Yapay zeka modelleri ve platformları

Form & Function, yapay zekâ asistanlarına ortak iş bağlamı sunmak için Lever’ı kullanıma sunuyor

Aiden Cross
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
An engineer viewing monitoring screens in an enterprise operations room
Öne çıkan noktalarLever'ın gerçek değeri, herhangi bir sohbet botu soruları yanıtlamadan önce oluşturulan…
Daha fazla göster
  • Lever'ın gerçek değeri, herhangi bir sohbet botu soruları yanıtlamadan önce oluşturulan bağlam katmanında yatar.
  • Paylaşılan iş tanımları, birbirinden kopuk satış ve teslimat sistemleri arasında akla yatkın ama yanıltıcı yanıtları önler.
  • Belirlenen kapasite kazanımları, müşterinin halihazırda tahsil ettiği gelir değil, analitik fırsatlardır.

Form & Function Consulting, profesyonel hizmet şirketlerinin bağlantısız sistemlerdeki operasyonlarını tutarlı bir şekilde görmesini sağlamak üzere tasarlanan yapay zekâ platformu Lever’ı kullanıma sundu. 12 Kasım’da duyurulan ürün, yöneticilerin personel planlaması, gelir tahminleri ve proje kârlılığı hakkında sohbet arayüzleri üzerinden soru sorabilmesi için operasyonel verileri şirkete özgü iş tanımlarıyla bir araya getiriyor.

İlginç olan, finansal soruları yanıtlayan başka bir sohbet robotu değil. Bu yanıtları yararlı hâle getirmek için önceden yapılması gerekenler. Bir satış sistemi umut vadeden bir anlaşmayı kaydederken teslimat ekibi, işi gerçekleştirmek için yeterli kapasite olmadığını görebilir. Bir yapay zekâ asistanının bu durumun işletme açısından ne anlama geldiğini açıklayabilmesi için her iki veri tabanına erişmesi tek başına yeterli değildir.

Şirket Bilgisini İş Bağlamına Dönüştürmek

Lansman duyurusuna göre Form & Function, müşteri ilişkileri yönetimi, profesyonel hizmetler otomasyonu ve finans sistemlerindeki bilgilerle işe başlıyor. Ayrıca belgeleri ve çalışanların bu kayıtları yorumlamak için kullandığı bilgileri de topluyor. Şirketin Lev sohbet robotu, firmanın gerçekte nasıl işlediğini ortaya koyan paydaş görüşmelerini destekliyor.

Bu başlangıç süreci; işlerin nasıl satıldığını, personele nasıl dağıtıldığını, nasıl teslim edildiğini ve nasıl ölçüldüğünü açıklayan bir bağlam katmanını besliyor. Amaç, aksi takdirde departmanlar arasında yanıtsız kalabilecek soruları birbirine bağlamak: Satış hattı işe alım kararını destekliyor mu, hangi projeler en yüksek kâr marjını sağlıyor veya ertelenen bir yatırım öngörülen nakit akışını nasıl etkiler?

Benzer adlara sahip ölçütler farklı varsayımları gizleyebildiğinden, bu ayrım hizmet sektöründeki işletmeler için önem taşıyor. Kullanılabilir kapasite, satışa ayrılan zamanı kapsam dışı bırakabilir; gelir tahmini ise hem bir anlaşmanın sonuçlanma olasılığına hem de anlaşma kapsamındaki işin ne zaman teslim edilebileceğine bağlı olabilir. Yanlış tanıma dayanan makul bir yanıt, bariz bir hatadan daha yanıltıcı olabilir.

Farklı Yapay Zekâ Arayüzlerinde Tek Operasyonel Görünüm

Şirketin Lever ürün sayfası, Lev’in soruları yanıtladığını, görsel çıktılar oluşturduğunu ve Slack içinde çalıştığını gösteriyor. Ayrıca Model Context Protocol (MCP) kullanılarak Claude ve ChatGPT dâhil diğer yapay zekâ istemcileri üzerinden de erişilebildiğini ortaya koyuyor. Her arayüzün firmanın iş mantığını baştan oluşturmasını gerektirmek yerine, bu yaklaşım söz konusu etkileşimler için ortak bir temel sağlıyor.

Lansman duyurusunda Lever, operasyon ortaklarına yönelik danışmanlık çalışmaları kapsamında konumlandırıldı. Güncel ürün sayfasında ayrıca bağımsız olarak sunulduğu belirtiliyor. Fiyatlandırma ve ayrıntılı kurulum gereklilikleri burada açıklanmadığından, duyuru yayımlanmış bir abonelik fiyatı bulunan, kendi kendine kullanıma açılan bir hizmet olarak değerlendirilmemeli.

