Parel ile AI POC nasıl yapılır? 1 günlük uygulamalı rehber

Aynı yapıyı kendi use case'inize (özetleme, extraction, FAQ, kalite kontrolü vs.) uyarlamak için sadece prompt'u ve test setini değiştirmeniz yeterli. Adımlar aynı.

Adım 0: Ne gerekiyor?

POC için ihtiyacınız olan her şey:

• Parel hesabı + API anahtarı. app.parel.cloud/api-keys sayfasından üretin (formatı parel_pk_...). Hesap yoksa signup ile $1 promo kredi alın.
• $3 prepaid kredi yeterli. 50 ticket × 3 model = 150 istek toplam ~$0.30 tutar. Parel Compare arayüzü kullanırsan UI tarafında ek $0.05.
• Python 3.10+ ve openai paketi. Parel OpenAI SDK uyumludur, ek bir kütüphane gerekmez.
• 50 örnekli bir test seti. Bu rehberde örnek bir CSV var; kendi verinizden de oluşturabilirsiniz (5-10 dakikalık iş).

# Python 3.10+ ve openai paketi yeterli
pip install openai

# Parel API anahtarini ortam degiskenine koy
export PAREL_API_KEY="parel_pk_xxxxxxxxxxxx"

Adım 1: Test seti hazırla

Test seti POC'nin temelidir. Aşağıdaki CSV bir örnek; ya bu 6 satırı 50'ye tamamlayın (kendi sistem'inizdeki gerçek ticket'lardan örnekleyerek) ya da kendi göreviniz için aynı formatta yeniden hazırlayın. Üç zorluk seviyesini dengelemek önemli: kolay (kategorisi açık), orta (iki kategoriye yakın) ve zor (sarkastik, eksik bilgi, karışık).

ticket_text,expected_category,priority
"Kartımdan iki kez ödeme çekilmiş görünüyor.",billing,high
"API anahtarım production ortamında 401 dönüyor.",technical,high
"Pro pakete geçersek fatura kesimi nasıl olacak?",sales,medium
"Hesabımı kapatmak istiyorum, prosedür nedir?",cancellation,low
"Webhook'larım rastgele 502 hatası alıyor.",bug,high
"Ekibinize teşekkürler, çok yardımcı oldunuz.",other,low

Adım 2: Smoke test (bağlantı doğrulama)

Tam runner'ı koşturmadan önce tek bir istekle Parel'e bağlandığınızı doğrulayın. Bu adım 30 saniye sürer ve API key'inizin çalıştığını + kotanızın olduğunu gösterir.

# Tek istekle Parel'e baglanti dogrulamasi
curl https://api.parel.cloud/v1/chat/completions \
  -H "Authorization: Bearer $PAREL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-max",
    "messages": [
      {"role": "user", "content": "Tek cumle Turkce: hangi modelsin?"}
    ],
    "max_tokens": 64
  }'

# Beklenen: 200 + JSON (choices[0].message.content)
# 401 alirsan API key bos veya yanlis. 404 alirsan model adi yanlis.

200 dönüyorsa ve cevapta model adı + Türkçe bir cümle görüyorsanız hazırsınız. 401 alırsanız $PAREL_API_KEY boş veya yanlış; 404 alırsanız model adı yanlış (qwen3-max yerine qwen3.max gibi).

Adım 3: Üç modeli paralel test eden Python runner

Aşağıdaki run_eval.py dosyasını oluşturun, aynı klasöre az önce hazırladığınız support_50.csv'yi koyun ve çalıştırın. Kod 50 ticket'ı 3 modele sırayla gönderir, her birinde doğruluk, p95 cevap süresi ve token tüketimini ölçer. Tek API anahtarıyla 3 farklı sağlayıcının modelini test ediyoruz, bu Parel'in en pratik avantajı.

