Akıllı Kuruluş: Generative AI’yi Kuruluşlara Hazır Hale Getirme

Buradan başlayalım: Evet, Generative AI (GenAI) için fırsatlar sonsuz. Evet, dünyayı değiştiriyor ve çoğularımızın tahmin ettiğinden daha hızlı bir şekilde bunu yapıyor. Ve evet, teknoloji daha da akıllı hale geliyor. Ancak, GenAI’nin metin, görüntü ve anlatıları oluşturma yeteneği, girişimlere ve işletmelere olan etkileri, genel halka olan etkisinden çok farklı – çünkü çoğu işletme şairler veya hikaye yazarları gibi davranmaz (ki bu, ChatGPT kullanıcıları arasında popülerdir), müşterilerine hizmet eder.

Çok sayıda şirket, doğal dil işleme (NLP) ve düşük seviyeli sohbet botları ile deneyime sahiptir, ancak GenAI, verilerin entegre edilmesi, yorumlanması ve iş sonuçlarına dönüştürülmesi hızını artırıyor. Bu nedenle, GenAI kullanım örneklerinin en acil iş zorluklarını çözeceğini ve büyümeyi teşvik edeceğini nhanh bir şekilde belirlemeleri gerekiyor. Girişimlerin GenAI’yi veri ile nasıl girişimlere hazır hale getirebileceğini anlamak için, buraya nasıl geldiğimizi gözden geçirmek önemlidir.

NLP’den Büyük Dil Modeli (LLM) Yolculuğu

Teknoloji, doğal dilleri anlama çabalarını on yıllardır sürdürüyor. İnsan dili, gelişmiş bir insan ifade biçimi olarak evrimleşmiş olsa da, insanların birçok lehçe ve dil geliştirmesi, teknolojinin daha basit dijital iletişim yöntemlerine güvenmesine neden oldu – bits ve bytes, vb. – yakın zamana kadar.

NLP programları üzerinde yaklaşık bir decade önce çalışmaya başladım. O zamanlar, dil taksonomisi ve ontolojisi, varlık çıkarma ve bir tür ilkel grafik veritabanı (çoğunlukla XML’de) üzerinde çalışıyorduk – çeşitli varlıklar arasındaki karmaşık ilişkileri ve bağlamı anlamak, arama sorgularını anlamak, bir kelime bulutu oluşturmak ve sonuçları teslim etmek için. Matematiksel bir tarafı yoktu. İnsan Müdahalesi vardı – taksonomi veritabanlarını oluşturmak, XML parselamak ve çok fazla hesaplama ve bellek kullanımı vardı. Gerekli değildi, bazı programlar başarılıydı, çoğu değil. Makine öğrenimi, derin öğrenme ve sinir ağları ile geldi ve doğal dil anlama (NLU) ve doğal dil çıkarımı (NLI) hızlandı. Ancak, üç sınırlayıcı faktör vardı – karmaşık modelleri işlemek için hesaplama gücü, makinelerin öğrenebileceği veri hacmi ve birincil olarak, zaman içinde cümleler arasındaki ilişkileri oluşturarak kendini öğrenebilen ve kendini düzeltme yeteneğine sahip bir model.

İki decade sonra, GPU’lar muazzam hesaplama gücünü sunuyor, kendini öğreten ve gelişen sinir ağları norm haline geldi, denetimli/denetimsiz/yarı denetimli öğrenme modelleri var ve en önemlisi, bu modellerin eğitim alabileceği birçok dilde büyük miktarda veriye erişim var – sosyal medya platformları da dahil. Sonuç, doğal dilinizde size bağlanan, sorgularınızın arkasındaki duyguyu ve anlamı anlayan, bir insan gibi seslenen ve yanıt veren AI motorları.

Tüm sosyal medya varlığımızla, bu motorları eğitmek için bilinçsiz bir şekilde “İnsan” olarak görev yaptık. Şimdi, trilyonlarca parametrede eğitilmiş, yüz binlerce girdi parametresini alabilen ve bizim dilimizde yanıt veren AI motorlarına sahibiz. GPT4/5, PaLM2, Llama veya şimdiye kadar yayınlanan diğer LLM’ler, daha bağlamsal dikey problem çözücüler olarak ortaya çıkıyor.

Etkileşim Sistemleri ve Kayıt Sistemleri

NLP’den LLM’lere yolculuk, Silikon Devrimi sayesinde ve bizim ürettiğimiz büyük miktarda eğitim verisi sayesinde harika oldu, ancak girişimler – perakendeciler, üreticiler, bankalar, vb. – bu teknolojinin çok farklı uygulamalarına ihtiyaç duyuyor. İlk olarak, girişimler AI sanrısına (hallucination) karşı dayanıklı olamaz – 0% sanrı ve kullanıcılarla etkileşime giren AI için %100 doğruluk gerekir. İşletmeler için işlevsel olan bazı sorgular, mutlak doğruluk gerektirir – örneğin, Otelinizde kaç oda mevcut? İlk sınıf bilet mevcut mu?

