Tek-domain vs çoklu-domain AI
AI modelleri besledikleri veri kadar zekidir. PDKS tek-domain AI yalnızca mesai örüntülerini gözlemler. AraçTakipJet tek-domain AI yalnızca araç davranışlarını. İkisinin verisi birleştirildiğinde: 'Bu hafta gece vardiyalı sürücü kazalı sürüş skor artıyor mu?' sorusu cevap bulur. MIT Sloan 'Connected Data and AI' raporu: çoklu-domain veri kullanan AI sistemler tek-domain'e göre %5-10x daha doğru tahmin yapar.
KontrolJet ekosisteminde 6 veri akışı
Tek bir çalışan + müşteri + projenin verisi 6 ürün arasında akar: (a) Çalışan PDKSjet'te giriş yapar → kim çalışıyor. (b) AraçTakipJet'te araca biner → nereye gidiyor. (c) EkibimJet'te müşteri ziyareti yapıyor → ne yapıyor. (d) IsgJet'te KKD kayıt → güvenli mi. (e) HakedisJet'te metraj giriyor → ne kadar değer ürettiği. (f) Santiye'de günlük rapor yazıyor → projeye etki ne. 6 ürün birleştiği zaman AI'ya 360 derece görünürlük sunulur.
Kullanım 1 — Tekniker yorgunluk uyarısı
AI veri akışı analizi: PDKSjet'ten gece vardiyası + IsgJet'ten ramak kala + AraçTakipJet'ten sert sürüş + EkibimJet'ten müşteri şikayet → 'Tekniker X tükenmişlik riski 3 hafta içinde'. Yönetici proaktif dinlenme + vardiya değişikliği yapar. İstifa veya kaza önlenir. Cornell ILR 'Predictive Workforce Health' literatür paralelinde — early warning sistemi yıllık 50K-100K TL personel devir tasarrufu/çalışan.
Kullanım 2 — Maliyet optimizasyonu sezgisi
KontrolJet AI Pack 'maliyet kontrol dashboard' cross-domain insight sunar: hangi saha bölgesinde + hangi tekniker grupta + hangi araç ile + hangi müşteri tip için maliyet/gelir oranı en iyi. Sadece PDKS bordro veya sadece araç yakıt verisi bunu söyleyemez — birleşim önemli. McKinsey 'Connected Operations' raporu paralelinde 6-12 aylık veri ile %20-30 maliyet optimizasyonu.
Kullanım 3 — Müşteri churn öngörüsü
B2B müşteri kaybı tipik 6-12 ay önce sinyal verir — EkibimJet'te SLA gecikme + IsgJet'te kaza/şikayet + HakedisJet'te uzlaşmazlık. Tek-domain'de bu sinyaller görünmez. Cross-domain AI bu örüntüleri birleştirip 'X müşteri 4 ay içinde kaybedilebilir' uyarısı verir. Yönetici proaktif aksiyon alır. Forrester 'Customer Retention Score' paralel yaklaşım.
Kullanım 4 — Doğal dil cross-domain sorgu
KontrolJet ChatOps 2026 Q3 itibariyle hizmette: yönetici 'bu hafta İstanbul-Bursa hattında yapılan tüm işlerin yakıt + mesai + İSG riskini özetle' sorduğunda AI 6 ürün verisini birleştirip rapor üretir. Geleneksel BI dashboard'larda bu rapor 30-60 dakikalık manual sorgu gerektirir, ChatOps ile saniyeler.
Kullanım 5 — Maliyet kontrol gerçek zamanlı
Her ürün ayrı 'ay sonu raporu' modunda çalışır. Cross-domain AI gerçek zamanlı 'bütünleşik maliyet etkisi' hesaplar — bir saha görevi atandığında: araç + sürücü + müşteri kontrat + İSG riski + maliyet etkisi tek hesaba toplanır. Yönetici saniyelerde 'evet/hayır' kararı verir, ay sonu sürprizi yok.
AI etik + KVKK + cross-domain özel risk
Cross-domain AI çalışan profilleme riski taşır — PDKS + İSG + araç + müşteri verisi birleştirildiğinde 'tek çalışan tam profil' oluşur. KVKK Madde 4 orantılılık + EU AI Act high-risk uyumu zorunlu. KontrolJet AI Pack: (a) Aggregate/anonymized scoring varsayılan, (b) Bireysel profil görüntüleme yönetici onayı ile, (c) Çalışan kendi cross-domain skorunu görür + itiraz hakkı, (d) İnsan denetimi gerekli — otomatik karar yasak.
Özet çıkarımlar
- Cross-domain AI tek-domain'e göre 5-10x daha doğru tahmin.
- Tekniker yorgunluk + müşteri churn + maliyet optimizasyon en olgun kullanımlar.
- ChatOps cross-domain sorgu rapor süresini saatlerden saniyelere indirir.
- EU AI Act + KVKK cross-domain için ek koruma şart.
Kaynakça
Bu yazı aşağıdaki uluslararası kaynaklardan sentezlenip Türkiye mevzuat bağlamına uyarlanmıştır. Doğrudan çeviri yapılmamıştır.
- Connected Data and AI. MIT Sloan Management Review. https://sloanreview.mit.edu/ (erişim: 2026-05-13)
- AI in Operations. McKinsey & Company. https://www.mckinsey.com/capabilities/operations/our-insights (erişim: 2026-05-13)
- Regulation (EU) 2024/1689 — Artificial Intelligence Act. European Commission. https://eur-lex.europa.eu/eli/reg/2024/1689/oj (erişim: 2026-05-13)
- Customer Retention Score Framework. Forrester Research. https://www.forrester.com/research/ (erişim: 2026-05-13)