Reindeer’ın Kurucu Ortağı ve Eş CEO’su Yoav Naveh – Röportaj Dizisi

Yoav Naveh, teknoloji şirketleri kurma, işletmeleri ölçeklendirme ve kuruculara yatırım yapma deneyimini Reindeer’ın Kurucu Ortağı ve Eş CEO’su olarak görevine taşıyor. Reindeer’dan önce ConvertMedia’yı kurdu, Taboola bünyesindeki çalışmalarını sürdürdü ve INT3 aracılığıyla yatırım yaptı. Bugün odağında, işletmelerin münferit yapay zeka uygulamalarından; karmaşık operasyonel işleri yürütebilen, insan uzmanlığından öğrenen ve iş süreçleri değiştikçe güvenilirliğini koruyan ajanlara geçmesine yardımcı olmak var.

Reindeer, finans, tedarik zinciri, lojistik ve ortak hizmetler gibi alanlardaki temel operasyonlar için kurumsal yapay zeka ajanları geliştiriyor. Platformu, ajanların istisnai durumlara ve değişen politikalara uyum sağlayabilmesi için iş akışlarının yürütülmesini uzman geri bildirimi, değerlendirme ve insan onayıyla bir araya getiriyor. Naveh bu röportajda, mühendislik emeğine yoğun biçimde dayanan devreye alma modellerinin sınırlarını, kurumsal bilginin ajanların bağlamına nasıl dönüştüğünü ve zaman içinde toplam insan emeğini azaltmak için gereken yönetişim ve ölçüm yöntemlerini ele alıyor.

ConvertMedia’yı kurduktan, Taboola’da ölçeklendikten ve INT3 aracılığıyla başka kuruculara yatırım yaptıktan sonra sizi yeniden bir şirket kurmaya yönelten sorun neydi ve bu sorun Reindeer’ın kurucu ortaklarından biri olma kararınızı nasıl şekillendirdi?

Yapay zeka pazarı, kenarda durup izleyecek kadar heyecan vericiydi. Kurucu ortağım Yair’le birlikte, yapay zekanın bireysel olarak kullandığımızda ne kadar işe yarar hâle geldiği ile işletmelerin onu büyük ölçekte benimsemesinin ne kadar zor olduğu arasındaki farkı merak etmeye başladık. Teknoloji inanılmaz bir hızla ilerliyor; buna rağmen çoğu kuruluş, bu potansiyeli anlamlı operasyonel değişime dönüştürmekte hâlâ zorlanıyor.

Yapay zeka, şirketlerin çalışma biçimini dönüştürecek; ancak bu dönüşüm için teknolojinin daha iyi olması tek başına yeterli değil. İşlerin nasıl yapıldığını yeniden düşünmeye istekli liderler ve yeni karmaşıklık katmanları yaratmadan yapay zekayı gündelik operasyonlara katmanın pratik bir yolu gerekiyor.

Reindeer’ı şekillendiren de bu zorluktu. İşletmeleri ilk ajanlarından, insan geri bildirimlerinden öğrenen ve zamanla gelişen koca bir ajan sürüsüne taşıyan bir platform kurduk. Amacımız, yapay zekanın potansiyeli ile gerçek dünyada benimsenmesi arasındaki farkı kapatmak ve şirketlerin her ajanı baştan kurmak ya da sürekli bakımını yapmak zorunda kalmadan temel operasyonlarını ajanlardan oluşan bir iş gücüne dönüştürmesine yardımcı olmak.

Sahada görevlendirilen mühendislik modelinin, kurumsal yapay zekayı emek yoğun bir hizmet işine dönüştürme riski taşıdığını savundunuz. Sahaya entegre mühendislik hangi noktalarda kalıcı değer yaratıyor, hangi noktada müşterilerin ölçek büyütmesini engelleyen bir bağımlılığa dönüşüyor?

Sahada görevlendirilen mühendisler, karmaşık entegrasyonlarda ve ilk ajanları üretim ortamına almada değerlidir. Sorun, iş süreçlerinin kendisi değiştiğinde ve bu ajanların söz konusu işleri yürütmeye devam etmesi için sahada görevlendirilen mühendislerin kalıcı olarak gerekli hâle gelmesiyle başlar. Özellikle büyük ölçekte. Sahada görevlendirilen mühendis modeli, 5 ajanın olduğunda işe yarar. Ajan sayısı yüzü bulduğunda ise sürdürülemez hâle gelir.

