Perakendede Çok Modlu Yapay Zeka ile Ürünler, Kampanyalar ve İçerikler Nasıl Birbirine Bağlanıyor?

Perakendeciler ne sattıklarını anlamak için yıllardır çeşitli sistemler kuruyor.

Ürün veritabanlarında SKU’lar, kategoriler, fiyatlar, bedenler, renkler, açıklamalar ve stok durumu yer alıyor. Müşteri verileri CRM, sadakat programları, e-ticaret ve diğer müşteri odaklı sistemlere dağılmış durumda. Dijital varlık platformlarında ürün fotoğrafları ve kampanya içerikleri saklanıyor. Merchandising ekipleri elektronik tablolar ve sunumlar üzerinden çalışıyor. Tedarikçiler PDF’ler gönderiyor. Mağaza ekipleri planogramları kullanıyor. Pazarlama ekipleri banner‘lar, kataloglar ve sosyal medya içerikleri hazırlıyor.

Tüm bu bilgiler değerli. Ancak büyük bölümü hâlâ farklı sistemlerde, farklı formatlarda ve farklı bağlamlarda tutuluyor. Üstelik perakendede bilgi ve içgörünün şaşırtıcı derecede büyük bir kısmı görsel.

• Bir ürün görseli, ürün açıklamasında hiç yer almayan bir tasarım detayını gösterebilir.
• Bir kampanya banner‘ında, e-ticaret sistemindeki güncel fiyattan farklı bir fiyat yer alabilir.
• Bir planogram, ürünler arasındaki ilişkileri metinle ifade edilmesi zor olacak şekilde gösterebilir.
• Bir tedarikçi sunumu, grafiklerde, tablolarda veya görsellerde kritik bilgiler içerebilir.

Geleneksel kurumsal arama ve metin tabanlı RAG, dokümanlardaki bilgilere erişimi kolaylaştırdı. Bir sonraki adım ise yapay zeka katmanının, bu metinlerin etrafındaki görsel ve yapısal bağlamı da anlayabilmesini sağlamak.

Google Cloud’un Gemini Embedding 2 modeli; metinleri, görselleri, doküman sayfalarını, işlenmiş tabloları ve grafikleri ortak bir anlamsal uzayda eşleştirerek farklı içerik türleri arasında arama yapılmasını ve kurumsal içeriklerin bağlamının daha iyi anlaşılmasını sağlıyor.

Bu model, perakendeciler için ürün keşfine sohbet özelliklerini eklemekten çok daha fazlasını ifade ediyor. Ürün kataloglarını, aktif kampanyaları, marka içeriklerini ve merchandising içgörülerini birbirine bağlayan birleşik bir operasyonel zeka katmanı için önemli bir temel oluşturmak artık mümkün olabilir.

Perakendedeki Bilgi Sorunu Sadece Veriyle İlgili Değil

Perakendeciler çoğu zaman çok fazla veriye sahip olmaktan bahseder. Asıl sorun ise daha derinde: Veriler birbirleriyle yeterince bağlantılı değil ve çoğu zaman kendi bağlamlarını taşımıyor.

Tek bir ürün lansmanını ele alalım:

• Ürün bilgi yönetimi sisteminde (PIM); SKU, ürün adı, kategori, teknik özellikler ve lansman tarihi yer alabilir.
• Fiyatlandırma sistemi güncel fiyatı tutar.
• Pazarlama ekibinin elinde bir kampanya sunumu bulunmaktadır.
• Kreatif ekibi ürün görsellerini hazırlar.
• E-ticaret ekibi web banner‘larını oluşturur.
• Tedarikçi bir PDF kataloğu gönderir.
• Merchandising ekibi bir planogram hazırlar.

Her ekip hikâyenin yalnızca bir bölümünü görür. Bir çalışan bu sistemlerden yalnızca birine baktığında, ürünle ilgili resmin tamamını göremez.

Geleneksel bir arama sistemi ilgili dosyaları bulabilir. Klasik bir RAG sistemi ise bu dosyalardan ilgili metin parçalarını çıkarabilir. Ancak anlam; bir görsel, tablo, sayfa düzeni veya farklı dosya türlerine dağılmış bilgiler arasındaki ilişkiye bağlı olduğunda, her şeyi metne dönüştürmek önemli bağlamın kaybolmasına neden olabilir.

