Daptic’in CEO’su ve kurucu ortağı Baptiste Bouvier – Röportaj Dizisi

Baptiste Bouvier, mevzuat istihbaratını ürün geliştirmeyle buluşturmak için çalıştığı Daptic’in CEO’su ve kurucu ortağıdır. MIT’de bilgisayar bilimi ve mühendisliği eğitimi alan Bouvier’nin deneyimleri; MIT CSAIL’de yapay zekâ ve otonom sistemler araştırmalarından Babylon Health’te sağlık alanında yapay zekâ çalışmalarına, J.P. Morgan’da nicel araştırmalardan Meta’da artırılmış ve sanal gerçeklik mühendisliğine ve McKinsey’de danışmanlığa uzanıyor. Bouvier’nin çalışmaları, üreticilerin karmaşık mevzuat gerekliliklerini uygulanabilir mühendislik kararlarına dönüştürmesine yardımcı olmaya odaklanıyor.

Daptic, ürünün yaşam döngüsü boyunca mevzuat değişikliklerini, yorumları ve ürün gerekliliklerini birbirine bağlayan, yapay zekâ destekli bir ürün uyumluluğu platformu sunuyor. Yazılımı; mevzuat uzmanlarının, mühendislerin ve ürün ekiplerinin küresel gereklilikleri izlemesine, bunların etkilerini değerlendirmesine ve kaynakların izlenebilirliği ile insan denetimini sağlayarak bu gereklilikleri geliştirme iş akışlarına dahil etmesine yardımcı oluyor. Bouvier bu röportajda mevzuat istihbaratını, fiziksel yapay zekâyı, makinelerce okunabilir tasarım kısıtlarını ve Sürekli Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’ne geçişi ele alıyor.

Kariyeriniz sizi MIT CSAIL’de yapay zekâ ve otonom sistemler araştırmalarından Babylon Health’te sağlık alanında yapay zekâ çalışmalarına, J.P. Morgan’da nicel araştırmalardan Meta’da artırılmış ve sanal gerçeklik mühendisliğine ve McKinsey’de danışmanlığa taşıdı. Bu deneyimler Daptic’i kurucu ortak olarak hayata geçirme kararınızı nasıl şekillendirdi ve mevzuat istihbaratının yapay zekânın kökten değiştirebileceği bir sorun olduğuna sizi ne ikna etti?

Benim için asıl aydınlatıcı olan, ürün geliştirmenin ne kadarının mevzuat tarafından şekillendiğini ve bu çalışmayı destekleyecek yazılımların ne kadar az olduğunu görmekti.

Temel olarak bilgisayar bilimi alanında, bir ölçüde de makine mühendisliği alanında bir geçmişim var. Daptic’i kurmadan önce çeşitli teknik ortamlarda çalıştım. Ancak fiziksel ürün geliştiren büyük şirketlerin çalışma biçimini ve mevzuatın bu süreci nasıl yavaşlatabildiğini yakından görme fırsatını McKinsey’de buldum.

Ürün geliştirmenin kritik bir aşamasını belgeler, elektronik tablolar, e-postalar ve pek çok farklı ekip arasındaki görüşmelerle yöneten son derece gelişmiş şirketler gördüm. Bir mevzuat, hükümetin yayımladığı hukuki bir metin olarak başlayabilir; ancak sonunda birinin bunu, ürünün tasarımını değiştirecek belirli bir mühendislik gerekliliğine dönüştürmesi gerekir.

Mevzuat ile mühendislik arasındaki bu kopukluk ilgimi çekti. Sürece dahil olan uzmanlık son derece fazlaydı, ancak bu çalışmayı birbirine bağlayan altyapı çok yetersizdi. Bu geniş alanı Ürün Uyumluluğu Yaşam Döngüsü Yönetimi olarak ele alıyoruz: mevzuat değişikliklerini, yorumları ve ürün gerekliliklerini, ekiplerin ürün geliştirme süreci boyunca ve ürünün tüm yaşam döngüsünde aldığı kararlara bağlamak.

Yapay zekâ, büyük miktarda mevzuat metnini, ürün bilgisini ve kurumsal bilgiyi aynı anda işleyebildiği için mümkün olanları değiştiriyor. Bu sayede, geçmişte büyük ölçüde yoğun manuel çalışmaya dayanan bir iş akışının çevresinde altyapı oluşturma fırsatı doğuyor. Daptic’in temeli de tam olarak buydu.

