---
title: "Belge yapay zekâsında inceleme kuyruğu: kural ve örnekleme"
description: "Belge yapay zekâsı hattında insan incelemesini tasarlayın: doğrulama kuralları, kişiye ne gönderilir, rastgele denetim örneği, denetim izi ve inceleme oranı."
url: https://broadrouter.com/tr/blog/document-review-queues/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/document-review-queues/) (güncelleme: 2026-11-16).

# Belge yapay zekâsı iş akışınıza insan incelemesini ekleyin

BroadNet Inference ekibi · 7 dk okuma · Yayımlandı 2026-11-15 · Güncellendi 2026-11-16

Çıkarılan her belgeyi kurallardan geçene kadar onaysız sayın. Zorunlu bir alan eksikse, toplamlar tutmuyorsa, tarih veya tedarikçi şüpheliyse ya da model emin değilse belgeyi bir kişiye gönderin. Kurallardan temiz geçen belgelerin küçük, rastgele bir kısmını da inceleyin, her düzeltmeyi kendi sisteminize kaydedin ve inceleme oranıyla denetlenen hata oranını izleyin.

## Öne çıkanlar

-   Bir kişinin neyi göreceğine doğrulama kuralları karar verir. Modelin kendi güven beyanı yalnızca ek bir sinyaldir; yayımlanmış araştırmalar LLM'lerin güvenlerini söylerken aşırı emin olduğunu gösteriyor.
-   Kuyruğa düşen her belge arithmetic veya vendor:unknown gibi makine tarafından okunabilir gerekçeler taşımalı; böylece inceleyen nereye bakacağını, siz de hangi kuralı düzelteceğinizi bilirsiniz.
-   Otomatik onaylanan belgelerden rastgele örnek alıp denetleyin. Denetlenen 50 belgede sıfır hata bulmak, gerçek hata oranının yaklaşık %7'ye kadar çıkabileceği anlamına gelir (%95 Wilson aralığı).
-   Denetim izini kendiniz tutun: görüntü karması, model kimliği, istem sürümü, çıktı, tetiklenen kurallar ve inceleyenin düzeltmesi. Sıfır veri saklayan bir API içeriğin kopyasını tutmaz.
-   Her hafta üç sayıyı izleyin: inceleme oranı, en sık inceleme gerekçeleri ve otomatik onaylanan belgelerin denetlenen hata oranı.

**Bu sayfada**

1.  Bir belgenin insan tarafından incelenip incelenmeyeceğine ne karar vermeli?
2.  Modelin güven beyanına güvenmeli misiniz?
3.  Belgeleri bir kuyruğa nasıl yönlendirirsiniz?
4.  Arapça ve İngilizce faturalarda ne değişir?
5.  İnceleyen ne görmeli?
6.  Tüm kurallardan geçen belgelerden neden örnek alınır?
7.  Denetim izini nasıl tutarsınız?
8.  İnceleme oranını nasıl ölçersiniz?
9.  BroadNet Inference’ın yeri

Görsel bir model faturayı okuyabilir; ama bir rakamı yanlış okuyabilir, bir satırı atlayabilir ya da olmayan bir alan uydurabilir. Çözüm yalnızca daha iyi bir istem değil. Çözüm, ilk günden tasarlanmış bir inceleme adımıdır: bir kişinin hangi belgeleri göreceğine karar veren kurallar, ona nedenini söyleyen bir kuyruk ve hata oranını kanıtlamanızı sağlayan bir kayıt.

Bu yazı o adımı anlatıyor. Çıkarmanın kendisi (görüntü hazırlama, JSON istemi, şema doğrulama ve yeniden denemeler) [görsel LLM ile belgelerden veri çıkarma](https://broadrouter.com/tr/blog/extract-data-from-documents-with-vision-llm/) yazısında, Arapçaya özgü okuma ise [Arapça faturaları görsel modelle okuma](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/) rehberinde. Burada JSON’u zaten aldığınızı ve neye güveneceğinize karar vermeniz gerektiğini varsayıyoruz.

