Codecast#58 - Türkiye'nin Yeni Nesil Fintech Uygulaması Midas'ta AI ve Veri Bilimi Süreçleri

Ahmet Hoşgör:
— Herkese merhabalar. Ben Ahmet Hoşgör. Coderspace’in podcast serisinin yepyeni bir bölümüyle karşınızdayız. Bugün aslında benim de kullandığım ve uzun süredir Türkiye’de böyle bir uygulamanın olmasını beklediğim Midas ile bir bölüm kaydediyoruz. O açıdan ben de oldukça meraklıyım. Midas’tan Atılberk Çelebi aramızda; kendisi Staff Data Engineer olarak bizlerle. Dorukhan Afacan da Lead Data Scientist olarak bize eşlik ediyor. Hoş geldiniz Atılberk, Dorukhan.
Dorukhan Afacan:
— Merhaba, hoş bulduk.
Atılberk Çelebi:
— Hoş bulduk, merhaba. Teşekkür ederiz Ahmet, bizi davet ettiğin, ağırladığın için.
Ahmet Hoşgör:
— Biz teşekkür ederiz konuk olduğunuz için. Benim de gerçekten merak ettiğim sorular var, o yüzden keyifli bir bölüm olacağını düşünüyorum. Ben title’larınızdan kısaca bir giriş yaptım ama isterseniz sizi biraz sizden dinleyelim hem hikâyenizi hem de Midas’taki mevcut rolünüzü konuşalım. Dorukhan, istersen seninle başlayalım.
Dorukhan Afacan:
— Tamamdır. Merhabalar, bizi ağırladığınız için çok teşekkürler. Yaklaşık sekiz yıldır Data Scientist olarak çalışıyorum. Bunun ilk beş yılı danışmanlık tarafındaydı. Data Scientist alanına da aslında yüksek lisansımı robotik üzerine yaparken kaydım. Mekatronik mühendisliği okuduktan sonra yüksek lisansta machine learning dersleri aldık ve bu alana kaymaya karar verdim. Matematiksel modelleri kullanarak predictive modelleme yapmak beni o dönem cezbetmişti. Lineer cebir ve istatistiğin business problemlerinde bu kadar yaygın kullanıldığını görmek de bu geçişte etkili oldu.
Alan değişikliği yaptıktan sonra yaklaşık beş yıl danışmanlıkta çalıştım. Bu süreçte farklı machine learning problemleriyle uğraştım. Computer Vision da vardı, doğal dil işleme de vardı, time series forecasting de vardı ama en çok doğal dil işleme üzerine problemlere denk geldim. Mentorlarım ve liderlerim de bu alandaydı; Deniz Hoca’nın Koç Üniversitesi’ndeki öğrencileriydiler.
Daha sonra Getir’de yaklaşık iki yıl Lead Data Scientist olarak çalıştım. Ekibimle birlikte Customer Experience ve Customer Services domain’lerinde, business paydaşların problemleri üzerine çalışıyorduk. Genelde NLP ve text ağırlıklıydı; müşteri yorumları, çağrı merkezi ticket’ları, NPS anketleri gibi alanlarda predictive modelleme çalışmaları yapıyorduk.
NLP ile çok haşır neşir olunca, özellikle LLM’lerle birlikte, NLP domaininden çıkan state of the art yaklaşımlar ve bugün hepimizin hayatına dokunan ürünler ortaya çıktı — en popüleri ChatGPT, söylemeye bile gerek yok. NLP ile çalışınca doğal olarak LLM’lerle, NLP tabanlı problemleri çözme üzerine evrildi mesleğim. Şu anda da Midas’ta son bir yıldır benzer şekilde, NLP ağırlıklı, analitik ağırlıklı projelerde çalışıyorum.
Ahmet Hoşgör:
— Harika. Bu konularda sorularım olacak. Atılberk, seni de tanıyabilir miyiz?
Atılberk Çelebi:
— Tabii. Dorukhan’ın güzel girişinden sonra ben de ne söyleyeceğimi kafamda biraz toparlamış oldum. Atılberk ben. Benim de aşağı yukarı benzer bir hikâyem var. Koç Üniversitesi Bilgisayar Mühendisliği girişliyim, sonrasında Elektrik-Elektronik ile çift anadal yaptım. Dorukhan’ın dediği gibi, matematiği programlamayla birleştirebilince benim de kafam biraz daha machine learning, AI applications tarafına gitmeye başladı.