Otomotiv, havacılık, savunma, tıbbi cihazlar ve robotik gibi sektörlerdeki ürün mühendisleri, sürekli değişen binlerce mevzuatla karşı karşıya kalabiliyor. Yapay zekâ, bu devasa mevzuat bilgisini ürün geliştirme sırasında mühendislerin gerçekten kullanabileceği bir kaynağa dönüştürmede en büyük katkıyı nerede sağlıyor?

En büyük katkı, mevzuatta yaşananlarla üründe yaşananlar arasındaki bağlantıyı koruyabilmesidir.

Sonunda 30 ya da 40 farklı coğrafi pazarda satılacak karmaşık bir fiziksel ürün geliştirdiğinizi düşünün. Hangi mevzuatın geçerli olduğunu anlamanız, bu mevzuattaki değişiklikleri izlemeniz, hangi değişikliklerin ürününüzü ilgilendirdiğini belirlemeniz ve ilgili gereklilikleri mühendislik kararlarına dönüştürmeniz gerekir.

Yapay zekâ, mevzuat ortamını sürekli izleyebilir ve bir ekibin değerlendirmesi gereken bilgi miktarını azaltabilir. Bir gereklilik değiştiğinde sistem; hangi ürünlerin, bileşenlerin veya mühendislik kararlarının etkilenebileceğini belirlemeye yardımcı olabilir ve ilgili bağlamı bu bilgiye ihtiyaç duyan kişilere sunabilir.

Daha da ilgi çekici olan, mevzuat bağlamının doğrudan mühendislik iş akışının bir parçası hâline gelmesiyle ortaya çıkan fırsat. Tasarım kararı veren bir mühendis, farklı yargı bölgelerindeki mevzuatı, standartları ve düzenleyici alanları elle taramak zorunda kalmadan, bu kararla ilgili gereklilikleri hızla anlayabilmeli.

Mevzuat da ürünler de değişir. Asıl değer, ekiplerin farklı bir mühendislik kararı almak için hâlâ zamanları varken bu değişikliklerin sonuçlarını anlayabilmelerini sağlayacak şekilde iki sistemi birbirine bağlı tutmaktır. Bu kesintisiz bağlantı, Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’nin temel unsurlarından biridir.

Mevzuata uyum, bir gerekliliğin gözden kaçırılmasının veya yanlış yorumlanmasının ciddi sonuçlar doğurabileceği, yapay zekânın yüksek risk taşıyan kullanım alanlarından biridir. Daptic, mevzuat istihbaratında yapay zekâyı kullanırken doğruluk, açıklanabilirlik ve insan denetimi konularını nasıl ele alıyor?

Bu alanda güven temel önemdedir.

Düzenleyici kararlar yüksek düzeyde güven gerektirir; bu nedenle izlenebilirlik iş akışının ayrılmaz bir parçası olmalıdır. Ekipler bilgilerin kaynağını görebilmeli, dayanak oluşturan kaynak materyali inceleyebilmeli ve bir yoruma nasıl ulaşıldığını anlayabilmelidir.

Düzenlemeler belirsizlikler içerdiğinden insan uzmanlığı son derece önemlidir. Bir düzenleme size pek çok bilgi verebilir; ancak bunu belirli bir ürüne uygulamak çoğu zaman bağlam, deneyim ve muhakeme gerektirir. Farklı uzmanlar aynı gerekliliği farklı biçimlerde de yorumlayabilir.

Yaklaşımımız, bu uzmanlığı desteklemek için yapay zekâdan yararlanmak. Yapay zekâ bilgileri bulup düzenleyebilir, bunları ilgili ürün bağlamıyla ilişkilendirebilir ve daha önce yürütülmüş akıl yürütme sürecini kayıt altına alabilir. Mühendisler ve mevzuat uzmanları da sürecin parçası olmaya devam ederek kendi uzmanlıklarını gözden geçirebilir, geliştirebilir ve sürece katkıda bulunabilir.

Bu yaklaşım, zaman içinde kuruma değerli bir birikim de kazandırır. Bir düzenleyici kararın ardındaki akıl yürütme, bir e-posta yazışmasında ya da tek bir kişinin zihninde kalmak yerine başvurulabilecek ve üzerine yeni bilgiler eklenebilecek kurumsal bilgiye dönüşür. Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’nin geniş ölçekte uygulanabilmesi için bu bağlam ve uzman değerlendirmesi ekipler, ürünler ve geliştirme döngüleri boyunca korunmalıdır.

