Ravi Bommakanti, App Orchid’in CTO’su – Röportaj Serisi

Ravi Bommakanti, App Orchid’in Baş Teknoloji Sorumlusu, şirketin uygulamalar ve karar alma süreçleri boyunca AI’ı işletmelere operationalize etme misyonunu yürütüyor. App Orchid’in amiral gemisi ürünü olan Easy Answers™, kullanıcıların doğal dil kullanarak veri ile etkileşime geçmesini ve AI destekli paneller, içgörüler ve önerilen eylemler oluşturmasını sağlar.

Platform, yapılandırılmış ve yapılandırılmamış verileri – gerçek zamanlı girişler ve personel bilgisini de içeren – öngörülü bir veri dokusunda birleştirmektedir. Büyük Veri teknolojisini ve kullanıcı dostu bir arayüzü birleştirerek, App Orchid, hızlı dağıtım, düşük maliyetli uygulama ve mevcut sistemlere minimal müdahale yoluyla AI benimsemesini basitleştirir.

Büyük resmi ele alalım – “Agentic AI” size ne anlama geliyor ve geleneksel AI sistemlerinden nasıl farklı?

Agentic AI, geleneksel AI sistemlerinin statik yürütmesinden dinamik bir orkestrasyona doğru temel bir değişimi temsil ediyor. Bana göre, bu, katı, önceden programlanmış sistemlerden özerk, uyumlu problem çözenlere doğru bir geçiş anlamına geliyor.

Agentic AI’ı gerçekten ayıran şey, bilgi ve uzmanlığın dağıtılmış doğasını kullanma yeteneğidir. Geleneksel AI genellikle sabit sınırlar içinde çalışır ve önceden belirlenmiş yolları takip eder. Agentic sistemler ise, karmaşık görevleri parçalayabilir, alt görevler için uygun uzman ajanları tanımlayabilir ve çözümü sentezlemek için onların etkileşimini koordine edebilir. Ajan kayıt defterleri kavramı, şirketlerin her AI işlevini dahili olarak inşa etmek veya satın almak yerine, uzmanlıkları gerektiğinde “kiralayabilmesini” sağlar.

Bunun yerine, monolitik sistemler yerine, uzman ajanların dinamik olarak oluşturulabileceği ve koordine edilebileceği ekosistemler oluşturmak gelecekte yatıyor – bu, bir proje yöneticisinin bir ekibi yönetmesine benzer.

Google (GOOGL ) Agentspace, şirketlerin agentic AI’ı benimsemesini nasıl hızlandırıyor ve App Orchid bu ekosistemdeki rolü nedir?

Google Agentspace, şirketlerin AI’ı benimsemesini hızlandıran önemli bir faktör. Zeki ajanları çeşitli iş uygulamalarına bağlayan ve Google’ın güçlü arama ve modellerini kullanarak, Agentspace, şirketlerin bilgiyi eyleme dönüştürebilmesini sağlıyor.

App Orchid, bu ekosistemde kritik bir semantic etkinleştirme katmanı olarak görev yapıyor. Agentspace, ajan altyapısı ve orkestrasyon çerçevesini sağlarken, Easy Answers platformumuz, ajanların etkili bir şekilde çalışabilmesi için karmaşık verilerin anlaşılabiliyor ve erişilebilmesini sağlıyor. İş bağlamı ve ilişkileriyle zenginleştirilmiş bir ontoloji kullanarak, şirket verilerini anlamlandırıyoruz.

Bu, güçlü bir sinerji yaratıyor: Agentspace, güçlü ajan altyapısı ve orkestrasyon yetenekleri sunarken, App Orchid, ajanların etkili bir şekilde çalışabilmesi için gereken derin semantic veri anlama yeteneğini sağlıyor. Google Cloud Cortex Framework ile我们的 işbirliğimiz, müşterilerin veri hazırlama süresini önemli ölçüde azaltmasına (bazen %85’e kadar) yardımcı olurken, doğal dil sorgulama için %99,8’e varan metin-sql doğruluğumuzla birlikte, şirketlerin gerçekten anlamlı iş dili ve veri karmaşıklıklarını kavrayan agentic AI çözümlerini dağıtmalarını sağlıyor.

