Avukatlar
- Hasar Danışmanlık Firmaları
- Sigorta Şirketleri
- Bireysel Araç Sahipleri
Platformlar
- Python AI Core
- REST API
- Web Dashboard
Entegrasyonlar
- Google Gemini API
- TSB Formül Altyapısı
Kullanılan Teknolojiler
Ürünün performansını, bakım kolaylığını ve ölçeklenebilirliğini destekleyen teknoloji seti.
Python
Pandas
CatBoost
Makine Öğrenmesi (ML)
Google Generative AI (Gemini Flash)
Yol Haritası ve Gelecek Adımlar
Ürünün büyüme ve gelişim planı.
1
UYAP Entegrasyonu ile dava dosyalarının doğrudan modele aktarımı
2
Bilgisayarlı Görü ile kaza fotoğraflarından otomatik hasar boyutu ve parça değişimi tespiti
3
Güncel TSB mevzuat değişikliklerinin modele anlık yansıtılabileceği dinamik kural motoru
Benzer Bir Projeyi Birlikte Hayata Geçirelim
İhtiyacınıza özel yazılım, ürün geliştirme ve dijital dönüşüm çözümleri için bizimle iletişime geçin.
Hemen İletişime Geçin