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 sürüklenen ürünleri oluşturma konusunda geniş deneyime sahip bir ürün lideridir. 2025 yılında Empromptu’yu kurmadan önce, geliştiricilerin karmaşık kod tabanlarını görselleştirmelerine ve anlamalarına yardımcı olan bir AI geliştirici platformu olan CodeSee’yi kurdu, bu platform 2024 yılında GitKraken tarafından satın alındı. Kariyerinin早期 döneminde, Docker, Cloudflare, eBay ve Google gibi şirketlerde senior ürün liderliği rollerinde bulundu ve Google Assistant ödeme API’lerinden geliştirici eğitim programlarına kadar çeşitli girişimlerde çalıştı.

Empromptu AI şirketleri, 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 şirketlerin hızlı AI deneylerinden üretim düzeyindeki sistemlere, kurumsal kullanım için gereken kontroller ve güvenilirlik ile geçiş yapmalarını sağlar.

15 yılı aşkın bir süredir Google, eBay, Cloudflare ve Docker gibi şirketlerde geliştirici platformları oluşturduktan sonra CodeSee’yi kurdunuz, daha sonra GitKraken tarafından satın alındı ve şimdi Empromptu AI’yi yönetiyorsunuz. Bu deneyimler, demo aşamasını geçtikten 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 öğrendiğiniz şeylerden biri, en zor problemlerin demo aşamasında ortaya çıkmadığıdır. Demo her zaman çalışır. Gerçek test, binlerce geliştiricinin sisteme bağlandığı, verilerin karmaşık olduğu, entegrasyonların bozulduğu ve gerçek işletmelerin buna bağlı olduğu zaman başlar.

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. “Merhaba dünya”ya ulaşmak ne kadar hızlı? Bugün, “merhaba dünya”nın generatif versiyonu, tam çalışan bir SaaS prototipidir. Ancak artık yalnızca kod SaaS uygulamaları değil, tüm AI uygulamalarını da oluşturuyoruz. AI oluşturan bir AI, onu üretim ortamına koyan diğer sistemlere ihtiyaç duyar.

Bir AI uygulamasını veya özelliğini nhanh chóng oluşturabilirsiniz, bu heyecan verici ve gerçekten kullanışlıdır. Ancak baskın sistemler, üretim ortamları için gereken altyapıyı hala kaçırıyorlar. Yapılandırılmış veri boru hatları, değerlendirme çerçeveleri, yönetim kontrolleri, izleme ve uzun vadeli bağlam yönetimi gibi şeyler kaçırıldı, ancak bunları tutarken, kodlama hissinin tüm harika kısımlarını koruduk.

Empromptu’yu kurduğumuz zaman, çözmeye karar verdiğimiz problem basitti: AI uygulamalarını baştan itibaren üretim için hazır nasıl yapabiliriz?

Yönetim, veri hazırlığı, değerlendirme ve optimizasyonu ayrı araçlar veya sonradan gelen süreçler olarak değil, platforma doğrudan entegre ettik. Fikir, ekiplerin AI uygulamalarını nhanh chóng oluşturabilmesi, ancak kurumsal yazılım sistemlerinden bekledikleri aynı güvenilirlik, kalite ve kontrol ile oluşturabilmesidir.

İzlenimlerinize göre, ekipler AI prototipini güvenilir bir ürüne dönüştürürken en sık yapılan mimari hatalar nelerdir?

En sık yapılan hata, modelin ürünü olduğu varsayılmasıdır.

Erken prototiplerde, model görünür işi yapar. Ona bir soru sorarsınız, cevap verir ve cevap iyi görünürse, sistem çalışıyormuş gibi görünür. Bu, ana zorluğun modeli iyileştirmek olduğu izlenimini yaratır.

Ancak üretim sistemlerinde, model 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 nhanh chóng değişir. Veri eksik, tutarsız, kopyalanmış veya beklenmedik formatlarda gelir. Yapılandırılmış bir veri boru hattı olmadan, girişleri normalize etmek ve doğrulamak için, sistem model ne kadar iyi olursa olsun güvenilir olmaz.

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

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

Aslında, üretim AI sistemleri yalnızca modeller değildir. Bunlar işletim sistemleridir.

Bugün AI ile başarılı olan şirketler, veri boru hatları, değerlendirme, yönetim ve izlemeyi core altyapı olarak değil, isteğe bağlı eklentiler olarak gören şirketler değildir.

