Shanea Leven, Empromptu AI’nin Kurucusu ve CEO’su – Röportaj Serisi

Shanea Leven, Empromptu AI’nin Kurucusu ve CEO’su, büyük teknoloji şirketlerinde geliştirici platformları ve AI destekli ürünleri oluşturmak konusunda geniş deneyime sahip bir ürün lideridir. Empromptu’yu 2025 yılında kurmadan önce, CodeSee’yi kurdu, bu bir AI geliştirici platformudur ve komplex kod tabanlarını görselleştirmeye ve anlamaya yardımcı olur, bu şirket 2024 yılında GitKraken tarafından satın alındı. Kariyerinin başlarında, Docker, Cloudflare, eBay ve Google (GOOGL ) gibi şirketlerde senior ürün liderliği rollerinde bulundu, burada Google Asistan ödeme API’lerinden yüz binlerce öğrenen tarafından kullanılan geliştirici eğitim programlarına kadar çeşitli girişimlerde çalıştı.

Empromptu AI şirketlere entegre AI uygulamalarını daha kolay bir şekilde oluşturup dağıtmalarına yardımcı olmak için tasarlanmış bir kurumsal platformdur. Platform, uygulama geliştirme, veri entegrasyonu, yönetim, değerlendirmeler, bellek ve model orkestrasyonunu tek bir ortamda birleştirir, böylece şirketler hızlı AI deneylerinden üretim sınıfı sistemlere, kurumsal kullanım için gereken kontroller ve güvenilirlik ile geçiş yapabilir.

Google, eBay, Cloudflare ve Docker gibi şirketlerde 15 yıldan fazla süre geliştirici platformları oluşturduktan sonra CodeSee’yi kurdunuz, bu daha sonra GitKraken tarafından satın alındı ve şimdi Empromptu AI’yi yönetiyorsunuz. Bu deneyimler, demo aşamasından sonra neden birçok AI aracının başarısız olduğuna ilişkin bakış açınızı nasıl şekillendirdi ve Empromptu’yu kurarken hangi özel sorunu çözmeye karar verdiniz?

Geliştirici platformları oluştururken öğrenilen şeylerden biri, en zor problemlerin demo aşamasında ortaya çıkmadığıdır. Demo her zaman çalışır. Gerçek test, binlerce geliştiricinin sisteme bağlandığı, verilerin karmaşık hale geldiği, entegrasyonların bozulduğu ve gerçek işletmelerin buna bağlı olduğu zaman ortaya çıkar.

Google, Cloudflare, Docker ve eBay’de küresel ölçekte çalışan platformlar üzerinde yıllarca çalıştım. Bu ortamlar size bir şeyi nhanh chóng öğretir: güvenilirlik, yönetim ve gözlemlenebilirlik, daha sonra eklenen özellikler değildir. Bunlar mimaridir.

AI uygulamaları oluşturmaya başladığım zaman, modeller kötüydü ve onlar iyileştikçe, endüstrinin daha önceki yazılım dalgalarındaki aynı hatayı tekrarladığını fark ettim. Geliştirici araçlarında unutulmuş gibi görünen bir kavram var. Hello world’e ulaşmak ne kadar hızlı? Bugün, hello world’in generatif versiyonu, đầy bir SaaS prototipidir. Ancak artık yalnızca SaaS uygulamalarını değil, tüm AI uygulamalarını vibe kodlarız. AI oluşturan bir AI, onu üretime koymak için diğer sistemlere ihtiyaç duyar.

Çalışan bir AI uygulaması veya özelliği hızlı bir şekilde oluşturabilirsiniz, bu heyecan verici ve gerçekten kullanışlıdır. Ancak baskın sistemler hala üretim ortamları için gereken altyapıyı eksik bırakmaktadır. Yapılandırılmış veri boru hatları, değerlendirme çerçeveleri, yönetim kontrolleri, izleme ve uzun vadeli bağlam yönetimi gibi şeyler göz ardı edildi, ancak biz bunları, vibe kodlamanın tüm harika kısımlarını korurken ekledik.

Empromptu’yu kurduğumuzda, çözmek istediğimiz problem basitti: AI uygulamalarını baştan itibaren üretim için hazır hale getirmek nasıl mümkün olabilir?

