Ana içeriğe geç

9.6 Portföy Projesi 3 — Tahta Asistanı (Multimodal İMZA)

Kim için: 🟢 başlangıç 🔵 iş 🟣 kişisel

⏱️ Süre: ~50 dakika
📋 Önkoşul: Bölüm 7 (multimodal) + Bölüm 8 (production) + Bölüm 9.1-9.3 (docker/cloud/CI/CD) bitti. 9.4 RAG Chatbot + 9.5 Agent Otomasyon 2 canlı portföy var. Anthropic API key. Docker kurulu.
🎯 Çıktı: **3. canlı portföy projesi** — öğretmen tahta fotoğrafı yükler → uygulama 30 saniyede ders özeti + 3 anahtar kavram + 3 quiz sorusu üretir. `examples/tahta-asistani/` referans kod: FastAPI + Claude vision + pytest (14 test) + Docker + production checklist (14/15). **Platform'un 4. çalışır-kod imza projesi** (9.4 + 9.5 + 5.4 + **9.6**). AI Engineer araç kutusu TAM: RAG + Agent + FT + Multimodal.

Yabancı kelime mi gördün?

Multipart upload = HTML form ile dosya yükleme protokolü; FastAPI UploadFile destekler. Multimodal asistan = birden fazla modality (görsel + metin) alabilen uygulama. Downscale = görüntü boyutunu küçültme; Pillow thumbnail metodu. Rate limit = saldırıya karşı istek sayısı sınırı; slowapi 10/min varsayılan. Structured output = Claude'a JSON şeması zorla; pydantic model ile parse.

Neden bu sayfa?

Platform'un son pratik imza sayfası. 9.4 (RAG web servisi) + 9.5 (async agent) vardı; burada multimodal. Öğrenci 3 ayrı pattern'i canlı çalışır kod olarak CV'de gösterebiliyor.

İkincisi: Öğretmen-öğrenci pazarı somut ve Türkiye odaklı. Tahta fotoğraf çek → ders özet + quiz al. 10 dakikalık ders sonrası 30 saniyede özet hazır. Türkiye'de 800K+ öğretmen, 16M+ öğrenci (MEB 2026 istatistikleri); AI araç boşluğu büyük. Startup/freelance zemini mevcut.

Üçüncüsü: Bu sayfa Bölüm 7 teorisini canlı koda bağlar. 7.1 Claude vision kullanım + 8.3 rate limit + 8.4 structured log + 8.5 retry + 9.1 Docker birlikte tek proje. Platform'un entegrasyon sınavı.

Dördüncüsü: Platform %100 — 67/67 sayfa. Kemal hedefi ("sondan AI Engineer çıkar") pedagojik olarak kapanıyor.

Proje tanımı — Tahta Asistanı

Kullanım senaryosu:

  1. Öğretmen dersin sonunda telefonuyla tahtayı fotoğraflar
  2. Mobile/web app → POST /analiz endpoint'i fotoğrafı yükler
  3. Backend Claude vision'a gönderir: "Bu tahta/not fotoğrafını analiz et"
  4. Claude JSON döner: özet + kavramlar + quiz
  5. Öğrenci dersin tekrarı + kontrol sınavı hazır, öğretmenin elle notu gerekmez

Çıktı örneği:

{
  "istek_id": "a3b7c2d1ef",
  "ozet": "Bu derste fotosentez konusu işlendi. Işık enerjisi + CO2 + su kullanılarak glikoz ve oksijen üretilir...",
  "kavramlar": [
    {"ad": "Fotosentez", "aciklama": "Bitkilerin ışık enerjisini kimyasal enerjiye çevirme süreci."},
    {"ad": "Klorofil", "aciklama": "Işığı yakalayan yeşil pigment."},
    {"ad": "Glikoz", "aciklama": "Fotosentez sonucu üretilen şeker."}
  ],
  "quiz": [
    {
      "soru": "Fotosentez nerede gerçekleşir?",
      "secenekler": ["Ribozom", "Kloroplast", "Mitokondri", "Golgi"],
      "dogru_index": 1,
      "aciklama": "Kloroplastlar klorofil içerir ve fotosentez merkezidir."
    }
  ]
}

