EvoluteIQ’nun Strateji Direktörü ve Kurucu Ortağı Deepak Kinger – Röportaj Dizisi

Deepak Kinger, EvoluteIQ’nun Strateji Direktörü ve Kurucu Ortağı olarak kurumsal dönüşüm, finansal hizmetler, otomasyon ve yapay zekâ alanlarında yirmi yılı aşkın deneyime sahip, deneyimli bir teknoloji ve iş dünyası lideridir. EvoluteIQ’da şirketin genel stratejisini şekillendirmeye katkıda bulunurken önemli teknoloji ittifaklarına, çözüm ortaklıklarına, pazarlama faaliyetlerine ve analist ilişkilerine liderlik eder. Kinger, 2019’da EvoluteIQ’yu birlikte kurmadan önce GALE Partners, Virtusa, Sapient, Headstrong, Wipro ve Mphasis’te üst düzey yöneticilik görevlerinde bulundu. Bu görevlerde Asya-Pasifik genelindeki finansal hizmetler işletmelerini yönetmekten üst düzey yöneticilere dijital dönüşüm konusunda danışmanlık vermeye, yeni iş kolları oluşturmaktan büyük ölçekli teknoloji projelerine liderlik etmeye uzanan sorumluluklar üstlendi. Deneyimi; strateji, iş geliştirme, müşteri ilişkileri yönetimi, kâr ve zarar yönetimi, operasyonlar ve yapay zekâ, makine öğrenimi, robotik süreç otomasyonu, blok zinciri ve veri bilimi gibi gelişmekte olan teknolojileri kapsar.

EvoluteIQ, kuruluşların karmaşık, uçtan uca iş süreçlerini otomatikleştirmesine ve düzenlemesine yardımcı olmaya odaklanan bir kurumsal yapay zekâ ve akıllı otomasyon şirketidir. EIQ Platformu; ajan tabanlı yapay zekâyı, üretken yapay zekâyı, süreç ve karar otomasyonunu, akıllı RPA’yı, olay işlemeyi, veri dokusunu, analitiği, kurumsal bağlayıcıları ve çok kanallı uygulama geliştirmeyi düşük kodlu/kodsuz bir ortamda bir araya getirir. Platform, işletmelerin mevcut sistemlerini birbirine bağlamasına, yapay zekâ ajanları ve otomatik iş akışları oluşturup devreye almasına, sonuçları izlemesine ve müşteri deneyimi, finans, operasyonlar, satış ve tedarik zinciri yönetimi gibi alanlarda otomasyonu ölçeklendirmesine olanak sağlayacak şekilde tasarlanmıştır. 2019’da kurulan EvoluteIQ, AI Workbench ve Agentic Mesh Architecture gibi teknolojilerle odağını ajan tabanlı kurumsal otomasyona doğru genişletti. Şirket, 2025’te küresel büyümeyi ve Bengaluru’daki Ar-Ge faaliyetlerine daha fazla yatırım yapmayı desteklemek üzere Baird Capital liderliğinde 53 milyon dolarlık azınlık büyüme yatırımı aldığını duyurdu.

2019’da EvoluteIQ’yu birlikte kurmadan önce finansal hizmetler, kurumsal teknoloji ve dijital dönüşüm alanlarında yirmi yıl çalıştınız. Büyük kuruluşlarda tekrar tekrar karşılaştığınız hangi sorunlar, sonunda EvoluteIQ’yu kurma fırsatı olduğuna sizi ikna etti? Bu sorunlara yaklaşımınızı hangi yönlerden farklı kılmak istediniz?

EvoluteIQ’dan önce danışmanlık alanında 25 yıl çalıştım; bu sürenin büyük bölümünde büyük finans kuruluşlarına dönüşüm girişimlerinde destek verdim. Bu çalışmalar, ilk dijital bankacılık programlarının yanı sıra alım satım, risk yönetimi ve daha geniş kapsamlı uçtan uca dönüşüm projelerini de içeriyordu. Zamanla otomasyona olan talebin arttığını gördüm ve işletmelerin en büyük tedarikçilerden bazılarının platformlarını uygulamaya koymasına yardımcı oluyorduk.

EvoluteIQ’yu kurmaya bizi asıl motive eden, başkalarının teknolojisini uygulamaktan kendi teknolojimizi geliştirmeye geçme fırsatıydı. İşletmelerin birden fazla teknolojiyi, lisansı ve entegrasyon katmanını bir araya getirmesini gerektirmek yerine otomasyona daha bütünleşik bir yaklaşım sunma fırsatı gördük. 2019’da EvoluteIQ’yu kurma motivasyonumuzun bir parçası da buydu.