Fiziksel yapay zekâ, kontrollü endüstriyel ortamlardan evlerde ve kamusal alanlarda çalışabilecek ürünlere hızla yayılıyor. İnsansı robotlar ve robot köpekler gibi sistemler daha yetenekli hâle geldikçe, tüketiciler tarafından yaygın biçimde benimsenmelerinin önündeki en büyük engellerin hangi düzenleyici zorluklar olacağını düşünüyorsunuz?

Fiziksel yapay zekâ, geçmişte çok daha bağımsız biçimde ele alınabilen düzenleme alanlarını bir araya getiriyor.

Evde ya da kamusal bir ortamda çalışan insansı bir robotu ele alalım. Aynı ürün; fiziksel güvenlik, elektrik sistemleri, piller, kablosuz iletişim, siber güvenlik, gizlilik ve özerk davranış gibi alanları kapsayabilir. Robotun yaptığı işe bağlı olarak makine, ulaşım, tıbbi kullanım veya düzenlemeye tabi diğer faaliyetlerle ilgili ek gereklilikler de devreye girebilir.

Bu ürünleri özellikle ilginç kılan nokta, giderek daha fazla yazılım tanımlı hâle gelmeleri. Fiziksel bir ürün, satışa sunulduktan sonra yazılım aracılığıyla önemli ölçüde değişebilir. Bir güncellemeyle eklenen yeni bir yetenek veya davranış, ürünle ilgili düzenleyici değerlendirmeleri değiştirebilir.

Bu da şirketlerin düzenlemeleri yalnızca piyasaya sürülmeden önceki tek bir aşamada değil, ürünün tüm yaşam döngüsü boyunca dikkate alması gerektiği anlamına geliyor. Belirli bir andaki uyumluluktan sürekli Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’ne geçiş, yetenekleri piyasaya çıktıktan sonra da gelişebilen ürünler için özellikle önem kazanıyor.

Konunun küresel bir boyutu da var. Farklı yetki alanları bu teknolojilere ilişkin kuralları farklı hızlarda ve çoğu zaman farklı başlangıç noktalarından hareketle geliştiriyor.

Fiziksel yapay zekâ ürünleri geliştiren şirketler için düzenleme stratejisi giderek ürün stratejisinin bir parçası hâline geliyor. Sensörler, özerklik, veri toplama, malzemeler, bağlantı ve ürün davranışına ilişkin kararlar; bir ürünün nerelerde kullanılabileceğini, nasıl test edilmesi gerektiğini ve hangi gereklilikleri karşılaması gerektiğini etkileyebilir. Ürün hâlâ tasarım aşamasındayken bu bağlantıların anlaşılması gerekir.

Günümüzde uyumluluk çoğu zaman ürün geliştirmenin sonlarına doğru ele alınan bir konu. Düzenleyici gereklilikler en başından itibaren mühendislik ve ürün tasarımının girdisi hâline geldiğinde neler değişir?

Mühendislere çok daha geniş bir çözüm alanı sunarsınız.

Mühendislikte, üretilebilirlik için tasarımla ilgili yararlı bir benzetme var. CAD’de son derece makul görünen bir tasarım hazırlayabilir, ancak bunu büyük ölçekte üretmenin bambaşka bir yaklaşım gerektirdiğini sonradan fark edebilirsiniz. Sektör, mühendislerin hâlâ esnek hareket edebildikleri aşamada bu kısıtları hesaba katabilmeleri için üretilebilirlik bilgilerini tasarım sürecine daha erken taşıyan araçlar ve yöntemler geliştirdi.

Düzenleyici gereklilikler de aynı şekilde sürecin daha erken aşamalarına taşınabilir.

Mühendisler tasarım yaparken düzenleyici kısıtları anlarlarsa farklı mimarileri, malzemeleri, bileşenleri ve ürün davranışlarını çok daha iyi bir bağlam içinde değerlendirebilir. Ayrıca aylar sürecek geliştirme çalışmalarına başlamadan önce bir kararın testleri, sertifikasyonu veya pazara erişimi nasıl etkileyebileceğini de anlayabilirler.

