Gender-API vs. ChatGPT: bir ismin cinsiyetini hangisi belirlemeli?
İkisi de Sandra'nın genelde kadın olduğunu söyleyebilir. Yalnızca biri bunu nereden bildiğini söyleyebilir, gelecek yıl aynı yanıtı verebilir ve sen başlamadan bir milyon isme fiyat verebilir.
Kısa yanıt
- Bir avuç isim hakkında değerlendirmeye ya da okunacak bir metne ihtiyacın olduğunda LLM kullan: bir açıklama, bir köken, bir hitap.
- Yanıtın yarın da aynı olması, kanıtla gelmesi, kayıt başına fiyatlanması ya da veri koruma sorumlusunun sorusunu kaldırması gerekiyorsa isim veri tabanı kullan.
- Büyük hacimde belirleyici olan doğruluk değil, hesap verebilirliktir. 9,124,598 ülkeye yayılmış 192 isim, her yanıt kendi örnek sayısıyla — işlemini gösteremeyen bir üretime karşı.
- İkisi iyi birleşir. Modele API'yi bir araç olarak ver — bunun için barındırılan bir MCP sunucusu yayınlıyoruz — böylece etiket veriden, ifade modelden gelir.
Bu iki şey gerçekte nedir
Gender-API.com, bir isim veri tabanı üzerinde çalışan bir sorgulama hizmetidir. Gözlendikleri ülkeye göre ayrılmış 9,124,598 isim, 192 ülke desteği. Bir isim gönderirsin; bir cinsiyet, bir olasılık ve yanıtın dayandığı örnek sayısını alırsın. Hiçbir şey üretilmez.
ChatGPT — ve diğer tüm genel amaçlı dil modelleri — bir metin üreticisidir. “Sandra” sözcüğünün kadın bağlamlarında geçtiğini bilir, çünkü sözcük eğitim metninde böyle davranmıştır. Bu gerçekten faydalı bir sinyaldir ve yaygın isimlerde doğru etiketi üretir. Ama mimaride Portekiz'de kaç Sandra'nın kadın olduğunu saklayan hiçbir şey yok; dolayısıyla alıntılanacak, eşik konulacak ya da denetlenecek bir şey de yok.
Aşağıdaki tüm pratik farkların kaynağı bu tek yapısal olgudur.
YAN YANA
Hangi modeli seçersen seç geçerliliğini koruyan farklar.
| İhtiyacın olan | Gender-API.com | Genel amaçlı LLM |
|---|---|---|
| Aynı girdiye her seferinde aynı yanıt | Evet — bu bir veri tabanı sorgusudur | Hayır — örnekleme, prompt'un ifadesi ve model sürümü hepsi yanıtı kaydırır |
| Tek bir yanıtın arkasındaki kanıt | Her sonuç ve her ülke için örnek sayısı ve olasılık | Yok; bir güven değeri istersen o da üretilmiş olur |
| Yazılı olarak taahhüt edebileceğin kapsam | 9,124,598 isim, 192 ülke | Bilinmiyor ve belirtilmemiş |
| Ülkeye özgü yanıtlar | Ülke, locale ya da IP parametresi sonucu değiştirir | Yalnızca prompt'ta belirtirsen — ve yine de bir tahmindir |
| On iki ay sonraki davranış | Aynı endpoint sözleşmesi, OpenAPI olarak yayınlanmış; v1 ve v2 hâlâ ayakta | Modeller kullanımdan kaldırılır ve değiştirilir; yanıtlar onlarla birlikte kayar |
| Toplu işleme | İstek başına 100 isim ya da 10 milyon satıra kadar bir CSV | Bağlam sınırları, parçalama, rate limit ve yeniden denemeleri kendin yazarsın |
| Maliyet birimi | Sorgulama başına bir credit, önceden aldığın bir paketten | Giren ve çıkan token'lar — prompt uzunluğuna ve yeniden denemelere göre değişir |
| Verinin işlendiği yer | Almanya'da sunucular, AB içinde işleme, talep üzerine DPA | Sağlayıcıya, plana ve sana verilen bölgeye bağlı |
| Tam adı ayırmak, bir e-posta adresinden ismi çıkarmak | Kendine ait endpoint'ler | Prompt engineering — ve sınır durumlarda sessizce başarısız olur |
| Kimsenin verisi olmayan bir isim | Bunu söyler — result_found false olur ya da olasılık düşüktür | Yine de yanıtlar, aynı kendinden emin tonla |
| Bir ismi, kökenini ya da varyantlarını açıklamak | Bunun için değil | Gerçekten daha iyi — bir dil modeli tam bunun için var |
Bir milyon ismin cinsiyetini belirlemek ne kadara mal olur?
