SocialOptima Arena V4: GPU’suz VDS Üzerinde Microsoft ve NVIDIA ile 200 Gerçek Mesaj Testi

Kapak görseli notu: Görseldeki sosyal medya mesajları temsili örneklerdir; Arena V4 testindeki gerçek mesajların birebir ekran görüntüsü veya sınıflandırma sonucu değildir. Gerçek 200 mesajlık yerel testte BUYER_CANDIDATE sayısı 0 olarak raporlanmıştır.

SEOİlan Ar-Ge | 17 Ekim 2026. SocialOptima Buyer Intent 03d, 16 GB RAM’e sahip, özel GPU barındırmayan bir VDS üzerinde geliştirilen Türkçe odaklı müşteri talebi ayıklama sistemidir. Ekip, 200 benzersiz gerçek sosyal medya mesajını yerel sınıflandırıcıyla işledi ve aynı metinleri Microsoft Phi-4, NVIDIA Nemotron 3.5 Lightning ve NVIDIA Nemotron 3 Ultra modellerine gönderdi. Arena V4’te 600 ücretli model isteğinin raporlanan toplam maliyeti 0,02434826 ABD doları oldu.

Doğrudan yanıt: Çalışma, SocialOptima’nın GPU’suz ortamda 200 gerçek mesajı harici model API ücreti ödemeden işleyebildiğini ve üç modelle aynı veri üzerinde ölçümlü karşılaştırmanın tamamlandığını gösteriyor. Fakat 200 mesaj için bağımsız insan etiketleri bulunmadığından, dört sistemin genel doğruluk sıralaması henüz kanıtlanmış değil.

Problem: Sosyal medyada gerçek müşteri talebini ayırt etmek

Bir sosyal medya paylaşımında “web sitesi yaptırmak istiyorum” demekle “web sitesi yapıyorum” demek ticari açıdan birbirinden farklıdır. İlkinde hizmet almayı düşünen bir müşteri, ikincisinde hizmet satan bir kişi olabilir. Ayrıca iş ilanları, sohbetler, ürün reklamları ve belirsiz talepler de aynı akışta yer alır. SocialOptima’nın hedefi, özellikle Türkçe bağlamda açık hizmet satın alma veya uzman tutma niyetini ayırmak ve satıcı tanıtımlarını müşteri adayı olarak göstermemektir.

Bu ayrım pazarlama otomasyonu açısından önemlidir: yanlış pozitifler zaman kaybettirebilir; yanlış negatifler gerçek bir talebin kaçırılmasına neden olabilir. Bu yüzden yalnızca toplam sınıflandırma sayısı değil, müşteri adayları için precision, recall, yanlış alarm ve kaçırma oranları ayrı ayrı ölçülmelidir.

Altyapı: 16 GB RAM, özel GPU yok

Proje, Plesk tabanlı VDS ortamında geliştirildi. Buyer Intent 03d’nin test edilen yerel sınıflandırma akışı, her mesaj için OpenRouter’a ücretli büyük dil modeli isteği göndermeden sonuç üretiyor. Bu, sistemin sıfır toplam maliyetle geliştirildiği anlamına gelmez: sunucu, geliştirme zamanı, bakım ve veri hazırlığı maliyetleri devam eder. Ölçülen sıfır dolar yalnızca bu yerel testteki harici model API harcamasıdır.

173 kayıtlık geliştirme kümesi: ne ölçüldü?

Önceki geliştirme deneyinde 173 kayıt işlendi; 14 belirsiz örnek değerlendirme dışı bırakıldı. Kalan 159 örnekte 8 doğru müşteri adayı (TP), 151 doğru negatif (TN), sıfır yanlış pozitif (FP) ve sıfır yanlış negatif (FN) kaydedildi. Bu kümede precision ve recall %100 olarak hesaplandı.

Önemli sınırlama: Bu rakamlar geliştirme kümesine aittir. Aynı örneklerin filtre tasarımında veya hata düzeltmede kullanılmış olması mümkündür; dolayısıyla bunları bağımsız, kör doğrulama başarısı olarak sunmak doğru olmaz. Ayrıca sekiz pozitif örnek, farklı Türkçe müşteri talebi türlerinde genelleme gücünü kanıtlamak için küçüktür.

Arena V4 nasıl yürütüldü?

