Jen Vescio, Empiric Earth Başkanı – Röportaj Serisi

Jen Vescio, Empiric Earth’ün başkanıdır; ürün stratejisi, kurumsal gelişim ve ticarileştirme çalışmalarını yönetmektedir. Daha önce Uber’de İş Geliştirmeden Sorumlu Genel Müdür olarak görev yapan Vescio, burada küresel iş geliştirme çalışmalarına ve mobilite ile otonom sürüş alanlarındaki yeni iş ortaklıklarına liderlik etti. Deneyimleri arasında, fiziksel yapay zekânın araştırma aşamasından ticari kullanıma geçmesine yardımcı olmaya odaklanarak gelişmekte olan teknoloji şirketlerine yatırım yapmak ve bu şirketlere danışmanlık vermek de yer alıyor.

Empiric Earth, gerçek dünya sürüş verilerinden elde edilen içgörüleri, güvenlik modellerini ve doğrulama olanaklarını sunmak için Nexar ile Nauto’yu bir araya getiriyor. Şirket, geliştiricilerin, filo işletmecilerinin ve diğer kuruluşların performansı ve riskleri anlamasına yardımcı olmak üzere milyarlarca millik sürüş geçmişini nadir olaylara ilişkin kayıtlarla birleştiriyor. Vescio bu röportajda bağımsız değerlendirmeyi, verilerin sorumlu biçimde yönetilmesini, ticarileştirmeyi ve fiziksel yapay zekânın ölçeklendirilmesi için gereken altyapıyı ele alıyor.

Uber’de küresel iş geliştirmeyi, gelişmekte olan teknolojilere yapılan yatırımları ve fiziksel yapay zekâ alanındaki şirketlere verilen danışmanlık hizmetlerini kapsayan kapsamlı bir kariyeriniz var. Önce Empiric Earth’ün yönetim kuruluna nisan ayında katıldınız, ardından kısa süre önce başkanlık görevini üstlendiniz. Şirkette ilginizi çeken neydi ve daha aktif biçimde sorumluluk alacağınız bir liderlik pozisyonuna geçmeye sizi sonunda ne ikna etti?

Fiziksel yapay zekâ alanında yatırımcı ve danışman olarak hep aynı eksikliği görüyordum. Pek çok ekip deneyler yapıyordu, ancak sistemlerinin test ortamı dışında da çalıştığını kanıtlayacak gerçek dünya verilerine sahip olanların sayısı çok azdı. Empiric Earth bu verilere zaten sahipti. Gerçek yollarda kat edilmiş 10 milyar milden fazla mesafe ve 60 milyon uç durum, satın alamayacağınız ve sahtesini üretemeyeceğiniz bir kaynak.

Bu, şirketi alışılmadık bir konuma getiriyor. Robot, araç veya model geliştiren şirketlerle rekabet etmemiz gerekmiyor. Riskleri yönetmeleri, performansı doğrulamaları ve güven oluşturmaları için ihtiyaç duydukları gerçek dünya içgörülerini sağlayarak hepsinin pazara daha hızlı ulaşmasına yardımcı olabiliriz. Yönetim kurulu üyesiyken, tüm fiziksel yapay zekâ ekosistemi için temel oluşturacak bir yapı kurma fırsatını gördüm.

Beni başkanlık görevine geçmeye ikna eden Zach ve onun vizyonuydu. İkimiz de mobilite alanında iş ortaklıkları geliştirirken tanıştığımızdan beri onu tanıyorum; ben Uber’de, o ise Lyft’te çalışıyordu. Uzun zamandır güvendiğiniz biri size çözülmesi zor bir sorunla ve başkasında bulunmayan bir varlıkla geldiğinde onu dinlersiniz. Birbirimizi tamamlıyoruz. O, sektörün genelini ve nereye gittiğini düşünüyor. Ben ise kariyerim boyunca yeni teknolojileri ölçeklenebilen işletmelere dönüştürmek için çalıştım. Fiziksel yapay zekâ şu anda araştırma aşamasından çıkıp gerçek dünyada kullanıma geçiyor ve ben bunu bir yönetim kurulu toplantısından izlemek istemedim.

