Countly’nin CEO ve Kurucu Ortağı Onur Alp Soner ile Röportaj Serisi

Onur Alp Soner, Countly adlı dijital analitik ve uygulama içi etkileşim platformunun kurucu ortak ve CEO’sudur. Bir teknoloji uzmanı ve girişimci olarak, şirketlere kullanıcılarıyla nasıl etkileşimde bulunduklarını anlamaları ve etkileşim kurmaları konusunda daha fazla kontrol sağlamak için Countly’yi sıfırdan kurdu. Onun liderliğinde Countly, kullanıcı gizliliği büyüme stratejilerinin merkezinde tutarak hızlı bir şekilde inovasyon yapmak isteyen dünya çapındaki şirketler için güvenilir bir platform haline geldi.

Bizi Countly’yi kurma kararınıza götüren ana momente geri götürün – mevcut analitik araçlarla karşılaştığınız sorunlar nelerdi ve veri mülkiyeti modelinin temelde bozuk olduğuna sizi inandıran nedir?

Yaklaşık 13 yıl önce, mobil uygulamalar popülerlik kazanmaya başladığında, mevcut olan analitik araçları belirli bir modele sahipti. Birçoğu ücretsiz veya nispeten ucuzdu, ancak bunun karşılığında platform sizin verilerinizi topluyor ve reklam ekosistemlerine aktarıyordu. O zamanlar bu, normal olarak kabul edilen bir işleyiş şekliydi.

Ancak bu, bizim için doğru gelmedi. Küçük bir şirket olarak bile, ürünümüzün performansı hakkında bilgi edinmek için tüm kullanıcı verilerimizi vermek mantıklı gelmedi.

Countly, buna bir yanıt olarak ortaya çıktı. Tamamen sahip olabilecekleri ve kontrol edebilecekleri analitik araçlar geliştirmek istedik, bu nedenle açık kaynaklı, self-hosted bir platform olarak lanç edildi. Fikir basitti: organizasyonlar, verilerini vermek zorunda kalmadan nasıl performans gösterdiklerini anlayabilmeli ve buna göre hareket edebilmeliydiler. Bu prensip, Countly’nin bugün masih temelinde yer alıyor.

Countly’yi kurduktan sonra, veri mülkiyetini bir niche endişeden AI sistemleri için stratejik bir gereksinime dönüştüren nedir? Bu prensibin analitiklerin ötesinde önemli olacağı ne zaman açık hale geldi?

İlk yıllarda, veri mülkiyeti etrafındaki konuşmalar genellikle gizlilik veya uyum kapsamında ele alınıyordu. Bankalar, sağlık hizmeti sağlayıcıları ve hükümetler gibi kurumlar, verilerinin nerede saklandığı ve kimin kontrol ettiği konusunda derin endişe duyuyorlardı. Diğerleri için ise analitik, basit bir raporlama aracı olarak görülüyordu, bu nedenle mülkiyet sorusu acil görünmüyordu.

Bu bakış açısı, şirketlerin ürünlerini çalıştırmak için değil, yalnızca ölçmek için değil, aynı zamanda karar vermeye, kişiselleştirmeye, ürün değişikliklerine ve müşteri etkileşimlerine güç sağlamak için daha fazla veri kullanmaya başladıklarında değişmeye başladı. Analitik, raporlamadan karar vermeye geçtiğinde, verilerin kontrol edilmesi gerektiği daha da açık hale geldi. Her dijital öncü şirket, mobilite’den konaklama’ya kadar, artık yalnızca ön yüz deneyiminde değil, aynı zamanda veride rekabet ediyor.

AI, bu realizasyonu dramatik bir şekilde hızlandırdı. Bir AI modelini lisanslayabilir veya geliştirebilirsiniz, ancak kendi ürününüzle etkileşime giren müşterilerinizin davranışını yansıtan verileri satın alamazsınız. Bu veriler her organizasyon için benzersizdir.

Çok sayıda organizasyon, büyük miktarda veriye sahip oldukları için kendilerini “AI hazır” olarak görüyor. Gerçekte, şirketlerin altında genellikle ne eksik?