İlk 200 mesajlık seçkide bir tekrar bulundu. Tekrar çıkarıldı ve gerçek mesaj havuzundan yeni bir benzersiz kayıt eklenerek 200 mesajlık küme tamamlandı. Yerel SocialOptima 03d bu yeni kümede yeniden çalıştırıldı. Sonra aynı 200 metin, Microsoft Phi-4, NVIDIA Nemotron 3.5 Lightning ve NVIDIA Nemotron 3 Ultra modellerine gönderildi. Böylece üç harici model için toplam 600 istek oluşturuldu. Test raporu stop_reason=COMPLETE ve stopped_early=false durumlarını kaydetti.

Karşılaştırmada beş sınıf kullanıldı: BUYER_CANDIDATE, MANUAL_REVIEW, SELLER_PROMOTION, JOB_EMPLOYMENT ve UNRELATED. “Geçerli yanıt”, modelin beklenen biçimde sınıf etiketi döndürdüğünü belirtir; tek başına doğru sınıflandırma demek değildir. “Uyum” ise SocialOptima ile aynı sınıfın seçilmesidir; SocialOptima insan tarafından doğrulanmış cevap anahtarı değildir.

200 mesajın yerel sınıflandırma dağılımı

Bu dağılım “gerçekte hiç müşteri yoktu” anlamına gelmez. 200 mesajın tamamı bağımsız etiketlenmediği için müşteri bulunmaması ile müşteri kaçırılması ihtimalleri bu tablodan ayırt edilemez.

Microsoft ve NVIDIA karşılaştırmasının sayısal sonuçları

Microsoft Phi-4, 39 mesajda beklenen sınıf etiketini geçerli biçimde döndürmedi. NVIDIA Ultra, SocialOptima ile 186/200 mesajda aynı sınıfı seçti. Bu oranlar çıktı biçimi ve karar benzerliği hakkındadır; modellerin bağımsız doğruluk puanı değildir.

Gerçek maliyet: 600 API isteği 2,43 sent

Deney için 0,10 dolar yazılımsal bütçe hedefi tanımlandı; raporlanan kullanım bu hedefin yaklaşık %24,35’idir. Bu yazılımsal kontrol sağlayıcı tarafında mutlak bir faturalama sınırı değildir. Ücretler test anındaki OpenRouter kullanım raporlarına dayanır; model fiyatları zamanla değişebilir.

Beş müşteri adayı uyuşmazlığında ne görüldü?

Üç API modeli toplam yedi müşteri adayı kararı verdi; bunlar beş farklı mesaj üzerinde toplandı: 99, 100, 167, 172 ve 192. Mesajlar incelendiğinde romantik bir istek, Almanca koleksiyon sorusu, geçmişte yapılmış oyuncak alışverişi ve Japonca tüketici ürünü ilgisi görüldü. Hiçbiri SocialOptima’nın hedeflediği açık hizmet satın alma veya uzman tutma talebini içermiyordu.

Özellikle 172 numaralı Japonca mesajda üç API modeli de müşteri adayı derken SocialOptima ilgisiz sınıfını seçti. Bu, incelenen örneklerde yanlış müşteri alarmını önlemeye dair olumlu bir bulgudur; ancak 200 mesajın tümünde sıfır yanlış pozitif veya sıfır yanlış negatif olduğunu kanıtlamaz.

14 NVIDIA Ultra uyuşmazlığı ve çok dilli veri sınırı

NVIDIA Ultra ile SocialOptima 14 mesajda ayrıştı. Bu örneklerin önemli bir bölümü Portekizce, Japonca veya İngilizce satıcı tanıtımlarıydı. NVIDIA Ultra bu reklamların birçoğunu SELLER_PROMOTION olarak işaretlerken, SocialOptima UNRELATED sınıfına aldı. İncelenen örnekler, çok dilli satıcı reklamı sınıflandırmasında geliştirilebilecek bir alan olduğunu gösteriyor.

Ancak burada kritik kapsam ayrımı var: SocialOptima 03d, öncelikle Türkçe müşteri niyeti tespiti için geliştirildi. Farklı dillerdeki reklamları ayırmadaki eksiklikler, Türkçe müşteri yakalama başarısının ölçüsü olarak kullanılamaz. Ayrıca 180 numaralı yalnızca ürün bağlantısı içeren paylaşım ve 197 numaralı haber/sponsorluk karışımı paylaşım gibi örneklerde sınıf yorumu bağlama bağlıdır.

