Peter Pang, CREAO’nun Kurucu Ortağı ve CTO’su – Röportaj Serisi

Peter Pang, CREAO’nun kurucu ortağı ve CTO’sudur. Yapay zekâ araştırması ve makine öğrenimi altyapısındaki derin deneyimini yükselen ajansal yapay zekâ alanına taşıyor. CREAO’yu 2025’te kurmadan önce Meta’da yaklaşık altı yıl araştırma bilimcisi olarak LLaMA temel modellerine bağlı üretken yapay zekâ girişimlerinde, veri etiketleme ve sentetik veri üretimi için LLM ajan sistemlerinde çalıştı. Daha önce Apple’da (AAPL) NLP, aktarım öğrenimi, derin öğrenme ve tahmin sistemlerine odaklanan makine öğrenimi mühendisi, ondan önce de Brookhaven National Laboratory’de araştırmacıydı. Bu deneyim, kalıcı yürütme, bellek ve iş akışı otomasyonu yapabilen ajanlar geliştiren CREAO’nun teknik vizyonunu şekillendiriyor.

CREAO, bireylerin ve işletmelerin geleneksel kod yerine doğal dille özerk yapay zekâ ajanları ve iş akışları oluşturmasına yardımcı olan, yapay zekâya özgü bir platformdur. “Super Agent” yalnızca çıktı üretmekle kalmaz; başarılı görevleri bellek, zamanlama ve harici araç/API entegrasyonlarıyla sürekli çalışabilen yeniden kullanılabilir ajanlara dönüştürür. Platform OpenAI, Anthropic, Google (GOOGL) ve diğer ileri modelleri destekler. Palo Alto’da kurulan şirket, tek kullanımlık asistanlar yerine operasyonel yürütmeyi üstlenen ajanlar, kodsuz otomasyon ve ölçeklenebilir orkestrasyon geliştiriyor.

Apple’daki makine öğrenimi görevleri ve Brookhaven’daki araştırmanın ardından Meta’da yaklaşık altı yıl LLaMA temel modelleri ve sentetik veri üretimi için ajansal sistemler üzerinde çalıştınız. CREAO’yu kurmanın zamanının geldiğine sizi ne ikna etti ve mevcut yapay zekâ platformlarının hâlâ çözemediği sorun neydi?

Meta’da model yeteneklerinin her nesilde çarpıcı biçimde gelişmesini izledim ve LLaMA’nın ölçeklendirilmesi üzerinde çalıştım. Modellerin kontrollü ortamlarda neler yapabildiğini gördüm. Giderek büyüyen uçurum modellerin yapabildikleriyle değil, insanların bunlardan gerçekte elde ettikleriyle ilgiliydi.

Her platform aynı arayüzü sunuyordu: sohbet penceresi. Siz sorarsınız, o yanıtlar, işi siz yaparsınız. Yapay zekâ vardiyalar arasında her şeyi unutan bir yüklenici gibidir. Ertesi gün yeniden çalıştırırsınız; sistem önceki çalışmadan hiçbir şey öğrenmez ve işletmeniz aynı kalır.

Sorun model zekâsı değil, yürütmeydi. Yapay zekânın bir sonucu konuşmadan uygulamaya kadar götürdüğü, kalıcılaştırdığı ve insan sürekli devrede olmadan tekrarladığı sistemi kimse kurmuyordu.

Fizik geçmişim bana bileşenler yerine sistemlerle düşünmeyi öğretti. Brookhaven’da ve Stony Brook’taki doktoram sırasında, cihaz, veri toplama ve analizin kapalı döngü halinde çalışması gereken deneysel hatlar kurdum; aksi halde sonuçların anlamı yoktu. Apple’daki çok modlu modellerde de aynı şeyi gördüm: çevresinde sistem olmayan ham yetenek birikimli değer üretmez.

Kai ile CREAO’yu konuşmaya başladığımızda savımız açıktı: sektörün başka bir sohbet robotuna değil, araçları kuran, çalıştıran ve zamanla iyileşen kapalı döngüye ihtiyacı vardı. Modeller nihayet yeterince iyiydi; fakat bu döngüyü kimse kurmuyordu.

