Andrei Kulik, XENOM’un Kurucu Ortağı – Röportaj Dizisi

Andrei Kulik, XENOM’un Kurucu Ortağı ve CEO’sudur. Cihaz içi yapay zekâ, dağıtık sistemler ve makine öğrenimi alanlarındaki deneyimini endüstriyel operasyonlara taşıyor. Daha önce Google tarafından satın alınan AIMatter’ın kurucu ortaklarından olan Kulik, Google’da tüketici cihazlarına yönelik yapay zekâ sistemleri üzerinde çalıştı. Kariyeri boyunca, gelişmiş yapay zekânın gerçek dünyadaki donanım ve çalışma ortamlarının pratik kısıtları altında güvenilir biçimde çalışmasını sağlamaya odaklandı.

XENOM, operatörlere çalışma sahalarını gerçek zamanlı olarak görme olanağı sunmak için yazılımı akıllı koruyucu ekipmanlarla birleştiren endüstriyel bir yapay zekâ platformu geliştiriyor. Sistemi; konumlandırma, çalışan iletişimi, çevresel algılama ve güvenlik verilerini bir araya getiriyor. Kulik bu röportajda uç yapay zekâyı, akıllı baretleri, insan gözetimini, çalışan mahremiyetini ve endüstriyel izlemeden öngörüye dayalı karar desteğine geçiş sürecini ele alıyor.

Daha önce Google tarafından satın alınan AIMatter’ın kurucu ortaklarındandınız ve yıllarca doğrudan tüketici cihazlarında çalışacak şekilde tasarlanan yapay zekâ sistemleri geliştirdiniz. XENOM’un kurucu ortağı olmanızda ne etkili oldu ve Google’daki deneyiminiz, yapay zekâyı endüstriyel ortamlara taşıma vizyonunuzu nasıl şekillendirdi?

Satın almanın ardından yıllarca tek bir sorun üzerinde çalıştım: Gelişmiş yapay zekânın, cebinize sığan bir cihazda; sınırlı pil ömrü, öngörülemeyen bağlantı koşulları ve hiçbir laboratuvarın tümüyle taklit edemeyeceği gerçek dünya koşulları altında güvenilir biçimde çalışmasını nasıl sağlarsınız? Bu çalışmayı telefonlara, gözlüklere ve kulaklıklara, yani milyarlarca cihaza taşıdık. Bir noktada, bu mimarinin başka nerelerde işe yarayabileceğini kendime sormaya başladım. Tüketici cihazları kullanışlı; ancak yanlış bir kararın ya da hiç karar alınmamasının bedelinin insan hayatları ve milyonlarca dolarlık verimlilik kaybıyla ölçüldüğü yerler endüstriyel sahalar. Endüstriyel sahaların çoğunda hâlâ neler olup bittiğini gerçek zamanlı gösteren bir görünüm yok. Bu eksiklik, yıllardır geliştirdiğimiz teknoloji için tam da çözmemiz gereken sorun gibi görünüyordu.

XENOM, endüstriyel operasyonların gerçek zamanlı görünürlüğünü sağlamak için yapay zekâ destekli yazılımı akıllı koruyucu ekipmanlarla birleştiriyor. Geleneksel endüstriyel güvenlik sistemlerinin en büyük kör noktaları neler ve platformunuz, geleneksel izleme teknolojilerinin çözmekte zorlandığı sorunları nasıl ele alıyor?

Temel sorun, çoğu sistemin yaşananları önlemek için değil, olup bitenleri kaydetmek için tasarlanmış olması. Çalışanın konumu birkaç dakikada bir güncelleniyor. Puantaj çizelgeleri vardiyanın sonunda dolduruluyor. Güvenlik ihlalleri, olay raporu düzenlendikten sonra kayda geçiriliyor. Yönetici verileri görene kadar vardiya bitmiş ya da kaza çoktan meydana gelmiş oluyor. İkinci kör nokta ise parçalı yapı: Bir şirkette gaz izleme sistemi, ayrı bir erişim kontrol sistemi, kâğıt üzerinde tutulan kişisel koruyucu donanım kontrol listesi ve elle yürütülen puantaj süreci bulunabilir; ancak bunların hiçbiri birbiriyle iletişim kurmaz. XENOM bunların tümünün yerini, sahadan sürekli veri akışı sağlayan ve bu verileri gerçek zamanlı işleyen tek bir sistemle alıyor. Böylece yönetici, birbiriyle bağlantısız beş ayrı görünüm yerine tutarlı ve bütünlüklü tek bir tablo elde ediyor.

