Getir'i hızlı teslimat şirketi olarak biliyoruz; Serhat Çulhalık daha en başta bunu düzeltti: "Biz aslında bir veri firmasıyız, buralara veriyi iyi yönetebildiğimiz için geldik." 2022'de de içeride modeller vardı. Değişen şey modellerin yetkinliği — ve o yetkinlik büyüyünce ekip yapısı da değişti.
Data Science Product ekibini yönetiyor: arama, öneri sistemleri ve müşteri modelleme. Kurulan şey bir model laboratuvarı değil, bir AI ürün ekibi: "Model geliştirelim" yerine "etkisi yüksek ürünler geliştirelim" noktasına geçiş.
Dönüşüm değil, adaptasyon
ChatGPT dalgasından sonra ekibe gelen taleplerin şekli değişmiş: "Rakipler şunu yapıyor, biz de yapalım." Elinde sihirli değnek olduğunu düşünen bir şirket kolayca çözümden probleme doğru çalışmaya başlıyor.
Çulhalık "dönüşüm" kelimesini bilinçli kullanmıyor — ağır geldiğini söylüyor. Yaptıkları şey ekiplerle tek tek konuşup soruyu değiştirmek olmuş: nerede çok zaman kaybediyoruz, nerede çok karar veriyoruz? Böylece şirket geneli çözüm önermekten problem ve fırsat tanımlamaya geçmiş — ve hangi işin AI fırsatı olmadığı da aynı kültürün parçası olmuş.
Dışarıda"Wow" iyi bir sinyal değil
Son kullanıcı tarafındaki duruş daha da net: alışkanlıkların ortasına girip davranışı değiştirmeye çalışmak yerine geçişin doğal olması.
Kullanıcı "burada AI var" diyorsa, bu bizim için bir kırmızı bayrak.
Aynı mantık ürün testine de yansıyor. Bir özelliği arkadaşlarına gösterdiğinde aldığı iki cevap iki farklı gelecek anlamına geliyor:
"Wow, çok iyiymiş"
Etkileyici ama tekrar kullanılmayacak bir özellik. Benimseme düşük kalıyor.
"Ben bunu hep kullanırım"
Gerçek bir ihtiyacı çözmüşsün demek. Ekibin peşinde olduğu cevap bu.
Kullanıcıyı anlama yöntemi de klasik kalmış: arama üzerine çalışırken PM'leri markete gönderip insanların raflarda ne yaptığını izletiyorlar; sesli sipariş projesinde ise "bir bakkalı telefonla ara ve sesli sipariş vermeye çalış" diyorlar.
ÜrünlerAlışkanlığın zaten olduğu yere girmek
Sunumun en güzel örneği Shopping List. Başlangıç sorusu salona soruldu: alışveriş listesini kâğıda yazan var mı? Not uygulamasına yazan? İkisinde de bir sürü el kalktı. Yani alışkanlık zaten var, herkes farklı biçimde yapıyor.
Çözüm listenin fotoğrafını çekmek oldu. Ama işin zor tarafı metin okumak değil niyet okumak: kullanıcı "deterjan" yazdığında kafasında belirli bir deterjan var; onu tekrar aratıp gözüyle bulmasını istemiyorsun. Üstelik gerçek listeler tahmin edilebilir değil — üzeri çizilmiş satırlar, diyet listeleri, ekran görüntüleri. Ekibin hiç beklemediği bir kullanım da çıkmış: insanlar fiyat karşılaştırmak için ekran görüntüsü yüklüyor.
Diğer örnekler de aynı mantıkta ilerliyor:
- Yemek önerisi — Yıllardır denenen ama değişken çok olduğu için yeterince iyi olmayan bir iş. "Herkesin kebabı birbirinden farklı." Dil modelleri bu sınıflandırmayı ölçeklenebilir hale getirmiş; alerjen ve yeme alışkanlığı gibi özellikler bu sayede açılabilmiş.
