Ian Leysen, Datadobi CEO’su ve Kurucu Ortağı – Röportaj Serisi

Ian Leysen, Datadobi CEO’su ve Kurucu Ortağı, yazılım mühendisliği, kalite güvencesi ve kurumsal veri yönetimi alanında otuz yıldan fazla deneyime sahip bir teknoloji yöneticisidir. 2009’da Datadobi’yi kurmadan önce, EMC’de Kalite Güvencesi Kıdemli Müdürü olarak sekiz yıl çalıştı; bu görevden önce Mediagenix ve Wave Research’te liderlik pozisyonlarında bulundu. Kariyeri boyunca Leysen, yüksek kaliteli yazılım mühendisliği organizasyonları oluşturmayı yoğun bir şekilde odaklandı ve sıfırdan üç kalite güvencesi ekibi kurdu. Datadobi’de, büyük işletmelerin yerel, bulut ve hibrit ortamlarda yapılandırılmamış verileri yönetmelerine, yönetişim sağlamalarına, taşımalarına ve korumalarına yardımcı olmaya odaklanan şirketi yönetiyor. Şirket, büyük ölçekli veri taşıma kökenlerinin ötesine geçerek, kuruluşlara karmaşık yapılandırılmamış veri ortamları üzerinde daha fazla görünürlük ve kontrol sunmak, ayrıca kurumsal verileri AI girişimlerine hazırlamak amacıyla tasarlanmış, satıcıdan bağımsız bir platform olan StorageMAP’i sunmaktadır.

Datadobi, işletmelerin hızla artan yapılandırılmamış veri hacimleri üzerinde daha fazla görünürlük ve kontrol elde etmelerine yardımcı olur. Yazılımı, milyarlarca dosyayı tarayarak eski verileri, kopyaları, sahiplik boşluklarını ve potansiyel riskleri belirleyebilir; aynı zamanda yönetişimi ve arşivleme, silme ve saklama için otomatik politikaları destekleyen metadata ve sınıflandırma etiketleri uygular. Bu, kuruluşların jeneratif AI için kurumsal verileri hazırladığı bir dönemde giderek daha önemli hâle gelmiştir; çünkü yetersiz anlaşılan veya güncelliğini yitirmiş bilgiler gürültü, uyum sorunları ve güvenlik riskleri yaratabilir. Datadobi ayrıca şirketlerin potansiyel olarak değerli veri setlerini tanımlamasını, bunları sonraki kullanım için düzenlemesini ve seçilen bilgileri veri gölleri veya lakehouse’lara taşırken izlenebilirlik ve yönetişim sağlamasını mümkün kılar. Platform ayrıca depolama maliyetleri ve karbon etkisi hakkında içgörüler sunarak, kuruluşların hangi verileri saklayacakları ve nerede tutacakları konusunda daha bilinçli kararlar almalarına yardımcı olur.

EMC’de kalite güvencesi liderliğini sekiz yıl yürüttükten sonra 2010’da Datadobi’yi kurdunuz. Büyük ölçekli kurumsal depolama ve veri ortamlarında, bir şirket kurmaya değer olduğuna ikna olduğunuz ne gördünüz ve bu orijinal vizyon, yapılandırılmamış veri AI için giderek daha önemli hale geldikçe nasıl evrildi?

EMC’de çalışırken, işletmelerin depolama altyapısına büyük yatırımlar yaptığını fakat üzerinde tam olarak neyin bulunduğu konusunda neredeyse hiç görünürlüklerinin olmadığını uzun yıllar izledim. Müşterilere veriyi depolama ve koruma konusunda olağanüstü hizmet veriyorduk, ancak kimse şu zor soruyu sormuyordu: Bu veri nedir, kimine ait, hâlâ kimseye lazım mı ve değeri nedir? Altyapı yeteneği ile veri anlayışı arasındaki bu boşluk fırsattı. Datadobi’yi, yapılandırılmamış veriyi sadece bir dizi’den diğerine kaydırmak yerine akıllı bir şekilde taşıma ve yönetme amacıyla kurduk.