Kariyerinizin büyük bölümü, kaynakları kısıtlı cihazlar için makine öğrenimi ve büyük dil modeli (LLM) çıkarımını optimize etmeye odaklandı. Bu ilkeleri endüstriyel ortamlarda nasıl uyguluyorsunuz ve yapay zekâ iş yüklerini bulut altyapısına dayanmak yerine uçta işlemenin teknik avantajları neler?

Kaynakları kısıtlı cihazlarla çalışmak insana tek bir disiplin kazandırır: Her milisaniyenin, her miliwattın ve her baytın gerekçesi olmalıdır. Endüstriyel bir baretin ihtiyaç duyduğu yaklaşım da tam olarak budur; çünkü baret tam bir vardiya boyunca takılır ve on birinci saatte de ilk saatteki kadar tutarlı çalışmalıdır. İş yükünü bilinçli biçimde bölüyoruz: Ses akışını ve sensör sinyallerini işleme ya da düşme ve çarpmaları algılama gibi zamana duyarlı, yoğun veri işleme gerektiren görevler, bu donanım için sıkıştırılıp ayarlanmış modeller kullanılarak baretteki NPU’da yürütülüyor. Sahanın genel görünümü ve daha derin analizler ise platform tarafında oluşturuluyor.

Uçta işleme bize dört pratik avantaj sağlıyor. Birincisi hız: Cihaz, sunucuya gidip geri dönmeye gerek kalmadan bir olaya anında tepki veriyor. İkincisi güvenilirlik: Hafif bir cihaz içi model öngörülebilir biçimde çalışırken zincire eklenen her bağlantı yeni bir arıza noktası oluşturuyor. Üçüncüsü ağ yükü: Yüzlerce baret ham ses ve sensör verilerini sürekli olarak aktaramaz; bu nedenle her biri analiz sonucunu gönderiyor. Dördüncüsü pil ömrü: Veri aktarımı, cihazların en çok güç tüketen işlemlerinden biri. Bu yüzden verileri yerel olarak işleyip daha az veri göndermek çalışma süresini uzatıyor.

XENOM; konumlandırma, iletişim, çevresel algılama ve yapay zekâ özelliklerini bir araya getiren akıllı baretler geliştirdi. Özellikle bağlantı, pil ömrü ve güvenilirliğin öngörülemez olabildiği ortamlarda bu teknolojileri bir araya getirirken karşılaştığınız en zorlu mühendislik sorunları nelerdi?

En büyük zorluk, tek bir teknolojiden ziyade hepsini, tüketici elektroniğinin çoğunu kullanılamaz hâle getirecek koşullarda tek bir cihazda güvenilir biçimde bir arada çalıştırmaktı. Endüstriyel sahalar kirli, fiziksel açıdan zorlayıcı ve sıcaklık koşulları bakımından aşırıdır. Baret yere düşer, yağmura maruz kalır ve on iki saatlik vardiyalarda kullanılır. Konumlandırma, sensörler, iletişim ve yapay zekâ çıkarımı aynı anda çalışırken pil ömrü ciddi bir kısıt hâline gelir. Bir de bağlantı mimarisi var: Bir çalışan dış mekânda RTK uydu konumlandırmasından iç mekânda tescilli UWB örgü ağımıza geçtiğinde doğrulukta hiçbir kayıp yaşanmaması için iki sistem arasında kesintisiz geçiş sağlamamız gerekiyordu. Bu geçişi otomatik, güvenilir ve gerçek zamanlı hâle getirmek, geliştirdiğimiz en zorlu teknik çözümlerden biriydi.

Ekibiniz, konuşma yoluyla alkol etkisi belirtilerini tespit edebilen ve önceki akademik kıyaslama sonuçlarını aşan bir performans sergilediği bildirilen bir sesli yapay zekâ modeli geliştirdi. Bunu mümkün kılan teknik atılımlar nelerdi ve sistemin farklı dillerde, aksanlarda, arka plan gürültüsü düzeylerinde ve gerçek çalışma koşullarındaki güvenilirliğini nasıl doğruluyorsunuz?