Yönetimi, veri hazırlığını, değerlendirmeyi ve optimizasyonu ayrı araçlar veya sonradan gelen süreçler olarak değil, platforma doğrudan entegre ettik. Fikir, ekiplerin AI uygulamalarını hızlı bir şekilde oluşturabilmesi, ancak aynı zamanda kurumsal yazılım sistemlerinden beklenen güvenilirlik, kalite ve kontrolü elde etmesidir.

AI demosu ile üretim için hazır sistemler arasındaki fark hakkında açık sözlü bir şekilde konuşuyorsunuz. AI prototipini güvenilir bir ürüne dönüştürmeye çalışan ekiplerin en sık yaptığı mimari hatalar nelerdir?

En yaygın hata, modelin ürünü olduğu varsayımıdır.

Erken prototiplerde, model görünür işin çoğunu yapar. Ona bir.prompt verirsiniz, bir cevap üretir ve cevap iyi görünürse, sistem çalışıyormuş gibi görünür. Bu, modeli geliştirmenin ana zorluğun olduğu izlenimini yaratır.

Ancak üretim sistemlerinde, model çok daha büyük bir mimarinin yalnızca bir bileşenidir.

İlk hata, veriyi sonradan düşünmektir. Prototiplerde, ekipler genellikle küçük, temiz veri kümeleriyle test eder. Sistem gerçek işletme verilerine bağlandığında, şeyler hızla değişir. Veri eksik, tutarsız, çoğaltılmış veya beklenmedik formatlarda gelir. Yapılandırılmış bir veri boru hattı olmadan, sistem güvenilir olmaz, model ne kadar iyi olursa olsun.

İkinci hata, değerlendirme çerçevelerinin olmamasıdır. Birçok ekip, AI özelliklerini “iyi”nin ne anlama geldiğini tanımlamadan başlatır. Geliştirme sırasında manuel olarak çıktı kontrolleri yapabilirler, ancak sistem canlı olduğunda sürekli olarak doğruluğu, kaymayı ve kenar durumlarını ölçen otomatik değerlendirme boru hatları oluşturmazlar. Bu korunanlar olmadan, başarısızlıklar genellikle mühendisler yerine müşteriler tarafından keşfedilir.

Üçüncü sorun, yönetim ve kontrol mekanizmalarının eksikliğidir. AI sistemleri olasılıksaldır, bu nedenle hafif farklı koşullar altında farklı davranabilirler. Düzenlenmiş veya yüksek riskli ortamlarda, bu öngörülemezlik, deterministik politikalar, onay işlemleri ve kararların nasıl alındığını kaydeden denetim günlükleriyle sınırlanmalıdır.

Bu aslında, üretim AI sistemlerinin yalnızca modeller olmadığı anlamına gelir. Bunlar operasyonel sistemlerdir.

Bugün AI ile başarılı olan şirketler, veri boru hatlarını, değerlendirmeyi, yönetimi ve izlemeyi core altyapı olarak değil, isteğe bağlı eklentiler olarak gören şirketler değildir.

AI kodlama platformları, basit promt’lerle bir uygulama oluşturabileceğinizi vaat ediyor. Ancak bu araçlar neden genellikle üretim ortamlarında çalışmaz?

Bu platformların çoğu, demo anına optimize edilmiştir, sistemlerin yaşam döngüsüne değil.

Ama bir AI uygulaması oluşturmak, bir landing sayfası oluşturmakla tamamen farklıdır.

Bir landing sayfası büyük ölçüde statik bir yazılımdır. Bir kez doğru bir şekilde renderlandağı zaman, iş büyük ölçüde biter. Sistem olasılıksal kararlar vermesi, sürekli değişen verileri alması veya öngörülemez kullanıcı davranışlarına uyum sağlaması gerekmez.

AI uygulamaları tamamen farklıdır. Bunlar, veri boru hatlarına, model davranışına, değerlendirme çerçevelerine ve sürekli izlemeye bağlı dinamik sistemlerdir. Uygulamanın bağlamı yönetmesi, çıktıların kaydığını tespit etmesi, kenar durumlarını işleme etmesi ve model daha önce görmediği durumlara karşı güvenli bir şekilde çalışması gerekir.

