Kanalları buluşturma, yetkin depolama ve paylaşım belirleyici
Bilişim Zirvesi ‘20’de Ana Salon, günün ikinci yarısında “Sınırsız Sonsuz Büyük Veri Platformu” oturumlarına sahne oldu. Büyük verinin kaçınılmaz olarak istikrarlı büyümesi paralelinde, bu veriden anlam çıkartabilmekten güvenliğe, sektörel büyük veri uygulamalarından analitiğin gerekliliği ve önemine birçok başlık bu platformda ele alındı. Açılışı ise “Yapay Zeka Dünyasında Yaşamak” başlıklı sunumuyla KPMG Türkiye Veri ve Analitik Lideri Gökhan Mataracı yaptı. Gökhan Mataracı, sınırsız veri gerçeği ışığında yapay zeka konusuna değindi. Yapay zeka ve onunla ilintili olabilecek algoritmalar, birçok sektörün kullandığı yöntemler olarak karşımıza çıkıyor. Bu yöntemler hem global hem yerelde farklı farklı iş alanları içinde kullanılıyor. Sektörün içerisinde de kullanım alanlarının arttığı görülüyor. “Son dönemde Türkiye’de önemli gelişmeler var. Her sektörde her iş kolunda yapay zeka ve benzeri algoritmaları, yani makine öğrenmesi algoritmalarını, otonom süreçlerini çok görüyoruz” örneğini veren Gökhan Mataracı’ya göre, yapay zeka dünyasında yaşamaya başladık. Buna uyum için yapmamız gerekenlere dikkat çeken Gökhan Mataracı, yapay zekaya uyum sürecinde öne çıkan sekiz başlığa odaklandı. Buna göre, ‘as a service’ olarak yapay zekanın kullanılmasından teknolojinin operasyonun içerisinde kullanılacak algoritmalarla ihtiyaç olarak yapay zekanın desteği öne çıktı. “Diğer bir sonuçsa implementasyona başladığımız noktalarda yine tamamlanması gereken özellikle kontrolcü bakış açısıyla, yetkinliklerin artırılması gibi konularda da aralardaki boşluğu kapatacak aksiyonların alınması” bilgisini veren Gökhan Mataracı, saptamalarını şöyle anlattı:
Süreçteki her teknoloji birbiri ile konuşabilmeli
“Öncelikli olarak teknolojinin içerisinde yapay zekanın kullanımı artık takip edilen bir teknolojiden çıkıp, uygulanan bir teknolojiye dönmüş durumda. Yapay zekayı uygulamanın tam zamanı. Şu anki teknolojilere baktığımızda, kural bazlı yapıların daha fazla akıllı öğrenen ve karar verebilen mekanizmalara gittiğini gördük. Yani karar destek sistemi içerisinde de operasyonun içerisinde de yapay zeka uygulamalarını görüyoruz. Örneğin; işe alım süreci chatbot’larla yapılabilir hale geldi. Bunların birçoğu doğal dil işleme teknolojisi ve görüntü işleme gibi tekniklerle birlikte kullanılan görüşmelerin öncül olan kısımlarını yapabiliyor ve sürecin arkasında da işe alım sürecini devam ettirebilecek bir mekanizmaya doğru gidebiliyor. Bu da var olan İK yapımızın var chatbot ya da benzeri yapay zeka algoritması ile birlikte çalıştırılabilmesi anlamına geliyor. Sürecin içerisinde olabilecek her teknolojinin birbiri ile konuşabilmesi demek bu. Bu yapıyı ve BT sistemlerimizi entegre bir yapıya dönüştürmemiz lazım. İK örneği verdim ama bu yapı her sektörün her iş alanında kullanılabiliyor. Gördük ki, önümüzdeki 3 yıl içerisinde neredeyse 2 katı seviyesinde yatırım yapılacağına dair planlar oluşturulmuş. Bir gelişim alanında olan yapay zeka ve fonksiyonlara uyarlanması bacağını önümüzdeki dönemde daha fazla duymaya başlayacağız. Bizim iş fonksiyonlarımızın beklentilerine yönelik de hazırlıklarımızı şimdiden konuşmamız lazım. Yapay zeka kullanılıyor ve BT sistemlerimizle entegre oldu, iş ekiplerimiz de beklentilerini dile getirdi. Peki bunun arka tarafında organizasyonel olarak buradaki yetkinliği nasıl tamamlayacağız? Yani bu gelişimde kendi organizasyonel yapımıza da bakmamız, sürdürülebilir yapıyı kurmak ve sürekli gelişim gösterecek bir mekanizma lazım. Yapay zeka birçok konuda bize destek oluyor ama insan ve insanın burada nasıl yöneteceği