## Bir belgenin insan tarafından incelenip incelenmeyeceğine ne karar vermeli?

Modele dair bir his değil, kodda test edebileceğiniz kurallar. Değer sırasına göre şunlarla başlayın:

| Kural | Örnek gerekçe kodu | Neden önemli |
| --- | --- | --- |
| Zorunlu alan eksik | `missing:total` | Null dürüsttür; tahmin edilmiş bir değer daha kötüdür |
| Toplamlar tutmuyor | `arithmetic:subtotal+tax!=total` | Yanlış okunan tek bir rakam neredeyse her zaman bir toplamı bozar |
| Kalemler toplamı vermiyor | `arithmetic:lines!=subtotal` | Atlanmış veya yinelenmiş satırları yakalar |
| Tarih ayrıştırılamıyor ya da aralık dışında | `date:unparsed` | Gün/ay karışmasını ve OCR gürültüsünü yakalar |
| Bilinmeyen tedarikçi vergi numarası | `vendor:unknown` | Yeni tedarikçiler de dolandırıcılık da buradan başlar |
| Beklenmeyen para birimi | `currency:unexpected` | Yanlış okunan bir simge tutarı değiştirir |
| Model emin olmadığını söylüyor | `model:not_confident` | Bir ipucu; asla tek kapı değil |

İki tasarım kararı kuyruğu kullanışlı kılar. Birincisi, her kural kısa ve sabit bir gerekçe kodu üretir; böylece inceleyen belgeyi neyi kontrol edeceğini bilerek açar, siz de hangi kuralın en sık tetiklendiğini sayabilirsiniz. İkincisi, bir belge ya tüm kurallardan geçer ya da bir kişiye gider. Hiç kimsenin bir denetçiye açıklayamayacağı ağırlıklı puanlardan kaçının.

## Modelin güven beyanına güvenmeli misiniz?

Onu zayıf bir sinyal olarak görün. Modelden her alanın güvenini yüksek, orta veya düşük diye derecelendirmesini isteyebilirsiniz; bunu yapar da. Ancak Xiong vd. (ICLR 2024), LLM’lere güvenlerini söyletmenin yollarını karşılaştırdı ve modellerin ne kadar emin olduklarını söylerken “tend to be overconfident” (BroadRouter çevirisi: aşırı emin olma eğiliminde) olduğunu buldu; daha iyi istem ve örnekleme yardımcı oldu, ancak hiçbir yöntem diğerlerini tutarlı biçimde geçemedi. Bazı API’lerde token log-olasılıkları da bir seçenek. BroadNet’in API başvurusu `logprobs` alanını belgelemiyor; orada tasarımınızı bunun üzerine kurmayın.

Pratik kural: modelden gelen “yüksek”in altındaki her derece ya da hiç derece gelmemesi belgeyi incelemeye gönderir, ama “yüksek” asla koddaki kontrolleri atlatmaz. Birkaç yüz belge incelendikten sonra “yüksek” alanların gerçekten daha az düzeltme alıp almadığına bakın. Almadıysa bu sinyali bırakın.

