Giriş Üretken Yapay Zeka (GenAI) ve AI ajanları çağında, karar yönetişimi sadece bir uyumluluk zorunluluğu değil, sorumlu inovasyonun temelidir. SAS Viya platformunun bir parçası olan SAS Intelligent Decisioning (ID), kurumların analitiği operasyonel hale getirmesine, karar akışlarını otomatize etmesine ve iş kuralları, modeller ve yapay zeka bileşenleri genelinde yönetişimi sürdürmesine yardımcı olur. SAS ID, "Agentic AI" (Ajan Tabanlı YZ) ile birlikte kullanıldığında, şeffaflık ve hesap verebilirlikten ödün vermeden karar verme yeteneklerini geliştirir.   Karar Yönetişimi: Tanım Karar yönetişimi, karar akışlarının nasıl tasarlandığını, devreye alındığını ve uygulandığını tanımlayan, yöneten ve izleyen disiplindir. Her otomatik kararın şu özelliklere sahip olmasını sağlar: İzlenebilir (Traceable): Kararın nasıl, neden ve kim tarafından alındığını görebilirsiniz. Şeffaf (Transparent): Paydaşlar, kararın arkasındaki mantığı ve verileri anlar. Uyumlu (Compliant): İç politikalara ve dış regülasyonlara uygundur. Tutarlı (Consistent): Farklı kanallarda ve zaman içinde aynı şekilde davranır. Yönetişim olmadan, hızlıca alınan kararlar etik ve itibar riskleri yaratır.   Figure 3: Lifecycle of Agents Figure1: Yönetişim ve Güvenin Temel Unsurları   SAS Intelligent Decisioning: Yönetişimin Omurgası SAS Intelligent Decisioning, kurumlara karar mantığını büyük ölçekte oluşturma, test etme, kullanıma alma ve izleme araçlarını sunar. İş kuralları, tahmin modelleri ve veri girişlerini birleşik karar akışlarına bağlayarak her adımın loglanmasını, doğrulanmasını ve açıklanabilir olmasını sağlar.   Figure 2: SAS Intelligent Decisioning Ekran Görüntüsü     Örnek: Bir Kredi Onay Karar Akışı Senaryo: Bir finans kuruluşu, kredi onay süreçlerini otomatize etmek için SAS ID kullanmaktadır. İş Akışı: Veri Girdileri: Başvuru sahibinin kredi skoru, istihdam geçmişi, işlem davranışları. Tahminleyici Model: Bir SAS Model Studio lojistik regresyon modeli, temerrüt (ödememe) olasılığını tahmin eder. İş Kuralları: Kredi skoru < 600 ise reddet. Tahmin edilen temerrüt > 0.25 ise manuel inceleme için işaretle. Bağlamsal LLM Kontrolü: Bir LLM, başvuru sahibinin yapılandırılmamış (serbest metin) girdisini yorumlar ve bir bağlam etiketi oluşturur. "İçgörü": "Yakın zamanda iş değişikliği - gelir riski belirtilmedi" SAS ID, bu çıktıyı inceleme kuralını etkilemek üzere bir veri düğümü (node) olarak entegre eder. Temel yönetişim özellikleri şunlardır: İş kuralı ve akış yönetimi: İş ve analitik ekipleri arasında köprü kuran az kodlu (low-code) bir arayüzle karar kuralları oluşturun, versiyonlayın ve test edin. Yaşam döngüsü yönetişimi: Tam denetim izleri (audit trails) ile kararların taslağını oluşturma, inceleme, onaylama ve kullanıma alma süreçleri için iş akışları. Şeffaflık ve izlenebilirlik: Her karar; hangi kuralların tetiklendiğini, hangi modellerin çalıştığını ve hangi verilerin kullanıldığını gösterecek şekilde ayrıştırılabilir. Modellerle entegrasyon: SAS veya açık kaynaklı modelleri, yönetişilen karar akışlarına sorunsuz bir şekilde entegre edin. Ölçeklenebilir gerçek zamanlı karar verme: Yüksek hacimli, düşük gecikmeli dağıtımlar için REST API'lerini kullanın. Özünde SAS ID, eskiden parçalara bölünmüş ve manuel olan bir sürece yapı ve disiplin getirir.     Agentic AI Sahneye Çıkıyor: Yeni Güç, Yeni Yönetişim Zorlukları Agentic AI (Ajan Tabanlı YZ), karar verme yaklaşımımızda devrim yaratıyor. LLM'ler ve yapay zeka ajanları düzensiz metinleri analiz edebilir, karmaşık istekleri yorumlayabilir ve hatta duruma özel öneriler veya müşteri yanıtları üretebilir. Ancak bu yeni yetenekler, yeni yönetişim sorularını da beraberinde getiriyor: Yapay zeka tarafından üretilen içgörüleri nasıl doğrularız? Önyargıların (bias) veya "halüsinasyon" içeren içeriklerin iş kararlarını etkilemesini nasıl önleriz? GenAI (Üretken YZ) destekli süreçleri nasıl belgeler ve açıklarız?   Figure 3: Lifecycle of Agents Figure 3: Ajanların Yaşam Döngüsü   Example 1: Otomatik Mevzuat/Yönetmelik Taslağı Oluşturma Bir finans kuruluşu, yeni regülasyon metinlerine dayanarak kredi politikası güncellemelerinin ilk taslaklarını oluşturmak için SAS Intelligent Decisioning (SAS ID) içinde bir LLM kullanır. Eski yaklaşım: Kurallar analistler tarafından manuel olarak incelenir ve karar mantığına dönüştürülürdü. Agentic AI yaklaşımı: Yapay zeka ajanları sayesinde LLM, regülasyonu okur, kilit maddeleri belirler ve taslak karar kuralları oluşturur. Örneğin: "50.000 doların üzerindeki krediler ek doğrulama gerektirir." Risk: Bu YZ tarafından oluşturulan kuralların regülasyonu doğru yansıttığını ve halüsinasyon olmadığını nasıl doğrulayabiliriz? SAS’ta Yönetişim Kontrolü: Prompt ve çıktı takibi: SAS, her LLM istemini (örn. regülasyon metni ve sorgu) ve yanıtını loglar. Doğrulama iş akışı: SAS Model Manager'daki bir insan incelemeci, YZ taslağını üretim karar akışının bir parçası olmadan önce doğrular veya düzeltir. Denetlenebilirlik: Oluşturulan mantığın tüm versiyonları saklanır, zaman damgasıyla (time-stamp) işaretlenir ve izlenebilir durumdadır.   