D&B, 642 milyon işletme verisini AI ajanları için yeniden inşa etti

Dun & Bradstreet (D&B), 180 yılı aşkın süredir iş dünyasının en kapsamlı veritabanlarından birini yönetiyor. Commercial Graph adı verilen bu sistem, 642 milyon işletmenin yanı sıra şirket ilişkileri, hiyerarşileri ve risk profillerini içeriyor. Yıllar boyunca kredi analistleri, risk yöneticileri ve satış ekipleri tarafından kullanılan bu veri tabanı, insan kullanıcıların yavaş sorgulamalarına ve belirsiz varlık eşleştirmelerine göre optimize edilmişti. Ancak AI ajanları bu yapının gerektirdiği esnekliği sunmuyordu.

Gary Kotovets, D&B’nin Baş Veri ve Analitik Sorumlusu, konuyla ilgili olarak şunları dile getirdi: "Artık müşterilerimizin ajanlarını kredi, tedarik zinciri ve satın alma süreçlerine entegre etmeye başlamasıyla birlikte, ticari grafiğimizin insan odaklı mimarisi makinelerin ihtiyaçlarına cevap veremez hale geldi. Bu nedenle sistemimizi yeniden inşa ettik."

AI ajanları sorguladığında ortaya çıkan sorunlar

Commercial Graph, tek bir veri tabanından ibaret değildi. Farklı kullanım senaryoları ve pazarlara yönelik ayrı sistemlerin birbirine özel entegrasyonlarla bağlandığı bir yapıdaydı. İnsan analistler, bu karmaşayı SQL sorguları veya önceden hazırlanmış arayüzler aracılığıyla yönetebiliyordu. Ancak AI ajanları için bu süreç mümkün değildi.

Verilerin ölçeği de sorunu derinleştiren bir faktördü. Beş yıl içinde 300 milyon kayıttan 642 milyon kayıda ulaşan veritabanı, her kayıt için 11.000 alana sahipti. D&B’nin yaptığı açıklamaya göre, sistem her ay yaklaşık 100 milyar veri kalitesi kontrolü gerçekleştiriyor. AI ajanlarının gerektirdiği milisaniyelik yanıt sürelerinde bu dağılmış mimariyle sorgulama yapmak mümkün değildi.

İlişkilerin izlenme şekli de yetersizdi. Eski sistemler, statik bağlantılar kaydediyordu. Örneğin bir CEO’nun bir şirkete bağlı olması gibi basit ilişkiler. Oysa AI ajanları, dinamik ilişkiler gerektiriyor. CEO’nun başka bir şirkete geçmesi durumunda hangi organizasyonun geçmişini takip edeceği veya bir yan kuruluşun sahipliğinin değişmesiyle şirket hiyerarşisinin nasıl etkileneceği gibi sorulara yanıt vermesi gerekiyordu. Bu tür analizler, insan analistler tarafından manuel olarak gerçekleştiriliyordu. AI ajanlarıysa bu süreci bekleyemezdi.

Kotovets, son altı ayda yüzlerce CDO ve CIO ile görüşmeler yaptığını ve çoğunun karşılaştığı temel sorunun aynı olduğunu belirtti: AI projeleri için gerekli altyapıyı kuramıyorlardı çünkü verileri standartlaştırılmamış, normalleştirilmemiş ve ajan sorgulamalarına uygun değildi. D&B’nin yıllar içinde insan analistler için oluşturduğu bu temel altyapıyı bile yeniden inşa etmek zorunda kalması, sektördeki genel bir soruna işaret ediyor.

Yeniden inşa edilen sistem nasıl çalışıyor?

D&B’nin yeniden inşa süreci, ilk olarak veri tabanlarının birleştirilmesiyle başladı. Parçalı yapıdaki veriler bulut altyapısına taşındı, şema yeniden tasarlandı ve bölgesel uyumluluk gereksinimlerini korurken kayıtların normalleştirildiği bir veri dokusu katmanı oluşturuldu. Sonuç olarak, 642 milyon şirket arasında milyarlarca ilişkiyi takip eden, sürekli güncellenen ve AI destekli işlemlerle zenginleştirilen tek bir bilgi grafiği ortaya çıktı.

Bu grafiğin üzerine, AI ajanları için özel olarak tasarlanmış bir erişim katmanı eklendi. Ham SQL sorgularının ajan hacmi ve yanıt süresi gereksinimlerine uygun olmadığı görüldü. Bunun yerine, D&B Model Context Protocol (MCP) aracılığıyla sunulan, verileri bağlamla paketleyen ve ajanları doğru kayıtlara yönlendiren bir dizi araç ve yetenek geliştirdi. Her sorgunun arkasında yer alan bir eşleştirme ve varlık çözümleme motoru, ajanların şirket hakkında sorduğu soruların doğrudan ve doğrulanmış bir varlığa yanıt vermesini sağlıyor.

