Yapay Zekanın

Endüstriyelleşmesi

Denemeden ölçekte
uygulamaya geçiş

Ortaklığımız sayesinde:

Informa Tech güvencesiyle

Bilgi Sınıflandırması: Genel
 01

İçindekiler
Giriş 2

Yapay zeka pazarının olgunluğu 7

Yapay zekanın operasyonel hale getirilmesi: deneyden uygulamaya geçiş 12

Yapay zekanın endüstriyelleşmesinin temel gereklilikleri 16

Vaka çalışması örnekleri 21

Genel bakış ve öneriler 26

Ek 27

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 02

Giriş
Yönetim Özeti
Hiçbir geniş endüstri trendi, istemci/sunucu bilgi işlemi, uygun fiyatlı donanım, hatta bulutun kendisi
bile işletmeyi tamamen yeniden şekillendirmeyi yapay zeka (AI) kadar vaat edemez. Onlarca yıllık
matematiksel ilkeleri, en yeni algoritmalar ve kullanıma hazır, yüksek performanslı donanımlarla
birleştiren yapay zeka, tüm sektörlerdeki şirketlerin temel ve departmana özgü iş operasyonlarını
oluşturma, sürdürme ve anlama biçiminde derinden bir değişim yaratıyor. Makine öğrenimi (ML)
yaşam döngüsü yönetimi araçlarının oluşturulmasına yönelik pazar yatırımlarının hızlanması
sayesinde, kurumsal yapay zeka uygulayıcıları artık yapay zeka deneylerinden operasyonda yapay
zeka kullanımına hızlı ve uygun fiyatlı bir şekilde geçiş yapmayı bekliyor.
İster satış olanakları oluşturmak gibi işletmenin temelindeki iş değerlerini desteklemekte ister pazarlama
kampanyası değerlendirmesi gibi departmana özgü ihtiyaçların üstesinden gelmekte olsun, yapay zekanın
kurumsaldaki kullanımı, yapay zekanın genel değer teklifinin artık bütçe oluşturma ve satın alma
görüşmelerini domine etmediği bir olgunluk noktasına ulaştı. Bunun yerine yapay zeka etrafında dönen
tartışmalar şimdi doğalında pragmatik bir nitelik kazanarak kritik olmayan süreçlerdeki erken, geçici
kazanımların, görev açısından kritik iş süreçlerindeki daha büyük kazanımlara nasıl dönüştürüleceğine
odaklanmaya başladı. Bu incelemede Omdia bu geçişi analiz ediyor ve yapay zeka deneyleri ile kritik bir
iş alt katmanı ve pazarda fark oluşturmanın kilit bir kaynağı olarak yapay zekanın operasyonel ustalığı
arasındaki yolda karşılaşılacak engelleri, imkanları ve en iyi uygulamaları ele alıyor.

Yapay zeka, küresel kesinti zamanlarında öne

çıkıyor
2020'nin başlarında COVID-19 salgınıyla başlayan eşi görülmemiş pazar kesintisi ve toplumsal
kargaşa, yakın gelecekte hafifleyecekmiş gibi gözükmüyor. Virüs, çoktan çalışanlar ve işverenleri
arasındaki ilişkiyi geri dönülmez bir şekilde yeniden şekillendirdi. Şirketleri, pazara ve destekleyici
iş süreçlerine giden rotalarını kökten değiştirmeye zorladı. Ve bu, kurumsal BT alıcılarını satın alma
önceliklerini yeniden düşünmeye; uzun vadeli hedefler yerine doğrudan gelir, maliyet tasarrufu veya
işlevsel esneklik gibi daha anlık değer sağlayabilen yatırımlar yapmaya zorladı.
Yine de kuruluş içinde yapay zekanın hızlı ve artan bir şekilde benimsenmesi, küresel COVID-19
krizine rağmen büyük ölçüde hız kesmeden devam ediyor. Bunun nedeni nedir? Yapay zeka
sonuçlarının genellikle büyük ölçekli kesinti olaylarının neden olduğu endişelerle uyumlu olan üç
genel istekle bağlantılı olduğu görülüyor.
● Genellikle, salgın nedeniyle aksayan insan görevlerini otomatikleştirmek amacıyla bir sürecin,
ürünün veya hizmetin verimliliğini artırmak
© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.
 03

● Bir görevi veya süreci gerçekleştirme maliyetini azaltmak; böylece fonların, geçici olarak arka plana
atılmış gelir akışlarından daha iyi faydalanmak için doğrudan yeniden paylaştırılmasını sağlamak
● Şirketlerin mevcut pazar talepleriyle daha uyumlu iş modellerini belirlemelerine ve bunlara
yönelmelerine yardımcı olarak tamamen yeni değer fırsatları yaratmak

Genel olarak bu hedefler, yapay zekanın belirli bir görevi yerine getirmenin veya gerçekleştirmenin yeni
ve daha verimli yollarını ortaya çıkarma, verilerdeki yeni kalıpları veya korelasyonları ortaya çıkarma ve
farklı veri noktalarını birbirine bağlamanın daha verimli yollarını tanımlama becerisine dayanır. Dolayısıyla
yapay zeka, geçmiş eylemlerden öğrenebilen ve temel süreç otomasyonuyla veya insan liderliğinde alınan
kararlarla mümkün olandan çok daha hızlı ve daha bilgiye dayalı (ör. veriye dayalı) bir şekilde ayarlamalar
yapabilen bir algoritma kurarak insan tarafından veya önceden programlanmış süreçleri iyileştirme
konusunda benzersiz bir yeteneğe sahiptir.
Bu tür yetenekler, küresel pandemi gibi büyük ölçekli kesintilerin ortasında hayatta kalmak ve belki de
gelişmek isteyen şirketlerin karşılaştığı birçok sorunu merkezinden çözebilir. Omdia, çok sayıda sektörde,
yapay zekanın yeni iş fırsatları yarattığı çeşitli kullanım örnekleri tespit etti. Örneğin, tipik olarak tüketici
medya hizmetlerinde kullanılan yapay zekaya dayalı ürün öneri motorlarını alan ve bunları işletmeler arası
(B2B) e-ticaret işlem hacmini büyütmenin bir yolu olarak işletme hizmetleri sektöründe uygulamaya
koyan B2B satış (işletme hizmetleri) şirketlerini ele alalım. Böylelikle dağıtımcılar ve üreticiler yeni satışlar
elde etmek için kendi satış web sitelerinde veya üçüncü taraf platformlarında ürün önerileri kullanıyorlar.
Daha açık bir şekilde, bu pandemi sürecinde yapay zeka, birçok şirketin iş yapma yöntemini yeniden
keşfetmesine yardımcı olabileceğini göstermiştir. Örneğin yiyecek ve içecek pazarında bulunan restoranlar,
hem tamamen kapanmalara hem de fazlasıyla kesintiye yol açan yeniden açılış gereksinimlerine dayanmak
zorunda kaldılar. Bu duruma karşın birçok şirket, tümü yapay zeka tarafından yönlendirilen arabaya servis,
kiosk ve mobil uygulama menülerini kişiselleştirmeye yöneliyor. Bu sistemler, yiyecek seçenekleri veya masalar
veya teslim alınacak siparişler için bekleme süreleri önermeden önce hava koşulları, zaman, yerel olaylar,
trafiğin durumu, geçmiş satış verileri ve menüde halihazırda popüler olan öğeleri değerlendirmeye alır.
Yiyecek ve içecek endüstrisi içinde, özellikle insan iş gücü kullanan şirketler için, yerel COVID-19 salgınları
nedeniyle kesinti sürelerinden kaçınmanın bir yolu olarak yapay zekanın kullanımı çok önemli hale geldi.
Bu amaçla, Tyson Foods, JBC ve Pilgrim's Pride gibi birçok et işleme ve paketleme şirketi robotik işleme
yatırımlarını hızlandırıyor. Bu, tesislerin kapanmasına karşı korunmaya yardımcı olacak ve böylelikle
küresel pandemi sebebiyle kırılgan hale gelen tedarik zincirlerini güçlendirecektir. Tedarik zinciri
müşterileri de ürünlere ve bileşenlere olan talebi belirlemek ve öngörmek, geçmiş verileri yönetmek ve
optimize edilmiş teslimat programları oluşturmak üzere bunları mevcut ve gelecekteki talep rakamlarıyla
birleştirmek için yapay zekayı kullanmayı umuyor.

Yapay zeka yatırımını gerekçelendirmek için temel

iş etkenleri
Yukarıda belirtildiği gibi, yapay zeka sonuçları maliyet azaltma, değer üretme ve operasyonel verimliliğe
odaklanır. Bu yazıda daha sonra tartışacağımız üzere, B2B öneri motorları aracılığıyla artan gelir gibi her
bir farklı yapay zeka iş sonucu, bir veya daha fazla yapay zeka teknolojisinin uygulanmasına dayanır.
Omdia, bu tür dört teknoloji ve çözüm kategorisi tanımlar.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 04

● Makine öğrenimi (ML): Bilgisayarlı tahmine dayalı veya kategorik matematiksel algoritmalar
● Derin öğrenme (DL): İnsan benzeri sinir ağlarını kullanan, makine öğreniminin bir alt kümesi.
● Doğal dil işleme (NLP): insan konuşmasını anlayan ve üreten bir makine öğrenimi ve derin
öğrenme uygulaması.
● Bilgisayar vizyonu (CV): Canlı kameradan veya yakalanan verilerden nesnelerin görüntülerini
tanımlamaya ve sınıflandırmaya odaklanan başka bir makine öğrenimi ve derin öğrenme
kullanımı.

