Crisp, perakende yapay zekâsını kurumsal bulut ortamlarına taşımak için Halo’yu kullanıma sunuyor

Crisp, şirketlerin hâlihazırda kullandığı veri ve yönetişim sistemlerine satış ve tedarik zinciri analizini daha da yaklaştıran, kurumların kendi bulut ortamlarında çalışabilen bir perakende yapay zekâ platformu olan Halo’yu kullanıma sundu. 29 Ekim’de duyurulan platform; paketli tüketim ürünleri (CPG) üreticilerini, perakendecileri, distribütörleri ve aracıları hedefliyor.

Bu lansman, perakendecilikte sık karşılaşılan bir sorunu ele alıyor: Ekipler satışlarda veya stoklarda bir değişiklik görebiliyor, ancak bunun nedenini açıklamak için gereken bağlamı bir araya getirmek saatler sürebiliyor. Crisp’in Halo duyurusu, kullanıcıların performansı incelemesine ve sonraki adımlara karar vermesine yardımcı olmak için perakende verilerini, sektöre özgü mantığı ve ajan tabanlı araçları bir araya getiren bir sistemi tanıtıyor.

Yapay zekânın temelinde perakende verisi

Halo’nun mimarisi, perakendecilerden ve distribütörlerden gelen bilgilerle başlıyor. Crisp’in platforma genel bakışı, bu temeli veri entegrasyonu, yönetimi ve modellemesi olarak üçe ayırıyor; bunların üzerine ajan tabanlı araçlar ve belirli rollere yönelik uygulamalar ekleniyor.

Bu yapı önem taşıyor; çünkü bir ürün, mağaza veya raporlama dönemi, ticari ortaklar arasında farklı biçimlerde temsil edilebiliyor. Stok açığıyla ilgili bir soru, temel sistemler sorunun hangi ürün, konum ve zaman aralığıyla ilgili olduğu konusunda uzlaştığında daha anlamlı hâle geliyor.

Crisp, yaklaşımını dikey yapay zekâ olarak tanımlıyor: Veriler analizde kullanılmadan önce temizleniyor ve perakendecilik bağlamındaki anlamlarıyla zenginleştiriliyor. Şirketin arka plan materyallerinde perakendeci takvimleri, ürün hiyerarşileri, karşılama oranları ve stokta olmayan ürün analizleri, iş bağlamına örnek olarak veriliyor. Crisp, en büyük 100 CPG şirketinin 90’ı da dâhil olmak üzere 7.000’den fazla müşterinin hizmetlerini kullandığını belirtiyor; bunlar şirketin bildirdiği benimsenme rakamlarıdır.

Müşterinin bulut ortamında çalışıyor

Halo, barındırılan bir platform olarak veya müşterilerin Databricks, Snowflake ve Google Cloud ortamlarında kullanılabiliyor. İkinci seçenek, kurumlara perakende istihbaratını harici olarak barındırılan başka bir uygulamaya taşımanın alternatifi olarak sunuluyor.

Crisp’in Databricks mimarisi belgeleri somut bir örnek sunuyor. Perakende verilerini Unity Catalog aracılığıyla yönetilen Delta tablolarına yerleştiriyor, uygulamaları ve ajanları Databricks Apps üzerinde barındırıyor ve uygulama durumunu, konuşmaları ve ajan belleğini yönetmek için Lakebase veritabanını kullanıyor. Model çağrıları Model Serving ve AI Gateway üzerinden yürütülürken anlamsal sorgular seçilen bir SQL ambarını kullanıyor.

Crisp’e göre tescilli veriler müşterinin ortamında kalırken tescilli olmayan operasyon günlükleri ve telemetri, şirketin merkezi sistemleriyle paylaşılıyor. Bu ayrım, dağıtımın dışarıyla hiçbir iletişim kurmadığını öne sürmekten daha isabetli bir açıklama sunuyor. Crisp ayrıca MLflow entegrasyonunu ve anlamsal modellerini Unity Catalog Metric Views olarak yayımlamayı yol haritasındaki çalışmalar arasında sıralıyor.

