Büyük veri ve yapay zeka son yıllarda en çok duyduğumuz terimlerden olmaya başladı. Kurumlar operasyonları kolaylaştırmak, daha iyi tahminler ve öngörüler üretmek, daha fazla gelir elde etmek ve daha akıllı kararlar almak için yapay zekayı kullanıyorlar. Yapay zeka ile verileri analiz ediyor, müşteri davranışlarını tahmin ediyor, müşterilerin karar verme süreçlerini taklit ediyor ve oldukça karmaşık ve büyük olan verileri kategorize ederken kullanıyorlar. Bu nedenle, bu alanlara yatırım yapmak neredeyse tüm kurumlar için çok önemli ve hatta rekabette var olabilmek için olmazsa olmaz haline geldi.

Bankamız ise verinin önemini ve değerini çok daha önceden görüp uzun yıllardır bu alana yatırım yapıyor. Bu sayede pazara AI alanında satılabilir ürünler üretebilecek kadar güçlü bir analitik kasımız var. Örneğin, Dijital Zeka Q’nun konuşulanı anlama kabiliyetini arttırmak için kendi NLP modelimizi geliştirebiliyoruz. Ya da güvenlik adımlarında kimlik doğrulama, canlılık testi gibi konularda kendi geliştirdiğimiz AI modellerinden faydalanıyoruz. Pazarlama, risk yönetimi, güvenlik süreçleri gibi birçok alanda computer vision, NLP, black box modeller, network analizi gibi son teknoloji AI çözümlerini efektif bir şekilde kullanarak kendimize has öncü çözümler üretiyoruz. Ama biz şimdi bunların detayına inmeyeceğiz: İlgili ekiplerden ayrı ayrı dinlemek daha eğlenceli olur. 😉 Onun yerine bu alanlarda dikkatimizi çeken yeni trendlerden bahsedeceğiz.



Veri gizliliği endişeleri yaratan yapay zeka aynı zamanda çözüm olabilir mi?

Yukarıda da bahsettiğimiz gibi yapay zeka ve büyük veri kullanımı giderek yaygınlaşıyor ve bu artışla beraber kurumların verilerin etik kullanımı ve veri güvenliği konusunda da kendilerini geliştirmeleri gerekiyor. Bu konuda kurumların yaklaşımı ve müşterilerin endişeleri hakkında yapılan bir araştırmanın sonuçlarından bahsetmek istiyoruz*:

• Araştırmaya katılan işletmelerin %70'inin topladıkları kişisel veri miktarını artırdığını, ancak aynı zamanda %62'sinin de kurumlarının müşteri verilerini korumak için daha fazlasını yapması gerektiğini düşündüğünü ortaya koydu.
• Tüketici tarafında ise, tüketicilerin %86'sı veri gizliliği konusunda endişesinin arttığını, %78'i toplanan veri miktarından korktuğunu ve %40'ı da markaların verilerini etik olarak kullandıklarına güvenmediklerini belirtti.

Endişelerin tek sebebi kişisel verilerin kurumlar tarafından kötüye kullanılması da değil. Geçtiğimiz yıllarda yaşanan veri ihlalleri / sızıntıları milyonlarca müşteri verisinin kötü niyetli partilerin eline geçmesine sebep oldu. IBM ve Ponemon Institute tarafından hazırlanan 2021 raporu, müşterilerin kişisel verilerinin (ad, e-posta, parola), veri sızıntılarında en sık görülen veri türü (%44) olduğunu gösteriyor. Bu durum da endişelerin artmasına sebep oluyor.

Hükümetler veri gizliliğini kurumların inisiyatifine bırakmamak için bu konu hakkında yasal düzenlemeler çıkarıyorlar. Ülkemizde KVKK, Avrupa birliğinde GDPR en bildiklerimiz arasında. Bu düzenlemelerin en önemli ortak özellikleri AI sistemlerinin güvenli olmasını sağlamak, verinin müşteriye bildirildiği şekilde ve etik bir şekilde işlenmesini sağlamak ve son olarak kişisel verilerin müşterilerin kontrolünde olmasını sağlamak (nasıl işleneceğine müşterinin karar vermesi veya silinmesini isteyebilmesi gibi).