Bu, geliştirme hızını ve maliyetini önemli ölçüde etkileyebilir. Daha da önemlisi, düzenlemeleri birçok önemli ürün kararı alındıktan sonra gelen bilgiler olmaktan çıkarıp mühendislik sürecinin bir girdisine dönüştürür. Bu, Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’nin temelindeki değişimlerden biridir: düzenleyici bilgiler, ürünün daha sonra geçmesi gereken bir eşik olmaktan ziyade ürünün nasıl geliştirildiğinin bir parçası hâline gelir.

Düzenlemeler zamanla neredeyse makineler tarafından okunabilir tasarım kısıtlarına dönüşerek yapay zekâ sistemlerinin belirli bir pazarda önerilen bir bileşenin, malzemenin, yazılım özelliğinin veya ürün davranışının gereklilikleri ihlal edebileceği konusunda mühendisleri gerçek zamanlı olarak uyarmasını sağlayabilir mi? Bu tür bir iş akışına ne kadar yakınız?

Bu yönde ilerliyoruz; ancak kilit nokta, düzenlemeleri yalnızca makine tarafından okunabilir hâle getirmek değil. Asıl mesele, mevzuat dilini belirli bir ürünün bağlamında anlam taşıyan kısıtlamalara dönüştürmek.

Düzenlemeler genellikle mühendislik şartnameleri gibi yazılmaz. Hükümetler ve standart kuruluşları tarafından insanlar için kaleme alınırlar; mevzuat metni ile bir mühendisin ihtiyaç duyduğu teknik kısıtlama arasında birden fazla yorum katmanı bulunur.

Yapay zekâ, bu katmanlar arasında bağlantı kurmak için çok daha iyi araçlar sunuyor. Bir sistem; mevzuat gerekliliklerini, resmî yorumları ve tasarlanmakta olan ürünün bağlamını anlayabilir. Bir mühendis malzemeyi, bileşeni, yazılım özelliğini veya ürün davranışını değiştirdiğinde sistem, bu değişiklikten etkilenebilecek gereklilikleri belirleyip aradaki bağlantıyı açıklayabilir.

Önemli olan, ürünün bağlamıdır. Aynı mevzuat dili; ürüne, pazara, bileşene veya kullanım amacına bağlı olarak çok farklı sonuçlar doğurabilir.

Bu iş akışının bazı unsurlarını şimdiden hayata geçiriyoruz. Mühendislik ortamlarında mevzuat geri bildirimini derinlemesine bütünleştirmek için yapılandırılmış ürün bağlamı ve mevzuat dili, kurum içi yorumlar ve teknik gereklilikler arasında güvenilir bağlantılar gerekiyor. Yapay zekâ, bu bağlantıları kurma becerimizi hızlandırdı.

Zaman içinde mevzuat geri bildiriminin, mühendislerin hâlihazırda kullandığı araçlarla çok daha fazla bütünleşmesini bekliyorum. Bu, diğer mühendislik kısıtlamalarının tasarım kararlarının alındığı noktaya yaklaşmasına benzer bir süreç olacak.

Küresel üreticilerin, onlarca yargı alanında farklı ve bazen birbiriyle çelişen kurallara uyması sıkça gerekir. Yapay zekâ, mühendislik ekiplerinin yalnızca hangi düzenlemelerin geçerli olduğunu değil, bir pazarda alınan tasarım kararının ürünü küresel ölçekte nasıl etkileyebileceğini de belirlemesine nasıl yardımcı olabilir?

Mevzuat bilgisiyle ürün bağlamını bir araya getirmek, işte bu noktada çok güçlü bir yaklaşım hâline geliyor.

Üreticiler genellikle pazarlardaki ortak unsurları en üst düzeye çıkarmak ister; çünkü aynı ürünün çok sayıda farklı sürümünü yönetmek ciddi maliyet ve karmaşıklık yaratır. Bununla birlikte gereklilikler yargı alanlarına göre değişir ve bu nedenle ürünün değiştirilmesi gereken durumlar da vardır.

Yapay zekâ, ekiplerin bu ilişkileri çok daha sistematik biçimde haritalandırmasına yardımcı olabilir. Belirli bir malzemeyi, bileşeni veya özelliği değerlendirecekseniz ürünün satılacağı pazarları inceleyebilir ve her birindeki ilgili gereklilikleri anlayabilirsiniz.

Bu sayede mühendislik ekipleri, bir tasarım kararının küresel sonuçlarını çok daha erken görebilir. Bir seçenek 25 pazarda işe yararken beş pazarda ek gereklilikler doğurabilir. Ekip de küresel tasarımı değiştirmeye, bölgesel bir sürüm oluşturmaya veya farklı bir ödünleşimi tercih etmeye karar verebilir.