AI sanrısına karşı, Etkileşim Sistemleri ve Kayıt Sistemleri kavramına giriyoruz. Müşteriler, tedarikçiler veya çalışanlarla etkileşim kuran Etkileşim Sistemleri, iş özgü bir GenAI tabanlı konuşma platformunu, iş özgü.prompt’lar için eğitildikten sonra kullanabilir – bu, “daha kolay” kısım. Zorluk, Kayıt Sistemlerini değer zincirine entegre etmekte.  Çoğu işletme, statik bir tablo ve varlık tabanlı dünyada kalacak – çünkü çoğu işletme, organizasyonel veya kurumsal düzeyde statik, ancak olaylar ve iş akışları onları işlemsel düzeyde dinamik hale getiriyor.

Burada, sadece konuşmaları, arayüzleri ve sorguları değil, aynı zamanda müşteri yolculuklarını teslimata kadar ele alan yeni nesil konuşma platformlarından bahsediyoruz. Bu konuşma platformlarına yönelik farklı mimari yaklaşımlar var. Bir seçenek, vektörleştirilmiş ve etiketlenmiş işletme verisi ile LLM sürümlü konuşma prompt’ları arasında bir konsolidatör olarak görev yapan hibrit ara yazılım kullanmaktır ve tüketicilere %0 sanrı sonucu sunar. İşletmelerin, LLM motoru için anlaşılabilecek bir hale getirmek için büyük miktarda veri hazırlama işi vardır. Bunu, geleneksel tablo ve varlık tabanlı veri modellerinin düzleştirilmesi olarak adlandırıyoruz. Grafik veritabanları, ilişkisel veritabanlarının yapamadığı şekilde veri depolayan ve temsil eden bir amaç buluyor. Hedef, işletme veritabanlarını, LLM motorlarının öğrenmesini ve böylece müşterilerden gelen konuşma ve gerçek zamanlı sorgular aracılığıyla yanıtlamasını kolaylaştıran, bağlam ve anlamı tanımlayan ilişkilerle daha anlamlı grafik veritabanlarına dönüştürmektir. İşletme verilerini LLM’ye hazır hale getirme görevi, uçtan uca Etkileşim Sistemleri ve Kayıt Sistemleri deneyimini sunmanın ve kullanıcı deneyimlerini teslimata kadar götürmenin anahtarıdır.

Neler Gelecek

Bu noktada, veri ve AI’deki bu ilerlemelerle, en yakın etki, yazılım kodu oluşturma alanında geliyor – Microsoft Copilot, Amazone CodeWhisperer ve diğer araçların gelişimi gibi. Bu araçlar, çoğu zaman zaman ve maliyet endişeleri nedeniyle durdurulan miras modernizasyon programlarını canlandırıyor. GenAI tabanlı kod oluşturma araçları ile, modernizasyon projeleri zaman çizelgelerini %20-40 oranında hızlandırıyor. Yeşil alan kod geliştirme projelerinde, bu araçlar geliştiricilerin tasarım düşünce ve daha yenilikçi projelere yönelik zaman ve verimlilik kazanımlarına odaklanmasına izin verecek.

Yazılım kodu geliştirmenin ötesinde, GenAI araçları, işletmelerin en acil zorluklarını çözmeye yönelik yeni dikey kullanım örnekleri ve senaryoları oluşturuyor ve bu trendin tam olarak yararlanılabilmesi için yapılması gerekenlerin sadece yüzeyini kazıyorsunuz. Buna rağmen, perakende ve lojistik sektöründe GenAI’yi kullanarak bazı sorunları ve soruları çözüyoruz:

Depodaki envanterim nedir ve ne zaman yenileme tetiklemeliyim? İleri stoklama karlı mı? Landed fiyatım doğru mu, yoksa artacak mı? Hangi ürünleri birleştirebilirim veya müşterilerime hangi tür kişiselleştirme sağlayabilirim ki karımı yükseltebileyim?

Bu tür sorulara cevap vermek, konuşma ön yüzleri, arka uçtaki yüksek doğruluklu veri tabanlı sorgular ve bir alan ağır makine öğrenimi modelinin gelecekteki rehberlik ve öngörüler sunmasını gerektirir. Dolayısıyla, işletmelere tavsiyem, bir AI keşifçisi veya GenAI bozucu olmanız fark etmeksizin, kanıtlanmış AI uzmanlığına ve robust veri ve analitik yeteneklerine sahip hizmet sağlayıcılarla ortak olun – böylece işletme ihtiyaçlarınıza uygun GenAI modellerinden yararlanmanıza ve yarışta öne geçmenize yardımcı olabilirler.