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

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

Platform, gerçek zamanlı girdiler ve personel bilgisini içeren yapılandırılmış ve yapılandırılmamış verileri, stratejik ve operasyonel kararları destekleyen öngörülü bir veri dokusu haline getirir. Büyük Veri teknolojisini ve kullanıcı dostu bir arayüzü birleştiren App Orchid, hızlı dağıtım, düşük maliyetli uygulama ve mevcut sistemlere minimal müdahale yoluyla AI benimsemesini basitleştirir.

Büyük resimden başlayalım—sizce “ajantik AI” ne anlama geliyor ve geleneksel AI sistemlerinden nasıl farklı?

Ajantik AI, geleneksel AI sistemlerinin statik yürütmesinden dinamik orkestrasyona doğru temel bir değişimi temsil ediyor. Bana göre, bu, esnek, özelleştirilebilir sorun çözücülere doğru hareket etmek demektir—bu sorun çözücüler neden sonuç ilişkisi kurabilir, planlayabilir ve işbirliği yapabilir.

Ajantik AI’yi gerçekten ayıran şey, bilgi ve uzmanlığın dağıtılmış doğasını kullanma yeteneğidir. Geleneksel AI genellikle sabit sınırlar içinde çalışır ve önceden belirlenmiş yolları takip eder. Ajantik sistemler ise karmaşık görevleri parçalayabilir, alt görevler için uygun uzman ajantları tanımlayabilir—potansiyel olarak ajant kayıtlarından keşfedebilir ve bunları bir çözüm sentezlemek için etkileşimlerini orkestre edebilir. Ajant kayıtları kavramı, işletmelerin her AI işlevini dahili olarak oluşturmak veya satın almak yerine, uzmanlıkları ihtiyaç duydukça “kiralayabilmesini” sağlar—insan uzman ekiplerinin nasıl oluşturulduğuna benzer bir şekilde.

Bu nedenle, tek başına sistemler yerine, uzman ajantların dinamik olarak oluşturulabileceği ve koordine edilebileceği ekosistemler oluşturmak gelecekte yer alıyor—bir proje yöneticisinin bir ekibi yönetmesi gibi—karmaşık ve gelişen işletme zorluklarını etkili bir şekilde ele almak için.

Google Agentspace, işletmeler genelinde ajantik AI benimsemesini nasıl hızlandırıyor ve App Orchid bu ekosistemdeki rolü nedir?

Google Agentspace, işletme AI benimsemesi için önemli bir hızlandırıcıdır. Akıllı ajantları çeşitli iş uygulamalarına bağlayan ve Gemini gibi güçlü arama ve modelleri kullanan birleşik bir temel sunarak, şirketler bilgi parçalarını eyleme dönüştürülebilir zeka haline getirebilir.

App Orchid, bu ekosistemde kritik bir anlamsal etkinleştirme katmanı olarak işlev görür. Agentspace ajant altyapısı ve orkestrasyon çerçevesini sağlarken, Easy Answers platformumuz ajantların etkili bir şekilde çalışması için karmaşık verilerin anlaşılabilir ve erişilebilir olması gereken kritik işletme zorluğunu ele alır. İşletme bağlamı ve ilişkileriyle birlikte zengin bilgi grafikleri oluşturmak için ontoloji sürücülü bir yaklaşım kullanır—ajantların anlamak için ihtiyaç duyduğu tam olarak bu anlama gelir.

Bu, güçlü bir sinerji yaratır: Agentspace güçlü ajant altyapısı ve orkestrasyon yetenekleri sunarken, App Orchid ajantların etkili bir şekilde çalışması için gerekli olan karmaşık işletme verilerinin derin anlamsal anlayışını sağlar. Google Cloud Cortex Framework ile işbirliğimiz, müşterilerin veri hazırlama süresini önemli ölçüde azaltmasına (yüzde 85’e kadar) yardımcı olurken, platformumuzun endüstri lideri 99.8% metin-sql doğruluğunu doğal dil sorgulama için kullanmalarına olanak tanır. Birlikte, işletmelere gerçekten iş dili ve veri inceliklerini kavrayan ajantik AI çözümleri dağıtmalarına yardımcı oluruz, böylece zamanı değerlendirmeyi hızlandırırız.

