Düşünce Liderleri
Varlık Çözümleme, Veri Temizliğinden AI Altyapısına Dönüşüyor

Öne çıkan noktalarVarlık çözümlemesi, ajanlar çözümlenmiş kimlikler üzerinde anında hareket ettiği için…
Daha fazla göster
- Varlık çözümlemesi, ajanlar çözümlenmiş kimlikler üzerinde anında hareket ettiği için dönemsel temizlikten çalışma zamanı altyapısına kayar.
- Getirimle güçlendirilmiş ajanlar, parçalanmış veya yanlış birleştirilmiş kayıtları devralır ve bu belirsizliği kesinleşmiş gerçek olarak ele alır.
- Çoğu kuruluş otonom ajanlar konuşlandırırken, altyapılarının bunları yönetmeye gerçekten hazır olduğunu pek azı düşünür.
Bir süre önce, bir AI ajanının son derece sıradan bir nedenle kendinden emin biçimde yanlış yanıt verdiğini gördüm. Bir işletmenin aynı kurumsal müşteri için iki kaydı vardı. Birinde eski ticari unvan ve finans biriminin iletişim bilgileri bulunuyordu. Diğerinde, şirketin satın alma sonrasında benimsediği yeni yasal unvan ve farklı bir fatura adresi vardı. Ajana basit bir soru soruldu: Bu müşterinin hesabı ödemeler açısından iyi durumda mı? Bir kayıt buldu, vadesi geçmiş fatura görmedi ve hesabın sorunsuz olduğunu söyledi. Vadesi geçmiş faturalar diğer unvanın altında kayıtlıydı.
Hiçbir şey halüsinasyon yoluyla uydurulmamıştı. Model kendisine verilen veriler üzerinde doğru akıl yürütmüştü. Veriler, gerçek dünyada tek müşteri varken iki müşteriyi tanımlıyordu. Hata dil modelinde değil, kayıtların birleştirilmesindeydi.
Bunun kurumsal AI’de en çok hafife alınan ve en az tartışılan risklerden biri olduğunu düşünmeye başladım. Model doğruluğu, istem tasarımı ve yönetişim hakkında durmadan konuşuyoruz. Bir sistemin gerçek dünyadaki hangi müşteriye, tedarikçiye veya hesaba yönelik işlem yaptığını gerçekten bilip bilmediğini çok daha az konuşuyoruz. Bu sorunun bir adı var: varlık çözümleme. Altmış yıl boyunca arka planda kalan bu alan, sessizce canlı altyapının bir parçasına dönüşüyor.
Sorunun zamanı değişti
Geçmişinin büyük bölümünde “bu iki kayıt aynı varlık mı?” sorusu bir veri temizleme sorusuydu. Bir ana veri yönetimi programının, veri ambarının veya analitik iş akışının bir yerinde, takvime bağlı toplu işlemlerle çalıştırılırdı. Hiçbir zaman kusursuz değildi, ama çıktı birinin gelecek hafta okuyacağı rapor olduğu için hatalarla yaşanabiliyordu. Aynı tedarikçinin iki kaydı birleştirilmezse harcama rakamı biraz yanlış çıkardı, bir analist bunu fark eder ve sonraki çalıştırmada düzeltilirdi. Sistemde zaman payı vardı. Zaman hataları soğuruyordu.
AI ajanı bu payı ortadan kaldırır. Sorunun zamanını “eninde sonunda”dan “şimdi”ye çevirir. Bir ajan iadeyi onaylamak, vakayı yönlendirmek, profili güncellemek veya uyum sorusuna yanıt vermek üzereyken çözümlenen varlık artık bir gösterge panelini beslemez. Bir eylemi besler. Yanlış birleştirmenin bedeli, biraz hatalı bir rakamdan dünyada hemen gerçekleşen bir olaya dönüşür; çoğu kez süreçte hatayı yakalayacak bir insan da yoktur.
Üzerinde durulması gereken değişim budur. Temel sorun eskidir ve iyi anlaşılmıştır. Yeni olan, onu kendi başına hareket eden sistemlere doğrudan bağlamış olmamızdır.
