Microsoft Discovery: R&D İçin Ajanlı Yapay Zekâ Dönemi Başlıyor
Laboratuvarda tek başına parlayan fikirler artık yetmiyor
Bakın şimdi, araştırma. Geliştirme tarafında en büyük yanılgı şu oluyor: “Bir model koyalım, birkaç prompt yazalım, iş çözülsün.” Keşke o kadar kolay olsa. Ama gerçek hayatta işler öyle yürümüyor. Bir malzeme mühendisi aynı anda performansı, güvenliği, maliyeti. Üretilebilirliği düşünüyor; bir biyoteknoloji ekibi de literatürü okuyor, deney verisini kontrol ediyor, sonra bir tür daha deneme yapıyor… işte tam burada klasik sohbet tabanlı yapay zekâ biraz zayıf kalıyor.
İnanın, Microsoft Discovery’nın bence asıl iddiası da burada başlıyor. Tek seferlik cevap vermek yerine, R&D akışını uçtan uca taşıyan bir yapı kurmaya çalışıyor. Hani mutfakta sadece bıçak vermek değil de, doğrama tezgâhını, tartıyı, fırını ve tarif defterini birlikte sunmak gibi düşünün. Araştırma dünyası zaten döngüsel; hipotez kuruyorsunuz, test ediyorsunuz, sonuçlara bakıyorsunuz, sonra tekrar dönüyorsunuz. Bu ürün de tam bu döngünün ortasına yerleşmeye çalışıyor.
Geçen yıl Nisan 2024’te İstanbul’da bir üretim firmasıyla yaptığımız toplantıda benzer bir sıkıntı konuşulmuştu. Ekipteki arkadaşlar veri var ama iz yok diyordu; yanı hangi karar neden alındı belli değildi. Açık konuşayım, o tür ortamlarda AI kullanımı çok çabuk “gösterişli demo” seviyesinde kalabiliyor. Çünkü bilimsel işlerde şeffaflık olmadan güven olmuyor (ki bu çoğu kişinin gözünden kaçıyor)
Aslında, Bir de şu var: Kurumsal tarafta hız kadar denetlenebilirlik de önemli. Ben AZ-500 hazırlığında hep aynı şeyi gördüm; teknik çözüm güzel olabilir ama log yoksa, yetki sınırı net değilse ya da veri akışı izlenemiyorsa operasyon ekibi tedirgin oluyor. R&D için de durum farklı değil. Güzel özellik ama henüz ham olabilir; biraz daha pişmesi lazım.
Microsoft Discovery neyi farklı yapıyor?
İşin aslı şu ki Microsoft Discovery sıradan bir “AI workspace” değil. Platformun etrafında ajanlar kurabiliyorsunuz, bunları kurumsal bilgi kaynaklarına bağlayabiliyorsunuz. Analizden simülasyona kadar farklı araçlarla konuşturabiliyorsunuz. İlginç, değil mi? Yanı tek modelle her şeyi çözmeye çalışmak yerine işi bölüyor.
Bence buradaki hayatı nokta agentic workflow yaklaşımı. Ajan dediğimiz şey aslında dijital bir ekip arkadaşı gibi davranıyor; biri literatür tarıyor, biri deney verisini düzenliyor, biri de doğrulama adımlarını takip ediyor olabilir. Bu kulağa havalı geliyor ama pratikte disiplin ister. Yoksa ajanın biri yanlış kaynağı çekerse bütün zincir bozulur — baya can sıkıcı olur.
Ben 2023’te Ankara’daki bir savunma sanayi projesinde buna benzer çok parçalı bir akış görmüştüm. Orada ekipler veriyi ayrı yerde tutuyor, analiz başka yerde yapılıyor, raporlama işe Excel’e düşüyordu… sonuç? Herkes kendi doğrusunu savunuyordu. Microsoft Discovery’nın sunduğu merkezî orkestrasyon fikri tam bu karmaşayı azaltmaya aday.
Çok konuştum, örnekle göstereyim.
Araştırma işinde en değerli şey sadece cevap değil; cevaba nasıl ulaşıldığını da saklayabilmek.
Neden klasik Copilot yaklaşımı yetmeyebiliyor?