Veri eksikliği genellikle sorun değildir. Gerçek sorun, kullanılabilir verinin eksikliğidir. Birçok organizasyon büyük miktarda bilgiye sahiptir, ancak bu veriler farklı araçlar, ekipler ve sistemler arasında parçalanmıştır. Örneğin, pazarlama bir veri setine sahip olabilir, ürün başka birine, mühendislik ise kendi telemetrisine sahip olabilir, genellikle paylaşılan bir yapıya sahip olmayan farklı formatlarda depolanır.

AI’nin faydalı olabilmesi için altındaki verilerin temiz, tutarlı ve bağlamsal olması gerekir. Sadece olayları veya günlükleri toplamak yeterli değildir; bu sinyallerin ne anlama geldiğini anlamak gerekir. Bu anlamsal katman olmadan, AI sistemleri esasen tahminlerde bulunur.

Diğer bir sorun da mülkiyet sorunudur. Şaşırtıcı bir şekilde, birçok şirket kendi verilerine sahip değildir, çünkü bunlar üçüncü taraf platformlarda bulunur. Bu, veri setlerini birleştirmeyi, nasıl kullanıldıklarını yönetmeyi veya bu verilere AI modellerini güvenli bir şekilde uygulamayı zorlaştırır.

Bu nedenle, şirketler “AI hazırız” dediklerinde, aslında tutarlı bir veri temeline sahip olup olmadıkları sorusudur.

İlk taraf verisi, AI sistemlerinde neden dayanıklı rekabet avantajı yaratır, oysa modeller kendileri giderek daha fazla değiştirilebilir hale geliyor?

Dayanıklı avantaj yaratan, model itself değil, ilk taraf verisinden gelen kullanıcıların anlaşılmasıdır. Bu veri, insanların ürününüzle nasıl etkileşime girdiğini yansıtır ve her organizasyon için benzersizdir. Modeller, diğer taraftan, giderek daha fazla birer mal haline geliyor. Onları lisanslayabilir, ince ayarlayabilir veya sağlayıcılar arasında geçiş yapabilirsiniz. Ancak kendi kullanıcılarınızın davranışını yansıtan veriyi taklit edemezsiniz.

Bu veri, müşterilerin gerçekten nasıl davrandığını yansıtan kalıpları, bağlamı ve sinyalleri yakalar. Doğru bir şekilde yapılandırıldığında ve anlaşıldığında, şirketlerin sürekli olarak gerçek kullanımından öğrenen sistemler oluşturmasına olanak tanır.

Modern analitik yığınları, AI sistemleri için raporlama, paneller ve KPI’ler yerine yeniden amaçlandığında nerede sessizce bozulmaya başlar?

Gözlemlerden eyleme geçme noktasında bozulmaya başlarlar. Geleneksel analitik yığınları esas olarak raporlama için tasarlanmıştır. Verileri toplar, agregasyon yapar ve geçen hafta veya dün neler olduğu hakkında anlamak için takımlara paneller sunar.

AI sistemleri ise çok farklı bir şekilde çalışır. Doğrudan bir sistemin nasıl davrandığını etkileyebilmesi için gerçek zamanlı olarak yapılandırılmış, bağlamsal ve kullanılabilir veri gerektirir. Analitik boruları toplu işleme ve gecikmeli raporlama etrafında inşa edildiğinde, anında tepki verebilen sistemleri desteklemek için mücadele eder.

Veri mülkiyetinin gerçek eksikliği, ekipler AI’yi deneyselden üretime taşımaya çalıştıklarında operasyonel olarak nasıl ortaya çıkar?

Genellikle bir kontrol problemi olarak ortaya çıkar. Sonunda, verilerinize kontrolünüz yoksa, AI’nize de kontrolünüz yoktur. Bu, ekipler deneyselden üretime geçmeye çalıştıklarında özellikle açıktır. Deneysel aşamada, ekipler küçük veri setleriyle veya geçici borularla çalışabilir, ancak üretim sistemleri, tüm organizasyon boyunca tutarlı ve güvenilir veri erişimini gerektirir.

Sonra, birçok şirketin altındaki veri, analitik araçları, pazarlama sistemleri veya bulut hizmetleri gibi üçüncü taraf platformlarda bulunur. Bu, veri setlerini birleştirmeyi, yönetim kuralları uygulamayı veya verilerin sistemler arasında kontrolsüz bir şekilde taşınmasını zorlaştırır. Bu, birçok AI projesinin pilot aşamalarında kalmasının bir nedenidir. Yapılandırılmış, organizasyon çapında veri olmadan, AI’yi güvenilir bir şekilde üretime dağıtmak zorlaşır.