Değişen şey, riskin büyüklüğü oldu. On beş yıl önce, yönetilmeyen bir dosya paylaşımı sadece maliyet ve uyum sorunu olarak görülüyordu. Bugün, aynı yönetilmeyen dosya paylaşımı, bir AI modeli ya da ajan ona yönlendirildiği anda bir sorumluluk haline geliyor. Yapılandırılmamış veri, işletmelerin sakladığı bir şey olmaktan, AI girişimlerinin başarılı olup olmayacağını belirleyen bir unsur haline geldi. İlk fikir, yalnızca depolama altyapısının verinin iş açısından ne anlama geldiğini size söyleyemeyeceği yönündeydi; bu fikir değişmedi. Ancak artık hiç olmadığı kadar acil bir hâl aldı.

Jeneratif AI’nın kurumsal veri sorununu yaratmadığını, aksine on yıllardır var olan sorunları ortaya çıkardığını ve hızlandırdığını savundunuz. AI’nın şu anda organizasyonların veriyi tarihsel olarak nasıl yönettiğine dair en büyük zayıflıkları neler?

Kuruluşlar on yıllardır kurumsal verilerini anlamakta zorlanıyor. AI bu sorunu yaratmadı, sadece gizli kalan yerleri ortaya çıkardı. Veri bir dosya paylaşımında ya da arşivde sessizce durduğunda, kimsenin içinde ne olduğu sorusuna yanıt vermesi gerekmezdi. Büyük bir dil modeli ya da bir RAG boru hattı ona yönlendirildiğinde ise her zayıflık görünür ve sonuç doğurur.

En büyük zorluk, çoğu kuruluşun depolamayı yönettiği, veriyi yönetmediğidir. Hacimlerinin ve bucket’larının nerede olduğunu bilirler, ancak içinde ne olduğunu bilmezler: Hangi dosyalar eski, hangi dosyalar hassas ya da düzenlemeye tabi bilgi içeriyor, ortamda kaç kez kopyalanmış ve kim gerçekten erişime sahip. AI aynı zamanda sahipliğin ne kadar parçalanmış olduğunu da ortaya koyuyor. Veri, yerel sistemler, birden çok bulut ve SaaS depoları arasında birikiyor ve kimse bütün resmi elinde tutmuyor. Bunlar yeni sorunlar değil. AI sadece bu sorunların görmezden gelinmesinin maliyetini anında ve görünür hâle getirdi.

Kuruluşlar genellikle AI yatırımlarını daha güçlü modeller, GPU’lar ve altyapı üzerine odaklar. Daha fazla işlem gücü ya da depolama, temel veri hazırlık sorununu çözemez; bunun yerine işletmeler nerelere yatırım yapmalı?

Daha fazla işlem gücü, kötü bir cevabı daha hızlı getirir. Cevabı daha doğru, güvenli ya da uyumlu hâle getirmez. GPU’lar ve depolama altyapısı kararları yürütür, kararları vermez. Güçlü bir modele eski, kopyalanmış, hatalı izinli ya da hassas veri verirseniz, güçlü model ölçekli ve hızlı bir şekilde güvenilmez ya da riskli çıktılar üretir.

Pazarın önemli bir dönüm noktasına ulaştığına inanıyoruz: tarihsel olarak kuruluşlar depolamayı optimize etti; giderek daha fazla, veriyi optimize etmeleri gerekiyor. Bu, altyapı katmanının üzerindeki disipline, tüm veri ortamınıza bakabilme, her veri parçasının ne olduğunu ve kimin sorumlu olduğunu anlama, neyin saklanması, taşınması, arşivlenmesi ya da silinmesi gerektiğine karar verme ve bu kararı tutarlı bir şekilde yürütme yeteneğine yatırım yapmayı gerektirir. Bu disiplin olmadan yapılan altyapı harcamaları, kuruluşların yanlış şeyi daha hızlı yapabilmesi demektir.

Bu, yapılandırılmamış veri yönetim platformumuzun tam da çözmek için tasarlandığı sorundur. Tek bir görünüm sunarak yerel, bulut ve SaaS depolamaları bir arada gösterir, veri etiketleme ve metadata analitiğiyle ekiplerin neyin yinelenen, eski ya da gerçekten değerli olduğunu görmesini sağlar ve ardından politika‑odaklı iş akışlarıyla veriyi taşıma, arşivleme ya da silme kararlarını sürekli olarak uygular. Görünürlük, sınıflandırma ve tutarlı yürütmenin bu kombinasyonu, “çok veri var” ifadesini “neye sahip olduğumuzu ve ne yapmamız gerektiğini tam olarak biliyoruz” hâline getirir.