Öte yandan, yapay zeka müşteri gizliliğini iyileştirmek ve geliştirmek için de şirketlere birçok imkan sağlayabilir. Kötü amaçlı yazılımları ve veri ihlallerini hızlı bir şekilde tespit ederek azaltmak ve hatta hızlı bir şekilde gerekli aksiyonları almak, gizlilik uygulamalarını standart hale getirmek ve KVKK gibi gizlilik düzenlemeleriyle daha uyumlu hale gelmek için yapay zeka kullanılıyor. Örneğin, müşteri hareketlerindeki anormallikleri ve veri sızıntılarını tespit etmek için yapay zekadan yararlanılabiliyor. Hatta gelişmiş AI sistemleriyle tespit edilen riskleri önlemeye yönelik anında aksiyon da alınabiliyor. AI sistemleri batch ve gerçek zamanlı datalardan hassas olanları tespit edip otomatik olarak maskeleme yapabiliyor ya da riskli durumlarda bazı işlemlere kısıtlamalar getirebiliyor. En başta da söylediğimiz gibi banka olarak da AI’dan güvenlik süreçlerinde oldukça fazla faydalanıyoruz. Bir kimliğin doğru olup olmadığını anlama ya da çağrı merkezini arayan bir kişinin sesinden gerçekte o kişi olup olmadığını doğrulama buna verebileceğimiz örneklerden bazıları.

Yapay zekada eğlenceli ve ümit vadeden gelişme: Generative AI

Generative AI, daha önce sadece insanların üretebildiği yaratıcı eserler üretmeye yardımcı olan yenilikçi bir teknolojidir. AI'daki bu yeni teknoloji, modele girdi olarak verilen eğitim verisindeki orijinal parçalardan patternleri belirleyerek, aynı özellikleri gösteren yaratıcı ve özgün parçalar oluşturur. Örneğin, oyun tasarımcıları oyun karakterleri üretmek için Generative AI'ı kullanabilir, oluşturulacak içerikte neyi tercih ettiklerini ve neyi tercih etmediklerini belirterek Generative AI’ın buna göre tasarım yapmasını sağlayabilirler.

Sağlık alanında, Generative Adversarial Networks (GANs), tümör büyüme olasılığını daha iyi anlayabilmek için bir X-ray görüntüsünün birkaç açısını hesaplayıp oluşturabilir.

Generative AI film restorasyonu için de kullanılıyor. Eski görüntülerde saniye başına düşen görüntü sayısı maksimum 23 iken 60 görüntüye çıkarıyor. Görüntülerdeki renkleri arttırıp, parazitleri de temizleyerek görüntü kalitesini 4K’ya çıkarabiliyor. Ek olarak, Generative AI insan yüzlerinin, çeşitli objelerin ve yerlerin fotoğraflarını üretebiliyor. Aşağıdaki örnekte bir fotoğrafı baz alarak farklı yaş, cinsiyet ve fiziksel özelliklerde yeni insan fotoğraflarını ürettiğini görebiliriz:

Bir başka uygulama alanı ise bir sanatçının tarzını öğrenip o sanatçının elinden çıkmış yeni eserler üretmek. Aşağıdaki örnekte yapay zeka modeli bir manzara fotoğrafının ünlü ressamların fırçasından çıksaydı nasıl olacağını tahminlemiş:

