UiPath Community Istanbul’da Agentic Otomasyon

(TK):

Data Fabric, Maestro ve Autopilot for Everyone ile robotlar, agent’lar ve insanları bir araya getirerek gerçek bir banka şikayet sürecini sıfırdan inşa ediyoruz.
Bu oturumda, tamamen Türkçe prompt’larla gerçek bir “banka kampanya şikâyeti” sürecini sıfırdan kurup uçtan uca çalıştırıyoruz. Autopilot, Data Fabric, Integration Service (Gmail), Maestro (BPMN orkestrasyonu), Escalation App (human-in-the-loop) ve Evaluations bileşenlerini aynı senaryoda bütünleştirerek katılımcılara RPA’dan Agentic Automation’a geçişin mimarisini ve pratiklerini gösteriyoruz. Toplam süre 2,5–3 saat olarak planlanmıştır.
-------------
(EN):

Using Data Fabric, Maestro, and Autopilot for Everyone, we bring together robots, agents, and humans to build a real bank complaint process from scratch.

In this session, we’ll design and execute a real “bank campaign complaint” process end-to-end, entirely using Turkish-language prompts. By integrating Autopilot, Data Fabric, Integration Service (Gmail), Maestro (for BPMN orchestration), Escalation App (human-in-the-loop), and Evaluations components within a single scenario, we’ll demonstrate to participants the architecture and practices for transitioning from RPA to Agentic Automation.

The total duration is planned to be 2.5–3 hours.

*This session will stream in Turkish language.

🧑‍💻Konuşmacılar/Speakers:

Levent Kurt, UiPath MVP & Istanbul Chapter Leader, Intelligent Automation Lead @NTT Data Business Solutions

Ahmet Kaplan, Senior RPA & Agentic Automation Developer @NTT Data Business Solutions

1. UiPath Community İstanbul
Agentic Otomasyonun Uçtan Uca Mimarisi ve Uygulamaları
24/10/2025

2. Moderator
Levent Kurt (MVP)
@NTT DATA Business Solutions
Intelligent Automation Expert
Host
Cristina Vidu
@UiPath
Global Manager, Marketing
Community
Speaker
Ahmet Kaplan
@NTT Data Business Solutions
Senior RPA & Agentic
Developer
[email protected] [email protected]@uipath.com

5. Agenda
1. Keşif: Yeni Dönem, Yeni Kavramlar (0:00 - 0:40)
Amaç: Katılımcıların “RPA’dan Agentic Automation’a
geçiş” farkındalığını kazanması, ekosistemdeki yeni
kavramları ve bileşenleri anlaması. Bu bölüm,
terminolojiye ve mimariye giriş niteliğindedir.
Bölüm 1.1 - Açılış & Tanışma (10 dk)
Eğitimin genel akışı, hedefleri ve beklentileri
paylaşılır. Kullanılacak UiPath ürünleri ve her birinin
süreçteki rolü tanıtılır.
Bölüm 1.2 - Temeller ve Kavramlar (30 dk)
Görsel anlatımlar ve örneklerle
Ara (10 dk) (0:40 – 0:50 arası)
2. İnşa: Gerçek Senaryo Uygulaması (0:50 - 2:30)
Amaç: Bir banka kampanya şikayet sürecini uçtan
uca, tamamen Türkçe agent’lar, Data Fabric ve
Maestro orkestrasyonu kullanarak inşa etmek.
Adım 1 - Şikayetin Alınması ve Anlamlandırılması
(Data Fabric & Integration Service)
Adım 2 - Kampanya Kontrolü
(AI Agent + Context + Escalation + Evaluations)
Adım 3 - Analiz Aşaması
(Studio Web + AI Agent + Evaluators)
Adım 4 - Kısmi Yeterlilik Değerlendirmesi
(Escalation App + Action Center)
Adım 5 - Karar Ve Dönüş
3. Özet & Değerlendirme (2:30 - 2:50)
Amaç: Katılımcılarla kısa bir değerlendirme
yapılır: Soru-Cevap oturumu ile eğitim
tamamlanır.
Autopilot, Data Fabric, Agent, Integration Service, Maestro ve Escalation kullanarak sıfırdan, tamamen Türkçe prompt’larla gerçek bir süreç inşa edeceğiz.

6. LLM
Bir LLM'e bir prompt verildiğinde, model öncelikle girdiyi token adı verilen
daha küçük birimlere bölerek işlemeye başlar. Bu tokenlar kelimeleri,
kelime parçalarını veya hatta karakterleri temsil edebilir. Daha sonra her
token, embedding olarak bilinen sayısal bir vektöre dönüştürülür. Bu
embeddingler, model eğitim sırasında devasa miktarda metni işlerken,
verilerdeki kalıpları, ilişkileri ve yapıları öğrenerek oluşturulur.
Son olarak, model bu embeddingleri birlikte işleyerek tokenların dizideki
birbirleriyle olan ilişkilerini anlar. Bu ilişkilere dayanarak, model eğitim
sırasında öğrendiklerini kullanarak en olası bir sonraki tokeni tahmin
eder, her seferinde bir token üretir ve eksiksiz, tutarlı bir yanıt oluşturmak
için bu süreci devam ettirir.
Örnek:
"Merhaba dünya" (Girdi) ↓
1. Tokenizasyon: ["Merhaba", "dünya"] ↓
2. Embedding: [[0.5, 1.2, ...], [0.8, 1.1, ...]] ↓
3. Transformer: Paralel işleme ↓
4. Self-Attention: Kelimeler arası ilişki ↓
5. Tahmin: Bir sonraki kelime ↓
6. Çıktı üretilir!

