Cook AI

Proje Hakkında

Cook AI, yapay zeka teknolojilerini mutfak deneyimiyle buluşturan yenilikçi bir tarif asistanıdır. Kullanıcılar buzdolabındaki malzemelerin fotoğrafını çekerek anında tarif önerileri alabilir, kişisel diyet tercihlerine göre özelleştirilmiş beslenme planları oluşturabilir. Uygulamanın kalbi olan Vision AI modülü, kamera ile taranan malzemeleri gerçek zamanlı olarak tanır. 500'den fazla malzeme kategorisini destekleyen model, Türk mutfağına özel malzemeleri de başarıyla tanımlar. Tarama sonrasında mevcut malzemelerle yapılabilecek tarifleri öncelik sırasına göre listeler. Kişisel diyet modülü, kullanıcının sağlık hedeflerini, alerji bilgilerini ve besin tercihlerini analiz ederek günlük, haftalık ve aylık beslenme planları oluşturur. Kalori takibi, makro besin dengesi ve mikro besin analizi ile kapsamlı beslenme yönetimi sağlar. Diyetisyen onaylı algoritmalar ile güvenilir öneriler sunar. Adım adım tarif rehberliği, her bir pişirme aşamasını görsel ve sesli olarak sunar. Timer entegrasyonu, porsiyon ayarlama, malzeme ikamesi önerileri ve zorluk derecesi filtresi ile her seviyede kullanıcıya hitap eder. Sosyal özellikler ile kullanıcılar kendi tariflerini paylaşabilir, diğer kullanıcıların tariflerini kaydedebilir ve topluluk değerlendirmelerine katılabilir. Haftalık yemek yarışmaları ve mevsimsel koleksiyonlar ile etkileşim artırılmıştır. Alışveriş listesi modülü, seçilen tariflerin malzeme listelerini otomatik oluşturur. Evdeki mevcut malzemeleri çıkarır, eksikleri market kategorilerine göre gruplar ve paylaşılabilir liste formatında sunar.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Uygulama mimarisi MVVM + Clean Architecture katmanlaması üzerine kuruludur. Domain layer iş kurallarını barındırır: NutritionCalculator, RecipeMatchEngine, MealPlanGenerator ve IngredientRecognizer protocol'leri burada tanımlanır. Data layer repository pattern ile Core Data ve CloudKit erişimini soyutlar. Vision pipeline üç aşamadan oluşur: (1) AVCaptureSession ile kamera akışı yakalanır, (2) VNImageRequestHandler ile frame analizi yapılır, (3) Custom Core ML model ile malzeme sınıflandırılır. Pipeline Combine publisher'ları ile reaktif olarak bağlanmıştır. GPU acceleration ile 30fps real-time tanıma sağlanır. Tarif eşleştirme motoru (RecipeMatchEngine) weighted scoring algoritması kullanır. Mevcut malzeme uyumu (%50), diyet uygunluğu (%20), popülerlik (%15) ve mevsimsellik (%15) ağırlıklarıyla tarifleri sıralar. Eksik malzeme sayısına göre penaltı uygulanır. Besin değeri hesaplama için USDA FoodData Central ve TürkComp veritabanları entegre edilmiştir. Pişirme yönteminin besin değeri kaybı üzerindeki etkisi katsayılarla modellenir. Porsiyon çevirme unit conversion engine ile birimler arası dönüşümü yönetir. Senkronizasyon katmanında CKRecord zone'ları kullanıcı bazlı izolasyon sağlar. Community tarifler public database'de, kişisel tarifler private database'de saklanır. CKSubscription ile yeni tarif bildirimleri push notification olarak iletilir. Performans optimizasyonları: image preprocessing GPU compute shader ile paralelize edilir, tarif veritabanı NSFetchedResultsController ile lazy loading yapılır, önizleme görselleri NSCache + disk cache (200MB limit) ile saklanır.

Araştırma Notları

Proje öncesi Türkiye yemek teknolojisi pazarı araştırıldı. Yemeksepeti, Getir Yemek ve Trendyol Yemek sipariş odaklıyken, evde yemek yapma segmentinde ciddi bir boşluk tespit edildi. COVID sonrası evde yemek yapma trendi %35 artış gösterdi ve bu trend kalıcılaştı. Global rakip analizi: Tasty (BuzzFeed) 150M+ indirme ile lider ancak Türk mutfağı içeriği yetersiz. Yummly (Whirlpool) AI önerileri güçlü ancak Türkiye'de mevcut değil. SuperCook malzeme bazlı arama yapıyor ancak mobil deneyimi zayıf. Cook AI bu üç yaklaşımı birleştirerek farklılaştı. Kullanıcı araştırmasında 150 kişilik online anket ve 10 ev ziyareti (contextual inquiry) gerçekleştirildi. En büyük sorun: "Buzdolabında ne var biliyorum ama ne yapacağımı bilemiyorum" (%73). İkinci sorun: "Sağlıklı beslenme planı yapmak zor" (%61). Bu iki insight uygulamanın temel değer önerilerini şekillendirdi. Apple Vision Pro ve visionOS araştırması yapıldı. Gelecek sürümde spatial cooking deneyimi planlanıyor: malzemelerin 3D görselleştirmesi, sanal mutfak asistanı ve adım adım AR overlay. Bu vizyona uygun modüler mimari bugünden tasarlandı. Türk mutfağı veritabanı için 3 diyetisyen ve 2 profesyonel şef ile işbirliği yapıldı. 2.500 geleneksel Türk yemeği tarifi derlendi, her biri besin değerleri ile eşleştirildi. Bölgesel mutfak farklılıkları (Güneydoğu, Ege, Karadeniz vb.) ayrı koleksiyonlar olarak sunuldu.