# run_eval.py — 50 ticket'i 3 modele yan yana koştur
import csv, json, time, statistics
from openai import OpenAI

client = OpenAI(
    api_key="${PAREL_API_KEY}",
    base_url="https://api.parel.cloud/v1",
)

# 3 farkli karakterde model
MODELS = [
    "gpt-4o-mini",      # ucuz + hizli
    "qwen3-max",        # acik kaynak referans
    "claude-opus-4-7",  # guclu reasoning
]

PROMPT = """Asagidaki destek ticket'ini su 6 kategoriden birine ata:
billing, technical, sales, bug, cancellation, other

Sadece JSON dondur:
{"category": "...", "confidence": 0.0}

Ticket:
"""

def classify(model, ticket):
    started = time.time()
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": "Return valid JSON only."},
            {"role": "user", "content": PROMPT + ticket},
        ],
        temperature=0,
    )
    latency_ms = int((time.time() - started) * 1000)
    out = json.loads(response.choices[0].message.content)
    usage = response.usage  # tokens icin
    return out, latency_ms, usage

results = {}
for model in MODELS:
    correct, latencies, total_tokens = 0, [], 0
    for row in csv.DictReader(open("support_50.csv")):
        try:
            out, latency, usage = classify(model, row["ticket_text"])
            correct += out["category"] == row["expected_category"]
            latencies.append(latency)
            total_tokens += usage.total_tokens
        except Exception as e:
            print(f"{model} failed on row: {e}")
    results[model] = {
        "accuracy": correct / 50,
        "p95_ms": int(statistics.quantiles(latencies, n=20)[-1]),
        "total_tokens": total_tokens,
    }

print(json.dumps(results, indent=2))

Çalıştır:

• python run_eval.py
• 50 × 3 = 150 istek, ~3-5 dakika sürer
• Çıktı: 3 modelin accuracy, p95_ms, total_tokens bilgisi

Test sırasında sağlayıcı (OpenAI, DashScope, Anthropic) Parel tarafından otomatik yönlendirilir. Kodda OpenAI SDK kullanmamıza rağmen Qwen ve Claude'u da çağırıyoruz; sağlayıcı değişikliği için tek satır kod bile değişmedi.

Adım 4: Sonuçları oku

Çıktı yaklaşık şöyle gelir (gerçek sayılar kendi setinizde değişir, format aynı):

Doğruluğu maliyetle karşılaştırın. Bu örnekte: en pahalı model (claude-opus-4-7) en yüksek doğrulukta ama gpt-4o-mini'ye göre 10× daha pahalı, sadece %6 daha doğru. Mali olarak gpt-4o-mini büyük olasılıkla "ship" adayıdır.

Maliyeti Parel'in fiyat tablosundan tek formülle hesaplayın: cost = total_tokens × $/1K_token. 50 ticket için ortalama 8K token tüketildiyse, gpt-4o-mini'de bu ~$0.04; aylık 100K ticket'ta ~$80.

Adım 5: Karar — Ship / Iterate / Stop

Şimdi elinizde yöneticiye sunulabilir bir tablo var. Karar tek metriğe değil, kalite + maliyet + hız + hata etkisinin kombinasyonuna göre verilir:

Bonus: Kod yazmadan UI ile aynı POC

Python kurmak istemiyorsanız Parel Compare arayüzü aynı işi yapar. CSV'yi yükler, modelleri seçer, "Run" tıklar, 2-3 dakika sonra aynı tabloyu görürsünüz. Kod versiyonu daha tekrarlanabilir; UI versiyonu PM/non-dev için daha hızlı.

# Ya da kod yazmak istemiyorsan: Parel Compare arayuzu
# https://app.parel.cloud/compare
#
# 1. "New run" tikla
# 2. CSV dosyani yukle (input + expected sutunlari)
# 3. 3 modeli sec (gemini-3-flash, qwen3-max, gpt-5.4)
# 4. "Run" → ~2-3 dakika sonra kalite + latency + cost tablosu

Sonraki adım

POC tamamlandı. Sıradaki playbook'lar bir adım ileri götürür:

• Destek ticket'larını AI ile sınıflandırıp yönlendirmek: bu rehberin production'a hazır uzun versiyonu — hibrit routing, kritik ticket eskalasyonu ve drift monitoring dahil.
• Hugging Face modeli deploy etmek: açık kaynak model şampiyon çıktıysa, kendi GPU'nuzda çalıştırmak için BYOM akışı.
• Claude Code'u Parel'e bağlamak: developer iseniz, IDE içinden Parel modellerini kullanmak için.