Garfield
YZF Admin
JavaScript ile yapay zekâ geliştirmek için en pratik yol, bir yapay zekâ hizmetinin API’sine JavaScript üzerinden istek göndermektir. Tarayıcıda çalışan basit bir arayüz, sunucuda çalışan bir JavaScript uygulaması veya yerel bir makine öğrenmesi modeli seçebilirsin. Başlangıç için Node.js üzerinde küçük bir sunucu kurup API anahtarını sunucuda saklamak, anahtarın tarayıcıya sızmasını önlediği için en güvenli ve anlaşılır yöntemdir.
JavaScript burada genellikle üç görevden birini üstlenir: Kullanıcıdan metin almak, bu metni bir yapay zekâ modeline göndermek ve dönen yanıtı uygulamada göstermek. Modeli kendin çalıştırabileceğin gibi, bir sağlayıcının sunduğu API üzerinden de kullanabilirsin.
Tarayıcıda doğrudan API çağrısı yapmak kolay görünse de gizli anahtar kodun içine konulduğunda kullanıcılar tarafından görülebilir. Bu nedenle gerçek uygulamalarda tarayıcı ile yapay zekâ servisi arasına kendi sunucunu koyman gerekir.
Örnek olarak Node.js kullanan basit bir sohbet sunucusu hazırlanabilir. Aşağıdaki kod sağlayıcıya özgü bir SDK kullanmaz; farklı yapay zekâ servislerinin benzer HTTP uç noktalarına uyarlanabilecek genel bir yapı gösterir. Adres, model adı ve istek gövdesi kullandığın servisin belgelerine göre değiştirilmelidir.
Ön koşullar: Bilgisayarında Node.js kurulu olmalı ve kullandığın yapay zekâ hizmetinden bir API anahtarı almalısın. Anahtarı JavaScript dosyasına veya tarayıcı koduna yazma.
JavaScript ile yapay zekâ kullanmanın yolu, hedeflediğin uygulamaya göre değişir. API yöntemi hızlı prototip ve sohbet uygulamaları için uygundur; yerel model yöntemi ise veriyi dış servise göndermemek istediğin durumlarda tercih edilebilir.
API’den dönen yanıtın doğru biçimde gelmesi, içeriğin mutlaka doğru olduğu anlamına gelmez. Yapay zekâ yanıtı olasılıksal olabilir; önemli kararlar, kişisel veriler ve teknik çıktılar insan tarafından kontrol edilmelidir. Uygulama üretime alınacaksa istekleri sınırlama, hata yönetimi, kullanıcı girdisini doğrulama ve hassas verileri kaydetmeme gibi kontroller eklenmelidir.
JavaScript ile yapay zekâ nasıl çalışır?
JavaScript burada genellikle üç görevden birini üstlenir: Kullanıcıdan metin almak, bu metni bir yapay zekâ modeline göndermek ve dönen yanıtı uygulamada göstermek. Modeli kendin çalıştırabileceğin gibi, bir sağlayıcının sunduğu API üzerinden de kullanabilirsin.
Tarayıcıda doğrudan API çağrısı yapmak kolay görünse de gizli anahtar kodun içine konulduğunda kullanıcılar tarafından görülebilir. Bu nedenle gerçek uygulamalarda tarayıcı ile yapay zekâ servisi arasına kendi sunucunu koyman gerekir.
Başlangıç için en küçük çalışan örnek
Örnek olarak Node.js kullanan basit bir sohbet sunucusu hazırlanabilir. Aşağıdaki kod sağlayıcıya özgü bir SDK kullanmaz; farklı yapay zekâ servislerinin benzer HTTP uç noktalarına uyarlanabilecek genel bir yapı gösterir. Adres, model adı ve istek gövdesi kullandığın servisin belgelerine göre değiştirilmelidir.
Ön koşullar: Bilgisayarında Node.js kurulu olmalı ve kullandığın yapay zekâ hizmetinden bir API anahtarı almalısın. Anahtarı JavaScript dosyasına veya tarayıcı koduna yazma.