7. LLM
LLM Ne Değildir
Gerçekten "düşünen" bir sistem değil
Bilgiyi "anlayan" bilinçli bir yapı değil
Doğru/yanlış kavramı olmayan bir sistem
Mantık yürütme motoru değil
LLM Nedir?
İstatistiksel kalıp tanıma makinesi
Olasılık hesaplayıcı
Eğitim verisindeki kalıpları taklit eden sistem
"Bu bağlamda hangi kelime gelme olasılığı yüksek?"
sorusunu cevaplayan araç
Basit Analoji
"Türkiye'nin başkenti ___"
Model hesaplar:
•Eğitim verisinde bu kalıbı 10,000 kez gördü
•9,500'ünde "Ankara" geldi
•300'ünde "İstanbul" geldi (yanlış ama var)
•200'ünde başka şeyler geldi
Sonuç: P(Ankara) = 0.95 → Ankara seçilir

8. Tokenizer
English: → I love learning how tokenizers split words.
French: → Je parle un peu français chaque jour.
Turkish: → Makine öğrenmesi hayatımızın her alanında
var.
Arabic: → ءاكذلايعانطصلااريغيةقيرطانلمعلكموي .
Japanese: → 私は新しい言語を学ぶのが好きです。
GPT-
3
GPT-3.5 &
4
GPT-4o & GPT-4o Mini
1.GPT-3 → GPT-3.5/4 → GPT-4o Gelişimi
•Her yeni model nesli, özellikle Latin alfabesi dışındaki dillerde daha
verimli tokenizasyon yapıyor.
•Renkli kutucuklar tek bir token'ı temsil ediyor; daha az kutucuk = daha
verimli.
2. Dil Bazında Performans
•İngilizce: Her üç modelde aynı; optimize edilmiş
•Fransızca: Küçük iyileşmeler var.
•Türkçe: GPT-4o'da çok daha az parçalanma görülüyor.
•Arapça: GPT-3'te tamamen bozuk, GPT-4o'da düzgün tokenize ediliyor.
Bu Neden Önemli?
1.Maliyet: Daha az token = daha ucuz API kullanımı.
2.Bağlam Penceresi: Aynı karakter sayısı daha az token kullanıyorsa,
daha fazla içerik sığdırabilirsiniz.
3.Performans: Model, metni daha anlamlı parçalara böldüğünde daha
iyi anlıyor.

9. Paradigma Değişikliği: RPA ->
APA
Agentic Process Automation (APA), otomasyonda bir paradigma
değişikliğini temsil ediyor. Kısaca, klasik kurallara dayalı
otomasyon (örneğin UiPath Studio + robotlar) yerine “amaç
belirleyen”, “kendi kararlarını verebilen”, “duruma adapte
olabilen” yapay zeka destekli ajanların devreye girdiği bir anlayış:
•Ajanlar, verilen hedefi anlar; RPA’de olduğu gibi adım adım
nasıl yapılacağına dair her adımı önceden tanımlamanıza
gerek kalmaz.
•Ajanlar çevrelerini algılar (veri, sistem durumu, olaylar), plan
yapar, araç/kaynak çağırır (API, robot, Ajan), eylem
gerçekleştirir, sonucu izler ve gerekirse stratejisini
değiştirir.
•Klasik RPA’den bir adım öteye geçer: belirsizlikleri,
öngörülemeyen durumları, karar gerektiren adımları kapsar.

10. Unified Developer
Experience
Eskiden farklı bileşenler için ayrı araçlara geçmek gerekirdi. UDE bu
ayrımı ortadan kaldırıyor ve geliştiricilere uçtan uca, entegre bir
geliştirme deneyimi sağlıyor.
Böylece:
•Tüm varlıklar (Queues, Assets, Connections, Buckets) tek bir
bağlamda yönetilir.
•Her bileşen (robot, ajan, uygulama, API) aynı Solution içinde
birbirini çağırabilir.
•Süreçler arası bağımlılıklar, sürüm farkları ve yapılandırma
karmaşası ortadan kalkar.
•Projeler artık bir “Solution” olarak paketlenir tüm yapılandırmalar,
ajanlar, kaynaklar ve otomasyonlar tek paket içinde
yayımlanabilir.
Desteklenen Otomasyon Türleri:
•RPA Workflows: Klasik süreç otomasyonu
•Agentic Process: LLM tabanlı, bağlama duyarlı ajan süreçleri
•Apps: Kullanıcı arayüzü tabanlı işlem uygulamaları
•API Workflows: API-first entegrasyon otomasyonları
•Agents: İnsan, robot ve AI ajan etkileşimleri

11. Robots vs
Agents
Robots (Klasik RPA Yaklaşımı)
•Rules-based (Kural tabanlı):
⚬ Robotlar önceden tanımlanmış adımlar ve kurallar üzerinden çalışır.
•Predictable, deterministic decisions:
⚬ Her çalıştırıldığında aynı girdilere aynı çıktıyı verir.
•Güçlü yönü:
⚬Yüksek güvenilirlik ve verimlilik sağlar.
Agents (Agentic Automation Yaklaşımı)
•Goals-based (Hedef odaklı):
⚬ Ajanlar sadece kuralları değil, amaçları anlar.
•Act independently, dynamic decisions:
⚬ Kendi planını oluşturabilir, adımları dinamik biçimde belirleyebilir.
⚬ Değişen koşullara uyum sağlar, gerektiğinde strateji değiştirir.
•Güçlü yönü:
⚬Değişken ortamlara ve farklı girdilere uyum sağlar.

12. Agent Components
Natural Language Prompt (Doğal Dil Komutu)
Agent’in ne yapacağını, hangi hedefe ulaşacağını ve hangi
sınırlar içinde hareket edeceğini tanımlar.
Yani aslında “Agent’e verilen görev planıdır.”
İçeriği:
•System Prompt: Rol, hedef, kısıtlar ve genel davranış tanımı
⚬Demos: Öğrenme veya yönlendirme için örnekler
•User Prompt: Kullanıcıdan gelen doğal dil girdisi
⚬Input/Output Arguments (Girdi/Çıktı argümanları)

13. Agent Components
Context Grounding (Bağlam)
Agent’in karar alırken kullandığı kısa ve uzun vadeli hafıza
(memory) bilgisidir.
Bu bağlam, Agent’in durumu anlamasını, önceki
deneyimlerinden öğrenmesini ve daha doğru kararlar
vermesini sağlar.
Kapsamı:
•Context Grounding:
⚬Agent’in, bilgi tabanlarından sorgulama yaparak
bağlamı zenginleştirmesi ve kararlarını bu bilgiye
dayandırmasıdır.
•Agent Memory:
⚬Agent’in çalışma süresince öğrenebilmesi, geçmiş
bilgileri saklayabilmesi ve gelecekte kullanabilmesidir.