Google Cloud bu soruna dikkat çekerek karmaşık tabloları veya diğer yapısal içerikleri düz metne dönüştürmenin, değerleri onlara anlam kazandıran görsel ilişkilerden koparabileceğini belirtiyor. Çok modlu gömmeler (embedding) ise bu görsel ve mekânsal bağlamın daha büyük bir bölümünü korumak üzere tasarlanıyor.

Bu, perakende için özellikle önemlidir. Çünkü perakende sektöründe kurumsal bilgi tabanı yalnızca metinlerden oluşan bir arşiv değil; ürünler, görseller, kampanyalar, kataloglar, elektronik tablolar, sunumlar, planogramlar ve operasyonel kayıtların bir araya geldiği karmaşık bir yapıdır.

Ürün Verisinden Ürünü Anlamaya

Perakende araması artık basit anahtar kelime eşleştirmenin ötesine geçti.

Örneğin, Google Cloud’un Target ile gerçekleştirdiği perakende çalışması, geleneksel anahtar kelime eşleştirmeyi, vektör gömmeleriyle desteklenen semantik aramayla birleştiren hibrit bir yaklaşımdan söz ediyor. Bu yaklaşım, doğal dilde yapılan ürün aramalarını daha anlamlı sonuçlarla eşleştirmeyi amaçlıyor.

Çok modlu arama bu fikri bir adım daha ileri taşıyor. Bir merchandising yöneticisinin şöyle bir arama yaptığını düşünün:

“Buna benzeyen, sonbahar koleksiyonunda yer alan ve fiyatı 6.500 TL’nin altında olan tüm ürünleri bul.”

Bu sorguyu yanıtlamak için referans görselini anlamak, ürün özelliklerini değerlendirmek, kampanya bilgilerini kontrol etmek ve güncel fiyatları doğrulamak gerekebilir.

Ya da bir müşterinin şöyle sorduğunu düşünün:

“Bana bu cekete benzer ama daha koyu renkte bir şey göster.”

Bu istek yalnızca metinle açıklanabilecek bir arama değildir. Müşterinin niyeti, ürün bilgilerine ek olarak görsel benzerliğe de bağlı olabilir.

Çok modlu arama mimarileri, ürün verilerini ürün görselleriyle bir araya getirerek çok modlu gömmeleri arama veya vektör arama sistemleriyle birlikte kullanabilir. Böylece metinden görsele ve görselden metne arama gibi senaryolar mümkün hâle gelir. Bu da perakendeciler için daha geniş bir yaklaşım olan görsel varlıkları, sistemlerin yanında duran dosyalar olarak değil, kurumsal veri modelinin bir parçası olarak ele almanın önünü açar.

Operasyonel Fırsat Alışverişten Çok Daha Büyüktür

Perakendede çok modlu yapay zekadan bahsedildiğinde, odak doğal olarak müşteriye kayıyor. Bu anlaşılır. Günümüz perakende stratejisi büyük ölçüde ajan tabanlı ticarete odaklanıyor. Yapay zeka ajanları müşterilerin ürün keşfetmesine, öneriler almasına ve satın alma sürecinde ilerlemesine yardımcı oluyor. Ama en az bunun kadar önemli olabilecek başka bir fırsat daha var:

Perakende çalışanları aynı çok modlu bilgi katmanını sorgulayabilse ne olur?

• Merchandising yöneticisi, yeni bir sohbet robotundan çok, üzerinde çalıştığı bilgilerin güncel, doğru ve tutarlı olduğundan emin olmak ister.
• Pazarlama yöneticisi, bir kampanya görselinin hâlâ güncel teklifle uyumlu olup olmadığını kontrol etmek ister.
• Kategori yöneticisi, binlerce ürün görseli arasından benzer ürünleri bulmak ister.
• Tedarikçi yöneticisi, yeni bir tedarikçi kataloğunu mevcut ürün kayıtlarıyla karşılaştırmak ister.
• Mağaza operasyon ekibi, belirli bir mağaza formatına uygun planogramı bulmak isteyebilir.

Bunlar yalnızca tüketiciye yönelik kullanım senaryoları değil; perakendenin temel operasyonel süreçlerinin bir parçası olan sorunlardır. Çok modlu arama ve erişim, bu süreçlerde kurumsal ölçekte önemli bir değer yaratabilir.