Tam da deep learning devriminin başladığı 2012–2014 aralığındaki o dönemde ben de Deniz Hoca’nın öğrencisi olma fırsatı yakaladım. Koç Üniversitesi’nde doğal dil işleme üzerine çalışan AI Lab’de bir süre asistanlık yaptım. Mezun olduktan sonra akademiye yönelmeden önce biraz gerçek hayat problemleriyle uğraşmak istedim. Yapı Kredi’nin Ar-Ge ve özel projeler biriminde, yine ağırlıklı NLP çalışan bir ekiple bu sefer bankacılık tarafında doküman işleme, analiz ve anlam çıkarma üzerine projeler yaptık; chatbot projesi yaptık vs.
Yaklaşık iki buçuk yıl Yapı Kredi’de çalıştıktan sonra ben de Dorukhan gibi danışmanlığa döndüm. Accenture Türkiye’den çekiliyordu o zamanlar; bir yönetim danışmanlığı şirketi start-up’ı kuruyordu oradan ayrılan partnerler. Ben de onlara dâhil oldum. Aslında yönetim danışmanlığının içine biraz machine learning, data ve AI gibi konseptleri “üst yönetimlerle nasıl proje yapabiliriz?” konularında yaklaşık beş yıl çalıştım Dogma Alares’te.
Dogma Alares benim için ciddi bir okul oldu. Farklı sektörlerde, farklı problemler görerek her birinin elimdeki aletlerle nasıl çözülebileceğini gördüm. Farklı teknolojik stack’lerle ve farklı olgunluktaki veri yapılarıyla, farklı olgunluktaki IT altyapılarıyla çok sayıda proje geliştirdim. Geçtiğimiz yılın ekim ayında Midas’a dâhil oldum. Yaklaşık dokuz aydır Dorukhan’la birlikte buradaki projeleri nasıl ayağa kaldırırız, nasıl otomatikleştiririz ve daha iyiye götürürüz üzerine çalışıyoruz.
Ahmet Hoşgör:
— Süper. Gerçekten benzer patikalardan geçmişsiniz, farklı şirketler olsa da. Atılberk, aslında Midas’ı bilenlerin sayısı giderek artıyor — bizim hedef kitlemizde daha da çoktur muhtemelen — ama yine de sorayım: Midas ne yapıyor? Siz data ekipleri olarak burada ne yapıyorsunuz, vizyon ne, nereye gitmeye çalışıyorsunuz veri tarafında? Tabii hızlı hareket eden bir şirket; Türkiye’de bankalara vs. göre. Onlar da iyi durumda tabii ki ama siz muhtemelen scale-up olmanın verdiği dinamiklikle daha da hızlı hareket ediyorsunuz. Senden bunları dinlemek iyi bir başlangıç olacaktır.
Atılberk Çelebi:
— Tabii… Bana her hafta “Midas ne yapıyor?” diye sorulsa farklı bir cevap verebilirim. Ama temelde Midas, bireysel kullanıcının yatırımını, elindeki finansmanı en kolay ve en iyi şekilde yönetebileceği bir platform olmaya çalışıyor. Bunu yaparken de aslında başladığımız temel nokta, Türkiye’deki kullanıcıların Amerikan borsalarından hisse alabilmesiydi.
Sonrasında Borsa İstanbul, fon piyasaları, kripto ve döviz exchange de yapılabildiği daha komplike piyasa ürünleri geldi. İçerisinde haberlerin, Kamu Aydınlatma Platformu’ndan alınan bilgilerin vs. de olduğu; olabildiğince kullanıcının hızlı ve iyi bir deneyimle işlemlerini yapabilmesini sağlayacak bir deneyim oluşturmaya çalışıyor. Gitmek istediğimiz nokta ise kullanıcının finansal araçlarla ilgili tek temas noktası olmak ve bunu en iyi deneyimle, kullanıcıya bütüncül şekilde sunabilmek.
Bunu yaparken “data nerede?” ve “modeller nerede?” dersek, aslında tam kalbinde. Çünkü Midas mobil bir uygulama; bir avuç içine sığacak bir ekran içerisinden birçok şeyi yapıyoruz. Yapılan her işlemin bir kaydı, izi bizim tarafımızdan capture edilmeye çalışılıyor. Bunun dışında piyasadan gelen veriler de keza, kullanıcıdan gelen davranışsal veriler de keza… Hepsini bir araya getirip kullanıcıya tekrar değer üretecek şekilde sunmaya çalışıyoruz.
Bu yolculukta verinin kullanıcıdan — veya dışarıdan — gelip, içeri girip tekrar kullanıcıya dönmesine kadar birçok adım var. Ben daha çok data engineering ve operasyonel engineering tarafındayım; Dorukhan ise modelleme tarafında. Ama aslında içeride her ekip aynı data etrafında. Biri “bu datayı nasıl gösteririz?” diye UI/UX tasarım tarafında, diğer arkadaşlar “platform bunu nasıl mümkün kılar?” diyerek altyapı tarafında çalışıyorlar. Hepimiz aslında “kullanıcıya nasıl daha iyi hizmet veririz?” diye çalışıyoruz.