Her yeni iş akışı ya da beklenmedik istisna daha fazla mühendislik çalışması gerektiriyorsa yazılımı değil, pahalı insan emeğini ölçeklendiriyorsunuz demektir.

Sahada görevlendirilen mühendislerden yararlanan şirketlerin çoğu, mühendislerinin sonunda başka işlere geçeceğini iddia ediyor. İşletmeler, sahada görevlendirilen mühendisleri zorunlu kılan bir sözleşme imzalamadan önce bunun böyle olacağına dair kanıt talep etmeli. İş süreçleri geliştikçe RPA’nın ne kadar kırılgan hâle geldiğini zaten gördük. Elle geliştirilmiş ajanların bundan farklı olmasını beklememeliyiz.

Kurumsal iş akışlarında çoğu zaman belgelenmemiş istisnalar ve ekipler arasında çelişen uygulamalar bulunur. Reindeer, yararlı kurumsal bilgiyi otomatikleştirilmemesi gereken alışkanlıklardan ayırırken işlerin gerçekte nasıl yürütüldüğünü nasıl ortaya çıkarıyor?

Çoğu işletmede hiçbir yerde belgelenmemiş, çok büyük miktarda kurumsal bilgi bulunur. Bu bilgi çalışanların zihninde yaşar. Ajanlarımız işe kısmi bilgiyle başlıyor ve gerçek vakalar üzerinden öğreniyor; karşılaştıkları durumlara aşina olmadıklarında konu uzmanlarından yol göstermelerini istiyor.

Ancak bir çalışandan öğrenmek, onun davranışlarını sorgulamadan taklit etmek anlamına gelmiyor. Sistemimiz, kişiye özgü istisnaları yinelenen örüntülerden ayırıyor ve daha kapsamlı değişiklikleri insan onayına sunuyor.

Her alışkanlığı otomatikleştirmeye çalışmıyoruz. Mühendislerin her olasılığı önceden öngörmesini gerektirmeden, değerli kurumsal bilgiyi güvenilir bir zekâya dönüştürmeye çalışıyoruz.

Ajan tabanlı yapay zeka şirketlerinin çoğu, önce süreci belgelemeye; ardından insanlarla görüşüp geçmiş verileri titizlikle inceleyerek süreci kodlamaya koyuluyor. Oysa gerçekte bir süreci öğrenmenin en etkili yolu, her yeni ekip üyesi katıldığında zaten kendiliğinden işliyor: Yeni çalışanlar bir yıllık veriyi ya da 3.000 sayfalık bir standart operasyon prosedürünü ezberlemiyor. Birkaç beceri öğreniyor, birkaç örnek görüyor, işe koyuluyor, anlamadıkları bir şeyle karşılaştıklarında soru soruyor ve bilgilerini geliştiriyorlar. Bizim kurduğumuz süreç bu.

Ajan tabanlı yapay zeka, şirketlere bir süreci mevcut hâliyle otomatikleştirmek yerine onu yeniden tasarlama fırsatı da sunuyor. Yalnızca insanlardan oluşan ekipler, kural tabanlı otomasyon ve geleneksel yazılımlar, süreçleri kendi sınırlarına göre şekillendirdi. Reindeer, uzmanlarla birlikte öğrenen ajanlar sayesinde işletmelerin bir sürecin nasıl işlemesi gerektiğini yeniden düşünmesine yardımcı oluyor: Hangi uygulamaların korunacağına, hangilerinden vazgeçileceğine ve ajanlarla insanların her birinin en çok nerede değer katacağına.

Reindeer’ın ajanlarının üretimde sürekli öğrendiğini söylediğinizde, gerçekte ne değişiyor: model ağırlıkları mı, bellek mi, iş akışı mantığı mı, yoksa açık politikalar mı? Bir istisnanın ajana gelecekteki vakaları farklı şekilde ele almayı öğrettiği bir örneği adım adım anlatabilir misiniz?

Değişen, ajanın bağlamı ve becerileridir: iş akışı mantığı, politikalar ve her birinin ne zaman uygulanacağına ilişkin talimatlar.