Bunlardan makine öğrenimi ve derin öğrenme, diğer yapay zeka teknolojilerinin yakalanan verileri
anlamlandırmak için makine öğrenimi ve derin öğrenme kullanımına dayandığı göz önüne alındığında,
yapay zekayı benimseme ve inovasyon açısından birincil motorlar olarak görünmektedirler. Makine
öğrenimi ve derin öğrenmenin temel özellikleri, verilerdeki kalıpları tanımlama, ayrı veri öğelerini
bağlama ve insanlardan veya statik analiz programlarından daha hızlı ve daha güçlü analiz sağlama
becerilerine dayanır. Bunu yapmak yalnızca algoritmalara ve modellere değil, aynı zamanda olağanüstü
büyük veri modellerini kısa bir süre içinde eğitebilen ve model sonuçlarını (tahminler) olabildiğince az
gecikmeyle sunabilen tedarikçilerin özelleştirilmiş donanımlarının mevcudiyetine de bağlıdır. Neyse ki
AMD, Intel, Microsoft, Google ve diğerleri ile birlikte pazar lideri NVIDIA→, bu pazar fırsatına kapsamlı bir
şekilde yatırım yaptı ve bu da hem tesisler genelinde hem de bulutta çok sayıda kullanılabilir donanım
hızlandırma seçeneği ile sonuçlandı. En baskın hızlandırma teknolojisi, ilk olarak doksanların sonlarında
oyun grafiklerini hızlandırmanın bir yolu olarak NVIDIA tarafından popüler hale getirilen grafik işlem
birimidir (GPU). Bunun sonucunda kuruluşlar, rutin görevleri daha hızlı ve doğru bir şekilde yerine
getirebilir ve böylece üretkenliği ve verimliliği arttırabilirler. Dahası, makine öğrenimi ve derin öğrenme,
bilginin daha sezgisel, insan benzeri biçimde işlenmesine izin veren sistemlerin geliştirilmesini mümkün
kılarak, insanların makinelerle ve teknolojiyle etkileşimini daha basit ve daha içgüdüsel hale getiriyor.
İşletmeler için nihai avantaj, zaman veya kaynak yoğunluklu işlevleri otomatikleştirilmiş, akıllı teknolojiyle
destekleme veya değiştirme imkanıdır. Bu, üretkenliğin ve verimliliğin artmasına yol açar ve çoğu zaman
bir şirketin karını doğrudan artırabilecek yeni teknoloji, ürün veya hizmet tekliflerinin önünü açabilir.
Yapay zeka teknolojileri bunu iki şekilde yapar.
● Doğrudan gelir: Bu gelir, yapay zeka tabanlı bir çözümün satışından elde edilen geliri temsil eder.
Örneğin, bir siber güvenlik tehdidinin önlenmesi, doğrudan bir yapay zeka uygulamasıdır ve
burada yapay zeka, siber güvenlik veya duygu analizi için kullanılır ve duygu analizi üçüncü
taraflara hizmet olarak sağlanır.
● Dolaylı gelir: Bu gelir, kullanım senaryosunun kendisinden elde edilen geliri temsil etmek zorunda
değildir ancak yapay zekanın esasen bir ürünü veya hizmeti iyileştiren bir katman veya eklenti
olarak görüldüğü durumlarda elde edilir. Örneğin, web aramaları veya e-ticaret ürün önerileri,
daha iyi sonuçlar sağlamak için yapay zekanın kullanıldığı iyi bilinen kullanım örnekleridir. Her iki
durumda da gelir, reklam tabanlı veya e-ticaret satışı kaynaklı olduğu için doğrudan yapay zeka ile
bağdaştırılamaz veya ilişkilendirilemez.

Omdia, kurumsal uygulayıcıların büyük çoğunluğunun kısa vadeli olumlu sonuçlara inandığını ortaya
koyan yakın zamanlı bir anketin katkısıyla, pandemiye rağmen kurumsal alıcıların hem doğrudan hem de
dolaylı gelir fırsatlarını desteklemek için harcama yapmaya devam ettiklerini ve yapay zeka konusunda
iyimser olduklarını tespit etti (bkz. şekil 1). Uygulayıcılar için bu güvenin temeli, operasyonel verimlilikler
© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.
 05

ve organizasyonel istikrara dayanmaktadır ve ankete katılanlar da yaklaşan iş birimi dağıtımlarının

çoğunun (önümüzdeki 24 ay içinde) BT operasyonlarını ve tedarik zinciri yönetimi kullanım durumlarını
destekleyeceğini belirtmektedir.

Şekil 1: COVID-19'a rağmen olumlu yapay zeka sonuçlarına kısa vadeli güven

© 2020 Omdia

n = 146

Son kullanıcı şirketlerine, "Yapay zekanın önümüzdeki 12-24 ay içinde iş hedeflerinize yönelik olumlu sonuçlar sunacağından ne kadar
eminsiniz?" diye soruldu.

Kaynak: Omdia

Yapay zeka ile rekabette farkını ortaya koymak

Bu hedeflerin temelini oluşturan yapay zeka teknolojisinin kendisidir. Önemli düzeyde yapay zeka
yetkinliği, hem temel hem de departmana özgü kullanım durumlarına hizmet edebilir. Olağanüstü geniş
bir kullanım durumu yelpazesi sağlayabilir. Ve şirketler için genel olarak rekabetçi bir fark yaratabilir.
Sonuç olarak kuruluşlar, yapay zekanın operasyonel ve ekonomik faydalarına tam olarak erişmek için
gerekli olduğuna inanarak, işletme çapında bir "her şey dahil" zihniyetine doğru ilerliyorlar. Ancak
yapay zekayı bu şekilde etkinleştirmek bir tak ve çalıştır teklifi değildir. Önemli bir zaman, kaynak ve
sermaye yatırımı gerektirir ve çoğu durumda, şirket içi ekipler, gerçekten dönüşüm yaratacak bir yapay
zeka uygulama yolculuğunu etkili bir şekilde tamamlayabilmek için gereken operasyonel deneyime, en
son veri bilimi becerilerine, yazılım geliştirme uzmanlığına ve bilgi işlem altyapısına sahip değildir.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 06

Bu nedenle Omdia, COVID-19'un finansal kısıtlamalarının nihai olarak yapay zekanın bir farklılaştırıcı
olarak benimsenmesini güçlendireceğine, yatırım, beceri ve deneyimdeki boşlukları ortaya çıkaracağına
ve böylece "yapay zekaya sahip olanlar"ı "yapay zekaya sahip olmayanlar"dan ayıracağına inanıyor.
COVID-19 pandemisinden önce yapay zeka yatırımları ve taahhütleri yapmış olan erken benimseyen
şirketler, yatırımlarının getirilerini alıyorlar. Ve yukarıda belirtildiği gibi mevcut araştırma, çoğu
uygulayıcının COVID-19 krizi nedeniyle yapay zekayı benimsemeyi yavaşlatmayacağını gösteriyor.
Tersine, COVID-19'dan önce yapay zekaya yatırım yapmayan şirketler, muhtemelen daha iyi
ekonomik koşullar ortaya çıkana kadar yatırımlarını erteleyecek veya azaltacaktır. Bu, fırsatı erken
benimseyen şirketler için geride kalanların üstesinden gelmesinin zor olacağı daha büyük bir rekabet
avantajı yaratabilir.
Dahası, salgının kesintilere neden olan doğası 2021 ve sonrasında da devam edecek gibi göründüğünden,
bu durum, erken benimseyenlerin ötesine geçerek deneyimli yapay zeka uygulayıcılarının bile cesaretini
test edecek ve büyük ölçüde yapay zeka projelerini hayata geçirebilenleri (ve hayatta tutanları) yüksek
düzeyde özelleştirilmiş birkaç erken projenin ötesine etkili ve tutarlı bir şekilde geçemeyenlerden
ayıracaktır.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 07

Yapay zeka pazarının

olgunluğu

İlk öncülerin ötesine ve günlük yapay zekaya geçiş

Yapay zeka, kurumsal ve gelir üretme bakış açısından kurumsal bulut bilgi işlem ve depolama gibi
olgun pazarlarla karşılaştırıldığında, şirketlerin yapay zeka sonuçlarını oluşturma, dağıtma ve yönetme
biçimi açısından henüz başlangıç aşamasındadır. Omdia tarafından yapılan yeni bir araştırma
çalışması, kuruluşların %53'ünün kullanım durumlarını araştırdığını veya en az bir kullanım durumu
belirlediğini ve bu kullanım durumunda mevcut olarak pilot uygulama yaptığını ortaya koyuyor.
Ancak aynı şirketlerden, ankete katılanların yalnızca %7'si şu anda birden fazla iş işlevi veya iş birimi
genelinde ilgili ölçekte yapay zeka kullanıyor (Bkz. şekil 2).

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 08

Şekil 2: Yapay zeka dağıtımının durumu

© 2020 Omdia

n = 161

Son kullanıcı şirketlerine soruldu: "S: Bugün şirketinizde yapay zeka dağıtımının durumu nedir?"