Ahmet Hoşgör:
— Çok güzel özetledin, benim de kafamda oturdu. Dorukhan, Lead Data Scientist olarak çalışıyorsun. Midas’ta bir günün nasıl geçiyor? Diğer ekiplerle nasıl çalışıyorsun? Aslında MLOps’u bu konuşmamızdan önce kısa konuşmuştuk; bunların production’a geçme süreleri ve süreçleri nasıl? Senden dinleyelim.
Dorukhan Afacan:
— Tabii… Midas özelinde de Midas özelinde olmayacak şekilde de genel olarak Data Scientist’in bir günü kurumdan kuruma çok değişmiyor. Zaten birçok ekip data ile çalışıyor ve gittiğimiz dünyada da her ekip, kendi ekip içerisinde product analyst’leri olsun, product manager’lar olsun, data ile sürekli haşır neşir.
Data Scientist’in burada biraz daha sorumluluğu, prediktif bir model geliştirmek. Bu modelin aynı zamanda bu prediction’lar yoluyla belli otomasyonların önünü açması. Spesifik bir örnek şu olabilir: Şirketler genelde, eğer kullanıcı-facing app’leri varsa, bu app’le beraber yorumlar topluyor. Product ekipleri genelde bu yorumları teker teker okuyup aksiyon almaya çalışır ama NLP yoluyla bunların analiz edilip, tag’lenip aksiyon alınabilir hâle gelmesi bayağı bir yükü ellerinden alıyor.
Dolayısıyla bu tarz bir problemle geliyorlar size: “Kullanıcı yorumlarını tek tek okumak istemiyoruz, nasıl bir yapı kurgulasak?” gibi. Önce nelerle tag’leneceğinin taksonomisini çıkarmamız gerekiyor. Dolayısıyla orada data toplama ve datanın ilk analiz süreci başlıyor. Data Scientist’in hayatının data analyst kısmı biraz burada başlıyor. Her projenin başında ham verinin toplanması, temizlenmesi ve anlamlı hâle getirilmesi gerekiyor.
Sonrasında, buradan text üzerinde konuşacak olursak taksonomi; kullanıcının churn’ü üzerinden konuşacak olursak, “kaç gündür gelmeyen kullanıcıya churn deriz?” gibi. Bir target predict ediyorsam bu target’ın definition’ı ne olmalıdır? Business ekipleriyle bunun istişaresi, git-geli çok oluyor ve genelde analistlerden veya business logic’ten besleniyor. Aramızda bunun iletişimini kuruyoruz. Onlar business logic’in varsayımıyla bize gelirken, biz de data üzerinden çıkardığımız analizlerle bunları çarpıştırıp ortak bir karara varıyoruz.
Diyoruz ki işte “yorumların girebileceği kategoriler şu 20 tanesidir” veya “70 gündür app’i açmamış kullanıcı churn’dür” ya da “40 gündür app’i açmamış kullanıcı churn’dür” gibi. Daha sonra ilk modelleme çalışmaları yapılıyor. Model selection kısmı, data science’a gönül vermiş, Kaggle yarışmalarında yarışmış insanlar için “pek çok farklı modeli deneyelim, validation üzerinden hyperparameter’ları tune edelim, sonra model selection sürecini işletelim” gibi ilerleyebiliyor. Bazen de product çok hızlı çıktı beklediği için “minimum viable model neyse onunla ilerleyelim, sonra iyileştiririz” yaklaşımı oluyor.
Midas’ta genelde ikinci yaklaşım hâkim. Biraz daha “move fast and break things” kafası olduğu için daha reaktif geliştiriyoruz. Proaktif çalışmaktansa, “önümde karşılaşabileceğim pürüzler bunlardır, bunları şimdiden hesaba katayım, ona göre çalışayım” demek yerine, mevcut know-how ve bilgimizle mevcut datayı güvendiğimiz hâle getirdikten sonra çalışmaya ve hemen devreye alma çabasına giriyoruz. Hızlıca canlıya alıp geri bildirimlerle iyileştirme yapıyoruz.
NLP ve LLM tarafında ise işler çok hızlandı. Eskiden çok fazla data toplayıp bunları label’layıp modeli eğitmek ve data geldikçe yeniden dataset düzenlemek gerekiyordu. Daha önce danışmanlıktayken İBB’de bir projede çalışmıştık: ALO 153 Beyaz Masa, vatandaş şikâyetlerinin kategorilendirilmesi… 186 üst ve binlerce de alt kategori vardı. Milyonlarca şikâyet metni… Bunlara yeni kategori eklenmesi gerektiğinde call center’da bunları yeniden label’latıyorlardı.