Bu araştırma neyi kanıtlıyor, neyi kanıtlamıyor?

• Kanıtlanan: 200 benzersiz gerçek mesaj yerel olarak işlendi; üç harici modelde toplam 600 istek tamamlandı; çıktı biçimi, karar uyumu, yanıt süreleri ve bildirilen API maliyetleri kaydedildi.
• Desteklenen ama sınırlı: Geliştirme kümesinde müşteri adayı filtresi güçlü sonuç verdi; beş incelenen müşteri adayı uyuşmazlığında SocialOptima’nın temkinli kararları uygun göründü.
• Kanıtlanmayan: SocialOptima’nın Microsoft veya NVIDIA modellerinden genel olarak daha doğru olduğu, 200 mesajın tamamında müşteri kaçırmadığı ya da tüm dillerde yüksek başarı gösterdiği.

Sonraki araştırma: Türkçe bağımsız kör test

Bir sonraki aşamada yalnızca gerçek Türkçe mesajlardan oluşan, farklı kaynakları ve farklı talep türlerini temsil eden yeni bir değerlendirme kümesi oluşturulması hedefleniyor. Mesajların doğru etiketleri, model tahminlerini görmeyen insan değerlendiriciler tarafından belirlenmeli. Ardından müşteri adayı precision, recall, yanlış pozitif ve yanlış negatif oranları bütün modeller için aynı veri üzerinde hesaplanmalı.

GPU erişimi, daha büyük yerel modelleri çalıştırma ve çok dilli uyarlama denemeleri için yeni olanaklar sağlayabilir. Bununla birlikte GPU tek başına çok dilli doğruluk garantisi vermez; etiketli veri kalitesi, görev tanımı ve bağımsız değerlendirme aynı derecede önemlidir.

SEOİlan’daki önceki araştırmayla ilişkisi

Bu çalışma, SEOİlan’da daha önce yayımlanan SocialOptima Solar Decide Flash müşteri adayı karşılaştırması yazısından ayrı bir deneydir. Önceki yazı farklı bir model karşılaştırmasını ele alırken, bu rapor Buyer Intent 03d ve Arena V4’ün 200 gerçek mesajlık ölçümlerini belgeliyor. Sonuçlar birbirinin yerine kullanılmamalıdır.

Sık sorulan sorular

SocialOptima GPU kullanıyor mu?

Bu raporda test edilen yerel Buyer Intent 03d sınıflandırması özel GPU bulunmayan 16 GB RAM’li VDS ortamında çalıştırıldı.

SocialOptima Microsoft ve NVIDIA’yı geçti mi?

Genel doğruluk bakımından böyle bir sonuç kanıtlanmadı. Arena V4 karar uyumu, çıktı geçerliliği, süre ve maliyeti ölçtü; 200 mesajın bağımsız insan etiketleri henüz yok.

200 mesajda neden müşteri adayı çıkmadı?

Yerel sistem 200 mesajın hiçbirini müşteri adayı olarak işaretlemedi. Bunun doğru olup olmadığını belirlemek için tüm mesajların bağımsız insan etiketleriyle incelenmesi gerekiyor.

Testin toplam maliyeti neydi?

Üç harici model için 600 API isteğinin raporlanan toplam maliyeti $0,02434826 oldu. Yerel sınıflandırma için harici model API ücreti oluşmadı; altyapı maliyetleri bu rakama dahil değil.

SocialOptima bütün dilleri destekliyor mu?

Test edilen sürüm Türkçe müşteri niyeti tespitine odaklıdır. Çok dilli örnekler araştırma amaçlı incelendi; bütün dillerde yüksek doğruluk iddiası bulunmuyor.

Metodoloji ve kaynak notu: Sayılar 17 Ekim 2026 tarihli Arena V4 deney raporu, 03d yerel sınıflandırma raporu ve uyuşmazlık incelemelerinden alınmıştır. Bağımsız üçüncü taraf denetimi yapılmamıştır. Sosyal medya örneklerinin ham metinleri kişisel veri riskini azaltmak için burada topluca yayımlanmamıştır.