Örnek 2: Müşteri Yanıtı Oluşturma Bir telekom şirketi, fatura itirazlarına kişiselleştirilmiş yanıtlar oluşturmak için müşteri hizmetleri akışında Agentic AI kullanır. LLM görevi: Sorunu özetlemek ve müşteri etkileşim geçmişini kullanarak bir yanıt önermek. Risk: Model, hesap ayrıntılarını uydurabilir; örneğin, gerçekte olmayan bir şekilde "indiriminiz geçen ay sona erdi" diyerek halüsinasyona neden olabilir. Yönetişim Çözümü: SAS, güvenlik bariyerleri (guardrails) ve son işlem (post-processing) süreçleri: Agentic AI çıktısı, SAS Viya'daki müşteri verileriyle çapraz referanslama yapan bir doğrulama katmanından geçer. Yalnızca doğrulanmış gerçekler nihai mesaja dahil edilir. Girdiler, promptlar, model yanıtları, doğrulama adımları ve nihai çıktılar dahil olmak üzere her karar yolu SAS ID karar loglarında izlenir ve uçtan uca şeffaflık sağlanır. Örnek 3: Önyargı(Bias) Tespiti ve Model Doğrulama Bir sağlık sigortası şirketi, doktor notlarını özetlemek ve bakım önerileri sunmak için Agentic AI entegre eder. Risk: Model, belirli demografik özellikleri veya tedavileri vurgulayan önyargılı özetler oluşturabilir. SAS’ta Teknik Yönetişim Yaklaşımı: SAS Model Studio içinde model çıktılarına otomatik olarak önyargı (bias) metrikleri uygulanır. Yapay zeka içgörülerinin sonraki kararları nasıl beslediğini göstermek için sonuçlar SAS Visual Analytics'te görselleştirilir. SAS, tüm model yaşam döngüsünü yöneten yapay zeka yönetişim çerçeveleri aracılığıyla bu zorlukları ele alır. Agentic AI bileşenleri SAS ID karar akışlarına entegre edildiğinde, kurumlar girdileri, promptları, model çıktılarını ve son işlem mantığını tek bir yönetişim şemsiyesi altında takip edebilir.   Karar Yönetişiminde Yapılması Gerekenler Karar yönetişimini başarılı kılmak için kurumlar aşağıdaki en iyi uygulamalara odaklanmalıdır: Mimari: Her karar türünü, veri girdilerini, iş kurallarını, modelleri ve amaçlanan sonuçları izleyin. SAS ID'nin görsel karar akışları, ekiplerin süreçleri  hizalamasına yardımcı olur. Yaşam döngüsü yönetişimi: İlk tasarımdan kullanımdan kaldırmaya kadar onay iş akışlarını, versiyonlamayı ve testleri uygulayın. Veri ve model bütünlüğünü sağlayın: Güvenilir veri hatları (pipelines) kullanın, sapmaları (drift) izleyin ve önyargı tespitini sürdürün. Şeffaflık: Kural analizi ve karar yolu takibi yoluyla "talep üzerine açıklanabilirlik" sağlayın. İnsan gözetimini sürdürün: Ne zaman insan onayının gerekli olduğunu ve otomasyonun ne zaman bağımsız ilerleyebileceğini belirleyin. Ölçün ve yineleyin: Sonuçları takip edin ve performansa ve geri bildirimlere dayanarak mantığı iyileştirin. Bu "Yapılması Gerekenler" ile karar otomasyonu hem ölçeklenebilir hem de güvenilir hale gelir.   Karar Yönetişiminde Kaçınılması Gerekenler Yönetişimi sonradan eklemek: Yönetişimi baştan tasarlamak yerine, bir eklenti gibi ele almak. Sadece yapay zekaya güvenmek: Açıklanabilirlik olmadan, benimseme ve uyumluluk sekteye uğrar. Model sapmasını (drift) görmezden gelmek: Modeller ve GenAI ajanları zamanla değişir; izleme yapılmazsa kararların kalitesi düşer. İnsan gözetimini dışlamak: Özellikle finans veya sağlık gibi yüksek riskli alanlarda, insanlar hesap verebilir durumda kalmalıdır. Karar, model ve veri yönetişimini ayırmak: Her biri diğerini besler. Bu hatalardan kaçınmak, otomasyonun iş etiği, uyumluluk ve müşteri güveniyle uyumlu kalmasını sağlar.   SAS ID + Agentic AI: Hibrit Karar Geleceği SAS Intelligent Decisioning, Agentic AI ile buluştuğunda iş kuralları ve tahminleyici modeller, üretken akıl yürütme ve yapay zeka ajanları ile iş birliği yapar. Örnek kullanım alanları: Müşteri etkileşimi: Teklifleri kişiselleştirmek için Agentic AI kullanılırken, SAS ID'nin uygunluk ve uyumluluk kurallarını zorunlu kılması. Dolandırıcılık yönetimi: Deterministik risk eşiklerini, Agentic AI'nın metin veya davranış verilerindeki yeni dolandırıcılık modellerini tespit etme yeteneğiyle birleştirmek. Operasyonel verimlilik: Yapay zeka ajanlarının karar taslakları oluşturmasına izin verirken, SAS ID'nin onaylanan sonuçları otomatik olarak doğrulaması ve yürütmesi. Her durumda SAS ID, Agentic AI'nın yaratıcılığının iyi tanımlanmış, denetlenebilir güvenlik bariyerleri (guardrails) içinde çalışmasını sağlar.   İş Etkisi Yapay zeka ajanları destekli yönetişime sahip SAS ID'yi benimseyen kurumlar somut faydalar elde eder: Güvenle hız kazanır: Kontrolü kaybetmeden karmaşık kararları daha hızlı otomatize edin. Şeffaflık ve güven sağlar: Denetlenebilirliği doğrudan karar mantığının içine inşa edin. Regülasyonlara hazır hale gelir: Uyumluluk ve iç denetim için dokümantasyonu hazır tutun. Ekipler arası uyumu artırır: Veri bilimciler, iş uzmanları ve uyum görevlileri arasındaki boşluğu doldurun. Ölçeklenebilir inovasyon sağlanır: Yönetişimin hem süreci hem de itibarı koruduğunu bilerek Agentic AI ile güvenle deneyler yapın.   Sonuç Kurumsal karar vermenin geleceği akıllı, otomatik ve giderek artan bir şekilde yapay zeka odaklıdır; ancak aynı zamanda yönetişim altında olmalıdır. Agentic AI ile güçlendirilmiş SAS Intelligent Decisioning, hem hıza hem de kontrole ulaşmak için ideal çerçeveyi sağlar. Yönetişimin "Yapılması Gerekenleri"nde (netlik, şeffaflık, yaşam döngüsü yönetimi ve gözetim) ustalaşarak ve "Kaçınılması Gerekenler"den (ihmal ve kontrolsüz otonomi) uzak durarak, kurumlar yapay zeka destekli kararların tam potansiyelini sorumlu bir şekilde ortaya çıkarabilir. SAS Intelligent Decisioning ve Agentic AI ile kurumunuzun karar otomasyonunu güvenle ve etik bir şekilde ileriye taşıyabilirsiniz.     Ek Kaynaklar: https://www.sas.com/en_us/news/press-releases/2025/may/innovate-ai-agents-intelligent-decisioning.html https://blogs.sas.com/content/subconsciousmusings/2024/04/05/llm-prompts-with-sas/   Bu içerik, SAS çözüm mimarlarından @Ursula_Polo ’nun The Ins and Outs of Decision Governance makalesinden  uyarlanarak hazırlanmıştır. ... View more