“AI‑hazır veri” sektörde yaygın bir ifade haline geldi. Sizin bakış açınızdan, yapılandırılmamış veriyi AI‑hazır yapan şey nedir ve kuruluşlar bu veriyi jeneratif AI, retrieval‑augmented generation (RAG) ya da eğitim boru hattına almadan önce hangi kriterleri göz önünde bulundurmalı?

AI‑hazır veri, bir kuruluşun sadece sahip olduğu veri değil, aynı zamanda doğrulanmış veri demektir. Pratikte bu, veri bir modele ya da boru hattına ulaşmadan önce bir dizi soruya güvenle yanıt verebilmesi anlamına gelir: Bu veri doğru ve güncel mi, yoksa yıllardır dokunulmadan mı duruyor? Başka bir yerde kopyalanmış mı ve sonuçları çarpıtabilir ya da çelişebilir mi? Hassas, düzenlemeye tabi ya da kişisel bilgi içeriyor mu ve bu bilgi ifşa edilmemeli mi? Kim erişim iznine sahip ve bu hâlâ geçerli mi? İş kullanım senaryosuna gerçekten bir iş değeri katıyor mu, yoksa sadece gürültü mü?

Bu sorulara yanıt olmadan, veriyi bir jeneratif AI ya da RAG boru hattına beslemek, yönetişim sorununuzu aşağı akışa, veriyi daha iyi ortaya çıkarabilen bir sisteme taşıma anlamına gelir. AI‑hazırlık, bir veri zekâsı disiplinidir; bir proje başlamadan önce bir kez işaretlenen bir onay kutusu değildir.

Kuruluşlar, yerel altyapı, birden çok bulut, arşiv ve iş birimleri arasında milyarlarca dosyaya sahip olabilir. Hangi verinin gerçek iş değeri taşıdığını, hangisinin yinelenen, eski, önemsiz ya da sadece AI performansını düşürebilecek gürültü olduğunu nasıl belirleyebilirler?

Bu ölçekle, kimse dosya dosya bu soruya yanıt veremez ve manuel inceleme uygulanabilir bir strateji değildir. Kuruluşların önce kurumsal çapta bir görünürlük elde etmesi gerekir: yerel, bulut ve SaaS depoları arasında tek ve doğru bir görünüm, çünkü göremediğiniz veri hakkında karar veremezsiniz. Buradan sonra, ortamda gerçekten neyin olduğunu sınıflandırmak için veri zekâsı uygulamak gerekir; böylece ROT (yinelenen, eski ve önemsiz) veriler tanımlanıp, gerçek iş değeri taşıyan veriden ayrılır.

Bu noktada disiplin sadece görünürlükle sınırlı kalmamalıdır. Veriyi görmek gerekli ama yeterli değildir. Kuruluşların, verinin ne olduğunu ve ne anlama geldiğini anlamaları, ne yapılması gerektiğine karar vermeleri (saklama, taşıma, arşivleme, silme ya da AI’yı besleme), ve ardından bu kararı milyarlarca nesne üzerinde tutarlı bir şekilde yürütmeleri gerekir. Görünürlükten doğrudan AI’ya besleme aşamasına atlamak, gürültünün model performansını düşürmesinin ve gerçek değerli verinin içinde kaybolmasının tam yoludur.

AI sistemleri, çalışanların daha önce keşfetmesi zor olan bilgileri ortaya çıkarabildiğinde güvenlik ve yönetişim özellikle önem kazanıyor. Kuruluşlar, AI sistemlerine kurumsal veriyi açmadan önce izinleri, hassas bilgileri, sahipliği ve düzenleyici riski nasıl değerlendirmeli?

Bu, AI’nın risk hesabını en çok değiştirdiği alanlardan biridir. Aşırı ya da eski izinlere sahip bir dosya, teorik bir açığa yol açardı; çünkü gerçekçi olarak bir kişinin varlığını bilmesi ve onu araması gerekirti. Geniş erişime sahip bir AI sistemi, o dosyayı doğru soruyu soran herkese anında gösterebilir. Gizlilik hiçbir zaman gerçek bir kontrol değildi, ancak AI son koruma katmanını ortadan kaldırdı.