Kaynak: Omdia

İzole edilmiş deneylerle yaygın uygulama arasında neden bu kadar büyük bir boşluk var? Çok temel
düzeyde, yapay zeka uygulayıcıları en sıradan makine öğrenimi görevini bile oluştururken karmaşık
bir zorluklar dizisini aşmalıdır. İster müşteri hizmetleri için önceden oluşturulmuş bir sohbet robotu
modeli eğitiyor, ister bir sahtekarlık algılama derin öğrenme algoritmasını en baştan kodluyor olun;
makine öğrenimi yaşam döngüsünün her aşamasında tek bir yanlış adım bile geliştirmeyi yavaşlatabilir,
maliyeti artırabilir veya nihai sonucu işlevsiz kılabilir. Daha da kötüsü tek bir yanlış adım, çözüm üretime
girdiğinde bile hala fark edilmemiş yanıltıcı veya hatalı sonuçlara yol açabilir. Temel süreçlerden ayrı
olarak, kullanım senaryosu seçimi ve performans ölçümü, altyapı yatırımı, proje sahipliği, beceri edinme
ve gizlilik güvenlik uyumluluğu dahil olmak üzere kurumsal yapay zeka uygulayıcılarını bir dizi zorluk ve
potansiyel tehlike bekliyor. Ancak veri ve yapay zeka odaklı olmak isteyen şirketler için en büyük ve
devam eden zorluğu oluşturan şey, makine öğreniminin sıradan, günlük çalışmalarıdır.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 09

Süreç Karmaşıklıkları
Kurumsal yapay zeka uygulayıcıları, makine öğrenimi sonuçları oluştururken ne tür yanlış adımlardan
kaçınmalıdır? Geçmiş müşteri verilerini kullanarak yıllık hizmet aboneliğini yenileme olasılığı en
düşük olan müşterileri tahmin etmeyi amaçlayan son derece basit bir makine öğrenimi projesi
düşünün. Bu örnek için, en temel düzeyde, geliştirmenin üç önemli aşaması vardır:
● Veri edinimi ve hazırlığı
● Veri bilimi keşfi ve deneyi
● Öngörü modeli dağıtımı ve izleme

Bu basitleştirilmiş müşteri kaybı örneğiyle, genellikle bir veri mühendisi olan yapay zeka uygulayıcısı,
öngörü modelini eğitmek ve test etmek için gerekli verileri almalı, temizlemeli, dönüştürmeli ve
etiketlemelidir. Ardından bir veri bilimcisi bu verileri araştırmalı, veri özelliklerini daha da geliştirmeli
ve sonrasında istenen sonucu verecek en uygulanabilir makine öğrenimi modelini bulmak ve
optimize etmek için bir dizi tekrarlayan deney gerçekleştirmelidir. Ve tüm bu çabalar, bu projenin
ihtiyaçlarına göre ayarlanmış, örneğin yeterli büyüklükte bir bilgi işlem kümesine ve desteklenen GPU
setine erişim sağlayan temel bir altyapıya uygun bir yatırım yapılmasını gerektirir. Bu örnek için, bir
model istenen doğruluğa ulaştığında, veri bilimcisi bulgularını yayınlayarak, pazarlamacıların "risk
altındaki" müşterilerle nasıl iletişim kuracaklarına en iyi şekilde karar vermelerine yardımcı olabilir.
Bununla birlikte bu model, abone tabanının durumuna dair kesintisiz bir görünüm sağlamak için canlı
verileri kullanarak üretimde sürekli olarak aynı şekilde kolayca çalıştırılabilir. Bu durumda, çalışan
modeli barındırmak, öngörüleri programlı olarak sunmak ve modeli zaman içinde doğruluk açısından
izlemek için hükümler düzenlenmelidir (bkz. şekil 3).

Şekil 3: Kurumsal makine öğrenimi iş akışı

© 2020 Omdia

Kaynak: Omdia

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 10

Tekrarlama, performans ve güven meselesi

Bu çok temel karmaşıklıklar göz önüne alındığında, yapay zekanın şirket genelinde bir çaba olarak
nispeten düşük benimsenme oranı fazlasıyla mantıklı gelmeye başlar. Temel yapay zeka kavram
kanıtlarının (PoC) ve pilot programların ötesine geçmek isteyen şirketler için zorluk, herhangi bir
makine öğrenimi deneyi veya yapay zeka uygulaması için üç temel kavramda yatmaktadır:
● Tekrarlanabilirlik -- Güvenilir bir şekilde çoğaltılabilir mi veya tekrarlanabilir mi?
● Ölçeklenebilirlik -- Uygun bir şekilde eğitilebilir ve uygun ölçekte çalıştırılabilir mi?
● Kesinlik -- Doğru tahminleri yapması için güvenilir olabilir mi?

Ne yazık ki en deneyimli BT organizasyonunun bile bu üç kavramı uyum içinde bir araya getirmesini
engelleyen çok çeşitli engeller vardır. Oldukça deneysel ve tekrarlamaya dayanan doğası nedeniyle,
veri bilimi kavramının kendisi bir engel teşkil etmektedir. Yapay zeka uygulama yaşam döngüsündeki
her genel aşama için, uygulayıcılar bu küçük örnek grubu da dahil olmak üzere bir dizi zorlukla
yüzleşmelidir.
Tekrarlanabilirlik -- Yapay zeka uygulayıcılarının, duraklarla ve başlangıçlarla, çıkmazlarla ve
öngörülemeyen keşif yollarıyla dolu, fazlasıyla araştırmaya dayanan bir metodolojiyi tekrarlamaları
zordur. Genellikle Python ve R ile yazılan yönetilmeyen kod, çeşitli Jupyter not defteri uygulamalarında
yönetilmeden yer alır ve zaman içerisinde orijinal yazarından başka herhangi bir kişinin bu kodu
izlemesi ve yönetmesi neredeyse imkansız hale gelir. Buna, projeden projeye değişen geniş bir
kitaplık ve kapsam yelpazesi genelinde sürüm belirlemeyi sürdürme zorluğunu da eklediğinizde,
bir projede öğrenilen derslerin gelecekteki çabalara neden kolayca aktarılmadığını görmek kolaydır.
Ölçeklenebilirlik -- Şirketlerin hem geliştirme (eğitim) hem de dağıtım (öngörü) için kaynak
gereksinimlerini etkili bir şekilde yönetmesi inanılmaz zor olabilir çünkü bu görevler çok sayıda
şekillendirilebilir koşula bağlıdır. Aynı durum, tüm destekleyici depolama ve işleme kaynakları
(veri tabanı örnekleri, veri hattı işleme, öngörü motoru yürütme vb.) için de geçerlidir. Bu yüksek
düzeydeki karışıklık, BT yöneticilerinin ve CTO'ların maliyetleri tahmin etmesini ve dolayısıyla
yönetmesini zorlaştırıyor ve bu zorluk, yeni yapay zeka projeleri geliştirme sürecine ve üretime
girdikçe katlanarak büyüyor.
Kesinlik -- Ayrıca, birçok derin öğrenme öngörü modelindeki şeffaflık eksikliği, hem verilerde hem
de modelde gizlenen kontrolsüz eğilimler, proje yaşam döngüsü boyunca zayıf kod dokümantasyonu
ve dağıtımdan önce modellerin yetersiz test edilmesi nedeniyle yapay zeka iş sonuçlarına tamamen
güvenmek zor olabilir. Bir kuruluş, dağıtım sırasında bu (ve diğer pek çok benzer) zorlukların
üstesinden başarıyla gelse bile, zamanla bir güven düzeyini korumak, destekleyici verilerdeki veya
çevreleyen sistemlerdeki değişiklikler nedeniyle etkinliklerinin azalmamasını sağlamak için zaman
içinde modelleri izleyerek son derece dikkatli olmayı gerektirir. Düzenlemelere sıkı şekilde tabi
sektörler için, bu tür bir izleme, belirli bir modelin çıktısının belirli bir zamanda gerçekten çoğaltılmasını
gerektirebilir. Bu, tüm makine öğrenimi yaşam döngüsünü tam olarak belgeleyemeyen kuruluşlar için
imkansız bir görev olabilir: veri, veri hazırlama, özellik mühendisliği, model seçimi, parametre ayarı,
model testi vb.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 11

Kısacası, her bir yapay zeka projesi, öngörülmesi veya kontrol edilmesi çok zor olabilen karmaşık
sistemler olarak çalışır. Birkaç yapay zeka projesinin ötesine geçmeye yönelik herhangi bir girişim,
bu zorlukları yalnızca şiddetlendirir. İlginç bir şekilde, başarının büyük ölçüde temelde yatan donanım
ve yazılım sistemlerinin karmaşık ve genellikle öngörülemeyen ortamında yön bulmaya bağlı olduğu
1990'larda, yazılım geliştirme alanı da kendisini benzer bir durumda bulmuştur. Neyse ki yazılım
geliştirme pazarı, çevik geliştirme metodolojileri, işbirliğine dayalı sürüm denetimi uygulamaları ve
yazılım sanallaştırma ve kapsayıcılı hale getirme gibi oldukça esnek ve yönetilebilir yenilikleri içerecek
şekilde gelişmiştir. Toplu olarak, operasyonel hale getirilmiş geliştirme (DevOps) olarak tanımlanan
bu yenilikler, geliştiricilerin yazılım geliştirme, dağıtım ve bakım sonuçlarını radikal bir şekilde
iyileştirmelerine olanak tanımıştır.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 12

Yapay zekanın operasyonel

hale getirilmesi: deneyden
uygulamaya geçiş

Günümüzde kurumsal yapay zeka uygulayıcıları, yazılım geliştiricilerinin 1990'larda karşı karşıya
kaldığı zorluklarla aynı zorluklardan muzdariptir. Sistem ve organizasyon düzeyinde yüksek derecede
karmaşıklığı tolere etmeleri ve bunu, kuruluş genelinde ölçekte proje bağımlılıklarını denetlemek için
herhangi bir güvenilir araç olmadan yapmaları gerekmektedir.

