Inscope’da AI Başkanı Ankit Arya ile Röportaj Serisi

Ankit Arya, Inscope’un AI Başkanı, AI ürün liderliği, makine öğrenimi, kurumsal otomasyon ve uygulamalı araştırma konularında derin deneyimlere sahiptir. Inscope’un kurucu ekibinin bir parçası olarak, şirketlerin paydaşlarla doğru ve uyumlu finansal verileri paylaşmalarını sağlayan yazılımlar geliştirmelerine yardımcı oluyor. Geçmişte Mariana’nın kurucu ortaklarından ve CTO’su olarak görev yaptı ve burada AI destekli pazar analizleri ve rekabet araştırmaları üzerine çalıştı. Ayrıca HackerRank’te makine öğrenimi ve AI ürün stratejisi liderliğini yürüttü. Kariyerinin başlarında Meta’da AI destekli işe alım otomasyonu ve VR verimliliği, Astound’da kurucu mühendis olarak chatbot tabanlı企业 hizmet otomasyonu geliştirdi ve Collective’i’de üretim ölçekli makine öğrenimi sistemleri oluşturdu. Kariyeri, hem startup hem de büyük şirket ortamlarında pratik AI dağıtımı, ürün stratejisi, otomasyon ve veri odaklı sistemleri içermektedir.

Inscope, muhasebe firmaları, finans ekipleri ve finansal raporlamayı daha verimli bir şekilde hazırlamak, incelemek ve sunmak zorunda olan şirketler için tasarlanmış bir AI tabanlı finansal raporlama platformudur. Platform, finansal raporlamanın arkasındaki manuel işleri, yani devirleri, biçimlendirmeyi, açıklamaları, dipnotları, dengelemeleri ve tutarlılık kontrollerini otomatikleştirmeye odaklanmaktadır. Inscope, teknolojisini raporlama hatalarını azaltmak, hazırlık sürelerini kısaltmak ve denetleme hazır finansal tabloları üretmeyi kolaylaştırmak için bir yol olarak konumlandırıyor. Şirket, Şubat 2026’da AI destekli finansal raporlama platformunu genişletmek için 14,5 milyon dolarlık A Serisi yatırımını duyurdu.

AI liderliği, makine öğrenimi, işe alım AI’si, VR verimliliği ve AI ürün stratejisi gibi çeşitli alanlarda çalıştıktan sonra Inscope’da AI Başkanı olarak görevi nasıl üstlendi?

Her bir alan, farklı bir parça öğretti. Büyük ölçekli ML ürünleri dağıtmak, gerçek hacim altında neler dayanabileceğini öğretti. LLM’lerle kurucu olarak çalışmak, bu modellerin gerçekten nasıl davrandığını, nerede kırıldığını ve nasıl şekillendirileceğini öğretti. Her yerde çalıştığım ürünler, insanları makinenin mantığına zorlamak yerine, uzmanın zaten çalıştığı şekilde çalışarak güven kazandı.

Finansal raporlama hazırlama ve incelemesi yıllardır büyük ölçüde manuel olarak kaldı. Bu kategoride AI’nin anlamlı bir değişiklik getirebileceğine nasıl ikna oldunuz?

Finansal raporlama hazırlayan birinin yaptıklarına yakından bakarsanız, aslında bir veri dönüştürme.pipeline’ı olduğunu görürsünüz. Bir dozen farklı sistemden veri çeker, bunları sindirilebilir çıktılara dönüştürür ve sonra üzerine bir yargı katmanı eklersiniz: numaraların anlamını açıklayan yorumlar. Bu, sistemlerin birbirleriyle konuşmadığı ve eski otomasyonların bu çeşitlilik ve kenar durumlarına dayanamayacak kadar kırılgan olduğu için manuel kaldı.