Klasik Copilot tarzı araçlar günlük üretkenlik için iyi çalışıyor ama R&D tarafında ihtiyaç daha ağır oluyor. Mesela literatür taramasıyla deney sonucu arasında ilişki kurmanız gerekiyor; üstelik bu ilişkiyi ekip arkadaşınıza da göstermeniz lazım.
E tabi burada traceability devreye giriyor. Benim gözlemim şu: Enterprise müşteriler prompt’tan çok kanıt istiyor. “Bu öneri neden çıktı?” sorusuna net cevap verilmezse proje yöneticisi ikna olmuyor.
Kurum içi bilgiyle dış dünyayı aynı masaya oturtmak
Bir şey dikkatimi çekti: Microsoft Discovery’nın hoşuma giden taraflarından biri de mevcut kurumsal yapıları tamamen yıkmaya çalışmaması (en azından benim deneyimim böyle). Yanı “eski LIMS’i atın”, “mevcut doküman havuzunu unutun” demiyor gibi dürüyor — en azından mimarı yaklaşımı bunu söylüyor.
Bunu yaşayan biri olarak söyleyeyim, Bunu Türkiye’deki şirketler açısından değerlendirirsek tablo biraz değişiyor tabi. Bizde birçok kurumda veri. Dağınık: SharePoint’te doküman var, SQL Server’da deney kayıtları var, e-posta kutusunda can alıcı kararlar var… üstüne regülasyon baskısı da eklenince kimse her şeyi baştan yazmaya yanaşmıyor.
Küçük bir detay: Ben Logosoft tarafında özellikle finans ve kamuya yakın projelerde şunu çok gördüm: İnsanlar yeniliğe karşı değil aslında; kontrol kaybına karşı temkinliler.
Bu yüzden böyle platformlarda entegrasyon kabiliyeti altın değerinde.
Ne yalan söyleyeyim, Geçen sene Şubat 2025’te Gebze’de görüştüğümüz bir AR-GE merkezinde ekip bana şunu söylemişti: “Model öneri versin tamam da biz bunu hangi dokümandan çıkardıysa önü görmek istiyoruz.” Tam aradıkları şey buydu aslında… açıklanabilirlik olmadan benimsenme olmuyor.
| Konu | Klasik yaklaşım | Microsoft Discovery tarzı yaklaşım |
|---|---|---|
| Araç koordinasyonu | Ayrı ayrı script’ler | Ajanlarla orkestrasyon |
| Evidens takibi | Kısmen manuel | Daha sistematik iz sürme |
| Ekip işbirliği | E-posta / Excel ağırlıklı | Merkezî çalışma alanı mantığı |
| Mimarı esneklik | Sınırlı | Daha yüksek ama yönetim şart |
Türkiye’de nasıl konumlanır? Startup mı enterprise mı?
Küçük bir startup iseniz açık konuşayım, bu tip platformlara hemen dalmadan önce ihtiyaç analizi yapın derim. Eğer elinizde gerçekten yoğun deneysel süreç yoksa ya da bilimsel doğrulama döngüsü kısa işe maliyet/katma değer dengesi sizi zorlayabilir.
Büyük kurumsal yapılarda işe durum tersine dönüyor çoğu zaman kullanıcı sayısı az olsa bile süreç karmaşıklığı yüksek oluyor. Tam orada ajanlı yapıların değeri artıyor çünkü her adımı insanla kovalamak mümkün olmuyor.
Ben DP-203 çalışırken veri hattının kırıldığı noktaları defalarca gördüm; veri hazır değilse en pahalı model bile işe yaramaz.
Aynı mantık burada da geçerli.
Önce veri disiplini…
sonra otomasyon.
Sonra AI.
Sıralama önemli.
Hani, Maliyet tarafına gelirsek… Azure tabanlı bu tür çözümlerde asıl bütçe genelde model çağrılarından çok çevresel bileşenlerde patlıyor: depolama, orkestrasyon katmanı, erişim yönetimi ve gözlemlenebilirlik derken fatura büyüyebiliyor.
TL bazında düşününce “küçük pilot” ucuz görünüyor ama ölçek başlayınca hesap değişiyor.
O yüzden ilk etapta dar kapsamla gitmek lazım:
1) tek departman,
2) sınırlı veri seti,
3) net başarı metriği.
