Banpoom Laptop - Yapay zeka, Danawa verileriyle açık pazar iade fırsatlarını eşleyerek gerçekten fiyat/performans odaklı iade dizüstü bilgisayarları bulan hizmet

Merhaba. Büyük açık pazarlarda yığılan iade dizüstü bilgisayarlara her baktığımda, gerçek teknik özellikleri doğru biçimde doğrulayıp Danawa’daki en düşük fiyatla karşılaştırmanın oldukça yorucu olduğunu hissettim.

Bunu çözmek için, dağınık e-ticaret platformlarındaki dizüstü bilgisayar fırsat bilgilerini ve Danawa’nın geniş veritabanını yapay zeka ile birleştirip görünür kılan 'Banpoom Laptop'u geliştirdim.

Link: https://banpoomlaptop.com

1. Kullanılan teknoloji yığını (Tech Stack)

Frontend’den veri hattına kadar tüm yapıyı baştan kurdum.

• Frontend: Next.js 16 (App Router), React 19, Tailwind CSS v4, Zustand

• Backend / Database: Node.js, Next API Routes, MongoDB (Aggregation Pipeline), Redis

• Crawling / Pipeline: Python (curl_cffi), Puppeteer, PM2 (arka plan daemon’u)

• AI / Data Matcher: OpenRouter API (Qwen 3.5), BM25 (benzerlik arama algoritması)

2. Geliştirme sürecindeki başlıca yüksek zorluk noktaları

Bu projeyi kurarken, basit web geliştirmesinin ötesine geçip veri toplama ve temizleme hattı aşamalarında çeşitli zorlu problemlerle karşılaştım.

A. Yapılandırılmamış verinin normalize edilmesi ve heterojen platformlar arasında çapraz eşleme

En büyük zorluk, 'açık pazardaki iade dizüstü bilgisayarların birbirinden farklı başlıkları' ile 'Danawa’nın karmaşık teknik özellik adlarını' eşleştirmekti. Yazım biçimleri satıcıya göre değiştiği için sıradan DB Join veya regex ile belirgin sınırlara takılıyordu.
Bunu çözmek için 2 adımlı bir yapay zeka hattı kurdum.

1. BM25 metin benzerliği algoritmasını kullanarak Danawa’nın büyük veritabanından ilk aday modelleri çıkarıyorum.
2. Bulunan adayları Qwen 3.5 tabanlı LLM’in (büyük dil modeli) bağlam penceresine verip bağlamı yorumlamasını ve doğru benzersiz türev modeli (pcode) bulmasını sağlayacak şekilde tasarladım. Ayrıca Danawa’nın uzun metin teknik özelliklerini LLM’in gerçek zamanlı JSON’a dönüştürmesi işini de arka plan worker’ına devrettim.

B. Gelişmiş ana sıralama algoritması için (Hidden Score) çıkarım mantığının uygulanması

Açık pazar verileri doğal olarak 'indirim oranı' en büyük olanları öne çıkarıyor gibi görünse de, sorun eski model ve sorunlu stokların çok olmasıydı.
Bunu çözmek için MongoDB Aggregation pipeline içinde skor = indirim oranı + (performans değeri / güncel fiyat) - model yılı cezası formülünü hesaplayan bir 'hidden score' sistemi yerleştirdim. Bu sadece koşul filtrelemesinde kalmıyor; 2022 model öncesi ürünlere -50 puan ceza, 2025~2026 model en yeni ürünlere ise +20 puan ağırlık vererek üst rafta (Shelf) gerçekten fiyat/performans odaklı cihazların öncelikli görünmesini sağlıyor.

3. Kapanış

Frontend tarafı, Zustand ve Next.js parametre entegrasyonu sayesinde onlarca çoklu teknik özellik filtresinin (panel, üretici, ağırlık, TGP vb.) anında ve akıcı biçimde tepki verecek şekilde optimize edildi.
LLM’i yalnızca bir chatbot amacıyla değil, arka plan hattı içinde bir 'yapılandırılmamış veri normalizasyon ayrıştırıcısı' ve 'akıllı eşleyici' olarak ciddi biçimde devreye almış olmak, bir mühendis olarak benim için en anlamlı deneyimdi. Veri crawling, yapay zeka eşleme veya Next geliştirme ortamı tarafına ilgi duyan herkesin görüş, geri bildirim ve fikir alışverişine açığım.

[cnaa97]

Alasım var..

[runableapp]

Güzel, kullanışlı bir site.
Bana göre tasarım biraz fazla alışveriş sitesi gibi ve renkler gözü yoruyor gibi duruyor.
Sadece algoritma ile de yeterli olurmuş gibi geliyor; LLM’in özellikle gerekli olduğu noktalar nelerdi acaba?

[kurthong]

Mobilde (Galaxy S25 Plus) AI sohbet penceresinde mesaj gönderme düğmesiyle kapatma düğmesi (X) üst üste geliyor.