Empiric Earth, gerçek dünya sürüş verileri ve yapay zekâ destekli güvenlik alanlarında derin uzmanlığa sahip iki şirketi, Nexar ile Nauto’yu birleştirerek kuruldu. Bu birleşim hangi benzersiz olanakları sağlıyor ve birleşik şirketin hızla gelişen fiziksel yapay zekâ pazarında kendini nasıl farklılaştıracağını düşünüyorsunuz?

Nexar ve Nauto’nun ikisi de 2015’te kuruldu ve toplamda yirmi yılı aşkın süre boyunca aynı sorunu iki farklı açıdan ölçtü. Birlikte, yolda neler olduğunu ve sürücülerin bunlara nasıl tepki verdiğini anlayabiliyoruz; bu da gerçek dünyadaki davranış ve riskler hakkında çok daha kapsamlı bir tablo sunuyor.

Daha geniş pazar açısından bu, simülasyon ile gerçek dünya arasındaki köprüyü kuruyor. Ekiplerin çoğu sistemlerini simülasyonda geliştirip test ediyor; ancak asıl zorluk, bir sistemin gerçek dünya koşullarında güvenilir biçimde çalışabildiğini kanıtlamak. İş ortaklarımızın, sistemlerinin daha önce karşılaşmadığı senaryoları keşfetmesine, modellerini geliştirmesine ve performansı gerçekte yaşananlara göre doğrulamasına yardımcı olabiliriz. Bu da geliştirme döngülerini kısaltabilir, riskleri azaltabilir ve ticarileştirmeyi hızlandırabilir.

Bizi farklı kılan, fiziksel yapay zekâ ekosisteminin tamamında bağımsız değerlendirmeyi mümkün kılabilmemiz. Müşterilerimizin geliştirdiği araçları, robotları veya otonom sistemleri biz üretmiyoruz. Onlara performansı anlamaları, riskleri yönetmeleri ve güven oluşturmaları için gerçek dünya içgörüleri sunuyoruz. Bunun için tarafsızlığa, taşınabilirliğe ve birlikte çalışabilirliğe bağlılık gerekiyor. Yeni uygulamaları, modelleri ve hizmetleri pazara sunarken müşterilerin bunları tek bir sağlayıcıya bağlı kalmadan farklı donanım ve teknoloji altyapılarında kullanabilmesini istiyoruz. Amacımız ekosistemin içinde kazananları seçmek değil, tamamı için bir “hakem” görevi görmek.

Fiziksel yapay zekâ, otonom araçlardan robotik sistemlere ve akıllı altyapıya uzanan uygulamalarıyla yapay zekânın bir sonraki büyük atılım alanlarından biri olarak öne çıkıyor. Bu sistemlerin öngörülemeyen gerçek dünya ortamlarında güvenilir biçimde çalışmasını engelleyen en büyük zorluklar sizce neler ve bu zorlukların aşılmasında gerçek dünya verilerine erişim neden bu kadar kritik?

En büyük zorluk, fiziksel dünyanın hiçbir zaman kayda geçirilmemiş olması. Dil modelleri hızla gelişti; çünkü insanların daha önce ürettiği onlarca yıllık metinlerle eğitildiler. Bir yol, depo zemini veya kaldırım için bunun bir karşılığı yok. Yakın bir kaza tehlikesi ya da o sabah trafiğe kapatılan bir şerit gibi orada yaşananların çoğu hiç kayda geçmiyor.

Bu durum iki soruna yol açıyor. İlk sorun, fiziksel dünyanın sürekli değişmesi. Bir sistemin şu anda neyin doğru olduğunu bilmesi gerekir; geçen bahar çekilmiş bir fotoğraf, bu sabah değişen bir yol hakkında bilgi veremez. Ayrıca geçmişe dönüp dünü de toplayamazsınız. İkinci sorun ise parçalanmışlık. Tek bir şirket dünyayı tek başına yeterince kapsamlı göremediği için geliştiriciler farklı veri kümeleri, modeller ve teknoloji yığınlarıyla birbirinden ayrı deneyler yürütüyor. Bu da sonuçları karşılaştırmayı, işe yarayanları paylaşmayı ve umut vadeden araştırmaları ticari açıdan uygulanabilir ürünlere dönüştürmeyi zorlaştırıyor.

