Yapay Zeka ve Makine Öğrenimi, Veri Gizliliği, Veri Güvenliği
Açıklanabilirlik, Maliyet, Uyumluluk Artırma AI Seçimleri İşletmelerde
Sandhya Michu •
8 Ekim 2025
Yapay zeka demokratikleştirildi ve yaygın olarak erişilebilir hale getirildi, ancak Zoho Corp.’un BT Yönetim Yazılımı Bölümü’ndeki Güvenlik Başkanı Sujatha S Iyer, büyük dil modellerinin aşırı kullanılmasına karşı uyardı.
Ayrıca bakınız: Ondemand | Eşsiz keşif ve savunma ile API güvenliğini dönüştürün
Iyer, “Her şey bir LLM sorunu değil, sadece hype olduğu için. AI kesinlikle gerekli, LLM kesinlikle yararlı. Ancak kurumsal manzaradaki LLM’ler için gördüğümüz kullanım durumları daha çok özetleme … içerik üretimi hakkında daha fazla.” Dedi.
Kara kutular kesmediğinde
Kesintileri tahmin etmek veya sahtekarlığı tespit etmek gibi kritik senaryolarda açıklanabilirlik anahtardır. Iyer, “Kurumsal yazılımım bana% 80 kesinti şansı olduğunu söyleyecekse … bazı açıklamalar olmalı.” Dedi. Geleneksel modeller, web sitesi yükünde veya sunucu sınırlamalarında tanımlanan sivri uçlar gibi net bir akıl yürütme sağlayabilir – liderlerin hızlı bir şekilde güvenle hareket etmelerine yardımcı olan bilgiler.
Düzenleyici manzara giderek bu şeffaflığı talep etmektedir. Kredi puanlama veya sahtekarlık tespiti için yapay zeka kullanan finansal kurumlar, özellikle açıklanabilir AI’nın sadece faydalı değil, aynı zamanda uyumluluk için zorunlu hale geldiği katı gereksinimlerle karşı karşıyadır.
Örneğin, bankacılık sektöründe açıklanabilir AI çözümleri, uyum ekiplerinin uyarıların neden tetiklendiğini anlamalarına yardımcı olarak daha hızlı triyaj ve daha etkili araştırmalar sağlıyor.
GPU Vergisi
Maliyet, işletmeleri geleneksel yaklaşımlara yönlendiren bir başka belirleyici faktördür. Iyer, “Yaptığınız her çıkarım için bir GPU vergisi yapmak istemiyorsunuz. Pahalı olacak. Ve birisi faturaya ayak uydurmalı.” Dedi. “Müşterinin neden geleneksel bir makine öğrenme tekniği kullanarak çözebileceğiniz bir şey için GPU vergisine ayak basmasını istiyorsunuz.”
Sayılar bu endişeyi destekliyor. Hesaplama maliyetleri, 2024 yılında Openai’nin toplam 9 milyar dolarlık işletme giderlerinin tahmini% 55 ila% 60’ını temsil ediyor.
Çeşitli işletme çalışmalarından yapılan araştırmalar, klasik makine öğrenme modellerinin kaynak verimli, genellikle basit dizüstü bilgisayarlar veya minimal bulut altyapısı üzerinde eğitilebilir olduğunu göstermektedir. Bu hesaplama verimliliği, kuruluşların, derin öğrenme modellerinin gerektirdiği muazzam veri kümelerini toplama ve yönetmenin maliyetli genel giderleri olmadan öngörücü modelleri daha hızlı dağıtmasına olanak tanır.
Dijital Olgunluk Vakfı
AI başarısı da dijital olgunluğa bağlıdır. Birçok kuruluş hala veri temelleri döşemektedir. Iyer, “Diyelim ki kaç biletin yükseltildiğine dair analiz çalıştırmak isteyelim, kaç bilet bekleyebileceğine dair bir gösterge paneli yapın … bunların hepsi bir çağrı üzerindeydi. Hiçbir şey sayısallaştırılmadı. Hiçbir iz yok. Chatbotların yaratılmasının nedeni bu, şimdi kayıt ve izleniyorlar.” Dedi.