Bizim önceki Unite.AI röportajımızda kurucu ortağınız Sameet Gupte, işletmeleri görev tabanlı otomasyondan yapay zekâ odaklı, uçtan uca otonom operasyonlara taşıma yönündeki daha geniş EvoluteIQ vizyonunu ele almıştı. Mevzuat değişikliklerinin yönetimi, tek tek görevleri otomatikleştirmekten tüm iş süreçlerini düzenlemeye geçişin neden gerekli olduğunu nasıl ortaya koyuyor?

Mevzuat değişiklikleri nadiren tek bir yalıtılmış görevi etkiler. 2020’de LIBOR geçişi için bir çözüm geliştirdik. Bankalar, mevcut sözleşmeleri etkileyen ve operasyon ekiplerinin, hukuk yardımcılarının ve iş birimlerinin bu sözleşmeleri inceleyip gerekli düzeltmeleri yapmasını gerektiren büyük ölçekli bir değişiklikle karşı karşıyaydı. Pek çok kurum, soruna esasen daha fazla çalışanı dahil ederek yanıt veriyordu. LIBOR’dan çıkardığımız ders, değişen şeyin belirli düzenlemeler, tekrarlanan şeyin ise temel sorun olduğuydu. Mevzuat değişiklikleri ve uyum, sürekli yerine getirilmesi gereken operasyonel gerekliliklerdir.

Kara Para Aklamayı Önleme/Terörizmin Finansmanıyla Mücadele (AML/CFT) alanında FinCen’in yakın tarihli değişiklik önerileriyle, son derece kuralcı ve “kutucukları işaretlemeye” dayalı uyum modelinden uzaklaşıldığını görüyoruz. Bu durum, uyum çalışmalarını hafifletmek yerine çıtayı yükseltiyor; çünkü kurumların düzenlemeleri yorumlaması, kendi risklerini tanımlaması ve bu risklerin operasyon modelleri açısından ne anlama geldiğini belirlemesi gerekiyor. Bu değişim, yalnızca uyum ve denetim ekiplerini değil, kuruluş genelindeki farklı departman ve işlevleri de doğrudan kapsıyor.

Bankaların her büyük mevzuat değişikliğini yeni bir dönüşüm projesi olarak ele almayı bırakıp bunun yerine mevzuat değişikliklerini kalıcı bir operasyonel yetkinlik olarak geliştirmesi gerektiğini savundunuz. Böyle bir operasyon modeli uygulamada nasıl görünürdü ve finans kuruluşları bunu oluşturmakta geçmişte neden zorlandı?

Yeni işletim modeli, değişimin süreklilik taşıdığını kabul etmeli; artık bu, üç ayda bir ya da denetçiler kapıya dayandığında devreye alınması gereken bir süreç değil. LIBOR için bir çözüm geliştirmek, düzenlemelerdeki bir değişikliğin sonunda hayata geçirilmesinin uyum sağlama ihtiyacını ortadan kaldırmadığını gösterdi. Bir sonraki düzenleme değişikliğine de uyum sağlamak için değişikliği anlamak, operasyonel gerekliliklere dönüştürmek ve süreçleri güncellemek gerekecek.

Yeni işletim modeli, uyum işleviyle sınırlı kalmamalı. Daha çok risk temelli bir modelde, uyum işlevi mevzuata uygunluğun nihai sorumluluğunu yine üstlenebilir; ancak operasyon, hukuk ve bazı durumlarda karşı taraf risk yönetimi de daha önemli hâle gelir. Kurumların yapabileceği hatalardan biri, düzenlemelerdeki değişikliklerin kuruluşu ne kadar geniş kapsamlı etkilediğini hafife almaktır.

Geçmişte bu, işletmelerin parçalı teknoloji altyapıları ve birbirinden kopuk işletim modelleri oluşturmuş olması nedeniyle zordu. Farklı iş birimleri ayrı RPA, BPM, raporlama ve diğer platformlara dayandığında, yeni bir gerekliliğe yanıt vermek başlı başına bir entegrasyon projesine dönüşüyor.

Yeni bir düzenleme yürürlüğe girdiğinde bankanın hangi müşterilerin, ürünlerin, sözleşmelerin, sistemlerin ve süreçlerin etkilendiğini belirlemesi gerekebilir. Yapay zekâ, bu etki analizini hangi alanlarda kayda değer ölçüde iyileştirebilir; sürecin hangi bölümlerinde ise deterministik kurallar veya insan yargısı hâlâ gereklidir?

