Son zamanlarda "AI-Ready Veri Altyapısı" terimi oldukça önemli hale geldi ve sıkça karşımıza çıkıyor.
Görünüşe göre bu sadece şunlarla ilgili değil:
"Bir DWH (Veri Ambarı) Kurmak," "BI (İş Zekası) Kurmak" veya "İç verileri RAG'e koymak."
Birkaç makale okuduktan ve düşünceleri derledikten sonra, AI-Ready aslında şu anlama geliyor:
AI'nın iş eylemleri için verilere güvenle başvurabildiği, doğru yorumlayabildiği ve kullanabildiği bir durum.
Öncelikle, büyük bir ön kabul olarak, AI'nın SQL yazabilme yeteneği, AI'nın iş sorularını doğru bir şekilde yanıtlayabilme yeteneğinden farklıdır.
"AI-Ready" Veri Altyapısının İki Ana Bileşeni
1. Veri Hazırlığı
Bronz / Gümüş / Altın gibi bir madalya mimarisi kullanarak ham verileri analize dayanabilecek bir ayrıntı düzeyine, kaliteye ve yapıya organize etmek.
2. Veri Bağlamı Sağlama
Verinin anlamını, ilişkilerini ve iş kurallarını anlamsal modeller ve ontolojiler aracılığıyla AI tarafından okunabilir hale getirmek.
Bu son derece önemlidir; AI'ya sadece tablolar vermek yetersizdir.
"Gelir nedir?" İadeleri içeriyor mu? Hangi müşteri kimliği hangi sözleşme kimliğine bağlanmalı? Hangi departmanın tanımı doğru? Bu iş bağlamı olmadan, AI makul görünen ancak hedefi ıskalayan cevaplar üretecektir.
Finatext makalesinde bahsedilen Snowflake Summit tartışması da benzerdir.
AI çağında veri boru hatlarının önemi aslında artmaktadır. LLM'ler daha akıllı hale gelse bile, girdi verilerinin tazeliği, doğruluğu ve yapılandırılması zayıfsa, çıktı kalitesi bir tavana çarpacaktır. İlginç bir şekilde, Snowflake'in yönü, sadece "özellikler eklemek" yerine geliştirme, dağıtım ve izlemedeki sürtüşmeyi azaltmaya doğru ilerliyor.
AI, DAG'ler oluşturur, boru hatları kurar ve kod yazar. Bu dünyada, insan işi "görevlerden" "doğru veri ürünleri tasarlamaya" kayar.
Startup'lar için yazılmış başka bir makale de düşündürücüydü.
Startup verileri genellikle ürün DB'leri, CRM'ler, e-tablolar, Slack, Notion ve destek araçlarına dağılmış durumdadır.
İlk başta işe yarar.
Ancak AI ajanlarını operasyonlara entegre etmeye çalıştığınızda, bu parçalanma sınır haline gelir. Örneğin, bir satış ajanı CRM, kullanım günlükleri, sözleşme bilgileri, sorgu geçmişi ve geçmiş teklif materyalleri arasında gezinmek ister. Bir Müşteri Hizmetleri ajanı sadece sorgu içeriğini değil, aynı zamanda müşterinin kullanım durumunu ve geçmiş etkileşimlerini de görmek ister. Bir yönetim destek ajanı, KPI'lardaki değişiklikleri tespit etmeli ve nedenleri ile sonraki adımları organize etmelidir.
Kısacası, AI ajanlarının ihtiyaç duyduğu şey bağlamdır, sadece veri hacmi değil.
Yapılandırılmış veri tek başına yeterli değildir.
Toplantı notları, Slack tartışmaları, Notion şartnameleri, Müşteri Hizmetleri geçmişi, kaybedilen anlaşmaların nedenleri ve vaka çalışmaları gibi yapılandırılmamış veriler de AI'nın işi anlaması için önemli materyaller haline gelir.
Yukarıdakilere dayanarak, bir AI-Ready veri altyapısı için bu beş şeyin gerekli olduğunu düşünüyorum.
1. Güvenilir, hazırlanmış veri
2. KPI'ların ve iş terimlerinin tanımları
3. Yapılandırılmış ve yapılandırılmamış veri arasındaki bağlantı
4. İzin yönetimi ve kapsam kontrolü
5. Cevapların ve önerilerin temelini izleme yeteneği
Spesifik olarak, BI'nın bir sonraki formunun önemli olacağını düşünüyorum. Geleneksel BI, insanların bir gösterge panosunda bakmaya gittiği bir şeydi. Ancak bir AI-Ready durumu oluşturulduğunda, bu, AI'nın anormallikleri fark ettiği, nedenlerini araştırdığı ve bir sonraki eylemi önerdiği bir forma dönüşür.
Bu, Push BI olarak adlandırılan şeye yakındır.
Ancak, Push BI'da önemli olan şey bildirim değildir.
Slack'e sadece "Satışlar düştü" yazarsanız, bu sadece bir uyarı botudur. Gerçekten ihtiyaç duyulan şey şunları çıktı olarak vermektir:
- Hangi KPI
- Normalde neye göre
- Ne kadar değişti
- Neden olmuş olabilir
- Hangi kanıtlara bakılıyor
- Kim ne yapmalı
Bunu yapmak için tek başına bir DWH yeterli değildir.
Metrik tanımları, veri katalogları, iş bilgisi, RAG, izinler ve geri bildirim döngüleri gereklidir. Bir AI-Ready veri altyapısı, veriyi AI'ya aktarabileceğiniz bir durum değildir. AI'nın iş bağlamını anladığı, kanıtlarla kararlar aldığı ve bir sonraki insan eylemine yol açtığı bir durumdur.
Geleceğin veri altyapısı, basit bir "görselleştirme" platformundan, AI ajanlarının yargılaması, önermesi ve yürütmesi için bir "İşletim Sistemi"ne dönüşecektir.
Bu arada, veri altyapısının büyük oyuncuları Snowflake ve Databricks, tesadüfen 2027 ile ilgili yakın zamanda duyurular yaptı. Gelecekte veriyi yöneten kişiler, muhtemelen sadece SQL ve ETL uygulayan kişiler olmaktan ziyade Veri Mimarı x AI Direktörü rolüne daha yakın olacak. o11y (gözlemlenebilirlik) de bir tema.
Referans makaleler:
- Finatext Tech Blog: Snowflake Summit 2026 / AI-Ready Veri için Akıllı Boru Hattı Geliştirme
https://zenn.dev/finatext/articles/6c5f6a7f7862e4
- Qiita: AI-Ready Veri Altyapısı Nedir?
https://qiita.com/ayumito/items/746fc38b5675869b96a0
- Zenn: AI Çağında Startup'lar İçin Gerekli Veri Altyapısını Düzenlemek