Böyle başlarsanız sürpriz az olur.
Değilse ay sonunda bütçe raporu biraz yüz buruşturur…
Evet.
Peki neden?
Çünkü pilotu küçük tutmazsanız nerede kazandığınızı anlayamazsınız.
Tam da öyle.
Nereden başlamalı?
- Önce kritik R&D sürecini seçin; hepsine aynı anda saldırmayın.
- Kurum içi bilgi kaynaklarını sınıflandırın: gizli olanlar ayrı dursun.
- Ajanların neye erişeceğini sınırlandırın; aksi hâlde kaos çıkar.
- Pilot metriklerini önceden belirleyin: süre mi kısaldı, hata mı düştü?
- Ekipten en az bir domain uzmanını sürece dahil edin.
Bana göre güçlü yanları kadar eksikleri de var
Kusura bakmayın ama sadece övmek istemiyorum
Bu konuda %100 emin değilim fakat şöyle söyleyeyim:
platform kağıt üstünde baya iyi dürüyor
pratikte işe governance kısmının olgunluğu belirleyici olacak
Bir finans kuruluşunda geçen sene Mart 2025’te yaptığımız değerlendirmede benzer bir araç için ilk soru lisans değildi;
“Kim görecek?”
“Log nerede tutulacak?”
“Deney çıktısı silinebilecek mi?”
Sorular bunlardı.
Yanı mesele teknoloji değil yalnızca,
meselenin yarısı güven.
Diğer yarısı işe operasyonel alışkanlıklar.
Benim beklediğim kadar değildi dediğim yer tam burası:
ajanların koordinasyonu harika görünse de insan denetimi zayıf bırakılırsa sistem hızla kendi içinde dolaşmaya başlayabilir…
ve o hiç hoş olmaz!
Ha bu arada,
kurumsal müşterilerde en sık gördüğüm hata,
pilot başarılı olunca herkese açmak oluyor.
Bunu yapmayın.
İlk adım olarak küçük tutun,
ikinci adımda ölçün,
üçüncüde genişletin.
{
"pilotScope": "single research team",
"dataSources": ["internal docs", "lab results", "external literature"],
"successMetrics": ["time saved", "traceability", "review quality"],
"governance": ["role-based access", "audit logs", "approval flow"]
}Sıkça Sorulan Sorular
Microsoft Discovery ne oluyor peki?
Aslında Microsoft Discovery’yi şöyle düşün: R&D ekipleri için ajanlı yapay zekâ akışlarını kurup yönetebileceğin bir platform. Yanı literatür, deney verisi, simülasyon ve doğrulama adımlarını hani hepsini tek bir çatı altında topluyor. Kısacası araştırma işini daha düzenli bir hâle getirmeyi hedefliyor.
Hangi sektörlerde daha çok işe yarıyor?
Malzeme bilimi, ilaç geliştirme, yarı iletken tasarımı ve mühendislik Ar-Ge’sinde bayağı faydalı oluyor. Çünkü bu alanlarda tek bir cevap yetmiyor; mesela sürekli test, revizyon ve kanıt gerekiyor. Bence özellikle ilaç geliştirme tarafında ciddi zaman kazandırabilir (en azından benim deneyimim böyle)
Kısa bir not düşeyim buraya.
Küçük şirketler için de uygun mu?
Bir bakıma, ne yalan söyleyeyim, Açıkçası, küçük ekiplerde hemen tam ölçekte kullanmaya kalkmak biraz ağır gelebilir. Tecrübeme göre önce dar etraflı bir pilot yapmak çok daha mantıklı; yoksa hem maliyet hem de karmaşa gereksiz yere büyüyor.
Peki en büyük risk ne?
Ana risk kontrolsüz erişim ve zayıf yönetişim oluyor. Ajanlar hızlı çalışıyor, ama yanlış veriyle beslendiklerinde yanlış kararı da bir o kadar hızlandırıyorlar. Yanı denetim mekanizması şart, bunu atlamamak lazım (en azından benim deneyimim böyle)
Kaynaklar ve İleri Okuma:
Orijinal Microsoft Azure Blog Yazısı
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
Yorum gönder