İki şey değişti. İlk olarak, modeller artık çok değişken girdileri alabilir ve yapılandırabilir ve aynı zamanda insan tarafından kontrol edilebilecek kenar durumlarını yüzeyde gösterebilir. İkincisi, finansın tamamen öznel olmadığını, FASB ve SEC tarafından belirlenen kurallara dayanabileceğini ve binlerce önceki dosyadan öğrenilebileceğini gösterdiler. Bana inandıran şey, tek bir modelin asla doğru yapamayacağı bir kontrolün, koordine edilmiş ajanlar kümesi üzerinde çalıştırıldığında güvenilir bir şekilde çalışmaya başlamasıydı.

Neden kurumsal finans, birçok insanın beklediğinden daha zor bir şekilde AI ile dönüşüyor?

Kaba bir şekilde söyleyecek olursam, bu işlerde hata yapmanın sonuçları çok yüksek. Bu, tüketici ürünlerinde olduğu gibi bir kızgınlık değil, yasal ve düzenleyici sonuçlar doğurabilir ve imzalayan kişi kişisel olarak sorumlu olur.

Bunun üzerine, her şirket bu işi biraz farklı yapıyor ve işler dolu istisnalarla dolu. Kurallar ve şablonlar ortak yolu ele alır, ancak gerçek iş nerede yaşarsa, orada bozulur. Daha önceki yazılımların yenilgisinin nedeni, hiçbir tek sayı değil, tüm bir sonradan workflow’u anlamak ve tüm “eğer”leri ve “ancak”ları içermekti. Yüksek risk, derin özelleştirme ve真正 karmaşık workflow’ler, bu kategorinin diğerlerine göre daha uzun süre dokunulmaz kalmasına neden oldu.

Genel AI araçları ile finansal raporlama ve uyumluluk için özel olarak tasarlanmış AI arasında ne gibi bir fark vardır?

Bu, modele değil, etrafındaki her şeye gelip dayanır: hangi bağlamda, hangi anda, hangi kontrollerle. Özel olarak tasarlanmış bir sistem ayrıca biriktirir. Bir organizasyon içinde çalıştıkça, o şirketin özel kalıplarını ve sözleşmelerini öğrenir, bu da genel bir aracın her defasında sıfırdan başladığı bir şeydir.

Finans için atlanamayacak birkaç şey vardır. Çıktının kaynak verilere dayandırılması ve her sayının nereden geldiğini, kimin veya neyin ürettiğini ve nedenini izlenebilir olması gerekir. Sistem ayrıca kendi güveninin sınırlarını bilmeli ve insanlara değil, tahminde bulunmalıdır. Gerçek zanaat, tüm bunaround deneyimdedir. Sadece bir cevabı duvara asmak ve kullanıcıyı savunmakla bırakamazsınız. Temelde, topraklama, izlenebilirlik ve insanlara nazik bir devir için tasarlamak, genel bir aracı, gerçekten bir kontrolörün adını koyacağı bir şeyden ayıran şeydir.

Finansal raporlama ve incelemesi için güvenilir AI sistemleri oluştururken karşılaşılan en büyük makine öğrenimi zorlukları nelerdir?

Bir somut örnek vererek başlayalım. Bir eşleştirmede, bir sayının her yerde uyumlu olup olmadığını kontrol edersiniz: bir tablo diğer tablolarla, bir tablo metinle, metin kendisiyle. Hazırlayıcılar her gün bunu yapar. Bu, gerçekten bir modeli akıllı bir promotla tüm belgeye bırakıp güvenebileceğiniz bir şey değildir, özellikle bu işin gerektirdiği kesinlikte.

Bu, temel makine öğrenimi zorluğudur ve üç katmana sahiptir. Sistem, belirli bir müşterinin nasıl çalıştığını anlamalı ve geri bildirimi öğrenmelidir. Finansal bir tablo içindeki ilişkileri gerçekten kavramalı, sadece metni okumak yerine, numaraların birbirleriyle ve dipnotlarla ve dönemlerin devamlılığıyla nasıl bağlantılı olduğunu anlamalıdır. Ve bir kez birçok ajan işbirliği içinde çalıştığında, sessizce bozulmak yerine insan tarafından kontrol edilebilecek kenar durumlarını yüzeyde gösterebilmelidir. Zor kısım, bir modelin finansal bir tabloyu okumayı öğrenmesi değildi, onun etrafındaki sistemi inşa etmekti.