Yapay zekâ, düzenlemelerdeki değişiklikleri anlamak ve hayata geçirmek için gereken manuel işi önemli ölçüde azaltabilir. Daha özel olarak, büyük miktarda bilgiyi analiz edip sınıflandırmaya ve insanların dikkatini vermesi gereken noktaları belirlemeye yardımcı olabilir. Örneğin EvoluteIQ’nun düzenlemelere yanıt verme yetenekleri, sözleşmeleri müşteri ve varlık türüne göre sınıflandırıp önceliklendirebilir, bu bilgileri kurumsal sistemler ve harici veri kaynaklarıyla ilişkilendirebilir, ardından hukuk, risk ve operasyon ekiplerinin sonraki çalışmalarını koordine edebilir. Böylece kurumlar, etkilenebilecek unsurları belirlemekten çıkıp bunun sonucunda ortaya çıkan değişiklikleri sürecin tamamında yönetmeye geçebilir.

İnsan denetimi ve gözetimi hâlâ vazgeçilmezdir. Düzenlemelere tabi bir sürecin bazı bölümlerinde kurumun açıkça tanımlanmış iş kurallarına, koşullara, istisnalara ve üst mercilere iletim yollarına ihtiyacı vardır. Benimsediğimiz model, yapay zekânın uyarlanabilirliğini, uygun durumlarda deterministik otomasyon ve insan yargısıyla bir araya getirir. Yapay zekâ, neyin işlem gerektirebileceğini yorumlamaya ve görünür kılmaya yardımcı olabilir; tanımlanmış kararların nasıl uygulanacağını deterministik kurallar belirleyebilir; istisnalar veya yargı gerektiren kararlar ise uygun kişiye iletilebilir.

Düzenlemelerin hayata geçirilmesi çoğu zaman hukuk, uyum, risk, operasyon, veri ve teknoloji ekiplerinin ortak çalışmasını gerektirir. Yapay zekâ ve süreç orkestrasyonu, bu grupların ayrı iş akışları ve birbiriyle çelişebilecek iş kuralları oluşturmak yerine, düzenlemeyi ortak bir yorum üzerinden ele alarak birlikte çalışmasına nasıl yardımcı olabilir?

Daha çok risk temelli bir uyum modelinin en önemli sonuçlarından biri, sorumluluğun kuruluşun daha geniş bir bölümüne yayılmasıdır. Hesap verebilirliğin nihai olarak uyum işlevinde olması mümkün olsa da operasyon, hukuk ve karşı taraf risk ekiplerinin de önemli bir rolü vardır. Bu nedenle kurumlar, uygulamayı uyum işlevinin tek başına yürütebileceği bir iş olarak görmemelidir.

Bu nedenle bütünleşik bir platform kilit önem taşır. Büyük bir kuruluşta, bu yeni model kapsamında farklı kayıt sistemleri ve iş kuralları entegre edilmelidir; ancak güvenlik karmaşıklıklarını da hesaba katmak gerekir. Birleşik bir yaklaşım, kuruluşun farklı bölümlerinin aynı değişikliği birbirinden tamamen ayrı teknoloji altyapıları üzerinden hayata geçirme riskini azaltabilir.

Üretken yapay zekâ, karmaşık düzenleyici belgeleri yorumlayabilir; ancak uyum kararları söz konusu olduğunda bankalar halüsinasyonları veya tutarsız yorumları göze alamaz. Düzenlemelerdeki değişiklikler için kullanılan yapay zekâ sistemlerine hangi güvenceler eklenmeli ve karar sürecinde insan uzmanlar nerede yer almalıdır?

İlk olarak, yapay zekâ ajanlarını tek başlarına devreye almayın; uygun yönetişim olmadan ajanların kontrolsüz biçimde çoğalmasına yol açabilirler.

İkinci olarak, bir kuruluşun otomatikleştirebilecekleri yalnızca teknik kapasitesiyle değil, aynı zamanda düzenlemelerle, gizlilikle ve hangi verilerin yasal olarak paylaşılabileceğiyle de sınırlıdır.

Uyulması gereken temel tasarım ilkesi, yapay zekânın yorumlama çalışmalarını hızlandırması, ancak kararın sorumluluğunu üstlenmemesidir. Düzenleyicilerin beklentisi doğrultusunda, uyumdan hesap verebilirlik adı belirli kişilere ait olmaya devam eder. Güvenceler iki gruba ayrılır: yapay zekânın ürettiklerine yönelik kontroller ve insan karar noktalarının bilinçli biçimde belirlenmesi. Yapay zekânın ürettiği her çıktı, yetkili bir kaynağa dayandırılmalı; yapay zekâ sistemi içinde girdi ve çıktı korumaları oluşturulmalıdır.