Giriş   Günümüzün hızla değişen dünyasında, kurumlar daha hızlı, daha akıllı ve daha şeffaf kararlar almayı hedefliyor. Bir krediyi onaylamak, dolandırıcılığı tespit etmek veya kişiselleştirilmiş bir teklif sunmak... Her karar otomasyonu, yönetişim ve insan muhakemesini dengelemek zorundadır. İşte SAS Intelligent Decisioning'in parladığı yer burasıdır; işletmelere veri odaklı kararları ölçekli bir şekilde tasarlama, devreye alma ve yönetme gücü verir.   Bu yeteneğin özünde, bilgi işlemin en basit ama en güçlü mantık yapılarından biri  olan IF/THEN/ELSE (EĞER/İSE/DEĞİLSE) ifadesi yatar. SAS Intelligent Decisioning'de bu yapı, yönetişilen ve açıklanabilir karar akışları oluşturmanın temelini oluşturur. İş kullanıcıları görsel arayüzler aracılığıyla kuralları kolayca oluşturup yönetebilirken, veri bilimciler daha derin akıl yürütme ve uyarlanabilirlik için Büyük Dil Modelleri (LLM'ler) gibi Agentic AI bileşenlerini entegre edebilirler. Geleneksel kural tabanlı mantığı Agentic AI'nın esnekliğiyle birleştirerek, şirketler hibrit karar sistemleri oluşturabilirler.   Bu blog yazısı, SAS Intelligent Decisioning'de IF/THEN/ELSE mantığının kural kümeleri ve koşullu dallanma (conditional branching) yoluyla nasıl uygulanabileceğini araştırmaktadır. Ayrıca, SAS Viya kullanarak sorumlu, otonom karar alma sistemleri tasarlamak ve inşa etmek için en iyi uygulamaları paylaşmaktadır.   SAS Intelligent Decisioning'de IF/THEN/ELSE Mantığını Kullanmanın İki Yolu   SAS Intelligent Decisioning'de IF/THEN/ELSE mantığını iki temel şekilde kullanabilirsiniz: Kural Kümeleri (Rule Sets) İçinde: İş kullanıcılarının kullanıcı dostu bir arayüzde koşullar ve aksiyonlar tanımlayabildiği yer. Karar Akışlarında Koşullu Dallanma Yoluyla: LLM'ler gibi Agentic AI unsurları dahil olmak üzere birden fazla bileşeni düzenlemek (orchestrate) için.   Figure1: IF/THEN/ELSE mantığına sahip Varsayılan Kural Kümeleri     Kural Kümesinde IF/THEN/ELSE Kullanımı Kural kümeleri, SAS Intelligent Decisioning'in temel bir bileşenidir. İş analistlerinin, ileri düzey kodlama gerektirmeyen görsel bir arayüz aracılığıyla mantık oluşturmasına ve yönetmesine olanak tanır. Nasıl başlanır: Adım 1: Yeni Bir Kural Kümesi Oluşturun: Yeni bir kural kümesi oluşturun ve girdi/çıktı değişkenlerinizi tanımlayın. Adım 2: İlk IF Kuralınızı Ekleyin Kural Ekle (Add Rule) seçeneğine tıklayın. Koşulunuzu tanımlayın: Örnek: IF loan_amount > 100000 (EĞER kredi_tutarı > 100.000) Aksiyonu belirtin: THEN approval_status = 'Pending Review' (İSE onay_durumu = 'İnceleme Bekliyor') Adım 3: Bir ELSE Kuralı Ekleyin Az önce oluşturduğunuz kuralı seçin. Ekle -> Else Kuralı (Else Rule) seçeneğine tıklayın. Örnek: ELSE approval_status = 'Auto Approved' (DEĞİLSE onay_durumu = 'Otomatik Onaylandı') Adım 4: Bir ELSE IF Kuralı Ekleyin Tekrar Kural Ekle'yi seçip operatörü ELSE IF olarak değiştirerek ek koşullar ekleyin. Bu, aşağıdaki gibi genişletilmiş bir mantıksal dizi oluşturur: IF loan_amount > 100000 THEN approval_status = 'Pending Review'; ELSE IF credit_score < 600 THEN approval_status = 'Rejected'; ELSE approval_status = 'Auto Approved'; Bu yapı, iş politikalarını stratejiler değiştikçe gelişebilen, denetlenebilir ve sürüm kontrollü bir formatta yakalamanıza olanak tanır.     Figure 2: Kural Kümeleri ve LLM içeren Akıllı Karar Verme Örneği     Karar Akışında Koşullu Dallanma Kullanımı Daha karmaşık süreçler için, bir karar akışı içinde koşullu dallanma (conditional branching) kullanabilirsiniz. Karar akışları; kural kümeleri, analitik modeller, özel kodlar ve şimdi de Agentic AI yetenekleriyle birden fazla bileşeni görsel olarak düzenlemenizi sağlar. Adım 1: Bir Karar Akışı Oluşturun Tuval üzerine (canvas) aşağıdaki gibi düğümleri (nodes) sürükleyip bırakın: Kural Kümeleri Analitik Modeller Özel Kod (Custom Code) LLM Çağırma (Call LLM - Agentic AI) düğümleri Adım 2: Koşullu Bir Düğüm Ekleyin İki düğüm arasındaki bağlantı okuna tıklayın ve Koşullu Dal Ekle (Insert Conditional Branch) seçeneğini seçin. Bu, akışınızın bir koşula göre ayrılmasını sağlar, örneğin: IF approval_status = 'Pending Review' Adım 3: Dallar (Branches) Oluşturun Doğru Yolu (True Path): Yeni bir aksiyon dizisine bağlayın, örneğin bir "Call LLM" adımı. Yanlış Yolu (False Path): Başka bir yola bağlayın, örneğin onayı veya reddi sonlandırın. Adım 4: Agentic AI Bileşenlerini Entegre Edin Agentic AI, karar vermeye yeni bir akıl yürütme ve uyarlanabilirlik seviyesi getirir. Call LLM Adımı: Gelişmiş analiz veya öneriler için verileri ve bağlamı Büyük Dil Modeline gönderir. Örnek İstem (Prompt): "Bu başvuru sahibinin finansal durumunu analiz et ve koşullu olarak onaylanıp onaylanmaması gerektiğini öner." Hafıza ve Güvenlik Sınırları (Guardrails): Tutarlı karar verme için bağlam sürekliliği (hafıza) ekleyin ve AI çıktısının kurumsal ve etik politikalarla uyumlu olduğundan emin olmak için güvenlik sınırları tanımlayın. LLM Çıktısını İşleme: Bir LLM yanıtı aldıktan sonra, bunu yorumlamak ve kararı sonlandırmak için yeni bir kural kümesi veya kod adımı kullanın.   