CREAO, yapay zekânın hem araç oluşturup hem işi özerk biçimde yürütebildiği bir platform olarak tanımlanıyor. Gerçek “kapalı döngü” yapay zekâ sistemiyle piyasayı dolduran yardımcı pilotlar arasındaki farkı nasıl tanımlıyorsunuz?

Bir yardımcı pilot yanınızda oturur. Siz kullanırsınız, o önerir. Uyursanız hiçbir şey yapmaz.

Kapalı döngü sistem gözlemleme, eyleme geçme, öğrenme ve iyileştirme çevriminin tamamını bitirir. İnsan sonucu tanımlar; sistem yürütme, kalıcılık ve yinelemeyi üstlenir.

CREAO’da bunu bir “harness” sistemi olarak düşünüyoruz. Tek bir ajan e-posta yazabilir, hatayı sınıflandırabilir veya raporu özetleyebilir; fakat birikimli gelişmez, çalışır, çıktı verir ve durur. Harness sistemi ajanları tek kullanımlık araçlardan kendi kendini geliştiren bir motora dönüştürür. Bağlanma, denetim, çözüm, inşa ve kendini geliştirme döngüsü izler. Gerçek veri kaynaklarınıza—kod depoları, hata günlükleri, reklam hesapları—bağlanır, mevcut durumu değerlendirir, düzeltmeler önerir ve bunları uygulayacak ajanlar kurar. Çıktılar geri beslenir, yeni denetim turu başlar ve döngü sıkılaşır.

Bu, “X yapan bir ajanım var” demekten yapısal olarak farklıdır. Sistem X’in ne olması gerektiğini keşfeder, X’i kurar, ölçer ve sizin söylemeniz gerekmeden geliştirir.

Çoğu yardımcı pilot yapay zekâ desteklidir; kapalı döngü ise yapay zekâ tarafından işletilir. Ayrım çizgisi budur.

“Harness engineering” ve yapay zekâ öncelikli kuruluşlar hakkındaki yakın tarihli yazınız büyük ilgi gördü. CREAO’daki üretim kodunun yüzde 99’unun artık yapay zekâ tarafından yazıldığı fikrine verilen tepkilerde sizi en çok ne şaşırttı?

Gönderi 1,8 milyon görüntülenmeye ulaştı. Onu ekibimiz için, yeniden yapılanmamızın ve öğrendiklerimizin kaydı olarak yazmıştım; bu erişimi beklemiyordum.

Tepkilerin ikiye bölünmesi şaşırtıcıydı. Bir grup bunun sorumsuzluk olduğunu ve üretimde yapay zekâ koduna güvenilemeyeceğini söyledi. Diğeri ise “Aynı şeyi görüyoruz ve kimse konuşmuyor” dedi.

İkinci grup önemli bir gerçeği gösterdi: sektör genelinde ekipler bu dönüşümü sessizce yaşıyor. Konuştuğum bir muhabir, konuda yaklaşık beş kişiyle görüştüğünü ve kimsenin bütün iş akışını bizim kadar baştan kurmadığını söyledi.

Yüzde 99 kışkırtıcı görünse de insan darboğazlarını tek tek kaldırmanın sonucudur. Ajanların bütün kod tabanını görebilmesi için her şeyi tek monorepo’da birleştirir, CI/CD hattını altı deterministik aşamaya böler, her PR’da kalite, güvenlik ve bağımlılık sorunları için üç paralel yapay zekâ incelemesi çalıştırır, hataları bulup sınıflandıran ve düzeltmeleri doğrulayan kendi kendini iyileştirme döngüsü kurarsanız, insanın rolü kod yazmaktan ajanların kod yazmasını yöneten sistemi tasarlamaya kayar. Kod hacmi doğal olarak bunu izler.

Beni en çok şaşırtan, daha fazla CTO’nun bunu açıkça söylememesi. Birçoğunun uyguladığını ama algıdan çekindiğini düşünüyorum.

Yazınızda çoğu şirketin gerçekten “AI-first” değil, hâlâ “AI-assisted” olduğunu savunuyorsunuz. Kendilerini yapay zekâya özgü kuruluş sayan liderlik ekiplerinin en büyük yanılgıları neler?

Ekipler aynı sprint döngülerini, Jira panolarını, haftalık toplantıları ve kalite onaylarını sürdürürken AI-first olduklarını söylüyor. Döngüye yapay zekâ eklediler; döngüyü yeniden tasarlamadılar.