Şirketler ajantik AI’yi benimserken karşılaştıkları gerçek dünya engelleri nelerdir ve App Orchid bu engelleri nasıl aşmalarına yardımcı olur?

Gördüğümüz ilk engeller, veri kalitesi, güvenlik standartlarının evrimi—özellikle ajant-ağant güvenliğini sağlamak—ve işletme bilgisi ve ajant yeteneklerinin dağıtılmış doğasını yönetme zorluğu etrafında döner.

Veri kalitesi, ajantik AI’nin temel taşıdır—herhangi bir AI gibi, kötü veri kalitesi kötü çıktılara yol açar. App Orchid, bu temel sorunu, farklı veri kaynaklarını bağlarken ve iş kullanıcılarının veri anlamlarını en iyi şekilde anlamalarına yardımcı olan benzersiz crowdsourcing özellikleriyle ele alır. Bu, güvenilirliği önemli ölçüde artırır.

Güvenlik, özellikle ajant-ağant iletişimi iç ve dış sistemleri kapsayabileceğinden, başka bir kritik engel oluşturur. Ajant-ağant güvenliğini ve gerekli etkileşimi bozmadan governance’ı sağlamak için güçlü mekanizmalar oluşturmak önemlidir. Platformumuz, bu dinamik etkileşimler için tasarlanmış güvenlik çerçevelerini uygulamaya odaklanır.

Son olarak, dağıtılmış bilgi ve yetenekleri etkili bir şekilde kullanmak, gelişmiş orkestrasyonu gerektirir. App Orchid, Model Context Protocol (MCP) gibi kavramları kullanır—bu, ajant kayıtlarından bağlamsal ihtiyaçlara göre uzman ajantların dinamik olarak kaynaklanmasını sağlar. Bu, esnek ve uyumlu iş akışlarını rather than katı, önceden tanımlanmış süreçleri sağlar. Bu yaklaşım, ajant iletişimini standartlaştırmak için tasarlanan Google’ın Agent2Agent protokolü gibi ortaya çıkan standartlarla uyumludur. Ajant-ağant güvenliği, veri kalitesi ve orkestrasyon gibi bu engelleri ele alarak, işletmelere güvenilebilir ve etkili ajantik AI çözümleri oluşturmalarına yardımcı oluruz.

Kullanıcıların doğal dil sorgularından başlayarak Easy Answers™ nasıl çalışır ve nasıl içgörüler oluşturur?

Easy Answers, kullanıcıların işletme verisiyle etkileşime girme şeklini değiştirir ve karmaşık analizi doğal dil aracılığıyla erişilebilir hale getirir. İşte nasıl çalışır:

• Bağlantı: İşletmenin veri kaynaklarına bağlanarak başlar—200’den fazla ortak veritabanı ve sistemi destekler. Bu, genellikle veri hareketi veya kopyalaması gerektirmeden, verilerin bulunduğu yerde güvenli bir şekilde bağlanmayı içerir.
• Ontoloji Oluşturma: Platform, bağlı verilerin otomatik analizini gerçekleştirir ve kapsamlı bir bilgi grafiği oluşturur. Bu, verilerin iş odaklı varlıklar (MSO’lar) ve ilişkileri olarak yapılandırılmasını sağlar.
• Meta Veri Zenginleştirme: Bu ontoloji, meta verilerle zenginleştirilir. Kullanıcılar üst düzey açıklamalar sağlar ve AI, her MSO ve öznitelikleri (alanlar) için ayrıntılı açıklamalar oluşturur. Bu birleşik meta veri, verilerin anlamı ve yapısı hakkında derin bir bağlam sağlar.
• Doğal Dil Sorgusu: Kullanıcı, “Batı bölgesindeki X ürünü satış eğilimlerini geçen çeyreğe kıyasla gösterin” gibi bir soru sorar.
• Yorumlama ve SQL Oluşturma: NLP motorumuz, bilgi grafiğindeki zengin meta veriyi kullanarak kullanıcının amacını anlar, ilgili MSO’ları ve ilişkileri tanımlar ve soruyu kesin veri sorgularına (SQL gibi) çevirir. Burada endüstri lideri 99.8% metin-sql doğruluğunu elde ederiz.
• İçgörü Oluşturma (Kürasyonlar): Sistem veriyi alır ve cevabı görsel olarak sunmanın en etkili yolunu belirler. Platformumuzda bu etkileşimli görselleştirmeler ‘kürasyonlar’ olarak adlandırılır. Kullanıcılar bunları otomatik olarak oluşturabilir veya belirli gereksinimlere veya standartlara uygun olarak önceden yapılandırabilir.
• Daha Derin Analiz (Hızlı İçgörüler): Daha karmaşık sorular veya proaktif keşif için, kullanıcılar platformun birlikte gönderilen ML algoritmalarını kolayca belirli veri alanlarına uygulayarak, desenleri otomatik olarak tespit edebilir, anomalileri tanımlayabilir veya hipotezleri doğrulayabilir—bunu yapmak için veri bilimci uzmanlığına gerek kalmaz.

