Ürün görselini analiz eden, prompt oluşturan, üretim işini kuyruğa alan ve sonucu saklayan AI görsel pipeline mimarisini anlatıyorum.

AI Ürün Görseli Pipeline’ı: Görselden Satış Odaklı Vitrine

Ürün görseli üretimi tek bir prompt kutusundan ibaret değildir. Kullanıcı görsel yükler, sistem ürünü analiz eder, marka veya kanal bilgisine göre prompt üretir, üretim işini kuyruğa alır, sonucu saklar ve kullanıcıya varyasyonlar sunar. Bu akış doğru kurulmazsa hem kullanıcı bekler hem de sonuçlar tekrarlanabilir olmaz.

Job modeli

Görsel üretimi uzun sürebilir. Bu yüzden request sırasında üretim yapmak yerine job oluşturmak gerekir. Job durumları kullanıcıya ilerleme hissi verir ve sistem hata aldığında tekrar deneme imkanı sağlar.

model ImageJob {
  id          String   @id @default(cuid())
  sourceUrl   String
  prompt      String?
  status      String   @default("queued")
  resultUrls  String[]
  error       String?
  createdAt   DateTime @default(now())
  updatedAt   DateTime @updatedAt
}

Prompt oluşturma

İyi prompt ürün tipini, hedef kanalı, kompozisyonu, ışığı ve kaçınılması gereken şeyleri içerir. Özellikle ürün şeklinin bozulmaması, logo veya ambalajın yanlış üretilmemesi gibi kurallar prompt içinde açık olmalıdır.

export function buildCommercialPrompt(input: { product: string; mood: string; channel: string }) {
  return [
    `Product: ${input.product}`,
    `Mood: ${input.mood}`,
    `Channel: ${input.channel}`,
    'Create a clean commercial scene with realistic lighting.',
    'Keep the original product shape accurate.',
    'Avoid unreadable text, distorted logos and extra products.',
  ].join('\n')
}

Kuyruk ve worker

Görsel üretiminde worker katmanı şarttır. Kullanıcı işi başlatır, worker üretimi yapar, sonuçları medya depolama sistemine yükler ve job durumunu günceller.

worker.on('completed', async (job) => {
  await db.imageJob.update({
    where: { id: job.data.imageJobId },
    data: { status: 'completed', resultUrls: job.returnvalue.urls },
  })
})

UI kararları

Bu tip araçlarda çok seçenek vermek ürünü karmaşıklaştırır. Kullanıcıya hedef kanal, görsel tarz ve varyasyon sayısı gibi az ama etkili kontroller sunmak daha iyidir. İleri seviye ayarlar ikincil panelde kalmalıdır.

Sonuç

AI görsel üretimi ürünleştiğinde asıl mesele model çağrısı değil, pipeline kalitesidir. Analiz, prompt, kuyruk, medya saklama, hata yönetimi ve kullanıcı arayüzü birlikte düşünülmelidir.

AI ürünlerinde güvenilirlik

AI tabanlı ürünlerde temel risk, sonucun her zaman deterministik olmamasıdır. Bu nedenle sistem yalnızca çıktı üretmemeli; girdiyi, kullanılan prompt’u, model parametrelerini, üretim zamanını ve sonucu saklamalıdır. Kullanıcı aynı işin geçmişini görebilmeli, ekip de hatalı çıktının neden oluştuğunu inceleyebilmelidir.

Prompt yönetimi

Prompt metinleri kod içinde dağınık durmamalıdır. Versiyonlanmalı, test edilmeli ve hangi prompt’un hangi sonuçları ürettiği takip edilmelidir. Özellikle ticari içerik, ürün görseli veya rakip analizi gibi alanlarda prompt kalitesi doğrudan ürün kalitesini belirler.

Kullanıcı deneyimi

AI işlem süresi uzayabilir. Kullanıcı beklerken sistemin çalıştığını hissetmelidir: job durumu, tahmini süre, hata durumunda yeniden dene aksiyonu ve geçmiş sonuçlar görünür olmalıdır. Sessiz bekleme ekranları kullanıcı güvenini düşürür.

Kalite kontrol

AI çıktısı mutlaka iş kuralı filtresinden geçmelidir. Yasaklı kelimeler, yanlış iddialar, bozuk görseller, eksik rapor alanları veya beklenen format dışı cevaplar yakalanmalıdır. Ürünleşmiş AI sistemlerinde doğrulama katmanı model çağrısı kadar önemlidir.

Uygulama planı

Bu yaklaşımı gerçek bir projeye taşırken önce küçük ama doğru çalışan bir çekirdek kurulmalıdır. İlk adım veri modelini netleştirmek, ikinci adım API sözleşmesini belirlemek, üçüncü adım kullanıcı arayüzündeki ana akışı tamamlamak olmalıdır. Bundan sonra otomasyon, çeviri, raporlama veya medya yönetimi gibi ek katmanlar sırayla eklenebilir. Böyle ilerlemek hem geliştirme hızını korur hem de karmaşıklığın erkenden büyümesini engeller.

Ayrıca her teknik kararın kullanıcı veya operasyon karşılığı olmalıdır. Bir tablo, queue, SDK ya da dashboard bileşeni yalnızca teknik olarak doğru olduğu için değil, süreci daha anlaşılır, daha hızlı veya daha ölçülebilir yaptığı için eklenmelidir. Sağlam ürünler bu disiplinle büyür.