Her iki sorunun da üstesinden gelmenin yolu gerçek dünya verilerinden geçiyor. Bir sistemi bozan nadir olaylar her gün bir yerlerde yaşanıyor; bunları ancak çok çeşitli gerçek koşulları sürekli gözlemleyerek bulabilirsiniz. ABD verilerimizde, her çarpışmanın başına yaklaşık 19 ramak kala olayı düşüyor ve bunların neredeyse hiçbiri polis raporlarına ya da sigorta taleplerine yansımıyor. Zach bunu yakın tarihli bir makalesinde çok güzel ifade etmişti: Güvenlik, gerçekleşmeyen şeyleri incelemektir. Kimse saymadıysa bunları inceleyemezsiniz.

Empiric Earth, 10 milyar milden fazla sürüş geçmişi ve 60 milyondan fazla uç durum örneği biriktirdi; ayrıca her ay yüz milyonlarca mil daha kaydediyor. Bu devasa veri kümesi, özellikle geleneksel simülasyonların yeniden oluşturmakta zorlandığı nadir veya tehlikeli senaryolarda, yapay zekâ geliştiricilerinin daha güvenilir otonom sistemleri eğitmesine ve doğrulamasına nasıl yardımcı olabilir?

Bugün çoğu sistem sıradan sürüş koşullarında iyi performans gösteriyor. Sistemleri hâlâ zorlayan şey, olasılığı düşük ama sonuçları önemli olaylar: bir çarpışma, park etmiş araçların arasından yola çıkan bir yaya, yoldaki bir hayvan ya da geçen hafta orada olmayan bir çalışma alanı. Bu olaylar, bir test filosunun anlamlı sayıda örnek yakalayabilmesi için fazla nadir; simülasyon ise ancak birilerinin modellemeyi önceden düşündüğü durumları yeniden oluşturabilir.

Empiric Earth, bu olayları bulmak için kuruldu. Ağımızın katettiği her mili işlemiyoruz. Modellerimizin olağandışı veya riskli olarak işaretlediği küçük bir bölümü saklıyoruz. Böylece 10 milyar mil, geliştiricilerin gerçekten kullanabileceği 60 milyon uç durum örneğine dönüşüyor.

Ekipler bu kayıtlardan üç şekilde yararlanıyor. Önce kayıtları tarıyorlar: çalışma alanları üzerinde çalışan bir ekip, birkaç örneği senaryo olarak yazmak yerine, insan sürücülerin bu alanlardan geçtiği binlerce gerçek örneği bulabiliyor. Ardından eksik olanları talep ediyorlar: Bir sistem yoğun kavşaklarda sola dönüşlerde zorlanıyorsa ağı tam olarak bu duruma yönlendirip yeni örnekleri gerçekleştikçe toplayabiliyoruz. Son olarak simülasyonlarını gerçek dünyayla karşılaştırıyorlar. Bir iş ortağı yayaların ve bisikletlilerin karıştığı gerçek çarpışmaları ve ramak kala olaylarını yeniden oluşturduğunda, sistemini kullanıma sunmadan önce simüle edilmiş dünyanın gerçek dünyadaki gibi davranıp davranmadığını görebiliyor.

Bu yaklaşımı, verilerin kendisinin ötesinde değerli kılan da bu. Simülasyon vazgeçilmezdir, ancak gerçek dünyada gerçekten yaşananlara dayanmalıdır. Geliştiricilere bu kanıtlara erişim sağlamak, eksikleri daha erken belirlemelerine, sistemlerini daha hızlı geliştirmelerine ve kullanıma sunmaya ne zaman hazır oldukları konusunda daha sağlıklı kararlar almalarına yardımcı olur. Ayrıca sektör büyüdükçe daha tutarlı ve bağımsız değerlendirmeler yapılması için bir temel oluşturur.