Çoğu prompt-tabanlı kodlama aracı, bu katmanları ele almaz, çünkü hızlı bir şekilde çalışır duruma getirmeye optimize edilmiştir. Kod üretirler, bu da bir demo ortamı için mükemmeldir. Ancak üretim sistemleri, yapılandırılmış veri işleme, yönetim kontrolleri, değerlendirme boru hatları, gözlemlenebilirlik ve davranışın güvenli bir şekilde güncellenmesine olanak sağlayan çok daha geniş bir yetenek kümesi gerektirir.

Bu nedenle, şirketler bu sistemleri gerçek ortamlarda dağıtmaya çalıştıklarında, uçurum açıkça görülür. Prototip, kontrol edilen bir ortamda çalışıyordu. Üretim karmaşıktır.

Empromptu, şirketlerin her şeyi sıfırdan yeniden inşa etmek zorunda kalmadan mevcut yazılımlarını AI-yerli sistemlere dönüştürmeye odaklanıyor. Bu dönüşüm, altyapı ve ürün düzeyinde neler içerir?

Ürün düzeyinde, her uygulama tam olarak self-contained ve konteynırlaşmıştır. Ön yüzler, arka yüzler, veritabanları, modeller, değerlendirmeler, llm’ler, kurallar ve her şey empresa’nın ihtiyaçlarına bağlı olarak çok esnektir.

AI uygulamaları için çeşitli seçeneklerimiz vardır:

“Headless” olarak, bir müşterinin zaten bir ön yüzü varsa, sistemi bağlayabilir ve verileri geri gönderebiliriz.

Tamamen konteynırlaşmıştır, böylece bunları altyapımıza veya müşterinin altyapısına dağıtabiliriz, böylece varsayılan olarak ön plana çıkar.

Ya da bunları doğrudan buluta dağıtabiliriz, bu da en uygun seçenektir.

Müşterilerin sahip olduğu herhangi bir kodu, doğrudan sistemimize aktarabilir ve ajanlaştırabiliriz, eğer zaten ajanlaştırilmamışsa. Örneğin, müşterilerin Lovable, Replit, Bolt veya Base44 gibi popüler platformlarda uygulamalarını oluşturmaya çalıştıklarını görüyoruz. Ancak bunlar genellikle çalışmıyor. Müşteriler bu uygulamaya çok zaman ve enerji harcamış ve krediler ayırmış olabilir, bu nedenle bunları alıyoruz, yeniden yazıyoruz ve AI’nin çalışmasını sağlıyoruz.

Bunu, uyarlanabilir bağlam motoru, sonsuz bellek, özel veri modelleri ve altın veri boru hatları gibi özel, özgün teknolojilerimiz sayesinde yapabiliyoruz.

Empromptu, bağlam, değerlendirme, yönetim ve yapılandırılmış veriyi AI sistemlerinin core bileşenleri olarak vurguluyor. Bu öğeler neden AI özelliklerini ürünlerine eklemeye çalışan ekipler tarafından sık sık göz ardı ediliyor?

Çünkü bunlar yapmak zor!

Ortak kurucum Dr. Sean Robinson, araştırma laboratuvarımızı yönetiyor ve bir dizi teknoloji icat etti, bunlar benim çılgın fikirlerimizden ilham alıyor, ancak aynı zamanda müşterilerimizin ihtiyaçlarından ve pazarın nereye gittiğinden. Birçok ajantif uygulamayı oluşturma, uyduyu uzaya yerleştirme ve dünyanın en büyük teknoloji şirketlerinde çalışma deneyimlerimiz, karmaşık problemleri diğerlerinden daha iyi çözmemize yardımcı oluyor.

AI uygulamaları oluşturmaya çalışan, daha önce kod yazmamış birçok kurucuya çalışıyorsunuz. Bu non-teknik kurucuların en büyük yanlış anlamaları nelerdir?

Sanırım iki büyük yanlış anlama vardır:

İlki, AI’nin sihir olduğu düşüncesidir. AI sihir değildir. İyi mühendisliktir. Ve sonunda, bu platformlarda gerçek bir mühendis olmadan ne kadar ilerleyebileceğiniz konusunda bir sınır vardır.

İkincisi, teknik ürün yönetimi becerilerine sahip olduklarıdır. Teknik ürün yönetiminde bir geçmişim var ve bir vizyonu, bazen çok büyük bir vizyonu, küçük, gönderilebilecek parçalara ve tam teknik spesifikasyona indirgeme yeteneği, tam olarak ne istediğinizi belirtmek için çok zor bir beceridir.