Pazarlama sayısı yerine hesap yöntemi burada, böylece bugünün fiyatlarıyla yeniden hesaplayabilirsin.
API ile: Bir sorgulama bir credit'tir. Yayınladığımız en iyi hacim fiyatı 1.000 isim başına yaklaşık €0.35'ye denk gelir, yani bir milyon isim kabaca €349 net tutar: sabit, sen başlamadan bilinen, KDV'li faturada. Tek seferlik paketlerdeki credit'ler sona ermez.
LLM ile: Her istek ve her yeniden denemede, iki yönde de token başına ödersin. Birkaç ismi tek prompt'ta toplamak isim başına maliyeti düşürür, ama her partide talimatları yeniden gönderirsin, uzun isimler ve alışılmadık yazı sistemleri kısalardan daha çok token harcar ve bozuk bir yanıt sana bir de yeniden denemeye mal olur. Sonuç bir tahmindir, bütçeye yazabileceğin bir sayı değil.
Adil olmak gerekirse: birkaç bin isim için genel bir model o kadar ucuzdur ki bunların hiçbiri önemli değildir. Kırılma noktası hacimle birlikte gelir — ve token fiyatının düşündürdüğünden daha erken, çünkü partileme, yeniden deneme ve çıktıyı doğrulama etrafındaki tüm geliştirme işi bir sorgulama endpoint'inde yapman gerekmeyen iştir.
Yinelenebilirlik: genelde kararı veren nokta
Bir müşteri listesini iki kez işle, iki farklı sonuç al ve artık açıklayamadığın bir sorunun olur: hangi çalıştırma doğruydu, ne değişti ve geçen ay “Sayın Bay”, bu ay “Sayın Bayan” diye yazdığın kişiye ne diyeceksin.
Sorgulama deterministiktir. Aynı ülkeyle aynı isim aynı cinsiyeti, aynı olasılığı ve aynı örnek sayısını döndürür. Alttaki veri büyüdüğünde örnek sayısı da onunla büyür — görünür biçimde, yanıtın içinde — böylece bir değişiklik, öylece olmuş bir şey değil, işaret edebileceğin bir şeydir.
Üretilen bir yanıt böyle bir güvence vermez. Temperature, yeni bir model sürümü, yeniden yazılmış bir sistem prompt'u, kimsenin sana söylemediği bir güvenlik ayarı: her biri sınırdaki bir ismi ters çevirebilir ve hiçbiri verilerinde iz bırakmaz.
Her yanıt kendi kanıtını taşır
v2 endpoint'ine tek bir istek:
POST https://gender-api.com/v2/gender/by-first-name
{ "first_name": "Sandra" }{
"input": { "first_name": "Sandra" },
"details": {
"credits_used": 1,
"samples": 464,
"country": null,
"first_name_sanitized": "sandra",
"duration": "436ms"
},
"result_found": true,
"first_name": "Sandra",
"probability": 0.85,
"gender": "female"
}İki alan, üretilen hiçbir yanıtın sunmadığı işi yapar. “samples”, yanıtın kaç gözleme dayandığını; “probability” ise bunların kadın olan oranını verir. İkisi birlikte kendi eşiğini koymanı sağlar: iyi bir örnek sayısıyla 0.9 üzerindeki sonuçları kabul et, kalanını elle incelemeye gönder — tüm veri tabanın için tek bir güven düzeyini kabul etmek yerine.
