İçeriğe geç
Pazar, 15 Kasım 2026Yapay zekâ · sade Türkçe · denenmiş@yapaytu
YAPAYTU

Dharma-AI, belgelerden veri çıkaran modelini tanıttı

Dharma-AI, belge görsellerindeki alanları JSON verisine dönüştüren modelini tanıttı. Şirketin test sonuçları ve Türkçe belgeler için belirsizlikler haberde.

Yapay TU Editör · 4 dk okuma
Dharma-AI'dan belge alanlarını çıkaran model
Kısa cevap

Dharma-AI, 4 Kasım 2026'da belge görsellerinden istenen alanları çıkarıp JSON biçiminde veren Field Extractor modelini tanıttı. İki milyar parametreli model, belge verilerini mevcut yazılımlara aktarmayı amaçlıyor; Türkçe başarımı açıklanmadı.

Dharma-AI, 4 Kasım'da tanıttığı Field Extractor ile belge görsellerindeki belirli bilgileri yazılımların kullanabileceği alanlara ayırmayı amaçlıyor. Model, örneğin bir faturadan tedarikçi adını ve toplam tutarı alıp JSON (alan adlarıyla değerleri eşleyen veri biçimi) olarak döndürüyor. Türkiye'de belge aktarımını otomatikleştirmek isteyen geliştiriciler için incelenebilecek bir araç olsa da Türkçe belgelerde nasıl sonuç verdiği henüz açıklanmadı.

Field Extractor hangi işi yapıyor?

Dharma-AI'ın 4 Kasım tarihli tanıtımına göre Field Extractor, bir belge görselini okuyup istenen bilgileri önceden belirlenen alanlara yerleştiriyor. Şirket, iki milyar parametreli modeli DharmaOCR-LITE v1.1 üzerine geliştirdiğini belirtiyor. Parametre, modelin eğitim sırasında öğrendiği sayısal değerleri ifade ediyor.

OCR (optik karakter tanıma) işlemi sayfadaki metni çıkarmaya yarıyor. Field Extractor'ın hedefi ise bu metnin içinden hangi değerin hangi alana ait olduğunu da belirlemek. Bir faturadaki ürün satırlarını sıralı liste halinde, her satırın miktarı ve değeriyle birlikte vermesi bu kullanımın örneklerinden biri.

Modelin iki çalışma biçimi var. Açık istekte kullanıcı bir alan listesi vermiyor; model, belgenin düzeninden çıkarabildiği alanları döndürüyor. Şemalı istekte ise kullanıcı beklediği alan adlarını ve veri türlerini tanımlıyor. Şirket, belgede bulunmayan bir alan istendiğinde modelin null, yani boş değer döndürmek üzere çalıştığını söylüyor.

Şemalı kullanım, zaten belirli sütunlarla çalışan bir yazılıma veri aktarmak için tasarlanmış. Alan adları mevcut sistemle eşleştirilebiliyor; metin, sayı ya da doğru/yanlış türünde değerler istenebiliyor. Belge okuma araçlarının genel kullanımını merak ediyorsan yapay zekâya PDF okutma rehberimiz başlangıç için yardımcı olabilir.

Şirketin testi neyi ölçüyor?

Dharma-AI, modelini 546 belge üzerinde üç farklı istek senaryosuyla sınadığını ve toplam 1.638 test durumu oluşturduğunu bildiriyor. Senaryolar arasında bütün alanları çıkarma, yalnızca belirli alanları isteme ve belgede bulunmayan alanları da sorgulama var. Son senaryo, modelin belgede olmayan bir bilgi için değer üretip üretmediğini ölçüyor.

Puanlama yalnızca metnin doğru okunmasına bakmıyor. Çıkarılan alanın doğru konumla eşleşmesi, değerin aslına ne kadar benzediği ve sonucun geçerli JSON olması birlikte değerlendiriliyor. Şirketin açıkladığı birleşik puan Field Extractor için 0,834; karşılaştırmadaki Claude Opus 5 için 0,816. Bu rakamlar doğrudan yüzde doğruluk olarak okunmamalı.

Karşılaştırma Dharma-AI'ın kendi testi. Sonuç, modelin her belge türünde ya da her dilde genel amaçlı modelleri geçeceğini kanıtlamıyor. Şirket, eğitimde kullanılmayan SROIE ve FUNSD veri kümelerinden örnekler de gösteriyor. Ancak Türkçe belgeler için ayrı bir sonuç paylaşmıyor; Türkiye'deki bir işletmenin belgelerine ilişkin başarı oranı bu puanlardan çıkarılamaz.

Erişim ve maliyet hakkında ne açıklandı?

