Son zamanlar AI Engineer vəzifəsi üzrə çoxsaylı müsahibələr aparıram. Proqramlaşdırmanın fundamental əsaslarını bilmədən özünü “AI Engineer” adlandırmaq və CV-ni buna uyğun hazırlamaq artıq bir tendensiyaya çevrilib. Buna görə də bu yazını paylaşmağı özümə vacib hesab etdim.

Əziz gənc mühəndis,

Süni intellekt bu gün proqram təminatını 2022-ci ildəkindən tamamilə fərqli şəkildə yaratmağa imkan verir. Bu dəyişiklikdən yararlanmaq üçün lazım olan bacarıqlara sahib insanlar qarşısında çoxsaylı maraqlı layihə və iş imkanları açılır. Lakin Aİ ilə bağlı səs-küylü, şişirdilmiş iddialarla dolu informasiya mühitində öyrənilməsi ən vacib bacarıqlar hansılardır?

Mən komandamla birlikdə iki əsas məqsədlə AI mühəndisliyi bacarıqlar necə olmaldır paylaşmaq istəyirəm:

1. Proqramçılara nəyi öyrənməli olduqlarını prioritetləşdirməyə kömək etmək;

2. İşəgötürənlərə bacarıqlı proqramçıları işə götürməkdə yardımçı olmaq.

10 mindən çox iş elanının təhlili, AI ekspertləri, işə qəbul üzrə menecerlər və rekruter­lərlə aparılmış onlarla strukturlaşdırılmış müsahibə, sorğular vasitəsilə toplanmış məlumatlar və digər onlayn mənbələrin ümumiləşdirilməsi əsasında ən vacib dörd AI mühəndisliyi bacarığı bunlardı:

• AI tətbiqlərinin hazırlanması və istifadəyə verilməsi;

• Proqram mühəndisliyinin fundamental əsasları;

• Kodlaşdırma agentlərindən istifadə;

• Hazırlanacaq məhsulun formalaşdırılması.

Prosesimizi qeyri-rəsmi şəkildə belə təsəvvür edə bilərsiniz: biz böyük həcmdə iş elanları və ekspert müsahibələrindən ibarət məlumat dəsti üzərində klasterləşdirmə apararaq yalnız bu gün deyil, yaxın gələcək üçün də ən vacib bacarıqları müəyyən edirik.

Terminologiya ilə bağlı qeyd: Mən “AI mühəndisi” rolundan yəni işi AI sistemləri yaratmaq olan mütəxəssisdən deyil, “AI mühəndisliyi bacarıqları”ndan danışıram. Çünki ikinci anlayış daha genişdir.

Bu gün bütün proqramçılar cloud texnologiyaları ilə işləməyi bilməlidirlər, lakin onların yalnız kiçik bir hissəsi “Cloud Engineer” tituluna malikdir. Eyni şəkildə, bütün proqramçılara full-stack, data, DevOps, ML, MLOPS və əlbəttə, AI mühəndislərinə AI mühəndisliyi bacarıqları lazım olacaq.

AI tətbiqlərinin hazırlanması və istifadəyə verilməsi

AI və ənənəvi tətbiqlər arasındakı əsas fərq AI tətbiqlərinin nəticələrinin əvvəlcədən tam proqnozlaşdırıla bilməməsidir. LLM-ə sorğu verdikdə hansı cavabı alacağınızı dəqiq bilmirsiniz. Dərin öyrənmə alqoritmini öyrətdikdə onun yeni nümunələr üzrə hansı proqnozu verəcəyini əvvəlcədən bilmirsiniz. Ənənəvi proqram təminatı isə müqayisədə daha proqnozlaşdırılan şəkildə işləyir.

AI tətbiqlərini hazırlamaq və istifadəyə vermək bacarığı olan insanlar süni intellektin əsas komponentlərini başa düşürlər. Bunlara aşağıdakılar daxildir:

• LLM-lər;

• Kontekst mühəndisliyi;

• RAG;

• Agent əsaslı iş axınları;

• Machine Learning;

• Deep Learning

Daha önəmlisi, onlar AI sistemlərinin davranışını ölçmək, istiqamətləndirmək və idarə etmək üçün statistik metodlardan necə istifadə olunacağını bilirlər. Məqsəd bu sistemlərin davranışını daha proqnozlaşdırılan etməkdir. Bunun üçün əsas bacarıqlardan biri sistemli qiymətləndirmə və səhvlərin təhlili dövrlərini düzgün idarə etməkdir.

Proqram mühəndisliyinin fundamental əsasları

Proqram təminatının necə işlədiyini dərindən başa düşdükdə daha effektiv məhsullar yarada bilərsiniz. Proqram mühəndisliyi xərc, miqyaslana bilmə, etibarlılıq, sürət və digər amillər arasında düzgün seçimlərin edilməsini tələb edir. Təhlükəsizlik və məxfilik isə bu prosesi daha da mürəkkəbləşdirir.

Proqram mühəndisliyinin əsaslarını bilmək mövcud kompromisləri və seçimləri görməyə imkan verir. Bu isə aşağıdakı sahələrdə daha düzgün qərarların qəbul edilməsinə gətirib çıxarır:

• Texnologiya stekinin seçilməsi;

• Sistem arxitekturasının hazırlanması;

• Məlumat saxlama sisteminin dizaynı;

• Test strategiyasının müəyyənləşdirilməsi.

Bu biliklər coding agent-in hansı kompromisləri etdiyini anlamadan “vibe coding” üsulu ilə həll hazırlayan təcrübəsiz proqramçı ilə müqayisədə daha yaxşı nəticələr əldə etməyə imkan verir. Belə proqramçılar coding agent-ə hansı konteksti verməli olduqlarını bilmədikləri üçün agentlər çox vaxt uğursuz texniki seçimlər edirlər.

Proqram mühəndisliyinin fundamental əsaslarını başa düşmək sizə coding agent-ləri proqram mühəndisliyinin dəqiq terminologiyasından istifadə edərək yönləndirməyə və daha düzgün texniki qərarlar qəbul etməyə imkan verir.

Kodlaşdırma agentlərindən istifadə

Agent əsaslı kodlaşdırmadan effektiv istifadə artıq hər bir proqramçı üçün əsas bacarıqlardan biridir.

Bu bacarığa sahib olduqda agentlərin necə işlədiyi barədə düzgün zehni modeliniz olur. Siz onların məhdudiyyətlərini və bu məhdudiyyətləri necə aşmağı anlayırsınız. Agentə nə qədər müdaxilə etməli və hansı məqamda müstəqil işləməsinə imkan verməli olduğunuzu bilirsiniz. Bununla da həddindən artıq vaxt və token sərf etmədən dayanıqlı proqram təminatı yarada bilərsiniz.

Bu bacarıq aşağıdakıları tələb edir:

• Coding agent-in kontekstini düzgün idarə etmək;

• Planlaşdırma və icra arasında balans yaratmaq;

• Yoxlama mexanizmləri və qiymətləndirmələr təqdim etməklə agentin iş dövrlərini müstəqil şəkildə tamamlamasına kömək etmək;

• Aydın spesifikasiya ilə işləməyi və nə zaman spesifikasiyaya ehtiyac olmadığını bilmək;

• Birgə işləyən çoxsaylı agentləri orkestrasiya etmək;

• Agentin production verilənlər bazasına zərər vurması kimi risklərdən yayınmaq.

Agent əsaslı kodlaşdırma sürətlə inkişaf etdiyi üçün coding agent-lərdən peşəkar istifadə yalnız ən son yanaşmaları bilmək demək deyil. Bu, həm də yeni alətləri davamlı sınaqdan keçirmək və qabaqcıl təcrübələr dəyişdikcə öz iş proseslərinizi təkmilləşdirmək vərdişinə malik olmaq deməkdir.

Hazırlanacaq məhsulun formalaşdırılması

Coding agent-lər aydın spesifikasiya verildiyi halda onu icra etməkdə sürətlə təkmilləşirlər. Buna görə də mühəndislərin işi tədricən spesifikasiyada nələrin yer almalı olduğunu müəyyənləşdirməyə doğru dəyişir.

Mühəndislər artıq onlara pixel-perfect dizayn təqdim ediləcəyini və yalnız həmin dizaynı reallaşdıracaqlarını gözləməməlidirlər. Effektiv AI mühəndisliyi məhsul düşüncəsinə, biznes kontekstinin və müştəri məqsədlərinin başa düşülməsinə sahib olmağı tələb edir. Bu biliklər mühəndislərə məhsulun formalaşdırılmasında və hazırlanma prosesinin idarə edilməsində iştirak etməyə imkan verir.

AI həmçinin əvvəlkindən daha çox sahiblik və təşəbbüs götürmək imkanı yaradır. Siz maraqlı problemləri və imkanları müəyyənləşdirə, sonra isə onlardan məsuliyyətli şəkildə yararlanmaq üçün həllər həyata keçirə bilərsiniz.

Bu fürsətdən istifadə etmək layihələri necə irəli aparmağı bilməyi tələb edir. Məsələn, nə zaman sürətlə MVP hazırlayıb istifadəçilərin testinə təqdim etməli, nə zaman isə prosesi yavaşladaraq məhsulu daha diqqətli və keyfiyyətli şəkildə hazırlamalı olduğunuzu bilməlisiniz.

Bütün bu bacarıqların əsasında davamlı öyrənmə düşüncə tərzi dayanır. Aİ sürətlə dəyişməyə davam edir. Buna görə də yeni qabaqcıl təcrübələri mənimsəmək üçün hamımız davamlı öyrənməli və bacarıqlarımızı inkişaf etdirməliyik.

AI mühəndisliyinin inkişaf istiqamətinə baxdıqda hamımızın gələcəkdə yarada biləcəyi məhsullar məni olduqca həyəcanlandırır.

Eyni strukturu yaradardıqmı? Eyni sayda management layer saxlayardıqmı? Product, Engineering, QA, Support və Operations komandaları yenə eyni formada işləyərdimi? Bir qərarın qəbul olunması üçün eyni sayda insan və görüş lazım olardımı? Bir məhsulun ideyadan production-a çatması üçün yenə eyni workflow-lardan keçərdikmi?

Məncə, çox vaxt cavab xeyr olardı.

Bu gün məndə AI transformasiyasının içindəyəm və texnologiyadan daha çox operating model haqqında düşünürəm. AI-nin engineering-i necə sürətləndirəcəyindən əlavə, şirkətin necə işləməli olduğunu, hansı proseslərin ümumiyyətlə qalmalı olduğunu, hansı rolların dəyişəcəyini və insanların qərarvermədə harada qalmalı olduğunu düşünürəm. Bu təcrübə mənə bir şeyi daha aydın göstərir: AI transformasiyasının ən çətin hissəsi AI deyil.

Mənim üçün AI-first düşüncə məhz burada başlayır: köhnə şirkəti AI ilə daha sürətli etməkdən yox, AI dövrü üçün şirkətin necə işləməli olduğunu yenidən düşünməkdən.

Tarixdə böyük texnoloji dəyişikliklərdə də oxşar şey baş verib. Yeni texnologiyanın ilk mərhələsində biz adətən onu köhnə sistemə əlavə edirik. Əsl məhsuldarlıq sıçrayışı isə texnologiyanın ətrafında sistemi yenidən qurduğumuz zaman baş verir.
AI şirkətin istifadə etdiyi növbəti texnologiyadır, yoxsa şirkətin özünü yenidən qurmasına səbəb olacaq yeni operating model-dir?

Sual: AI transformasiyası nədir?

Sadəcə əməkdaşlara AI alətləri vermək şirkəti fərqləndirmir. Əsas fərq şirkətin iş proseslərini, qərarverməni və rolları AI ətrafında necə yenidən qurmasıdır. AI-nin əsas dəyəri də məhz burada yaranır. Bunun üçün bəzən strukturun, məsuliyyətlərin və nəzarət mexanizmlərinin dəyişməsi lazımdır. Bu isə çətin transformasiyadır. Yəni əsas məsələ AI-dan daha çox istifadə etmək deyil, şirkətin AI ilə necə işlədiyini dəyişməkdir.

Sual: Bu nəyi ehtiva edir?

AI-enabled-dan AI-native təşkilata doğru. Süni intellektin şirkətlərdə istifadəsi sürətlə artır. Lakin hər şirkətin AI-dan istifadə etməsi onun AI şirkəti olması demək deyil. Şirkətlərin süni intellektdən nə dərəcədə asılı olduğuna və AI-nin onların iş modelində hansı rolu oynadığına baxdıqda üç əsas mərhələni fərqləndirmək olar:

AI-enabled, AI-first və AI-native.

AI-enabled təşkilat süni intellektdən əsasən mövcud işlərini daha sürətli və effektiv görmək üçün istifadə edir. Şirkətin strukturu, prosesləri və iş axınları əvvəlki kimi qalır, sadəcə insanların əlində yeni və daha güclü alətlər olur. Məsələn, proqramçı AI vasitəsilə kodu daha sürətli yaza, Product Manager sənədləri hazırlaya, Support komandası isə müştəriyə cavab yaratmaq üçün AI-dan istifadə edə bilər. Lakin sabah bütün AI alətləri şirkətdən çıxarılsa, təşkilat fəaliyyətini davam etdirə bilər. İnsanlar sadəcə əvvəlkindən daha yavaş və daha çox manual işləyəcəklər. Bu, hazırda əksər şirkətlərin olduğu mərhələdir.

AI-first təşkilatda məqsəd sadəcə insanlara AI alətləri vermək deyil. Şirkət öz proseslərini, iş axınlarını, rollarını və qərarvermə mexanizmlərini AI imkanlarını nəzərə alaraq yenidən qurur.

Adi şirkət belə düşünür: “Biz hazırda belə işləyirik. AI-ni bu prosesin harasına əlavə edə bilərik?” AI-first şirkət isə fərqli sual verir: “Əgər bu işi bu gün sıfırdan qursaydıq, AI-dan istifadə edərək necə edərdik?”

Məsələn, əvvəllər bir məhsulun hazırlanması üçün Product Owner tələbləri yazır, developer kodlaşdırır, QA test edir və daha sonra məhsul production-a çıxırdı. AI-first modeldə isə AI prosesin müxtəlif mərhələlərində iştirak edə bilər: tələblərin hazırlanmasına kömək edir, kod yaradır, code review aparır, testlər hazırlayır, problemləri müəyyən edir və release prosesinin müəyyən hissələrini avtomatlaşdırır. İnsan isə daha çox istiqamət vermək, nəticələri yoxlamaq və mühüm qərarlar qəbul etmək roluna keçir.

Əgər bir proses 10 addımdan və 5 nəfərin işindən ibarətdirsə, məqsəd həmin 10 addımın hər birinə AI əlavə etmək deyil. Əsas məqsəd AI imkanlarından istifadə edərək prosesi yenidən qurmaqdır. Nəticədə proses, məsələn, 3–4 addıma qədər sadələşdirilə və insanların iştirakı əsasən vacib qərarlara və nəzarətə yönəldilə bilər.

Bu yanaşmada AI artıq əlavə bir alət deyil, şirkətin operating model-inin bir hissəsinə və onun “intelligence engine” — intellekt mühərrikinə çevrilir. AI məlumatları analiz edir, müəyyən işləri avtomatlaşdırır və qərarvermə prosesinə dəstək verir.

Yəni AI-first olmaq köhnə işi sadəcə AI ilə sürətləndirmək deyil, işi və prosesləri AI imkanları ətrafında yenidən qurmaqdır.

AI-native şirkət sonradan mövcud proseslərinə AI əlavə edən şirkət deyil. Belə şirkət başlanğıcdan AI imkanları nəzərə alınaraq qurulur. Onun məhsulu, xidmətləri, əməliyyat modeli və rəqabət üstünlüyü fundamental şəkildə süni intellektdən asılıdır. Məsələn, bir şirkətin əsas məhsulu müştərinin müəyyən işlərini özü həyata keçirən AI agentlərindən ibarətdirsə, burada AI sadəcə əməkdaşların məhsuldarlığını artırmır — AI məhsulun özüdür və dəyəri yaradan əsas mexanizmdir. AI-ni həmin şirkətdən çıxardıqda təkcə məhsuldarlıq aşağı düşmür; şirkətin müştəriyə təqdim etdiyi əsas dəyər də yox olur.

Buna görə bu üç mərhələ arasındakı fərqi çox sadə şəkildə ifadə etmək mümkündür:

AI-enabled: AI insanların işini daha yaxşı və sürətli görməsinə kömək edir.
AI-first: şirkətin iş üsulu və prosesləri AI ətrafında yenidən qurulur.
AI-native: şirkətin məhsulu və biznes modeli AI olmadan mövcud ola bilməz.

Əsas transformasiya da məhz buradadır. Şirkətə ChatGPT, Claude, Copilot və ya başqa AI alətlərinin verilməsi hələ AI transformasiyası deyil. Bu, başlanğıc mərhələsidir. Həqiqi transformasiya şirkət “AI ilə mövcud işimizi necə daha sürətli görə bilərik?” sualından çıxıb “AI imkanları bu gün mövcud olsaydı, biz bu şirkəti, prosesləri və məhsulları sıfırdan necə qurardıq?” sualını verməyə başladığı zaman baş verir.

Bu, xüsusilə indi, süni intellektin xərclərinin artdığını gördüyümüz bir vaxtda vacibdir. Bəzi texnologiya şirkətləri süni intellektdən istifadəni məhdudlaşdırırlar, çünki onlar anlayırlar ki, ondan sanki kapital kimi məqsədli şəkildə istifadə etmək vacibdir. Onlar başa düşürlər ki, texnologiyadan iş axınlarını və biznes əməliyyatlarını yenidən formalaşdırmaq və yenidən düşünmək, həmçinin təsir yaratmağı hədəfləmək üçün istifadə etməlidirlər.

Süni İntellekti şirkətdə hər yerə və məqsədsiz şəkildə tətbiq etmək lazım deyil. Əvvəl müəyyən etmək lazımdır ki, AI hansı problemi həll edəcək və şirkətə hansı real faydanı verəcək. Sonra bunu ölçmək lazımdır: məsələn, iş nə qədər sürətləndi, xərc nə qədər azaldı, məhsuldarlıq nə qədər artdı, səhvlər nə qədər azaldı.

Yəni əsas sual “Nə qədər AI istifadə edirik?” deyil, “AI bizə nə qədər real nəticə verir?” olmalıdır.

Şirkətlər özlərinə sual verməlidirlər: “Biz süni intellektdən əlavə bir vasitə, bir alət kimi istifadə edirik və əgər onu aradan qaldırsaq, demək olar ki, heç nə dəyişməzmi? Yoxsa CEO-muz ilə birlikdə bir addım geri çəkilib, əməliyyat modelini süni intellektlə birlikdə yenidən düşünürük?”

Sual: İntellekt mühərriki nədir?

Bu, şirkətin malik olduğu bütün məlumatlara əsaslanan süni intellekt sistemidir. O, hər bir qarşılıqlı əlaqədən öyrənir, hər dövrdə təkmilləşir və zaman keçdikcə şirkətin biliklərini toplayaraq artırır. Hər bir müştəri ilə qarşılıqlı əlaqə, hər bir daxili əməliyyat iş axını, istənilən səviyyədə qəbul edilən hər bir qərar toplanır və gələcək performansı gücləndirə biləcək yeni anlayışlar, yeni məlumatlar və yeni siqnallar yaradır. Bu, həqiqətən də rəqabət üstünlüyünə baxmağın yeni üsuludur. Bu elə bir mühərrikdir ki, nə qədər çox məlumata malik olarsa, siz ondan əməliyyat sisteminizin əsas hissəsi kimi bir o qədər çox istifadə edirsiniz və o da bir o qədər çox öyrənir və təkmilləşir. Beləliklə, intellekt mühərriki mərkəzdə olmalıdır və daha sonra biz digər dörd əsas struktur elementini müəyyən etdik.

Sual: AI-first transformasiya insanların rolunu necə dəyişəcək?

AI-first transformasiyanın nəticəsi yalnız proseslərin dəyişməsi deyil, təşkilati strukturun və insanların rolunun da dəyişməsidir. AI yüksək həcmli, təkrarlanan və müəyyən qaydalar əsasında həyata keçirilən işlərin daha böyük hissəsini üzərinə götürdükcə insanın rolu icradan daha çox qərarvermə, problem həlli, yaradıcılıq, nəzarət və AI sistemlərinin orchestration-ına doğru dəyişəcək. Bu həm də komandaların quruluşuna təsir göstərə bilər. Daha kiçik, cross-functional və AI ilə birlikdə işləyən komandalar əvvəllər daha böyük funksional strukturların gördüyü işi həyata keçirə bilər. Buna görə gələcəyin əsas sualı yalnız “Bu işi AI edə bilərmi?” deyil. Daha düzgün sual budur: “Bu prosesdə AI nə etməlidir, insan nə etməlidir və onların birlikdə işləməsi necə ən yaxşı nəticəni yarada bilər?”

Sual: AI transformasiyasına kim rəhbərlik etməlidir?

AI transformasiyasına yalnız IT, Data və ya AI komandasının layihəsi kimi baxmaq əsas səhvlərdən biridir. Əgər transformasiya şirkətin proseslərini, rollarını, qərarvermə mexanizmlərini və biznes modelini dəyişirsə, bunun sahibi CEO və C level liderlərdir. Texnologiya komandası platformanı, arxitekturanı, data infrastrukturu, təhlükəsizlik və governance mexanizmlərini qura bilər. Lakin hansı workflow-un dəyişdirilməsi, hansı qərarların AI-a verilməsi və hansı biznes nəticəsinin əldə olunması business leadership-in məsuliyyətidir. WEF-in təklif etdiyi federated model-də mərkəzi AI komandası ümumi platformanı, standartları və təhlükəsizlik qaydalarını müəyyən edir. Biznes komandaları isə AI-nin hansı proseslərdə tətbiq olunacağına qərar verir və əldə olunan biznes nəticələrinə cavabdeh olur. Beləliklə, mərkəz ümumi çərçivəni yaradır, biznes isə AI-ni real dəyərə çevirir.

Bakıda yay ayları adətən çox isti keçir. Amma bu il yay sanki bir az fərqlidir. Hələ o boğucu istiləri hiss etməmişik. Belə havalarda Bakı Bulvarında gəzməyin xüsusi zövqü olur. İndi də sevdiyim coffee shop-lardan birinə gedib özümə bir fincan qəhvə sifariş edəcəyəm. Sonra isə sakitcə oturub son bir ayın hesabatını hazırlayacağam. Bəzən insanın həm düşünmək, həm də geriyə baxıb son aylarda gördüyü işləri qiymətləndirmək üçün məhz belə anlara ehtiyacı olur.

Son iki ildə süni intellekt haqqında verdiyim proqnozlar əsasən özünü doğrultdu. 2026-cı ilin yarısına belə çatmamışıq və bu ilki proqnozların əksəriyyəti artıq gerçəkləşib. Süni intellekt CEO-ların prioritetinə çevrilib, aparıcı şirkətlərdə məhsuldarlıq artımları müşahidə olunur və bir çox şirkət nəhayət ki, təcrübədən tətbiqə keçir.

Bu gün hər ölçüdə şirkətlərin konkret məqsədlər qoyduğunu və süni intellektdən harada istifadə etdiklərinə üstünlük verdiyini görürük. Bir çox yaxşı idarə olunan şirkət bütün şirkət üzrə diqqət yetirdikləri 12-18 əsas iş axınını məsələn, mühəndislik, satış və maliyyə müəyyən edib və məhsuldarlıq artımlarını ölçməyə başlayıb.

Amma inanıram ki, süni intellektin növbəti mərhələsi tamamilə yeni gəlir mənbələri yaratmaq üçün texnologiyadan istifadə edən şirkətlər tərəfindən müəyyən ediləcək. Növbəti onilliyin ən böyük qalibləri özlərini hər kəsdən ayıracaqlar.

İlk diqqətimi çəkən trend odur ki, böyük məlumat bazasına və uzun illər formalaşmış müştəri əlaqələrinə malik şirkətlər artıq AI-ni sadəcə məhsuldarlığı artıran alət kimi yox, müştərilərinə təqdim etdikləri əsas məhsul və xidmətlərdən birinə çevirirlər.

FedEx artıq süni intellektə sadəcə daxili məhsuldarlıq aləti kimi baxmır. Şirkət hər gün milyonlarla göndərişdən topladığı logistika məlumatlarını AI ilə birləşdirərək yeni məhsullar yaradır. Məsələn, AI müştərilərə gecikmə risklərini əvvəlcədən proqnozlaşdırır, təchizat zəncirindəki problemləri müəyyən edir və daha optimal marşrutlar təklif edir. Bundan əlavə, sifarişin izlənilməsi və qaytarılması kimi əvvəllər yalnız əməliyyat xərci hesab olunan proseslər bu gün AI əsaslı kommersiya xidmətinə çevrilib. Yəni FedEx artıq təkcə bağlama daşımır, topladığı məlumatı da məhsul kimi təqdim edir.

IOMETE isə başqa bir vacib həqiqəti göstərir. AI layihələrinin uğuru ilk növbədə istifadə olunan modeldən deyil, məlumatın necə idarə olunmasından asılıdır. Şirkətlər məlumatlarını müxtəlif sistemlərdə saxladıqda AI-dən tam faydalana bilmirlər. IOMETE kimi Data Lakehouse platformaları isə məlumatı vahid mühitdə toplayır, emal edir və AI modellərinin həmin məlumat üzərində təhlükəsiz və sürətli işləməsinə imkan yaradır. Başqa sözlə, AI mühərrikdirsə, məlumat platforması onun yanacağıdır. Məlumat keyfiyyətli və əlçatan deyilsə, ən güclü AI modeli belə biznes üçün ciddi dəyər yarada bilmir.

OneDome-da isə bunun praktik tərəfini görürəm. Şirkət illərdir əmlak, ipoteka və hüquqi xidmətlər sahəsində böyük həcmdə məlumat və biznes təcrübəsi toplayıb. Gələcəyin fərqi AI-ni sadəcə daxili alət kimi istifadə etməkdə deyil, onu məhsulun ayrılmaz hissəsinə çevirməkdə olacaq. Təsəvvür edin ki, müştəri ipoteka üçün müraciət edir. AI onun sənədlərini saniyələr ərzində yoxlayır, çatışmayan məlumatları müəyyən edir, riskləri qiymətləndirir, brokerə növbəti addımları tövsiyə edir və müştəriyə proses boyu ağıllı dəstək verir. Bu halda AI artıq əlavə funksiya deyil, məhsulun əsas dəyərinə çevrilir.

Bu üç nümunənin ortaq cəhəti ondan ibarətdir ki, onların heç biri AI-ni sadəcə “chatbot” və ya məhsuldarlıq aləti kimi görmür. Hamısı öz məlumatlarını, illərlə formalaşmış biznes təcrübəsini və proseslərini AI ilə birləşdirərək yeni məhsullar, yeni xidmətlər və yeni gəlir mənbələri yaradır. Məncə, yaxın 3–5 ildə bazarda məhz bunu bacaran şirkətlər qalib gələcək. AI artıq texnologiya mövzusu deyil, biznes modelinin ayrılmaz hissəsinə çevrilir.

Daha çox şirkətin hələ bunu etməməsinin səbəbi? CEO-lar və Maliyyə Direktorları məhsuldarlıq qazanclarını görənə və proqnozlaşdırana qədər xərcləməyəcəklər, çünki bunu vaxtından əvvəl etmək özlərini, şirkətlərini və səhmlərini problemə salmaq üçün yaxşı bir yoldur. Lakin ən yüksək məhsuldarlığa malik şirkətlər ən böyük məhsuldarlıq qazancına malik olanlar olmayacaq - onlar bu qazancları tamamilə yeni məhsullara, xidmətlərə və bazarlara ən tez investisiya edənlər olacaqlar.

Buna görə də hesab edirəm ki, süni intellekt uzunmüddətli perspektivdə insanların düşündüyündən daha çox yeni iş yeri yaradacaq. Bəli, bəzi peşələr dəyişəcək, bəziləri isə tamamilə yox olacaq. Amma tarix göstərir ki, böyük texnoloji inqilablar adətən yeni imkanlar da yaradır.

Mən bunu internet dövründə də görmüşəm. 1990-cı illərin sonu və 2000-ci illərin əvvəllərində də hamı eyni sualı verirdi: “İnternet milyonlarla insanı işsiz qoyacaqmı?” İlk illərdə cavab aydın deyildi. Şirkətlər internetdən əsasən xərcləri azaltmaq və işləri daha sürətli görmək üçün istifadə edirdilər. Lakin bir neçə il sonra tamamilə yeni peşələr, yeni şirkətlər və hətta yeni sənayelər yarandı. Bu gün məhsul meneceri, cloud architect, developerlər, rəqəmsal marketinq mütəxəssisi və ya influencer kimi peşələrin əksəriyyəti həmin dövrdə ümumiyyətlə mövcud deyildi.

Məncə, AI də oxşar yolu keçəcək. İlk mərhələdə şirkətlər ondan məhsuldarlığı artırmaq və xərcləri azaltmaq üçün istifadə edirlər. Çünki hər bir biznes əvvəlcə investisiyasının geri dönüşünü görmək istəyir. Ancaq növbəti illərdə AI əsasında tamamilə yeni məhsullar, xidmətlər və peşələr yaranacaq. Əsl dəyişiklik də məhz bundan sonra başlayacaq.

Buna görə də mən hesab edirəm ki, süni intellekt uzunmüddətli perspektivdə məhv etdiyindən daha çox yeni iş yeri yaradacaq. Bu, ilk baxışdan paradoks kimi görünə bilər. Çünki bu gün xəbərlərdə daha çox ixtisarlar, avtomatlaşdırma və bəzi peşələrin yox olacağı haqqında oxuyuruq. Amma tarixə baxsaq, demək olar ki, bütün böyük texnoloji inqilablar əvvəlcə qorxu yaradıb, daha sonra isə yeni iqtisadi imkanlar formalaşdırıb.

İnternet bunun ən yaxşı nümunəsidir. 1995–2005-ci illər arasında da eyni suallar verilirdi: “İnternet bank işçilərini əvəz edəcək?”, “Mağazalar bağlanacaq?”, “Qəzetlər yox olacaq?” İlk illərdə şirkətlər internetə əsasən xərcləri azaltmaq üçün investisiya edirdilər. Elektron poçt məktubları əvəz etdi, onlayn bankçılıq filiallara ehtiyacı azaltdı, e-ticarət ənənəvi satış modelini dəyişməyə başladı. Həmin dövrdə çoxları yalnız itirilən iş yerlərini görürdü.