Generative AI şimdiden görüntü üretimi, eski filmlerin restorasyonu ve 3D ortam oluşturma için bir nimet haline gelirken, bu teknolojinin yakında diğer birçok sektör dikeyinde de önemli bir etkisi olacak. Biz, gelecekte bankacılık sektöründe Generative AI’ın fraud modelleri için data üretme, kimlik tespitinde kullanılan verileri çeşitlendirme gibi konularda kullanılabileceğini düşünüyoruz. Ancak her ümit vadeden teknoloji gibi Generative AI da kötü amaçlar için kullanılabilir. Kötü kullanıma olanak sağlayan en bilindik örnek ise var olan videolardaki kişilerin farklı insanlarla değiştirildiği yapay medya ürünü olan Deep Fake. İnternette sık sık ülkemizden ve dünyadan çeşitli siyasetçilerin yapay zeka ile üretilmiş sahte videolarına denk gelmişsinizdir, o videolar da birer Deep Fake ürünü. Bu sahte videolarla masum insanlar hakkında iftiralar ortaya atılabilir ya da hata yapmış birinin görüntüsü ortaya çıktığında bunun sahte olduğunu iddia edebilir. Gelecekte bu teknolojinin insanlara zarar vermesini engellemek için, bir yandan Generative AI’ın bize sunduğu faydalardan yararlanırken diğer yandan olası kötü kullanımlara karşı önlem almak gerekecek.

Veri altyapısının geleceği: Data mesh ve data fabric

Son yıllarda toplanan verinin boyutunun artması ve kompleksleşmesi ile birlikte veri altyapısı tarafında da sürekli olarak yeni trendler göze çarpıyor. Bizim en çok dikkatimizi çeken 2 trend ise data mesh ve data fabric. Öncelikle şunu belirtelim ikisi birbirinin yerine geçebilecek yapılar değil. Data mesh bir paradigma iken Data fabric çeşitli firmalar tarafından platform olarak da sunulan bir mimari. İkisinin de ulaşmaya çalıştığı hedefler verinin daha iyi ve daha hızlı bir şekilde işlenmesi iken sundukları çözümler birbirinden farklı. Şimdi bunları biraz daha detaylı inceleyelim.

Data mesh nedir?
Hepimizin bildiği gibi veri ambarları çok uzun yıllardan beri hayatımızda olan ve büyük şirketler tarafından kullanılan bir teknoloji. Veri ambarlarında farklı domainlerden toplanan kaynak veriler merkezi bir sistemde toplanır ve düzenlenip zenginleştirilerek tekrar bu farklı domainlerdeki ekiplere sunulur. Örneğin analitik ekibin hazırladığı modeller kullanılarak skorlar hesaplanır ve bunlar bir tabloya yazılarak tekrar analitik ekiplerin kullanımına sunulur. Fakat günümüzde bu merkezi sistemlerde biriken veriler hem çok büyüdü hem de kompleksleşti. Eskiden sadece müşteriler tarafından doldurulan formlardaki bilgilerin bu veri ambarlarında saklanma ihtiyacı varken şimdi fotoğraf, video ve pdf gibi unstructured data türlerinin de saklanması gerekiyor. Böyle olunca da bu tip verilerin veri ambarlarında saklanması büyük bir problem haline geldi. Zaman içerisinde saklama alanlarının arttırılmasıyla birlikte bu veri türlerinin de saklanması sağlandı fakat hala merkezi bir sistemde bunun yönetilmesi diğer teknik ekiplerdeki gidişatın aksine bir durum. Örneğin yazılım ekiplerinin monolitik uygulamalardan, mikroservis mimarilerine geçişlerini görüyoruz. Bunun sebebi sistemdeki farklı parçaların birbirinden etkilenmemesini sağlamak. Örneğin sistemdeki bir parçada değişiklik yapılacağı zaman direkt eski uygulamayı çıkarıp yenisini eklemek mikroservislerin kullanımında mümkün oluyor. Ya da sistemdeki uygulamalardan birinin arızası söz konusu olduğunda diğerleri bundan etkilenmiyor. Bütün dünya dağıtık sistemlere doğru giderken veri ambarının tamamen monolitik olarak kalmasını beklemiyorduk zaten. Veri ambarını da bölelim dediğimizde örneğin verinin yaşam döngüsüne göre bölmek ilk akla gelen yöntemlerden biri olabilir. Fakat buna göre böldüğümüzde merkezi yapının sahip olduğu en büyük dezavantajlarından biri olan veriyi yöneten ekibin verinin asıl sahibi olmamasının getirdiği domain bilgisi eksikliği katlanarak devam ediyor. Tam da bu noktada çözüm olarak data mesh paradigması ortaya çıkıyor. İlk olarak şunu belirtelim; data mesh bir platform değildir, blokchain teknolojisinin merkeziyetsizleşme özelliğinden esinlenen yenilikçi bir düşünce yapısı, yaklaşımdır. Buna ek olarak, data mesh birçok açıdan mikroservislerin veri platformu versiyonudur diyebiliriz.

