Ana içeriğe geç
FromNine
Menü

Yapay zekâ ve veri

Yapay zekânın ve kararların güvenebileceği veriler.

Her veri setinin bir sahibi, bir sözleşmesi ve bilinen bir kalitesi olan veri platformları kuruyoruz; böylece analitik, operasyon ve yapay zekâ aynı güvenilir rakamlara dayanır.

Ülkelere, şirketlere ve eski sistemlere dağılmış veriler için tek ve güvenilir bir görünüme ihtiyaç duyan kurumlar için.

Projenizi konuşalımKurumsal bilgi
Veri ve analitik: yetenek katmanlarıDerinlemesine üst üste dizilmiş dört katman. Yukarıdan aşağıya: veriyi kullanan analitik ve yapay zekâ, sahibi ve sözleşmesi olan veri ürünleri, veriyi temizleyip uyumlu hâle getiren lakehouse katmanları ve hepsini kapsayan yönetişim.01Analitik ve yapay zekâ kullanımı02Veri ürünleri ve sözleşmeler03Lakehouse katmanları04Yönetişim ve veri kökeni
  1. 01Sahibi belli, sözleşmesi ve kalite kontrolleri olan veri ürünleri
  2. 02Yalnızca bir katalog değil, amaçla sınırlılığı ve saklama sürelerini uygulayan yönetişim
  3. 03İş birimlerinin ve BT’nin birlikte onayladığı tek bir KPI tanımları seti

01 Sorunlar

Tanıdık veri sorunları

Hayal kırıklığı yaratan yapay zekâ projelerinin çoğu, aslında kılık değiştirmiş veri projeleridir.

  1. 01

    Üç rapor, üç farklı rakam

    Finans, operasyon ve yönetim kurulu gelirleri ya da dosya yükünü her biri kendi yöntemiyle hesaplıyor. Toplantılar karar vermekle değil, rakamları uzlaştırmakla başlıyor.

  2. 02

    Verinin sahibi yok, bu yüzden kimse düzeltmiyor

    Hatalar sonraki aşamalarda fark ediliyor, bir tabloda düzeltiliyor ve ertesi ay yeniden ortaya çıkıyor.

  3. 03

    Yapay zekâ ekibi zamanının çoğunu veri aramakla geçiriyor

    Her kullanım senaryosu, bir sonraki ekibin de tekrarlayacağı haftalarca süren erişim talepleri, veri aktarımları ve temizlikle başlıyor.

  4. 04

    Arşivler yapay zekâ için kullanılamaz durumda

    Kalitesiz OCR’dan geçmiş taranmış belgeler, mükerrer kayıtlar ve hiç üst veri yok. Bunlar üzerinde bilgi erişimi yalnızca gürültü getiriyor.

02 Teslimat kalemleri

Neler sunuyoruz

  1. 01 Yapay zekâ ve analitik için veri temelleri

    Ham veriden uyumlu veriye ve oradan kullanıma hazır veriye uzanan katmanlı modellemeyle lakehouse mimarileri; içeriklerini, ne kadar güncel olduklarını ve sorumlusunun kim olduğunu yayımlayan veri ürünleri.

    Ne yapıyoruz

    • Platform mimarisi ve depolama biçimi seçimleri
    • Katmanlı modelleme kuralları
    • Sözleşmeleriyle birlikte veri ürünü tasarımı
    • Toplu yükleme ve değişiklik verisi yakalama (CDC) ile veri alımı

    Size teslim edilenler

    • Kod olarak tanımlanmış lakehouse platformu
    • Canlı ortamda ilk veri ürünleri
    • Veri sözleşmesi şablonu ve inceleme süreci

  2. 02 Kalite, veri kökeni ve ana veri

    Her katmanda otomatik kalite kontrolleri, kaynaktan rapora kadar veri kökeni ve önemli varlıklar için ana veri ve referans veri: vatandaşlar, müşteriler, ürünler ve varlıklar.

    Ne yapıyoruz

    • Eşikleri ve uyarılarıyla kalite kuralları
    • Sütun düzeyinde veri kökeni kaydı
    • Ana veri eşleştirme ve birleştirme kuralları
    • Referans veri yönetimi

    Size teslim edilenler

    • Her veri ürünü için kalite panosu
    • Sorgulanabilir veri kökeni
    • Öncelikli varlıklar için tekil doğru kayıtlar (golden record)

  3. 03 Uygulanan yönetişim

    Platformun otomatik olarak uyguladığı bir katalog, sınıflandırma ve erişim politikaları. GDPR kapsamındaki amaçla sınırlılık ve saklama süreleri kodlanır; veri paylaşımı, uygulandığı yerde Veri Yönetişimi Yasası’nın kurallarına uyar.