1. Ürün Görselleri ile Ürün Verileri Arasındaki Tutarsızlıkları Tespit Edin

Bir perakendeci, ürün bilgi sistemindeki özellikleri güncellemiş, ancak dijital varlık kütüphanesindeki eski görseli değiştirmemiş olabilir. Ambalaj veya renk değişmiş olabilir ya da yeni bir ürün versiyonu piyasaya çıkmışken hâlâ eski kreatifler kullanılıyor olabilir.

Metin tabanlı bir sistem ürün açıklamalarını karşılaştırabilir. Çok modlu bir arama ve yapay zeka sistemi ise ürüne ait görselleri inceleyerek bunları ilgili ürün kayıtlarıyla karşılaştırabilir. Böylece şu tür otomatik içerik kalite kontrolleri yapılabilir:

Ürün verisi: Siyah koşu ayakkabısı

Kampanya görseli: Beyaz koşu ayakkabısı

Veya:

Ürün kaydı: Yeni ambalaj

Yayınlanan katalog: Önceki ambalaj

Buradaki değer yalnızca hataları yakalamakla sınırlı değildir. Perakendeciler zaman içinde görseller ve metinlerdeki tutarsızlıkları müşterilere ulaşmadan önce tespit eden otomatik içerik yönetişimi iş akışları da oluşturabilirler.

2. Güncelliğini Yitirmiş Kampanya İçeriklerini Bulun

Perakendeciler çok büyük miktarda kampanya içeriği üretiyor.

Bir pazarlama kampanyası; e-posta, e-ticaret sitesi, mobil uygulamalar, sosyal medya, mağaza içi ekranlar ve iş ortaklarının kanalları gibi birçok farklı mecrada çok sayıda içerik ve görselin hazırlanmasına yol açabiliyor. Ancak kampanya koşulları değiştiğinde, fiyatlar güncellendiğinde, kampanya sona erdiğinde veya ürün satıştan kaldırıldığında bu içerikler hızla güncelliğini yitirebiliyor.

Çok modlu bir yapay zeka ajanı, eski ürünlere, fiyatlara, kampanya mesajlarına veya görsel marka unsurlarına referans veren içerikleri tespit etmeye yardımcı olabilir. Google Cloud’un dokümanlar arası karşılaştırma modelinde de görüldüğü gibi, çok modlu modeller farklı formatlardaki bilgileri birlikte değerlendirerek güncelliğini yitirmiş veya birbiriyle tutarsız içerikleri tespit edebilir.

Perakendeciler açısından bu, manuel içerik kontrollerinden sürekli çalışan bir içerik zekası yaklaşımına geçiş anlamına gelebilir.

3. Kampanya İçeriklerinin Güncel Fiyatlarla Uyumunu Kontrol Edin

Bir perakendecinin farklı sistemlere ve depolara yayılmış 50.000 kampanya içeriği olduğunu düşünelim.

• Güncel fiyatlandırma veritabanında Ürün A’nın fiyatı 4.500 TL.
• Üç ay önce yayınlanan bir banner‘da fiyat 6.000 TL olarak görünüyor.
• Bir PDF katalogda hâlâ 5.500 TL olarak listeleniyor.
• Ürün görselinde eski bir kampanya etiketi yer alıyor.

Manuel kontroller bu tür tutarsızlıkları ortaya çıkarabilir, ancak bunu yapmak ciddi zaman ve emek gerektirir. Çok modlu arama ve ajan tabanlı bir iş akışı ise, görsel içerikleri ilgili fiyat ve ürün kayıtlarıyla eşleştirerek tutarsızlıkları otomatik olarak tespit edebilir. Bu, yapay zekanın basit bir asistan olmaktan çıkıp doğrudan operasyonel bir sürecin parçası hâline geldiği çok daha güçlü bir kullanım alanıdır.

Burada önemli bir değişim yaşanıyor. Yapay zeka yalnızca “Güncel fiyat nedir?” sorusunu yanıtlamıyor. Aynı ürüne ait farklı içerikleri ve kayıtları buluyor, bunları güvenilir bir kaynakla karşılaştırıyor ve aralarındaki tutarsızlığı ortaya koyuyor.