14. Agent Components
Index:
Index’ler, agent’ların izinli bilgi kaynaklarına (knowledge base)
erişmesini sağlar. Bu sayede ajanlar, işe özel veriler (business-specific
data) üzerinden mantıksal çıkarım (reasoning) yapabilir.
Yüklenebilen Veri Türleri:
•Excel, PDF, JSON, DOCX, TXT
Ingestion (Veri Alma Yöntemi):
•Basic:
⚬Yalnızca metin içeren belgeler için uygundur. Ücretsizdir.
•Advanced (Önerilen):
⚬Metin, tablo, grafik veya görsel içeren karmaşık belgeler için
uygundur. Platform Units tüketir (maliyetli olabilir).
Data Settings (Veri Kaynağı Seçimi):
Index’in verisini nereden alacağını belirler:
•Storage Bucket: Dosyaları doğrudan platforma yükleyerek kullanır.
•Connector: OneDrive, SharePoint gibi harici kaynaklarla bağlantı
kurarak veriyi çeker.
Context Strategy:
Semantic (Anlamsal Arama):
•Agent bir soruyu aldığında, veri içeriğini anlamına göre analiz eder
ve en alakalı metin parçalarını bulur.
•Bu seçenek, PDF, Word, e-posta veya açıklama gibi metin tabanlı
veri kaynaklarında kullanılır.
⚬Ek Ayarlar:
￭Relevance Score Threshold (İlgililik Eşik Değeri):
•0 ile 1 arasında bir değerdir.
•Değer yükseldikçe sonuçlar daha doğru ve alakalı olur.
•Çok yüksek ayarlanırsa hiçbir sonuç döndürmeyebilir.
￭Max Results Generated (Maksimum Sonuç Sayısı):
•Agent’ın yanıtında kullanılacak maksimum metin
parçası sayısını belirler.
•Daha fazla sonuç = LLM için daha yüksek token
maliyeti.
Structured (Yapısal Veri Arama):
•Bu seçenek, tablo biçimindeki veri kaynakları için kullanılır.
•Örneğin CSV formatındaki dosyalar desteklenir.

15. Agent Components
Tools (Araçlar)
Agent’in görevini yerine getirmek için başvurduğu araçlardır. Prompt’a göre hangi
araçların devreye gireceğine agent karar verir.
Agent’in Kullanabileceği Araçlar:
•Activities: UiPath Studio aktiviteleri.
•Automations: Orchestrator’da tanımlı otomasyon süreçleri.
•API Workflow: Orchestrator’da tanımlı API Workflow süreçleri.
•Other Agents: Diğer agent’ları çağırarak görev paylaşımı yapabilir.
•MCP Server (Model Context Protocol):
⚬UiPath Platformu MCP’yi tam olarak destekler.
•IXP (Intelligent Xtraction and Processing):
⚬Agent’in belgeler, e-postalar ve diğer iletişim verilerinden bilgi çekebilmesini
sağlar.
⚬İletişim metinlerini analiz eder (Communications Data), karmaşık dokümanlardan
veri çıkarır (Unstructured Docs) ve gerekirse Document Understanding altyapısını
kullanarak süreci besler.

16. Agent Components
Escalations - HITL (İnsan Etkileşimi)
Agent bir karara varmak için ek bilgiye ihtiyaç duyduğunda veya
belirsizlik yaşadığında insan desteğini devreye sokar.
Bu, human-in-the-loop (HITL) prensibidir.
Prompt alanında hangi durumlarda Eskalasyon yapılacağı belirtilmelidir.
Ek olarak eskalasyonun yapılabilmesi için Action App oluşturulması
gerekir.
Escalation Yolları:
•Action Center Apps: Kullanıcıya görev atayarak insan onayını alır.

17. Agent Components
Evaluation (Performansı Ölçmek)
Bir Agent geliştirirken hedef, onu güvenilir (reliable) hale getirmektir.
Evaluations, bir agent’ın doğru ve tutarlı sonuçlar üretip üretmediğini
sayısal olarak anlamayı sağlar.
Ne Zaman Evaluation Oluşturulur?
•Agent’ın mantığı, prompt’u ve kullanılan araçları kararlı hale geldiğinde
oluşturulur.
•Değişiklik yapıldığında, değerlendirmeler de güncellenmelidir.
Nasıl Çalışır?
•Bir evaluation set, agent’a verilen giriş (input) ve beklenen çıktı
(expected output) değerleri üzerinden çalışır.
•Sistem, verilen prompt ve context ile agent’ın ürettiği yanıtı karşılaştırır.
•Bu karşılaştırma sonucu, agent performansına dair ölçümler elde edilir.

18. Agent Components
Evaluation Sets (Değerlendirme Grupları)
Evaluation Set, bir veya birden fazla test örneğini içerir. Amaç,
agent’ı belirli senaryolara göre test etmek ve çıktıları analiz
etmektir.
Evalulation Set Oluşturma Seçenekleri:
1.Create New Evaluation Set: Manuel olarak yeni bir set
oluşturur.
2.Generate New Evaluation Set: Autopilot ile otomatik
oluşturulur.
3.Import: Dışarıdan var olan bir seti içeri aktarır.
Her set içinde “View details” ve “View all results”
seçenekleriyle test sonuçları detaylı incelenebilir.

19. Evaluators (Çıktı Karşılaştırma Motorları)
Evaluator’lar, agent’ın çıktısını beklenen sonuçla nasıl karşılaştıracağını belirler.
Temel Evaluator Türleri
1.LLM-as-a-Judge (Semantic Similarity): LLM tabanlı karşılaştırma yapar,
anlam yakınlığını değerlendirir.
2.Exact Match Çıktı, beklenen sonuçla birebir aynı mı kontrol eder.
3.JSON Similarity: JSON yapılarının benzerliğini denetler.
4.Trajectory: Agent’ın adım adım süreci doğru izleyip izlemediğini
değerlendirir.
Ek Türler (İlerleyen zamanlarda)
1.Context Precision: Agent’ın verdiği cevabın, context ile ne kadar ilişkili
olduğunu ölçer.
2.Faithfulness: Agent cevabının gerçekten sağlanan veriye dayanıp
dayanmadığını kontrol eder.
Target Output Fields
Evaluator’ların hangi alanları karşılaştıracağını belirleyen ayardır:
•Root-level targeting (All): Tüm çıktıyı değerlendirir.
•Field-specific targeting: Belirli alanları karşılaştırır. Örneğin sadece “amount”
Agent Components