Şirketler agentic AI’ı benimserken karşılaştıkları gerçek dünya engelleri nelerdir ve App Orchid bu engelleri nasıl aşmalarına yardımcı oluyor?

Karşılaştığımız temel engeller, veri kalitesi, güvenlik standartlarının evrimi – özellikle ajan-ağana güveni sağlamak – ve şirketin bilgi ve ajan yeteneklerinin dağıtılmış doğasını yönetmektir.

Veri kalitesi hala temel bir sorun. Agentic AI, diğer AI’lar gibi, kötü veri ile beslendiğinde güvensiz çıktılar üretir. App Orchid, bu sorunu, farklı veri kaynaklarını bağlayarak ve iş kullanıcılarının veri anlamlarını en iyi şekilde anlamalarına yardımcı olarak, veri boşluklarını ve tutarsızlıkları işbirliği içinde tanımlayarak ve ele alarak çözmeye çalışıyor.

Güvenlik, özellikle ajan-ağana iletişim arttıkça, başka bir kritik engel. App Orchid, bu dinamik etkileşimlere uygun güvenlik çerçevelerini uygulamaya odaklanıyor.

Son olarak, dağıtılmış bilgi ve yetenekleri etkili bir şekilde kullanmak, gelişmiş orkestrasyon gerektirir. App Orchid, Model Context Protocol (MCP) gibi kavramları kullanarak, şirketlerin uzman ajanları dinamik olarak kaynağından almasına ve işbirliği yapmasına olanak tanır. Bu, şirketlerin esnek ve uyumlu iş akışlarına sahip olmasını sağlar.

Kullanıcılar Easy Answers’ı nasıl kullanır – doğal dil sorgusundan içgörü oluşturmaya?

Easy Answers, kullanıcıların şirket verilerine nasıl etkileşime gireceğini dönüştürür ve karmaşık analizi doğal dil yoluyla erişilebilir hale getirir. İşte nasıl çalışır:

• Bağlantı: Şirketin veri kaynaklarına bağlanmaya başlıyoruz – 200’den fazla ortak veritabanı ve sistemi destekliyoruz. Bu, genellikle veri hareketi veya kopyalaması gerektirmeden, verilerin bulunduğu yerde güvenli bir şekilde bağlanmayı içerir.
• Ontoloji Oluşturma: Platformumuz, bağlı verilerin otomatik analizini gerçekleştirir ve bir bilgi grafiği oluşturur. Bu, verilerin iş merkezli varlıklar olarak yapılandırılmasını sağlar – Managed Semantic Objects (MSO) olarak adlandırıyoruz.
• Meta Veri Zenginleştirme: Bu ontoloji, meta verilerle zenginleştirilir. Kullanıcılar üst düzey açıklamalar sağlar ve AI, her MSO ve özelliklerine (alanlara) ayrıntılı açıklamalar oluşturur. Bu birleşik meta veri, verilerin anlamı ve yapısı hakkında derin bir bağlam sağlar.
• Doğal Dil Sorgusu: Kullanıcı, iş diliyle bir soru sorar – örneğin, “Batı bölgesindeki X ürünü için satış eğilimlerini geçen çeyreğe göre gösterin” gibi.
• Yorumlama ve SQL Oluşturma: NLP motorumuz, bilgi grafiğindeki zengin meta veriyi kullanarak kullanıcının amacını anlar, ilgili MSO’ları ve ilişkileri tanımlar ve soruyu precisa veri sorgularına (örneğin, SQL) çevirir. Burada %99,8’e varan metin-sql doğruluğunu sağlıyoruz.
• İçgörü Oluşturma (Curations): Sistem, verileri alır ve cevabı görsel olarak sunmanın en etkili yolunu belirler. Platformumuzda bu etkileşimli görselleştirmelere “curations” diyoruz. Kullanıcılar, bunları otomatik olarak oluşturabilir veya belirli gereksinimlere veya standartlara uygun olarak önceden yapılandırabilir.
• Daha Derin Analiz (Quick Insights): Daha karmaşık sorular veya proaktif keşif için, kullanıcılar Quick Insights özelliğini kullanabilir. Bu, belirli veri alanlarına platformda gönderilen ML algoritmalarını kolayca uygulayarak, desenleri otomatik olarak tespit etmelerine, anomalileri tanımlamalarına veya hipotezleri doğrulamalarına olanak tanır – veri bilimci uzmanlığına gerek kalmadan.