Ancaq 5–10 il sonra tamamilə fərqli mənzərə yarandı. Amazon, Google, Facebook, Netflix, Uber, Airbnb kimi şirkətlər meydana çıxdı. Onlarla birlikdə milyonlarla yeni iş yeri yarandı. Mobil proqram tərtibatçısı, UX dizayner, DevOps mühəndisi, Cloud Architect, Data Scientist, Digital Marketing Specialist, Cybersecurity Engineer kimi peşələrin əksəriyyəti ya ümumiyyətlə yox idi, ya da çox məhdud sahələrdə mövcud idi. İnternet bəzi işləri avtomatlaşdırdı, amma eyni zamanda onlardan qat-qat böyük yeni bazarlar yaratdı.

Məncə, AI də eyni mərhələdən keçir. Bu gün şirkətlər AI-ni əsasən məhsuldarlığı artırmaq, təkrarlanan işləri avtomatlaşdırmaq və xərcləri azaltmaq üçün tətbiq edirlər. Bu, çox təbiidir. Çünki hər bir CEO və investor əvvəlcə investisiyanın maliyyə nəticəsini görmək istəyir. Heç kim milyardlarla dollar xərcləyib nəticəni 5 il sonra gözləmək istəmir.

Amma mən hesab edirəm ki, bu yalnız birinci mərhələdir. İkinci mərhələdə şirkətlər AI-ni yeni məhsullar yaratmaq, yeni xidmətlər təqdim etmək və tamamilə yeni biznes modelləri qurmaq üçün istifadə edəcəklər. Məhz bu mərhələdə yeni peşələr yaranacaq. AI Agent Designer, AI Workflow Architect…

Tarix göstərir ki, texnologiya təkcə iş yerlərini əvəz etmir, həm də insanların əvvəllər mümkün hesab etmədiyi yeni iqtisadi fəaliyyət sahələri yaradır. Mən inanıram ki, süni intellekt də istisna olmayacaq. Əsas fərq ondan ibarət olacaq ki, gələcəyin ən dəyərli mütəxəssisləri AI ilə rəqabət aparanlar deyil, AI ilə birlikdə işləməyi bacaranlar olacaq.

Bir neçə gün əvvəl Senior SRE müsahibəsi aparırdım. Maraqlı texniki müzakirələrin birində namizəd mənə gözləmədiyim bir sual verdi: “AI Load Balancing-i nə vaxt tətbiq etməyi düşünürsünüz?” Bir anlıq dayandım. Açığı, bu sualı o ana qədər özümə verməmişdim.

İlk ağlıma gələn fikir bu oldu: “Biz hələ klassik Load Balancing problemlərimizi tam həll edib bitirmişikmi ki, artıq AI Load Balancing haqqında düşünək?” Sonra başa düşdüm ki, məsələ heç də belə deyil

AI Load Balancing klassik Load Balancing-in daha ağıllı və ya daha müasir versiyası deyil. Əslində o, tamamilə başqa problemin həllidir. İllərlə web tətbiqləri, mikroservislər və API platformaları qurmuşuq. Bu sistemlərdə yükün paylanması kifayət qədər yaxşı öyrənilmiş mövzudur. Round Robin, Least Connections, Least Response Time kimi alqoritmlər milyonlarla sorğunu problemsiz idarə edə bilir. Çünki onların əsaslandığı fərziyyə sadədir: gələn sorğuların əksəriyyəti bir-birinə bənzəyir və serverlərin emal edəcəyi yük təxminən eynidir. Süni intellekt sistemləri isə bu fərziyyəni tamamilə dağıdır.

İki istifadəçi eyni anda eyni API endpoint-ə müraciət edə bilər. Hər iki sorğu eyni HTTP POST sorğusu kimi görünər. Amma AI infrastrukturu üçün onların yaratdığı hesablama yükü tamamilə fərqli ola bilər. Bir istifadəçi modeldən sadəcə “Salam” sözünü ingilis dilinə tərcümə etməsini istəyir. Digəri isə 500 səhifəlik texniki sənədi analiz edir, onun xülasəsini çıxarır, daha sonra həmin sənəd üzrə suallar verir və cavabları kod nümunələri ilə birlikdə izah etməsini istəyir.

Şəbəkə baxımından bu iki sorğu arasında heç bir fərq yoxdur. GPU üçün isə bunlar tamamilə fərqli iş yükləridir.Sorğunun neçə token emal edəcəyi, modelin neçə saniyə işləyəcəyi, nə qədər GPU yaddaşı istifadə olunacağı, KV Cache-in nə qədər böyüyəcəyi, hətta həmin sorğunun neçə dollara başa gələcəyi belə əvvəlcədən dəyişir.

Məhz bu nöqtədə klassik Load Balancer-in dünyası bitir.Çünki klassik Load Balancer yalnız trafiki görür.AI infrastrukturu isə hesablamanı idarə etməlidir.Bu fərq ilk baxışda kiçik görünə bilər, amma production mühitində onun nəticələri kifayət qədər ciddi olur.

Təsəvvür edin ki, klasterinizdə səkkiz H100 GPU işləyir. Round Robin alqoritmi növbəti sorğunu sadəcə siyahı üzrə növbəti serverə göndərir. O bilmir ki, həmin GPU artıq uzun kontekstli üç sorğunu emal edir. Bilmir ki, KV Cache demək olar doludur. Bilmir ki, növbədə daha on sorğu gözləyir. Nəticədə bir GPU tam yüklənir, digərləri isə boş qalır. Bir müddət sonra həmin GPU-da yaddaş çatışmazlığı yaranır.

Time To First Token bir neçə yüz millisaniyədən bir neçə saniyəyə yüksəlir. İstifadəçi sistemi yavaş hesab edir. Platforma isə problemi həll etmək əvəzinə yeni GPU instansiyaları açmağa başlayır.

İlk baxışda sistem miqyaslanır. Əslində isə problem yükün düzgün paylanmamasıdır. AI sistemlərində ən bahalı resurs CPU deyil.GPU-dur. Ona görə də əsas məqsəd yalnız sorğunu hansı serverə göndərmək deyil. Məqsəd hər bir GPU-dan maksimum səmərə əldə etmək, istifadəçinin ilk tokeni mümkün qədər tez almasını təmin etmək və bütün bunları minimum xərclə etməkdir. Buna görə də müasir AI platformalarında yükün idarə olunması artıq bir komponent tərəfindən həyata keçirilmir. Əvvəlcə sorğu qəbul olunur. Daha sonra onun hansı modelə göndərilməsi müəyyən edilir. Sonra seçilmiş modelin hansı instansiyasının həmin sorğunu emal etməsinin daha məqsədəuyğun olduğu hesablanır. Bundan sonra isə model serverinin daxilində inference scheduler sorğunu digər sorğularla birlikdə batch-ləyərək GPU-ya göndərir.

Yəni bir istifadəçi sorğu göndərənə qədər arxa planda bir neçə fərqli qərar qəbul edilir. Bu qərarların hər biri fərqli problem həll edir. Burada çox mühüm bir anlayışı da ayırmaq lazımdır. AI Routing ilə AI Load Balancing eyni şey deyil. Bu terminlər çox vaxt bir-birinin yerinə istifadə olunur, amma əslində tamamilə fərqli məsuliyyət daşıyırlar.

Routing soruşur:

“Bu sorğu ümumiyyətlə hara getməlidir?”

Məsələn, bu tapşırıq GPT-4 üçün daha uyğundur, yoxsa Claude? OpenAI istifadə edilməlidir, yoxsa Azure OpenAI? İstifadəçi Avropadadırsa Frankfurt regionuna göndərək, yoxsa London daha sürətlidir?

Load Balancer isə artıq tamam başqa sualı cavablandırır:“Model seçildi. İndi bu modelin hansı instansiyası həmin sorğunu emal etməlidir?”

Bu iki qərar eyni görünə bilər, amma production AI platformalarında onlar tamamilə fərqli komponentlər tərəfindən verilir. Məhz buna görə müasir AI arxitekturalarında API Gateway, AI Gateway, Routing Engine, AI Load Balancer və Inference Scheduler kimi ayrıca qatlar yaranıb.

API Gateway hələ də klassik vəzifəsini yerinə yetirir. O, autentifikasiya, avtorizasiya, TLS termination, request validation və rate limiting kimi ümumi funksiyaları idarə edir.

Bundan sonra AI Gateway işə qoşulur. Burada artıq AI-yə xas funksiyalar həyata keçirilir: müxtəlif model provayderlərinin vahid API altında birləşdirilməsi, tokenlərin hesablanması, prompt caching, xərc izlənməsi və AI observability.

Sonrakı mərhələdə Routing Engine sorğu üçün ən uyğun modeli seçir. Bu qərar yalnız texniki göstəricilərə deyil, həm də biznes qaydalarına əsaslana bilər. Sadə sual daha ucuz modelə göndərilə bilər, mürəkkəb reasoning tələb edən tapşırıq isə daha güclü modelə yönləndirilə bilər.

Model seçildikdən sonra AI Load Balancer artıq həmin modelin işləyən instansiyaları arasında seçim edir. Bu zaman o, GPU istifadəsini, VRAM doluluğunu, növbələrin uzunluğunu, aktiv inference sayını və digər runtime metriklərini nəzərə alır.

Sorğu model serverinə çatdıqdan sonra Inference Scheduler onu digər sorğularla birlikdə növbəyə yerləşdirir, prioritetini müəyyən edir və mümkün olduqda dynamic batching tətbiq edərək GPU-nun daha səmərəli işləməsini təmin edir.

Göründüyü kimi, istifadəçinin gördüyü sadə bir API çağırışı əslində arxa planda bir neçə fərqli qərar mərhələsindən keçir.Ən vacib məqam isə budur ki, bu komponentlərin heç biri təkbaşına AI platformasının performansını təmin etmir. Onlar birlikdə işləyərək mümkün olan ən aşağı gecikməni, ən yüksək GPU istifadə əmsalını və ən aşağı əməliyyat xərcini əldə etməyə çalışırlar.

Məhz buna görə AI Load Balancing-i klassik Load Balancing-in növbəti versiyası kimi düşünmək düzgün deyil. Bu, GPU-ların, böyük dil modellərinin və inference workload-larının yaratdığı tamamilə yeni problemlər sinfi üçün hazırlanmış yeni bir mühəndislik yanaşmasıdır.

Növbəti hissədə isə müasir AI platformalarında istifadə olunan əsas AI Load Balancing strategiyalarını araşdıracağıq və görəcəyik ki, niyə Round Robin kimi klassik alqoritmlər əksər hallarda artıq kifayət etmir.

AI Load Balancer necə qərar verir?

Əgər klassik Load Balancer-in qarşısında yalnız bir sual dayanırsa “Növbəti sorğunu hansı serverə göndərim?” AI Load Balancer eyni anda onlarla fərqli suala cavab verməlidir.Bu fərqin səbəbi sadədir. AI sistemlərində məqsəd sadəcə trafiki paylamaq deyil, bahalı hesablama resurslarından mümkün qədər səmərəli istifadə etməkdir. Təsəvvür edin ki, platformanızda eyni modelin səkkiz instansiyası işləyir. İlk baxışda problem çox sadə görünür: yeni sorğunu bu səkkiz serverdən birinə göndərmək lazımdır. Amma AI infrastrukturu üçün bu qərar düşündüyümüzdən qat-qat mürəkkəbdir. Çünki hər serverin vəziyyəti eyni deyil.

Bir server yeni işə başlayıb və GPU yaddaşının böyük hissəsi boşdur. Başqa bir server isə artıq uzun kontekstli bir neçə sorğunu emal edir. Digərində KV Cache böyük həcmdə yaddaş tutur, başqa birində isə inference növbəsi uzanmağa başlayıb. Bütün serverlər işləyir, amma heç biri eyni vəziyyətdə deyil.

İndi isə bu mənzərəyə istifadəçi sorğusunu əlavə edək. Bəlkə istifadəçi modeldən cəmi iki cümlə tərcümə etməsini istəyir. Bəlkə də milyonlarla simvoldan ibarət hüquqi sənədin analizini aparır. Ola bilər ki, bu sorğu real vaxt rejimində cavab tələb edən chatbot üçündür. Ola bilər ki, gecikmənin kritik əhəmiyyət daşımadığı batch emal prosesidir.Sorğu da, infrastruktur da daim dəyişir.Deməli, qərar yalnız serverə baxaraq verilə bilməz.

Müasir AI Load Balancer hər yeni sorğunu qəbul etdikdə əslində kiçik bir optimallaşdırma problemi həll edir. Onun məqsədi təkcə boş server tapmaq deyil. Məqsəd istifadəçinin mümkün olan ən aşağı gecikmə ilə cavab almasını təmin etmək, GPU-ları balanslı şəkildə yükləmək və bütün bunları minimum əməliyyat xərci ilə həyata keçirməkdir. Bu səbəbdən qərar qəbul edilərkən bir neçə fərqli məlumat mənbəyi birlikdə qiymətləndirilir.ilk növbədə sorğunun özü analiz olunur. Promptun ölçüsü, giriş tokenlərinin sayı, gözlənilən çıxış uzunluğu və tələb olunan model müəyyən edilir. Çünki qısa tərcümə sorğusu ilə uzun reasoning tapşırığının yaratdığı hesablama yükü eyni deyil. Daha sonra infrastrukturun cari vəziyyətinə baxılır. Hər GPU üzrə yaddaş istifadəsi, GPU utilization, aktiv inference proseslərinin sayı, növbələrin uzunluğu, KV Cache vəziyyəti və digər runtime metrikləri qiymətləndirilir. Məqsəd ən boş serveri tapmaq deyil, həmin sorğu üçün ən uyğun serveri seçməkdir.

Bəzi hallarda isə bu da kifayət etmir. Əgər istifadəçi artıq davam edən bir söhbətin növbəti mesajını göndərirsə, həmin sorğunu əvvəlki kontekstin saxlandığı serverə yönləndirmək daha səmərəli ola bilər. Çünki həmin serverdə KV Cache artıq hazırdır və model bütün konteksti yenidən hesablamaq məcburiyyətində qalmır. Əgər platforma eyni anda bir neçə model provayderindən istifadə edirsə, qərar daha da mürəkkəbləşir. Bu zaman yalnız GPU vəziyyəti deyil, modelin qiyməti, cavab keyfiyyəti, region, SLA tələbləri və provayderin əlçatanlığı da nəzərə alınır. Bəzi hallarda daha ucuz model kifayət edir, bəzi hallarda isə istifadəçi təcrübəsini qorumaq üçün daha güclü model seçilməlidir. Burada vacib məqam ondan ibarətdir ki, AI Load Balancer bu qərarları təkbaşına qəbul etmir. Production AI platformalarında yükün idarə olunması bir neçə komponent arasında bölüşdürülür. Routing Engine sorğunun hansı modelə və ya provayderə göndəriləcəyini müəyyən edir. AI Load Balancer isə artıq seçilmiş modelin instansiyaları arasında optimal bölgünü həyata keçirir. Bundan sonra Inference Scheduler sorğunu digər sorğularla birlikdə növbəyə yerləşdirir, prioritetləşdirir və mümkün olduqda dynamic batching tətbiq edərək GPU-nun daha səmərəli işləməsini təmin edir.

Başqa sözlə, istifadəçi bir düyməyə klik etdiyi anda arxa planda ardıcıl şəkildə bir neçə qərar qəbul olunur. Hansı model seçilməlidir? Hansı region daha uyğundur? Hansı GPU hazırda bu yükü daha effektiv emal edə bilər? Sorğu dərhal işlənməlidir, yoxsa batch-ə daxil edilməlidir? Bu sualların hamısına saniyənin kiçik bir hissəsi ərzində cavab verilir. Məhz buna görə AI Load Balancing artıq sadəcə yükün paylanması deyil. Bu, real vaxt rejimində hesablama resurslarının optimallaşdırılması problemidir. Müasir AI platformalarının yüksək performansı da məhz bu qərarların nə qədər düzgün qəbul edilməsindən asılıdır.

AI Load Balancing Production mühitində necə işləyir?

Bu vaxta qədər AI Load Balancing-in nə olduğunu, niyə yarandığını və hansı qərarları verdiyini araşdırdıq. Amma production mühitində işləyən AI platformasına baxdıqda maraqlı bir həqiqətlə qarşılaşırıq təkcə düzgün Load Balancer qurmaq yaxşı performans üçün kifayət etmir.

Əslində, AI Load Balancer böyük orkestrin yalnız bir üzvüdür.

Təsəvvür edin ki, platformanız saniyədə minlərlə sorğu qəbul edir. Hər sorğu fərqli model tələb edir, fərqli həcmdə token emal edir və müxtəlif istifadəçilərdən gəlir. Bəziləri real vaxt rejimində chatbot ilə danışır, digərləri isə uzun sənədləri analiz edir. Bu sorğuların hamısını yalnız serverlər arasında bərabər bölüşdürmək problemi həll etmir.

Əsas sual artıq belə səslənir: “Mövcud GPU resurslarından maksimum performansı necə əldə etmək olar?”

Production AI platformalarının əsas məqsədi də məhz budur. GPU-lar bahalıdır. Hər yeni H100 və ya B200 akseleratoru infrastruktura ciddi maliyyə yükü gətirir. Buna görə şirkətlər ilk növbədə mövcud resurslardan maksimum istifadə etməyə çalışırlar. Yeni GPU almaq son addımdır, ilk addım isə mövcud GPU-ları daha səmərəli işlətməkdir.

Məhz buna görə AI Load Balancing təkbaşına işləmir. Onun ətrafında bir neçə əlavə mexanizm fəaliyyət göstərir və onların hər biri sistemin məhsuldarlığını artırmaq üçün fərqli məsuliyyət daşıyır.

Bunlardan biri Dynamic Batching-dir. Ənənəvi sistemlərdə hər sorğu ayrıca emal olunur. AI inference mühitində isə bu yanaşma GPU-ların böyük hissəsini boş saxlayır. Müasir inference serverləri, məsələn vLLM və ya NVIDIA Triton, eyni anda gələn uyğun sorğuları bir batch daxilində birləşdirərək GPU-ya göndərirlər. Bu yanaşma GPU-nun paralel hesablama imkanlarından daha səmərəli istifadə etməyə imkan verir və ümumi throughput-u əhəmiyyətli dərəcədə artırır.

Lakin burada da kompromis mövcuddur. Əgər sistem batch yaratmaq üçün həddindən artıq gözləyərsə, istifadəçi ilk cavabı daha gec alacaq. Əgər heç batch yaratmasa, GPU lazımi qədər yüklənməyəcək. Production sistemlərində bu balansı qorumaq Inference Scheduler-in əsas vəzifələrindən biridir.

Digər vacib məsələ isə növbələrin idarə olunmasıdır.

Heç bir AI platformasının sonsuz GPU resursu yoxdur. Trafik gözlənilmədən artdıqda bütün sorğuları dərhal emal etmək mümkün olmaya bilər. Belə vəziyyətdə sistem yeni sorğuları növbəyə yerləşdirir, prioritetləri müəyyən edir və GPU boşaldıqca onları emala göndərir.

Bəs növbə həddindən artıq böyüsə nə baş verir?

Məhz burada Backpressure mexanizmi işə düşür.

Backpressure sistemin özünü qoruma mexanizmidir. Əgər GPU-lar artıq maksimum yüklənibsə və növbələr kritik həddə çatıbsa, platforma yeni sorğuları qəbul etmək əvəzinə onları müvəqqəti olaraq rədd edə və ya başqa regiona, başqa modelə, hətta başqa provayderə yönləndirə bilər. Qısa müddətli xidmət məhdudiyyəti bütün platformanın sıradan çıxmasından daha təhlükəsiz seçimdir.

Bu yanaşma Graceful Degradation adlanır. Production AI platformaları mümkün olduğu qədər xidmət göstərməyə davam edir. Məsələn, daha güclü model müvəqqəti əlçatan olmadıqda sistem istifadəçiyə cavabı daha kiçik model vasitəsilə təqdim edə bilər. Beləliklə, xidmət tam dayanmaq əvəzinə məhdud imkanlarla fəaliyyətini davam etdirir.

Digər vacib komponent isə Autoscaling-dir. Load Balancer mövcud instansiyalar arasında yükü bölüşdürür, lakin yeni server yaratmır. Əgər bütün GPU-lar uzun müddət yüksək yüklə işləyirsə, Autoscaler yeni instansiyalar başladır. Trafik azaldıqda isə artıq resurslar bağlanır. Lakin AI sistemlərində autoscaling klassik mikroservislərdən daha mürəkkəbdir.

Yeni konteyneri işə salmaq bir neçə saniyə çəkə bilər, amma böyük dil modelinin GPU yaddaşına yüklənməsi bəzən dəqiqələrlə davam edir. Bu müddət ərzində həmin instansiya hələ istifadəçi sorğularını qəbul edə bilmir. Buna görə AI platformalarında yalnız CPU istifadəsinə əsaslanan autoscaling kifayət etmir. GPU utilization, növbə uzunluğu, aktiv inference sayı və gözlənilən trafik kimi göstəricilər birlikdə qiymətləndirilir.

Production sistemlərində uğurun digər vacib şərti müşahidə oluna bilməkdir (Observability).

Optimallaşdıra bilmədiyimiz şeyi idarə etmək mümkün deyil. Bu səbəbdən AI platformaları yalnız CPU və RAM istifadəsini deyil, daha spesifik metrikləri də davamlı izləyir. İstifadəçinin ilk tokeni alma müddəti (TTFT), token generasiya sürəti, GPU utilization, VRAM istifadəsi, növbələrin uzunluğu, KV Cache hit nisbəti, Out of Memory xətalarının sayı və hər sorğunun orta dəyəri platformanın vəziyyəti haqqında daha real təsəvvür yaradır.

Bu metriklər yalnız monitorinq üçün deyil, AI Load Balancer-in qərar verməsi üçün də istifadə olunur. Əgər müəyyən GPU-da gecikmə artmağa başlayırsa və ya KV Cache kritik həddə çatırsa, yeni sorğular avtomatik olaraq digər instansiyalara yönləndirilə bilər.

Nəhayət, production AI platformalarında nasazlıqlar qaçılmazdır. Model serveri dayana bilər.GPU sıradan çıxa bilər.Region əlçatan olmaya bilər.Hətta bütün model provayderi müvəqqəti xidmət göstərə bilməz. Bu səbəbdən müasir AI sistemləri əvvəlcədən belə ssenarilərə hazır olur. Circuit Breaker mexanizmləri problemli instansiyalara yeni trafik göndərilməsinin qarşısını alır. Health Check-lər serverlərin real vəziyyətini davamlı yoxlayır. Failover mexanizmləri isə sorğuları avtomatik olaraq başqa instansiyalara, başqa regiona və ya alternativ model provayderinə yönləndirir.

Burada diqqət çəkən məqam odur ki, məqsəd nasazlığın qarşısını almaq deyil. Məqsəd istifadəçinin həmin nasazlığı hiss etməməsini təmin etməkdir.

Məhz bu yanaşma production AI platformalarını laboratoriya mühitində işləyən prototiplərdən fərqləndirir.

Nəticə etibarilə AI Load Balancing yalnız alqoritmlər toplusu deyil. O, routing, scheduling, batching, autoscaling, observability və failure handling kimi bir-birini tamamlayan mexanizmlərlə birlikdə işləyən geniş bir infrastruktur yanaşmasıdır. İstifadəçi üçün bütün bu mürəkkəblik görünməz qalır. O, sadəcə sorğu göndərir və cavab alır. Lakin həmin cavabın arxasında saniyənin kiçik bir hissəsi ərzində qəbul olunan onlarla qərar dayanır. Müasir AI platformalarının yüksək performansı və etibarlılığı da məhz bu qərarların nə qədər düzgün verilməsindən asılıdır.

Production AI Platform Design Engineering Best Practices

İndiyə qədər AI Load Balancing-in nə olduğunu, niyə klassik yük balanslaşdırmadan fərqləndiyini, sorğuların necə marşrutlaşdırıldığını və production mühitində hansı mexanizmlərlə birlikdə işlədiyini araşdırdıq. Lakin real layihədə bütün bu komponentləri bir araya gətirməyə başlayanda maraqlı bir həqiqət ortaya çıxır.

Yaxşı AI platforması qurmaq, sadəcə yaxşı model seçmək demək deyil.

Eyni şəkildə, yaxşı Load Balancer, sürətli GPU və ya ən son inference serveri də təkbaşına problemi həll etmir. Production AI platformasının uğuru ayrı-ayrı komponentlərin gücündən yox, onların birlikdə necə işləməsindən asılıdır.

Bu səbəbdən təcrübəli platforma mühəndisləri AI infrastrukturu qurarkən heç vaxt yalnız bir problemi optimallaşdırmağa çalışmırlar. Onlar hər qərarın digər hissələrə necə təsir edəcəyini düşünürlər. Çünki AI platformalarında hər optimallaşdırmanın öz qiyməti var.

Məsələn, istifadəçinin ilk cavabı mümkün qədər tez almasını istəyirsinizsə, daha çox GPU resursu ayırmalı ola bilərsiniz. Əgər əsas məqsəd xərcləri azaltmaqdırsa, daha kiçik modellərdən və ya daha böyük batch-lərdən istifadə edə bilərsiniz. Amma bu dəfə də cavab müddəti uzanacaq. Yəni burada “ən yaxşı həll” anlayışı yoxdur. Yalnız konkret biznes məqsədi üçün seçilmiş düzgün kompromis mövcuddur.

Bu yanaşma klassik web sistemlərindən ən böyük fərqlərdən biridir.

Web tətbiqlərində əsas problemlərdən biri CPU, RAM və ya şəbəkə resurslarının düzgün bölüşdürülməsidir. AI platformalarında isə əsas resurs GPU vaxtıdır. Hər səhv qərar yalnız performansa deyil, eyni zamanda birbaşa əməliyyat xərclərinə də təsir edir. Buna görə production AI platformaları mümkün qədər az qərar verməyə deyil, mümkün qədər düzgün qərar verməyə çalışırlar.

Müasir AI platformalarının digər vacib xüsusiyyəti komponentlərin bir-birindən ayrılmasıdır. API Gateway, AI Gateway, Routing Engine, AI Load Balancer, Inference Scheduler və Model Server eyni məqsədə xidmət etsələr də, hər biri yalnız öz məsuliyyət sahəsinə cavabdeh olur. Bu yanaşma sistemi həm daha çevik, həm də daha asan miqyaslana bilən edir. Yeni model əlavə etmək, başqa provayderə keçmək və ya routing strategiyasını dəyişmək üçün bütün infrastrukturu yenidən qurmağa ehtiyac qalmır.

Miqyaslana bilmə (Scalability) də AI platformalarının əsas dizayn prinsiplərindən biridir. Bir çox komanda autoscaling-i yalnız trafik artdıqdan sonra yeni instansiya yaratmaq kimi başa düşür. Halbuki AI sistemlərində bu yanaşma həmişə kifayət etmir. Böyük dil modelinin GPU yaddaşına yüklənməsi bəzən onlarla saniyə, hətta dəqiqələrlə vaxt aparır. Əgər platforma yalnız istifadəçi sorğuları artdıqdan sonra reaksiya verirsə, həmin müddətdə gecikmələr qaçılmaz olacaq. Buna görə inkişaf etmiş AI platformaları yalnız cari yükə deyil, gözlənilən trafikə də baxaraq proaktiv miqyaslama həyata keçirirlər.

Etibarlılıq (Reliability) da eyni dərəcədə vacibdir. Production sistemlərində əsas məqsəd nasazlıqların qarşısını almaq deyil, onların istifadəçiyə təsirini minimuma endirməkdir. GPU sıradan çıxa bilər, model serveri cavab verməyə bilər, hətta bütöv region əlçatan olmaya bilər. Buna baxmayaraq platforma xidmət göstərməyə davam etməlidir. Bunun üçün health check-lər, failover mexanizmləri, circuit breaker-lər, alternativ model provayderləri və graceful degradation kimi yanaşmalar əvvəlcədən arxitekturanın bir hissəsi kimi nəzərdə tutulur.

Bununla yanaşı, AI platformalarının uğurunu yalnız gecikmə və ya throughput ilə ölçmək düzgün deyil. Son illərdə əməliyyat xərcləri də performans qədər vacib metrikə çevrilib. Eyni keyfiyyətdə cavabı daha aşağı qiymətə təqdim edə bilən platforma uzunmüddətli perspektivdə daha dayanıqlı olur. Bu səbəbdən müasir AI Gateway-lər və Routing Engine-lər qərar verərkən yalnız performansı deyil, hər sorğunun maliyyətini də qiymətləndirirlər. Bəzi hallarda daha bahalı model daha yüksək keyfiyyət təqdim edir, digər hallarda isə daha kiçik model eyni işi kifayət qədər yaxşı yerinə yetirə bilir. Platformanın vəzifəsi bu balansı avtomatik qurmaqdır.

Observability də uğurlu AI platformasının ayrılmaz hissəsidir. İstehsalat mühitində işləyən sistem haqqında yalnız “CPU istifadəsi 70%-dir” demək artıq kifayət etmir. Platforma istifadəçinin ilk tokeni nə qədər gözlədiyini, GPU-ların nə dərəcədə səmərəli istifadə olunduğunu, KV Cache-in effektivliyini, növbələrin uzunluğunu, hər sorğunun orta xərcini və modelin cavab keyfiyyətini davamlı izləməlidir. Ölçülməyən sistemi optimallaşdırmaq mümkün deyil.

Nəhayət, AI platformasının dizaynı yalnız texniki məsələ deyil. O, biznes qərarlarının da davamıdır. Bəzi şirkətlər üçün əsas prioritet istifadəçi təcrübəsidir və onlar daha yüksək xərclə işləməyi qəbul edirlər. Digərləri isə əməliyyat xərclərini minimuma endirmək üçün bir qədər yüksək gecikməyə razı olurlar. Platforma mühəndisinin vəzifəsi universal həll tapmaq deyil, həmin biznes üçün ən uyğun balansı qurmaqdır.

Məhz buna görə production AI platformaları “ən sürətli”, “ən ucuz” və ya “ən güclü” olmaq uğrunda yarışmır. Onlar performans, etibarlılıq, miqyaslana bilmə, təhlükəsizlik və əməliyyat xərcləri arasında davamlı balans qurmağa çalışırlar.

