- Tüm işler, insanlar ve makineler arasında paylaşılan görev paketleri olarak görülebilir
- Yazılım giderek daha fazla görevi üstleniyor olsa da, iş süreçlerinin büyük bölümü hâlâ insanların sorumluluğunda
- AI agent'larının bu iş dengesini köklü biçimde değiştirmesi bekleniyor
- Önceki nesil yazılımlardan farklı olarak, yeni bilişsel mimariler sayesinde uçtan uca süreçleri dinamik şekilde otomatikleştirebilirler
- Bu, yalnızca okuyup yazabilen bir yapay zeka değil; uygulama mantığının akışını belirleyebilen ve kullanıcı adına eyleme geçebilen bir yapay zeka ve şirketler için LLM'lerin en büyük fırsatını temsil ediyor
Bu sadece RPA değil mi? : RPA'nın sınırları ve sorunları
- Bu size tanıdık gelebilir, çünkü UiPath ve Zapier son 10 yıldır benzer bir vizyonu "bot automation" adıyla satıyor
- UiPath, ekran kazıma ve GUI otomasyonu yoluyla kullanıcı davranışlarını kaydedip sıralı adımları taklit ederek belge içinden bilgi çıkarma, klasör taşıma, form doldurma, veritabanı güncelleme gibi süreçleri otomatikleştiren bir RPA devi
- Sonrasında Zapier gibi iPaaS sağlayıcıları daha hafif bir "API otomasyonu" yaklaşımı getirdi, ancak UiPath'ten farklı olarak kapsamları web uygulaması otomasyonuyla sınırlı kaldı
- UiPath ve Zapier, departman veya sektörlere özgü yazılım sistemlerinin içinde ve arasında yer alan kurumsal süreçlerin long tail kısmını çözmeye yönelik, birleştirilebilir kurallara dayalı yatay otomasyon platformları için bir pazar olduğunu kanıtladı
- Ancak şirketler bot tabanlı otomasyonu ölçekledikçe, mevcut mimarilerin kapasitesiyle vaat edilen otonomi arasındaki boşluk görünür olmaya başladı
- Hâlâ çok sayıda insan kaynağı ve manuel emek gerekiyor. Otomasyon kurma ve bakım süreci hâlâ acı verecek kadar manuel
- UI otomasyonu kırılgan, API entegrasyonları ise sınırlı. UI otomasyonu, yazılım arayüzü değiştiğinde sık sık bozuluyor; API'ler daha kararlı olsa da legacy ya da on-premise yazılımlarla entegrasyon çok daha az
- Yapılandırılmamış verileri işleyemiyor. Kurumsal verilerin %80'i yapılandırılmamış veya yarı yapılandırılmış olsa da, sıralı otomasyon bu verilerle akıllı biçimde çalışamıyor
- Mevcut RPA ve iPaaS çözümleri, LLM entegre etmeye çalışsalar bile deterministik mimarilerin kelepçesinden kurtulamıyor
- UiPath'in Autopilot'u ve Zapier'in AI Actions'ı, yalnızca text-to-action ya da anlamsal arama, sentez ve one-shot üretim için düğümler gibi alt düzey agent tasarım kalıplarında LLM sunuyor
- Bu AI özellikleri güçlü olabilir, ancak süreç otomasyonunda LLM'lerin daha dönüştürücü kullanım örneklerini hâlâ kaçırıyor
AI agent'ları karar motoru olarak temelden farklı
- Agent'lar, günümüz RPA botları veya RAG uygulamalarından farklı olarak, uygulamanın kontrol akışının merkezinde bir karar motoru olarak konumlanıyor
- İlk kez uyarlanabilirlik, çok adımlı eylem, karmaşık akıl yürütme ve güçlü istisna yönetimini mümkün kılıyor
- Bunu fatura mutabakatı (Invoice Reconciliation) örneğiyle açıklarsak, yeni bir fatura PDF'ini şirketin büyük defteriyle eşleştirmeye yönelik sadeleştirilmiş süreç diyagramında iş akışının karmaşıklığı hızla yönetilemez hâle geliyor
- İlk üç karar kümesinin içinde bile, ilgili tüm istisna durumlarını hesaba katmak neredeyse imkânsız hâle geliyor
- Bu iş akışını robot gibi yürüten bir RPA botu çoğu zaman hata verir ve kısmi eşleşmeler ya da eksik kalemleri insana eskale eder
- Ancak aynı iş akışına bir agent uygulandığında çok daha üstün performans sergiler
- Yeni durumlara uyum sağlar: Temel akıl yürütme ve ilgili iş bağlamına dayanarak yeni veri kaynaklarını, fatura formatlarını, adlandırma kurallarını, hesap numaralarını ve politika değişikliklerini akıllıca tanıyıp uyarlayabilir
- Çok adımlı işler yapabilir: Fatura tutarı uyuşmadığında, fiyat değişikliği olasılığını kontrol etmek için tedarikçinin son e-postalarını incelemek gibi çok adımlı araştırmalar yürütebilir