Tam başvuru: v2 API dokümantasyonu.
Aynı isim her yerde aynı cinsiyet değildir
Andrea İtalya'da ağırlıkla erkek, Almanya'da ağırlıkla kadındır. Jean Fransa'da erkek, İngilizce konuşulan ülkelerde büyük ölçüde kadındır. Nikita Rusya'da erkek, başka yerlerde genelde kadındır. Bunlar egzotik sınır durumları değil — sıradan müşteri listelerindeki sıradan isimler.
Genel bir modele ülke belirtmeden sor, eğitim metninde baskın olan okumayı alırsın; pratikte bu İngilizce okumadır. API ülkeyi açıkça alır:
Bir locale (en_US) ya da ziyaretçinin IP adresi de aynı şekilde çalışır ve ters soru için ayrı bir endpoint var: bir ismin hangi ülkeden geldiği.
GDPR ve gönderdiğin isimlerin gerçekte nereye gittiği
Gerçek müşterilerin isimleri kişisel veridir, yani bu bir satın alma sorusudur, dipnot değil. Açıkça söyleyebileceklerimiz:
- Alman bir şirketiz; tüm sunucularımız Almanya'da bulunuyor ve veriler AB içinde işleniyor.
- Veri işleme sözleşmesini hesabından talep edebilirsin.
- Sunucu kayıtları gönderilen ismi içerir ve muhasebe nedeniyle 14 gün tutulur.
- Yüklenen CSV ve Excel dosyaları şifreli saklanır ve on gün sonra silinir.
- Her satın alma usulüne uygun bir KDV faturası üretir ve AB KDV numaraları doğru işlenir.
Belirli bir model sağlayıcısının aynı veri için kabul edilebilir olup olmadığı veri koruma sorumlunun sorusudur — ama daha uzun bir soru ve sağlayıcı her alt işleyici değiştirdiğinde yeniden sorman gereken bir soru. Yanıtlarımız gizlilik özetinde.
ChatGPT'nin daha iyi seçim olduğu durumlar
Yanıt her zaman “API'yi al” olsaydı bu sayfa okumaya değmezdi. Değil:
- Tek seferlik bir iş. Bir tabloda kırk isim, hiçbir akış yok, kimse bunu bir daha çalıştırmayacak.
- Etiketi değil gerekçeyi istiyorsun: bir ismin kökeni, varyantları, normalde nasıl kısaltıldığı, belirli bir kültürde birine nasıl nazikçe hitap edileceği.
- Hiçbir veri tabanında olmayan isimler: yeni türetmeler, kurgusal karakterler, hiçbir kütükte bulunmayan çeviri yazımlar. Sorgulamanın hiçbir şeyi olmadığı yerde bir model makul bir tahmin yapar.
- Çıktı olarak alan değil serbest metin istiyorsun: cinsiyet kolonu yerine bir selamlama satırı.
Bunu cömertlikten söylemiyoruz, biz de aynı şekilde kullanıyoruz: kendi isim sayfalarımızdaki isim kökeni açıklamalarını bir dil modeli üretiyor, çünkü metin tam olarak bir dil modelinin iyi olduğu şeydir.
En iyisi ikisi birlikte: modelin API'yi çağırmasına izin ver
Zaten bir LLM üzerine kuruyorsan seçim yapmak zorunda değilsin. Modern modeller araç çağırır ve cinsiyet sorgulaması ideal bir araçtır: modelin verisi olmayan, olgusal yanıtlı dar bir soru.
MCP destekli her asistan ya da ajanın veri tabanını doğrudan sorgulayabilmesi için barındırılan bir MCP sunucusu yayınlıyoruz. Araçları query_first_name, query_full_name, query_email, get_country_of_origin ve get_statistics.