AI Load Balancing də bu böyük sistemin yalnız bir hissəsidir. Lakin məhz həmin hissə istifadəçi sorğusunu doğru modelə, doğru instansiyaya və doğru zamanda çatdırdığı üçün platformanın ümumi performansına ən çox təsir edən komponentlərdən biri hesab olunur.

Gələcək illərdə modellər dəyişəcək, GPU-lar daha sürətli olacaq, inference mühərrikləri inkişaf edəcək. Ancaq dəyişməyəcək bir prinsip var: uğurlu AI platformaları ayrı-ayrı texnologiyalar üzərində deyil, düzgün arxitektura qərarları üzərində qurulur. Model seçimi, routing, load balancing, scheduling, observability və autoscaling birlikdə işlədikdə AI sistemi həm yüksək performanslı, həm etibarlı, həm də iqtisadi cəhətdən səmərəli olur. Production AI Platform Design-in əsas məqsədi də məhz bu balansı qorumaqdır.

Bir neçə il əvvəl mənim üçün uğurun tərifi sadə idi. Daha yaxşı mühəndis olmaq. Daha böyük sistemlər qurmaq.Daha mürəkkəb problemləri həll etmək.Daha çox insandan ibarət komandalara rəhbərlik etmək. Karyera pillələri də çox aydın görünürdü:

Engineer → Senior Engineer → Team Lead → Engineering Manager → CTO.

Uzun müddət düşünürdüm ki, CTO olmaq sadəcə Engineering Manager rolunun daha böyük versiyasıdır. Daha böyük komanda, daha böyük büdcə, daha böyük məsuliyyət. Bu gün isə düşünürəm ki, yanılmışam. Son bir il ərzində işimin xarakteri dəyişməyə başladı. Əvvəllər günümün böyük hissəsi infrastruktura, deployment-lərə, sistem dizaynına, performansa və əməliyyat problemlərinə gedirdi. İndi isə ən vacib müzakirələr tamam başqa mövzular ətrafında baş verir. Bu məhsulu niyə qururuq? Müştəri hansı problemi həll etməyə çalışır? Bu funksiyanın biznesə təsiri nə olacaq? Əgər bunu etməsək nə itirəcəyik?Əgər etsək nə qazanacağıq? Maraqlıdır ki, CTO olduqca qarşıma çıxan ən vacib sualların çoxu texniki deyil. Ancaq şirkətin gələcəyinə ən böyük təsiri olan suallar məhz bunlardır.

Niyə gələcəyin ən güclü mühəndisləri yalnız kod yazmırlar

Son illərdə texnologiya dünyasında maraqlı bir tendensiya yaranıb. Əvvəllər mühəndislərdən yaxşı kod yazmaq, sistem qurmaq və texniki problemləri həll etmək gözlənilirdisə, indi ən dəyərli mühəndislərdən məhsul düşüncəsi də tələb olunur. Bir çox şirkətlərdə mühəndislər hələ də “ticket alan və implementasiya edən” insanlar kimi görülür. Məhsul qərarlarını Product Manager verir, mühəndis isə sadəcə həmin qərarları həyata keçirir. Kağız üzərində bu model işlək görünür. Reallıqda isə çox vaxt innovasiyanı öldürür. Mən son bir neçə ildə həm engineering leadership, həm də məhsul tərəfi ilə daha çox işlədikcə bir fikrə daha çox inanmağa başlamışam:

Gələcəyin ən güclü mühəndisi sadəcə software engineer deyil. O, product-thinking engineer-dir.

Məhsulun sahibi kimdir?

Bir çox şirkətdə qəribə bir paradoks yaranır. İstifadəçilərin problemlərini ən yaxından görən insanlar mühəndislərdir.Texniki məhdudiyyətləri ən yaxşı bilən insanlar mühəndislərdir.Sistemin hansı istiqamətdə inkişaf edə biləcəyini ən yaxşı anlayan insanlar mühəndislərdir.Amma məhsul qərarlarını çox vaxt onlar vermirlər.Bunun əvəzinə qərarlar müxtəlif toplantılarda, təqdimatlarda və roadmap sessiyalarında formalaşır, sonra isə mühəndislərə çatdırılır. Nəticədə mühəndis məhsulun sahibi olmaq əvəzinə sadəcə icraçıya çevrilir.Bu modelin ən böyük problemi odur ki, məhsul və texnologiya bir-birindən uzaqlaşır.

Ən yaxşı məhsullar çox vaxt mühəndislərdən gəlir

Texnologiya tarixinə baxdıqda görürük ki, bir çox böyük məhsul qərarları rəhbərlikdən və ya uzun planlaşdırma görüşlərindən deyil, mühəndislərdən çıxıb. Bunun əsas səbəbi mühəndislərin həm problemi, həm də həll imkanlarını eyni anda görə bilməsidir.

İstifadəçi bir problem yaşayanda Product Manager onun ehtiyacını və gözləntilərini anlaya bilər. Mühəndis isə bununla yanaşı, həmin problemin necə həll oluna biləcəyini, hansı alternativ yanaşmaların mövcud olduğunu, hansı kompromislərin lazım gələcəyini və veriləcək qərarın gələcəkdə hansı yeni imkanları açacağını da görə bilir.

Bu baxış bucağı mühəndisə sadəcə icraçı olmaqdan daha böyük rol qazandırır. O, yalnız verilən tapşırığı həyata keçirmir, eyni zamanda məhsulun gələcəyini formalaşdıran qərarların bir hissəsinə çevrilir.

Məhz buna görə texnologiya tarixində bir çox innovasiya məhsul komitələrindən deyil, mühəndis masalarından çıxıb. Çünki ən böyük yeniliklər çox vaxt problemi ən yaxından görən və onun həll yollarını ən yaxşı anlayan insanların əlindən gəlir.

Product-Thinking Engineer nədir?

Product-thinking engineer texnologiyaya biznes prizmasından baxan mühəndisdir. O, sadəcə “bu necə qurular?” sualını vermir.

O, eyni zamanda soruşur:

• İstifadəçinin problemi nədir?

• Bu problemi həll etməyə dəyərmi?

• Daha sadə həll yolu varmı?

• Bunun biznesə təsiri nə olacaq?

• İstifadəçi bundan həqiqətən istifadə edəcəkmi?

Belə mühəndis yalnız kod yazmır. O, məhsul qurur.

Niyə bu yanaşma mənə daha məntiqli gəlir?

Mən karyeramın böyük hissəsini infrastruktur, cloud, platform engineering və software delivery sahələrində keçirmişəm.

İllərlə fokusum əsasən texnologiya üzərində olub:

• sistemlər necə işləyir,

• performans necə artırılır,

• infrastrukturu necə miqyaslandırmaq olar,

• deployment necə sürətləndirilər.

Amma zaman keçdikcə gördüm ki, ən böyük təsir texniki qərarlardan yox, məhsul qərarlarından gəlir. Bir servisin performansını 20% artırmaq vacibdir. Amma istifadəçinin həyatını dəyişəcək yeni məhsul funksiyası yaratmaq bəzən şirkətin taleyini dəyişə bilir. Məhz buna görə son dövrlərdə fokusumu daha çox məhsul, biznes və istifadəçi tərəfinə yönəltməyə başlamışam. Çünki texnologiya artıq məqsəd deyil. Texnologiya sadəcə vasitədir.

Product-thinking engineer olmaq üçün nə etmək lazımdır?

Bu transformasiya birdən baş vermir.Bunun üçün mühəndis özünü yalnız texniki sahə ilə məhdudlaşdırmamalıdır. Mənim fikrimcə aşağıdakılar vacibdir:

İstifadəçilərlə danışmaq- Müştərilərdən qaçmaq yox, onlarla ünsiyyət qurmaq lazımdır. Ən yaxşı məhsul ideyaları Jira ticket-lərindən deyil, istifadəçi söhbətlərindən gəlir.

Biznesi başa düşmək- Şirkət necə pul qazanır? Əsas risklər nədir? Əsas müştəri kimdir? Bu sualların cavabını bilmədən böyük məhsul qərarları vermək çətindir.

Analitik düşünmək- Məhsul istifadəsini izləmək. Metrikləri anlamaq. Davranış nümunələrini görmək.

Sadə həllər axtarmaq- Ən yaxşı mühəndislər ən mürəkkəb sistemi quranlar deyil. Ən sadə həll ilə ən böyük problemi həll edənlərdir.

Mən artıq engineering manager olmaqdan daha çox product-thinking engineer olmağa doğru hərəkət etməyin daha düzgün olduğuna inanıram. Çünki engineering manager əsasən insanlar və proseslər üzərində təsir yaradır. Product-thinking engineer isə həm məhsula, həm istifadəçiyə, həm biznesə, həm də texnologiyaya eyni anda təsir edə bilir.

Bu gün AI alətlərinin sürətlə inkişaf etdiyi bir dövrdə yaşayırıq. Kod yazmaq getdikcə daha asan, daha sürətli və daha əlçatan olur. Süni intellekt kod generasiya edir, testlər yazır, sənədləşmə hazırlayır və bir çox texniki işi avtomatlaşdırır. Ancaq hələ də avtomatlaşmayan bir bacarıq var: hansı problemin həll edilməli olduğunu müəyyənləşdirmək.

Məhz buna görə düşünürəm ki, növbəti onilliyin ən dəyərli mühəndisləri ən yaxşı kod yazanlar deyil, ən yaxşı məhsul qərarları verənlər olacaq. Çünki texnologiya hər kəs üçün daha əlçatan olduqca fərqi yaradan texniki bacarıq yox, düzgün problemi seçmək və ona uyğun həll yaratmaq qabiliyyəti olacaq.

Bu yanaşmada Product Manager-lərin rolu da dəyişir. Əla PM-lər komandanı idarə etmirlər və ya hər detalı müəyyən etmirlər. Onların əsas vəzifəsi komandanın daha yaxşı qərarlar verməsi üçün lazım olan məlumatı və konteksti təqdim etməkdir. Onlar bazarı araşdırır, istifadəçiləri dinləyir, məhsulun nəticələrini analiz edir və komandanın diqqətini düzgün istiqamətdə saxlamağa kömək edirlər.

Məncə gələcəyin ən güclü rolu Product Manager və Software Engineer arasında seçim etmək deyil. Ən güclü rol hər iki dünyanın ən yaxşı tərəflərini özündə birləşdirən Product-Thinking Engineer olmaqdır.

Səhər yuxudan oyananda özümü daha enerjili və daha aydın düşünən hiss edirəm. Notbukumu götürüb evdən çıxıram. Bir az gəzir, təmiz hava alır və beynimdə dolaşan fikirləri yazıya köçürməyə çalışıram. Bəzən uzun müddət sadəcə yeriyir, ətrafı izləyir və düşünürəm. Son zamanlar özümə tez-tez bir sual verirəm. Texnologiya bu qədər sürətlə dəyişirsə, süni intellekt həyatımızın hər sahəsinə daxil olursa, biz özümüz necə dəyişirik? Evlərimizdə, münasibətlərimizdə, dostluqlarımızda, insanlığa baxışımızda hansı dəyişikliklər baş verir? Biz çox vaxt yeni texnologiyalardan danışırıq. Yeni məhsullardan, yeni alətlərdən, yeni modellərdən. Amma bəzən düşünürəm ki, əsas dəyişiklik texnologiyada deyil, insanın öz daxilində baş verir. Son aylarda öz həyatımda da yeni bir dövrün başladığını hiss edirəm. Bu hissi sözlərlə tam ifadə etmək çətindir. Sanki uzun illər ərzində topladığım təcrübələr, yaşadığım uğurlar və çətinliklər bir nöqtədə birləşərək yeni bir baxış formalaşdırır. İnsan yaş artdıqca anlayır ki, ən böyük dəyişiklik vəzifələrdə, titullarda və ya texnologiyalarda deyil. Ən böyük dəyişiklik insanın özünü daha yaxşı tanımağa başlamasıdır. Bəlkə də buna görə son günlər daha çox yazmaq, daha çox düşünmək və gördüklərimi bölüşmək istəyirəm. Çünki hiss edirəm ki, qarşıdan gələn dövr yalnız texnologiyanın deyil, insanın da yenidən kəşf ediləcəyi bir dövr olacaq. Süni intellekt dünyanı dəyişəcək. Buna artıq şübhə yoxdur. Amma mənim üçün daha maraqlı olan sual budur.Bu dəyişikliklərin fonunda biz özümüz kimə çevriləcəyik?

Texnologiya tarixində diqqət etdikdə maraqlı bir qanunauyğunluq görmək mümkündür. İnsanlar hansı məlumat növünü rəqəmsallaşdırıblarsa, bir müddət sonra onun üçün standart format yaradıblar. Şəkillər üçün JPEG, sənədlər üçün PDF, videolar üçün MP4, kontakt məlumatları üçün vCard və təqvim hadisələri üçün iCalendar meydana çıxıb. Bu standartlar məlumatın müxtəlif sistemlər arasında rahat paylaşılmasına, saxlanmasına və emal edilməsinə imkan yaradıb.

Lakin bir məlumat növü uzun illər standartlaşdırılmamış qaldı insan söhbətləri.

Halbuki şirkətlərdə ən vacib qərarlar, ən dəyərli məlumatlar və ən mühüm münasibətlər məhz söhbətlərin içində formalaşır. Müştəri ilə satış görüşü, dəstək komandası ilə istifadəçi arasında dialoq, rəhbərlik toplantıları və ya tərəfdaşlarla aparılan müzakirələr biznesin gündəlik fəaliyyətinin əsas hissəsini təşkil edir.

Bu gün həmin söhbətlərin böyük hissəsi müxtəlif platformalarda parçalanmış vəziyyətdə saxlanılır. Bir hissəsi Microsoft Teams, Google Meet,Zoom görüşlərində, bir hissəsi telefon sistemlərində, digər hissəsi e-mail və mesajlaşma tətbiqlərində qalır. Nəticədə şirkətlər öz fəaliyyətləri haqqında ən zəngin məlumat mənbəyinə malik olsalar da, ondan tam istifadə edə bilmirlər.

Məhz bu problemin həlli üçün vCon anlayışı ortaya çıxdı. vCon və ya Virtualized Conversation söhbətlər üçün universal konteyner yaratmağı hədəfləyir. Məqsəd sadəcə danışığı yazmaq deyil, söhbətin bütün kontekstini vahid obyekt daxilində saxlamaqdır. Buraya iştirakçılar, metadata, audio və video qeydlər, transkriptlər, sentiment analizləri və söhbətlə əlaqəli digər məlumatlar daxil olur.

İlk baxışda bu texniki standart kimi görünə bilər. Lakin məncə vCon-un əsl əhəmiyyəti texnologiyanın özündən daha böyükdür. Bu yanaşma AI dövründə məlumatın necə idarə ediləcəyinə dair yeni baxış formalaşdırır. Son illərdə süni intellekt sürətlə inkişaf edib. Şirkətlər AI agentlərindən, avtomatlaşdırılmış qərarvermədən və böyük dil modellərindən istifadə etməyə başlayıblar. Lakin AI sistemlərinin keyfiyyəti birbaşa onların istifadə etdiyi məlumatın keyfiyyətindən asılıdır. Dağınıq, natamam və əlaqəsiz məlumat üzərində qurulan AI heç vaxt yüksək nəticə göstərə bilməz.

Bu baxımdan söhbətlər şirkətlərin ən zəngin məlumat mənbələrindən biridir. Müştərinin hansı problemlərlə üzləşdiyini, satış prosesində hansı etirazların yarandığını, hansı məhsul funksiyalarının daha çox müzakirə olunduğunu və ya komandanın hansı məsələlərdə çətinlik yaşadığını çox vaxt hesabatlarda deyil, insanların gündəlik söhbətlərində görmək mümkündür.

Mən hesab edirəm ki, yaxın illərdə təşkilatlar üçün əsas rəqabət üstünlüyü hansı AI modelindən istifadə etmələri olmayacaq. Əsas üstünlük AI sistemlərini hansı məlumatla qidalandıra bilmələrində olacaq. Bu səbəbdən söhbətlərin strukturlaşdırılması və standartlaşdırılması strateji əhəmiyyət daşıyır.

CRM sistemləri uzun illər müştəri məlumatlarının əsas mənbəyi hesab olunurdu. Lakin əksər CRM-lər söhbətlərin yalnız nəticəsini saxlayır. Əslində isə ən dəyərli məlumat çox vaxt həmin nəticənin necə əldə olunmasında gizlənir. Müştərinin tonu, tərəddüdləri, sualları, emosiyaları və qərarvermə prosesi klassik CRM qeydlərində əks olunmur.

AI dövründə məhz bu məlumatlar daha böyük dəyər qazanmağa başlayır.

vCon kimi standartlar şirkətlərə söhbətləri sadəcə arxivləşdirmək deyil, onları biznes aktivinə çevirmək imkanı yaradır. Bu məlumatlar gələcəkdə satış proqnozlaşdırılmasında, müştəri davranışının analizində, əməkdaşların inkişafında, uyğunluq və audit proseslərində, eləcə də yeni nəsil AI agentlərinin qurulmasında mühüm rol oynaya bilər.

Bir zamanlar “Data is the new oil” ifadəsi texnologiya dünyasının əsas şüarlarından biri idi. Bu fikir bu gün də aktuallığını qoruyur. Lakin AI dövründə yeni reallıq formalaşır. Məncə yaxın gələcəkdə daha doğru ifadə belə olacaq:

“Söhbətlər yeni qızıldır.”

Çünki təşkilatların ən vacib bilikləri, təcrübələri və qərarları məhz insanların bir-biri ilə qurduğu ünsiyyətin içində yaşayır. Onları düzgün toplamaq, qorumaq və anlamaq isə gələcəyin ən böyük rəqabət üstünlüklərindən birinə çevriləcək.

Uzun bir maratonun sonunda, həftə sonunu sevdiyim coffee ilə qarşılayıram.Bir həftənin qaçaqaçından sonra ilk dəfədir ki, dayanıb bir az nəfəs almağa çalışıram. Uzun zamandır bu həyacanı hiss etmirdim.

Son vaxtlar bir şeyi yenidən anladım. İçimdəki mühəndis heç vaxt itməyib. Problemin içinə girib troubleshooting etmək, sistemin necə “nəfəs aldığını” anlamaq və səbəbi tapana qədər dayanmamaq məni formalaşdıran hisslər məhz bunlar olub.

İdarəetmə, strategiya və qərarlar arasında insan bəzən özünü böyüdən enerjidən uzaq düşür. Amma indi o hisslərin yenidən qayıtdığını hiss edirəm. Bəzən həyatın ən böyük lüksü sakitcə oturub düşünmək olur. Emma Crouch-un “Strawberry Swing” enerjisi kimi… sakit, yüngül, amma içində həm yorğunluq, həm də ümid daşıyan bir axşam.

Bəzən insan uzun bir marafondan sonra dayanıb sadəcə bir qəhvə içmək istəyir. Çünki həyatın bütün qaçışları arasında insanın ən çox ehtiyac duyduğu şey sakitlik olur. YC General Partner Tom Blomfield çıxışını izləydim və qəribə bir hiss keçirdim. Sanki texnologiyadan yox, insanın gələcəyindən danışırdı. Şirkətlərdən yox, insanların necə dəyişəcəyindən danışırdı. İllərin mənı verdiyi təcrübə ilə düşündüm bəlkə də biz uzun illərdir şirkətləri yanlış qurmuşuq.

Tom şirkətləri Roma legionlarına bənzədir. Böyük, sərt, hierarxik strukturlar. Mərkəzdən idarə olunan, qərarların pillə-pillə aşağı endiyi sistemlər. Düşündüm ki, həqiqətən də bugünkü şirkətlərin çoxu belədir. İnsanlar məlumat daşıyıcısına çevriliblər. Microsoft Teams/ Slack mesajları, endless meeting-lər, approval-lar, status update-lər… Hamı bir-birinə informasiya ötürür, amma çox az insan həqiqətən yaradır. Sanki şirkətlərdə enerjinin böyük hissəsi “iş görməyə” yox, “sistemi hərəkətdə saxlamağa” gedir.

Ən çox təsir edən hissə isə AI haqqında deyilən yanaşma oldu. Çünki illərlə AI-ni “copilot” kimi düşündük. İnsanları bir az daha sürətli edən alət kimi. Amma burada tamam başqa bir fikir var. AI şirkətə əlavə olunan bir tool deyil, şirkətin özünün yeni operating system-i ola bilər. Bu artıq productivity məsələsi deyil. Bu, düşüncə modelinin dəyişməsidir.

Mənim üçün ən emosional hissə “domain knowledge” anlayışı oldu. Şirkətin həqiqi dəyəri kodda deyil. Şirkətin içində yaşayan insanlarda, onların qərarlarında, gecə yazılan Microsoft Teams/ Slack mesajlarında, çətin anlarda verilən reaksiyalarda, meeting-lərdə deyilən bir cümlədədir. Bəzən bir engineer-in beynində olan kiçik bir insight milyonlarla dollar dəyərində olur. Amma bu biliklər çox vaxt insanların içində ölür. Şirkətlər biliklərini sistemləşdirə bilmədikləri üçün eyni səhvləri təkrar yaşayırlar.

Mənim təcrübəmdə, insanlar gedir, proseslər dəyişir, komandalar transformasiya olur, amma əsas problem qalır. Şirkətin “beyni” dağınıqdır. Bilik Microsoft Teams/ Slack , məsajlarında qalıb, qərarlar call-lardadır, architecture knowledge insanların başındadır. Əgər bunlar AI üçün oxunaqlı hala gəlməsə, şirkət hər dəfə sıfırdan başlayır.

Tomun çıxıçında “self-improving AI loop” anlayışı vardı və məncə gələcəyin ən güclü ideyası budur. Sistem özünü özü inkişaf etdirir. Müştəri ehtiyaclarını analiz edir, problemi tapır, həll təklif edir, test edir, deploy edir və yenidən öyrənir. İnsan yatanda belə şirkət inkişaf etməyə davam edir. Bu fikir bir tərəfdən inanılmazdır, digər tərəfdən isə bir az qorxuludur. Çünki ilk dəfədir ki, şirkətin inkişaf sürəti insanların iş saatından ayrılır.

Bir CTO kimi mən bunu artıq hiss edirəm. Əvvəllər böyük mühəndislik komandaları güc idi. İndi isə doğru context və doğru AI loop daha böyük gücə çevrilir. Gələcəkdə şirkətlərin əsas limiti headcount yox, intelligence olacaq. Kim daha çox insan işlədir yox, kim daha yaxşı düşünən sistem qurur fərqi o yaradacaq.

Mənim ən çox düşündüyüm hissə isə “Make everything legible to AI” oldu. Yəni əgər informasiya AI üçün görünmürsə, sanki ümumiyyətlə mövcud deyil. Bu məni çox düşündürdü. Çünki biz insanlar da bir az belə yaşayırıq. Deyilməyən fikirlər, yazılmayan ideyalar, paylaşılmayan təcrübələr zamanla yox olur. Bəlkə də gələcəyin ən böyük asset-i software yox, collective memory olacaq.

Bir cümlə məncə hər şeyi izah edir: “Software is ephemeral, context is valuable.” Yəni kod dəyişəcək, tool-lar dəyişəcək, framework-lər öləcək. Amma şirkətin düşüncə tərzi, qərar vermə qabiliyyəti, topladığı collective intelligence əsas dəyər olacaq.

Mən düşünürəm ki, AI gələcəkdə ən çox texnologiyanı yox, management anlayışını dağıdacaq. Çünki orta menecmentin böyük hissəsi informasiya ötürmək üçün mövcuddur. AI isə bunu insanlardan daha sürətli və daha stabil edə bilir. Ona görə gələcəyin şirkətləri daha az bürokratiya , daha çox creator-driven strukturlar olacaq.

Amma bütün bunların içində bir şey dəyişməyəcək. İnsanın emosiyası. Məncə AI nə qədər inkişaf etsə də, ən çətin qərarlar hələ də insanlara qalacaq. Co-founder breakup-ları, kritik etik qərarlar, insanın qorxusu, motivasiyası, liderlik enerjisi… Bunları tam əvəz etmək çox çətindir. İnsan hələ də sistemin “ruh” tərəfi olaraq qalacaq.

Özümə bir sual verdim. Əgər bu gün sıfırdan şirkət qursaydım, onu yenə köhnə hierarxik modeldə qurardım? Açığı cavabı bilmirəm. Amma hiss edirəm ki, artıq dünya dəyişib. Bəlkə də biz hələ bunun başlanğıcındayıq.

Çünki gələcəyin ən güclü şirkətləri ən çox qaydası olanlar yox, ən sürətli öyrənən və dəyişən komandalar olacaq.

Yollar tıxacdır. Maşınlar dayanıb, zaman donub kimi… amma mənim içimdə hər şey daha da sürətlənir. Bir anlıq qərar verirəm daha gözləmək olmaz. Nəqliyyatdan düşürəm. Qaçmağa başlayıram… nəfəsim sürətlənir, ürəyim daha güclü döyünür. Küçələrdən keçdikcə sanki bütün şəhər mənimlə yarışır. Hər addımda özümə deyirəm “Çatacam?”.

Auditoriyadakı gənc tələbələrlə görüşmək, onların enerjisini hiss etmək, düşüncələrini dinləmək insanı tamam başqa bir dünyaya aparır. Onların baxışlarında gələcək var, sözlərində isə inam. Hər dəfə belə söhbətlərdən sonra anlayıram ki, biz bəzən yoruluruq, amma gənclər heç vaxt yorulmur… onlar daim axtarır, soruşur, qurur, xəyal edir.

Onlarla danışmaq o qədər enerji verir ki, vaxtın necə keçdiyini hiss etmirsən. Sanki saatlar dayanır, yalnız fikir axını davam edir.

Artıq gecədir… universitetin önündəyik… amma heç kim ayrılmaq istəmir.
Çünki bu sadəcə bir görüş deyil bu, enerjinin, ümidin və gələcəyə inamın paylaşılmasıdır.

Əziz dostum, yenə hər zaman ki, kimi mənə ünvanlanan sualları toplyaıb cavablarımı Sizlərlə bölüşürəm.

Sual.Siz uzun illərdir tech sahəsində fəaliyyət göstərirsiniz. Azərbaycan startapları üçün imkanları harada görürsünüz?

Cavab. 25 illik təcrübəmə baxanda bir şeyi çox aydın görürəm.Texnologiyanın inkişafı təkcə alətləri deyil, bizim qərarlarımızı da dəyişdirir. Bu illər ərzində iştirak etdiyim texnologiya bizneslərinin inkişaf trayektoriyasına ən böyük təsiri məhz bu dəyişimin sürəti edib.

Bu gün telefonumuzda gigabaytlarla, hətta terabaytlarla məlumat daşıyırıq… amma mən 2000-ci ildə karyerama başlayanda 1 Tb yaddaşın qiyməti 10 min dollardan çox idi. Bu gün isə 10$ dan azdır. Yəni texnologiya ucuzlaşdıqca, ideyalar reallığa çevrilməyə başlayır. Xəyalımdakı ideyaları qurmaq üçün bir ABŞ köçüb iş axtarırdım. Fərqli sahələrə baxırdım, düşünürdüm ki, bəlkə tamam başqa istiqamətə keçim ki, iş tapa bilim. O zaman bir mentorum mənə çox sadə, amma həyatımı dəyişən bir cümlə dedi: “Ən yaxşı iş bildiyin işdir.”

O cümlə məni dayandırdı. Mən geri döndüm, öz güclü tərəflərimə fokuslandım və məhz texnologiya sahəsində davam etdim. Bu qərar mənim bütün karyeramın istiqamətini formalaşdırdı.

Bu gün mən deep tech-ə inanıram. Çünki dəyər məhz burada yaranır sadəcə tətbiqlərdə yox, fundamental texnologiyalarda: AI, data, cloud, hardware, biotech və s.

Azərbaycanda da sevindirici məqam odur ki, artıq texnologiya stack-ının qurulması istiqamətində həm müzakirələr, həm də real addımlar var. Amma burada ən kritik məsələ gənclərin düzgün istiqamətləndirilməsidir. Çünki texnologiya alətlərini öyrənmək kifayət deyil doğru problemi seçmək daha vacibdir. Bu istiqamətdə dövlətin strateji yanaşması və yönləndirməsi həlledici rol oynayır.

Eyni zamanda, son dövrlərdə dual-use texnologiyalar (həm mülki, həm də strateji sahələrdə istifadə olunan texnologiyalar) və Aİ sahəsində böyük aktivlik müşahidə edirəm. Bu, gələcək üçün çox ciddi imkanlar açır.

Azərbaycan üçün hansı sahələr daha kritik ola bilər?

• Enerji və materiallar (neft-kimya, polietilen, yeni materiallar) – burada artıq biliklər bazası var, amma innovasiya ilə dəyər qatmaq mümkündür

• Geologiya və resursların analitikası – data və AI ilə yeni kəşflər etmək mümkündür

• Logistika və region hub kimi inkişaf coğrafiya bizim üstünlüyümüzdür

• GovTech və digital platformalar – artıq qurulan təməl üzərində yeni məhsullar yaratmaq olar

Bəlkə də ən vacib olan budur.Biz bəzən ən “trend” sahələri axtarırıq… amma əslində sual belə olmalıdır.“Bizim üçün hansı sahə strateji olaraq daha vacibdir və biz orada texnologiya ilə necə fərq yarada bilərik?”

Sual. Çiplər barədə nə düşünürsünüz?

Cavab: Bu gün isə hamı süni intellektdən danışır modellərdən, agentlərdən, avtomatlaşdırmadan. Amma məncə biz çox vaxt əsas məsələni gözdən qaçırırıq. Süni intellektin mərkəzində nə modellər, nə də tətbiqlər dayanır. Bu sistemlərin arxasında dayanan əsas güc çiplərdir. Daha dəqiq desək, compute gücüdür. Bu gücü kim idarə edirsə, gələcəyin texnologiya xəritəsini də o formalaşdırır. Son illərdə mənim üçün ən böyük “insight” məhz bu olub. Texnologiya yarışını qazananlar ən yaxşı tətbiqləri yazanlar deyil. Hətta ən yaxşı platformaları quranlar da təkbaşına bu yarışı qazanmır. Əsas üstünlük compute üzərində nəzarətdir. Bu, artıq yeni dövrün nefti kimidir.

