Tamr CEO’su Anthony Deighton ile Röportaj Serisi

Anthony Deighton Tamr’ın CEO’sudur. 20 yılı aşkın bir süredir kurumsal yazılım şirketleri kurma ve büyütme deneyimine sahiptir. En son olarak, Celonis’te iki yıl boyunca Chief Marketing Officer olarak görev yaptı ve Process Mining yazılım kategorisinde liderlik kurdu ve 130% ARR büyümesi sağlayan talep oluşturma programları oluşturdu. Öncesinde, Qlik’te 10 yılı aşkın bir süre görev yaptı ve şirketin küçük, bilinmeyen bir İsveç şirketi olarak büyümesinden, ürün liderliği, ürün pazarlaması ve sonunda CTO olarak görev yapmasına kadar çeşitli rollerde bulundu. Kariyerine Siebel Systems’de kurumsal yazılım şirketleri nasıl kurulur ve büyütülür öğrenerek başladı.

Kurumsal yazılım endüstrisindeki yolculuğunuzdan bazı önemli kilometre taşlarını paylaşabilir misiniz, özellikle Qlik ve Celonis’teki zamanınızı?

Siebel Systems’de kurumsal yazılımda kariyerime başladım ve orada liderlik ekibinden çok şey öğrendim. Qlik’e katıldığımda, küçük, bilinmeyen bir İsveç şirketi olarak, 60 kişilik ekibin %95’i Lund, İsveç’te bulunuyordu. Şaka olsun diye, mühendis veya satış personeli olmadığım için pazarlama sorumlusu olarak atandım. Orada pazarlama ekibini kurdum, ancak zamanla ilgim ve katkılarım ürün yönetimine yöneldi ve sonunda Chief Product Officer oldum. Qlik’i 2010 yılında halka açtık ve başarılı bir halka açık şirket olarak devam ettik. Sonra, bazı satın almalar yapmak istedik, bu nedenle bir birleşme ve satın alma ekibi kurdum. Uzun ve nispeten başarılı bir halka açık şirket olarak görev yaptıktan sonra, Qlik’i bir özel sermaye firması olan Thoma Bravo’ya sattık. Bunu, bir kurumsal yazılım şirketinin tam yaşam döngüsü olarak tanımlayabilirim. Qlik’ten ayrıldıktan sonra, Celonis’e katıldım, bir Alman yazılım şirketi olarak ABD’de başarı elde etmeye çalışıyordu. Yine, pazarlama sorumlusu olarak görev yaptım ve çok hızlı bir şekilde büyüdük ve başarılı bir global pazarlama işlevi oluşturduk.

Her iki şirket de, Qlik ve Celonis, veri analitiğinin ön ucuna odaklanmıştı – veriyi nasıl görür ve anlarım? Qlik’in durumunda, bu panellerdi; Celonis’in durumunda ise iş süreçleriydi. Ancak her ikisi için de ortak bir zorluk, bu görselleştirmelerin arkasındaki veriydi. Çok sayıda müşteri, verilerin yanlış olduğunu şikayet etti: yinelenen kayıtlar, eksik kayıtlar, eksik veri siloları. Bu, beni Tamr’a çekti, çünkü burada ilk kez, büyük kurumsal verilerin karmaşıklığını çözebileceğimize inanıyorum. İlk 15 yıllık kurumsal yazılım kariyerim, verilerin görselleştirilmesine harcandı, umuyorum ki sonraki 15 yıl, bu verilerin temizlenmesine harcayacağım.

Erken deneyimleriniz, kurumsal yazılım şirketleri kurma ve büyütme yaklaşımınızı nasıl şekillendirdi?

Öğrendiğim önemli bir ders, Siebel’den Qlik’e geçişte basittir. Siebel çok güçlü bir yazılımdı, ancak Salesforce.com tarafından pazarın öldürüldü, çünkü müşteriler hızlı bir şekilde kurulabilen bir CRM ile daha az özellikli bir çözüm istedi. Bugün açık gibi görünse de, o zamanlar müşterilerin özellikler satın aldıkları düşünülüyordu, ancak öğrendiğimiz şey, müşterilerin sorunlarını çözmek için çözümler aradıklarıdır. Yani, yazılımınız onların sorununu daha hızlı çözerse, kazanırsınız. Qlik, veri analitiği sorununa basit bir çözümdü, ancak radikal olarak daha basit bir çözümdü. Sonuç olarak, daha fazla özellikli rakiplerimiz olan Business Objects ve Cognos’u yenebildik.