Herhangi bir veri AI sistemine açılmadan önce, kuruluşların kimlerin erişimi olduğunu ve bu erişimin hâlâ mantıklı olup olmadığını, hangi hassas ya da düzenlemeye tabi bilgileri içerdiğini, kimin sahip olduğunu ve sorumlu olduğunu ve veri ikametgahı, saklama ve gizlilik gereksinimleri gibi düzenleyici yükümlülükleri net bir şekilde görmeleri gerekir. Bu değerlendirme, bir lansman öncesi tek seferlik denetim olmamalıdır. Kurumsal veri sürekli değişir; bu yüzden izinler, sahiplik ve riskler, bir AI projesi canlıya alındığında sadece o anda değil, sürekli olarak gözden geçirilmelidir.

Datadobi, depolama altyapısını yönetmekten veri yönetimini bir iş varlığı olarak ele almaya geçişi savunuyor. Bu geçiş pratikte nasıl bir hal alıyor ve IT ekipleri, veri ekipleri, güvenlik liderleri ve iş birimleri arasındaki ilişkiyi nasıl değiştiriyor?

Pratikte, konuşma artık kapasite, katmanlama ve çalışma süresi hakkında değil, sonuçlar hakkında – maliyet azaltma, risk azaltma, düzenleyici uyum ve AI’yı etkinleştirme – olur. Bunlar eskiden ayrı girişimler, ayrı araçlar ve ayrı sahipler olarak görülüyordu. Bu bakış açısının giderek eskiyediğine inanıyoruz. Hepsi aynı temel kurumsal veriyi anlamaya dayanıyor ve ihtiyaç duyulan şey, bu ekipleri birbirine bağlayan, her birinin ayrı bir, izole sistem gibi davranmadığı yeni bir veri‑odaklı işletim modeli. Platformumuz, bu işletim modelini hayata geçirmek için kullandığımız araçtır.

Bu doğal olarak odada kimlerin olduğunu değiştirir. IT artık konuşmanın tek sahibi değildir; çünkü hangi verinin saklanacağı, taşınacağı ya da AI’ya açılacağı kararları iş kararlarıdır, altyapı kararları değil, veri zekâsı tarafından bilgilendirilir. Güvenlik ve uyum liderleri, IT’nin yönettiği aynı veri manzarasına görünürlük kazanmalıdır. İş birimleri ise, verinin gerçekten sonuçlarına ne kadar etkisi olduğunu belirlemede ses sahibi olmalıdır. Veri yönetimi, arka ofis IT fonksiyonundan çıkarak, IT, güvenlik ve iş birimlerinin aynı bilgiler üzerinden karar verdiği ortak bir işletim disiplinine dönüşür.

Kurumsal AI’da bir zorluk, verinin sürekli değişmesidir. AI‑hazırlık, kuruluşların bir kez elde edebileceği bir şey midir, yoksa veri keşfetme, sınıflandırma, yönetişim, arşivleme ve veri evrildikçe taşıma süreçlerini sürekli olarak sürdüren bir süreç mi gerektirir?

Bu sürekli bir süreçtir, nokta. Kurumsal veri sürekli değişir; yeni dosyalar oluşturulur, izinler kayar, çalışanlar girer ve çıkar, düzenlemeler evrimleşir; bu yüzden veri yönetimi bağımsız projeler dizisi yerine sürekli bir operasyonel yetenek olmalıdır. AI‑hazırlığı bir proje başlangıcında tek seferlik temizlik olarak görmek, bir binayı tek bir çilingir ziyaretiyle güvenli ilan edip bir daha kapıları kontrol etmemek gibidir.

Kuruluşların ihtiyacı, görünürlük, anlama, karar ve yürütme aşamalarından sürekli geçebilen bir işletim disiplinidir; veri varlığını keşfetmek, sınıflandırmak ve anlamak, ne yapılması gerektiğine karar vermek ve bu kararı periyodik olarak uygulamak. Bu döngüyü sürekli ve kurumsal ölçekte yürütebilenler, AI‑hazırlığına son tarihli bir proje gibi yaklaşanlardan daha başarılı olacaktır.