Temel bulgu, alkol etkisinin konuşmanın mikro örüntülerinde tespit edilebilir izler bıraktığıydı; önemli olan sözcükler değil, zamanlama, perde değişimi ve artikülasyon hassasiyeti gibi akustik özelliklerdi. Bu örüntüleri, özel bir test veya çalışanın herhangi bir eylemini gerektirmeden, olağan sesli iletişim sırasında arka planda analiz eden bir model geliştirdik. %86,7 doğruluk oranı, yayımlanmış akademik veri kümeleriyle yapılan titiz kıyaslama testlerinden elde edildi. Gerçek dünya doğrulaması için ağır makineler, rüzgâr ve aynı anda konuşan birden fazla kişi gibi gerçek endüstriyel sahaları yansıtan arka plan gürültüsü koşullarında, farklı diller ve aksanlarla testler yapıyoruz. Modelin, kontrollü bir araştırma ortamından çok farklı koşullarda çalışabilecek kadar dayanıklı olması gerekiyordu. Bunun için eğitim verilerinde önemli ölçüde çeşitlilik sağlamak ve modeli yinelemeli olarak geliştirmek gerekti.

Çalışanların etkilenme veya yorgunluk belirtilerini saptamak üzere tasarlanan yapay zekâ sistemleri, yanlış pozitif sonuçlar ve hesap verebilirlik konusunda önemli sorular doğuruyor. XENOM, riskleri erken tespit etme ile insan doğrulaması gerekliliğini nasıl dengeliyor ve hatalı bir yapay zekâ değerlendirmesinin bir çalışanı haksız yere etkilemesini önlemek için hangi güvenceler bulunuyor?

Bu konuyu en başından beri son derece bilinçli biçimde ele aldık. Sistem, kendi başına işlem yapmak üzere değil, bir endişeyi amire bildirmek üzere tasarlandı. Olası bir etkilenmeye ilişkin yapay zekâ değerlendirmesi, insan tarafından kontrol yapılmasını tetikler; amir çalışanı doğrudan gözlemleyebilir, sorular sorabilir veya gerekli görürse fiziksel bir test isteyebilir. Yapay zekâ, bir kişinin sahadan uzaklaştırılmasına karar vermez. Bir insana, aksi hâlde verebileceğinden daha hızlı karar verebilmesi için ihtiyaç duyduğu bilgiyi sunar. Ayrıca uygulama sırasında yanlış pozitif oranlarını izliyor ve modeli sürekli geliştiriyoruz. Amaç, kimsenin fark etmemesi nedeniyle yaşanan olayların sayısını azaltmak; çalışanları yalnızca bir algoritmanın değerlendirmesine dayanarak cezalandıran bir sistem kurmak değil.

XENOM’u kurmadan önce, bilgisayarlı görü ve makine öğrenimini tarımsal izleme ve verimlilik analizinde uyguladığınız OneSoil’de CTO olarak görev yaptınız. Yapay zekâyı tarımda kullanıma sunma deneyiminizden edindiğiniz hangi dersler, şantiyeler, madenler, limanlar ve enerji tesisleri için akıllı sistemler geliştirirken en değerli hâle geldi?

Yapay zekâyı fiziksel dünyada kullanıma sunmak, yazılımda kullanıma sunmaktan temelden farklı bir zorluktur. Değişken koşullarla, her seferinde aynı şekilde çalışmayan ekipmanlarla ve işlerini onlarca yıldır yapan, kendilerine farklı davranmalarını söyleyen her şeye derin kuşkuyla yaklaşan operatörlerle uğraşıyorsunuz. Endüstriyel sahalarda da aynı dinamik geçerli. Teknoloji, insanların beklediğinden daha sık doğru sonuç vererek güven kazanmalı; ayrıca elli kişilik bir ekibi yöneten birinin eğitim almadan kullanabileceği kadar basit olmalı. Bir başka ders de şu: Sahadaki veri kalitesi neredeyse her zaman planladığınızdan kötüdür. Temiz bir veri kümesinde hiç görülmeyen gürültüye, veri boşluklarına ve uç durumlara dayanıklı sistemler kurmanız gerekir.

Endüstriyel yapay zekâ platformları çalışanların konumları, faaliyetleri, iletişimleri ve verimlilikleri hakkında ayrıntılı bilgiler üretebilir. Bu teknolojilerin güvenliği ve operasyonel verimliliği gerçekten artırmasını sağlarken veri gizliliği, çalışan rızası ve iş yerinde gözetim olasılığı konularına nasıl yaklaşıyorsunuz?

Bu konuyu amaçla sınırlılık ilkesi çerçevesinde ele alıyoruz. XENOM’un topladığı veriler güvenlik ve operasyonel görünürlük içindir; bir verimlilik gözetimi aracı değildir ve bu amaçla kullanılmamalıdır. Kullanıma sunmadan önce operatörlerle birlikte açık veri yönetişimi politikaları belirliyoruz: hangi verilerin toplandığı, ne kadar süre saklandığı, kimlerin erişebildiği ve hangi koşullarda personel kararlarında kullanılabileceği. Verimlilik analizi için çalışanların konum verileri toplulaştırılır ve anonimleştirilir. Bireysel konum takibi, acil durum müdahalesi amacıyla güvenlik amirlerinin kullanımına açıktır; hat yöneticilerinin performans değerlendirmesi yapması için değil. AB Yapay Zekâ Yasası endüstriyel yapay zekâ sistemlerini de kapsadıkça, düzenleyici çerçevelerin bu konuların çoğunu resmîleştirmesini bekliyoruz. Uyum sağlamak için son anda telaşa kapılmaktansa bu gelişmelerin önünde olmayı tercih ederiz.