LLM’ler bu dünyada otomatik labeling, sentetik data hazırlamak gibi konularda bize destek olabildiği gibi, aslında çağrı merkezine yeni gelmiş bir kategoriyi direkt prompt’una ekleyip bunu tanır hâle de getirebiliyorsun. Dolayısıyla problemlerin shiplenme süresini bayağı kısaltıyor. Burada privacy durumlarına veya maliyet durumlarına göre kapalı LLM’ler ya da open source LLM’ler arasında seçim yapmak gerekiyor.
Midas finansal bir kuruluş; pek çok regülatif kuruma ve regülasyona tabi. O yüzden kullanıcı verileriyle LLM yapalım gibi bir şeye girişemiyoruz. Kullanıcı verisi olmayan veriler var bizde tabii. Neler var? Finansal haberler var; anlaştığımız çeşitli sağlayıcılardan bize gelen. Midas’ın çıkış noktası zaten Amerikan borsaları. Amerikan borsalarındaki enstrümanları insanlara düşük komisyonla ve kolay bir arayüzle sunmak.
Bunu yaparken Atılberk’in söylediği gibi tek bir merkez nokta, hub hâline gelmek istiyoruz. Dolayısıyla burada sadece al-sat işlemleri değil; aslında app’te vakit geçirebileceğiniz, takip edebileceğiniz finansal haberlerin olduğu piyasalar ve keşfet kısmı da var. Kullanıcılar için burada en önemli şey doğru ve kaliteli habere vakitlice ulaşmak.
Amerikan borsaları çıkış noktamız olduğu için yabancı haber kaynaklarının çevirisi ve değerlendirmesi gibi işleri yapan bir içerik ekibi var. İçerik ekibine human-in-the-loop şekilde destek olacak ve biraz daha automate edip onlardan da yük alacak bir News AI partner geliştirdik ve iterasyonlarla geliştirmeye devam ediyoruz.
Mesela bir günü şöyle geçiyor: Farklı modeller var; belli finansal haberleri çeviren, Türkçedeki finansal jargonu iyi yansıtıyor mu, yansıtmıyor mu? Aslında bir validation dataset’i inşa ediliyor. Bu validation dataset’i ilk başta human labeling’den geçiyor. Daha sonra model selection yaptıktan sonra content ekibinin yardımını alıp, ileride manuel değil de otomatik çevirecek bir agent inşa ediyoruz. Sonrasında kendi içinde automated maker-checker mekanizması bu şekilde oturuyor.
Şu anda geldiğimiz noktada haberler belli bir sıklıkla, neredeyse real-time olacak şekilde, orijinal kaynaklarından gelip hepimize çeviri olarak düşüyor. Bunlar kullanıcı verisi içermeyen, gayet online olarak da erişilebilecek veriler. Biz de direkt Midas app’ine, content ekibinin işini ölçeklendirecek şekilde — yaklaşık %60 oranında — bunu yansıttık. Şu anda farklı provider’larla da devam edeceğiz. Devamında gitmek istediğimiz nokta ise daha agentic yaklaşımlar kullanıp, kendi kendine haber toplayan, özetleyen, farklı kaynakları derleyen bir editör-agent yapmak. Oralara kadar ilerlemeyi düşünüyoruz.
Ahmet Hoşgör:
— Süper… Bazı soracağım soruları da cevaplamış oldun. LLM tarafı demek, sizin taraftaki model geliştirme ve shipleme sürelerini hızlandırıyor.
Dorukhan Afacan:
— Yani şöyle; birkaç sene önce özet çıkaracak bir model yapmak istesen veya çeviri yapacak bir model yapmak istesen, çok domain-spesifik bir data toplaman gerekiyor. Elimizdeki şu ana kadarki doğru çeviriler nedir, orijinal kaynağından belli bir finansal jargona veya Midas kullanıcısının dikkatini çekecek olan jargona… Bu datayı topladıktan sonra da o dönem BART gibi veya Pegasus gibi generation modelleri var. Machine translation için kullanılan neural network modelleri de var. LSTM’ler orada en çok kullanılıyordu; LSTM with attention. Attention zaten oradan çıktı; ondan sonra BERT’ün doğumu falan da bu şekilde biraz gerçekleşiyor.
Bu tarz encoder-decoder mimarisine dayanan herhangi bir şeyle sürekli eğitip “benim özetim ne olmuş, iyi olmuş mu?” veya “translation’ım ne olmuş?” diye ölçmen gerekiyor ve daha çok data toplaman gerekiyor. Burada LLM’ler iki şekilde yardımcı oluyor bu tarz use case’lerde. Data generation’ı ölçeklendirip çok daha fazla eğitim datası üretebilirsin. Ya da direkt, eğitim datası ürettiğin prompt’un maliyetini worth etmiyorsa canlıya alabilirsin ve bu sayede maintenance bayağı kolaylaşıyor. Hem shipping hem de maintenance bayağı ölçekleniyor.