Empiric Earth’ün belirleyici ilkelerinden biri, değerlendirdiği otonom sistem ve araç üreticilerinden bağımsız olmasıdır. Fiziksel Yapay Zekâ yaygın kullanıma doğru ilerlerken bağımsız doğrulama neden giderek daha önemli hâle geliyor ve sektör, yapay zekâ güvenliği için anlamlı ölçütler belirlemek üzere hangi standartları benimsemeli?

Fiziksel Yapay Zekâ araştırma ortamlarından kamusal alanlara taşınırken güven, teknik performans kadar önemli hâle geliyor.

Bugün sektörün büyük bölümü, geliştiricilerin kendi sistemlerinin performansını test edip raporlamasına dayanıyor. Bu aşamada bu anlaşılır bir yaklaşım; ancak günlük yaşamın geçtiği ortamlarda daha fazla otonom sistem kullanılmaya başladıkça müşteriler, düzenleyiciler ve kamuoyu, bu sistemlerin güvenilir performans gösterdiğine dair bağımsız kanıtları giderek daha fazla talep edecek.

Bu tür zorlukların benzerlerini başka sektörlerde de gördük. Bir araca bindiğinizde sürücülerin ehliyet alması, araçların denetlenmesi ve güvenlik beklentilerinin belirlenmesi için yerleşik bir çerçeve vardır. Fiziksel Yapay Zekâ da hazırlık ve performansı ortaya koymak için kendine özgü yöntemlere ihtiyaç duyacak. Otonom araçlar için bu, bir sürücü belgesine benzeyebilir: Sistemin bir insan sürücünün performans düzeyine eşit ya da daha yüksek düzeyde performans gösterdiğini ortaya koyan standartlaştırılmış bir sınav.

Önemli olan, yalnızca kontrollü testlere veya simülasyonlara dayanmak yerine gerçek dünya koşullarını yansıtan anlamlı ölçütleri nasıl belirleyeceğimiz. Bu ölçütler gerçek dünya verilerine dayanmalı, nadir ve tehlikeli senaryoları hesaba katmalı ve farklı sistemlerin performansının tutarlı biçimde değerlendirilmesine olanak tanımalı.

Empiric Earth burada önemli bir rol oynayabilir. Otonom sistemleri geliştiren şirketlerin performanslarını değerlendiren tek taraf olması gerektiğine inanmıyoruz. Rolümüz; başkalarının performansı değerlendirmesine, riski yönetmesine ve güven oluşturmasına olanak tanıyan bağımsız gerçek dünya bilgileri, modeller ve doğrulama kabiliyetleri sunmak. Tarafsız ve birlikte çalışabilir kalarak, herhangi bir yaklaşımı kayırmadan farklı teknolojilerin ve platformların değerlendirilmesini destekleyebiliriz.

Sonuç olarak standartların belirlenmesi; geliştiriciler, araştırmacılar, düzenleyiciler ve diğer paydaşlar arasında iş birliği gerektirecek. Bağımsız değerlendirmeyi mümkün kılan temelin oluşturulmasına katkıda bulunmak istiyoruz; böylece güven, iddialara değil kanıtlara dayanır.

Giderek daha gelişmiş yapay zekâ sistemleri fiziksel dünyayla etkileşime girerken kuruluşların kapsamlı gerçek dünya verisine duydukları ihtiyaç ile gizlilik, güvenlik ve sorumlu veri yönetişimi arasında denge kurması gerekiyor. Empiric Earth bu zorluklara nasıl yaklaşıyor ve büyük ölçekli fiziksel yapay zekâ altyapısına duyulan kamu güvenini tesis etmek için hangi önlemler vazgeçilmez?

Güven, verinin nasıl toplandığı, korunduğu ve kullanıldığıyla başlar. Empiric Earth’te gizlilik, yaklaşımımızın en başından itibaren temel bir parçasıdır. Araç kullanmanın her anını eşit derecede değerli görmek yerine, anlamlı içgörüler sağlayan gerçek dünya olaylarını kaydetmeye odaklanıyoruz. Kimliksizleştirme ve verilerin sorumlu biçimde işlenmesi bu sürecin temel unsurlarıdır.