Çok fazla AI kodlama platformu, basit promt’larla herkesin bir uygulama oluşturabileceğini vaat ediyor. Bu araçlar neden genellikle gösteriler için iyi çalışıyor, ancak şirketler bunları gerçek üretim ortamlarında dağıtmaya çalıştıklarında neden zorluk yaşıyorlar?

Bu platformlar, demo için optimize edildikleri için gösteriler için iyi çalışırlar, ancak üretim ortamlarında değil.

Ancak AI uygulamaları oluşturmak ve bir landing sayfası oluşturmak arasında fundamental bir fark vardır.

Bir landing sayfası büyük ölçüde statik bir yazılımdır. Bir kez doğru bir şekilde render edildiğinde, iş büyük ölçüde bittir. Sistem olasılıksal kararlar vermesi, sürekli değişen verileri işleme veya öngörülemez kullanıcı davranışlarına uyum sağlaması gerekmez.

AI uygulamaları tamamen farklıdır. Bunlar, veri boru hatları, model davranışı, değerlendirme çerçeveleri ve sürekli izleme üzerine bağlı dinamik sistemlerdir. Uygulamanın bağlamı yönetmesi, çıktıların kaydığını tespit etmesi, kenar durumlarını ele alması ve model daha önce görmediği durumlarla karşılaştığında güvenli bir şekilde çalışması gerekir.

Çok fazla.prompt-tabanlı kodlama aracı, bu katmanları ele alamaz, çünkü hızlı bir şekilde çalışmaya başlamak için tasarlanmıştır. Görsel bir sonuç üreten kodu oluşturur, bu da bir demo ortamı için mükemmeldir. Ancak üretim sistemleri çok daha fazla yetenek gerektirir: yapılandırılmış veri işleme, yönetim kontrolleri, değerlendirme boru hatları, gözlemlenebilirlik ve davranışı zaman içinde güncellemek için mekanizmalar.

Bu nedenle şirketler bu sistemleri gerçek ortamlarda dağıtmaya çalıştıklarında, uçurum açık hale gelir. Prototip çalıştı, çünkü ortam kontrol edildi. Üretim karmaşıktır.

Empromptu, şirketlerin mevcut yazılımlarını AI-yerli sistemlere dönüştürmeye odaklanıyor, böylece şirketlerin her şeyi sıfırdan yeniden inşa etmek zorunda kalmıyor. Bu dönüşüm, altyapı ve ürün düzeyinde aslında neyi içeriyor?

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

AI uygulamaları için çeşitli seçeneklerimiz vardır:

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

Tam olarak konteynırlaşmıştır, böylece bunları nossa altyapısında veya müşterinin altyapısında dağıtabiliriz, böylece varsayılan olarak önceden kurulur.

Veya bunları doğrudan buluta dağıtabilir ve en uygun seçeneği sunabiliriz.

Onların sahip olduğu herhangi bir kod, doğrudan sistemimize aktarabilir ve ajanlaştırabiliriz, eğer zaten ajanlaştırılmamışsa. Örneğin, Lovable, Replit, Bolt veya Base44 gibi popüler platformlarda uygulamalarını oluşturmaya çalışan müşterilerle bunu görüyoruz. Çoğu zaman çalışmıyor. Ancak müşteriler already çok zaman ve enerji harcamış ve bu uygulamaya yatırım yapmışlardır, böylece kodu alıyoruz, yeniden yazıyoruz ve AI’nin çalışmasını sağlıyoruz.

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

Empromptu, bağlam, değerlendirme, yönetim ve yapılandırılmış veri gibi AI sistemlerinin core bileşenleri olarak vurgulamaktadır. Bu unsurlar neden AI özelliklerini ürünlerine eklemeye çalışan ekipler tarafından sık sık göz ardı ediliyor?

Çünkü bunlar yapmak zor!

Kurucu ortağım Dr. Sean Robinson, araştırma laboratuvarımızı yönetiyor ve o, bir dizi teknolojiyi, benim çılgın fikirlerinden ilham alan, ancak aynı zamanda müşterilerimizin ihtiyaçlarından ve pazarın nereye gittiğinden ilham alan bir dizi teknoloji icat etti. Birçok agentic uygulama oluşturma, uyduları uzaya yerleştirme ve dünyanın en büyük teknoloji şirketlerinde çalışma deneyimlerimiz, bizi diğerlerinden daha iyi karmaşık problemleri çözme konusunda yardımcı ediyor.