Canlıya aldığında da zaten baktığında insan eforunun bir kısmı automate olmuş oluyor. Bu, “insanlara ihtiyaç duymuyoruz” demek değil. Bunu eğitmek, terbiye etmek, canlıda tutmak ve bakım için sürekli bir insan eforu gerekiyor. Sadece, var olan ekibin çıkabileceğinden daha fazla veriyi o ekiple çıkabiliyorsun.
Ahmet Hoşgör:
— Süper… Atılberk, data engineering tarafında neler kullanıyorsunuz? Teknoloji olarak burada yaptığınız önemli projeler ya da geliştirdiğiniz challenging taraflar neler? Aslında bu alanda çalışmak isteyenlerin ilgisini çekebilecek bazı noktalar var mı Midas’ta? Neler var, bunları sormak isterim sana.
Atılberk Çelebi:
— Tabii… Aslında ben, her ne kadar data engineer ekibiyle çok çalıştığım için haşır neşir olsam da içeride onların arasında machine learning engineer gibi bir rol alıyorum. Dolayısıyla kendi aramızda ayrıldığımız bir domain ayrımı da var ama konuların hepsine hep beraber hâkim olmaya çalışıyoruz.
Bizim, dediğim gibi, uygulamanın bağlı olduğu backend sistemler, canlı sistemlerde operasyonel olarak birçok data üretiliyor. Orada veri tabanlarında farklı teknolojiler kullanılıyor. Bizim aslında yapmaya çalıştığımız şey, data engineering tarafında üretilen tüm verileri tek bir veri ambarında toplayabilmek. Aslında biraz bunun için uğraşıyoruz.
Üretilen her veri otomatik olarak veri ambarına da bir kopyasını geçirecek ve buna analitik sorguların sonrasında kullanılacağı şekilde nasıl modelleyebiliriz? Veri ambarını, verinin kullanıcıları için nasıl düzgün bir single source of truth şeklinde hazırlayabiliriz? O tarafta çeşitli teknolojiler kullanıyoruz. Airflow hayatımızın ortasında. Airflow üzerinden bütün operasyonları orkestre ettiğimiz bir dünya var.
Data scientist arkadaşlarla da aslında batch çalışan bütün model training, data hazırlama-çekme, dataset hazırlama ve operasyon işlerini, veri ambarı üzerinde çalışan bu Airflow job’larıyla yönetmeye çalışıyoruz. O taraftaki yaklaşımımız — yani Midas’ın genelinde şöyle — aslında her bir domain engineer’ın, data scientist’in ya da başka bir amaçla çalışan birinin, datayı bir platform olarak görüp burada kendi başına çalışıp istediğini alıp yapabileceği bir ortam, bir düzlem oturtmaya çalışıyoruz.
Şöyle ilerlemiyor Midas’ta hiçbir şey: “Ben sana bir ticket açtım, buna bakabilir misin?” şeklinde ilerlemiyor. “Benim şöyle bir şeye ihtiyacım var, nereden alabilirim? Ben bunu nasıl yapabilirim? Yapamazsam bana nasıl yardımcı olabilirsin?” mentalitesi hâkim. Kimsenin bir diğerini iş için beklettiği bir düzen, kültürümüzde yok. Bir an önce hep beraber aynı işi başarmaya çalışıyoruz.
Dolayısıyla biz de data engineering olarak, platformumuza diğer ekipler nasıl Airflow’da kendi DAG’lerini buraya yazabilirler, ne gibi onlara yardımcı olacak kütüphaneler geliştirebiliriz; bunu doğru şekilde veriye erişildiğinden, herkesin kendi izin, yetki ve yönetişim çerçevesinde bunu nasıl kullanabildiğinden emin olmaya çalışıyoruz. Genelde dolayısıyla bizim yaptığımız iş biraz daha platformu hazırlamak noktasında kalıyor; ekipler kendileri gelip kendi data engineering işlerini yapabilsinler diye.
Data scientist’lerle beraber çalışırken de aslında böyle ilerliyor. Dorukhan deneylerini yaptıktan sonra canlıya bağlamak, entegre etmek istediği bir uygulama olduğunda, bunu ya kendisi bir uygulamaya dönüştürüyor ya da “bunu nasıl uygulamaya dönüştürebiliriz?” diye diğer ekiplerdeki mühendislerle oturup; bunu nasıl schedule etsek, bunu nasıl servis etrafında çalıştırsak, nasıl güncellesek, veriyi nereden nereye nasıl geçirsek kolay olur diye hep beraber inşa ediyoruz.