Makine Öğrenimi Operasyonları ilkeleri ve

uygulamaları
Neyse ki modern kurumsal yazılım geliştiricilerinin güvendiği DevOps tekniklerinin ve teknolojilerinin
çoğu, yapay zeka uygulayıcıları tarafından kullanılabilir. Basitçe ifade etmek gerekirse, DevOps,
yazılım yaşam döngüsünü birkaç temel ilkenin uygulanması yoluyla operasyonel hale getirmeyi
amaçlamaktadır (bkz. şekil 4).

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 13

Şekil 4: Temel DevOps ilkeleri

© 2020 Omdia

Kaynak: Omdia

Toplu olarak, bu DevOps ilkeleri makine öğreniminin operasyonel hale getirilmesini (ör. Makine Öğrenimi
Operasyonları) oluşturur ancak her biri sırayla yalnızca tek bir başlangıç noktasına işaret eder: belirli bir
makine öğrenimi projesine beslenen ve projenin yaşam döngüsü içinde oluşturulan tüm meta verilerin
yönetilmesi sınırları net, katı araçlar. Oluşturulduktan sonra, bu meta veriler, aşağıdakiler de dahil olmak
üzere çok sayıda DevOps araç zinciri teknolojisinin benimsenmesini sağlayabilir:
● İşbirliğine dayalı kaynak kod yönetimi ve sürüm belirleme sistemi
● Merkezi, yönetilen yapı deposu
© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.
 14

● Model sınama, dağıtım ve yeniden eğitim platformu

● Öngörü motorlarını çalıştırmak için izleme hizmeti
● Model sonuçlarını izlemek, açıklamak ve çoğaltmak için yönetim hizmeti

Yine de ML Ops (Makine Öğrenimi Operasyonları), DevOps değildir. Yazılım kodundan farklı olarak,
makine öğrenimi modelleri zamanla gerilediğinden sürekli izleme gerektirir. DevOps için, bir projenin
tamamı tek bir birim olarak sürüm haline getirilebilir. Makine Öğrenimi Operasyonlarında ise maalesef
uygulayıcıların, zamanla değişen kod, öngörü modelleri ve destekleyici veriler için sürüm belirlemesi
gerekir. Bu nedenle, DevOps'ta sürekli test etme fikri, Makine Öğrenimi Operasyonlarında iyi bir
şekilde karşılık bulamaz çünkü MLOps iş akışları sürekli eğitim ve doğrulama gerektirir (birbirinden
çok farklı iki mekanizma).

DevOps'u veri bilimine uygulama

Bu farklılıklar göz önüne alındığında, DevOps ilkelerinin ve araç zinciri teknolojilerinin Makine Öğrenimi
Operasyonları ile eşleştirilmesi, yerleşik veri bilimi departmanlarının tamamen yenilenmesini ve veri
bilimcileri ile BT personeli arasındaki ilişkinin zorunlu bir şekilde geliştirilmesini gerektiriyor gibi
görünüyor. Neyse ki yapay zeka pazarı açık kaynaklı yazılım üzerine inşa edildiğinden ve hala açık
kaynak yazılım üzerinde çalışmaya devam ettiğinden, Makine Öğrenimi Operasyonlarına girişin
önündeki engel şaşırtıcı derecede azdır. Dahası, Makine Öğrenimi Operasyonları yukarıdan aşağıya
sistemik bir yaklaşım gerektirmez. Bunun yerine kullanıcılar birkaç basit aracı benimseyerek Makine
Öğrenimi Operasyonları yolculuklarına kolayca başlayabilirler.
Python ve R kaynaklarını kontrol etmeye başlamak için müşteriler, Microsoft'un ücretsiz olarak
kullanılabilen GitHub platformunu kolayca çalıştırabilirler. GitHub basitçe veri bilimcilerin Jupyter not
defterlerini sürümü oluşturulabilen ve işbirliği için paylaşılabilen bir biçimde paket haline getirmesine
olanak tanır. Jupyter not defterindeki kitaplık ve dil bağımlılıklarını daha iyi yönetmek için kullanıcılar
Anaconda'yı benimseyebilirler. Ayrıca müşteriler, eğitim ve öngörü için Jupyter not defterlerini besleyen
ve destekleyen tekrarlanabilir veri hatlarını tanımlamaya başlamak için DVC'yi kullanabilirler. Ücretsiz
olarak erişilebilen bu üç çözüm birlikte, tekrarlanabilirlik gibi birçok Makine Öğrenimi Operasyonu
endişesini giderebilir ve böylece kuruluşların veri bilimi deneyimini proje bazında ölçeklendirmesine
yardımcı olabilir.
Kod için GitHub, veri için DVC ve kitaplıklar için Anaconda'yı kullanmak gerçekten de piyasaya sürme
süresini kısaltacak, geliştirme maliyetlerini düşürecek ve birçok riski azaltacaktır. Bununla birlikte,
Makine Öğrenimi Operasyonları ile münferit projeleri üretime taşımak ve bunların ötesine geçmek,
aynı fikirleri zaman içinde ilgili ölçekte uygulayabilen daha merkezi bir mimari gerektirir. Tabii ki
bunlar ve diğer açık kaynaklı projeler, Makine Öğrenimi Operasyonları yaşam döngüsünün tamamını
barındıracak şekilde bir araya getirilebilir ve şartlara özel şekilde oluşturulabilir. Bununla birlikte bu
türden bir girişim, pilot deney ile kritik kullanım durumu uygulaması arasındaki eşikte duran çoğu
işletmenin kapasitesinin (mevcut kaynaklar, beceriler ve deneyim) çok ötesinde yer almaktadır.
Bu açığı kapatmak için, kurumsal yapay zeka uygulayıcılarının büyük bir kısmı, tekrarlanabilirliği,
ölçeklenebilirliği ve kesinliği vurgulayan yaşam döngüsü tamamlanmış Makine Öğrenimi Operasyonu
platformlarına giderek daha fazla yöneliyor. Erken bir örnek olarak Anaconda, artık kapsayıcılı hale

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 15

getirme yoluyla yazılım paketlerini yönetmekten çok daha fazlasını ele alıyor; geliştirme, işbirliği,
dağıtım ve yönetimi kapsayan uçtan uca bir Makine Öğrenimi Operasyonları platformu haline geliyor.
Daha yakın zamanlarda tedarikçiler, özellikle de destekleyici altyapı sağlama konusunda deneyime
sahip olanlar, bir adım daha ileri giderek, dijital dönüşümü teşvik etmenin bir yolu olarak birleşik bir
Makine Öğrenimi Operasyonları ve bulut tabanlı iş yükü düzenleme katmanına yatırım yaptılar.
Anaconda gibi Makine Öğrenimi Operasyonu kapsamlarında yerleşik olan makine öğrenimi
çözümlerini, bir veri yapısı, kapsayıcı platformu, yönetim ve güvenlik katmanı, uç hizmetleri ve hatta
BT'nin operasyonel hale getirilmesine özel hizmetlerle (AIOps) birlikte operasyonel hale getirmeyi
amaçlayan HPE Ezmeral ML Ops ve HPE GreenLake için durum budur.
Bu tür inovasyonlar, şu anda Anaconda, HPE Ezmeral ML Ops ve hiper ölçekli bulut platformu
sağlayıcıları Microsoft, Amazon, Google ve IBM'e benzer birçok platformu içeren oldukça dinamik
bir pazara yol açmıştır. İlginç bir şekilde, az ama etkili sayıda kurumsal yapay zeka uygulayıcısı,
başlangıçta dahili ve koşullara özel çözümler olarak oluşturulan kendi Makine Öğrenimi Operasyonu
platformlarını da piyasaya sürdüler. Bunların arasında Netflix'ten Iguazio, Uber'den Michelangelo,
Netflix'ten Metaflow ve Lyft'ten Flyte bulunmaktadır. Bunlara, piyasadaki Databricks, H2O.ai,
Datarobot, Cnvrg.io, Cloudera, SAS, Dataiku ve daha birçok firmanın sunduğu, tek bir alanda hizmet
veren çok sayıda teklif eklendiğinde, hazır bir Makine Öğrenimi Operasyonu platformu satın almayı
düşünen kurumsal yapay zeka uygulayıcıları için son derece zengin bir potansiyel seçenek yelpazesi
ortaya çıkar.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 16