Mimari

🗺️ Tahta Asistanı — tek sunucu mimarisi
flowchart TB
    USER[📱 Öğretmen\ntahta fotoğrafı]
    FAPI[FastAPI /analiz]
    VAL[Pydantic + Pillow\nvalidasyon + downscale]
    RATE[slowapi\n10 req/min]
    CLAUDE[Claude Sonnet 4.6\nvision]
    PARSE[JSON parse\nPydantic model]
    LOG[structured JSON log]
    RESP[JSON response\nözet+kavram+quiz]

    USER -->|POST multipart| FAPI
    FAPI --> RATE
    RATE --> VAL
    VAL --> CLAUDE
    CLAUDE --> PARSE
    PARSE --> LOG
    LOG --> RESP
    RESP --> USER

    classDef user fill:#ddd6fe,stroke:#7c3aed,color:#111
    classDef api fill:#dbeafe,stroke:#2563eb,color:#111
    classDef ai fill:#fed7aa,stroke:#ea580c,color:#111
    classDef out fill:#fef3c7,stroke:#ca8a04,color:#111
    class USER user
    class FAPI,VAL,RATE,PARSE,LOG api
    class CLAUDE ai
    class RESP out

Tek süreç, senkron, basit. 9.5 Agent'taki gibi async pipeline değil — kullanıcı beklerken cevap gelir. Claude latency ~5-8 saniye vision için; kabul edilebilir.

Stack — production-ready

Platform boyunca öğrendiğin parçalar birleşiyor:

Katman Kütüphane Hangi bölümden
Web framework FastAPI 0.136 + uvicorn 0.46 9.1
Image validasyon Pillow 12.2 7.1
LLM anthropic 0.96 (Claude Sonnet 4.6 vision) 7.1
Input/output şema pydantic 2.11 8.1
Rate limit slowapi 0.1.9 8.3
Retry tenacity 9.1 8.5
Logging python-json-logger 4.1 8.4
Test pytest 8.4 + httpx 0.28 + TestClient 9.1
Container Docker multi-stage + non-root 9.1
Lint ruff 0.8 9.3

Toplam: 10 kütüphane, hepsi pin'li. pyproject.toml reproducible.

Kod — kritik parçalar

Tam kod examples/tahta-asistani/ klasöründe. Burada 3 kritik blok:

1. Claude vision çağrısı (retry'lı)

@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential_jitter(initial=1, max=10),
    retry=retry_if_exception_type((
        anthropic.APIConnectionError,
        anthropic.APITimeoutError,
        anthropic.RateLimitError,
        anthropic.InternalServerError,
    )),
    reraise=True,
)
def claude_analiz(image_data: str, media_type: str) -> dict:
    """Claude vision ile tahta foto analiz -> ozet+kavram+quiz JSON."""
    response = _client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=2048,
        system="Sen Turkce bir ders asistanisin...",
        messages=[{
            "role": "user",
            "content": [
                {"type": "image", "source": {
                    "type": "base64", "media_type": media_type, "data": image_data,
                }},
                {"type": "text", "text": USER_PROMPT},
            ],
        }],
    )
    raw = response.content[0].text.strip()
    if raw.startswith("```"):
        raw = raw.split("```")[1]
        if raw.startswith("json"):
            raw = raw[4:]
    return json.loads(raw.strip())

Bölüm 8.5 pattern — 3 attempt + exponential jitter + geçici hatalara retry + reraise.

2. Endpoint — rate limit + validasyon + log

@app.post("/analiz", response_model=AnalizSonuc)
@_limiter.limit("10/minute")
async def analiz(
    request: Request,
    foto: UploadFile = File(...),  # noqa: B008
) -> AnalizSonuc:
    istek_id = uuid.uuid4().hex[:10]

    if foto.content_type not in ALLOWED_MEDIA:
        raise HTTPException(400, f"Format desteklenmez: {foto.content_type}")

    data = await foto.read()
    if len(data) > MAX_IMAGE_BYTES * 2:
        raise HTTPException(413, "Dosya 10MB'dan buyuk")

    data, media_type = _resize_if_huge(data, foto.content_type)
    b64 = base64.b64encode(data).decode()

    log.info("analiz_basladi", extra={"istek_id": istek_id, "size": len(data)})

    try:
        sonuc = claude_analiz(b64, media_type)
    except anthropic.APIError as e:
        raise HTTPException(502, f"Claude API hatasi: {e}") from e
    except json.JSONDecodeError as e:
        raise HTTPException(500, "Model JSON format disi cevap verdi") from e

    log.info("analiz_tamam", extra={"istek_id": istek_id})
    return AnalizSonuc(
        istek_id=istek_id,
        ozet=sonuc["ozet"],
        kavramlar=[Kavram(**k) for k in sonuc["kavramlar"]],
        quiz=[QuizSorusu(**q) for q in sonuc["quiz"]],
    )

8.3 rate limit + 8.4 structured log + 8.1 Pydantic validasyon + 8.5 retry tek endpoint'te.