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

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

Veri siloları, büyük işletmelerde önemli bir engel oluşturur. Easy Answers, bu temel zorluğu benzersiz anlamsal katman yaklaşımıyla ele alır.

Fiziksel veri birleştirmenin maliyetli ve karmaşık olması yerine, sanal bir anlamsal katman oluştururuz. Platformumuz, çeşitli veri kaynaklarına bağlanarak birleşik bir mantıksal görünüm oluşturur. Bu katman, bilgi grafiğimizle güçlendirilir—verileri İşletme Anlamsal Nesnelerine (MSO’lar) haritalar, ilişkilerini tanımlar ve bağlamsal meta verilerle zenginleştirir. Bu, hem insanlar hem de AI için anlaşılabilir ortak bir iş dili oluşturur, teknik veri yapıları (tablo, sütun) ile iş anlamlarını (müşteriler, ürünler, satışlar) etkili bir şekilde köprüler, verilerin fiziksel olarak nerede yaşadığına bakılmaksızın.

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

• İzlenebilirlik: Kapsamlı veri kökenini izleme sağlar. Kullanıcılar, herhangi bir kürasyondan veya içgörülerden kaynak verilere, tüm uygulanan dönüşümleri, filtreleri ve hesaplamaları görüntüleyerek 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 neler gösterdiğini ve neden önemli olduğunu iş terimleriyle açıklar, karmaşık bulguları geniş bir kitle için eyleme dönüştürülebilir anlayışa çevirir.

Bu kombinasyon, siloları köprüleyerek birleşik bir anlamsal görünüm oluşturur ve şeffaflık ve açıklanabilirlik yoluyla güven oluşturur.

Sisteminiz, özellikle düzenlenmiş endüstrilerde veri kökeninin kritik olduğu durumlarda, içgörülerde şeffaflığı nasıl sağlar?

Şeffaflık, özellikle düzenlenmiş endüstrilerde denetim ve savunulabilirlik için hayati önem taşıyan AI destekli içgörüler için mutlak bir gerekliliktir. Yaklaşımımız, üç temel boyutta şeffaflık sağlar:

• Veri Kökeni: Bu, temeldir. Daha önce de belirttiğimiz gibi, Easy Answers uçtan uca veri kökenini izleme sağlar. Her içgörü, görselleştirme veya sayı, tüm yaşam döngüsü boyunca—orijinal veri kaynaklarından, uygulanan birleştirmelere, dönüşümlere, toplamlara veya filtrelemelere kadar—kesinlikle izlenebilir veri kökenine sahiptir—düzenleyiciler tarafından gereken kanıtlanabilir veri kökenini sağlar.
• Yöntem Görünürlüğü: ‘Kara kutu’ sorununu önleriz. Analitik veya ML modelleri kullanıldığında (örneğin, Quick Insights ile), platform kullanılan metodolojiyi, parametreleri ve ilgili değerlendirme ölçütlerini net bir şekilde belgeler. Bu, ‘nasıl’nin ‘ne’ kadar şeffaf olmasını sağlar.
• Doğal Dil Açıklaması: Teknik çıktıları iş bağlamına çevirme kritiktir. Her içgörü, bulguların, önemlerinin ve potansiyel sınırlamalarının iş terimleriyle açıklamalarıyla birlikte gelir, tüm paydaşlar için—uygunluk görevlileri ve denetçiler de dahil—açıklık sağlar.

