Yapay zeka, yönetim kurulu gündemlerine hakim olabilir, ancak birçok kuruluş, yapay zekanın anlamlı bir şekilde benimsenmesinin önündeki en büyük engelin, verilerinin durumu olduğunu keşfediyor. Tüketiciye yönelik yapay zeka araçları, hız ve kolaylıkla kullanıcıların gözlerini kamaştırırken, kurumsal liderler yapay zekayı geniş ölçekte dağıtmanın çok daha az gösterişli ama çok daha önemli bir şey gerektirdiğini keşfediyor: birleşik, yönetilen ve amaca uygun veri altyapısı.

Yapay zeka tutkusu ile kurumsal hazırlık arasındaki uçurum, dijital dönüşümün bir sonraki aşamasının belirleyici zorluklarından biri haline geliyor. Databricks’in kıdemli başkan yardımcısı Bavesh Patel’in belirttiği gibi, “Bu yapay zekanın kalitesi ve ne kadar etkili olduğu, gerçekten kuruluşunuzdaki bilgilere bağlıdır.” Ancak birçok şirkette bu bilgiler eski sistemler, silolanmış uygulamalar ve bağlantısız formatlar arasında parçalı halde kalıyor ve bu da yapay zeka sistemlerinin güvenilir, bağlam açısından zengin çıktılar üretmesini neredeyse imkansız hale getiriyor.

Patel, “Aslında çoğu kuruluş için rekabet açısından en büyük fark, kendi verileri ve ardından bunlara ekleyebilecekleri üçüncü taraf verileridir” diyor.

Kurumsal yapay zekanın değer sunabilmesi için verilerin açık formatlarda birleştirilmesi, hassasiyetle yönetilmesi ve işlevler genelinde erişilebilir hale getirilmesi gerekir. Bu temel olmadan işletmeler, Patel’in açıkça tanımladığı gibi “korkunç yapay zeka” riskiyle karşı karşıya kalır. Bu, silolara ayrılmış SaaS platformlarının ve bağlantısız kontrol panellerinin ötesine geçerek, yapılandırılmış ve yapılandırılmamış verileri birleştirebilen, gerçek zamanlı bağlamı koruyabilen ve sıkı erişim kontrollerini uygulayabilen birleşik, açık bir veri mimarisine doğru ilerlemek anlamına gelir. Temeller doğru bir şekilde atıldığında kuruluşlar ölçülebilir sonuçlara doğru ilerleyebilir, verimliliğin kilidini açabilir, karmaşık iş akışlarını otomatikleştirebilir ve hatta tamamen yeni iş alanları başlatabilir.

Infosys’in birim teknoloji sorumlusu Rajan Padmanabhan, özellikle işletmelerin iş kararlarını yönlendiren çıktılarda kesinlik aradığı bir dönemde bu değer odağının kritik öneme sahip olduğunu söylüyor. Önde gelen şirketler, yapay zeka girişimlerini yalıtılmış inovasyon projeleri olarak ele almak yerine, neyin sonuç vereceğini ve neyin hızlı bir şekilde terk edilmesi gerektiğini belirlemek için yönetişim çerçevelerini kullanarak yapay zeka dağıtımını doğrudan iş ölçümlerine bağlıyor.

Patel, “Yapay zeka hakkında nasıl düşünmeleri gerektiğini anlamaya çok hevesli olan iş kullanıcılarının yapay zeka okuryazarlığı konusunda bu büyük fırsatı görüyoruz” diye ekliyor. “Kapakları açtığınızda yapay zeka ne anlama geliyor? Hem teknoloji hem de eğitim ve etkinleştirme açısından yerine yerleştirmeniz gereken parçalar ve yapı taşları nelerdir?”

Önümüzdeki olasılıklar oldukça önemli. Yapay zeka ajanları yardımcı pilotlardan iş akışlarını ve işlemleri yönetebilen otonom operatörlere dönüştükçe kazanan kuruluşlar, şimdi doğru temeli oluşturan kuruluşlar olacak.

Padmanabhan, “Yeni bir düşünme biçimi olarak gördüğümüz şey, bir infaz sisteminden veya bir katılım sisteminden bir eylem sistemine geçiştir” diye belirtiyor. “Önümüzdeki yolu görmemizin yeni yolu bu.”

Kurumlarda yapay zekanın geleceği, işletmelerin parçalanmış bilgileri hem daha akıllı kararları hem de tamamen yeni çalışma şekillerini güçlendirebilecek stratejik bir varlığa dönüştürüp dönüştüremeyeceğiyle belirlenecek.

Business Lab’ın bu bölümü Infosys Topaz ortaklığıyla hazırlanmıştır.

Tam Transkript:

Megan Tatum: MIT Technology Review’dan ben Megan Tatum ve bu Business Lab, iş dünyası liderlerinin laboratuvardan çıkıp pazara çıkan yeni teknolojileri anlamalarına yardımcı olan program.

Bu bölüm Infosys Topaz ortaklığıyla hazırlanmıştır.

Yapay zekadaki son gelişmeler bazı ilgi çekici yeni endüstriyel uygulamaların kilidini açmış olabilir, ancak yetersiz veri modellerine güvenmek, birçok işletmenin duvara çarpması anlamına geliyor. Özellikle yapay zeka ve ajansal yapay zeka, veriler üzerinde yepyeni bir dizi talep ortaya koyuyor. Teknolojinin etkili bir şekilde çalışabilmesi için daha fazla erişim, bağlam ve korkuluklar gerekiyor. Mevcut veri modelleri çoğu zaman yetersiz kalıyor. Çok parçalanmış veya silolanmışlar. Verilerin kendisi genellikle kaliteden yoksundur. Aradaki boşluğu kapatmak için yapay zekaya hazır bir yükseltmeye ihtiyaçları var.

Sizin için iki kelime: veriler yeniden yapılandırıldı.

Bugünkü konuğum, Databricks’te Pazara Çıkıştan sorumlu kıdemli başkan yardımcısı Bavesh Patel ve Infosys’te veri analitiği ve yapay zekadan sorumlu birim teknoloji sorumlusu Rajan Padmanabhan.

Hoş geldiniz Bavesh ve Rajan.

Rajan Padmanabhan: Teşekkür ederim. Bizi ağırladığınız için teşekkürler.

Baveş Patel: Bizi ağırladığınız için teşekkürler.

– Megan: Fantastik. Bugün bize katıldığınız için ikinize de çok teşekkür ederim. Bavesh, eğer sana gelebilseydim yapay zekaya hazır verilerden bahsederken tam olarak ne demek istiyoruz? Yapay zeka verilere hangi yeni talepleri getiriyor ve bu, verilerin yapılandırılması ve kullanılması gereken şekli nasıl etkiliyor?

Baveş: Evet. Harika bir soru. Bugün bizi ağırladığınız için teşekkür ederiz. Kullanıcı olarak görebildiğimiz güç nedeniyle tüm dünyanın yapay zekaya aşık olduğunu düşünüyorum. Yapay zeka artık yüz milyonlarca kullanıcı arasında demokratikleşti. Yapay zeka kullanan işletmeleri ve işletmeleri düşündüğümüzde, bu yapay zekanın kalitesi ve yapay zekanın ne kadar etkili olduğu aslında kuruluşunuzdaki bilgilere bağlıdır ve bu da verilere bağlıdır. Ve çoğu işletmenin verilerinin bu farklı uygulamalarda ve farklı sistemlerde kilitlendiğini gördük. Ve iyi bir görüş elde etmek çok zor, tüm verilerim neler? Ne kadar güvenilir? Ne kadar yeni ve güncel? Ve bunların hepsi yapay zekaya enjekte ediliyor. Verilerinizi doğru bir şekilde anlamadığınız, verilerin doğru olduğundan ve yapay zekanın bundan yararlanabilmesi için kullanılabildiğinden emin olma yeteneğiniz olmadığı sürece, aslında berbat bir yapay zekaya sahip olacaksınız.

