Makine Öğrenimi ve Yöneylem Araştırma Algoritmaları ile desteklenmiş nakit ve rotalama optimizasyon çözümleri sunan Arute Solutions’ın CEO’su Mehmet Arıkkan TRAI’nin sorularını yanıtladı.
“Yapay Zekanın Liderleri Anlatıyor” serimizin ilkinde Mehmet Arıkkan, Arute Solutions olarak geliştirdikleri yapay zeka tabanlı ürün ve servisleri örnekleriyle aktardı. Arute Solutions’ın projelerini ve şirketlere nasıl çözümler sunduklarını anlatan Mehmet Arıkkan, Türkiye’deki yapay zeka ekosistemini de değerlendirdi.
– Arute Solutions nasıl ortaya çıktı? Kuruluş hikayesini anlatır mısınız?
Arute Solutions 2009 yılında değişik alanlarda optimizasyon projeleri yapmak üzere kuruldu. Yapay Zeka ve Yöneylem Araştırması (Operations Research) metodlarını kullanarak değişik sektörler için Optimizasyon projelerini tamamladıktan sonra temelde iki alana yöneldi. Bunlardan biri Cash+ ürünüyle gerçeklediğimiz Nakit Optimizasyonu, diğeri de Routing+ ürünüyle gerçeklediğimiz Rota Optimizasyonu çözümlerimizdir. Bunların dışında Location+ ismini verdiğimiz yine Yapay Zeka temelli Lokasyon Analitiği çözümümüz ve yakında devreye alacağımız ve AutoML metoduyla geliştirdiğimiz Forecast+ Talep Tahminleme ürünlerimiz de bulunuyor.
Arute’ta kullandığımız metodolojiler Makine Öğrenmesi – Machine Learning (ML) ve Matematiksel Optimizasyon – Mathematical Optimization (MO) ın birleşimidir.
Üstteki şekilde de görüldüğü üzere, Makine Öğrenmesi ile elde edilen tahminler (predictions), Matematiksel Optimizasyon’a girdi olarak verilerek, bir hedefi optimize edebilmek için bir karara varılması amaçlanıyor. Bu döngünün tersi de mümkündür. Bu açıdan aslında Arute Solutions, Yapay Zeka temelli Karar Destek Platformları geliştirmektedir.
– Nakit optimizasyonu probleminde Arute Solutions yapay zekayı nasıl kullanıyor?
Nakit Optimizasyonu temelde iki adıma ayrılır. Bunlardan ilki geçmiş ve sürekli sisteme akan verilerden yararlanarak yakın gelecekte oluşacak nakit ihtiyacını tahminler. Sonraki adımda da bu tahminlere ve ATM/Şube kısıtlarına (ziyaret edilebilir günler, güvenlik limitleri, vb) göre optimal ikmal planları çıkarır. Çıkan planlar da çeşitli performans kriterlerine göre değerlendirilip sisteme geri beslenir.
Bu sistemde en önemli kısım öncelikle nakit ihtiyacını mümkün olan en keskin şekilde tahminleyebilmektir. Bunun için Arute Solutions, kendi kaynaklarıyla in-house veri bilimi ekibiyle geliştirdiği, Auto Machine Learning (AutoML) prensiplerine dayanan bir sistem kullanır. Bu sistem çeşitli tahminleme algoritmalarını denemekte, bunların hiper-parametre optimizasyonunu yapmakta, çıktıları daha üst bir modelde birleştirmekte ve otomatik olarak yeniden eğitme (re-training) yaparak tahminlerinin kalitesini sürekli olarak iyileştirmektedir.
– Arute Solutions’un CASH+ ürününün getirdiği avantajlar nelerdir?
Cash+ çözümümüz, bir bankanın veya ATM operatörünün bütün şebekesindeki nakit noktaları için eş zamanlı olarak günlük optimal planları üretebiliyor. Böylece nakit yönetimindeki manuel süreçlerden kurtularak, optimalliği matematiksel olarak garantilenmiş otomatik planlar kullanılır. Arute Solutions halihazırda 12 bin civarında ATM’nin günlük planlarını çıkarmaktadır.
Finansal olarak Cash+ matematiksel modeli, bir “maliyet enazlama” (cost minimization) yapmaktadır. Bu sayede müşterimiz olan bankalardaki günlük nakit seviyeleri ortalama yüzde 20 oranında indirilebilmektedir. Böylece hem nakit taşımacılığı maliyetleri açısından, hem de kasalarda kalan atıl paranın yarattığı faiz gideri açısından senelik yüz milyonlarca lira civarında tasarruf sağlanabiliyor.