Bir fatura ajanını ele alalım. Ajan, satın alma siparişindeki tutarı %4 aşan bir fatura alıyor ve bu durumu kapsayan bir politika bulamıyor. Faturayı işleme almak yerine konuyu bir uzmana iletiyor. Uzman, bu tedarikçi için yakıt ek ücretlerine yönelik onaylı bir istisna bulunduğunu açıklıyor. Ajan bu vakayı çözüyor ve açıklama yalnızca söz konusu tedarikçiye ilişkin bağlam olarak kaydediliyor.

Aynı tür istisna başka tedarikçilerde de yeniden ortaya çıkar ve diğer uzmanlar da aynı şekilde çözerse sistem, örneğin “sözleşmede izin verildiği durumlarda %5’e kadar yakıt ek ücreti kabul edilebilir” gibi bir politika değişikliği öneriyor. Ajan bu öneriyi kullanmadan önce öneri testlerden geçiyor ve bir insan tarafından onaylanıyor. Bir uzmanın yanıtı tek bir vakayı çözüyor. Vakalar arasında görülen bir örüntü ise yeni bir kural adayı hâline geliyor.

Bir çalışanın kararı, bir müşteri veya işlem için uygun olabilir ama genel bir kural olarak uygulanmaya elverişli olmayabilir. Geri bildirimin tek seferlik bir istisna olarak kalması mı, yoksa önerilen bir politika değişikliğine dönüşmesi mi gerektiğine nasıl karar veriyorsunuz?

Tek bir vakayı çözmekle ajanın bundan sonraki işleyişini değiştirmeyi birbirinden ayrı tutuyoruz.

Bir çalışan bir müşteri için istisnaya izin verebilir; ancak bu, aynı istisnanın herkese uygulanması gerektiği anlamına gelmez. Hatta iki farklı çalışanın, aynı müşteriye ilişkin istisnayı farklı şekillerde çözebileceğini söyleyebilirim. Sistemimiz koşulları değerlendiriyor, tekrarlanan örüntüleri belirliyor, çelişkileri gideriyor ve mevcut politikalarla olası çelişkileri araştırıyor.

Daha kapsamlı bir değişikliği destekleyen kanıtlar bulunduğunda, ajanı değerlendirme platformumuzda çalıştırıyoruz; isterseniz bunu ajanlar için bir “Truman Show” olarak düşünebilirsiniz. Ardından, insan onayına sunulmak üzere bir güncelleme öneriyoruz.

Amaç, insanlardan öğrenmek; insanların kararlarını sorgulamadan taklit etmek değil. Aksi hâlde yaptığınız tek şey hataları otomatikleştirmek olur.

Bir ajan yakın tarihli vakalarda gelişme gösterirken daha önce doğru şekilde ele aldığı durumlarda güvenilirliğini yitirebilir. Önerilen bir değişikliğin üretime alınmadan önce geçmesi gereken test ve onay süreci nedir; gerilemeleri nasıl tespit edip geri alıyorsunuz?

Yönetişim olmadan sürekli öğrenme tehlikelidir; bu nedenle önerilen her değişiklik üç güvenlik önleminden geçer: gerileme testleri, insan onayı ve ajanın kendi başına ne zaman harekete geçeceğini belirleyen bir güven eşiği.

Testler ilk sırada gelir. Operasyonel işlerin kesin bir cevap anahtarı olmadığından, bu süreç göründüğünden daha zordur. Uzman geri bildirimlerinden temsili vakalar seçiyor, çıktıları karşılaştırma ölçütlerini belirliyor ve bu vakaları hem mevcut ajanda hem de önerilen sürümde yeniden çalıştırıyoruz. E-posta gönderme gibi yan etkileri olan eylemler, geçmiş çalıştırmalardan oluşturulmuş bir simülatörde yürütülüyor; artık güncel politikayla örtüşmeyen test vakaları ise kullanımdan kaldırılıyor. Bir değişikliğin gerçek etkisini ölçebilmemiz için ajanların gerçek dünyada yaşadıklarına inanması ve eylemlerinin gerçek sonuçlar doğurması gerekir: SAP’e kayıt eklenmesi ya da müşteriye e-posta gönderilmesi gibi. Her ajan için gerçek bir değerlendirme çerçevesi oluşturmanın tek yolu budur.

Ardından bir yönetici değişikliği, değişikliğin dayandığı kanıtları ve test sonuçlarını inceler; değişikliği onaylayabilir, gözden geçirebilir veya reddedebilir. Onay verilene kadar ajanın işleyişinde hiçbir şey değişmez.

