Yapay zekâ çevrelerinde sürekli dolaşan bir söz var: "Veri yeni petroldür." Ama gerçek şu ki, petrolün aksine veri her zaman bol ve ucuz değildir. Medikal görüntüleme, uzaktan algılama, otonom sistemler ve endüstriyel kalite kontrol gibi alanlarda etiketli veri üretmek uzman zamanı, para ve bazen aylar süren emek gerektirir. Binlerce MR taramasını etiketleyen bir radyolog, drone görüntülerinde yabani otları tek tek işaretleyen bir ziraat mühendisi — hepsi pahalıdır.
Aktif Öğrenme (Active Learning) tam da bu noktada devreye giriyor. Fikir aslında oldukça insani: iyi bir öğretmen öğrenciye rastgele soru sormaz — öğrencinin en çok zorlandığı, belirsizliğin en yüksek olduğu konulara odaklanır. Aktif Öğrenme de modelle aynı şeyi yapar: modelin "en çok kafasının karıştığı" örnekleri seçer ve yalnızca onları uzmana etiketletir. Sonuç: çok daha az etiketli veriyle benzer ya da daha iyi başarım — çoğu zaman rastgele örneklemeye kıyasla %50–80 daha az etiketle.
Aktif Öğrenmenin bugün büyük dil modeli (LLM) veri seçimi ve ince ayar (fine-tuning) hatlarında, medikal görüntü analizinde ve otonom araç geliştirmede yeniden gündeme gelmesi tesadüf değil — etiketleme maliyeti hâlâ yapay zekâ projelerinin en büyük darboğazlarından biri.
Aktif Öğrenme nasıl çalışır?
Biçimsel tanım: beşli (quintuple) model
Literatürde bir aktif öğrenme sistemi tipik olarak bir beşli ile modellenir: (G, Q, S, T, U)
- G — Etiketli eğitim kümesi T üzerinde eğitilen gözetimli sınıflandırıcı.
- Q — Etiketsiz havuz U içinden en "bilgilendirici" örnekleri seçen sorgu fonksiyonu.
- S — Seçilen herhangi bir örneğe gerçek sınıf etiketini atayabilen uzman / oracle.
- T — Etiketli eğitim kümesi; küçük bir başlangıç kümesi olarak başlar ve döngü ilerledikçe büyür.
- U — Etiketsiz, tipik olarak büyük örnek havuzu.
Bu beş bileşen kapalı bir döngü oluşturur: sınıflandırıcı G, havuz U'daki örnekleri değerlendirir; sorgu fonksiyonu Q bu değerlendirmeyi kullanarak en değerli örnekleri seçer; uzman S bunları etiketler; yeni etiketlenen örnekler T'ye eklenir; G yeniden eğitilir. Bu döngü, önceden belirlenmiş bir tur sayısına ulaşılana ya da bir durdurma ölçütü sağlanana kadar sürer.
Algoritma 1 — Genel Aktif Öğrenme prosedürü
1. Başlangıç eğitim kümesi T ile sınıflandırıcı G eğitilir
2. Havuz U'daki etiketsiz örnekler sınıflandırılır
Tekrarla:
3. Sorgu fonksiyonu Q ile havuz U'dan bir X örnek kümesi sorgulanır
4. Uzman S, sorgulanan X örneklerine gerçek etiketleri atar
5. Yeni etiketlenen örnekler eğitim kümesi T'ye eklenir
6. Sınıflandırıcı yeniden eğitilir
Bir durdurma ölçütü sağlanana kadar
Aktif Öğrenme döngüsü — G, Q, S, T, U beşlisi arasındaki döngüsel akış.
Bu sözde kod kısa, ama her AL yönteminin iskeletini oluşturuyor — DeepAL, BALD, CEAL ve hatta aşağıda paylaştığım AdaRisk-Agent ile UKM-AL çalışmaları da özünde aynı beş parçalı döngünün farklı bir Q (sorgu fonksiyonu) ve bazen farklı bir T güncelleme stratejisiyle kurulmuş varyasyonlarıdır. Yöntemler arasındaki asıl fark 3. adımda gizli: hangi örneğin "bilgilendirici" sayılacağına karar veren fonksiyon.
Daha sezgisel anlatmak gerekirse döngü şöyle işler:
- Küçük ve etiketli bir başlangıç veri kümesiyle bir model eğitilir.