Kendi araç tanımların için dokuz dil (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET) için resmi istemciler, bir OpenAPI açıklaması ve /skill.md adresinde bir kodlama asistanına doğrudan verebileceğin, prompt'a hazır bir uygulama kılavuzu var.
Asıl mesele bu iş bölümü: model ne yapılacağına karar verir, veri tabanı neyin doğru olduğuna.
Sık sorulan sorular
ChatGPT bir ismin cinsiyetini belirleyebilir mi?
Evet, yaygın isimlerde genelde doğru bilir. Yapamadığı şeyler: yanıtın kaç kayda dayandığını sana söylemek, aynı yanıtı iki kez garanti etmek ya da aynı isim için başka bir ülkede farklı bir yanıt vermek. Ayrıca hiç görmediği isimlerde de aynı özgüvenle yanıt verir ve ölçek büyüdüğünde önemli olan hata tam olarak budur.
Cinsiyet API'si bir LLM'den daha doğru mudur?
Bir isim veri tabanında bulunan bir isim için sorgulama yapısı gereği doğrudur: bir çıkarım değil, gözlenen dağılımı bildirir. Bilinmeyen bir isimde iki yaklaşımın da hiçbirine güvenilemez, ama bunu yalnızca sorgulama itiraf eder. Sağlam fark tek bir doğruluk yüzdesi değil; her sorgulamanın, üzerine eşik koyabileceğin bir örnek sayısı ve bir olasılıkla gelmesidir.
Bir milyon ismin cinsiyetini belirlemek ne kadara mal olur?
Gender-API'de bir sorgulama bir credit'tir, yani bir milyon isim sabit ve bilinen bir tutardır: yayınladığımız en iyi hacim fiyatıyla yaklaşık €349 net, KDV'li faturayla, sen başlamadan önce belirlenmiş. Bir LLM'de her istek ve her yeniden denemede token başına ödersin, dolayısıyla fatura prompt uzunluğuna bağlıdır ve yalnızca tahmin edilebilir.
Bir LLM ile cinsiyet API'sini birlikte kullanabilir miyim?
Evet, hem de en iyi kurulum bu. Modele API'yi bir araç olarak ver — tam bunun için barındırılan bir MCP sunucusu yayınlıyoruz — böylece etiket veri tabanından, ifade ise modelden gelir. Model, verisi olmayan olgular hakkında tahmin yürütmeyi bırakır.
Aynı ismin her ülkede aynı cinsiyeti var mıdır?
Hayır, ve ülke belirtmeyen bir prompt tam burada yanılır. Andrea İtalya'da ağırlıkla erkek, Almanya'da ağırlıkla kadındır; Jean Fransa'da erkek, İngilizce konuşulan ülkelerde büyük ölçüde kadındır. API bir ülke, locale ya da IP adresi alır ve o ülke için yanıt verir.
Veri tabanının bilmediği bir isimde ne olur?
result_found: false ya da küçük örnek sayısıyla düşük bir olasılık alırsın. Bu, üzerine işlem yapabileceğin bir sinyaldir: o kayıtları elle incelemeye yönlendir ya da bir modele geri düş. Üretici bir yanıt sana böyle bir sinyal vermez.
Gender-API GDPR'a uygun mu?
Alman bir şirketiz, tüm sunucular Almanya'da bulunuyor ve veriler AB içinde işleniyor. Veri işleme sözleşmesini hesabından talep edebilirsin. Gönderilen ismi içeren istek kayıtları muhasebe nedeniyle 14 gün tutulur; yüklenen CSV ve Excel dosyaları şifreli saklanır ve on gün sonra silinir.
KENDİ İSİMLERİNLE DENE
Her hesap ayda 100 ücretsiz sorgulama içerir — bir LLM'in yanlış bildiği isimleri kontrol etmeye yeter. Kredi kartı yok.
API dokümantasyonu · CSV ya da Excel dosyasına cinsiyet ekle · MCP sunucusu