Bunu sağlayabilecek bir sonraki use case’de, aynı işi tekrar yaparken Dorukhan’ın bize ihtiyaç duymadan kendisinin bunu canlıya alabileceği araçları da paralelde geliştirmeye çalışıyoruz.
Ahmet Hoşgör:
— Güzel… Kültürde hız ve hızlı aksiyon, hızlı canlıya geçme ya da bir şeyleri hızlı yapma sizi daha çok yöneltiyor gibi anladım. Burada genel olarak ikinize de sorabilirim belki… Hem kendi bakış açınız hem de Midas’ın bakış açısı olarak… Şimdi artık tabii beş yıl önce konuştuğumuz şeyleri konuşmuyoruz. Biraz vibe coding konuları var, LLM’ler geldi tabii. Meşhur makale 2017–2018’deydi ama son bir yılda büyük bir gelişim var ve gelecek için agent’ları konuşmaya başlayacağız.
Tüm bunları düşününce siz nasıl görüyorsunuz hem mevcut durumu hem önümüzdeki birkaç seneyi hem sizin bakış açınızdan hem de Midas’ın bakış açısından?
Dorukhan Afacan:
— Yani… Kestirmek zor tabii. Geldiğini gördüğümüz bazı şeyler var. Öncelikle LLM’ler general-purpose araçlar. Hem konu bakımından task-specific değiller hem de vision veya speech tarafında çok rahat entegre olabiliyorsun. Bir de işin product katmanı var; bunların bağlandığı product’lar ve bu product’ların development süreci, product hâline gelmesi.
Genel bir enablement olacak diye düşünüyorum. Herkes “tek kişilik şirketler” falan diyor ama bence daha çok şirketlerin içerisinde herkes bir “AI power user” olmaya doğru gidecek. Gitmiyorsa da buraya doğru push edilecek. Farklı ekipler, farklı AI katmanlarını kendi işlerinde kullanıp belli otomasyonlarını kendileri sağlayabilecekleri bir yapıya evrilecek.
Bunu yapabilmek için eldeki veri de bu şekilde değişecek, eldeki diğer araçlar da. Mesela MCP’ler popüler oluyor; çünkü şirketlerin farklı REST API’leri var diyelim ki. Direkt onlar MCP’ye dönüşüp ChatGPT’ye veya başka bir LLM’e bağlansa, tüm kullanıcılar app üzerinden değil de direkt bu AI arayüzü üzerinden servislere bağlanabilecekler.
THY MCP’sini çıkarmış mesela. THY’ye girilen web sitesinde yaptığım bazı işleri ChatGPT üzerinden de yapabileceğim. Dolayısıyla mesela iPhone bizi kare kare app’lerin olduğu bir arayüze nasıl alıştırdıysa, bu sefer de tamamıyla blank sheet bir UI olacak. Ben konuşuyorum, konuştukça belki dokunabileceğim şeyler chat window’da bana ekstra olarak gelecek. AI bana neye basacağımı önerecek.
Dolayısıyla şirketler de herkes nasıl “app development furyası”na girdiyse, bu sefer de “benim AI’ya bağlayacak bir MCP’ye sahip olmam lazım ki AI ile konuşan insanlar benim ürünüme ulaşabilsin” diyecek. Bu da içeride bir sürü ekibin buna göre geliştirme yapmasını, veri tabanlarındaki data structure’ları buna göre organize etmesini gerektirecek.
Aynı zamanda non-technical ekipler de sahip oldukları doküman yükünü, legal taraflardaki, compliance taraflardaki dokümanları — yabancı LLM’lere vermek istemedikleri için — içeride kendi internal assistant’larını build etme yoluna gidecekler diye düşünüyorum. Bu da bence şuna doğru gidiyor: Farklı departmanlar, farklı seviyelerde AI-native olacak ve ona göre geliştirme ya da çalışma yapacaklar. Sen bir AI product çıkarmıyor olsan bile buraya doğru gidecek.
Ahmet Hoşgör:
— Evet… Bence güzel ve çok kısa sürede AI etkilerini göreceğimiz bir taraf MCP. Ben de araştırmaya başladım. Bizim data science ihtiyacımız çok olmuyor ama yaptığımız programlar bunlarla ilgili olduğu için neler yapabiliriz diye konuşuyoruz. Atılberk, senin eklemelerin olur mu?
Atılberk Çelebi:
— Dorukhan aslında güzel özetledi. Ben de birçok start-up’a, yeni çıkan AI ile bir şeyler yapan tool’lara bakıyorum ama bana şöyle geliyor: Günün sonunda bazı şeyler tek bir chat box’a dönüşecek ve onun arkasında yer alabilmek için Alexa ile, Siri ile ya da GPT’nin agent’ı ile entegre olabilecek servisler gelişecek ve bunun artık norm hâline geleceğini düşünüyorum.