Eyni zamanda, növbəti texnoloji dalğa artıq formalaşır. Bu gün GPU-lar əsas rol oynasa da, sabah bu balans dəyişə bilər. Quantum computing, neuromorphic arxitekturalar və yeni nəsil xüsusi AI çipləri bu sahədə yeni oyun qaydaları yarada bilər.

Mənim üçün nəticə çox aydındır. Gələcəkdə texnologiya şirkətlərinə baxışımız dəyişəcək. İstifadəçi sayı və ya gəlir kimi göstəricilər əvvəlki qədər həlledici olmayacaq. Əsas sual bu olacaq: bu şirkətin nə qədər compute gücü var? Çünki süni intellekt dövründə güc anlayışı yenidən tərif olunur. Compute artıq sadəcə texniki resurs deyil.Compute gücdür.

Sual: Bizim ölkədə texnologiya sektorunu geri saxlayan nədir?

Cavab: Əsas problem kapitaldır. ABŞ-da pensiya fondlarının aktivlərinin təxminən 3%-i venture capital-a yatırılır, Avropada isə bu rəqəm 1%-dir. Bizdə isə bilmirəm. Bu bir yanaşmadır. Məncə innovasiyanı dövlət deyil, daha çox özəl kapital sürətləndirir.

Sual: İctimai bazarlar barədə nə düşünürsünüz? Startapları niyə ABŞ-a gedir?

İctimai bazarlar haqqında danışarkən, məsələni yalnız maliyyə kimi görmək artıq köhnə yanaşmadır. Bugünkü dünyada ictimai bazarlar xüsusilə ABŞ bazarları texnologiya şirkətləri üçün qlobal genişlənmənin platformasıdır. Burada söhbət təkcə kapital cəlb etməkdən getmir; burada söhbət miqyas, etibar və strateji mövqelənmədən gedir.

Startapların ABŞ-a yönəlməsi təsadüfi deyil. Bu, çox rasional və hesablanmış qərardır. Çünki kapitalın əsas axını, risk iştahı və texnologiya şirkətlərinə verilən yüksək dəyərləndirmələr məhz oradadır. Avropada və ya region ölkələrində startaplar müəyyən mərhələyə qədər böyüyə bilər. Amma oyun dəyişən mərhələ yəni yüz milyonlarla və ya milyardlarla dollar tələb edən genişlənmə mərhələsi artıq fərqli bir liqa tələb edir. Bu liqanın adı isə ABŞ-dır.

Məsələn, Oura Ring şirkətinə baxsaq, bu strategiyanın necə işlədiyini aydın görərik. Şirkət 10 milyard dollar dəyərləndirməyə çatdı və 900 milyon dollardan çox investisiya cəlb etdi. Amma bununla kifayətlənmədi ABŞ-da IPO üçün Delaware hüquqi strukturuna keçdi. Bu, sadəcə texniki qərar deyil. Bu, investorlar üçün tanış, etibarlı və likvid bir mühit yaratmaqdır. Yəni mesaj aydındır: qlobal olmaq istəyirsənsə, qlobal kapitalın qaydaları ilə oynamalısan.

Eyni tendensiyanı regionumuzda da görmək mümkündür. Türkiyədən Getir buna yaxşı nümunədir. Yerli bazarda sürətlə böyüyən bu şirkət qlobal oyunçuya çevrilmək üçün ABŞ və Avropa investorlarından milyardlarla dollar investisiya cəlb etdi. Çünki yerli bazar nə qədər dinamik olsa da, kapitalın dərinliyi və genişlənmə imkanları məhduddur. ABŞ isə bu limitləri aradan qaldırır.

Bu reallıq Azərbaycana da bir mesaj verir. Bizim startap ekosistemi hələ inkişaf mərhələsindədir, amma potensial mövcuddur. Əgər biz yalnız yerli bazarı hədəfləsək, şirkətlərimiz müəyyən bir tavana qədər inkişaf edəcək. Amma əgər başlanğıcdan məhsulları qlobal bazar üçün dizayn etsək, hüquqi strukturları və investor strategiyasını buna uyğun qursaq, o zaman fərqli nəticə əldə edə bilərik.

Müasir dövrdə karyera yalnız fərdi bacarıqların və texniki biliklərin nəticəsi deyil. Əslində, karyeranın sürəti və istiqaməti çox vaxt insanın qurduğu əlaqələrdən – yəni network-dən asılıdır. Open the Network kitabında bu fikir çox aydın şəkildə vurğulanır: imkanlar hər zaman açıq platformalarda görünmür, onlar daha çox insanlar arasında, etibar və əlaqələr üzərindən hərəkət edir.

Klassik yanaşmaya görə, insan yaxşı təhsil alır, təcrübə qazanır və sonra bu bacarıqları bazarda təqdim edir. Amma reallıqda bu proses daha mürəkkəbdir. Eyni səviyyədə bilik və təcrübəyə malik iki insandan biri daha sürətli irəliləyirsə, bunun səbəbi çox vaxt onun daha güclü əlaqələrə sahib olmasıdır. Network insanın görünürlüğünü artırır, onu doğru insanlara çatdırır və ən əsası, onun haqqında qərar verənlərin beynində etibar formalaşdırır. Bu nöqtədən sonra insan artıq sadəcə CV göndərən biri deyil, tövsiyə olunan və dəvət edilən bir şəxsə çevrilir.

Networking-in karyeraya təsirini başa düşmək üçün onun mahiyyətini düzgün dərk etmək lazımdır. Bu proses sadəcə tanışlıq yaratmaq deyil. Əslində, bu, sosial kapitalın formalaşdırılmasıdır. İnsanlar səni tanıyır, sənin nə etdiyini bilir və uyğun bir fürsət yarananda səni xatırlayır. Bu isə təsadüfi baş vermir. Bunun arxasında davamlı münasibətlər, qarşılıqlı dəyər mübadiləsi və zamanla qurulan etibar dayanır.

“Open the Network” kitabının ən vacib mesajlarından biri də networking zamanı düzgün mindset-in qurulmasıdır. Ən çox rast gəlinən səhv yanaşma networking-i “nə əldə edə bilərəm?” sualı üzərindən qurmaqdır. Bu yanaşma qısa müddətli nəticələr versə də, uzunmüddətli perspektivdə zəif qalır. Doğru yanaşma isə “mən necə dəyər yarada bilərəm?” sualı üzərində qurulmalıdır. Bu, münasibətlərin daha davamlı və güclü olmasını təmin edir.

Düzgün mindset ilk növbədə uzunmüddətli düşüncə tələb edir. Networking bir dəfəlik fəaliyyət deyil, zamanla formalaşan bir prosesdir. Bu gün qurulan əlaqə bəlkə də bir neçə il sonra ən kritik fürsətə çevrilə bilər. Buna görə də bu sahədə səbir və davamlılıq əsas şərtlərdəndir.

Digər vacib prinsip isə vermək mədəniyyətidir. İnsanlara kömək etmək, faydalı məlumat paylaşmaq, onları doğru insanlarla tanış etmək – bütün bunlar sosial kapital yaradır. Maraqlıdır ki, insanlar çox vaxt bu cür yanaşmanı dərhal nəticə vermədiyi üçün dəyərləndirmir. Halbuki, məhz bu davranışlar gələcəkdə böyük imkanların qapısını açır.

Sual. Network karyeraya necə təsir edir? Networking zamanı düzgün mindset nədir?

Cavab: Səmimiyyət də networking-in ayrılmaz hissəsidir. İnsanlar formal və süni davranışları tez hiss edir. Əksinə, real maraq göstərən, qarşı tərəfi anlamağa çalışan və onunla həqiqi münasibət qurmaq istəyən insanlar daha çox yadda qalır. Bu isə etibarın formalaşması üçün əsas şərtdir.

Nəhayət, maraq və öyrənmə istəyi networking prosesində fərqləndirici rol oynayır. Güclü əlaqələr quran insanlar çox danışan deyil, daha çox dinləyən və düzgün suallar verən insanlardır. Onlar qarşı tərəfin ehtiyaclarını anlamağa çalışır və bu ehtiyaclara uyğun dəyər yaratmağa fokuslanır.

Nəticə etibarilə, networking karyeranın ayrılmaz hissəsidir və onu ikinci dərəcəli bacarıq kimi görmək artıq mümkün deyil. Texniki biliklər və təcrübə insanı müəyyən bir nöqtəyə qədər gətirə bilər, lakin daha böyük imkanlara çıxış çox vaxt əlaqələr vasitəsilə mümkün olur. Son günlərədə “Open the Network”kitabını oxumuşdum. Maraqldır, tövsiyəy edirəm. Uğurun sirri ən böyük network-ə sahib olmaqda deyil, ən çox dəyər yaradan və ən çox etibar qazanan insan olmaqda gizlidir. Bu prinsipi anlayan və tətbiq edən insanlar isə zamanla görürlər ki, artıq onlar fürsət axtarmır fürsətlər onları tapır.

Mənim şəxsi məsləhətim isə budur. Networking-i heç vaxt “insan toplamaq” kimi görməyin. Bu, uzunmüddətli münasibətlər qurmaq sənətidir. Hər tanışlıqdan dərhal fayda gözləmək əvəzinə, qarşı tərəfə necə dəyər qata biləcəyinizi düşünün. Bəzən bu, sadəcə bir yönləndirmə, bir tövsiyə və ya doğru zamanda verilmiş bir fikir ola bilər.

Unutmayın ki, güclü network bir gündə qurulmur o, davamlı olaraq göstərilən diqqət, dürüstlük və dəyər üzərində formalaşır. Əgər siz hər görüşdən sonra “mən bu insana nə verdim?” sualını özünüzə verirsinizsə, artıq doğru yoldasınız.

Ən vacibi network qurmaq üçün xüsusi vaxt gözləməyin. Hər görüş, hər layihə, hətta gündəlik ünsiyyət belə potensial bir əlaqənin başlanğıcıdır. Bu prosesə strateji yanaşanlar zamanla anlayır ki, network sadəcə karyera aləti deyil, həm də həyat keyfiyyətini artıran ən güclü aktivlərdən biridir.

Ən sadəsi isə Səmimi olun.

İllər keçdi…

Həyat hər şeyi dəyişdi. Rollar dəyişdi, texnologiyalar dəyişdi, fokus dəyişdi. Amma maraqlısı odur ki, bəzi insanlar dəyişmir.

Bir gün yenə ABŞ-da Kamil ilə qarşılaşdıq. Sadə bir çay, amma ağır bir söhbət. AI-dan danışırıq. Açığı, bu sözü o qədər eşitmişik ki, artıq reaksiyamız fərqlidir. Hype azalıb, realizm artıb. Son illərdə demək olar ki, hər mühəndis istiqamət dəyişdi. Kimisi product-a keçdi, kimisi management-a, kimisi DevOPS tərəfə. Amma Kamil dəyişmədi.

O, infrastrukturu tərk etmədi. Bu gün GPU data center-lərin mühəndisidir. Yəni AI-ın “cool” hissəsində yox, onun real işlədiyi yerdədir.

Bu dəfə mən sual verirəm: Network-də nə dəyişdi?

Qısa cavab gözləyirdim. Amma bir cümlə məni saxladı:

“QoS-u daha çox istifadə etməyə başlamışıq.” Bir anlıq düşündüm… O günlərdə mən öz-özümə deyirdim ki, QoS artıq köhnə mövzudur, bəlkə də tədrisdən çıxarılmalıdır.

Yanılmışam.

Peter Steinberger danışır ki, o, yaratdığı agentin necə “I’m not a robot” düyməsinə klik etdiyini izləyib və bu an onun üçün çox fərqli bir təcrübə olub. O, agenti elə qurub ki, agent özünü anlayır yəni öz source kodunu bilir, hansı mühitdə işlədiyini başa düşür, hansı modeldən istifadə etdiyini tanıyır və sistem daxilində necə fəaliyyət göstərdiyini anlayır. Bu səviyyədə şüur agentə imkan verir ki, öz proqram təminatını dəyişsin. İnsanlar uzun müddətdir “self-modifying software” haqqında danışır, amma Steinberger deyir ki, o, bunu real olaraq qurub.

O, bu yanaşmanı “agentic engineering” adlandırır. Onun sözlərinə görə, bu, artıq klassik proqramlaşdırmadan fərqlidir. O, əvvəl uzun promptlar yazırdı, amma indi yazmır sadəcə danışır. Onun üçün proqram yazmaq artıq klaviatura ilə deyil, səs vasitəsilə həyata keçirilir. O deyir ki, artıq əlləri yazmaq üçün deyil, daha “qiymətli” işlər üçündür.

Bu yanaşma OpenClaw adlı layihəyə gətirib çıxardı. OpenClaw açıq mənbəli bir AI agentdir və çox qısa müddətdə texnologiya dünyasında böyük rezonans doğurdu. GitHub-da yüz minlərlə “star” qazandı və AI sahəsində yeni bir mərhələnin başlanğıcı kimi qiymətləndirilir. Bu agent istifadəçinin kompüterində işləyir, ona verilən icazələr çərçivəsində bütün məlumatlara çıxış əldə edə bilir və WhatsApp, Telegram kimi messencerlər vasitəsilə istifadəçi ilə əlaqə saxlayır. Ən vacibi isə odur ki, bu agent sadəcə cavab vermir real hərəkətlər edir.

Steinberger izah edir ki, bu cür agentlərin bütün komponentləri əvvəldən mövcud idi, amma əsas fərq onları bir sistem daxilində birləşdirməkdədir. Bu, sadəcə texnologiyanın deyil, yanaşmanın dəyişməsidir yəni dil modellərindən “action-oriented” sistemlərə keçid. Bu isə AI-ni ideyadan real icraya keçirir.

Onun OpenClaw layihəsinin başlanğıcı da çox sadə olub. O deyir ki, sadəcə olaraq düşündü: “Niyə belə bir şey mövcud deyil?” və bu sual onu hərəkətə gətirdi. O, ilk prototipi cəmi bir saat ərzində qurdu. Bu sistem WhatsApp mesajını qəbul edir, CLI vasitəsilə AI modelinə ötürür və cavabı geri göndərirdi. Sadə olsa da, bu artıq işləyirdi və çox güclü hiss olunurdu.

Daha sonra o, bu sistemi genişləndirdi məsələn, şəkillərlə işləmə qabiliyyəti əlavə etdi. O qeyd edir ki, şəkillər AI üçün çox effektiv kontekst vasitəsidir və agentlər çox vaxt şəkilləri insanlardan daha yaxşı anlayır. Bu, sistemin istifadəsini daha da praktik etdi.

Onun üçün ən “mind-blowing” an isə təsadüfən baş verdi. O, agentə səsli mesaj göndərdi, halbuki belə bir funksiyanı özü proqramlaşdırmamışdı. Amma agent bu problemi özü həll etdi: faylın tipini analiz etdi, formatı müəyyənləşdirdi, ffmpeg vasitəsilə konvertasiya etdi və OpenAI API-dən istifadə edərək səsi mətnə çevirdi. Bu, Steinberger üçün şok idi, çünki agent ona verilməmiş bir funksiyanı özü qurmuşdu.

Bu hadisə ona göstərdi ki, AI yalnız verilmiş qaydaları icra etmir, həm də ümumi problem həll etmə qabiliyyətinə malikdir. Yəni yaxşı proqramçı necə düşünürsə, agent də oxşar şəkildə düşünə bilir

problemi analiz edir, uyğun alətləri seçir və alternativ yollar tapır.

OpenClaw-un uğurunun səbəbi barədə danışarkən Steinberger maraqlı bir fikir irəli sürür: o deyir ki, bu layihə ona görə uğurlu oldu ki, o, bunu çox ciddi qəbul etmədi. Digər şirkətlər agentləri çox “korporativ” və ciddi şəkildə qurmağa çalışarkən, o, bu prosesi əyləncəli etdi, “weird” elementlər əlavə etdi və agentə şəxsiyyət verdi. Bu isə istifadəçilərin daha çox marağına səbəb oldu.

Layihənin ən maraqlı tərəflərindən biri isə agentin özünü dəyişmə qabiliyyətidir. Agent öz kodunu oxuya, səhvləri anlaya və özünü düzəldə bilir. Bu artıq nəzəri bir ideya deyil real bir sistemdir. Steinberger deyir ki, o, agentdən istifadə edərək agenti inkişaf etdirir. Yəni sistem özünü inkişaf etdirən bir mexanizmə çevrilib.

Bu yanaşmanın cəmiyyət üçün ən böyük təsiri isə proqramlaşdırmanın demokratikləşməsidir. O qeyd edir ki, əvvəllər proqram yazmaq üçün böyük bilik və təcrübə tələb olunurdu. Amma indi insanlar, hətta proqramlaşdırma bilməyənlər belə, AI vasitəsilə proqram yarada və open-source layihələrə töhfə verə bilirlər. Onlar ilk dəfə “pull request” göndərirlər və bu, böyük bir dəyişimin başlanğıcıdır.

Nəticə etibarilə, OpenClaw yalnız bir məhsul deyil bu, yeni bir düşüncə tərzidir. Bu yanaşma AI-ni sadəcə danışan bir sistemdən real iş görən bir agentə çevirir. Bu isə texnologiyanın gələcəyini formalaşdıran əsas dəyişikliklərdən biridir.

Texnologiya dəyişir, amma bəzi fundamental anlayışlar geri qayıdır daha güclü, daha kritik formada. AI dövründə belə… network hələ də əsasdır. Bəzən gələcəyi qurmaq üçün keçmişi silmək yox, onu daha yaxşı başa düşmək lazımdır.

Hər zaman olduğu kimi, bu gün də toplanan suallara cavab verirəm.Bəzən düşünürəm… bəlkə bir gün bu cavablarda yanılacam. Amma bu da normaldır. Çünki texnologiya dünyasında “düzgün cavab” anlayışı sabit deyil. Dünən doğru olan bu gün dəyişə bilər. Bu gün inandığın fikir sabah yenilənə bilər.

Son dövrlərdə hara baxırsan AI. Hər konfransda, hər LinkedIn postunda, hər strategiyada eyni söz. Süni intellekt. Bir vaxtlar bu söz məndə yalnız maraq və həyəcan yaradırdı. Sanki yeni bir dünyanın qapısı açılırdı və biz hamımız o qapının qarşısında dayanmışdıq.

Amma zaman keçdikcə hisslər dəyişməyə başladı.

İndi bəzən özümü fərqli bir vəziyyətdə tuturam. Eyni sözün bu qədər təkrarı artıq əvvəlki təsiri yaratmır. Əksinə, bir az yorğunluq, bir az şübhə, hətta bəzən içimdə kiçik bir müqavimət hissi yaranır. Sanki “AI” sözü öz gücünü çox istifadə olunduğu üçün itirməyə başlayır.

Bu, maraqlıdır. Çünki problem texnologiyanın özündə deyil.

Son illərdə texnologiya dünyasında baş verən dəyişikliklər təkcə sürətli deyil həm də fundamental xarakter daşıyır. Süni intellektin (AI) və xüsusilə agent əsaslı sistemlərin yüksəlişi artıq sadəcə texnoloji trend deyil, bu, biznes modellərindən tutmuş təşkilati strukturlara qədər hər şeyi yenidən formalaşdıran bir transformasiyadır. Bu gündə hər zaman ki kimi verilən sualları cavablayıram.

Agentlər insanları əvəz edəcək, yoxsa onları daha güclü edəcək?

Cavab: Bugünkü müşahidələr göstərir ki, agentlər insanları tam əvəz etmir. Əksinə, onlar insanın məhsuldarlığını kəskin şəkildə artırır. Daha az insanla daha çox iş görmək mümkün olur. Bu isə təşkilatlar üçün yeni bir reallıq yaradır. Artıq əsas metrik “team size” deyil, “output per person”dır. Yəni, bir insanın yaratdığı dəyər. Bu dəyişiklik əmək bazarında da hiss olunur. AI-native yəni AI ilə işləməyi bacaran insanlar daha çox tələb olunur. Problem artıq “AI işləri əlindən alacaqmı?” deyil. Əsas məsələ budur: AI ilə işləyə bilməyənlər nə edəcək?

Təşkilatlar necə dəyişir?

Cavab:AI-nın təsiri təşkilat strukturlarında açıq şəkildə görünür. Əvvəllər 50 nəfərlik komandanın gördüyü işi bu gün 20–25 nəfərlik komanda görə bilir. Product management, policy, hətta privacy kimi sahələrdə belə bir çox funksiyalar artıq LLM-lər və agentlər tərəfindən dəstəklənir və ya qismən əvəz olunur.

Bu da rol anlayışını dəyişir. Əvvəllər “manager” və “individual contributor” arasında aydın sərhəd var idi. Bu gün isə bu sərhəd demək olar ki, yox olur. Hətta yüksək səviyyəli rəhbərlər belə vaxtlarının böyük hissəsini “hands-on” işlərə sərf edir. Çünki artıq əsas fokus insanları idarə etmək deyil, nəticələri (outcomes) idarə etməkdir.

Agentlərin gətirdiyi əsas texniki dəyişikliklər hansılardı?

Cavab:Agent əsaslı sistemlərdə ən böyük dəyişiklik “latency collapse” adlandırılan anlayışdır. Əvvəllər bir istifadəçi hərəkəti mərhələli şəkildə baş verirdi:

identity → authentication → authorization → action → transaction

Bu gün isə agentlər bu mərhələlərin çoxunu birləşdirir və birbaşa nəticəyə gedir. Bu isə sistem dizaynında yeni prioritetlər yaradır: trust, safety, verification və guardrails artıq əsas məsələlərə çevrilir.

Risk və Balans necə təyin etməliyik

Cavab:AI sistemləri ilə bağlı təhlükəsizlik risklərinin artması təsadüfi deyil. Bunun əsas səbəbi balansdır. Şirkətlər growth (böyümə) ilə risk arasında seçim etməli olur. Tam təhlükəsiz sistem yaratmaq mümkün deyil, çünki bu, innovasiyanı dayandırar. Əsas məsələ risk tolerance yəni riskə dözümlülük səviyyəsini düzgün təyin etməkdir.

Bununla yanaşı, AI sistemləri artıq yalnız passiv risk daşımır onlar aktiv şəkildə hədəfə çevrilir. Xüsusilə AI yönümlü kiber hücumlar (məsələn, prompt injection, model poisoning, data leakage və agent manipulation) sürətlə artır. Bu hücumlar klassik kiber təhlükələrdən fərqli olaraq sistemin “düşünmə” və qərarvermə qabiliyyətini manipulyasiya etməyə yönəlib.

Nəticədə məsələ artıq təkcə sistemləri qorumaq deyil, həm də AI-nin necə qərar verdiyini, hansı məlumatlara əsaslandığını və hansı hallarda səhv edə biləcəyini anlamaqdır. Yəni müasir yanaşma “tam təhlükəsizlik” yox,

idarə olunan risk + davamlı monitorinq + human-in-the-loop modelidir.

AI Reklam və Commerce dünyasında hansı dəyişiklikləri edir?

Cavab:AI agentlərin ən böyük təsir etdiyi sahələrdən biri reklam və e-commerce-dir. Klassik “funnel” modeli yəni istifadəçinin awareness-dan purchase-a qədər keçdiyi mərhələlər artıq dağılır. Agentlər bu prosesi “collapse” edir və istifadəçini birbaşa nəticəyə aparır.

Bu isə monetizasiya modelini dəyişir. Əvvəllər: view üçün ödəniş click üçün ödəniş var idisə, indi model dəyişir. Nəticəyə görə ödəniş (outcome-based pricing) Məsələn: “sənə 1 müştəri gətirirəm — 10 manat ödə.”

“Search”-in transformasiyası başlayıbmı? Ənənəvi axtarış sisteminin arxitekturası necə dəyişir

Cavab: “Search”-in transformasiyası artıq başlayıb və bu dəyişiklik texnologiyadan daha böyük bir məna daşıyır bu, istifadəçi davranışının, biznes modellərinin və ümumilikdə digital iqtisadiyyatın yenidən qurulmasıdır. Uzun illər ərzində axtarış anlayışı sadə və dəyişməz qalmışdı.İstifadəçi bir sorğu yazır, sistem isə ona linklər siyahısı təqdim edir. Bu model Google kimi platformalar üzərində qurulmuşdu və internetin əsas giriş nöqtəsi hesab olunurdu. Lakin bu model artıq “broken” hesab olunur. Problemin kökündə isə texniki çatışmazlıqdan daha çox istifadəçi gözləntilərinin dəyişməsi dayanır. İnsanlar artıq linklər arasında seçim etmək istəmir onlar birbaşa cavab, qərar və nəticə istəyir. Klassik axtarış sistemi isə istifadəçini qərar prosesinin mərkəzində saxlayırdı: məlumatı tap, müqayisə et, analiz et və nəticəyə gəl. Müasir istifadəçi isə bu prosesi AI-yə delegasiya etmək istəyir. Bu nöqtədə yeni “search entry point”-lər ortaya çıxır. İnsanlar məhsul axtaranda artıq Amazon kimi platformalara gedir, trendləri kəşf etmək üçün TikTok istifadə edir, suallarına cavab tapmaq üçün isə ChatGPT kimi AI interfeyslərə müraciət edir. Yəni “search” artıq bir platforma deyil müxtəlif kontekstlərdə baş verən bir davranışdır. Ən böyük dəyişiklik isə nəticələrin təqdim olunmasındadır. Əvvəllər istifadəçiyə 10 link verilirdi, indi isə bir cavab təqdim olunur. Bu, “search engine” anlayışını “answer engine” ilə əvəz edir. Bu yanaşmada sistem yalnız məlumat tapmır, həm də onu interpretasiya edir və qərar halına gətirir. Bu nöqtədə RAG (retrieval augmented generation) kimi yanaşmalar ortaya çıxır sistem əvvəlcə məlumatı tapır, sonra isə onu analiz edib cavab yaradır. Digər mühüm dəyişiklik “statefulness” məsələsidir. Klassik axtarış hər dəfə sıfırdan başlayırdı, istifadəçi haqqında heç nə “xatırlamırdı”. AI əsaslı sistemlər isə istifadəçinin kontekstini, tarixçəsini və preferensiyalarını yadda saxlayır. Bu isə daha personalizə olunmuş və proaktiv nəticələr yaradır. Bəlkə də ən fundamental dəyişiklik agentlərin roludur. Əgər əvvəl istifadəçi axtarırdısa, indi AI agentləri istifadəçi adından axtarır, müqayisə edir və hətta qərar verir. Bu, “search” anlayışını tamamilə dəyişir axtarış artıq bir fəaliyyət deyil, avtomatlaşdırılmış bir prosesə çevrilir.

Nəticə olaraq, bu transformasiya sadəcə texniki deyil. Bu, digital iqtisadiyyatın strukturunu dəyişir. SEO-dan tutmuş reklam modellərinə, marketplace-lərdən tutmuş məhsul strategiyalarına qədər hər şey yenidən formalaşır. Kim istifadəçinin diqqətini deyil, qərarını idarə edirsə gələcəyin qalibi də o olacaq.

Speed vs Accuracy: Yeni qərar mexanizmi

Cavab:AI sistemlərində əsas trade-off-lardan biri sürət və dəqiqlik arasındadır. Bu balans artıq statik deyil, dinamik və “configurable” olmalıdır. Müasir sistemlər istifadəçiyə və ya agentə seçim imkanı verir:

• sürətli, amma orta dəqiqlik

• yavaş, amma yüksək dəqiqlik

Agentlər isə bu qərarı öz büdcələrinə və məqsədlərinə uyğun verir.

Agentlərin gələcəyi: Agent-to-Agent dünyasını necə dizan edilir?

Cavab: Gələcəkdə agentlər təkcə insanlara xidmət etməyəcək, həm də bir-biri ilə qarşılıqlı əlaqədə olacaq. Görüşləri planlayan, qeydlər aparan, qərarlar verən agentlər artıq gündəlik həyatın bir hissəsinə çevriləcək. İnsanlar isə bu prosesin yalnız yüksək səviyyəli nəzarət hissəsində olacaq.

İqtisadi reallıqda Hype vs Real Impact necə görürsünü?

Cavab:Bütün bu dəyişikliklərə baxmayaraq, geniş iqtisadi təsir hələ tam formalaşmayıb. Hazırda AI-dan ən çox fayda əldə edən az sayda böyük şirkətlərdir. Amma bu, transformasiyanın başlanğıc mərhələsi olduğunu göstərir, sonu deyil.

AI və agentlər dünyasında qalib gəlmək üçün qaydalar artıq dəyişib. Bu, sadəcə texnologiya dəyişikliyi deyil bu, düşüncə tərzinin transformasiyasıdır. Artıq hər şey problem-first düşüncə ilə başlayır. Texnologiyanı tətbiq etmək üçün problem axtarmırıq real problemi tapırıq və sonra AI-ni həmin problemin üzərinə gətiririk.

Daha sonra AI-native yanaşma gəlir. Yəni AI-ni əlavə modul kimi yox, sistemin mərkəzi kimi düşünmək. Əgər məhsulun ürəyində AI yoxdursa, gələcəkdə rəqabət aparmaq çətin olacaq. Burada əsas fokus outcome-driven execution-dır. Artıq output (nə etdik) yox, outcome (nə dəyişdi) önəmlidir. Lakin unutma, AI ilə sürət artıb, amma dəyər yaratmayan sürət sadəcə noise-dur.

Son zamanlar özümün ən çox sevdiyim tərəflərdən birini daha aydın hiss etməyə başlamışam dərin mövzular ətrafında düşünən və eyni tezlikdə rezonans yaradan insanlarla söhbət etmək ehtiyacı. Bu cür söhbətlərdə zaman anlayışı demək olar ki, itir. Saatların necə keçdiyini hiss etmirsən. Əksinə, insan istəyir ki, bu dialoq davam etsin, uzansın, bir yoldan digərinə keçsin və heç bitməsin.

Bəzən düşünürəm ki, illərlə toplanan təcrübə kitablardan, təqdimatlardan və ya formal çıxışlardan daha çox məhz belə ötürülür. İnsanlar arasında yaranan canlı əlaqə, bir fikrin digərinə toxunaraq genişlənməsi, sualların yeni suallar doğurması bunların hamısı öyrənmənin ən təbii və ən təsirli formasıdır. Bu, sadəcə informasiya paylaşımı deyil.Bu, düşüncə sistemlərinin bir-birinə açılmasıdır.