Örnek: Hibrit Kredi Onay İş Akışı Aşağıda, yönetişilen, açıklanabilir ve uyarlanabilir bir karar sürecini gösteren, kural kümeleri ile Agentic AI'yı tek bir karar akışında birleştiren bir örnek verilmiştir. Adım Adım Akış: Başlangıç Adımı: Yeni bir kredi başvurusu sisteme girer. Kural KümesiAdımı (Uygunluk Kontrolü): IF credit_score > 750 THEN approval_status = 'Auto Approved'; ELSE IF debt_to_income_ratio > 40 THEN approval_status = 'Pending Review'; ELSE approval_status = 'Rejected'; Koşullu Dallanma: Akış, approval_status (onay durumu) değerine göre ayrılır: Yol 1 (Otomatik Onay): Doğrudan Bitiş adımına gider — kredi onaylandı. Yol 2 (Red): Bitiş adımına gider — kredi reddedildi. Yol 3 (İnceleme Bekliyor): Bir Call LLM adımına gider. Call LLM Adımı: LLM, vakayı inceler, başvuru sahibinin mali durumunu analiz eder ve şuna benzer bir öneri sunar: "Başvuru sahibinin teminatı güçlü; koşullu onay önerilir." Kural Kümesi Adımı (LLM Analizi): IF LLM_recommendation = 'Approve with Conditions' THEN final_decision = 'Approved with Conditions'; ELSE final_decision = 'Manual Review Required'; Bitiş Adımı: Süreç, nihai kararın loglanması ve denetlenebilir hale gelmesiyle sonuçlanır.   Kural Tabanlı Mantığı Agentic AI ile Birleştirmenin Gücü Geleneksel IF/THEN/ELSE mantığını Agentic AI'nın uyarlanabilirliği ile harmanlayan bu hibrit yaklaşım, birkaç önemli avantaj sunar: Şeffaflık: Her kural ve karar dalı belgelenir ve açıklanabilir durumdadır. Yönetişim: İş kullanıcıları kuralları doğrudan yöneterek uyumluluğu sağlar. Uyarlanabilirlik: Agentic AI, karmaşık veya sınırda kalan (borderline) vakaları ele almak için zeka katar. Verimlilik: Rutin vakalar otomatikleştirilir, uzmanların istisnalara odaklanması sağlanır. Ölçeklenebilirlik: SAS Viya'nın bulut tabanlı (cloud-native) mimarisi, yüksek hacimli, gerçek zamanlı karar vermeyi destekler.   En İyi Uygulama Örnekleri 1. İnsan Döngüde (HITL) Kontrolleriyle Otonomi Otonomi, insan muhakemesini ortadan kaldırmamalı, onu güçlendirmelidir. Human-in-the-Loop (Döngüde İnsan): Düşük güvenli veya yüksek riskli talepleri denetçilere yönlendirin. IF (Claim_Amount > 10000) OR (Fraud_Risk_Score < 0.6) THEN Route_To_Human_Review = Yes Human-on-the-Loop: Yöneticiler, SAS Visual Analytics'teki panoları (dashboards) anormallikler veya sapmalar için izler ve gerekirse otomasyonu duraklatır. Out-of-the-Loop: Düşük riskli, yüksek güvenli vakaları tamamen otomatikleştirin. IF (Claim_Amount < 500) AND (Fraud_Risk_Score > 0.9) THEN Auto_Approve = Yes 2. Durumsal Farkındalık ve Gerçek Zamanlı Bağlam Ajanlar; ne zaman, nerede ve nasıl hareket edeceklerini anlayarak çevresel zeka ile çalışmalıdır. Operasyonel Farkındalık (Sistem Yüküne Uyum): IF (Model_Drift_Score > 0.2) OR (System_Load > 0.8) THEN Route_To_Human_Review = "Yes"; Sosyal Farkındalık (Kullanıcı Bağlamı): IF (User_Status = "InMeeting") THEN Send_Notification = "Later"; SAS Visual Analytics kullanarak şunları gösteren gerçek zamanlı panolar oluşturun: Karar gecikme trendleri Zaman içindeki model sapması (drift) Bağlam duyarlı kurallar için tetiklenme sıklığı 3. Başarısızlığa ve Belirsizliğe Karşı Dayanıklılık Gerçek dünya senaryolarında, ajan tabanlı sistemler eksik veriler, güvenilmez API'ler veya belirsiz insan girdileri gibi belirsizliklerle karşılaşabilir. Güvenli otonomi sağlamak için ajanlar; kademeli hizmet azaltımı (graceful degradation), geri dönüş (fallback) mekanizmaları ve hataya duyarlı karar mantığı ile tasarlanmalıdır.   SAS Viya'da Teknik Uygulama: Eksik veya Tamamlanmamış Verilerin İşlenmesi: Eksik girdi değişkenleri için varsayılan değerler, atama (imputation) kuralları veya alternatif dallar tanımlayın.  Örnek: IF CreditScore IS MISSING THEN RiskCategory = "Unknown"; Route_To_Human_Review = "Yes"; ELSE IF CreditScore < 600 THEN ...   Doğal Dil veya Kullanıcı Girdilerindeki Belirsizliğin Yönetimi: Belirsiz talimatlar için güven eşikleri ve yapılandırılmış açıklama istemleri kullanın. Örnek: IF (LLM_Confidence_Score < 0.7) THEN DO; Clarification_Request = "Yes"; Route_To_Human_Review = "Yes"; END; Belirsizliğe Duyarlı Karar Verme: Düşük güvenli vakaları insanlara veya yedek sistemlere yönlendirmek için model güven skorlarını kullanın. IF (Model_Confidence < 0.6) THEN Decision = "Manual_Review"; Bunu, güven eşiklerinin altına düşen kararları izlemek için SAS Model Manager ile birleştirin; bu, güvenli otonomi için kritik bir yönetişim metriğidir. Kendi Kendini İzleme: Hatalar oluştuğunda, ajan aniden durmak yerine güvenli, kısıtlı bir modda çalışmaya devam etmelidir. Örnek: API çalışmıyorsa ve model eskiyse, otomasyonu duraklatıp uyarı gönderin. Not: Karmaşık iş akışları için Segmentasyon Ağaçlarını (Segmentation Trees) da kullanabilirsiniz. SAS Intelligent Decisioning'de segmentasyon ağaçları, veri değişkenlerinin her düğümde değerlendirildiği akış şeması tarzı diyagramlar olarak işlev görür.    Sonuç Agentic AI'nın SAS Intelligent Decisioning ile entegrasyonu, geleneksel karar akışlarını dinamik, uyarlanabilir sistemlere dönüştürür. Yapılandırılmış yönetişim için IF/THEN/ELSE mantığını, daha derin içgörüler için LLM tabanlı akıl yürütme ile birleştirerek, şirketler daha hızlı, daha akıllı ve daha şeffaf sonuçlar elde edebilir. Akıllı otomasyon çağında, basit bir IF ifadesi artık çok daha akıllı hale geldi.   Bu içerik, SAS çözüm mimarlarından @Ursula_Polo ’nun Best Practices of IF/THEN/ELSE Logic and Agentic AI in SAS Intelligent Decisioning makalesinden  uyarlanarak hazırlanmıştır ... View more

