Alon Eirew, MCE Systems’ın (AI) CTO’su – Röportaj Serisi

Alon Eirew, MCE Systems’ın CTO’su (AI), şirketin AI stratejisinin ve uçtan uca teknoloji yığınının liderliğini yapıyor. Bu, mimari, model geliştirme, altyapı, ürün entegrasyonu ve AI’ın iç operasyonlar genelinde daha geniş şekilde benimsenmesini kapsıyor. Daha önce Intel’de (INTC ) sekiz yılı aşkın bir süre geçirdi ve burada senior yazılım mühendisi ve yazılım mimarı olarak başladı, ardından Doğal Dil İşleme (NLP) Araştırma Bilimcisi’ne geçti. Burada bilgi çıkarma araştırmalarına yön verdi, çok yıllık projeler için fon sağladı, büyük NLP konferanslarında makaleler yayınladı ve Intel Ignite aracılığıyla startup’ları mentörlük etti. Kariyerinin başlarında, Eirew, Telmap’ta kişisel asistan teknolojisi geliştirdi ve daha sonra Intel’in bir parçası oldu ve daha sonra erken aşama AI şirketlerine danışmanlık yaptı ve çeşitli İsrail üniversitelerinde bilgisayar bilimi, nesne yönelimli programlama, veri madenciliği ve bilgi geri çağırma dersleri verdi.

MCE Systems, telekomünikasyon sağlayıcıları için AI-yerli bir deneyim katmanı geliştiriyor. Bu, miras sistemleri, gerçek zamanlı verileri ve akıllı iş akışlarını, müşterilerle olan etkileşimleri desteklemek için birden fazla dokunma noktası üzerinden birleştiriyor. 2005 yılında kurulan şirket, dijital cihaz yaşam döngüsü yönetimine odaklanan bir iş kurdu ve teknoloji, cihaz tanımlama ve bakım, trade-in programları, uzaktan cihaz derecelendirme ve iadeleri kapsıyordu. MCE, bu iş akışlarına giderek daha fazla olarak üretken ve ajans AI’ı uyguluyor ve operatörlerin cihaz sorunlarını tespit etmesine, müşterileri olası çözümlere yönlendirmesine ve dijital ve destekli kanallar boyunca daha karmaşık hizmet yolculuklarını koordine etmesine yardımcı oluyor.

Intel’de NLP, bilgi çıkarma, bilgi geri çağırma ve hatta Telmap’de ortaya çıkan erken kişisel asistan teknolojileri üzerinde neredeyse on yıl çalıştınız. Geriye bakıldığında, bu erken AI sistemlerindeki hangi fikirlerin zamanından önce ortaya çıktığını ve endüstrinin tamamen yanlış yaptığı hangi varsayımları düşünüyorsunuz?

Açıkça zamanından önce ortaya çıkan bir fikir, LLM çağından önce çalıştığımız kişisel asistanlardı. Bu sistemler, niyeti anladı, görevler boyunca bağlamı bağladı ve kullanıcıların doğal olarak hedeflerine ulaşmasına yardımcı oldu. Bu sistemlerin bugünün ajanlarının aynı hırsı vardı. Fark, altta yatan yaklaşımdı: Dil modellerine güvenmek yerine, kullanıcı niyetini çıkarlamak için makine öğrenimi ve algoritmaların bir kombinasyonuna güvendik. Bu yöntem, farklı şekillerde aynı isteği ifade eden kullanıcıları ölçeklenirken zorlu olduğunu kanıtladı.

Binlerce müşterinin sorgularını ele almak için bir hizmet temsilcisini istihdam ettiğinizi hayal edin, ancak onlar sadece belirli bir cümle yapısı ile çerçevelenen sorguları ele alabilir. Bunu yapabileceğiniz kullanım örneklerinin sadece küçük bir aralığını kapsayacağını ve birçok müşteri sorununu ele almasının zor olacağını kolayca görebilirsiniz. LLM’ler her şeyi değiştirdi. Bugün, kullanıcı niyetini anlamak büyük ölçüde çözüldü. Yani analojimizde, temsilci artık esnek ve milyonlarca müşteriyle konuşabilir.