Dharma-AI, tanıtım sayfasında bir deneme bağlantısı sunuyor ve maliyet hesabını modelin kullanıcının kendi altyapısında çalışması üzerinden yapıyor. Yazı tarihinde açıklanan karşılaştırmada tek bir L40S grafik işlemcisinin saatlik 2,24 dolarlık kullanım bedeli esas alınıyor. Şirket bunun bir satış fiyatı olmadığını özellikle belirtiyor.

Genel amaçlı modeller tarafındaki hesap ise API (uygulama programlama arayüzü) kullanımında ölçülen girdi ve çıktı miktarlarına dayanıyor. Dolayısıyla iki tarafta farklı maliyet yöntemleri kullanılıyor. Kendi sunucundaki belge sayısı ve beklediğin yanıt süresi değiştikçe maliyet de değişebilir.

Eğitim verileri ağırlıklı olarak İngilizce ve Brezilya Portekizcesi belgelerden oluşuyor; başka Avrupa ve Asya dillerinden daha küçük bir bölüm de bulunuyor. Türkiye'den erişim koşulları ve Türkçe desteği duyuruda açıklanmadı.

Bizim yorumumuz: önce kendi belgelerinde ölç

Bizce bu modelin Türkiye'deki geliştirici için en yararlı tarafı, belge aktarımını ölçülebilir küçük bir işe indirgemesi. Bir tedarikçi belgesinden hangi alanların alınacağı baştan belli olduğunda, sonucu belgeyle tek tek karşılaştırmak mümkün. İlk denemede bütün arşivi işlemek yerine farklı düzenlerdeki küçük bir belge grubuyla başlamak daha anlamlı olur.

Örneğin kişisel bilgi içermeyen örneklerde yalnızca tedarikçi adı ve belge numarasını isteyebilirsin. Sonra bu bilgilerin bulunmadığı bir sayfayı deneme grubuna ekle. Modelin boş alanı gerçekten boş bırakıp bırakmadığını ayrıca kontrol et. Dolu alanları doğru okumak ile eksik alana değer uydurmamak ayrı değerlendirmeler gerektiriyor. Yapay zekânın neden bilgi uydurduğunu anlatan rehberimiz bu kontrolün neden gerekli olduğunu açıklıyor.

Türkçe desteği açıklanmadığından, şirketin puanını kendi işine aktarabileceğin bir sonuç gibi kullanmanı önermiyoruz. Türkçe karakter içeren alan adlarını ve kendi belgelerindeki sayfa düzenini ayrıca sınamalısın. Veriyi yazılımına kaydetmeden önce insanın kontrol edeceği bir aşama bırakmak da uygun bir başlangıç olur.

Maliyet kıyasını değerlendirirken aynı belge grubunu kullanmanı öneririz. Yalnızca işlem bedelini karşılaştırmak, hatalı alanları düzeltmek için gereken emeği dışarıda bırakır. Bizce karar vermek için modelin toplam doğru alan sayısı kadar, hangi hataları yaptığına ve bu hataların ne kadar kolay fark edildiğine de bakmak gerekiyor.

Deneme öncesinde beklenen sonucu elle hazırlayıp modelin çıktısıyla karşılaştır. Her belge için şu kontrol notunu doldurabilirsin:

text
Belge: [örnek dosya adı]
İstenen alanlar: tedarikçi adı, belge numarası
Beklenen değerler: [belgeden elle doğrulanan değerler]
Belgede olmayan alan: boş kalmalı
Modelin hatalı veya eksik verdiği alanlar: [kontrol sonrası doldur]

Bu yazı sponsorlu değildir.

Sık sorulanlar

Dharma Field Extractor ne işe yarıyor?

Belge görselindeki bilgileri alan adları ve değerlerden oluşan JSON çıktısına dönüştürüyor. Kullanıcı hangi alanları istediğini ve veri türlerini önceden belirleyebiliyor.

Dharma Field Extractor Türkçe belgeleri destekliyor mu?

Tanıtımda İngilizce ve Portekizce veriler ile başka dillerden daha küçük bir eğitim kümesi anlatılıyor. Türkçe desteği ve Türkçe belgelerdeki başarı oranı açıklanmadı.

Dharma Field Extractor'ın kullanım fiyatı belli mi?

Duyuru bir satış fiyatı vermiyor. Şirketin maliyet karşılaştırması, kendi altyapısında çalışan modelin GPU süresine dayanıyor; kurulum koşullarına göre maliyet değişebilir.

#dharma-ai#belge-isleme#ocr#yapay-zeka
E-bülten

Haftada bir e-posta. Sadece işe yarayanlar.

Haftanın en iyi yapay zekâ araçları ve yeni rehberler. İstediğin an tek tıkla çık.

Adresine bir onay e-postası gelir. Aydınlatma metni
Sıradaki yazı OpenAI Images 2.6, GIF ve SVG üretimini getiriyor

Bunları da okuyun