Örneğin, bir uygulamayı oluşturuyorsunuz ve bir PDF yükleyip daha sonra geri dönebileceğiniz şekilde kaydediyorsunuz. Bu, kalıcılık olarak bilinen bir kavramdır. Bu PDF, kod olarak kodlanır ve bir veritabanına kaydedilir.

Ama eğer bu kavramın “kalıcılık” olarak adlandırıldığını bilmiyorsanız, bunu nasıl yazabilirsiniz? Teknik kelime seçimi, farklı bir dil konuşmak gibidir. Doğal dilde yazmak ile teknik dilde yazmak arasında bir fark vardır.

Çok sayıda startup, AI ürünleri oluşturmak için daha fazla mühendis işe almanın çözüm olduğunu varsayar. Neden bu yaklaşım genellikle başarısız olur ve kurucular AI güçlendirilmiş ürünler oluştururken ne düşünebilirler?

Daha fazla mühendis işe almak bazen doğru cevaptır. Derin teknik bir ürün oluşturuyorsanız veya model araştırmasının ön saflarında çalışıyorsanız, güçlü mühendislik ekiplerine kesinlikle ihtiyacınız vardır. Zor problemleri çözmek için iyi mühendislerin yerine geçebilecek bir şey yoktur.

Ancak birçok startupın yaptığı hata, daha fazla mühendisin AI ürününü oluşturma zorluğunu otomatik olarak çözeceğini varsaymaktır.

Aslında, AI ürünlerinde en zor problemler genellikle salt mühendislik problemleri değildir. Bunlar sistem problemleridir, tıpkı diğer tüm mühendislik problemleri gibi. Mühendisler, sistemler hakkında düşünmeye öğretildiği için, AI uygulamaları, veri, ürün tasarımı, operasyonel iş akışları ve model davranışının kesişme noktasında yer alır. Bir AI sistemi, yalnızca mühendislerden oluşan harika bir ekibe sahip olmak, verilerin boru hatlarının güvenilir olmaması, değerlendirme kriterlerinin belirsiz olması veya sistemin yönetim ve izleme eksikliği varsa, ürün yine de mücadele edecektir.

Bir başka sorun, birçok ekibin, AI sisteminin üretim aşamasında nasıl davranacağını tanımlamadan önce inşa etmeye başlamasıdır. Sistem nasıl değerlendirilecek? Kenar durumları nasıl ele alınacak? Kararlar nasıl kaydedilecek? Modeller nasıl güncellenecek? Bu sorular genellikle daha sonra gelir ve o zaman mimari zaten değişmesi zor bir hale gelmiştir.

Kurucular gerçekten düşünmeleri gereken şey, AI sistemlerinin operasyonel modelidir.

Veri boru hattının sahibi kim?

Model performansı nasıl sürekli olarak ölçümlenir, yalnızca geliştirme sırasında değil?

Sistem daha önce görmediği bir durumla karşılaştığında ne olur?

Durumun akışını bozmadan güvenli bir şekilde nasıl davranışı güncellersiniz?

Bazen bu problemleri çözmenin anlamı daha fazla mühendis işe almaktır. Ancak bu, doğru altyapıyı seçmek, güçlü ürün kısıtlamaları tanımlamak ve küçük ekiplerin ölçeklenebilir bir şekilde güvenilir bir şekilde çalışmasına olanak sağlayan sistemler oluşturmak anlamına da gelebilir.

Bugün AI ile başarılı olan şirketler, en büyük mühendislik ekiplerine sahip olanlar değildir. AI’yi, veri disiplini, değerlendirme, yönetim ve sürekli iyileştirme ile birlikte, baştan itibaren bir sistem olarak ele alan şirketlerdir.

AI geliştirme araçlarının mevcut iş modelleri, dayanıklı ürünler oluşturmak için doğru teşvikleri sunmuyor gibi görünüyor. AI araçları ekosisteminde, şirketleri yanlış yöne sevk eden teşvikler nelerdir?

Şu anda en büyük teşvik uyumsuzluğu, birçok AI geliştirme aracının büyüme metriklerine göre optimize edilmesi, ürün dayanıklılığına göre değil.