Bu tüm süreç, genellikle saniyeler içinde tamamlanır, veri erişimini ve analizini demokratikleştirir ve karmaşık veri keşfini basit bir sohbet haline getirir.

Easy Answers, büyük şirketlerdeki bölünmüş verilere nasıl köprü oluşturur ve içgörülerin açıklanabilir ve izlenebilir olmasını sağlar?

Büyük şirketlerdeki veri bölünmeleri önemli bir engel. Easy Answers, bu temel sorunu benzersiz bir semantic katman yaklaşımıyla ele alır.

Verileri fiziksel olarak birleştirmek yerine, bir sanal semantic katman oluşturuyoruz. Platformumuz, çeşitli veri kaynaklarına bağlanarak, birleşik bir mantıksal görünüm oluşturur. Bu katman, veri grafiğimiz tarafından sağlanan ve MSO’ları, ilişkileri ve bağlamsal meta verileri tanımlayan bir teknolojiye dayanır. Bu, hem insanlar hem de AI için ortak bir iş dili oluşturur ve teknik veri yapılarını (tablo, sütun) iş anlamlarıyla (müşteriler, ürünler, satışlar) bağımsız olarak bağlar.

İçgörülerin güvenilir olmasını sağlamak için hem izlenebilirlik hem de açıklanabilirlik gerekir:

• İzlenebilirlik: Kapsamlı veri kökeni izleme sağlıyoruz. Kullanıcılar, herhangi bir curations veya içgörülerden kaynak verilere, tüm uygulanan dönüşümleri, filtreleri ve hesaplamaları görerek geri dönebilir. Bu, tam şeffaflık ve denetim sağlar, doğrulama ve uyumluluk için çok önemlidir.
• Açıklanabilirlik: İçgörüler, doğal dil açıklamaları ile birlikte gelir. Bu özetler, verilerin ne gösterdiğini ve neden önemli olduğunu iş terimleriyle açıklar, karmaşık bulguları geniş bir kitle için eyleme dönüştürülebilir bir anlayışa çevirir.

Bu kombinasyon, birleşik bir semantic görünüm oluşturarak bölünmeleri köprüler ve şeffaflık ve açıklanabilirlik yoluyla güven oluşturur.

Düzenlenen sektörlerde, özellikle veri kökeninin kritik olduğu durumlarda, sisteminiz nasıl şeffaflık sağlar?

AI destekli içgörüler için şeffaflık mutlak bir gerekliliktir, özellikle düzenlenmiş sektörlerde denetim ve savunulabilirlik çok önemlidir. Yaklaşımımız, üç ana boyutta şeffaflık sağlar:

• Veri Kökeni: Bu temel. Easy Answers, uçtan uca veri kökeni izleme sağlar. Her bir içgörü, görselleştirme veya sayı, tüm yaşam döngüsü boyunca – orijinal veri kaynaklarından, birleştirme, dönüşüm, filtreleme veya toplama işlemlerinden – geri izlenebilir, böylece düzenleyiciler için gerekli olan verifiable veri kökeni sağlanır.
• Yöntem Açıklığı: “Kara kutu” sorununu önleriz. Analitik veya ML modelleri kullanıldığında (örneğin, Quick Insights aracılığıyla), platform, kullanılan yöntemi, parametreleri ve ilgili değerlendirme ölçütlerini net bir şekilde belgeler. Bu, “nasıl” sorusunun cevabının “ne” sorusunun cevabı kadar şeffaf olmasını sağlar.
• Doğal Dil Açıklaması: Teknik çıktıları iş bağlamına çevirir. Her bir içgörü, bulguların, önemlerinin ve potansiyel sınırlarının açıklamasını yapan basit dilli açıklamalarla birlikte gelir, böylece tüm paydaşlar, özellikle uyum görevlileri ve denetçiler için netlik sağlar.

Ayrıca, belirli uyum gereksinimleri olan sektörler için rol tabanlı erişim kontrolleri, belirli eylemler veya raporlar için onay iş akışları ve kullanıcı faaliyetleri ve sistem işlemlerini izleyen kapsamlı denetim günlükleri gibi ek yönetim özellikleri entegre ediyoruz. Bu çok katmanlı yaklaşım, içgörülerin doğru, şeffaf, açıklanabilir ve savunulabilir olmasını sağlar.

App Orchid, AI tarafından üretilen içgörülerden eyleme geçiş için Generative Actions gibi özellikler nasıl kullanıyor?

İçgörüler üretmek değerli, ancak asıl hedef, iş sonuçlarını elde etmektir. Doğru veri ve bağlamla, bir agentic ekosistem, keşiften eyleme köprü oluşturabilir ve analitiği pasif bir raporlama işlevinden aktif bir iyileştirme sürücüsüne dönüştürebilir.

İşte nasıl çalışır: Easy Answers platformu, analiz yoluyla önemli bir model, trend, anomalilik veya fırsatı tanımladığında, bağlam içinde ilgili eylemleri önermek için AI kullanır.

Bunlar belirsiz öneriler değil, somut öneriler. Örneğin, sadece yüksek riskli müşterileri işaretlemek yerine, farklı segmentlere yönelik özel müşteri tutma tekliflerini önerir, beklenen etki veya ROI’yi hesaplayabilir ve hatta iletişim şablonlarını oluşturabilir. Önerilen eylemler, iş kuralları, kısıtlamalar, histórik veri ve hedefleri dikkate alır.

Kritik olarak, bu, insan denetimini korur. Önerilen eylemler, ilgili kullanıcılara inceleme, değişiklik, onay veya reddetme için sunulur. Bu, iş yargısının karar alma sürecinde merkezi olmasını sağlar, AI ise fırsatları tanıma ve olası yanıtları formüle etme açısından ağır yükü taşır.

Onaylandıktan sonra, işlemin sorunsuz bir şekilde yürütülmesi için operasyonel sistemlerle entegrasyonlar aracılığıyla agentic bir akışı tetikleyebiliriz. Bu, bir CRM’de iş akışını tetiklemek, bir ERP sistemindeki tahmini güncellemek, hedefli bir pazarlama görevini başlatmak veya başka bir ilgili iş sürecini başlatmak olabilir – böylece içgörülerden doğrudan sonuca kadar köprü oluşturur.

Bilgi grafikleri ve semantic veri modelleri platformunuzun başarısında nasıl merkezi bir role sahiptir?

Bilgi grafikleri ve semantic veri modelleri, Easy Answers platformunun temelidir; bunları, geleneksel BI araçlarının genellikle veri olarak gördüğü yapılandırılmış ve yapılandırılmamış verilerin ötesine taşıyor. Platformumuz, şirket verisi üzerinde akıllı bir semantic katman oluşturmak için bunları kullanıyor.