– CASH+ ürünündeki time-series AutoML frameworkunun klasik time-series yaklaşımlarından farkları nelerdir?
Klasik time-series modellemede, geçmiş değerlere bağlı olarak modelleme yapan tek değişkenli (univariate) ARIMA gibi yaklaşımlar ile ya da birden çok değişkenin etkisini inceleyen klasik yapay öğrenme metotları ile modeller eğitilir. Ancak başarılı bir tahminleme motoru oluşturmak için sadece eğitilmiş bir model ortaya çıkartmak yeterli değil. Veriye uygun özellik üretimi, en başarılı model seçimi, en başarılı model kombinasyonun belirlenmesi ve modellerin veri için en keskin tahminleri üretmesini sağlayacak hiper parametre seçimi gibi birçok önemli nokta, klasik yöntemlerde belli bir standart içerisinde yapılmaz. Bu nedenle bu süreçleri otomatik olarak yapabilen ve sisteme beslenen veri için en uygun modelleme ve tahminleme sürecini oluşturan bir otomatik yapay öğrenme aracına (Cash+ time series AutoML) ihtiyaç olduğu açıktır.
Time-series AutoML’de diğer klasik sistemlerden daha farklı şekilde otomatik olarak yapılan süreçlere örnek vermek gerekirse, örneğin sistemimiz bir ATM’nin verisini sadece kendi verisini kullanarak tahminleyebilirken, tüm ATM’lerin birbirleri arasındaki ilişkiyi, bu ATM’lerin aralarındaki benzerlikleri bularak öğrenme yapabilen modelleri de barındırır. Böylece ATM’ler arasındaki ilişkiler, uzaklık-yakınlık, çekim ve yatırma karakteristikleri ve bunun gibi daha birçok kritere göre statik ya da model bazlı öğrenilebilir. Bu meta bilgilerin AutoML tarafından otomatik olarak üretilmesi ve her müşteri verisinin kendi karakteristik özelliğine bağlı olarak bizim sistemimizde kullanılmasının, tahminleme başarısını ve keskinliğini iyileştirdiğini söyleyebiliriz.
Ayrıca time-series AutoML sistemimizde sadece bir model yapısı üzerinden ilerlemiyoruz. Yapay zeka alanında bulunan birçok model ailesinden seçilen model havuzumuzdaki en başarılı modelleri seçebilen, farklı ağırlıklara göre kombinasyonlarını alabilen bir “model seçimi modülü”nün de sistemimizde başarıyla çalıştığını vurgulamak gerek.
– Tahminleme kalitesinin takibi için hangi metrikler kullanılıyor?
Time-series AutoML, talep tahminleme, nakit optimizasyonu, fiyat analizi gibi farklı regresyon problemleri için özelleşmiş bir ürün. Bu sebeple biz hem yapay zeka alanında kullanılan regresyon problemlerine uygun metrikleri, hem de müşterilerin iş alanında takip ettiği başarı metriklerini de birlikte düzenli olarak gözlemliyoruz. Örneğin, nakit optimizasyonunda normalleştirilmiş ortalama mutlak hata, ortalama kare hata, simetrik ortalama mutlak yüzde hatası gibi metriklerin yanında ortalama para bitmesi yüzdesi gibi müşteri açısından kritik öneme sahip metrikler de izleniyor.
– Genel Talep Tahminleme problemleri için Arute Solutions’un AutoML yaklaşımı ve yol haritası nedir?
Time-series AutoML sistemini ilk olarak nakit optimizasyonu problemi için kullanmaya başladık ve önceki sistemlerimizin tahminlerine göre hata metrikleri açısından çok daha başarılı olduğunu gördük. Nakit optimizasyonu problemi, genel talep tahminleme ile benzer isterleri bulundurduğundan, AutoML’in bu problemler için de uygun olduğuna karar verdik.
Genel talep tahminlemesi içinde hızlı tüketim ürünleri satış tahmini, fiyat analizi gibi birçok alan aklımıza geliyor. Bu alanlarda daha başarılı bir sistem ortaya koymak için öncelikle alanda karşılaşılan hangi problemlere çözüm bulmamız gerektiğini kendi yol haritamızda belirledik.