- Model, büyük etiketsiz havuzdaki her örnek için tahmin üretir.
- Bir sorgu stratejisi en "bilgilendirici" örnekleri seçer.
- Bu örnekler etiketlenmek üzere bir uzmana (oracle) gönderilir.
- Model yeniden eğitilir ve döngü tekrarlanır — etiketleme bütçesi tükenene kadar.
Buradaki kritik soru şu: hangi örnek "bilgilendirici"dir? Yöntemler tam da bu noktada ayrışıyor.
Başlıca Aktif Öğrenme yöntemleri
1. Belirsizlik örneklemesi (uncertainty sampling)
Modelin en az emin olduğu örneği seç. En yaygın üç ölçüt:
- En düşük güven (least confidence): Modelin en olası sınıf için verdiği olasılığın düşük olduğu örnekler seçilir.
- Marj örneklemesi (margin sampling): En olası iki sınıf arasındaki olasılık farkının (marjın) küçük olduğu örnekler seçilir.
- Entropi örneklemesi (entropy sampling): Olasılık dağılımının entropisinin en yüksek olduğu örnekler seçilir:
H(x) = − Σᵢ p(yᵢ|x) · log p(yᵢ|x)
Entropi ne kadar yüksekse, modelin o örnekle ilgili "belirsizliği" o kadar büyüktür.
2. Komite ile sorgulama (Query-by-Committee, QBC)
Tek bir model yerine birden fazla model (bir komite) eğitilir. Komite üyeleri bir örnek üzerinde ne kadar çok anlaşmazlığa düşerse, o örnek o kadar değerlidir. Anlaşmazlık genellikle oy entropisi (vote entropy) ya da KL-ıraksaması ile ölçülür:
D_KL(Pᵢ ‖ P_consensus) = Σⱼ Pᵢ(yⱼ) · log [Pᵢ(yⱼ) / P_consensus(yⱼ)]
3. Beklenen model değişimi (expected model change)
Bir örneğin etiketlenmesinin model parametrelerinde ne kadar büyük bir güncelleme (gradyan büyüklüğü) üreteceği kestirilir; en büyük değişime yol açması beklenen örnek seçilir.
4. Çeşitlilik temelli yöntemler (diversity-based / core-set)
Yalnızca belirsizliğe bakmak, bazen birbirine benzeyen, sıkışık kümelenmiş örneklerin seçilmesine ("fazlalık"/redundancy) yol açabilir. Core-set yaklaşımı, seçilen örneklerin veri uzayını olabildiğince iyi temsil etmesini hedefler — tipik olarak bir k-merkez (k-center) problemi olarak formüle edilir:
min_S max_{x∈X} min_{s∈S} d(x, s)
Bu fikrin kökleri aslında derin öğrenmeden çok daha eskiye, klasik SVM tabanlı yığın kipli (batch-mode) AL çalışmalarına uzanır. O literatürde iki teknik öne çıkar: açı temelli çeşitlilik (angle-based diversity, ABD), çekirdek (kernel) uzayında kosinüs açı mesafesini kullanarak birbirine fazla yakın (küçük açılı) örnekleri eler; kümeleme temelli çeşitlilik (clustering-based diversity, CBD) ise önce belirsiz örnekleri kümeler, sonra fazlalığı azaltmak için her kümeden bir temsilci seçer. Uzaktan algılama (hiperspektral/RS) görüntü sınıflandırmasında bu iki yaklaşım tipik olarak bir belirsizlik ölçütüyle (örneğin marj örneklemesi) iki aşamalı bir hatta birleştirilir: önce geniş bir aday havuzu belirsizlikle daraltılır, sonra bu havuzun üzerine çeşitlilik uygulanır — aşağıda değindiğim UKM-AL çalışmasındaki "oy entropisi + kernel k-means" tasarımı bu geleneğin doğrudan devamıdır.
Belirsizlik örneklemesi ile çeşitlilik gözeten yığın seçiminin karşılaştırması.
