- Andrew Ng, AI ajanları ve agentic sistemler kavramını merkeze alarak, ajan tanımı tartışmasından çok özerklik spektrumuna odaklanmayı öneriyor
- Bugün gerçek iş fırsatları, karmaşık ve tamamen özerk ajanlardan ziyade basit, doğrusal ya da az sayıda dallanmaya sahip iş akışlarında daha fazla bulunuyor
- Agentic sistemlerin tasarımı ve işletimi için gerekli pratik beceriler (iş parçalama, değerlendirme sistemleri, veri bağlantıları vb.) hâlâ kıt ve çeşitli araçları kullanabilme yeteneği önemli
- Değerlendirme (evals), ses yığını (voice stack), AI kod asistanları gibi araçlar yeterince ilgi görmeyen temel araçlar arasında sayılıyor
- Startup başarısında temel faktörler uygulama hızı ve derin teknik anlayış; ayrıca AI araçlarının gelişmesiyle daha fazla geliştirici olmayan kişinin de temel kodlama becerilerine sahip olması üretkenliği artırmaya yardımcı oluyor
Introduction
- Andrew Ng'nin LangChain gibi çeşitli AI/ajan projeleri ve topluluklarına katkı sunmuş arka planı tanıtılıyor
- Ajan tanımı tartışması yerine, agentic sistemlerin farklı derecelerde özerkliğe sahip olabileceği vurgulanıyor
- “Gerçekten ajan mı?” diye tartışmak yerine, özerkliği bir spektrum olarak görüp daha pratik yaklaşmak öneriliyor
Opportunities: Gerçek iş fırsatları
- Gerçekte birçok iş akışı doğrusal bir akıştan ya da sadece küçük dallanmalardan oluşuyor
- Örnek: web formu doldurma, veritabanı sorgulama, basit arama gibi tekrar eden işlerin otomasyonu
- İş parçalama ve ince ayar (mikro görevlere ayırma), değerlendirme metrikleri tasarımı ve iş akışı iyileştirme gibi operasyonel yetkinlikler kıt
- Karmaşık agentic iş akışları da önemli olsa da, değer yaratımının büyük kısmı basit ve tekrarlayan yapılardan geliyor
Skills: Ajan geliştiricilerin sahip olması gereken yetkinlikler
- İş süreçlerini analiz ettikten sonra veri toplama/entegrasyon, prompt yazımı ve süreç bölme gibi sistematik tasarım becerileri gerekiyor
- Otomatik değerlendirme sistemleri (sistem/bileşen bazında performans takibi, değerlendirme çerçevesi kurma vb.) kritik önemde
- Deneyimli ekipler “gereksiz iyileştirmelere” saplanmak yerine, sorunları verimli biçimde aşma ya da alternatifle çözme yoluna gidiyor
- Çeşitli AI araçlarını ve framework'leri gerçekten kullanarak, karar alma ve deneme hızlarıyla araçları birleştirme becerileri (lego blokları gibi kullanım) artıyor
AI Tools & Değişim
- Son 2-3 yılda AI araçları ekosistemi (ör. Langgraph, RAG, chatbot, bellek yönetimi, değerlendirme/guardrail vb.) çeşitlendi
- Araçlar lego blokları gibi farklı şekillerde birleştirilebildiğinden, pratik kullanım deneyimi arttıkça daha hızlı karar vermek mümkün oluyor
- LLM'lerin context window kapasitesinin artmasıyla RAG gibi bazı tekniklerin pratik rolü değişiyor; hyperparameter tuning'in önemi azalıyor
Underrated Tools: Değeri yeterince bilinmeyen temel araçlar
- Evals (otomatik değerlendirme): Birçok ekip bunu gereğinden fazla zor görüyor; küçük örneklerle hızlıca kurup geliştirme alışkanlığı önemli
- Voice stack (ses tabanlı iş akışları): Büyük şirketlerde talep ve kullanım hızla artıyor, ancak geliştirici topluluğunun ilgisi yetersiz
- AI kod asistanları: AI destekli kodlama üretkenliği artırıyor; tüm ekip üyelerinin temel kodlama becerileri edinmesi rol bazlı üretkenliği yükseltiyor
- AI Fund örneği: resepsiyon görevlisinden CFO'ya ve avukata kadar herkes kodlama öğrenerek iş verimliliğini artırıyor
Voice Application'in özellikleri
- Ses girişi, metin prompt'larına göre kullanıcı yükünü azaltıyor ve bilgilerin daha hızlı girilmesini sağlıyor
- Ses tabanlı ajanlarda yanıt süresi (gecikme) çok önemli; ideal olarak 1 saniyenin altında olmalı. Gerçek zamanlı etkileşim için çeşitli UX hileleri kullanılıyor (ör. pre-response, arka plan gürültüsü)
- Ses arayüzlerinin uygulanabileceği alanlar ve kullanım potansiyeli çok büyük, ancak daha fazla geliştirici aracı ve destek altyapısı gerekiyor
MCP: Standardizasyon ve veri entegrasyonu
- MCP(Mesh Capability Protocol): Farklı veri kaynaklarını, API'leri ve araçları standartlaştırılmış bir arayüzle bağlamaya yönelik sektör trendi
- MCP standardı hâlâ erken aşamada, ancak karmaşık veri ve araç entegrasyonunu basitleştiren temel bir eksen hâline gelmesi bekleniyor
- n adet ajan ile m adet veri kaynağını bağlarken, entegrasyonu n*m yerine n+m maliyetiyle yapabilmeyi sağlayan bir vizyon sunuyor
Agent-to-Agent sistemleri
- Çok ajanlı sistemler ve ajanlar arası etkileşim henüz çok erken aşamada; şimdilik somut başarı örnekleri çoğunlukla aynı ekip içinde görülüyor
- Farklı ekipler ya da şirketler arasındaki ajan etkileşimi, gelecekte gelişecek bir alan olarak görülüyor
Vibe Coding ve AI ile kodlama
- AI asistanıyla birlikte kod yazma anlamındaki 'Vibe Coding' olgusu, gerçekte yüksek odak ve zihinsel emek gerektiriyor; adının aksine yalnızca “hissederek” kod yazmak değil
- AI kod asistanlarının gelişmesiyle, daha fazla geliştirici olmayan kişi ve farklı meslek gruplarında kodlama becerisinin önemi artıyor
- Kodlama öğrenmek gelecekteki üretkenliğin anahtarlarından biri; en az bir programlama dilinin, özellikle Python'ın öğrenilmesi öneriliyor
Advice for Startups: AI startup'larına tavsiye
- Startup başarısında birinci öncelik uygulama hızı, ikinci öncelik ise teknolojiye dair derin anlayış
- Pazarlama, satış ve fiyatlandırma önemli olsa da, teknolojinin gerçekten nasıl çalıştığına ve en yeni teknik değişimlere dair anlayış daha kıt ve daha değerli
- Teknolojinin derin özüne dair sezgiye sahip ekipler sorunları daha hızlı ve verimli çözebiliyor
2 yorum
MCP (Mesh Capability Protocol) kısmı bir yazım hatası sanırım?
Ajanlarda işlevleri ve yetkileri nasıl parçalayıp iş akışını nasıl kurguladığınız başarının anahtarı gibi görünüyor.
MCP yakın zamanda ortaya çıkan bir terim olduğu için, LLM bunu eğitiminde görmemiş ve bu yüzden garip bir kelime kullanıyor gibi görünüyor lol