En büyük yanılgı “Yapay zekâ araçları kullanıyoruz, dolayısıyla AI-first’iz” düşüncesidir. Mühendis Cursor açar, ürün yöneticisi ChatGPT ile şartname yazar, QA yapay zekâ test üretimini dener. İş akışı değişmez, verimlilik yüzde 10–20 artar ama yapısal dönüşüm olmaz. Bu, AI-assisted’tır.

Test şudur: yarın tüm yapay zekâ araçlarını kaldırırsanız süreciniz mi değişmek zorunda kalır, yalnızca araçlarınız mı? Süreç aynı kalıyorsa AI-first değilsiniz.

İkinci yanılgı, AI-first dönüşümün bir mühendislik kararı sanılmasıdır. Mühendislik özellikleri saatler içinde çıkarıyor ama pazarlama duyuru için bir hafta bekliyorsa darboğaz pazarlamadır. Ürün ekibi aylık planlama yapıyorsa darboğaz planlamadır. CREAO’da yapay zekâya özgü operasyonları her işleve taşıdık: değişiklik günlüklerinden sürüm notları, AI ile özellik tanıtım videoları, otomatik yayımlanan sosyal medya ve üretim veritabanlarından sağlık raporları. Mühendislik, ürün, pazarlama ve büyüme tek bir iş akışında çalışıyor. Bir işlev ajan hızında, diğeri insan hızındaysa bütün sistemi insan hızı sınırlar.

Üçüncü yanılgı, geçişin kademeli olabileceğidir. “Vibe coding” denen yaklaşımda Cursor açılır, bir şey çalışana kadar istem yazılır, commit edilir ve tekrarlanır. Bu prototip üretir. Üretim sistemi istikrar, güvenilirlik ve güvenlik gerektirir; yapay zekâ kod yazdığında bu özellikleri garanti eden sistemi kurmalısınız. Kalıcı olan sistemdir, istemler harcanabilir.

Asıl sıçramanın mevcut süreçlere araç eklemek yerine tüm mühendislik iş akışını ajanların çevresinde yeniden tasarlamakla geldiğini yazdınız. Bu dönüşümün ekip açısından operasyonel veya kültürel olarak en zor kısmı neydi?

Her ikisi de zordu, ama farklı şekillerde.

Operasyonel olarak en zor karar kod tabanını birleştirmekti. Eski mimarimiz bağımsız sistemlere dağılmıştı; tek değişiklik üç-dört depoya dokunabiliyordu. İnsan için yönetilebilir, ajan için ise opaktı. Ajan bütünü göremez, servisler arası sonuçları düşünemez ve entegrasyon testlerini yerelde çalıştıramaz.

Yeni sistemi tasarlamaya bir hafta, bütün kod tabanını ajanlarla yeniden mimarileştirmeye bir hafta harcadım. Başarısız olursa hem monorepo hem çoklu depo düzeni bozulacaktı. Ancak ilke açıktı: sisteminizi ajanın inceleyebileceği, doğrulayabileceği ve değiştirebileceği biçime ne kadar getirirseniz o kadar kaldıraç kazanırsınız. Parçalı kod tabanı ajanlara görünmez, birleşik olan okunabilirdir.

Kültürel olarak en zor konu kimlikti. Mühendisler değerlerini yazdıkları kodda bulur. Kodun yüzde 99’unu yapay zekâ yazınca “Benim işim artık ne?” sorusu doğar. Bu süreçsel değil, varoluşsal bir sorudur.

Herkesin mutlu olduğunu söyleyemem. Yönetim sürem yüzde 60’tan yüzde 10’un altına düşünce insanlarla her gün konuşmayı bıraktım ve bazı ekip üyeleri belirsizlik yaşadı: CTO’nun benimle konuşmaması ne anlama geliyor, bu yeni dünyada değerim ne? Bunlar makul kaygılar. Bazıları yapay zekânın işlerini yapıp yapamayacağını tartışmaya işi yapmaktan daha fazla zaman ayırıyor.

Yeni iş akışını deneyimleyip rollerinin kod yazmaktan sistem tasarlamaya, standart prosedür tanımlamaya ve geri bildirim döngüsü kurmaya kaydığını görenlerin çoğu bunu zihinsel olarak daha çekici buldu. En çok zorlananlar kimliğini kod yazma eylemine bağlayanlardı; en hızlı uyum sağlayanlar kendilerini önce problem çözücü, sonra kodcu olarak görüyordu.