Tasarım Süreci

Tasarım sürecinin başında mutfak ortamında kullanılabilirlik en kritik kısıt olarak belirlendi. Islak eller, buhar, sıcaklık, dikkat dağınıklığı ve zaman baskısı altında sorunsuz çalışan bir arayüz gerekiyordu. Bu kısıtlar tasarımın her aşamasında test edildi. Ana navigasyon bottom tab bar ile 4 bölüme ayrıldı: Keşfet (ana sayfa + tarif önerileri), Tarama (kamera + malzeme tanıma), Planla (diyet + haftalık plan) ve Profil (kaydedilenler + istatistikler). Her tab'ın kendi renk aksanı ile görsel hiyerarşi sağlandı. Tarif detay sayfasında card-based UI tercih edildi. Her pişirme adımı ayrı bir kart olarak sunulur, swipe ile ilerlenir. Kart boyutu mutfak mesafesinden (50-80cm) okunabilecek şekilde büyük tipografi ile tasarlandı. Timer entegrasyonu her kartta inline olarak görünür. Kamera arayüzünde real-time overlay ile tanınan malzemeler bounding box ve etiketle işaretlenir. Tanıma güven skoru görsel olarak gösterilir — yeşil (%90+), sarı (%70-90), kırmızı (%70 altı). Düşük güvenli tanımalar için kullanıcı onayı istenir. Renk paleti food photography ilhamıyla seçildi: sıcak turuncu ana renk (iştah açıcı), beyaz ve krem tonları temizlik hissi, koyu renk aksan kontrast sağlar. Food photography'de kullanılan "golden hour" ışık tonu gradient'lere yansıtıldı. Erişilebilirlik: Dynamic Type tam destek, VoiceOver ile tarif okuma, reduced motion alternatif animasyonlar, contrast ratio 5.5:1+ tüm metin elementlerinde. Renk körlüğü testleri ile malzeme etiketleri ikonlarla desteklendi. Kullanılabilirlik testleri 3 iterasyon geçirdi, final NPS skoru 68.

Sonuçlar & Etki

Uygulama lansmanından sonraki 6 ayda 120.000 indirme ve 40.000 aktif kullanıcıya ulaştı. App Store Yeme & İçme kategorisinde Türkiye'de 8. sıraya kadar yükseldi. Ortalama kullanıcı puanı 4.7 olarak gerçekleşti. Malzeme tanıma özelliği en çok kullanılan fonksiyon oldu — günlük ortalama 15.000 tarama gerçekleştiriliyor. Tanıma doğruluğu kullanıcı geri bildirimleriyle %91'den %93'e yükseldi. Kullanıcıların %56'sı haftada en az 3 kez uygulamayı açıyor. Diyet planı modülünü kullanan kullanıcıların %34'ü 3 ay içinde hedef kilolarına ulaştığını bildirdi. Ortalama günlük kalori takip sürekliliği %78 ile sektör ortalamasının (%45) çok üzerinde. Beslenme farkındalığının artması en sık bildirilen fayda oldu. Topluluk özelliği organik büyüme sağladı: kullanıcılar toplamda 3.200 özgün tarif paylaştı, ortalama tarif değerlendirmesi 4.3 yıldız. Sosyal paylaşımlar uygulamaya aylık %12 organik trafik katkısı sağlıyor. Premium abonelik dönüşüm oranı %6.8, aylık kullanıcı tutundurma oranı %65. Uygulama, Apple'ın "Keşfedin" bölümünde 2 kez editör seçimi olarak öne çıkarıldı.

Öğrenilen Dersler

Core ML model eğitiminde en önemli öğrenim, veri çeşitliliğinin model boyutundan daha kritik olduğuydu. İlk model 200.000 görsel ile eğitildi ancak çoğu stüdyo ortamında çekilmiş fotoğraflardı. Gerçek kullanım koşullarında (farklı ışık, açı, arka plan) performans düştü. Kullanıcılardan toplanan 30.000 gerçek ortam fotoğrafı ile yeniden eğitilen model çok daha iyi sonuç verdi. Besin değeri veritabanının güncellenmesi ve doğrulanması sürekli bir süreç. USDA verileri ile TürkComp verileri arasında tutarsızlıklar tespit edildi. Reconciliation süreci için otomatik cross-validation scripti geliştirildi. Diyetisyen review board'u aylık doğrulama yapıyor. Sosyal özellikler beklenenden erken eklenmeli. Başlangıçta sadece bireysel kullanım odaklı tasarlanan uygulama, topluluk özellikleri eklendikten sonra retention oranında %28 artış gördü. Kullanıcı tariflerinin moderasyonu için automated content review ve community reporting mekanizması kuruldu. Hands-free kullanım senaryosu mutfak uygulamalarında vazgeçilmez. Kullanıcıların %43'ü pişirme sırasında ıslak veya kirli ellerle telefona dokunamadığını belirtti. Ses komutları ve proximity sensor ile el teması olmadan tarif ilerletme özelliği en çok takdir edilen UX kararı oldu. Türkçe NLP desteğinin eksikliği ciddi sorunlar yarattı. Apple'ın NaturalLanguage framework'ü Türkçe için sınırlı destek sunuyor. Özel tokenizer ve stemmer geliştirmek gerekti, özellikle tarif aramalarında Türkçe ek yapısı (eklemeli dil) challenge oluşturdu.