Bu gün San Francisco-dan Palo Alto-ya gedərkən belə bir an yaşadım. Panel çıxışına doğru yolda maşında bir podcast açdıq. Amma çox keçmədi ki, bunun adi bir podcast olmadığını hiss etdim. Sanki universitet auditoriyasında oturmuşdum və qarşımda illərin təcrübəsini sistemləşdirib paylaşan bir professor danışırdı. Hər cümlə yeni bir perspektiv açır, hər fikir sanki əvvəlkilərin üzərində qurularaq daha böyük bir mənzərə yaradırdı.

Yol davam etdikcə içimdə maraqlı bir hiss yaranırdı bu yolun bitməsini istəmirdim. Çünki bu dinləmə prosesi sadəcə məlumat almaq deyildi. Bu, düşünmək, müqayisə etmək, öz təcrübəmlə əlaqələndirmək və yeni nəticələr çıxarmaq idi. Bu, passiv dinləmə yox, aktiv düşünmə idi.

Bəlkə də buna görə belə anlar mənim üçün bu qədər dəyərlidir. Çünki insan yalnız belə anlarda inkişaf etdiyini həqiqətən hiss edir. Anlayır ki, ən böyük öyrənmə mühiti bəzən bir universitet auditoriyası yox, sadəcə düzgün insan, düzgün mövzu və düzgün anda başlayan bir söhbətdir.

Əziz gənc dostum, bu podcast-dan o qədər zövq aldım ki, paylaşmamaq eqoistlik olardı. Bu, sadəcə texnologiya haqqında deyil gələcəyi necə qurmaq, risk etmək və düşüncə tərzini dəyişmək haqqındadır. Ən vacib mesaj isə budur: gələcək birdən yaranmır, onu addım-addım qurursan.


Jensen Huang ilə söhbətdir o, NVIDIA şirkətinin CEO-su və insan sivilizasiyası tarixində ən vacib və təsirli şirkətlərdən birinin rəhbəridir. NVIDIA AI inqilabını hərəkətə gətirən mühərrikdir və bu uğurun böyük hissəsi birbaşa Jensen-in güclü iradəsi, lider, mühəndis və innovator kimi verdiyi ağıllı qərarlar və riskli, amma düzgün “bet”lər ilə bağlıdır.

Sual: Jensen, NVIDIA-nı AI sahəsində yeni bir dövrə gətirdi artıq yalnız çip səviyyəli dizayndan çıxaraq rack (server şkafı) səviyyəli dizayna keçirdi. Düşünürəm ki, demək olar ki, əvvəllər NVIDIA üçün “qazanmaq” ən yaxşı GPU yaratmaq idi və NVIDIA bunu hələ də edir amma indi bunu daha da genişləndirərək GPU, CPU, yaddaş, şəbəkə, storage, enerji, soyutma, proqram təminatı, rack-in özü, elan etdiyiniz pod və hətta data center daxil olmaqla bütün komponentlərin “ekstremal co-design” (birgə dizayn) yanaşmasına keçib.Gəlin bu ekstremal co-design haqqında danışaq. Bu qədər kompleks komponent və dizayn dəyişəni olan sistemi birlikdə dizayn etməyin ən çətin tərəfi nədir?

Cavab: Əvvəla, ekstremal co-design-un zəruri olmasının səbəbi odur ki, artıq problem tək bir kompüterə və ya bir GPU-ya sığmır. Həll etmək istədiyiniz problem belədir: siz sistemə daha çox kompüter əlavə etdikcə sürətin də ondan daha çox artmasını istəyirsiniz. Yəni, məsələn, 10,000 kompüter əlavə etdiniz, amma istəyirsiniz ki, sistem milyon dəfə daha sürətli işləsin. Bu zaman siz alqoritmi parçalamalısınız, onu yenidən strukturlaşdırmalısınız, pipeline-ı bölməlisiniz, datanı bölməlisiniz, modeli bölməlisiniz. Problem bu şəkildə paylandıqda (distributed olduqda), artıq sadəcə miqyaslama deyil tam paylanmış bir sistem yaranır. Bu zaman hər şey problemə çevrilir. Bu, Amdahl’s Law məsələsidir yəni sürət artımı ümumi iş yükünün hansı hissəsinin sürətləndirilə bilməsindən asılıdır. Əgər hesablamalar ümumi işin 50%-ni təşkil edirsə və siz hesablamanı sonsuz dərəcədə sürətləndirsəniz belə (məsələn, milyon dəfə), ümumi sistemi cəmi 2 dəfə sürətləndirmiş olursunuz. Bu səbəbdən artıq təkcə computation deyil, pipeline-ı necə bölmək, həm də şəbəkə problemini həll etmək lazımdır. Çünki bütün bu kompüterlər bir-biri ilə bağlıdır.

Bu miqyasda distributed computing etdikdə:

• CPU problemdir

• GPU problemdir

• networking problemdir

• switching problemdir

• workload-un paylanması problemdir

Bu, son dərəcə kompleks bir computer science problemidir. Ona görə də bütün texnologiyaları birlikdə istifadə etməliyik. Əks halda ya yalnız linearly scale edərik, ya da Moore’s Law çərçivəsində irəliləyərik hansı ki, artıq Dennard scaling zəiflədiyi üçün yavaşlayıb.

Təbii ki, burada trade-off-lar var. Üstəlik, çox fərqli sahələr var:

• high bandwidth memory

• networking

• NVLink

• NIC-lər

• optik və mis bağlantılar

• enerji ötürülməsi

• soyutma

Sadalanan sahələrin hər birində dünya səviyyəli ekspertlər var. Bəs onları necə bir otağa yığıb birlikdə işlədərək belə bir sistemi qurursunuz?

Cavab: Əvvəlcə “ekstremal co-design nədir?” sualına cavab verək: bu, proqram təminatından başlayaraq arxitektura, çiplər, sistemlər, sistem proqram təminatı, alqoritmlər və tətbiqlər daxil olmaqla bütün stack üzrə optimizasiya etmək deməkdir. Bu birinci qatdır.

İkinci məsələ isə səninlə indicə danışdığımız mövzudur bu artıq yalnız CPU, GPU, şəbəkə çipləri, scale-up və scale-out switch-lərlə məhdudlaşmır. Eyni zamanda enerji (power) və soyutma (cooling) da daxil edilməlidir, çünki bu kompüterlərin hamısı son dərəcə enerji tələb edir. Onlar çox iş görür və enerji baxımından effektivdirlər, amma ümumi şəkildə götürdükdə yenə də çox böyük enerji istehlak edirlər. Beləliklə, birinci sual “bu nədir?” idi. İkinci sual “niyədir?” və biz artıq danışdıq ki, məqsəd workload-u paylamaqdır ki, sadəcə kompüter sayını artırmaqdan daha böyük fayda əldə edəsən.

Üçüncü sual isə “necədir?” bunu necə edirsiniz və bu, əslində bu şirkətin “möcüzəsidir” ?

Kompüter dizayn edəndə, kompüterin əməliyyat sisteminə ehtiyacın olur. Amma bir şirkəti dizayn edəndə, ilk növbədə düşünməlisən: bu şirkət nə istehsal etməlidir? Mən çox şirkətin təşkilati strukturlarına (org chart) baxıram və onların hamısı bir-birinə bənzəyir. İstər hamburger şirkəti olsun, istər software şirkəti, istərsə də avtomobil şirkəti hamısının strukturu demək olar ki, eynidir. Bu mənə heç bir məna vermir. Bilirsən, bir şirkətin məqsədi məhsul yaradan bir mexanizm, bir sistem, bir “maşın” olmaqdır. Bu çıxış (output) yəni yaratmaq istədiyimiz məhsuldur. Həmçinin, şirkətin arxitekturası onun fəaliyyət göstərdiyi mühiti əks etdirməlidir. Bu, demək olar ki, birbaşa olaraq təşkilatı necə qurmalı olduğunu sənə göstərir. Mənim birbaşa komandamda 60 nəfər var. Onlarla 1:1 görüşlər etmirəm, çünki bu mümkün deyil. Əgər iş görmək istəyirsənsə, 60 nəfərlə fərdi görüşlər keçirmək real deyil. Amma yenə də 60 nəfər birbaşa sənə report edir. Bəli, əlbəttə, onların çoxu ən azı müəyyən dərəcədə mühəndisliklə bağlıdır engineering ilə əlaqəsi var. Demək olar ki, hamısı. yaddaş üzrə ekspertlər var, CPU üzrə ekspertlər var, optik texnologiyalar üzrə ekspertlər var, həmçinin GPU və arxitektura, alqoritmlər və dizayn üzrə mütəxəssislər var. Yəni sən daim bütün “stack”-ə nəzarət edirsən və bütün stack-in dizaynı ilə bağlı çox intensiv müzakirələr aparırsan. Heç bir müzakirə tək bir nəfərlə olmur. Elə buna görə mən 1:1 görüşlər etmirəm. Biz problemi təqdim edirik və hamımız birlikdə onun üzərinə gedirik çünki biz “extreme co-design” edirik. Sözün əsl mənasında şirkət daim extreme co-design edir. Hətta konkret bir komponent haqqında danışanda belə məsələn, soyutma və ya şəbəkə hamı qulaq asır. Bəli, tam olaraq. Və hər kəs öz töhfəsini verə bilər: “bu enerji paylanması üçün işləmir”, “bu yaddaş üçün uyğun deyil”, “bu başqa hissə ilə uyğun gəlmir”. Düzdür, kim istəmirsə, diqqətini yayındıra bilər. Başa düşürsən nə demək istəyirəm? Bəli. Bunun səbəbi odur ki, komandadakı insanlar nə vaxt diqqət etməli olduqlarını bilirlər. Əgər onlar töhfə verə biləcəkləri bir məqamda iştirak etməsələr, mən onları mütləq çağırıram. Yəni deyirəm: “Gəlin, qoşulun, burada iştirak edin.”

Dediyin kimi, NVIDIA mühitə uyğunlaşan bir şirkətdir. Bəs hansı nöqtədə deyə bilərsən ki, mühit dəyişdi və siz də gizli şəkildə uyğunlaşmağa başladınız əvvəl oyun üçün GPU-dan, bəlkə erkən deep learning dövründə və indi isə “AI fabriki” kimi düşünməyə keçdiniz?

Cavab: NVIDIA nə edir? O, AI istehsal edir gəlin AI istehsal edən bir fabrik quraq. Mən bunu sistemli şəkildə izah edə bilərəm. Biz accelerator şirkəti kimi başladıq. Amma acceleratorların problemi odur ki, tətbiq sahəsi çox dardır. Onun üstünlüyü odur ki, konkret iş üçün çox optimallaşdırılıb. Hər bir mütəxəssis kimi bu üstünlüyü var. Amma çox ixtisaslaşmanın problemi odur ki, bazar əhatən dar olur. Bu hələ normaldır. Əsas problem odur ki, bazarın ölçüsü sənin R&D imkanını müəyyən edir. R&D isə sənin computing sahəsində təsirini müəyyən edir. Ona görə biz əvvəlcə çox spesifik accelerator olanda belə bilirdik ki, bu sadəcə ilk addımdır. Biz “accelerated computing” şirkətinə çevrilməli idik.

Amma problem budur ki, computing şirkəti olanda çox ümumi (general-purpose) olursan və bu, ixtisaslaşmanı zəiflədir. Mən iki zidd anlayışı birləşdirdim:

1. Nə qədər yaxşı computing şirkəti olsaq, o qədər pis mütəxəssis oluruq.

2. Nə qədər mütəxəssis olsaq, o qədər az ümumi computing edə bilirik.

Bu iki anlayış arasında gərginlik var. Mən bu iki sözü qəsdən birləşdirdim şirkət addım-addım çox dar bir yol tapmalıdır: computing imkanlarını genişləndirmək, amma əsas ixtisaslaşmanı itirməmək. Accelerator-dan kənara ilk addımımız programmable pixel shader-i ixtira etmək oldu. Bu, proqramlaşdırıla bilənliyə doğru ilk addım idi və computing dünyasına keçidimizin başlanğıcı idi. İkinci addım shader-lərə FP32 əlavə etmək oldu. IEEE standartına uyğun FP32 computing istiqamətində çox böyük addım idi. Bu addım sayəsində stream processor və data flow processor üzərində işləyən insanlar bizi kəşf etdilər və dedilər ki, bu GPU çox güclüdür və IEEE standartına uyğundur bəlkə CPU üçün yazdığımız proqramları GPU-da da işlədə bilərik.

Bu isə bizi FP32 üzərində C dili əlavə etməyə gətirdi buna CG dedik. CG yolu bizi addım-addım CUDA-ya gətirdi. CUDA-nı GeForce üzərində işlətmək isə çox çətin strateji qərar idi. Bu, şirkətə çox baha başa gəlirdi və o vaxt buna imkanımız yox idi. Amma yenə də etdik. Çünki biz computing şirkəti olmaq istəyirdik. Computing şirkətinin öz arxitekturası olmalıdır və bu arxitektura bütün çiplər arasında uyğun olmalıdır. Bu qərar demək olar ki, şirkət üçün “existential threat” səviyyəsində idi. Amma sonradan bu, tarixdə ən düzgün qərarlardan birinə çevrildi. CUDA bu gün AI infrastrukturu üçün əsas fundamentlərdən biridir. Yəni nəticədə bu, çox doğru qərar oldu.

Belə oldu: biz CUDA-nı yaratdıq və bu, accelerator-un istifadə sahəsini genişləndirdi. Amma əsas sual bu idi: developerləri CUDA-ya necə cəlb edək? Çünki computing platforma hər şeydən əvvəl developer-lərə bağlıdır. Developer-lər sadəcə maraqlı performans olduğuna görə platformaya gəlmirlər. Onlar computing platformaya ona görə gəlirlər ki, install base böyükdür. Çünki developer, hər kəs kimi, çox insana çatan proqram təminatı hazırlamaq istəyir. Beləliklə, install base, əslində, arxitekturanın ən vacib hissəsidir. Arxitektura çox böyük tənqidlər cəlb edə bilər. Məsələn, x86 heç vaxt bu qədər tənqid olunmamışdı çünki o, çox da elegant arxitektura hesab olunmur. Amma buna baxmayaraq, bu günün əsas arxitekturasıdır. Bu, sənə onu göstərir ki, əslində çoxlu RISC(Reduced Instruction Set Computer) arxitekturaları hansı ki çox gözəl qurulmuşdu və dünyanın ən ağıllı kompüter alimləri tərəfindən dizayn edilmişdi böyük ölçüdə uğursuz oldu. Beləliklə, mən sənə iki nümunə verdim: biri elegantdır, digəri isə demək olar ki, estetik deyil. Amma yenə də x86 sağ qaldı.

Install base hər şeydir. Install base arxitekturanı müəyyən edir. Qalan hər şey ikinci dərəcəlidir. O vaxt başqa arxitekturalar da var idi. CUDA çıxdı. OpenCL mövcud idi. Daha bir neçə rəqib arxitektura var idi. Amma bizim verdiyimiz düzgün qərar bu idi: dedik ki, sonda məsələ install base-dir.

Yeni computing arxitekturanı dünyaya yaymağın ən yaxşı yolu nədir?

Cavab: O vaxta qədər GeForce artıq uğurlu olmuşdu. Biz artıq hər il milyonlarla GeForce GPU satırdıq. Dedik ki, CUDA-nı GeForce üzərinə qoymalıyıq və onu hər bir PC-yə yerləşdirməliyik istifadəçilər istifadə edir ya yox fərq etməz. Bunu install base yaratmaq üçün başlanğıc nöqtəsi kimi istifadə etməliyik. Bu arada, developer-ləri cəlb etməyə başladıq, universitetlərə getdik, kitablar yazdıq, dərslər keçdik və CUDA-nı hər yerə yaydıq.Sonda insanlar bunu kəşf etdi. O vaxt PC əsas computing platforması idi. Cloud yox idi.Biz hər bir məktəbdəki tədqiqatçının, hər bir alimin, hər bir mühəndislik məktəbinin, hər bir tələbənin əlinə bir superkompüter verə bildik. Sonda möhtəşəm bir şey baş verəcəkdi. Amma problem bu idi ki, CUDA həmin GPU-nun xərclərini çox artırdı bu isə consumer məhsul olduğu üçün şirkətin bütün ümumi mənfəətini demək olar ki, tamamilə uddu. O vaxt şirkətin dəyəri təxminən 6–8 milyard dollar idi. CUDA-nı buraxdıqdan sonra başa düşdüm ki, bu çox böyük xərc əlavə edəcək, amma bu, bizim inandığımız bir şey idi. Bilirsən, bizim market cap (bazar kapitallaşması) təxminən 1.5 milyard dollara düşdü. Beləliklə biz aşağı düşdük, bir müddət orada qaldıq və yavaş-yavaş geri qalxdıq, amma CUDA-nı GeForce üzərində saxladıq.

Mən həmişə deyirəm ki, NVIDIA GeForce-un qurduğu bir evdir, çünki CUDA-nı hamıya çatdıran məhz GeForce oldu. Tədqiqatçılar, alimlər CUDA-nı GeForce üzərində kəşf etdilər, çünki onların hamısı istifadəçi idi və bir çoxu universitet laboratoriyalarında öz PC-lərini qururdu. Onların çoxu PC komponentlərindən istifadə edərək öz klasterlərini qururdu.Biz işə başladıq, daha sonra bu, deep learning inqilabının platformasına, təməlinə çevrildi. Mən idarə heyətinə nə etməyə çalışdığımızı aydın şəkildə izah etməli idim. Menecment komandası bilirdi ki, bizim gross margin ciddi şəkildə zərbə alacaq. Belə bir vəziyyəti təsəvvür edə bilərsən ki, GeForce CUDA-nın bütün yükünü daşıyır və oyunçular bunun fərqinə varmır.Ən çətini isə oyunçular bunun üçün pul ödəməyəcək. Bilirsən, onlar yalnız müəyyən bir qiymət ödəyirlər və sənin xərclərinin nə olması onları maraqlandırmır. Beləliklə biz xərclərimizi 50% artırdıq və biz 35% gross margin olan bir şirkət idik. Bu səbəbdən bu, çox çətin bir qərar idi, amma təsəvvür etmək olardı ki, bir gün bu texnologiya workstation-lara və superkompüterlərə gedəcək. Beləliklə, bunu maliyyələşdirə biləcəyimizi məntiqən əsaslandırmaq mümkün idi, amma yenə də bu, 10 il çəkdi.

Sual: Amma bu daha çox idarə heyətini inandırmaq üçün olan müzakirə idi. Psixoloji olaraq isə, çünki NVIDIA gələcəyi proqnozlaşdıran və müəyyən dərəcədə formalaşdıran cəsarətli qərarlar verməyə davam edib, mən daha çox bu cür qərarları necə verdiyiniz barədə bir “wisdom” axtarıram şirkət olaraq belə sıçrayışları necə etdiniz?

Cavab: İlk növbədə mən çox böyük maraq hissi ilə idarə olunuram. Bir nöqtədə elə bir düşünmə sistemi yaranır ki, məni tam inandırır ki, bu nəticə baş verəcək və mən buna beynimdə inanmağa başlayıram. Beynimdə buna inananda, bilirsən necə olur sən gələcəyi təsəvvür edirsən və o gələcək o qədər inandırıcı olur ki, baş verməməsi mümkün deyil. Arada çox əziyyət olur, amma sən inandığına inanmalısan.Bir növ mühəndislik baxımından onu reallaşdırırsan, sən ora necə çatacağını düşünürsən. Onun niyə mövcud olmalı olduğunu düşünürsən.Biz hamımız bunu düşünürük menecment komandası bunu düşünür.

Sonrakı hissə isə daha çox bacarıq məsələsidir. Çox vaxt liderlikdə belə olur ki, rəhbərlik sakit qalır və ya nəsə öyrənir, sonra bir manifesto edir, yeni il gəlir və növbəti ilin sonunda birdən yeni plan ortaya çıxır. Böyük ixtisarlar edilir. Böyük təşkilati dəyişikliklər edilir. Yeni missiya bəyanatı, yeni loqolar və s. Biz heç vaxt belə etməmişik. Mən heç vaxt belə etmirəm. Mən nəsə öyrənəndə və bu mənim düşüncə tərzimi dəyişməyə başlayanda, bunu ətrafımdakı hər kəsə çox aydın şəkildə deyirəm ki, bu maraqlıdır, bu fərq yaradacaq, bu buna təsir edəcək. Mən hər şeyi addım-addım düşünürəm. Çox vaxt artıq qərarımı vermiş oluram, amma hər mümkün fürsətdən istifadə edirəm xarici məlumatlar, yeni insight-lar, yeni kəşflər, yeni mühəndislik tapıntıları, yeni mərhələlər.

Bu fürsətləri götürürəm və onlardan başqalarının inanc sistemini formalaşdırmaq üçün istifadə edirəm. Mən bunu sözün əsl mənasında hər gün edirəm. Bunu idarə heyətimlə edirəm. Bunu menecment komandamla edirəm. Bunu əməkdaşlarımla edirəm. Mən onların inanc sistemini formalaşdırmağa çalışıram ki, elə bir gün gəlsin deyim: “Gəlin Mellanox-u alaq” və həmin gün hamıya tam aydın olsun ki, bunu mütləq etməliyik. Elə bir gün deyəndə ki: “Gəlin deep learning-ə tam fokuslanaq” və səbəbini izah edəndə mən artıq şirkət daxilində müxtəlif komandalar üçün bu düşüncənin əsaslarını qurmuş oluram. Hər bir təşkilat, hər bir komanda, bir çox insan artıq bunun müxtəlif hissələrini eşitmiş olur. Şirkətin böyük hissəsi bunun müəyyən parçalarını artıq bilir. Mən bunu elan etdiyim gün, hamı artıq bu ideyanın bir çox hissəsini qəbul etmiş olur. Bir çox hallarda mən bu qərarları elan edəndə belə təsəvvür edirəm ki, əməkdaşlar deyir: “Jensen, niyə bu qədər gecikdin?” Əslində isə mən artıq bir müddətdir onların düşüncə tərzini formalaşdırıram. Buna görə də liderlik bəzən elə görünür ki, sən arxadan rəhbərlik edirsən. Amma sən insanları elə bir nöqtəyə gətirirsən ki, qərarı elan etdiyin gün 100% qəbul olur. Məhz bu istədiyindir hamını özünlə birlikdə gətirmək. Yoxsa birdən deep learning haqqında nəsə elan edirsən və hamı deyir: “Bu nədir, nədən danışırsan?” və ya deyirsən: “Gəlin bu istiqamətə tam keçək” və sənin menecmentin, idarə heyətin, əməkdaşların, müştərilərin deyir:
“Bu haradan çıxdı? Bu dəli fikirdir.” Ona görə də GTC əslində, geriyə baxsan, keynote-lara baxsan mən eyni zamanda sənayedəki tərəfdaşlarımın da düşüncə tərzini formalaşdırıram.

Mən bundan istifadə edirəm ki, öz əməkdaşlarımın inanc sistemini formalaşdırım. Beləliklə, mən nəsə elan edənə qədər məsələn, biz indi Grok-u elan etdik biz gecikmişik. Mən iki il yarımdır bu istiqamətin “stepping stone”-ları haqqında danışıram. Siz geri baxsanız, deyəcəksiniz ki, “Allahım, bunlar iki il yarımdır bundan danışırmış.” Mən addım-addım, addım-addım bu təməli qurmuşam. Beləliklə, vaxt gələndə elan edirsən və hamı deyir: “Niyə bu qədər gecikdin?” Amma bu təkcə şirkət daxilində deyil sən ümumi qlobal innovasiya mühitini də formalaşdırırsan. Bu ideyaları ortaya qoymaqla, sən həqiqətən reallığı formalaşdırırsan. Biz kompüterlər qururuq yox, əslində biz kompüterlər qurmuruq. Biz cloud-lar da qurmuruq. Əslində, biz computing platform şirkətiyik. Maraqlı tərəfi budur ki, heç kim bizdən birbaşa nəsə ala bilmir. Biz vertikal şəkildə dizayn edirik, vertikal inteqrasiya edirik ki, dizayn və optimizasiya edək. Amma sonra bütün platformanı hər səviyyədə açırıq ki, digər şirkətlərin məhsullarına, xidmətlərinə, cloud-larına, superkompüterlərinə və OEM kompüterlərinə inteqrasiya olunsun. Maraqlı tərəf budur ki, mən əvvəlcə onları inandırmadan etdiyim işi görə bilmərəm. Ona görə GTC-nin böyük hissəsi gələcəyi formalaşdırmaqdan ibarətdir ki, mənim məhsulum hazır olanda hamı desin: “Niyə bu qədər gecikdin?”

Sual: Sən hələ də scaling laws-a inanırsan? Sən dördünü qeyd etmisən: pre-training, post-training, test-time və agentic scaling. Gələcək haqqında düşünəndə uzaq gələcək və yaxın gələcək səni gecələr narahat edən əsas maneələr hansılardır? Hansı problemləri həll etməlisən ki, scaling davam etsin?

Cavab: Biz geri baxa bilərik və insanların nəyi “maneə” hesab etdiyini görə bilərik.

Başlanğıcda pre-training scaling law var idi. İnsanlar düşünürdü ki və bu məntiqli idi bizim əlimizdə olan yüksək keyfiyyətli data AI-nın çatacağı səviyyəni limitləyəcək. Bu scaling law çox vacib idi. Model nə qədər böyükdürsə və ona uyğun daha çox data varsa, nəticədə daha ağıllı AI əldə edilir. Bu, pre-training idi. Ilya Sutskever demişdi ki, “data qurtarır” və ya “pre-training bitir”. Sənaye panikaya düşdü və dedi ki, bu AI-nın sonudur. Amma əlbəttə ki, bu doğru deyil. Biz training üçün istifadə etdiyimiz datanı artırmağa davam edəcəyik. Bu datanın böyük hissəsi synthetic olacaq. Bu da insanları çaşdırdı. Amma insanların anlamadığı şey budur ki, biz bir-birimizi öyrətmək üçün istifadə etdiyimiz datanın çoxu artıq synthetic-dir. Synthetic-dir, çünki təbiətdən gəlmir. Sən onu yaradırsan. Mən onu istifadə edirəm.Mən onu dəyişirəm, artırıram. Mən onu yenidən yaradıram. Başqası onu istifadə edir.

Indi biz elə bir səviyyəyə çatmışıq ki, AI ground truth-u götürə, onu artıra, inkişaf etdirə və çox böyük miqdarda synthetic data yarada bilir. Bu isə post-training mərhələsində scaling-in davam etməsinə səbəb olur. Beləliklə, insan tərəfindən yaradılmış data daha az olacaq, amma modelin training-i üçün istifadə olunan data davamlı olaraq artacaq.Nəticədə biz artıq limitlərlə qarşılaşmayacağıq.

Training artıq data ilə məhdudlaşmır. İndi compute ilə məhdudlaşır. Bunun səbəbi odur ki, datanın çoxu synthetic-dir. Sonra növbəti mərhələ test time-dır. Mən hələ də xatırlayıram ki, insanlar mənə deyirdi ki, inferencebu asandır. Pre-training çətindir. Bunlar çox böyük sistemlərdir. Inference asan olmalıdır. Ona görə də inference çipləri kiçik olacaq. Onlar NVIDIA çipləri kimi olmayacaq. Onlar mürəkkəb və bahalı olmayacaq. Gələcəkdə inference ən böyük bazar olacaq və asan olacaq, commoditize olunacaq və hər kəs öz çiplərini qura biləcək.

Bu mənə həmişə məntiqsiz görünürdü, çünki inference düşünməkdir. Məncə düşünmək çətindir. Düşünmək oxumaqdan daha çətindir. Pre-training sadəcə yadda saxlamaq və ümumiləşdirməkdir, pattern və əlaqələri tapmaqdır. Bu oxumaqdır. Amma thinking reasoning, problem həll etmək, yeni və əvvəllər görülməmiş təcrübələri götürmək və onları həll edilə bilən hissələrə bölməkdir, sonra isə ya first principle reasoning ilə, ya əvvəlki nümunələrə və təcrübələrə əsaslanaraq, ya da sadəcə araşdırma və axtarış edərək və müxtəlif şeyləri sınayaraq həll etməkdir. Bu test time scaling inference prosesi əslində düşünmək, reasoning etmək, planlamaq və axtarış etməkdir. Bəs bu necə az compute tələb edə bilər? Biz bu barədə tamamilə haqlı idik. Test time scaling çox yüksək compute tələb edir.

Sonra sual yaranır ki, indi inference və test time scaling mərhələsindəyik, bundan sonra nə var? Aydındır ki, biz artıq bir agentic “insan” yaratmışıq. Bu agentic sistemin bir large language modeli var. Amma test time zamanı bu agentic sistem gedib araşdırma edir, databazalarla işləyir, alətlərdən istifadə edir. Etdiyi ən vacib şeylərdən biri çoxlu sayda sub-agentlər yaratmaqdır, bu isə o deməkdir ki, biz artıq böyük komandalar yaradırıq.

NVIDIA-nı daha çox işçi götürərək böyütmək, məni böyütməkdən daha asandır. Buna görə növbəti scaling law agentic scaling law-dur. Bu, AI-nı çoxaltmaq kimidir. Biz agentləri istədiyimiz qədər sürətlə yarada bilərik. Beləliklə, bizdə dörd scaling law olacaq. Agentic sistemlərdən istifadə etdikcə, onlar daha çox data yaradacaq.

Onlar çoxlu təcrübələr yaradacaq. Onların bəziləri üçün deyəcəyik ki, “wow, bu həqiqətən çox yaxşıdır, bunu yadda saxlamalıyıq. Həmin data set yenidən pre-training mərhələsinə qayıdır. Biz onu yadda saxlayırıq və ümumiləşdiririk. Sonra onu refine edirik və post-training mərhələsində fine-tune edirik. Daha sonra test time-da onu daha da gücləndiririk və agentlər və agentic sistemlər vasitəsilə sənayeyə çıxarırıq.

Beləliklə bu loop, bu dövr davamlı olaraq gedəcək. Əslində məsələ bundan ibarətdir ki, intellekt bir şey ilə scale edəcək compute ilə. Amma burada çətin bir məsələ var ki, bunu qabaqcadan görmək və proqnozlaşdırmaq lazımdır. Bəzi komponentlər var ki, onları optimal şəkildə işlətmək üçün fərqli hardware tələb olunur. Ona görə də AI innovasiyasının hara gedəcəyini qabaqcadan təxmin etməlisən. Məsələn, sparsity kimi şeyləri əvvəlcədən nəzərə almalısan. Hardware sahəsində bir həftə ərzində istiqaməti dəyişmək mümkün deyil. Əvvəlcədən bunun necə görünəcəyini proqnozlaşdırmalısan.

