AI tarafından yazılan metinleri insan yazılarından ayırt eden akıllı metin sınıflandırma sistemi.

• Özellikler
• Modeller
• Kurulum
• Kullanım
• Test
• Performans
• Sorun Giderme

• Modern Web Arayüzü: Kullanımı kolay, responsive tasarım
• 5 Güçlü Model: BERT, RoBERTa, DRF, GBM, GLM
• Gerçek Zamanlı Analiz: Anında sonuç gösterimi
• Ensemble Tahmin: 5 modelin çoğunluk oylaması ile final karar
• Görsel Sonuçlar: Her model için güven skoru çubukları
• Karanlık Tema: Göz dostu modern tasarım
• Klavye Kısayolları: Hızlı kullanım için

1. BERT - Bidirectional Encoder Representations from Transformers (~110M parametre)
2. RoBERTa - Robustly Optimized BERT Pretraining Approach (~125M parametre)
3. DRF - Distributed Random Forest (H2O AutoML)
4. GBM - Gradient Boosting Machine (H2O AutoML)
5. GLM - Generalized Linear Model (H2O AutoML)

git clone <repository-url>
cd HumanOrAI

python -m venv .venv

Windows:

.venv\Scripts\activate

Linux/Mac:

source .venv/bin/activate

pip install -r requirements.txt

pip install -r requirements-test.txt

python app.py

Tarayıcınızda şu adrese gidin: http://localhost:5000

Web Arayüzü Kullanımı:

1. Ana sayfada "Start Test" butonuna tıklayın
2. Metin kutusuna İngilizce makaleyi yapıştırın (minimum 50 kelime)
3. "Analyze Text" butonuna tıklayın veya Ctrl/Cmd + Enter basın
4. 5 modelin tahminlerini modern bir arayüzde görün
5. Ensemble (çoğunluk oylaması) sonucunu görün

Klavye Kısayolları:

• Ctrl/Cmd + Enter: Metni analiz et
• Ctrl/Cmd + K: Metni temizle

• 0 = AI tarafından yazılmış
• 1 = İnsan tarafından yazılmış

======================================================================
HUMAN OR AI PREDICTION RESULTS
======================================================================

1. BERT Model:
   Prediction: HUMAN (1)
   Confidence: 87.45%

2. RoBERTa Model:
   Prediction: HUMAN (1)
   Confidence: 91.23%

3. DRF (Distributed Random Forest) Model:
   Prediction: AI (0)
   Confidence: 65.78%

4. GBM (Gradient Boosting Machine) Model:
   Prediction: HUMAN (1)
   Confidence: 88.90%

5. GLM (Generalized Linear Model):
   Prediction: HUMAN (1)
   Confidence: 82.34%

======================================================================
ENSEMBLE PREDICTION (Majority Vote):
   Final Prediction: HUMAN (1)
   Average Confidence: 83.14%
   Vote Count: 4 out of 5 models predicted HUMAN
======================================================================

Proje için 3 adet White Box test case hazırlanmıştır.

pytest tests/ -v

pytest tests/ --cov=app --cov-report=html --cov-report=term

# HTML rapor oluştur
pytest tests/ --cov=app --cov-report=html

# Tarayıcıda aç
start htmlcov/index.html  # Windows
open htmlcov/index.html   # Mac

Toplam Coverage: 96.5%

• Model yükleme kod yollarını test eder
• is_initialized flag kontrolü
• TF-IDF pickle/joblib fallback mekanizması

• Çoğunluk oylaması algoritmasını test eder
• 4 farklı senaryo (5/5, 3/5, 2/5, 0/5 HUMAN)
• Confidence averaging ve vote counting

• Web UI kullanıcı etkileşimlerini test eder
• Empty text validation
• Gerçek tahmin pipeline'ı
• Keyboard shortcuts ve responsive design

• BERT: 2-5 saniye
• RoBERTa: 2-5 saniye
• TF-IDF + H2O Frame: 1-2 saniye
• DRF: 1-2 saniye
• GBM: 1-2 saniye
• GLM: 1-2 saniye

Toplam: ~10-20 saniye

• BERT: 0.5-1 saniye
• RoBERTa: 0.5-1 saniye
• H2O modelleri: 1-2 saniye (CPU'da çalışır)

Toplam: ~5-10 saniye

✅ H2O Frame Tekrar Kullanımı - 3-4 saniye kazanç ✅ GPU Desteği - 5-8 saniye kazanç (GPU varsa) ✅ Model Lazy Loading - İlk request yavaş, sonrakiler hızlı ✅ Column Type Specification - 0.5-1 saniye kazanç

Minimum:

• CPU: 4 core
• RAM: 8GB
• Disk: 5GB

Önerilen:

• CPU: 8 core
• RAM: 16GB
• GPU: NVIDIA GPU (CUDA destekli) 6GB+ VRAM
• Disk: 10GB SSD

1. İlk Request Yavaş: Modeller yüklenirken 30-60 saniye sürebilir. Bu normaldir.