Örneğin hızlı tüketim ürünleri talep tahminleme verilerini, aralıklı zaman serisinin (intermittent) tipik bir örneği olarak kabul edebiliriz. Yani bazı günlerde bir ürün hiç satılmazken belli günlerde yüksek miktarlarda satılabiliyor. Bu sebeple aralıklı zaman serilerinin doğasını öğrenebilen modeller geliştirdik ve bunları AutoML model havuzumuza ekledik. Ayrıca sık olarak stok yenilemesi yapılamayan mağazalar ve ürünler için de uzun dönem tahminlemesinde daha başarılı olan modelleri geliştirme konusunda çalışmalarımızı tamamlamak üzereyiz.
Bununla beraber talep tahminlemede değerlendirilmesi gereken diğer önemli konulardan birisinin de ürünler arasındaki ilişkiler olduğunu düşünüyoruz. Örneğin bir market verisi yapısı itibariyle birçok kategorik ürün hiyerarşisi barındırabilir. Bu verilerde karşımıza çikolatadan gofrete, ordan atıştırmalık gıdaya gibi birbirini kapsayan kategoriler çıkmaktadır. Bu kategorilerin, her müşteri verisinin kendi karakteristik özelliğine bağlı olarak bizim sistemimizde kullanılmasının, tahminleme başarısını ve keskinliğini iyileştirdiğini söyleyebiliriz.
Özetleyecek olursak genel talep tahminlemesi özelindeki time series AutoML yaklaşımımız hakkında şunları söyleyebiliriz: ‘Sistemimiz müşterinin verisine göre otomatik olarak özelleşebilen, akıllıca ürünlerin karakteristik özelliklerini, ilişkilerini ve marketin bulunduğu bölgedeki satış dönemlerini, özel zamanları, karantina gibi veride önceki zamanlarda gözlenmemiş aykırı dönemleri ve birçok farklı yapay zeka modelini en başarılı şekilde kullanabilen bir üründür. Her yeni müşterimiz ile birlikte farklı alanları da tanımakta, yeni özellikleri yol haritamıza eklemekte ve test süreçlerinden sonra müşterilerimiz ile paylaşmaktayız.’
– Hangi şirketlerle çalıştınız? Çalıştığınız şirketlerin operasyonlarına nasıl bir katkı sağladınız?
Cash+ ürünümüzle birlikte hali hazırda Yapı Kredi Bankası, TEB ve Akbank ile çalışmaktayız. Ayrıca daha önce ING ve Kuveyt Türk ile de çalışmıştık. Çıkardığımız planlarla birlikte müşterilerimizin günlük nakit planlamalarının tamamen otomatikleştirilmesi ve kasalardaki atıl paranın azaltılması üzerine çok ciddi katkılar sağlamaktayız. Plan uyumlarımız bazı ATM ve bölgeler için yüzde 90’nın üzerinde, toplam nakit noktası bazında nakit seviyesi azaltımı ise yüzde 25’ler civarında.
Routing+ ürünümüz ile de günlük sipariş rotalamalarını ve araç kullanımlarını optimize etmekteyiz. Bu alanda Türk Tuborg, Mondelez ve GSK ile çalışmaktayız. Bankacılık alanında da yine Akbank ve pandemi öncesi Tayland KBank ile çalışmıştık. Örneğin bir müşterimizdeki dağıtım merkezlerinden çıkan araçların doluluk oranlarını yüzde 95’in üzerine çıkarmış durumdayız.
– Peki Türkiye’deki yapay zeka ekosistemini nasıl görüyorsunuz? Fırsatlar ve engeller neler?
Türkiye’de yapay zeka alanında değişik çözümler üreten birçok startup bulunuyor. Özellikle üniversitelerin bilgisayar mühendisliği mezunlarının bu konuya daha çok yönelmesi ile birlikte çok ciddi miktarda eğitimli ve genç iş gücümüz oluşmakta. Akademisyenlerimiz arasında da uluslararası arenada tanınan, kitapları ABD’de ders kitabı olarak okutulan hocalarımız var. TÜBİTAK’ın da desteklediği alanlarda bu konudaki projelere önem vermesiyle, yapay zeka alanında Türkiye’de üretilen kaliteli çözümler günden güne artıyor. Yapılan araştırmalara göre, kurumlarında yapay zeka kullanabilen “enterprise”ların oranı şu sıralar yüzde 70’ler civarında. 2025’e kadar bütün kurumların çok az bile olsa yapay zekayı mutlaka, en azından bir çözümlerinde kullanacaklarını gösteriyor.