Bu semantic temel, birkaç nedenlerle başarımızın merkezinde yer alıyor:

• Doğal Dil Etkileşimini Etkinleştirir: MSO’lar, özellikler ve tanımlı ilişkilerle yapılandırılmış olan semantic model, bir “Rosetta Stone” gibi davranır. İş dili ve iş terminolojisinin nüanslarını, verilerin alınması için gereken precisa sorgulara çevirir, böylece kullanıcıların şema hakkında bilgi sahibi olmadan doğal olarak soru sormalarına olanak tanır.
• Kritik İş Bağlamını Korur: Basit ilişkisel birleştirmelerin aksine, bilgi grafiğimiz, iş varlıkları arasındaki zengin, karmaşık ilişki ağını açık bir şekilde yakalar. Bu, iş operasyonlarını yansıtan daha derin ve daha bağlamsal analizlere olanak tanır.
• Uyarlama ve Ölçeklenebilirlik Sağlar: Semantic modeller, esneklik açısından katı şemalardan daha esnektir. İş gereksinimleri değiştikçe veya yeni veri kaynakları eklendikçe, bilgi grafiği artan bir şekilde değiştirilebilir ve güncellenebilir, böylece tutarlılığı korurken değişime uyum sağlar.

Easy Answers’ın yaptığı her şeyin temelini oluşturan bu derin veri bağlamı, temel Q&A’dan gelişmiş desen algılama ve Quick Insights’a kadar her şey için kritiktir ve gelecekteki agentic AI yetenekleri için de temel oluşturur, böylece ajanların verilere anlamlı bir şekilde akıl yürütebilmelerini sağlar.

Temel modelleri destekleyin ve organizasyonların kendi AI/ML modellerini iş akışına nasıl entegre edebildiklerini açıklayın.

Açık ve esnek bir yaklaşım benimseriz, AI’ın hızlı evrimini tanır ve organizasyonların mevcut yatırımlarına saygı duyarız.

Temel modeller için, çeşitli sağlayıcıların önde gelen seçenekleriyle entegrasyonlar sürdürüyoruz – Google’ın Gemini ailesi, OpenAI’ın GPT modelleri ve önde gelen açık kaynaklı alternatifler gibi. Bu, organizasyonların performans, maliyet, yönetim veya özel yetenek gereksinimlerine en uygun modelleri seçmelerine olanak tanır. Bu modeller, platformun çeşitli özelliklerini güçlendirir – doğal dil anlama, SQL oluşturma, içgörü özetleme ve meta veri oluşturma gibi.

Ayrıca, organizasyonların kendi özel AI/ML modellerini Easy Answers iş akışına entegre etmeleri için güçlü yollar sunuyoruz:

• Python’da geliştirilen modeller, genellikle AI Motorumuz aracılığıyla doğrudan entegre edilebilir.
• Google Vertex AI ve Amazon (AMZN ) SageMaker gibi büyük bulut ML platformlarıyla sorunsuz entegrasyon yetenekleri sunuyoruz, böylece orada eğitilen ve barındırılan modeller çağrılabilir.

Kritik olarak, semantic katmanımız, bu potansiyel olarak karmaşık özel modelleri, iş kullanıcılarının tanıdık iş terimleriyle etkileşime girebildiği bir şekilde erişilebilir kılar – teknik veri bilimini platform işler.

Gelecekte, özellikle ajan pazarları ve kod içermeyen ajan tasarımı açısından, şirket AI’ının bir sonraki dalgasını şekillendirecek trendleri nasıl görüyorsunuz?