Güven eşiği, değişiklik devreye alındıktan sonra işletmeyi korur. Ajan yalnızca güven düzeyi eşiği aştığında kendi başına harekete geçer; bunun altındaki her vaka bir uzmana yönlendirilir. Operasyon ekipleri bu eşiği kendileri ayarlar; böylece temkinli başlayıp ajanın başarı geçmişi oluştukça ona daha fazla özerklik tanıyabilirler.

Bir değişiklikten sonra kalite düşerse sistem, daha fazla vakayı uzmanlara yönlendirmek için inceleme eşiklerini otomatik olarak sıkılaştırır. Uzmanların geri bildirimleri de değişikliği ortaya çıkaran aynı döngü aracılığıyla sorunu görünür kılar. Her politika değişikliğine sürüm numarası verilir, değişikliği kimin yaptığı belirlenebilir ve değişiklik kayda alınır; böylece ekip değişikliğin ne olduğunu, kimin onayladığını ve nedenini görebilir, ayrıca önceki sürüme geri dönebilir.

Mühendislik iş yükünü azaltmak, operasyon ekiplerine istisnaları inceleme ve ajanları düzeltme gibi önemli miktarda iş bırakabilir. Reindeer’ın bu çabayı başka bir ekibe aktarmak yerine gereken toplam insan emeğini azalttığını nasıl ölçüyorsunuz?

Gerçek şu ki çoğu şirkette bu işi elle yapan bir ekip zaten var. Amacımız iş yükünü başka bir ekibe aktarmak değil, zaman içinde azaltmak. Mevcut ekipteki en deneyimli kişileri seçiyor ve istisnaları ele almayı, daha iyi kararları bağımsız olarak vermeyi ajana öğretmeleri için onları güçlendiriyoruz.

FDE modelinin sorunu, işi çoğu zaman görece düşük maliyetli operasyon çalışanlarından pahalı mühendislere aktarmasıdır. Bu, iş gücü sorununu çözmez; sorunu daha maliyetli hâle getirir. Reindeer bu denkleme mühendisleri dâhil etmez. Bunun yerine başarıyı, ajanların zaman içinde bağımsız olarak çözebildiği iş miktarına ve tüm süreç boyunca gereken insan müdahalesindeki azalmaya göre ölçüyoruz.

Üç şeyi takip ediyoruz: ajanın bir vakayı baştan sona, insan desteği olmadan çözme oranını; vaka başına uzman müdahalesi sayısını ve ajanlarla insanların birlikte yürüttüğü süreçlerde vaka başına toplam işlem süresini. Üçüncü değer düşmüyorsa, yaptığımız tek şey işi başka yerlere kaydırmaktır.

Hellmann Worldwide Logistics veya Papaya Global’deki bir uygulamayı ele alıp lansmandan devam eden operasyonlara kadar nelerin değiştiğini açıklayabilir misiniz? Doğruluk, istisna oranları, sonuçlanma süresi ve gereken insan müdahalesi miktarı nasıl değişti?

Hellmann Worldwide Logistics, ajanların gerçek dünyadaki operasyonları zaman içinde nasıl iyileştirebileceğini gösteren harika bir örnek. Şirketin fiyatlandırma ekibi; e-postalar, elektronik tablolar ve diğer belgeler üzerinden gelen nakliye taleplerini elle işlemek için çok fazla zaman harcıyor, teklif hazırlamak da çoğu zaman günler sürüyordu.

İş akışını anlamak ve ajanı eğitmek için yaklaşık 20 örnek taleple başladık. Ardından Hellmann’ın fiyatlandırma uzmanları sistemle doğrudan çalışmaya başladı; geri bildirim vererek istisnaları ele almasına yardımcı oldu. Testler boyunca doğruluğu ve hızı takip ettik, ajan üretim ortamında kullanılmaya başladıktan sonra da performansını izlemeyi sürdürdük.

Bugün rutin talepler otomatik olarak işlenirken daha karmaşık vakalar ekibe yönlendiriliyor. En önemlisi, ajan varsayımda bulunmak yerine eksik bilgileri fark ediyor; böylece çalışanlar, uzmanlıklarının gerçekten gerekli olduğu durumlarda müdahale edebiliyor.