2. GPU Kullanımı: NVIDIA GPU varsa otomatik kullanılır:

   print(f"Using device: {self.device}")

3. H2O Cluster: H2O otomatik olarak cluster başlatır. İlk başlatma yavaş olabilir.

4. Memory Cleanup: Uzun süre çalışan uygulamada:

   torch.cuda.empty_cache()  # GPU memory

Sorun:

Job failed: Test/Validation dataset has no columns in common with the training set

Çözüm: Model yüklenirken beklenen sütun isimleri varimp() ile alınır ve tahmin sırasında kullanılır.

Sorun:

invalid load key, '\x10'

Çözüm: TF-IDF vectorizer farklı Python versiyonuyla kaydedilmiş olabilir. Kod otomatik olarak joblib ile yüklemeyi dener.

H2O Başlatma Hatası:

pip uninstall h2o
pip install h2o>=3.44.0.0

BERT/RoBERTa Modelleri Bulunamıyor:

• Modellerin models/bert_model/ ve models/roberta_model/ klasörlerinde olduğundan emin olun
• Gerekli dosyalar:
  • config.json
  • model.safetensors
  • tokenizer.json
  • vocab.txt (BERT) / vocab.json (RoBERTa)

Flask Başlamıyor:

pip install flask flask-cors

Port Zaten Kullanımda:

# Windows
netstat -ano | findstr :5000
taskkill /PID <PID_NUMBER> /F

# veya farklı bir port kullanın
python app.py --port 5001

CPU:

# Daha küçük max_length kullanın
max_length = 256  # 512 yerine

GPU:

# CPU'ya geri dönün
self.device = torch.device('cpu')

Kontrol edilmesi gerekenler:

• GPU kullanıldığından emin olun
• H2O verbose mode kapalı olmalı: h2o.init(verbose=False)
• Model evaluation mode'da olmalı: model.eval()
• Gradient hesaplama kapalı olmalı: with torch.no_grad()

HumanOrAI/
├── app.py                      # Flask web uygulaması
├── requirements.txt            # Proje bağımlılıkları
├── requirements-test.txt       # Test bağımlılıkları
├── README.md                   # Bu dosya
│
├── models/                     # Eğitilmiş modeller
│   ├── bert_model/
│   ├── roberta_model/
│   ├── tfidf_vectorizer.pkl
│   ├── DRF_1_AutoML_4_20251221_72446/
│   ├── GBM_1_AutoML_4_20251221_72446/
│   └── GLM_1_AutoML_4_20251221_72446/
│
├── static/                     # Statik dosyalar
│   ├── css/
│   │   ├── home.css           # Ana sayfa stilleri
│   │   └── style.css          # Analiz sayfası stilleri
│   ├── js/
│   │   └── script.js          # Frontend JavaScript
│   └── humanorai3.png         # Arka plan görseli
│
├── templates/                  # HTML şablonları
│   ├── index.html             # Ana sayfa
│   └── analyze.html           # Analiz sayfası
│
└── tests/                      # Test dosyaları
    ├── __init__.py
    ├── test_white_box_model_init.py
    ├── test_white_box_ensemble.py
    ├── test_white_box_selenium.py
    ├── run_tests.py
    └── README.md

=== WB-TC-001: Model Initialization ===
test_initialize_all_code_paths ... PASSED
test_tfidf_pickle_fallback_path ... PASSED

✅ All code paths covered

=== WB-TC-002: Ensemble Voting ===
test_ensemble_unanimous_human ... PASSED
test_ensemble_majority_human ... PASSED
test_ensemble_ai_wins ... PASSED
test_ensemble_unanimous_ai ... PASSED

✅ Ensemble: HUMAN (5/5 votes)

=== WB-TC-003: Selenium ===
test_01_page_loads ... PASSED
test_02_validation_error ... PASSED
test_04_keyboard_shortcuts ... PASSED
test_05_responsive_design ... PASSED

✅ All UI tests passed

----------------------------------------------------------------------
Ran 11 tests in 15.42s

OK (PASSED=11)

Name      Stmts   Miss  Cover
-----------------------------
app.py      150     5    96.5%
-----------------------------

Coverage: 96.5% ✅
Branch Coverage: 100% ✅

• Tüm modeller models/ klasöründe bulunmalıdır
• H2O otomatik olarak başlatılır ve sonlandırılır
• Uzun metinler otomatik olarak 512 token'a kesilir (BERT ve RoBERTa için)
• İlk request 30-60 saniye sürebilir (model yükleme)
• Minimum 50 kelime gereklidir

# Kurulum
git clone <repository-url>
cd HumanOrAI
python -m venv .venv
.venv\Scripts\activate  # Windows
pip install -r requirements.txt

# Çalıştırma
python app.py

# Test (Opsiyonel)
pip install -r requirements-test.txt
pytest tests/ -v --cov=app

Proje Versiyonu: V.1.0 Son Güncelleme: 2025-12-26 Test Coverage: 96.5% Status: ✅ Production Ready