Molham Aref, RelationalAI’nin CEO’su ve Kurucusu

Molham, RelationalAI’nin CEO’sudur. Yüksek değerli makine öğrenimi ve yapay zeka çözümlerinin geliştirilmesini ve uygulanmasını sağlayan organizasyonları yönetme konusunda 30 yılı aşkın deneyime sahiptir. RelationalAI’den önce LogicBlox ve Predictix (şimdi Infor) CEO’su, Optimi (şimdi Ericsson (ERIC )) CEO’su ve Brickstream (şimdi FLIR) kurucu ortağı olarak görev yaptı. Molham ayrıca HNC Software (şimdi FICO) ve Retek (şimdi Oracle (ORCL )) şirketlerinde üst düzey liderlik pozisyonlarında bulundu.

RelationalAI, endüstri, teknoloji ve ürün geliştirme alanlarında on yılların deneyimini bir araya getirerek, akıllı veri uygulamalarının bir sonraki nesline güç verecek ilk ve tek gerçek bulut yerel bilgi grafik veri yönetim sistemini geliştirmektedir.

RelationalAI’nin kurucusu ve CEO’su olarak, şirketinizi oluştururken ilk olarak hangi vizyon sizi motive etti ve bu vizyon son yedi yıl içinde nasıl evrimleşti?

İlk vizyon, bilginin ve anlamsal anlamın AI’nin başarılı bir şekilde uygulanmasındaki etkisini anlamaya odaklanmıştı. AI’nin nereye geldiğimiz noktaya varmadan önce, çoğu zaman makine öğrenimi (ML) üzerinde odaklanıldı, bu da davranışları tanımlayan modeller oluşturmak için büyük miktarda veri analizini içeriyordu. Ancak zaman içinde, AI’yi etkili bir şekilde uygulamak için bilginin, hem AI için erişilebilir hem de karmaşık sistemleri basitleştirebilecek bir şekilde temsil edilmesi gerektiği anlaşıldı.

Bu vizyon, derin öğrenme yenilikleri ve daha yakın zamanda dil modelleri ve üretken AI’nin ortaya çıkmasıyla birlikte evrimleşti. Bu gelişmeler, şirketin yaptığı şeyi değiştirmedi, ancak özellikle AI’yi daha erişilebilir ve pratik hale getirmek için yaklaşımın önemini artırdı.

PwC’nin yakın tarihli bir raporu, AI’nin 2030 yılına kadar küresel ekonomiye 15,7 trilyon dolar katkıda bulunabileceğini tahmin etmektedir. Deneyiminiz doğrultusunda, bu önemli ekonomik etkisini sürükleyen birincil faktörler nelerdir ve şirketler bu fırsatları değerlendirmek için nasıl hazırlanmalıdır?

AI’nin etkisi zaten önemli ve şüphesiz devam edecektir. Bu ekonomik etkisini sürükleyen ana faktörlerden biri, entelektüel emeğin otomasyonudur.

Belgelerin okunması, özetlenmesi ve analizi gibi görevler, genellikle yüksek ücretli profesyoneller tarafından gerçekleştirilir, ancak artık büyük ölçüde otomatik hale getirilebilir, bu hizmetleri çok daha uygun fiyatlı ve erişilebilir kılar.

Bu fırsatları değerlendirmek için, şirketlerin AI iş yüklerinin veri ve hesaplama gereksinimlerini destekleyebilecek platformlara yatırım yapmaları gerekir. Bu platformlarda maliyet etkin bir şekilde ölçeklenebilmeleri ve AI modellerini etkili bir şekilde kullanabilmeleri için AI okuryazarlığına yatırım yapmaları önemlidir.

AI, çeşitli sektörlere entegre olmaya devam ederken, şirketlerin AI’yi etkili bir şekilde benimsemesinde karşılaştıkları en büyük zorluklar nelerdir? Veri, bu zorlukların üstesinden gelmede nasıl bir rol oynar?

Karşılaştığım en büyük zorluklardan biri, endüstriye özgü bilginin AI’ye erişilebilir olmasıdır. Bugün gördüğümüz şey, birçok şirketin veritabanları, belgeleri, elektronik tabloları ve kodları boyunca dağılmış bilgidir. Bu bilgi, AI modellerine karşı opak ve şirketlerin alabileceği değeri maksimize etmesine izin vermez.

Endüstri, bu bilginin yönetimini ve birleştirmesini, bazen anlamsal olarak adlandırılan şeyi, AI sistemlerine erişilebilir kılmak için çözmesi gereken önemli bir zorluktur. Bunu yaparak, AI, belirli endüstrilerde ve şirket içinde daha etkili olabilir, çünkü benzersiz bilgi tabanlarını kullanabilir.

Üretken AI’nin benimsenmesinin geleceği, Retrieval-Augmented Generation (RAG) ve ajans mimarileri gibi tekniklerin bir kombinasyonunu gerektireceğini belirttiniz. Bu birleşik yaklaşımların neden gerekli olduğunu ve neler getireceğini açıklar mısınız?