20. Agent Components
Agent Health Score (Puanlandırma Sistemi)
Agent Score, bir ajanın genel olgunluk seviyesini ve görevini ne kadar doğru, tutarlı ve
güvenilir biçimde yerine getirdiğini ölçen birleşik bir metriktir. Bu puan, dört ana bileşenin ayrı
ayrı analiz edilip ağırlıklı ortalamasının alınmasıyla hesaplanır.
1.Prompt
⚬Prompt, ajanın görev tanımını, rolünü ve uygulama adımlarını ne kadar açık
tanımladığını ölçer.
2.Tools
⚬Ajanın kullandığı araçların (örneğin API, Data Service, Escalation Apps vb.) görevle ne
kadar uyumlu ve eksiksiz entegre olduğunu gösterir.
3.Input Schema
⚬Ajanın beklenen giriş verilerini doğru biçimde tanımlayıp tanımlamadığını
değerlendirir.
4.Evaluations
⚬Ajanın çıktılarının doğruluğunu ölçmek için oluşturulmuş evaluation dataset’lerinin
kalitesini gösterir.
Genel Değerlendirme: 54 (Good)
⚬Bu skor, ajanın iyi bir temel yapıya sahip olduğunu ancak halen test edilip optimize
edilmesi gerektiğini gösterir.

21. Agent Components
Weighted Score Calculation (Ağırlıklı Ortalama)
Bu puan, dört ana bileşenin ağırlıklı ortalamasına göre hesaplanır:
1.Evaluations (40%)
⚬Ajanın test senaryolarında doğruluk ve tutarlılık oranını ölçer.
2.Prompt (30%)
⚬Prompt’un açıklık, tamlık ve bağlamsal doğruluğunu
değerlendirir.
3.Tools (20%)
⚬Ajanın araçları (örneğin API, Data Service vb.) doğru kullanma
becerisini ölçer.
4.Input Schema (10%)
⚬Girdi yapısının doğruluğu ve ajana uygunluğu kontrol edilir.
Her bileşen kendi puanına sahiptir ve toplam skor bu dört puanın
ağırlıklı ortalamasıyla hesaplanır.
Bu örnekte:
Final skor 92.4 → “Excellent” seviyesinde bir performans anlamına gelir.

22. Agent Components
Autopilot: Context-aware Suggestions
Autopilot, geliştiricilerin agent componentlerini oluşturma, iyileştirme ve
optimize etme sürecini inanılmaz derecede kolaylaştırıyor. Yalnızca bir
prompt yazmakla kalmıyor, bu prompt’un etkisini ölçüyor, değerlendiriyor
ve iyileştirme önerileri sunuyor.
Prompt Health Score & Öneri Sistemi:
Her prompt, etkinlik skoruyla (Prompt Health Score) değerlendirilir.
Autopilot bu skoru;
•Prompt’un yapısal kalitesine,
•Gerçek agent çalıştırma sonuçlarına ve
•Evaluation dataset analizine göre belirler.
Bağlama Duyarlı Öneriler:
Sistem, yalnızca genel prompt tekniklerine değil, aynı zamanda agent’ın
davranış verilerine de odaklanır. Böylece öneriler:
•Daha isabetli,
•Duruma özel,
•Öncelik seviyelerine göre sınıflandırılmıştır (High / Medium / Low).

23. Agent Components
AI Trust Layer (Güven Katmanı)
Tüm bileşenlerin altında yer alan güven
katmanıdır.
Agent’in doğruluk, güvenlik, şeffaflık ve
yönetişim (governance) ilkelerine uygun şekilde
çalışmasını sağlar.

24. Agent
Types
Autonomous:
Bağımsız şekilde hareket ederek belirli bir görevi uçtan uca
tamamlayan agent türüdür. Kullanıcı etkileşimi gerektirmez, bir
hedef veya prompt verildiğinde kendi planını oluşturur, adımları
sıralar ve işi bitirir.
Conversational:
Kullanıcıyla doğal dilde diyalog kurarak etkileşimde bulunan agent
türüdür. Gerçek zamanlı konuşma veya yazışma üzerinden bilgi
toplar, yönlendirme yapar veya aksiyon başlatır.
Coded:
Coded Agent, geliştiricinin tercih ettiği IDE ortamında doğrudan kod
yazarak oluşturulan ajan türüdür. Bu ajanlar, UiPath SDK aracılığıyla
paketlenir ve standart bir .nupkg paketi olarak UiPath
Orchestrator’a yüklenebilir.

25. Conversational Agents
Conversational Agent, kullanıcılarla doğal dil üzerinden etkileşime geçen,
UiPath Platformundaki araç ve verileri kullanarak işlemleri gerçekleştiren
akıllı bir asistandır.
Nasıl Çalışır?
1.Doğal Dil Anlama:
⚬Kullanıcının komutunu veya sorusunu anlamak için LLM kullanır.
2.İlgili Aracı Seçme:
⚬İstek doğrultusunda uygun UiPath aracını çağırır.
3.İşlemi Gerçekleştirme:
4.Ajan, sistemden gerekli bilgiyi toplar ve hedef eylemi uygular.
5.Sonucu Geri Bildirme:
⚬İşlem tamamlandığında kullanıcıya durumu açık şekilde bildirir.
Örnek Senaryo
•Ajan, “London travel policy” bilgisini UiPath HR Documents
aracılığıyla bulur.
•Ardından Outlook eklentisini kullanarak ilgili kişiye e-postayı gönderir.
•Sürecin tamamı sohbet ekranı üzerinden, doğal bir etkileşimle
gerçekleşir.

26. UiPath SDK ve Coded
AgentsUiPath SDK (Software Development Kit), geliştiricilerin kod yazarak kendi “coded
agent” yapılarını oluşturmasını sağlayan bir geliştirme aracıdır. Bu SDK sayesinde
geliştiriciler, tamamen kod tabanlı agent mantığı kurabilirler.
SDK; agent’ların UiPath Platform kaynaklarıyla (örneğin assets, queues, buckets,
data services) etkileşim kurmasına, görevlerini programatik olarak yürütmesine ve
orkestrasyon ortamına entegre olmasına olanak tanır.
Coded Agent Nasıl Oluşturulur?
1.Agent Mantığını Tanımla
2.UiPath Ortamına Bağlan
3.Paketle ve Yayınla
4.Çalıştır ve İzle
Supported SDK Languages and Frameworks
•Python SDK: Python dilinde coded agent geliştirmeyi sağlar.
•Python + LangGraph SDK: LangGraph framework’ü ile yazılmış LLM tabanlı
agent’ların UiPath Platform servisleriyle entegre çalışmasını sağlar.
•LlamaIndex SDK: Belge tabanlı sorgulama (retrieval) yapan agent’lar için
optimize edilmiştir.

