Yapay Zekâ Veriyi Buluyor. Peki Ne Anlama Geldiğini Biliyor mu?
AI çağında asıl veri problemi erişimden anlama doğru kayıyor. Semantic layer, ontology, knowledge graph ve context gibi kavramlar bu yüzden kurumsal veri altyapısının yeni temel katmanlarına dönüşüyor.
Yapay zekânın veriyle ilişkisi hızla değişiyor.
Birkaç yıl önce temel problem veriye ulaşmaktı. Veriler farklı sistemlerde tutuluyor, analistler doğru tabloyu bulmaya çalışıyor, SQL sorguları hazırlanıyor ve sonuçlar dashboard'lara taşınıyordu.
Şimdi AI ajanları bu sürecin önemli bölümünü kendi başlarına gerçekleştirebiliyor.
Bir ajan veri ambarına bağlanabiliyor, SQL yazabiliyor, farklı kaynakları sorgulayabiliyor, dokümanları tarayabiliyor ve birkaç saniye içinde analiz üretebiliyor.
Bu gelişme ilk bakışta veri problemini çözüyor gibi görünüyor.
Aslında yalnızca problemin yerini değiştiriyor.
Çünkü yeni soru artık:
“AI veriye ulaşabiliyor mu?” değil, “ulaştığı verinin ne anlama geldiğini biliyor mu?”
Bu fark, önümüzdeki dönemin veri ve araştırma altyapısını belirleyebilir.
Bir şirketin veri ambarında customer, revenue, active_user, penetration veya market_share gibi alanlar bulunduğunu düşünelim.
İnsan gözüne bunlar oldukça açık görünebilir.
Fakat gerçekte hiçbiri kendi başına yeterince açık değildir.
Örneğin “aktif müşteri”:
Son 30 gün içinde alışveriş yapan müşteri mi?
Son 90 gün içinde işlem gerçekleştiren mi?
Aboneliği devam eden herkes mi?
İade yapan müşteriler dahil mi?
Kurumsal ve bireysel müşteriler birlikte mi hesaplanıyor?
Bir analist kurum içinde çalıştıkça bu ayrıntıları öğrenir. Bazıları dokümantasyonda bulunur, bazıları ekipler arasında aktarılır, bazıları ise zamanla kurumsal hafızanın parçası haline gelir.
AI'ın böyle bir hafızası kendiliğinden oluşmaz.
Veri tablosunun yapısına bakarak iş mantığını tahmin edebilir.
Ve sorun tam olarak burada başlar.
AI'ın tahmin etmesini istediğimiz şey analiz olabilir. Verinin tanımı olmamalıdır.
Modern AI analitiğinin temel gerilimlerinden biri burada ortaya çıkıyor.
Bir yönetici şu soruyu sorduğunda:
“2025 yılında toplam satışımız ne kadardı?”
tek bir kurumsal cevap bekleriz.
Aynı soru bugün, yarın veya başka bir kullanıcı tarafından sorulduğunda sonuç değişmemelidir.
Çünkü soru deterministiktir.
Ama:
“2027 yılında satışlarımızı nasıl artırabiliriz?”
sorusunun tek bir doğru cevabı yoktur.
AI farklı senaryolar oluşturabilir, farklı ilişkiler kurabilir ve farklı öneriler geliştirebilir.
Bu olasılıksal davranış AI'ın güçlü olduğu alanlardan biridir.
Sorun, bu iki dünyanın birbirine karışmasıdır.
Bir LLM'nin yaratıcı düşünmesini istediğimiz alanlarla, kesin kurallara bağlı kalmasını istediğimiz alanları ayırmadığımızda oldukça ikna edici ama kurumsal olarak yanlış sonuçlar ortaya çıkabilir.
Bu nedenle geleceğin veri altyapısının yalnızca AI'a veri sağlaması yeterli olmayacak.
Hangi bilginin yorumlanabileceğini, hangisinin ise kesin bir tanıma bağlı olduğunu da anlatması gerekecek.
Semantic layer kavramının önemi tam burada ortaya çıkıyor.
Basitçe düşünürsek semantic layer, ham veri ile veriyi kullanan insanlar veya makineler arasında ortak bir anlam katmanı oluşturur.