Öğrendiğim ikinci önemli ders, pazarlama ve ürün arasındaki geçişti. Bu alanları ayrı olarak düşünürüz. Kariyerimde, ürün ve pazarlama arasında kolayca geçiş yapabiliyorum. Ürün ve pazarlama arasında yakın bir bağlantı vardır ve ürünün nasıl tanımlanacağı ve müşterilere nasıl sunulacağı arasında da yakın bir bağlantı vardır. Bir entreprise yazılım şirketinin başarısı için bu geçiş çok önemlidir. Bir startup’ın başarısızlık nedenlerinden biri, “yaparsan, gelecekler” inancıdır. Bu, sadece cool yazılım yaparsan, insanların satın almak için sıraya gireceği inancıdır. Bu asla işe yaramaz ve çözüm, pazarlama sürecini yazılım geliştirme süreciyle bağlantılı hale getirmektir.

Paylaşacağım son fikir, akademik çalışmama profesyonel çalışmımla bağlantılıdır. İş okulunda Clay Christensen’in yıkıcı inovasyon teorisini öğrenme fırsatım oldu. Profesyonel çalışmımda, hem yıkıcı olan hem de yıkılan olarak deneyimleme fırsatım oldu. Öğrendiğim önemli bir ders, her yıkıcı inovasyonun, imkansız olanı mümkün kılan dışsal bir platform değişikliğinin sonucudur. Qlik’in durumunda, büyük hafıza sunucularının platforma erişimi, Qlik’in geleneksel küp tabanlı raporlamayı bozmasını sağladı. Tamr’de, makine öğreniminin ölçeklenebilirliği, bizim de manuel kurallara dayalı MDM’yi AI tabanlı bir yaklaşımla bozma şansımızı verdi. Her zaman hangi platform değişikliğinin bozulmayı sağladığını bulmak önemlidir.

AI tabanlı Master Data Management (MDM) gelişimini ne ilham verdi ve geleneksel MDM çözümlerinden nasıl farklı?

Tamr’ın gelişimi, MIT’de (Massachusetts Institute of Technology) yapılan akademik çalışmalardan ortaya çıktı ve varlıkların birleştirilmesini içeriyordu. Turing Ödülü sahibi Michael Stonebraker’ın akademik liderliğinde, ekip yüz binlerce kaynaktan ve milyonlarca kayıttan veri kayıtlarını bağlayabilir miyiz sorusunu araştırdı. Görünüşte bu, çözülmesi imkansız bir zorluktur, çünkü daha fazla kayıt ve kaynak, her olası eşleştirmenin karşılaştırılması gereken daha fazla kayıt anlamına gelir. Bilgisayar bilimciler buna “n-kare problem” der, çünkü sorun ölçekle geometrik olarak artar.

Geleneksel MDM sistemleri, bu problemi kurallar ve büyük miktarda manuel veri temizleme ile çözmeye çalışır. Kurallar ölçeklenmez, çünkü her köşe durumu kapsayacak kadar yeterli kural yazamazsınız ve binlerce kuralı yönetmek teknik olarak imkansızdır. Manuel temizleme çok pahalıdır, çünkü milyonlarca olası kaydı ve karşılaştırmaları çalışmak için insanlara güvenmek zorunda kalırsınız. Bunları birlikte ele aldığımızda, geleneksel MDM’nin (Master Data Management) pazarın kötü benimsemesini açıklar. Açıkçası, kimse geleneksel MDM’yi sevmez.

Tamr’ın basit fikri, kaynak alımı, kayıt eşleştirmesi ve değer çözümü işini yapan bir AI’ı eğitmekti. AI’ın harika yanı, yemek yememesi, uyumaması ve tatil yapmaması, ayrıca yüksek paralelleştirilebilir olması ve büyük veri hacmine karşı çalışabilmesidir. Böylece, MDM以前 imkansızken, artık temiz, konsolide ve güncel verilere ulaşmak mümkün.

Şirketlerin veri yönetiminde karşılaştıkları en büyük zorluklar nelerdir ve Tamr bu sorunları nasıl çözer?