Üreticiler bu kararları bugün de alıyor. Fırsat, insanlara düzenlemelerin ürünle nasıl bağlantılı olduğunu çok daha net göstererek bu ödünleşimlerin daha erken ve daha kapsamlı bir bağlam içinde yapılmasını sağlamak.

Mevzuat bilgisi, yürürlüğe girmiş yasaları takip etmekten daha fazlasını kapsar. Şirketlerin bir ürün piyasaya çıkmadan önce gereklilikleri öngörebilmesi için yapay zekâ; taslak kurallardan, hükümet görüşmelerinden, standart kuruluşlarından, yaptırım uygulamalarından ve diğer kaynaklardan gelen erken sinyalleri nasıl belirleyebilir?

Ürün geliştirme döngüleri yıllar sürdüğünde ufuk taraması özellikle önem kazanır.

Bir üretici için dün nelerin değiştiğini anlamak, tablonun yalnızca bir bölümüdür. Ekiplerin, ürün tasarlanırken, test edilirken ve piyasaya sürülmek üzere hazırlanırken nelerin değişebileceğini de görebilmesi gerekir.

Olası sinyallerin kaynakları çoktur. Hükümetler önerilen kuralları ve istişare belgelerini yayımlar. Standart kuruluşları değişiklikleri görüşür. Düzenleyici kurumlar rehberler yayımlar ve yaptırım kararları alır. Bu kaynaklar birlikte, gerekliliklerin hangi yönde geliştiğine dair yararlı göstergeler sunabilir.

Ölçek oldukça büyüktür. Küresel bir üreticinin onlarca yargı alanındaki, farklı dillerdeki ve düzenleyici alandaki kaynakları izlemesi, ardından hangi gelişmelerin ürünleri açısından gerçekten önemli olduğunu belirlemesi gerekebilir.

Yapay zekâ bu kaynakları sürekli izleyebilir, potansiyel olarak ilgili gelişmeleri belirleyebilir ve bunları belirli ürünlerle, bileşenlerle veya iş alanlarıyla ilişkilendirebilir. Böylece mevzuat uzmanları, zamanlarının daha büyük bir bölümünü ürün yol haritasını önemli ölçüde etkileyebilecek gelişmeleri değerlendirmeye ayırabilir.

Bu bağlam ürün ekibine ne kadar erken ulaşırsa şirketin hareket alanı da o kadar geniş olur. Bir gerekliliğin iki yıl sonra değişmesi bekleniyorsa ve sıradaki ürününüz 18 ay içinde piyasaya çıkacaksa bu, bugünden ürün planlamasına ilişkin bir karara dönüşebilir.

Yapay zekâ ajanları mühendislik iş akışlarına daha derinlemesine yerleştikçe, ürün yaşam döngüsünün tamamı boyunca mühendislerle, ürün yöneticileriyle ve diğer yapay zekâ sistemleriyle birlikte çalışan uzmanlaşmış uyum ajanları görebilir miyiz? Böyle bir mimari uygulamada nasıl görünürdü?

Evet. Bence kilit nokta, bu sistemlerin denklemin her iki tarafını da izlemesi gerektiği. Düzenlemeler değişiyor, ancak ürün de değişiyor.

Mevzuattaki gelişmeleri sürekli izleyip hangi değişikliklerin belirli bir ürün portföyüyle ilgili olduğunu saptayan uzmanlaşmış ajanlar kullanılabilir. Diğer ajanlar ise bu gerekliliklerin mühendislik açısından ne anlama geldiğini belirlemeye yardımcı olabilir.

Aynı zamanda ajanlar ürünün kendisindeki değişiklikleri de izleyebilir. Bir ekip kullanılan malzemeyi değiştirebilir, yazılımı güncelleyebilir, tedarikçisini değiştirebilir, bir bileşende değişikliğe gidebilir ya da yeni bir ürün özelliği sunabilir. Bu kararlardan herhangi biri, hangi gerekliliklerin geçerli olduğunu veya mevcut bir gerekliliğin nasıl yorumlanması gerektiğini değiştirebilir.

Bu sistemlerin bağlamı paylaşması gerekir. Mevzuat ajanının ürünü anlaması, mühendislik ajanının ilgili mevzuat kısıtlamalarına erişebilmesi gerekir. Her ikisi de kuruluşun önceki kararlarına ve yorumlarına erişebilmelidir.