Bu gözlem, işletmelerin% 28’inin “aşama 1 – deney ve hazırlama” da kaldığını gösteren MIT CISR Enterprise AI olgunluk modeli ile uyumludur. Bu kuruluşlar, daha sofistike uygulamalara ölçeklenmeden önce iş güçlerini eğitmeye, AI politikalarını formüle etmeye ve AI teknolojilerini denemeye odaklanmaktadır.
Bilgi Güvenliği Medya Grubu ile konuşan Nagaraj Nagabhushanam, Veri ve Analytics başkan yardımcısı ve Hindu Grubu’nda AI görevlisi olarak adlandırılan AI, geleneksel yapay zeka birçok temel sistemin nasıl desteklediğini paylaştı. Nagabhushanam, “Yıllar boyunca tasarladığımız tavsiye sistemlerinin ve bir sonraki en iyi eylem sistemlerinin belkemiği oldu.” Dedi. Bu tavsiye sistemleri genellikle yoğun sezgisel ve kural tabanlı uygulamaların yanı sıra varlık tanıma, kişiselleştirme ve abonelik yönetimi için kritik olan yerleşik NLP modellerinin bir karışımıdır, dedi (bkz: Yapay zeka haber odası operasyonlarını nasıl dönüştürüyor).
Gizlilik ve uyum avantajı
Sıkı uyumluluk ve gizlilik gereksinimleri, işletmeleri kontrollü AI gelişimine doğru iter. “Sadece antrenman yapıyoruz [AI models] Ticari olarak lisanslı açık kaynaklı veri kümelerinde… Bu gibi durumlarda bile, oluşturduğumuz modeldeki verileri sağlıyoruz, sadece kalır. Herhangi bir zamanda, verileriniz veya modeliniz başka birinin iyileştirilmesi için kullanılmayacaktır. “Dedi.
Bu yaklaşım, AI yönetişimi hakkındaki daha geniş girişim endişelerini yansıtmaktadır. KPMG Research’e göre, yerel yorumlanabilir model-agnostik açıklamalar ve Shapley katkı açıklamaları gibi çerçeveler AI kararlarını netleştirmeye, uyumluluğu desteklemeye ve paydaşların güvenini oluşturmaya yardımcı oluyor. Bu araçlar, tescilli verileri korurken ve düzenleyici gereksinimleri karşılarken kuruluşların şeffaflığı korumasını sağlar.
Sağda Boyan AI Çözümleri
Iyer, kurumsal ihtiyaçların genellikle bağlamsal olduğunu ve büyük modelleri gereksiz kıldığını söyledi. “600-700 milyar ihtiyacınız var mı [parameter] Sorular çok bağlamsal olacakken işletmenizde oturan model? “Dedi.
Bu pratik bilgelik son endüstri analizi ile desteklenmektedir. Geleneksel ML modelleri genellikle derin öğrenme alternatiflerine kıyasla maliyetin bir kısmında sınıflandırma doğruluğu üretir. Bankalar, kredi puanlama, sahtekarlık tespiti ve risk yönetimi için lojistik regresyonu ve rastgele ormanları düzenli olarak kullanırken, sağlık kuruluşları teşhis destek ve tedavi planlaması için karar ağaçları dağıtmaktadır.
Bu, işletmelerin LLM’lerden tamamen kaçındığı anlamına gelmez. Zoho’nun araştırma laboratuvarları, 7 milyar ila 32 milyar parametre arasında değişen modeller ve verimliliği kabiliyetle birleştiren “uzmanların karışımı” modellerinin araştırılmasıyla devam ediyor.
Mevcut işletme evlat edinme istatistikleri, kuruluşların% 78’inin bir önceki yıla göre% 55’ten en az bir iş işlevinde AI kullandığını göstermektedir. Ancak en başarılı dağıtımlar genellikle hem geleneksel ML hem de LLM’leri stratejik olarak kullanan hibrit yaklaşımları içerir.