27. Prompt Engineering vs AI Agent Prompt Engineering
AI Agent Prompt Engineering
•AI agent prompt engineering, hedefe yönelik, çok adımlı
ve otonom görevler gerçekleştiren yapay zekâ ajanlarını
yönlendirmek için özel olarak tasarlanmış prompt
yapılarını ifade eder.
•Bu yapı, ajanın planlama yapabilmesini, karar
alabilmesini, duruma uyum sağlamasını ve hedefine
ulaşmak için eylemlerini dinamik olarak ayarlamasını
mümkün kılar.
•Yani burada amaç yalnızca yanıt üretmek değil, sürekli
bir karar verme ve uygulama döngüsünü yönetmektir.
Prompt Engineering
•Large Language Model (LLM), temelde bir tahmin
motorudur.
•Prompt engineering, modelin doğru, alakalı ve bağlama
duyarlı yanıtlar üretmesini sağlamak için prompt’ların
tasarlanması ve iyileştirilmesi sürecidir.
•Amaç, girdiyi netlik, doğruluk ve göreve uygunluk
açısından optimize etmektir.
•Genellikle tek bir görev için (örneğin özetleme, e-posta
yazma) kullanılır ve modelden tek seferlik bir çıktı
beklenir.

28. Prompt Heath Score
Prompt Health Score, bir prompt’un ne kadar etkili olduğunu değerlendiren bir metriktir.
Bu değerlendirme, AI agent prompt engineering için belirlenmiş en iyi uygulamalara (best
practices) dayanır. Sistem, prompt’un aşağıdaki temel unsurları içerip içermediğini ve
bunların ne kadar iyi ifade edildiğini analiz eder.
1.Clarity (Açıklık)
⚬Prompt, agent’ın rolünü ve gerçekleştirmesi gereken görevi net bir şekilde tanımlar.
2.Completeness (Tamlık)
⚬Prompt, yapılacak görevle ilgili tüm detaylı yönergeleri içerir.Kullanılacak araçlar,
veri eksikliği durumunda izlenecek adımlar gibi bilgiler net biçimde açıklanmıştır.
3.Consistency (Tutarlılık)
⚬Prompt’un yönergeleri birbiriyle uyumludur ve çelişkili ifadeler içermez.
4.Chain of Thought (Düşünce Zinciri)
⚬Prompt, agent’ın izlemesi gereken adımları sıralayarak mantıksal bir akış sunar.
5.Demos (Örnekler)
⚬Prompt, agent’ın görevi daha iyi anlaması için örnekler (input-output çiftleri) içerir.
Autopilot ile İyileştirme:
Autopilot, prompt’u analiz ederek bu kriterlere göre bir puan oluşturur ve “See suggestions”
butonu aracılığıyla iyileştirme önerileri sunar. Bu sayede geliştirici, Autopilot’un sunduğu
önerileri kullanarak prompt’un netliğini, tutarlılığını ve etkinliğini kolayca artırabilir.

29. Common Prompting Techniques
4. Zero-shot Chain of Thought
Modelden örnek vermeden, ama “adım adım düşün” gibi bir
yönlendirmeyle akıl yürütmesi istenir. Bu yöntem, özellikle karmaşık
mantık sorularında etkili sonuç verir.
Örnek:
"Pazara 100 TL ile gittim. Domates 15 TL, biber 20 TL, peynir 45 TL,
ekmek 10 TL. Hepsini alabilir miyim? Alırsam kaç lira üstüm kalır?
Adım adım düşün."
5. Prompt Chaining
Bir görevin çıktısı, sonraki prompt’a giriş olarak kullanılır. Uzun veya
çok adımlı görevleri küçük parçalara bölerek süreci daha yönetilebilir
hale getirir.
Örnek:
1️⃣ “Bgp üpül ralıkı wax,”
2️⃣ “Bs ralıkbal iısa bgp sjmeal üpcr,”
1.Zero-shot Prompting
Model, hiç örnek verilmeden doğrudan görevi yapar. Basit veya genel
görevlerde hızlı ve esnek bir yöntemdir.
Örnek: “Bu metni Fransızca’ya çevir: Günaydın” → “Bonjour”
2.One-shot / Few-shot Prompting
Görev için bir veya birkaç örnek verilerek modelin ne yapacağı gösterilir. Bu
teknik, karmaşık görevlerde daha net ve tutarlı sonuçlar elde etmeyi sağlar.
Örnek: “Verilen İngilizce metinleri Türkçe’ye çevir.”
Input: “Hello” → Output: “Merhaba”
3. Chain of Thought (Düşünce Zinciri)
Modelin adım adım düşünerek sonuca ulaşmasını sağlar. Mantıksal ve çok
adımlı işlemlerde doğruluğu artırır.
Örnek: "Bir e-ticaret sitesi ürünleri %20 indirimli satıyor ama kargo ücreti 50
TL. 300 TL'lik bir ürün normal mağazadan mı yoksa online'dan mı almak
daha avantajlı?
•Online fiyat: 300 TL × 0.80 = 240 TL
•Kargo eklenince: 240 + 50 = 290 TL
•Mağaza fiyatı: 300 TL
•Sonuç: Online 10 TL daha ucuz"

30. Prompting Best Practices
1.Açık ve Net Ol
Belirsiz ifadelerden kaçın, doğrudan ve hedefe yönelik yaz.
Örnek:
“Bir rapor yaz.”
“Eylül ayı satış raporunu 3 maddelik özet halinde yaz.”
2.Bağlam Sağla
Modelin görevi doğru anlaması için yeterli arka plan bilgisi ve
detay ekle. Özellikle alan veya konuya özel görevlerde
önemlidir.
Örnek:
“Bu metni finans sektörüne uygun bir dilde yeniden yaz.”
3.Adım Adım Düşünmeyi Teşvik Et
Karmaşık görevlerde modeli adım adım düşünmeye yönlendir.
Bu yöntem doğruluk ve mantıksal tutarlılığı artırır.
Örnek:
“Bu problemi adım adım çöz ve sonucunu açıkla.”
4.Örnek Kullan
Modelin ne tür yanıtlar beklediğini anlaması için uygun örnekler ver.
Örnek:
“Aşağıdaki gibi yanıt ver:
Soru: ‘Ne zaman doğdun?’ → Cevap: ‘1995 yılında doğdum.’”
5.Yanlılıktan Kaçın
Prompt’larda taraflı veya yönlendirici ifadelerden kaçın.
Örnek:
“En kötü programlama dili hangisidir?”
“Farklı programlama dillerinin güçlü ve zayıf yönlerini karşılaştır.”
6.Deneme ve İyileştirme
Prompt engineering bir deneme–iyileştirme sürecidir.
İlk sonuçları değerlendir, gerekirse promptu değiştir ve yeniden test et.
Örnek:
İlk denemede uzun yanıt geldiyse, “Kısa ve maddeler halinde yanıtla”
ekle.