  Giriş   Karar otomasyonu, modern iş dünyasının gizli kahramanıdır. Ancak işin rengi, basit kurallardan "düşünen ve harekete geçen" Agentic AI yapılarına doğru değiştikçe, o konforlu "otomatik pilot" hissi yerini haklı bir merak ve endişeye bırakabiliyor. Bugün, basit bir otomasyonun ötesine geçmek istediğimizde aklımızdaki sorular da derinleşiyor: Bu kararın mimarı kim? Kara akışı geriye dönük izlenebilir mi? Ya modelimiz zamanla rotadan saparsa (drift)? Bu sorulara cevap veremeyen bir sistem, ne kadar zeki olursa olsun güven vermez. İşte bu yüzden yeni dönem, sadece zeka üzerine değil, şeffaflık üzerine kuruluyor: Loglama, Denetim ve Agentic AI.   Bu yazıda, bu kavramların karar yönetişimini ve güvenini nasıl güçlendirdiğini ve SAS Viya’nın Intelligent Decisioning yeteneklerinin bu noktada neler sunduğunu inceleyeceğiz.   Loglama ve Denetim (Auditing) Karar Sistemlerinde Neden Bu Kadar Önemli? Kredi onayı, dolandırıcılık tespiti, uyum süreçleri veya müşteri etkileşimleri gibi alanlarda sadece bir iş kuralı çalıştırmak yeterli değildir. Kurumların ayrıca şunlara ihtiyacı vardır: Karar Takibi: Her kararı girdilerine, kurallarına, kullanılan veri ve model versiyonuna kadar geriye takip edebilmek. Denetim: Karar akışının, kural aksiyonlarının, model versiyonlarının ve deployment adımlarının hem iç hem dış yönetişime uygun şekilde kaydedilmesi. Yönetişim: Kararlara sahipliği tanımlamak, değişiklikleri izlemek ve versiyonlamayı kontrol altında tutmak. Performans İzleme: Drift, adaletsizlik (fairness), beklenmeyen davranışlar gibi riskleri tespit etmek.   SAS Intelligent Decisioning’de Loglama ve Denetim Özellikleri SAS Intelligent Decisioning ve SAS Viya, güçlü loglama ve denetim yetenekleri sunar: Karar akışı denetim geçmişi (audit history): Bir karar akışının nasıl oluşturulduğu, değiştirildiği ve devreye alındığı sistem tarafından kaydedilir. Kural çalıştırma analizi (rule-fire analysis) ve detaylı iz takibi (trace): Hangi kuralların tetiklendiğini, hangi değişkenlerin nasıl değerlendirildiğini izleyebilir ve bunu ileride denetim için saklayabilirsiniz. Loglama yapılandırması ve platform logları: SAS Viya servislerinden gelen loglar toplanabilir, audit-service log’ları görüntülenebilir, değişken atama logları takip edilebilir. Yönetişim iş akışları ve onaylar: Karar sürecine yapılan değişiklikler kontrol noktalarından ve onay sürecinden geçirilerek yönetişim sağlanır. İnsan gözetimi ve istisna yönetimi: “Human-in-the-loop” senaryoları platform tarafından desteklenir.   Özetle, loglama ve denetim sonradan düşünülen eklentiler değil, karar platformunun temeline işlenmiş unsurlardır. Basit otomasyonun ötesine geçtiğinizde bu kritik bir önem taşır.     Figure 1: SAS Intelligent Decisioning ile bir kararın girdiden sonuca kadar izlenebilirliği.     Agentic AI’ye Giriş: Nedir ve Neden Önemlidir? Geleneksel otomasyon genellikle: “Eğer X ise Y yap” gibi deterministik kurallara dayanır. Ya da bir model skorlanır ve buna göre aksiyon alınır. Agentic AI bu yapıyı dönüştürür. Agentic AI, birden fazla yapay zeka ajanının birlikte çalışmasını sağlayan, gerektiğinde karar verebilen, hareket eden ve uyum sağlayan bir yapıdır. Bir AI ajanı ise belirli bir görevi yerine getirmek için tasarlanmış küçük bir araçtır. Örneğin: Bir ajan veri temizler Bir ajan LLM ile açıklama üretir Bir ajan risk skorunu hesaplar Bir ajan iş akışını koordine eder Ve Agentic AI, bunların hepsini uyumlu bir şekilde yönetir.   Figure 2:  Tek bir AI ajanı ve çok ajanlı Agentic AI sisteminin karşılaştırması.       Temel Özellikler: Hibrit Yaklaşım: Kurallar + analitik + LLM çıktılarının birleşimi İnsan-AI dengesi: Otomasyon nerede çalışır, insan nerede devreye girer? Yönetişim: Şeffaflık, açıklanabilirlik, audit trail, bias tespiti Ölçeklenebilirlik: Birden fazla ajan farklı süreçlerde paralel çalışabilir Karar Akışları için Neden önemlidir? Kararlar statik olmaktan çıkar; gerçek zamanlı uyum sağlar. Otonomi arttıkça loglama ve izlenebilirlik daha kritik hale gelir.     Figure 3: Agentic AI oluşturma ve kullanıma alma aşamaları.   Loglama / Denetim ile Agentic AI’nin Birleşmesi: “Otomasyonun Ötesinde” Bir Agentic AI sistemi çalışırken yalnızca otomasyona güvenemezsiniz. Her adımda güven, izlenebilirlik ve denetim gerekir. Bu bölümde bu birleşimin neden merkezi bir rol oynadığını anlatıyoruz:   Karar Akışlarının Şeffaflığı Örneğin: bir ajan şöyle diyebilir: “Bu krediyi onaylıyoruz, ancak X olursa eskale edeceğiz.” Bu durumda şunları loglamanız gerekir: Girdiler (veri, skor, değişken değerleri) Karar akışında izlenen yol, tetiklenen kurallar Kullanılan model ve versiyon İnsan incelemesi olup olmadığı Son karar ve aksiyon SAS Intelligent Decisioning, tüm bu adımların tam izlenebilirliğini sağlar.   Ajan otonomi sınırları ve human-in-the-loop Bir Agentic AI sistemi tasarlarken kritik sorulara cevap vermek gerekir: Ajan hangi noktada kendi karar verir? Hangi durumda insana devreder? Bu geçiş nasıl loglanır? Bu denge, Agentic AI’nin temelidir.   Monitoring, performans ve drift Modeller eskir Kurallar demode olabilir Ajan davranışları değişebilir Monitoring sistemi; fairness, bias ve anomalileri yakalamalıdır.   Uyumluluk ve denetim için audit trail Kredi, sigorta, fraud gibi yüksek riskli alanlarda: Her karar takip edilebilir olmalıdır. SAS Viya, kullanıcı aksiyonları, kaynak değişiklikleri, güvenlik olayları gibi audit kayıtlarını tutar.   Model / karar akışı versiyon takibi Yeni bir karar akışı yayınlandığında şunlar kaydedilmelidir: Versiyonlar Onaylayan kişiler Model değişiklikleri Validasyon sonuçları SAS Intelligent Decisioning bu özelliği bünyesinde barındırır.       Figure 4: SAS Intelligent Decisioning örnek arayüz.      