Sanırım endüstri, dil modellerinin ne kadar merkezi olacağını tam olarak anlamadı. Büyük bir sıçrama, ilk dil modelleri gibi ELMo, BERT ve RoBERTa tanıtıldığında geldi. O zaman, bu modellerin gelecekteki dönüşümün ağırlığını gerçekten anlamayanlar azınlıktaydı. Bunlar, her gün kullandığımız modern LLM’lerin omurgası modelleriydi ve artık onlarsız olamayız.

Çoğu şirket, bu ilk modelleri dar uygulamalarda yararlı bileşenler olarak gördü, ancak tamamen yeni bir hesaplama paradigmasının temeli olarak görmedi. Geriye bakıldığında, birçokları, önemli AI oyuncuları olarak kendilerini konumlandırmak için fırsatı kaçırdılar.

Araştırma kariyerinizde, çok belge bilgi çıkarma ve olay anlama üzerine odaklandınız. Şirketler, büyük dil modellerine giderek daha fazla güvenirken, neden yapılandırılmış bilgi çıkarmasının hala böyle bir kritik zorluk olduğunu düşünüyorsunuz?

LLM’ler, bir dizi konuda güçlü araçlardır, ancak şirket uygulamaları ve son kullanıcılar, belirli bir sorunu çözmek için uzmanlığa ihtiyaç duyar, bu da bilgiye erişimi gerektirir. Bu bağlamsal özel bilgi, genellikle bir modelin eğitim verisi değildir, bu nedenle bir LLM’yi bir şirket içinde dağıtmak, potansiyel olarak milyonlarca dahili veri noktası arasında anlayış toplamak anlamına gelir. Bugün, LLM’lerin büyük ölçüde teknik ve erişim kısıtlamaları nedeniyle önemli bağlamı kaçırdıkları ve bu boşluğun etkilerini sınırladığı görülüyor.

MCE’de, örneğin, bir müşteri bakım AI ajanı çözümü sunuyoruz. Bu ajanın hedeflerinden biri, telekomünikasyon şirketlerine, müşterilerinin teknik mobil cihaz sorunlarını insan müdahalesi olmadan çözmelerine yardımcı olmaktır. AI ajanına, cihaz hakkında bağlamsal teknik bilgi vermeden, AI ajanı sadece genel sonuçlar sağlayacak ve müşterinin insan yardımına başvurmasını zorlayacaktır. Bu, müşterilerle birlikte AI’yi dağıtmak için aşmak zorunda olduğumuz bir bilgi çıkarma sorunudur ve bu, şirketlerin istediği sonuçları elde etmekte sık sık başarısız olduğu bir alandır.

Kendi araştırmam, büyük belge koleksiyonlarından bilgi çıkarma ve bilgi geri çağırma ile ilgileniyordu ve “olaylar” arasındaki ilişkiyi, yani herhangi bir bilgi temsili nin altta yatan nedensellik ve zaman çerçevesini tanımlayan AI disiplininin bir terimini keşfetti. MCE’de, insan etkileşimi için AI çözümlerimizde, LLM’lerin daha iyi özetleme, temsil ve arama yapmasına yardımcı olan yapısal bir anlayış oluşturmak için bunu uyguluyoruz.

Son beş yılda, gerçek dünya üzerinde en büyük etkiye sahip hangi AI atılımları oldu ve hangileri şu anda abartıldığını düşünüyorsunuz?

Aklıma gelen birkaç atılım var ve bunlar LLM’lerin gelişimi ile birlikte gerçekleşiyor.

İlki, talimat ayarlaması ve.prompt mühendisliği ile ilgiliydi. Bu, daha geniş bir benimseme için ilk önce çözülmesi gereken bir sorundu. Hepimiz, LLM’den belirli bir şey isteyip de döngüye girdiği ve ihtiyacımız olan yanıtı alamadığımız durumlarla karşılaştık. Yani modellerin.prompt’u anlamasını ve doğru sonuçlar vermesini sağlamak, büyük bir adımdı.

Ajanlar için bir sonraki atılım, LLM’lerin, yalnızca bir kerelik görevleri yerine, birkaç şeyi yapabilmesi gerektiği ile ilgiliydi: planlar oluşturmak, son kullanıcılarla etkileşime girmek, araçları kullanmak, hafızayı kullanmak ve bilgiye erişmek. Bu, bugüne geldiğimiz noktada hayati önem taşıyordu.