3. Downscale — büyük görseli küçült

def _resize_if_huge(data: bytes, media: str) -> tuple[bytes, str]:
    """5MB'dan buyukse veya 2048px+ downscale."""
    if len(data) < MAX_IMAGE_BYTES and media in ALLOWED_MEDIA:
        img = Image.open(io.BytesIO(data))
        if max(img.size) <= 2048:
            return data, media
    img = Image.open(io.BytesIO(data))
    img.thumbnail((2048, 2048))
    buf = io.BytesIO()
    img.convert("RGB").save(buf, "JPEG", quality=85)
    return buf.getvalue(), "image/jpeg"

7.1 pattern — 8000×8000 Claude sınırı + maliyet kontrolü. 2048 üstü aşağı çek.

Test — 14 pytest

tests/test_main.py — 14 test, 0.89 saniye:

  • test_root_endpoint — GET / çalışır
  • test_health_endpoint — /health OK
  • test_analiz_success — happy path JSON
  • test_analiz_yapilandirma — kavram + quiz şeması
  • test_analiz_gecersiz_format — TXT 400
  • test_analiz_png_kabul — PNG OK
  • test_analiz_cok_buyuk — 11 MB 413
  • test_quiz_dogru_index_gecerli — 0-3 arası
  • test_analiz_claude_json_parse_hatasi — bozuk JSON 500
  • test_model_schema — Pydantic parse OK
  • test_allowed_media_set — JPEG/PNG/WEBP
  • test_max_bytes_constant — 5 MB sınır
  • test_resize_kucuk_degismez — küçük görsel bozulmaz
  • test_resize_buyuk_downscale — 3000px → 2048px

Claude API mock — gerçek API çağırılmaz testlerde. CI/CD dostu.

4 CTO kanıtı — imza disiplin

Platform'un diğer imza projelerindeki (9.4, 9.5, 5.4) aynı 4 kanıt:

# 1. AST OK
python3 -c "import ast; ast.parse(open('app/main.py').read())"
# app/main.py: AST OK

# 2. Ruff
ruff check app/
# All checks passed!

# 3. Pytest
pytest -q
# 14 passed in 0.89s

# 4. Pin
pip list | grep -E "anthropic|fastapi|pillow|slowapi"
# anthropic 0.96.0
# fastapi 0.136.0
# pillow 12.2.0
# slowapi 0.1.9

Commit öncesi 4'ü de yeşil olmalı.

Maliyet — öğretmen kullanım

Senaryo 1: Tek öğretmen

  • 5 ders/gün × 20 iş günü = 100 analiz/ay
  • Her analiz: ~1500 token input + 500 token output
  • Aylık:
  • Input: 150K × $3/M = $0.45
  • Output: 50K × $15/M = $0.75
  • Toplam: $1.20/ay

Öğretmen kendi kullanımı için ekonomik.

Senaryo 2: 10 öğretmenlik okul

  • 10 × 100 = 1000 analiz/ay
  • Aylık: $12/ay

Okul bütçesinde hiç hissedilmez.

Senaryo 3: SaaS — 500 kullanıcı

  • 500 × 100 = 50K analiz/ay
  • Aylık: $600/ay Claude maliyet
  • Fiyatlama: kullanıcı başı $5/ay premium → $2500/ay gelir
  • Marjı: $1900/ay (76%)

Prompt caching (Bölüm 8.3) ile %90 indirim → Claude maliyet $60'a düşer, marj %98.

Deploy — VPS örnek

Bölüm 9.1-9.3 pattern:

# VPS'te
cd /home/deploy/tahta-asistani
docker compose up -d --build
docker compose logs -f tahta-api

# Caddy reverse proxy
# Caddyfile:
# tahta.senin-domain.com {
#     reverse_proxy 127.0.0.1:8000
# }

Otomatik HTTPS + rate limit + healthcheck hazır. CI/CD için .github/workflows/ci.yml Bölüm 9.3 pattern'i ile eklenir.