1960’lardan bir istatistik problemi
Varlık çözümleme büyük dil modelleriyle ortaya çıkmadı; delikli kartlarla ortaya çıktı. 1959’da H. B. Newcombe ve meslektaşları Science dergisinde nüfus olaylarına ilişkin kayıtların otomatik bağlantılanması hakkında kısa bir makale yayımlayarak bir bilgisayarın doğum kaydıyla evlilik kaydının aynı kişiyi gösterip göstermediğine nasıl karar verebileceğini anlattı. On yıl sonra Ivan Fellegi ve Alan Sunter bu fikre biçimsel bir matematik teorisi kazandırdı ve her eşleştirme sisteminin bugün hâlâ ürettiği üç sonucu tanımladı: bağlantı, bağlantı olmaması ve insanın incelemesi gereken olası bağlantı.
Bu geçmişte üzerinde durmaya değer bir ayrıntı vardır; çünkü insanların en sık yanlış anladığı kısım budur. Kayıt bağlantılama hiçbir zaman yalnızca e-posta adresi veya ortak kimlik üzerinde tam eşleşme değildi. Başından beri olasılıksaldı. İki kaydın soyadı, tarih ve yer bakımından uyuştuğuna ilişkin kanıtları tartıp puan üretiyordu; çünkü insan eliyle girilen veriler dağınıktır ve kesin anahtarlar sürekli başarısız olur. Modern varlık çözümleme de böyle çalışır. Ortak ve kararlı bir tanımlayıcının belirleyici olduğu deterministik kuralları, olasılıksal ve bulanık makine öğrenimi eşleştirmeleriyle birleştirir. Bunlar yazım hataları, takma adlar, yer değiştirmiş alanlar, kısaltmalar ve aynı kişi veya şirketin sistemlerde farklı görünmesine yol açan bir düzine küçük farklılıkla başa çıkar. İyi bir alan incelemesi 1950’lerdeki bu nüfus kayıtlarından günümüzde kullanılan kümeleme ve makine öğrenimi yöntemlerine uzanan kesintisiz çizgiyi izler.
Asıl değişen, yanıtın ne zaman gerektiğidir. Araştırmacılar mevcut AI dalgasından çok önce, yalnızca önceden işlemek yerine varlıkları sorgu anında çözümleme hakkında yazıyordu. O zaman ilginç bir optimizasyondu; bugün bir gereksinime daha yakındır.
Ajanlar bunu neden altyapıya dönüştürüyor?
Çoğu kurumsal AI sistemi modelin belleğinden yanıt vermez, bilgi getirir. Bilgi getirmeyle desteklenmiş üretim olarak yaygınlaşan yaklaşımda ajan soru anında ilgili bağlamı alır ve onun üzerinden akıl yürütür. Genel olarak bu iyi bir şeydir. Yanıtları modelin eğitimine değil, verilerinize dayandırır.
Ancak kolayca gözden kaçan bir sonucu vardır. Ajan, bilgi getirme adımının kendisine sunduğu her şeyi devralır. Sonuç, hiç bağlantılanmamış üç kısmi kayıttan oluşan parçalanmış bir müşteri ise ajan üç müşteri hakkında akıl yürütür. İki farklı şirket tek profilde yanlış birleştirilmişse tek müşteri hakkında akıl yürütür. Kaynak sistemlerde zaten bulunan belirsizlik doğrudan aktarılır ve modele kesinleşmiş gerçek gibi sunulur. Model birleştirmenin yanlış olduğunu bilemez; daha önce görmediğiniz kayıtların derli toplu özetini okuduğunuzda sizin de bilemeyeceğiniz gibi.
Bu nedenle çözümleme, üç ayda bir çalışan ve ayrı tabloda sonuçlanan sonradan eklenmiş bir işlem olamaz. Varlık veriler sisteme alınırken oluşturulmalı ve güncel çözümlenmiş görünümü ajan istediği anda getirilebilmelidir. Bu bir çalışma zamanı bağımlılığıdır. Düzenli bir veri temizleme projesinden çok bir veritabanı veya kimlik doğrulama hizmeti gibi davranır. Uygulamanızın gerçek zamanlı çağırdığı başka herhangi bir sistem gibi tasarlanmalı, izlenmeli ve güvenilirliği sağlanmalıdır.