Halüsinasyon sorununu tamamen çözmek, kısmen çözüldü, ancak hala devam eden bir süreç. Şimdiye kadar, LLM’lere daha fazla güvenilebilmesi için burada önemli ilerleme kaydedildi. Ancak hala daha fazla çalışma gerekiyor ve bu, neden insan denetiminin ve guardrail’lerin hala gerekli olduğu nedenlerden biridir.

Abartılan şey, ajanların sahip olması gereken özerklik derecesidir. Tamamen özerk sistemler, insan denetimi olmadan karmaşık iş ortamlarında çalışmak için henüz güvenilir değil. Daha üretken bulduğum şey, AI’ı, yüksek değerli görevleri gerçekleştirmek, belirsizliği yükseltmek, nedenlerini açıklamak ve genel akışın insan kontrolünü bırakmamak için kullanmaktır. İşte ajans AI’sı, kısa vadede gerçek dünya değerini burada yaratacaktır.

Araştırmacı, yazılım mimarı, mühendislik lideri, startup danışmanı, öğretim görevlisi ve şimdi AI Başkanı olarak çalıştınız. AI’nın başarılı tanımınız, kariyerinizin farklı aşamalarında nasıl değişti?

Kariyerim boyunca, AI’nın başarılı tanımı sürekli evrim geçirdi ve farklı disiplinler arasında farklı temel değerler var. Uygulamalı araştırma ve mimari, AI’nın gerçek dünya kısıtlamaları altında çalışması gerektiğini öğretti. Akademik araştırma, titizlik ve değerlendirme importanceini öğretti. Mühendislik liderliği, yürütme ve operasyonel disiplinin model kendisi kadar önemli olduğunu gösterdi. Startup’lara danışmanlık yapmak, AI’nın, gerçek bir sorunu çözdüğü ve benimseme için net bir yolu olduğu zaman en büyük etkiye sahip olduğunu öğretti.

Bugün, MCE’deki AI şefi olarak, AI’nın, müşteriler, çalışanlar ve iş için ölçülebilir değer yaratırken son kullanıcıların güvenini kazandığını tanımlıyorum. Müşteri sonuçlarını iyileştirmeli, üretim için yeterli derecede güvenilir olmalı, yönetmek için yeterli derecede şeffaf olmalı ve gerçekten benimsemek için yeterli derecede faydalı olmalıdır. Bu sentido, tanımım, “Teknoloji çalışıyor mu?” dan “Sorumlu bir şekilde, tekrarlanabilir bir şekilde ve ölçekte değer yaratıyor mu?” a evrimleşti.

Bu, MCE’de yaptığımız geçişti, iki yıl önce başlayan ve şimdiye kadar süren bir geçiş. Bu, AI için iç kullanım durumları ve telekomünikasyon müşterileri için düşündüğümüz değerdir.

MCE Systems, telekomünikasyon müşteri deneyimi, müşteri bakımı ve pazarlaması için AI’ı uyguluyor. Şu anda telekomünikasyon endüstrisi içinde ortaya çıkan en ikna edici AI kullanım durumları nelerdir?

Haberleşme hizmetleri sağlayıcıları (CSP’ler) veya genellikle “taşıyıcılar” olarak adlandırılanlar, bir komoditeleşme sorunuyla karşı karşıyalar. Fiyat, yeni müşterileri çekmek veya onları elde tutmak için gerçekten çekici bir güçtür, ancak sürdürülebilir değildir. Tüketici ürünleri veya hizmetleri satan diğer devler gibi Apple (AAPL ), Amazon (AMZN ) veya Netflix (NFLX ) gibi, büyük bir ürün ve onun etrafında bir deneyim oluşturdular. Bu,明net olarak finans gibi sektörlerde de açıkça görüldü, burada bankalar, yeni esnek oyuncular tarafından, sadece insanların tasarruflarını tutmak ve yatırım ürünleri sunmaktan, aynı zamanda tam bir dijital deneyim sunmaya geçmek zorunda kaldılar. Aynı şey telekomünikasyon için de geçerli.

Görüşümüz, müşterilerine daha iyi bir deneyim sunmak için CSP’lere ek değer katmak. Bu, müşterilerle ağ ve cihaz deneyimleri hakkında daha proaktif ve iletişimsel olmak anlamına gelir. AI, bunu iyi yapmalarını finallye olanak tanır.

