Bir parfümün hangi notalardan oluştuğunu kelimelere dökmek, kokunun kendisini tarif etmekten her zaman zor olmuştur. Algoritma bu denklemde yeni bir aktör. Koku artık bir molekül dizisi olarak veritabanına yazılıyor, kullanıcı bir form doldurduğunda sistem o moleküler imzayı kendi tercih vektörüyle eşleştiriyor ve “sana en yakın koku şu” diyebiliyor. Sektörde buna dijital koku profili deniyor; Osmo.ai gibi girişimler kokuyu kimyasal yapıdan görüntüye, Inference Beauty B2B sahnesini, KokuAsistan ise Türkiye’deki tüketiciyi bu yeni denklemin içine alıyor. Bu yazıda yapay zeka parfüm önerisinin nasıl çalıştığını ve AI koku asistanlarının (Osmo, Inference Beauty, KokuAsistan) sahnesini ele alıyoruz.
Koku ve Algoritma: Aynı Cümlede Olabilirler mi?
Kozmetik teknolojisi tarafında uzun süredir cilt analizi, saç teşhisi, renk eşleştirme gibi alanlarda yapay zeka kullanılıyor. Görsel veri zaten dijital; piksel matrisini bir konvolüsyonel ağa beslediğinizde model ne dediğinizi az çok anlıyor. Ancak koku, doğası gereği dijital değil. Buruna ulaşmadan önce moleküler bir bulut, ulaştıktan sonra ise nöral bir yorum. Algoritmaya soktuğunuz şey, kokunun kendisi değil; kokuyu temsil eden meta-veri katmanları oluyor.
Bu meta-veri katmanları üç ana eksende toplanıyor. Birincisi kimyasal eksen: parfümün hangi aromatik bileşenlerden, hangi yüzdelerle, hangi sıralamada (tepe, kalp, dip) oluştuğu. İkincisi semantik eksen: parfümatörlerin ve tüketicilerin koku için kullandığı kelimeler — “odunsu”, “pudralı”, “yeşil”, “amber”, “tütsü”. Üçüncüsü ise davranışsal eksen: hangi profildeki kullanıcının hangi parfümü tekrar tekrar satın aldığı, hangi yorumu yazdığı, hangi alternatifle değiş tokuş yaptığı. Modern AI parfüm öneri sistemleri bu üç eksenin kesişiminde çalışıyor.
Önemli bir hatırlatma: bu sistemlerin hiçbiri sizin kokunuzu koklamıyor. Hepsi, kokuyu kelimeye veya sayıya çevirdiğiniz bir arayüz üzerinden çalışıyor. Yapay zekanın parfüm tavsiyesi, esasen doğal dilin koku diliyle eşleşmesi probleminin pratik bir çözümü.
Osmo.ai: Dijital Burnun Tanımı
Osmo, Google Research’ün ar-ge ortamından doğan ve 2023 sonrasında bağımsızlaşan bir girişim. Webrazzi’nin 2024 başında girişim haberleri arasında öne çıkardığı şirket, “dijital burun” tabirini sektör sözlüğüne kazandıran ekip olarak biliniyor. Çekirdek iddiaları sade: bir molekülün üç boyutlu yapısına bakarak o molekülün kokusunun ne olacağını tahmin edebilen bir grafik sinir ağı kurmak.
Bu, parfüm endüstrisi için sıradan bir teknik egzersiz değil. Klasik akış şöyle işliyordu: bir kimyager, doğal bir kaynakta veya sentetik bir reaksiyon sonucunda yeni bir bileşik elde ediyor; sonra parfümatörler bu bileşiği koklayıp tarif ediyor; tarif sonra parfüm formüllerine giriyor. Süreç haftalar, bazen aylar sürebiliyor. Osmo’nun modeli ise bir molekülün SMILES gösteriminden başlayıp ona “muz”, “sandal ağacı”, “deri” veya “biber” gibi koku etiketleri atayabiliyor. Tahminlerin başarısı, deneyimli parfümatörlerin değerlendirmesine yakınsayan oranlarda.
Tüketici tarafına bunun yansıması doğrudan değil ama dolaylı olarak kritik. Çünkü AI parfüm öneri uygulamalarının arka planındaki nota veritabanları bugüne kadar büyük ölçüde insan etiketlemesine dayanıyordu. Osmo benzeri sistemler, bu etiketleri otomatik hâle getiriyor ve yeni piyasaya çıkan bir parfümün koku profili, eskiye kıyasla çok daha hızlı veritabanına işlenebilir hale geliyor. Üreticinin parfüm yaratım süreciyle tüketicinin öneri akışı arasındaki gecikme küçülüyor.