Şirket AI’ının bir sonraki dalgası, dinamik, bileşen ve işbirliği odaklı ekosistemlere doğru ilerliyor. Birkaç birleşen trend, bu değişimi sürüklüyor:

• Ajan Pazarları ve Kayıt Defterleri: Ajan pazarlarının, şirketlerin uzman ajanları dinamik olarak keşfedip entegre edebileceği bir “kiralama ve oluşturma” modeline doğru kayacağını görüyoruz.
• Standartlaştırılmış Ajan İletişimi: Bu ekosistemlerin işleyebilmesi için, ajanların ortak bir dili olması gerekiyor. Ajan-ağana iletişim protokollerinin standardizasyonu, bizim kullandığımız Model Context Protocol (MCP) gibi, veya Google’ın Agent2Agent protokolü gibi girişimler, ajanlar arasında sorunsuz işbirliğini, bağlam paylaşımını ve görev delegasyonunu ermögiliyor.
• Dinamik Orkestrasyon: Statik, önceden tanımlanmış iş akışları, dinamik orkestrasyona yol verecek. Akıllı orkestrasyon katmanları, belirli problem bağlamına göre çalışma zamanında ajanları seçecek, yapılandıracak ve koordine edecek, böylece daha uyumlu ve esnek sistemlere yol açacak.
• Kod İçermeyen/Low-Code Ajan Tasarımı: Democratization, ajan oluşturmayı da içerecek. Kod içermeyen ve low-code platformlar, iş uzmanlarının, sadece AI uzmanlarının değil, belirli domaine özgü bilgi ve iş mantığını kapsayan ajanlar tasarlamalarına ve oluşturmalarına olanak tanıyacak.

App Orchid’in rolü, bu gelecekte kritik bir semantic temel sağlamaktır. Bu dinamik ekosistemlerdeki ajanların etkili bir şekilde işbirliği yapabilmesi için, şirket verilerini anlamlandırabilmeleri gerekir. Bilgi grafiğimiz ve semantic katmanımız, ajanların veri anlamlarına dayalı olarak akıl yürütebilmeleri için gereken bağlamı sağlar.

Agentic AI’nın demokratikleştirilmesi yoluyla karar zekasının gelecekte CTO rolünün evrimini nasıl görüyorsunuz?

Agentic AI’nın karar zekasını demokratikleştirmesi, CTO rolünü temel olarak yükseltiyor. Bu, teknoloji altyapısının bir yöneticisinden, organizasyonel zekanın stratejik bir orkestratörüne doğru bir geçiş anlamına geliyor.

Ana evrimler arasında:

• Sistem Yöneticisinden Ekosistem Mimarına: Odak, izole uygulamaları yönetmekten, dinamik olarak etkileşen ajanlar, veri kaynakları ve analitik yeteneklerin ekosistemlerini tasarlamak, küratörlük yapmak ve yönetmek yönünde değişiyor.
• Veri Stratejisi Temel İş Stratejisi: Verilerin sadece mevcut değil, aynı zamanda anlamlı, güvenilir ve erişilebilir olması, kritik hale geliyor. CTO, şirket genelinde zeki sistemleri güçlendirerek, bilgi grafiği temelini inşa etmede merkezi bir rol oynayacak.
• Yönetişim Paradigmaları: Agentic AI için yeni yönetim modelleri gerekli olacak – ajan güveni, güvenlik, etik AI kullanımı, otomatik kararların denetimi ve ajan işbirliği içindeki ortaya çıkan davranışları yönetme.
• Uyarlama: CTO, organizasyonun teknik ve operasyonel dokusunda uyarlama yerleştirilmesinde kritik bir rol oynayacak, böylece AI tarafından üretilen içgörüler, hızlı tepkilere ve sürekli öğrenmeye yol açar.
• İnsan-AI İşbirliği: Bir başka önemli аспект, insanların ve AI ajanlarının birbirlerini güçlendirerek çalıştığı bir kültürü ve sistemleri teşvik etmek olacaktır.

Sonuç olarak, CTO, IT maliyetlerini yönetmekten, organizasyonun “zeka potansiyelini” maksimuma çıkarmaya doğru bir değişim geçiriyor. Bu, gerçek bir stratejik ortak olmak, tüm işletmeyi giderek daha karmaşık bir dünyada daha zeki ve uyumlu bir şekilde çalışmasını sağlamak yönünde bir değişimdir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular App Orchid sitesini ziyaret edebilir.