konusu önemli bir soru işareti. Bu bağlamda önerilerimiz organizasyonel yapıyı kurgularken iş önceliklerinin belirlenmesi ve yatırımın sadece BT ekiplerine değil, iş ekiplerine de yapılması ile kültürel bir dönüşümün parçası olarak ele alınması gerektiği yönünde. İş yapış şekli epey değişiyor. Bütün yapıyı ve tüm insan-makine ilişkisini kurgulayacak ve bunun sürekliliğini sağlayacak mimariyi oluşturmak lazım. Bu da, halihazırdaki yapılanmamızın değişmesi hem BT hem iş birimi ilişkisinin yeniden tasarlanması demek. Bu araştırmanın sonuçlarından bir tanesi de yapay zeka dünyasını artık içerisinde barındırmış birden fazla fonksiyonda bunu artık canlıya almış, kullanılır hale gelmiş kurumların bazı kaygılarının ortaya çıkması. tığı gözükmüş. Hatta bunlardan bazılarının da kurgulamak için kafasında soru işareti doğuran yapılar da yine araştırma esnasında ilgili kurumlara sorulmuş. Buradaki kritik konulardan bir tanesi, ‘yapay zeka yapısının, yani benim yerime karar verecek olan makinenin sonuçlarından emin miyim?’ sorusunun yanıtlarında güvenilirlik oranı gittikçe azalmaya başlıyor. Bu da yapay zeka sonuçlarını sürekli monitör edebilecek ve bir anomali yakaladığında buna müdahale edebileceğimiz bir yapıyı kurgulamamız, yapay zeka ile geliştirdiğimiz sistemleri klasik bir BT sistemi test yönetiminden çıkarıp başka bir sisteme dönüştürmeniz gerektiğini ortaya koyuyor. Burada modelin ve sistemlerin birbiri ile entegre olması, acil sonuçlar üretebilmesi, ürettiği sonuçların açıklanması, nedenselliği burada kurgulayabilmek ve pürüzsüz bir sistemi yaratabilmek adına da sürekli çalışan ve sürekli sonuç üretebilecek yapının kurgulanması büyük önem kazanıyor. Aksiyon noktasına geldiğimizde ise kritik beş konu var. Birincisi bunu ‘inovasyon adımı’ olarak görmek ve iş yapış şekillerinin hangilerini Ar-Ge mantığı ile kurgulayıp yapay zeka algoritmalarına bırakılabileceğine bakmak. Kurum içerisinde veri okur yazarlığını artıracak bir kültürel dönüşüme başlamak. Verinin bütün yaşam döngüsünde veri mekanizmasını kurgulamak. Bütün bunları yaparken gizlilik kurallarına dikkat etmek. Çünkü yapay zekanın bizim etiklerimize de uygun şekilde sonuçlar üretmesi lazım.”
Artık ‘otomatize’ edebiliyoruz
“Büyük Veri ve İş Zekası” başlıklı sunumuyla Bilişim A.Ş. Teknoloji ve ARGE Direktörü Ulaş Kula, 15 senedir veri ve iş zekası üzerinde çalışmalar yaptığını belirterek sözlerine başladı ve terimlerin sık sık ele alınması gerektiğini vurguladı. “İş zekası terimi ile geniş bir üst kavram olduğunu görüyoruz. Bu açıdan baktığınızda iş zekası genel bir kavram olup, veriden bilgiye ve karar almaya doğru yönlendiren tüm yazılım araçlarına ve donanım araçlarına iş zekası kavramı içinde bakmak doğrudur” örneğini veren Ulaş Kula, büyük veriyi de iş zekası kavramına hizmet eden bir yapı ve bir teknoloji kümesinin adı olarak tanımladı. “Tahminsel veri analitiği, makine öğrenimi, normatif veri analitiği teknikleri ile aslında veriden bilgiye, bilgiden tahminlemeye, tahminlemeden öneriye, öneriden de etki analizine doğru giden bir yapıyı otomatize etme şansına kavuştuk” saptamasını yapan Ulaş Kula’ya göre, bunu uçtan uca otomatize etmek en önemli hedef, ama buna ulaşabilmiş değiliz. Yine de ulaşabildiğimiz bazı noktalar olduğu gerçeğini de yadsımayan Ulaş Kula, şöyle devam etti:
“Büyük veri iş zekası deyince temel zorlukları var. Birincisi veri büyüklüğünden kaynaklanan zorluklar. Yani verilerin analiz için taşınması. Büyük veriniz varsa akan veriniz de vardır. Veri transferi ve veri işleme süreçleri, verinin çeşitliliğinden kaynaklanan zorluklar, veri işleme ve analize hazırlama zorlukları olarak büyük veri kapsamında bunları ele alabiliriz. Zorlukları ele almak için temel mimari bileşenler ve zorlukları ele almak için bu mimari bileşenlere eklenti olacak araçlar geliştirildi. Hem akan veri üzerinde belli başlı makine öğrenme tekniklerini hem de toplu işlem anlamında makine öğrenim teknikleri burada ilerleterek, sonuçları ve özet tabloları analitik bir veri dosyasına atıp buradan iş zekasının veri görselleştirme araçlarıyla bunu yayınlayabiliriz. Bu uçtan uca akan büyük verinin mimarisi olarak ele aldığımız yapılardır. Bu temel mimari yapı üzerinde birden fazla alt mimari yaklaşımları üretilmiştir. Bunlardan bir tanesi Lambda mimarisidir. Bu temel mimari yaklaşımıyla veri yapıları, hacim, hız ve değişkenlik anlamında bakılarak, buradaki en uygun mimari yapıya uyacak araçlar ile desteklenerek bir kuruma en uygun durumda sunulur. Başka bir mimari de Kappa yaklaşımıdır. İkisinin arasındaki tek fark toplu işlemlerde sadece depolama işlemci yapılmaz. Gerçek zamanlı olarak gruplanmaya yönlendirilir, analiz işlemcisine giden kanat ve akan veri üzerinden işlemler yapılıp gruplamalar ve ölçümler yapılarak analiz işlemcisine sunulur. Çözümlerin içinde bazı iç yaklaşımlar da var. İş zekası araçları ve büyük veri sistemlerine uyumlandıkça veri gölleri yaklaşımı çok daha önem kazandı. Çünkü iş zekası araçlarının artık çoğu bu tür yapılardan, bu tür yarı yapısal ve büyük yapılardan dağıtık olarak verileri sorgulayıp self servis bir şekilde veri keşfine olanak sağlıyor. Donanımsal yaklaşımlar da çok önemli. Çünkü büyük veriyi işlemek için dağıtık bir mimari üzerinde hem donanımların hem yazılımların ortak çalışabilmesi gerekiyor. Burada yatay ölçeklenebilirlik hem yazılımsal hem donanımsal anlamda çok önemli. Dağıtık çalışabilen mimaride çalışanları seçmek de kritik. Aslında makine öğrenimi ve istatistik yapay zeka kavramları iç içe geçmiş kavramlar. Bu temel yaklaşımlar büyük veri ve iş zekası dünyasında çok önemli. Bazı yaklaşımlar var ve 3. nesil iş zekası araçları çıktı. Verinin bütün paydaşlarla paylaşılmasını öngörüyor. Veri servis platformları ortaya çıktı. Büyük veri üzerine veri keşfi çok önemli. Bu veri keşfiyle ve veri görselleştirmesi ile doğru analizler ve yaklaşımlar sergilenebiliyor. İş zekası araçlarında da büyük veri ile daha yüksek uyumluluk her zaman aranıyor. BilişimBI’da gömülü bir veri yaklaşımı bulunuyor. Yatay ve ölçeklenebilir bir yapısı var ve bu anlamda BilişimBI büyük veriye tamamen uygun. Hücre seviyesinde yetkilendirme ile alttaki bütün verilerin alttaki teknolojilerde ilişkisel veri tabanlarındaki ya da diğer teknolojilerdeki bütün verileri kullanıcılara ve uygulamalara açabiliyor. Biz burada hizmet olarak büyük veri altyapı hizmetleri, uçtan uca devreye alma çözümleri, ayrıca danışmanlık, teknik destek ve veri teknolojileri projeleri sunuyoruz. Örneğin; Merkez Bankası’nın elektronik veri dağıtım sistemini bu kapsamda Bilişim BI platformu altyapısı kullanarak gerçekleştirdik.”
Platform, “Büyük Veri ve Açık Veri Analitiği” paneli ile tamamlandı. Yönetim danışmanı Sadi Abalı’nın yönettiği panelin katılımcıları SAP Türkiye Kıdemli Çözüm Müdürü Bulut Altıntaş, OneDataLake Genel Müdürü Gökçe Öztürk, Türkiye İş Bankası Yapay Zeka ve Veri Analitiği Uzmanlık Grup Lideri Gökhanalp Arslan, Unilever Türkiye Merkez Asya-İran IT Direktörü Şirin Aktaş ve Bilişim A.Ş. Teknoloji ve ARGE Direktörü Ulaş Kula oldu. Sektör fark etmeksizin tüm şirketlerin gerçeği olan büyük veriden eyleme giden süreçte açık veri de çok değerli. Bu noktada açık verinin özellikleri, ülke bazında kullanılabilirlik seviyeleri ve sektör spesifik uygulamalar önemini daha da artıracak.