Bugün ne diyoruz aslında? Herhangi bir ürün alacakken “Sizin API’niz var mı, her şeyi UI’dan mı yapmamız lazım?” diye soruyoruz. “Bizim şu API’lerimiz var, bu şekilde çağırabilirsiniz” diyor servisler. Bunun çok hızlı bir şekilde MCP server’larında artık olmazsa olmaz hâle geleceğini ve entegrasyon bacağının biraz daha o tarafa kayacağını öngörmek zor değil.
Ama bu konu çıkalı daha bir sene oldu, dolayısıyla iki sene sonrasında ne olacağını görmek gerçekten zor. Şöyle bir araştırma var: Her yedi ayda bir LLM’lerin kodlama gücü iki katına çıkıyor diye bir hesaplama yapılmış; METR diye bir enstitü tarafından. Dolayısıyla gerçekten bir sene sonra development işlerinin ne kadarını insanlar olarak yükleneceğiz ve geri kalan vaktimizde ne yapacağız sorusu biraz korkutucu ama üzerine düşünülmesi gereken bir soru.
Diğer taraftan işler de değişiyor. Danışmanlık sürecinde ben çok fazla müşteri hizmetleri, call center projesi yaptım. Bugün geldiğimiz noktada call center yöneticilerinin ya da müşteri deneyimi ekiplerinin kullandıkları araçlar belki %90 oranında değişti. Excel hâlâ kullanılıyorsa kullanılıyordur ama onun dışında Salesforce da artık aynı Salesforce değil. Zendesk aynı Zendesk değil. Kullanılan araçlar bambaşka.
Kullanıcının beklentisi de bambaşka. Eskiden belki IVR ile botla konuşmaktan kaçan kullanıcı, şimdi artık “ben insana derdimi anlatana kadar daha standart, daha stabil bir şeye derdimi anlatmak istiyorum” noktasına geliyor. Dolayısıyla sadece teknik tarafta değil, ürün ve kullanıcı tarafında da büyük değişiklikler olacağını düşünüyorum.
Biz içerideki arkadaşlara her gün aşağı yukarı prompt yazarken neye dikkat etmek lazım, bir prompting modeli nasıl daha doğru bir yere götürür, buna dair rehberlik veriyoruz. Aşağı yukarı her gün ekipten birileri gelip “bizim şöyle bir promptumuz var, bunu nasıl düzeltebiliriz?” ya da “burada AI / LLM kullansak bunu nasıl toparlayabiliriz?” diye soruyor.
Eskiden Dorukhan’la biz — danışmanlıkta proje satmak önemlidir — iş birimlerinin peşinden koşardık: “Şunu yapabileceğinizi biliyor muydunuz, gelin şöyle bir proje yapalım” diye. Şimdi artık ben bunu şöyle tarif ediyorum: Ramazan ayında pide gibi bir şey oldu AI. Herkes kuyruğa giriyor artık. Dolayısıyla bu Ramazan ayı ne kadar sürer, pideler ne kadar sıcak kalır, onu bekleyip göreceğiz gibi.
Ahmet Hoşgör:
— Biraz poetik bir dil oldu… Güzel bir yorum oldu. Burada hakikaten çok dinamik bir dünyanın içine girdik. Özellikle son dönemde LLM ateşi daha da harlandı diyebiliriz. İyi deneyimler sonucu buraya gelmişsiniz bence. Sizinle çalışmak çok öğretici olur. Benim gibi düşünen arkadaşlar da bunu dinleyenler arasında vardır, olacaktır. Son olarak sizi dinleyenler için bir mesajınız var mı? Nerelerden başvurabilirler? Asıl sorum şu: Kimleri arıyorsunuz, kimler gelirse hem onlar mutlu olur hem siz mutlu olursunuz? Bunu merak ediyorum. Dorukhan, belki seninle devam edebiliriz, sonrasında Atılberk’le kaparız.
Dorukhan Afacan:
— Yani iki şey söyleyebilirim. Birincisi, her şey çok hızlı gelişiyor. Framework’lerden tut, bu framework’lerin kullandığı farklı modellere kadar bir sürü AI product sürekli çıkıyor. Hızlı gelişmeleri takip eden, denemekten çekinmeyen, demo çıkarabilen insanlar değerliydi; şimdi daha da değerli.
Üzerine bir de AI kullanıp hızlıca küçük UI’lar ile ufak tefek app’ler çıkarabilen insanlar, kendi product’larını geliştirebildikleri gibi şirket içerisinde de küçük UI demo’ları yapabiliyorlar. Dolayısıyla daha self-serving hâle gelmek üzere AI’ı leverage edebilen kişiler açıkçası daha değerli ve daha öne çıkmaya başlıyor.
