Üretken yapay zekâ kullanımı ile öneri sistemi geliştirilmesi

Abstract

Son yıllarda, yapay zekâ tabanlı Büyük Dil Modelleri (Large Language Models, LLM) eğitim, sağlık, finansal hizmetler ve eğlence gibi birçok sektörde doğal dil işleme, karar destek sistemleri ve kişiselleştirilmiş önerilerin oluşturulmasında önemli roller üstlenmeye başlamıştır. Bu çalışmada, içerik tabanlı bir yemek tarifi öneri sistemi geliştirilmiş ve performansının iyileştirilmesinde LLM kullanımının etkileri incelenmiştir. Uygulamada LLM olarak OpenAI firmasına ait ChatGPT’den yararlanılarak, kullanıcılar tarafından seçilen malzemeler ve yemek tiplerine dayalı kişiselleştirilmiş tarif önerileri oluşturulmuştur. Arayüz üzerinden elde edilen veriler, komut oluşturma fonksiyonu tarafından işlenerek LLM’e aktarılmakta; modelden alınan yanıtlar ise kullanıcı değerlendirmeleriyle birlikte veri tabanında kaydedilmektedir. Farklı komut stratejilerinin (sıfır atışlı, az atışlı ve rol tabanlı) sistem performansı üzerindeki etkisi, doğruluk, işlem süresi ve maliyet gibi metrikler üzerinden değerlendirilmiştir. Bulgular, üretken yapay zekânın (ÜYZ) bağlamsal anlayış ve kişiselleştirme kabiliyetleri sayesinde, öneri sistemlerinin doğruluk ve hız gibi kritik ölçütlerinde önemli iyileşmeler elde edilebileceğini göstermektedir. Aynı zamanda, kullanıcı etkileşimi verilerinin dinamik bir şekilde işlenmesi yoluyla farklı malzeme tercihlerine uyum sağlanması, tarif önerilerinin kalitesini artırmaktadır. Bununla birlikte, ÜYZ kullanımının maliyet ve modelin kapalı/kara-kutu niteliği gibi bazı sınırlamaları bulunduğu da gözlemlenmiştir. Bu sınırlamaların gelecekte farklı veri setleri, kullanıcı profilleri ve alternatif LLM sürümleriyle araştırılması önerilmektedir.

In recent years, artificial intelligence-based Large Language Models (LLMs) have begun to play pivotal roles in natural language processing, decision support systems, and the generation of personalized recommendations across multiple sectors, including education, healthcare, financial services, and entertainment. In this study, a content-based recipe recommendation system was developed, and the impact of utilizing LLMs on improving its performance was examined. In the implementation, ChatGPT—an LLM developed by OpenAI—was employed to generate personalized recipe suggestions based on the ingredients and types of dishes selected by the users. Data gathered through the interface is processed by a prompt engineering function and then passed to the LLM; responses from the model are stored in a database along with user evaluations. The influence of various prompt strategies (zero-shot, few-shot, and role-based) on system performance was evaluated using metrics such as accuracy, processing time, and cost. The findings indicate that, thanks to the contextual understanding and personalization capabilities of generative artificial intelligence (GAI), recommendation systems can achieve significant improvements in critical metrics like accuracy and speed. Additionally, dynamically processing user interaction data to adapt to different ingredient preferences enhances the quality of the recipe suggestions. However, it has also been observed that the use of GAI entails certain limitations, such as cost and the model’s opaque “black-box” nature. It is recommended that these limitations be investigated further using different datasets, user profiles, and alternative LLM versions in future research.