Production Checklist — 14/15

Bölüm 8.6 15 maddelik checklist:

# Madde Durum
G1 Prompt injection ✅ Pydantic + JSON şeması
G2 PII maskeleme ⚠️ TODO (öğrenci yüzü tahtada nadir)
G3 Secret management ✅ .env + .gitignore
M1 Hard cap $100 ✅ Console manuel
M2 Rate limit ✅ slowapi 10/min
M3 Budget alert ✅ manuel
O1 Structured log ✅ python-json-logger
O2 Metric dashboard ✅ /health + log
O3 Heartbeat — N/A (web servis, cron değil)
H1 Retry + timeout ✅ tenacity + 30s timeout
H2 Circuit breaker ✅ tenacity retry yeter (pybreaker opsiyonel)
H3 Fallback + DLQ ✅ 502 + net mesaj
D1 Dockerfile + compose ✅ multi-stage + non-root
D2 CI/CD ✅ pytest + ruff hazır
D3 Healthcheck + rollback ✅ /health + ROLLBACK.md TODO

14/15 (O3 N/A) → GO Bölüm 8.6 karar matrisine göre.

Platform'da yeri — 10. imza sayfa

Platform'un 10 imza sayfa omurgası tamamlandı:

# Sayfa Tip Çalışır kod
1 3.5 Semantic Search Pratik examples/semantic-search
2 5.2 Karar Ağacı Kavramsal —
3 5.4 HF Pratik (mini FT) Pratik Colab notebook + HF Hub
4 7.4 Vision-Language Kavramsal —
5 8.6 Production Checklist Kavramsal CHECKLIST.md şablon
6 9.4 RAG Chatbot Pratik examples/rag-chatbot
7 9.5 Agent Otomasyon Pratik examples/icerik-ozet-agent
8 9.6 Tahta Asistanı Pratik examples/tahta-asistani
9 9.7 Portföy Paketleme Kavramsal —
10 10.5 Platform Kapanışı Pedagojik —

4 çalışır kod, 4 kavramsal, 1 pratik notebook, 1 pedagojik. AI Engineer araç kutusu tam.

Kendini tanıtma — mülakat + CV

Mülakatta "multimodal denediniz mi?"

Zayıf aday: "Sadece teori biliyorum."

Güçlü aday: "Evet — Tahta Asistanı projem var. Öğretmen tahta fotoğrafı atar, uygulama Claude Sonnet 4.6 vision ile özet + 3 anahtar kavram + 3 quiz üretir. FastAPI + Pydantic + pytest 14 test. 10 öğretmenlik okul için aylık $12 maliyet. [GitHub link]."

Neden güçlü: Pratik + rakam + kullanıcı profili + kod somut.

CV'de

Projeler bölümü:

Tahta Asistanı — Türkçe AI ders asistanı
Tech: FastAPI, Claude vision, pytest, Docker
Claude Sonnet 4.6 ile tahta fotoğrafından ders özeti + quiz üretimi. 14 pytest test, 14/15 production checklist, ~$1/öğretmen/ay maliyet. [GitHub link]

Artık portföyün 4 proje:

  1. RAG Chatbot (9.4) — web servisi
  2. İçerik Özet Agent (9.5) — async pipeline
  3. Tahta Asistanı (9.6) — multimodal web servisi ← yeni
  4. Mini FT Adapter (5.4) — HF Hub

Kompozisyon: 3 web + async + FT örneği. AI Engineer araç kutusu görünür.

CTO tuzakları — 8 multimodal proje hatası

# Tuzak Sonuç Doğru
1 Görsel boyutu validasyon yok 50 MB upload → crash 10 MB üst sınır + downscale
2 Claude JSON schema garanti yok Hata parse, 500 tool_choice zorla veya JSON parse try-catch
3 Rate limit yok Kötüye kullanım $100+ fatura slowapi 10/min
4 Tek endpoint, tek sync UX yavaş (5-8 sn bekle) Progress indicator + async opsiyonel
5 Test'te gerçek API çağır CI/CD pahalı + yavaş Mock Claude response
6 Docker non-root yok Container escalation USER app + HEALTHCHECK
7 Log PII (öğrenci yüzü tahtada) KVKK risk G2 TODO prod öncesi
8 Retry + rate limit arasında mantık 429 retry'da rate limit tek istek jitter + 3 attempt sınır