Pek çok müşterinin verilerini temizlemeye, verilerini düzenlemeye, erişimin doğru şekilde kontrol edildiğinden emin olmaya zaman harcadığını görüyoruz ve bu da iyi yapay zekanın yakıtı oluyor.

– Megan: Evet. Bu çok temel bir şey, değil mi? Ama bence oldukça kolay bir şekilde gözden kaçırılabilir. Rajan, yapay zekanın ve uygulamalarının tüm potansiyelini ortaya çıkaran kuruluşlar için yapay zekaya hazır verilere sahip olmak gerçekten ne gibi bir fark yaratabilir?

Rajan: Öncelikle bizi ağırladığınız için teşekkür ederiz. Bu bir zevk. Bavesh’in bahsettiği şeyin devamı olarak veri ve yapay zekanın oldukça eşanlamlı olduğunu düşünüyorum. Benzer şekilde, tüketici yapay zekası ile kurumsal yapay zeka ve kurumsal aracılı yapay zeka farklıdır çünkü her şeyden önce işletmenin bir bağlama sahip olması gerekir. Yalnızca yapılandırılmış değil, hem yapılandırılmış hem de yapılandırılmamış ve kullanıcı tarafından oluşturulan içerikler ve tüm veri türlerinden oluşan kurumsal bilgilerinizdeki bu bağlam, bağlamı gerçekten doğru bir şekilde elde etmek ve seçtiğiniz herhangi bir modeli gerçekten elde etmek için çok çok kritik olacaktır. Databricks gibi platformların çok sayıda model konusunda veya kendi modellerinizi oluşturmak isteyip istemediğiniz veya modeli verilerinize dayalı olarak temellendirmek isteyip istemediğiniz konusunda gerçekten yardımcı olduğu yer burasıdır. Bu çok çok kritik olacak. Yapay zeka için veri almanın çok ama çok kritik olacağı yer burasıdır.

Üçüncü kritik kısım ve bu aslında yapay zekanın benimsenmesinin önündeki engellerden biri olacak. Bu nedenle, tüketici tarafında AI’nın benimsenmesinin hızla arttığını görüyorsanız, ancak kurumsal tarafta, işletmelerin mücadelesi öncelikle çıktılarının doğruluğu konusundadır, çünkü bir satın alma kararı alırken, bir satma kararı alırken veya bir şey önermeye, içeriği tavsiye etmeye çalışırken bir iş kararı alıyorsunuz. 20 farklı kullanım durumu olabilir. Bunun için hassasiyet çok kritik olacak. Biz müşterilerimizi yani başarılı müşterilerimizi görüyoruz, hassasiyetin %92’nin üzerinde olması kesinlikle bir arzu değil, olmazsa olmazdır. Eğer buna sahipseniz, kesinlikle bu AI verileri olmak şu anda bunun için girişimci olacaktır.

– Megan: Ve sanırım bunun ne kadar kritik olduğunu, şirketlerin nereden başlaması gerektiğini, belki de profesyonel düzeyde, seviyeyi, yapay zekaya hazır bir veri modeli oluşturmanın temelleri neler olduğunu özetlediysek?

Baveş: Evet. Ve bence Rajan çiviyi kafasına vurdu. Demek istediğim, işletmeler tüketici yapay zekasından farklı bir dizi sorunla boğuşuyor. İlk şey, verilerinizi ele almanız gerektiğidir. Bahsettiğim gibi birçok veri kilitli kalıyor. Verilerinizi, mümkün olduğunca fazla verinin bütünsel görünümünü anlayabileceğiniz bir yere koyabilme yeteneğinizin olmasını sağlamak. Bu, verilerinizi açık formatlara koymakla başlar. Günümüzde bir kuruluştaki değerli verilerin çoğu, özel bir SaaS uygulamasında veya bazı sistemlerde kilitlenmiştir ve tüm veri kümeleri, bu bağlamı oluşturacak şekilde birbirine bağlanmamıştır. İlk adım, veri varlıklarınızın ne olduğuna dair gerçekten bir analiz yapmaktır. Onları ve birbirleriyle nasıl bağlantılı olduklarını anlamaya başlayabileceğiniz bir yere yerleştirilmesi gereken kritik veri parçaları nelerdir?

Veri kataloğunuzu nasıl kuracağınızı düşünmek, veri varlıkları arasındaki ilişkilerin nasıl çalıştığını düşünmek, veri yönetimini bunun etrafına yerleştirmek ilk adım gibi görünüyor. ChatGPT’nin nasıl oluşturulduğunu düşünürseniz, internetteki tüm verileri aldı ve sonra bunları bir araya getirdi, sentezledi ve sonra bu transformatör modellerini oluşturdu; ancak işletmeler, organizasyon içindeki tüm verileri gerçekten kontrol edemiyorlar. Gerçekten düşünmek isteyeceğiniz ilk temel budur. İkinci şey ise, geçici olarak gidip rastgele yapay zeka projeleri yapmak istememenizdir. Gerçekten iş değerini düşünmeniz gerekiyor. Müşterilerimizin çoğu yapay zekaya çok daha stratejik bakıyor; projeleri kazançla hayata geçirmek ve ardından iş değeri yaratmak istiyorlar.

Verilerinizin ne kadar iyi organize edildiğiyle bağlantılı bir yapay zeka değeri yol haritası oluşturmak, bu iki şeyin, yapay zekayı kuruluşunuzda başarılı bir şekilde nasıl başlatacağınız konusunda temel teşkil ettiği görülüyor.

– Megan: Bu değer parçası çok önemli, değil mi? Anladığım kadarıyla Infosys ve Databricks, kuruluşlara bu dönüşümde rehberlik etmek için yakın işbirliği içinde çalıştı. Merak ettim, birlikte çalıştığınız kuruluşların gördüğünüz etkisine ilişkin bazı örnekleri paylaşabilir misiniz Rajan, bu onların daha karmaşık yapay zeka ve ajansal yapay zeka uygulamalarını entegre etme yöntemlerinde ne gibi bir fark yarattı?

Rajan: Bu çok çok güzel bir soru. Hem Databricks hem de Infosys’in yaptığı şey, bir nevi ilk çerçeveyi ortaya çıkarmaktı. Her şeyden önce her şeyin değerle başlaması gerekiyor. Birlikte çalıştığımız en büyük gıda ürünleri şirketlerinden birinde yaptığımız şey bu çerçeveyi uygulamaktı. Çerçeve altı farklı şeyden oluşur. Her şeyden önce Bavesh’in de değindiği değer yönetimi çok kritik. Uyum sağlama, iş değeri ve ardından sorumluluk dediğimiz bir 3M ölçüm çerçevesi oluşturmak için birlikte çalıştık. Gidip bir garaj projesi yapamazsınız. Ölçülebilir olması gerekiyor. Sorumlu olmalı, tüm bunları takip etmeli. Bu çok kritik olacak. Ve bu müşterinin, yaptıkları yatırımlara paranın karşılığını en iyi şekilde verecek şekilde öncelik vermelerine yardımcı olduk.