## Belgeleri bir kuyruğa nasıl yönlendirirsiniz?

Bu yönlendirici, çıkarma ve doğrulamadan sonra çalışır. Arap-Hint rakamlarını normalleştirir, yukarıdaki kuralları uygular ve üç kuyruktan birini seçer: `review`, `audit_sample` veya `auto`. API çağrısı içermeyen düz bir Python kodudur; birim testi yazabilirsiniz.

```python
import hashlib, json, random, re, time
from datetime import date, datetime
from decimal import Decimal, InvalidOperation

REQUIRED = ["vendor_name", "invoice_number", "invoice_date", "currency", "subtotal", "tax", "total"]
CURRENCIES = {"SAR", "AED", "USD", "EUR"}
KNOWN_VENDORS = {"300000000000003": "Example Trading Co"}   # your supplier master: tax ID -> name
AUTO_SAMPLE_RATE = 0.05          # share of clean documents a person still checks
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹٫٬", "01234567890123456789.,")

def money(v):
    """'١٬٢٥٠٫٥٠' or '1,250.50' -> Decimal('1250.50'); None if it is not a number."""
    if v is None:
        return None
    s = str(v).translate(DIGITS).replace(",", "").strip()
    try:
        return Decimal(s)
    except InvalidOperation:
        return None

def check(doc: dict, today: date) -> list[str]:
    """Return the reasons this document needs a person. Empty list = may auto-approve."""
    reasons = [f"missing:{f}" for f in REQUIRED if doc.get(f) in (None, "")]
    sub, tax, tot = (money(doc.get(k)) for k in ("subtotal", "tax", "total"))
    if None not in (sub, tax, tot) and abs(sub + tax - tot) > Decimal("0.01"):
        reasons.append("arithmetic:subtotal+tax!=total")
    lines = [money(l.get("amount")) for l in doc.get("lines", [])]
    if lines and None not in lines and sub is not None and abs(sum(lines) - sub) > Decimal("0.01"):
        reasons.append("arithmetic:lines!=subtotal")
    try:
        d = datetime.strptime(str(doc.get("invoice_date", "")).translate(DIGITS), "%Y-%m-%d").date()
        if d > today or (today - d).days > 400:
            reasons.append("date:out_of_range")
    except ValueError:
        reasons.append("date:unparsed")
    if doc.get("currency") and doc["currency"] not in CURRENCIES:
        reasons.append("currency:unexpected")
    if doc.get("vendor_tax_id") not in KNOWN_VENDORS:
        reasons.append("vendor:unknown")
    if doc.get("model_confidence", "low") != "high":   # a hint from the prompt, never the only gate
        reasons.append("model:not_confident")
    return reasons

def route(doc_id: str, doc: dict, today: date, rng=random.random) -> dict:
    reasons = check(doc, today)
    if reasons:
        queue = "review"
    elif rng() < AUTO_SAMPLE_RATE:
        queue, reasons = "audit_sample", ["sample:random"]
    else:
        queue = "auto"
    return {"doc": hashlib.sha256(doc_id.encode()).hexdigest()[:16], "queue": queue,
            "reasons": reasons, "ts": int(time.time())}
```

Bunu üç uydurma Suudi faturasında test ettik (tedarikçi ve vergi numarası hayalî). Tarihi ve ara toplamı Arap-Hint rakamlarıyla yazılmış (٢٠٢٦-١١-٠٢ ve ١٬٠٠٠٫٠٠) temiz fatura `auto` kuyruğuna gitti. Aynı fatura, genel toplam 1,105.00 olarak yanlış okununca `arithmetic:subtotal+tax!=total` gerekçesiyle `review` kuyruğuna gitti. Vergi numarası bilinmeyen, ay değeri 13 olan ve güveni “orta” olan fatura ise üç gerekçeyle `review` kuyruğuna gitti: `date:unparsed`, `vendor:unknown` ve `model:not_confident`. Rastgele çekilişi 0.05’in altına zorlamak, temiz faturayı `audit_sample` kuyruğuna gönderdi.

Bilmeniz gereken iki sınır var. `money()` yardımcısı ondalık ayırıcı olarak nokta veya Arapça ayırıcı varsayar; Avrupa usulü “1.150,00” tedarikçinin ülkesine göre seçilen ayrı bir ayrıştırıcı ister. Tarih kuralı da modelin ISO tarih döndürdüğünü varsayar. Hicri tarihlerin önce dönüştürülmesi gerekir; bkz. [Arapça adlandırılmış varlık çıkarma](https://broadrouter.com/tr/blog/arabic-named-entity-extraction-llm/).