Ortak bir iş anlayışına yönelik daha geniş eğilim, Collate’ın Ontology Studio duyurusunda da görülüyor. Lever ise iş bağlamını her kuruluşun değişiklik yapmadan benimseyebileceği genel bir katman olarak ele almak yerine, profesyonel hizmet operasyonlarına ve danışman desteğiyle yürütülen başlangıç sürecine odaklanan daha dar kapsamlı bir yaklaşım benimsiyor.

İlk Sonuçlar Gerçekte Neyi Ortaya Koyuyor?

Form & Function, bir müşterisinin çalışan sayısını artırmadan yaklaşık 1,8 milyon dolarlık ek yıllık geliri desteklemeye yetecek ölçüde ek teslimat kapasitesi belirlediğini bildiriyor. Duyuruda öngörülen brüt kâr marjlarında iyileşme sağlandığı da belirtiliyor. Bunlar analiz yoluyla belirlenen olası operasyonel kazanımlardır; müşterinin söz konusu ek geliri şimdiden elde ettiğinin kanıtı değildir.

Firmanın anlamsal katmanlara ilişkin teknik incelemesi daha fazla bağlam sunuyor. Şirketin kendi yürüttüğü bir karşılaştırmada, beş iş sorusu beşer kez test edildi; ham BigQuery verilerine erişim, Malloy kullanılarak oluşturulmuş anlamsal bir modelle karşılaştırıldı. Yapılandırılmış yaklaşım, iş tanımları ve tablolar arasındaki ilişkiler gerektiren sorularda daha iyi sonuç verdi.

Bu, yöntemin nasıl işlediğini gösteren yararlı bir örnek; ancak satıcının kendi yürüttüğü küçük ölçekli bir test. Her türlü soruda, değişen veri kümelerinde veya her müşterinin kurulumunda kusursuz doğruluk sağlandığını göstermiyor. Ölçütleri önceden tanımlamak belirsizliği azaltır; ancak bu tanımların güncel tutulması ve önemli sonuçlar doğurabilecek kararların gözden geçirilmesi gereğini ortadan kaldırmaz.

İş, İstem Yazmaktan Tanımları Güncel Tutmaya Kaydırıyor

Lever’ın lansmanı, kurumsal yapay zekâ alanındaki pratik bir değişimi öne çıkarıyor: Bir modeli verilere bağlamak yalnızca başlangıç. Verilerin ne anlama geldiğine karar vermek, çelişen tanımları uzlaştırmak ve sözleşmeler, personel politikaları ile iş süreçleri değiştikçe bu yorumu güncel tutmak gerekiyor.

Hizmet şirketleri için olası fayda, operasyon kayıtlarından kapasite veya kârlılık kararlarına giden yolu kısaltmak. Kalıcı başarı ölçütü, işletme geliştikçe bu ortak bağlamın güvenilirliğini koruyup korumadığı ve belirlenen fırsatların yalnızca daha ikna edici yanıtlar üretmekle kalmayıp ölçülebilir sonuçlara dönüşüp dönüşmediği olacak.

Aiden Cross, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; yapay zekâ ürün stratejisini, uygulama süreçlerini ve deneysel modelleri ölçeklenebilir, pazara hazır ürünlere dönüştürmenin pratik zorluklarını inceler. Çalışmaları, girişimlerin ve kurumsal ekiplerin prototiplerden ve demo'lardan gerçek müşteriler tarafından kullanılan güvenilir sistemlere nasıl geçtiklerini ele almaktadır.
Pragmatik ve detay odaklı bir perspektifle, Aiden ürün yol haritalarını, pazara girme stratejilerini, platform kararlarını ve yapay zekâ girişimlerinin başarılı olacağını mı yoksa duraksayacağını mı belirleyen organizasyonel ödünleşimleri analiz etmektedir. Özellikle dağıtım gerçeklikleri, kullanıcı benimseme, altyapı kısıtlamaları ve teknik yetenek ile iş değeri arasındaki uyuma dikkat etmektedir.
Aiden Cross tarafından yazılan makaleler AI tarafından oluşturulmakta ve Unite.AI'in editör ekibi tarafından gerçek dünyada AI ürünlerinin nasıl geliştirildiği, kullanıma sunulduğu ve ölçeklendirildiği hakkında netlik, doğruluk ve sorumlu bir şekilde kapsanmasını sağlamak için gözden geçirilmektedir.