Buradaki ikinci kritik kısım, günümüzde çoğu işletmenin herkesin yapay zekadan doğan şirketleri olmamasıdır. Çoğu analog sırasında doğdu günler; çoğu dijital günlerde doğdu. Modernizasyon için yapay zekayı uygulayan şirketler var, çünkü aslında uzun vadeli bağlamı oluşturmanıza yardımcı olan birçok tarihsel bilginiz var. İşte bu noktada Lakebridge veya mevcut yapay zeka asistanları gibi Databricks’in bazı yerel araçlarıyla yakın işbirliği içinde çalıştık ve ardından müşterilerin Databricks’e kattığı değerin kilidini açmasına yardımcı olmak için bunun üzerinde şekillendirilebilir hizmetler oluşturduk. Ve sonra müşteriye yardım ettiğimiz ikinci kısım tam da asıl nokta, verilerin hazırlanması. Artık verileri getirdiniz, şimdi hem yapılandırılmış, hem yapılandırılmamış, analitik hem de tüm bu yönleri getirmelisiniz.

Ve üçüncü katmanda, Databricks’le yakın bir şekilde çalıştığımız yer burasıdır; bu, ister Unity Kataloğu olsun, ister açık formatlar olsun, ister ağ geçitleri ve diğer hususlar olsun, Databricks’in tüm harika yeteneklerinden yararlanmanın bir parçası. Verileri bu müşteri için kullanılabilir hale getirebildik. Müşterimize gerçekten yardımcı olan üçüncü bölüm, farklılaştırıcılardan biri olan Ajan Bricks’tir. Size girişimin lezzetini verir. Burası yakın bir şekilde çalıştığımız yer ve ister CPG olsun, ister enerji olsun, ister FS olsun, sektöre özel acentelerimizden bazılarını oluşturduk. Ve bu müşteri için yaptığımız şey şu: CPG’ye özgü kullanım örneklerinden bazılarını aldık. Ya İK alanında, satın alma alanında ya da pazarlama alanında olabilir. Ve bu, müşterimizin bunu çevreleyen bir iş yeteneği oluşturmasına ve sekiz ila dokuz kullanım senaryosunun kilidini açmasına gerçekten yardımcı oldu; biz buna, onlar için gerçekten daha fazla değer sağlayabilen ve gerçek iş sorunlarını çözebilen ürünler, ajansal yapay zeka ürünleri diyoruz.

Ve bu tür kapsamlı çerçeveler artı hizmet paketleri seti, artı çözüm varlıklarımız, Infosys çözüm varlıkları ve Databricks’in değerini ortaya çıkarmak bu müşterilere gerçekten yardımcı oldu. Ve bu çerçeveyi fiili olarak uygulayarak değeri sürekli olarak artırabildiğimiz bu başarılı anlaşmaların çoğunda benzer patentler görüyoruz.

– Megan: Sağ. Gerçekten maddi bir fark yaratmış gibi görünüyor. Rajan orada Databricks kataloğundaki birkaç araçtan bahsetti, Bavesh. Yakın zamanda yapay zeka aracıları ve uygulamaları için operasyonel bir veritabanı oluşturmak için çalıştığınızı biliyorum. Böyle bir platformun kuruluşlara bu yolculukta nasıl yardımcı olabileceğini merak ediyorum. Onu şu anda mevcut olan diğer platformlardan farklı kılan şey nedir?

Baveş: Databricks, AI uygulamalarınızı oluşturabileceğiniz gerçekten bir OLTP veritabanı olan Lakebase adlı yeni bir teklifle piyasaya çıktı. Ve eğer düşünürseniz, bir kuruluşta aslında iki ana veri türü vardır. Olan biten her şeyi kapsayan tüm tarihsel veriler var ve analizleriniz gerçekten buna dayanıyor. Tüm geçmiş verilerinizi koyduğunuz eski bir uygulama sisteminiz var ve Databricks, aslında doğası gereği operasyonel olmayan tüm verilerinizi içeren bir veri ambarı olan Lakehouse dediğimiz şeyle pazara geldi. Bunlar tarihsel verilerdir. Lakehouse konseptinin yapay zeka konusunda gerçekten ilerleme kaydettiğini düşünüyorum çünkü birçok müşterimizin işlerinde binlerce kullanıcı var ve veri almaları gerekiyor. Ve yaptıkları şey, aslında bir kontrol paneli veya rapor oluşturmak anlamına gelen BI rotasını takip etmeleriydi.

Çoğu kuruluşta bu gösterge tablolarından ve raporlardan binlercesi kuruluş genelinde çoğalmıştır ve daha sonra bunların özelleştirilmesi gerekir. İşletme içindeki kullanıcıların verilere gerçekten erişmesi uzun zaman alıyor. Artık yapay zeka, çoğu veri ekibi için gerçekten kutsal kase olan verilere erişimi demokratikleştirebildiğimiz analitik perspektifinden bakıldığında bunu gerçekten çok daha kolaylaştırıyor. Gerçekten yoldan çekilmek ve doğru verileri, işletme içindeki doğru erişime sahip doğru kişilere vermek istiyorlar.

Databricks’teki Genie gibi bir ürünle, verilere ilişkin sorular sormak için yalnızca İngilizce dilini veya diliniz ne ise onu kullanabilirsiniz. Ayrıca sorularınızı bağlam içinde yanıtlayan verileri size geri verecektir. Size sadece ChatGPT’nin internetteki bir konu hakkında bilgi vereceği şeyi vermekle kalmayacak, aynı zamanda size şunu da söyleyecektir: “Peki, satış rakamlarım neden Nisan ayında beklentilerimi yansıtmadı?”

Kurumsal verilerinize dayalı olarak size bazı temel neden analizleri sunacaktır. Genie, iş içindeki verileri gerçekten demokratikleştireceği için gerçekten önemli olan şeylerden biri olacak. Bu bir nevi OLAP dünyası, Lakehouse da böyle bir şey. Yakın zamanda Lakebase dediğimiz OLTP dünyası ile piyasaya çıktık. Bulduğumuz şey, aracıların artık bu kuruluşlarda konuşlandırıldığı ve bu aracıların tüm orkestrasyonlarını ve söz konusu iş akışında olup bitenlerin tüm bağlamını saklayabilecekleri bir yere ihtiyaç duymaları. Bir yanda sadece soru soran kullanıcılar var. Öte yandan, bir sonraki bölüm tüm iş sürecinin otomatikleştirilmesiyle ilgili olacak. Pazarlamada kampanya oluşturmak gibi bir işlevi üstleniyorsanız değil mi? Kullandığınız birçok araç ve kullandığınız birçok adım var.

Bir temsilci gelip bunların çoğunu gerçekten otomatikleştirebilir. Ancak bu temsilcinin arka ucunda, temsilcinin yaptığı her şeyi takip etmek için gerçek zamanlı bir veritabanı oluşturmanız gerekecek. Databricks’in pazara sunduğu şey de bu, OLTP Lakebase çözümü. Pazara sunduğumuz yenilik, Lakehouse verileriyle veri ambarında yaptığımıza benzer şekilde, bilgi işlem ve depolamayı ayırdığımız modern türde bir Postgres veritabanı olmasıdır. Ancak Lakebase’de veriler bulut depolama alanınızdaki tek bir kopyada bulunur ve ardından bilgi işlem ayrılır ve sunucusuz olur. Dallanma gibi şeyleri yapabilir ve OLTP veritabanını gerçekten hızlı bir şekilde başlatabilirsiniz. Bulduğumuz şey, ajanların aslında bu Lakebase’leri başlattıkları çünkü çok hızlı bir şekilde bir tane başlatabiliyorlar, çalışır durumda tutabiliyorlar, gerektiğinde bırakabiliyorlar ve bir kopyasını çıkarabiliyorlar.