Son olarak, her çıktı için kaynak maddeleri, model ve istem sürümleri, güven düzeyi, incelemeyi yapan kişi, karar ve gerekçeyi içeren bir denetim izi tutulmalıdır.

Denetlenebilirlik, finansal hizmetlerde özellikle önemlidir. Yapay zekâ bir düzenlemeyi yorumlamaya, iş kuralları oluşturmaya, etkilenen müşterileri belirlemeye ve iş akışlarını başlatmaya yardımcı oluyorsa kurumlar, her kararın nasıl ve neden alındığını düzenleyicilere açıkça gösterecek bir kanıt izini nasıl koruyabilir?

Sıkı düzenlemelere tabi sektörlerde izlenebilirlik, nihai kararı belgelemenin ötesine geçmelidir. Bunun yerine, kullanılan bilgileri, uygulanan kuralları, alınan kararları, süreç boyunca yapılan değişiklikleri ve insanların nerede devreye girip neleri onayladığını göstererek nihai karara götüren sürecin yeniden oluşturulabilmesi çok daha değerlidir.

Birden fazla ajan, iş kuralı ve iş akışı birbiriyle etkileşime girdikçe izlenebilirlik daha da önem kazanır. Denetlenebilirlik, orkestrasyon katmanına yerleşik olmalıdır. Karar kayıtları kararları, kural değişikliklerini ve bunların gerekçelerini izleyebilir; uçtan uca ajan izlenebilirliği ise özerk eylemler zincirinin tamamını görünür kılar.

Bir düzenleyici kurum belirli bir müşteri, sözleşme veya işlemin neden belli bir şekilde ele alındığını sorarsa, finans kuruluşu bu sonuca yol açan verileri, kuralları, yapay zekâ destekli kararları, onayları ve eylemleri geriye doğru izleyebilmelidir. Açıklanabilirliği model düzeyinde bir meseleden operasyonel bir yetkinliğe dönüştüren şey budur.

Büyük bankalar, kritik müşteri ve işlem verilerinin çok sayıda sisteme dağılmış olduğu, onlarca yıllık eski altyapılar üzerinde faaliyet gösteriyor. Altta yatan teknoloji altyapısını yüksek maliyetle değiştirmeye kalkışmadan, yeniden kullanılabilir, yapay zekâ destekli bir uyum katmanını nasıl oluşturabilirler? 

Yeni bir kurumsal yetkinlik, mevcut altyapı içinde çalışabilmelidir. Aksini beklemek gerçekçi değildir. Birleştirme de önem taşıyor; çünkü müşterilerimizden, birden fazla RPA platformuna veya işletme genelinde birbirinden ayrı çok sayıda raporlama teknolojisi kullanan eski bir BPM sistemine sahip olduklarını giderek daha sık duyuyoruz. Müşterilerimiz, bir sistemin yerine yenisini koymak yerine yatırım getirisini (ROI) sağlayan araç ve sistemlere odaklanma isteklerini daha yüksek sesle dile getiriyor. Bu nedenle yeniden kullanılabilir bir uyum katmanı, altındaki her şeyin değiştirileceğini varsaymak yerine mevcut ortamın tamamında çalışmalıdır.

Geleneksel temel sistemlerden robotik süreç otomasyonuna, makine öğrenmesine ve şimdi de ajan tabanlı yapay zekâya uzanan farklı teknoloji kuşakları boyunca finans kuruluşlarıyla çalıştınız. Mevcut yapay zekâ dönüşümünü temelden farklı kılan nedir ve sizce finans kuruluşları önceki otomasyon dönemlerindeki hataları tekrarlama riskiyle nerelerde karşı karşıya?

Önceki otomasyon kuşakları, zaten iyi tanımlanmış işler için kullanılıyordu. Temel bankacılık sistemleri kayıtları ve işlemleri kurallara bağladı. RPA, ekranlar arasında tuş vuruşlarını otomatikleştirdi. Makine öğrenmesi, yapılandırılmış veriler üzerinde dolandırıcılık puanları ve kredi riski gibi dar kapsamlı tahminleri ölçülebilir bir doğrulukla yaptı. Her durumda, sırada ne olacağına bir insan ya da sabit bir kural karar veriyor, teknoloji de bilinen bir yolu izliyordu.