## Arapça ve İngilizce faturalarda ne değişir?

Körfez’de iki dilli faturalar yaygındır: Arapça ve İngilizce etiketler yan yana, tutarlar Batı veya Arap-Hint rakamlarıyla ve tedarikçi adı iki ayrı yazı sistemiyle. Birkaç kural işe yarar:

-   **Her kontrolden önce rakamları normalleştirin.** ٠–٩ ve Farsça ۰–۹ rakamlarını 0–9’a, Arapça ondalık ve binlik ayırıcıları (٫ ve ٬) ASCII karşılıklarına eşleyin. Sonra karşılaştırın.
-   **Tedarikçiyi adla değil vergi numarasıyla eşleştirin.** Arapça ve İngilizce adlar ana kaydınızla karakter karakter nadiren eşleşir. Sicil numarası eşleşir.
-   **İnceleyen için iki adı da tutun.** Çıkarılan Arapça ve İngilizce tedarikçi adlarını ana kaydın yanında gösterin; Arapçayı sağdan sola, yalıtılmış bir blokta. Çift yönlü (bidi) gösterimi [çok dilli ürün tasarımı](https://broadrouter.com/tr/blog/multilingual-product-design/) yazısı anlatıyor.
-   **Yapılandırılmış bir fatura olup olmadığını kontrol edin.** Suudi Arabistan’ın ZATCA’sı elektronik faturalamayı (Fatoorah) 4 Aralık 2021 ve 1 Ocak 2023 tarihlerinden itibaren iki aşamada yürütüyor ve sistem yapılandırılmış elektronik formattaki faturalar üzerine kurulu. Bir tedarikçi size bunu gönderebiliyorsa resmini okumak yerine onu ayrıştırın; görsel modeli kâğıt, fotoğraf ve geri kalan uzun kuyruk için saklayın.

Okuma tarafını, yani harekeleri, karışık yazı sistemlerini ve yerleşimi [görsel LLM ile Arapça OCR](https://broadrouter.com/tr/blog/arabic-ocr-vision-llm/) yazısı anlatıyor.

## İnceleyen ne görmeli?

İyi bir inceleme ekranı her gerekçe kodu için tek bir soruyu yanıtlar. `arithmetic` için kalemleri, ara toplamı, vergiyi ve genel toplamı hesaplanan toplamla yan yana gösterin. `vendor:unknown` için çıkarılan vergi numarasını ve en yakın ana kayıtları gösterin. `date:unparsed` için ham tarih metnini ve görüntüde geldiği yerin kırpılmış hâlini gösterin.

Görüntüyü başka bir sekmede değil, alanların yanında gösterin. İnceleyenin bir alanı düzeltmesine, onaylamasına veya belgeyi okunaksız diye reddetmesine izin verin. Hangi işlemi yaptığını kaydedin. “Okunaksız” değerli bir veridir: bir tedarikçinin belgelerinin %10’u okunaksızsa modelinizden mucize değil, o tedarikçiden PDF isteyin.

## Tüm kurallardan geçen belgelerden neden örnek alınır?

Çünkü kurallar yalnızca aklınıza gelen hataları yakalar. Model bir kalemi, ara toplamı ve genel toplamı aynı miktarda yanlış okursa (lekelenmiş bir 7’yi üç yerde de 1 okursa) bütün toplamlar yine tutar ve hiçbir kural tetiklenmez. Bu hataları bulmanın tek yolu, kimsenin işaretlemediği belgelere bakmaktır.

Seçerek değil rastgele örnekleyin ve kaçının düzeltme gerektirdiğini izleyin. Küçük bir örnek geniş bir aralık verir. NIST el kitabının oranlar için anlattığı %95 Wilson aralığıyla (Agresti ve Coull ile Brown, Cai ve DasGupta’nın önerilerine atıfla) aşağıdaki metrik kodumuz şunu veriyor:

| Sıfır hata bulunan denetlenmiş belge sayısı | Gerçek hata oranı hâlâ şu kadar olabilir |
| --- | --- |
| 50 | yaklaşık %7,1 |
| 300 | yaklaşık %1,3 |

Yani “50 belge denetledik, hiçbir şey bulmadık” hata oranının %1’in altında olduğu anlamına gelmez. İstemde, modelde veya belge karışımında her değişiklikten sonra örneği büyütün, sonra yavaşça küçültün.