Temsilciler bunu yapıyor, ardından hıza, uygun maliyetli bir çözüme ihtiyaç duyuyorlar. Ve tüm bunların güzelliği, Lakebase’in her yerinde ve gerçek zamanlı olan OLTP’yi ve OLAP’ı aldığınızda, artık tüm verileriniz için tek bir sisteme sahip olursunuz. Verileri kopyalamanıza gerek yok, tüm izinleri yönetmenize gerek yok, bağlamı buna göre ayarlayabilirsiniz. Bu yapay zeka uygulamalarının gerçekten işletmelerin işleyişinin geleceği olduğunu, insanların tekrarlayan işler yapmak zorunda kaldığı tüm darboğazları ortadan kaldıracaklarını ve bunları yüksek lisans ve tüm bu yeni teknolojileri kullanarak otomatikleştireceklerini görüyoruz. Tüm bunlara güç sağlamak için varsayılan olmak istiyoruz çünkü Lakebase teknolojimizin bir yapay zeka veritabanı için daha hızlı, daha ucuz ve daha güvenli olacağına inanıyoruz.

– Megan: Gerçek bir oyun değiştirici gibi görünüyor. Ve buna daha önce birkaç kez değinmiştik, yani bu değer fikrine. Yatırımların ticari değerinin yapay zekaya dahil edilmesinin şu anda kıdemli liderlerin öncelikleri arasında gerçekten yüksek olduğunu biliyoruz. Yapay zekaya hazır veri sistemleri oluşturma söz konusu olduğunda bu değer ölçüm parçası ne kadar önemli Rajan? Kuruluşlar neyin sağlanıp neyin sağlanmadığını izlediklerinden nasıl emin olabilirler?

Rajan: Bu çok büyük önem taşıyor ve başarılı yapay zeka uygulamalarının veya aracılı yapay zeka uygulamalarının çoğu bu değer ölçümünü gerçekten gerektiriyordu. Bu soruyu açıklamak için bahsettiğim müşteri örneğini, büyük gıda ürünleri şirketini, küresel ürünler şirketini genişleteceğim. Sadece bir metafor yaratmak istiyorum. İlk dijital dünya geldiğinde, öncelikle performans yönetimi KPI’larının tanımlanması, gerçeklere dayalı karar verme ve belirli bir süre içinde gelişen diğer şeylerle ilgili bu analizlerin çoğuna sahibiz. Tipik olarak, bu ölçümlerin çoğu, bir fonksiyonun nasıl olduğunu, bir işletmenin nasıl çalıştığını ölçmek açısından çok kritik olacaktır. Değer ölçümünde de benzer bir doğrultuda, aynı müşteri örneğini ele alırsak, bir organizasyon için çok kritik olan aslında beklediğiniz sonucun haritasını çıkarmaktır.

Bu durumda doğrudan ve dolaylı satın alımlarda harcamalarımı nasıl optimize edebilirim? Yani yapay zekayı uygulayarak harcamayı optimize edebileceğim alanları belirlemek istiyorum. Bu, sahip olduğunuz kritik önlemlerden birinin, dolaylı gider sınıflandırmanızın ne olduğu ve hangi harcamaların sınıflandırıldığı ve bunu getirerek ne kadar azaltabileceğiniz anlamına gelir. Bu önlemlerin ve metriklerin oluşturulması çok ama çok kritik olacak. Ve bu temel metrikleri ve ölçümü oluşturduğunuzda ve bunun güzelliği, Bavesh’in bahsettiği şeyi genişletmek için bu metriklerden bazılarıdır, Databricks’in size sunduğu metrik görünümü, özellikler, araçlar ve diğer şeyler gibi yetenekler aslında uygulamalarınızdan gelen bu AI telemetrilerini, iş telemetrilerini, değer yönetimi ölçümü için Genie odasını kullanarak gerçekten ölçebileceğiniz bir sonuç açısından ölçülebilir bir metriklere dönüştürmenize yardımcı olacaktır.

O zaman, alabileceğiniz iki şey olur; kullanım senaryosu, bu müşteri için söylediğim ürünler, tedarik tarafında veya pazarlama araştırması tarafında oluşturduğumuz ürünler, VAC nedeniyle bir değer olduğunu bulursanız, optimize edebildiklerini veya erişilebilirlik sağlayabildiklerini belirlerler, erişim nedir, ya bu kullanım senaryosunu hızlandırabilir ve genişletmek için o ürüne daha fazla ince ayar yapabilirsiniz. Veya, eğer bunun değeri gerçekten artırmadığını düşünüyorsanız veya sağlayacağı değeri göremiyorsanız, onu çalıştırmaya çalışmak yerine hızlı bir başarısızlık yöntemini çok iyi uygulayabilirsiniz, anlayabilirsiniz ve sonra onu başka bir şeye döndürmek için bir çağrı alabilirsiniz.

Burada üç yön var. Deneyimlerimizden gördüğümüz şey, yalnızca endüstriyel üretimden, FS’den veya enerjiden diğer bazı müşterilerimizdeki bu metrik odaklı değerleme yöntemini önceden kurmak ve ardından bu telemetrileri, sinyalleri bir ölçüme dönüştürmek, AI pusula odası dediğimiz şeyi oluşturmak, dönüştürmek için yeteneklerden yararlanmaktır, böylece iş paydaşlarını gerçekten ölçersiniz, ister bir pazarlama ofisinden, ister tedarik zinciri ofisinden geliyor olsun, ister bir CFO ofisinden geliyor olsun, şunu söyleyebilirler: “Hey, yapılması amaçlanan şey bu, mevcut ölçüm bu ve onların dönmelerine yardımcı olabilecek başarısızlığın olduğu yer burası.” Ve bu aslında yapay zekayı harekete geçirecek ve demokratikleştirecek, kuruluş çapındaki tüm aracıların çürümesini sağlayacak ve bu da gerçekten değeri artıracak.

Bu, işletmenin bunu yapması gereken kritik kısımlardan biri olacak. İşte bahsettiğim altı bölümlü çerçeve, değer ofisi gibi bu çerçevenin uygulanması, yapay zekaya hazırlığın uygulanması, dönüşüm yapısının uygulanması burada. Üçüncü kısım ise bunun girişimcisi olacak olan yönetimdir. Daha sonra operasyonlarınızı SLA’ya dayalı değil, sürekli olarak ölçebileceğiniz deneyim düzeyi anlaşmalarına ve iş metriklerine dayalı olarak yürütmek, bu altı katmanın tümünü bir araya getirmek çok kritik olacaktır. İşte o zaman kuruluşların çok başarılı olduğunu görüyoruz ve kanıtlanmış örneklerimizden bazıları tam olarak aynısını yapıyor; bu, ölçüm açısından kuruluşlar için çok kritik olacak.