Endüstride, AI genellikle, çağ merkezi emek maliyetlerini kesmek veya çalışanları daha verimli hale getirmek için bir savunma aracı olarak kullanılıyor. Ancak bizim için AI, müşteri bakımını proaktif hale getirmek ve hizmetleri kişiselleştirmek için de bir saldırı aracıdır. Müşterilerin cihaz veya bağlantı sorunlarını fark etmeden önce yakalamak ve onlara bunları çözmelerine yardımcı olmak gibi deneyimler, gerçek sadakat oluşturur. Müşterilerin durumunu iyi enough biliyor olmak, doğru geniş bant demetini, veri eki veya yaşam tarzı ürününü doğru anda sunmak, daha yüksek dönüşüm oranları sağlar. Ağ varlıkları, CRM ve cihaz verileri boyunca sinyalleri bir araya getirerek, müşteri kaçışını doğru bir şekilde tahmin etmek ve erken davranmak, belki de tüm bunların en güçlü kullanım durumudur. CSP’ler bunu doğru bir şekilde yaparlarsa, anlamlı bir avantaj elde edeceklerdir.

“AI-yerli” veya “AI-hazır” olmakla ilgili çok fazla hype var. MCE, bu paradigmayı nasıl ele alıyor ve bu dönüşümde şirketlerin en çok hangi noktaları kaçırdığını düşünüyorsunuz?

Çoğu şirket, AI dönüşümünün sadece bir teknoloji dağıtımı değil, aynı zamanda bir modus operandi değişimi olduğunu kaçırıyor. En iyi fırsatlar, benimseme doğal hissettiğinde ortaya çıkıyor: iş akışı zaten mevcut, ağrı ölçülebilir ve AI, hız, kalite veya karar verme konusunda gerçekten bir iyileşme sağlayabilir. MCE, bu paradigmayı birkaç fikirle ele alıyor.

AI aracının olgunluğunu ve AI’ı, çalışan verimliliğini çarpan şekilde benimsemeyi değerlendirdik. Ekibimizi nasıl eğiteceğimizi, net kullanım kılavuzlarını nasıl tanımlayacağımızı ve AI’ın gerçekten bir fark yaratabileceği yerlerde iç sistemleri AI ile nasıl bağlayacağımızı sorduk.

Temel aracımız hakkında bir fikir edindikten sonra, iş akışı otomasyonunu ve ajanların, manuel işi azaltabileceği yerleri belirledik. Doğal olarak, geliştirme süresini önemli ölçüde kısaltabileceğimizi keşfettik. Örneğin, yüksek işlevsel bir prototip uygulaması, iki veya üç hafta yerine sadece birkaç gün içinde oluşturulabilir.

İç verimlilik için genellikle göz ardı edilen bir diğer önemli nokta, veri demokrasidir. İç verimizi daha iyi kullanmaya ve hem insanlar hem de AI sistemlerinin daha iyi kararlar almasına çalışıyoruz. Bu, müşteri ihtiyaçlarını anlamak, operasyonları iyileştirmek ve geçmiş deneyimlerden öğrenen ürünleri oluşturmayı içerir. Hala devam eden bir süreç, çünkü bu, neyin işe yarayıp neyin işe yaradığını değerlendirmek için iteratif ve analitik bir süreçtir.

Çok sayıda şirket, AI ajanlarını dağıtmak için yarışıyor. AI ajanlarının gerçekten değer yaratabileceği yerler ile insan denetiminin hala gerekli olduğu yerler hakkında ne gibi pratik dersler çıkardınız?

Otomasyon hype’ine kapılmak kolay. Ancak, ajanları metodik bir şekilde ele almaya inanıyorum. Asla bir hedef otomasyon seviyesiyle başlamamalısınız; bunun yerine, ajanların değer yaratabileceği iş akışlarını tanımlamalı, bunları daha küçük parçalara ayırmalı ve hangilerinin tam olarak otomatikleştirilebileceğini, hangilerinin yarı otomatikleştirilebileceğini ve hangi durumlarda insan yargısına ihtiyaç duyulduğunu sormalısınız.

Pratikte, ajanların, yüksek tanımlı görevlerde, bilgi toplama, girişleri analiz etme, öneriler oluşturma ve sonraki adıma çıkmak için çıkışları hazırlamada en fazla değer yarattığını görüyoruz. Basit bir görev olduğunda, iyi ayarlanmış otomasyon, kompleks bir süreci otomatikleştirmeye çalışmaktan çok daha iyi çalışır.