31. LLM Parameters
Bu ayarlar, modelin nasıl çıktı üreteceğini kontrol eder.
Modelin kendisini değiştirmez, ancak yanıtın üslubunu,
uzunluğunu, yaratıcılığını ve doğruluğunu etkiler. Bu
değerleri ayarlayarak çıktılar ihtiyaca göre özelleştirilebilir.
1.Max Tokens (Maksimum Token Sayısı)
Modelin üreteceği yanıtın en fazla kaç token (kelime/kısım)
olacağını belirler.
•Yanıt ne kadar uzunsa, hesaplama süresi ve maliyet de
o kadar artar.
•Örneğin, kısa özetler için düşük token değeri; uzun
açıklamalar için yüksek değer seçilir.
•Örnek:
⚬Max tokens = 50 → Kısa yanıt
⚬Max tokens = 500 → Detaylı yanıt
2. Sampling Kontrolleri (Rastgelelik Ayarları)
LLM’ler, olasılıklara göre çalışır; bazı parametrelerle “en olası” kelimeyi
seçmek yerine, olasılık dağılımına göre seçim yapar. Bu seçim tarzı
yaratıcılık ve çeşitlilik üzerinde büyük etkiye sahiptir.
•Temperature (Sıcaklık)
⚬ Modelin yaratıcılık seviyesini kontrol eder.
￭Düşük değer (0–0.3): Daha odaklı ve tutarlı yanıtlar
￭Orta değer (0.4–0.7): Dengeli yanıtlar
￭Yüksek değer (0.8+): Daha yaratıcı ve çeşitli yanıtlar
￭Örnek:
•Temperature = 0.2 → “Bilimsel bir tanım”
•Temperature = 0.8 → “Yaratıcı hikâye tarzında açıklama”
•Top-p (Çekirdek Örnekleme)
⚬Model, tüm olasılıklara bakmak yerine, olasılık toplamı belirli bir
eşiği (p) geçmeyen en olası kelimeler arasından seçim yapar.
￭p = 0.9 → En olası %90’lık kelime grubundan seçim yapar.
￭Bu yöntem, çeşitliliği koruyup aşırı rastgeleliği önler.
￭Örnek:
•Top-p = 0.9 → Daha doğal ve kontrollü çıktı

32. Choosing the Right LLM
Doğruluk (Accuracy)
•Eğer uygulaman hukuk, tıp veya teknik alan gibi gerçek bilgi gerektiren
bir konudaysa, doğruluk öncelikli olmalıdır.
•Mantık yürütme, bilgi çağırma (retrieval) ve tutarlılık konularında güçlü
modelleri tercih et.
Hız (Speed)
•Canlı sohbet botları veya etkileşimli araçlar gibi gerçek zamanlı
uygulamalarda düşük gecikme süresi önemlidir.
•Derin mantık yerine hız gerekiyorsa, daha küçük ve hafif modeller tercih
edebilirsin.
Yaratıcılık (Creativity)
•İçerik üretimi, hikâye anlatımı veya pazarlama gibi alanlarda yaratıcı ve
akıcı modeller kullan.
•Bu modeller, ifade zenginliği ve esnek üslup sunar.
Maliyet (Cost)
•Daha uzun yanıtlar daha fazla token ve dolayısıyla daha yüksek
işlem maliyeti anlamına gelir.
•Bütçe kısıtlı veya ölçekli çalışmalarda, performans ve maliyet
arasında denge kuran modelleri seç.
Bağlam Penceresi (Context Window Size)
•Modelin aynı anda işleyebileceği metin miktarını belirler.
•Uzun dökümanları özetleme, geçmiş konuşmaları analiz etme
gibi senaryolarda geniş bağlam penceresine sahip modelleri
tercih et.
Gizlilik ve Dağıtım Seçenekleri (Privacy & Deployment)
•Hassas verilerle çalışıyorsan veya uyumluluk (compliance)
gereksinimlerin varsa, özel sunucuda çalışabilen modelleri
kullan.
•Açık kaynak modeller, veriyi tamamen senin kontrolünde
tutmanı sağlar.

33. Maestro - BPMN
2.0
UiPath Maestro, bulut tabanlı bir orkestrasyon platformudur. AI
agent’lar, robotlar ve insan etkileşimlerini tek bir akışta birleştirerek
uçtan uca iş süreçlerinin yönetimini sağlar. Karmaşık, uzun süreli iş
akışlarını görsel olarak modellemek, denetlemek ve optimize etmek için
tasarlanmıştır.
Maestro ile:
•Süreçleri BPMN 2.0 standardıyla görsel olarak modelleyebilir,
•Karar noktalarını DMN (Decision Model and Notation) ile
tanımlayabilir,
•Robotları, insanları ve ajanları aynı süreçte koordine edebilirsin.
BPMN 2.0- Görsel Süreç Modelleme Standardı:
BPMN 2.0, iş süreçlerini herkesin anlayabileceği biçimde
görselleştirmenizi sağlayan uluslararası bir standarttır. Süreç
modelleyiciler, geliştiriciler ve yöneticiler için ortak bir dil sunar.
Bir BPMN diyagramında:
•Flow objects: (olaylar, görevler, geçitler) süreç davranışını belirler.
•Swimlanes: (havuz ve şeritler) sorumluluk alanlarını gösterir.
•Gateways: karar noktalarını yönetir.
•Events: başlangıç, ara ve bitiş olaylarını tanımlar.

34. Heatmap
Maestro’daki Heatmap (Isı Haritası) görünümü, süreçteki
her adımın ortalama çalışma süresine (P50 duration) göre
görsel bir analiz sunar.
Bu sayede hangi adımların daha uzun sürdüğü, nerelerde
darboğaz veya yavaşlama yaşandığı anında tespit edilebilir
Mavi tonlar → Kısa süreli çalışan adımlar
Sarı/Yeşil tonlar → Ortalama sürede çalışan adımlar
Kırmızı tonlar → En uzun sürede tamamlanan, potansiyel
darboğaz noktaları
Heatmap sayesinde:
•Süreç optimizasyonu için en çok zaman harcayan
aktiviteler belirlenir.
•Fault veya yüksek bekleme süresi olan alanlar kolayca
görselleştirilir.
•Gerçek zamanlı performans takibi yapılır.