Bu alanda birçok şirket, kullanıcıların bir şeyler oluşturabileceği hız için ödüllendirilir. Bir araç bir çalışma uygulaması, bir özellik veya bir demo oluşturabilirse, bu, kayıt oluşturur, sosyal paylaşım ve yatırımcı heyecanı yaratır. Ürün benimseme açısından bu mantıklıdır.

Ancak bu teşvikler genellikle oluşturma anında sona erer.

AI yazılımında daha zorlu iş, bu noktadan sonra başlar. İşte güven kurulur. Kalite güvenilir hale gelir. Kullanıcı, AI’nin kötü çıktısı nedeniyle hayal kırıklığına uğramadan tekrar tekrar geri gelmek ister.

Bir başka sorun, birçok aracın kod oluşturmaya göre sistem tasarımı için optimize edilmesidır. Kodu hızlı bir şekilde oluşturmak yardımcı olabilir, ancak bir AI ürününü oluşturmak, yalnızca kodu üretmekle ilgili değildir. Sistem nasıl bağlamı yönetir, nasıl kararlar verir, nasıl başarısızlıklarla başa çıkılır ve nasıl davranışı güvenli bir şekilde güncellenir, bunlar da dahil olmak üzere daha fazlasını içerir.

AI sistemlerini güvenilir bir şekilde çalıştırılmasına yardımcı olan müşterilere odaklanan teşviklere sahip şirketler, bu ekosistemde kalıcı değer yaratmaya devam edecektir.

Bazı müşterileriniz, sağlık araçları veya sürdürülebilirlik odaklı işler gibi çok özel ürünler oluşturan girişimcileri içeriyor. Bu kurucuların, fikirlerini çalışan AI ürünlerine dönüştürebilen desenleri nelerdir?

Gördüğümüz en ilginç desenlerden biri, başarılı olan kurucuların necesarı olarak en teknik olanlar olmadığıdır. Onlar, çözmeye çalıştıkları problemi çok iyi anlarlar.

Empromptu kullanan birçok girişimci, domaine uzmanlarıdır. Sağlık, finans, sürdürülebilirlik veya başka bir uzmanlık alanından gelebilirler. Getirdikleri şey, iş akışları, düzenlemeler ve kararların bu ortamda var olduğu konusunda derin bir bilgidir. Bu bağlam, AI ürününü tasarimlerken son derece değerlidır, çünkü sistemin ne yapması gerektiğini tanımlar.

Basarılı olan kurucular, AI’yi daha çok bir teknoloji deneyi olarak değil, bir ürün sistemi olarak ele alır. Somut sorular sorarak başlarlar. AI, kullanıcıların hangi kararlar almasına yardımcı olmalıdır? Hangi veri kaynaklarına erişmesi gerekir? Bu domaine göre doğru bir cevap nedir? Sistemin sorumlu bir şekilde davranması için hangi korunanlar olmalıdır?

Bir başka desen, yapıya dikkat etmeleridir. Başarılı ekipler, AI çıktılarının, beslenen bağlam ve veriye bağlı olduğunu nhanh chóng anlar. AI çıktılarının ne kadar iyi olabileceğinin sınırlarını tanımlamak için veri boru hatlarını, bilgi kaynaklarını organize etmekte ve net değerlendirme kriterleri oluşturmaya zaman ayırırlar.

AI ile insan işbirliğini, her şeyi hemen otomatikleştirmeye çalışmak yerine, benimsemeyi de görüyoruz. AI’nin tekrarlayan analizi veya veri sentezini ele alması, insanların ise yargı ve nihai kararlar için sorumlu olması için iş akışları tasarlarlar. Bu denge, özellikle sağlık veya finans gibi alanlarda, sistemleri çok daha güvenilir hale getirir.

Aslında, en büyük değişim, zihniyettir. Başarılı olan kurucular, AI’yi bir özellik olarak değil, ürünlerinin nasıl çalıştığına ilişkin yeni bir işletim katmanı olarak düşünür.

AI sistemleri, iş operasyonlarının merkezine daha da entegre hale geldikçe, AI uygulama platformlarının bir sonraki neslini tanımlayacak yetenekler nelerdir?

Biliyorum, bu çılgın ve belki de bir şeyi kutsal olarak saymakla ilgili, ancak insanlar kendi özel modellerini vibe-kodlayabilecekler. Araştırma laboratuvarımızın “uzman nano modeller” olarak adlandırdığı bir şey, maliyetleri kontrol etmeye yardımcı olacak.

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