Yazınızdaki tartışmalı gözlemlerden biri, yeni ortamda genç mühendislerin kıdemlilerden daha hızlı uyum sağlamasıydı. AI-first ekiplerde uyarlanabilirlik neden birikmiş teknik deneyimden daha önemli hale geliyor?

Beklemediğim bir örüntü gördüm. Daha az geleneksel deneyimi olan genç mühendisler, etkilerini büyüten araçlara sahip oldukları için güçlenmiş hissediyordu ve unutmak zorunda oldukları on yıllık alışkanlıkları yoktu.

Güçlü geleneksel pratiğe sahip kıdemliler en çok zorlandı. İki aylık işlerinin yapay zekâ tarafından bir saatte bitirilebilmesi, yıllarca nadir bir beceri geliştirdikten sonra kabul edilmesi güç bir durumdur.

Nedeni yapısal. Kıdemli mühendisin uzmanlığı kodun mekanik yürütülmesinde—karmaşık sistemlerde gezinme, optimize uygulamalar yazma, kapsamlı inceleme yapma—yaşar. Bunlar gerçek ve yıllarla kazanılmış becerilerdir. Fakat AI-first ortamda otomatikleşen bölüm, kod yazmanın mekanik becerisidir. Geriye kalan ve daha değerli hale gelen, yapay zekâyı değerlendirme, eleştirme ve yönlendirme yeteneğidir.

Fizik doktoram bana en çok varsayımları sorgulamayı, savları zorlamayı ve eksik olanı aramayı öğretti. Yapay zekâyı eleştirme yeteneği kod üretme yeteneğinden değerlidir. Ajanın kaçırdığı hata modunu mimari öneride görebiliyor musunuz? Kullanıcı söylemeden üretilen arayüzün yanlış olduğunu anlayabiliyor musunuz?

Genç mühendislerin bırakmaları gereken derin mekanik uzmanlık yoktu; doğrudan yeni yöntemi öğrendiler.

Bu bir değer yargısı değil, gözlem. Derin mimari düşünce ve sistem tasarımı sezgisi sayesinde kıdem hâlâ avantajdır, ancak mühendis farklı bir irtifada çalışmaya razıysa. Bu geçişte uyarlanabilirlik birikmiş beceriden daha önemlidir.

CREAO altyapısını monorepo’lar, otomatik CI/CD hatları, yapay zekâ inceleme sistemleri ve CloudWatch, Sentry, Linear ile Claude’u birleştiren kendi kendini iyileştirme döngüleri etrafında kurdu. Yazılımın büyük ölçüde kendini bakım ve onarım yaptığı geleceğe ne kadar yakınız?

Şu anda üretimde kendi kendini iyileştiren bir döngü çalıştırıyoruz. Gerçekte ne yaptığını anlatayım.

Her sabah 09:00 UTC’de otomatik sağlık iş akışı çalışır. Claude Sonnet CloudWatch’u sorgular, tüm servislerdeki hata örüntülerini analiz eder ve ekibe yönetici özeti gönderir; kimse istemez. Bir saat sonra sınıflandırma motoru CloudWatch ve Sentry hatalarını kümeler, her kümeyi kullanıcı etkisi, hız, yayılma alanı, iş kritikliği ve beş başka boyutta puanlar; örnek günlükler, etkilenen uç noktalar ve önerilen araştırma yollarıyla Linear’da otomatik görevler açar.

Mühendis bir düzeltme gönderdiğinde aynı hat çalışır. Üç Claude incelemesi PR’ı kod kalitesi, güvenlik ve bağımlılıklar açısından değerlendirir. CI altı aşamada doğrular. Dağıtımdan sonra sınıflandırma motoru yeniden kontrol eder; ilk hatalar çözülmüşse görev kendiliğinden kapanır.

Buna ek olarak Agent Harness’i kurduk. Anthropic, OpenAI ve Google’dan üç hakem her canlı ajan yanıtını puanlar. Puan düşünce altı işlik mühendislik hattı düşük puanları Linear görevlerine, taslak PR’lara ve doğrulanmış düzeltmelere dönüştürür. Büyük değişikliklerde yapay zekâ denetimli gri dağıtım trafiğin yüzde 10’unu yeni sürüme yollar; puan korunursa yüzde 20, 50 ve 100’e çıkar.