35. Case Management
Maestro’nun AI destekli Case Management yaklaşımı, insan
ve makine işbirliğini optimize eder; vakalar hem otomatik
olarak yürütülür hem de gerektiğinde insan denetimiyle
yönlendirilir.
Case Management, uzun süreli ve çok aşamalı süreçlerin
modelleme, izleme ve yönetimini kolaylaştırır.
Bu özellik sayesinde iş sahipleri ve ekipler:
•Süreçlerin durumunu ve ilerlemesini anlık olarak takip
edebilir,
•Gerekli durumlarda manuel müdahalede bulunabilir,
•AI agent’lar ve robotlarla entegre biçimde vakaları
otomatik, hızlı ve hatasız şekilde çözebilir.

36. Process
Apps
Process Apps, kullanıcıların tüm süreçlerini tek bir
yerden gerçek zamanlı olarak izleyebilmelerini
sağlar.
Bu uygulamalar sayesinde:
•Onay, eskalasyon ve müdahale adımları
kolayca yönetilir,
•Görsel panolar üzerinden süreç performansı
izlenir,
•Kritik kararlar hızlı ve veriye dayalı şekilde
alınır.
Hazır gelen “out-of-the-box” uygulamalar yaygın
kurumsal senaryoları kapsar, ancak UiPath
Process Apps SDK ile kuruluşlar kendi özel süreç
uygulamalarını da kolayca geliştirebilir.

37. Agent Builder: Form
View
UiPath Agent Builder, low-code (düşük kodlu) bir geliştirme
ortamıdır.
Geliştiricilerin ve citizen developer’ların kolayca AI agent’lar
oluşturmasına, test etmesine, değerlendirmesine ve
yayınlamasına imkân tanır.
Bu agent’lar, kurumsal güvenlik ve yönetişim standartlarını
koruyarak:
•Bağlamı anlayabilir,
•Kendi kararlarını verebilir,
•Karmaşık süreçleri uçtan uca yürütebilir.
Agent Builder, geliştiricilere doğal dil prompt’larıyla
agent’ların hedeflerini, rollerini ve sınırlarını tanımlama
olanağı sunar.
Böylece iş hedeflerine doğrudan hizalanan, güvenli ve
kontrollü agent’lar dakikalar içinde geliştirilebilir.

38. Agent Builder: Flow
View
Temel Özellikler
•Context Grounding & Memory Architecture
⚬Agent’lar sadece yetkilendirilmiş bilgi kaynaklarına erişir, bağlamı
koruyarak karar verir ve süreç içinde öğrenmeye devam eder.
•Low-code Tasarım ve Prompt Destekli Geliştirme
⚬ Yazılım bilgisi sınırlı kullanıcılar bile güçlü agent’lar tasarlayabilir.
•Human-in-the-loop İşbirliği
⚬Agent’lar gerektiğinde insanlardan yardım isteyebilir, istisna
durumlarını yöneticilere yönlendirebilir.
•UiPath Platform Entegrasyonu
⚬Agent Builder, UiPath’in tüm bileşenleriyle (RPA, IDP, Integration
Service, Maestro) uyum içinde çalışır.
•Değerlendirme, İzleme ve Yönetişim
⚬Geliştirilen agent’ların performansı gerçek zamanlı izlenir.

39. Agent Builder:
Architecture
Agent Builder: Prompt, araç, bağlam, dataset ve escalation
tanımlarıyla ajan oluşturulur.
Initialization: Agent hedeflerini çıkarır ve Job Controller ile loop
başlatır.
Planning: Rol, hedef ve kısıtlar temelinde execution plan
oluşturur.
Tool Invocation: UiPath araçları ve LLM Gateway üzerinden
LLM/VectorDB çağrıları yapar.
State Management: Durumunu günceller, başarısız adımlarda
retry uygular.
Loop Completion: Tool çağrıları tamamlanınca loop
sonlandırılır, sonuç raporlanır.
Integration Layer: Güvenli LLM çağrıları ve context grounding
sağlar; harici LLM ve VectorDB’leri destekler.

40. Data
Fabric
Data Fabric, veri kopyalama veya taşımaya gerek kalmadan, farklı
sistemlerdeki bilgilere gerçek zamanlı erişim imkânı sağlıyor. Ek olarak
veriyi tek bir yerde depolamaktan ziyade, farklı kaynaklarda bulunan
bilgileri mantıksal olarak bir araya getiriyor.
Öne Çıkan Yönler:
•No-code veri modelleme ve yönetim: Veri şemaları, ilişkiler ve kurallar
UiPath platformu üzerinden kodlama yapmadan tanımlanabiliyor.
•Gerçek zamanlı ve zero-copy erişim: Veriye taşımadan veya
kopyalamadan, her zaman güncel haliyle ulaşma imkânı.
•Kaynak sistem bağımsızlığı: CRM, ERP veya özel uygulamalar gibi
farklı sistemlerdeki veriler tek bir veri katmanında birleşebiliyor.
•Studio ve Robot entegrasyonu: Geliştiriciler, Data Fabric üzerinden
ilişkisel veri türlerine erişebilir, veri üzerinde okuma/yazma işlemlerini
otomasyon içinde güvenle gerçekleştirebilir.
•Gelişmiş güvenlik ve yetkilendirme: Rol tabanlı erişim kontrolü ve
denetim ile kurumsal standartlarda veri güvenliği sağlanıyor.
•AI entegrasyonu: Maestro veya diğer AI tabanlı otomasyon araçlarıyla
birleştiğinde, bağlam farkındalığı yüksek akışlar ve gerçek zamanlı
karar alma mekanizmaları oluşturulabiliyor.