4. Planogramları Doğal Dille Arayın

Planogramlar, oldukça yapılandırılmış mekânsal bilgiler içerir. Ürünlerin konumu, kategoriler arasındaki ilişkiler ve raf yerleşimi önemlidir.

Geleneksel bir metin tabanlı arama sistemi planogramdaki ürün adlarını indeksleyebilir. Ancak ürünlerin raftaki konumunu ve birbirlerine göre nasıl yerleştirildiğini gösteren mekânsal ilişkilerin önemli bir kısmını kaybedebilir.

Çok modlu arama ise farklı bir yaklaşım sunuyor. Bir mağaza operasyon yöneticisi şöyle bir arama yapabilir: “Bu yerleşime sahip mağazalar için yaz içecekleri planogramlarını göster.” veya “Premium ürünlerin göz hizasında yer aldığı planogramları bul.”

Yapay zeka katmanı, çalışanların dosya adını, klasör yapısını veya planogram hazırlanırken kullanılan terimleri tam olarak bilmelerine gerek kalmadan, görsel içerik ve bağlama göre ilgili dokümanları bulabilmesini sağlar. Böylece büyük bir görsel merchandising arşivi, aranabilir bir operasyonel bilgi tabanına dönüşebilir.

5. Tedarikçi PDF’lerini SKU Verileriyle Eşleştirin

Tedarikçi bilgileri de perakendede önemli bir veri dağınıklığı kaynağıdır. Bir tedarikçi; ürün görselleri, tablolar, teknik özellikler ve kampanya bilgileri içeren bir PDF katalog gönderebilir. Perakendecinin kendi sistemlerinde SKU’lar, fiyatlar, stok bilgileri ve kategori verileri bulunabilir.

Bu iki kaynak çoğu zaman aynı yapıda gelmez. Çok modlu yapay zeka, aralarındaki boşluğu kapatmaya yardımcı olabilir.

Tedarikçi PDF’ini yalnızca statik bir doküman olarak ele almak yerine, bir yapay zeka iş akışı ilgili bilgileri çıkarıp şirketin ürün kayıtlarıyla eşleştirebilir. Böylece ekipler şunları tespit edebilir:

• Henüz katalogda bulunmayan yeni ürünler
• Ürün özelliklerindeki farklılıklar
• Eksik SKU’lar
• Tutarsız ürün açıklamaları
• Fiyat farklılıkları
• Aynı ürüne ait mükerrer kayıtlar
• Ürün versiyonları arasındaki görsel farklılıklar

Bu, çok modlu gömmelerin destekleyebileceği ve PDF’ler, e-tablolar, görseller ve diğer formatlar arasında bilgi edinilmesini sağlayan daha geniş kapsamlı dosyalar arası sentez yeteneğinin bir örneğidir.

Gömmeler semantik arama katmanını oluştururken, doküman çıkarımı, varlık eşleştirme ve kurumsal sistem entegrasyonları bu eşleşmeleri güvenilir mutabakat ve kontrol iş akışlarına dönüştürmek için gereken diğer bileşenlerdir.

6. Merchandising Ekiplerine Yapay Zeka Destekli Bir Araştırma Asistanı Sağlayın

Merchandising kararları genellikle birçok farklı kaynaktan bilgi edinmeyi gerektirir.

Bir kategori yöneticisi şöyle sorabilir: “Bu kategoride, en çok satan ürünlerimize görsel olarak benzeyen, şu anda stokta olan ve bu çeyrekte herhangi bir kampanyada yer almamış ürünler hangileri?”

Bu soruyu manuel olarak yanıtlamak için birkaç farklı sistemde arama yapmak gerekir. Yapay zeka destekli bir araştırma asistanı, ürün özelliklerini, görsel benzerliği, kampanya geçmişini ve stok bilgilerini bir araya getirerek bu araştırmayı tek bir akışta gerçekleştirebilir. Burada amaç, kararı yapay zekaya bırakmak değil; araştırma sürecini kısaltmak, ilgili kanıtları bir araya getirmek ve karar verene çok daha güçlü bir başlangıç noktası sunmaktır.

Bu ayrım, perakendeciler temel yapay zeka asistanlarından farklı iş akışlarında çalışabilen ajan tabanlı sistemlere geçtikçe giderek daha da önemli hâle geliyor.