Ajan tabanlı yapay zekâ bunu birkaç açıdan değiştiriyor:

• Yapılandırılmamış ve muhakeme gerektiren işlere yakın görevleri daha etkili biçimde yerine getirir. Bankalar artık yalnızca görevleri otomatikleştirmiyor; sonuçların sorumluluğunu devrediyor ve sistem kendi yolunu seçiyor.
• Hataları sessizce yapar. Bir banka ekran düzenini değiştirdiğinde RPA botu belirgin biçimde bozulur ve biri sorunu giderirdi. Yanlış sonuç veren bir dil modeli ise akıcı, makul görünen ve kendinden emin bir yanıt üretir. Sorun da budur.
• Davranışı olasılıksaldır; bu nedenle halüsinasyonları önlemek için onu kurumsal bağlamla temellendirmek son derece kritiktir.
• Son olarak, yapay zekâ kullanarak geliştirme yapmak ucuzladı ve iş birimlerinde çalışanlar artık bir öğleden sonra içinde işlevsel ajanlar oluşturabiliyor. Otomasyon eskiden BT kapasitesinin yetersizliği nedeniyle darboğaza giriyordu; artık darboğaz yönetişim kapasitesi.

Finans kuruluşları, geleneksel otomasyon döneminden çıkarılan derslerin unutulmamasına da dikkat etmelidir. Bunlardan bazıları şunlardır:

• Bozuk süreçleri otomatikleştirmek. RPA’nın en büyük mirası, kimsenin yeniden tasarlamadığı süreçlerin üzerine eklenmiş binlerce bottu. Bu, bankaların bakımını hâlâ üstlenmek zorunda kaldığı kırılgan bir teknik borç yarattı. Ajanları aynı parçalı iş akışlarının üzerine yerleştirmek, hatayı daha gelişmiş bir düzeyde tekrarlamaktır. Bankalar önce işi yeniden tasarlamalı, ardından hangi görevleri devredeceklerine karar vermelidir.
• Gösteriş metriklerinin peşinden koşmak: Üretime geçiş için finanse edilmiş bir yol bulunmadığında kavram kanıtlama çalışmaları ilerleyemez. Dağıtılan ajanları saymak, gerçek iş sonuçlarını ölçmek yerine botları sayma alışkanlığını RPA’dan devralmaktır.
• Veri temellerine yeterince yatırım yapmamak. Makine öğrenmesi, model kalitesinin veri kalitesiyle sınırlı olduğunu öğretti. Güncelliğini yitirmiş politikalardan, yinelenen belgelerden veya birbiriyle çelişen kaynaklardan bilgi alan ajanlar, kötü öncüllere dayanarak kendinden emin biçimde akıl yürütecektir.

İleriye baktığınızda, mevzuata uyumun sürekli, hatta kısmen özerk bir yapıya doğru evrildiğini düşünüyor musunuz? Böyle bir yapıda yapay zekâ sistemleri mevzuat değişikliklerini tespit eder, etkilerini değerlendirir, iş akışlarını günceller ve yalnızca insan muhakemesi gerektiren istisnaları üst kademelere taşır. Bankaların ve düzenleyici kurumların bu düzeyde bir özerkliği benimsemesi için nelerin gerçekleşmesi gerekir?

Evet, ancak özerklik aşamalar hâlinde gerçekleşecek. Açıkça tanımlanmış değişikliklerin tespiti, önceliklendirilmesi, etkilerinin haritalandırılması ve iş akışlarının güncellenmesi büyük ölçüde sürekli ve otomatik hâle gelecek. Belirsiz kurallara, risk kabulüne ve düzenleyici yaklaşımlara ilişkin muhakeme ise insanlarda kalacak. Gerçekçi bir nihai hedef, makinelerin döngüyü varsayılan olarak yürüttüğü, insanların ise istisnaları yönettiği “denetimli özerklik”tir.

Bunun gerçekleşmesi için düzenleyici kurumların da FCA ve Bank of England’ın dijital düzenleyici raporlama çalışmaları gibi girişimlerden yararlanarak kuralları yapılandırılmış ve sürümlenmiş biçimlerde yayımlaması gerekiyor.

Yürütme sistemlerine geri alınabilirlik ve acil durdurma mekanizmalarının da entegre edilmesi gerekiyor; böylece anomali, hata oranlarında artış veya model değişiklikleri tespit edildiğinde özerk iş akışı değişiklikleri kolayca geri alınabilmelidir. Gözetim makamları benzer araçları kendileri de kullandıkça güven daha hızlı artacaktır. Bu, testler için ortak bir dil oluşturur ve zaman içinde makineler arasında doğrudan denetimin önünü de açabilir.

Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okurlar EvoluteIQ’yu ziyaret edebilir.