– Megan: Burada değeri gerçekten ölçebileceğiniz birçok somut yol var. Yönetişime değindiniz ve yapay zekanın yönetişim üzerindeki etkisi üst düzey liderler arasında bir başka önemli tartışma konusu ve verilerle olan etkileşimler bunun temel bir parçası. Doğru yönetişim ve güvenlik protokollerine sahip olmak ne ölçüde yapay zekaya hazır verilere sahip olmanın ayrılmaz bir parçası? Bavesh’e göre bu sistemlerin hangi senaryolarla başa çıkması gerekiyor? Bu, veri modelleri açısından ne anlama geliyor?

Baveş: Bu, başarılı bir yapay zeka projesini devreye almanın bir nevi ön koşulu haline geliyor. Sanırım MIT, bu yeni yapay zeka projelerinin %95’inin aslında iş değeri yaratmada başarısız olduğunu belirten bir rapor hazırladı. Bunun büyük bir nedeni, gidip prototip oluşturabilmeniz, ayağa kalkabilmeniz ve bir pilotu titreşimle kodlayabilmenizdir, ancak aslında bir iş yükünü üretime taşıdığınızda, yönetişimin çok kritik hale geldiğini fark edersiniz.

Peki yönetişimle gerçekte neyi kastediyoruz? Sanırım ilk şey verilerinizi dediğim gibi açık formatlarda sıraya koymak. Artık çoğu şirket, müşterileriyle etkileşim kurma biçimlerinin, bir ilacı geliştirme biçimlerinin, bir kişiyi kredi limiti artışı için onaylama biçimlerinin, tüm bu kurumsal bilgilerin aslında onların rekabet avantajı olduğunu fark ediyor. Çünkü ChatGPT veya Claude gibi herkesin erişebildiği bir sınır modelini gidip kullanabilirsiniz.

Aslında çoğu kuruluş için en büyük rekabet avantajı, kendi verileri ve ardından bunlara ekleyebilecekleri üçüncü taraf verileridir. Verilerinizi açık bir formata dönüştürmek, böylece verilerinizi anlayabilmek ve verilerinizi anlamak, yönetişimin devreye girdiği yerdir. Çünkü yönetişimi düşündüğünüzde, gerçekten verileri bulabilmeyi istersiniz.

Son kullanıcıysam veya bir yapay zeka ürünü geliştiriyorsam hangi verilerin bana uygun olduğunu bilmek isterim. Verilere güvenebilir miyim? Veriler ne kadar güncel? Bu benim analitik dünyamdan mı geliyor yoksa OLTP sistemi gibi gerçek zamanlı bir sisteme mi ihtiyacım var? Veriyi bulmam gerekiyor. Ayrıca erişimin kuruluşumda büyük sıkıntılara yol açmayacak şekilde kontrol edildiğinden emin olmam gerekiyor. Bu kritik hale gelir. İçlerinde satın alma siparişleri bulunan bir sürü PDF’im varsa, tüm bu verilere gerçekte kim erişebilir?

Örneğin sağlık sektöründeki bir klinik denemede, denemelerdeki kişilerin hasta verilerini görememesini gerçekten sağlamak istiyorsunuz. Belki bunu oluşturmak için kullanılan model deneme aşamasındaydı. Tüm verilere kim erişebilir? Verinin yalnızca bir kısmına kim erişebilir? Bunu gerçekten düşünmeniz gerekiyor. Ayrıca verilerin anlambilimine de bakıyoruz. Rajan bunu en başında dile getirdi, bağlam nedir? Metrikler ve iş kullanıcılarının kafalarında bildikleri her şey hakkında nasıl düşünüyoruz? Bunu bir yerden kodlamaya başlamamız gerekiyor. Databricks’te Unity Catalog adında keşif, erişim ve iş anlamlarını yapabileceğiniz bir ürünümüz var. Ayrıca verileri paylaşmak istiyorsunuz.

Ve ajanların dünyasında, ajanların yayılması olarak adlandırılan bir şey görüyoruz. Çok kısa bir sürede, tıpkı SaaS uygulamalarının herhangi bir kuruluşta gerçekten bir iş sorununu çözdüğü gibi çok yaygın hale gelmesi gibi. Bir iş koluna gidiyorsunuz ve “Kredi yüklenimi yapabilmem gerekiyor” veya “Ön yetkilendirme kullanım senaryosu yapıyorum veya binlerce kullanım senaryosu seçiyorum” diyorsunuz. Bunun için bir SaaS uygulaması var. Buna benzer şekilde, temsilcilerin devreye gireceği bir dünya olacak ve çoğu kuruluşta sürekli çalışan çok sayıda temsilci olacak, ancak gerçek şu ki, bu temsilci nasıl performans gösterdi? Kullanıcıdan gelen geri bildirim döngüsü neydi? Bu iş yükünü çalıştırmanın maliyeti neydi ve dramatik bir şekilde artıyor mu? Ve eğer tüm soruları, cevapları ve yanıtları geniş ölçekte izlemenin, anlamanın ve izlemenin bir yolu yoksa, kendinizi büyük bir zor durumda bulacaksınız. Bu aslında kuruluşunuza zarar verebilir çünkü kullanıcıların ne yapacakları konusunda kafası çok karışık olacaktır.

Yönetişime baktığınızda çoğu kuruluş, bir sistemden, bir süreçten, bir araç bakış açısından uygulamaya koyduklarının ne olduğunu anlamaya başlamaları, tek bir kullanım senaryosuna odaklanmaları, bunun için yönetişimi oluşturmaları, ancak onu tekrarlanabilir olmanızı sağlayacak şekilde inşa etmeleri gerektiğinin farkına varıyor. Yapay zeka bir veya iki kullanım durumuyla ilgili olmayacak. Birçok kullanım senaryosunu emniyetli, emniyetli ve uygun maliyetli bir şekilde oluşturma volanını kim inşa ederse, iş sonucunu yönlendiren kişi o olur. Yönetişimi uygulamazsanız işiniz çok zor olacak.

Databricks’te dört ya da beş yıl önce yönetişim üzerine büyük bir iddiaya girdik. Bu, şirketimizin şu anda büyümesinin ana nedenlerinden biri çünkü tüm yapay zekanıza kaliteli verilerin girdiğinden emin olabiliyoruz. Genie gibi şeyleri kullanabilir, Agent Bricks gibi şeyleri kullanabilir ve Lakebase’i kullanarak uygulamalar oluşturabilirsiniz. Yönetişim olmadan bunların hiçbiri gerçekten işe yaramaz. Gerçekten Databricks’in içindeki beyin dediğimiz şey budur.

Müşterilerimizin çoğu Unity Catalog’da çok fazla zaman harcıyor. Harika haber şu ki yapay zeka, yönetişimin çok daha hızlı kurulmasına yardımcı oluyor. Üç yıl önce, tüm etki alanlarındaki tüm veri varlıklarını müşteriden, sadakat uygulamasından, e-ticaret motorundan almaya çalışan bir müşterimiz var. Gidip tüm bu veri varlıklarının haritasını çıkarmaları gerekiyordu. Yapay zeka artık işlerinin çoğunu onlar adına yapıyor. Döngüdeki insan sadece bir şeyleri kontrol ediyor.

Yapay zeka ile bunu çok daha kolay hale getirdik. Yapay zekayı her zaman bir iş kullanım durumu ve bir sonuç olarak düşünüyoruz; bence en büyük değer bu olacak. Ancak Databricks olarak, işletimi çok daha kolay hale getirmek ve işletmeniz için tüm doğru şeyleri sağlamayı çok daha kolay hale getirmek amacıyla platformumuzun içinde yapay zekayı kullanıyoruz. Bu, yapay zeka pazarda meyvelerini verirken nasıl yenilik yapmayı planladığımızın çok kritik bir parçası.