Yapay zekanın
endüstriyelleşmesinin
temel gereklilikleri

Daha yüksek düzeydeki karmaşıklıklar

Organizasyonel olarak makine öğrenimini operasyonel hale getirme işi açısından kurumsal yapay
zeka, uygulayıcılara iç içe geçmiş ve birbirine bağlı unsurlardan oluşan karmaşık bir manzara sunar.
Hizmet firmaları, platform tedarikçileri, donanım sağlayıcıları ve diğer pazar katılımcıları tarafından
kullanılan çok sayıda abonelik ve satın alma yapısı vardır. Giderek daha çok sayıda yaşam döngüsü
tamamlanmış yapay zeka geliştirme platformunun piyasada yerini aldığı düşünüldüğünde, çoğu
kurumsal yapay zeka uygulayıcısının çok çeşitli sağlayıcılarla ve destekleyici teknolojilerle mücadele
etmesi gerekir. Tüm bu çözümler kurumsal uygulayıcılara, yapay zeka sonuçlarının üzerine inşa
edebilecekleri operasyonel hale getirilmiş bir kapsam sağlar. Örneğin bazı entegrasyon ve
özelleştirme hizmeti çalışmaları belirli bir yapay zeka çözümüne dahil olsa bile, sorunsuz bir teslimat
sağlamak için maliyetli bir ek profesyonel hizmet bileşeninin dahil edilmesi gerekebilir. Aslında,
birçok Makine Öğrenimi Operasyonları sağlayıcısı, müşterilerin önemli bir yatırım getirisi elde
etmesini sağlamak için profesyonel ve yönetilen barındırma hizmetlerini temel yazılım abonelik
sözleşmelerine dahil ediyor.
Yapay zeka uygulamaları, başarılı olsun ya da olmasın, en azından kısmen açık kaynaklı yazılımlar
tarafından desteklenmektedir. Veri bilimcileri ve veri mühendisleri, inanılmaz derecede karmaşık bir
kitaplık, kapsam ve araç bileşiminden etkin bir şekilde yararlanıyor. Her açık kaynaklı teknoloji (ve
her teknolojinin çok sayıda sürümü) kurumsal BT uygulayıcıları tarafından proje bazında sağlanmalı
ve desteklenmelidir; bu da, yönetilmesi gereken destek sözleşmeleri ve sürüm bağımlılıklarından
oluşan düzensiz bir yama işine neden olur (bkz. şekil 5).

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 17

Şekil 5: Yapay zekayı destekleyen önemli açık kaynaklı projeler

© 2020 Omdia

Kaynak: Omdia

Bu tür karmaşıklıklarla mücadele etmek için kurumsal uygulayıcılar, açık kaynağa önemli düzeyde
bağlılık gösterebilen, tamamen yönetilen bulut platformlarına giderek daha fazla yöneliyorlar.
Bu adanmışlık, genellikle bulut sağlayıcısı ile Confluent (Kafka), DataStax (Cassandra) ve Elastic
(Elasticsearch) gibi ürünlerini açık kaynak teklifleri üzerine inşa etmiş tedarikçiler arasındaki
doğrudan iş ortaklıklardan kaynaklanır. Genellikle bulut sağlayıcıları, popüler açık kaynaklı projelere
katkıda bulunurlar ve bu alandaki kendi uygulamalarını sunarlar. Kendi derin öğrenme kapsamlarında
Keras'ı destekleyen Microsoft ve Google gibi, genellikle kendi özel teklifleri dahilinde bu projelerin
doğrudan desteklenmesine izin verirler.
Bu tür bir açıklık, bilgi işlem altyapısına da uzanır. Bir yapay zeka projesini doğru yapay zeka
hızlandırma donanımıyla eşleştirmenin önemini kabul eden bulut platformu sağlayıcıları, hem
kendilerine ait hem de NVIDIA gibi üreticiler tarafından doğrudan sunulan çok çeşitli hızlandırılmış
mimarilere yatırım yapmakta hızlı davrandılar.
Yapay zeka, hızlandırılmış donanımdan fazlasını gerektirir. NVIDIA'nın kendisi, derin öğrenme,
hızlandırılmış analitik, bilimsel bilgi işlem ve yüksek performanslı bilgi işlem (HPC) için yapay zeka
modelleri ve GPU için optimize edilmiş yazılımlar için bir merkez olan NVIDIA NGC bulut yazılım
platformunu oluşturmaya büyük bir yatırım yaptı. Sistemlerini AWS, Microsoft Azure gibi bulut
platformları üzerine inşa eden yapay zeka uygulayıcıları, NGC aracılığıyla, kapsayıcılı hale getirilmiş
eğitim ve öngörü iş yüklerini düzenleyebiliyor.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 18

Organizasyonel hususlar

Organizasyonel olarak şirketler; yazılım geliştiricileri, BT mimarları, veri mühendisleri, veri analistleri,
veri bilimcileri, iş analistleri, güvenlik uzmanları ve etki alanı uzmanları dahil olmak üzere benzer şekilde
karmaşık bir insan uzmanlığı modelini de bir araya getirmelidir. AutoML'de olduğu gibi, yapay zekanın
kendisinin uygulanmasıyla, her rolle ilişkili bu görevlerden bazıları desteklenebilir, basitleştirilebilir
ve bazı sınırlı durumlarda tamamen otomatik hale getirilebilir. Yine de uygun bir yapay zeka ekibini
toplamak ve bu ekibin işletme genelinde ölçekte çalışmasını sağlamak, yüksek düzeyde departmanlar
arası koordinasyon ve sürekli gözetim gerektirir.
Yapay zeka projelerinin günlük bazda nasıl uygulandığına ve yönetildiğine dair anahtar, yapay zekaya
bir organizasyon içinde sahip olmaktır. Yapay zeka için merkezi yönetim yapıları, bir organizasyon içinde
yapay zeka projelerinden, yönetime öncülük etmekten ve yapay zekanın uygulanmasından sorumlu bir
Yapay Zekadan Sorumlu İcra Kurulu Üyesi gerektirir. Ancak bu rol henüz yaygın bir uygulama değildir.
Bunun yerine bu rol genellikle bir veriden sorumlu icra kurulu üyesi veya teknolojiden sorumlu icra
kurulu üyesi tarafından doldurulur. Merkezi yapay zeka yönetimi, yapay zekanın bir organizasyon
içindeki birden fazla siloya uygulanabildiği "fırça" yaklaşımına olanak tanır. Ancak merkezi yönetim,
siloların her birindeki temel iş ölçütlerini veya ihtiyaçlarını açıkça anlayamama riskiyle karşı
karşıyadır. Bununla birlikte, merkezi yönetim, en iyi yetenekleri çekmek için iyi bir yaklaşımdır ve
yapay zeka mühendisleri, "Yapay Zeka Müdürü"nün yapay zeka topluluğunda önemli bir yere sahip
olduğu bir şirkete katılmak isterler.
Çoğunlukla, kısmen merkezi olmayan yapay zeka daha iyi bir yaklaşımdır çünkü bu yaklaşım merkezi
yetkiyi korur ancak departmanlara özerklik verir. Bu hibrit yönetim modeli, departmanlara, merkezi
yönetim tarafından belirlenen şartlara göre hareket etmek yerine kendi yapay zeka stratejilerini
tanımlama ve yürütme özgürlüğü verir. Ayrıca uzun vadede yapay zeka bir işletmeyi yürütmenin
ve yönetmenin varsayılan yolu haline geldikçe; CEO, varsayılan Yapay Zekadan Sorumlu İcra Kurulu
Üyesi veya Yapay Zeka Müdürü olarak hizmet verebilir ve böylece, yapay zeka için CEO'dan ayrı
merkezi bir yaklaşımda ayrı bir iş işlevi oluşturulmuş olur.
O zamana kadar Omdia, uygulayıcılara, bir Yapay Zekadan Sorumlu İcra Kurulu Üyesinin gözetimi
altında bulunan ve veri bilimcileri, veri mühendisleri ve diğer etki alanı uzmanlarından oluşan bir
çekirdek grupla bir yapay zeka mükemmellik merkezi (CoE) kurmalarını tavsiye ediyor. Bu grup,
her bir departman veya çaba üzerinde tam kontrol sağlamadan denetim yapabilir. Bu, iş birimlerini,
ihtiyaçların getirdiği talep doğrultusunda kendi etki alanı uzmanlarını işe almaya teşvik eder.
Omdia tarafından kurumsal yapay zeka uygulayıcıları arasında yakın zamanda yapılan bir ankete
göre, bu tür bir koordinasyonu elde etmek hala zordur. Günümüzde, karar verme yetkisi farklı güç
merkezleri arasında eşit bir şekilde dağılmış gibi göründüğünden, yapay zeka sorumluluğunun son
kullanıcı muhatapları arasında kimde olduğu konusunda mutlak bir fikir birliği yoktur (bkz. şekil 6).
Bu tür karar alma süreçlerinin zamanla güçlenmesi muhtemeldir, belki de bu süreçler, birçok şirket
yapay zeka uzmanlığı ve fikri mülkiyeti (IP) temel bir yetkinlik olarak düşünmeye başladığı için
Ar-Ge'den tamamen çıkacaktır. Yine de çoğu organizasyon için, yapay zeka çeşitli iş paydaşlarına
dağılmış durumda kalacaktır ve genel kontrol bir merkezi CoE'ye veya başka bir yönlendirici otoriteye
geri dönecektir.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 19

Şekil 6: Yapay zeka sorumluluk merkezleri

© 2020 Omdia

n = 161

Son kullanıcı şirketlerine soruldu: "S: Yapay zeka sorumluluğu ve karar verme yetkisi şirketinizde nerede bulunuyor?"