5. Hibrit / Bayesçi yaklaşımlar (BALD ve varyantları)
Bayesian Active Learning by Disagreement (BALD), belirsizlik ile model belirsizliği arasındaki karşılıklı bilgiyi (mutual information) maksimize eder:
I(y; θ | x, D) = H[y | x, D] − E_{p(θ|D)}[H[y | x, θ]]
Bu formül, "modelin tahmini belirsiz mi" ile "bu belirsizlik gerçek bir bilgi eksikliğinden mi yoksa doğal gürültüden mi kaynaklanıyor" ayrımını yapmaya çalışır — özellikle medikal görüntüleme gibi yüksek riskli alanlarda kritik bir ayrım.
Derin öğrenmeyle buluşma: Deep Active Learning (DeepAL)
Klasik Aktif Öğrenme çoğunlukla SVM ya da k-NN gibi "sığ" modellerle geliştirildi. Derin öğrenmenin yüksek boyutlu veriyi (görüntü, metin, ses) otomatik temsil etme yeteneğini Aktif Öğrenmenin etiket verimliliğiyle birleştirme fikri literatürde DeepAL (Deep Active Learning) olarak anılıyor. Ancak bu birleşim göründüğü kadar kolay değil; üç temel zorlukla karşılaşıyor:
- Güvenilmez model belirsizliği: Derin ağların softmax çıktısı "aşırı özgüvenli" olma eğilimindedir; dolayısıyla ham softmax olasılıkları doğrudan bir belirsizlik ölçüsü olarak kullanıldığında başarım rastgele örneklemenin bile altına düşebilir.
- Yetersiz etiketli veri: Klasik AL tek seferde bir örnek sorgulayarak ilerler; ama derin ağlar veriye aç olduğu için teker teker sorgulama pratikte işlemez. DeepAL bu yüzden örnekleri yığınlar hâlinde seçer.
- Hat uyuşmazlığı: Klasik AL genellikle sabit bir öznitelik temsili üzerine kuruludur; oysa derin öğrenmede öznitelik çıkarımı ve sınıflandırıcı eğitimi birlikte optimize edilir. İkisini bağımsız problemler gibi ele almak modelin ıraksamasına yol açabilir.
Yığın kipli sorgulama: Batch Mode DeepAL (BMDAL)
Her tek örnekten sonra yeniden eğitmek derin modeller için hesaplama açısından sürdürülemez olduğundan, DeepAL örnekleri tek seferde bir yığın hâlinde seçer. Sorun şu ki yalnızca bilgilendiriciliğe (belirsizliğe) göre seçim yapmak, birbirine fazla benzeyen ve dolayısıyla "fazlalık" oluşturan örneklerin seçilmesine yol açabilir. Modern yöntemler bu yüzden bilgilendiricilik ve çeşitliliği aynı anda gözetir:
- BALD (Bayesian Active Learning by Disagreement): Model parametreleri ile tahminler arasındaki karşılıklı bilgiyi maksimize eden örnekleri seçer — hem "model belirsiz" hem de "bu belirsizlik gerçek bir bilgi eksikliğinden kaynaklanıyor" bilgisini birlikte yakalar.
- BatchBALD: Örnekler arasındaki ortak (joint) karşılıklı bilgiyi hesaplayarak BALD'ı tek örnekten yığın sorgulamaya genişletir — böylece birbirine çok benzeyen örneklerin aynı yığına seçilmesini engeller.
- Core-set yaklaşımı: Seçilen etiketli alt kümenin tüm veri kümesinin dağılımını olabildiğince iyi temsil etmesini amaçlar; tipik olarak bir k-merkez optimizasyon problemi olarak çözülür.
- BADGE (Batch Active learning by Diverse Gradient Embeddings): Örneklerin "varsayımsal gradyan uzayındaki" temsilleri üzerinden belirsizlik ile çeşitliliği örtük biçimde dengeler — elle hiperparametre ayarı gerektirmeden.
- VAAL (Variational Adversarial Active Learning) ve varyantları (TA-VAAL, ARAL): Etiketli ve etiketsiz verinin gizil (latent) temsilini çekişmeli (adversarial) bir ağla öğrenir, sonra bu temsile dayanarak en "bilgilendirici" etiketsiz örnekleri seçer.
Batch Mode DeepAL: belirsizlik skorlaması, aday havuzu, çeşitlilik adımı ve oracle döngüsü.