    Ne yapıyoruz

    • Sınıflandırma şeması ve etiketleme
    • Özniteliğe dayalı erişim politikaları
    • Saklama ve silme işlemlerinin otomasyonu
    • Veri paylaşım anlaşmaları ve teknik kontroller

    Size teslim edilenler

    • Platformdan beslenen katalog
    • Kod olarak erişim politikaları
    • İşletimde olan saklama takvimi

  4. 04 Yapılandı­rılmamış içeriği yapay zekâya hazırlama

    OCR kalitesinin iyileştirilmesi, üst veri zenginleştirme, mükerrer kayıtların ayıklanması ve arşiv temizliği; böylece akıllı belge işleme ve bilgi erişimi sistemleri, getirilmeye değer içerikten yola çıkar.

    Ne yapıyoruz

    • İçerik envanteri ve örneklemle kalite ölçümü
    • OCR ve sayfa düzeni çıkarımında iyileştirmeler
    • Neredeyse aynı belgelerin tespiti
    • Üst veri zenginleştirme ve sınıflandırma

    Size teslim edilenler

    • Temizlenmiş ve zenginleştirilmiş içerik deposu
    • İçerik kalite raporu
    • Bundan sonra eklenecek içerik için kurallar

  5. 05 İnsanların kullandığı analitik ve BI

    İş birimlerinin ve BT’nin kararlaştırdığı KPI tanımlarını içeren bir anlamsal katman, yönetişimli self servis analitik ve SaaS ürünlerine ve portallara gömülü analitik.

    Ne yapıyoruz

    • KPI tanımlama çalıştayları
    • Anlamsal model ve metrik katmanı
    • Self servis için koruma kuralları ve onaylı veri setleri
    • Müşteriye yönelik ürünler için gömülü analitik

    Size teslim edilenler

    • Sahipleri belli KPI sözlüğü
    • Onaylı anlamsal model
    • Tabloların yerini alan panolar

  6. 06 Operasyonel kullanım için veri akışı

    Kararların gece yüklemesini bekleyemediği yerlerde değişiklik verisi yakalama ve olay akışları: stok düzeyleri, dosya durumu, dolandırıcılık sinyalleri.

    Ne yapıyoruz

    • Kullanım senaryosu başına gecikme gereksinimleri
    • Operasyonel veri tabanlarından CDC
    • Akış işleme ve somutlaştırılmış görünümler
    • Yeniden oynatma ve geriye dönük doldurma tasarımı

    Size teslim edilenler

    • Canlı ortamda veri akışı hatları
    • Güncellik hedefleri olan operasyonel görünümler
    • Yeniden oynatma prosedürü

03 Mimari

Açıklayıcı bir referans mimari

Veriler operasyonel sistemlerden ve belgelerden veri alımı yoluyla katmanlı bir lakehouse’a akar: önce geldiği gibi ham veri, sonra uyumlu hâle getirilmiş ve kalitesi kontrol edilmiş veri, ardından sahibi ve sözleşmesi olan veri ürünleri. Veriyi kullananlar hiçbir zaman ham veriyi okumaz.

Veri ürünlerinden bir rota anlamsal katmanı ve BI’ı besler; diğerleri yapay zekâ için bilgi erişimini ve özellikleri, diğer sistemler için de veri API’lerini besler. Yönetişim hepsinin altında yer alır ve bir politika belgesiyle değil, platform tarafından uygulanır.

Açıklayıcı örnek

  1. Kaynaklar ve veri alımı

    • Operasyonel sistemler
    • OCR ve zenginleştirme sonrası belgeler
    • Toplu yükleme ve değişiklik verisi yakalama

  2. Lakehouse

    • Ham katman
    • Uyumlu katman
    • Kalite kontrolleri ve veri kökeni
    • Ana veri ve referans veri
    • Sözleşmeli veri ürünleri

  3. Kullanım

    • Anlamsal katman ve BI
    • Yapay zekâ için bilgi erişimi ve özellikler
    • Veri API’leri ve paylaşım

  4. Yönetişim

    • Yönetişim: katalog, sınıflandırma, erişim politikaları, saklama
Lakehouse katmanlarından sahibi belli veri ürünlerine

Açıklayıcı bir mimaridir, bir müşteri sistemi değildir.

Diyagramı metin olarak oku

Ana rota operasyonel sistemlerden başlar; toplu yükleme ve değişiklik verisi yakalama ile veri alımı, ham katman, uyumlu katman ve veri ürünlerinden geçerek yönetişimli BI sunan anlamsal katmana ulaşır.

Yapılandırılmamış belgeler de OCR ve zenginleştirmeden sonra veri alımına girer. Kalite kontrolleri ve veri kökeni ham ve uyumlu katmanları kapsar. Ana veri ve referans veri, veri ürünlerini besler. Veri ürünleri ayrıca yapay zekâ için bilgi erişimine ve özelliklere, paylaşım için de veri API’lerine hizmet eder.

