Kariyer.net’in yapay zeka alanındaki çoklu ajan (multi-agent) mimarileri üzerine geliştirdiği çalışma, dünyanın en prestijli akademik platformlarından biri olan Proceedings of the ACM Conference on AI and Agentic Systems kapsamında kabul edildi.
Şirketin “Multi-Agent Position Classification with Tool Orchestration: Use Case System for Occupational Taxonomy Mapping” başlıklı araştırması, konferansın demo track’inde yer alarak dünya genelinde seçilen 45 çalışma arasına girmeyi başardı.
Yapay zekada yeni paradigma: Model değil, sistem
ACM CAIS, yapay zekayı tekil modellerden ibaret görmeyen; bu modellerin nasıl bütünleşik sistemler (Compound AI Systems) olarak tasarlanması gerektiğine odaklanan yeni nesil bir yaklaşımı temsil ediyor.
Konferans; çoklu ajan sistemleri, araç entegrasyonu (tool use), RAG mimarileri, üretim ortamlarında güvenli kullanım ve sistem performansının ölçülmesi gibi alanlara odaklanıyor.
Microsoft Research, Google DeepMind, MIT, Stanford ve UC Berkeley gibi kurumların temsilcilerinin yer aldığı bu platform aynı zamanda yapay zekanın mühendislik disiplini olarak evrildiği noktayı yansıtıyor.
Binlerce farklı pozisyon unvanı
Kariyer.net ekosisteminde her ay binlerce farklı pozisyon unvanı oluşuyor.
Serbest metin formatında girilen bu unvanlar:
- Standart dışı yazım farklılıkları içeriyor
- Farklı dillerde ve seviyelerde kullanılabiliyor
- Aynı rol için çok sayıda varyasyon barındırıyor
Bu durum aynı zamanda pozisyonların standart mesleki taksonomilere (ör. O*NET, ESCO) eşlenmesini zorlaştırıyor ve yüksek ölçüde manuel operasyon gerektiriyor.
Araçlarla güçlendirilmiş çoklu ajan sistemi
Geliştirilen çözüm, klasik LLM kullanımının ötesine geçerek agentic AI yaklaşımını benimsiyor.
Sistem:
- Görevleri dağıtan bir ana “pozisyon ajanı”
- Uzmanlaşmış alt ajanlar
- Harici veri kaynakları (O*NET, ESCO)
- Kural motorları ve ön bellekleme katmanları
ile birlikte çalışan çok katmanlı bir mimariye sahip.
Bu yapı sayesinde:
- Ajanlar harici araçları aktif olarak kullanabiliyor
- Geçmiş kararları hatırlayan “episodik bellek” ile performans zamanla artıyor
- Sistem yeniden eğitim gerektirmeden kendini iyileştirebiliyor
Sonuçlar
Kariyer.net verileri üzerinde yapılan testlerde sistemin performansı net şekilde ortaya kondu:
- %72,5 zaman tasarrufu
- 3.6 kat operasyonel hız artışı
- %95 segment doğruluğu
- 0.94 ortalama güven skoru
Ayrıca sistem, Türkçe ve İngilizce’nin yanı sıra Almanca, Fransızca ve İspanyolca olmak üzere çok dilli destek sunuyor.
Dünya sahnesinde bir Ar-Ge başarısı
CAIS 2026’da Demo Track’e kabul edilen çalışma; Stanford, MIT, Meta, Google, Amazon, Databricks, Megagon ve diğer global teknoloji ve akademik oyuncularıyla aynı platformda yer aldı. Bu durum Türkiye’den bir İK teknoljoleri şirketinin uluslararası Ar-Ge rekabetinde güçlü bir konuma geldiğini gösteriyor.
Makale ve demo paper’a ulaşmak için tıklayın.