Data mesh modern ve gelişmiş bir veri varlığı yönetimi konseptidir. Dağıtılmış bir mimari ile datanın üretildiği departmanlarda / domainler-de saklanmasına izin verilir. Buradaki ana fikir, veri sahiplerini, veri üreticilerini ve veri tüketicilerini doğrudan birbirine bağlayarak verileri veri kullanıcıları için daha erişilebilir, hızlı ve kullanılabilir hale getirmektir. Ayrıca bu yöntemle veri ekiplerinin de domain bilgisinin artmasını sağlayabiliyoruz.

Örneğin, geleneksel bir yapıda satış, stok yönetimi, muhasebe gibi birçok süreçten akan verilerin tamamı ortak bir veri ambarında toplanır, işlenir, zenginleştirilir ve buradan tüm ekiplere dağıtılır. Data mesh mimarisinde ise, her ekip kendi verisini kendi veri ambarında toplar ve yönetir. Diğer domainlere veriyi kendisi sağlar. Data mesh mimarisi verinin saklanması ve paylaşılmasındaki standartları belirleyerek bu iletişimi kolaylaştırır. Böylece hem saklama alanı problemlerinin önüne geçilerek hız kazanılmış olur hem de veriyi ilk elden veri sahipleri işlediğinden domain bilgisinden daha fazla yararlanılmış olur.

Şu anda Intuit, JPMorgan Chase, Zalando ve HSBC gibi firmalar bu alana yatırım yapıyor. Saklamak zorunda olduğumuz verinin boyutu ve çeşitliliği arttıkça data mesh’i bir çözüm olarak gelecekte daha çok göreceğimizi düşünüyoruz.

Data fabric nedir?
Son on yılda hibrit bulut, yapay zeka ve nesnelerin interneti (IoT) alanındaki gelişmeler, büyük verinin katlanarak büyümesine yol açarak veri yönetimini karmaşıklaştırdı. Veriler çok sayıda platformda birbirinden farklı standartlarla tutulur hale geldiler. Bu da entegrasyon problemlerine yol açtı. Araştırmalara göre platformlar arası entegrasyonlara harcanan zaman verimliliği %30 düşürüyor. Deploylar ve bakım için harcanan zaman da cabası. Bu uzun süreler nedeniyle, toplanan veri ile edinilen bilgi arasında boşluk oluşmaya başladı. Yine araştırma sonuçlarına göre şirketlerin topladıkları verilerin %60-73’ü kullanılamıyor. İşte tam da bu noktada, data fabric ümit vadeden bir gelişme gibi görünüyor.