Bu çox çətin və qorxulu bir şeydir.

Məsələn, AI model arxitekturaları təxminən hər altı ayda bir dəyişir. Amma sistem arxitekturaları və hardware arxitekturaları təxminən hər üç ildən bir dəyişir. Ona görə də iki-üç il sonranı təxmin etməlisən. Bunu etməyin bir neçə yolu var. Birincisi, biz bunu daxildə özümüz araşdırırıq. Buna görə də bizim fundamental (basic) research və tətbiqi (applied) research komandalarımız var. Biz öz modellərimizi yaradırıq. Beləliklə, biz bu sahədə birbaşa praktiki təcrübəyə sahibik.

Bu, mənim dediyim co-design-un bir hissəsidir. Biz həm də dünyada demək olar ki, bütün AI şirkətləri ilə işləyən yeganə AI şirkətiyi imkan daxilində çalışırıq ki, insanların hansı problemlərlə qarşılaşdığını anlayaq.

Əslində isə bu sözlər bir az da özümə idi.

Uzun müddət düşünürdüm ki, nə qədər çox şey öyrənsəm, bir o qədər güclü olaram. Daha çox texnologiya, daha çox alət, daha çox istiqamət… Sanki genişlik uğurun əsas şərti idi. Amma zaman keçdikcə gördüm ki, bu yanaşma insanı bəzən səthi edir. Hər şeydən bir az bilirsən, amma heç nədə həqiqi dərinlik əldə edə bilmirsən. Ən təhlükəlisi fokusunu itirirsən.

Əslində karyera “çox şey bilmək” yarışı deyil. Karyera seçimdir. Və bu seçimlərin içində ən çətini nədən imtina etməyi bacarmaqdır. Çünki hər “hə” dediyin istiqamət səni başqa bir dərinlikdən uzaqlaşdırır.

Bu gün başa düşürəm ki, öyrənəcəyin şeylərin sayı az olmalıdır. Amma seçdiklərin elə seçilməlidir ki, onları yarımçıq yox, sonuna qədər öyrənəsən. Davamlı, sistemli və səbirli şəkildə. Çünki dərinlik yalnız zaman və fokus istəyir.

Gənc dostuma demək istədiyim ən əsas şey budur. Diqqətini qoru. Fokusunu itirmə. Bu dövrdə ən böyük üstünlük artıq məlumat deyil diqqətdir. Hər şey səni yayındırmağa çalışacaq, yeni texnologiyalar, trend olan sahələr, “hamı bunu öyrənir” səs-küyü… Amma sən öz yolunu seçməlisən.

Az şey öyrən, amma onu elə öyrən ki, səni fərqli etsin. Çünki sonda səni önə çıxaran çox şey bilməyin yox, bir neçə şeyi həqiqətən yaxşı bilməyin olacaq.

Ümumiyyətlə, insan müəyyən bir yaşa çatdıqdan sonra istəkləri də, dünyaya baxışı da tamamilə dəyişir. Zaman keçdikcə insan dəyişir; dəyişməyən yalnız dəyişimin özüdür.

Son illərdə texnologiyanın bu qədər sürətlə dəyişməsi və yeni “dizayn” formalaşdırması mənim də düşüncəmi yenidən dəyişir, fokusumu bir çox sahəyə qaytarır. Sanki insan yenidən özünü kəşf etməyə başlayır.

Əziz gənc dostum əgər indi məndən soruşsaydılar ki, kim olmaq istəyirsən. Çox rahat deyərdim riyaziyyat müəllimi və ya fizika üzrə elmi araşdırmaçı. Çünki dünyanı anlamaq, onun necə işlədiyini hiss etmək, görünməyənin arxasındakı qanunları kəşf etmək mənim üçün həmişə xüsusi bir hiss olub. Bəlkə də başlanğıc elə buradandır insanın aləmi dərk etmək istəyindən. Mənim inancım budur ki, bu yol, Allahın izni ilə, insanı həqiqətin daha dərin qatlarına yönəldər.

Gündəlik işimdən kənarda isə son dövrlər diqqətimi iki sahə daha çox çəkir kvant və enerji. Sanki gələcəyin əsas kodu elə bu iki istiqamətdə yazılır. Bu gün hiss olunur ki, enerji uğrunda gedən mübarizə artıq açıq və ya gizli şəkildə yeni müharibələrin səbəbinə çevrilir.

Günün fokuus Dalğa enerjisi

Dalğa enerjisi, sabit və proqnozlaşdırıla bilən enerji təmin etmə qabiliyyətinə görə yenidən diqqət mərkəzinə düşür. Bu texnologiya külək və günəş enerjisini tamamlayaraq təmiz enerjinin maya dəyərini azaltmağa, eyni zamanda enerji sistemlərinin dayanıqlığını və enerji müstəqilliyini gücləndirməyə kömək edir.

Qlobal miqyasda təxminən 1.8 teravat (TW) potensiala malik olan və bunun 500 GVt hissəsi praktik olaraq istifadə edilə bilən dalğa enerjisi gələcəkdə dünya elektrik tələbatının 10–20%-ni təmin edə bilər. Təkcə ABŞ-da bu resursun illik potensialı 2.64 trilyon kilovat-saat səviyyəsindədir ki, bu da ölkənin ümumi enerji istehsalının təxminən 63%-nə bərabərdir.

Bu sahənin inkişafını çətinləşdirən əsas amillər mürəkkəb dəniz mühəndisliyi problemləri, yüksək ilkin investisiya xərcləri və elektrik enerjisinin yüksək səviyyəli maya dəyəri olmuşdur.

Artıq yeni nəsil startuplar yaranır və bu günün innovativ şirkətləri dəyəri məhz dərin texnologiyalar üzərində qurmağa başlayır. Əvvəllər daha çox sürətli böyümə, sadə həllər və bazara tez çıxış əsas prioritet idisə, indi fokus tədricən dəyişir.

Bugünün qurucuları artıq daha fundamental problemlərə yönəlir kvant texnologiyaları, enerji, süni intellekt, biotexnologiya kimi sahələrə. Çünki anlayırlar ki, real və uzunmüddətli dəyər məhz bu sahələrdə formalaşır.

Bu isə o deməkdir ki, növbəti onillikdə rəqabət sadəcə məhsul səviyyəsində deyil, bilik, elmi yanaşma və texnoloji dərinlik üzərində qurulacaq. Bəlkə də, gələcəyin ən böyük şirkətləri məhz bu gün səssiz şəkildə bu sahələrdə çalışan kiçik komandaların içindən çıxacaq.

Bu gün diqqətimi İsveç startapı CorPower Ocean çəkir. Şirkət dalğa enerjisini toplamaq üçün patentləşdirilmiş texnologiyalar hazırlayıb və məqsədi bu sahədə mühəndislik problemlərini həll edərək xərcləri digər bərpa olunan enerji mənbələri ilə rəqabət apara biləcək səviyyəyə endirməkdir.

Şirkətin investorları arasında SEB Greentech, Cisco Investments, Santander Asset Management, InnoEnergy və digər iri qurumlar yer alır. CorPower Ocean ümumilikdə 151 milyon avro həcmində investisiya və qrant cəlb edib və 2026-cı ildə Global Cleantech 100 siyahısına daxil edilib. Texnologiyanın əsas yeniliyi insan ürəyinin işləmə prinsipindən ilhamlanmasıdır. Sistem hava təzyiqi vasitəsilə dalğa hərəkətindən sonra üzən qurğuları başlanğıc vəziyyətinə qaytarır. Bu yanaşma həm avadanlığın zədələnməsinin qarşısını alır, həm də enerji istehsalını optimallaşdıraraq məhsuldarlığı 5 dəfəyə qədər artırır.

Son dövrlər enerji sahəsində diqqətimi çəkən digər startuplardan biri də Oscilla Power-dir. Bu şirkət klassik enerji startuplarından fərqli olaraq, sadəcə elektrik istehsal etməyə çalışmır o, okeanın kompleks hərəkətini anlamağa və onu effektiv enerji mənbəyinə çevirməyə çalışır.

Oscilla Power ABŞ-da fəaliyyət göstərən deep-tech startup-dır və əsas məhsulu olan Triton platforması vasitəsilə dalğaların çoxistiqamətli hərəkətindən enerji əldə etməyi hədəfləyir. Ən maraqlı tərəfi isə budur ki, bu yanaşma klassik wave energy modellərindən fərqlənir burada məqsəd yalnız dalğanı “tutmaq” deyil, onun bütün dinamikasını istifadə etməkdir.

Şirkət bu günə qədər ABŞ hökumətinin enerji proqramlarından, xüsusilə ARPA-E və Department of Energy (DOE) kimi qurumlardan maliyyə dəstəyi alıb. Bu da onu göstərir ki, bu sahə artıq yalnız startup səviyyəsində deyil, dövlət səviyyəsində də strateji prioritetə çevrilib.

Oscilla Power-in həll etməyə çalışdığı əsas problem isə çox aydındır: daha stabil, proqnozlaşdırıla bilən və geniş miqyasda tətbiq oluna bilən təmiz enerji mənbəyi yaratmaq. Günəş və külək enerjisindən fərqli olaraq, okean dalğaları daha davamlı və öncədən proqnozlaşdırıla bilən enerji potensialına malikdir. Bu isə gələcəyin enerji sistemləri üçün kritik üstünlükdür.

Gənc dostuma (və özümə) demək istədiyim son söz budur: Hər şeyi bilməyə çalışma. Düzgün şeyi seç və onu həqiqətən anla. Çünki gələcəyin dünyasında səni fərqli edəcək olan şey çox bilmək deyil, dərin bilmək olacaq.

Bu gün bütün dünya Süni İntellekt haqqında danışır. AI artıq laboratoriyalardan çıxıb gündəlik həyatımıza daxil olub. Kod yazır, qərarlar verir, biznes proseslərini optimallaşdırır, insanın düşünmə və işləmə tərzini dəyişir. Şirkətlər hələ bu texnologiyanı necə düzgün istifadə etməyi öyrənir. Hələ çoxları üçün AI bir alətdir, bəziləri üçün isə yeni bir platforma. Amma hamı üçün ortaq olan bir həqiqət var, biz hələ bu texnologiyanın başlanğıc mərhələsindəyik.

Məhz bu mərhələdə, sanki səssizcə, dərinlikdə başqa bir transformasiya formalaşır Quantum Computing.

Quantum hələ həyatımızın birbaşa parçası deyil. O, hələ tətbiq səviyyəsində geniş yayılmayıb. Amma onun ətrafında baş verənlər elmi irəliləyişlər, böyük texnologiya şirkətlərinin yatırımları, dövlətlərin strateji planları göstərir ki, bu texnologiya sadəcə gələcək deyil, artıq yaxınlaşan bir reallıqdır.

Bu, texnologiya tarixində nadir hallarda baş verən bir situasiyadır. Adətən transformasiyalar ardıcıl gəlirdi: əvvəl internet, sonra mobil, daha sonra cloud, indi isə AI. Hər biri öz dövrünü yaşayır, tam formalaşır, sonra növbəti mərhələ başlayırdı.

Amma indi fərqli bir dövrdəyik.

Biz hələ AI-nin içindəyik onu başa düşməyə, tətbiq etməyə, monetizasiya etməyə çalışırıq. Eyni zamanda isə Quantum artıq qapını döyür. Bu iki dalğa paralel şəkildə irəliləyir. Bu isə həm fürsət, həm də risk yaradır.

Çünki texnologiya artıq sadəcə inkişaf etmir sürətlənir. Bu sürət insanları və təşkilatları çətin bir sualla üz-üzə qoyur: biz bu dəyişimi idarə edirik, yoxsa sadəcə onun arxasınca qaçırıq?

AI bizə sürət verdi. O, prosesləri avtomatlaşdırdı, qərarverməni tezləşdirdi, məhsuldarlığı artırdı. Amma Quantum əgər vəd etdiyi kimi reallaşarsa limitləri dəyişəcək. Bu gün həll edə bilmədiyimiz problemlər sabah adi hala çevrilə bilər. Molekulyar simulyasiyalar, kompleks optimizasiya, kriptoqrafiya bütün bunlar yeni səviyyəyə keçə bilər.

Burada ən maraqlı məqam yaranırş. Biz hələ mövcud texnologiyanın potensialını tam istifadə etməmişik, amma artıq növbəti texnologiyanın kölgəsi üzərimizə düşür.

Bu vəziyyət bir növ insanın yarımçıq tikdiyi ev kimidir. Sən hələ birinci mərtəbəni tamamlamamısan, amma artıq ikinci mərtəbənin planı və təsiri hiss olunur. Bu isə səni daha fərqli düşünməyə məcbur edir.

Bu dövrdə qalib olanlar yalnız texnologiyanı istifadə edənlər olmayacaq. Qalib olanlar texnologiyanın istiqamətini oxuya bilənlər olacaq. Hype ilə reallığı ayıra bilənlər, bu gün ilə sabah arasında körpü qura bilənlər. Çünki gələcək birdən-birə gəlmir. O, əvvəlcə siqnallar şəklində gəlir. AI bu günün reallığıdır. Quantum isə sabahın siqnalıdır və biz… bu iki reallığın arasında dayanmışıq.

Bu, sadəcə texnologiya transformasiyası deyil. Bu, düşüncə tərzinin transformasiyasıdır.

Texnologiyanın “breakthrough mode”da olduğunu göstərən əlamətlər hər yerdədir. Google 30 illik səhv baryerini aşdı. Microsoft yeni tip kubit qurdu. IBM Nighthawk prosessorunu təqdim etdi və dünyanın ilk böyük miqyaslı fault-tolerant kvant kompüteri üçün yol xəritəsini açıqladı. Bu arada, yalnız kvanta fokuslanan şirkətlərin səhmləri son bir ildə yüzlərlə bəzi hallarda minlərlə faiz artım göstərdi, investorlar isə kvant startaplarına təxminən 4 milyarddan 5 milyard dollara qədər vəsait yatırdı.

Buna baxmayaraq, bu həyəcanın altında narahat edici bir həqiqət qalır. Kvant kompüterləri fövqəladə benchmark nəticələri və bir neçə ümidverici ilkin mərhələ kommersiya nümayişləri ortaya qoyub, lakin hələlik kommersiya baxımından əvəzolunmaz heç nə yoxdur. Sahə qəribə və keçid dövründə bir vəziyyətdədir. Nəsə baş verir, amma eyni zamanda aydındır ki, inqilab hələ gəlib çatmayıb.

Bu, 2026-cı ilin kvant paradoksudur. Breakthrough-lar realdır. Zaman qrafikləri realdır. Bugünkü maşınlarla transformativ tətbiqləri açmaq üçün lazım olan fault-tolerant kvant kompüterləri arasındakı boşluq da çox realdır.

“Kvant yaxınlaşır və eyni zamanda niyə hələ gəlməyi” bu barədə sizin fikriniz nədir?

Cavab: Bu çox həyəcanverici zamandır. Çox sayda ağıllı ideyalar var. Mən şadam ki, insanlar bu sahədə müxtəlif yanaşmalar sınayırlar, amma mənim fikrimcə kvant kompüter qurmaq insanların düşündüyündən daha çətindir. Bu, çox böyük sistem mühəndisliyi problemidir və bir çox şeyi düzgün etmək lazımdır. Nəticədə isə onu istehsal edilə bilən və ucuz etmək lazımdır ki, bu da ayrıca problemdir.

Qolab-ın yanaşmasını izah edə bilərsinizmi?

Cavab: Əgər superkeçirici kubitlərə baxsaq mənim fikrimcə Google-da böyük sistemlər qurla bilib və onlar kifayət qədər yaxşı işləyir. Digər qruplar da bunu uğurla edir. Amma real eksperimentlərə baxsanız, ortada çox kiçik bir çip olur və onun ətrafında saysız-hesabsız naqillər, mikrodalğa komponentləri və bağlantılar yerləşir. Bu, hazırkı fizika üçün yaxşıdır, amma milyonlarla kubit qurmaq üçün bu yanaşma işləməyəcək. Təkcə qiymətə baxın. Hər kubit təxminən 10,000 dollardır və bu maşınların ümumi qiyməti on milyardlarla dollara çata bilər.Araşdırmacıların yanaşması budur ki, sistemi tamamilə yeni şəkildə qurmaq lazımdır ki, həm miqyaslana bilsin, həm də ucuz olsun. Bu çətindir. Biz yarımkeçirici istehsal və paketləmə texnologiyalarını xüsusilə GPU sistemlərində istifadə olunan texnologiyanı uyğunlaşdıraraq bunu etmək istəyirlər. Bu texnologiya artıq mövcuddur və düşünürəm ki, onu uyğunlaşdıraraq effektiv sistem qura bilərlər. Amma bu, çox fərqli yanaşmadır və çoxlu yeni şeylər icad etməyi tələb edir.

Sizi superkeçirici yanaşmanın ən doğru yol olduğuna nə inandırır?

Cavab: Superkeçirici kubitlər yaxşı işləyir, amma miqyas problemi var. Digər yanaşmalara baxaq: məsələn, neytral atomlar və ion tələləri. Onlar miqyaslana bilər, amma çox yavaşdır 1000 dəfə yavaş ola bilər. Bu çox böyük fərqdir. Bəli, hazırda minlərlə kubit üzərində işləyirlər, amma real ümumi təyinatlı kvant kompüteri üçün milyonlarla kubit lazımdır və bu texnologiyalar üçün bu, çox çətin olacaq.

IBM-in rəhbəri ilə razısınız ki, artıq bu fizika yox, mühəndislik problemidir?

Cavab: Tam olaraq yox. Hələ də material fizikası və digər fundamental məsələlər var. Biz hələ də kubitlər üçün fiziki modellər qurururuq və bu ən çətin hissədir. Mövcud yanaşmanı sadəcə yaxşılaşdırmaq kifayət etməyəcək tamamilə yeni arxitektura lazımdır. Bəli, bu qismən mühəndislik problemidir, amma hələ həll olunmamış ciddi problemlər var.

Sizcə 2030-cu illərdə fault-tolerant kvant kompüteri olacaq?

Cavab: Fault tolerance çox aşağı səhv səviyyəsi deməkdir və bu çox sayda kubit tələb edir. 5–10 il deyirlər

görək kim bunu reallaşdıra biləcək.

Bizneslər üçün əsas mesaj nədir?

Cavab: Ən vacib məsələ internet təhlükəsizliyidir. RSA kimi şifrələmə sistemləri 5–10 il ərzində qırıla bilər. Amma panikaya ehtiyac yoxdur kvanta davamlı (quantum-resistant) protokollar artıq hazırlanıb və NIST bu istiqamətdə ciddi iş görüb. Şirkətlər sadəcə bunu öyrənməli və tətbiq planı hazırlamalıdır.

Kvant hesablama ilə bağlı sizi ən çox nə həyəcanlandırır?

Cavab: Kimya və material elmi. Kvant kompüterləri molekulların davranışını modelləşdirə bilər, bu da yeni materialların və dərmanların hazırlanmasını sürətləndirəcək. Məsələn, nadir torpaq elementlərindən asılılığı azaltmaq üçün alternativ materiallar yaradıla bilər. Bu, həm iqtisadi, həm də ekoloji baxımdan böyük təsir yarada bilər. Kvant həmçinin optimizasiya problemlərində də istifadə oluna bilər. Bu, bir az bugünkü AI kimidir ideyalar çoxdur, amma real təsiri sistemlər qurulandan sonra tam görünəcək.

Söhbətlər isə adətən eyni suallarla başlayır:

“Gələcəkdə hansı texnologiyalar daha vacib olacaq?”
“AI dövründə özümüzü necə inkişaf etdirməliyik?

Bu suallar mənə həmişə böyük ümid verir. Çünki bu sualların arxasında öyrənmək istəyən, gələcəyi qurmaq istəyən bir nəsil var. Onların marağı, enerjisi və dünyaya açıq baxışı mənə bir şeyi xatırladır biz həqiqətən də yeni bir dövrün başlanğıcındayıq. Texnologiya sürətlə dəyişir, amma bu dəyişimi formalaşdıracaq olan insanlardır. Ölkəmizdə inandığım sahələrdən biri, bəlkə də birincisi kibertəhlükəsizlikdir. Son illərdə görürəm ki, gənclərimiz bu sahəyə böyük maraq göstərirlər. Sevindirici haldır ki, ölkəmizdə bu istiqamətdə güclü kadrların formalaşması prosesi sürətlə davam edir. Universitetlərdə, texnologiya icmalarında və startap mühitində yeni nəsil mütəxəssislər yetişir. Mən inanıram ki, çox uzaq olmayan bir gələcəkdə artıq Azərbaycanın kibertəhlükəsizlik məhsulları və həlləri qlobal bazarda da öz sözünü deməyə başlayacaq.

Çünki bu sahədə ən böyük kapital insandır.
Və bizim gənclərimizin enerjisi, marağı və potensialı bu gələcəyin qurulacağına böyük ümid verir.

Qlobal Kibertəhlükəsizlik Perspektivinin son versiyasında öyrəndik ki, artıq təşkilatların təxminən üçdə ikisi geosiyasi motivli kiberhücumları risk strategiyalarına daxil edir. Hazırdakı müharibə fonunda hücumların artdığını görürükmü?

Cavab: İrandakı böhran müəyyən təsir göstərir, lakin qeyd etmək lazımdır ki, geosiyasət ilə kibertəhlükəsizlik arasındakı əlaqə artıq biznes dünyasında başa düşülməyə başlanıb. Biz bunu ilk dəfə 2023-cü ildə Qlobal Kibertəhlükəsizlik Perspektivi hesabatında görmüşdük.

Ukrayna böhranı dönüş nöqtəsi oldu. 2022-ci ildə müharibənin ilk günlərində GPS və peyk siqnallarının bloklanması baş verdi və bu, hərbi kommunikasiya ilə yanaşı Almaniyadakı külək elektrik stansiyalarının fəaliyyətinə də ciddi təsir göstərdi. Keçən il ölkəmizdə də böyük bir media holdingə olan hücumu da misal çəkə bilərik. Portuqaliya və İspaniyada baş verən böyük elektrik kəsintisi də başqa bir dönüş nöqtəsi idi. Əgər bədniyyətli dövlət və ya qeyri-dövlət belə bir əməliyyat həyata keçirsə, nəticə eyni ola bilər.

Bu gün kiberməkan müharibənin beşinci ölçüsü hesab olunur quru, dəniz, hava və kosmosla yanaşı. Problem ondadır ki, hücumlar yalnız hədəf təşkilatlara deyil, istəniləm quruma zərər vurur, çünki internet infrastrukturu bir-biri ilə sıx bağlıdır. Buna görə təşkilatlar geosiyasi riskləri kiberdavamlılıq strategiyalarına daxil etməlidirlər.

Ümumilikdə isə təşkilatların üzləşdiyi təhlükələrin sayı ildən-ilə artır istər dövlət qurumları olsun istərsə də biznes sektoru.

Təşkilat öz kiberdavamlılığını gücləndirə bilər. Bəs təchizat zəncirləri ilə bağlı risklər necə?

Cavab: Böyük təşkilatlar üçün təchizat zəncirləri kiberdavamlılığa nail olmağın ən böyük maneəsidir. Çünki təchizat zəncirləri çox mürəkkəbdir və hətta iqtisadiyyat stabil olanda belə bir təşkilat bütün təchizatçı ekosistemini izləməkdə çətinlik çəkir. Digər problem isə təhlükəsizliyin statik deyil, dinamik olmasıdır. Yəni üçüncü tərəfin təhlükəsizlik səviyyəsində baş verən dəyişiklik sizin təhlükəsizliyinizə də təsir edir. Son illərdə isə ticarət müharibələri və geosiyasi gərginliklər səbəbindən təchizat zəncirləri yenidən qurulur. Bu proses çox sürətlə getdiyi üçün yeni təhlükəsizlik boşluqları yaradır.

Bəs kritik infrastrukturlar haqqında nə demək olar? İran müharibəsi zamanı neft obyektləri və data mərkəzləri hədəf alınır.

Cavab: Əksər ölkələrin kibertəhlükəsizlik strategiyası maliyyə, enerji, səhiyyə və kommunal xidmətlər kimi kritik infrastrukturlar üzərində qurulur. Lakin kritik infrastruktur anlayışı ölkədən ölkəyə dəyişir. Məsələn, bir ölkədə istehsal sektoru ÜDM-in 80%-ni təşkil edirsə, həmin sektor da kritik infrastruktur sayılır. Burada əsas məsələ dövlət və özəl sektorun əməkdaşlığıdır.

Məsələn, Saudi Aramco Səudiyyə Ərəbistanında Milli Kibertəhlükəsizlik Agentliyi ilə birlikdə təchizat zənciri risklərinin idarə olunması üçün çərçivə hazırlayıb. Bu model ölkədə geniş tətbiq olunur və üçüncü tərəflərin təhlükəsizliyinin yoxlanılması prosesini xeyli sadələşdirir.

ABŞ yeni kibertəhlükəsizlik strategiyasında özəl sektora daha aktiv rol verəcəyini bildirib. Bu necə işləyə bilər?

Cavab: Kibertəhlükəsizlik sahəsində dövlət və özəl sektor əməkdaşlığı çox güclü nəticə verə bilər. Məsələn, Dünya İqtisadi Forumunun təşəbbüsü ilə Cybercrime Atlas adlı layihə yaradılıb. Bu təşəbbüs Microsoft, Fortinet, PayPal və Santander tərəfindən maliyyələşdirilib. Hazırda müxtəlif şirkətlərdən 50-yə yaxın analitik açıq mənbələrdən məlumat toplayaraq kiber cinayətkarların fəaliyyətini analiz edir və hüquq-mühafizə orqanlarına məlumat ötürür.

Liderlərin 87%-i deyir ki, AI ilə bağlı təhlükəsizlik riskləri ən sürətlə artan riskdir. Bununla necə mübarizə aparmaq olar?

Cavab: AI iki tərəfli qılıncdır. Bir tərəfdən yeni risklər yaradır, digər tərəfdən təhlükəsizlik üçün böyük imkanlar təqdim edir.

Hazırda biz araşdırırıq:

• Mövcud təhlükəsizlik nəzarətləri AI risklərini idarə etmək üçün yetərlidirmi

• Yoxsa yeni mexanizmlər məsələn kill switch və human-in-the-loop kimi yanaşmalar lazımdır

Eyni zamanda biz AI-nin kibertəhlükəsizlik komandalarına necə kömək edə biləcəyini araşdırırıq. AI xüsusilə kiçik və orta bizneslər üçün böyük imkan yarada bilər. Çünki bu gün ən qabaqcıl təhlükəsizlik sistemləri çox bahalıdır. AI isə bu sistemlərin daha ucuz və əlçatan versiyalarını yaratmağa kömək edə bilər.

AI texnologiyaları şirkətlərin Zero Trust security modelini qurmasına və real vaxtda cyber hücumları aşkar etməsinə necə kömək edir?

Cavab: Müasir şirkətlərdə istifadəçilər və sistemlər artıq yalnız ofisdən deyil, cloud, remote work və mobil cihazlar vasitəsilə sistemlərə qoşulur. Bu səbəbdən ənənəvi “perimeter security” modeli kifayət etmir. AI bu problemi Zero Trust modelində həll etməyə kömək edir. AI sistemləri aşağıdakı məlumatları davamlı analiz edir:

• istifadəçi login davranışı

• cihazın təhlükəsizlik vəziyyəti

• IP address və location

• network traffic və API çağırışları

• tətbiqlərə giriş pattern-ləri

AI nə edir? AI istifadəçinin və sistemin normal davranış modelini öyrənir və bundan kənar fəaliyyətləri dərhal aşkarlayır.

Məsələn:

• istifadəçi adətən Bakıdan login olur, amma birdən başqa ölkədən login cəhdi edilir

• bir servis normalda 200 API request edir, amma birdən 20,000 request göndərir

• istifadəçi birdən çox böyük həcmdə data download etməyə başlayır

AI bu vəziyyəti anomaly kimi müəyyən edir və avtomatik tədbir görür.

2026-cı il üçün rəhbərlərə hansı tövsiyəni verərdiniz?

Cavab: 2026-cı ildə təşkilat rəhbərləri kibertəhlükəsizlik sahəsində üç əsas istiqamətə xüsusi diqqət yetirməlidirlər:

Geosiyasi risklər.Geosiyasi gərginliklər artıq kibertəhlükəsizlik risklərinin əsas mənbələrindən birinə çevrilib. Buna görə də təşkilatlar geosiyasi riskləri kiberdavamlılıq (cyber resilience) strategiyalarına daxil etməlidirlər.

AI təhlükəsizliyi.AI istifadə edən təşkilatlar yalnız AI-dən faydalanmağı deyil, həm də onun təhlükəsizliyini təmin etməyi düşünməlidirlər.
Xüsusilə aşağıdakı məsələlər vacibdir:

• AI modellərinin təhlükəsiz şəkildə train edilməsi

• istifadə olunan data-nın qorunması

• AI modellərinin manipulyasiya və ya hücumlara qarşı dayanıqlığı

Eyni zamanda təşkilatlar AI-nin kibertəhlükəsizliyi gücləndirmək üçün necə istifadə edilə biləcəyini də araşdırmalıdırlar.

Kiber dələduzluq (Cyber Fraud). 2026-cı ildə CEO və rəhbər heyəti üçün ən böyük risklərdən biri AI əsaslı kiber fırıldaqçılıq olacaq.

Məsələn, artıq hücumçular:

• CEO və rəhbərlərin səsini AI ilə klonlayaraq

• əməkdaşlara saxta əmrlər göndərir

• maliyyə əməliyyatlarını manipulyasiya etməyə çalışırlar.

Bu səbəbdən təşkilatlar güclü governance mexanizmləri, risk idarəetmə sistemləri və təhlükəsizlik prosedurları qurmalıdırlar.

.

Bir mart gecəsi. Bakı bulvarı işıqlıdır. Hava bir az soyuqdur, amma söhbətlər isə istidir. Dənizdən gələn külək, şəhərin işıqları və insanların səsi... Bakı mənim üçün hər zaman başqa bir istiliyə sahib olub.