– Megan: Ve Rajan, Bavesh buna biraz değindi ama Agentic AI’nın entegrasyonu buraya da başka bir karmaşıklık katmanı ekliyor mu? Bu, yönetişimle ilgili hangi yeni düşünceyi gündeme getiriyor?

Rajan: Bu çok çok geçerli bir soru. Gerçekten açıklamak için bir metafor almak istiyorum. Kendi kendini süren arabaların, robotaksilerin ve diğer şeylerin dünyasına giriyoruz. Bu bizi otonom dünyaya götürürken, yine de yolda araç kullanırken uymanız gereken kurallar var. Bu metaforu getirmemin nedeni, aslında gerekli olanın aslında kurallara bağlı kalmak olması ve farklı topografyalar, farklı şeyler, arabayı nereye sürdüğünüze bağlı olarak çok çok kritik olacaktır. Aracıların ekleyeceği karmaşıklık, temel olarak bu kısıtlamalarla nasıl çalışacağınızdır.

Örneğin, bir UTO olarak 10 şey yapabilirim ama diyelim ki %70’in üzerinde bir indirimi onaylayamıyorsam ya da birine ikramiye olarak bir şey veremiyorum çünkü bu CFO’nun bir parçası ve bir temsilcinin bunu bilmesi gerekiyor.

Bu, etrafındaki kısıtlamaları uygulamak ve aracıların kısıtlamalara bağlı kalmasını sağlamak, bir yönüdür. Oluşturduğu ikinci karmaşıklık kümesi, erişilecek araçlardır. Günümüz dünyasında bir işletme olarak, bir süreci tanımladığınızda, belirli süreçlerin onu gerçekten eyleme geçirmek için belirli araçlara ihtiyacı vardır. Belirli yetkiler vardır, yalnızca kimliklerine göre, ihtiyaca veya duruma göre belirli şeyleri yapmaya yetkili olan kişileri yönetmeniz gerekir. Üçüncüsü bilgi paylaşımıdır. MCP ve diğer yönler harika olsa da, UCP ve diğer yönler harikadır ancak kritik noktalardan biri, neyi paylaşmanız gerektiği ve neyi paylaşmamanız gerektiğidir. Ve bunlar kritik hususlardır.

Son kısım öğrenme ve yeniden öğrenmedir. Bazen iyi şeyler öğrendiğinizde bir şeyleri saklamanız gerekir. Bazen onu tamamen ortadan kaldırıp daha yeni bir şekilde yeniden değerlendirmek, daha yeni bir şekilde yeniden öğrenmek sizin için daha iyidir. Bunların hepsi gerekli olan kritik şeyler. Benzer şekilde acenteler için de bu çok önemli olacaktır, çünkü bir kuruluş için acenteleri çalıştırdığınızda, uyumlulukla ilgili belirli kuralları, işle ilgili kısıtlamaları ve ardından yetki kimliğini bilmeniz, öğrenmeniz ve bunlara uymanız gerekir ve ardından fiziksel bir insan için geçerli olan her şeyi paylaşmak, bir acenteye de uygulanmaya başlayacaktır. İşte burası çok kritik olacak. Bu, yeni bir işletim sistemi seti gerektirir. Bu aslında yeni bir şeyin dışına çıkın anlamına gelmiyor. Bavesh’in Unity Kataloğu’na nasıl değindiğini yorumladığım yer burası.

Gördüğümüz ve bazı müşterilerimizin uyguladığı en iyi kısım, Birlik Kataloğunu genişletmek ve şu anda araçları kataloglayabileceğiniz, MCP’yi kataloglayabileceğiniz ve bu aracıları kataloglayabileceğiniz ve ardından bu aracıları kısıtlamalara göre yönetebileceğiniz, kısıtlamalara göre temellendirebileceğiniz yetenekleri genişletmektir.

Çok çok kritik olacak. Bunu daha sonra değil, stratejinizin bir parçası olarak başlatmak ve değeri ölçerken bunu kritik boyutlardan biri olarak uygulamak da bir kuruluş için çok kritik olacaktır. Bu, sadece otonom arabayı üretmekle kalmayıp aynı zamanda arabanın yoldan çıkmadan yolun kurallarına göre hareket ettiğinden emin olmak gibidir.

– Megan: Orada düşünecek çok şey var. Büyüleyici şeyler. Teşekkür ederim. Kapatmak gerekirse, ileriye hızlı bir bakışla, hepimiz yapay zeka ve Ajansal yapay zekadaki gelişme hızının çok hızlı olduğunu biliyoruz. Artık yapay zekaya hazır verilere öncelik verebilen kuruluşlar için, önümüzdeki birkaç yıl içinde öne çıkacağını görebileceğiniz teknolojinin en ilgi çekici kullanım senaryoları neler, Bavesh?

Baveş: Heyecan seviyesinin zirvede olduğunu düşünüyorum. Yapay zekaya çok fazla yatırım yapıldığını gördük. Bence bu kadar heyecanın nedeni, erken benimseyenlere baktığınızda bu kuruluşların elde ettiği büyük kazanımları görebilmenizdir. Size söyleyeceğim tek şey, gerçekten üç kategoriye sahip olan ve iyi durumda olduğunu düşündüğüm şirketlerin çoğunun sadece yardımcı pilotlarla ve insanlara hızlı cevaplar veren şeylerle başladığıdır. Bunu bireyi üretken kılmak olarak düşünün. Bu ilk aşamadır. Ve bunun yatırım getirisi biraz şüpheliydi. Genie gibi bir şey onu çok daha etkili hale getirir çünkü aslında verilerinizdedir ve verileriniz kuruluşunuzda bağlamsallaştırılmıştır. Bence bu, çok fazla yenilik göreceğimiz bir alan. Çoğu kuruluşun doğru bilgiyi doğru kişiye doğru zamanda ulaştırmaya başladığını göreceğiz. Ve bu birçok kuruluşun hayaliydi.

İkincisi ise tüm iş süreçlerinin otomatikleştirilmesiyle ilgilidir. Daha önce de belirttiğim gibi pazarlama içindeki işlevleri veya bir şirket için indirim sürecinden geçip geçmediğinizi görüyoruz. Üç farklı uygulamaya girmeniz ve verileri Excel’den dışa aktarmanız ve buraya koymanız gereken bir sürü adım var. Çok zahmetli, monoton, tekrarlanabilir işler yapan binlerce insan var. Bu aracılar gerçekten sadece iş süreci için büyük miktarda üretkenlik elde etmeye yardımcı olmakla kalmayacak, aynı zamanda işleri daha hızlı hale getirecek. Haftalar süren süreçler artık günler sürecek. Günler süren işlemler artık saatler, dakikalar sürecek.

Gördüğümüz trendlerden biri yapay zeka dünyasının çok dinamik olmasıdır. Pek çok farklı oyuncunun olduğu bir dünyada, ilk prensipleri düşünmek istiyorsunuz, temeller neler? Verilerinize sahip olmayı düşünmek, yapılandırılmış ve yapılandırılmamış verileriniz üzerinde kontrol sahibi olduğunuzdan emin olmak istiyorsunuz. Bunun üzerine yönetimi koymak istiyorsunuz. Ancak yapmadığınızdan emin olmak isteyeceğiniz diğer şey, kendinizi kilitlemektir.