Perakende İçin Görsel Bir Bilgi Katmanı

Daha büyük mimari fırsat; ürün görsellerini, dokümanları ve iş verilerini ayrı kategoriler olarak düşünmeyi bırakmaktır. Bir perakendecinin ürün bilgisi genel hatlarıyla aşağıdaki gibi olabilir:

Ürün

→ SKU

→ Kategori

→ Fiyat

→ Stok

→ Ürün açıklaması

→ Ürün görselleri

→ Tedarikçi dokümanları

→ Kampanya içerikleri

→ Planogramlar

→ Müşteri etkileşimleri

Buradaki temel amaç, tüm bu içerikleri tek bir depoda toplamak değil; aralarındaki ilişkileri anlamlandıran bir semantik yapı oluşturmaktır. Böyle bir yapı, bir ürün görselini doğrudan ilgili SKU, güncel fiyat, aktif kampanyalar, ilgili planogramlar ve tedarikçi dokümanlarıyla ilişkilendirmeyi mümkün kılar.

Ortaya çıkan yapı, altyapıda geleneksel bir grafik veritabanı kullanılmasa bile görsel bir perakende bilgi grafiğine benzemeye başlıyor.

Çok modlu gömmeler, farklı içerik türlerini ortak bir anlamsal uzayda temsil ederek bu yapının önemli bir temelini oluşturabilir. Gemini Embedding 2 metinleri, görselleri, doküman sayfalarını, işlenmiş elektronik tablo tablolarını ve grafikleri ortak bir temsilde buluşturur ve farklı formatlar arasında çok modlu aramayı destekler. Aynı yaklaşım, statik perakende içeriklerinin ötesine geçerek video, ses ve diğer çok modlu içerikleri de kapsayabilir. Bunun üzerine arama, öneri, analitik ve ajan tabanlı iş akışları oluşturulabilir.

Aramadan Eyleme

Buradaki asıl fırsat, bilgiye basit erişimin ötesine geçmektir. Çok modlu bir bilgi katmanı, perakende ajanları için önemli bir temel oluşturabilir.

• Bir ajan, güncelliğini yitirmiş bir kampanya içeriğini tespit edebilir, ilgili SKU’yu bulabilir, güncel fiyatı kontrol edebilir, sorumlu ekibi bilgilendirebilir ve inceleme görevi oluşturabilir.
• Başka bir ajan, tedarikçi içeriklerini perakendecinin ürün kataloğuyla karşılaştırarak tutarsızlıkları listeleyebilir.
• Bir diğer ajan, görsel ürün benzerliğini satış ve stok verileriyle birleştirerek merchandising ekibinin kategori araştırmasına yardımcı olabilir.

Karar ve onay gerektiren durumlarda sorumluluk insanda kalır. Ajan ise bilgi bulma, karşılaştırma, eşleştirme ve hazırlama gibi tekrarlayan işleri üstlenir. Perakendeciler yapay zekayı operasyonel iş akışlarına daha derinlemesine dahil ettikçe bu ayrım önem kazanmaktadır.

Çok Modlu Perakende Yapay Zekasının Arkasındaki Mimari

Bu yapıyı doğru kurmak, yalnızca doğru çok modlu modeli seçmekle sınırlı değildir. Altta yatan veri mimarisi de en az model kadar önemlidir.

Perakendecilerin, yapılandırılmış kurumsal verileri yapılandırılmamış ve çok modlu içeriklerle birbirine bağlayabilecekleri bir yapıya ihtiyacı var. Bunun yanında güvenilir metadata, kimlik ve erişim kontrolleri, veri güncelliği, gözlemlenebilirlik ve hangi kaynağın esas alınacağının net bir şekilde tanımlanması gerekiyor.

Bir mimari uygulama şu katmanları bir araya getirebilir:

• Veri kaynakları: Ürün bilgileri, fiyatlandırma, stok, kampanya içerikleri, ürün görselleri, tedarikçi dokümanları, planogramlar ve merchandising verileri
• Veri ve depolama katmanı: Uygun metadata ve yönetişimle bulut depolama ve BigQuery gibi analitik platformları
• Semantik katman: Ürünleri, görselleri, dokümanları, tabloları ve diğer içerikleri anlam üzerinden ilişkilendirmek için çok modlu gömmeler ve vektör araması
• Yapay zeka katmanı: Arama, araştırma, mutabakat, içerik analizi ve iş akışı desteği için Gemini destekli uygulamalar ve ajanlar
• Kurumsal sistemler: E-ticaret, PIM, ERP, CRM, sadakat ve kampanya platformları
• Yönetişim ve güvenlik: Kimlik bazlı erişim, izinler, denetlenebilirlik, kaynak gösterimi ve yüksek etkili işlemler için insan onayı