Harada olmağımdan asılı olmayaraq istər dünyanın o biri tərəfində, istərsə də başqa bir şəhərdə bu şəhərə və bu vətənə olan hissim dəyişmir. Şəhərimi də, vətənimi də hər zaman sevirəm.

Belə axşamlarda gənclərlə görüşəndə, bir kofe içə-içə onların karyerasında diqqət etməli olduqları əsas məqamlar haqqında danışmağa çalışıram. Adətən söhbət texnologiya, peşə seçimi, bacarıqlar və gələcək imkanlar ətrafında gedir.

Amma son vaxtlar bir şeyi daha çox hiss edirəm, günümüzün ən vacib məsələlərindən biri artıq yalnız karyera deyil. Düzgün qidalanmaq, aktiv olmaq və stressdən uzaq qalmaq da eyni dərəcədə vacib mövzuya çevrilib.

Biz nəsil məktəbdə oxuduğumuz illərdə desəydilər ki, valideynlər uşaqlarını psixoloqa aparır ki, onların problemlərini daha yaxşı anlasınlar, yəqin ki, ətrafımızdakıların çoxu buna gülərdi. Bu, o dövr üçün bir az qəribə görünərdi.

Amma indi baxırsan ki, məktəbə yeni başlayan uşaqlar arasında belə psixoloqa müraciət getdikcə daha adi və sürətlə yayılan bir şeyə çevrilir.

Bəs nə dəyişib?
Cəmiyyət daha savadlı olub?
Yoxsa biz insanlar uzun və sağlam yaşamağın “longevity”nin əsl mənasını indi-indi dərk etməyə başlamışıq?

Süni intellekt dövründə “brain capital” yəni beyin sağlamlığı və beyin bacarıqlarının birləşməsi artıq yalnız fərdi inkişaf məsələsi deyil, həm də cəmiyyətlərin və ölkələrin gələcək rəqabət qabiliyyətini müəyyən edən əsas strateji faktorlardan birinə çevrilir.

Ənənəvi olaraq mənə verilən sualların cavablandırıram.

“Brain capital” yəni beyin sağlamlığı və beyin bacarıqlarının birləşməsi niyə buna diqqət və məhz indi?

Cavab: Keçən il süni intellekt inkişafı üçün təxminən 400–500 milyard dollar investisiya qoyuldu. Bu il isə bu rəqəmin 600–700 milyard dollara çatacağı gözlənilir. Bu pulla çox böyük data mərkəzləri tikilir. Bu mərkəzlər çox enerji və su istifadə edir və nəticədə həm xərclər artır, həm də iqlimə mənfi təsir göstərir.

Əslində bütün bu texnologiyalar insan beyninin etdiyini təkrarlamaq üçün qurulur. Halbuki insan beyni cəmi 1.4 kiloqramdır, bir lampanın enerjisi qədər enerji ilə işləyir və sağlam qaldığı halda 100 ilə qədər fəaliyyət göstərə bilər.

Düşünmək olar ki, biz insan beyninin imkanlarına onun mexanizmlərini anlamağa, yaradıcılığını dərk etməyə və insan təxəyyülünü və kreativliyini təşviq edən tətbiqlər yaratmağa daha çox investisiya etməliyik. Bu tətbiqlər bizi sadəcə əyləndirməməli, əksinə, təxəyyülümüzü və yaradıcılığımızı inkişaf etdirməlidir.

Buna bir qədər sosial və ya dini yanaşma ilə də baxmaq olar və demək olar ki, biz yalnız beynin qabiliyyətlərini deyil, həm də ağlı və ruhu inkişaf etdirməliyik yəni yalnız süni intellektə deyil, insan faktoruna investisiya etməliyik. Əgər süni intellekt yaratmaq üçün getdikcə daha güclü alətlərimiz olacaqsa və innovasiya etmək istəyiriksə, onda insan olaraq unikallığımızı təşkil edən bacarıqlara da eyni vaxtda investisiya etməliyik.

Bizneslər insan bacarıqlarına kifayət qədər investisiya edirmi?

Cavab: İlk göstəricilər onu göstərir ki, AI aşağı maaşlı işçilərin məhsuldarlığını daha çox artırır, çünki onların işləri daha rutin xarakter daşıyır. Bu səbəbdən “brain capital” ideyasını necə həyata keçirəcəyimiz cəmiyyət üçün çox vacib olacaq.

ABŞ-da istehsal işlərinin ölkədən kənara köçməsi ilə böyük miqrasiya yaşadı. Bu istehsal işlərinin itirilməsinin şəhərlərə və işçilərə təsirini əvvəlcədən düzgün qiymətləndirmədi. Bu dəfə isə bunu əvvəlcədən düşünməli və təsirini azaltmaq yollarını tapmalıdırlar həm işçilərin rifahı, həm də iqtisadi məhsuldarlıq üçün.

Əhali qocalır, doğum səviyyəsi azalır və ABŞ-da immiqrasiya siyasəti nəticəsində aşağı səviyyəli işçi qüvvəsi də azalır. Bu isə əhalinin demək olar ki, sabit qalacağı deməkdir. Eyni proses ölkəmizdə də da baş verir işlək yaşda olan əhali azalır, yaşlı əhali isə artır.

Belə bir vəziyyətdə iqtisadi rifahı necə qoruyacağıq, əgər innovasiya etməsək və daha az sayda işçini daha məhsuldar etməsək? Cavab çox güman ki AI olacaq, amma bunun üçün işçi qüvvəsini daha məhsuldar etmək üçün təlim keçirmək lazımdır.

Bu ideyanın necə həyata keçiriləcəyi hələ tam aydın deyil, amma siyasətçilər “brain capital” ideyasını sevirlər, çünki bu həm işçilərin narahatlığını azaldır, həm də bizneslərin işçi qüvvəsinin daha məhsuldar olmasına kömək edir. Mən düşünürəm ki, növbəti bir-beş il ərzində “brain capital” biznes diqqətinin mərkəzində olacaq və siyasi və iqtisadi məsələyə çevriləcək.

Bu anlayışın rəqabət üstünlüyünə çevrilməsinə misal verə bilərsinizmi?

Cavab: Keçən il Kaliforniyada “longeviti” tədbirlərinə qatılırdım və beyin sağlamlığının biznes məsələsi olduğunu göstərməyə çalışdqlarının fərqindəydim. İnsanların sağlamlığını müəyyən edən risk faktorlarının çoxu işlədikləri yaş dövründə baş verir.

Əgər şirkətlər işçilərin yaşadığı stressi daha yaxşı idarə edə və onların beynini daha güclü və dayanıqlı edə bilsələr, bu həm biznes üçün faydalı olar, həm də gələcəkdə demensiya riskini azaldar.

Kaliforniyada “brain capital” artıq öz həyatını yaşayır. Onlar dünyanın “brain economy capital”ı olmaq niyyətindədirlər və bunu regional rəqabət üstünlüyü qazanmaq üçün edirlər. Onlar bunu belə təsvir edirlər:

• Silicon Valley

• Cambridge, Massachusetts

• Houston, Texas

Yəni həyat elmləri sahəsində üçüncü sahil olmaq istəyirlər.

Beyin sağlamlığını yaxşılaşdırmaq üçün nə etmək lazımdır?

Cavab: Bu il Davosda beyin sağlamlığı mövzusunda təxminən 20 sessiya keçirildi. Getdikcə daha aydın olur ki, biz qidalanma sistemimizi dəyişməli və beynə təsir edən xarici və daxili faktorları nəzərə almalıyıq.

The Lancet jurnalının araşdırmalarına görə:

• ABŞ-da Alzheimer hallarının 45%-i,

• Latın Amerikasında isə 65%-i,

• Ölkəmizdə tapa bilmədim

həyat tərzi faktorları ilə qarşısı alına və ya gecikdirilə bilər.

Risk faktorlarına daxildir:

• diabet

• hipertoniya

• piylənmə

• yuxu problemləri

• mental sağlamlıq və stress.

Bu xəstəlik əslində qocalıq xəstəliyi deyil iş həyatında başlayan bir xəstəlikdir.

Artıq qan testi vasitəsilə 50 yaşlarında insanların Alzheimer riskini müəyyən etmək mümkündür. Yaxın gələcəkdə simptomlar başlamazdan əvvəl bu xəstəliyə qarşı dərmanlar olacaq və bu Alzheimer haqqında düşüncə tərzimizi dəyişəcək. İnsanlar illik tibbi müayinədən keçməli, kognitiv qiymətləndirmə və qan testi etdirməlidirlər.

Bizneslər bu sahədə necə kömək edə bilər?

Cavab: Bir neft şirkəti işçilərin mental sağlamlıq ziyarətlərini ildə üç dəfədən 40–70 dəfəyə qədər artırdı və bunu beş il ərzində izlədilər. Nəticədə ümumi səhiyyə xərcləri azaldı, çünki işçilər daha az stress yaşayır və işlərindən daha çox zövq alırdılar.

Başqa bir enerji şirkəti isə gördü ki, işdə yaxın dostu olan işçilər daha uzun müddət şirkətdə qalır. Buna görə işçilərə icma fəaliyyətlərində iştirak etmək üçün maliyyə dəstəyi verdilər sosial klublar, yerli beysbol komandaları və digər fəaliyyətlər. Bu həm stressi azaltdı, həm də ünsiyyət və məhsuldarlığı artırdı.

Brain capital və yaranmaqda olan “brain economy” artıq sadəcə ictimai səhiyyə məsələsi deyil bu, əsas biznes məsələsidir.

Süni intellekt işin mahiyyətini dəyişdikcə və demoqrafik dəyişikliklər qlobal işçi qüvvəsini azaltdıqca, rəqabət üstünlüyü getdikcə daha çox insan beyninin sağlamlığından, yaradıcılığından və adaptasiya qabiliyyətindən asılı olacaq.

Beyin sağlamlığına, ömürboyu öyrənməyə və mental dayanıqlığı dəstəkləyən mühitlərə investisiya edən şirkətlər yalnız işçilərin rifahını yaxşılaşdırmır onlar məhsuldarlığı, innovasiya potensialını və uzunmüddətli iqtisadi performansı gücləndirirlər.

Süni intellektə milyardlarla dollar investisiya edilən bir dövrdə, insan beyninə də investisiya edən təşkilatlar və regionlar növbəti iqtisadi inkişaf mərhələsinə liderlik edəcəklər.

Dünya rəngini və sürətini dəyişməyə doğru gedir. Bu zaman bəzən insan hiss edir ki, sürətlə dəyişən dünyada bəzi dəyərlər diqqətdən qaçır, bəzən isə verilən zəhmətlərin qiyməti gözlənilən kimi görünmür.

Amma belə anlar həm də düşünmək üçün yaxşı fürsətdir. İnsanın öz yolunu, prioritetlərini və gələcək istiqamətini yenidən nəzərdən keçirməsi üçün…

Süni İntellketən əvvəlki düşüncə ilə hələ də hərəkət edən hər kəs, hazırda yaşadığımız transformasiyanı tam anlamır. Bu il təkcə dörd böyük texnologiya şirkəti AI infrastrukturu üçün təxminən 670 milyard dollar investisiya edəcək və bu şirkətlərdən kənarda daha da böyük investisiyalar olacaq. Bu miqyasda kapital qoyuluşu sadəcə bir risk deyil; bu, nəticələri formalaşdıran əsas gücdür.

Son on ildə “Magnificent 7” adlanan texnologiya şirkətlərinin səhmləri (Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia və Tesla) orta hesabla **S&P 500 indeksini belə xeyli üstələyən artım göstərib. Uzun illər bu şirkətlər bazarı “daşıyan” əsas güc idi.

Amma keçmiş nəticələr gələcək uğurlara zəmanət vermir, bu isə artıq texnologiya sektorunun ən güclü şirkətlərinin belə üzləşdiyi reallıqdır.

Son bir ildə həmin elit qrupun daxilində fərqlərin artdığını görürük. Fevralın ortasına olan illik göstəricilər belədir:

• Google (Alphabet) – bir il əvvəl geridə qalırdı, indi qrupun lideridir: +64%

• Nvidia +31%

• Tesla +17%

• Microsoft demək olar ki dəyişməyib

• Amazon və Meta hər ikisi təxminən −13%

Nəticə nədir? Artıq yüksələn dalğa bütün qayıqları qaldırmır.

Məhz buna görə mən 2026-cı il üçün 10 əsas proqnozumda qeyd etmişəm ki, AI qalibləri ilə uduzanları arasında böyük fərq yaranacaq. Bu fərq Magnificent 7-dən başlayaraq startaplara qədər bütün bazarda görünəcək.

Ənənəvi “zəng formalı paylanma” sürətlə düzləşir:

• Google və Nvidia demək olar ki bütün artımı götürür

• Microsoft və Tesla ortada qalır

• Amazon və Meta isə aşağı hissədədir

Liderlər üçün 2026-cı ilə dair tövsiyələrim

AI “bubble”-ından qorxmayın

Balonlar 700 milyard dollarlıq davamlı infrastruktur investisiyası cəlb etmir və bütün sənayeləri biznes modelini yenidən düşünməyə məcbur etmir. AI sadəcə yeni texnologiya deyil bu platforma səviyyəli transformasiyadır və hər sektorda rəqabət üstünlüyünü yenidən müəyyən edir.

Bazar dalğalı olacaq və emosional qərarlar vermək cazibədar görünə bilər. Amma liderlər üçün əsas məsələ soyuqqanlı qalmaq və fokuslu qərarlar verməkdir.

Sürətli hərəkət edin, amma səbirli olun

AI strategiyası olmayan və implementasiya mərhələsinə keçməyən şirkətlər artıq geridə qalıb. Bununla belə nəticələr bir gecədə gəlməyəcək. AI tətbiqlərinin ən böyük təsiri növbəti 1–2 il ərzində görünəcək. Bugünkü icra sabahkı bazar mövqeyini müəyyən edir.

AI-əsaslı məhsuldarlıq hədəfləri qoyun

ABŞ-da məhsuldarlıq 2025-də 2.7% artıb, halbuki son 10 ilin orta göstəricisi 1.4% idi.

Bu artıq AI-nin real təsirinin başladığını göstərir.

• 2026 üçün hədəf: 7% – 10% məhsuldarlıq artımı

• 2027 üçün: 15% – 20% mümkün ola bilər

Bu cür real hədəflər qoymayan şirkətlər rəqabətdə geri qalacaq.

Dəyişimin sürətini qiymətləndirməmək böyük səhvdir

AI-nin yeganə sabit xüsusiyyəti sürətidir. Hazırda bazar çox kobud şəkildə qalib və uduzanları ayırmağa çalışır:

• Yarımkeçirici şirkətlər – əsas infrastrukturu təmin etdiklərinə görə mükafatlandırılır

• Proqram təminatı şirkətləri – disruptsiya qorxusu ilə təzyiq altındadır

Amma bazar kim həqiqətən icra edir, kim etmir bunu görən kimi fərq çox kəskin olacaq.

“Yalnız paranoidlər sağ qalır”

Bu ifadəni tez-tez Andy Grove-dan sitat kimi xatırladıram: “Only the paranoid survive.” AI dövründə hətta lider olmaq belə tam təhlükəsiz deyil. İnnovasiyanın sürəti o qədər yüksəkdir ki, şirkətlər də eyni sürətlə dəyişməli və uyğunlaşmalıdır. Kiçik və tədrici dəyişikliklərlə bu yarışda qalmaq artıq mümkün deyil. Bu səbəbdən CEO, CFO, CIO və AI sahəsinə rəhbərlik edən liderlər üçün məsuliyyət çox aydındır: ya nəticələrə görə təbrik alacaqlar, ya da nəticə olmadıqda məsuliyyət daşımalı olacaqlar.

Amma yaxşı xəbər odur ki, bu dövrdə geri qalmaq son demək deyil. Doğru qərarlar və sürətli icra ilə şirkətlər yenidən irəli çıxa və oyuna qayıda bilər

Bu, sadəcə bir dəfəlik müşahidə deyil. Bu, 2026-cı ildən başlayaraq demək olar ki, bütün sahələrdə görəcəyimiz böyük bir dəyişimin başlanğıcıdır. Hansı mövqedə olmağınızdan asılı olmayaraq, vəziyyət çox sürətlə dəyişə bilər. Bəzi şirkətlər sürətlə irəli çıxacaq, bəziləri geridə qalacaq, ortada qalanlar isə zamanla zəifləyəcək.

Süni intellekt dövründə heç nə əvvəlcədən təmin olunmayıb. Hətta bazarın liderləri belə bu yarışın içindədir. Əgər şirkətlər qalib gəlmək üçün kifayət qədər sürətlə hərəkət etməsələr, risk altına düşəcəklər. Amma doğru qərarlar və güclü icra ilə geridə qalanlar da yenidən irəli çıxa bilər.

Bəzən insan vətəni uzaqdan sevir, bəzən də elə belə anlarda musiqinin içində, dost söhbətində, şəhərin nəfəsini hiss edəndə anlayır ki, bu sevgi çox dərindir. Mən bu gün onu bir daha hiss etdim.

Söhbətimiz də təsadüfi deyil. Gündəmimiz ölkədə rəqəmsallaşma, elektron hökumət, süni intellekt və innovasiya sahəsində atılan yeni addımlardır. Ölkə rəhbərinin bu istiqamətdə imzaladığı Fərman ətrafında fikir mübadiləsi aparırıq.

Amma bu, sadəcə bir sənəd müzakirəsi deyil. Bu, gələcəyin müzakirəsidir. Bu, uşaqlarımızın necə bir ölkədə yaşayacağının, dövlət xidmətlərinin necə daha ağıllı, daha şəffaf, daha sürətli olacağının söhbətidir.

Mən hər dəfə belə mövzuları danışanda daha çox inanmağa başlayıram: Azərbaycan yalnız neft ölkəsi deyil, bilik və texnologiya ölkəsi ola bilər və olacaq.

Son zamanlar mənə ünvanlanan suallar artıb. Hər görüşdə, hər müzakirədə eyni mövzulardan danışılır.Rəqəmsallaşma hara gedir? Süni intellekt dövlət idarəçiliyini necə dəyişəcək? İnnovasiya sadəcə şüardır, yoxsa real transformasiya başlayır? Bir müddət bu sualları sadəcə dinlədim.

Düşündüm ki, mənə ünvanlanan sualları yazıya çevirsəm, bəlkə kimsə də oxuyub öz cavabını tapar. Düşüncələr isə paylaşıldıqca isə dəyərə çevrilir.

Sual: Sizcə Süni İntellekt biznesi necə transformasiya edir?

Cavab: AI yaxşı biznesin nə olduğunu müəyyən edən əsas qaydaları yenidən yazır və dünya buna uyğunlaşmaqda çətinlik çəkir. Bu gün iqtisadiyyat sənaye şirkəti modelinə əsaslanır CAPEX və OPEX tələb edir və kapitalı ictimai bazarlardan cəlb edir. AI dövründə isə böyük şirkət idarə etmək üçün artıq çoxlu resurs və ya böyük komanda lazım deyil. Şirkəti demək olar ki, sıfıra yaxın xərc ilə avtomatlaşdırmaq mümkündür. Bu nə deməkdir iqtisadiyyat üçün? Biznes üçün? Venture üçün?

İki il əvvəl biz “Commoditized Magic” terminini ortaya atdıq. Texnologiya sehrlidir əvvəllər mümkün olmayan imkanları açır. Amma eyni zamanda frontier modellər tərəfindən demək olar ki, tam kommoditləşib. Sehr böyük imkan yaradır. Kommoditləşmə isə böyük risk. Keçmişdə investorlar və sahibkarlar düşünürdülər ki, real problemi tapsan və istifadəçi ehtiyacına fokuslanaraq sürətli komanda qursan, uğurlu startup üçün resept hazırdır. Əgər 6 aylıq üstünlüyün var idisə, “first mover advantage” qazanırdın. Amma bu artıq keçərli deyilsə, təsisçi nə etməlidir? İnvestor nə etməlidir? Venture-un əsas qaydası dəyişməyib. Şirkət fərqlənməli və dayanıqlı “moat”a malik olmalıdır. Amma artıq “moat” anlayışı kəskin dəyişib və səviyyə xeyli yüksəlib.

Əgər biznesinizdə real müdafiə mexanizmi yoxdursa istər proprietary data, istər unikal ekspertiza o zaman yüksək səviyyəli AI agentləri ordusu qarşısında dayana bilməyəcək və kommoditləşmə “kill zone”una düşəcək.

Sual: Bu səbəbdənmi proqram təminatı sektoru bazarda zərbə alır?

Cavab: Süni İntellekt artıq yüksək keyfiyyətli kodu generasiya edə bilir və proqram təminatının yaradılmasının marjinal xərcini demək olar ki, sıfıra endirir. Həm vaxt, həm də tələb olunan ekspertiza azalır. Bu isə hər şeyi dəyişir. Əvvəllər şirkətlər ümumi proqram təminatı alır, sonra onu öz ehtiyaclarına uyğunlaşdırmaq üçün illərlə və milyonlarla dollar xərcləyirdilər. Bu mürəkkəblik “lock-in” yaradırdı. Süni İntellekt bunu tam dəyişir.

Üç paralel qüvvə formalaşır:

İstifadəçilər artıq “builder” olur. İstifadəçi ChatGPT, Claude və ya başqa modelə deyə bilər: “mənə X edən app qur.” Əvvəllər lisenziya, inteqrasiya konsultantları və 3 illik müqavilə tələb edən proqram indi yaradılıb istifadə edilə və sonra atıla bilər. On minlərlə sətrin kodunu generasiya etmək Starbucks-da verilən salfet qədər ucuzdur. O salfeti növbəti dəfə saxlamırsan. Mən bunlara “ephemeral apps” deyirəm. Bu, SaaS şirkətlər üçün yeni rəqib sinifidir.

Software şirkəti qurmaq baryeri düşür: Kod yazan AI agentlər professional mühəndis səviyyəsinə yaxınlaşır və daha ucuzdur. İndi hər use-case üçün onlarla startup var. Hamısı kiçik “beachhead” müştəri bazasından başlayır. Amma başlarını qaldıranda yüzlərlə oxşar startup görürlər. Diferensiasiya yoxdur. Dəyər yarada bilərlər. Bəziləri hətta gəlirli ola bilər. Amma venture-backed biznes üçün bu səviyyədə sıxlıq məntiqli deyil.

Distribution moats da dağılır. Əvvəllər “tez hərəkət et, müştərini ələ keçir, kompleks inteqrasiyalarla bağla” modeli işləyirdi. Amma AI bu inteqrasiyaları avtomatik yenidən qurursa, switching cost sıfıra yaxınlaşır. Gələcəkdə procurement AI agentləri real vaxtda təklif alıb test edə bilər. Brend və first-mover üstünlüyü əhəmiyyətini itirə bilər. Switching cost sıfıra yaxınlaşanda, loyallıq da itir.

Üstəlik, Big Tech daha sürətli və az resursla tətbiq qurur və “stack” üzrə yuxarı qalxır. Onlar milyard istifadəçi bazasından başlayır.

Buna görə birja reaksiya verir. Faydalı intellekt kommoditə çevrilir və bu, proqram təminatının dəyər yaratma və dəyər tutma mexanizmini dəyişir.

Sual: Hər şey kommoditləşirsə, niyə AI deeptech investor olmaq istəyirsən?

Cavab: Çünki yeni unicornlar üçün böyük imkan var amma müdafiə səddi daha yüksəkdir. Tarixən texnoloji inqilablarda qaliblər köhnə işi daha effektiv edənlər deyildi; tamamilə yeni biznes yaradanlar idi.

Bəli, AI bir çox sahəni kommoditləşdirir. Amma hər inqilabda qaliblər köhnə işi ucuzlaşdıranlar yox, tamamilə yeni bazar yaradanlar olub.

Biz iki istiqamətə baxırıq:

• Əvvəllər mümkün olmayan, amma indi AI ilə mümkün olan yüksək dəyərli problemlər.

• AI-first dərin texnologiyalar , yəni hamının qurmayacağı, amma AI ekosistemi üçün kritik olan əsas infrastruktur və texnoloji “stack” komponentləri.

  Gələcəyin qalibləri kod yazanlar yox, datanı idarə edənlər olacaq.

Sual: Siz yaxın zamanda “Mən Orkestr Dirijoruyam” adlı məqalə yazmısınız. Bununla nəyi nəzərdə tuturdunuz?

Cavab: Süni İntellektin supergücləri sahibkarlar üçün venture kapital olmadan da mümkün olan yeni bir yol açıb. Təsəvvür edin ki, bir əlçatmaz unicorn-un dalınca qaçmaq əvəzinə, AI agentlərindən istifadə edərək dəyər yaradan bizneslər portfelini avtomatlaşdırıb miqyaslandırırsınız. Məhsul və go-to-market fokusunu kifayət qədər xidmət olunmayan niş və ya bazar seqmentinə yönəldirsiniz, AI-nin effektivliyindən istifadə edərək minimal xərc, vaxt və resursla işləyirsiniz hətta bir neçə belə bootstrapped, AI-native şirkəti paralel idarə edə bilərsiniz.

Təsəvvür edin ki, kiçik bir komanda eyni vaxtda bir neçə mikro-biznes idarə edir:

• biri fintech-ləri üçün compliance hesabatlarını avtomatlaşdırır,

• digəri logistika şirkətləri üçün təlim materialları generasiya edir,

• üçüncüsü isə dövlət xidmətlərini rəqəmsallaşdırır.

Heç biri milyard dollarlıq bazar deyil. Heç biri TechCrunch başlığına çıxmayacaq. Amma hər biri stabil gəlir yaradır və birlikdə böyüyərək təsirini artırır.

Təsisçi artıq 15 komandanı idarə etmir. Mən orkestr dirijoruyam AI agentləri ilə məhsulun qurulmasını, iterasiyasını və dəstəyini idarə edirəm. Mənim işim portfel menecmentidir: hansı Agenti işlətməli hansını isə dayandırmlıyam onu mən bilirəm.

Sual: Süni İntellekt, əlbəttə ki, ənənəvi bizneslərə də təsir edir. Onlara nə məsləhət verərdiniz?

Cavab: İstehsal şirkətləri tez-tez deyirlər: “Siz software şirkətlərindən danışırsınız, amma mən maşın istehsal edirəm, problemim yoxdur.” Onların gözdən qaçırdığı məqam budur ki, Süni İntellekt avtomatlaşdırma və effektivlik həm xərclərə (bottom line), həm də gəlirlərə (top line) ciddi təsir edir.

Hətta fiziki məhsul istehsal edirsinizsə belə:

• Back office-də AI ilə xərcləri azaltmırsınızsa,

• İstehsal prosesində enerji qənaəti və throughput artırımı üçün AI istifadə etmirsinizsə,

• Satış və marketinq proseslərində AI tətbiq etmirsinizsə,

Sektorunuzda AI-dən effektiv istifadə edən şirkətlərdən geri qalacaqsınız.

Əgər bu gün investisiya etməsəniz ki, 2–3 ildən sonra hazır olasınız, əsas məhsulunuz müdafiə oluna bilsə belə, rəqabət qabiliyyətli olmayacaqsınız

.

Sual: AI-first şirkət olmaq üçün sizə lazımdır?

Cavab: Əgər Yahoo və ya Nokia kimi “gözlə və gör” yanaşması seçsəniz, bu 10 il çəkəcək və həmin vaxt artıq relevantsız olacaqsınız. Adaptasiya üçün vaxt lazımdır, amma ən böyük problem istedaddır. Çünki istedad ənənəvi şirkətlərdə işləmək istəmir. Mənim çox güclü tövsiyəm budur:
Qısa müddətdə AI-dən dəyər çıxarmağa fokuslanmayın. AI-dən dəyər çıxarmaq taktiki məsələdir. 3–5 il sonra hələ də relevant olmaq isə strateji məsələdir.

İlk addım, Süni İntellektin biznesinizə necə kömək edə biləcəyini anlamaq və vizion formalaşdırmaqdır. Bu, lazımi istedadı cəlb etməyiniz üçün əsas prioritet olmalıdır. Böyük, mövcud korporasiyaların qısa müddətdə üstünlüyü var, çünki startup-ların distribution problemi var müştərilərini tapmalı və bazarı öyrənməlidirlər. Böyük korporasiyalar isə artıq bazara inteqrə olunub:

• Müştəriləri var

• Dataya malikdirlər

• Bu aktivləri leverage edə bilərlər

Məsləhətim budur: Süni İntellekt strategiyanızı qurmağa başlayın. İnvestisiya edin. Oyuna daxil olun ki, növbəti mərhələdə relevant rəqib ola biləsiniz. Köhnə uğurlarınıza və köhnə iş üsullarınıza yapışmayın. Bir addım geri çəkilib düşünün: Startup-lar distribution problemini həll etdikdən sonra sizin davamlı və müdafiə olunan “moat”unuz qalacaqmı? Bir çox şirkət öz müdafiə səddini həddindən artıq qiymətləndirir.

Yeni sahələrə pivot etməyi düşünün proprietary data və proprietary ekspertizanı leverage edə biləcəyiniz istiqamətlərə.

Böyük qardaşımla uşaqlıq illərimizdə ən çox sevə-sevə izlədiyimiz “Knight Rider” 1982–1986-cı illər arasında yayımlanan məşhur bir Amerika serialını heç bir zaman unutmadım. Bəlkədə texnologiyanı mənə sevdirən məhz bu filim oldu.

Serial, Michael Knight adlı bir qəhrəmanın başına gələn macəraları izləyir. Serialın əsas məqamı, Michael Knight-ın istifadə etdiyi KITT adlı süni intellektlə təchiz olunmuş xüsusi avtomobildir. KITT (Knight Industries Two Thousand), inkişaf etmiş texnologiyalarla təchiz olunmuş, danışa bilən və çox sayda qabaqcıl xüsusiyyətlərə malik olan bir avtomobildir. Serialın təməl ideyası, texnologiya və insan əməkdaşlığının necə bir gücə çevrilə biləcəyini göstərməkdir. 80-ci illərdə heç bir zaman ağlımıza gəlməzdi ki, bizi nələr gözləyir…

Bu gün dünyada milyonlarla insan Amazon Alexa, Google Assistant və Apple Siri kimi səs köməkçilərindən istifadə edir. Onlar musiqi çalır, hava məlumatı verir, xatırlatma qurur və gündəlik tapşırıqları yerinə yetirir.