Verinin kaynağının izlenebilir olması da aynı derecede önemlidir. Fiziksel yapay zekâ ticari kullanıma doğru ilerlerken geliştiricilerin verilerinin nereden geldiğini, nasıl toplandığını ve kullanımını hangi hakların düzenlediğini bilmesi gerekir. Bu temel olmadan, ölçek büyütmek için gereken güveni tesis etmek zordur.

Farklı pazarlarda gizlilik, rıza ve verilerin hangi ülkede saklanacağı konusunda farklı gereklilikler de bulunur. Platformumuz, sistemi yeniden kurmaya gerek kalmadan yerel kurallara uyabilmemiz için her ülkeye özgü ayarları uygular. Nerede ve nasıl büyüyeceğimizi değerlendirirken bu farklılıkları hesaba katmamız gerekir.

Daha genel ilke şeffaflıktır. Fiziksel yapay zekâ altyapısı geliştiren herkes hangi verileri topladığını, bunları nasıl koruduğunu ve kimlerin kullanabileceğini açıklayabilmelidir. Sorumlu veri uygulamaları, başarılı bir iş kurmaktan ayrı düşünülemez. Yaygın benimsemeyi mümkün kılan unsurların bir parçasıdır.

Uber’deki deneyiminiz, yeni teknolojileri ve stratejik iş ortaklıklarını ölçeklenebilir işletmelere dönüştürmeyi kapsıyordu. Yeni görevinizde Empiric Earth’ün ürün stratejisinden, kurumsal gelişiminden ve ticarileştirilmesinden sorumlusunuz. Uber’de geçirdiğiniz dönemde edindiğiniz hangi dersler fiziksel yapay zekâyı ölçeklendirmede en çok işe yarıyor ve yetkinlikleri şirket içinde ne zaman geliştireceğinize, ne zaman satın alma ya da iş ortaklığı yoluna gideceğinize nasıl karar veriyorsunuz?

Uber bana doğru yanıtın zaman içinde değişebileceğini öğretti. Tüm teknoloji yığınına sahip olmamız gerektiğine inandığımız için kendi otonom sürüş programımız ATG’yi kurduk. Daha sonra programı Aurora’ya devrettik ve otonom sürüş alanına iş ortaklıkları aracılığıyla geri döndük. Her iki karar da verildiği dönemin koşullarında anlamlıydı. Değişen, hız, maliyet ve risk konularındaki ölçütlerimiz oldu.

Bu nedenle, bir yetkinliği şirket içinde geliştirme, satın alma ya da iş ortağıyla çalışma kararlarının her birinde aynı soruları soruyoruz. Risk nedir? Ne kadar kaynak ve sermaye gerektirir? Bizi pazara ne kadar hızlı ulaştırır ve bu sırada rakipler ne yapıyor? Stratejiyle uyumlu mu?

Empiric Earth, çoğu şirketten farklı bir noktadan yola çıkıyor; çünkü geliştirilmesi en zor unsura, yani veriye zaten sahibiz. Bu temel bize taklit edilmesi güç bir avantaj sağladığında o alanda çözümler geliştiriyoruz. Satın almalar, tamamlayıcı yetkinlikler kattığında veya stratejimizi hızlandırdığında anlamlı oluyor. İş ortaklıkları da çoğu zaman müşterilere, yeni pazarlara ve ticari ölçekte büyümeye ulaşmanın en hızlı yolu olabiliyor. Fiziksel yapay zekâ, tek bir şirketin her şeyi geliştiremeyeceği kadar geniş bir alan. Bu nedenle tüm ekosistemi güçlendirmeye yardımcı olabilecek ortaklarla çalışmak ve yaklaşımımızı hem pazar koşullarını hem de rekabet avantajımız olan varlıklarımızı gözeterek aşamalı biçimde şekillendirmek istiyoruz.

OpenClaw topluluğuyla çalışmalarınız da dahil olmak üzere açık kaynaklı yapay zekâ ekosisteminde yer aldınız. Açık kaynaklı inovasyonun fiziksel yapay zekânın gelişimine nasıl katkıda bulunacağını düşünüyorsunuz? Daha fazla şeffaflık ve iş birliği, bu sistemlerin gerektirdiği güvenlik ve yönetişim standartlarını korurken benimsenmelerini hızlandırabilir mi?