## Denetim izini nasıl tutarsınız?

Düzeltmeleri kendi sisteminize kaydedin. Her belge için şu bilgileri içeren bir satır gerekir:

-   kaynak dosyanın SHA-256 karması (ve saklama kurallarınıza göre dosyanın kendisinin nerede durduğu);
-   model kimliği, istem sürümü ve modelin döndürdüğü ham JSON;
-   destek soruları için sağlayıcının istek kimliği (BroadNet bunu `X-Request-ID` başlığında döndürür);
-   kural sonuçları ve kuyruk;
-   inceleyen, zaman, yapılan işlem ve düzeltilen her alanın önceki ve sonraki değeri.

Bu, sıfır veri saklayan bir API’de daha da önemlidir. BroadNet’in gizlilik beyanına göre ağ geçidi hiçbir istemi, görüntüyü, yanıtı veya transkripti tutmaz; yalnızca içerik barındırmayan hesap, faturalama, trafik ve güvenlik kayıtlarını tutar. Hassas faturalar için bu iyidir, ama sağlayıcıda kimsenin size geçen ay modelin ne gördüğünü veya ne dediğini gösteremeyeceği anlamına da gelir. Tek kayıt sizin günlüğünüzdür. İhtiyacınız olmayan hiçbir şeyi içine koymayın; neyin günlüğe yazılacağını ve neyin maskeleneceğini [LLM API kullanım günlüğü](https://broadrouter.com/tr/blog/llm-api-usage-logging/) yazısı anlatıyor.

## İnceleme oranını nasıl ölçersiniz?

Bunu her hafta, düzeltmelerle birleştirilmiş yönlendirme günlüğü üzerinde çalıştırın:

```python
import math
from collections import Counter

def wilson(errors: int, n: int, z: float = 1.96) -> tuple[float, float]:
    """95% Wilson score interval for an error rate seen in a sample."""
    if n == 0:
        return (0.0, 1.0)
    p = errors / n
    centre = (p + z * z / (2 * n)) / (1 + z * z / n)
    half = z * math.sqrt(p * (1 - p) / n + z * z / (4 * n * n)) / (1 + z * z / n)
    return (max(0.0, centre - half), min(1.0, centre + half))

def report(log: list[dict]) -> dict:
    queues = Counter(r["queue"] for r in log)
    reasons = Counter(x.split(":")[0] for r in log if r["queue"] == "review" for x in r["reasons"])
    audited = [r for r in log if r["queue"] == "audit_sample"]
    wrong = sum(1 for r in audited if r.get("corrected_fields"))
    lo, hi = wilson(wrong, len(audited))
    return {"documents": len(log),
            "review_rate": round(queues["review"] / len(log), 3),
            "top_reasons": reasons.most_common(3),
            "audited": len(audited), "audited_with_errors": wrong,
            "auto_error_rate_95ci": (round(lo, 4), round(hi, 4))}
```

1.000 belgelik sentetik bir haftada (760 otomatik, 190 inceleme, 50 denetim; denetlenenlerin 2’si düzeltme gerektirdi) inceleme oranını 0,19, en sık gerekçeyi 120 ile `vendor` ve denetlenen hata oranını %1,1 ile %13,5 arasında raporladı. Bu son aralık, bu örnek büyüklüğünde “otomasyon ne kadar doğru?” sorusunun dürüst yanıtıdır.

Üç sayıyı birlikte okuyun:

-   **İnceleme oranı düşüyor, denetlenen hatalar sabit:** bir kural fazla katıydı ya da model iyileşti. İyi.
-   **İnceleme oranı düşüyor, denetlenen hatalar artıyor:** bir kural fazla gevşek. Hatalar muhasebe defterinize ulaşmadan sıkılaştırın.
-   **Tek bir gerekçe baskın:** nedenini düzeltin. Başta `vendor:unknown` varsa tedarikçi ana kaydını güncelleyin; başta `arithmetic` varsa görüntü kalitesine bakın ya da [geçiş yapmadan önce LLM değerlendirme](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/) yöntemiyle aynı belgelerde başka bir modeli deneyin.