Katalog, sınıflandırma, erişim politikaları ve saklama sürelerini içeren bir yönetişim bandı tüm platformu kapsar.

04 Dikkat edilenler ve sınırlar

Mühendislik açısından dikkat edilenler ve sınırlar

  • Araçlardan önce sahiplik

    Nasıl ele alıyoruz

    Her veri ürününün, ne anlama geldiğine karar veren bir iş sahibi ve onu çalışır durumda tutan bir teknik sahibi olur. Her iki rolü ve veriyi üretenlerle kullananlar arasındaki sözleşmeyi tanımlamaya yardım ederiz.

    Sınırlar ve bağımlılıklar

    Bir platform sahiplik yaratamaz. Kurum sahip atamazsa, araçlar ne olursa olsun kalite sorunları geri döner.

  • Uygulamada amaçla sınırlılık

    Nasıl ele alıyoruz

    Kişisel veriler hizmet edebilecekleri amaçlarla etiketlenir; erişim politikaları ve saklama süreleri bu etiketleri otomatik olarak izler.

    Sınırlar ve bağımlılıklar

    Hangi amaçların hukuka uygun olduğu, veri koruma görevliniz ve hukuk danışmanınızın kararıdır. Biz bu kararı uygularız; kararı biz vermeyiz.

  • Yapay zekâ için verinin kendi kalite çıtası vardır

    Nasıl ele alıyoruz

    Yapay zekâ kullanım senaryolarında bilgi erişimi ve modellerin ihtiyaç duyduğunu ölçeriz: kapsam, güncellik, mükerrer kayıtlar ve metin çıkarımının kalitesi.

    Sınırlar ve bağımlılıklar

    Bazı arşivler düzeltilmeye değmez. Örnekleme dayalı bir değerlendirme bunu size gösterir; bazen doğru yanıt, o arşivi kapsam dışında bırakmaktır.

05 Nasıl çalışıyoruz

Nasıl çalışıyoruz

Platformu, önemli olan ilk veri ürünlerinin etrafında kurarız; tersini değil.

  1. 01

    Veri setlerini değil, kararları seçin

    İki ya da üç karardan veya yapay zekâ kullanım senaryosundan ve bunların ihtiyaç duyduğu verilerden yola çıkın; sahipler belirlenmiş olsun.

    ÇıktıSahipleri belli veri ürünü iş listesi

  2. 02

    Temelleri bunların etrafında kurun

    Platform, veri alımı, kalite kontrolleri ve yönetişim; bu ürünlere düzgün hizmet etmeye yetecek kadar.

    ÇıktıCanlı ortamda ilk veri ürünleri

  3. 03

    Ürün ürün büyüyün

    Her yeni ürün temeli yeniden kullanır; katalog ve KPI sözlüğü onunla birlikte büyür.

    ÇıktıÜrün yol haritası ve benimsenme ölçütleri

06 İnsan kontrolü

Kontrolün insanda kaldığı yerler

Veri platformları veri hareketini ve kontrolleri otomatikleştirir. Anlama, erişime ve amaca insanlar karar verir.

  • Tanımları sahipler onaylar

    Bir KPI’ın veya veri ürününün anlamı ancak iş sahibi onayladığında değişir ve değişiklik sürümlenir.

  • Erişimi politika sahipleri verir

    Hangi veriyi kimin hangi amaçla kullanabileceğine veri sahipleri karar verir; platform bunu uygular ve her yetkilendirmeyi kaydeder.

  • Kalite ihlalleri hattı durdurur

    Bir sözleşme kontrolü başarısız olduğunda veriyi kullananlar bilgilendirilir; yayımlamaya, bekletmeye veya düzeltmeye sahip karar verir.

07 Teknolojiler

Çalıştığımız teknolojiler

Platformlar
  • Databricks
  • Microsoft Fabric
  • Snowflake
  • Apache Iceberg veya Delta Lake üzerinde açık lakehouse
Veri hatları
  • dbt
  • Apache Spark
  • Kafka ve Debezium
  • Buluta özgü orkestrasyon
Yönetişim
  • Unity Catalog ve Purview
  • Açık kaynak kataloglar
  • Veri kalitesi çerçeveleri
  • Politikaya dayalı erişim kontrolü
Analitik
  • Power BI
  • Anlamsal ve metrik katmanları
  • Gömülü analitik
  • SAP analitiği (mevcut sistemler)

Bir teknolojinin listelenmesi mühendislik deneyimimizi anlatır. Üreticisiyle bir iş ortaklığı olduğu ya da üreticinin bizi onayladığı anlamına gelmez.