QA ekibimiz ve hazırlık ortamımız yok. Kimse konuşma dökümlerini okuyup ajan yanıtlarını elle puanlamıyor.

Ne kadar yakınız? Bilinen hata örüntüleri, gerilemeler ve yapılandırma kayması gibi sınırlı alanlarda çoğunun sandığından daha yakınız. Doğru altyapıyla üretim bakımının yüzde 70–80’i böyle çalışabilir. İnsan hâlâ mimarinin yanlış olabileceği belirsiz arızalarda veya sisteme kodlanmamış bir iş kararını anlamayı gerektiren düzeltmelerde gerekir.

Pratik sonuç: mükemmelliği beklemeniz gerekmez. Kısmi kendi kendini iyileştirme bile ekip dinamiklerini kökten değiştirir.

Yapay zekâ ajanları büyük operasyon ekiplerinin yerini aldıkça “tek kişilik şirketlerin” yaygınlaşacağı bir gelecekten söz ettiniz. Bu değişimi önce hangi şirket veya sektörler hissedecek?

Operasyonel genel giderlerin temel değer yaratımına oranının en yüksek olduğu şirketler.

Tek kişilik şirketlerin yaygınlaşacağına inanıyorum. Ajanlarla çalışan tek bir mimar 100 kişinin işini yapabiliyorsa birçok şirketin ikinci çalışana ihtiyacı olmaz. Saati model yeteneği çalıştırıyor. CREAO’daki dönüşümün tamamını son iki aya bağlıyorum: Opus 4.5, Opus 4.6’nın yaptığını yapamıyordu; gelecek nesil modeller bunu daha da hızlandıracak.

Dönüşüm önce işin dijital, tekrarlanabilir ve geri bildirim döngülerinin açık olduğu alanları vurur: içerik üretimi, pazarlama operasyonları, e-ticaret, geliştirici araçları ve dijital ajanslar. İşletmeniz temelde bilgiyi alıp dönüştürüp dağıtıyorsa harness sistemi döngünün çoğunu üstlenebilir.

Bunu platformumuzda görüyoruz. Tek başına çalışan bir kurucu GitHub, Sentry ve CloudWatch’u bağlar. Sistem hata günlüklarını, dağıtım sıklığını ve altyapı sağlığını denetler; buradan hata sınıflandırma ajanı, özellik keşif ajanı, içerik hattı ve altyapı optimizasyon döngüsü kurar. Her ajan çalışır, çıktı üretir ve durum değişir. Sonraki denetim yeni tabloyu görür; yeni çözümleri sistem bulur, kurucu planlamaz.

CREAO’da kendi operasyonlarımızı böyle yürütüyoruz. Bir ajan üç kişilik SEO iş akışının yerini bir gecede aldı. Başka bir ajan, kimse çıktıya bakmadan iki gün içerik hattı çalıştırdı; çıktı berbattı ve sistemi kapattık. İkisi de aynı hafta oldu. Kendimize geleceğin çalışma dünyasının çarpışma testi mankenleri diyoruz.

Sağlık, ağır üretim ve hukuk gibi işin fiziksel, sıkı düzenlenmiş veya her kararda insan muhakemesi gerektirdiği sektörler değişimi en son hisseder. Yine de idari katmanlar oralarda bile daralacaktır.

CREAO kısa süre önce Saudi Aramco’nun girişim kolu Prosperity7 Ventures liderliğinde 10 milyon dolar yatırım aldı. Finansmanın ötesinde, özerk ajanlar kurumsal pazara yönelirken bu ortaklık hangi stratejik fırsatları açıyor?

Prosperity7 üç milyar dolarlık çeşitlendirilmiş fonu yönetiyor ve Silikon Vadisi, Orta Doğu ve Asya’da faaliyet gösteriyor. Arcee AI ve Spirit AI gibi kurumsal yapay zekâ altyapısı şirketlerinden oluşan bir portföy kurdu. Stratejik uyum sermayenin ötesine geçiyor.