AI uygulamaları oluşturmaya çalışan, daha önce kod yazmamış çok fazla kurucu ile çalışıyorsunuz. AI uygulamaları oluşturmaya ilk kez çalışan, teknik olmayan kurucuların en büyük yanlış anlaşılmaları nelerdir?

Sanırım iki büyük yanlış anlaşılmadan bahsedebilirim:

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

İkincisi, teknik ürün yönetimi becerilerine sahip oldukları düşüncesidir. Teknik ürün yönetiminde bir geçmişim var ve bir vizyonu, bazen çok büyük bir vizyonu, küçük, teslim edilebilir parçalara ayırma ve tam olarak ne istediğinizi tarif etmek için doğru teknik spesifikasyonu oluşturma becerisi, gerçekten çok zor bir beceridir ve zaman alır.

Örneğin, bir uygulamayı oluşturuyorsunuz ve bir PDF yükleyip, daha sonra geri dönüp görüntüleyebileceğiniz bir PDF’yi kaydediyorsunuz. Bu, kalıcılık olarak adlandırılan bir kavramdır. PDF, kodu kodlar ve veritabanına kaydedilir.

Ancak kalıcılığın bu şekilde adlandırıldığını bilmiyorsanız, bunu nasıl yazabilirsiniz? Verilerin kalıcı olmasını sağlamak için. Teknik kelime seçimi, farklı bir dil konuşmak gibidir. Doğal dilde yazmak ile teknik dilde yazmak arasında bir fark vardır.

Çok fazla startup, AI ürünleri oluşturmak için çözümün daha fazla mühendis işe almak olduğunu düşünüyor. Bu yaklaşımın neden souvent başarısız olduğuna inanıyorsunuz ve AI güçlendirilmiş ürünler oluştururken kurucular ne düşünebilir?

Daha fazla mühendis işe almak bazen doğru cevaptır. Derinlemesine teknik bir ürün oluşturuyorsanız veya model araştırmasının ön saflarında çalışıyorsanız, güçlü mühendislik ekiplerine ihtiyacınız vardır. Zor problemleri çözmek için iyi mühendislerin yerini hiçbir şey tutamaz.

Ancak çok fazla startup’ın yaptığı hata, daha fazla mühendisin AI ürününü otomatik olarak çözeceği varsayımıdır.

Aslında, AI ürünlerinde en zor problemler genellikle salt mühendislik problemleri değildir. Bunlar sistem problemleridir. Mühendisler, sistemler düşünmek için eğitilir. Ancak generatif geliştirme, deterministik geliştirmeye farklıdır. Birçoğumuz, nesne yönelimli programlamadan fonksiyonel programlamaya geçtiğimizde bu değişikliği yaptık. Her ikisi de programlama mı? Evet, kesinlikle. Ancak farklı mı? Farklı bir düşünce şekli mi? Evet, elbette.

AI uygulamaları, veri, ürün tasarımı, operasyonel iş akışları ve model davranışı arasındaki kesişme noktasında yer alır. İnanılmaz bir mühendislik ekibi işe alabilirsiniz, ancak veri boru hatları güvenilir değilse, değerlendirme kriterleri belirsizse veya sistem yönetim ve izleme eksikse, ürün gerçek kullanıcıya ulaştığında hala mücadele edecek.

Diğer bir sorun, ekiplerin AI sisteminin üretim ortamında nasıl davranacağını tanımlamadan önce inşa etmeye başlamasıdır. Sistem nasıl değerlendirilecek? Kenar durumları nasıl ele alınacak? Kararlar nasıl kaydedilecek? Modeller nasıl güncellenecek? Bu sorular genellikle çok geç gelir. O zaman mimari already değiştirmek zor hale gelir.

Aslında, kurucular ne düşünebilir? AI sisteminin operasyonel modeli.

Veri boru hattının sahibi kim?

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

Sistem daha önce görmediği bir durumla karşılaştığında ne olur?

Davranış nasıl güvenli bir şekilde güncellenir ve alt akış iş akışlarını bozmaz?

Bazen bu sorunları çözmek daha fazla mühendis işe almak anlamına gelebilir. Ancak doğru altyapıyı seçmek, güçlü ürün kısıtlamaları tanımlamak ve küçük ekiplerin güvenilir bir şekilde ölçeklenebilmesi için 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 baştan itibaren uzun süreli bir sistem olarak ele alan şirketlerdir.

AI geliştirme araçlarının mevcut iş modelleri, dayanıklı ürünler oluşturmak için hizalamıyor. AI araçları ekosisteminde, şirketleri yanlış yöne sevk eden teşvikler nelerdir?