Inference Beauty: Profesyonel Sahnenin Kapısı
Tüketici arayüzleri dışında, B2B tarafında da hareket var. Inference Beauty, parfüm markaları ve perakendecilere yönelik bir AI altyapısı sunan girişimlerden biri. Sundukları katman üç işleve odaklanıyor: formülasyon asistanlığı, tüketici profili modelleme ve nota envanteri normalizasyonu.
Formülasyon asistanlığı, parfümatörün yeni bir koku tasarlarken karşılaştığı kombinasyon patlamasını yönetmesi için kullanılıyor. On bin civarında temel aroma bileşeniyle çalışan bir parfümatör, deneyim ve sezgiyle ilerlemek zorunda kalıyor. Inference Beauty’nin altyapısı, “bu kalp notasıyla şu dip notası arasında geçiş zayıf olur” veya “bu akor zaten 2024’te piyasaya sürülen X parfüme çok yakın” gibi sinyaller üretiyor. Karar parfümatörde kalıyor, fakat keşif uzayı daralıyor.
Tüketici profili modelleme tarafı ise daha hassas: marka, web sitesi davranışı, sadakat programı verileri ve sezon iadelerini birleştirerek “bu müşteri kümesi yaz koleksiyonunda hangi akoru ister” sorusuna sayısal yanıt veriyor. Bu, klasik pazar araştırması anketinin algoritmik versiyonu sayılır. Sektörde son birkaç yılda parfüm lansmanlarının daha “niş” olmasının arkasında bu tür modellerin yaygınlaşması yatıyor.
Nota envanteri normalizasyonu ise az konuşulan bir mesele. Aynı koku notası bir markada “white musk”, diğerinde “beyaz misk”, üçüncüsünde “clean musk” olarak geçebiliyor. Tüketici arama yaptığında bu lehçeler kafa karıştırıyor. Inference Beauty gibi B2B altyapılar, perakendecinin arka tarafında bu lehçeleri ortak bir kanonik etikete bağlıyor.
KokuAsistan: Türkiye’den Bir AI Parfüm Asistanı
Türkiye sahnesinde AI parfüm öneri tarafında en görünür isim KokuAsistan. Yapı, klasik bir öneri motoru gibi başlıyor ama derinlere indiğinizde davranışsal bir profilleme katmanına dönüşüyor. Kullanıcı, sekiz on dakikalık bir akışta seçimler yapıyor — sevdiği yiyecekler, hatıralarda yer eden kokular, hava durumunda tercih ettiği ortam, hangi mekanda nasıl kokmak istediği gibi sorular. Soruların açık seçik “parfümle ilgili” olmaması, asistanın gücünü oluşturuyor.
Sistem altyapısı tarafında üç sütun var. İlki, Türkçe-İngilizce nota lehçesinin eşlenmiş olduğu bir aromatik veritabanı. İkincisi, kullanıcının verdiği yanıtların koku ailesine (florientel, fougère, oryantal, citrus, gourmand vb.) çevrildiği bir semantik köprü. Üçüncüsü ise diğer kullanıcıların aynı yanıtları verdikten sonra hangi parfümleri “tam isabet” olarak işaretlediğine bakan bir iş birlikçi süzme katmanı.
Bu yapının ilginç tarafı, yerel piyasanın özgün dinamiklerini hesaba katması. Türkiye tüketicisi parfümü sosyal bir performans olarak algılıyor — yani sadece kendisi için değil, etrafının fark etmesi için sıkıyor. Bu nedenle KokuAsistan’ın önerilerinde “sillage” yani parfümün havada bıraktığı iz parametresi global muadillerine kıyasla daha ağır basıyor. Algoritmanın çıktısı, pazarın kültürel imzasını taşıyor.
Algoritmanın Sorduğu Sekiz Soru
AI parfüm öneri akışlarına dikkatli bakınca, soruların hemen hepsi sekiz temel eksen etrafında dönüyor. Bu eksenler, modelin sizin için bir vektör inşa edebilmesinin minimum girdileridir.
Cilt karakteri: Kuru, yağlı veya karma. Cilt türü parfümün dökülme şeklini etkilediği için algoritma, daha yoğun veya daha hafif parfümler arasında seçim yapmadan önce burayı bilmek istiyor.
Tercih edilen ortam: Kapalı ofis, açık bahçe, gece kulübü, evdeki sessiz akşam. Ortam, kokunun yayılım gücüyle doğrudan ilgili.