Kaynak: Omdia

Yatırım düzeyleri ve altyapı hususları

Yapay zeka dağıtımlarının başlangıçta veya zaman içinde ne kadara mal olacağına dair net ölçütler
yoktur. Ama bir şey çok açıktır. Ölçekte maliyetin yönetilmesi önemlidir. Tek bir pilot program,
genellikle 100.000 - 500.000 aralığında değişen bir yatırım gerektirebilir ve sonuca ulaşmak dokuz
aydan fazla süre alabilir. Bu genel yatırım, pilot programın uzunluğundan, projenin karmaşıklığından
ve dahil etme üzerinde çalışan kişi sayısından etkilenebilir.
Bu senaryolarda bile, bir pilot programın başarılarını elde etmek ve bu başarıyı kuruluş genelinde
somut faydalar elde edecek şekilde genişletmek için donanım, yazılım, destek ve bakıma ek
yatırımlar gerekecektir.
Bu, özellikle daha önce bahsedilen NVIDIA GPU hızlandırılmış bilgi işlem platformunda oluşturulan
destekleyici yapay zeka hızlandırma altyapısı ve hizmetleri için geçerlidir. Bu tür bir altyapı çok
önemlidir çünkü tek bir yapay zeka modeli veya bir model portföyü için eğitim süresi son derece
yoğun olabilir. Bilgisayar vizyonu ve doğal dil işleme gibi derin öğrenme iş yükleri için, basitçe bir
öngörü modelini eğitmek bile, sistem kaynaklarını saatler ve hatta günler boyunca tüketebilir. Bu
nedenle, yapay zeka uygulayıcıları, eldeki projenin ihtiyaçlarıyla uyumlu bir yapay zeka hızlandırma

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 20

yapılandırması (kullanılabilir bellek, GPU mimarisi türü, GPU sayısı vb.) seçerek zaman ve maliyeti
dikkatli bir şekilde dengelemelidir.
Örnek olarak, bir uç cihazda çalışan canlı bir öngörü modelini desteklemek için gerçek zamanlı tıklama
akışı verilerini getirmek, doğru şekilde sağlanmadıysa, hem maliyeti hem de gecikmeyi artırabilir.
Bu zorluk sıklıkla bulut tabanlı Makine Öğrenimi Operasyonu çözümlerinin genellikle işletmeleri
ücretlendirme biçiminden kaynaklanır; bu ücretlendirme, bilgi işlem saatine göre düzenlenen çok
sayıda yardımcı program hizmetinin karmaşık, birbirine bağımlı bir derlemesi olabilir. Eldeki proje
hibrit veya çoklu bulut dağıtım senaryosu gerektiriyorsa, fiyatlandırma ve yönetim daha da karmaşık
hale gelebilir. Bu koşullarda, otomatik ölçeklendirme ve tam yönetimli yazılım gibi bulut tabanlı
özelliklerin sağladığı pek çok fayda elde edilemez. Bu nedenle karmaşık makine öğrenimi uygulamalarını
eğitmek veya çalıştırmak için gereken bilgi işlem süresi için ödeme yapılması, uzun vadede donanım
ve yazılımı doğrudan satın almaktan önemli ölçüde daha fazla maliyete neden olabilir.
Elbette donanım tedarikçileri, sundukları çözümlerin gücüne, boyutuna ve güvenilirliğine göre
tekliflerini fiyatlandıracaklardır. Neyse ki, teknoloji pazarının diğer alanlarında olduğu gibi, NVIDIA'nın
yakın zamanda piyasaya sürdüğü A100 Tensor Core GPU'ları ve beraberindeki GPU için optimize
edilmiş yazılım gibi yeni yapay zeka bilgi işlem donanımındaki gelişmeler, donanım maliyetini zaman
içinde azaltacaktır. Örneğin A100, popüler BERT (Dönüştürücülerden Çift Yönlü Kodlayıcı Temsilleri)
NLP modelinin eğitiminde NVIDIA'nın V100 hızlandırıcısına kıyasla altı kat hız artışı sağlar. Hem
kurum içi donanım hem de bulut tabanlı yapay zeka hızlandırma hizmetleri için, kaynak sağlama ve
aktif izlemede uygun disiplin uygulanmalıdır. Neyse ki çoğu Makine Öğrenimi Operasyonları çözümü,
genellikle Microsoft Azure veya Google Cloud gibi genel bulut platformlarında çalışanlar için doğrudan
olmak üzere, yapay zeka hızlandırma donanımını yönetmek için gereken donanıma sahip olarak gelir.
Bazı uygulamalarda, yapay zeka çözümleri tamamen bulutta işlenebilir; bu durumda, bir kuruluştan
alınan veriler, makine öğrenimi iş akışlarının geliştirilmesini, işlenmesini ve çıkışını yöneten uzak bir
üçüncü tarafa aktarılır. Ancak güvenlik, gizlilik ve performansın çok önemli olduğu birçok uygulama
ve kullanım durumu için kuruluşların, kurum içinde veya kurumsal sınırların ucunda, bir dereceye
kadar yapay zeka altyapısına yatırım yapması gerekecektir. Bu müşteriler için, HPE'nin GreenLake
platformu gibi bulut tabanlı bir altyapı platformuna yatırım yapmak zorunlu hale gelmektedir. Bu tür
platformlar, kurum içi verilerle beraber ölçekte çalıştırmak üzere bulut tabanlı teknolojileri ve
uygulamaları genel buluttan getirebilir.
Kendi yapay zeka altyapılarına sahip olmak ve bunları yönetmek isteyen kuruluşların, üzerinde yapay
zeka çözümleri oluşturup dağıtacakları bir dağıtımdan bağımsız Makine Öğrenimi Operasyonları
platformu seçmeleri gerekecektir. Neyse ki kapsayıcılı hale getirmedeki artış ve sektör çapındaki
HPE Ezmeral Container Platform veya Red Hat OpenShift gibi Kubernetes tabanlı kapsayıcılı hale
getirilmiş platformlara olan bağlılık nedeniyle, çoğu MLOps çözümü neredeyse her boyutta donanımda
çalışabilir ve şirketlerin işlevselliği ihtiyaçlara göre kolayca bölümlemesine olanak tanır.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 21

Vaka çalışması örnekleri

Yapay zeka kullanımı yaygın olmaktan uzak olsa da, kuruluşların içinde azımsanamayacak derecede
etkinlik yaşanmaktadır. Kuruluşlar, ilk pilot programlar sırasında öğrenilen derslerden yararlanarak,
dahili etki alanı ve süreç bilgisini birleştirerek ve ardından harici donanım, yazılım ve yapay zeka
kaynaklarını entegre ederek geniş bir kullanım alanı yelpazesi genelinde, son derece etkili yapay zeka
çözümlerini ölçekte etkin bir şekilde dağıtıyorlar. Üç ana sektörden alınan aşağıdaki örnekler, makine
öğrenimi teknolojilerinin ve tekniklerinin nasıl başarılı bir şekilde uygulandığını ve kuruluşlara somut,
gerçek sonuçları nasıl sağladığını göstermektedir.

Finansal hizmetler: Tehditleri ve fırsatları belirleme

Finansal hizmetler pazarı verilerle doludur: kurumlar arası ve pazar oluşturucu faaliyetler için kullanılan
işlem verileri, ürün satışları, müşteri verileri ve bir kurumun günlük operasyonlarını yönetmek, güvenliği
yönetmek ve operasyonları pazarlamak için kullanılan operasyonel veriler. Bu verilerden yararlanma,
kalıpları tanımlama ve yeni verimlilikler yaratma yeteneği, yapay zeka teknolojisinin finansal hizmetler
sektöründeki başlıca itici gücüdür. Yakın zamanda yapılan bir Omdia çalışması (ICT Kurumsal İçgörüler
2019/20 - Global: IoT, Bulut, Yapay Zeka ve 5G), makine öğrenimine yapılan yatırımın yaygın hale
geldiğini ortaya koymaktadır; ankete katılan şirketlerin yaklaşık %20'si makine öğrenimini aktif olarak
dağıtmaktadır. İleriye dönük olarak, ankete katılanların yaklaşık %60'ı makine öğrenimi dağıtımlarını
denediklerini veya planladıklarını belirtmişlerdir.
Bu yapay zekayı veriden yararlanmanın bir yolu olarak kullanma yeteneği, inanılmaz derecede benzersiz
bir dönüşüm geçirmekte olan finansal hizmetler pazarı için çok önemli hale geldi. Küresel piyasalar, iş
süreçlerini aktif biçimde dijitalleştiriyorlar. Rekabetle ilgili baskılar müşteri ücretlerini aşağıya çekiyor.
Müşteriler için giriş ve çıkış engelleri azalıyor. Tersine, yapay zekayı erken benimseyen finans sektörünün
elinde benzersiz bir fırsat var. Kurum içi, bulut tabanlı teknolojiler ve yüksek düzeyde ölçeklenebilen
yapay zeka hızlandırma donanımının ortaya çıkışı, müşterileriyle etkileşimde bulunma ve müşterilerine
hizmet verme şekillerini başarılı bir şekilde yeniden tasarlayabilmek için finansal hizmet türlerinde
ihtiyaç duyulan veri yaygınlığı ve ölçeğiyle mükemmel bir şekilde uyumludur.
Bankalar, birbiriyle ilişkili çok sayıda ölçüme dayanan makine öğrenimi öngörü modellerini kullanarak,
müşteri ihtiyaçlarını daha iyi anlayabiliyor ve karşılayabiliyorlar. Bu, onların müşteri kaybı oranlarını
yalnızca sınırlandırmakla kalmayıp aynı zamanda buna daha doğru bir şekilde odaklamalarına da
olanak tanır; böylece, banka için daha yüksek yaşam boyu değeri ve müşteri için daha yüksek müşteri
memnuniyeti elde edilir. Aynı veriler üzerine inşa edilen öngörü modelleri, belirli bir müşterinin
gelecekte hangi ürünlere ihtiyaç duyacağını tahmin edebilir, böylece çapraz satış ve yukarı satış
programları için maliyet-kar oranlarını iyileştirebilir. Diğer taraftan, risk maruziyetini ortaya
çıkarabilen ve sınırlandırabilen makine öğrenimi öngörü modelleri gelişti ve daha önemli hale
© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.
 22

gelmeye de devam edecekler. Örneğin bankalar, siber tehditleri tespit edebilir, sahte müşteri
davranışlarını izleyebilir ve belgeleyebilir ve yeni ürünler için riski daha iyi öngörebilirler. Omdia
tarafından belirlenen en yaygın üç kullanım durumu, dolandırıcılık tespiti ve önleme, kişisel finansal
danışmanlık hizmetleri ve kredi puanlama ve kredi analizidir (bkz. şekil 7) ve bu, hem şirket içi hem
de müşteri odaklı sonuçları vurgulayarak, şirketler açısından yatırımın ikili doğasını yansıtmaktadır.