Örnek Uygulama: SAS Intelligent Decisioning'e hızlı bir başlangıç Agentic AI + logging + auditing ile çalışan bir karar platformu oluşturmak için önerilen adımlar: Karar alanlarını tanımlayın ve haritalayın Otomatize etmek istediğiniz ana kararları belirleyin (ör. kredi, fraud, teklif yönetimi). Veri → model → kurallar → aksiyon → insan incelemesi şeklinde süreç haritası çıkarın. SAS Decisioning’de Decision Builder ile bu akışın görsel modelini oluşturun. Loglama ve audit özelliklerini ilk günden aktif edin SAS Viya audit servislerini yapılandırın Karar değişkenleri için detailed trace açın Saklanması gereken olayları belirleyin: akış aktivasyonu kural değişiklikleri model versiyonlaması karar sonuçları Yönetişim iş akışlarını entegre edin Kural versiyonlama Akış versiyonlama Onay mekanizmaları Değişikliklerin kayıt altına alınması Ajan tabanlı iş akışını tasarlayın LLM + kurallar + modeller ile hibrit ajanlar Modüler workflow mantığı İnsan-ajan sınırlarının tanımlanması Her dalın audit edilebilir olması Operasyonel monitoring ve uyarılar Dashboard’lar oluşturun Kural tetiklenme sayılarını takip edin Model performansını izleyin LLM guardrail’lerini etkinleştirin Seçilen kararlar için forensik denetim yapın Kayıt, arşiv ve uyumluluk Log saklama politikalarını belirleyin Audit loglarını koruma altına alın Değişiklik seviyelerini izleyin   Faydalar ve İş Süreçlerine Etkisi Bu yaklaşım sayesinde: Karar güveni artar: Kararın nasıl alındığı şeffaf olur. Daha hızlı geliştirme süreçleri: Güvenli bir platformla daha hızlı geliştirme yapılır. Regülasyon uyumu: Audit trail + versiyon geçmişi + izlenebilirlik Risk yönetimi güçlenir: Drift ve anomali erken tespit edilir. Çeviklik: Yeni koşullara hızla uyum sağlayan ajanlar devreye girer.   Dikkat Edilmesi Gereken Noktalar Elbette bu süreç, zorluklardan tamamen arınmış değildir. Dikkat edilmesi gereken bazı temel noktalar şunlardır:   Log Hacmi (Volume of Logs): Karar akışları büyük ölçeklere ulaştığında, loglama ve denetim verisinin hacmi ciddi boyutlara varabilir. Depolama, indeksleme, ve arşivleme/saklama süreleri (retention) için önemli stratejilere ihtiyacınız olacaktır. Ajan Karmaşıklığı (Complexity of Agentic Logic): LLM'leri, iş kurallarını ve analitiği birleştiren ajanların izini sürmek ve bu kararları açıklamak (explainability) karmaşıklaşabilir. Şeffaflığın korunması hala önemli bir zorluktur. İnsan/Ajan Sınır Tasarımı (Human/Agent Boundary Design): Ajanın kapsamı çok geniş  olursa, kontrol edilemeyen bir otonomi riski doğar. Çok dar olursa da sağlanan katma değer azalır. Veri Gizliliği ve Güvenliği: Loglama ve denetim süreçleri genellikle hassas verileri (girdiler, değişkenler, sonuçlar) de kayıt altına alır. Logları uygun şekilde maskelemeli (data masking) ve güvence altına almalısınız. Yönetişim Kültürü (Governance Culture): Teknoloji tek başına yeterli değildir. Karar akışlarının sahibi kim? Değişiklik süreçlerini kim yönetiyor? İzleme ve denetim için personel kaynağı nedir? Bu konularda net bir sahiplik yapısına ihtiyacınız vardır.   Sonuç Bugünün karmaşık, hızla değişen ve regülasyon odaklı dünyasında sadece “otomasyon” yeterli değildir. Gerçek değer, loglama, denetim, yönetişim ve Agentic AI’nin birleşiminde ortaya çıkar. SAS Viya'nın Intelligent Decisioning platformu, karar akışları, kural motoru, model entegrasyonu, audit yetenekleri ve Agentic AI ajanlarıyla kurumsal ölçekte güçlü bir temel sunar. Sonuç olarak amaç bellidir: Güvendiğiniz kararlar, açıklayabildiğiniz sonuçlar ve ölçekleyebildiğiniz sistemler.   Bu içerik, SAS çözüm mimarlarından @Ursula_Polo ’nun Beyond Automation: Logging, Auditing, and Agentic AI in SAS Decisioning makalesinden  uyarlanarak hazırlanmıştır. ... View more

Karar otomasyonunun hızla değişen dünyasında Agentic AI, kurumların akıllı iş süreçlerini tasarlama, yönetme ve ölçekleme biçimini dönüştürüyor. Otomasyonu üretken yapay zeka yetenekleriyle birleştirerek ekiplerin süreçleri hızlandırmasına, manuel eforu azaltmasına ve karar kalitesini artırmasına yardımcı oluyor.   SAS Intelligent Decisioning, akıllı karar akışları geliştirmek, yönetmek ve kullanıma almak için güçlü bir çözüm sunuyor. Artık Agentic AI ile kolay bir şekilde entegre olarak otomasyon ve karar iş akışlarınızın her adımında yeni bir yapay zekâ katmanı sağlıyor.   Bu hızlı başlangıç rehberi temel SAS bileşenlerini, gerekli terminolojiyi ve SAS Intelligent Decisioning içinde Agentic AI kullanımına başlamak için adım adım yönergeleri içeriyor.   Neden Agentic AI ve SAS Intelligent Decisioning Birlikte Kullanılmalı? Agentic AI, birçok yapay zeka ajanını koordine eden, entegre eden ve onların iş birliği içinde çok adımlı süreçleri birlikte yürütebilen bir yapı sunar. Her bir AI ajanı belirli bir görevi gerçekleştirmek için tasarlanmış, farklı araçları kullanabilen özel bir bileşendir.   SAS Intelligent Decisioning ise kurumların iş kararlarını büyük ölçekte otomasyona geçirmesine, yönetmesine ve izlemesine olanak tanır. Kurallar, analitik modeller ve AI bileşenlerini tek bir merkezi ortamda birleştirerek tutarlı ve yönetişime uygun karar akışları oluşturur. Bu iki yetenek birleştiğinde geleneksel kural otomasyonunun ötesine geçilir. Karar akışları artık dinamik şekilde akıl yürütebilir, yorumlayabilir ve bağlama göre uyum sağlayabilir.   Bu yaklaşım sayesinde: Daha hızlı inovasyon: Doğal dil arayüzleri ve otomatik prompt oluşturma ile AI destekli kararları hızlıca prototiplemek ve kullanıma almak mümkündür. Geliştirilmiş Açıklanabilirlik: Karar şeffaflığını ve denetlenebilirliği artıran açıklamalar ve özetler üretilebilir. Güven ve yönetişim: SAS’ın güçlü model yönetimi, izleme ve uyumluluk araçları sayesinde AI kullanımını güvenle ölçekleyebilirsiniz. Sonuç olarak otomasyon ile düşünme yeteneğinin birleştiği akıllı, güvenilir ve sorumlu bir karar ekosistemi oluşur.   