Bu podcast’te, MongoDB’deki Başkan Yardımcısı ve Saha Baş Teknoloji Sorumlusu (CTO) Boris BialeK ile yapay zekanın (AI) yapılandırılmamış verilerin keşfi ve yönetimine nasıl yardımcı olabileceği hakkında konuşuyoruz.
Biaperk, AI’nın bir kuruluşun süreçleri daha hızlı ve daha verimli hale getirmek için müşteriler hakkında tutabileceği farklı bilgi sınıflarını bir araya getirebileceğini belirler.
Ayrıca, bu süreçlerin bir aracı olarak çalışması için birden fazla AI ajanının birlikte nasıl çalışabileceğinden bahsediyor.
Yapay zeka yapılandırılmamış verilerin keşfi ve yönetimine nasıl yardımcı olabilir?
Yapılandırılmamış verilerin kurtarılması ve tanımlanması, içindeki en eski görevlerden biridir.
Kağıt taraması ve onlardan fotoğraf çekmeye çalıştı ve sonra insanlar aslında eşyaları yazdı. Bir kaza açıklaması hakkında el yazısı bir belge aldığınızı ve bunu anlamaya çalıştığınızı düşünün. Bugün AI bunu sizin için sıfır zamanda yapabilir.
Ve bunun ötesinde, verileri anlayabilir ve akıl yürütebilir. Entelektüel seviyeyi “bir resmim var” dan “Bir metnim var ve ‘kaza’, ‘bisiklet’, ‘sokak’ ve ‘dağ düşündüğümden daha dikti’ cümleleri çıkarabilirim.
Yani, yapay zeka gerçekten yardımcı olabilir. Resimler olabilir, metin olabilir, ses olabilir.
Klasik veritabanı modeli, 1970’lerden kalma RDBM’ler yapılandırılmış veriler için mükemmeldir. Ancak bu yapılandırılmış veriler, çoğunlukla sayı olabilen metin verileri anlamına gelir, ancak bir e-tabloya koyabileceğimiz bir yapıda olan her şey. Başka bir şey yapılandırılmamış olarak kabul edilir, bu biraz haksızdır.
Şimdi AI ile yaptığımız şey, bu verileri bir sonraki seviyeye taşımak ve mantıklı bir şekilde yorumlayabilmek.
Müşteriler için yapılandırılmamış verileri keşfetmek ve yönetmek için AI kullanımında hangi yaklaşımlar mevcuttur?
Herhangi bir başlangıç sorarsanız, size bunun için tek cevap olduğunu söyleyeceklerdir.
Ancak daha akıllı bir görüşe sahip olduğumuzda, iki önemli yol vardır. Birincisi, ne tür verilere sahip olduğunuza bakmak ve etrafında bir çözüm oluşturmaktır. Ve en önemlisi, yapılandırılmamış verilerin – video, ses, bunun gibi şeyler – aldığım ve bilinen diğer bilgilerle bağlama koyduğum yeni verilerin birleşimidir.
Örneğin, Boris’in bir sigorta numarası var ve Boris’in Antony’nin sigorta şirketi ile bir sözleşmesi var. Dolayısıyla, örneğin, operasyonel veriler, meta veriler ve referans verileri arasındaki bu tür mashuplar, “sinyaller” dediğimiz şeyle birlikte, bunları bir araya getirmenin ilk yaklaşımıdır.
Ama diğer seçenek, bunu daha akıllıca nasıl yapacağız ve en iyi yarış pisti için en iyi at olan kurslar için bir yaklaşıma nasıl ayırıyoruz?
Burada çözümler var. Bunlardan biri Encorecloudai veya farklı bir satıcıdan Purplefabricai.
Bu çözümler verileri akıllı bir forma koymamıza izin veriyor, bu yüzden sıfırdan başlamam gerekmiyor. Böylece, verilerimi alabilirim, operasyonel bir veri deposuna getirebilirim, eski verilerimi çıkarabilir ve oradan verileri kaldırabilirim, örneğin belgeler, fiziksel makaleler olabilir. Bunlar eski belge arşivlerinde veya belge yönetim sistemlerinde olabilir.
Bence bu, bunu yapmanın en hızlı yolu.
Bununla birlikte, kendinizi inşa etmek için yeterince iyi neden var. Birçok durumda, çok özel bir biçimde işlemeniz gereken belirli video bilgileriniz olması gibi özel ihtiyaçlarınız varsa. Örneğin, bir otoyolda bir geçiş kapısından geçen biri ve ücretini ödediklerinden emin olmak istiyorsunuz.
Kendi kodunuzu yazmanın çok mantıklı olduğu belirli durumlar vardır. Ancak her şey verileri mevcut verilerden ve yeni verilerden, yapılandırılmamış verilerden bir araya getirmekle ilgilidir.
Zekayı işe yarayan şey budur.