- Restoran yorum özeti — Yorumların üzerine kullanıcının son siparişi ve puanı da giriyor; çıktı belirli bir sırada, yapılandırılmış olmak zorunda. "AI henüz o olgunlukta değil, ona hükmetmemiz gerekiyor."
- Yorum moderasyonu — Ticaret Bakanlığı kuralları bir yana, küfürlerin iki-üç harfe kısaltılmış, sürekli değişen biçimleri kural setiyle yakalanamıyordu. Neredeyse bir günlük operasyon bir saate inmiş.
- Restoran onboarding'i — Menülerin sisteme girilmesi o kadar uzun sürüyordu ki restoranlar başlamak istemiyordu; üstelik enflasyonla fiyatlar sürekli değişiyor. Menü görselleri taranıp doğrudan oluşturuluyor.
- Discovery Intelligence agent — Çulhalık aradığı nitelikte bir arama/öneri PM'i bulamayınca beklentisini yazıya dökmüş ve bir kısmının insandan beklenemeyecek kadar yük olduğunu görmüş: model çıktılarının sıralamasını ve alaka düzeyini sürekli kontrol eden bir agent kurmuş.
Model seçimi bir ürün kararıdır
Konuşmanın en tartışmaya açık başlığı buydu: "Model seçimini de mi biz yapacağız?" Cevap, modeli PM'in seçmesi değil; doğru seçimin yapılabilmesi için gereken parametreleri PM'in vermesi.
| Parametre | Neden önemli |
|---|---|
| Zamanlama | Gerçekten gerçek zamanlı mı olmalı? Gerçek zamanlı gerekmediğinde doğruluk ciddi şekilde artıyor. |
| Maliyet | Fatura pazarlama bütçesinden yeniyor. Her özellikte "bu maliyete değer mi" hesabı yapılıyor. |
| Kabul edilebilir hata | Yanlış kategori seçimi geri dönülemez bir itibar hatası mı, yoksa düzeltilebilir mi? |
| Tek seferlik mi, sürekli mi | Tek seferlik toplu bir çıkarım için pahalı model seçmek mantıklı olabilir — bir yatırım gibi. |
Yanında birkaç somut maliyet taktiği de var: benzer ürünleri gruplayıp tek tek değil grup bazında çıkarım yapmak, ve üzerine küçük değişikliklerle tekrar tekrar çağrı yapılıyorsa önbellekleme (caching) kullanmak.
Daha yeni sürüm daha iyi demek değil
Bir modelin üst sürümüne geçince çıktının bozulduğunu, halüsinasyonun arttığını ve eski sürümde kalmak zorunda kaldıklarını anlattı. Benzer şekilde: dil modelleri tahminleme (forecast) işlerinde iyi değil — orada klasik ML modellerine dönmüşler. Görsel tarafta ise OCR tek başına yetmiyor; bir belgenin menü mü dekont mu olduğunu anlamak için akıl yürütme gerekiyor.
Prompt yazmaktan prompt programlamaya
Çulhalık'a göre sunumun en önemli kısmı burasıydı. Klasik akış şöyle: PM derdini anlatıyor, PRD'nin bir bölümü prompt'a giriyor, çıktı alınıyor. Ama ekip içinde bile küçük tanımlarda anlaşamadıklarını fark etmişler.
Yerine geçen yöntem: bir golden set — olması gereken çıktılar kümesi — artı hedef ve metrik veriliyor; prompt optimizasyonu bu veriden üretiliyor ve birkaç iterasyonda sonuca varılıyor. Prompt engineering değil, prompt programming.
Kapanış cümleleri de bunun özeti gibiydi: model önemli değil, ürün çıktısı önemli; alaka, hız ve maliyet birlikte değerlendirilmeli; ve kullanıcıya yepyeni bir şey öğretmek yerine mevcut alışkanlığına uyum sağlamak gerekiyor.