Temel SAS Bileşenleri: Bileşen Kullanım Amacı Dokümantasyon Linki SAS Viya CLI Modelleri SAS Container Runtime’a yayınlamak Dokümantasyon SAS Environment Manager Roller, izinler ve erişim kontrolü Dokümantasyon SAS Studio / SAS Workbench Veri setleri, scriptler ve Python entegrasyonları Dokümantasyon (SAS Studio)/Dokümantasyon (SAS Workbench) SAS Model Manager LLM ve AI modellerini kaydetme, yönetme ve versiyonlama Dokümantasyon SAS Portal Framework Prompt oluşturucu arayüzlerini tasarlama (Prompt Builder). Dokümantasyon SAS Intelligent Decisioning Karar akışlarını tasarlama, test etme, gerçek zamanlı kullanıma alma Dokümantasyon SAS Visual Analytics LLM performansını dashboard ile izleme Dokümantasyon   Temel Terminoloji: Term Definition LLM (Large Language Model) İnsan dilinden metin veya kod oluşturan üretken modeller. SAS Container Runtime Karar akışlarının veya AI bileşenlerinin kullanıma alındığı ortam. Prompt Builder User Interface Prompt tasarlamak, test etmek ve ayarlamak için kullanılan SAS arayüzü.   SAS Agentic AI Accelerator, kurumların kendi SAS Viya ortamlarında AI ajanları oluşturmasını, yönetmesini ve kullanıma almasını kolaylaştıran kaynaklar, kodlar ve bileşenlerden oluşan bir settir. Bu aracı detaylı anlatan ingilizce bir blog yazısı da mevcut.   Hızlı Başlangıç Ortam Hazırlama SAS Environment Manager içinde gerekli rol ve izinlere sahip olduğunuzu doğrulayın. SAS Viya CLI ve SAS Container Runtime yapılandırmalarının model deployment için hazır olduğundan emin olun. LLM Tercihi SAS Model Manager’ı açın ve kullanacağınız LLM veya AI modelinizi kaydedin. API endpoint’i, kimlik authentication bilgileri ve model parametrelerini tanımlayın. Versiyonlama yaparak yönetişim ve izlenebilirliği sağlayın. Promptlarınızı Oluşturun ve Test Edin SAS Portal Framework içindeki Prompt Builder arayüzünü başlatın. Doğruluk ve çıktı kalitesini iyileştirmek için prompt şablonlarıyla deneyler yapın. Temperature, yanıt uzunluğu ve format gibi parametreleri ayarlayın. Başarılı prompt'ları karar akışlarında kullanılabilir şablonlara dönüştürün. Agentic AI’yi Karar Akışlarına Entegre Edin SAS Intelligent Decisioning içinde yeni bir karar akışı oluşturun veya mevcut bir akışı düzenleyin. Eklediğiniz LLM veya AI ajanlarını şu görevler için çağırabilirsiniz: Kural üretimi: İş kurallarının otomatik oluşturulması veya güncellenmesi. Dış sistem çağrıları: API veya SQL üzerinden veri çekme veya gönderme. Açıklama üretme: AI önerileri için gerekçe oluşturma. Özetleme veya tahmin yorumlama: Analitik çıktıları iş kararlarına dönüştürme. Agentic AI node'ları ile akışlar daha uyarlanabilir ve bağlamsal hale gelir. Kullanıma Alın ve Süreci Takip Edin Karar akışını SAS Container Runtime’a yayınlayın. SAS Visual Analytics üzerinden gecikme, doğruluk ve kullanıcı etkileşimi gibi performans metriklerini izleyin. Model drift ve prompt davranışını düzenli olarak takip edin.   Daha verimli kullanım için öneriler Sık sık güncelleme yapın: Küçük iyileştirmeler büyük doğruluk artışları sağlar. Yönetişimi ihmal etmeyin: Dokümantasyon, versiyon geçmişi ve onay süreçlerini yönetin. Ekipler arası iş birliği: Veri bilimciler, iş analistleri ve alan uzmanları ile birlikte çalışın. Etkiyi ölçün: Hız, doğruluk ve karar kalitesi üzerindeki iyileşmeyi metriklerle takip edin.   Sonuç Agentic AI, akıllı otomasyonun bir sonraki evrim adımını temsil ediyor. Uyum sağlayabilen, yaratıcı ve akıl yürütebilen karar iş akışları mümkün hale geliyor. SAS Intelligent Decisioning ile birleştiğinde kurumlar statik kuralların ötesine geçerek sürekli öğrenen ve kendini geliştiren karar sistemleri oluşturabilir.   Bu içerik, SAS çözüm mimarlarından @Ursula_Polo ’nunAgentic AI in SAS Intelligent Decisioning Cheat Sheet: How to Get Started Fast makalesinden  uyarlanarak hazırlanmıştır. ... View more

LLM’lerde Gerçek Güven Nerede Başlar?   Büyük Dil Modelleri (LLM’ler), kurumlara sınırları yeniden tanımlayan fırsatlar sunuyor. Ancak bir modelin gerçekten “başarılı” olması yalnızca doğru yanıt verebilmesiyle ölçülmez. Gerçek güven, modelin ölçülebilir, tekrarlanabilir ve yönetişim altında test edilmiş olmasıyla başlar. İşte bu nedenle, SAS Viya ekosisteminde LLM’lerin doğrulanması, karşılaştırılması ve yönetişim altında yönetilmesi için güçlü bir çerçeve sunan SAS Agentic AI Accelerator’dan yararlanıyoruz. SAS Agentic AI Accelerator Nedir?   SAS Agentic AI Accelerator, SAS Viya üzerinde AI Agent’lar geliştirmek ve canlı ortamlara taşımak için tasarlanmış bir çözüm setidir.   İçerdiği başlıca bileşenler:   Foundational Model Reposu: Tüm open-source ve proprietary LLM’lerinizi merkezi olarak yönetin Prompt Builder Arayüzü (No-Code): Hızlı prompt denemeleri, kıyaslamalar ve dokümantasyon Agentic İş Akışı (Intelligent Decisioning): Modelleri iş karar akışlarına entegre edin LLM İzleme Panelleri: Token kullanımı, yanıt oranı, model performansı takibi LLM Çıktılarını Test Etmenin İki Farklı Örneği   1. Prompt Builder ile Karşılaştırmalı Deneyler (No-Code)   Prompt Builder, farklı modelleri veya prompt sürümlerini yan yana test etmenizi sağlar. Kullanıcı, sistem ve değişken bazlı girdilerle oluşturulan prompt’lar, seçtiğiniz modeller (örneğin gpt , sonnet , llama ) üzerinde denenir.   System ve User prompt alanlarını doldurun Test etmek istediğiniz modeli seçin Sonuçları kıyaslayın En uygun yapılandırmayı kaydedin 2. Intelligent Decisioning ile A/B Test Akışları   Daha ileri düzeyde test senaryoları için SAS Intelligent Decisioning içerisindeki Call LLM Node kullanılır. Bu sayede birden fazla modeli aynı anda çalıştırarak yanıt kalitesi, tutarlılık, hız veya maliyet açısından karşılaştırabilirsiniz.   