08 Örnek

Açıklayıcı örnek

Açıklayıcı örnek

Birkaç ülkede şirketi olan bir grup için tek bir operasyonel KPI seti

01Durum
Grubun her şirketi işlem hacmini ve bekleyen işleri kendi sistemiyle ve kendi tanımlarıyla raporluyor. Grup yönetimi aynı şeyi ifade etmeyen rakamları karşılaştırıyor.
02Kuracağımız sistem
Her şirket için uyumlu hâle getirilmiş veri ürünleri, grup düzeyinde kararlaştırılan KPI tanımlarını içeren tek bir anlamsal katmanı besler; şirketlere özgü ayrıntılar korunur.
03Kararı insanın verdiği yer
Her şirketin mali kontrol sorumlusu kendi verilerinin eşleştirilmesini onaylar; tanımları ve değişiklikleri grubun KPI sahibi onaylar.
04Neyi ölçeceğiz
Aylık raporun hazırlanma süresi, uzlaştırma düzeltmelerinin sayısı ve onaylı panoların kullanımı.

09 Sektör bakışı

Sektörünüzde

  • Sağlık ve yaşam bilimleri

    Sıkı amaçla sınırlılık, takma ad kullanımı ve erişim kaydıyla yönetilen araştırma ve operasyon verileri.

  • Üretim ve sanayi

    Planlama, izlenebilirlik ve yapay zekâ için birleştirilen ürün ve varlık ana verileri, kalite ve üretim verileri.

  • Kamu sektörü

    Asıl kaynak kayıtlar, bir kez yeterli ilkesine göre veri kullanımı ve politika yapıcıların ve denetçilerin kayda kadar izleyebildiği raporlama.

Kıbrıs

Sınır ötesine geçen veriler

Birkaç üye devlette çalışan gruplar ve kamu kurumları, birbirine benzeyen ama aynı olmayan kurallar altında veri paylaşır. Genel Veri Koruma Tüzüğü (GDPR) kişisel veriler için tek bir çerçeve çizer; Kıbrıs Cumhuriyeti’nde 125(I)/2018 sayılı Yasa, Genel Veri Koruma Tüzüğü’nün bazı hükümlerinin uygulanmasını düzenler ve denetim makamı Kişisel Verileri Koruma Komiseridir (Commissioner for Personal Data Protection). Veri Yasası, bağlantılı ürün ve hizmetlerden elde edilen veriler üzerinde kullanıcılara haklar tanır; saklama ve amaç konusundaki ulusal yorumlar ise hâlâ farklıdır.

Sözleşmeleri verinin nerede, hangi amaçlarla ve ne kadar süreyle işlenebileceğini içeren veri ürünleri tasarlıyoruz; böylece platform, verinin ayrı kopyalarına ihtiyaç duymadan her ülke için doğru kuralı uygulayabilir.

Veri ve analitikle ilgili sorular

Bir veri ağına (data mesh) ihtiyacımız var mı?

Onun yararlı kısımlarına ihtiyacınız var: sahibi ve sözleşmesi olan veri ürünleri. Tam merkezsizleşme, olgun alan ekipleri olan büyük kurumlarda karşılığını verir. Birçok kurum, merkezi bir platform ekibi ve ürünlerin alan ekiplerine ait olduğu bir modelle daha iyi sonuç alır.

Verilerimiz yapay zekâya hazır mı?

Bir kullanım senaryosunun ihtiyaç duyduğu kaynaklar üzerinde örnekleme dayalı kısa bir değerlendirme bunu gösterir: kapsam, kalite, erişim hakları ve hukuki dayanak. Yanıt genellikle “kısmen” olur ve önce neyin düzeltileceğine dair net bir liste çıkar. Aynı değerlendirmeyi yapay zekâ mühendisliği ekiplerimiz de kullanır.

Zaten bir veri ambarımız var. Baştan mı başlayacağız?

Nadiren. Güvenilir raporlar sunan bir veri ambarı bir değerdir. Genellikle onu yapılandırılmamış ve yüksek hacimli veriler için lakehouse yetenekleriyle genişletir, yalnızca maliyet veya sınırlar gerektirdiğinde taşırız.

İş ortaklarıyla veya diğer kamu kurumlarıyla veri paylaşımını nasıl ele alıyorsunuz?

Anlaşmalar, amaçla sınırlılık ve kayıt tutma hazır olacak şekilde, yönetişimli API’ler üzerinden sunulan veri ürünleriyle. Veri Yönetişimi Yasası veya Veri Yasası uygulandığında, teknik kontrolleri buna göre tasarlarız.

Bugünkü verilerle veremediğiniz kararı söyleyin

Bu kararın ihtiyaç duyduğu verileri kaynaklarına kadar izleyelim ve ilk veri ürününün neler gerektireceğini gösterelim.

Projenizi konuşalımAkıllı belge işleme