Bugün düşünürseniz İkizler multimodal konusunda gerçekten çok iyi. Ne zaman fotoğraflarınız, videolarınız veya buna benzer şeyler varsa, İkizler süper iyidir. Oysa kod yazıyorsanız Claude gerçekten iyidir. Sadece iç gözlemle ilgili belirli türde sorular soruyorsanız ChatGPT gerçekten iyidir. Gerçekten istediğiniz şey, açık yapay zekanızı birden çok bulutta oluşturabileceğiniz bir açık veri platformudur; biz de Databricks’te bunu geliştirdik.

Bunun ikinci parçaya yardımcı olacağını düşünüyorum, yani seçip seçebilirsiniz çünkü bu ajanları oluşturduğunuzda yalnızca bir tanesine bağlı kalmanıza gerek yoktur. Belirli bir iş yükü için en iyi kaliteyi, en iyi güvenliği, en iyi yatırım getirisini ve maliyeti seçmelisiniz. Bir iş yükü bu modellerden birden fazlasını kullanabilir ve hatta bunlar belirli sektör modelleri bile olabilir. Bu karmaşıklığın üstesinden gerçekten gelebilecek bir sisteme ve platforma ihtiyacınız var.

Üçüncü kategorinin iş dünyasının yeniden tasavvuru olduğunu düşünüyorum. Pek çok insan bunun hakkında konuşuyor, evet, gidip verileri alacaksınız, kullanılabilir hale getireceksiniz ve herkesin verilere erişmesine izin vereceksiniz. Mevcut süreçleri çok daha verimli hale getireceksiniz. Ama üçüncüsü, bundan yepyeni şeyler çıkacak.

Banka olan çok büyük bir müşterimiz var ve onlar bir yıl önce sahip olmadıkları bir ürün geliştirdiler. Esasen, makine öğrenimi ve LLM’ler, hazine departmanlarının bakiyelerinin ne olacağını tahmin etmesine yardımcı oluyor çünkü parmaklarının ucunda daha fazla veri var. Tarihsel olarak verilerin bankacılara ulaşması uzun zaman alıyordu. Bir hazine departmanı için dengenin ne olacağını gerçekten tahmin edemediler. Bunu büyük bir kurumsal şirket için düşünün, artık para kazandırdıkları yepyeni bir veri yapay zeka çözümü geliştirdiler ve bu çözüm, ilk altı ayda yüz milyonlarca dolar kazandırdı. Yepyeni iş kollarının açıldığını görüyoruz ve bu gerçekten heyecan verici olacak çünkü dönüşümün büyük kısmı burada gerçekleşecek. Verimlilik olacak. İş süreci düzeyinde bir çeşit otomasyon olacak. Sonra insanların ortaya çıkacağını hayal bile edemeyeceğimiz büyük yeni şeyler olacak.

Aslında bunun ilk sinyallerini her sektörde görüyoruz. Perakendecilerin tedarik zincirlerine çok daha yakın entegre olabilmeleri için saatlik ve dakika bazında veri aldıklarını görüyoruz. Perakendeciler veya tüketiciler olarak reklamlardan rahatsız olduğumuz, çok daha hedefli müşteri 360 derece kullanım durumları görüyoruz, ancak artık bu çok bağlamsal hale getirildi ve hedef müşteriniz için gerçekten neyin önemli olduğuna dair çok fazla bilgiye sahipsiniz, onlara katma değerli bilgiler veriyorsunuz ve bu onların daha fazla ilgisini çekiyor. Temsilci ticaret, konsiyerj ve sanallaştırılmış alışveriş gibi şeylerde bir sürü yenilik oluyor.

Herhangi bir sektöre baktığınızda mutlaka bir şeyler yapmanın yeni yolları vardır. Yapay zekanın gerçekten heyecan verici yanı da budur, ancak temel şeylerin neler olduğunu düşünmeden gerçekten çok ileri gitmemelisiniz. Bundan daha önce bahsetmiştiniz; açık veri platformu, yönetimin doğru olduğundan emin olmak, geçmiş analitik verileriniz ve gerçek zamanlı olacak uygulama verileriniz hakkında düşündüğünüzden emin olmak, üzerine inşa edilecek iyi bir temele sahip olmak, bu da bu yeni dünyada daha hızlı ölçeklenmenize, hareket etmenize ve rekabet etmenize olanak tanıyacak.

Müşterilerimizde gördüklerimiz ve onların oluşturdukları şeyler bizi çok heyecanlandırıyor. Ve dürüst olmak gerekirse, Databricks’teki görevimin en iyi yanı da bu; ekiplerimiz gerçekten müşterilere gidip “Ne gibi sonuçlar elde ediyorsunuz?” diyor. İlk sinyaller son derece olumluydu. Tüm temel unsurlar konusunda ciddileşen ve gerçekten sonuca dayalı yapay zeka çözümleri oluşturma konusunda gerçekten metodik davranan şirketlerin, başarılı olan projelerin %5’inin son derece başarılı olduğunu görüyoruz. Bu yüzden şirket olarak büyüyoruz çünkü iyi bir projeyi elinize aldığınızda yöneticiler nezdinde görünürlük kazanır.

Son olarak, tarihsel olarak pek çok teknoloji BT departmanında olmuştur. Pazara nasıl girmek istediklerini, nasıl rekabet edeceklerini ve hangi ürün ve hizmetleri sunmak istediklerini tasarlayan bir işletmeye sahip olursunuz. BT kolaylaştırıcıydı ve birçok durumda maliyet merkezi haline geldi ve harcama ve araç portföyünü rasyonelleştirmeye bırakıldı.

Ama şimdi iş dünyasının AI ile liderliği ele geçirdiğini görüyoruz, anlamak istiyorlar, şunu bilmek istiyorlar, “Hey, daha önce mümkün olmayan ne yapabilirim şimdi?” Yapay zeka hakkında nasıl düşünmeleri gerektiğini anlamaya çok hevesli olan iş kullanıcılarının yapay zeka okuryazarlığı konusunda bu büyük fırsatı görüyoruz. Kapakları soyduğunuzda AI ne anlama geliyor? Hem teknoloji hem de eğitim ve etkinleştirme açısından yerleştirmeniz gereken parçalar ve yapı taşları nelerdir? Bu yolculukta onlara yardımcı olan yöneticilerle çok zaman harcıyoruz. Önümüzde kesinlikle pek çok harika fırsat görüyoruz.

– Megan: Evet. O kadar çok yenilik oluyor ki. Ve son olarak, sen nasılsın Rajan? Ufukta sizi en çok heyecanlandıran şey ne?

Rajan: Bavesh’in epeyce konuyu ele aldığını düşünüyorum ama benim gördüğüm kadarıyla bugün ağırlıklı olarak işçi değişiminden bahsediyoruz. Bu, insanın potansiyelini ortaya çıkarmak veya mevcut çalışma biçimini daha verimli çalışma yöntemiyle yeni çalışma biçimine dönüştürmek anlamına geliyor. Çoğunlukla daha çok bir verimlilik oyunudur. Sanırım şu anda gördüğümüz şey bu ve işçi değişimiyle ilgili başarılı kullanım durumlarının çoğunluğu bu. Ancak oldukça umut verici olan şey, iki tür değişimdir; iş değişimi.

Yeni bir düşünce tarzı veya ortaya çıkan yeni şey olarak gördüğümüz şey, uygulama sisteminden veya katılım sisteminden eylem sistemine geçiştir. Önümüzdeki yolu görmemizin yeni yolu budur. İşte değindiğim bazı noktalar tam da bu noktada. İşletme buna erişmek istiyor ancak bu onun için gerçekten nasıl bir fark yaratıyor?