Şekil 7: Finansal kullanım örneğine göre kümülatif makine öğrenimi geliri, dünya pazarları: 2019–25

© 2020 Omdia

Kaynak: Omdia

Perakende: pazardaki kesintinin ortasında gelişme

Perakende sektörü, müşterilerle daha fazla bağlantı kurmak için yapay zeka kullanma açısından hem
e-satıcılara hem de çevrimdışı davranışları izlemek için yapay zeka kullanan fiziksel mekanlarda
faaliyet gösteren perakendecilere odaklanmıştır. Yapay zeka, perakende deneyimini daha verimli ve
kişisel hale getirmek için hem müşteriye dönük uygulamalarda hem de perde arkasında uygulanıyor.
Moda endüstrisi, değişen trendlerle ve farklı müşteri tercihleriyle başa çıkmaya yardımcı olması için
yapay zekaya giderek daha fazla yöneliyor. Moda tasarımcıları, giyim ve moda aksesuarı üreticileri
ve moda sektörü danışmanları, gelecekteki ürünlerin müşterilerinin sürekli değişen isteklerini
karşılamasını sağlamak için gezinme ve alışveriş geçmişi verilerini, satış rakamlarını ve hatta ürün
özelliklerini birbirine bağlamak için yapay zekayı kullanıyorlar. Şirketler ayrıca mağazalardaki sanal
© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.
 23

deneme kabinleri gibi yeni ve yenilikçi deneyimler sunmak için de yapay zekadan faydalanıyorlar.
Yakın tarihli bir Omdia anketine göre (ICT Kurumsal İçgörüler 2019/20 - Global: IoT, Bulut, Yapay Zeka
ve 5G), perakendecilerin yaklaşık %36'sı görüntü tanıma yazılımını dağıtmış durumda veya deniyor.
Gerekli donanım işlemci gücü açısından fazlasıyla kaynak gerektiren bu kullanım durumu için
perakendecilerin, son derece büyük modelleri hem uygun maliyetle hem de ölçekte oluşturmak ve
yürütmek için yapay zeka hızlandırma donanımına yatırım yapmaları gerekir.
COVID-19 krizinden önce bile perakende sektörü, ölçek ve verimliliğe dayalı yalın, analiz odaklı
kuruluşlar kuran yüzlerce hırslı girişimin yanı sıra Amazon, Alibaba ve Walmart gibi engelleyicilerin
neden olduğu büyük rüzgarlarla karşı karşıyaydı. Bu kuruluşların amacı, toplam geliri arttırmak ve
işletme maliyetlerini düşürmektir. Genel olarak, bu daha verimli ve ölçeklenebilir durumdaki
engelleyiciler, daha keskin fiyatlar, kişiselleştirilmiş müşteri yolculukları ve ayrıntılı şekilde ayarlanmış
çeşitlerle daha fazla alıcı ve satış çektiğinden, gelir ve marjlar baskı altındadır. Bu arada, tedarik
zinciri ve envanter yönetimindeki verimlilikler yoluyla maliyetleri düşürüyorlar. Pandemi, tedarik
zinciri ve iş gücü kesintilerinin yanı sıra başka bir finansal baskı faktörü de getirdi; yapay zeka,
bunlardan bazılarının yönetilmesine yardımcı olabilir.
Buna karşılık perakende sektörü, kişiselleştirilmiş öneriler, promosyonlar ve pazarlama sunmak için
bağlamsal kişisel verilerden ve tahmine dayalı analizlerden yararlanmaya yardımcı olacak yapay zeka
çözümleri arıyor. Ayrıca daha net meta etiketleme ve görsel arama teknikleriyle arama işlevini
iyileştirmeye çalışıyorlar. Perakendeciler, fiyat optimizasyonunu ve talep tahminini/envanter
yönetimini önemli ölçüde iyileştirmek için tahmin analitiği ve veri bilimini uygulamaya koymak
istiyorlar. Bu ihtiyaçlar, iade yönetimi (giysi bedeni ve kalıbı), tedarik zinciri ve envanter yönetimi
ve kişiselleştirilmiş müşteri yolculuklarına ayrı bir önem verildiğini gösteren Omdia araştırmasının
bulgularıyla uyumludur (bkz. şekil 8). Yüz yüze alışverişi azaltan COVID-19'un ardından bu müşterilerle
sanal olarak buluşma yeteneği, perakendeciler arasında fark yaratan önemli bir etken olarak işlev
görecektir. Dahası, yapay zekanın perakendede nasıl kullanılacağına dair ilk fikirler değişti. Örneğin,
sosyal medyanın ve hava durumu gibi yardımcı bilgi verilerinin dahil edilmesi, Omdia tarafından takip
edilen diğer tüm kullanım durumlarına kıyasla herhangi bir büyüme belirtisi göstermiyor. Bu değişiklik,
artık yapay zeka çabalarını gelir üzerinde doğrudan etkisi olan sonuçlara odaklayan perakendeciler
arasında bir olgunluk göstergesi işlevi görüyor.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 24

Şekil 8: Perakende kullanım örneğine göre kümülatif makine öğrenimi geliri, dünya pazarları: 2019–25

© 2020 Omdia

Kaynak: Omdia

Üretim: gerçek çevikliğe ulaşmak

Üretim endüstrisi otomasyonu benimsemiştir; bunun en dikkate değer örneği otomobil imalatıdır.
Yapay zeka, dayanıklı ve dayanıksız malların büyük ve küçük üreticilerini içeren bu sektör için doğal
bir katkıdır. Bu sektördeki yapay zeka kullanım durumları, üretim ekipmanının öngörücü bakımını,
ürün verimlerini iyileştirmeyi, kaliteyi değerlendirmeyi ve iyileştirmeyi ve üretim sürecinin veya
ürünlerin kendisinin dijital ikizlerinin kullanılmasını sağlamak gibi sistem genelindeki kullanım
durumlarını içerir.
Özellikle yapay zeka ve otomasyonu erken benimseyenlerden biri olan üretim pazarı, COVID-19
pandemisinin ardından gelişmek için iyi bir konumdadır; özellikle de akıllı robotik süreç otomasyonuna
(RPA) zaten yoğun bir şekilde yatırım yapmış olan işletmeler için durum böyledir. Bununla birlikte,
insan emeğine büyük ölçüde bağımlı olan şirketler, plansız kapanmalar ve personel azaltımıyla ilgili
sıkıntılar yaşadılar ve yaşamaya devam edecekler. Pandeminin neden olduğu geniş çaplı piyasa
değişimleri, üreticileri ilginç bir zorlukla karşı da karşıya bıraktı. Tedarik zincirindeki aksaklıklar ve
doğrudan pazar kesintileri, birçok üreticiyi yeni bir iş kolunu karşılamak veya kritik altyapı talebini
desteklemek için altyapılarını tamamen yeniden düzenlemeye zorladı. Örneğin, birçok butik bira
üreticisi bira üretiminden el dezenfektanı üretimine geçti. Benzer şekilde, birçok metal ve parça
üreticisi, tesislerini tıbbi ekipman üretimine yönlendirdi.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 25

Kesintili süreçten bağımsız olarak, üretim pazarı çok çeşitli kullanım alanlarında yapay zekanın ödüllerini
topluyor. Canlı ve geçmiş ekipman çalışma parametrelerini (sıcaklık, devir vb.) kullanan öngörü
modelleri, gelecekte arızalanması muhtemel ekipmanları belirleyebilir ve bunların değiştirilmesini
önerebilir. Ancak bu tür bir otomasyonu ölçekte uygulamaya koymak, hayatta kalmanın zor olduğu
piyasa koşullarında, merkezi olmayan bir şekilde uyumlu olarak çalışabilen özel video ölçüm
ekipmanına, yapay zeka hızlandırma donanımına ve uç işleme ekipmanına dikkatli bir yatırım
yapılmasını gerektirir.
Üreticiler, hem ekipmanları hem de süreçleri izleyerek, üretimi hem mevcut talebe duyarlı hem de
gelecekteki değişimin bilincinde olacak şekilde yeniden düzenlemek ve optimize etmek için makine
öğrenimi modellemesini kullanıyorlar. Nihai sonuç, hem çevik hem de esnek olan bir üretim sürecidir.
Omdia tarafından belirlenen ilk üç makine öğrenimi kullanım durumunda; verim iyileştirmeleri, temel
neden analizi, tedarik zinciri ve envanter yönetimi için makine öğrenimine yoğun bir şekilde yatırım
yapan uygulayıcılarla birlikte bu kavram merkezi önem taşıyor (bkz. şekil 9).