Hatıralardaki koku: Çocukluğunuzdan kalan ilk koku, en sevdiğiniz yer, ailenize ait bir nesne. Algoritma bu açık uçlu yanıtı bir doğal dil işleme katmanından geçiriyor ve nostaljik ipuçları çıkarıyor.
Damak tercihi: Tatlı, ekşi, baharatlı veya nötr. Damak, koku tercihinin sürpriz bir öngörücüsü; gourmand kategori bu eksene bağlı.
Sosyal görünürlük: Görünmek mi, fark ettirmek mi, yoksa hatırlatmak mı istiyorsunuz. Bu, sillage parametresinin maske ifadesi.
Mevcut parfümler: Sahip olduğunuz veya geçmişte kullandığınız parfümler. Algoritma, bunları bilinen koleksiyon profilleriyle eşleştirip “siz şu küme içindesiniz” diyebiliyor.
Renk ve doku: Tercih edilen renk paleti ve giyim dokusu. Doku, kokunun “hafifliği” ve “ağırlığı” arasındaki seçimle örtüşüyor.
Hava ve mevsim: Yazın hangi koku, kışın hangi koku. Mevsim, parfümün uçuculuk profilini etkilediği için algoritmik öneride ağırlığı yüksek.
“Romantik ama Güçlü” Gibi Soyut İfadelerin Çevirisi
Parfüm bilgi tabanlarındaki en büyük zorluk, tüketicinin kullandığı dilin soyut olması. “Romantik ama güçlü, gece için ama ağır değil, fark edilsin ama ucuz durmasın” tipi ifadeler, mağazada satış danışmanını bile zorlar. Algoritmanın bunu çözmesi için iki katmanlı bir mimari devreye giriyor.
İlk katman, doğal dil işleme tarafıdır. Tüketicinin yazdığı ifade, önceden eğitilmiş bir dil modeline veriliyor; model bu ifadeyi koku endüstrisine özgü bir koku gömme uzayına projekte ediyor. Burada her parfüm bir vektör olarak yer alıyor; “romantik” sıfatı vektör uzayında belirli akorlara, “güçlü” sıfatı belirli yoğunluk dağılımlarına işaret ediyor.
İkinci katman, çelişki çözücüdür. “Romantik” tipik olarak çiçeksi, “güçlü” ise sıklıkla amber-odunsu tarafa düşer. Algoritma, bu iki vektör arasında ortalama almak yerine, her iki uzayda da yüksek puan alan parfümleri öne çıkarıyor. Sonuç, vasat bir orta nokta değil; her iki özelliği birden barındıran melez akorlar oluyor — örneğin gül ile patchouli, veya yasemin ile oud kombinasyonu.
Bu sistemin etkili çalışması için etiketli veri şart. Yani birisinin gül-patchouli kombinasyonuna “romantik güçlü” demiş olması gerekiyor. Bu etiketler, tüketici yorumlarından, parfüm eleştirmenlerinin yazılarından ve marka kataloglarından toplanıyor. Bir tür kalabalık-bilgeliği işliyor: yeterince çok insan benzer ifadelerle benzer parfümleri tarif ettiğinde, algoritma bu örüntüyü içselleştiriyor.
Notalar, Akortlar, Lehçeler: 24 Bin Parfümün Tasnifi
Perfume Finder gibi büyük veritabanları, 24.000 civarı parfümü notalar, akortlar ve aileler üzerinden indeksliyor. Notalar, parfümün içindeki tanımlanabilir aromatik bileşenler — bergamot, sandal ağacı, vanilya, vetiver gibi. Akortlar, birden fazla notanın birleşip yeni bir koku karakteri oluşturduğu birimler — “deniz havası” akoru ya da “fırın kokusu” akoru tek bir notaya değil, birkaç notanın aritmetik birleşimine işaret eder. Aileler ise akorların gruplandığı üst kategoriler.
Bu üç seviyeli hiyerarşi, AI öneri sisteminin omurgası. Kullanıcı “bergamot seviyorum” dediğinde algoritma, bergamot içeren tüm parfümleri değil; bergamotun belirli bir konsantrasyonda, belirli kombinasyonla yer aldığı parfümleri öneriyor. Çünkü bergamot tek başına bir aile değil; aile olan citrus’un alt akorlarından biri.
