Alexey Aylarov, Voximplant’ın Kurucu Ortağı ve CEO’su – Röportaj Serisi

Alexey Aylarov, Voximplant’ı voximplant.com iletişim araçlarından başlayarak kurdu. İlk çalışmaları arasında IP PBX geliştirme ve bulut telefonisinin popüler hale gelmesinden önce kendi telekom yazılım şirketini yönetme yer aldı. Zingaya’dan sonra Voximplant geldi ve geliştiricilerin gerçek zamanlı ses ve video için güvenilecek bir sunucusuz platforma dönüştü. Alexey, özellikle büyük dil modellerinin küresel telefoni gerçekleriyle çarpıştığı Voice AI’nin pratik yönleri hakkında yazıyor.

VoIP mühendisi olarak kariyerine 2000’lerin ortalarında başladınız, o zamanlar AI gerçek zamanlı iletişimlere henüz girmemişti. O zamanlar gördüğünüz en büyük boşluklar nelerdi ve sizi sonunda Voximplant’ı kurmaya ittiler?

2005’ten beri VoIP sistemleriyle ilgileniyorum. O zamanlar güvenilir iletişim kurmak yavaş ve karmaşıktı. Geliştiricilerin benimle aynı şekilde hayal kırıklığı yaşadığını fark ettim – ekipler telekom bileşenlerini ürün deneyimine odaklanmak yerine birbirine bağlamaya çalışıyordu. Bu, beni geliştiriciler için programlanabilir iletişim fikrine yöneltti. Herkesin telekom uzmanı olmadan ürünler oluşturabilmesi için bir ürün yaratmak istedik.

Voximplant’tan önce, SIP tabanlı arama hizmetleri Flashphone ve Zingaya’yı kurduk, bunlar erken click-to-call ürünleri sunuyordu. Talep, ekiplerin programlanabilir iletişim istediğini bir kez daha kanıtladı, ancak araçlar henüz orada değildi. Tüm bunlar 2013’te Voximplant’ın yaratılmasına yol açtı.

Bugün, daha büyük bir ölçekte benzer bir boşluk görüyoruz. Ses AI üretim akışlarına giriyor, büyük dil modelleri her ay evrimleşmeye devam ediyor, ancak küresel telefon ağı hâlâ parçalı. Hiçbir satıcı her şeyi uçtan uca çözemez. Bu nedenle Voximplant, geliştiricilere en son ve en gelişmiş araçları denemek ve Voice Ajentleri gerçek aramalarda dağıtmak için hızlı ve maliyet etkin bir yol sunan bir orkestrasyon katmanı olarak hareket ediyor.

Voximplant, tek bir AI veya telefoni satıcısı yerine bir orkestrasyon katmanı olarak konumlandırıyor. Gelecekte ses AI için doğru soyutlama katmanını inşa ettiğinize neden inandınız?

Başından beri global olmak önemliydi ve bir telefoni platformu sunmadan önce bazı telefoni orkestrasyonları yapmanız gerekiyor. Teknik gereksinimler ve altyapı ülkeden ülkeye değişiyor ve 190’dan fazla ülkede telefon numaraları sunuyoruz, bu nedenle çok fazla teknik arabuluculuk yapıyoruz.

Ayrıca, telefoni standartları gibi SIP, satıcılar arasında birçok varyasyona dönüşmüştür. Farklı operatörleri ve müşteri iletişim altyapısını bağlamak esnek sistemler gerektirir. Yeni telefon ağları, WhatsApp gibi, bu alanda sürekli yeni gereksinimler yaratıyor – ve bu, müşterilerin benzersiz uygulama mantığını çalıştıran iletişim kontrol katmanını eklemekten önce.

AI tarafında, pazar çok yoğun ve hızla evrimleşiyor. Bugün en iyi satıcı muhtemelen gelecek hafta ikinci veya üçüncü sıraya düşecek. Yaklaşımımız, mümkün olduğunca birçok önde gelen satıcıyı desteklemek. Müşterilerimizin her zaman en güncel seçenekler sunmasını istiyoruz. Belirli uygulamalar için doğru AI satıcılarını seçebilir veya karışabilirler. Orkestrasyon platformumuz ayrıca satıcılar arasında geçişi daha kolay hale getirmeyi amaçlıyor – aynı zamanda tam kapasitelerini açığa vurarak geliştiricilerin en düşük ortak payda özelliğine takılmamasını sağlıyor.