Kuruluşlar, AI ajanlarını sistemler arasında arama yapabilen ve otonom eylemler gerçekleştirebilen bir şekilde daha fazla dağıttıkça, yapılandırılmamış veri yönetimi daha da önemli hâle geliyor mu? Bir AI ajanı, bir kullanıcı isteğine yanıt vermek yerine, organizasyon içinde dağınık bilgileri erişebildiğinde hangi yeni riskler ortaya çıkıyor?

Evet, çok daha önemli hâle geliyor çünkü bir ajan, maruziyetin doğasını değiştiriyor. Tek bir soruya yanıt veren bir sohbet botu, yalnızca bir kişinin sorduğu ve gördüğüyle sınırlıdır. Sistemler arasında arama yapabilen ve otonom hareket edebilen bir ajan, bir çalışanın tipik olarak görebileceğinden çok daha geniş bir ortamı dolaşabilir ve bulduklarını veri taşıma, paylaşma ya da kullanma gibi adımlarla, insanın her adımı gözden geçirmesine gerek kalmadan gerçekleştirebilir.

Bu, basit keşiften daha öte bir riski beraberinde getirir. Eğer bir ajan, erişmemesi gereken (yanlış izinli dosyalar, eski hassas kayıtlar, yıllar önce arşivlenmesi ya da silinmesi gereken bilgiler) verilere erişirse, bu veriyi makine hızı ve ölçeğinde işleyebilir; sadece bir meraklı kullanıcıya göstermekle kalmaz. Ajanları en başarılı şekilde uygulayan kuruluşlar, veri yönetişimini bir ön koşul olarak ele almış olanlardır; çünkü bir ajan, veri zekâsındaki boşlukları eksiksiz olarak kullanacaktır.

On yıllık birikmiş yapılandırılmamış veri birikimi olan ve AI girişimlerini ölçeklendirmek isteyen bir kuruluş için, ilk olarak hangi pratik adımları atmalı ve veri varlığını kontrol altına alırken liderlerin kaçınması gereken hatalar nelerdir?

İlk adım görünürlük elde etmektir. Görünmeyen veri üzerine iyi kararlar veremezsiniz; bu yüzden ilk pratik adım, yerel, bulut ve SaaS ortamları arasında var olan verinin doğru ve kurumsal çapta bir resmini elde etmektir. Buradan sonra, veriyi anlamak, sınıflandırmak gerekir; böylece neyin değerli, neyin hassas ve neyin sadece gürültü olduğunu bilirsiniz; ardından saklama, taşıma, arşivleme ya da silme kararlarına geçebilirsiniz.

Bir de liderlerin göz ardı edemeyeceği bütçe gerçeği var. Çoğu CIO, ayrı ve sınırsız bir AI bütçesi almıyor; AI’nın artık işletmenin çalışmasını sürdüren diğer tüm harcamalarla rekabet ettiği sabit bir bütçe havuzu ile çalışıyor. AI’yı mevcut altyapı yatırımlarından keserek finanse etme içgüdüsü yanlış bir hamledir; çünkü aynı altyapı, depolama, veri boru hatları ve yönetişim, AI’nın başarılı olabilmesi için tam da ihtiyaç duyulan unsurlardır. Daha sürdürülebilir yol, mevcut varlık içinde boşluk yaratmaktır: görünürlük artırmak ve StorageMAP’in tasarlandığı veri optimizasyonu sayesinde depolama israfını azaltmak, gerçek bütçeyi AI girişimlerinin gerçekten ihtiyaç duyacağı kapasiteye dokunmadan serbest bırakır.

Gördüğüm en büyük hata, kuruluşların doğrudan yürütmeye atlaması; AI’yı veri varlığına yöneltmek ya da bir temizlik projesi başlatmak, önce görünürlük ve anlayış temeli inşa etmeden yapılır. İkinci hata, bunu tek seferlik bir girişim olarak görmek, operasyonel bir yetenek olarak değil; veri sürekli değişir, bu yüzden disiplin sürekli olmalıdır. Üçüncü hata ise bunu sadece teknik bir alıştırma olarak bırakmaktır. Başarılı olan kuruluşlar, bunu bir iş kararı olarak ele alır; IT, güvenlik ve iş paydaşları, verinin değerini ve ne yapılması gerektiğini aynı fikirde tutar, sadece IT’ye devredilen bir taşıma ya da depolama projesi olarak değil.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Datadobi sitesini ziyaret etmelidir.