İnsanların gerekli olduğu yerler, denetim, özel durum işleme, müşteri duyarlı kararlar ve genel olarak hesap verebilirlik gerektiren durumlardır. Hedef, insan karar verme süreçlerini asla değiştirmemek, ancak ajanların, güvenilir bir şekilde değer yaratabileceği kısımları ele almalarına ve insanların, hesap verebilirlik gerektiren kararları almalarına izin vermektir.

MCE, AI’ı, daha kişiselleştirilmiş cihaz deneyimleri sunmak ve mobil operatörler için operasyonel verimliliği artırmak için kullanıyor. Kişiselleştirme ile artan endişeler olan gizlilik, şeffaflık ve kullanıcı güveni arasında nasıl bir denge kuruyorsunuz?

AI, insan gibi hissedebildiği için, kullanıcılar, bazen fazla bilgi açıklamadan, ona belirli şekillerde etkileşime girerler. Bu, organizasyonların, topladıkları verilere karşı gerçekten dikkatli ve şeffaf olmalarına gerçek bir sorumluluk yükler. Basit bir örnek: bir müşteri, sorun giderme sürecinin bir parçası olarak bir ekran görüntüsü gönderdiğinde, bu görüntü, ekranında kişisel bilgiler içerebilir. Organizasyonların, bu tür durumlarda, görüntüyü, yalnızca etkileşimin ilgili olduğu konuya odaklanmak için, gereksiz görünen içeriği kırpma gibi önlemler alması çok önemlidir.

Topladığımız tüm verilerin, müşterilerin çıkarlarına ve ihtiyaçlarına hizmet etmesi gerektiğini düşünüyorum. Bu veriler, yalnızca belirli bir amaca hizmet etmesi için toplanmalı ve müşterinin gerçek dünya kimliği ile gereksiz bir şekilde bağlantılı olmamalıdır.

Diğer bir deyişle, müşterinin profilinin, işimizle ilgili olarak spesifik ihtiyaçlarını anlamalıyız. Bizim durumumuzda, bir gizlilik uyumlu organizasyon olarak, sağlayıcının mobil cihazının durumunu ve kullanıcı davranışını anlamakla ilgilidir, müşterinin kimliği veya diğer tür davranışları değil.

Ayrıca, müşteri ile etkileşimdeki guardrail’ler çok önemlidir. Bu, amacın ötesine geçmemek, marka sesini korumak ve gerçekten organizasyonun yönetmek için hazır olmadığı yasal veya düzenleyici ihlalleri ve olumsuz müşteri deneyimleri önlemek için hayati önem taşır. Bazen bu, zorlu süreçler olabilir, ancak bunlar çok önemlidir.

Bilgisayar bilimi temellerinden bilgi geri çağırma ve veri madenciliğine kadar çeşitli konularda ders vermişsiniz. Bugün işgücüüne katılan öğrenciler için bir AI müfredatını tasarlayacak olsanız, hangi konuları önceliklendirecek ve hangi eski kavramları kaldıracaktınız?

Müfredat, iki şekilde değişmelidir. Önceden yüksek lisans programlarına özgü konular, şimdi nöral ağlar, transformörler, büyük dil modelleri, geri çağırma ile güçlendirilmiş nesil, değerlendirme, hizalama ve sorumlu AI gibi konular, lisans öğrencileri için temel konular olmalıdır. İşgücüüne katılan öğrencilerin, bu sistemlerin nasıl çalıştığını ve bunları eleştirel bir şekilde nasıl değerlendireceklerini anlamaları gerekir.

Öğrencilerin ayrıca, AI’ı, öğrenme ve araştırma için bir araç olarak nasıl sorumlu bir şekilde kullanacaklarını öğrenmeleri gerekir. Bu, çıktıları sorgulamak, kaynakları doğrulamak, sınırlamaları anlamak ve AI’ı, ödevlerini yapmak için bir kısayol olarak değil, bir düşünme ortağı olarak kullanmak anlamına gelir.

Kesilmemesi gerekenler, matematik ve algoritmik temellerdir. Bunların, her zaman olduğu kadar önemli olduğunu savunuyorum. Azaltacağım şey, mekanik uygulamaları, eleştirel düşünmeyi göstermeden ödüllendiren atamalardır. Odak, problem formülasyonu, değerlendirme, sistem tasarımı ve sorumlu kullanım üzerine kaymalıdır.