Etiketli veriyi "genişletmek"
DeepAL'in sorgu stratejisini iyileştirmenin yanındaki bir diğer önemli boyutu, mevcut etiketsiz veriyi eğitime katmaktır. Örneğin CEAL (Cost-Effective Active Learning) yaklaşımı, modelin yüksek güvenle tahmin ettiği örneklere sözde etiket (pseudo-label) atayarak eğitim kümesini insan müdahalesi olmadan genişletir; GAN tabanlı yaklaşımlar ise veri artırımı için üretici modelleri devreye sokar. Bu tür stratejiler bazen sorgu stratejisini değiştirmekten daha büyük başarım kazancı sağlayabilir.
Nerelerde kullanılıyor?
DeepAL'in uygulama alanları oldukça geniş: görüntü sınıflandırma ve nesne tespiti, medikal görüntü bölütleme (akciğer nodülü, lenf nodu ve parmak kemiği bölütlemesi gibi), otonom sürüşte LiDAR tabanlı 3B nesne tespiti, yaban hayatı sayımı için drone görüntüleri, hiperspektral uzaktan algılama sınıflandırması, metin sınıflandırma ve makine çevirisi, EEG/EKG sinyal analizi ve konuşmadan duygu tanıma, daha birçoğu. Ortak payda hep aynı: uzman etiketleme maliyeti yüksek, etiketsiz veri ise bol.
Neden şimdi daha da önemli?
Temel modellerin (foundation models) ve LLM'lerin yükselişiyle birlikte "daha çok veri = daha iyi model" varsayımı sorgulanmaya başladı. İnce ayar ve RLHF sırasında insana hangi örneklerin gösterileceğine karar vermek özünde bir Aktif Öğrenme problemidir. Benzer biçimde uydu görüntüleri, tıbbi tarama ve endüstriyel anomali tespiti gibi alanlarda etiketleme maliyeti hâlâ yüksek — bu da Aktif Öğrenmeyi akademik bir merak konusu olmaktan çıkarıp pratik bir zorunluluğa dönüştürüyor.
Vaka analizi: AdaRisk-Agent — drone tabanlı yabani ot tespitinde LLM destekli uyarlanabilir risk kalibrasyonu
Yukarıda anlatılan kuramsal çerçeveyi somutlamak için kendi yayımlanmış çalışmamdan bir örnek paylaşmak istiyorum: "AdaRisk-Agent: LLM-Orchestrated Adaptive Risk Calibration for Cost-Sensitive Active Learning in UAV Weed Detection" (Drones, 2026).
Problem: Hassas tarımda, bir drone (İHA) ile yabani ot tespit edilirken iki hata türünün maliyeti hiçbir zaman eşit değildir: kaçırılan bir yabani ot yaması (yanlış negatif) verim kaybına yol açarken, yanlış alarm (yanlış pozitif) yalnızca gereksiz bir nokta ilaçlamasına neden olur. Bu asimetriyi ele almak için maliyete duyarlı aktif öğrenme (cost-sensitive AL, cAL) kullanılır — bir risk katsayısı (r⁺) yanlış negatifleri daha ağır cezalandırarak modelin karar sınırını "daha temkinli" tarafa kaydırır. Sorun şu ki bu katsayının doğru değeri sahneden sahneye değişir ve alan uzmanı olmadan önceden belirlenemez.
Yöntem: Bu çalışmada, her aktif öğrenme turunda r⁺ değerini otomatik olarak ayarlayan AdaRisk-Agent adlı bir ajan önerdim. Sistem; spektral belirsizlik, sınıf ayrışma indeksi, bütçe tüketimi ve yanlış negatif oranı (FNR) eğilimini içeren 7 boyutlu bir bağlam vektörü çıkarır; bu vektörü bir LLM'e (Claude Haiku) gönderir ve LLM {1, 3, 5, 7} kümesinden bir r⁺ değeri seçer. Karşılaştırma için, aynı eşik mantığını kodda uygulayan deterministik kural tabanlı bir sürüm (AdaRisk-Rule) de geliştirildi.
AdaRisk-Agent mimarisi: bağlam vektörü, LLM kalibratörü, r⁺ seçimi ve maliyete duyarlı AL döngüsü.
Veri ve deneyler: Çerçeve, iki farklı açık veri kümesinden alınan dört İHA sahnesinde test edildi (Almanya'da mısır tarlaları — WeedsGalore; Vietnam'da çeltik tarlaları — WeedyRice); böylece iki farklı ürün tipi, iki farklı sensör konfigürasyonu ve %3 ile %30 arasında değişen yabani ot yoğunluğu kapsandı.
