Cloudflare, “System One” olarak adlandırılan hızlı ve dar amaçlı yapay zekâ modelleri ailesine yeni bir sınıf ekledi: veri çıkarma modelleri. Şirketin 19 Ekim 2026’da duyurduğu ilk model Clairic, Workers AI platformunda @cf/cloudflare/clairic adıyla önizleme olarak kullanılabiliyor. Cloudflare, modeli yakında açık ağırlıklı olarak da yayımlamayı planladığını açıkladı.
Clairic; e-postalar, faturalar, fişler ya da tablo dökümleri gibi yapılandırılmamış girdilerden değerleri çıkarmak, bunlardan hesaplama yapmak, girdide açıkça yazmayan değerleri tahmin etmek ve zaman serilerinde ileriye dönük öngörü üretmek için tasarlandı. Cloudflare’a göre model bu işleri geleneksel büyük dil modellerine kıyasla daha yüksek doğrulukla, daha hızlı ve daha ucuza yapıyor.
“System One” ne demek?
Kavram, Daniel Kahneman’ın “Hızlı ve Yavaş Düşünme” kitabındaki ayrımdan geliyor: Sistem 1 hızlı ve sezgisel, Sistem 2 ise yavaş ve bilinçli akıl yürütmeyi temsil ediyor. Cloudflare’ın yaklaşımında büyük dil modelleri Sistem 2’ye karşılık geliyor; System One modelleri ise akıl yürütmeden, token üretmeden, tek bir ileri geçişte yanıt veriyor. Şirketin daha önce tanıttığı Clef bir “karar modeli”ydi: seçenekler arasından seçim yapıp her birine olasılık veriyordu. Clairic ise doğrudan değer döndüren ilk “çıkarma modeli”.
Cloudflare iş bölümünü şöyle özetliyor: Çıkarma modelleri ham girdiyi tipli değerlere, karar modelleri bu değerleri kararlara, dil modelleri ise kararları kelimelere dönüştürüyor.
Nasıl çalışıyor?
Kullanıcı modele okunacak metni (isteğe bağlı olarak en fazla dört görselle birlikte) ve sipariş numarası, ödenen tutar ya da teslim tarihi gibi tanımlanmış alanları gönderiyor. Her alan için bir tür ve kısa bir talimat belirleniyor. Model tüm alanları aynı paralel geçişte yanıtlıyor. Bu nedenle 30 alan sormak, Cloudflare’a göre üç alan sormakla hemen hemen aynı maliyete geliyor.
Clairic’in yanıtları dört türde olabiliyor: girdiden birebir alınan değerler (metindeki konumuyla birlikte), girdiden hesaplanan sayı ve tarihler, girdide yazmayan ama kanıtı bulunan tahminler (ortanca değer ve yüzde 80’lik aralıkla) ve zaman serisi öngörüleri. Her yanıt bir güven skoru ve değerin girdide bulunmama olasılığıyla geliyor. Aranan bilgi metinde yoksa model uydurma bir değer yerine “null” döndürüyor.
Şirketin verdiği örnekte, bir müşteri e-postasından sipariş numarası, teslim tarihi ve hasar türleri çekiliyor; e-postada ayrı ayrı yazan ürün fiyatı ile vergi model tarafından toplanarak ödenen toplam tutar hesaplanıyor, iki tarih arasındaki gün sayısı da çıkarılıyor. Eğri açıyla çekilmiş bir fiş fotoğrafından da değerlerin güven skorlarıyla birlikte okunduğu gösteriliyor.
Testlerde ne sonuç verdi?
Cloudflare, Clairic, Clef ve GLM-5.3’ü zincirleyen bir müşteri hizmetleri akışını, tüm adımların GLM-5.3 ile yapıldığı bir akışla karşılaştırdı. Zincir 19,3 saniyede tamamlanırken yalnızca dil modeliyle çalışan akış 61,7 saniye sürdü; şirkete göre maliyet de yüzde 49 daha düşük oldu. Clairic ve Clef, çıkarma ve karar adımlarını birlikte bir saniyenin altında tamamladı; GLM-5.3 aynı iki adım için 38 saniye harcadı.
Öngörü yeteneği için ABD havalimanlarında günlük güvenlik kontrolünden geçen yolcu sayıları kullanıldı. 21 gün boyunca her sabah ertesi günün sayısı tahmin edildiğinde ortalama sapma yüzde 3,3 oldu ve 21 gerçek değerin 17’si modelin yüzde 80’lik aralığına düştü. Aralığın dışında kalan dört günün üçü bir tatil hafta sonuna denk geldi; Cloudflare, modelin seride görünmeyen olayları hesaba katmadığını belirtiyor.
Sınırlar
Şirket, mevcut sürümün erken bir kontrol noktası olduğunu ve bazı zayıf yanları bulunduğunu açıkça yazıyor: Bir ya da iki adımlık hesaplamalar güvenilir, ancak birbirine bağlı uzun hesap zincirleri ve çok satırlı tabloları toplamak henüz zor; bu tür hesapların kodla yapılması öneriliyor. Tahminler girdide kanıt gerektiriyor, güven aralıkları alışılmadık verilerde dar kalabiliyor ve öngörü yeteneği, belirli verilerle eğitilmiş zaman serisi modellerinin yerini tutmuyor. Cloudflare, mimarinin her yanıtı “düzgün biçimli” kıldığını ama doğru olmasını garanti etmediğini vurguluyor.
Neden önemli?
Bugün şirketlerin büyük dil modellerine gönderdiği isteklerin önemli bir kısmı, “faturadaki toplamı JSON olarak ver” gibi aynı biçimde tekrarlanan veri çıkarma işleri. Bu işlerde dil modelleri pahalı, yavaş ve zaman zaman hatalı biçimli çıktı üretebiliyor. Clairic gibi dar amaçlı, güven skoru veren ve bilgi yoksa “boş” diyebilen modeller, muhasebe, müşteri hizmetleri ve belge işleme gibi alanlarda yapay zekâ otomasyonunu hem ucuzlatabilir hem de daha denetlenebilir kılabilir.
Kaynak: Cloudflare, The Decoder
