Şirket İçi LLM ile Otomatik PDF Raporlama: Veriden Yönetici Raporuna

Mersin'deki pek çok KOBİ'de haftalık satış raporu, aylık stok analizi veya ihracat performans özeti hâlâ aynı şekilde hazırlanıyor: birisi ERP'den Excel çıktısı alıyor, pivot tablolar oluşturuyor, grafikleri bir sunuma veya Word dosyasına kopyalıyor ve yöneticiler için birkaç paragraf yorum yazıyor. Bu süreç her hafta saatler alıyor, kişiye bağımlı ve kopyala-yapıştır hatalarına açık.

Asıl değerli olan kısım, yani 'bu ay narenciye ihracatında neden düşüş var?' veya 'hangi müşteri segmentinde tahsilat süresi uzadı?' gibi soruların cevapları, genellikle zaman yetmediği için yüzeysel kalıyor. Büyük dil modelleri tam da bu noktada devreye girer: tabloları okuyup öne çıkan değişimleri, anomalileri ve olası nedenleri anlaşılır bir dille özetleyebilirler.

Ancak satış rakamları, müşteri listeleri ve maliyet verileri şirketin en hassas bilgileridir. Bu verileri yurt dışındaki bir bulut yapay zeka servisine göndermek hem ticari gizlilik hem de KVKK kapsamındaki yurt dışına veri aktarımı kuralları açısından ciddi soru işaretleri doğurur. Çözüm, dil modelini şirketin kendi sunucusunda çalıştırmaktır.

LLM tabanlı raporlamada en sık yapılan hata, ham veriyi modele verip 'bana bir rapor yaz' demektir. Dil modelleri hesap makinesi değildir; uzun tablolardaki toplamları, yüzde değişimleri veya ortalamaları hesaplarken hata yapabilirler. Bir yönetici raporunda tek bir yanlış rakam, tüm raporun güvenilirliğini yok eder.

Bu nedenle kurduğumuz mimaride görevler net şekilde ayrılır. Birinci katmanda SQL sorguları ve Python/.NET kodu verileri ERP, muhasebe veya üretim sistemlerinden çeker; tüm toplamlar, oranlar, dönem karşılaştırmaları ve grafikler deterministik olarak kodla hesaplanır. İkinci katmanda LLM, bu hesaplanmış metrikleri yapılandırılmış (JSON) bir özet olarak alır ve yalnızca yorum, özet ve öneri metinlerini üretir. Model yeni bir sayı üretmez; sadece kendisine verilen sayılara atıf yapar.

Üçüncü katmanda bir doğrulama adımı çalışır: model çıktısındaki her sayı, kaynak metriklerle otomatik olarak karşılaştırılır; eşleşmeyen bir değer varsa metin yeniden üretilir veya insan onayına düşer. Son olarak metin ve grafikler kurumsal bir HTML şablonuna yerleştirilir ve başsız (headless) Chromium veya WeasyPrint gibi bir araçla logolu, sayfa numaralı, arşivlenebilir bir PDF'e dönüştürülür. Rapor e-posta ile dağıtılır veya doküman yönetim sistemine kaydedilir.

Raporun her hafta aynı yapıda gelmesi, yöneticilerin raporu hızlı okuyabilmesi için önemlidir. Bunun için modelden serbest metin yerine, önceden tanımlanmış bir JSON şemasına uyan çıktı isteriz: 'yönetici özeti', 'öne çıkan üç gelişme', 'risk uyarıları', 'önerilen aksiyonlar' gibi alanlar. vLLM gibi modern inference sunucuları, çıktının şemaya uymasını üretim sırasında garanti eden yapılandırılmış üretim (guided decoding) desteği sunar.

Kurumsal dil ve terminoloji de sisteme öğretilebilir. Çoğu durumda modeli yeniden eğitmeye gerek yoktur; iyi yazılmış bir sistem talimatı, şirkete özgü terimler sözlüğü ve geçmiş dönemlerden seçilmiş birkaç örnek rapor (few-shot örnekler) yeterlidir. Çok özel bir dil veya format gerekiyorsa, LoRA gibi hafif ince ayar (fine-tuning) teknikleriyle model birkaç yüz örnekle şirketin yazım tarzına uyarlanabilir.

Türkçe ve İngilizce raporların aynı veriden üretilebilmesi, ihracat yapan Mersinli firmalar için ayrıca değerlidir: yönetim kurulu için Türkçe, yurt dışındaki iş ortakları için İngilizce rapor aynı hattan, tutarlı rakamlarla çıkar.

PDF'in şirketlerdeki rolü sadece rapor çıktısı değildir; tedarikçi faturaları, konşimentolar, gümrük beyannameleri, analiz sertifikaları, teklif ve sözleşmeler çoğunlukla PDF olarak gelir ve içlerindeki bilgi elle sisteme girilir. Aynı on-prem LLM altyapısı bu yönde de çalışabilir: dokümanın metni ve düzeni çıkarılır, model belirlenen alanları (fatura numarası, tarih, tutar, GTİP kodu, ağırlık, alıcı) yapılandırılmış veri olarak döndürür.

Taranmış veya fotoğrafı çekilmiş belgelerde OCR ve düzen analizi araçları kullanılır; görüntüyü doğrudan anlayabilen görsel-dil modelleri (vision-language models) ise tablolar ve damgalı belgeler gibi zor durumlarda başarıyı artırır. Çıkarılan her alan için bir güven skoru hesaplanır; düşük güvenli alanlar operatör onayına düşer, yüksek güvenli alanlar doğrudan ERP'ye aktarılır. Bu insan-döngüde (human-in-the-loop) yaklaşım, otomasyonun hızını kontrolün güvenilirliğiyle birleştirir.

Mersin Limanı ve Serbest Bölge ekosisteminde günde yüzlerce evrakla çalışan bir lojistik veya dış ticaret firması için bu, veri giriş süresinde ve hatalarında belirgin bir azalma anlamına gelir. Üstelik tüm belgeler şirket içinde işlendiği için müşteri ve ticari bilgiler hiçbir üçüncü taraf servise aktarılmaz.

Başarılı bir raporlama otomasyonu projesi küçük başlar. İlk adımda en çok zaman alan ve en standart rapor seçilir (örneğin haftalık satış özeti); mevcut rapor örnekleri, veri kaynakları ve kimlerin okuduğu belirlenir. İkinci adımda veri hattı ve şablon kurulur, üçüncü adımda model yorumları birkaç hafta boyunca mevcut raporlarla paralel üretilerek ekip tarafından değerlendirilir. Kalite ve güven oluştuğunda rapor otomatik dağıtıma alınır ve yeni rapor türleri eklenir.

KVKK açısından on-prem mimarinin avantajı açıktır: kişisel veriler ve ticari sırlar şirketin kontrolündeki sunucularda kalır, yurt dışına aktarım yapılmaz ve erişim, mevcut kullanıcı yetkilendirmesiyle (Active Directory, LDAP) sınırlandırılabilir. Yine de hangi verinin hangi amaçla işlendiği kayıt altına alınmalı, model girdileri ve çıktıları denetim için loglanmalı ve saklama süreleri belirlenmelidir.

MeSoft olarak Mersin'deki üretim, lojistik, tarım ve ticaret firmaları için veri kaynaklarının entegrasyonundan PDF şablon tasarımına, on-prem model kurulumundan doğrulama katmanına kadar uçtan uca raporlama çözümleri geliştiriyoruz. Bu altyapının donanım tarafını serinin ilk yazısında, performans optimizasyonunu ise inference yazısında ayrıntılı olarak ele aldık.