AI sürümlü sistemlerin daha doğru ve karmaşık bilgi alma ve işleme görevlerini ele alabilmesi için GraphRAG ve ajans mimarileri gibi farklı tekniklere ihtiyaç duyulacak.

Çok sayıda kişi, AI ile ilerlemeye devam ederken, bir tekniğe ihtiyacımız olmadığının, daha çok model ve araçların bir kombinasyonuna ihtiyacımız olduğunun farkına varmaya başlıyor. Bunlardan biri, farklı yeteneklere sahip ajansların bulunduğu ajans mimarileridir. Bu teknik, karmaşık bir problemi parçalara ayırır ve her bir parçayı farklı ajanslara görevlendirerek sonuçları elde eder.

RAG, dil modellerini kullanarak bilgi çıkarmamıza yardımcı olan bir diğer teknik. RAG ile çalışmaya başladığımızda, bir belgenin bir bölümünde bulunan cevapları bulabilirdik. Ancak, dil modellerinin, özellikle uzun belgelerde ve belgeler arasında dağılmış bilgiler için daha zor soruları yanıtlamakta zorlandığını çabucak fark ettik. İşte bu noktada GraphRAG devreye girer. Dil modellerini kullanarak bilgi grafik temsilini oluşturur ve böylece ihtiyaç duyduğumuz sonuçları elde edebiliriz ve hataların veya sanrılara karşı daha az şans verir.

Veri birleştirmesi, şirketler içinde AI değerini sürükleyen kritik bir konudur. Birleştirilmiş verilerin AI için neden bu kadar önemli olduğunu ve karar alma süreçlerini nasıl dönüştürebileceğini açıklar mısınız?

Birleştirilmiş veri, bir şirketin tüm bilgisinin – belgelerde, elektronik tablolarında, kodunda veya veritabanlarında olsun – AI sistemlerine erişilebilir olmasını sağlar. Bu birleştirmeye sahip olmak, AI’nin, endüstriye özgü veya şirketin benzersiz bilgisini etkili bir şekilde kullanabilmesini sağlar, böylece AI çıktıları daha ilgili ve doğru olur.

Veri birleştirmesi olmadan, AI sistemleri yalnızca parçalı bilgi parçaları üzerinde çalışabilir, bu da eksik veya yanlış içgörülere yol açar. Verileri birleştirmek, AI’nin eksiksiz ve tutarlı bir resme sahip olmasını sağlar, bu da karar alma süreçlerini dönüştürmek ve şirketler içinde gerçek değeri sürüklemek için kritiktir.

RelationalAI’nin veri yaklaşımı, özellikle ilişkisel bilgi grafik sistemi ile şirketlerin daha iyi karar alma sonuçları elde etmesine nasıl yardımcı olur?

RelationalAI’nin veri odaklı mimarisi, özellikle ilişkisel bilgi grafik sistemi, bilginin veriyle doğrudan entegre olmasını sağlar, bu da hem bildirimsel hem de ilişkiseldir. Bu yaklaşım, geleneksel mimarilere karşılık gelir, burada bilgi kodu içinde gömülüdür ve non-teknik kullanıcılar için erişimi ve anlaşılırlığı karmaşık hale getirir.

Bugün rekabetçi iş ortamında, hızlı ve bilgilendirilmiş karar alma zorunludur. Ancak birçok organizasyon, verilerinin gerekli bağlamı eksik olduğu için mücadele etmektedir. İlişkisel bilgi grafik sistemimiz, veriyi ve bilginin birleştirilmesini sağlar, bu da insanlara ve AI’ye daha doğru kararlar almasına olanak tanır.

Örneğin, yatırım portföylerini yöneten bir finansal hizmetler şirketi düşünün. Şirket, piyasa trendlerini, müşteri risk profillerini, düzenleyici değişiklikleri ve ekonomik göstergeleri analiz etmek zorundadır. Bilgi grafik sistemimiz, bu karmaşık, birbirine bağlı faktörleri hızlı bir şekilde sentezleyerek, şirketin zamanında ve bilgili yatırım kararları almasına olanak tanır, bu da getirileri maksimize eder ve riski yönetir.

Bu yaklaşım ayrıca karmaşıklığı azaltır, taşınabilirliği artırır ve belirli teknoloji satıcılarına bağımlılığı en aza indirir, bu da karar alma için uzun vadeli stratejik esneklik sağlar.

Bilgi Başkanı (CDO) rolü, AI’nin yükselişi ile birlikte önem kazanmaktadır. CDO’ların sorumluluklarının AI ile nasıl evrimleşmesini öngörüyorsunuz ve bu sorumlulukları yerine getirmek için hangi ana becerilerin gerekli olacağını düşünüyorsunuz?

CDO rolü, özellikle AI’nin yükselişi ile birlikte hızla evrimleşmektedir. Geleneksel olarak, şimdi CDO’nun sorumlulukları altında yer alan görevler, öncelikle teknoloji operasyonlarına veya şirket tarafından üretilen teknolojiye odaklanan CIO veya CTO tarafından yönetilmekteydi. Ancak, veri modern şirketler için en değerli varlıklardan biri haline geldikçe, CDO rolü ayırt edici ve kritik hale geldi.