Şirketlerin veri yönetiminde karşılaştıkları en büyük zorluk, iş kullanıcılarının ürettiği verilerin kullanılmamasıdır. Ya da farklı bir şekilde söylersek, veri ekipleri yüksek kaliteli veri üretmezse ve organizasyonlar analitik sorulara cevap vermek veya iş süreçlerini optimize etmek için bu veriyi kullanmazsa, zaman ve para kaybetmiş olurlar. Tamr’ın birincil çıktısı, her varlık kaydına (örneğin müşteri, ürün, parça vb.) bir 360 sayfasıdır ve bu sayfa, alttaki 1. ve 3. taraf verilerini birleştirir, böylece iş kullanıcıları veriyi görebilir ve geri bildirimde bulunabilir. Bu, varlık verisi için bir wiki gibidir. Bu 360 sayfa, aynı zamanda iş kullanıcılarının veriyle soru sormasına ve cevaplamasına olanak tanıyan bir sohbet arayüzünün girdisidir. Böylece, işbirliği yapmak için veriyi kullanıcılara verin.

Bir şirketin veri yönetiminde Tamr’ın sağladığı bir başarı hikayesini paylaşabilir misiniz?

CHG Healthcare, sağlık personeli istihdam endüstrisinde önemli bir oyuncudur ve sağlık profesyonellerini ihtiyaç duyan tesislerle bağlar. Geçici doktorlar, hemşireler veya daha geniş çözümler sunar. Temel değer önerileri, doğru sağlık profesyonellerini doğru tesise doğru zamanda bağlamaktır. Zorlukları, ağlarındaki tüm sağlayıcılar için doğru ve birleşik bir görünümünün olmamasıydı. Ölçekleri (7,5 milyon+ sağlayıcı) nedeniyle, miras yaklaşımlarıyla verilerini doğru tutmak imkansızdı. Ayrıca bu sorunu görmezden gelemezlerdi, çünkü istihdam kararları buna bağlıydı. Kötü veriler, bir sağlayıcının fazla vardiya almasına ve yorgunluğa neden olabilirdi.

Tamr’ın gelişmiş AI/ML yeteneklerini kullanarak, CHG Healthcare, yinelenen doktor kayıtlarını %45 oranında azalttı ve neredeyse tüm manuel veri hazırlama işini ortadan kaldırdı. Ve en önemlisi, güvenilir ve doğru bir sağlayıcı görünümü sayesinde, istihdamı optimize edebiliyor ve müşterilere daha iyi bir deneyim sunabiliyor.

Veri yönetiminde AI hakkında ortak yanlış anlaşılan noktalar nelerdir ve Tamr bu yanlış anlaşılmaları nasıl giderir?

Ortak bir yanlış anlaşılmış nokta, AI’ın “mükemmel” olması gerektiğidir veya kurallar ve insan temizlemenin AI’a kıyasla mükemmel olduğu görüşüdür. Gerçek şu ki, kurallar her zaman başarısız olur. Ve daha da önemlisi, kurallar başarısız olduğunda, tek çözüm daha fazla kuraldır. Böylece, yönetilemeyen bir kural karmaşıklığına sahip olursunuz. İnsan temizleme de hataya açıktır. İnsanlar iyi niyetli olabilir (her zaman değil), ancak her zaman doğru olmazlar. AI ise doğası gereği olasılıksaldır. Bu tekniklerin ne kadar doğru olduğunu istatistiksel olarak doğrulayabiliriz ve yaptığımızda, AI’ın daha ucuz ve daha doğru olduğunu görürüz.

Tamr, veri doğruluğu için AI ile insan iyileştirmesini birleştirir. Bu birleşmenin nasıl çalıştığını açıklar mısınız?

İnsanlar AI’a výjnelikle önemli bir şey sağlar – eğitim sağlar. AI, insan çabalarının ölçeklenmesidir. Tamr, insanların AI’a örnekler (“eğitim etiketleri”) vermesini ister, böylece makine model parametrelerini ayarlayabilir. Uygulamada, insanların verilere küçük bir miktar zaman ayırmaları ve Tamr’a hatalar ve veri hataları hakkında örnekler vermesi gerekir ve AI bu dersleri tüm veri setlerine uygular. Ayrıca, yeni veri eklendiğinde veya veri değiştiğinde, AI düşük güven düzeyine sahip eşleştirmeleri silebilir ve insanlardan girdi isteyebilir. Bu girdi, elbette, modelleri güncellemek ve güzelleştirmek için kullanılır.

Büyük dil modelleri (LLM’ler), Tamr’ın veri kalitesi ve zenginleştirme süreçlerinde nasıl bir rol oynar?