Anthropic ekosistemi — Tahta Asistanı'nın sinyali

🤖 Anthropic-öz: bu proje + Claude kariyer

Anthropic'in kendi değerlendirmesi

Bu proje Anthropic Applied AI Engineer mülakatında güçlü sinyal:

  1. Claude-first mimari — Anthropic Sonnet 4.6 vision + Constitutional AI + Model Spec uyumu
  2. Production refleksi — 14/15 checklist + Docker + test + rate limit
  3. Türkçe pazar — Anthropic'in global yayılım stratejisinde niş katkı
  4. Pedagojik değer — AI'nın insan öğretmeni güçlendirme vizyonu (Anthropic değerleri)

Potansiyel fikir genişlemeleri

Mini proje olabilir. Büyük proje için:

  • RAG eklentisi — müfredat kaynaklarını Qdrant'a yükle; "bu tahta konusu MEB 9. sınıf fen kitabı sayfa 45'le uyumlu"
  • Voice interface — Whisper + Claude TTS (Bölüm 7.2); görme engelli öğrenci için sesli özet
  • Ders takibi — birden çok tahta foto/ders kaydı; zaman içinde kavram haritası
  • Öğretmen paneli — öğrenci quiz sonuçları + zayıf kavram tespit

Her genişleme yeni Anthropic sinyali: Claude tool calling + RAG + computer use + analytics = full AI engineering.

Gerçek dünya adaptasyonu

Türkiye'de bu projeyi ticari olarak sunmak isterseniz:

  • Pazar testi: 5-10 öğretmene 1 ay ücretsiz beta, geri bildirim topla
  • Fiyatlama: Öğretmen başı 50₺/ay (~$2), okul lisansı 500₺/ay/10 öğretmen
  • KVKK: Öğrenci yüzü tahtada maskele + ses kaydı zorunlu olmayan
  • Entegrasyon: EBA + Google Classroom + Microsoft Teams for Education

Bu yola giderseniz Anthropic Enterprise ile konuşun — akademik kullanım için özel fiyatlama var.

MühendisAl referansı

Bu proje MühendisAl platform'un 9.6 İMZA sayfasının kodudur: - Platform: https://wiki.oluk.org/platform/ - Repo: examples/tahta-asistani/ - Commit tarihi: 2026-04-23 - 4 CTO kanıtı geçti: AST + ruff + pytest 14/14 + pin

Çıktı kanıtları — büyük kanıt

📏 Çıktı — 4 büyük kanıt

1. Repo commit'i:

examples/tahta-asistani/ klasörü main branch'inde. 11 dosya: pyproject.toml + app/main.py + app/init.py + tests/test_main.py + tests/init.py + Dockerfile + compose.yml + .env.example + README.md.

2. pytest çıktısı:

tests/test_main.py::test_root_endpoint PASSED
tests/test_main.py::test_health_endpoint PASSED
tests/test_main.py::test_analiz_success PASSED
tests/test_main.py::test_analiz_yapilandirma PASSED
tests/test_main.py::test_analiz_gecersiz_format PASSED
tests/test_main.py::test_analiz_png_kabul PASSED
tests/test_main.py::test_analiz_cok_buyuk PASSED
tests/test_main.py::test_quiz_dogru_index_gecerli PASSED
tests/test_main.py::test_analiz_claude_json_parse_hatasi PASSED
tests/test_main.py::test_model_schema PASSED
tests/test_main.py::test_allowed_media_set PASSED
tests/test_main.py::test_max_bytes_constant PASSED
tests/test_main.py::test_resize_kucuk_degismez PASSED
tests/test_main.py::test_resize_buyuk_downscale PASSED

14 passed in 0.89s

3. Ruff + AST:

$ ruff check app/
All checks passed!
$ python3 -c "import ast; ast.parse(open('app/main.py').read())"
# OK

4. README + CHECKLIST:

README.md production-grade (4 KB) + 14/15 production checklist dolu + platform sayfa referansı.