Bu son katman kritiktir:

• Güncelliğini yitirmiş bir banner‘ı tespit edebilen bir yapay zeka ajanının fiyatı değiştirme yetkisine ihtiyacı yoktur.
• Ürün öneren bir ajanın müşterilerin finansal bilgilerine erişmesi gerekmez.
• Tedarikçi dokümanlarını araştıran bir ajan, otomatik olarak şirket içindeki tüm ticari dosyalara erişememelidir.

Mimari, perakendecinin mevcut yönetişim modelini ajan tabanlı yapay zeka dünyasına da taşımalıdır.

Perakendede Bir Sonraki Veri Avantajı: Görsellik

Perakendeciler birinci parti verilerine, ürün verilerine ve dijital ticaret altyapısına yıllardır büyük yatırımlar yapıyor. Sıradaki fırsat, görsel varlıkları da aynı ölçüde kullanılabilir hâle getirmektir.

Ürün fotoğrafları, kampanya kreatifleri, kataloglar, planogramlar, sunumlar ve taranmış tedarikçi dokümanları önemli iş bilgileri içeriyor. Ancak bu bilginin büyük bir bölümü yıllardır kurumsal sistemler tarafından aranması ve farklı kaynaklarla ilişkilendirilmesi zor içeriklerde kalıyor.

Çok modlu yapay zeka, bu bilgilerin indekslenme, aranma ve birbirleriyle ilişkilendirilme biçimini değiştiriyor. Perakende stratejisi giderek müşterilere ve iç ekiplerine değer zincirinin farklı noktalarında yardımcı olabilen akıllı ajanlara yönelirken, çok modlu gömmeler bu yapının önemli bir altyapı katmanını oluşturuyor. Böylece yapay zeka mimarileri farklı veri formatları ve içerik türleri arasındaki bilgileri birbirine bağlayıp birlikte değerlendirebiliyor.

Perakendeciler için asıl fırsat, büyük resmi görebilen bir perakende bilgi katmanı oluşturmaktır.

Bir ürün görseli, kampanya, fiyat, tedarikçi dokümanı ve merchandising planı aynı iş bağlamının birbiriyle bağlantılı parçaları olarak anlaşılabildiğinde, yapay zeka ajanları yalnızca soruları yanıtlamakla kalmayıp bu bağlamın doğru, güncel ve kullanılabilir kalmasına da yardımcı olabilir. Üstelik bunun için müşterinin dijital asistanına bir soru sormasını beklemek gerekmiyor. Çok modlu yapay zeka, perakende değer zincirinin tamamında yeni operasyonel avantajlar yaratabilir.

Kartaca Nasıl Yardımcı Olabilir?

Perakende şirketleri için yeni bir yapay zeka modelini hayata geçirmek işin yalnızca bir parçasıdır. Asıl zorluk, çok modlu içerikleri mevcut operasyonel iş akışlarına, temel uygulamalara ve kurumsal veri sistemlerine sorunsuz bir şekilde entegre etmektir.

Kartaca olarak perakende kuruluşlarının dağınık kurumsal verilerini akıllı uygulamalar ve ajan tabanlı iş akışları için güçlü bir temele dönüştüren bulut, veri, yapay zeka ve analitik mimarileri oluşturmasına yardımcı oluyoruz. Veri platformu modernizasyonu, BigQuery mimarisi, yapay zeka asistanları, analitik çözümler ve müşteri odaklı uygulamalar gibi konularda destek sunarak perakendecilerin veri altyapılarını yeni nesil yapay zekayla buluşturmalarını sağlıyoruz.

Perakendenin bir sonraki deneyimi ajan tabanlı olabilir. Önce bunun temelindeki veri altyapısının bu değişime hazır olması gerekiyor.

Perakende veri ve yapay zeka altyapınızı oluşturmaya başlamak için bizimle iletişime geçin.

Yazan: Gizem Terzi Türkoğlu

Yayınlanma Tarihi: 13.10.2026