Kimsenin tam adını koymadığı hazırlık açığı
Sektör burada bir eksiklik olduğunu zaten hissediyor. Cisco’nun AI Hazırlık Endeksi 2025 raporuna göre kuruluşların %83’ü özerk ajanlar kullanmayı planlıyor. Ancak yalnızca yaklaşık üçte biri altyapısının gerçekten hazır olduğunu düşünüyor; yalnızca yaklaşık dörtte biri ajanların gerçekte ne yaptığını kontrol edip yönetmeye hazır hissediyor. McKinsey’nin en son AI’nin Durumu araştırması benzer açığı ters yönden anlatıyor: kuruluşların yaklaşık %88’i artık en az bir işlevde AI kullanıyor, fakat çoğu bunu tüm kuruma yaymamış durumda.
İnsanlar bu açığı açıklarken iki sözcüğe yöneliyor: veri kalitesi ve yönetişim. İkisi de önemli ve hiçbiri isteğe bağlı değil. Ancak altlarında temiz ve iyi yönetilen verilerin tek başına yanıtlayamadığı daha dar bir soru var. Sistem, belirli bir kaydın bulunduğu tüm yerlerde, gerçek dünyadaki hangi varlığa karşılık geldiğini şu anda anlayabiliyor mu? Her sistemde ayrı ayrı yüksek kaliteli veri bulunabilir ve yine de bu testte başarısız olunabilir. Çünkü sorun tek bir sistemin içinde değil, aynı müşterinin biraz farklı üç yüzle göründüğü sistemler arası boşluklardadır.
Ajana eylem yetkisi vermeden önce neleri kontrol etmeli?
Varlık çözümlemeyi canlı altyapı sayarsanız altyapı gibi inceleyebilirsiniz. Operasyonel hata biçimleri belirli ve sınanabilirdir: tek olması gereken bölünmüş kimlikler, ayrı kalması gereken kayıtların yanlış birleştirilmesi, değiştirilmiş bir adresi hâlâ öncelikli seçen eski geçerli-değer seçme kuralları, eksik kalıcı tanımlayıcılar ve kaynak sistemin belirsizliğini çözümlenmiş gerçek gibi devralan ajanlar.
Pratik bir hazırlık testi yeni bir model veya yeni satıcı kategorisi gerektirmez. Gerçek durumunu iyi bildiğiniz varlıklardan bir doğrulanmış referans kümesi oluşturun. Demoya özel ayrı temiz bir kopyadan değil, ajanınızın kullandığı aynı bilgi getirme yolundan geçirin. Ardından sonuçları gerçekten belirleyenleri ölçün: yanlış birleştirme ve yanlış bölme sayıları, gerçek belirsizliğin nasıl ele alındığı, güven eşiklerinin nerede olduğu, ne zaman tahmin etmek yerine insana yönlendirildiği ve mevcut ana veri ve yönetişim kontrollerine ne kadar sorunsuz aktarıldığı. Ekip bu soruları yanıtlayamıyorsa ajan doğrulayamadığı bir kimliğe dayanarak hareket eder ve çıktısına duyulan güven yersizdir.
Bunların hiçbiri ana veri yönetimi, yönetişim, müşteri veri platformları veya veri ambarının yerini almaz. Bunlar farklı sorulara yanıt verir ve gerekli olmaya devam eder. Yönetişim ajanın ne yapabileceğini belirler. Varlık çözümleme bunu kime veya neye yapacağını belirler. Birincisi çoğu büyük kuruluşta olgundur. İkincisi ise birçok kuruluşun, ajana danışmanlık yerine eylem yetkisi verdiği anda, birincisinin yanında gerçek zamanlı olarak ihtiyaç duyduğunu yakında fark edeceği katmandır.
İzlediğim ajanın daha akıllı modele ihtiyacı yoktu. Kendinden emin konuşmasına izin verilmeden önce iki adın aynı müşteri olduğunu bilmesi gerekiyordu. Sistemlere gerçek eylem yetkisi verdikçe bu sessiz, altmış yıllık disiplin temizlik olmaktan çıkar ve yük taşıyan bir temele dönüşür.