Şekil 9: Üretim kullanım örneğine göre kümülatif makine öğrenimi geliri, dünya pazarları: 2019–25

© 2020 Omdia

Kaynak: Omdia

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 26

Genel bakış ve öneriler

Tüm dikey pazarlarda ve yatay kullanım durumlarında, kurumsal kuruluşlar yapay zekayı yeni iş
fırsatlarını artırmanın, finansal ve operasyonel verimlilikleri hayata geçirmenin ve iş istikrarını
korumanın kanıtlanmış bir yolu olarak tamamen benimsemiştir. İster işletmenin temelindeki iş
değerlerini desteklemekte ister departmana özgü ihtiyaçların üstesinden gelmekte olsun, yapay
zekanın kurumsaldaki kullanımı, yapay zekanın genel değer teklifinin artık bütçe oluşturma ve satın
alma görüşmelerini domine etmediği bir olgunluk noktasına ulaştı. Aksine, yapay zeka çevreleyen
tartışma, doğası gereği daha pragmatik hale geldi. Kurumsal yapay zeka uygulayıcıları artık yapay
zeka deneylerinden, çalışır durumdaki yapay zekaya hızlı ve uygun fiyatlı bir şekilde geçmeyi
bekliyorlar. Ancak bunu ölçekte yapmak, doğası gereği prosedürel, teknolojik ve organizasyonel
olan bir dizi önemli zorluğu beraberinde getirir.
Yapay zeka teknolojisi pazarında bu zorluğa verilen baskın yanıt, yazılım BT operasyonlarından ve
yazılım geliştirme pazarlarından çok şey ödünç almaktadır. DevOps'a doğru olan popüler yazılım
geliştirme geçişini bir temel olarak kullanan birçok yapay zeka teknolojisi ve hizmet sağlayıcısı,
bu ihtiyaca makine öğrenimini geliştirme, dağıtma ve yönetme yaşam döngüsünü büyük ölçüde
otomatikleştirebilen Makine Öğrenimi Operasyonu araçları ve platformları oluşturarak yanıt
vermiştir. Bu çözümler, henüz tam olarak olgunlaşmamış olsalar da, çok çeşitli sağlayıcılardan
kolayca temin edilebilirler ve şirketlerin, kritik bir iş alt katmanı ve pazarda fark yaratmanın temel
bir kaynağı olarak yapay zeka deneyleri ile operasyonel ustalık arasındaki yolu daha etkin bir şekilde
yürümelerine yardımcı olabilirler.
Yapay zekayı ölçekte işletebilmenin kodunu çözebilen şirketler için ödül, Makine Öğrenimi Operasyonu
platformlarına yapılacak ilk yatırımlara değecektir. Ancak bu yatırım, temeldeki yapay zeka hızlandırma
altyapısını ve bulut tabanlı platform kaynaklarını kapsayacak şekilde makine öğrenimi modellerinin
ve algoritmalarının sınırlarının çok ötesine geçmelidir. Böylesine bütünsel bir yapay zeka ustalığı, bir
şirket içinde yapay zekanın yaygın bir şekilde benimsenmesine yol açacak ve bu da daha hızlı makine
öğrenimi modeli gelişimi ve dağıtımı, daha doğru ve daha güvenilir model sonuçları, daha yüksek
düzeyde teknoloji yeniden kullanımı ve giderek gelişen kullanım durumlarına odaklanmak için daha
fazla zamanla beraber katlanarak değer yaratacaktır.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 Yapay Zekanın Endüstriyelleşmesi 27

Ek

Yöntem

Bu rapor, çeşitli ülkelerden karar vericiler, teknoloji ve BT hizmetleri satıcıları ve son kullanıcılarla gerçekleştirilen brifingler,
müşteri etkinlikleri ve sektör olayları üzerine yazılmıştır. Bu, masa başı araştırması ve Omdia'nın araştırma raporu (Omdia
Yapay Zeka Pazar Olgunluğu, 2020) ile birleştirilmiştir.

Yazar

Bradley Shimmin
Baş Analist, yapay zeka platformları,
analitik ve veri yönetimi
askananalyst@omdia.com

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 Yapay Zekanın Endüstriyelleşmesi 28

İletişime geçin Omdia danışmanlık

www.omdia.com Omdia, dijital hizmet sağlayıcılarının, teknoloji şirketlerinin ve kurumsal
askananalyst@omdia.com karar vericilerin bağlantılı dijital ekonomide başarılı olmalarına yardımcı
olmaya odaklanan pazar lideri bir veri, araştırma ve danışmanlık şirketidir.
Küresel analist tabanımız aracılığıyla, BT, telekom ve medya sektörleri
genelinde uzman analizi ve stratejik içgörü sunuyoruz.

İş planlamasını, ürün geliştirmeyi ve pazara açılma girişimlerini

desteklemek için eyleme geçirilebilir içgörüler sağlayarak müşterilerimiz
için iş avantajı yaratıyoruz.

Güvenilir veriler, pazar analizi ve dikey sektör uzmanlığından oluşan

benzersiz kombinasyonumuz, karar verme sürecini güçlendirerek
müşterilerimizin yeni teknolojilerden kar etmesine ve gelişen iş
modellerinden yararlanmasına yardımcı olmak için tasarlanmıştır.

Omdia; teknoloji, medya ve telekom sektörlerine hizmet veren bir B2B

bilgi hizmetleri şirketi olan Informa Tech'in bir parçasıdır. Informa grubu,
Londra Borsası'nda işlem görmektedir.

Bu analizin bilgiye dayalı ve yaratıcı iş kararları vermenize yardımcı olacağını

umuyoruz. Başka gereksinimleriniz varsa, Omdia'nın danışmanlık ekibi
şirketinizin gelecekteki eğilimleri ve fırsatları belirlemesine yardımcı olabilir.

HPE Hakkında
Hewlett Packard Enterprise, kuruluşların tüm verilerinin değerini her
ortamda ortaya çıkararak elde edilecek sonuçları hızlandırmalarına
yardımcı olan uçtan buluta hizmet olarak platform modeli uygulayan
küresel bir şirkettir. Yıllardır geleceği yeniden tanımlama ve yaşama ve
çalışma şeklimizi ilerletmeye yönelik alanlarda yenilik yapma üzerine
çalışan HPE, müşterilerin yeni iş modelleri geliştirmesine, yeni
yöntemlerle ilgilenmesine ve operasyonel performansı artırmasına
yardımcı olmak için tüm bulutlar ve uçlar boyunca tutarlı bir deneyimle
benzersiz, açık ve akıllı teknoloji çözümleri sunar. Daha fazla bilgi için
www.hpe.com adresini ziyaret edin.

NVIDIA hakkında
NVIDIA'nın 1999 yılında GPU'yu geliştirmesi, kişisel bilgisayar oyun
pazarındaki büyümenin fitilini ateşledi, modern bilgisayar grafiklerini
yeniden tanımladı ve paralel bilgi işlemde devrim yarattı. Kısa süre önce
GPU derin öğrenme, dünyayı algılayabilen ve anlayabilen bilgisayarların,
robotların ve sürücüsüz otomobillerin beyni işlevini gören GPU ile
modern yapay zekayı (yeni bilgi işlem çağı) tetikledi. Daha fazla bilgi
için www.nvidia.com adresini ziyaret edin

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.

 Yapay Zekanın Endüstriyelleşmesi 29

Telif hakkı bildirimi ve sorumluluk reddi

Burada atıfta bulunulan Omdia araştırması, verileri ve bilgileri ("Omdia
Materyalleri"), Informa Tech'in ve alt kuruluşlarının veya bağlı kuruluşlarının
(birlikte "Informa Tech") telif hakkıyla korunan mülkiyetidir ve Informa
Tech tarafından yayınlanan verileri, araştırmaları, fikirleri veya bakış
açılarını temsil eder ve herhangi bir gerçeği temsil etmez.

Omdia Materyalleri, bilgi ve görüşleri bu belgenin tarihinden itibaren değil,

orijinal yayın tarihinden itibaren yansıtmaktadır. Omdia Materyallerinde
ifade edilen bilgi ve görüşler önceden haber verilmeksizin değiştirilebilir
ve bunun bir sonucu olarak Informa Tech'in, Omdia Materyallerini veya
bu yayını güncelleme yükümlülüğü veya sorumluluğu yoktur.

Omdia Materyalleri "olduğu gibi" ve "mevcut olduğu şekilde" teslim edilir.

Omdia Materyallerinde yer alan bilgilerin, görüşlerin ve sonuçların
adilliğine, kesinliğine, eksiksizliğine veya doğruluğuna ilişkin açık veya
zımni hiçbir beyan veya garanti verilmez.

Yasaların izin verdiği azami ölçüde, Informa Tech ve bağlı kuruluşları,

yetkilileri, direktörleri, çalışanları ve temsilcileri, Omdia Materyallerinin
doğruluğu, eksiksizliği veya kullanımı ile ilgili her türlü sorumluluğu (hata
veya ihmalden kaynaklanan herhangi bir sorumluluk dahil ancak bunlarla
sınırlı olmamak üzere) reddeder. Informa Tech, Omdia Materyallerine
dayalı veya bunlara güvenerek alınan herhangi bir ticaret, yatırım, ticari
veya diğer kararlardan hiçbir koşulda sorumlu olmayacaktır.

© 2020 Omdia. Tüm hakları saklıdır. İzinsiz çoğaltılması yasaktır.