## BroadNet Inference’ın yeri

BroadRouter, BroadNet’in kendi sitesidir. BroadNet Inference, [fiyat akışına](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-document-review-queues&utm_content=body) göre görsel kabul eden üç sohbet modeli sunuyor: [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) (1M token başına $0.175 girdi / $2.17 çıktı, yapılandırılmış çıktı belgelenmiş), [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) ($0.10 / $0.22, $5 başlangıç kredisiyle kullanılabilir) ve [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) ($0.175 / $0.52). Kullandıkça öde modelinde görseller girdi token’ı olarak sayılır; [görsel token hesaplayıcısı](https://broadrouter.com/tools/image-token-calculator/) bunları tahmin etmenize yardımcı olur. Çıkarım içeriği saklanmaz; gerekli hesap, faturalama ve güvenlik meta verileri BroadNet’in [gizlilik beyanında](https://www.broadnet.ai/inference-privacy) anlatıldığı şekilde saklanır. BroadNet bir inceleme kuyruğu veya denetim günlüğü sunmaz; yukarıdaki yönlendirmeyi ve kayıtları kurmak ve saklamak size kalır.

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Optik karakter tanıma (OCR)](https://broadrouter.com/tr/glossary/ocr/)

Optik karakter tanıma (OCR), bir görsel, tarama veya PDF içindeki basılı ya da el yazısı metni tespit edip makinenin okuyabileceği karakterlere dönüştüren teknolojidir. Klasik OCR metni ve sayfadaki konumunu verir; görsel-dil modelleri ise metni okuyup onunla ilgili soruları doğrudan yanıtlayabilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

[Görsel token'ları (image tokens)](https://broadrouter.com/tr/glossary/image-tokens/)

Görsel token'ları, bir görsel dil modelinin istemdeki bir resmi temsil etmek için kullandığı girdi token'larıdır. Sağlayıcılar bunları resmin boyutundan, genellikle yeniden boyutlandırdıktan sonra sabit boyutlu yamalara veya karolara bölerek hesaplar ve metin girdi token'ları gibi faturalandırır; bu yüzden büyük resimler daha pahalıdır.

[Kullandıkça öde (pay-as-you-go)](https://broadrouter.com/tr/glossary/pay-as-you-go/)

Kullandıkça öde, abonelik veya asgari taahhüt olmadan yalnızca kullandığınız kadar ödediğiniz, token, istek veya ses dakikası gibi birimler üzerinden ölçülen bir fiyatlandırma modelidir. LLM API'lerinin çoğu bu şekilde, ön ödemeli bir bakiyeden veya dönemsel faturayla ücretlendirir.

[Sağdan sola (RTL) metin](https://broadrouter.com/tr/glossary/rtl-text/)

Sağdan sola (RTL) metin, Arapça veya İbranice gibi sağdan sola gösterilen yazıdır. Bilgisayarlar bu metni mantıksal okuma sırasıyla saklar; RTL metin soldan sağa metin, rakamlar, model adları veya kodla karıştığında gösterim sırasına Unicode Çift Yönlü Algoritması (bidi) karar verir.

[Yapılandırılmış çıktı (structured output)](https://broadrouter.com/tr/glossary/structured-output/)

Yapılandırılmış çıktı, modelin yanıtını geliştiricinin belirlediği bir biçimle, genellikle bir JSON Schema ile sınırlayan bir LLM API özelliğidir; böylece kod yanıtı güvenilir şekilde ayrıştırabilir. Geçerli JSON'u garanti eden ama belirli bir yapıyı garanti etmeyen JSON modundan daha katıdır.

## Sık sorulan sorular

### Faturadan veri çıkarmada hangi belgeler insan incelemesine gitmeli?

Bir kuralı geçemeyen her belge: eksik zorunlu alan, toplamı tutmayan kalemler veya vergi, ayrıştırılamayan ya da makul aralık dışındaki tarih, bilinmeyen tedarikçi, beklenmeyen para birimi veya modelin "yüksek"in altında kalan güven ipucu. Bunlara tüm kurallardan geçen belgelerden küçük, rastgele bir örnek ekleyin.

### İncelemeyi atlamak için modelin güven puanını kullanabilir miyim?

Tek başına hayır. Beyan edilen güven üzerine yapılan araştırma (Xiong vd., ICLR 2024), LLM'lerin aşırı emin olma eğiliminde olduğunu buldu. Bunu koddaki kontrollerin yanında bir sinyal olarak kullanın ve etiketli verilerinizle "yüksek" değerinin gerçekten daha az hata anlamına gelip gelmediğini kontrol edin.