Ancak daha geliştirilmesi gereken en az yüzlerce hatta binlerce kullanım alanı (use-case) olduğunu söyleyebiliriz. Bu açıdan, RPA, Demand Prediction, NLP, Pattern Recognition, Reinforcement Learning gibi bütün yapay zeka ekosistemini düşünürsek, bu alandaki fırsatlar global alanda bitmeyecek, hatta gitgide artacak.
Bu noktada sektör ve ihtiyaç olarak bir engel göremezken, ülke olarak yapay zeka ekosistemini daha çok geliştirebilmek açısından şu sıralar önümüzdeki en büyük engeller, nitelikli ve eğitilmiş iş gücünü öncelikle ülkede tutabilmek ve bu iş gücünü büyük global kurumlardan ziyade yenilikçi çözümler üreten küçük startuplar’da istihdam edebilmek. Bu konular aslında her dönemde geçerli olsa da son zamanlarda biraz daha zorlandığımız hepimizin malumu. Eğer bunu başarabilirsek, ülke olarak yazılım ihracatı konusunda çok iyi bir yere gelebileceğimize inanıyorum. Zira Gartner’ın raporuna baktığımızda yapay zekanın birçok alt konusundaki platonun erişilmesine daha en az 2-5 sene var görünüyor. Bu da önümüzdeki 10 senede bu alana yatırım yapılmasının önemini bir kere daha ortaya koyuyor.
– Yapay zeka üzerine çalışan, startup kuran veya kurmak isteyen gençlere ne tavsiye edersiniz?
Öncelikle kendilerini tebrik ederim, çok doğru ama biraz da zorlu bir alandalar. Yapay Zeka’nın gündelik hayatımızın her alanına girmeye başladığı şu zamanlarda, birçok şey dışarıdan bakıldığında yapılmış veya bir çözüm geliştirilmiş gibi görünse de, derine indiğinizde daha geliştirilmesi gereken çok kısım, üzerine eğilecek birçok problem karşımıza çıkıyor. Dolayısıyla bu alandaki fırsatlar yakın gelecekte artarak devam edecektir. Zorlu olmasının nedeni rekabetten ötürü, bu açıdan da çok çalışmaları ve çözümlerini farklılaştırmaları gerektiği aşikar.
Bu startuplar’a mümkün olduğu kadar çok ve değişik veri setleriyle denemeler yapmalarını, çözümlerini geliştirirken birçok farklı sektörden verileri kullanmalarını tavsiye ederim. Ne kadar çok veri bulurlarsa ve denerlerse, çözümleri o kadar gelişecek ve sonuçları iyileşecektir.
Fonlama açısından çok zorluk çekeceklerini sanmıyorum. Son zamanlarda ülkemizde de yapay zeka startuplarına ciddi miktarda yatırım yapılıyor. Örneğin Arute’un yatırımcısı olan Esor Investments, özellikle yapay zeka konusunda innovatif çözümler sunan, müşterisi olan ve büyümek isteyen startupları destekliyor. Avrupa Birliği Horizon ve Tübitak’ın çağrılarında da yapay zeka alanında ciddi miktarda destekler mevcut. Ülkemizin belirlediği Ulusal Yapay Zeka Stratejisi’nin bu konudaki girişimleri büyütmekte çok faydalı olacağını düşünüyorum. Başlangıç yatırımının uzman iş gücü ve güncel GPU’lu donanımlar olduğu yapay zeka alanında, innovatif çözümleri destekleyecek yatırım bulmanın artık gitgide daha da kolaylaştığını görüyoruz.
Son olarak girişimci gençlere, bir girişim kurmadan önce bir süre kendilerini geliştirebilecek ve iş hayatının disiplinine sokacak güzel bir projede çalışmalarını, çalışırken de kendi kafalarına uygun iş ortakları edinmelerini, ve güzel bir fırsat gördüklerinde de girişim konusunda cesur olmalarını tavsiye ederim. Başarı tesadüf değildir, planlı ve disiplinli çalışmanın ürünüdür. Bir konuda enerjisini ve dikkatini toplayan ve yeterince kaliteli zaman harcayabilen herkesin, süreçteki sorunlar karşısında da sabırlı olup azmederlerse, başarılı bir girişim kurabileceğine inanıyorum.