Örneğin:
Net Revenue
metriğinin nasıl hesaplandığı merkezi olarak tanımlanabilir.
Hangi satışların dahil olduğu, iadelerin nasıl düşüldüğü, vergilerin dahil edilip edilmediği ve hangi para biriminin kullanılacağı burada belirlenebilir.
Böylece dashboard başka, analist başka, AI ajanı başka hesaplama yapmaz.
Hepsi aynı tanımı kullanır.
AI açısından bunun önemi daha büyük.
Çünkü modelin:
“Sanırım revenue şu kolonların toplamıdır.”
diye tahmin yürütmesi yerine:
“Revenue kurum tarafından şu şekilde tanımlanmıştır.”
bilgisine ulaşması mümkün olur.
Semantic layer böylece yalnızca BI dünyasının bir standardizasyon aracı olmaktan çıkar.
AI'ın kurumsal veriyi güvenilir biçimde kullanabilmesi için bir kontrol katmanına dönüşür.
Fakat metrikleri tanımlamak tek başına yeterli değil.
AI'ın kurumun dünyasında hangi varlıkların bulunduğunu da anlaması gerekiyor.
Müşteri nedir?
Ürün nedir?
Marka nedir?
Kategori nedir?
Kampanya nedir?
Araştırma nedir?
Katılımcı nedir?
Ve bunlar birbirleriyle nasıl ilişkilidir?
Ontology bu dünyanın yapısını tarif eder.
Örneğin:
Bir müşteri sipariş verir.
Bir sipariş ürün içerir.
Bir ürün kategoriye aittir.
Bir marka birden fazla kategoride bulunabilir.
Bir araştırma belirli bir evreni temsil eder.
Bir katılımcı belirli örneklem kriterlerine göre araştırmaya dahil edilir.
Böylece AI yalnızca kolon isimlerini değil, kurumun kavramsal modelini de kullanmaya başlar.
Semantic layer daha çok:
“Bu sayı ne anlama geliyor?”
sorusuna cevap verirken ontology:
“Bu dünyada neler var ve bunlar nasıl ilişkileniyor?”
sorusunu cevaplar.
İki yapı birbirinin alternatifi değil.
Tam tersine birbirini tamamlıyor.
Ontology yapıyı tanımlarken knowledge graph bu yapının gerçek dünyadaki ilişkilerini temsil eder.
Örneğin:
Bir ürün belirli bir markaya ait olabilir.
Marka belirli bir şirkete bağlı olabilir.
Şirket başka bir şirket tarafından satın alınmış olabilir.
Aynı ürün farklı araştırmalarda farklı kategori sınıflandırmaları altında bulunabilir.
Bu ilişkiler klasik tablo yapılarında da saklanabilir.
Fakat ilişki sayısı arttıkça graph yaklaşımı güçlü hale gelir.
AI açısından kritik fark ise şudur:
Modelin ilişkileri metinden tahmin etmesi yerine, tanımlanmış ilişkileri takip etmesi mümkün olur.
Bu özellikle çok kaynaklı kurumsal veri ortamlarında önemli.
Çünkü geleceğin AI ajanlarının yalnızca “veriyi bulması” değil, veriler arasındaki doğru bağlantıları kurması gerekecek.
Context kavramı AI dünyasında neredeyse her şeyi açıklamak için kullanılmaya başladı.
Fakat burada iki farklı context türünü ayırmak gerekiyor.
Birincisi kalıcı ve yönetilen context.
Örneğin:
Bir metriğin tanımı.
Bir kolonun açıklaması.
Bir kategori sınıflandırması.
Bir metodoloji kuralı.
Bir hesaplamanın exclusion kriterleri.
İkincisi ise çalışma anındaki context.
Kullanıcının sorusu.
Konuşma geçmişi.
AI'ın o anda eriştiği dokümanlar.
API sonuçları.
Arama sonuçları.
Başka ajanlardan gelen bilgiler.
İkincisi AI'ın soruyu anlamasını sağlar.
Birincisi ise cevabın kurumsal gerçeklikle uyumlu kalmasına yardımcı olur.
Geleceğin güvenilir AI sistemleri muhtemelen ikisine de ihtiyaç duyacak.