Lakin son yeniliklər göstərir ki, bu sistemlər artıq sadə komanda mexanizmi deyil. Amazon-un GenAI əsaslı Alexa yeniləməsi, Google-un Gemini inteqrasiyası və Apple-ın yeni nəsil Siri yanaşması səs texnologiyasını dialoq səviyyəsinə qaldırır. Artıq istifadəçi sual vermir söhbət edir.

Eyni istiqamətdə OpenAI də səs əsaslı interaktiv modellər təqdim edərək real vaxt danışıq qabiliyyətinə malik AI sistemlərini inkişaf etdirir. Bu sistemlər artıq yalnız mətni cavablandırmır intonasiya, fasilə və kontekst nəzərə alınaraq təbii söhbət qurur.

Bu transformasiya səs interfeysini yeni mərhələyə keçirir:

Səs → Dialoq → Agent → Avtonom əməliyyat

Aİ ilə gücləndirilmiş səs sistemləri artıq məlumat qaytaran köməkçi deyil, konteksti anlayan və qərar verən agentə çevrilir. Bu isə yalnız texnologiya deyil idarəetmə və xidmət modelinin dəyişməsidir.

Səs texnologiyasının süni intellektin növbəti sərhədi olacağına inanıram.

Səs, fərdi köməkçilər, kompüterlər, mobil telefonlar, ağıllı saatlar, avtomobillər və hətta geyilə bilən cihazlar üçün əsas interfeysə çevriləcək. Artıq startaplar da bu sahəyə ciddi sərmayə qoymağa başlayıblar. Hindistanın bu inkişafda lider rolu oynamaq potensialı var. Məsələn, Hindistana aid bir startap yalnız mətn vasitəsilə deyil, səsli ünsiyyətlə də müştərilərlə əlaqə kommunikasiya saxlayan, digər bir startap isə artıq Hindistanın dövlətə məxsus dəmir yolu şirkətinə və polis qüvvəsinə 14 müxtəlif Hind dili üzrə səs botları təqdim edən proqram təminatı hazırlayıblar.

Səs texnologiyası yalnız Amazon Alexa ilə məhdudlaşmaq məcburiyyətində deyil. Mən əminəm ki, yaxın gələcəkdə süni intellekt hər hansı cihazda işləyəcək bir əməliyyat sistemi olacaq. Məsələn, bir şəxsin maşını ilə yol marşrutundakı tıxac haqqında söhbət etməsi artıq reallığa çevriləcək.

Səs texnologiyası necə işləyir?

Bugünkü voice sistemlər sadə deyil. Onların arxasında çoxqatlı AI arxitekturası dayanır.

#Birinci mərhələ ASR (Automatic Speech Recognition) – insan səsini mətnə çevirir. Mikrofon sadəcə səs dalğası qəbul etmir; saniyədə minlərlə akustik nümunə analiz olunur və model həmin dalğaları sözlərə çevirir.

#İkinci mərhələ NLU (Natural Language Understanding) – deyiləni “eşitmək” yox, “anlamaq” mərhələsidir. Burada sistem istifadəçinin niyyətini (intent), kontekstini və məqsədini təyin edir. “Sabah hava necə olacaq?” sualı ilə “Sabah uçuşum var, hava necədir?” cümləsi eyni deyil niyyət fərqlidir.

#Üçüncü mərhələ LLM / GenAI layer – artıq cavabın generasiyasıdır. Bu mərhələdə sistem sadəcə məlumat qaytarmır, kontekstual, fərdiləşdirilmiş və situativ cavab yaradır. Bu artıq komanda-cavab modeli deyil, dialoq modelidir.

#Dördüncü mərhələ isə TTS (Text-to-Speech) – yaradılan cavabı yenidən insan səsinə çevirir. Müasir TTS sistemləri emosional ton, pauza və vurğunu belə modelləşdirə bilir.

Bu 4 mərhələnin birlikdə işləməsi artıq “komanda qəbul edən sistem” deyil, real vaxt agent sistemi yaradır. Səs interfeysi bir düymə deyil qərar mühərrikidir.

Biz yazmağı sevən son nəsil ola bilərikmi?

Bir neçə gün əvvəl iş yerimdə məzuniyyət üçün ərizə yazmalı idim. Qələmi əlimə götürəndə qəribə bir hiss keçirdim. Sanki uzun zamandır yazı yazmırdım. Əlim bir az tərəddüd etdi. Hərflər əvvəlki kimi axıcı gəlmirdi. O an anladım ki, yazmaq artıq gündəlik vərdiş deyil.

Düşünürəm ki, səs texnologiyasının bu sürətli inkişafı artıq klaviatura ilə məlumat daxil etmə vərdişimizi azaltmağa başlayıb. Bu gün mesaj yazırıq, sabah diktə edirik. Bu gün forma doldururuq, sabah danışırıq.

Klaviatura 40 ildən çoxdur əsas interfeysdir. Amma tarix göstərir ki, interfeyslər dəyişir. mouse gəldi, toxunma ekranı gəldi, indi isə səs gəlir. Bəlkə də bir gün məlumat daxil etməyəcəyik məlumatı sadəcə ifadə edəcəyik.Agentlər bizim yerimizə yazacaq.Sistemlər bizim yerimizə form dolduracaq. Biz isə sadəcə niyyətimizi bildirəcəyik. Bu, klaviaturanın tam yox olması demək deyil. Amma əsas interfeys rolunun dəyişməsi deməkdir.

Əgər səs + Aİ agentləri həqiqətən avtonom qərar və əməliyyat səviyyəsinə keçərsə, yazmaq “əsas əməliyyat” deyil, alternativ seçim olacaq.

Səs texnologiyasında kibertəhlükəsizliyin rolu

Səs texnologiyasının inkişafı kibertəhlükəsizliyin gələcəyində də böyük rol oynayacaq. Tarixən, səs texnologiyası ilə autentifikasiya məsələləri təhlükəsizlik problemləri yaradıb. İndi isə, AI-nin əlavə olunması ilə deepfake-lər bu problemi daha da çətinləşdirir. Bu, xüsusilə bankçılıq sektorunda çox önəmlidir. Bir il əvvəl, rüb ərzində ciddi bir deepfake aşkarlana bilərdi ki, indi isə şirkətlər gündə bir neçə deepfake aşkarlayır, bu isə əvvəlki ilə nisbətən 450% artım deməkdir. AI pis məqsədlər üçün istifadə edilə bildiyi kimi, həm də faydalı məqsədlər üçün də güclü potensiala malikdir. Artıq deepfake-lərlə mübarizə aparmaq üçün süni intellektdən istifadə edirlər. Pindrop, Ekata, ThreatMark kimi məhsullar yüksək dəqiqliklə və sürətlə saxta səsləri müəyyən edə bilir. İnsan səsi saniyədə 8,000 nümunə çıxarır, bu nümunələr süni intellekt vasitəsilə analiz olunur. Beş saniyəlik səsin təhlili zamanı 40,000 nümunəni yoxlayaraq səsin real və ya saxta olduğunu təyin edə bilir.

Növbəti mərhələ Agentik AI və Səs

Bu gün səs köməkçiləri əsasən məlumat verir. Sabah isə onlar qərar verəcək. Səs interfeysi sadəcə “mənə hava məlumatı de” mərhələsindən çıxır. O, artıq:

• bank əməliyyatı icra edə bilər

• marşrutu dəyişə bilər

• icazə mexanizmlərini yoxlaya bilər

• digər sistemlərlə API səviyyəsində danışa bilər

• …

Bu transformasiya belədir: Voice → Agent → Autonomous Action

Yəni səs köməkçisi artıq “assistant” deyil, “icraedici agent” olur. Bu isə AI-native sistemlərin başlanğıcıdır.

Dövlət və GovTech üçün səs texnologiyası

Səs texnologiyası dövlət sektorunda inqilabi dəyişiklik yarada bilər.

Təsəvvür edin:

• Vətəndaş səs vasitəsilə sosial yardım müraciəti edir

• Vergi məlumatını telefonda danışaraq əldə edir

• Dövlət xidmətləri üçün səsli identifikasiya tətbiq olunur

• Dövlət bildirişləri iki tərəfli səsli təsdiq ilə göndərilir. (misal:“mygov” platformasında vətəndaşlara səsli bildirişlərin göndərilməsi)

Bu, xüsusilə rəqəmsal savadlılığı aşağı olan və ya əlilliyi olan vətəndaşlar üçün böyük əlçatanlıq yaradır.

Burada isə daha strateji sual yaranır. Bu gün dövlət barmaq izinin reyestrini aparırsa, sabah səs biometrikasının da milli səviyyədə reyestri formalaşa bilərmi?

Səs hər insan üçün unikaldır akustik imza daşıyır. Əgər hüquqi və etik çərçivə düzgün qurularsa, hər bir vətəndaşın səs identifikasiyası təhlükəsiz rəqəmsal identitetin bir hissəsinə çevrilə bilər.

Bu, bankçılıqda fraud-u azalda bilər. Dövlət xidmətlərində saxta müraciətlərin qarşısını ala bilər.

Amma bu model yalnız texnoloji məsələ deyil. Bu, hüquqi, etik və konstitusion məsələdir. Çünki burada artıq AI sadəcə alət deyil identitet infrastrukturu olur.

AI-native Government perspektivi

AI-enabled dövlət (mövcud dövlət sistemlərinə süni intellekt əlavə olunması deməkdir) texnologiyanı proseslərə əlavə edir. AI native dövlət (sistemlərin və xidmətlərin əvvəldən süni intellekt nəzərə alınaraq qurulmasıdır) isə prosesi texnologiyanın üzərində qurur. Əgər gələcəkdə dövlət səs biometrikasını, agentik AI-ni və real vaxt qərar mexanizmlərini inteqrasiya edərsə, vətəndaş-dövlət münasibəti dəyişəcək.

Portal yox, dialoq olacaq. Form doldurma yox, danışıq olacaq. Növbə yox, real vaxt qərar olacaq.

80-ci illərdə bir avtomobil danışırdı. Bu gün cihazlar danışır. Sabah isə sistemlər bir-biri ilə danışacaq.

Sual artıq “səs texnologiyası olacaqmı?” deyil.
Sual budur: Biz onu necə idarə edəcəyik?

Bu yazını səni hiss edərək, sənin yolunda az da olsa yanan bir şamın zərrə qədər işıq saça bilməsini düşünərək qələmə alıram. Bəlkə bu sətirlər sənin qarışıqlıq içində olduğun bir anda qarşına çıxacaq. Bəlkə qərarsız qaldığın, motivasiyan azaldığı, “mən bacaracağam?” sualını özünə verdiyin bir vaxtda oxuyacaqsan.

Bu gün sənin işin bizdən daha çətindir.

Bizim nəsil məlumatsızlıqdan əziyyət çəkirdi. Kitab tapmaq çətin idi. Mentor tapmaq çətin idi. Xarici resurslara çıxış məhdud idi. İnternetsiz idi. Bəzən bir cavabı tapmaq üçün aylarla gözləməli olurduq.

Siz isə məlumat bolluğundan əziyyət çəkirsiniz.

Minlərlə kurs. On minlərlə video. Sonsuz “roadmap”lər. Hər gün yeni framework. Hər ay yeni trend. Hər il yeni texnologiya.Ən çətini hər kəsin sosial şəbəkədə “uğurlu” görünməsi.

Hələ üstəlik, siz bu sahəyə elə bir zamanda daxil olursunuz ki, texnologiya özü yenidən dizayn edilir. Süni İntellekt artıq sadəcə bir alət deyil o, sistemlərin mərkəzinə yerləşir. Məhsullar AI ilə düşünülür, platformalar AI ilə qurulur, qərarlar AI ilə dəstəklənir.

Siz sadəcə bir texnologiya öyrənmirsiniz. Siz yeni texnologiya erasının başlanğıcında dayanırsınız. Tarixdə elə dövrlər olur ki, dəyişiklik tədricən yox, sıçrayışla baş verir. İnternetin ilk illəri belə idi. Mobil texnologiyaların yüksəlişi belə idi. İndi isə AI ilə birlikdə qurulan yeni bir mərhələyə daxil oluruq.

Əgər bu sahəyə marağın varsa, bilməlisən ki:

Bu yol artıq təkcə proqramlaşdırma öyrənmək deyil.
Bu yol – problem həll etməyi öyrənməkdir.
Bu yol – süni intellektlə işləməyi öyrənməkdir.
Bu yol – agentləri idarə etməyi öyrənməkdir.

Artıq sual belə deyil: “Kod yazmağı bacarıram?” Sual budur: “AI ilə birlikdə daha güclü sistem qura bilirəmmi?”….

Biz bilmirdik, siz isə çox şey bilirsiniz amma haradan başlayacağınızı bilmirsiniz. Bizim qarşımızda qapılar az idi. Sizin qarşınızda qapılar çoxdur amma hansını açmalı olduğunuzu seçmək daha çətindir.

Amma unutmayaq ki, hər birimizin məqsədi eynidir.

• Biz də öz həyatımızı qurmaq istəyirdik.

• Siz də qurmaq istəyirsiniz.

• Biz də dəyərli olmaq istəyirdik.

• Siz də olmaq istəyirsiniz.

• Biz də dəyər qatma istəyirdik.

• Siz də dəyər qatmaq istəyirsiniz.

“Mən də Tech sahəsində olmalıyam ki, ... yüksək maaş əldə edim…”

Bu cümlələri son illərdə neçə- neçə gəncdən eşitmişəm, sayını unuduram. Amma sonra nə olur? Bir neçə ay keçir və ümidlər yerini yorğunluğa, çaşqınlığa və motivasiyasızlığa verir.

Niyə?

Öyrənmək istədiyimiz sahə çox genişdir Technology . Amma bu genişlik bəzən bizi çaşdırır. Bəzən haradan başlayacağımızı belə bilmirik. Ən böyük səhvimiz isə hər şeyə birdən başlamaq olur. Elə bil bir göydələnin ortasından pillələri çıxmağa çalışırıq, amma bünövrə yoxdur.

Əgər bu sahəyə marağın varsa, bil ki, bu yol bir günlük deyil sənin həyatın boyu bir səfərdir (istisnalar hər zaman). Amma inan, bu yolda atacağın hər addım səni daha güclü, daha bacarıqlı və daha azad bir insana çevirəcək. Zamanla beyin sürətin artacaq, düşüncə çevikliyin dəyişəcək. Elə anlar gələcək ki, birinin dediyi qeyri-ciddi fikrə verdiyin soyuqqanlı reaksiya belə ətrafındakılara təsir edəcək. Sən dəyişdikcə, ətraf da sənin ətrafında dəyişəcək.

Əgər sən də bu sahəyə başlamaq istəyirsənsə, amma içində bu suallar varsa:

• “Haradan başlamalıyam?”

• “Nə öyrənməliyəm?”

• “Niyə irəliləyə bilmirəm?”

Bil ki, sən tək deyilsən. Bu suallar yüzlərlə, minlərlə insanın beynindən keçib. Mən də o yoldan keçmişəm. Ancaq fərqi yaradan kimlərinsə bu suallardan qaçması, digərlərinin isə onların üzərinə getməsidir.

Niyə Böyük Texnologiya Şirkətləri Texniki Fakültə Məzunlarını Üstün Tutur? Çünki Əsas anlayışları bilirlər: Data strukturlar, alqoritmlər, OS, şəbəkə və kompüter arxitekturası haqqında təməl bilikləri var. Amma narahat olma: əgər texniki fakültə oxumamısansa belə, düzgün bir yol xəritəsi ilə bu bacarıqları özün öyrənə bilərsən.

Bəs Süni İntellekt dövründə öyrənmə necə dəyişir?

Əvvəllər hər şeyi özümüz yazmalı idik. İndi isə:

• AI sənə kod yaza bilər

• AI sənə sistem dizayn edə bilər

• AI sənə səhvləri göstərə bilər

• AI sənə öyrənmə planı qura bilər

Amma burada bir təhlükə var.

Əgər sən təməli bilmirsənsə, AI-nin yazdığı kodu qiymətləndirə bilməyəcəksən.

Əgər sən şəbəkəni bilmirsənsə, cloud arxitekturanı anlaya bilməyəcəksən.

Əgər sən data strukturunu bilmirsənsə, performans problemini görə bilməyəcəksən.

Süni İntellekt səni sürətləndirəcək. Amma təməli bilməyən insanı AI gücləndirmir sadəcə asılı vəziyyətə salır.

İlk atacğın addım isə:

• sistemli öyrənmək (yol xəritəsi və disiplin)

• mentor (səni yönləndirəcək birindən dəstək almaq)

• motivasiya (öz gələcəyin öz əllində)

Çünki bu sahədə uğur təsadüfi deyil. O, doğru plan, aydın yol xəritəsi və səbrlə gəlir.

Təməl biliklər nə deməkdir :

• İngilis dilini öyrən, sonra bu sahəyə başla

• Riyaziyyatı öyrən sonra Algoritm ouxmağa başla

• Linux-u öyrən, sonra System Dizayn oxumağa başla

• Əvvəl düşünməyi öyrən, sonra kod yazmağa başla

• …..

Əsla Unutma

• Hər mərhələdə öyrəndiklərini praktik layihəyə çevir. Portfolio olmadan sən öyrəndiklərini isbat edə bilməzsən.

• Öyrənməkdən qorxma. Səhv etməkdən çəkinmə. Amma sistemsiz getmə. Yol xəritən olsun. Hədəfin olsun. Mentorun olsun. Və ən əsası – içindəki o alışqan marağı heç vaxt söndürmə.

• İş yeri dəyişməyi ənəyə çevirmə.İlk 1-2 ildə bir yerdə qal, öyrən, səhv et, düzəlt, komanda içində böyü. Bu dövrdə qazandığın dayanıqlıq və əzmkarlıq, gələcəkdəki sənə böyük üstünlüklər verəcək.

• Qısa zamanda “senior” olmağın arxasınca qaçma. Tez-tez vəzifə və maaş dəyişmək səni böyütmür — səni səthdə saxlayır. Çünki dərin bilik zaman, təkrar və məsuliyyətlə gəlir. Əgər hər dəfə çətinlik görəndə çıxıb gedirsənsə, sən sadəcə təcrübə yığırsan, təcrübədən keçmirsən.

• Sürətli yol yox, davamlı yol var. Əgər bu gün təməl qoysan, sabah istədiyin zirvəyə qalxmaq daha asan olacaq. Yol xəritəsiz yola çıxan tez dayanır. Ancaq sən yol xəritənlə, motivasiyanla və dayanmadan öyrənməklə uğur qazanacaqsan.

“Uğur, təməlin doğru qoyulduğu zaman mümkündür.”

Həyat yolumun addımlarında yanımda olan dəyərli insanlar, dostlar, əzizlər. Bakı 2026

Uzun zamandır süni intellektin biznesi necə sürətləndirdiyini izləyirəm. Bəzən kənardan, bəzən birbaşa içində olaraq. Hər yeni use-case, hər real təsir nümunəsi məndə eyni hissi oyadırdı: “Bu artıq ideya deyil, hərəkət vaxtıdır.”

Düzünü desəm, AI ilə bağlı oxuduqlarım və gördüklərim təkcə maraq yaratmırdı içimdə bir startup qurmaq həyəcanını yavaş-yavaş böyüdürdü. Bu, bir gecənin qərarı deyildi. Zamanla formalaşan bir istək idi. Düşünə-düşünə, sınaya-sınaya, suallar verə-verə gələn bir qərar. İndi o hiss konkret bir formaya çevrilib. Çünki artıq bu yolda tək deyiləm. Co-founderimi tapmışam bacım Dr. Səmra ( Researcher at Charité - University Medicine Berlin ). Son telefonda danışığımız isə xəstəyə qoyula diqanozun sürəti. Elmi dərinliyi, analitik baxışı və insan sağlamlığına olan həqiqi bağlılığı ilə bu ideyanı sadəcə bir texnologiya layihəsi yox, real təsir yaradan bir təşəbbüsə çevirmək üçün doğru insandır.

Bu, bir startup hekayəsinin başlanğıcıdır. Amma daha çoxu inandığım bir gələcəyin ilk cümləsidir.

Agentik AI nədir və niyə bu qədər vacibdir?

Əvvəllər AI bizə tövsiyə verirdi. Hesablayırdı. Proqnozlaşdırırdı. Agentik AI isə iş görür.

Yəni:

• özü planlaşdırır,

• çoxaddımlı prosesləri idarə edir,

• nəticələrdən öyrənir,

• real vaxtda adaptasiya olur.

Bu, “AI deyir” mərhələsindən “AI edir” mərhələsinə keçiddir. Səhiyyə kimi mürəkkəb, riskli və daim dəyişən bir sahə üçün bu, oyun dəyişdirən məqamdır.

Burada əsas məsələ budur: OpenAI AI-ni passiv köməkçidən aktiv düşünən tərəfdaşa çevirir. Həkimə “nə et” demir, amma “nələri nəzərə al” deyir. Bu incə fərq səhiyyə üçün kritikdir. Bu texnoloji dönüşün artıq təkcə startapların vizyonu olmadığını böyük konsaltinq şirkətlərinin mövqeyi də göstərir. Məsələn, PwC son hesabatlarında açıq şəkildə bildirir ki, AI səhiyyədə əməliyyat xərclərini 15–30% azaltmaq potensialına malikdir və əsas dəyər klinik diaqnozdan çox gündəlik proseslərdədir scheduling, sənədləşmə, xəstə axını, triage. PwC-yə görə qalib gələnlər AI-ni IT layihəsi yox, strateji transformasiya kimi görənlər olacaq.

Eyni mesaj McKinsey tərəfindən də verilir. McKinsey artıq AI-ni səhiyyədə “eksperiment mərhələsində olan texnologiya” kimi görmür. Onların hesablamalarına görə, generativ və agentik AI səhiyyə və life sciences sektorunda illik 150–300 milyard dollar arası əlavə dəyər yarada bilər. Amma burada da əsas vurğu texnologiyaya yox, data keyfiyyəti, governance və insan faktoruna edilir.

Yanvar ayında Fransanın 10 illik AI şirkəti Owkin, on ildən artıq müddətdə 800-dən çox xəstəxanadan toplanmış, müxtəlif coğrafiyaları əhatə edən, kurasiya olunmuş multimodal xəstə məlumatlarına (tibbi görüntüləmə, sağlamlıq qeydləri, genomik və molekulyar məlumatlar) əsaslanan biologiya üçün agentik infrastrukturunu istifadəyə verdi. Strukturlaşdırılmış real-dünya xəstə məlumatlarından istifadə edərək, Owkin bildirir ki, onun AI agentləri biomarkerləri müəyyən edə, mürəkkəb datasetləri şərh edə və klinik sınaqlarla bağlı qərarların verilməsinə istiqamət göstərə bilir bütün bunları isə məxfi məlumatların qorunmasını təmin edərək həyata keçirir.

Məqsəd dərman kəşfini sürətləndirmək, klinik uğur faizlərini artırmaq və nəticə etibarilə xəstələrə daha yaxşı müalicələri daha tez çatdırmaqdır. Xəstəxanalar, laboratoriyalar və akademik institutlardan gələn xəstə məlumatlarını, ağıllı agentlər vasitəsilə farmaseptika sənayesi ilə əlaqələndirməkdir.

Bu, agentik AI-nin minimal insan müdaxiləsi ilə müstəqil şəkildə planlaşdırma, düşünmə və çoxmərhələli tapşırıqları icra edə bilən süni intellekt sistemlərinin səhiyyəni hər səviyyədə necə yenidən formalaşdırdığının yalnız bir nümunəsidir.

Bioloji düşünmə modelləri ilə yanaşı, həm ixtisaslaşmış startaplar, həm də texnologiya nəhəngləri dərman kəşfini sürətləndirən, əməliyyat səmərəliliyini artıran və xərcləri azaldan, qlobal səhiyyə işçi qüvvəsi böhranını aradan qaldıran və xəstə nəticələri ilə təcrübəsini yaxşılaşdıran agentlər təqdim edirlər.

Əvvəlki nəsil AI-lərdən fərqli olaraq hansı ki, passiv köməkçi və ya qərar dəstək aləti kimi fəaliyyət göstərirdi agentik AI sistemləri müstəqil şəkildə iş axınlarını başlada, platformalar arasında koordinasiya edə, nəticələrdən öyrənə və real vaxtda adaptasiya ola bilir. Bu, “təklif edən AI”-dən “icra edən AI”-yə doğru fundamental bir dönüşdür.

Agentik AI ilə gücləndirilmiş proqnozlaşdırıcı modellər xəstəliyin irəliləməsi və ya ağırlaşma riski olan xəstələrin müəyyən edə bilir ki, bu da daha az hospitalizasiya, daha aşağı səhiyyə xərcləri və daha yaxşı nəticələr deməkdir, açıq elm nəşriyyatı olan Frontiers-in 2025-ci il məqaləsində qeyd olunur.

Məsələn, AI əsaslı monitorinq sistemləri həyati göstəricilərdəki incə dəyişiklikləri aşkar edə, vəziyyətin pisləşməsini proqnozlaşdıra və kritik problemlər yaranmazdan əvvəl həkimləri xəbərdar edə bilər, bu da vaxtında müdaxiləyə imkan yaradır. Agentik AI məqsədyönlü olduğu və zamanla adaptasiya etdiyi üçün xəstəxana mühitlərinin mürəkkəbliyini və daim dəyişən xəstə ehtiyaclarını idarə etmək üçün xüsusilə uyğundur. Bundan əlavə, agentik AI real vaxt məlumatlarına əsaslanaraq personal planlamasını, təchizat bölgüsünü və xəstə axınını dinamik şəkildə tənzimləməklə xəstəxana resurslarının idarə edilməsini optimallaşdıra bilər, deyə Frontiers məqaləsində bildirilir.

Bioloji Süni Super İntellektin Qurulması

2016-cı ildə qurulan və Sanofi də daxil olmaqla 300 milyon dollardan çox investisiya alan Owkin, “Bioloji Super İntellekt” (BASI) adlandırdığı bir AI sistemi üzərində işləyir. Bu sistemin əsas məqsədi biologiyanı bütün mürəkkəbliyi ilə anlaya və izah edə bilən süni intellekt yaratmaqdır.

BASI dünyanın ən böyük federativ xəstə məlumat şəbəkəsinə əsaslanır. Bu şəbəkədə xəstəxanalardan toplanmış tibbi görüntülər, sağlamlıq qeydləri və genetik məlumatlar var. Sistem həmçinin robotlaşdırılmış laboratoriyalar, qabaqcıl AGI texnologiyaları və müasir böyük dil modelləri ilə gücləndirilib.

Bu ekosistemin əsas hissələri bunlardır:

• OwkinZero – biologiya üzrə düşünə bilən xüsusi böyük dil modelidir. Bu model K Pro sisteminin əsasını təşkil edir. NVIDIA ilə əməkdaşlıq sayəsində modelin sürəti və miqyaslana bilməsi artırılır.

• K Pro platforması – 2025-ci ildə istifadəyə verilmiş agentik AI ko-pilotudur. Tədqiqatçılar və rəhbərlər bu platformada sadə dildə suallar verir və klinik baxımdan faydalı cavablar alırlar. Platforma milyonlarla elmi məqalə, biotibbi verilənlər bazası və genetik məlumatlardan istifadə edir.

• Pathology Explorer – Owkin-in ilk müstəqil AI agentidir. Rəqəmsal patologiya şəkillərinə baxaraq hüceyrə tiplərini və biomarkerləri müəyyən edir. Anthropic-in Claude for Healthcare platformasında təqdim olunur və oxşar modellərdən daha dəqiq nəticə verir.

Owkin-in CEO-su və həmtəsisçisi Thomas Clozel bu yanaşmanı belə izah edir: Bu, biofarmasevtika sahəsinin gələcəyidir. Gələcəkdə hər şey agentlər üzərindən işləyəcək.” Bu infrastruktur Fransadakı Gustave Roussy və Almaniyadakı Charité Comprehensive Cancer Center ilə birlikdə qurulur. İlk mərhələdə məqsəd Avropa üzrə biotibbi məlumatları eyni standartda toplamaq və istifadə oluna bilən hala gətirməkdir.

Mənim fikrimcə, Owkin-in qurduğu bu yanaşma təkcə Avropa üçün yox, Azərbaycan üçün də çox ciddi mesaj verir. Burada məsələ təkcə süni intellekt deyil. Əsas məsələ məlumat + səhiyyə + elm + AI kombinasiyasının necə real təsirə çevrilməsidir.

Azərbaycanda da xəstəxanalarımızda, laboratoriyalarımızda illərdir toplanan böyük həcmdə tibbi və bioloji məlumatlar var. Amma bu məlumatlar çox vaxt ayrı-ayrı sistemlərdə qalır, strukturlaşdırılmır və real qərarvermədə tam istifadə olunmur. Owkin nümunəsi göstərir ki, düzgün qurulmuş agentik AI yanaşması ilə bu məlumatlar dərman araşdırmalarına, erkən diaqnoza və daha effektiv müalicə qərarlarına çevrilə bilər.
Çünki agentik AI, Owkin, OpenAI, PwC və McKinsey haqqında yazdıqlarım mənim üçün sadəcə analiz deyil. Bunlar uzun zamandır içimdə formalaşan bir qərarın intellektual çərçivəsidir. Səhiyyədə AI-nin yaratdığı bu dönüş nöqtəsi məni təkcə düşündürmədi hərəkətə keçməyə məcbur edir. Qurmaq istədiyimiz startup “AI dəbdədir” deyə yaranmır. O, real problemlərdən, real həkimlərin vaxt çatışmazlığından, real xəstə gecikmiş qərarlardan zərər görməsindən doğur. Məqsədimiz AI-ni ön plana çıxarmaq yox, insanı mərkəzdə saxlayan agentik sistemlər qurmaqdır. Həkimi əvəz edən yox, onun yanında dayanan AI.

Bu yazım bir növ başlanğıc nöqtəsidir. Düşüncənin sözə, sözün niyyətə çevrildiyi an. Gələcəkdə nə qədər böyüyəcəyini bilmirəm, amma bir şeyi dəqiq bilirəm: bu yol səmimidir, məsuliyyətlidir və real təsir yaratmaq niyyəti daşıyır.

Bəlkə də bu, böyük bir ekosistemin kiçik bir addımıdır. Amma hər böyük dəyişiklik elə buradan başlayır düzgün suallardan və doğru insanlarla atılan ilk addımdan.