MAVI Metodoloji Notu v1.0: Tanımlar, Formül, Eksik Veriler ve Tekrarlanabilirlik

Yazar ve Geliştirici: Taqi Molavi Yayıncı: Molavi Ar-Ge Düşünce Kuruluşu (molavi.pro/notes) Yayın Tarihi: 10 Ekim 2026 Sürüm: 1.1 (Teknik Metodoloji Notu) Kategori: Yapay Zeka Görünürlük Çerçevesi ve Uygulamalı Matematik

1. Mimari Amaç ve Tasarım Felsefesi

Molavi Yapay Zeka Görünürlük İndeksi (MAVI), keyfi ve bilimsel temeli olmayan "Yapay Zeka SEO Puanları" yerine matematiksel olarak disiplinli bir standart oluşturmak üzere geliştirilmiştir. Bu teknik not, bileşik puanlama formülünü, kalibre edilmiş katman ağırlıklarını, eksik veri politikasını ve açık kaynaklı araç zincirimizi belgelemektedir.

2. Bileşik Formülasyon ve Kalibre Edilmiş Temel Ağırlıklar

Bileşik MAVI puanı beş operasyonel katmanın ağırlıklı toplamı olarak hesaplanır:

$$\text{MAVI} = \sum_{i=1}^{5} w_i \times L_i \quad (\sum_{i=1}^{5} w_i = 1.0)$$

50 kurumsal alanda ampirik olarak kalibre edilen temel ağırlıklar:

$$\text{MAVI} = 0.15(L_1) + 0.20(L_2) + 0.20(L_3) + 0.20(L_4) + 0.25(L_5)$$

Matematiksel Gerekçe:

* $w_1 = 0.15$ (Katman 1: Teknik Erişilebilirlik): Temel gerekliliktir; burada başarısızlık dizinlenmeyi engeller ancak tek başına anlamsal üstünlük sağlamaz. * $w_2 = 0.20$ (Katman 2: Anlamsal Çıkarılabilirlik): Yapılandırılmış Schema.org işaretlemesi. * $w_3 = 0.20$ (Katman 3: Varlık Netliği ve Parça Uyumu): Bilgi grafı doğrulaması ve RAG parça uyumu. * $w_4 = 0.20$ (Katman 4: Alıntı Hazırlığı / CSP): Alıntı hayatta kalma oranı ve bağımsız olgu yoğunluğu. * $w_5 = 0.25$ (Katman 5: Canlı Ampirik Görünürlük): En yüksek ağırlık, canlı modellerde sıfır yönlendirmeli testlere verilir.

3. Yapısal Hazırlık Puanının Ayrılması ($\text{MAVI-R}$)

Kaynak kod düzeyindeki hazırlığı canlı model çıktılarından bağımsız ölçmek için:

$$\text{MAVI-R} = \frac{0.15(L_1) + 0.20(L_2) + 0.20(L_3) + 0.20(L_4)}{0.75}$$

Bu puan, mühendislik ekiplerine canlı testlere başlamadan önce deterministik bir kalite göstergesi sunar.

4. Eksik Veri Politikası (Missing Data Policy)

Canlı model testleri henüz yapılmadığında:

1. Sıfır Atanması Yasaktır: Ölçülmemiş katmana asla 0 puanı verilmez.
2. Belirsizlik Etiketi: Katman not_measured olarak etiketlenir.
3. Yalnızca Hazırlık Sunulur: Eksik veri durumunda yalnızca $\text{MAVI-R}$ puanı raporlanır.

5. Gerçek Örnek Hesaplama (Worked Example)

SAGE ve GEO-Scope ile denetlenen bir platform: * $L_1 = 90$, $L_2 = 85$, $L_3 = 70$, $L_4 = 55$, $L_5 = 35$

Hesaplamalar: $$\text{MAVI-R} = \frac{13.5 + 17.0 + 14.0 + 11.0}{0.75} = \frac{55.5}{0.75} = \mathbf{\%74.0}$$ $$\text{MAVI} = 55.5 + 0.25(35) = 55.5 + 8.75 = \mathbf{\%64.25}$$

Mühendislik Teşhisi: Platform teknik olarak hazır olmasına rağmen (%74), düşük olgu yoğunluğu ($L_4 = 55$) nedeniyle canlıda zayıf kalmıştır ($L_5 = 35$). Çözüm VPA metin mimarisiyle içerik yoğunluğunu artırmaktır.

6. Kapalı Devre Açık Kaynak Araç Zincirimiz

$$\text{AnswerPath} \longrightarrow \text{GEO-Scope} \longrightarrow \text{SAGE} \longrightarrow \text{MAVI} \longrightarrow \text{SiteProbe} \longrightarrow \text{Yeniden Ölçüm}$$

1. [AnswerPath](https://github.com/tmolavi/answerpath-geo): Niyet ve soru madenciliği.
2. [GEO-Scope](https://github.com/tmolavi/geo-scope): Canlı model kıyaslaması.
3. [SAGE](https://github.com/tmolavi/sage-audit): Kod ve şema denetimi.
4. [mcp-geo-server](https://github.com/tmolavi/mcp-geo-server): Geliştirici yapay zeka arayüzü.
5. [SiteProbe](https://github.com/tmolavi/siteprobe): Otomatik DOM onarımı.

7. İlgili Bağlantılar ve Sonraki Adımlar

* Molavi Yapay Zeka Görünürlük İndeksi (MAVI) * Molavi GEO Piramidi * Teknik Kanıtlar Sayfası * Kurumsal GEO Denetimi Başvurusu