Bu kavramları pazar araştırmasına taşıdığımızda konu teknik bir veri mimarisi tartışması olmaktan çıkıyor.
Bir AI ajanına şu soruyu sorduğumuzu düşünelim:
“Türkiye'de son üç yılda X kategorisinin penetrasyonu nasıl değişti?”
AI ilgili veri setini bulabilir.
Kolonları anlayabilir.
Grafik oluşturabilir.
Hatta değişimin nedenleri hakkında oldukça etkileyici bir yorum da yazabilir.
Ama önce cevaplanması gereken başka sorular vardır.
Penetrasyon birey üzerinden mi hesaplanıyor, hane üzerinden mi?
Hangi yaş grubu kapsanıyor?
Örneklem aynı mı?
Ağırlıklandırma yöntemi değişti mi?
Kategori tanımı üç yıl boyunca aynı mı?
Soru formunda değişiklik yapıldı mı?
Metodoloji aynı mı?
Dönemler gerçekten karşılaştırılabilir mi?
Bunlardan biri bile değiştiyse grafik matematiksel olarak doğru olabilir ama araştırma açısından yanlış bir hikâye anlatabilir.
Bugüne kadar araştırma dünyasında çok büyük miktarda bilgi veri setlerinin dışında yaşadı.
Deneyimli bir araştırmacı bilir:
“Bu iki dönemi doğrudan karşılaştırma.”
“2024'te soru değişmişti.”
“Bu grup düşük baz nedeniyle ayrıca değerlendirilmeli.”
“Bu kategori geçen yıl yeniden tanımlandı.”
“Bu sonuç ağırlıklandırılmış veri üzerinden okunmalı.”
Bu bilgiler metodoloji dokümanlarında, proje notlarında, e-postalarda veya daha kötüsü yalnızca insanların hafızasında bulunabilir.
İnsan analistlerle çalışan sistemlerde bu durum bir ölçüde sürdürülebiliyordu.
AI ajanları araştırma sürecine daha fazla dahil oldukça sürdürülebilirliği azalacak.
Çünkü AI'ın doğru analiz yapabilmesi için yalnızca veriyi değil, verinin kullanım kurallarını da okuyabilmesi gerekiyor.
Bu nedenle araştırma şirketlerinin gelecekteki en önemli dönüşümlerinden biri metodolojik bilginin makine tarafından okunabilir hale getirilmesi olabilir.
Bu değişim metadata'nın rolünü de değiştiriyor.
Geçmişte bir kolon açıklamasının eksik olması can sıkıcıydı.
Ama sistem çalışmaya devam ederdi.
Bir KPI tanımı güncel değilse dashboard yine açılırdı.
Bir metodoloji dokümanı iki yıl eskiyse Excel yine hesaplama yapardı.
Bu nedenle metadata çoğu organizasyonda ikinci planda kaldı.
AI ile birlikte durum değişiyor.
Çünkü artık metadata'yı yalnızca insanlar okumuyor.
Makineler karar vermek için kullanıyor.
AI'ın:
“Bu iki tabloyu birleştirebilir miyim?”
“Bu iki dönemi karşılaştırabilir miyim?”
“Bu metriği bu kullanıcı için hesaplamalı mıyım?”
gibi sorulara verdiği cevaplar giderek metadata'ya bağlı hale geliyor.
Dolayısıyla metadata artık sistemin yanındaki dokümantasyon değil.
Sistemin kendisinin bir parçası.
AI tabanlı analitiğin geleneksel sistemlerden ayrıldığı kritik noktalardan biri de hata biçimi.
Bir ETL süreci bozulduğunda genellikle bir şey olur.
Job başarısız olur.
Tablo güncellenmez.
API hata verir.
Dashboard boş kalır.
Birileri sonunda fark eder.
AI sistemlerinde daha rahatsız edici bir senaryo mümkün.
Kaynak sistemde kategori yapısı değişir.
Bir kolon yeniden adlandırılır.
Bir iş kuralı güncellenir.
Bir veri setinin kapsamı değişir.
AI ajanı ise cevap vermeye devam eder.
Üstelik cevap dilbilgisi açısından kusursuz, mantıklı ve profesyonel görünebilir.
Hiçbir kırmızı hata mesajı yoktur.
Sistem çalışmaktadır.