Bir veri işleme sürecinde veriye farklı platformlardan (EDW, data lakes, RDBMS, SaaS) ulaşmak, sonrasında bu verinin yaşam döngüsünü yönetmek, güvenlik için gerekli tedbirlerin alınması, yasal düzenlemelere göre uyumlanması, en sonunda da farklı iş ihtiyaç-larına göre farklı iş zekası ve veri bilimi platform-larının kullanımına sunulması gerekiyor. Gele-neksel yöntemlerde bütün bu işlemler farklı platformlarda yapılıyor; platformlar arasında verinin uyumlu hale getirilmesi ve entegras-yonun sağlanması büyük maliyetler oluşturuyor. Data fabric ise bütün bu işlemlerin tek bir platform üzerinden yapılmasını sağlıyor. Farklı platformlardan verilere erişebiliyor, standartlar belirleyerek verilerin birbirleriyle uyumlu bir şekilde tutulmasını garanti altına alıyor. Böylece veri yönetiminde yapılan işlemler ortaklaştırıla-biliyor. Örneğin, bir maskeleme yapılması gerekiyorsa bu platform üzerinden tüm veri kaynalarımızda ortak bir maskeleme yapılabi-liyor.

Daha önce data mesh’ten bahsetmiştik. Data mesh’in etkin bir şekilde çalışabilmesi, domain-lerde tutulan verinin ortak standartlarla yöne-tilmesine bağlı. Bu noktada, data fabric bu ortak standartları sağlayan çözüm olabilir. Biz data mesh ve data fabric’in birbirinin gelişimi hızlandıracağını ve birlikte yaygınlaşacaklarını düşünüyoruz.

Duygusal ihtiyaçları dikkate alan makineler

Şimdi Inma Martinez’in Finovate 2022 konuşmasından esinlendiğimiz ve Maslow’un ihtiyaçlar hiyerarşisinden çıkarım yapılan Human Centric AI trendi ile devam edeceğiz. Bir sonraki sayfada Maslow’un ihtiyaçlar hiyerarşi-sini gösteren piramidinin ürün yönetim süreç-lerine uyarlanmış halini görüyorsunuz. Bu adımları kısaca açıklayalım:

Fizyolojik ihtiyaçlar: Ürün ve hizmetlerimizi kolay ulaşılabilir şekilde müşterilere sunmak
Güvenlik ihtiyaçları: Müşterilerimizi sistemin kendisinden veya sistemdeki diğer risklerden kaynaklanan güvenlik sorunlarından korumak
Ait olma ve sevgi ihtiyaçları: Müşterilerimize konfor ve güven ortamı sağlamak
Değer ihtiyaçları: İşlevsellik ve kolay kullanılabilirlik ihtiyaçlarının ötesinde bireylere ve topluma değer katmak
Kendini gerçekleştirme ihtiyaçları: Ürün ve hizmetlerimizle müşterilerimizin günlük faaliyetlerine dahil olarak onların kendini gerçekleştirme süreçlerine eşlik etmek, katkıda bulunmak

Bu hiyerarşide ilk 2 seviyedeki fizyolojik ihtiyaçlar ve güvenlik ihtiyaçları göz ardı edilemez olmakla birlikte artık olmazsa olmaz haline geldiler. Bu ihtiyaçların fark yaratabilmek için değil var olabilmek için karşılanması gerekiyor. İhtiyaç hiyerarşisinde yukarıya doğru çıktıkça, fark yaratabileceğimiz konularla karşılaşıyoruz. Müşterilerimize aidiyet duygusunu hissettirebilmek için konfor alanları oluşturmamız, değerli hissettirebilmek için deneyimi hep bir adım daha öteye taşımamız ve müşterilerimizin günlük faaliyetlerine dahil olmamız gerekiyor.