- Yeni bir proje klasörü oluştur. Terminalde klasöre girip
npm init -ykomutunu çalıştır. Bu işlem, Node.js projesinin temelpackage.jsondosyasını oluşturur. - Gerekli paketleri kur.
npm install express dotenvkomutuyla küçük bir web sunucusu ve ortam değişkeni desteği ekle. - API anahtarını ortam değişkenine koy. Proje klasöründe
.envadlı dosya oluştur ve içineAI_API_KEY=anahtarınyaz. Bu dosyayı Git deposuna gönderme. - Sunucu dosyasını oluştur.
server.jsdosyasına aşağıdaki örneği koy.API_URLve istek gövdesindeki alanları kullandığın hizmetin güncel belgelerine göre düzenle.
JavaScript:
require('dotenv').config();
const express = require('express');
const app = express();
app.use(express.json());
app.post('/api/sor', async (req, res) => {
const metin = String(req.body.metin || '').trim();
if (!metin) {
return res.status(400).json({ hata: 'Metin gerekli.' });
}
try {
const yanit = await fetch(process.env.AI_API_URL, {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'Authorization': `Bearer ${process.env.AI_API_KEY}`
},
body: JSON.stringify({
model: process.env.AI_MODEL,
input: metin
})
});
if (!yanit.ok) {
return res.status(yanit.status).json({ hata: 'Yapay zekâ isteği başarısız oldu.' });
}
const veri = await yanit.json();
res.json({ sonuc: veri });
} catch (hata) {
res.status(500).json({ hata: 'Sunucu isteği tamamlayamadı.' });
}
});
app.listen(3000, () => {
console.log('Sunucu http://localhost:3000 adresinde çalışıyor.');
});
- Ortam değişkenlerini tamamla.
.envdosyasına kullandığın API’nin istek adresiniAI_API_URLve model adınıAI_MODELdeğişkenleriyle ekle. Alan adları hizmetten hizmete değişebileceği için örnektekiinputalanını da ilgili belgeye göre değiştir. - Sunucuyu başlat. Terminalde
node server.jskomutunu çalıştır. Ekranda yerel adres görünüyorsa sunucu isteklere hazırdır. - İstek gönder. Tarayıcı arayüzünden veya başka bir JavaScript istemcisinden
/api/soradresine POST isteği gönder ve JSON içindemetinalanını yolla. - Sonucu kontrol et. Yanıt JSON olarak dönüyorsa JavaScript ile yapay zekâ servisi arasındaki temel bağlantı kurulmuştur. Hata kodu dönüyorsa önce API adresini, anahtarı, model adını ve istek gövdesindeki alanları karşılaştır.
Hangi yöntemi seçmelisin?
JavaScript ile yapay zekâ kullanmanın yolu, hedeflediğin uygulamaya göre değişir. API yöntemi hızlı prototip ve sohbet uygulamaları için uygundur; yerel model yöntemi ise veriyi dış servise göndermemek istediğin durumlarda tercih edilebilir.
| Yöntem | Uygun olduğu durum | Dikkat edilmesi gereken |
|---|---|---|
| Sunucudan API çağrısı | Sohbet, özetleme, sınıflandırma ve içerik üretimi | API anahtarı ve kullanım maliyeti yönetilmelidir |
| Tarayıcıda doğrudan API | Yalnızca anahtar gerektirmeyen veya güvenli istemci yetkilendirmesi olan servisler | Gizli anahtar kod içine konulmamalıdır |
| Yerel model | Çevrim dışı çalışma ve hassas verilerin cihazda kalması | Model boyutu ve cihaz kaynakları sınırlayıcı olabilir |
| Klasik makine öğrenmesi kütüphanesi | Tahmin, sınıflandırma ve sayısal verilerle çalışma | Model eğitimi ve veri hazırlığı gerekir |