Açık kaynak, yapay zekânın yazılım alanında ne kadar hızlı ilerlediğini değiştirdi. Daha fazla kişi aynı araçları temel alarak geliştirme yaptığında araştırma döngüleri kısalıyor ve iyi fikirler yalnızca en büyük laboratuvarlardan değil, her yerden çıkıyor. Fiziksel yapay zekâ bu ilerleme eğrisinin henüz başlarında. Alanın büyük bölümü hâlâ araştırma ve demolar aşamasında; şimdi asıl soru, bu çalışmaları kalıcı işletmelere nasıl dönüştüreceğimiz.

Açık kaynaklı, kişisel ve ajan tabanlı yapay zekâ vizyonunu desteklemek amacıyla kurulan OpenClaw Foundation’da iş ortaklıkları lideriydim. İnsanların projeyi alıp kendi sistemlerinde çalıştırabildiği ve kendi ihtiyaçları doğrultusunda kullanışlı hâle getirebildiği için, açık bir projenin gerçek işleri hızlandırmasının gördüğüm en belirgin örneklerinden biri.

Fiziksel yapay zekânın ciddiye alması gerektiğini düşündüğüm ders bu. Açık araçlar, daha fazla ekibin sıfırdan başlamak zorunda kalmadan geliştirme ve deneme yapmasına olanak tanıyor. Müşterilerden verilerini başka bir yere göndermelerini istemek yerine verileri kendi ortamlarında tutmak, şirketlerin çekimser kalmasına yol açan en büyük nedenlerden birini ortadan kaldırıyor. Bir filo, şehir ya da üretici, kendi denetimi altında kendi verileri üzerinde yapay zekâyı kullanıma alabilir ve daha hızlı değer elde edebilir.

Bu iki fikir bir araya geldiğinde sektör, araştırma ve demolar aşamasından insanların para ödeyeceği ürünlere geçebilir. Açıklık tek başına bir sistemi güvenli kılmaz; bu nedenle gerçek testler, açık bir yönetişim çerçevesi ve hesap verebilirlik yine gereklidir. Ancak verilerin ait olduğu kişilerde kaldığı açık bir ekosistem, daha fazla sistemin gerçek kullanım alanlarına girmesini sağlar; öğrenme de en çok bu noktada katlanarak artar.

Empiric Earth’te, açık araçların ve müşterinin kendi ortamında kalan verilerin, çalışmalarımıza değer katan gerçek dünya verilerini korurken tüm Fiziksel Yapay Zekâ ekosisteminin büyümesine nasıl katkıda bulunabileceğiyle ilgileniyoruz. Ekosistemi ilerletmenin ve sürdürülebilir bir iş kurmanın birbiriyle çelişen hedefler olması gerektiğine inanmıyoruz.

Yapay zekâ liderliğine daha fazla kadının katılmasının öneminden, özellikle de sektör akıllı makinelerin toplumda nasıl çalışacağını şekillendirecek güvenlik standartlarını ve yönetişim çerçevelerini oluşturmaya başlarken söz ettiniz. Liderlikte çeşitliliğin artmasının daha güvenli ve sorumlu yapay zekâ sistemlerinin geliştirilmesini nasıl etkileyebileceğini düşünüyorsunuz?

Bu konuda temkinliyim; çünkü “daha fazla kadın ekleyelim, yapay zekâ daha güvenli olsun” demek de kendi başına bir önyargı türü. Mesele bundan daha kapsamlı. Geliştirdiğimiz ajanlar, insanların şimdiye kadar yaptıklarından ve onlara nasıl öğrettiğimizden öğreniyor. Bu öğretimi şekillendiren herkes aynı şekilde düşünüyorsa, sistemler de aynı kör noktaları ediniyor.