CDO, verinin gizliliği, erişilebilirliği ve para kazanılmasını tüm organizasyon boyunca güvence altına almakla sorumludur. AI, iş operasyonlarına entegre olmaya devam ettikçe, CDO, AI modellerini besleyen verilerin temiz, erişilebilir ve etik bir şekilde kullanıldığından emin olmak için kritik bir rol oynayacaktır.

CDO’lar için gelecekteki ana beceriler, veri yönetimi, AI teknolojileri ve iş stratejisi hakkında derin bir anlayış içerecektir. Tradisyonel olarak veri erişimi olmayan ekiplere, finans, pazarlama, insan kaynakları gibi, veri odaklı içgörülerle güçlendirmek için diğer bölümlerle yakın çalışmak zorunda kalacaklar. Bu, organizasyon genelinde inovasyonu sürüklemek ve rekabetçi bir avantaja sahip olmak için kritik olacaktır.

RelationalAI, CDO’ları ve ekiplerini şirketler içinde veri ve AI entegrasyonunun artan karmaşıklığını yönetmede nasıl desteklemektedir?

RelationalAI, CDO’ları ve ekiplerini, veri ve AI entegrasyonunun karmaşıklığını etkili bir şekilde yönetmelerine yardımcı olmak için gerekli araçları ve çerçeveleri sağlar. AI’nin yükselişi ile birlikte, CDO’lar artık yalnızca verinin erişilebilir ve güvenli olmasını sağlamakla kalmaz, aynı zamanda şirketin AI’yi tam potansiyeline ulaşabilmesi için veriyi en iyi şekilde kullanmasını da sağlar.

CDO’ları, bilgiyi doğrudan veriye getirerek, non-teknik paydaşlar için erişilebilir ve anlaşılır hale getirerek destekleriz. Bu, özellikle CDO’ların, geleneksel olarak erişimi olmayan ekiplere, pazarlama, finans ve idari takımlar gibi, verileri koymak için çalıştıkları bir noktada önemlidir. Veri ve yönetimini birleştirmek, CDO’ların ekiplere güç vermelerine, inovasyonu sürüklemelerine ve şirketlerin AI tarafından sunulan fırsatları tam olarak değerlendirmelerini sağlar.

RelationalAI, akıllı uygulamalar oluşturmak için veri odaklı bir temel vurgulamaktadır. Bu yaklaşımın, müşterilerinize önemli verimlilik ve tasarruf sağlamalarına nasıl yardımcı olduğunu örneklerle açıklar mısınız?

Veri odaklı yaklaşımımız, geleneksel uygulama odaklı modele karşılık gelir, burada iş mantığı kodu içinde gömülüdür ve erişimi ve anlaşılırlığı karmaşık hale getirir. Bilgiyi verinin kendisine entegre ederek bildirimsel ve ilişkisel hale getirerek, müşterilerimizin sistemlerinin karmaşıklığını azaltmalarına, hataları azaltmalarına ve önemli maliyet tasarrufu sağlamalarına yardımcı olduk.

Örneğin, Blue Yonder, teknolojisini Snowflake içinde Bilgi Grafik İşlemcisi olarak kullanarak, öngörülü olarak bozulmaları tahmin etmek ve proaktif olarak hafifletme eylemlerini sürüklemek için gerekli anlamsal anlama ve akıl yürütme yeteneklerini elde etti. Bu yaklaşım, miras kodunu %80’den fazla azaltmalarına ve ölçeklenebilir ve genişletilebilir bir çözüm sunmalarına olanak tanıdı.

Benzer şekilde, EY Financial Services, miras kodunu %90’a kadar azaltarak ve işleme sürelerini bir aydan birkaç saate indirerek önemli bir iyileşme yaşadı. Bu sonuçlar, approachümüzün, işletmelerin daha çevik ve değişen piyasa koşullarına karşı daha duyarlı olmasını sağladığını, aynı zamanda belirli teknolojilere veya satıcılara bağımlılıktan kaçınmasını gösterir.

Aİ sürüklenen şirketleri yönetme deneyiminiz doğrultusunda, bir organizasyonda AI’yi başarılı bir şekilde uygulamak için en kritik faktörler nelerdir?

Deneyimlerime göre, AI’yi başarılı bir şekilde uygulamak için en önemli faktörler, güçlü bir veri ve bilgi temelinin olması ve özellikle daha deneyimli olan çalışanların AI araçlarını öğrenmeye ve kullanmaya zaman ayırmalarıdır.

Ayrıca, yeni AI teknolojileri etrafında – ya aşırı bir coşku ya da derin bir şüphe – aşırı duygusal tepkilere düşmemek önemlidir. Bunun yerine, AI’yi benimsemeye ve entegre etmeye yönelik tutarlı ve istikrarlı bir yaklaşımı öneririm, bu da beklenenden daha fazla bir gümüş mermi çözümü beklemektense, kademeli iyileştirmelere odaklanmayı içerir.

Harika bir röportaj için teşekkür ederiz. Daha fazla bilgi öğrenmek isteyen okuyucular RelationalAI‘yi ziyaret edebilir.