Ayrıca, belirli uyumluluk ihtiyaçlarına sahip endüstriler 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 governance özellikleri entegre ederiz. Bu çok katmanlı yaklaşım, içgörülerin doğru, tam şeffaf, açıklanabilir ve savunulabilir olmasını sağlar.

App Orchid, Generative Actions gibi özelliklerle AI tarafından üretilen içgörülerden eylemlere nasıl geçiş yapıyor?

İçgörüler üretmek değerli olsa da, gerçek hedef iş sonuçlarını sürmektedir. Doğru veri ve bağlam ile ajantik bir ekosistem, içgörü keşfinin ve somut eylemin kritik boşluğunu köprüleyebilir, analitiği pasif bir raporlama işlevinden aktif bir iyileştirme sürücüsüne dönüştürebilir.

İşte nasıl çalışır: Easy Answers platformu, analizinin bir parçası olarak önemli bir model, eğilim, anomali veya fırsatı tanımladığında, cevaba uygun específik eylemleri önermek için AI’yi kullanır.

Bu, belirsiz öneriler değildir; somut önerilerdir. Örneğin, sadece yüksek riskli müşterileri işaretlemek yerine, farklı segmentlere yönelik özel retansiyon teklifleri önerebilir, beklenen etki veya ROI’yi hesaplayabilir ve hatta iletişim şablonları oluşturabilir. Önerilen eylemler oluştururken, sistem iş kurallarını, kısıtlamaları, histórik verileri ve hedefleri dikkate alır.

Kritik olarak, bu, insan yargısının merkezinde kalmasını sağlar. Önerilen eylemler, inceleme, değişiklik, onay veya reddedilmesi için uygun kullanıcılara sunulur. Bu, karar alma sürecinde iş yargısının merkezi kalmasını sağlar, AI ise ağır lifting—fırsatları tanıma ve potansiyel yanıtları formüle etme—ile ilgilenir.

Onaylanan bir eylemden sonra, ajantik bir akış için işletme sistemleriyle sorunsuz entegrasyon sağlayarak eylemi gerçekleştirebiliriz. Bu, bir CRM’de bir iş akışını tetiklemek, bir ERP sistemindeki bir tahmini güncellemek, hedefli bir pazarlama görevini başlatmak veya başka bir ilgili işletme sürecini başlatmak olabilir—bu, içgörülerden doğrudan sonuca giden döngüyü tamamlar.

Bilgi grafikleri ve anlamsal veri modelleri platformunuzun başarısında nasıl merkezi bir rol oynamaktadır?

Bilgi grafikleri ve anlamsal veri modelleri, Easy Answers platformunun temelini oluşturur; bu, geleneksel BI araçlarının genellikle veri olarak işlediğinden daha öteye geçer—bağlamsal iş anlamından yoksun olan tablo ve sütunlar. Platformumuz, işletme verisi üzerinde akıllı bir anlamsal katman oluşturmak için bunları kullanır.

Bu anlamsal temel, birkaç temel nedenle başarımızın merkezinde yer alır:

• Doğal Dil Etkileşimini Etkinleştirir: Anlamsal model, Managed Semantic Objects (MSO’lar), özellikler ve tanımlı ilişkiler olarak yapılandırılmış bir bilgi grafiği olarak işlev görür—insan dilinin nüanslarını ve iş terminolojisini, verilere erişmek için gereken kesin sorgulara (SQL gibi) çevirir. Bu, yüksek metin-sql doğruluğumuzun anahtarıdır.
• Kritik İş Bağlamını Korur: Basit ilişkisel birleştirmelerin ötesine geçer. Bilgi grafiğimiz, iş varlıkları arasındaki zengin, karmaşık ilişki ağını—örneğin, müşterilerin ürünlerle nasıl etkileşime girdiğini, destek biletleri ve satın alma emirleri aracılığıyla—açık bir şekilde yakalar. Bu, işletmenin nasıl çalıştığına ilişkin daha derin, daha bağlamsal analizlere olanak tanır.
• Uyarlama ve Ölçeklenebilirlik Sağlar: Anlamsal modeller, esneklik açısından katı şemalardan daha esnektir. İşletme ihtiyaçları değişip yeni veri kaynakları eklendiğinde, bilgi grafiği artımlı olarak genişletilebilir ve değiştirilebilir—tutarlılığı korurken değişime uyum sağlar.

Easy Answers’ın yaptığı her şeyin temelinde, temel Q&A’dan gelişmiş desen tespiti ve Quick Insights’a kadar, derin veri bağlamı anlayışını sağlayan bu anlamsal katman yer alır. Ajantik AI yeteneklerimizin gelecekteki temelini oluşturur, böylece ajantların verilere anlamlı bir şekilde neden sonuç ilişkisi kurup eylemde bulunmalarını sağlar.

Temel modelleri desteklediğiniz ve organizasyonların kendi AI/ML modellerini iş akışına nasıl entegre edebildiklerini anlatın.

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

Temel modeller için, çeşitli sağlayıcıların önde gelen seçenekleriyle entegrasyonları koruruz—bu, Google’ın Gemini ailesi, OpenAI’nin GPT modelleri ve önde gelen açık kaynaklı alternatifler gibi modelleri içerir. Bu, organizasyonların performans, maliyet, governance veya özel yetenek ihtiyaçlarına en uygun modelleri seçmelerine olanak tanır. Bu modeller, doğal dil anlama, SQL oluşturma, içgörülerin özeti ve meta veri oluşturma gibi çeşitli platform özelliklerini güçlendirir.

Bunların ötesinde, organizasyonların kendi özel AI/ML modellerini Easy Answers iş akışına entegre etmeleri için güçlü yollar sunar:

• Python’da geliştirilen modeller genellikle AI Motorumuz aracılığıyla doğrudan entegre edilebilir.
• Google Vertex AI ve Amazon SageMaker gibi büyük bulut ML platformlarıyla sorunsuz entegrasyon yetenekleri sunar—burada eğitilen ve barındırılan modeller çağrılabilir.

Kritik olarak, anlamsal katmanımız, bu potansiyel olarak karmaşık özel modelleri iş terimleriyle etkileşime girerek erişilebilir kılmada kilit bir rol oynar. Model girdilerini ve çıktılarını bilgi grafiğimizde tanımlanan iş kavramlarına bağlayarak, teknik veri biliminden anlamak zorunda kalmadan gelişmiş öngörüler ve sınıflandırma modellerini kullanmalarını sağlar. Bu, gelişmiş AI/ML yeteneklerine erişimi gerçekten demokratikleştirir.

Önümüzdeki döneme bakıldığında, ajant pazarları ve kod içermeyen ajant tasarımı açısından işletme AI’sinin bir sonraki dalgasını şekillendirecek trendleri nelerdir?

İşletme AI’sinin bir sonraki dalgası, son derece dinamik, bileşen ve işbirlikçi ekosistemlere doğru ilerliyor. Birkaç birleşen trend bu yönelimi sürüklüyor:

• Ajant Pazarları ve Kayıtları: Ajant pazarlarının ve iç kayıtların, şirketlerin uzman ajantları dinamik olarak keşfedip entegre etmelerine olanak tanıyarak, ajantik AI benimsemesini hızlandırması beklenmektedir. Bu, monolitik inşaattan ‘kiralama ve bileşenlere ayırma’ modeline doğru bir kayma anlamına gelir, böylece şirketler ihtiyaç duydukları özel yeteneklere sahip ajantları daha hızlı bir şekilde dağıtabilir.
• Standardize Ajant İletişimi: Bu ekosistemlerin işleyebilmesi için ajantlara ortak diller gerekir. Ajant-ağant iletişim protokolleri, Model Context Protocol (MCP) gibi standardized—biz de kullanıyoruz—ve Google’ın Agent2Agent protokolü gibi girişimler, farklı sağlayıcılar tarafından oluşturulan ajantlar arasında sorunsuz işbirliği, bağlam paylaşımı ve görev delegationını ermöglichtir.
• Dinamik Orkestrasyon: Statik, önceden tanımlanmış iş akışları, dinamik orkestrasyona yol verecektir. Akıllı orkestrasyon katmanları, belirli problem bağlamına bağlı olarak çalışma zamanında ajantları seçer, yapılandırır ve koordine eder, böylece çok daha esnek ve dayanıklı sistemler oluşturur.
• Kod İçermeyen/Az Kodlu Ajant Tasarımı: Demokratikleşme, ajant oluşturmayı da içerecek. Kod içermeyen ve az kodlu platformlar, iş uzmanlarının, sadece AI uzmanlarının değil, belirli domaine özgü bilgi ve işletme mantığını kapsayan ajantlar tasarlamasına ve oluşturmasına olanak tanıyacak. Bu, uzman yetenek havuzunu daha da zenginleştirecek.

App Orchid’in rolü, bu gelecekte kritik anlamsal temel sağlamaktır. Bu dinamik ekosistemlerdeki ajantların etkili bir şekilde işbirliği yapması ve anlamlı görevleri yerine getirmesi için, işletme verilerini anlamaları gerekir. Bilgi grafiğimiz ve anlamsal katmanımız, ajantların verilere anlamlı bir şekilde neden sonuç ilişkisi kurup eylemde bulunmalarını sağlar, böylece ajantik AI’nin gelecekteki temelini oluşturur.

CTO rolünün, karar zekasının ajantik AI ile demokratikleştirildiği bir gelecekte nasıl evrileceğini öngörüyorsunuz?

Karar zekasının ajantik AI ile demokratikleştirilmesi, CTO rolünü temel olarak değiştirir. Bu, teknoloji altyapısının bir yöneticisinden, kurumsal zekanın stratejik bir orkestratörüne doğru bir geçiş anlamına gelir.

Ana evrimler şunları içerir:

• Sistem Yöneticisi olarak Ekosistem Mimarısı: Odak, ayrı uygulamaları yönetmekten, dinamik olarak etkileşen ajantlar, veri kaynakları ve analitik yeteneklerin ekosistemlerini tasarlamak, kürasyon yapmak ve yönetmek olarak değişir. Bu, ajant pazarları ve kayıtlarını etkili bir şekilde kullanmayı içerir.
• Veri Stratejisi olarak Temel İş Stratejisi: Verilerin sadece mevcut değil, aynı zamanda anlamsal olarak zengin, güvenilir ve erişilebilir olması sağlanır. CTO, ajantik AI sistemleri boyunca işletmeyi güçlendiren bilgi grafiği temelini oluşturmada merkezi bir role sahip olacaktır.
• Yönetişim Paradigmaları: Ajantik AI için yeni yönetişim modelleri gerekli olacaktır—ajant güvenliği, güvenlik, etik AI kullanımı, otomatik kararların denetimi ve ajant işbirliklerinin ortaya çıkan davranışlarının yönetimi gibi konuları ele alacaktır.
• Uyarlama: CTO, teknik ve operasyonel dokuda adaptasyonu yerleştirmekte kritik olacaktır, böylece AI destekli içgörüler hızlı tepkilere ve sürekli öğrenmeye yol açar.
• İnsan-AI İşbirliği: Bir başka önemli yön, insanların ve AI ajantlarının birbirlerini tamamlayıcı şekilde çalıştığı bir kültür ve sistemler tasarlamak olacaktır.

Sonuç olarak, CTO, IT maliyetlerini yönetmekten, işletmenin ‘zeka potansiyelini’ en üst düzeye çıkarmaya odaklanır—böylece tüm işletme daha akıllı ve adaptif bir şekilde çalışır.