Çeşitliliğe sahip bir liderlik, bir ajanın empati, özen ve verdiği kararın karşı taraftaki kişiyi nasıl etkileyeceği dâhil hangi değerlere önem vermesi gerektiğine ilişkin kararlara daha fazla bakış açısı kazandırır. Yapay zekâya ilişkin risklerin önemli bir bölümü teknik niteliktedir. Diğer risklerse sistemlerin, kararlarından etkilenen kişilerin değerlerini veya ihtiyaçlarını yansıtmayan kararlar almasından kaynaklanır. Bu kararlara farklı bakış açıları katmak, kör noktaları gerçek dünyada sorunlara dönüşmeden önce fark etmemize yardımcı olur.

Bu sistemlerden beklentim basit: İnsanların daha iyi kararlar almasına yardımcı olmalı ve gerçek hayatta birbirimize daha fazla zaman ayırmamızı sağlamalılar. Bu hedefe ulaşmak, pek çok farklı bakış açısından denge ve gerçek denetim mekanizmaları gerektiriyor. Bunu tek bir grup tek başına başaramaz. Kadınları katılmaya ve ajan-insan, ajan-ajan ve insan-insan arasındaki bağlantıların gelişmesine katkıda bulunmaya teşvik etmemiz gerekiyor.

Önümüzdeki üç ila beş yıla baktığınızda, Empiric Earth için yol güvenliği ve filo zekâsına yönelik mevcut uygulamalarının ötesinde en büyük fırsatları nerede görüyorsunuz? Otonom araçlar, robotik sistemler ve diğer Fiziksel Yapay Zekâ teknolojileri gündelik hayatla daha fazla bütünleşirken, bu dönüşümü destekleyen altyapıda Empiric Earth’ün nasıl bir rol üstleneceğini öngörüyorsunuz?

Yol güvenliği ve filo çözümleri işe başladığımız alanlardı ve işimizin temelini oluşturmaya devam ediyor. Ancak daha büyük fırsat, riskleri azaltarak, bir doğrulama standardı sunarak ve nihayetinde gerçek dünyayı daha güvenli hâle getirerek Fiziksel Yapay Zekâ’yı desteklemek.

İster otonom bir araç, ister teslimat robotu, ister gerçek dünyada faaliyet gösteren bir reklam ve ticaret ağını yöneten bir perakende zekâ sistemi geliştiriyor olun, temel zorluklar benzerdir. Gerçek dünyada neler olup bittiğini nasıl anlarsınız? Bir sistemin beklenmedik durumlarla başa çıkıp çıkamayacağını nasıl bilirsiniz? Bu sistemler ticari kullanıma sunulurken performanslarını nasıl değerlendirir ve riskleri nasıl yönetirsiniz?

Empiric Earth’ü, geliştiricilerin, iş ortaklarının ve operatörlerin bu soruları yanıtlamasına yardımcı olacak gerçek dünya verileri, modeller, uygulamalar ve hizmetler sunan, Fiziksel Yapay Zekâ ekosistemi için önemli bir zekâ katmanına dönüşürken görüyorum. Tarafsızlık, taşınabilirlik ve birlikte çalışabilirlik bu vizyon açısından önemli olacak. Yeteneklerimizin farklı teknolojiler ve platformlarda çalışmasını istiyoruz; böylece müşteriler kendileri için en uygun çözümleri benimseyebilir.

Gerçek dünyadaki sürüş zekâsı konusunda olağanüstü bir temele sahibiz. Şimdi bu temeli yeni yetenekler, iş ortaklıkları ve ticari modellerle geliştirme fırsatı önümüzde duruyor.

Fiziksel Yapay Zekâ, bir şirketin en iyi robotu ya da en iyi modeli geliştirmesiyle ölçeklenmeyecek. Ekosistemin bütünü, bu sistemleri gerçek dünyada kullanıma sunmak için gereken zekâya, araçlara ve güvenlik önlemlerine sahip olduğunda ölçeklenecek. Empiric Earth’ün üstlenmek istediği rol bu.

Harika bir röportaj için teşekkürler. Gerçek dünyaya ilişkin zekâyı ve fiziksel yapay zekâ için bağımsız doğrulamayı keşfetmek isteyen okurlar Empiric Earth’ü ziyaret edebilir.