Farklı modeller (ör. GPT, Claude, Llama) çağrılır Her modelin çıktısı iş akışında değerlendirilir Karar kuralları veya metriklerle otomatik model seçimi yapılabilir Güvenilir LLM’ler İçin Kontrol ve İzlenebilirlik   SAS Agentic AI Accelerator yalnızca test etmeyi değil, yönetişimi de sağlar:   Her model sürümü, SAS Model Manager içinde izlenir Prompt değişiklikleri audit trail ile kaydedilir Kullanım ve token maliyetleri LLM İzleme Panelleri üzerinden takip edilir Hem public hem de on-prem modeller (ör. Azure OpenAI , HuggingFace , LLaMA ) aynı sistemde kıyaslanabilir Dünyanın Dört Bir Yanından Kullanım Senaryoları   SAS Agentic AI Accelerator, farklı sektörlerde AI agent’ların geliştirilmesi, test edilmesi ve güvenilir biçimde yönetilmesi için kapsamlı bir yapı sunar.   Bankacılık: LLM tabanlı akıllı agent’lar, işlemleri anlık olarak analiz ederek potansiyel suistimalleri önceden tespit eder. Sigorta: Görsel değerlendirme agent’ları, hasar fotoğraflarını analiz ederek hem sahte başvuruları belirler hem de onay süreçlerini hızlandırır. Kamu: Doküman analizi agent’ları, milyonlarca sayfayı tarayarak karar vericilere doğru ve özetlenmiş bilgi sağlar. Telekom: Çağrı merkezi agent’ları, müşterilerle yapılan görüşmeleri analiz ederek yanıt kalitesini artırır ve müşteri memnuniyetini güçlendirir.   SAS Agentic AI Accelerator: Test Edilmiş LLM’lerden Güvenilir Agent’lara Giden Yol   Bir LLM yalnızca iyi yanıt verdiğinde değil, ölçülebilir biçimde güvenilir olduğunda değerlidir. SAS Agentic AI Accelerator, bu güveni sağlamak için gereken doğrulama, geçerleme ve yönetişim altyapısını SAS Viya üzerinde bir araya getirir.   Keşfetmeye Devam Edin 👉 YouTube: Build AI Agents in SAS Viya | Introducing the SAS Agentic AI Accelerator  👉 GitHub: SAS Agentic AI Accelerator ... View more

SAS Viya ile Açık Kaynak Deneyimi   Python, R, SQL… hepimiz açık kaynağı seviyoruz. Ama kurumsal ortamda işler sadece bir modeli eğitmekten ibaret değil. Ölçek, yönetişim, canlıya alma, izleme ve iş birliği de gerekiyor. SAS Viya, açık kaynağa engel olmadan, tam tersine açık kaynak deneyimini kurumsal ölçekte tamamlayıcı hale getirir. Kısa cevap: Üretkenlik, Özgürlük, Bütünlük    Üretkenlik: Veri hazırlama, modelleme, izlenebilirlik ve yeniden eğitim gibi tekrarlı işler açık kaynak araçlarla yapılabilir. Özgürlük: Kodunuzu VS Code veya Jupyter’de Python/R ile yazıp, SAS Viya üzerinde çalıştırın. Dilerseniz SAS prosedürlerinden de yararlanın. Bütünlük: Tek platformda modeller, pipeline’lar, versiyonlar ve metrikler. Ekipler arası izlenebilirlik ve yönetişim. Somut faydalar   Dilediğiniz dil, tek platform Python veya R kodunuzu olduğu gibi kullanarak kodlamaya devam edin, SAS Viya ile entegre çalışın. Kendi IDE’nizden SAS’ın güçlü algoritmalarından da yararlanabilirsiniz. Büyük veride performans CAS ile bellek içi, çok iş parçacıklı ve dağıtık işlemler yapabilirsiniz. Kişisel bilgisayarınızda işleyemeyeceğiniz büyüklükteki verileri, Python’daki SWAT paketiyle CAS üzerinde işleyip sonuçları elde edebilirsiniz. ModelOps ve yönetişim Python/R/SAS modellerini tek havuzda kaydedin, versiyonlayın, karşılaştırın, uyarı ve drift izleme kurun. Modelleri ister batch ister gerçek zamanlı işlemler için yayınlayın. Ayrıca MAS, CAS ve Docker/K8s gibi ortamlara kolayca dağıtım yapma esnekliğinden faydalanın. Görsel arayüz + otomasyon Veri hazırlama, Model Studio ile görsel modelleme, doğal dille açıklanabilirlik ve KPI’lar ile iş kullanıcılarını da sürece dahil edin. Modellerin yönetimi ve izlenebilirliği için Model Manager’ı kullanın. Zengin veri entegrasyonu İster dosya, ister veritabanı, ister kurumsal sistemler ya da Hadoop benzeri büyük veri platformları… SAS Viya önceden tanımlı konnektörlerle hızlı ve güvenli erişim sunar. Mini örnekler   Banka limit artışı: Jupyter’da geliştirilen Python modeli, sasctl/pzmm kullanılarak Model Manager’a kaydedilir. Ardından gerçek zamanlı olarak MAS REST servisi şeklinde yayınlanır ve model drift’i sürekli izlenir. Telekom paket önerisi: PySpark’la hazırlanan skor verisini SWAT ile CAS’a yükleyin, üretimde CAS üzerinde toplu skorlama ya da düşük gecikmeli REST çağrısı yapın. Perakende talep tahmini: Veri bilimciler R ve Python kullanarak çeşitli senaryoları test eder. En iyi sonuç veren model merkezi olarak yönetilir ve düzenli yeniden eğitimle sürekli güncel kalır. SSS   “Sadece açık kaynakla olmaz mı?” Açık kaynak güçlüdür, ancak kurumsal düzeyde ölçeklenebilirlik, güvenlik, yönetişim, üretime alma ve sürdürülebilirlik için ek çözümlere ihtiyaç vardır. SAS Viya bu eksikleri kapatır ve açık kaynak kodunuzu destekleyerek hızlı, güvenli ve yönetilebilir şekilde değer üretmenizi sağlar. “Vendor lock-in olur mu?” Hayır. SAS Viya açık API’ler, container tabanlı yayın ve “kendi kodunu getir” yaklaşımıyla dil-bağımsızdır. Python/R kodunuzu koruyabilir, aynı anda SAS Viya hizmetlerini çağırarak en iyi iki dünyanın avantajını elde edebilirsiniz. “Mevcut altyapımla çalışır mı?” SAS Viya cloud, on-prem veya hibrit ortamlarda çalışabilir. Var olan veri tabanları, dosya sistemleri ve açık kaynak kodlarınızla doğrudan entegre olur. Yani sıfırdan başlamak zorunda kalmazsınız. Peki siz açık kaynağı SAS Viya ile nasıl kullanıyorsunuz? Yorumlarda paylaşabilirsiniz. Keşfetmeye Devam Edin   SAS Viya & Open Source SAS Open Source Projeleri ... View more