Bir de değişmeyen bir kısım var ki, özellikle data science bacağında: “move fast and break things” giderken; sürekli geliştirme yap, canlıya al, tekrar geliştirme yap, tekrar canlıya al… Ama işin data science tarafında evaluation ve benchmarking hâlâ çok önemli, hâlâ değişmedi. Dataset toplayıp, hâlâ datayı toplayıp bunun ground-truth–based benchmark’ını takip etmek gibi zorluklar var. Bu zorluklarda sebat edecek, dataset’i sahiplenebilecek, evaluation’a gözünün bebeği gibi bakacak arkadaşlar genelde daha ön plana çıkıyor. O da LLM’lere rağmen değişmeyen kısım.
Atılberk Çelebi:
— Dorukhan’a katılıyorum. Onun dışında şöyle biraz genelleştireyim: Dinleyen herkes data scientist ile ilgili bir kariyer düşünmüyor olabilir ama Midas’ı kendine bir hedef olarak belirlemiş olabilir. Dorukhan’ın da benim de Midas’ta çalışan birçok arkadaşın da yaptığı işle ilgili dertlendiğini görüyorum.
Akşam mesai bitince çıkıp konuyu tamamen unutup, ertesi gün geldiğinde “nerede kalmıştık?” diye gelmiyor Midas’ta kimse. Aklına bir şey gelince Dorukhan gecenin ikisinde “yarın bunu deneyelim, böyle bir şey yaptım; sabah kalkınca yorumlarını yazar mısın?” diye bana dönüyor. Çünkü — Midas için değil ama — ne için bilmiyorum, belki bilim aşkı diyelim buna, belki bir şeyleri inşa etme hevesi… İçerideki herkeste böyle bir dertlilik, böyle bir uğraş var.
Biraz da aslında Midas bundan kaynaklı bir momentumdan besleniyor. Bunu tek başına değil, hep beraber, içerideki bütün organizasyonla collaborative olarak yaptığın zaman; içeriden gerçekten zone out olmuş ve o hızın, o enerjinin etkisiyle hızlı ilerleyebiliyorsun. Bu tempodan, bu koşudan zevk alabiliyor olmak… Bazen akıl işi değil gibi geliyor bana, durup düşünüyorum.
Şu an konuştuğumuz konular son altı ay, bir senenin konusu. Bazen “imdat” diye bağırasım geliyor yani. Ben üniversite sınavına girecekken, bütün ailelerde olduğu gibi, tıp okumamı isteyen bir güruh vardı. “Senden çok iyi doktor olur, doktor olursan hiç okumayı bırakmayacaksın; profesör de olsan literatürü takip edeceksin” diyorlardı. Benim literatür takip edemeyeceğim hızda gelişmeler oluyor şu an. Meslek koşulları olarak da çok zor bir iş yaptığımızı düşünüyorum.
Ahmet Hoşgör:
— İlginç bir dönem. Bu işleri yapmak daha da ilginç hâle gelecek gibi duruyor.
Atılberk Çelebi:
— Yani Midas’ta biz adına outlier diyoruz; kendi işinde, kendi cohort’unda, kendi alanında tabiri caizse kafası biraz kırık olduğu için Midas’ta dertlenen insanlar. Orası da biraz outlier koğuşu gibi bir yer.
Yaptığın işi sahiplenmek ve daha fazlasını istemek, daha iyisini yapabileceğini bilmek ve o standardı yükseltmeye çalışmak… Benim açıkçası bir takım arkadaşında aradığım şey şu: “Benimle beraber dertlenebiliyor mu?” Benim bütün mülakatlardan sonra kendime sorduğum — aday görüşmelerinden sonra — ilk soru bu: “Ben bu arkadaşla beraber dertlenip çalışabilir miyim?”
Ahmet Hoşgör:
— Çok güzel bir özet oldu bence. Biraz da tabii bu dönemde bu işin içerisinde, dediğin gibi, inşa etmek, bilim vs. de giriyor. O yüzden böyle coşkulu, dertlenen insanlar burada çok daha mutlu olacaktır. Dünya gerçekten çok hızlı değişiyor. Çok fazla makale, çok fazla ürün, çok fazla özellik gelişiyor. Siz de bu heyecan verici dünyanın aslında ortasındasınız ve hızlı hareket edebiliyorsunuz; bu da bir avantaj.
Gerçekten çok keyifli ve öğretici bir sohbetti. Atılberk, Dorukhan, katıldığınız için çok teşekkür ederim.
Dorukhan Afacan / Atılberk Çelebi:
— Biz teşekkür ederiz ağırladığınız için.
— Görüşmek üzere.