Quick Sigorta
Üretim verisi kullanılmadan gerçekçi yük testi
Özet
Quick Sigorta, otuz milyonu aşkın poliçe ve sekiz binin üzerinde acenteyle çalışan bir sigorta şirketidir. Regülasyona tabi veri yapısı nedeniyle gerçekçi test verisi üretmekte zorlanıyordu. RabbitQA ve Loadmance ile yürüttüğümüz çalışmada üretim verisi kullanılmadan yük testi koşuldu ve süreç boyunca veri sızıntısı yaşanmadı.
- Şirket
- Quick Sigorta
- Ölçek
- 30M+ poliçe · 8.000+ acente · 150+ çalışan
- Sektör
- Sigorta
- Kullanılan ürünler
- RabbitQA · Loadmance
- Birlikte kazandığımız ödül
- The AI Awards 2026 – Best Ethical Risk Management in AI Output
Çalışma öncesi ve sonrası
| Gösterge | Çalışma öncesi | Çalışma sonrası |
|---|---|---|
| Yük testinde kullanılan veri | Üretim verisine bağımlı | Sentetik, istatistiksel olarak tutarlı veri |
| Hassas veri riski | Test ortamında mevcut | Üretim verisi hiç kullanılmadı |
| Test sürecinin denetlenebilirliği | Belgelenmemiş | Uçtan uca kayıtlı ve denetime hazır |
| AI çıktılarının kontrolü | Tanımlı bir katman yok | Çıktı kontrol katmanı, karar ekipte |
Sektördeki ihtiyaç
Sigortada test verisi teknik bir konu değil, uyum konusudur
Sigorta kurumlarında test ortamı ile üretim ortamı arasındaki temel fark veri hacmi değil, verinin hukuki niteliğidir. Poliçe ve hasar kayıtları kişisel veri içerir ve bu kayıtların test ortamına kopyalanması regülasyon açısından savunulabilir bir uygulama değildir.
Bu kısıt yaygın olarak iki biçimde aşılmaya çalışılır. Birinci yaklaşım maskelenmiş üretim verisi kullanmaktır; maskeleme ilişkisel bütünlüğü bozduğu için testin gerçekçiliği düşer. İkinci yaklaşım elle üretilmiş küçük veri setleriyle çalışmaktır; bu da yük ve sınır durumu davranışını görünmez kılar. Her iki durumda da test sonucu üretim davranışını temsil etmez.
Quick Sigorta’nın ihtiyacı, gerçekçilik ile uyum arasındaki bu tercihi ortadan kaldırmaktı: üretim verisine hiç dokunmadan, üretim davranışını temsil eden bir yük testi kurgusu.
Ürün
Sentetik veri üretimini yük testinin temeline koyduk
Veri gereksiniminin çıkarılması
Test senaryolarının ihtiyaç duyduğu veri çeşitliliğini poliçe ve hasar akışları üzerinden tanımladık. Hangi alanın hangi dağılımda üretilmesi gerektiğini, üretim davranışını temsil edecek biçimde belirledik.
Proje çıktısı
Uyum ve gerçekçilik aynı çalışmada sağlandı
Yük testi süreci boyunca üretim verisi hiçbir aşamada test ortamına aktarılmadı. Veri sızıntısı yaşanmadı ve hassas veri riski süreç dışında tutuldu.
Test verisi üretim davranışını istatistiksel olarak temsil ettiği için yük testi sonuçları karar almaya elverişli hâle geldi. Sınır durumları, elle hazırlanmış veri setlerinde görünmeyecek biçimde kapsama alındı.
Sürecin tamamı belgelendirildiği için test çalışması denetim talebine anında yanıt verebilir durumda tutuldu. Hangi verinin nasıl üretildiği ve hangi sonucu ürettiği kayıt altındadır.
Çalışma, The AI Awards 2026 kapsamında Best Ethical Risk Management in AI Output ödülüne layık görüldü.
Bu projede kullanılan ürünler
Çok ajanlı yapay zeka platformu
RabbitQA
Bu projede RabbitQA, sentetik test verisi üretimini ve AI çıktı kontrol katmanını sağladı. Üretilen her veri ve her test çıktısı izlenebilir kılındı, kabul kararı ekipte kaldı.
RabbitQA platformunu incele
Bulut Tabanlı, Yapay Zeka Destekli Performans Testi
Loadmance
Bu projede Loadmance, poliçe üretimi ve hasar akışlarını gerçekçi yük altında test etti. Sistem davranışı yoğunluk senaryolarında ölçüldü ve akış bazında raporlandı.
Loadmance'ı incele