Çok sayıda startup’a AI stratejisi konusunda danışmanlık yaptınız. AI ürünleri oluştururken kurucuların yaptığı en yaygın hatalar nelerdir ve şirketleri, prototip aşamasından üretime başarılı bir şekilde geçirenler nelerdir?

Gördüğüm en yaygın hata, teknolojiye, gerçek bir sorunu veya müşteri yolunu anlamadan önce aşık olmaktır. İkincisi, AI’ın sınırlamalarını yeterince iyi anlamamak ve onu, olgun olmadığı kullanım durumlarına zorlamaktır.

Üretimi başarılı bir şekilde gerçekleştirenler, derin domaine uzmanlığına ve bir araştırma tutumuna sahiptirler. En iyi AI ürünleri, belirli bir dikeyde gerçek bir teknoloji boşluğunu tanımlayan ve AI’ın bunu sürdürülebilir bir şekilde çözebileceğini gören kuruculardan gelir. Başlangıçta, “AI ile ne yapabiliriz?” değil, “Burada gerçek bir sorun var, mevcut çözümler yetersiz ve AI bunu çözebilir” diye düşünüyorlar.

Ayrıca, başarılı kurucular, müşterilerden, rakiplerden, danışmanlardan ve başarısız girişimlerden sürekli olarak öğrenirler. Kararların nasıl alındığını, bütçelerin nasıl hareket ettiğini ve hedef kitleleri için güvenin nasıl oluşturulduğunu incelerler. Sonunda, sadece bir ürün oluşturmuyorlar, bir gerçek ortamda hayatta kalması gereken bir şey oluşturuyorlar.

Beş yıl içinde, AI’ın en büyük etkisi, daha güçlü temel modellerden, ajans sistemlerinden, çok modelli AI’dan, cihazda zekadan mı yoksa endüstrinin şu anda küçümsediği tamamen farklı bir trendden mi gelecektir?

En büyük etki, yalnızca temel model geliştirmelerinden gelmeyecek, ancak modellerin, gerçek iş akışlarında gözlem yapabilen ve eylemde bulunabilen sistemlere nasıl entegre edildiğinden gelecektir. Bu, güçlü modelden, yetenekli bir sisteme geçiştir ve burada en önemli ilerlemenin olacağı yer burasıdır.

Bu, özellikle sistemler tam olarak çok modelli olduğunda ve metin, ses, görüntü, video ve diğer gerçek dünya sinyalleri gibi çeşitli gerçek dünya sinyalleri üzerinden neden ve eylemde bulunabileceğinde güçlü olacaktır. Bu, müşteri desteği, sağlık, üretim gibi alanlarda yeni olanaklar açacaktır.

Diğer bir ortaya çıkan teknoloji, fiziksel dünya ile etkileşime giren ajanlardır. Şirketler gibi Boston Dynamics, mümkün olanın sanatını ve algı, neden, planlama ve fiziksel eylemin birleştiği ajanların potansiyelini zaten gösteriyor. İnsanoid forma veya uzmanlaşmış robotik sistemlere sahip olsun, fiziksel bedenlere sahip ajanlar, AI’ın en somut ve devrim niteliğinde ifadelerinden biri olabilir. MCE için, bu, lojistik ve operasyonel iş akışlarında fırsatlar yaratır, burada birçok tekrarlayan, düşük karmaşıklıkta görev hala fiziksel insan etkileşimi gerektirir. Örneğin, bir cihazı almak, düğmelerle etkileşime girmek, kabloları bağlamak veya cihazları istasyonlar arasında taşımak gibi görevler, otomasyon için robotik ve AI ile ideal adaylardır ve bu, sistemlerin daha verimli, tutarlı ve daha fazla hacme sahip olmasını sağlar.

Telekomünikasyon için, müşteri kaçışını tahmin edebilmek ve AI modelleriyle buna göre davranmak, önümüzdeki birkaç yıl içinde para olacak yerdir. Müşterilerin farklı noktalarından verileri birleştirebilen, müşteri kaçış olasılığını doğru bir şekilde değerlendirebilen ve buna göre davranabilen güvenilir bir model oluşturursanız, sağlayıcılar için bir durgunluk vấnını çözmüş olacaksınız.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular, MCE Systems‘i ziyaret edebilir.