Ayrıca, bir modelin nasıl bir kararı aldığına veya kararın arkasındaki veri durumunu yeniden oluşturmaya çalışırken zorluklar ortaya çıkar. Bu düzeyde kontrol olmadan, hataları düzeltmek veya kararları geri almak çok zor hale gelir.

Kötü veri yapısı, anlamsal ve bağlam, hatta en yetenekli AI modellerini neden zayıflatır?

En yetenekli AI modelleri, aldıkları verilerin kalitesinden daha iyi değildir. Altındaki verilerin kötü yapılandırılmış veya bağlamsal olmadığı durumlarda, model bu sinyallerin ne anlama geldiğini anlamakta zorluk çeker.

Çoklu sistemde, veriler anlamları açık olmayan izole olaylar veya günlükler olarak toplanır. Bir model binlerce etkileşimi görebilir, ancak uygun yapı ve anlamsal olmadan, önemli olanı gürültüden ayıramaz.

Baglam da önemlidir. AI sistemleri, farklı veri parçalarının birbirleriyle nasıl ilişkili olduğunu zaman içinde anlamalıdır. Bu bağlam olmadan, modeller hala çıktılar üretebilir, ancakIncomplete bilgilerle çalıştıkları için güvensizdir.

Şirketlerin AI deneyimleri müşterilere generic hissedilmeden önce generic AI sonuçlarına doğru ilerlediğine dair uyarı işaretleri nelerdir?

En temel uyarı işareti, şirketlerin dış AI modellerini ve araçlarını kullanırken kendi veri temellerini geliştirmek için çok az şey yapmalarıdır. Kuruluşlar aynı modelleri kullanıyor ancak bunları kendi kullanıcı ve bağlamsal verisiyle beslemiyorlarsa, sistemler esasen aynı generic girdilerle çalışıyor. Bu durumda, AI yalnızca yüksek düzeyde veya generic sonuçlar üretebilir. Zamanla, bu, aynı sınırlı bilgilere dayanan zeka sayesinde ürünlerin giderek benzer hissetmesine yol açar.

Diğer bir uyarı işareti, organizasyonların AI modellerini benimsemeye odaklanırken veri kalitesine ve yapısına yeterli dikkat etmeleridir. AI, aldığı şeyi amplifies. Altındaki veri karmaşaysa, parçalansa veya kötü yapılandırılmışsa, sistem aynı sorunun daha sofistike bir versiyonunu üretecektir.

AI’yi kendi verilerinin üzerine inşa etmeye çalışan organizasyonlar için Countly, geleneksel analitik ve veri platformlarının yapmadığı şeyi neler sağlar?

Ana fark, kontrolün platformun核心nde nasıl inşa edildiğidir. Çoğu analitik ürününde, veri mülkiyeti bir seçenek veya özelliktir. Countly’de ise bu, sistemin temelinde yer alır. Platform, gelişmiş işlevsellik için veri kontrolünden vazgeçmek zorunda kalmadan şirketlere olanak tanır.

Pratikte bu, şirketlerin Countly’yi kendi ortamında çalıştırabileceği, veri yığını üzerinde tam kontrolü elinde bulundurabileceği ve aynı zamanda büyük ölçekli analitik, etkileşim ve otomasyon yeteneklerine erişebileceği anlamına gelir. Bu, şirketlerin AI’yi kendi verilerine dayandırmak istediğinde özellikle önemlidir. Geleneksel analitik araçları esas olarak raporlama için inşa edilmiştir, bu nedenle topladıkları veriler genellikle üçüncü taraf panellerde kalır ve diğer sistemler için kullanılabilir bir temel haline gelmez. Countly, analitiği temel veri altyapısının bir parçası olarak ele alır.

AI sistemleri günlük karar vermeye gömüldükçe, veri mülkiyeti temel bir tasarım ilkesi olarak ele alındığında etik AI’nin tanımı nasıl evrimleşmelidir?

Veri mülkiyeti bir tasarım ilkesi haline geldiğinde, etik AI artık modelleri sonra denetlemek değil, kullanıcıların AI’yi eğittiği verilere agency sahip olduğu sistemleri mühendislik yapmak demektir. Etik, altyapı haline gelir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Countly‘yi ziyaret edebilir.