Lehçe meselesi, veritabanı bütünlüğü için kritik. Aynı nota üç dört farklı dilde, beş altı farklı yazımla geçebiliyor: “iris” / “süsen” / “orris”, veya “labdanum” / “ladin reçinesi” / “cistus”. Modern AI parfüm sistemleri, lehçeleri kanonik bir etikete bağlayan eşleyici sözlükler kullanıyor. Bu sözlükler, sektördeki bilgi katmanının görünmez ama en pahalı parçası; çoğu zaman bir parfümatör topluluğu tarafından elle güncelleniyor.
Burada algoritmanın gücü, etiketlerin tutarlılığı kadar veriyi temizleyen ekibin titizliğine bağlı. AI ne kadar gelişmiş olursa olsun, “iris” ile “süsen”i farklı moleküller sanıyorsa öneri kalitesi düşer.
Stardust Etkisi: Burç, Dönemler, Mevsim
AI parfüm öneri sistemlerinin bir kısmı, klasik kimya verisinin yanına bağlam parametreleri de ekliyor. “Stardust pattern” olarak adlandırılan yaklaşım, koku tercihiyle astrolojik veriler arasında bir korelasyon olduğunu varsayan; varsayımı veri üzerinden test eden bir analiz çerçevesi. Bu çerçevenin akademik anlamda tartışmalı olduğu açık, ama ticari arayüzlerde yer bulmaya devam ediyor çünkü kullanıcı katılımını artırıyor.
Yaklaşımın işleyişi şöyle: sistem, kullanıcının doğum tarihinden bir astrolojik profil çıkarıyor; bu profili belirli koku ailelerine eşliyor. Mesela “yaz takımyıldızlarında doğanların pudralı çiçek tercih ettiği” gibi bir örüntü, geçmiş kullanıcı verisinden istatistiksel olarak çıkarsanıp tavsiyeye yansıtılıyor. Bilimsel olarak nedensellik kanıtlanmış değil, ama korelasyon yeterince güçlüyse model bunu kullanıyor.
Daha somut tarafa geçtiğimizde, mevsimsel modülasyon çok daha sağlam bir zemine oturuyor. Sıcak havada uçucu notalar daha hızlı buharlaşır, soğuk havada amber-odunsu notalar daha derinden hissedilir. Algoritma, kullanıcının konum bilgisini ve yılın hangi haftasında olduğunu hesaba katarak öneriyi modüle ediyor. Aynı kullanıcı, ocak ayında daha tütsülü, temmuz ayında daha narenciye öneri alabiliyor.
Dönemsel etki ise hormonel döngülerle ilgili çalışmaların algoritmaya yansıması. Bazı sistemler, kullanıcı izniyle döngü takibi yapıyor ve farklı dönemlerde farklı yoğunluk önerileri sunuyor. Bu, bilimsel temelleri daha sağlam ama mahremiyet tarafı tartışmalı bir uygulama. KokuAsistan gibi yerel sistemler, bu özelliği şimdilik gönüllü ek modül olarak konumlandırıyor.
AI Parfüm vs İnsan Burnu: Sınır Nerede?
Algoritmanın parfüm yaratım sürecine dahil olması, mesleğin kendisini tehdit ediyor mu sorusu sektörde sık dolaşıyor. Pratik gözlem şu: AI, parfümatörün keşif aşamasını hızlandırıyor; ama karar aşaması hâlâ insan burnunda. Birkaç açık sınır var.
Bağlamsal yorumlama: Bir kokunun “kibirli” mi “soylu” mu olduğunu kararlaştırmak, kelime seçimine, kültürel referansa ve hedef kitlenin imgelemine bağlı. Algoritma bu konuda öneri yapabiliyor, ama nihai etiketi insan koyuyor.
Hata payı: Osmo’nun raporladığı tahmin doğruluğu deneyimli parfümatöre yakın, ama eşit değil. Lansman öncesi son testler insan panelistler üzerinden geçiyor.
Yaratıcı sıçrama: Yeni bir akor önerisi yapmak, mevcut kombinasyonların verisini ezberlemek değil; veri uzayının dışında bir nokta önerebilmek demek. AI bunu hâlâ sınırlı yapıyor; gerçek sürpriz, insan kararından geliyor.
Etik kararlar: Hayvansal kaynaklı notaları kullanıp kullanmamak, sürdürülebilirliği nasıl ölçmek gibi kararlar, algoritmanın özerk verebileceği kararlar değil. Marka kimliği ve kurumsal duruş gerektiriyor.
Sektörün eğilimi, AI’yı parfümatörün genişletilmiş kontrol paneli olarak konumlandırmak. Karar üreticide kalıyor, ama keşif uzayı genişliyor.