Sadece artık yanlış cevap vermektedir.
Bu nedenle AI çağında observability yalnızca sunucunun, API'nin veya pipeline'ın çalışıp çalışmadığını izlemek anlamına gelmeyecek.
Sorulması gereken yeni soru:
“AI hâlâ doğru şeyi mi yapıyor?”
olacak.
Bütün bu kavramları birbirinin rakibi teknolojiler olarak görmek yerine aynı sistemin farklı katmanları olarak düşünmek daha anlamlı.
Ontology
Kurumun dünyasında hangi varlıkların bulunduğunu tanımlar.
↓
Knowledge Graph
Bu varlıkların gerçek ilişkilerini temsil eder.
↓
Semantic Layer
Ölçümlerin ve metriklerin ne anlama geldiğini standartlaştırır.
↓
Context
Doğru bilginin AI'a doğru anda ulaşmasını sağlar.
↓
Observability
Sistemin doğru çalışmaya devam edip etmediğini kontrol eder.
Bu yapı AI'ın yalnızca veriye erişmesini değil, veriyi kurumun tanımladığı anlam çerçevesinde kullanmasını sağlar.
Uzun yıllar kurumsal analitiğin son noktası dashboard oldu.
Veri toplanıyor, modelleniyor ve görselleştiriliyordu.
Kullanıcı dashboard'u açıyor ve cevabı kendisi arıyordu.
AI ajanları bu modeli değiştirmeye başladı.
Kullanıcı artık dashboard'daki filtreleri değiştirmek yerine doğrudan:
“Neden satışlarımız düştü?”
diye sorabiliyor.
Bu çok daha doğal bir deneyim.
Fakat aynı zamanda veri altyapısından çok daha fazlasını talep ediyor.
Çünkü dashboard önceden tanımlanmış metrikleri gösterirken AI'ın hangi veriyi kullanacağına, hangi ilişkiyi kuracağına ve hangi analizi yapacağına karar vermesi gerekiyor.
Bu nedenle dashboard sonrası analitik yalnızca daha iyi bir sohbet arayüzü olmayacak.
Arkasında çok daha güçlü bir anlam altyapısı gerektirecek.
Kurumsal veri stratejisinin geçmişine baktığımızda odak sürekli değişti.
Önce:
Veriyi toplayalım.
Sonra:
Veriyi tek yerde birleştirelim.
Ardından:
Veriyi herkes erişilebilir hale getirelim.
Şimdi ise yeni bir aşamaya geçiyoruz:
Verinin anlamını makineler için açık hale getirelim.
Çünkü AI'ın veri kaynaklarına erişimi giderek kolaylaşıyor.
Asıl darboğaz erişim olmaktan çıkıyor.
Yeni darboğaz anlam.
Bu nedenle önümüzdeki dönemin güçlü veri altyapıları yalnızca daha fazla veri depolayan sistemler olmayabilir.
Verinin:
ne olduğunu,
nasıl hesaplandığını,
hangi koşullarda kullanılabileceğini,
hangi verilerle ilişkilendirilebileceğini,
ne zaman karşılaştırılabileceğini
ve ne zaman artık güvenilir olmadığını
makinelere anlatabilen sistemler olacak.
Araştırma sektörü açısından bunun sonucu özellikle önemli.
Bugüne kadar araştırmacının deneyimiyle taşıdığı metodolojik bilgi, AI çağında kurumsal altyapının parçası haline gelmek zorunda.
Çünkü geleceğin araştırma sistemlerinde değer yalnızca veriye sahip olmakta olmayacak.
Verinin ne anlama geldiğini bilmekte olacak.
Ve belki de AI çağının en önemli veri yatırımı daha büyük bir model veya daha büyük bir veri ambarı değil:
kurumun bildiklerini makinenin anlayabileceği hale getirmek olacak.
Bu içerik hazırlanırken açık kaynaklar ve ilgili teknik yayınlardan araştırma, karşılaştırma ve doğrulama amacıyla yararlanılmıştır. İçerik bağımsız olarak hazırlanmış, kaynaklardaki görüşler doğrudan aktarılmak yerine konu Araştırıyorum.com perspektifiyle değerlendirilmiştir. Nihai içerik ve yorumların sorumluluğu yazara aittir.