Bunun sonucunda tekliflerin hazırlanma süresi kısaldı, elle veri girişi gerektiren işler azaldı ve müşterilerle doğrudan ilgilenmeye daha fazla zaman kaldı. Hellmann, tekliflerinin kazanma oranında da artış gördü. Amaç, insanları süreçten çıkarmak değil, müdahalelerini gerektiren rutin işlerin miktarını sürekli azaltmak.

Bu yaklaşımın sınırları hakkında neler öğrendiniz? Bir iş akışının uyarlanabilir bir ajan için hazır olduğunu hangi özellikler gösterir; hangi özelliklerse işletmenin önce süreci yeniden tasarlaması ya da geleneksel otomasyonu sürdürmesi gerektiğine işaret eder?

Her süreçte yapay zekâ ajanına ihtiyaç yoktur. En uygun fırsatlar; özellikle bilgi birden fazla sisteme yayıldığında ve çalışanlar düzenli olarak istisnaları ele aldığında, bağlamsal değerlendirme gerektiren tekrarlı ve yüksek hacimli iş akışlarıdır.

Uygulamalarımızdan çıkardığımız en net ders, şirketlerde yeni bir işlevin ortaya çıkmakta olduğudur; tıpkı CRM’le birlikte gelir operasyonlarının, bulut teknolojisiyle birlikte de DevOps’un ortaya çıkması gibi. Şirketler birkaç ajandan çok sayıda ajana geçerken, bir departman yöneticisinin iş gücünü yönetmesi gibi ajanları yönetecek bir kişiye ya da ekibe ihtiyaç duyuyor: Bu kişi veya ekip, ajanların KPI’larından ve yatırım getirisinden sorumlu oluyor; ajanların hangi işleri üstleneceğine, hangilerini üstlenmeyeceğine karar veriyor ve nasıl değiştirileceklerini onaylıyor. Bu işlevi şimdiden oluşturan şirketler en hızlı ilerliyor ve kazanmak için en iyi konumda olanlar da onlar.

Uygulamalardaki çelişkiler beklemek için gerekçe değildir. Uzmanlar neredeyse her operasyonda fikir ayrılığına düşer; sistemimiz bu çelişkileri ortaya çıkarmak ve politika önerilerine dönüştürmek üzere tasarlanmıştır. Bunları çözüme kavuşturmak, ilgili sorumlunun işinin bir parçasıdır; bu da ajanları ölçeklendirmeden önce söz konusu rolü oluşturmak için bir başka nedendir.

Bu yaklaşımın da sınırları var. Temel operasyonlar bütünüyle otomatikleştirilmeyecek ve amacımız da bu değil. Ajanlar kapsama alanlarını kademeli olarak genişletirken yüksek riskli vakalar tasarım gereği insanlarda kalıyor.

Temel modeller ve ajan geliştirme araçları iyileştikçe, kurumsal uygulamaların hangi aşamalarının standartlaşmasını bekliyorsunuz? Reindeer, üretim ortamındaki her yeni uygulamayla güçlenen bir avantajı hangi alanlarda oluşturuyor?

Temel modeller ucuzladıkça, hızlandıkça ve daha yetenekli hâle geldikçe aralarındaki fark giderek azalacak. Temel ajanlar geliştirmek ve bunları kurumsal sistemlere bağlamak da şimdiden kolaylaşıyor.

Ancak bir ajan geliştirmek, onu karmaşık bir işletmede zaman içinde güvenilir kılmakla aynı şey değil.

Asıl rekabet avantajı, bir işletmenin gerçekte nasıl işlediğine dair, sürekli değişen ve şirkete özgü bilgidir. Üretim ortamındaki her vaka, ajanlarımıza öğrenme, gelecekteki istisnaları çözme ve insan müdahalesini azaltma fırsatı sunuyor.

Modeller ucuzlayacak. Ajan geliştirmek kolaylaşacak.

Kazananlar, ajanların çalışmaya ve zaman içinde güncelliğini korumaya devam etmesi için gereken pahalı insan mühendisliği altyapısını ortadan kaldıracak.

Harika röportaj için teşekkür ederiz. Uyarlanabilir kurumsal yapay zekâ ajanları, operasyonel otomasyon ve insan rehberliğinde öğrenme hakkında daha fazla bilgi edinmek isteyen okurlar Reindeer‘ı ziyaret edebilir.