41. IXP
IXP, Communications Mining, Document Understanding ve
Generative Extraction gibi farklı yetenekleri tek bir
merkezde toplar. Yapılandırılmış, yarı yapılandırılmış ve
tamamen karmaşık belgeleri aynı platform üzerinden
işleyerek, otomasyon akışlarının veri temelli kararlar
üretmesini sağlar.
Temel Yetkinlik Alanları:
1.Communications Data (Communications Mining)
⚬E-postalar, destek talepleri, sohbet kayıtları gibi
metinlerdeki niyet, duygu ve konu çıkarımı.
2.Structured & Semi-Structured Documents (Document
Understanding)
⚬Faturalar, bordrolar, formlar gibi düzenli veya yarı
düzenli belgelerde alan tabanlı veri çıkarımı.
3.Unstructured & Complex Documents (Generative
Extraction)
⚬Serbest metinli, karmaşık, tablo-grafik-yazı karışık
belgelerde LLM destekli generatif veri çıkarımı.

42. API
Workflow
API Workflows, yalnızca bir API çağrı mekanizması değil; çok adımlı iş
akışlarının, veri dönüşümlerinin ve koşullu mantıkların tek bir akışta
birleştirilebildiği güçlü bir platform.
Geliştiriciler, JavaScript ile veri manipülasyonu yaparak API’lerden
gelen bilgileri dönüştürebilir; birden çok API çağrısını zincirleyerek
karmaşık entegrasyon senaryolarını dakikalar içinde hayata geçirebilir.
Özellikler:
•Serverless çalışma ortamı: Altyapı yönetmeden yüksek
ölçeklenebilirlik.
•Studio Web entegrasyonu: Tarayıcı üzerinden sezgisel tasarım
deneyimi.
•Çok adımlı API zincirleri: Birden fazla API çağrısını tek bir mantıksal
akışta birleştirme.
•JavaScript desteği: API verilerini işlemeye ve dönüştürmeye olanak
tanıyan esneklik.
•Agent desteği: API çağrılarını UiPath Agent altyapısıyla
bütünleştirerek daha akıllı iş akışları oluşturma.

43. Agen Unit - Platform Unit - LLM Call
Temel Kavramlar
•LLM Call:
⚬Bir ajan tarafından yapılan yapay zekâ model çağrısıdır
(örneğin bir prompt gönderip yanıt almak). Tasarım
sırasında harcanır. (design-time)
•Platform Unit (PU)
⚬Unified Pricing modelinde, agent çalıştırmaları (run)
sırasında tüketilen ölçü birimidir.
•Agent Unit (AU)
⚬Flex Licensing modelinde, agent çalıştırmaları sırasında
tüketilen ölçü birimidir. Platform Unit’in Flex versiyonu
gibidir.
•Agent Run
⚬Bir agent’ın tetiklenmesinden (trigger) tamamlanmasına
kadar geçen tüm yürütme sürecidir. (Başarılı, Hatalı,
İptal, Zaman Aşımı durumlarından biriyle biter.)
Özet Karşılaştırma
Tablosu

44. UiPath Labs, geliştiricilerin ve danışmanların henüz genel kullanıma
açılmamış yapay zekâ özelliklerini erken erişimle deneyebildiği bir
inovasyon laboratuvarıdır. Bu platform, topluluk geri bildirimiyle
agentic otomasyonun geleceğini şekillendirir.
UiPath
Labs
Enterprise Knowledge Graph (EKG)
EKG, kurumsal verileri anlamlı ilişkilerle birbirine bağlayarak, ajanların
bağlamı anlayabilen, akıl yürütebilen ve neden-sonuç ilişkisi
kurabilen sistemlere dönüşmesini sağlıyor.
UiPath bu yapıyı üç adımda tanımlıyor:

1.Connect with Data: Kurumsal veri kaynaklarını bağla.
2.Optimize the Knowledge Graph: Varlıkları ve ilişkileri görselleştir,
doğrula.
3.Converse with Data Agents: Ajanlarla doğal dilde etkileşime geç.
Bu yapı sayesinde veriyle etkileşim artık SQL sorgularıyla değil, doğal
dille bağlamsal konuşmalar üzerinden gerçekleşiyor.

45. Agent Definition Document (ADD)
Solution Design Document (SDD), RPA projeleri için nasıl bir standart
belge niteliğindeyse, ADD de agentic dünyasında aynı rolü üstlenir.
1. Administrative Sections
•Version Control: Doküman değişikliklerinin izlenmesi.
•Key Contacts: Tüm paydaşların (Agentic Dev, RPA Dev, BA, SME vb.) listesi.
•Sign-Off: Geliştirme öncesi resmi onay ve sahiplik.
2. Introduction
•Purpose: Agent’in amacı.
•Success Criteria: Ölçülebilir başarı kriterleri (ör. %90 doğruluk).
•Pre-requisites: Geliştirme öncesi gereksinimler (erişim, test, şablonlar).
3. Agent Description
•Process Metrics: Mevcut durum verileri (hacim, hata oranı).
•Agent Story: Agent’in rolü, hedefi, eskalasyon mantığı.
•Business Flow Diagram: Sürecin görsel akışı.
•Requirements:
⚬Functional: Agent’in yapması gerekenler.
⚬Non-Functional: Performans, güvenlik, ölçeklenebilirlik.
•Reporting: Üretilecek raporlar.
•Triggers: Agent’in nasıl tetikleneceği.

46. Agent Definition Document (ADD)
4.Agent Solution
•Solution Diagram: Agent’in sistem, araç ve insan etkileşimi.
•Prompts: Sistem ve kullanıcı prompt’ları.
•Contexts: İş kuralları ve veri şablonları.
•Guardrails: Güvenlik ve sınır kuralları.
•Tools: Kullanılan araçlar ve I/O yapıları.
•Escalations: Human-in-the-Loop noktaları.
5. Scope
•In Scope: Agent’in yapacağı işler.
•Out of Scope: Hariç tutulanlar.
•Observations: Geliştirme sonrası fikirler/notlar.
6. Change Requests & Abbreviations
•Change Requests: Sonradan yapılan değişikliklerin takibi.
•Abbreviations: Terimler sözlüğü (ADD, SLA, KPI, vb.).

47. On-Prem
Option
UiPath agentic otomasyon çözümlerini öncelikle bulut
üzerinde sunuyor. (cloud-first)
Ancak self-host / on-prem seçeneği de “Enterprise” düzeyde
veri izolasyonu / regülasyon gereksinimleri olan müşteriler
için geliştirme aşamasında.
Yine de on-prem agentic ortamlarının tam olgunluğu ve
yaygın kullanılabilirliği için “geleceğe yönelik” bir aşama
olduğu söylenebilir.

48. Dinlediğiniz için Teşekkürler