Tezleri bizimkiyle örtüşüyordu. İcra Direktörü Raed Twaily’nin kamuya söylediği gibi: “Yapay zekâ benimsenmesi olgunlaştıkça odak modellerden yürütmeye kayıyor. CREAO AI, ajanların özerk, güvenilir ve sürekli çalışmasını sağlayan altyapı katmanını kuruyor.” Biz de tam buna inanıyoruz. Ajan pazarının 2030’da 52 milyar dolara ulaşması bekleniyor. Gerçek değeri yakalayanlar en iyi modele değil, en iyi yürütme katmanına sahip şirketler olacak.

Pratikte bu 10 milyon dolar—bir yıldan kısa sürede üç turdaki toplamımızı 25 milyon dolara çıkarıyor—üç şeyi hızlandırıyor. İlki, kurumsal entegrasyonlar ve ajanlar arası işbirliği için mühendislik derinliği; kendi kendini iyileştiren harness, üçlü hakem paneli ve yapay zekâ denetimli dağıtım 25 kişilik ekipte değil, kurumsal ölçekte çalışmalı. İkincisi coğrafi erişim; Prosperity7’nin Orta Doğu ve Asya varlığı, özerk yapay zekâ kullanımının Silikon Vadisi’nin sandığından hızlı büyüdüğü pazarları açıyor. Üçüncüsü kurumsal güvenilirlik; işletmelerden operasyonlarını sürekli çalışan ajanlara emanet etmelerini istediğinizde arkanızdaki destek önemlidir.

Sıfır ücretli pazarlamayla ve organik benimsemeyle 200.000 kullanıcıya ulaşarak bir yıldan kısa sürede 25 milyon dolar topladık. Bu hız, pazarın bir sonraki rekabet alanının yürütme katmanı olduğuna inancını gösteriyor.

Önümüzdeki birkaç yılda CREAO için başarı nasıl görünüyor? Uzun vadeli vizyon daha iyi ajanlar geliştirmek mi, yoksa şirketlerin yapı ve işleyişini yeniden tanımlamak mı?

Her ikisi de. Birbirlerinden ayrılamazlar.

Yakın vadede başarı, kapalı döngü modelinin ölçekli çalıştığını kanıtlamaktır. Eylül 2025’teki lansmandan beri organik olarak gelen 200.000 kullanıcımız var. Günde üç ila sekiz kez üretime dağıtım yapıyoruz; mühendislik, pazarlama ve operasyonlarımızı harness üzerinde yürütüyoruz. Sıradaki adım, her büyüklükte işletmenin aynı şekilde çalışabileceğini göstermek.

Ama daha iyi ajanlar nihai hedef değil. Nihai hedef ajanların çevresindeki sistem, yani harness’tir.

Ajan bir araçtır; harness sistemi bir çarktır. Çalıştıkça sıkılaşır. Daha fazla veri gördükçe denetimleri, denetimler iyileştikçe çözümleri, çözümler keskinleştikçe ajanların etkisi artar. Etkili ajanlar veriyi değiştirir ve döngü devam eder.

20. yüzyılın şirket modeli, departmanlara ayrılmış insan hiyerarşisidir; her bölümün yöneticileri ve insan işlem hacmine göre tasarlanmış süreçleri vardır. Ajanlar operasyonel işlerin çoğunu güvenilir biçimde yürütebildiğinde bu model yalnızca daha verimli olmaz, gereksizleşmeye başlar.

Herkes yapay zekânın üretkenlik patlaması vaat ettiğini biliyor, fakat sektör iki tuzağa sıkışmış durumda. İnsanlar araçları hâlâ adım adım işletiyorsa üretkenlik tavana çarpar. Araçları yalnızca insanlar kuruyorsa gerçek devrim başlamamıştır. Biz yapay zekânın hem araçları kurduğu hem çalıştırdığı sistemi geliştiriyoruz.

Konuştuğum kurucuların çoğu hâlâ geleneksel çalışıyor. Bazıları dönüşümü düşünüyor, çok azı gerçekleştirdi. Araçlar her ekibin bunu yapabilmesi için mevcut; teknoloji yığınımızda hiçbir şey tescilli değil. Rekabet avantajı, her şeyi bu araçların çevresinde yeniden tasarlama kararı ve maliyeti üstlenme isteğidir.

Bir ajan platformu kurduk. Ajanlar platformu yeniden kurdu. Tasarım ilkesi budur; harness her gün biraz daha sıkılaşır.

Bu değerli röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okurlar CREAO’yu ziyaret edebilir.