AI ajanlarının kimlik sorunu nasıl çözüldü?

Veri erişimi ve sorgulama sorunlarını çözmek, sistemin sadece bir kısmını oluşturuyordu. Asıl zorluk, ajan kimliklerinin yönetilmesiydi. İnsan kullanıcılar için tasarlanmış doğrulama modelleri, makinelere uyarlanamazdı.

D&B, ajanlar için yeni bir kayıt modeli oluşturdu. Ajanlar, doğrulanmış bir IP adresine sahip olmalı ve bireysel erişim anahtarlarıyla kayıt yaptırmalıydı. Bu anahtarlar, insan kullanıcılarla aynı doğrulama hattında işlem görüyordu.

Kotovets, bu süreci şöyle açıkladı: "Müşterilerimizin ajanlarını tanımak için 'Bilinen Müşteri' (KYC) yaklaşımına benzer bir 'Bilinen Ajan' (KYA) modeli uyguluyoruz. Bu model, ajanların kimlik doğrulamasını ve erişim yetkilerini yönetiyor."

Ancak D&B’nin çözmesi gereken sadece gelen sorunlar değildi. Aynı zamanda giden sorunlar da vardı. Örneğin, bir müşterinin çoklu ajan iş akışında, farklı ajanların aynı şirketi analiz ettiğinden emin olmak gerekiyordu. Kredi kontrolü, KYC ve üçüncü taraf risk analizinden oluşan bir akışta, her ajan farklı bir adıma hizmet edebiliyordu. Eğer ajanlar aynı varlığı referans almıyorsa, sonuçlar çelişkili hale gelebiliyordu.

Kotovets, bu durumu şöyle özetledi: "Ajanların birbirleriyle aynı varlık hakkında konuştuklarından emin olmak için doğrulama ajanımıza geri dönmeleri gerekiyor. Bu, neredeyse dijital bir el sıkışmaya benziyor."

D&B’nin iş doğrulama aracı, herhangi bir iş akışına yerleştirilebilen ve Google’ın A2A protokolü üzerinden sunulan kalıcı bir referans noktası olarak hizmet veriyor. Müşteriler hangi orkestrasyon aracını kullanırsa kullansın, bu araç sayesinde veri bütünlüğü sağlanabiliyor.

İşletmelerin AI ajanlarını konuşlandırmadan önce dikkat etmesi gereken dört unsur

D&B’nin yeniden inşa süreci, sadece kendi sistemleri için değil, tüm sektör için önemli dersler barındırıyor. Kotovets’in son altı ayda edindiği deneyimlere göre, şirketlerin AI projelerinde karşılaştığı en büyük engellerden biri veri altyapılarıyla ilgili:

• Veri temelleri AI altyapısından önce gelir. CDO’lar ve CIO’lar, AI projelerini hayata geçirmeden önce verilerini temiz, normalleştirilmiş ve birleştirilmiş hale getirmelidir. D&B’nin yıllar içinde oluşturduğu bu temel olmasaydı, proje başarısız olabilirdi.

• Statik ilişkiler yerine dinamik ilişkiler tasarlayın. Geleneksel veri sistemleri, genellikle anlık bağlantılar kaydeder. Örneğin bir kişi bir şirkete ait olur. Oysa AI ajanları, zaman içinde değişebilen ilişkileri anlamak zorundadır. Kredi, risk veya tedarik zinciri kararları verirken, dinamik ilişkiler kritik önem taşır.

• Ajan kimliklerini yönetin. İnsan kullanıcılar için geliştirilmiş doğrulama sistemleri, makineler için uygun değildir. Ajanların kimliklerini, erişim haklarını ve yetkilerini ayrı bir altyapıyla yönetmek gerekir.

• Bağlamı koruyan erişim katmanları oluşturun. AI ajanlarının sorgularına yanıt verirken, veriyi bağlamından koparmamak önemlidir. MCP gibi protokoller, verilerin doğru şekilde paketlenmesini ve yanıtların bağlamsal olarak anlamlı olmasını sağlar.

D&B’nin yaşadığı bu dönüşüm, sadece ticari veri sektöründe değil, tüm iş dünyasında AI ajanlarının entegrasyonunun ne kadar karmaşık bir süreç olduğunu gösteriyor. Gelecekte, şirketlerin AI projelerini başarıyla hayata geçirebilmeleri için veri altyapılarını yeniden düşünmeleri ve ajan odaklı mimarilere geçiş yapmaları gerekecek. Bu süreç, uzun vadede sadece verimliliği artırmakla kalmayacak, aynı zamanda yeni iş modellerinin ve rekabet avantajlarının da kapısını aralayacak.