Birçok ekip, bir ses AI aracısının gerçek telefon aramaları yapmasının ve yönetmesinin ne kadar zor olduğunu hafife alıyor. Gerçek dünyadaki telefon hizmetlerini bütünüyle dijital AI etkileşimlerinden daha zor kılan nedir?

Telefon ağı bölgeler arasında hâlâ son derece parçalı ve tutarsızdır; bu da onu daha öngörülemez kılar. Bazı ülkelerde belirli protokoller kısıtlanabilir veya engellenebilir, operatör kesintıları normal işletimin bir parçası olabilir ve arama yönlendirme düzenleri gün içinde değişebilir. Bulut telefonisinin hukuken karmaşık olduğu bölgeler de vardır.

Altyapının kendisinin darboğaz olduğu durumlarla da karşılaştık. Örneğin Kantonca konuşan yaşlı hastaları arayarak kontrol eden bir AI sistemi geliştiren Avustralyalı sağlık girişimi, ABD merkezli ses AI sağlayıcılarına bağlanırken yüksek gecikme yaşadı. Kaliteli Kantonca metinden sese seçeneklerinin sınırlı olması da konuşmaların yavaş ve doğal olmayan bir biçimde ilerlemesine neden oldu.

Güvenilirliğin yanı sıra bir de uyum katmanı vardır. Gereksinimler ülkeden ülkeye büyük ölçüde değişir ve çoğu zaman HIPAA, PCI DSS ve GDPR gibi çerçevelerle kesişir.

Konuşma performansı da her yerde aynı değildir. Hiçbir konuşmadan metne veya metinden konuşmaya motoru her ortamda en iyi sonucu vermez. Aksanlar, arka plan gürültüsü, arama kalitesindeki dalgalanmalar ve hatta sağlayıcı performansındaki düşüşler doğruluk ve kullanıcı deneyiminde ani bozulmalara yol açabilir.

Bazı ses AI sistemleri büyük dil modeli, konuşmadan metne, metinden konuşmaya ve yönlendirme için birden fazla sağlayıcıya dayanıyor. Bu parçalanma neden kaçınılmaz ve AI ya da konuşma sağlayıcısını değiştirmek neden büyük bir mühendislik projesi yerine hızlı bir kod değişikliği olmalı?

Ses AI’nin ilk döneminde gerçek bir konuşmadan konuşmaya seçeneği yoktu; bu nedenle konuşmadan metne, büyük dil modeli ve metinden konuşmaya bileşenlerini bir araya getirmek gerekiyordu. Bugün bazı büyük dil modeli sağlayıcıları sesi doğrudan, çoğu zaman konuşmayı kesme desteğiyle birlikte sunuyor. Bu sistemler daha hızlı ve etkileşimli olsa da işlev çağırma gibi alanlarda hâlâ sınırlıdır ve yazıya dökme ile sesleri iyileştirmek için daha az seçenek verir. Konuşma tabanlı modellerin yakında metin modelleriyle karşılaştırılabilir hâle gelmesini bekliyoruz. Buna rağmen müşteriler özel gereksinimleri için farklı konuşma sağlayıcıları kullanmak isteyebilir; işlem hattını ayırmak yedeklilik seçenekleri de sağlar.

Platformumuzda AI veya konuşma sağlayıcısını değiştirmek büyük bir mühendislik çalışması değildir, ancak tek satırlık değişiklik de sayılmaz. Konuşma sağlayıcıları özgün özellikler ekleyerek sıradan bir hizmete dönüşmemek için sürekli yarışır. Bağlayıcılarımızı olabildiğince tutarlı tutarken her sağlayıcının yeteneklerini de erişilebilir kılıyoruz. Bu nedenle sağlayıcıların benzersiz özelliklerinden yararlanmak veya aralarında geçiş yapmak çoğu zaman yalnızca birkaç satır kodun değiştirilmesini gerektirir.

Gerçek telefon aramalarında ses AI acentalarının müşteri desteği, satış ve diğer B2C operasyonlarının ekonomisini nasıl değiştirdiğini düşünüyorsunuz?

