AI Analitiği Nasıl Çalışır: Doğal Dilden İş Kararlarına

Çoğu kişi AI analitiğinin panele bağlanmış bir ChatGPT olduğunu düşünür.

Öyle değil.

Modern AI analitik sistemleri veri işleme, anlamsal anlama, istatistiksel analiz ve görselleştirmeyi tek bir iş akışında birleştirir.

Biri şunu yazdığında:

Hangi bölge geçen çeyrekte gelir düşüşüne neden oldu?

modern bir AI analitik sistemi saniyeler içinde düzinelerce işlem gerçekleştirir.

İlgili veriyi tanımlar, sorgular oluşturur, hesaplamalar yapar, görselleştirmeler seçer, sonucu açıklar ve genellikle bundan sonra neyin araştırılmasını önerir.

Bu makale AI analitik sistemlerinin perde arkasında gerçekte nasıl çalıştığını açıklar.

Panel Etkileşiminden Etkileşimli Analize Geçiş

Geleneksel paneller önceden tanımlanmış sorular etrafında tasarlanmıştır.

Biri önce paneli oluşturur.

Sonra kullanıcılar paneli tüketir.

AI analitiği iş akışını tersine çevirir.

Soru önce gelir.

Panel dinamik olarak oluşturulur.

Bu, iş zekası sistemlerinin tüm mimarisini değiştirir.

AI Analitiğinin 5 Katmanlı Mimarisi

Modern AI analitik platformları genellikle beş ana katman üzerinden çalışır:

1. Veri Bağlantısı
2. Niyet Anlama
3. Analiz ve Hesaplama
4. Görselleştirme ve Açıklama
5. Eylem ve İş Akışı Entegrasyonu

Her katman farklı bir sorunu çözer.

Birlikte etkileşimli bir analitik sistemi oluştururlar.

Katman 1 — Veri Bağlantısı

Her şey veri erişimiyle başlar.

Modern AI analitik platformları doğrudan iş veri kaynaklarına bağlanır:

• Excel dosyaları
• CSV veri setleri
• SQL Server
• PostgreSQL
• MySQL
• ERP veritabanları
• ODBC bağlantıları
• Bulut veri ambarları

Geleneksel BI sistemleri genellikle analiz başlamadan önce ağır modelleme gerektirir.

AI analitik platformları bu bağımlılığı giderek azaltır.

Kullanıcıların her ilişkiyi manuel olarak tanımlamasını gerektirmek yerine, sistem otomatik olarak şunları algılar:

• tablolar
• sütunlar
• veri tipleri
• yabancı anahtarlar
• tarih alanları
• metrik adayları

Bu, ekiplerin analize önemli ölçüde daha hızlı başlamasını sağlar.

Katman 2 — Niyet Anlama

AI analitiğinin panellerden temelden farklılaştığı yer burasıdır.

Bir kullanıcı şunu yazdığında:

Avrupa için aylık satış eğilimlerini göster

sistem şunu anlamalıdır:

• satışlar = metrik
• aylık = zaman gruplaması
• Avrupa = filtre
• eğilimler = çizgi grafik adayı

Bu sürece anlamsal niyet anlama denir.

Modern sistemler doğal dili yorumlamak ve yapılandırılmış işlemlere çevirmek için büyük dil modellerini kullanır.

AI şunları belirlemelidir:

• kullanıcı hangi veriyi istiyor
• nasıl gruplandırılmalı
• hangi filtreler uygulanmalı
• hangi hesaplamalar gerekli
• hangi görselleştirme en uygun

Bu anahtar kelime eşleştirmesi değil.

Sistem anlamı yorumlar.

Katman 3 — Analiz ve Hesaplama

Niyeti anladıktan sonra platform analiz gerçekleştirir.

Bu katman şunları içerebilir:

• SQL oluşturma
• agregasyon
• istatistiksel hesaplamalar
• eğilim analizi
• segmentasyon
• tahminleme
• anomali algılama
• korelasyon analizi

Örneğin, kullanıcı şunu sorarsa:

Hangi müşterilerin terk etme olasılığı var?

AI şunları analiz edebilir:

• satın alma sıklığı
• son sipariş tarihi
• gelir düşüşü
• davranışsal örüntüler

Kullanıcının bu analitik adımları manuel olarak tanımlamasına gerek yoktur.

AI soruya ve mevcut veriye dayalı olarak yöntemleri dinamik olarak seçer.

Katman 4 — Görselleştirme ve Açıklama

Geleneksel paneller görselleştirmede durur.

AI analitiği daha ileri gider.

Sistem şunları oluşturur:

• grafikler
• açıklamalar
• özetler
• gözlemler
• bağlamsal içgörüler

Bu, insanların analitiği tüketme biçimini değiştirir.

Sadece düşen bir grafik görmek yerine, kullanıcılar şu tür açıklamalar alabilir:

EMEA bölgesinde gelir %14 düştü, öncelikle Almanya ve Fransa'daki kurumsal müşteri kaybından kaynaklandı.

Grafik daha büyük bir analitik anlatının parçası olur.

Bu, geleneksel BI ile AI analitiği arasındaki en büyük farklardan biridir.

Katman 5 — Eylem ve İş Akışı Entegrasyonu

Son katman içgörüleri operasyonel iş akışlarına dönüştürür.

Modern AI analitik sistemleri giderek artan şekilde şunları destekler:

• rapor oluşturma
• panel dışa aktarma
• yinelenen analiz
• zamanlanmış izleme
• uyarılar
• işbirlikli paylaşım
• PDF oluşturma
• sunuma hazır özetler

Amaç sadece analiz değil.

Amaç karar hızlandırmadır.

Bu Mimarisi Neden Önemli

Geleneksel BI sistemleri yavaş ölçeklenir çünkü her yeni soru manuel çalışma gerektirir.

AI analitik sistemleri şu adımlar arasındaki sürtünmeyi azaltır:

• soru
• analiz
• görselleştirme
• açıklama
• eylem

Bu, organizasyonların statik raporlamadan sürekli keşfe doğru hareket etmesini sağlar.

Örnek İş Akışı

Tipik bir AI analitik etkileşimi şu şekilde görünebilir:

Kullanıcı Sorusu

Hangi ürün kategorilerinde bu çeyrekte kâr marjı düştü?

AI İşleme

Sistem:

1. gelir ve maliyet alanlarını tanımlar
2. kâr marjını hesaplar
3. mevcut ile önceki çeyreği karşılaştırır
4. sonuçları kategoriye göre gruplandırır
5. görselleştirme seçer
6. açıklama oluşturur

Son Çıktı

Kullanıcı şunları alır:

• grafik
• analiz özeti
• eğilim açıklaması
• takip önerileri

saniyeler içinde.

Yerel AI'nin Rolü

Giderek daha fazla işletme AI analitik sistemlerini yerel olarak dağıtıyor.

Hassas iş verilerini bulut AI sağlayıcılarına göndermek yerine, şirketler şu araçları kullanarak modelleri dahili olarak çalıştırmaya başlıyor:

• Ollama
• LM Studio
• llama.cpp

Bu, organizasyonların altyapı kontrolünü korurken AI destekli analitik iş akışları oluşturmasını sağlar.

LivChart gibi platformlar bu iş akışlarını panel oluşturma ve analitik arayüzlerle birleştirir.

AI Analitiğinin Zorlukları

AI analitik sistemleri teknik zorluklar da getirir.

Veri Kalitesi

Kötü yapılandırılmış veri hala kötü analiz oluşturur.

Bağlam Anlama

AI modelleri belirsiz iş terminolojisini yanlış anlayabilir.

Altyapı Gereksinimleri