Finansal iş akışlarında AI uygulandığında, model doğruluğu, açıklanabilirlik ve hata toleransı nasıl düşünülür?

Her şeyden önce, tek bir doğruluk standardı yoktur ve böyle bir şey olduğunu iddia etmek yanlış olur. Bu sistemler %100 doğru değildir ve neyin elde edilebileceği görevden göreve değişir. Gerçek iş, sistem ne yaptığını ve risk nerede olduğunu dürüstçe iletmektir. Bir başarı oranını sallamak yerine, risk taşıyan maddeleri, önemli olanları, gözden geçiriciye gösterirsiniz ve sistem tarafından dokunulmayanları açıkça belirtirsiniz. Bu, açığı kapatmanın yolu, yoksa orada olmadığını iddia etmenin yolu değildir.

Açıklanabilirlik somuttur, bir prensip değil. Bir tablo için dip kontrolleri çalıştırırken, küçük bir hesap makinesi gösteririz: birleştirilen exact hücreler ve sistem tarafından kullanılan aritmetik. Bir hata yaparsa, bir saniye içinde görebilirsiniz. Model tarafında, en önemli araç güçlü değerlendirme setleridir, bunlar gerçek görevlerde doğruluğu ölçer. Bunun ötesinde, modelin gözüyle görmek önemlidir. Modelin gerçekten ne gördüğünü unutmak şaşırılacak kadar kolaydır. Bu nedenle, uzmanın aynı problemi nasıl çözeceğini incelemelisiniz ve modelin uzmanın sahip olacağı bağlamı vermelisiniz.

CFO’lar, kontroller ve denetçiler AI’yi uyumlu ortamlarda dağıttığında nasıl güven kazanabilir?

Güven, sistemin ne yaptığını görmenin kolay olmasına dayanır. Bir kullanıcı, ortalama %95’in görmez, sadece kendi dosyasına bakar ve sistem o günün en kötü çalışmasını yapabilir. Hiçbir toplu sayı, o anı rahatlatamaz.

Her şey AI etrafındaki deneyime gelir. Ne yapıldığını açıkça gösterir, doğrulamanın ve düzeltmenin kolay olmasını sağlar ve bu düzeltme gerçekten sistemi öğretir. Bu kişiler numaralardan kişisel olarak sorumludur, bu nedenle bir kara kutu istemiyorlar. Kontrolde kalmak ve işi görmek isterler.

Şirketler derin operasyonel sorunları çözerken, AI dalgasına binmekle arasındaki fark nedir?

Bu testi bir kez yaparım ve AI ile hiçbir alakası yoktur: Müşteri ürününüz ortadan kaybolursa ne kadar zarar görür? Cevap “çok” ise, gerçek bir şirkettir. Cevap “hiç” ise, sadece dalgaya binmektedir. AI, sadece bir demo inşa etmenizi daha ucuz hale getirir, ancak o demo bu testi geçemez.

Daha derine inerseniz, dayanıklı avantaj, işin ne kadarına girmeye istekli olmanıza bağlıdır. Son nesil yazılım, çalışma alanını inşa etti. Bu nesil, gerçekten işi yapan sistemler inşa edebilir, çoğu aracın sessizce bypass ettiği karmaşık, çok adımlı empresa vakalarını da içerebilir. Bir kez bu derinliğe ulaştığınızda, biriken bağlam ve yıllarını kazanmak için gereken güvenle, büyük bir laboratuvar daha iyi bir temel modelle gelip işinizi alamaz. Bu, tüm oyun ve Inscope’da oynadığımız kumar.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Inscope‘u ziyaret edebilir.