Yapay zekâyı kontrollü laboratuvar ortamlarından güvenlik açısından kritik endüstriyel operasyonlara taşımak, yalnızca yazılım geliştiren yapay zekâ şirketlerinin nadiren karşılaştığı zorlukları beraberinde getiriyor. XENOM’un gerçek dünyadaki uygulamaları sırasında sizi en çok şaşırtan neler oldu ve teknolojinin kazaları önleme, operasyonel verimlilik ve iş gücü üretkenliği alanlarında anlamlı iyileşmeler sağlayıp sağlamadığını nasıl ölçüyorsunuz?

En büyük sürpriz, insanların nerede olduğuna ve zamanın nasıl kullanıldığına dair doğru bir tabloya sahip olmanın tek başına ne kadar değer yaratabildiği. Operatörlerle yapılacak görüşmelerde öncelikli konunun güvenlik olacağını düşünüyorduk. Ancak üretkenliğin görünür hâle gelmesinin —vardiyalarda zamanın nerede kaybedildiğini, bazı ekiplerin neden diğerlerinden daha iyi performans gösterdiğini ve darboğazların nerede olduğunu anlamanın— çoğu zaman yatırım getirisini daha hızlı sağladığını ve platform için kurum içindeki destekçilerin çok daha kısa sürede ortaya çıkmasını sağladığını gördük. İkinci sürpriz, sektörler arasında, hatta aynı sektördeki farklı tesisler arasında bile ne kadar büyük farklılıklar bulunduğuydu. Almanya’daki inşaat sektörü, Birleşik Arap Emirlikleri’ndekinden çok farklı işliyor. Önemli ölçüde uyarlama yapmadan tek bir ürün geliştirip her yerde işe yarayacağını varsayamazsınız.

İleriye baktığımızda XENOM, izlemenin ötesine geçerek riskleri öngörebilen ve operasyonel kararlar için öneriler sunabilen bir Endüstriyel Yapay Zekâ Yardımcısı geliştirmeyi hedefliyor. Önümüzdeki beş yılda fiziksel yapay zekânın nasıl gelişeceğini düşünüyorsunuz ve endüstriyel yapay zekâ sistemlerinin insan gözetimini korurken daha özerk biçimde çalışabilmesi için hangi teknolojik atılımlar hâlâ gerekiyor?

Endüstriyel yapay zekânın bugünkü durumu, büyük ölçüde görünürlükten, yani neler olup bittiğini bilmekten ibaret. Bir sonraki aşama öngörü: Bir olay ya da üretkenlik kaybı yaşanmadan önce bunların habercisi olan örüntüleri belirlemek. Bunun için zaman içinde, büyük ölçekte yapılandırılmış ve etiketlenmiş veri biriktirmek gerekiyor; XENOM da tam olarak bunu ilk günden beri yapıyor. Sonraki aşama ise öneri sunmak: Sistem yalnızca ne olabileceğini söylemekle kalmıyor, bu konuda ne yapılması gerektiğini de öneriyor —insanların nasıl yeniden görevlendirileceğini, bir operasyona ne zaman ara verilmesi gerektiğini ve belirli bir görevde en iyi sonuçları hangi ekip düzeninin sağlayacağını. Endüstriyel Yapay Zekâ Yardımcısı ile ulaşmayı hedeflediğimiz aşama bu üçüncü aşama. Bunun için gereken teknolojik atılım, öncelikle modellemede bir ilerleme değil; mesele veri. Güvenilir biçimde genellenebilen bir modeli eğitmek için yeterli sayıda farklı tesisten, yeterli miktarda yüksek kaliteli operasyonel veriye ihtiyacınız var. Bu verileri toplamaya şimdiden başlayan şirketler, sonradan taklit edilmesi çok zor bir avantaja sahip olacak.

Harika röportaj için teşekkürler. Uç yapay zekâyı, akıllı koruyucu ekipmanları ve endüstriyel güvenliğin gerçek zamanlı izlenmesini keşfetmek isteyen okurlar XENOM’u ziyaret edebilir.