İnsan muhakemesi bu mimarinin önemli bir parçası olmayı sürdürüyor. Bir ajan belirsizlikle, çelişen gerekliliklerle ya da önemli sonuçlar doğurabilecek bir kararla karşılaştığında, ilgili uzmanın temel kaynakları inceleyebilmesi, yorumunu paylaşabilmesi ve bu akıl yürütme sürecini kuruluşun geri kalanıyla paylaşılmak üzere kayıt altına alabilmesi gerekir.

Mimarinin, ürün hakkında ortak bir anlayışla çalışan uzmanlaşmış sistemler ve uzmanlardan oluşan bir ağa dönüşeceğini düşünüyorum. Bu yaklaşım, fiziksel ürünlerde özellikle güçlü; çünkü tek bir mühendislik kararı üretim, güvenlik, sertifikasyon, mevzuata uyum ve pazara erişim üzerinde sonraki aşamalarda etkiler yaratabilir. Birçok açıdan bu ortak altyapı, Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’nin dönüşebileceği yapıyı oluşturuyor: tüm yaşam döngüsü boyunca mevzuat bilgisini, ürün bağlamını, yapay zekâyı ve insan uzmanlığını koordine eden bir sistem.

Önümüzdeki beş ila on yıla baktığımızda; fiziksel yapay zekâ, otonom makineler ve giderek daha fazla yazılım tanımlı ürün yaygınlaştıkça mühendislik, yapay zekâ ve mevzuat arasındaki ilişkinin nasıl gelişmesini bekliyorsunuz ve bu ekosistemde Daptic’in nasıl bir rol üstleneceğini düşünüyorsunuz?

Mevzuat bilgisinin, fiziksel ürünlerin tasarımında standart bir girdi hâline geleceğini düşünüyorum.

Bunun mühendisliğin başka alanlarında da gerçekleştiğini gördük. Eskiden ayrı bir süreçte yer alan bilgiler zamanla mühendise daha yakın bir noktaya taşınıyor ve karar verilirken erişilebilir hâle geliyor. Üretilebilirlik için tasarım bunun iyi bir örneği.

Yapay zekâ, ilgili ölçek ve karmaşıklıkla başa çıkmamıza ve mevzuat gerekliliklerini belirli ürünlerle ve mühendislik kararlarıyla ilişkilendirmemize olanak tanıdığı için mevzuat da bu yönde ilerliyor.

Ürünler daha otonom ve yazılım tanımlı hâle geldikçe bu giderek daha önemli oluyor. Bir yazılım güncellemesi, fiziksel bir ürünün piyasaya çıktıktan sonraki çalışma biçimini değiştirebilir. Bir tedarikçi ya da bileşen değişebilir. Yeni bir özellik, hangi gerekliliklerin geçerli olduğunu değiştirebilir. Aynı zamanda mevzuat ve standartlar da pazarlara göre gelişmeye devam ediyor.

Ürün değişiyor, mevzuat ortamı da değişiyor. Şirketlerin bu ikisi arasında sürekli bağlantı kurabilecek bir altyapıya ihtiyacı var.

Daptic’i bu yönde geliştiriyoruz. Mühendislerin tasarım esnekliğini hâlâ korudukları aşamada mevzuatın olası etkilerini görebilmelerini ve mevzuat uzmanlarının uzmanlıklarını çok daha büyük kuruluşlarda uygulayabilmelerini sağlayarak mevzuat bilgisini ürün geliştirme altyapısının bir parçası hâline getirmek istiyoruz.

Sonuç olarak, Ürün Uyumluluğu Yaşam Döngüsü Yönetimi’nin bu altyapının temel bir parçası hâline geleceğini düşünüyoruz. Amaç, şirketlerin daha iyi ürün kararları alabilmesi, kritik kurumsal bilgiyi koruyabilmesi ve fiziksel yenilikleri daha hızlı pazara sunabilmesi için ürünün tüm yaşam döngüsü boyunca mevzuat ile mühendisliği birbirine bağlamak.

Harika röportaj için teşekkürler. Yapay zekâ destekli mevzuat bilgisi ve ürün uyumluluğu yaşam döngüsü yönetimi hakkında daha fazla bilgi edinmek isteyen okurlar Daptic‘i ziyaret edebilir.