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

Bu alanda çok fazla şirket, kullanıcıların bir şeyler oluşturabileceği hız için ödüllendirilir. Bir araç birkaç dakikada çalışan bir uygulamayı, bir özelliği veya bir demo oluşturabiliyorsa, bu, kayıt için, sosyal paylaşım için ve yatırımcı heyecanı için sürücüdür. Ürün benimseme açısından, bu mantıklıdır.

Ancak bu teşvikler genellikle oluşturma anında sona erer.

AI yazılımında daha zorlu iş, bu noktadan sonra başlar. İşte güven inşa edilir. Kalite beklentisine ulaşılır. Kullanıcı, AI’nin kötü çıktısı nedeniyle hayal kırıklığına uğramadan tekrar gelmek ister.

Diğer bir sorun, çok fazla aracın kod oluşturmaya göre optimize edilmesi, ancak sistem tasarımı değil. Kodu nhanh chóng oluşturmak yardımcı olabilir, ancak bir AI ürünü oluşturmak, yalnızca kodu oluşturmakla ilgili değildir. Sistem nasıl bağlamı yönetir? Kararlar nasıl değerlendirilir? Başarısızlıklar nasıl ele alınır? Davranış nasıl güvenli bir şekilde zaman içinde güncellenir?

Teşviklerini, müşterilerin AI sistemlerini güvenilir bir şekilde çalıştırmasına yardımcı olmak için hizalayan şirketler, bu ekosistemde kalıcı değer yaratacaklardır.

Bazı müşterileriniz, sağlık araçları veya sürdürülebilirlik odaklı işletmeler gibi çok özel ürünler oluşturan girişimcilerdir ve bunlar genellikle geleneksel mühendislik ekiplerine sahip değildir. Başarılı olan kurucular arasında hangi kalıpları gözlemlediniz?

Gördüğümüz en ilginç kalıplardan biri, başarılı olan kurucuların nønecessarily en teknik olanlar olmadığıdır. Problemi çok iyi anladıkları için başarılı olurlar.

Empromptu kullanan çok fazla girişimci, domaine uzmanlarıdır. Sağlık, finans, sürdürülebilirlik veya başka bir uzmanlık alanından gelebilirler. Getirdikleri şey, bu ortamda var olan iş akışları, düzenlemeler ve kararlar hakkında derin bir bilgidir. Bu bağlam, AI ürününü tasararken çok değerli olur, çünkü sistemin ne yapması gerektiğini tanımlar.

Başarılı olan kurucular, AI’ye daha az bir teknoloji deneyi olarak, daha çok bir ürün sistemi olarak yaklaşır. Somut sorular sorarak başlarlar. AI, kullanıcıların hangi kararlar almasına yardımcı olmalıdır? Hangi veri kaynaklarına erişmesi gerekir? Bu domaine göre doğru bir cevap nedir? Sistem sorumlu bir şekilde davranması için hangi güvenlik önlemleri gerekir?

Diğer bir kalıp, yapıya dikkat etmeleridir. Başarılı ekipler, AI çıktılarının, girdi olarak kullandıkları bağlam ve veriye bağlı olduğunu nhanh chóng anlar. Veri boru hatlarını, bilgi kaynaklarını organize etmeyi ve AI’nin neyin “iyi” olduğunu ölçmek için net değerlendirme kriterleri oluşturmayı öncelikli olarak ele alırlar.

İnsan-AI işbirliğini, her şeyi hemen otomatikleştirmeye çalışmak yerine benimserler. AI’nin tekrarlayan analizi veya veri sentezini ele almasını, ancak insanların yargı ve nihai kararlar için sorumlu kalmasını tasarlarlar. Bu denge, özellikle sağlık veya finans gibi alanlarda, sistemleri çok daha güvenilir hale getirir.

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

AI sistemleri işletmelerin temel operasyonlarına daha fazla entegre olurken, AI uygulama platformlarının bir sonraki neslini tanımlayacak yetenekler nelerdir?

Bunun çılgın ve belki de bir şeyi yanlış söylediğim için özür dilerim, ancak insanlar kendi özel modellerini vibe-code edebilecekler. Araştırma laboratuvarımızın, expert nano modeller olarak adlandırdığı bir şey, maliyetleri kontrol etmeye yardımcı olacak.

Harika bir röportaj için teşekkürler, daha fazla bilgi öğrenmek isteyen okuyucular Empromptu AI adresini ziyaret edebilirler.