### Otomatik onaylanan belgelerden kaçını denetlemeliyim?

Önemsediğiniz hata oranını sınırlayacak kadar. Hiç hata bulunmazsa 50 denetlenmiş belge gerçek oranı yaklaşık %7 ile (%95 Wilson üst sınırı), 300 belge ise yaklaşık %1,3 ile sınırlar. Bir kural, istem veya model değiştiğinde örneği büyütün.

### İyi bir inceleme oranı ne kadardır?

Herkes için geçerli bir rakam yok. Yüksek başlayın ve yalnızca otomatik onaylanan belgelerin denetlenen hata oranı toleransınız içinde kaldıkça düşürün. İnceleme oranı düşerken denetlenen hata oranı artıyorsa bir kural fazla gevşektir.

### Denetim izi nerede tutulmalı?

Kendi veritabanınızda. Kaynak dosyanın karmasını, model kimliğini, istem sürümünü, ham çıktıyı, kural sonuçlarını, inceleyeni ve düzeltilmiş değerleri saklayın. Sağlayıcınız istek içeriğini saklamıyorsa (BroadNet çıkarım API'si için bunu söylüyor), sonradan bunu başka kimse yeniden oluşturamaz.

## Okumaya devam edin

-   [Fatura, fiş ve formlardan görsel LLM ile JSON veri çıkarma](https://broadrouter.com/tr/blog/extract-data-from-documents-with-vision-llm/)
-   [Arapça OCR mı, görü LLM'i mi: Arapça belge ve fatura okuma](https://broadrouter.com/tr/blog/arabic-ocr-vision-llm/)
-   [JSON modu ve json\_schema: sağlam yapılandırılmış çıktı](https://broadrouter.com/tr/blog/structured-output-json-schema/)
-   [Sağlayıcı değiştirmeden önce bir LLM nasıl değerlendirilir?](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/)
-   [LLM API kullanım günlüğü: kullanıcı ve özellik başına maliyet, PII yok](https://broadrouter.com/tr/blog/llm-api-usage-logging/)
-   [LLM'den gelen geçersiz JSON: nedenler, onarım ve yeniden deneme](https://broadrouter.com/tr/blog/fix-invalid-json-from-llm/)
-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API yanıtlarını önbelleğe alıp maliyeti düşürün: Python örneği](https://broadrouter.com/tr/blog/cache-llm-responses-cut-cost/)
-   [Rehber: Arapça faturaları ve fişleri bir görü modeliyle okuyun](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-document-review-queues&utm_content=page-cta) ·

**Kaynaklar**

-   [Xiong vd., Can LLMs Express Their Uncertainty? An Empirical Evaluation of Confidence Elicitation in LLMs, ICLR 2024 (kontrol tarihi 2026-11-15)](https://arxiv.org/abs/2306.13063)
-   [NIST/SEMATECH e-Handbook of Statistical Methods, 7.2.4: bir oran için güven aralıkları, Wilson yöntemi (kontrol tarihi 2026-11-15)](https://www.itl.nist.gov/div898/handbook/prc/section2/prc241.htm)
-   [ZATCA, E-Fatura (Fatoorah): 1. aşama 4 Aralık 2021, 2. aşama 1 Ocak 2023 itibarıyla (kontrol tarihi 2026-11-15)](https://zatca.gov.sa/en/E-Invoicing/Pages/default.aspx)
-   [BroadNet Inference API başvurusu: görselle sohbet, yapılandırılmış çıktı, X-Request-ID, veri işleme (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-document-review-queues&utm_content=sources)
-   [BroadNet Inference pricing.json: model modaliteleri ve fiyatları (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-document-review-queues&utm_content=sources)
-   [BroadNet Inference gizlilik ve veri saklama beyanı (kontrol tarihi 2026-11-15) (İngilizce)](https://www.broadnet.ai/inference-privacy)