- Karmaşık akıl yürütme sergiler: Uluslararası bir tedarikçinin faturasını büyük defterle mutabık hâle getirmek gerektiğinde, fatura para birimi, defter para birimi, işlem tarihi, döviz kuru dalgalanmaları, sınır ötesi ücretler ve banka masrafları gibi birçok unsurun birlikte aranıp hesaplanması gerekir. Agent bu tür bir zekâyı uygulayabilirken, RPA botu bunu insana eskale edebilir
- Belirsizliği hesaba katar: Tek tek kalemlerdeki yuvarlama hataları veya okunamayan rakamlar gibi istisnaları, toplam sipariş tutarının eşleşmesi ya da geçmiş fatura zamanlaması ve sıklığı gibi bağlamlara dayanarak sağlam biçimde ele alabilir
AI agent pazar haritası
- AI agent'ları artık bilim kurgu değil. Startuplardan Fortune 500 şirketlerine kadar birçok kurum bu sistemleri şimdiden büyük ölçekte satın alıyor ve kullanıyor
- Bugünkü agent pazarı, alan uzmanlaşması ve LLM otonomisi olmak üzere iki ana eksen üzerinden görselleştirilebilir
- Alan uzmanlaşması: Sağlık veya müşteri desteği gibi dikey sektörler ya da departmanlar için özelleşmiş agent'lardan, geniş ve genel işlevlere sahip yatay agent platformlarına kadar uzanır
- LLM otonomisi: Dil modelinin uygulama mantığını bağımsız biçimde planlayıp yönlendirebilme derecesini ifade eder
- Pazar haritasının sağ üst kısmında, en yatay ve en genellenebilir agent'lar bulunur
- Enterprise agent: Doğal dilde SOP'ler veya yeni çalışana verilecek kurallara benzer yönergeler üzerinden, birden fazla işlev ve iş akışı boyunca agent oluşturup yönetebilen ölçeklenebilir platformlar. Çoğu, "agent on rails" mimarisini kullanır; yani agent'ın her yeni süreç için önceden tanımlanmış görevler, iş bağlamı ve guardrail setlerine oturtulması gerekir
- Browser agent: Web'de gezinme, görsel UI işleri ve metin girişi gibi görevleri otomatikleştirmek için çeşitli yazılım arayüzleri ve temel kod tabanları üzerinde eğitilmiş vision transformer'ları kullanan "general AI agent" tasarımını izler. Genellenebilirlik kazanır, ancak bunun karşılığında tutarlılıktan ödün verme eğilimindedir
- AI destekli hizmetler: "agent on rails" tasarımını gerçekten çalıştırmak için kapsamlı veri altyapısı ve guardrail'ler gerektiğinden, Distyl ve Agnetic gibi şirketler, müşteriyle aradaki boşluğu kapatmak amacıyla "AI için Palantir" modeliyle sahaya gömülü mühendislik hizmetleri sunar
- Ancak tüm agent'lar yatay ve genellenebilir olmayı hedeflemiyor. Problem türünü sınırlandırarak güvenilirliği artırabilen alan ve iş akışı odaklı agent'lar giderek çoğalıyor
- Vertical agent: SOP veya kurallara göre insanların yürüttüğü manuel ve prosedürel süreçlerde en umut verici fırsatlar bulunuyor. Müşteri desteği, işe alım, kod inceleme/test/bakım gibi yazılım geliştirme işleri, cold sales ve güvenlik operasyonları bunun başlıca örnekleri
- AI assistant: Alan uzmanlaşması yerine görev uzmanlaşması yoluyla agent odağını daraltmanın bir başka yolu. Enterprise ve vertical agent'ların ele aldığı karmaşık uçtan uca süreçlerin aksine, daha basit ve verimlilik odaklı görevleri yerine getirir
- Kendileri agent olmasa da, RAG mimarisi etrafında kurulan üretken yapay zeka çözümleri de agent tabanlı çözümlerle aynı bütçe ve iş akışları için rekabet edebiliyor
- Vertical AI: Sağlık otomasyon platformu Tennr, faks, PDF ve telefon gibi farklı kaynaklardan gelen yapılandırılmamış verileri çıkarıp kliniğin EHR sistemine girerek sevk işleme sürecini ilerletiyor ve personelin manuel veri girişi ihtiyacını ortadan kaldırıyor
- RAG-as-a-Service: Danswer ve Gradient gibi şirketler, müşterilerin PDF gibi yapılandırılmamış veri kaynaklarını sorgulamasına, veri çıkarmasına ve bunları daha yapılandırılmış veritabanları veya sistemlere girmesine olanak tanıyor
- Enterprise search: Glean, Perplexity, Sana ve benzerleri, kavramsal olarak ilişkili belgeleri indeksleyip arayarak kurum genelindeki bilgiyi daha iyi yönetmek ve veri silolarını yıkmak için anlamsal sorgular sunuyor
Kurumsal otomasyonun geleceği
- Üretken yapay zekanın ikinci dalgası, yalnızca okuyup yazan değil, kullanıcı adına düşünüp hareket edebilen agent'lar tarafından tanımlanacak
- Bu mimariler olgunlaştıkça, AI'nın hizmet ekonomisini ele geçirmesinde güçlü bir katalizör olacak
Henüz yorum yok.