Bulgular:
- Uyarlanabilir kalibrasyon, sabit maliyetli (simetrik maliyetli) referans yöntemlere kıyasla tüm sahnelerde yanlış negatif oranını %80'e varan oranda azalttı.
- Deterministik kural tabanlı sürüm (AdaRisk-Rule), sahne zorluğuna dair hiçbir ön bilgisi olmadan, dört sahnenin ikisinde sabit politikalı referans yöntemi (r⁺=7) geride bıraktı; spektral olarak en zorlu sahnede yanlış negatif oranını %50 azalttı.
- LLM tabanlı kalibratör ile kural tabanlı sürüm, birbirinden bağımsız olarak neredeyse aynı r⁺ kararlarına ulaştı — bu da eşiklerin keyfi seçimler değil, ilkeli bir mantığa dayandığının çapraz doğrulaması oldu.
- Öznitelik ablasyon analizi, kalibrasyon için en kritik bağlam özniteliğinin bütçe tüketimi sinyali olduğunu gösterdi; sınıf ayrışma indeksi gibi sinyaller ise bu kural kümesi için görece daha az belirleyici kaldı.
- LLM'in asıl katkısı ham başarımdan çok, her kararın denetlenebilir, doğal dilde bir gerekçeyle gelmesiydi — bu da karar zincirini ziraat uzmanları ve düzenleyiciler için şeffaf kılıyor.
Çıkarım: Bu çalışma, Aktif Öğrenmenin yalnızca "hangi örneği etiketleyelim" sorusuyla sınırlı olmadığını gösteriyor — "bu örneği ne kadar agresif önceliklendirelim" sorusu da dinamik ve açıklanabilir biçimde otomatikleştirilebilir. LLM'leri AL döngüsüne bir hiperparametre kalibratörü olarak entegre etmek, özellikle saha uzmanlığı gerektiren tarımsal karar destek sistemleri için yeni bir tasarım örüntüsüne işaret ediyor.
Vaka analizi 2: UKM-AL — etiket verimli tarımsal arazi örtüsü haritalaması için iklim farkındalıklı Geo-AI
İkinci örnek, uzaktan algılama ile iklim verisini bir araya getiren farklı bir çalışma: "A Geo-AI Framework for Label-Efficient Agricultural Land-Cover Mapping with Climate-Aware Active Learning" (Land, 2026).
Problem: Küresel tarımsal arazi örtüsü haritalaması gıda güvenliği ve iklim uyum planlaması için kritik önemde; ancak güvenilir referans etiketleri elde etmek — özellikle parçalı arazi yapılarında — saha çalışması ve uzman yorumu gerektirdiği için pahalı. Soru şu: Aktif Öğrenme, ürün/ürün-dışı haritalamada etiketleme ihtiyacını ne kadar azaltabilir ve çok kaynaklı çevresel veri bu süreçte gerçekten fark yaratıyor mu?
Yöntem — UKM-AL (Uncertainty-guided Kernel k-Means Active Learning): İki aşamalı bir sorgu stratejisi önerildi:
- Bir Random Forest topluluğundaki ağaçlar arasındaki anlaşmazlığı ölçen oy entropisi (vote entropy) ile en belirsiz örnekler bir aday havuzunda toplanır (aday havuzu boyutu = α × batch_size, α=4).
- Bu aday havuzu daha sonra kernel k-means ile kümelenir ve her kümeden en belirsiz örnek seçilir — böylece bilgilendiricilik ve çeşitlilik aynı anda gözetilmiş olur.
UKM-AL iki aşamalı sorgu stratejisi: oy entropisiyle daraltma, ardından kernel k-means ile çeşitlilik.
Öznitelikler; Sentinel-2 (optik), Sentinel-1 (SAR), ERA5 (iklim) ve topografik (DEM/eğim) verilerini 12 aylık bir zaman serisi olarak birleştiriyor ve CropHarvest veri kümesinden alınıyor (113.892 örnek, 27 bölgesel alt koleksiyon, 6 kıta).
