- Moda, Amplitude’ın dahili verilerini bağlayarak sorulara hızla yanıt veren ve PRD gibi çıktılar üreten bir yapay zeka aracı
- Başlangıçta yalnızca birkaç kişiyle paylaşıldı, ancak faydası kanıtlanınca şirket geneline patlayıcı biçimde yayıldı
- Küçük fikir kırıntılarını temel alıp bunları somut ve olgun dokümanlara dönüştürme sürecini otomatikleştiriyor
- Daha dağıtıma çıkmadan çalışanlardan beklenti ve talepler yağdı; bu yüzden kısa sürede canlı ortama alındı
- Veri erişilebilirliğini ve doküman yazım hızını çarpıcı biçimde artırarak verimlilikte büyük bir değişim yarattı
Amplitude’ın dahili yapay zeka aracı Moda’yı geliştirme ve kullanma stratejisi
- Amplitude CTO’su Wade Chambers, şirket içinde geliştirdiği yapay zeka aracını deneme amaçlı olarak bazı çalışma arkadaşlarına gösterdi
- Tepki o kadar büyüktü ki bir hafta içinde tüm şirket kullanmaya başladı
- Mevcut sorun: şirket içi verilere erişmek, gerekli materyalleri bulmak ve bunları dokümanlaştırmak uzun zaman alıyordu
- Hedef: herkesin doğal dille soru sorarak veri temelli yanıtlar alabilmesini ve aynı anda olgun dokümanlar üretebilmesini sağlamak
-
Başlıca özellikler
- Veri erişimini otomatikleştirme: dahili depolar, loglar ve analiz verileri üzerinde gerçek zamanlı arama
- Doküman üretimi: PRD, analiz raporları ve benzeri çeşitli dokümanlar için yapay zeka tarafından otomatik taslak oluşturma
- Fikir genişletme: tek satırlık notları veya kaba fikirleri ayrıntılı dokümanlara dönüştürme
- Anında dağıtım: geliştirme aşamasında yüksek talep görülünce hızla canlıya alma
Temel noktaların özeti
1. 3~4 haftalık boş zamanda güçlü bir dahili yapay zeka aracı geliştirmek
- Normal işlerin dışındaki boş zamanlar kullanılarak 3~4 hafta içinde dahili yapay zeka aracı Moda geliştirildi
- İlk hedef: şirket içi verileri hızla aramak ve PRD benzeri dokümanları otomatik oluşturmak
- Yaklaşım: kusursuz bir üründen ziyade, çalışan bir prototipi hızla üretmek ve gerçek sorun çözümüne odaklanmak
- Geliştirme sürecinde veri erişim API’leri ile şirket içi bilgi tabanı bağlanarak soru → veri toplama → doküman üretimi sürecinin tamamı otomatikleştirildi
2. Sosyal mühendislikle yalnızca 1 haftada şirket geneline yayılım
- CTO Wade Chambers bazı çalışma arkadaşlarına demo yaptı → anında olumlu tepki ve kulaktan kulağa yayılım
- Bilerek önce yalnızca 'özenle seçilmiş küçük bir grupla' paylaşarak ilk heyecan yaratıldı ve bunun çevreye yayılması sağlandı
- "Bunu ne zaman kullanabileceğiz?" talepleri patlayınca, resmi lansmandan önce bile şirket genelinde kullanım için hazırlık tamamlandı
- Hızlı benimsenme için karmaşık onay süreçleri en aza indirildi ve anında dağıtım stratejisi kullanıldı
3. Yapay zeka destekli müşteri geri bildirimi analizi ve ana temaların belirlenmesi
- Ürün yöneticileri Moda’yı kullanarak birden çok veri kaynağından (destek talepleri, anketler, NPS, sosyal medya vb.) müşteri geri bildirimi topladı
- Yapay zeka geri bildirimleri otomatik olarak sınıflandırdı ve tekrar eden temel temaları özetledi
- Buna dayanarak ürün iyileştirme öncelikleri ve müşteri ihtiyaç analizi raporları hızla üretildi
- Manuel analize kıyasla zaman ve insan kaynağı tasarrufu büyük oldu
4. Araştırma, PRD ve prototip üretimini tek bir toplantıda sıkıştırmak
- Geleneksel iş akışı: araştırma → fikir toplantısı → PRD yazımı → prototip üretimi (haftalar sürer)
- Moda kullanıldığında tek bir toplantıda şunlar yapılabiliyor:
- fikir girişi → ilgili veri/örnek arama
- yapay zekanın PRD taslağı oluşturması
- yapay zeka desteğiyle prototip tasarımına kadar ilerleme
- Toplantı bittiğinde elde zaten uygulanabilir bir somut plan ve bir ön prototip bulunabiliyor
5. Rol değiştirme alıştırmalarıyla ekipler arası empati ve akıcılığı artırmak
- Ürün, tasarım ve mühendislik ekipleri birbirlerinin rollerini yapay zeka araçlarıyla simüle ediyor
- Örnek: mühendis yapay zeka üzerinden tasarım önerileri üretiyor, tasarımcı ise yapay zekayla teknik kısıtları dikkate alıyor
- Rol değişimi deneyimi ekipler arası dilin ve bakış açısının anlaşılmasını artırıyor, iş birliği verimliliğini yükseltiyor
- Yapay zeka karmaşık uzmanlık bilgisini hızla çevirip özetlediği için giriş engeli azalıyor
6. Mühendislik ekibinin teknik borcu çözmesine destek
- Moda, mevcut kod tabanını analiz etme ve dokümantasyon işlerini otomatikleştirerek teknik borcun tespitini hızlandırıyor
- Eski sistemlerde ortaya çıkan sorunları yapay zeka öncelik sırasına koyuyor ve refaktöring önerileri de sunuyor
- Teknik borç çözüm planını veri temelli sunduğu için yönetim ve geliştirme ekipleri arasında uzlaşmak kolaylaşıyor
- Tekrarlayan bakım ve risk yönetimi işleri daha öngörülebilir ve sistematik biçimde yürütülüyor
2 yorum
Bunu boş zamanında yaptığını söylemesi, kötü bir emsal olarak kalmaz umarım.
Neden kurum içi araçlar hep birinin elini taşın altına koyup kendi boş zamanını harcayarak yapmak zorunda olduğu şeyler oluyor ki..
“Amplitude CTO’su Wade Chambers’ın şirket içinde geliştirdiği yapay zeka aracını deneme amaçlı olarak bazı çalışma arkadaşlarına göstermesi”
Hayongho’nun sunum materyallerinde bahsedilen Naver yazısında da olduğu gibi, yapay zeka dönüşümünün şirket geneline iyi yayılması için C-level düzeyinde irade veya hedef olması gerekiyor gibi görünüyor.