Bu tür teknikleri verilere uygulamanın temel faydaları nelerdir?
Temel faydalar, çevremin tamamen farklı bir resmini oluşturabilmem. ERP gibi klasik ilişkisel veritabanında [enterprise resource planning] Satış numaralarınızı bilen sistem, ne kadar sattığınızı biliyorsunuz.
Bir CRM’niz olabilir [customer relationship management] Sistem ve size “Boris harika bir müşteri” ve “Boris şu anda web sitemde” diyor. Ama Boris gerçekten ne istiyor? Bir bi’nin klasik yaklaşımını yapabilirim [business intelligence] Sistem ve şöyle, “Boris beyaz erkek, orta yaşlı insan kategorisine giriyor ve belki de yeni bir bisiklet arıyor. Ona bisiklet sunalım.”
Ama Boris hakkında potansiyel olarak bilebileceğiniz şey bu değil. Boris geçen hafta sizden bir bisiklet almış olabilir ve belki de şimdi yeni bir kask arıyor.
Yani, bunları bir araya getirdiğinizde, perakende alanında tüketicilerinize daha fazla zeka sürmek istersiniz. Olumlu anlamda, alakalı olmak istiyorsunuz ve onlara yardım etmek istiyorsunuz. “Neden bana bu şeyleri gösteriyor? Bununla ilgilenmiyorum” demelerini istemiyorsun.
Ayrıca, diyelim ki bir sigorta davamız var, biri bisikletimi çarptı, evin önüne park edildi ve şimdi bir onarım durumum var. Bu yüzden sigortama gidiyorum. Sigorta çok hızlı bir şekilde sağladığım bilgilerden mantıklı gelebiliyorsa, talep yönetiminde çok hızlı bir geri dönüşe sahip olabilirler.
Ve eğer bunu yaparlarsa, mutlu bir müşteri olmama yardımcı olur ve bisikletimin hasar gördüğünden, ödediğinden, vb.
Yani, bunlar daha önce mümkün olmayan akıl yürütme bölümleri. Çok fazla veri bağlama koyamadınız.
İkincisi, doğal dil işleme var. Boris sigorta şirketiyle konuşabilir ve “Bisikletim hasar gördü. Bisikletim kapının önüne park edildi. Bir traktör tarafından vuruldu.”
Bu noktada, sistem zaten “bisiklet, bisiklet – bisikleti var, sigortalı, muhtemelen ev kapısından bahsediyor” olarak yorumlayabilir.
Bu akıl yürütme, bu yüzden çok fazla şey varsayabilir ve “Hey Boris, bahsettiğin bisiklet mi? Bu köydeki evinizin önüne park edildi mi? Sigortalısınız. Bana biraz daha fazla şey anlatabilir misin?” Diyebilir.
Bu tamamen entelektüel bağlantı ile ilgilidir ve süreci kırmakla ilgili değildir. Her zaman bir ajanla konuşmak isteyebilirim, ama bu benim için çok daha hızlı ve bekleme süreleri yok. Sorunumu çözebilir ve devam edebilirim.
Böylece, rutin görevlerin bu otomasyonu, bir şeyler etiketleme, bir şeyler girme, bunların hepsi bir AI sistemi tarafından çok güzel yapılabilir. Ve en önemlisi, aynı sistemle aynı şeyi tekrar yaparak tekrarlanabilir.
Halüsinasyonlar hakkında çok fazla tartışma olduğunu biliyorum, ancak bugünün Voyageai gibi gömme modelleri, verilerime dayanarak cevapların iyi, kötü ve çirkin olarak yapılandırılmasına izin veren kalite ve yeniden yönlendirme sistemleri açısından çok iyi.
Bu konuda ajan yapay zeka için bir rol var mı ve bunun nasıl işe yarayacak?
Ajan AI, bir futbol sahasında bir oyuncu gibidir, ancak gerçekten iyi bir takıma sahip olmak için 11 oyuncuya ihtiyacınız vardır. Bir futbol takımındaki farklı pozisyonlar gibi – ajanlar gerçekten özel işlevler gerçekleştiriyor.
Sigorta davasına bakarsak, bir ajan Boris’in sahip olduğu sözleşmeleri kontrol eder, bir sistem Boris’in adresini anlayabilir ve bu traktör nereden gelebilir? Bu olayların gerçekçi bir açıklaması mı?
Farklı ajanlar, bir çerçeve oluşturmak için dijital uzmanlar olarak işbirliği yapar, deneyimi bir tüketici olarak ve sigorta şirketi için bir araya getirmek için bir araya gelen bir futbol takımı.
Bu sistem çok temel sorulara çok iyi cevaplar bulabilir ve hepsini bir araya getirebilir ve bir çözünürlük sağlayabilir. Yani, Ajanik AI gerçekten parlıyor.