Selfie ve Cilt Verisi ile Parfüm: Kesişen Algoritmalar
Parfüm öneri sistemleri, son iki yılda diğer kozmetik AI uygulamalarıyla yakınsamaya başladı. Bir kullanıcının cilt analizi sonucu, parfüm önerisini etkileyebiliyor; doğal görünüm filtreleri ile koku tercihleri arasında örüntüler çıkarılıyor. Bu kesişim, AI’nın kozmetik tarafındaki bütünleşik vizyonunun bir göstergesi. Kişiselleştirme tek bir veri kanalından değil, birden çok kanaldan eşzamanlı geliyor — selfie, cilt skorlaması, satın alma geçmişi, sosyal medya etkileşimi, mağaza içi davranış.
Bu yakınsama, kullanıcı için pratik avantajlar getiriyor: tek bir kez profilinizi oluşturduğunuzda, hem cilt bakımı hem renk paleti hem koku önerisi aynı vektör üzerinden geliyor. Ancak mahremiyet boyutuyla daha dikkatli ele alınması gereken bir alan. Çünkü parfüm tercihi, kişinin sosyal performansının özel bir tarafı; bunu kozmetik verisiyle birleştirmek, hassas bir profil oluşturuyor.
Yapay zekanın parfüm tavsiyesi, beauty-tech ekosisteminin daha geniş dört dokunma noktası içinde, kokunun dijital katmana çekildiği nokta olarak düşünülebilir. Kullanıcının yüzünü değerlendiren AI cilt skorlama ve görüntüyü incelten doğal mod filtresi ile aynı boruda akan veri, sonunda kokunun da dijitalleşmiş haliyle buluşuyor.
Sıkça Sorulan Sorular
AI parfüm öneri sistemi kokuyu gerçekten anlıyor mu?
Sistem kokuyu doğrudan koklamıyor; kokunun moleküler imzasını ve etiketlenmiş anlamsal verilerini işliyor. Yani parfümün ne olduğunu değil, ne olduğuna dair toplanmış bütün veriyi anlıyor. Pratikte bu, deneyimli bir parfümatörün size soracağı soruların algoritmik versiyonu sayılır.
Osmo.ai gibi girişimler tüketici uygulaması mı?
Hayır, Osmo doğrudan tüketici uygulaması değil; arka plandaki nota tahmin altyapısı. Sundukları model, parfüm markaları ve veritabanı işletmecileri için bir hizmet. Tüketici tarafında etkisi, kullandığınız uygulamanın daha doğru notalarla beslenmesi olarak görünüyor.
KokuAsistan global muadillerinden farklı mı çalışıyor?
Temel mimari benzer, ama eğitildiği veri seti Türkiye pazarının kültürel imzasını taşıyor. Sillage parametresine daha çok ağırlık verilmesi, gourmand kategoriye yerel damak tercihlerinin yansıtılması ve Türkçe-İngilizce nota lehçesinin eşlenmiş olması belirgin farklar.
AI parfüm önerisi insan parfümatörün yerini alır mı?
Şu anki teknoloji, parfümatörün keşif uzayını genişletiyor ama karar aşamasını otomatikleştirmiyor. Yaratıcı sıçrama, etik karar, kültürel referans gibi konularda hâlâ insan burnu ve insan zihni nihai söz sahibi. AI’nın rolü, asistan ve katalizör seviyesinde.
Algoritmanın benim için seçtiği parfüm gerçekten “benim” olur mu?
Algoritma, milyonlarca diğer kullanıcının verisinden çıkarılmış örüntülere bakarak tahmin yapıyor. İlk öneri kümesi, sizinle benzer profildeki insanların sevdiği parfümler oluyor; tam isabet olma olasılığı yüksek ama garantili değil. Asıl kişiselleşme, sizin geri bildirim verdikçe devreye giriyor; sistem her etkileşimde sizin tercihinizin özgünlüğünü öğreniyor.
Editör notu: Bu yazı, beauty-tech ekosistemindeki AI parfüm öneri sistemlerinin sektörel haritasını çıkarmak amacıyla derlendi. Belirtilen girişimlerin teknolojik konumlandırması, kamuya açık raporlara ve sektör basınındaki haberlere dayanıyor. Algoritmaların kişiselleştirme önerileri, kullanıcı verisinin kalitesine ve kapsamına bağlı olarak değişebilir; nihai parfüm seçimi öncesi cilt üzerinde test edilmesi her durumda önerilir. — Mert Şahin