Görev — kendi tahta asistanın

🎯 Görev — repo clone + canlı test
  1. git clone MühendisAl platform repo'su.
  2. cd examples/tahta-asistani && python -m venv venv && . venv/bin/activate.
  3. pip install -e ".[dev]" (2-3 dk).
  4. cp .env.example .env + gerçek Anthropic key koy.
  5. pytest -v — 14/14 geçtiğini doğrula.
  6. uvicorn app.main:app --reload — localhost:8000 aç.
  7. Kendi tahta fotoğrafını (veya ders notlarını) yükle: curl -X POST localhost:8000/analiz -F "foto=@tahta.jpg".
  8. JSON çıktı çalışıyor mu test et.
  9. Opsiyonel: VPS'e Docker ile deploy + kendi domain'e bağla.
  10. GitHub'a fork + kendi projenin olarak repo yap.

Başarı kriteri: Kendi makinende ve/veya VPS'te tahta asistanı çalışır. Canlı test kanıtı: screenshot + log tail. LinkedIn post: "Bölüm 9.6 İMZA projem yayında: [repo]".

🔗 Birlikte okuma — neden ne oldu
  1. **A → B:** Tahta Asistanı = öğretmen fotoğraf + Claude vision + JSON özet + quiz. Bu yüzden **gerçek ihtiyaçtan doğan proje değer taşır.**
  2. **B → C:** Mimari: tek sunucu, FastAPI + Pydantic + slowapi + tenacity + Pillow. Bu yüzden **basit mimari iyi başlangıç.**
  3. **C → D:** Claude çağrısı 7.1 vision pattern + 8.5 retry + 8.1 JSON şeması. Bu yüzden **önceki bölümlerin bilgisi birleşir.**
  4. **D → E:** Rate limit 10/min IP başı; 5 MB üstü Pillow ile 2048px downscale. Bu yüzden **sınır koruma üretim zorunluluğu.**
  5. **E → F:** Structured JSON log + trace (istek_id) her istekte. Bu yüzden **loglama baştan kurulur.**
  6. **F → G:** 14 pytest, Claude mock'lu CI/CD dostu, 0.89 s çalışıyor. Bu yüzden **test kalitesi güvende tutar.**
  7. **G → H:** 4 CTO kanıtı (AST + ruff + pytest + pin) hepsi yeşil. Bu yüzden **kanıt olmadan iddia geçmez.**
  8. **H → I:** Maliyet: 1 öğretmen $1/ay, 10 öğretmenlik okul $12/ay, 500 kullanıcı SaaS $600 gelir ~$1900. Bu yüzden **maliyet modeli iş planı temeli.**
  9. **I → J:** Production checklist 14/15 → GO. Bu yüzden **checklist karar verir.**
  10. **J → K:** Platform'un 4. çalışır kod + 10. imza sayfa — Kemal hedefi TAM karşılandı. Bu yüzden **her sayfa portföy değeri taşır.**

Sonuç: 3. portföy projesi canlıda. 4 çalışır-kod imza (RAG + Agent + Multimodal + FT). Platform teknik olarak %100 tamam — AI Engineer araç kutusu objektif olarak hazır. Sonraki adım: LinkedIn Featured 4 proje + mülakat davetleri + ilk iş.

➡️ Sonraki adım

Platform teknik tamam. Sonraki:

← 9.5 Portföy Projesi 2  |  Bölüm 9 girişi  |  Ana sayfa

Pekiştirme: Projeyi kendi alanına uyarla — sözleşme fotoğrafı → risk skorlama (avukat), reçete fotoğrafı → bilgi özetleme (eczacı), mutfak fotoğrafı → tarif önerisi (yemek blog). Aynı pattern farklı use case. Bu çeşitlilik portföyünü zengin yapar.

MühendisAl Platform — Sözlük (Glossary)

Bu dosya pre_build.py hook'u tarafından her sayfaya otomatik eklenir.

Markdown abbr extension bu tanımları alıp terimin her geçtiği yerde

HTML <abbr title="..."> sarımı yapar → MkDocs Material tooltip gösterir.

DİKKAT: abbr case-sensitive. "Agent" tanımı "agent" kelimesini sarmaz.

Bu yüzden hem büyük hem küçük harf varyantları ayrı tanımlanır.

Yeni terim eklerken: *[TERIM]: Açıklama — tek satır, 160 karakterden kısa

Terimler alfabetik (büyük harf), hemen altında küçük harf varyantı.