Deney tasarımı: 10.000 örneklik dengeli bir aday havuzu üzerinde, sabit bir Random Forest sınıflandırıcı kullanılarak üç sorgu stratejisi (rastgele örnekleme, yalnızca oy entropisi, oy entropisi + kernel k-means) karşılaştırıldı; ayrıca beş farklı öznitelik grubu kombinasyonu (yalnızca optik → tüm öznitelikler) ve Çin'deki tarım verisi üzerinde bölgesel transfer testi yapıldı — hepsi 10 farklı rastgele tohumla tekrarlandı.
Bulgular:
- Belirsizlik güdümlü aktif öğrenme (oy entropisi + kernel k-means), yalnızca 3.950 etiket kullanarak (havuzun %40'ından azı), 10.000 örneğin tamamıyla eğitilen tam gözetimli referans modele neredeyse aynı başarımla (makro F1 = 0,827) ulaştı.
- Belirsizlik temelli stratejiler rastgele örneklemeden istatistiksel olarak anlamlı biçimde daha iyi başarım gösterdi (Wilcoxon testi, p=0,001); ancak oy entropisinin üzerine eklenen kernel k-means çeşitlilik adımının katkısı sınırlı kaldı — asıl faydası nihai doğruluktan çok, tekrarlı koşular arasında daha düşük varyans (daha kararlı öğrenme) oldu.
- Öznitelik grubu analizinde en büyük başarım sıçraması iklim değişkenlerinin (ERA5 sıcaklık, yağış, evapotranspirasyon) eklenmesiyle geldi (makro F1: 0,780 → 0,822, +4,2 puan) — buna karşılık SAR verisinin katkısı şaşırtıcı biçimde sınırlı kaldı (+0,3 puan); çünkü CropHarvest'teki aylık toplulaştırılmış SAR öznitelikleri, SAR'ın asıl gücü olan ince taneli zamansal geri saçılım dinamiklerini büyük ölçüde törpülüyor.
- Çin'deki ayrı tutulan bölgesel test kümesinde, küresel havuzdan öğrenen model rekabetçi bir başarım gösterdi; ancak hata örüntüsü ana kıyaslamanın tam tersiydi — ürün-dışı sınıfta daha fazla yanlış pozitif görüldü. Bu durum, küresel eğitim havuzunun Çin'e özgü ürün-dışı arazi örtüsü türlerini (yoğun kentsel doku, belirli çalı tipleri) yeterince temsil etmediğine işaret ediyor — çevresel bağlamın bölgesel transfer altında homojen olmadığının somut kanıtı.
Çıkarım: Bu çalışma, Aktif Öğrenmedeki "çeşitlilik her zaman fayda sağlar" varsayımını sorguluyor: küresel çeşitliliğe sahip bir havuzda belirsizlik ölçütü örnekleri öznitelik uzayına zaten yeterince yayıyor olabilir, dolayısıyla kümeleme temelli bir çeşitlilik katmanının katkısı bu koşullarda marjinal kalabilir. Aynı zamanda, saf uzaktan algılama sinyalinin üzerine eklenen iklim bağlamının (ERA5 gibi) etiket verimliliğine katkısının, SAR gibi "sezgisel olarak faydalı" bir veri kaynağından daha belirleyici olabileceğini gösteriyor — bu da Geo-AI sistemlerinde öznitelik seçiminin en az sorgu stratejisi kadar kritik olduğuna işaret ediyor.
Sonuç
Aktif Öğrenme, "daha çok veri" yerine "daha akıllı veri" felsefesini benimsiyor. Belirsizlik örneklemesinden Bayesçi yaklaşımlara, klasik AL'den derin öğrenmeyle bütünleşmiş DeepAL'e uzanan bu yöntem ailesi, özellikle etiketleme maliyetinin yüksek olduğu alanlarda modern yapay zekâ sistemlerinin görünmez ama kritik bir bileşeni. Alan hâlâ olgunlaşıyor — farklı çalışmalar arasındaki tutarsız sonuçlar da standart bir değerlendirme protokolüne duyulan ihtiyaca işaret ediyor. Yine de veri hiçbir zaman her zaman bol olmayacak; doğru soruyu doğru zamanda sormayı bilen sistemler kısıtlı kaynaklarla fark yaratmayı sürdürecek.
Bu yazı Aktif Öğrenme yöntemlerine genel bir bakış sunuyor. Sorularınız ya da tartışmak istedikleriniz varsa bizimle iletişime geçebilirsiniz.