AI’dan faydalanırken de fark yaratmak için odaklanmamız gereken alan piramidin üst basamakları. Algoritmaları tasarlarken mutlaka duygusal değerlere de yer vermeliyiz. Örneğin, müşterilerimizin chatbot ile yazışmalarındaki ya da sosyal medyadaki ruh hallerini belirleyip değişken olarak kullanabiliriz. Böylelikle AI müşterinin o anki ruh halini dikkate alıp duygusal ihtiyaçlarını karşılayacak şekilde çözümler sunabilir. Dijital Zeka Q’yu tasarlarken de bu konuya oldukça önem verdik. Q’nun sadece mekanik bir robot gibi algılanmaması, müşterisini pamuklara saran bir müşteri temsilcisi gibi hissettirmesi için tüm detayları düşündük. Her bir müşterimizin alışkanlıklarını, tercihlerini ve o anki durumunu anlayacak algoritmalar ve karar alma sistemleri yarattık. Bu sistemlerden beslenen bilgi ile kişiye özel müşteri yolculukları tasarlayabildik. Müşterilerimizi büyük bir zihinsel yükten kurtarırken aynı zamanda duruma uygun sıcak konuşma dili ile onların duygularına hitap ettik. Daha gidecek yolumuz elbette var ancak geldiğimiz noktayla ilgili duyduğumuz gururu da fark etmişsinizdir 😊 Özellikle müşterilerin bunu hissettiklerini görmek bizi ekstra mutlu ediyor…

Buna bir diğer örnek de çağrı merkezini arayan müşterilerimizi hangi temsilcinin karşılayacağını belirleyen modelimiz. Bu modelle müşterilerimizi beklentilerine ihtiyaçlarına uygun temsilcilerle buluşturabiliyoruz.

Gelecekte bu örneklerin çoğalacağını ve AI modellerinin müşterinin duygusal durum ve ihtiyaçlarını anlamak için daha çok kullanılacağını düşünüyor, bu yönde yatırım yapıyoruz.

Özetle büyük veri ve yapay zekanın yarını…

Günümüz dünyasında satın alma süreçlerinde fiyat ve fonksiyonellik “zaten olması gerekenler” sınıfına kayarken, tüketiciler kararlarını duygusal ihtiyaçlarının ne kadar karşılandığına göre veriyorlar. Ek olarak daha önce müşteri deneyimi trendlerini anlattığımız bölümde söylediğimiz gibi bizce “kişiselleştirme” reka-bette ayrıştırıcı güç olacak. Bu nedenle geleceğin dünyasında müşterinin duygularını da dikkate alan ve kişiselleşmeye olanak sağlayan AI modellerinin öne çıkacağını düşünüyoruz.

Bir diğer öngörümüz ise Generative AI gibi yaratıcı çözümlerin hayatımızın pek çok alanında biz fark etmeden kullanılır hale gelecek olması. Belki Generative AI kullanarak tasarlanan kıyafetleri giyeceğiz ya da bir sonraki doktor randevumuzun ne zaman olması gerektiğini bize AI söyleyecek. Bütün bunların başarılı olması için datanın yönetilebileceği data mesh ve data fabric gibi yeni kavramlar daha çok konuşulacak ve üzerine daha çok yatırım yapılacak.

Öte yandan tüm faydalarının yanında AI’ın PR amaçlı da daha çok kullanılacağını düşünüyoruz. Örneğin, hatırlarsınız 90’lı yılların sonunda IBM’in Deep Blue’sunun Kasparov’u yenmesini tüm dünya konuşuyordu. Ardından, 2011 yılında IBM Watson Jeopardy bilgi yarışmasında tüm zamanların en iyi 2 şampiyonuna karşı yarışıp onları yendi. Burada IBM bir yandan yapay zekadaki uzmanlığını geliştirirken bir yandan da bu işin PR’ını akıllıca yaparak pazardaki teknolojik konumunu desteklemiş oldu. Gelecekte AI’a yapılan yatırım arttıkça bunun PR yansımalarının da daha çok olması kaçınılmaz gibi duruyor.

Şu ana kadar AI’ın geleceği ile öngörülerde bulunduk. Bu bölümü, tüm bu pozitif öngörülerimizin gerçekleşebilmesi için ön koşul olan "güven" konusunu bir kez daha vurgulayarak bitirmek istiyoruz. Firmaların tüketicilerin güvenini kazanabilmek için bir yandan AI'a yatırım yapmaları, bir yandan da veri güvenliğine yönelik önlemleri sürekli gözden geçirmeleri gerekecek.