BT ekipleri açısından bunun önemi operasyonel nitelikte: Erişim denetimleri, çıkarım tercihleri ve kullanım takibi, hâlihazırda kullanılan altyapıyla uyumlu hâle getirilebiliyor. Ancak yalnızca dağıtımın yapıldığı konum, bir yanıtın doğruluğunu veya otomatik bir eylemin uygunluğunu kanıtlamaz.

Portföy genelindeki sorulardan perakendeciye özel kararlara

Lansmanla birlikte Central Desk ve Customer Desk kullanıma sunuluyor. Merkez Masası, genel merkez ekiplerinin satış stratejisi, kategori yönetimi ve tedarik zinciri planlamasını kapsayan çalışmalar için perakende portföylerinin bütününü görmesini sağlıyor. Customer Desk ise tek bir perakendecinin ölçütlerine, terminolojisine ve işleyiş mantığına ihtiyaç duyan müşteri ekiplerine yönelik.

Belirli bir ürünün satışlarındaki düşüşü araştıran bir markayı ele alalım. Yanıtlanması gereken asıl soru, değişimin talep, bulunabilirlik, dağıtım veya başka bir operasyonel etkenden kaynaklanıp kaynaklanmadığıdır. Analizi mağaza ve ürün düzeyindeki kayıtlarla ilişkilendirmek, ekiplerin portföy genelindeki düşüşü tek bir sorun olarak görmek yerine araştırmayı daraltmasına yardımcı olabilir.

Konuşma arayüzü ile perakende uygulaması arasındaki pratik fark da burada ortaya çıkar: Perakende uygulamasının, sorunun ardındaki iş varlıklarını ve ilişkilerini anlaması gerekir. Halo’nun daha geniş platformu ayrıca yenileme, kategori planlaması ve tedarikçi iş birliği gibi işlevlere göre düzenlenmiş yetenekler sunuyor.

İzlenebilir yanıtlar ve tekrarlanabilir iş akışları

Crisp’in yapay zekâ ajanlarına ilişkin materyalleri, analiz ve eyleme destek olmak için günlük mağaza ve ürün düzeyindeki istihbaratı kullanan araçları açıklıyor. Şirket, Halo genelinde konuşmaya dayalı soruları, yinelenen raporları, iş akışı otomasyonunu ve özel uygulamaları bu araçların başlıca kullanım biçimleri olarak sıralıyor.

Lansman materyalleri, önerilerin kaynak verilere ve bunları oluşturmak için kullanılan mantığa kadar izlenebilmesini vurguluyor. Bu tür bir kaynak izlenebilirliği, yanıtın incelenmesini kolaylaştırabilir: Bir analist, akıcı bir açıklamayı doğrudan kabul etmek yerine önerinin ardındaki kayıtları ve gerekçelendirmeyi inceleyebilir.

Platformu değerlendiren kurumların sorması gereken önemli sorular, açıklamanın ötesinde uygulamaya da uzanıyor: Hangi eylemlere izin veriliyor, hangileri inceleme gerektiriyor ve uygulama sonrasında değişiklikler nasıl ölçülüyor? Yayımlanan materyaller, tahmin doğruluğuna veya finansal getirilere ilişkin bağımsız bir kıyaslama sunmak yerine yetenekleri ve dağıtım mimarisini açıklıyor.

Halo’nun en güçlü vaadi, bu katmanlar arasındaki bağlantıdır. Perakende bağlamı, yapay zekâ sisteminin kullanabileceği daha faydalı bilgiler sunar; müşteri bulutunda dağıtım mevcut yönetişim yapısına uyum sağlayabilir ve role özgü iş akışları, ortaya çıkan analizleri envanter ve ticari kararlardan sorumlu kişilerin önüne getirir.