Öncelikle, LLM’lerin neye iyi olduğunu açıklamak önemlidir. Temel olarak, LLM’ler dil hakkında konuşur. Anlamlı metin üretir ve size verilen metnin anlamını “anlayabilir”. Yani, dilsel makinelerdir. Tamr için, dil önemli olduğunda, LLM’leri kullanırız. Bir örnek, bizim sanal CDO’muz olarak adlandırdığımız sohbet arayüzümüzdür. Gerçek CDO’nuzla konuştuğunuzda, size anladığınız dille cevap verir. Bu, LLM’lerin kullanım şeklimizdir. Tamr’da değerli olan, varlık verisini sohbet için bağlam olarak kullanmamızdır. Gerçek CDO’nuzun tüm en iyi kurumsal verilerinizi parmak ucunda olduğu gibi cevaplar vermesi gibi.

Ayrıca, veri değerlerini temizlerken veya eksik değerleri doldururken, giriş değerlerinin dil tabanlı yorumunu kullanarak eksik bir değeri bulmak veya düzeltmek için LLM’leri kullanabiliriz. Örneğin, “5mm topak” metninden parça boyutunu sorabilir ve LLM (veya bir insan) doğru cevabı “5mm” olarak verecektir.

Son olarak, LLM’lerin altında yatan gömme modelleri, dil anlamlarını tokenlere (örneğin kelimelere) kodlar. Bu, dilbilimsel karşılaştırmaları hesaplamak için çok faydalı olabilir. Böylece, “5” ve “beş” karakter olarak ortak hiçbir şey paylaşmasa da, dilbilimsel anlam olarak çok yakındırlar. Bu bilgiyi, kayıtları birbirine bağlamak için kullanabiliriz.

Veri yönetiminde geleceği, özellikle AI ve makine öğrenimi alanındaki gelişmelerle birlikte, nasıl görüyorsunuz?

2000’lerin başındaki “Büyük Veri” dönemi, “Küçük Veri” dönemi olarak hatırlanmalıdır. Son 20+ yıl içinde çok fazla veri oluşturulmasına rağmen, depolama ve hesaplamanın ucuzlamasıyla birlikte, şirketlerde etkili olan veri, genellikle panellere kolayca gösterilebilecek temel satış ve müşteri raporları, pazarlama analitiği ve diğer veri setlerinden oluşmaktadır. Sonuç olarak, veri yönetiminde kullanılan araçlar ve süreçler, “küçük veri” için optimize edilmiştir, bu nedenle kurallara dayalı mantık, insan temizleme ile desteklenmektedir.

İnsanların veriyi kullanma şekli, AI ve makine öğrenimi alanındaki gelişmelerle birlikte Temel olarak değişmektedir. “AI ajanları”nın önemli bir kişinin işinin önemli bir kısmını otomatik olarak gerçekleştirebileceği fikri, ancak bu ajanların gerekli verilere sahip olması durumunda işe yarar. Müşteri desteğinde ön saflarda hizmet vermek beklenen bir AI ajanınız varsa, ancak CRM’de “Dell Computer” için beş farklı temsil存在 ediyorsa ve bu, ERP’deki ürün bilgileriyle bağlantılı değilse, Dell’den jemandin geldiğinde yüksek kaliteli hizmet sunmasını nasıl bekleyebilirsiniz?

Bunun anlamı, veri yönetiminde kullanılan araçlar ve süreçlerin, ölçeklenebilirlik için evrimleşmesi gerektiğidir, bu da AI ve makine öğreniminin daha fazla veri temizleme faaliyetini otomatikleştirmesini gerektirir. İnsanlar vẫn süreçte büyük bir rol oynayacaktır, ancak temel olarak makinelerin daha fazla şey yapmasını istememiz gerekir, böylece sadece bir paneldaki veri doğru ve eksiksiz değil, aynı zamanda şirketin çoğunluğu da doğru ve eksiksizdir.

İşletmeler için verilerini daha etkili bir şekilde kullanma konusunda en büyük fırsatlar nelerdir?

Verileri tüketebilecek kişilerin sayısını artırmak. Veri görselleştirme araçlarındaki gelişmeler, verilerin şirket genelinde daha erişilebilir hale gelmesini sağladı. Şimdi, veri ve analitik liderleri, değer sunmak için panellerin ötesinde veri sunmak için yollar aramalıdır. İç 360 sayfaları, bilgi grafikleri ve sohbet asistanları gibi arayüzler, yeni teknolojilerle ermögektir ve potansiyel veri tüketicilerine verilerini kullanmak için daha fazla yol sağlar. Bu özellikle, insanların zaten kullandığı sistemlere, CRM ve ERP gibi sistemlere gömülü olduğunda güçlüdür. Veriden daha fazla değer yaratmanın en hızlı yolu, veriyi kullanabilecek insanlara getirmektir.

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