Müşteri desteği ekonomisinde önemli bir değişimden bahsetmek için henüz erken olabilir, ancak kesinlikle geliyor. Bugün, bazı bölgelerde müşteri destek temsilcileri LLM tabanlı hizmetlerden daha ucuz, ancak bu modelde bekanmış zorluklar var – ölçeklenebilirlik, yanma, yönetim ve operasyonlar. LLM optimizasyonunun devam etmesiyle ekonomide önemli değişiklikler olacağından eminim, ancak bu biraz zaman alabilir.

Ses AI’nin girişimlerde kritik altyapıya dönüşmeye başladığını gösteren sinyaller neler?

Buradaki en güçlü sinyal, Ses AI altyapısına yapılan yatırımın hızla artması. Küresel ölçekte Ses AI etkin aramaları veya dakikaları takip etmek mümkün olmasa da, Voximplant için doğrudan takip edebiliyorum ve açıkça güçlü bir büyüme görüyoruz.

Geliştiricilerin esneklik ve kontrol beklentilerinin AI modelleri ve ses teknolojileri daha hızlı ilerledikçe nasıl değiştiğini düşünüyorsunuz?

Bu ilginç bir soru. Değişim hızı konusunda AI, tarihte gördüğümüz her şeyden üstün. Esneklik ve kontrol daha karmaşıktır ve bu terimlerin ne anlama geldiğine bağlıdır. Kontrol konusunda, bilinen zorluklar var ve bunları aşmak kolay değil. Çoğu AI şirketi model koridorlarına önemli çaba harcar, ancak bunu iyi yapmak derin uzmanlık gerektirir ve şirketlerin farklı hedefleri vardır.

Şirketler geleneksel telefoni sistemleri üzerine doğrudan ses AI acentaları dağıtmaya çalışırken en sık yapılan hatalar neler?

Geleneksel telefoni sistemleri Ses AI hizmetleriyle doğrudan uyumlu değildir, bu nedenle genellikle ek entegrasyon gerektirir, genellikle SIP protokolü veya WebSockets aracılığıyla. Yaygın hatalar arasında yetersiz yük devretme yönetimi, gecikme sorunları (çeşitli faktörler nedeniyle oluşabilir) ve ölçeklenebilirlik zorlukları bulunur.

Telefoni kendisi oldukça iyi ölçeklenir, özellikle VoIP ile. Ses AI hizmetleri daha zor ölçeklenir, çünkü LLM’leri çalıştırmak için gereken donanım gereksinimleri vardır ve hatta Amazon (AMZN ) gibi büyük altyapı oyuncuları da çıkarım donanımı konusunda kapasite kısıtlamaları yaşayabilir.

İleriye bakıldığında, gerçek zamanlı AI daha otonom hale geldikçe ses AI platformlarının hangi yetenekleri desteklemesi gerekiyor?

Sanıyorum ki Ses AI platformlarının SLA’ya odaklanmaları gerekiyor, çünkü bu bazen hala bir sorun olabilir, ve test ve gözlemlenebilirlik için ek araçlar sunmaları gerekiyor.

Sonuçta, en gelişmiş platformlar her şeyi sunacak, ancak bugün hâlâ yeni dersler öğreniyoruz, bunların birçoğu çekirdek yığınımızın bir parçası olmalıdır. Büyük şirketlerle veya düzenlenmiş ortamlarda çalışıyorsanız, ürününüzün ön kurulumlu bir sürümünün kritik olabileceğini unutmayın.

Erken VoIP altyapısından Voximplant’ın kurucu ortağı ve CEO’su olarak bugüne kadar yolculuğunu düşündüğünüzde, endüstrinin nasıl evrimleştiği konusunda sizi en çok hangi şey şaşırttı?

Birçok şey beni şaşırttı, ancak bunlardan biri VoIP altyapısındaki değişikliklerin yıllarca sürmesi. Bir örnek, telefoni hala dar bantlı ses kodeklerine (G.711, G.729) dayanmaktadır, oysa insanlar zaten Zoom, Google Meet, WhatsApp gibi online iletişim hizmetlerinde geniş bantlı sesi kullanmaya alışmıştır.

Çoğu AI modeli de geniş bantlı ses verilerine dayanmaktadır. Tüm modern cep telefonlarında geniş bantlı ses kodekleri vardır, ancak operatör düzeyinde hâlâ önemli bir uyumluluk sorunu vardır ve bu, geniş bantlı sesin geleneksel telefon aramalarında kullanılmamasına neden olur. İlerleme yok değil, ancak bana göre çok mütevazı.