Öncelikle üretim alanında müşterilerimizden biri için uyguladığımız, açıkça görebildiğim klasik bir örnek, bir ürünün yaratılması ve daha sonra ürünün etrafındaki içeriğin farklı B2B pazaryerlerine uygun olarak yayınlanması yaşam döngüsüyle ilgilidir. Bunlardan bazıları, sadece tavsiye etmekten, yaratmaktan bahsetmiyorsunuz, aynı zamanda aslında eskiden beş farklı departmanı içeren bu süreci yeniden hayal edebiliyorsunuz, artık çok daha hızlı yapılabiliyor, ancak aynı zamanda size verebildiğiniz karar ve nasıl eyleme geçirebildiğiniz açısından bu doğruluğu veriyor. Bu da gördüğümüz ikinci şey.

Üçüncü bölüm de ticaretin nasıl geliştiğiyle ilgili olacak diye düşünüyorum. Ayrıca temsilci ticaretin ötesinde bir şey yok, ancak sanırım gördüğümüz şey, acenteden acenteye ticaret, acenteden insan ticaretine ve acenteden acenteye ödemeler, acenteden insana ödemeler ve ardından içerikten para kazanma.

Bunlar, yeni ticari ajans ürünleri oluşturmak gibi yeni iş fırsatlarıdır. Aile teknolojileri için olabilir, tüketici tarafında olabilir veya endüstriyel teknoloji tarafında olabilir. Bunlar benim ekonomi değişimi, işçi değişimi, iş değişimi dediğim şey olacak çünkü bu, yeni bir dizi eylem sistemi getirecek, bunları yürütme sisteminden veya aracılık uygulaması olarak adlandırılan cıvatalı aracılı tipik SaaS uygulamasından çıkaracak. Bu büyük bir dönüşüm olacak ve biz de yoldayız. Ancak teknoloji tarafında girişimcilik için çok kritik olan şey, günümüz dünyasında elinizde veri var, analitik veri var, operasyonel veri var, zeka var, onun farklı yönleri var.

Hem bu analitik çekirdeğin hem de operasyonel çekirdeğin gerçekten bir araya geleceğini düşünüyorum. İşte bu yüzden Lakebase’in piyasaya sürülmesi ve diğer şeyler konusunda bu kadar hevesliyiz çünkü gelecek bu şekilde ilerleyecek. Yapay zeka teknolojisinin kullanım örneklerine gerçekten hazır olmayı düşündüklerinde, yeni dünya için bu birleşik çekirdeği gerçekten nasıl yaratacağınızı gerçekten düşünmelidirler.

İkinci kısım ise insanların bugünü yeniden tasarlaması gerektiği, eğer SAP’yi örnek alırsam, yüzlerce uç uygulama yapıyorsunuz, başka bir şeyi entegre etmek için gereken iş uygulamaları. Tipik olarak bu entegrasyonların yayılmasını sağlıyoruz. Bir teknoloji kullanım durumunda insanlar şöyle diyebilir: “Hey, bu birleşik çekirdeğin üzerinde etki alanı tabanlı bir hizmet ağını gerçekten nasıl oluşturabilirim ve bunu nasıl daha aracılı entegrasyona hazır hale getirebilirim?” Bu, müşteriye tavsiye ettiğimiz teknoloji kullanım örneklerinden biridir.

Sanırım artık SAP’nin etrafında ortaya çıkan birçok yeni alan, Databricks’li BDC ve bu sıfır tabanlı entegrasyon, onların entegre olmaları gereken yolu, işleri yapma biçimini yeniden düşünmelerini sağlıyor.

Üçüncü bölümde, sanırım bir teknoloji yatırımı ve teknolojiden bahsedeceğim teknoloji için en çok gelen kullanım senaryoları sadece şu anda konuşulmuyor. Bu, yapmanız gereken zamandır, insanlara sahip çıkma şeklinizdir, organizasyonlarınız için FTE’lerdir. Temsilciler yeni FTE’leriniz olacak.

Bu, yeni teknoloji paradigmalarından bazılarının, organizasyonunuzda bu ortak zekaları yaratacağınız anlamına geliyor. Bu, bu failsel ızgara olarak adlandırdığımız şeye yatırım yapmanız gerektiği anlamına gelir; bu, diğer tüm etmenlerin gerçekten işbirliği yapabileceği ve entegre olabileceği ve bunun üzerine, birleşik operasyonel analitik çekirdeği, bunun üzerine birleşik failli entegrasyonu inşa edebileceği, birleşik bir failli doku haline gelir; bu, geleneksel deneyimler veya konuşma deneyimlerinden ziyade yeni bir deneyimler dizisi, failli deneyimler yaratacaktır.

O zaman yeni işbirliği yöntemleri, insanların gerçekten teknoloji açısından düşünmesi gereken, teknoloji açısından kritik yönlerden bazıları olacak. Başlangıç ​​olarak, olaya veri açısından bakmaya başladığınızı, birleşik çekirdeği oluşturduğunuzu, birleşik entegrasyonu inşa ettiğinizi ve hem istihbaratla paylaşım ve işbirliği hem de tek bir şemsiye altında yönetilen aracılı işbirliği için bu işbirliği katmanını inşa ettiğinizi söyleyebilirim. Bu, hiç kimsenin kötü hissetmeyeceği tek kritik kullanım durumu olacak ve yatırımlarının gerçekten 100 katını alacaklar.

– Megan: Ufukta heyecan verici gelişmelerin olacağı kesin. Bu sohbet için ikinize de çok teşekkür ederim. Bunlar, Brighton, İngiltere’den konuştuğum Databricks’te Pazara Çıkıştan sorumlu kıdemli başkan yardımcısı Bavesh Patel ve Infosys’te veri analitiği ve yapay zekadan sorumlu birim teknoloji sorumlusu Rajan Padmanabhan’dı.

Business Lab’ın bu bölümü bu kadar. Ben ev sahibinizim Megan Tatum. MIT Technology Review’un özel yayıncılık bölümü olan Insights’a katkıda bulunan bir editör ve sunucuyum. 1899 yılında Massachusetts Teknoloji Enstitüsü’nde kurulduk ve bizi her yıl basılı olarak, internette ve dünya çapındaki etkinliklerde bulabilirsiniz. Bizimle ve fuarla ilgili daha fazla bilgi için lütfen techreview.com adresindeki web sitemize göz atın.

Bu program, podcast’lerinizi aldığınız her yerde mevcuttur ve bu bölümü beğendiyseniz, biraz zaman ayırıp bizi değerlendireceğinizi ve yorum yapacağınızı umuyoruz. Business Lab, MIT Technology Review’un bir yapımıdır ve bu bölümün yapımcılığı Giro Studios tarafından yapılmıştır. Dinlediğiniz için teşekkürler.

Bu içerik, MIT Technology Review’un özel içerik kolu olan Insights tarafından üretilmiştir. MIT Technology Review’un editör kadrosu tarafından yazılmadı. Yazarlar, editörler, analistler ve illüstratörler tarafından araştırıldı, tasarlandı ve yazıldı. Buna anketlerin yazılması ve anketler için veri toplanması da dahildir. Kullanılmış olabilecek yapay zeka araçları, kapsamlı insan incelemesinden geçen ikincil üretim süreçleriyle sınırlıydı.